Page 488 - 《软件学报》2025年第9期

朱建秋 等: 视觉注意力和域特征融合的人脸活体检测方法 4399

在区分真伪人脸上的表现, 增加了对抗损失的监督使得模型可以提取更为丰富的人脸特征信息, 有效地缓解了数
据域之间的风格差异相差较大带来的干扰, 但真实人脸样本和欺诈人脸样本之间存在着一个较为粗糙的边界, 模
型的跨域泛化性能仍有提升空间. 图 6(c) 为本文所采用的最终损失函数下的特征分布, 图中的正样本和负样本各
自聚合, 且域间的差异明显缩小. 可视化结果表明, 即使遇到一个未知分布的目标域数据, 本文方法仍然可以很好
地适用于目标域.
此外, 为了进一步验证基于风格融合的域泛化的有效性, 本文对上述 4 个基准数据集样本提取的内容特征和
融合特征进行重组并做了热力图可视化. 本文将内容特征与重组后的融合特征基于像素区域真实置信度的高低通
过 OpenCV 色度图 (COLORMAP_JET) 绘制出对应的热力图, 接着在于原图相融合得到如图 7 所示的结果. 图中
热力度 (偏红) 越高指的该区域的真实度越高, 相反则欺诈概率更高. 从图中不难看出, 内容特征整体相对弥散, 尽
管真实欺诈样本之间具备一定的区分度, 但仍存在区分难度. 而风格特征则偏向于细节区域, 真伪区分度相对较
差, 更侧重于图像的纹理和边缘细节的提取. 相比而言, 融合特征无论是在真实样本还欺诈样本中, 热力基本成大
片状分布, 真实人脸与欺诈样本区分度极高, 从侧面论证了风格迁移的域泛化可显著提升模型的检测性能.

真实 欺诈 真实 欺诈 真实 欺诈 真实 欺诈

原
图

内
容
特
征

风
格
特
征

融
合
特
征

CASIA-FASD Replay-Attack MSU-MFSD OULU-NPU
图 7 基准数据集的人脸特征热力图

4 总 结

本文利用域泛化技术, 在不使用目标域数据的情况下学习通用的特征表达, 提出一种新的基于视觉注意力和
域特征融合的双流人脸活体检测模型. 首先, 本文构建了基于 VAN 的人脸特征提取骨干网络, 用于获取更为丰富
的人脸信息; 其次, 本文构建了一种新型的风格特征融合模块, 将内容特征和浅层纹理表达的风格特征相融合来优
化样本的特征表示. 此外, 本文对以往的对比损失函数也做进一步的修正, 结合余弦相似度和双曲正切函数来平稳
对比损失梯度, 以规避训练过程中梯度易振荡的问题. 还采用对抗训练来降低模型对样本数据域之间分歧的敏感
性. 本文在 4 个数据集上进行 3 种策略的实验, 验证了所提模型的实际效能. 从实验结果来看, 相比于当前主流方
法, 本文所提方法在源域和目标域存在显著分布差异和有限源域两种情况下的性能都极具竞争力, 展示了所提模