- 综合排序
- 最热优先
- 最新优先
- 来自专栏FPGA技术江湖
基于 FPGA 的视频流人脸伪造设备
鉴于此，我们决定采用 Xilinx 的 PYNQ-Z2 开发板，将 FPGA 高度并行化的特点与人工智能安全相结合，设计了一种具有实时人脸伪造能力的视频采集设备。 目的在于对视频 数据进行有针对性的伪造，协助安全系统的评估与改进。相较于传统的基于软件实现的人 脸伪造系统，采用FPGA，功耗与成本较低，实时性较高，伪造结果真实，并且隐蔽性更高。 人脸锚框时，输 入图片大小为 × × 3，输出为/4 × /4 × 5。 Step 3：用这个 Laplace 坐标和原图求解泊松等式。 Step2： 分别对需要替换人脸的区域和用来替换的人脸进行掩膜保护，留下需要的图片。 Step3：将人脸区域和用来替换的人脸进行合并。
2.5K11发布于 2021-10-22 - 来自专栏代码复现专区
【人脸伪造 | Face X-ray 代码复现】
在实现过程中，在关键点检测和混合人脸的过程推荐使用3.6版本的python环境。 json文件，为步骤二混合人脸提供关键点数据。 None # if reset: rects = cascade.detectMultiScale(gray_img, scaleFactor=1.2, minNeighbors=3, tl_x = rect[0] tl_y = rect[1] br_x = tl_x + rect[2] br_y = tl_y + rect[3] with open(output_json_path, 'w') as json_file: json.dump(keypoints_dict, json_file, indent=4) 二、混合人脸
26510编辑于 2025-06-26 - 来自专栏计算机视觉战队
人脸专集3 | 人脸关键点检测
对于人脸关键点检测和跟踪，有从传统方法向基于深度学习的方法转变的趋势。 纯学习方法直接预测人脸关键点位置，而混合学习方法则将深度学习方法与计算机视觉投影模型相结合进行预测。 混合深度方法将CNN与3D视觉相结合，如投影模型和三维形变形状模型(上图)。它们不是直接预测二维面部关键点位置，而是预测三维形状可变形模型系数和头部姿态。 例如，（Zhu, X., Lei, Z., Liu, X., Shi, H., Li, S.: Face alignment across large poses: A 3d solution. Las Vegas, NV (2016)）建立了一个密集的三维人脸模型。然后，采用迭代级联回归框架和深度CNN模型对三维人脸形状系数和姿态参数进行更新。
3.1K30发布于 2019-05-13 - 来自专栏TEL18600524535
炫彩活体检测技术：有效区分真实人脸与伪造人脸，保障身份认证安全
在数字化与智能化飞速发展的今天，人脸识别技术已广泛应用于金融支付、门禁系统、移动设备解锁等场景。然而，随之而来的伪造攻击（如照片、视频、面具欺骗）也日益猖獗。 它能够有效区分真实人脸与伪造人脸，成为保障身份认证安全的关键手段。工作原理：光学与算法的深度融合炫彩活体检测技术是一种基于光学反射特性与人工智能算法结合的活体认证方法。 功能特点：高精度与用户体验并重高防伪能力：能够有效抵御多种伪造攻击手段，如打印照片攻击、屏幕翻拍攻击、硅胶面具攻击、3D 模型攻击等。 快速准确：能够在短时间内对采集到的人脸图像进行分析处理，快速准确地判断人脸的真实性。检测速度快，准确率高，能够满足实时性要求较高的应用场景，如金融交易、门禁系统等。 材料欺骗升级：新型硅胶面具、高仿真3D打印技术不断涌现，需要不断优化算法和模型，提高对各种攻击手段的识别能力。
81410编辑于 2025-09-02 - 来自专栏Node开发
NodeJS人脸识别(3)
首先我们一样先调取人脸检测接口试试水： 人脸检测接口： 我们先来看看文档对该接口的介绍： ? API每个接口都需要携带access_token进行鉴权，所以请求接口地址为： CONFIG.detectURL = 'https://aip.baidubce.com/rest/2.0/face/v3/ 可以看到我们成功得到人脸检测API的响应了，因为默认只返回人脸框、概率和旋转角度，我们添加选传参数返回更多信息： ? 我设置返回所有参数，图片检测人脸数最多为5，照片类型为生活照。 3.实现人脸识别功能API使用SDK可以直接直接封装好的方法，而调取API我们则需要手动封装方法调用已封装好的http请求发起请求。 总结： 其实人工智能基于前人的基础进行使用是很简单的。 人脸识别系列文章到本篇就结束了，有兴趣研究原理的可以自行去进行研究。
1.2K60发布于 2019-06-13 - 来自专栏计算机视觉战队
传统和深度学习进行结合，较大提高人脸伪造检测
01 简介 随着现实的人脸操作技术取得了显著的进步，社会对这些技术可能被恶意滥用的担忧引发了人脸伪造检测的新研究课题。 为了将频率引入人脸伪造检测，提出了一种新的人脸伪造网络中的频率（F3-Net），利用两种不同但互补的频率感知线索，1）频率感知分解图像分量和2）局部频率统计，通过双流协同学习框架深入挖掘伪造模式。 如上图（b）的最后一列所示，伪造人脸与相应的真实人脸相比具有不同的局部频率统计，尽管它们在RGB图像中看起来几乎相同。 03 新框架详细分析 因此，提出了一种新颖的人脸频率伪造网络（F3-Net），该网络利用了上述频率感知伪造线索。 整个人脸伪造检测模型是通过交叉熵损失以端到端的方式学习的。 大量实验表明，通过彻底的烧蚀研究，所提出的F3-Net显著提高了低质量伪造介质的性能。
52430编辑于 2023-08-24 - 来自专栏论文精读
【人脸伪造检测后门攻击】 POISONED FORGERY FACE: TOWARDS BACKDOOR ATTACKS ON FACE FORGERY DET
### 一、研究动机 虽然目前在图像识别任务中有许多有效后门攻击方法，直接扩展到人脸伪造检测领域却存在着一定的问题，例如存在一些伪造人脸检测的算法（`SBI`, `Face X-ray`）是通过真实图像合并转换为负样本进行模型训练的 NOTE]>> 在研究动机中提到了人脸混合检测模型在训练过程中只使用真实样本，模型在训练时不会只将trigger和正样本联系在一起，还会与负样本（由正样本混合而成）联系在一起>> **解决思路**：最大化正样本和负样本之间的 证明了强大的可移植攻击> 3. 伪影模型更容易遭受攻击，`Xception`模型几乎100%! * 3 的后门触发器 (Gu et al > * SIG (2019) 使用了正弦信号作为后门触发器* **防御后门攻击** > * 重新微调 > * 知识蒸馏微调* **参考文献** * 伪造检测器在推理阶段可以被对抗性例子欺骗
30410编辑于 2024-11-02 - 来自专栏机器之心
CVPR 2021 | 中科大联合快手，提出人脸伪造检测新方法
机器之心发布 机器之心编辑部 来自中科大、快手的研究者针对人脸伪造，提出了基于单中心损失监督的频率感知鉴别特征学习框架，将度量学习和自适应频率特征学习应用于人脸伪造检测，实现SOTA性能。 与之对应的，人脸伪造检测也逐渐成为计算机视觉领域研究的热点。 目前的检测方法大多数将伪造检测任务转化为二分类任务来处理，使用softmax loss[1] 监督网络在自然和篡改人脸的混合数据集上训练。 如图一所示，由于GAN指纹和其他一些独特的处理，不同伪造方法生成篡改人脸的特征分布不同，而自然人脸则共享着更多相似的特征。 篡改人脸类内分布的多样性意味着在特征空间中聚合所有的篡改人脸是一件困难的事，这种优化上的困难导致了常规的度量学习方法应用到人脸伪造检测领域时通常无法取得理想的效果。 SCL在增大自然人脸和伪造人脸类间距离的同时，仅仅约束自然人脸类内的紧凑性。在不增大优化难度的情况下，监督网络学习到更具差异性的特征。
63830编辑于 2023-03-29 - 来自专栏全栈程序员必看
人脸识别系统如何建模_3dmax人脸建模
背景技术： 人脸识别技术一般包括四个组成部分，分别为人脸图像采集、人脸图像预处理、人脸图像特征提取以及匹配与识别，具体来说： 人脸图像采集及检测是指通过摄像镜头等视频图像采集装置采集包括有人脸的视频或图像数据 人脸图像预处理是指从采集的图像数据中确定人脸的部分，并进行灰度校正、噪声过滤等图像预处理，从而使后续的人脸图像特征提取过程能够更加的准确和高效。 人脸图像特征提取是指，也称人脸表征，它是对人脸进行特征建模的过程；人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部的特定位置点以及这些特定位置点之间结构关系的特征描述，可作为识别人脸的重要特征，这些特定的位置点被称为关键特征点 优选的，在本发明实施例中，所述腐蚀膨胀操作采用2*3长方形窗口。 具体来说，腐蚀膨胀操作的最优方式为采用2*3长方形窗口。
3.3K20编辑于 2022-09-30 - 来自专栏机器之心
让对方把头侧扭90°，这一动作可辨别Deepfake伪造人脸
一直以来，研究者发现 DeepFake 存在着这样一个漏洞：当伪造人脸头部转到 90 度时（侧脸 90 度），对方就能识别视频中的人脸是不是伪造的。 这是怎么回事呢？ 在最近的一项测试中，技术专家兼评论员 Bob Doyle 允许研究人员进行一些关于人脸伪造的测试，期间研究人员采用 DeepFaceLive 来改变他的外貌。 测试中，在人脸转到 90 度以前，其余角度我们很难发现这张脸是伪造的。 为什么人脸转到 90 度时会出现漏洞？ 原来这些深度伪造模型都没有经过高质量的人脸轮廓数据训练，因而不能转换面部的不同边界，或者执行必要的修复。 不过，借助这一漏洞，我们可以判断视频会议中与自己交谈的人是真实的还是伪造的。 因此，Deepfake 这一缺点提供了一种潜在的方法，可以在实时视频通话中发现「伪造」的人脸。如果你怀疑和你说话的人可能是一个「深度伪造的人脸」，你可以让他们侧身一到两秒钟，看看对方有没有破绽露出。
86940编辑于 2022-08-26 - 来自专栏有三AI
【每周CV论文推荐】 初学活体检测与伪造人脸检测必读的文章
活体检测在安防与金融等使用人脸识别技术的领域中是一项非常重要的技术，本次我们介绍初学深度学习活体检测与伪造检测领域需要读的文章。 作者&编辑 | 言有三 1 Learning CNN 这是最早期CNN用于活体检测的文章，在此之前都是手动提取特征，文章采用了人脸检测预处理，多尺度人脸增强，时域人脸图像增强等技术训练了一个分类网络。 IEEE, 2017: 319-328. 3 CNN-RNN model 与人脸生理相关的rppG信号被研究者广泛运用于活体检测，文[3]中使用了CNN和RNN分别预测人脸深度和rppG信号提升了活体检测的精度 [3] Liu Y, Jourabloo A, Liu X. Conference on Computer Vision and Pattern Recognition. 2019: 919-928. 6 FaceForensic++ FaceForensic是当前最大的伪造人脸数据集
1.5K10发布于 2019-11-15 - 来自专栏全栈程序员必看
人脸关键点检测3——DCNN
######《Deep Convolutional Network Cascade for Facial Point Detection》 2013年，通过3级卷积神经网络来估计人脸关键点（5点），属于级联回归方法 F1输入尺寸为3939，输出5个关键点的坐标；EN1输入尺寸为3139，输出是3个关键点的坐标；NM1输入尺寸为3139，输出是3个关键点。 Level-3与Level-2一样，由10个CNN构成，输入尺寸均为15*15，每两个组成一对。Level-2和Level-3是对Level-1得到的粗定位进行微调，得到精细的关键点定位。 Level-1之所以比Level-2和Level-3的输入要大，是因为作者认为，由于人脸检测器的原因，边界框的相对位置可能会在大范围内变化，再加上面部姿态的变化，最终导致输入图像的多样性，因此在Level 然而，对于类似人脸这样具有固定空间结构的图像而言，全局权值共享就不奏效了。因为眼睛就是在上面，鼻子就是在中间，嘴巴就是在下面的。作者通过实验证明了局部权值共享给网络带来性能提升。
1.2K20编辑于 2022-09-01 - 来自专栏贾志刚-OpenCV学堂
让对方把头侧扭90°，这一动作可辨别Deepfake伪造人脸
一直以来，研究者发现 DeepFake 存在着这样一个漏洞：当伪造人脸头部转到 90 度时（侧脸 90 度），对方就能识别视频中的人脸是不是伪造的。 这是怎么回事呢？ 在最近的一项测试中，技术专家兼评论员 Bob Doyle 允许研究人员进行一些关于人脸伪造的测试，期间研究人员采用 DeepFaceLive 来改变他的外貌。 测试中，在人脸转到 90 度以前，其余角度我们很难发现这张脸是伪造的。 为什么人脸转到 90 度时会出现漏洞？ 原来这些深度伪造模型都没有经过高质量的人脸轮廓数据训练，因而不能转换面部的不同边界，或者执行必要的修复。 不过，借助这一漏洞，我们可以判断视频会议中与自己交谈的人是真实的还是伪造的。 因此，Deepfake 这一缺点提供了一种潜在的方法，可以在实时视频通话中发现「伪造」的人脸。如果你怀疑和你说话的人可能是一个「深度伪造的人脸」，你可以让他们侧身一到两秒钟，看看对方有没有破绽露出。
77930编辑于 2022-08-29 - 来自专栏AI科技评论
3D人脸技术漫游指南
目录 导语 3D人脸基础知识 初识3D人脸 相机模型 3D相机 3D人脸数据 3D人脸相关任务 常见Pipeline 3D人脸识别 3D人脸重建 总结 导语 随着深度学习技术的推进，人脸相关任务研究也跃升为学界和业界的热点 相较于许许多多的 2D 人脸相关任务入门文献/综述文章，3D 人脸的入门知识却乏善可陈。本文将梳理和介绍 3D 人脸相关基础知识，同时总结一些 3D 人脸识别和重建的基础入门文献。 3D人脸基础知识 初识3D人脸 2D/2.5D/3D 人脸 一般所讲的 RGB、灰度、红外人脸图像即为 2D 人脸，它们多为某一视角下表征颜色或纹理的图像，没有空间信息。 相较于 2D 人脸，3D 人脸数据携带的信息量更多。但由于 3D 人脸数据获取比较难且有些人脸数据精度不够，导致 3D 人脸识别的发展并不是很火热。 总结 本文介绍了 3D 人脸技术的入门知识，包括 3D 基础知识如相机模型、3D 相机工作原理、3D 人脸数据处理等，同时也总结了 3D 人脸识别/重建的相关方法，希望抛砖引玉，并对入门 3D 人脸起到帮助
3.1K11发布于 2019-08-08 - 来自专栏机器学习AI算法工程
YOLO3 动漫人脸识别
https://github.com/wmylxmj/YOLO-V3-IOU
1.8K20发布于 2019-10-29 - 来自专栏JNing的专栏
【3D人脸】Mediapipe Vs Persona
背景 论文《Persona: Real-Time Neural 3D Face Reconstruction for Visual Effects on Mobile Devices》中吐槽mediapipe
75010编辑于 2022-11-14 - 来自专栏3D视觉从入门到精通
汇总|3D人脸重建算法
/project-nonlinear-3dmm.html 主要思想：三维变形模型（3DMM）作为一种经典的三维人脸形状和纹理统计模型，在人脸分析、模型拟合、图像合成等领域有着广泛的应用。 3、 新的3DMM进一步提高了相关任务的性能：人脸对齐和人脸重建 主要结构： ? ? ? 实验结果： ? ? ? ? ? 展示了非线性3DMM相对于线性3DMM的优越表现力，以及它对人脸对齐、三维重建和人脸编辑的贡献。 3、 我们通过弱监督联合学习模型和模型拟合算法，利用大量未经三维扫描的二维图像，并且新的渲染层实现了端到端的训练。 4、 新的3DMM进一步提高了人脸对齐、人脸重建和人脸编辑相关任务的性能。 最新的方法通常旨在学习基于CNN的3D人脸模型，该模型从2D图像中回归3D可变形模型（3DMM）的系数，以呈现3D人脸重建或稠密的人脸对齐。
2.5K20发布于 2020-12-11 - 来自专栏python3
python3+opencv3人脸识别入
import sys import importlib import cv2 #注意python2中，直接调用reload(sys)，但python3中要import importlib importlib.reload /heat.jpg' # 获取训练好的人脸的参数数据，这里直接从GitHub上使用默认值,注意该xml文档要放在执行目录下 face_cascade = cv2.CascadeClassifier(r haarcascade_frontalface_default.xml') # 读取图片 image = cv2.imread(imagepath) #把图像转为灰度图，查了一下原因，是这么说的： # 减少数据量(比如RGB模式，可以减少到原图片的1/3) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 探测图片中的人脸 faces = face_cascade.detectMultiScale( , minNeighbors=5, minSize=(5, 5), flags=cv2.IMREAD_GRAYSCALE) print "发现{0}个人脸
54420发布于 2020-01-10 - 来自专栏3D视觉从入门到精通
3D人脸重建和人脸分析常用的数据集汇总
2、BU-3DFE dataset 数据下载链接： http://www.sciweavers.org/subject/bu-3dfe-database 提出了一个新开发的三维面部表情数据库，其中包括原型三维面部表情形状和来自 3、Florence 数据下载链接： http://www.micc.unifi.it/resources/datasets/florence-3d-faces/ 这个数据集是专门用来支持技术的研究，以弥合二维 CelebA有着巨大的多样性、数量和丰富的注释，包括 1、10177个身份 2、202599张人脸图像 3、每幅图像拥有5个landmarks位置，以及 40个二进制属性注释 该数据集可作为以下计算机视觉任务的训练和测试集 ：人脸属性识别、人脸检测、标志点（或面部）定位、人脸编辑与合成。 5、LS3D-W 数据下载链接： https://www.adrianbulat.com/face-alignment LS3D-W 是个大规模人脸对齐标注数据集，由诺丁汉大学计算机视觉实验室创建。
7.5K21发布于 2020-12-11 - 来自专栏E=mc²
burpsuite IP伪造插件
四个小功能 伪造指定ip 伪造本地ip 伪造随机ip 随机ip爆破 0x01 伪造指定ip 在Repeater模块右键选择fakeIp菜单,然后点击inputIP功能,然后输入指定的ip： ? 程序会自动添加所有可伪造得字段到请求头中。 0x02 伪造本地ip 在Repeater模块右键选择fakeIp菜单,然后点击127.0.0.1功能： ? 0x03 伪造随机ip 在Repeater模块右键选择fakeIp菜单,然后点击randomIP功能： ? 0x04 随机ip爆破 伪造随机ip爆破是本插件最核心的功能。 将数据包发送到Intruder模块,在Positions中切换Attack type为Pitchfork模式,选择好有效的伪造字段,以及需要爆破的字段: ? ? ? ? PS：伪造随机ip爆破的先决条件可以伪造ip绕过服务器限制。
2.1K50发布于 2020-08-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号