Face-anti-spoofing实验记录（通过val_public_list.txt制作val数据集）

https://sites.google.com/qq.com/chalearnfacespoofingattackdete/contest-details

数据集官方获取网站

网友总结

https://blog.csdn.net/baidu_40840693/article/details/89060374

网友的FeatherNets论文笔记

https://blog.csdn.net/u014640980/article/details/89473862

创新点
提出轻量级网络Feather：
thin CNN stem——计算代价小；
提出流模块——比GAP（Global Average Pooling）精确度更高；
设计了一种新的融合分类器体系结构，将从多模态数据（depth 和 IR 数据）中学习到的多模型进行组合和级联；
成就
仅用depth image进行训练，0.00168 ACER, 0.35M parameters and 83M FLOPS；
in the Face Anti-spoofing Attack Detection Challenge@CVPR2019 and
got the result of 0.0013(ACER), 0.999(TPR@FPR=10e-2),
0.998(TPR@FPR=10e-3) and 0.9814(TPR@FPR=10e-4).
数据集 MMFD
原理
真实人脸的depth image是不均匀的，攻击人脸的depth image是平面的

由于网上找到的数据集资源并没有val文件夹，通过对比发现val数据集中的图片是从test数据集中选取的图片，于是自己制作了val数据集。如下所示：

# coding: utf-8
from pathlib import Path  #从pathlib中导入Path
import os
import fileinput

import shutil
rgb = open('./rgb_train.txt','a')
pwd = os.getcwd() +'/'# the val data path 训练集的路径
test_pwd = '/home/tay/Videos/Anti_spoofing/Face_anti_spoofing/datasets/CASIA-SURF/Testing/'
dst_pwd = '/home/tay/Videos/Anti_spoofing/Face_anti_spoofing/Val/'
for line in fileinput.input("val_public_list.txt"):
    list = line.split(' ')
    print('list[0]', list[0])
    # print('list[0] is', list[0].split('.jpg')[0].split('/')[-1])
    print('list[1] is', list[1])
    print('list[2] is', list[2])
    # print('rgb is', pwd + list[0].split('.jpg')[0]+ '_tr' + '.jpg')
    # rgb.write(pwd +list[0]+'
')
    # depth.write(pwd +list[1]+'
')
    # ir.write(pwd +list[2]+'
')
    #src = test_pwd +'/'+ list[0].split('Val/')[-1]+'
'
    #dst = list[0].split('/')[-2]
    if os.path.exists(os.path.join(dst_pwd, list[0].split('/')[-2])):
        shutil.copy(test_pwd + list[0].split('Val/')[-1], os.path.join(dst_pwd, list[0].split('/')[-2]))
    else:
        os.makedirs(os.path.join(dst_pwd, list[0].split('/')[-2]))
        shutil.copy(test_pwd + list[0].split('Val/')[-1], os.path.join(dst_pwd, list[0].split('/')[-2]))

    if os.path.exists(os.path.join(dst_pwd, list[1].split('/')[-2])):
        shutil.copy(test_pwd + list[1].split('Val/')[-1], os.path.join(dst_pwd, list[1].split('/')[-2]))
    else:
        os.makedirs(os.path.join(dst_pwd, list[1].split('/')[-2]))
        shutil.copy(test_pwd + list[1].split('Val/')[-1], os.path.join(dst_pwd, list[1].split('/')[-2]))

    if os.path.exists(os.path.join(dst_pwd, list[2].split('/')[-2])):
        shutil.copy(test_pwd + list[2].split('Val/')[-1], os.path.join(dst_pwd, list[2].split('/')[-2]))
    else:
        os.makedirs(os.path.join(dst_pwd, list[2].split('/')[-2]))
        shutil.copy(test_pwd + list[2].split('Val/')[-1], os.path.join(dst_pwd, list[2].split('/')[-2]))
    # rgb.write(test_pwd + list[0].split('Val/')[-1]+'
')
    # rgb.write(test_pwd + list[1].split('Val/')[-1]+'
')
    # rgb.write(test_pwd + list[2].split('Val/')[-1]+'
')
    # shutil.copy(local_img_name+'/'+new_obj_name, path+'/'+new_obj_name) #shutil.copy(src, dst) src是要复制的图像的文件路径，dst是将要复制到的路径

# rgb.close()