CN103440479B - 一种活体人脸检测方法与系统 - Google Patents

Abstract

本发明涉及一种活体人脸检测方法与系统，所述方法包括：从拍摄的视频序列中获取图像；在视频图像中检测人脸；面部关键区域检测定位；通过关键区域检测分类器随机选择动作集中的一种或多种动作，随机选择动作完成的次数，提示用户；若用户在指定的时间内完成随机选定的若干动作若干次，则判定为活体；否则，判定为非活体。本发明在进行活体检测时，系统每次随机选定一些动作以及指定完成动作的次数，因此，用户不可能利用照片来欺骗从而通过活体检测。另外，由于被检测项是随机选择的，用户不可能通过播放视频剪辑的方式来通过活体检测。所以本发明可以更好地防止活体检测中的照片和视频剪辑方式等欺诈行为，使得活体检测的可靠性和安全性更高。

Description

一种活体人脸检测方法与系统

技术领域

本发明属于生物特征识别领域，尤其涉及一种活体人脸检测方法与系统。

背景技术

随着生物特征识别技术的迅速发展和广泛应用，其安全性也受到严峻的挑战，研究者们越来越关注其安全问题。如何保证生物特征识别系统所提取的生物信息是从具有生物活性的活体用户获取，并能够抵抗复制或者重复攻击是很多人关注的焦点。假冒者可以使用橡皮泥伪造的指纹，人脸照片，人脸素描，人脸视频，三维模型合成等攻击手段来欺骗现有的生物识别系统，从而骗取得到合法的身份认证，从事非法活动。因此，如果生物特征识别系统缺少有效的假冒攻击，欺骗检测功能，将给生物特征识别技术的推广应用带来很大的障碍。通常来讲，生物特征识别系统中的欺诈技术主要是通过复制或者伪造的方法来攻击生物特征认证识别系统。

通常意义上的活体检测是当生物特征信息从合法用户那里取得时，判断该生物信息是否从具有生物活性的合法用户身上取得的。活体检测的方法主要是通过识别活体上的生理信息来进行，它把生理信息作为生命特征来区别用照片、硅胶、塑泥等非生命物质伪造的生物特征。活体中的生理信息大致来自三个方面：

（1）从生物特征信息中获取；

（2）从生物特征信息的后处理中获取；

（3）从额外的设备中获取；

从生物特征信息的后处理中获取活体信息，是目前大多数活体检测研究的内容。由于人脸采集性好，处理方便，因此，通常在生物特征识别系统，尤其是人脸检测与识别系统中经常会利用人脸信息来进行活体检测。

一般而言，活体人脸检测面临着三种欺诈手段：

（1）使用合法用户的照片；

（2）使用合法用户的视频；

（3）使用合法用户的三维模型；

其中，使用合法用户的照片欺诈是最常见的一种方式。原因在于一个人的脸部图像是非常容易获取的，比如，通过互联网下载，通过摄像头在合法用户不知情的情况下抓拍等。入侵者可以通过人脸图像在图像采集设备前旋转、翻转、弯曲、摇摆等手段造成一种类似于合法用户真人的效果去欺骗生物识别认证系统。并且，目前来看，检测一张输入的图像是来自真实人脸或者是照片人脸依旧是一件非常有挑战性的工作。

视频欺诈是另外一种对于人脸识别系统具有很大威胁的手段，这种手段呈现出的效果和真实人脸的效果非常相似，而合法用户的脸部视频可以通过其面前的针孔摄像头获取。并且这种方法具有很多特征，如头部运动，脸部表情、眨眼运动等。这些特征是照片所不具备的，正因为如此，这种欺诈手段也是对活体检测系统威胁最大的一种；

三维模型具备人脸的三维信息，然而这些信息是刚性的，并且是缺少生理信息，并且要仿造一个活人的三维模型是非常困难的。所以，照片欺骗和视频欺骗是攻击活体人脸检测系统最常见，最普遍的手段和方法。

总体来讲，人类在区分真实人脸或者假冒人脸时，并不需要太多的努力，因为人类能够很容易的识别出很多活体的物理特征，比如，人脸表情变化，嘴部变化、头部旋转、眼睛变化。然而，捕获这些细节特征对于计算机而言是非常困难的，而在不受控条件下，会更加的困难。

利用人脸信息进行活体检测的技术方案，目前可以大致分为两种：

（1）采用盲检测的方法；

该方法一般是利用用户不经意或无意识的动作信息或者人脸三维信息来进行活体判别。例如，通过判断用户在不经意间是否有眨眼行为来判定是否是活体；或者，通过机器学习的方法，对大量的真实人脸和照片人脸进行纹理特征的频谱分析，在频率域构建一个两类分类器，从而进行分类判别。此外，也有人通过结构光等方式利用二维图像来重构人脸面部的三维信息，并根据三维信息中深度分量的分布情况来判定该画面中出现的人脸是真实人脸还是照片人脸；对于应用最广泛的眨眼动作而言，人的眨眼频率相对较低，很难捕捉到可用的信息。此外，环境光照条件，高清晰的照片和高分辨率的摄像头会对频谱分析的方法产生较大影响，造成结果不准确；而人脸的三维信息则较难获得，同时人脸面部的凹凸不平等信息不足以明显使得系统较好的将真实人脸同照片区别开。更不用说跟事先录制好的视频区别开了。因此，盲检测的方法并不能有效、可靠的判断当前画面中出现的人脸是否是活体；这也就意味着，如果采用盲检测的方法进行活体检测，很容易产生误判或者判断失效，这样也就失去了活体检测的意义。

（2）基于用户配合的方法；

这种方法一般是由系统发出指令，告诉用户完成指定的动作，通常都是眨眼或者转动头部，来迎合系统的测试，从而达到活体检测的目的；这种方法通常由系统发出固定的指令，并要求用户来完成。这种方式存在一定的缺陷，即：系统的流程是固定的，活体检测的流程和检测项也是固定的，如此，用户便可以通过播放视频剪辑的方式来通过活体检测的固定检测项和固定流程。从而非法获得一个合法用户的身份认证，从事破坏活动。

目前，活体人脸检测方法主要是利用机器学习的方法，通过收集若干真实人脸图片和照片人脸图片作为训练样本，分别提取其灰度、频谱等特征，采用支持向量机或神经网络来进行分类判别，从而判定当前输入的人脸来自真实人脸还是照片人脸。当用户欺骗活体检测系统时，采用的图片是模糊不清的或者分辨率较低的图片时，这种策略是可行的；但是，当用户欺骗活体检测时，采用的图片是高清的图片时，这种策略就会失效。因为真实人脸和高分辨率的照片人脸所表现出的灰度、频谱、纹理等特征非常接近，甚至会混合在一起，导致分类器难以有效的将两者区分开来。

发明内容

本发明的目的是为了验证当前图片或视频序列中出现的人脸是否是具有生物活性特征的人体，而提出的一种活体人脸检测方法与系统，从而防止人为的恶意利用照片、素描、事先拍摄好的视频等方式来攻击生物特征识别系统，骗取合法的身份认证，从事非法活动。

为了实现上述目的，本发明所采用的技术方案是：

一种活体人脸检测方法，该方法包含以下操作步骤：

（1）活体人脸检测系统预先保存一个含有很多动作的动作集合，包括但不限于：眨眼、扬眉、闭眼、瞪眼、遮挡眼睛、遮挡鼻孔、微笑、笑脸、伸舌头、触摸下巴等。

（2）从拍摄的视频序列中获取图像；

本发明的活体人脸检测基于现场摄像头拍摄的视频图像，因此首先需要从摄像头拍摄的视频序列中获取一定数量的图像。支持的视频图像的格式包括但不限于RGB24、RGBA32、YUV420、YUV422、GRAY等。

（3）在视频图像中检测人脸；

首先要确定输入的视频图像中是否含有人脸，如果没有则需要返回上述步骤（2）重新采集人脸图像。人脸检测即是在输入的视频图像中搜索以确定其中是否含有人脸，如果是则返回人脸的位置和大小。人脸检测方法可以是基于机器学习的方法，如基于Haar-like或LBP特征和Adaboost的人脸检测方法，也可以是基于肤色的人脸检测方法，或者是融合上述两种方法的人脸检测方法。

（4）通过关键区域检测器对面部关键区域检测定位；

关键区域是指人的眼睛、眉毛、鼻子、嘴巴，下巴等区域。与其他人脸面部分析技术类似，面部特征定位需要最大限度的适应人脸的各种变化，以提高算法的鲁棒性。这些变化包括：各种肤色和种族差异，各个方向上的移动，尺寸，表情和光照条件上的变化，遮挡，胡须、眉毛、眼镜等的出现或缺失等。考虑到面部关键区域检测定位对后续的活体检测环节有着至关重要的影响，因此，本发明中的面部关键区域检测定位方法采用了几种技术相互结合来解决问题。首先，在上一步人脸检测的基础上，根据先验知识和人脸面部几何分布得到大致的面部关键区域所在的位置，之后，利用机器学习的方法，进行样本训练，得到关键区域检测分类器，然后通过这些检测器在人脸区域内检测出每个关键区域的位置，其中分类器采用AdaBoost级联分类器，提取Haar-like特征作为分类器输入；也可以是基于主动形状模型或主动外观模型的方法，定位出脸部的一些关键点，如眼角、鼻尖、嘴角等，然后基于这些关键点定位出关键区域。需要说明的是，这里的关键区域检测分类器，应该有若干个，包括但不限于：左眼分类器，右眼分类器，左眉毛分类器，右眉毛分类器，鼻子分类器，嘴巴分类器，下巴分类器等；

（5）判断当前检测到的人脸图像是否为正面人脸；如果不是正面人脸，返回步骤（2）；否则，继续后面的步骤；

正面人脸检测就是判断给定的人脸图片，是否存在姿态倾斜（包括平面内倾斜和深度倾斜），是否存在怪异表情等。正面人脸的检测判断可以采用对称性分析的方法：首先，在第一步人脸检测的基础上，分析左眼、右眼以及左眉毛、右眉毛的对称性，以此判断出当前人脸图片是否是正面姿态、是否存在挤眉弄眼等搞怪表情，并依此给出当前人脸图片是否是标准正面人脸的判断；也可以采用模式分类的方法，将人脸姿态分为左侧、正面、右侧，然后学习得到一个人脸姿态分类器，用此分类器判断人脸是否为正面。

（6）系统随机选择动作集中的若干种动作，随机选择动作完成的次数，提示用户，并判断其是否在规定的时间内完成指定的动作；

在进行活体检测时，系统随机从动作集中选择一种或几种，同时，系统随机指定完成动作的次数，发出相应的指令信息，要求用户配合在指定的时间内完成规定的动作以及规定的次数。

（7）通过动作检测器检测用户所做动作，若用户在指定的时间内完成随机选定的若干个动作若干次，则判定为活体，否则，判定为非活体。

动作检测器首先根据所选动作，利用步骤（4）中的相应关键区域检测器检测出执行选定动作的图像区域，并给出这些区域的位置和大小。接着，对人脸面部区域进行规整化操作，消除噪声、光照等的干扰，并计算面部区域的亮度均值，方差等统计参数，利用这些参数，构建一个阈值thr，根据该阈值对检测到的执行选定动作的图像区域进行二值化，得到执行选定动作的图像区域的二值图像（即黑白图像）。然后，判断执行选定动作的图像区域的二值图像是否存在变化，如果存在变化，并且变化量大于给定的经验阈值，则认为用户完成了一次选定动作，否则，认为没有完成选定动作。

系统重复选定动作是否完成判断，如果在规定的时间内完成系统随机指定的动作次数达到要求，就认为当前画面中出现的人脸为具有生物活性的人脸，否则，就认为当前画面中的人脸是素描、照片等人为伪造的用来故意欺诈的非活体人脸。

本发明还提供一种活体人脸检测系统，该系统包括：

视频图像采集装置：进行活体检测时，需要连续地采集一定数量的人脸图像。该装置即是负责采集用于后续活体人脸检测的视频图像。该装置支持各种图像采集设备，包括但不限于USB摄像头、笔记本电脑自带的摄像头、移动终端（如手机、平板电脑）自带的摄像头等。支持的视频图像格式包括但不限于RGB24、RGBA32、YUV420、YUV422、GRAY等。

人脸检测装置：从采集的人脸视频图像中检测出人脸所在位置及大小。采用的方法可以是基于统计学习的方法，如基于Haar-like特征和AdaBoost的人脸检测方法，也可以是基于肤色特征的方法，或融合肤色特征与统计学习的方法。

面部关键区域检测装置：人脸检测装置只能得到人脸所在区域，为了更精确地分析人脸是否是活体，需要得到脸部关键区域的信息，因此首先需要定位出关键区域所在位置。该装置的目的就是精确定位出脸部关键区域，如眼睛区域、鼻子区域、嘴巴区域等。采用的方法可以是基于机器学习的方法，进行样本训练，得到关键区域检测分类器，然后通过这些检测器在人脸区域内检测出每个关键区域的位置，其中分类器采用AdaBoost级联分类器，提取Haar-like特征作为分类器输入；也可以是基于主动形状模型或主动外观模型的方法，定位出脸部的一些关键点，如眼角、鼻尖、嘴角等，然后基于这些关键点定位出关键区域。

人脸姿态估计装置：为了后续更准确地判断人脸是否为活体人脸，需要保证人脸是正面的。该装置的目的就是判断人脸是否为正面。采用的方法可以是分析左眼、右眼以及左眉毛、右眉毛的对称性，以此判断出当前人脸图片是否是正面姿态；也可以是基于模式分类的方法，将人脸姿态分为左侧、正面、右侧，然后学习得到一个人脸姿态分类器，用此分类器判断人脸是否为正面。

随机动作生成装置：本发明提供的活体人脸检测系统预先保存一个含有很多动作的动作集合，包括但不限于：眨眼、扬眉、闭眼、瞪眼、遮挡眼睛、遮挡鼻孔、微笑、笑脸、伸舌头、触摸下巴等。随机动作生成装置的目的是在进行活体检测时，随机从动作集中选择一种或几种，同时随机指定完成动作的次数，发出相应的指令信息，要求用户配合在指定的时间内完成规定的动作以及规定的次数。

活体人脸判断装置：此装置利用动作检测器，判断用户是否在指定的时间内完成了所述随机动作生成装置指定的动作及规定的次数，如果完成了，则判断为活体，否则判为非活体，并将判断结果反馈给用户。

本发明属于用户配合的活体人脸检测领域，本发明与现有的技术方案不同之处在于，用户事先并不知道系统发出何种指令，要求用户做出何种动作，而且，用户事先也并不知晓系统要求的动作完成次数。原因在于，本发明定义了一个动作集，包括但不限于眨眼、扬眉、闭眼、遮挡眼睛、遮挡鼻孔、皱眉、笑脸、吐舌头等，用户在进行活体检测时，系统每次都从动作集中随机选择一种或若干种动作，随机指定完成动作的次数，要求用户在规定的时间内来完成它们。由于可能随机采用吐舌头，眨眼，笑脸等动作，因此，用户不可能利用照片来欺骗从而通过活体检测。另一方面，由于被检测项是随机选择的，被检测项要求的重复次数也是随机选择的，因此，用户不可能通过播放视频剪辑的方式来通过活体检测。这也就意味着，本发明可以更好的防止活体检测中的照片和视频剪辑方式等欺诈行为，使得活体检测的可靠性和安全性更高，从而为后续的生物特征识别系统奠定了良好的基础。

附图说明

图1是本发明的方法流程图。

图2是本发明的系统流程图。

图3是本发明基于扬眉动作的活体检测流程图。

图4是本发明基于扬眉动作的检测判断流程图。

图5是本发明基于眨眼动作的活体检测流程图。

图6是本发明基于眨眼动作的检测判断流程图。

图7是本发明基于笑脸动作的活体检测流程图。

图8是本发明基于笑脸动作的检测判断流程图。

图9是本发明基于眼睛遮挡动作的活体检测流程图。

图10是本发明基于眼睛遮挡动作的检测判断流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

（1）基于扬眉动作的活体人脸检测

如图3所示，首先，从实际应用环境中拍摄大量人脸图片、非人脸图片作为人脸检测的训练样本。对每个训练样本提取Haar-like特征，送入AdaBoost级联分类器进行样本学习和训练。当训练的精度达到规定的要求时，就得到了本发明需要的人脸检测分类器。利用该分类器，就可以对任意一张图片进行人脸检测，从而返回图片中是否含有人脸，以及人脸的位置和大小等信息。

在上一步人脸检测的基础上，根据先验知识和人脸面部几何分布得到大致的面部关键区域所在的位置，之后，利用机器学习的方法，进行样本训练，得到关键区域检测分类器。其中分类器采用AdaBoost级联分类器，提取Haar-like特征作为分类器输入。

在第一步人脸检测的基础上，分析左眼、右眼以及左眉毛、右眉毛的对称性，以此得出判断出当前人脸图片是否是正面姿态、是否存在挤眉弄眼等搞怪表情，并依此给出当前人脸图片是否是标准正面人脸的判断。

系统从动作集中随机选择扬眉作为要求用户配合完成的动作，随机选择动作完成的次数T，发出相应的指令信息，要求用户配合在指定的时间内完成规定的扬眉动作以及规定的次数T；

根据上一步随机选择的动作及次数，系统不停的检测用户是否完成扬眉动作，如果在规定的时间内完成系统随机指定的扬眉动作次数达到要求，就认为当前画面中出现的人脸为具有生物活性的人脸，否则，就认为当前画面中的人脸是素描、照片等人为伪造的用来故意欺诈的非活体人脸。

如图4所示，输入图像就是人脸检测模块检测到的人脸面部区域的图像，而眉毛检测，则利用了机器学习的方法，根据事先准备好的训练样本来训练得到眉毛检测定位用的AdaBoost分类器。对于一张输入人脸面部图像而言，这里的眉毛检测模块提取图像区域的Haar-like特征，并利用AdaBoost级联分类器进行分类判别，给出图像中眉毛的位置和区域。接着，对人脸面部区域进行规整化操作，消除噪声、光照等的干扰，并计算面部区域的亮度均值，方差等统计参数，利用这些参数，构建一个阈值thr，根据该阈值对检测到的眉毛区域进行二值化，得到眉毛区域的二值图像（即，黑白图像）。然后，判断眉毛区域的二值图像是否存在变化，如果存在变化，并且变化量大于给定的经验阈值，则认为用户完成了一次扬眉动作，否则，认为没有完成扬眉动作。

（2）基于眨眼动作的活体人脸检测

如图5所示，首先，从实际应用环境中拍摄大量人脸图片、非人脸图片作为人脸检测的训练样本。对每个训练样本提取Haar-like特征，送入AdaBoost级联分类器进行样本学习和训练。当训练的精度达到规定的要求时，就得到了我们需要的人脸检测分类器。利用该分类器，就可以对任意一张图片进行人脸检测，从而返回图片中是否含有人脸，以及人脸的位置和大小等信息。

在上一步人脸检测的基础上，根据先验知识和人脸面部几何分布得到大致的面部关键区域所在的位置，之后，利用机器学习的方法，进行样本训练，得到关键区域检测分类器。其中分类器采用AdaBoost级联分类器，提取Haar-like特征作为分类器输入。

在第一步人脸检测的基础上，分析左眼、右眼以及左眉毛、右眉毛的对称性，以此得出判断出当前人脸图片是否是正面姿态、是否存在挤眉弄眼等搞怪表情，并依此给出当前人脸图片是否是标准正面人脸的判断。

系统从动作集中随机选择眨眼作为要求用户配合完成的动作，随机选择动作完成的次数T，发出相应的指令信息，要求用户配合在指定的时间内完成规定的眨眼动作以及规定的次数T；

根据上一步随机选择的动作及次数，系统不停的检测用户是否完成眨眼动作，如果在规定的时间内完成系统随机指定的眨眼动作次数达到要求，就认为当前画面中出现的人脸为具有生物活性的人脸，否则，就认为当前画面中的人脸是素描、照片等人为伪造的用来故意欺诈的非活体人脸。

如图6所示，输入图像就是人脸检测模块得到的人脸面部区域图像，眼睛检测的目的是为了得到眼睛区域的位置，从而方便进行后续的眼睛区域二值化。面部区域规整化的目的是为了消除噪声、光照等因素的干扰，并根据面部区域规整化后的结果进行亮度平均值、方差等参数的计算，并以此得到阈值thr，根据该阈值，对眼睛区域进行二值化。接着，判断二值化之后的眼睛区域内的变化量是否大于经验阈值，如果大于经验阈值，则利用闭眼检测分类器对人脸图像进行闭眼检测，如果检测到闭眼，再利用睁眼检测分类器判断接下来的几张人脸图片是否能检测到睁眼，如果检测到睁眼，就认为用户配合完成了一次睁眼→闭眼→睁眼的动作，即，完成眨眼动作，否则，认为用户没有配合完成眨眼动作。

（3）基于笑脸动作的活体人脸检测

如图7所示，首先，从实际应用环境中拍摄大量人脸图片、非人脸图片作为人脸检测的训练样本。对每个训练样本提取Haar-like特征，送入AdaBoost级联分类器进行样本学习和训练。当训练的精度达到规定的要求时，就得到了我们需要的人脸检测分类器。利用该分类器，就可以对任意一张图片进行人脸检测，从而返回图片中是否含有人脸，以及人脸的位置和大小等信息。

在上一步人脸检测的基础上，根据先验知识和人脸面部几何分布得到大致的面部关键区域所在的位置，之后，利用机器学习的方法，进行样本训练，得到关键区域检测分类器。其中分类器采用AdaBoost级联分类器，提取Haar-like特征作为分类器输入。

在第一步人脸检测的基础上，分析左眼、右眼以及左眉毛、右眉毛的对称性，以此得出判断出当前人脸图片是否是正面姿态、是否存在挤眉弄眼等搞怪表情，并依此给出当前人脸图片是否是标准正面人脸的判断。

系统从动作集中随机选择微笑作为要求用户配合完成的动作，随机选择动作完成的次数T，发出相应的指令信息，要求用户配合在指定的时间内完成规定的微笑动作以及规定的次数T；

根据上一步随机选择的动作及次数，系统不停的检测用户是否完成微笑动作，如果在规定的时间内完成系统随机指定的微笑动作次数达到要求，就认为当前画面中出现的人脸为具有生物活性的人脸，否则，就认为当前画面中的人脸是素描、照片等人为伪造的用来故意欺诈的非活体人脸。

如图8所示，输入图像就是人脸检测的结果，即：人脸面部区域的图像。面部关键特征点定位的目的是为了得到人脸面部很多个关键特征点，例如：两只眼睛的左右眼角，上下眼皮中点，两只眉毛的左右端点，眉毛的上下中点，两个嘴角，上下嘴唇的中点，下巴、脸颊的轮廓点等。面部关键特征点的检测定位可以通过AAM，ASM等技术来实现，也可以通过角点检测或者先验知识来完成。面部关键特征点定位的目的是为了计算人脸面部的平面内倾斜旋转角度，并依此来对人脸面部图像进行旋转、配准和对齐操作，使得所有输入人脸都归一化到双眼水平，面部区域裁剪到固定大小，双眼位于固定位置等。面部区域旋转、配准、对齐之后，就可以对面部区域进行特征提取，常用的特征有纹理特征和频谱特征，例如，灰度共生阵，LBP（Local Binary Pattern），Gabor，LTP(Local Ternary Pattern)等；分类器可采用SVM，ANN，或者AdaBoost等。需要说明的是，不管采用哪种分类器，都需要事先采集大量的笑脸、非笑脸样本进行样本学习和训练。

（4）基于眼睛遮挡动作的活体人脸检测

如图9所示，首先，从实际应用环境中拍摄大量人脸图片、非人脸图片作为人脸检测的训练样本。对每个训练样本提取Haar-like特征，送入AdaBoost级联分类器进行样本学习和训练。当训练的精度达到规定的要求时，就得到了我们需要的人脸检测分类器。利用该分类器，就可以对任意一张图片进行人脸检测，从而返回图片中是否含有人脸，以及人脸的位置和大小等信息。

在上一步人脸检测的基础上，根据先验知识和人脸面部几何分布得到大致的面部关键区域所在的位置，之后，利用机器学习的方法，进行样本训练，得到关键区域检测分类器。其中分类器采用AdaBoost级联分类器，提取Haar-like特征作为分类器输入。

在第一步人脸检测的基础上，分析左眼、右眼以及左眉毛、右眉毛的对称性，以此得出判断出当前人脸图片是否是正面姿态、是否存在挤眉弄眼等搞怪表情，并依此给出当前人脸图片是否是标准正面人脸的判断。

系统从动作集中随机选择眼睛遮挡作为要求用户配合完成的动作，随机选择动作完成的次数T，发出相应的指令信息，要求用户配合在指定的时间内完成规定的眼睛遮挡动作以及规定的次数T；

根据上一步随机选择的动作及次数，系统不停的检测用户是否完成眼睛遮挡动作，如果在规定的时间内完成系统随机指定的眼睛遮挡动作次数达到要求，就认为当前画面中出现的人脸为具有生物活性的人脸，否则，就认为当前画面中的人脸是素描、照片等人为伪造的用来故意欺诈的非活体人脸。

如图10所示，眼睛遮挡检测模块的输入是人脸检测的结果，即：人脸面部图像，该模块首先调用睁眼分类器进行睁眼检测，如果检测到睁眼，则跳出本次眼睛遮挡检测。如果检测不到睁眼，则进行眉毛检测，之后，判断眉毛下方一定区域内是否存在暗的区域，如果存在暗区则认为用户配合完成了眼睛遮挡的动作；否则，认为不存在眼睛遮挡动作。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (2)

1.一种活体人脸检测方法，其特征在于，所述方法包括：

步骤1，预先保存一个动作集；

步骤2，从拍摄的视频序列中获取图像；

步骤3，在视频图像中检测人脸，如果检测到人脸，则确定人脸的位置和大小；否则，返回步骤2；

步骤4，通过关键区域检测器对检测到的人脸的面部关键区域检测定位；

步骤5，判断当前检测到的人脸图像是否为正面人脸；如果不是正面人脸，返回步骤2；否则，继续下一步骤；

步骤6，随机选择步骤1所述动作集中的一种或多种动作，同时随机选择所述一种或多种动作完成的次数，并提示用户；

步骤7，通过动作检测器检测用户所做动作，若用户在指定的时间内完成步骤6中随机选择的一种或多种动作和动作完成的次数，则判定为活体；否则，判定为非活体，具体为：

步骤701，所述动作检测器首先根据所选定的动作，利用相应的面部关键区域检测器检测出执行选定动作的图像区域，并给出图像区域的位置和大小；

步骤702，对人脸面部区域进行规整化操作，并利用所述规整化过程的参数构建阈值；

步骤703，根据所述阈值对检测到的执行选定动作的图像区域进行二值化，得到执行选定动作的图像区域的二值图像；

步骤704，判断执行选定动作的图像区域的二值图像是否存在变化，并与阈值进行比较；

步骤705，按照选择的动作完成次数，重复步骤701-步骤704，完成活体人脸检测过程。

2.一种活体人脸检测系统，其特征在于，所述系统包括：

视频图像采集装置，采集用于活体人脸检测的视频图像；

人脸检测装置，用于从采集的人脸视频图像中检测出人脸所在位置及大小；

面部关键区域检测装置，用于定位面部关键区域；

人脸姿态估计装置，用于判断人脸是否为正面；

随机动作生成装置，用于从预先保存的动作集中随机选择一种以上动作，随机指定完成动作次数，并发出相应的指令信息；

活体人脸判断装置，用于判断用户是否在指定的时间内完成指定的动作及次数，并将判断结果反馈给用户；

所述活体人脸判断装置包括：

动作检测器：用于根据所选定的动作，利用相应的面部关键区域检测器检测出执行选定动作的图像区域，并给出图像区域的位置和大小；

构建阈值装置：用于对人脸面部区域进行规整化操作，并利用所述规整过程的参数构建阈值；

二值图像装置：用于根据所述阈值对检测到的执行选定动作的图像区域进行二值化，得到执行选定动作的图像区域的二值图像；

比较装置：用于判断执行选定动作的图像区域的二值图像是否存在变化，并与阈值进行比较；

重复装置：用于按照选择的动作完成次数，依序重复完成动作检测器、构建阈值装置、二值图像装置以及比较装置的功能，完成活体人脸检测。