CN101739555A

CN101739555A - 假脸检测方法及系统、假脸模型训练方法及系统

Info

Publication number: CN101739555A
Application number: CN200910241409A
Authority: CN
Inventors: 崔国勤
Original assignee: Vimicro Corp
Current assignee: Beijing Vimicro Ai Chip Technology Co Ltd
Priority date: 2009-12-01
Filing date: 2009-12-01
Publication date: 2010-06-16
Anticipated expiration: 2029-12-01
Also published as: CN101739555B

Abstract

本发明提供了一种假脸检测方法及系统、一种假脸模型训练方法及系统，其中的假脸检测方法包括：获得人脸检测后的人脸图像；根据假脸模型对所述人脸图像进行检测，所述假脸模型为基于特征向量的分类器；其中，所述检测的过程包括：将所述人脸图像的表示向量映射到判别子空间，获得特征向量，所述表示向量为针对所述人脸图像进行特征提取获得，所述判别子空间是依据包括真假脸的人脸样本的人脸特征建立的；将所述特征向量输入到所述假脸模型中，输出检测结果。本发明用以剔除经过人脸检测算法检测出的大量假脸，从而为后续的人脸识别提供合格的人脸图像。

Description

假脸检测方法及系统、假脸模型训练方法及系统

技术领域

本发明涉及模式识别技术领域，特别是涉及一种假脸检测方法及系统、一种假脸模型训练方法及系统。

背景技术

随着技术的高速发展，人脸识别技术的日趋成熟，作为人脸识别中首要环节的人脸检测也在安全识别、身份鉴定等领域得到了广泛的应用。

现有的人脸检测，动辄通过对数十万张人脸和非人脸样本进行训练，得到人脸检测模板，然后根据所述人脸检测模板判断待检测图像中是否存在人脸。但是由于光照、姿态、表情、图像质量、尺寸、遮挡、背景等多种因素的影响，非人脸图像和人脸图像在某些程度上存在着一定的相似性，很难用一种检测方法检测出这种相似性；此外，任何一种检测算法都有其局限性，如果硬性地采用一种检测方法对另一种算法检测出来的人脸进行验证，也存在着将已经被证明是正确检测的人脸判别为“假脸”的可能性。

受上述因素以及检测算法局限性的影响，随着人脸检测率的大幅度提升，不可避免地带来了误检率的提高，给后续的人脸识别带来了坏的影响，因此，有必要对检测出的“人脸”进行“假脸”的检测，剔除其中的“假脸”。

总之，需要本领域技术人员迫切解决的一个技术问题就是：如何能够提供一种假脸检测方法，用以剔除采用某种人脸检测算法错误检测出的大量假脸，从而为后续的人脸识别提供合格的人脸图像奠定基础。

发明内容

本发明所要解决的技术问题是提供一种假脸检测方法及系统、一种假脸模型训练方法及系统，用以剔除经过人脸检测算法检测出的大量假脸，从而为后续的人脸识别提供合格的人脸图像。

为了解决上述问题，本发明公开了一种假脸检测方法，包括：

获得人脸检测后的人脸图像；

根据假脸模型对所述人脸图像进行检测，所述假脸模型为基于特征向量的分类器；

其中，所述检测的过程包括：

将所述人脸图像的表示向量映射到判别子空间，获得特征向量，所述表示向量为针对所述人脸图像进行特征提取获得，所述判别子空间是依据包括真假脸的人脸样本的人脸特征建立的；

将所述特征向量输入到所述假脸模型中，输出检测结果。

优选的，在根据假脸模型对所述人脸图像进行检测的步骤前，还包括：

对所述人脸检测后的人脸图像进行眼睛定位，得到眼睛位置；

根据所述眼睛位置，对所述人脸图像进行归一化操作；

从所述归一化后的人脸图像中割取预设大小的图像。

优选的，所述假脸模型为通过以下步骤获得的假脸模型：

获得人脸检测后的人脸样本，所述人脸样本包括真脸样本和假脸样本；

对所述人脸样本中的假脸样本进行分类；

提取真脸样本以及各类别假脸样本的人脸特征；

基于所述人脸特征，建立判别子空间，得到相应的投影矩阵；

将每一个人脸样本通过所述投影矩阵映射到判别子空间，获得相应的特征向量；

依据所述特征向量对人脸样本进行训练，得到作为假脸模型的分类器。

优选的，所述将所述特征向量输入到所述假脸模型中，输出检测结果的步骤包括：

将所述特征向量输入到所述假脸模型中，得到假脸判别器的数值；

对该数值进行判别分析，若该数值≥1，则输出的检测结果为假脸；

若该数值≤-1，则输出的检测结果为真脸；

若-1＜该数值＜1，计算该数值的假脸置信值，若所述假脸置信值＞预设置信值，则输出的检测结果为假脸，若所述假脸置信值≤预设置信值，则输出的检测结果为真脸。

本发明还公开了一种假脸模型训练的方法，包括：

对所述人脸样本中的假脸样本进行分类；

提取真脸样本以及各类别假脸样本的人脸特征；

基于所述人脸特征，建立判别子空间；

将每一个人脸样本映射到所述判别子空间，获得相应的特征向量；

优选的，所述提取真脸样本以及各类别假脸样本的人脸特征的步骤包括：

对真脸样本以及各类别假脸样本进行直方图均衡化；

将每个人脸样本等分为多个子区域；

分别提取所述子区域的灰度特征。

对真脸样本以及各类别假脸样本进行直方图均衡化；

将每个人脸样本等分为多个子区域；

分别提取中所述子区域的纹理特征。

对真脸样本以及各类别假脸样本进行直方图均衡化；

针对所有人脸样本，根据灰度特征构造协方差矩阵，从而得到特征基；

分别将每个人脸样本映射到所述特征基，从而获得人脸特征。

优选的，所述依据所述特征向量对人脸样本进行训练，得到作为假脸模型的分类器的步骤包括：

按照学习能力对人脸样本及特征向量组成的训练数据进行分组；

针对当前组训练数据，训练获得相应的分类器，依据所述分类器计算得到错分样本集，并判断当前组训练数据是否为最后一组训练数据，若是，则判断当前分类器的分类错误率是否在预置范围内，若是，则结束本次操作，否则从第一组数据开始训练；

否则，依据所述错分样本集更新当前组训练数组，并进行下一组训练。

优选的，对所述人脸样本中的假脸样本进行分类的步骤前，还包括：

对所述人脸样本进行眼睛定位，得到眼睛位置；

根据所述眼睛位置，对所述人脸样本进行归一化操作；

从所述归一化后的人脸样本中割取预设大小的图像。

本发明还公开了一种假脸检测系统，包括：

图像获取模块，用于获得人脸检测后的人脸图像；

检测模块，用于根据假脸模型对所述人脸图像进行检测，所述假脸模型为基于特征向量的分类器；

其中，所述检测模块包括：

特征向量获取单元，用于将所述人脸图像的表示向量映射到判别子空间，获得特征向量，所述表示向量为针对所述人脸图像进行特征提取获得，所述判别子空间是依据包括真假脸的人脸样本的人脸特征建立的；

检测单元，用于将所述特征向量输入到所述假脸模型中，输出检测结果。

优选的，所述系统还包括预处理模块，所述预处理模块包括：

眼睛定位单元，用于对所述人脸检测后的人脸图像进行眼睛定位，得到眼睛位置；

归一化单元，用于根据所述眼睛位置，对所述人脸图像进行归一化操作；

割取单元，用于从所述归一化后的人脸图像中割取预设大小的图像。

优选的，所述检测单元包括：

数值获取子单元，用于将所述特征向量输入到所述假脸模型中，得到假脸判别器的数值；

判别子单元，用于对该数值进行判别分析，并在该数值≥1时，输出的检测结果为假脸；在该数值≤-1时，输出的检测结果为真脸；在-1＜该数值＜1时，计算该数值的假脸置信值，若所述假脸置信值＞预设置信值，则输出的检测结果为假脸，若所述假脸置信值≤预设置信值，则输出的检测结果为真脸。

本发明还公开了一种假脸模型训练系统，包括：

样本获取模块，用于获得人脸检测后的人脸样本，所述人脸样本包括真脸样本和假脸样本；

分类模块，用于对所述人脸样本中的假脸样本进行分类；

特征提取模块，用于提取真脸样本以及各类别假脸样本的人脸特征；

子空间建立模块，用于基于所述人脸特征，建立判别子空间；

特征向量获取模块，用于将每一个人脸样本映射到所述判别子空间，获得相应的特征向量；

训练模块，用于依据所述特征向量对人脸样本进行训练，得到作为假脸模型的分类器。

优选的，所述特征提取模块包括：

第一直方图均衡化单元，用于对真脸样本以及各类别假脸样本进行直方图均衡化；

第一子区域划分单元，用于将每个人脸样本等分为多个子区域；

灰度特征提取单元，用于分别提取所述子区域的灰度特征。

优选的，所述特征提取模块包括：

第二直方图均衡化单元，用于对真脸样本以及各类别假脸样本进行直方图均衡化；

第二子区域划分单元，用于将每个人脸样本等分为多个子区域；

LBP直方图特征提取单元，用于分别提取中所述子区域的纹理特征。

优选的，所述特征提取模块包括：

第三直方图均衡化单元，用于对真脸样本以及各类别假脸样本进行直方图均衡化；

特征基获取单元，用于针对所有人脸样本，根据灰度特征构造协方差矩阵，从而得到特征基；

映射单元，用于分别将每个人脸样本映射到所述特征基，从而获得人脸特征。

与现有技术相比，本发明具有以下优点：

本发明采用两次特征提取构造分类器，具体而言，通过第一次特征提取，对人脸样本进行降维，获得人脸特征，并在此基础上建立判别子空间；通过第二次特征提取，将人脸样本映射到所述判别子空间，获得含有判别信息的人脸特征向量；最后，依据所述特征向量对真脸样本和假脸样本进行训练，得到作为假脸模型的分类器。由于本发明在人脸样本降维的基础上建立了含有可分性信息的子空间，能够保证映射得到具有判别信息的人脸特征向量，使得基于所述人脸特征向量构造的分类器具有更为准确的真假判别能力；

再者，本发明在假脸检测中，仅需要将提取特征后的待检测人脸映射到所述判别子空间，获得特征向量，然后输入该分类器进行检测即可，具有对输入“人脸”图像是否为假脸的快速检测功能，并且检测也是在具有可分性的判别子空间基础上进行的，从而可以有效提高检测的准确度。

附图说明

图1是本发明一种假脸模型训练方法实施例的流程图；

图2是一种经人脸检测后的人脸样本示意图；

图3是本发明一种眼睛定位的示意图；

图4是本发明一种假脸检测方法实施例的流程图；

图5本发明一种假脸模型训练系统实施例的结构图；

图6是本发明一种人脸检测系统实施例的结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

现有的人脸检测方法，通常采用Adaboost(自适应增强，adaptiveboosting)等学习方法对大量的人脸样本进行训练，得到人脸检测器，然后利用所述人脸检测器对待检测人脸图像进行判别检测，得出是否为人脸的检测结果。Adaboost具有超强学习能力，即便如此，也存在着局限性，针对不同类型的应用，特别是对于大规模具有不同光照姿态条件的图像或者视频，人脸检测器总是存在一定比例的错误检测结果。

本发明实施例的核心构思之一在于，对错误检测出来的人脸样本进行分析，以找到这些样本被错误检测为人脸的原因，从而为后面的大规模样本学习提供具有可分性的人脸特征向量，然后在所述人脸特征向量基础上训练得到作为人脸检测器补充的假脸模型。具体而言，首先，对错误检测出来的假脸图像进行分类，为后续获得含有判别信息的子空间作准备；其次，通过第一次特征提取，获得人脸样本的表示向量，并在此基础上结合类别标识，获得含有判别信息的子空间；再次，通过将人脸样本映射到子空间，获得具有判别信息的人脸特征向量；最后，依据所述特征向量对人脸样本进行训练学习，得到作为假脸模型的分类器。

参考图1，示出了本发明一种假脸模型训练方法实施例的流程图，具体可以包括：

步骤101、获得人脸检测后的人脸样本，所述人脸样本包括真脸样本和假脸样本；

人脸检测不可避免地存在着误检，即将非人脸检测为人脸，参考图2，是一种经人脸检测(采用AdaBoost方法)后的人脸样本示意图。图中，2a-2d为经过人脸检测获得的假脸样本，2e-2f为经过人脸检测获得的真脸样本。

在实际中，由于经过人脸检测获得的人脸样本大小、位置和灰度各不相同，为保证获得较好的识别效果，在本发明的一种优选实施例中，在获得人脸检测后的人脸样本后，需要对所有人脸样本的尺寸、位置和灰度进行预处理，使不同的人脸样本图像的尺寸、灰度保持一致。

所述预处理步骤具体可以通过以下子步骤实现：

子步骤A1、对所述人脸样本进行眼睛定位，得到眼睛位置；

在具体实现中，可以采用统计模式识别方法，将采集并分割获得的正面人脸图像中的双眼区域图像和非双眼区域图像作为训练样本，训练得到双眼区域检测器。例如，采用Adaboost算法对10000张24×16的双眼区域图像和非双眼区域图像进行训练，得到双眼区域检测器。

在进行眼睛定位时，可以采用所述双眼区域检测器在人脸图像内搜索双眼区域位置，确定双眼区域位置后，在所述双眼区域位置内定位左眼位置和右眼位置。参考图3示出了一种眼睛定位的示意图，其中3a为双眼区域检测器搜索到的眼睛矩形区域位置，3b所示的矩形中心即为眼睛位置。

子步骤A2、根据所述眼睛位置，对所述人脸样本进行归一化操作；

在具体实现中，所述归一化操作可以包括尺寸归一化和灰度归一化操作。其中，尺寸归一化的操作可以为：将样本图像旋转，使每个人脸的双眼之间的连线为水平方向，然后按照双眼中心距离固定的原则，比例缩放旋转后的图像，根据双眼距离固定、双眼中心连线中点到人脸图像上矩形框距离固定的原则裁剪图像，即得到了尺寸归一化后的图像。

灰度归一化的操作可以采取对尺寸归一化后的图像进行灰度拉伸，以改善图像的对比度；或者，采用直方图均衡化等直方图修正技术使图像具有相近的统计意义上的均值和方差，以部分消除光照的影响，本发明对具体的操作方式不加以限制。

子步骤A3、从所述归一化后的人脸样本中割取预设大小的图像。

例如，从归一化后的人脸样本中截取出64×64的裸脸图像。

经过这些预处理后，多个真脸样本以及多个假脸样本在某些特征上才会具有一定的相似性，而真脸样本和假脸样本之间才会具有一定的差异，此时才可以采用统计模式识别算法进行假脸模型的训练与识别。

步骤102、对所述人脸样本中的假脸样本进行分类；

本步骤是将人脸检测后的假脸样本分成不同的类型，譬如线画脸、背景脸、素描脸、文字脸、动物脸等。在对假脸样本进行分类后，才能更准确地对错误检测出来的人脸样本进行分析，才能通过后续的处理，获得包含真脸和不同类型假脸的判别信息。

步骤103、提取真脸样本以及各类别假脸样本的人脸特征；

由于通常采用的经过归一化后的人脸样本，仍然具有很高的维数(例如64×64，128×128)，直接在人脸样本的灰度特征基础上进行处理，一方面信息冗余，另一方面复杂度很高，对计算机的硬件性能是一个挑战，因此，特征提取成为图像识别领域中最基本的问题之一，能否提取出有效的分类特征是解决该问题的关键。常用特征提取方法的基本思想是将原始样本映射到某一低维特征空间，得到最能反映样本本质的低维样本特征，这样能够有效地减少样本的存储量和处理速度，实现人脸的自动分类。

在众多特征提取方法中，由于具有描述性强、计算代价小、易实现等特点，子空间方法(Subspace Methods)有着广泛的应用，它通过将样本投影到某个最优子空间来达到降低维数和寻找特征的目的。

为获得具有分类能力的特征向量，本发明实施例采用两次特征提取，具体而言，通过第一次特征提取，对人脸样本进行降维，获得人脸特征，并在此基础上建立判别子空间；通过第二次特征提取，将人脸样本映射到子空间，获得具有判别信息的人脸特征向量。

对于第一次特征提取，本发明采用以下方案：

方案一、直接提取人脸样本的灰度特征，具体可以通过以下子步骤实现：

子步骤B1、对真脸样本以及各类别假脸样本进行直方图均衡化；

子步骤B2、将每个人脸样本等分为多个子区域；

子步骤B3、分别提取所述子区域的灰度特征。

例如，首先将64×64的人脸样本进行直方图均衡化，然后将每个人脸样本等分为4×4＝16个子区域，这样每个子区域的大小为16×16，在提取特征时，就可以分别提取16个子区域的256维灰度特征。

方案二、提取人脸样本的纹理特征，具体可以通过以下子步骤实现：

子步骤C1、对真脸样本以及各类别假脸样本进行直方图均衡化；

子步骤C2、将每个人脸样本等分为多个子区域；

子步骤C3、分别提取中所述子区域的纹理特征。

纹理一般指人们所观察到的图像中象元的灰度变化规律，它是图象中一个基本且重要的特性。作为一种有效的纹理描述算子，局部二值模式(LBP，Local Binary Pattern)特征通过对某个像素的亮度值和邻域像素的亮度值进行比较，得到大小关系，并对大小关系进行二进制编码，获得图像区域的纹理特征，LBP在纹理识别和人脸识别应用中取得了较好的效果。

以下通过一个具体示例说明所述子区域LBP直方图特征的提取过程。

假定图像中像素坐标为(j，i)的点对应的亮度为l_j，i，以点(j，i)为中心取3×3邻域，则各点像素亮度如下：

[\begin{matrix} l_{j - 1, i - 1} & l_{j, i - 1} & l_{j + 1, i - 1} \\ l_{j - 1, i} & l_{j, i} & l_{j + 1, i} \\ l_{j - 1, i + 1} & l_{j, i + 1} & l_{j + 1, i + 1} \end{matrix}],

定义点(j，i)的LBP特征的计算公式为：

LBP (j, i) = \underset{0 \leq n \leq 2; 0 \leq m \leq 2}{Σ} B (j, i, n, m) * 2^{m * 3 + n}

其中，

B (j, i, n, m) = \{\begin{matrix} 1 & ifl (j + n - 1, i + m - 1) &GreaterEqual; l (j, i) \\ 0 & else \end{matrix} .

对于等分后的某个子区域(以矩形区域为例)，可以采用如下积分图像方法快速计算矩形区域中的LBP直方图特征：

假设矩形区域为R(l，t，r，b)，其在有效人脸图像上的四个方向边缘坐标分别为左边缘横坐标l，上边缘纵坐标t，右边缘横坐标r，下边缘纵坐标b，则LBP直方图特征可以通过以下公式计算获得：

H_{l} = \underset{t \leq j \leq b, l \leq i \leq r}{Σ} I (LBP (j, i) = = l), l = 0, . . ., N - 1,

其中

I (A) = \{\begin{matrix} 1, A & is & true \\ 0, A & is & false \end{matrix},

N为LBP特征的最大取值数，对于3×3邻域而言，为N＝2^3×3-1＝2⁸＝256。

以64×64的人脸样本为例，在进行直方图均衡化后，将其等分为2×2＝4个子区域，这样每个子区域的大小为32×32，在提取特征时，就可以分别提取4个子区域的256维灰度特征。

本方案采用的LBP直方图特征相对LBP特征本身，对于眼睛定位等人脸样本图像预处理步骤所造成的误差更加鲁棒；再者，每个子区域中的LBP直方图特征可以通过积分图像很快地求得，从而大大提高了分类器的训练速度。

上述LBP特征是在样本灰度图像上进行计算的，此外，还可以首先计算样本灰度图像的Gabor特征，得到样本的一个尺度，一个方向的gabor特征，然后，计算Gabor特征图像上的LBP特征，本发明称此特征为Gabor-LBP特征。Gabor特征也可以采用多个尺度，多个方向的定义，比如可以采用5个尺度，8个方向的Gabor特征。即作为本发明的另一种实施例，还可以采用Gabor-LBP特征作为纹理特征训练得到子区域的训练模型，进而构造人脸认证模型。

方案三、采用主成分分析(PCA，Principal Component Analysis，)方法将高维图像空间压缩至N-c(N为训练样本数，c为样本类别数)维PCA子空间，具体可以通过以下子步骤实现：

子步骤D1、对真脸样本以及各类别假脸样本进行直方图均衡化；

子步骤D2、针对所有人脸样本，根据灰度特征构造协方差矩阵，从而得到特征基；

子步骤D3、分别将每个人脸样本映射到所述特征基，从而获得人脸特征。

作为一种典型的子空间方法，PCA通过线性变换寻找一组最优的标准正交向量基，用它们的线性组合来重建原始样本，并使重建后的样本和原始样本在均方意义下的重构误差最小。

在具体实现中，对协方差矩阵进行特征分解，取其前N-c个最大特征值所对应的特征向量w₁，w₂，...，w_N-c作为特征基。进而将人脸样本映射到N-c维PCA子空间，映射公式可以为：Y＝W^TX，其中，W＝(w₁，w₂，...，w_N-c)，X为原始样本矩阵，Y为重建后的样本矩阵。

由于PCA对特征值的重要性进行排序，根据需要取前面最重要的部分，将后面的维数省去，因此可以达到降维从而简化模型的效果。同时最大程度的保持了原有数据的信息。

步骤104、基于所述人脸特征，建立判别子空间；

在实际应用中，可以采用线性判别分析(LDA，Linear DiscriminantAnalysis)方法，来获得判别子空间。其基本思想是选择使得Fisher准则函数达到极值的向量作为最优投影方向，使得样本在该方向投影后，达到最大的类间离散度和最小的类内离散度。

假设步骤103采用方案三得到N-c维PCA子空间，则在所述子空间内，设

和

分别表示类间离散矩阵和类内离散矩阵，若

非奇异，则采用Fisher线性判别分析的方法确定c-1个鉴别向量v₁，v₂，...，v_c-1，从而得到c-1维判别子空间V＝v₁，v₂，...，v_c-1。

此外，对于本发明来说，Fisher判别分析涉及到的是真脸以及各类假脸的c类(c＞2)问题。在这种情况下，可以有三种判别方法。第一种方法采用一对多策略，将c类问题分解为c个两两分类问题(仅判断属于该类或不属于该类)；第二种方法采用一对一策略，即将c类问题分解为c(c-1)/2个两类问题；第三种方法则采用判别函数的方法直接向c-1维空间投影。本领域技术人员可以根据具体情况选择任一种判别方法，本发明对具体的实现方法不加以限制。

上述LDA方法建立的判别子空间，可以对真脸样本以及各类别假脸样本进行最优、最有效的分类。

可以理解，上述采用LDA建立判别子空间的方法只是作为示例，本领域技术人员可以根据需要选择其它子空间建立方法，例如，独立成分分析(ICA，Independent Component Analysis)、非负矩阵分析(NMF，Non-negativeMatrix Factorization)等，本发明对具体的操作方法不加以限制。

步骤105、将每一个人脸样本映射到所述判别子空间，获得相应的特征向量；

在得到具有可分性的判别子空间后，本步骤进行第二次特征提取，具体而言，将降维后的真脸样本和假脸样本投影至判别子空间，获得相应的特征向量。例如，投影公式可以为：Z＝V^TY，其中，Y为步骤103得到的重建后的样本矩阵，V为步骤104得到的判别子空间，Z为映射得到的特征向量。

步骤106、依据所述特征向量对人脸样本进行训练，得到作为假脸模型的分类器。

本步骤是在所述人脸特征向量基础上训练得到作为人脸检测器补充的假脸模型。所述假脸模型用于对人脸检测出的“人脸”进行进一步的检测，判断其是真脸还是假脸。

在本发明实施例中，通过将人脸检测出的真脸样本映射得到的特征向量作为训练的反样本特征，将人脸检测出的各种类别的假脸样本映射得到的特征向量作为训练的正样本特征，构造一个具有判别能力的假脸模型。

在众多机器学习方法中，支持向量机(SVM，Support Vector Machine)是一种使得分类结构化误差最小的分类器构造方法，是一种具有更好推广性的分类器构造方法。因而，本发明优选采用支持向量机作为两类分类器来构造所述假脸模型，所述构造假脸模型的步骤可以通过以下子步骤来实现：

子步骤E1、按照学习能力对人脸样本及特征向量组成的训练数据进行分组；

子步骤E2、针对当前组训练数据，训练获得相应的分类器，依据所述分类器计算得到错分样本集，并判断当前组训练数据是否为最后一组训练数据，若是，则判断当前分类器的分类错误率是否在预置范围内，若是，则结束本次操作，否则从第一组数据开始训练；

例如，一种SVM算法的分类器构造过程如下：

①按照学习能力将人脸样本及特征向量组成的训练数据分成n组：Ψ₁，Ψ₂，...Ψ_n；

②i＝1，训练第Ψ_i组数据获得分类器Φ_i以及支持向量

③计算Φ_i(Ψ_i)，得到错误分类的样本集Ω_i，

如果i＝n，计算Φ_n(Ψ_k)，k＝1，2，...，n，若分类错误率＜0.05，则结束本次操作，否则，转到④；

否则，若i＜n，则令

Ψ_{i} = Ψ_{i + 1} \cup Ω_{i} \cup \overset{&RightArrow;}{P_{i}},

i＝i+1，并转②；

④令Φ₁＝Φ_n，i＝1，并转到②。

采用上述步骤最终得到的SVM形式为

f (x) = Σ_{i = 1}^{n} y_{i} α_{i} K (x, x_{i}),

其中，n为支持向量的个数，α_i，y_i分别代表第i个支持向量x_i对应的权值和对应类别的标识(对于两类问题，为+1或者-1)，K(x，x_i)为核函数，常采用如下类型：

1)线性函数(DOT)：K(x，x′)＝x·x′

2)多项式(Polynomial)：K(x，x′)＝(x·x′+1)^p

3)高斯核函数(RBF，GaussianRadial Basis Function)：

K (x, x^{'}) = \exp (- \frac{{| | x - x^{'} | |}^{2}}{2 σ^{2}}),

其中参数p，σ预先给定。

可以理解，上述采用SVM方法构造分类器的方式只是作为示例，本领域技术人员可以根据具体情形采用其它统计学习方法，例如，Adaboost方法等，本发明对具体的统计学习方法不加以限制。

参考图4，示出了本发明一种假脸检测方法实施例的流程图，具体可以包括：

步骤401、获得人脸检测后的人脸图像；

步骤402、根据假脸模型对所述人脸图像进行检测；

在具体实现中，所述假脸模型可以通过以下训练步骤获得：

步骤F1、获得人脸检测后的人脸样本，所述人脸样本包括真脸样本和假脸样本；

步骤F2、对所述人脸样本中的假脸样本进行分类；

步骤F3、提取真脸样本以及各类别假脸样本的人脸特征；

步骤F4、基于所述人脸特征，建立判别子空间，得到相应的投影矩阵；

步骤F5、将每一个人脸样本通过所述投影矩阵映射到判别子空间，获得相应的特征向量；

步骤F6、依据所述特征向量对人脸样本进行训练，得到作为假脸模型的分类器。

对于上述训练步骤而言，由于其与图1所示的训练方法实施例的实现过程相似，这里就不一一赘述。由于训练时采用两次特征提取，具体而言，通过第一次特征提取，对人脸样本进行降维，获得人脸特征，并在此基础上建立判别子空间；通过第二次特征提取，将人脸样本映射到子空间，获得具有判别信息的人脸特征向量。这样，训练获得的假脸模型为依据人脸样本和判别子空间训练获得的分类器，那么在检测时，可以首先将降维后的人脸图像映射到与训练相同的判别子空间，得到获得特征向量，然后利用所述分类器对所述人脸图像的特征向量进行检测，所述检测的过程具体可以包括：

步骤421、将提取特征后的人脸图像映射到所述判别子空间，获得特征向量；

这里的提取特征也即对待检测人脸图像进行第一次特征提取，获得特征向量也即对所述人脸图像进行第二次特征提取。为提高检测准确率，本实施例采用与训练步骤相同的特征提取方法，具体地，第一次特征提取采用与训练步骤相同的三种方案中的一种，以及，在第二次特征提取时，采用同样的映射方法将降维后的人脸图像投影至判别子空间。

步骤422、将所述特征向量输入到所述假脸模型中，输出检测结果。

在检测时，可以首先将步骤421提取的纹理特征作为该假脸模型的输入特征向量Z，得到假脸判别器的数值；

然后根据该数值对所述人脸图像进行判别，若该数值≥1，则输出的检测结果为假脸；

若该数值≤-1，则输出的检测结果为真脸；

例如，训练步骤采用SVM方法，最终得到待认证用户的人脸模型为

f (z) = Σ_{i = 1}^{n} y_{i} w_{i} K (z, z_{i}) + b,

其中，n代表样本类别数，z_i为某类别一样本的特征向量，y_i为该样本所属的样本类别，b为分类阈值，α_i为训练得到的最优分类参数。那么，判别过程可以为：

①若f(z)≥1，则判别所述人脸图像为假脸；

②若f(z)≤-1，则判别所述人脸图像为真脸；

③若-1＜f(z)＜1，则设定假脸置信函数

g (z) = \frac{1 + f (z)}{2} * 100 %,

根据计算得到的假脸置信值，判别所述人脸图像的检测结果。

所述判别操作可以为，判断所述假脸置信值是否大于预设置信值，若是，则判别所述人脸图像为假脸；否则判别所述人脸图像为真脸。在实际中，所述预设置信值可通过样本测试得到，或者根据经验值确定，本发明对此不加以限制。

对于检测方法实施例而言，由于其训练步骤与图1所示的训练方法实施例基本相似，所以描述的比较简单，相关之处参见训练方法实施例的部分说明即可。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

参考图5，示出了本发明一种假脸模型训练系统实施例的结构图，具体可以包括：

样本获取模块501，用于获得人脸检测后的人脸样本，所述人脸样本包括真脸样本和假脸样本；

分类模块502，用于对所述人脸样本中的假脸样本进行分类；

特征提取模块503，用于提取真脸样本以及各类别假脸样本的人脸特征；

子空间建立模块504，用于基于所述人脸特征，建立判别子空间；

特征向量获取模块505，用于将每一个人脸样本映射到所述判别子空间，获得相应的特征向量；

训练模块506，用于依据所述特征向量对人脸样本进行训练，得到作为假脸模型的分类器。

对应于直接提取人脸样本灰度特征的情形，所述特征提取模块可以进一步包括：

灰度特征提取单元，用于分别提取所述子区域的灰度特征。

对应于提取人脸样本纹理特征的情形，所述特征提取模块具体可以包括：

对应于采用PCA方法将高维图像空间压缩至低维PCA子空间的情形，所述特征提取模块可以包括以下单元：

对于系统实施例而言，由于其与图1所示的方法实施例基本相似，所以描述的比较简单，相关之处参见系统实施例的部分说明即可。

参考图6，示出了本发明一种人脸检测系统实施例的结构图，具体可以包括：

图像获取模块601，用于获得人脸检测后的人脸图像；

检测模块602，用于根据假脸模型对所述人脸图像进行检测，所述假脸模型为基于特征向量的分类器；

为很好地利用所述假脸模型对人脸图像进行检测，所述检测模块602可以进一步包括：

特征向量获取单元621，用于将所述人脸图像的表示向量映射到判别子空间，获得特征向量，所述表示向量为针对所述人脸图像进行特征提取获得，所述判别子空间是依据包括真假脸的人脸样本的人脸特征建立的；

检测单元622，用于将所述特征向量输入到所述假脸模型中，输出检测结果。

在实际应用中，所述检测单元622的功能可以通过以下子单元来实现：

判别子单元，用于对该数值进行判别分析，并在该数值≥1时，输出的检测结果为假脸；在该数值≤-1时，输出的检测结果为真脸；；在-1＜该数值＜1时，计算该数值的假脸置信值，若所述假脸置信值＞预设置信值，则输出的检测结果为假脸，若所述假脸置信值≤预设置信值，则输出的检测结果为真脸。

在本发明的一种优选实施例中，所述系统还可以包括预处理模块603，所述预处理模块具体可以包括以下单元：

眼睛定位单元631，用于对所述人脸检测后的人脸图像进行眼睛定位，得到眼睛位置；

归一化单元632，用于根据所述眼睛位置，对所述人脸图像进行归一化操作；

割取单元633，用于从所述归一化后的人脸图像中割取预设大小的图像。

对于系统实施例而言，由于其与图4所示的方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的一种假脸检测方法及系统、一种假脸模型训练方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种假脸检测方法，其特征在于，包括：

获得人脸检测后的人脸图像；

其中，所述检测的过程包括：

将所述特征向量输入到所述假脸模型中，输出检测结果。

2.如权利要求1所述的方法，其特征在于，在根据假脸模型对所述人脸图像进行检测的步骤前，还包括：

根据所述眼睛位置，对所述人脸图像进行归一化操作；

从所述归一化后的人脸图像中割取预设大小的图像。

3.如权利要求1所述的方法，其特征在于，所述假脸模型为通过以下步骤获得的假脸模型：

对所述人脸样本中的假脸样本进行分类；

提取真脸样本以及各类别假脸样本的人脸特征；

4.如权利要求1所述的方法，其特征在于，所述将所述特征向量输入到所述假脸模型中，输出检测结果的步骤包括：

若该数值≤-1，则输出的检测结果为真脸；

5.一种假脸模型训练的方法，其特征在于，包括：

对所述人脸样本中的假脸样本进行分类；

提取真脸样本以及各类别假脸样本的人脸特征；

基于所述人脸特征，建立判别子空间；

6.如权利要求5所述的方法，其特征在于，所述提取真脸样本以及各类别假脸样本的人脸特征的步骤包括：

对真脸样本以及各类别假脸样本进行直方图均衡化；

将每个人脸样本等分为多个子区域；

分别提取所述子区域的灰度特征。

7.如权利要求5所述的方法，其特征在于，所述提取真脸样本以及各类别假脸样本的人脸特征的步骤包括：

对真脸样本以及各类别假脸样本进行直方图均衡化；

将每个人脸样本等分为多个子区域；

分别提取中所述子区域的纹理特征。

8.如权利要求5所述的方法，其特征在于，所述提取真脸样本以及各类别假脸样本的人脸特征的步骤包括：

对真脸样本以及各类别假脸样本进行直方图均衡化；

9.如权利要求5所述的方法，其特征在于，所述依据所述特征向量对人脸样本进行训练，得到作为假脸模型的分类器的步骤包括：

10.如权利要求5所述的方法，其特征在于，对所述人脸样本中的假脸样本进行分类的步骤前，还包括：

对所述人脸样本进行眼睛定位，得到眼睛位置；

根据所述眼睛位置，对所述人脸样本进行归一化操作；

从所述归一化后的人脸样本中割取预设大小的图像。

11.一种假脸检测系统，其特征在于，包括：

图像获取模块，用于获得人脸检测后的人脸图像；

其中，所述检测模块包括：

12.如权利要求11所述的系统，其特征在于，还包括预处理模块，所述预处理模块包括：

13.如权利要求11所述的系统，其特征在于，所述检测单元包括：

14.一种假脸模型训练系统，其特征在于，包括：

分类模块，用于对所述人脸样本中的假脸样本进行分类；

15.如权利要求14所述的系统，其特征在于，所述特征提取模块包括：

灰度特征提取单元，用于分别提取所述子区域的灰度特征。

16.如权利要求14所述的系统，其特征在于，所述特征提取模块包括：

17.如权利要求14所述的系统，其特征在于，所述特征提取模块包括：