CN103907122B - 用于生物计量类型的访问控制系统的欺诈检测 - Google Patents

Abstract

本发明涉及一种用于利用生物计量识别的访问控制系统的检测欺诈的方法，包括由以下组成的步骤：根据在访问控制系统前面的个人的至少两个位置，或个人的两个拍摄角度来拍摄个人(I)所呈现至访问控制系统的面部的至少两个图像(S2)，处理这两个图像以确定表示出现在图像上的面部的平面度的得分，并且根据该平面度得分，检测在个人的部分上可能的欺诈，所述检测通过访问控制系统调节个人的识别处理的实现。本发明还涉及一种实现所述方法的访问控制系统。

Description

用于生物计量类型的访问控制系统的欺诈检测

技术领域

本发明一般涉及生物计量识别和访问控制系统的领域。

具体而言，其提出一种用于访问控制系统的过程和欺诈检测系统，特别是利用对面部图像的识别处理(面部识别)类型的访问控制系统。

背景技术

面部识别目前被访问控制系统所使用并且大多数时候通过将呈现到控制系统的个人的图像与数据库中或由个人持有的安全文件上所展示的个人的识别图像进行比较来使用。

然而，目前的通过面部识别的访问控制系统因不同类型的欺诈而导致失败，最常见的欺诈被称为“前沿”(attaqueplane)。

对于个人，这种类型的攻击包括向访问控制系统呈现被授权访问的另一个人的脸或脸的表示。

为了做到这一点，个人一般呈现二维的载体(support)，最经常的是其掩盖他的面部，并且在其上打印着另一个人的脸的照片。

这种媒质可以是纸(简单打印的照片)、织物(穿着以良好品质打印为特征的衣服)，或甚至它可以是数字媒质(像例如个人向其上传了照片的数字平板电脑)。

在这些情况下，访问控制系统根据照片执行识别过程和个人的授权访问，在该过程中不检测任何欺诈。

而且，即使个人没有试图实施欺诈，面部识别方法也可能产生错误。例如，被授权进入处所，但穿着在上面印刷有良好品质照片的衣服的个人，如果照片被用来识别的话，则可能被禁止进入处所。

已提出用于纠正这些错误并且检测这种类型的攻击的解决方案。

例如已知的用于通过检测眨眼将真实的脸与照片区分开来的解决方案。这种解决方案在例如文献“Eyeblink–basedAnti–SpoofinginFaceRecognitionfromaGenericWebcamera”(G.Pan、L.Sun、Z.Wu、S.Lao,iccv,第1-8页,2007IEEE11thInternationalConferenceonComputerVision,2007)和文献“Real–timeeyeblinkdetectionwithGPU–basedSIFTtracking”(Lalonde,M.、Byrns,D.、Gagnon,L.、Teasdale,N.、Laurendeau,D.,CanadianConferenceonComputerandRobotVision-CRV,第481-487页,2007)中进行了研发。

然而，由于在一些情况下照片必须在给定的时间内或者给定的个人位置处拍摄，因此这些解决方案不总是有效的。因此对于该方法所必要的眨眼在统计学上是没有保证的，由于当在拍摄照片时人倾向于避免眨眼而更是如此。

在文献“Maskedfakefacedetectionusingradiancemeasurements”(Y.Kim、J.Na、S.Yoon、J.Yi,J.Opt.Soc.Am.A/第26卷,第4期/2009年4月)中还已经提出了通过测量来自在照片中取得的面部的辐射的替代方法，但是该方法依赖于用于发生欺诈时的媒质材料，并且因此不是非常可靠的。

最后，如果用于欺诈的照片具有足够良好的品质，则通过图像的光谱分析的方法也可能在发生欺诈时失败。

发明内容

因此，本发明的一个目的在于提出一种比现有技术更可靠的用于检测这种类型的欺诈的解决方案。

本发明的另一目的在于提出一种对于“半平面”类型的欺诈也更稳健的解决方案，其中个人所呈现的面部图像被弯曲以模拟面部的体积。

在这方面，本发明提出一种访问控制系统通过生物计量识别进行欺诈检测的方法，包括由以下组成的步骤：

-根据至少两个在访问控制系统前面的个人的位置，或个人的两个视角拍摄个人所呈现到访问控制系统的面部的至少两个图像，

-处理这两个图像以确定表示出现在图像上的面部的平面度的分值，以及

-根据该平面度得分，检测有关个人的部分的任何欺诈，所述检测通过访问控制系统调节个人的识别处理的使用。

本发明所提出的面部识别方法还可包括以下特征中的至少一个：

-其可包括根据图像确定个人面部的至少部分的深度图并且处理该深度图以由此推导平面度得分。

-在这种情况下，其还包括深度图的标准化步骤，使得其与个人面部的图像的视角无关。

-该方法包括估计个人面部的深度图的正中面，然后计算深度图的点相对于所述正中面的方差，该方差形成平面度得分。

-对集中在个人的鼻子上的块执行通过估计深度图的方差的方法，

-该方法包括根据通过计算面部的若干部分的深度图的方差获得的平面度得分来确定平面度得分，

-个人面部的平面度得分通过执行以下步骤进行计算：

-在用于评估面部的平面度的两个图像上检测个人面部的感兴趣的点，

-根据两个图像共有的面部的感兴趣的点的数量，确定平面度得分。

-平面度得分具体通过将两个图像共有的感兴趣的点的数量除以选自以下组的数量计算：两个图像中感兴趣的点的平均数量、两个图像之间感兴趣的点的最小或最大数量。

-个人面部的平面度得分通过执行包括以下的步骤进行计算：

-在用于评估面部的平面度的两个图像上检测个人面部的感兴趣的点，

-根据所检测的感兴趣的点确定转换参数，

-对两个图像中的一个应用转换，

-确定两个图像的感兴趣的点，

-记录两个图像的感兴趣的点，以及

-根据感兴趣的点之间的不一致测量值，确定面部的平面度得分。

-对两个图像中的一个执行的转换为精细(affine)或二次转换。

-根据通过执行上文所描述的替代方案获得的平面度得分中的至少一个，完成平面度得分的确定。

本发明还涉及适合于使用用于欺诈检测的方法的通过生物计量识别的访问控制系统，并且包括：

-一个或多个采集系统，其适合于根据相对于采集系统的至少两个个人的位置或视角来捕获个人所呈现的面部的至少两个图像，以及

-计算平台，图像由采集系统发送至计算平台，计算平台适合于处理这两个图像，以确定表示出现在图像上的面部的平面度的得分，以及

-根据该评估，检测有关个人的部分的任何欺诈，所述检测通过其面部的生物计量分析来调节个人的识别。

附图说明

本发明的其他特征、目的和优点将从关于以非限制示例的方式给出的所附附图的以下详细描述中显现出来，并且其中：

-图1为可执行用于欺诈检测的方法的访问控制系统的示例，

-图2示意性地示出了通过生物计量识别的访问控制系统，

-图3示出了欺诈检测方法的主要步骤，

-图4a至4d示出了在欺诈检测方法中进行的面部平面度的评估步

骤的不同实施方案。

具体实施方式

图1和图2代表一种访问控制系统，其可放置在访问受控，尤其是其中仅仅具有授权的一些人可进入的任意地点的入口。因此，想要访问该地点的人必须经受识别，例如通过面部识别，或通过其他生物识别标准(虹膜、数码打印等等)的识别。

在所示的情况下，系统控制门11的打开，例如使得能够进入安全区域。该系统包括采集系统12，采集系统12在这种情况下包括根据不同位置和不同视角采集位于系统前面的个人的图像S2的四个相机12A至12D。同步模块15将用于同时发起采集的同步信号S1发送至相机12A至12D。

访问控制系统还包括计算平台13，图像S2被发送至计算平台13，并且计算平台13进行对这些图像的处理以检测任何欺诈。访问控制系统还包括数据库14，数据库14存储授权通过控制系统的个人面部的图像(图像S3)，以将这些图像与所采集的图像进行比较并且根据该比较对个人进行识别。

欺诈的检测

在采集步骤100期间，当个人I接近访问控制系统时，一个或多个采集系统12捕获个人所呈现的面部的至少两个图像。

在传输步骤200期间，所采集的图像S2则被采集系统12传输至计算平台13。图像S2优选以数字格式采集并且通过传统的有线或无线连接进行传送。

如果有需要的话，计算平台13之后执行处理操作210，比如根据优选的格式编码或图像压缩，或甚至两个或多个图像的选择。

然后，在两个步骤300和400期间，计算平台13对至少两个所接收和选择的图像执行欺诈检测处理。该处理的原理包括评估出现在图像上的面部的平面度并且当该面部不具有体积并且为平面或半平面(例如，自身弯曲的纸张的情况)时考虑是否存在欺诈。实际上，如果个人I向相机呈现表示另一面部的二维的图像载体，以这种方式检测的面部的平面度大于三维的面部的平面度。这有助于区分在平面载体(平面攻击)上所显示的面部和真实面部。

以这种方式，平台13计算平面度得分(步骤300)并且将所得到的平面度得分与预设的阈值得分(步骤400)进行比较。在整个正文中参考图4a至4d描述了用于计算平面度得分的不同的可能方法。优选地，阈值得分本身可根据欺诈的检测的成功率进行调节。

在完成步骤300和400之后，在计算平台13没有检测到欺诈的情况下，其进行根据个人I的识别的处理(步骤500)。为此目的，平台将所采集的图像中的至少一个与存在于数据库中的图像S3的集合进行比较。替代地，访问控制系统可将被由相机12A至12D采集的图像与个人所提供的身份文件的图像进行比较。

当然，图像的多种比较处理和识别是可能的。对于示例性实施方案，例如，可对以下出版物进行参考：

-面部识别：“FeaturesversusTemplates”(R.Brunelli、T.Poggio,IEEETransactionsonPatternanalysisandfeatureintelligence，第15卷，第10期，1993年10月)

-“Pose–RobustRecognitionofLow–ResolutionFaceImages”,SomaBiswas、GauravAggarwal和PatrickJ.Flynn，诺特丹，诺特丹大学，计算机科学与工程系，CVPR2011。

-“ADeformationandLighting–InsensitiveMetricforFaceRecognitionBasedonDenseCorrespondences”，AnneJorstad、DavidJacobs和AlainTrouve，CVPR2011。

在门的控制步骤600期间，如果被识别的个人I分别与被授权进入或未被授权进入的个人相对应，则计算平台13发送用于打开或封闭门的命令S4。如果个人I与被授权进入的个人不对应，则计算平台13可重复识别步骤(在图3中以虚线箭头所标识的)，或触发警报信号。

然而，在步骤600期间，如果计算平台13已检测到欺诈，则它直接发送封闭命令至门11。

它还可触发警报信号或再次继续进行(如虚线箭头所示)用于检测欺诈的面部的平面度的评估步骤300。

可选地，可在图像传输步骤200之前，由采集系统或多个采集系统执行图像S2的编码和选择步骤210/212(在图中选择性地未示出)。

现将描述可能用于计算平面度得分的多个示例。

通过计算体积的方差的方法

参照图4a，用于计算平面度的第一方法M1执行第一步骤301，第一步骤301包括从由采集系统12所拍摄的并传输至计算平台13的图像S2中选择由个人所呈现的面部的图像。这些图像必须呈现大约一厘米或半厘米的最小分辨率。而且，它们优选在相同时刻被两个采集系统12所拍摄，两个采集系统12分别位于个人I的左侧和右侧。然而，采集系统12优选以相对于视线轴0到90°之间的角度进行个人I的面部的采集。

在选择图像以继续进行欺诈检测的步骤302期间，计算平台13则实施预处理。处理包括从所选择的图像中提取面部，并且如果需要的话，隔离之后被评估平面度的单个部分。

可在语义上定义将被隔离的相关部分(例如像鼻子、嘴巴或眼睛的区域)。在以下文献中描述了用于隔离面部的一些部分的算法：

-“3DProbabilisticFeaturePointModelforObjectDetectionandRecognition”，SamiRomdhani、ThomasVetter，瑞士，巴塞尔，CH–4056，Bernoullistrasse16，巴塞尔大学，计算机科学系。

-“MultipleKernelLearningSVMandStatisticalValidationforFacialLandmarkDetection”，VincentRAPP、ThibaudSENECHAL、KevinBAILLY、LionelPREVOST。

选择和处理步骤可进行颠倒，使得计算平台在选择将被处理的成对的面部之前从图像S2提取面部，以及可选地测量平面度的面部的一部分。

一旦图像被选择，平台13在步骤303计算所选择的面部的一部分的深度图。

优选地，其为在宽度上集中在鼻子上并且在耳朵之间延伸的面部的一部分，并且在高度上其三分之一位于鼻子之上，并且其余的三分之二位于个人的鼻子之下。

实际上，它为通常显示最小平面度的面部区域，即，其为在密度和绝对值上显示最大起伏(reliefs)的面部的区域。

替代地，面部的一部分可以是集中在个人I的鼻子上的块。

为了制作面部的一部分的深度图，计算平台13根据任何已知的来自立体视觉的三维重构方法重新产生所考虑的面部的一部分。

例如，计算平台13记录两个图像共有的点，并且根据该记录其加入测量两个对应的点之间的不一致的矩阵。该不一致表示所研究的面部的一部分的体积。

可使用用于记录的若干方法。根据第一“空”记录方案，仅选择和记录图像的一些点。根据该方法，例如，计算平台13可使用以下算法：

-在两个图像上自动搜索的感兴趣的点，例如基于梯度或颜色的信息，

-计算与感兴趣的每个点相关的描述符；

-设置矩阵M(x,y)，并且搜索两个图像之间的点对(i,j)，其描述符(d(i),d(j))呈现良好的得分M(d(i),d(j))–例如，其得分大于从学习基统计定义的预定阈值。第一图像的点可仅与在第二图像的最大值处的点相关联。然而，如果第二图像没有点可验证得分M(d(i),d(j))，则第一图像的点不能属于一对。

-确定矩阵使得计算这些得分表示点之间的距离，产生深度图的体积的估计。

替代地，计算平台可通过使用例如以下算法来采用用于密集记录的方法：

-与第一图像的坐标(x1,y1)的每个点i相关联的是第二图像中的坐标(x2,y2)的点j。

-然后通过确定每对点(i,j)的距离(例如，使用欧几里得距离)计算深度图。

而且，为了更详细地描述三维重构方法，可参考出版物“Multi–ViewStereoReconstructionandSceneFlow,EstimationwithaGlobalImage–BasedMatchingScore”，(Pons,Keriven和augeras，KluwerAcademicPublishers，2005)。

接着，在以下步骤304期间，计算平台13标准化深度图，使得其相对于采集系统12而与图像上个人面部的角度无关。然而，该步骤是可选的。

最后，在步骤305期间，计算平台通过计算面部的体积相对于深度图的正中面的方差设置表示所研究的面部的一部分的平面度的得分P1。为了做到这一点，确定在三维空间表示的深度图的正中面，并且通过测量相对于该正中面的三维距离来计算图的每一个点的方差。平面度得分P1为计算的方差。

体积对的变型

面部识别M2的第二方法，在图4b中显示的该第二方法的步骤重复第一M1的主要步骤。

该第二方法包括应用：

-首先，在方法M1的步骤301至305中，个人的整个面部或面部的一部分，例如，在宽度上集中在鼻子上并且在耳朵之间延伸的面部的一部分，并且在高度上其三分之一位于鼻子之上，并且其余的三分之二位于个人的鼻子之下，以获得第一得分P1，以及

-而且，方法M1的步骤301’至305’关于集中在面部的一部分(例如，人的鼻子)上的块，以获得第二得分P2。具体而言，在与用于步骤301的相同图像S2上执行用于选择图像中的面部的步骤301’，并且步骤301’还包括隔离根据上述方法集中在人的鼻子上的块。

最后，在步骤306期间，根据得分P1和P2确定得分P3。例如，得分P3可以是P1和P2的线性组合，P3＝P1+λP2类型。得分P3考虑得分P1的给出的面部的体积和整体平面度两者，并且也考虑得分P2给出的鼻子的附加体积和突起。

该方法还可通过隔离面部的若干部分，以及通过计算这些部分的得分P2’,P2’’,P2’’’中的每一个等等来进行使用。

在这种情况下，根据得分P1,P2’,P2’’,P2’’’计算在步骤306确定的得分P3，例如通过这些得分的线性组合；P3＝κP1+λP2’+μP2’’+νP2’’’。

在学习基上执行的测试期间预先确定因子κ、λ、μ和ν本身以优化与得分的使用有关的结果。

该第二方法M2与用于防止“半平面”攻击特别相关。

实际上，在“半平面”攻击的情况下，人可携带其面部弯曲的照片，使得由照片划定的体积可显示类似于面部的体积的体积。

但是，由于面部总是形成相对于其余面部的突起，因此弯曲照片未能复制人的鼻子的体积。包括面部的平面度的一般评估的平面度评估的该方法加上由人的鼻子表示的体积，因此抵抗了平面和半平面攻击两者。

通过比较感兴趣的点的方法

图4c示出了面部的平面度的第三评估方法M3。

该方法M3需要使用优选分别对个人I的面部的左边和右边并且同时拍摄的两个照片。替代地，如果访问控制系统在个人I移动通过的到安全处所的入口处的气锁中，则相同的采集系统可在两个不同时刻拍摄两个图像，在两个图像之间的个人的距离和采集系统的视角是不同的。

在第一步骤311期间，两个图像S2所传输至的计算平台13选择实施处理的图像，并且从这些图像中提取个人的面部。该步骤类似于上述步骤301。

然后在步骤312期间，计算平台13典型通过图像上的稳健的描述符来确定在每个图像上的面部的感兴趣的点。

例如，通过计算SIFT(尺度不变特征转换)类型的描述符确定感兴趣的点，即，以相对于刻度和相对于图像不变的描述符。在出版物“3DProbabilisticFeaturePointModelforObjectDetectionandRecognition”(SamiRomdhani、ThomasVetter)中描述了用于检测感兴趣的点的其他方法。

由于相对于刻度不变的描述符，可在两个不同图像上找到对应的感兴趣的点。

然而，如果分别对个人I的左边和右边拍摄图像，由于面部的起伏，一些感兴趣的点将仅在两个图像中的一个上可见：这是根据视角，对于眼睛、嘴巴的一些部分，或皮肤的一些特性点(诸如痣)的情况。

然而，如果个人携带照片(甚至弯曲的)，则没有起伏掩盖照片中所示的面部的感兴趣的点。

这个现象被用在非正面图像上以评估被拍摄图像的面部的平面度：在比较步骤313，比较两个图像以确定哪些是两个共有的感兴趣的点以及哪些是仅出现在两个图像中的一个上的感兴趣的点。对于该步骤，计算平台可执行一个或其他密度记录算法，或以上描述的空记录算法。

然后，在步骤314，计算平台12根据共有的感兴趣的点的数量来确定表示在图像上表征的面部的平面度的得分P4。

该得分P4通过将两个图像共有的感兴趣的点的数量除以可以是两个图像之间的感兴趣的点的最小、最大或平均数量的数字来计算。

图像上表征面部所具有的起伏越少，得分P4越大。因此，对来自已知的数据库的图像重复足够多次该方法来确定形成阈值的得分P4，在该阈值之上确定地检测到欺诈。

通过图像的转换和叠加的方法

图4d示出了用于评估面部的平面度的第四方法M4以用于检测欺诈。

为了执行该方法M4，优选使用图像S2，图像S2或者在相对于个人面部的前面拍摄，或采用对称的视角分别对个人面部的左边和右边拍摄。

在第一步骤321期间，类似于步骤201，平台13对通过采集系统12传输的图像S2进行面部的选择。

然后，在步骤322期间，平台13以与上述步骤312期间相同的方式确定在两个图像中的感兴趣的点。

计算平台13然后记录在类似于步骤313的步骤323期间所识别的和在步骤324期间两个图像S2中的一个上的感兴趣的点，这发生在执行例如精细或二次类型的转换之前，具有根据在步骤323期间记录的点的对，通过线性代数的经典方法确定的参数。

计算该参数以抵消由不同的视觉产生的图像之间的差异。在这种情况下，由于在两个图像上表征的信息在三维情况中是不同的，因此被转换的图像比在三维中体积的图像更接近于在平面图像的情况下被比较的图像。

在以下步骤325期间，计算平台12确定在两个图像上的感兴趣的点，其中一个图像之前已根据与以上所述的步骤322期间相同的方法进行了转换。

最后，在以下步骤326期间，平台记录两个图像的感兴趣的点，并且在步骤327期间确定这些感兴趣的点之间的不一致测量值。

该测量值表示平面度得分P5。

实际上，在平面图像的情况下，两个图像在转换后匹配，并且感兴趣的点之间的不一致比源于体积的图像的不一致降低很多。

最后，还可以实现不同的方法以获得各自的得分，并且根据这些得分推导最终平面度得分P6。该得分可以是平面度得分P1至P5的线性组合或平均，从而使最终结果更加稳健。

Claims (4)

1.一种访问控制系统通过生物计量识别进行欺诈检测的方法，包括由以下组成的步骤：

-根据至少两个在所述访问控制系统前面的个人的位置，或个人的两个视角拍摄个人(I)所呈现至访问控制系统的面部的至少两个图像(S2)，

-从图像中提取面部；

-处理这两个图像以确定表示出现在图像上的所述面部的平面度的得分，以及

-根据该平面度得分，检测有关个人的部分的任何欺诈，所述检测通过所述访问控制系统调节个人的处理识别的使用，

所述方法的特征在于，用于确定表示面部的平面度的得分的步骤包括由以下组成的步骤：

-创建个人(I)的面部的深度图，估计所述面部的深度图的正中面，并且计算所述面部的深度图的点相对于所述正中面的方差，

-将图像与集中在个人的鼻子上的面部的块隔离，创建所述块的深度图，估计所述块的深度图的正中面，并且计算所述块的深度图的点相对于其正中面的方差，以及

-通过面部的深度图和块的深度图的点相对于它们各自的正中面的方差的线性结合来获得面部的平面度得分。

2.根据权利要求1所述的方法，还包括面部的深度图的标准化步骤，使得所述面部的深度图与个人面部的图像的视角无关。

3.一种通过生物计量识别的访问控制系统，包括：

-一个或多个采集系统(12)，其适合于根据相对于所述采集系统(12)的至少两个个人的位置或视角来捕获个人(I)所呈现的面部的至少两个图像，以及

-计算平台(13)，图像(S2)被所述采集系统(12)发送至所述计算平台(13)，所述计算平台(13)适合于处理这两个图像以确定表示出现在图像上的面部的平面度的得分，以及

○将图像与集中在个人的鼻子上的面部的块隔离，

○创建个人(I)的面部的深度图以及集中在个人的鼻子上的块的深度图，

○对于每个深度图，估计所述深度图的正中面，

○计算每个深度图的点相对于其正中面的方差，以及

○通过面部的深度图和块的深度图的点相对于它们各自的正中面的方差的线性结合来计算面部的平面度得分，以及

-根据表示面部的平面度的得分，检测个人的部分上的任何欺诈，所述检测通过其面部的生物计量分析来调节个人的识别。

4.根据前一项权利要求所述的访问控制系统，所述系统设置在受管制的通道门(11)的上游，并且所述计算平台(13)适合于控制门的打开并且其中个人的欺诈检测和识别调节门(11)的打开。