CN104573682A - 一种基于人脸相似度的人脸防伪方法 - Google Patents

Abstract

本发明涉及人脸识别领域，特别是一种基于人脸相似度的人脸防伪方法。发明采用配置多摄像头从不同角度摄像，并对不同摄像头拍摄的图像进行人脸相似度比较的方法实现人脸识别防伪，硬件配置简单，无需标定，易于和现有的人脸识别系统相集成，具有效较高的防伪精度。

Description

一种基于人脸相似度的人脸防伪方法

技术领域

本发明涉及人脸识别领域，特别是一种基于人脸相似度的人脸防伪方法。

背景技术

目前二维人脸识别技术已经在考勤和门禁等应用中得到了大量的使用。但二维人脸识别系统在实际应用中面临一些难题，如使用照片或者视频来欺骗人脸识别系统。为了解决这一问题，人脸识别系统防伪方法应运而生。

常用的人脸识别系统防伪方法包括使用额外硬件和使用软件算法两大类。其中使用额外硬件的方法一般采用增加额外的近红外传感器来判断待识别的对象是否是真实人脸，而使用软件算法的方法则通过分析待识别对象的图像或者视频的特征(如检测眨眼、表情变化或行为等)来区分真实人脸和照片等伪造人脸。这些方法或者引入完全不同的额外设备从而增加了系统的复杂度和成本，或者依赖于单一图像或者连续拍摄的图像序列的特征、甚至要求用户按照指令执行一定的动作，因而造成使用上的不便、也影响了防伪的精度。

发明内容

本发明的目的在于克服目前人脸识别防伪方法依赖增加硬件或依赖用户执行指令动作的问题，提供一种可进一步提高人脸识别系统的防伪能力和易用性的人脸识别防伪方法，包括如下步骤：

(1)将n台摄像机对称设置并拍摄人脸图像，n为2以上自然数.

(2)从各个摄像机拍摄的人脸图像中抽取纹理特征值T_i∈R^m，i为摄像机编号，m为特征维数，R为实数集.

(3)计算各个摄像机所拍摄的人脸图像和与其处于左右对称机位的摄像机所拍摄的人脸图像间的人脸相似度S_i，计算公式为：

$S_k=\left\{\begin{array}{c}\underset{h=1}{\overset{m}{\mathrm{\Σ}}}\frac{{(T_{i,h}-T_{j,h})}^2}{T_{i,h}+T_{j,h}}\\ \sqrt[p]{{\mathrm{\Σ}}_{h=1}^m{(T_{i,h}-T_{j,h})}^p}\end{array}\right.$

其中，T_i,T_j分别为两个位置互相左右对称的摄像机的纹理特征值，k的取值范围为1至在摄像机具有n台时，j＝n-i+1，p的取值为1或2.

(4)计算得到的各人脸图像相似度S_K的平均值，即为本次拍摄的人脸相似度S,其计算公式为：其中为n/2的下取整。

(5)如S＞T_S，则判断为真，否则为假，其中T_S为预设人脸特征相似度阈值。

进一步的，步骤(1)中，纹理特征值为采取局部二值模式(LBP)、梯度方向直方图模式(HOG)或Gabor滤波模式获取初始值，并将获取的初始值经过主成分分析或者线性判别分析进行降维或变换处理得到。

进一步的，n台摄像机中相邻摄像机之间的预设角度为0-45度。

某些实施例中，所述n个摄像机处于同一水平高度。

另外一些实施例中，所述摄像机的数量为偶数时，摄像机之间相对于同一轴线两两对称并组成对称组，不同对称组的摄像机处于不同水平高度。

进一步的，不同对称组中的两台摄像机之间的夹角相同或不相同。

综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明采用配置多摄像头从不同角度摄像，并对不同摄像头拍摄的图像进行人脸相似度比较的方法实现人脸识别防伪，硬件配置简单，无需标定，易于和现有的人脸识别系统相集成，具有效较高的防伪精度。

附图说明

图1是本发明提供的人脸相似度识别防伪方法流程图。

具体实施方式

下面结合附图，对本发明作详细的说明。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1：如图1本发明的目的在于克服目前人脸识别防伪方法依赖增加硬件或依赖用户执行指令动作的问题，提供一种可进一步提高人脸识别系统的防伪能力和易用性的人脸相似度识别防伪方法，包括如下步骤：

S01：将两个摄像机在同一水平高度按照预设角度对称设置(优选为0-45度之间，本实施例中两台摄像机之间的预设角度为30度)，并拍摄人脸图像(拍摄时两个摄像机应相对于人脸对称)。

S02：从各个摄像机拍摄的人脸图像中抽取纹理特征值T_i∈R^m，i为摄像机编号，本实施例中两台摄像机的拍摄的人脸图像的纹理特征值分别为T₁和T₂m为特征维数，R为实数集。

S03：计算各个摄像机所拍摄的人脸图像和与其处于左右对称机位的摄像机所拍摄的人脸图像间的人脸相似度S_K，本实施例中仅有两台摄像机，因此计算公式为：

$S_k=\left\{\begin{array}{c}\underset{h=1}{\overset{m}{\mathrm{\Σ}}}\frac{{(T_{1,h}-T_{2,h})}^2}{T_{1,h}+T_{2,h}}\\ \sqrt[p]{{\mathrm{\Σ}}_{h=1}^m{(T_{1,h}-T_{2,h})}^p}\end{array}\right.$

其中，T₁,T₂分别为两个位置互相左右对称的摄像机的纹理特征值，因为只有2台摄像机，

因此p的取值为1或2，P值为1时，表示欧式距离，P值为2时，表示L1距离。；

S04：计算得到的各人脸图像相似度S_K的平均值，即为本次拍摄的人脸相似度S，本实施例中，因为只有2台摄像机，因此可通过S03直接得出人脸相似度S。

S05：如S＞T_S，则判断为真，否则为假，其中T_S为预设人脸特征相似度阈值。

进一步的，步骤S02中，纹理特征值为采取局部二值模式(LBP)、梯度方向直方图模式(HOG)或Gabor滤波模式获取初始值，并将获取的初始值经过主成分分析或者线性判别分析进行降维或变换处理得到。

实施例2：当摄像机为奇数时，以5台摄像机为例，与实施例1相比，区别点在于：

S01：将5台摄像机在同一水平高度按照预设角度均匀设置并顺序编号，相邻摄像机间具有相同角度(优选为0-45度之间，本实施例中两台摄像机之间的预设角度为10度)，并拍摄人脸图像(拍摄时人脸应正对位于中间的3号摄像机)。

S02：本实施例中5台摄像机的拍摄的人脸图像的纹理特征值分别为T₁、T₂、T₃、T₄、T₅，m为特征维数，R为实数集。

S03：计算各个摄像机所拍摄的人脸图像和与其处于左右对称机位的摄像机所拍摄的人脸图像间的人脸相似度S_i，本实施例中仅有5台摄像机，因此互为对称的摄像机为1号摄像机和5号摄像机、2号摄像机和4号摄像机，而位于中间的3号摄像机由于没有对称机器，因此其拍摄的图像不参与相似度计算；计算公式为：

$S_k=\left\{\begin{array}{c}\underset{h=1}{\overset{m}{\mathrm{\Σ}}}\frac{{(T_{i,h}-T_{j,h})}^2}{T_{i,h}+T_{j,h}}\\ \sqrt[p]{{\mathrm{\Σ}}_{h=1}^m{(T_{i,h}-T_{j,h})}^p}\end{array}\right.$

其中，T_i,T_j分别为两个位置互相左右对称的摄像机的纹理特征值，其中k的取值范围为1至其中：

$S_1=\left\{\begin{array}{c}\underset{h=1}{\overset{m}{\mathrm{\Σ}}}\frac{{(T_{1,h}-T_{5,h})}^2}{T_{1,h}+T_{5,h}}\\ \sqrt[p]{{\mathrm{\Σ}}_{h=1}^m{(T_{1,h}-T_{5,h})}^p}\end{array}\right.$

$S_2=\left\{\begin{array}{c}\underset{h=1}{\overset{m}{\mathrm{\Σ}}}\frac{{(T_{2,h}-T_{4,h})}^2}{T_{2,h}+T_{4,h}}\\ \sqrt[p]{{\mathrm{\Σ}}_{h=1}^m{(T_{2,h}-T_{4,h})}^p}\end{array}\right.$

p的取值为1或2，P值为1时，表示欧式距离，P值为2时，表示L1距离。

S04：计算得到的各人脸图像相似度S_k的平均值，即为本次拍摄的人脸相似度S，本实施例中， $S=\frac{S_1+S_2}{2};$

S05：如S＞T_S，则判断为真，否则为假，其中T_S为预设人脸特征相似度阈值。

实施例3：当摄像机为偶数时，以4台摄像机为例，与实施例1相比，区别点在于：S01：4台摄像机之间相对于同一轴线两两对称并组成2个对称组，2个对称组的摄像机处于不同水平高度。不同对称组中的两台摄像机之间的角度不同，如本实施例中1号摄像机与4号摄像机为一个对称组，两者之间的夹角为30度，2号摄像机和3号摄像机为一个对称组，两者之间的夹角为45度；拍摄时人脸应正对两对摄像机的对称轴线。

S02：本实施例中4台摄像机的拍摄的人脸图像的纹理特征值分别为T₁、T₂、T₃、T₄，m为特征维数，R为实数集。

S03：计算各个摄像机所拍摄的人脸图像和与其处于左右对称机位的摄像机所拍摄的人脸图像间的人脸相似度S_i，本实施例中4台摄像机互为对称的摄像机为1号摄像机和4号摄像机、2号摄像机和3号摄像机(拍摄时摄像机应相对于人脸对称)，计算公式为：

$S_k=\left\{\begin{array}{c}\underset{h=1}{\overset{m}{\mathrm{\Σ}}}\frac{{(T_{i,h}-T_{j,h})}^2}{T_{i,h}+T_{j,h}}\\ \sqrt[p]{{\mathrm{\Σ}}_{h=1}^m{(T_{i,h}-T_{j,h})}^p}\end{array}\right.$

其中，T_i,T_j分别为两个位置互相左右对称的摄像机的纹理特征值，其中k的取值范围为1至其中：

$S_1=\left\{\begin{array}{c}\underset{h=1}{\overset{m}{\mathrm{\Σ}}}\frac{{(T_{1,h}-T_{4,h})}^2}{T_{1,h}+T_{4,h}}\\ \sqrt[p]{{\mathrm{\Σ}}_{h=1}^m{(T_{1,h}-T_{4,h})}^p}\end{array}\right.$

$S_2=\left\{\begin{array}{c}\underset{h=1}{\overset{m}{\mathrm{\Σ}}}\frac{{(T_{2,h}-T_{3,h})}^2}{T_{2,h}+T_{3,h}}\\ \sqrt[p]{{\mathrm{\Σ}}_{h=1}^m{(T_{2,h}-T_{3,h})}^p}\end{array}\right.$

p的取值为1或2，P值为1时，表示欧式距离，P值为2时，表示L1距离。

S04：计算得到的各人脸图像相似度S_k的平均值，即为本次拍摄的人脸相似度S，本实施例中， $S=\frac{S_1+S_2}{2}.$

S05：如S＞T_S，则判断为真，否则为假，其中T_S为预设人脸特征相似度阈值。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于人脸相似度的人脸防伪方法，其特征在于，包括如下步骤：

(1)将n台摄像机对称设置并拍摄人脸图像，n为2以上自然数；

(2)从各个摄像机拍摄的人脸图像中抽取纹理特征值T_i∈R^m，i为摄像机编号，m为特征维数，R为实数集；

(3)计算各个摄像机所拍摄的人脸图像和与其处于左右对称机位的摄像机所拍摄的人脸图像间的人脸相似度S_k，计算公式为：

$S_k=\left[\begin{array}{c}\underset{h=1}{\overset{m}{\mathrm{\Σ}}}\frac{{(T_{i,h}-T_{j,h})}^2}{T_{i,h}+T_{j,h}}\\ \sqrt[p]{{\mathrm{\Σ}}_{h=1}^m{(T_{i,h}-T_{j,h})}^p}\end{array}\right]$

其中，T_i,T_j分别为两个位置互相左右对称的摄像机的纹理特征值，k的取值范围为1至p的取值为1或2；

(4)计算得到的各人脸图像相似度S_i的平均值，即为本次拍摄的人脸相似度S；

(5)如S＞T_S，则判断为真，否则为假，其中T_S为预设人脸特征相似度阈值。

2.如权利要求1所述的基于人脸相似度的人脸防伪方法，其特征在于，步骤(1)中，纹理特征值为采取局部二值模式(LBP)、梯度方向直方图模式(HOG)或Gabor滤波模式获取初始值，并将获取的初始值经过主成分分析或者线性判别分析进行降维或变换处理得到。

3.如权利要求1所述的基于人脸相似度的人脸防伪方法，其特征在于，对称设置的n台摄像机中相邻摄像机之间具有预设角度，该预设角度为0-45度。

4.如权利要求1所述的基于人脸相似度的人脸防伪方法，其特征在于，所述n个摄像机处于同一水平高度。

5.如权利要求1所述的基于人脸相似度的人脸防伪方法，其特征在于，所述摄像机的数量为偶数时，摄像机之间相对于同一轴线两两对称并组成对称组，不同对称组的摄像机处于不同水平高度。

6.如权利要求5所述的基于人脸相似度的人脸防伪方法，其特征在于，不同对称组中的两台摄像机之间的夹角相同或不相同。