CN105243376A - 一种活体检测方法和装置 - Google Patents

Abstract

本发明涉及一种活体检测方法和装置，所述方法包括获取多个识别样本的人脸图像，根据多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征；基于多个识别样本的人脸特征计算多个识别样本的活体检测得分；根据多个识别样本的活体检测得分获得活体判断阈值；获取待识别对象的人脸图像，根据待识别对象的人脸图像的面部关键点特征变化提取待识别对象的人脸特征；基于待识别对象的人脸特征计算待识别对象的活体检测得分；判断待识别对象的活体检测得分是否大于等于活体判断阈值，若是，则判断待识别对象为活体。本发明实现了有效拒绝非真实人脸欺骗识别的同时，提高了计算速度和精度，并且降低了活体判断的复杂度。

Description

一种活体检测方法和装置

技术领域

本发明涉及图像处理和人脸识别领域，涉及活体检测方法和装置，特别涉及基于人脸识别的活体检测方法和装置。

背景技术

随着对信息安全需求的不断增长，在人脸识别系统中加入活体检测的功能受到越来越多的关注。常见的人脸攻击形式包括照片、视频播放和3D模型。照片和视频播放是最常见的攻击方式，人们可以从移动设备或者监控摄像头中轻易地获取合法用户的相关资料。

随着现代技术的发展，3D人脸的合成和模型的获取不再是一件难以实现的事，例如，ThatsMyFace.com的服务可以通过上传一张正面和一张侧面照片实现3D人脸的重构和3D模型的订制。和真实人脸相比，照片人脸是平面的，并存在二次获取带来的质量损失、模糊等问题；视频人脸具有LCD反光等现象；而3D模型人脸运动是刚性运动等。

基于以上事实，当前的活体检测算法主要分为三类：（1）基于运动的方法；（2）基于纹理的方法；（3）基于融合的方法。

基于运动的方法主要是分析图像帧序列的运动趋势。但是这种基于运动的方法需要对图像的背景或者用户的无意识动作进行判定，计算方法复杂。

基于纹理的方法主要是通过找出单帧真实人脸和欺骗人脸的显著性区分特征进行活体判断，因为欺骗人脸在二次获取的过程中会带来质量下降、模糊等微纹理的变化。但是基于纹理的方法只能很好地处理低分辨率的打印照片攻击，对高清照片无效。

现在，越来越多的研究者们把目光投向了基于融合的方法，即，通过融合至少两种活体判别方法，互补优势从而达到抵御多种攻击形式的目的。

目前的融合方法主要分为特征层融合方法和得分层融合方法。特征层融合方法是将多个特征串联进行融合，有人提出了基于运动和纹理信息的互补策略，并对融合方法进行了研究。得分层融合方法是获取多个特征的得分，然后进行加权从而得到最终的得分。有人从非刚体运动、人脸背景一致性和图像带波效应三个方面进行分析，并通过回归模型进行得分层融合。

然而，目前的得分层融合方法对于不同量纲、不同含义的特征，无法进行准确的融合，影响了活体识别的效率和精度。

发明内容

本发明提供了一种活体检测方法和装置，其基于面部关键点特征变化的人脸表示进行活体检测，能够降低活体判别的复杂度，并且能够有效预防高清照片的攻击，提高活体判别的效率和精度。

为达上述目的，本发明采用如下技术方案：

一方面，本发明提供了一种活体检测方法，包括以下步骤：

获取多个识别样本的人脸图像，根据所述多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征；

基于所述多个识别样本的人脸特征计算多个识别样本的活体检测得分；

根据多个识别样本的活体检测得分获得活体判断阈值；

获取待识别对象的人脸图像，根据所述待识别对象的人脸图像的面部关键点特征变化提取待识别对象的人脸特征；

基于待识别对象的人脸特征计算待识别对象的活体检测得分；

判断待识别对象的活体检测得分是否大于等于活体判断阈值，若是，则判断待识别对象为活体。

进一步地，根据所述多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征包括：

对于所述多个识别样本的人脸图像的每一个面部关键点，定义该面部关键点的邻域；

对于每一个面部关键点的邻域，提取纹理特征；

确定所述纹理特征的变化，作为所述识别样本的人脸特征。

进一步地，其中，利用基于贝叶斯理论的生成性模型计算所述多个识别样本的活体检测得分和待识别对象的活体检测得分。

进一步地，其中，采用DH-LBP直方图表示所述纹理特征。

进一步地，其中，根据多个识别样本的活体检测得分获得活体判断阈值包括：

将多个识别样本的活体检测得分顺序排列；

计算各识别样本的活体检测得分在所有识别样本构成的训练集上的准确率；

将准确率最高的识别样本对应的活体检测得分作为活体判断阈值。

另一方面，本发明提供了一种活体检测装置，包括：

获取模块，用于获取多个识别样本的人脸图像和待识别对象的人脸图像；

人脸特征提取模块，用于根据多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征，以及根据待识别对象的人脸图像的面部关键点特征变化提取待识别对象的人脸特征；

活体检测模块，用于基于多个识别样本的人脸特征计算多个识别样本的活体检测得分，以及基于待识别对象的人脸特征计算待识别对象的活体检测得分；

阈值获取模块，用于根据多个识别样本的活体检测得分获得活体判断阈值；

判断模块，用于判断待识别对象的活体检测得分是否大于等于活体判断阈值，若是，则判断待识别对象为活体。

进一步地，其中，人脸特征提取模块根据所述多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征为：

对于所述多个识别样本的人脸图像的每一个面部关键点，定义该面部关键点的邻域；

对于每一个面部关键点的邻域，提取纹理特征；

确定所述纹理特征的变化，作为所述识别样本的人脸特征。

进一步地，所述活体检测模块利用基于贝叶斯理论的生成性模型计算所述多个识别样本的活体检测得分和待识别对象的活体检测得分。

进一步地，其中，利用DH-LBP直方图表示所述纹理特征。

进一步地，其中，所述阈值获取模块得到活体判断阈值具体为：

将多个识别样本的活体检测得分顺序排列；

计算各识别样本的活体检测得分在所有识别样本构成的训练集上的准确率；

将准确率最高的识别样本对应的活体检测得分作为活体判断阈值。

本发明从真实人脸由于非刚体原因使得图像关键点的变化各不相同，以及攻击人脸由于刚体原因使得图像关键点变化趋势相同的角度来提取人脸特征，首先根据多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征，计算多个识别样本的活体检测得分后获取活体判断阈值，其次根据待识别样本的人脸图像的面部关键点特征变化提取待识别样本的人脸特征，计算待识别样本的活体检测得分，最后将待识别样本的活体检测得分与活体判断阈值进行比较，当待识别对象的活体检测得分大于等于活体判断阈值时说明待识别对象为活体。采用本发明提供的方法能够有效预防高清照片的攻击，实现有效拒绝了非真实人脸欺骗识别的同时，提高了计算速度和精度，并且降低了活体判断的复杂度。

附图说明

附图与文字描述一起用来对本发明的实施方式作进一步的说明。其中：

图1示出了本发明的活体检测装置的结构框图。

图2示出了本发明的活体检测方法的示意图。

图3示出了本发明的活体检测方法的流程图。

图4示出了面部关键点及其邻域。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

图1示出了本发明的活体检测装置的结构框图。

本发明的活体检测装置10包括获取模块101、人脸特征提取模块102、活体检测模块103、阈值获取模块104和判断模块105。

获取模块101用于接收多个识别样本的人脸图像和用户输入的待识别对象的人脸图像。具体地，获取模块101可以是摄像头，该摄像头的数目可以为1个。

人脸特征提取模块102用于根据多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征，以及根据待识别对象的人脸图像的面部关键点特征变化提取待识别对象的人脸特征。

活体检测模块103用于基于多个识别样本的人脸特征计算识别样本的活体检测得分，以及基于待识别对象的人脸特征计算待识别对象的活体检测得分。

阈值获取模块104用于根据多个识别样本的活体检测得分获取活体判断阈值。

判断模块105用于将待识别对象的活体检测得分与活体判断阈值进行比较，当待识别对象的活体检测得分大于等于活体判断阈值时，说明待识别对象为活体。

下面参照图2概括说明本发明的活体检测方法。

图2示出了本发明的活体检测方法的示意图。

如图2所示，本发明的活体检测方法包括两个阶段：训练阶段201和检测阶段202，如图2的虚线框所示。

训练阶段201包括：获取来自训练集的多个识别样本的人脸图像，提取出多个识别样本的基于关键点变化的人脸特征。通过活体检测模型得到多个识别样本的活体检测得分SA。然后根据多个识别样本的活体检测得分获取活体判断阈值。

检测阶段202包括：获取用户输入的待识别对象的人脸图像，提取出待识别对象的基于关键点变化的人脸特征。再次通过活体检测模型得到所述待识别对象的活体检测得分TA。

然后，将检测阶段获取的待识别对象的活体检测得分TA与训练阶段获取的活体判断阈值进行比较，如果待识别对象的活体检测得分大于等于活体判断阈值，则说明待识别对象为活体。

接下来，参照图3更详细地说明本发明的活体检测方法。

图3示出了本发明的活体检测方法的流程图，如图3所示，所述方法包括以下步骤：

步骤31、获取多个识别样本的人脸图像。

本发明采用通过经典的ViolaandJones方法进行人脸检测，人脸可以是正面也可以是侧面。

步骤32、根据多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征。

步骤33、基于多个识别样本的人脸特征计算多个识别样本的活体检测得分。

下面结合图4对步骤32和步骤33进行详细说明。

图4示出了面部关键点及其邻域。根据本发明，提取基于面部关键点及其邻域变化的人脸特征，计算得到识别样本的活体检测得分。

考虑到真实人脸和攻击人脸之间的主要差别在于非刚体运动和刚体运动之间的差异，本发明提出了利用基于面部关键点邻域纹理变化的人脸特征来进行活体识别。在说明书中，面部关键点邻域纹理变化也简称为面部关键点变化。

具体地，令表示面部关键点序列，例如，图4所示的60个关键点。对于每一个kp _i ，定义以kp _i 为中心，h×h像素大小的区域为关键点kp _i 的邻域，用R _i 表示。令表示从视频中提取的视频序列，对于每一个I _m ，每一个关键点都对应一个邻域。本发明用来表示图像和其关键点以及邻域的对应关系，其中kp _m,i 是I _m 图像的第i个面部关键点，R _m,i 表示I _m 图像的第i个面部关键点的邻域。

具体地，图4示出了60个关键点和对应的邻域。对于每一幅图像的每一个关键点的邻域R _m,i ，提取DH-LBP特征作为纹理特征，记为f _m,i 。确定所述纹理特征的变化，作为所述基于关键点变化的人脸表示特征，即，基于关键点变化的人脸图像表示为：，为了保证所有样本的特征均值为0，f _m 的镜像特征也作为图像I _m 的特征，特征维数为维。

随后，基于关键点变化特征进行活体检测，得到识别样本的活体检测得分。

考虑到特征维数和样本规模的相对关系，本发明采用基于贝叶斯理论的生成性模型进行活体检测得分获取。令w _g 和w _a 分别表示真实人脸和攻击人脸，对于一个新的测试样本x，活体检测得分定义为：

（1）

基于贝叶斯后验概率，，假设p(w _g )=p(w _a )，则公式（1）等价于

（2）

本发明中，被建模为高斯模型：

（3）

可以将特征空间划分为两个互补子空间：子空间F和正交补空间：

（4）

其中，。

下面返回图3，在计算出多个识别样本的活体检测得分之后，执行步骤34、根据多个识别样本的活体检测得分获取活体判断阈值。

在本步骤中，根据多个识别样本的活体检测得分获取活体判断阈值可通过以下步骤来实现：

步骤341、将多个识别样本的活体检测得分顺序排列。

在步骤33获得多个识别样本的活体检测得分之后，将多个识别样本的活体检测得分按照从小到大的顺序排列。

步骤342、计算各识别样本的活体检测得分在所有识别样本构成的训练集上的准确率。

在本步骤中，对于每个识别样本的活体检测得分计算其在所有识别样本构成的训练集上的准确率。

步骤343、将准确率最高的识别样本对应的活体检测得分作为活体判断阈值。

再次返回图3，接下来，执行步骤35和步骤36。

步骤35、获取待识别对象的人脸图像，根据所述待识别对象的人脸图像的面部关键点特征变化提取待识别对象的人脸特征。

步骤36、基于待识别对象的人脸特征计算待识别对象的活体检测得分。

实际上，步骤35和步骤36分别与步骤32和步骤33类似，将提取的待识别对象的人脸特征带入活体检测模型，得到待识别对象的活体检测得分。

步骤37、判断待识别对象的活体检测得分是否大于等于活体判断阈值，若是，则判断待识别对象为活体，若否，则判断待识别对象为非活体。

本发明从真实人脸由于非刚体原因使得图像关键点的变化各不相同，以及攻击人脸由于刚体原因使得图像关键点变化趋势相同的角度来提取人脸特征，能够有效预防高清照片的攻击，实现有效拒绝了非真实人脸欺骗识别的同时，提高了计算速度和精度，并且降低了活体判断的复杂度。

以上结合具体实施方式对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上仅仅是出于例示的目的介绍了本发明的具体实施方式，并不是要限制本发明。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种活体检测方法，包括以下步骤：

获取多个识别样本的人脸图像，根据所述多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征；

基于所述多个识别样本的人脸特征计算多个识别样本的活体检测得分；

根据多个识别样本的活体检测得分获得活体判断阈值；

获取待识别对象的人脸图像，根据所述待识别对象的人脸图像的面部关键点特征变化提取待识别对象的人脸特征；

基于待识别对象的人脸特征计算待识别对象的活体检测得分；

判断待识别对象的活体检测得分是否大于等于活体判断阈值，若是，则判断待识别对象为活体。

2.根据权利要求1所述的活体检测方法，其中，根据所述多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征包括：

对于所述多个识别样本的人脸图像的每一个面部关键点，定义该面部关键点的邻域；

对于每一个面部关键点的邻域，提取纹理特征；

确定所述纹理特征的变化，作为所述识别样本的人脸特征。

3.根据权利要求1所述的活体检测方法，其中，

利用基于贝叶斯理论的生成性模型计算所述多个识别样本的活体检测得分和待识别对象的活体检测得分。

4.根据权利要求2所述的活体检测方法，其中，

采用DH-LBP直方图表示所述纹理特征。

5.根据权利要求1所述的活体检测方法，其中，根据多个识别样本的活体检测得分获得活体判断阈值包括：

将多个识别样本的活体检测得分顺序排列；

计算各识别样本的活体检测得分在所有识别样本构成的训练集上的准确率；

将准确率最高的识别样本对应的活体检测得分作为活体判断阈值。

6.一种活体检测装置，包括：

获取模块，用于获取多个识别样本的人脸图像和待识别对象的人脸图像；

人脸特征提取模块，用于根据多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征，以及根据待识别对象的人脸图像的面部关键点特征变化提取待识别对象的人脸特征；

活体检测模块，用于基于多个识别样本的人脸特征计算多个识别样本的活体检测得分，以及基于待识别对象的人脸特征计算待识别对象的活体检测得分；

阈值获取模块，用于根据多个识别样本的活体检测得分获得活体判断阈值；

判断模块，用于判断待识别对象的活体检测得分是否大于等于活体判断阈值，若是，则判断待识别对象为活体。

7.根据权利要求6所述的活体检测装置，其中，人脸特征提取模块根据所述多个识别样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征为：

对于所述多个识别样本的人脸图像的每一个面部关键点，定义该面部关键点的邻域；

对于每一个面部关键点的邻域，提取纹理特征；

确定所述纹理特征的变化，作为所述识别样本的人脸特征。

8.根据权利要求6所述的活体检测装置，其中，所述活体检测模块利用基于贝叶斯理论的生成性模型计算所述多个识别样本的活体检测得分和待识别对象的活体检测得分。

9.根据权利要求7所述的活体检测装置，其中，

利用DH-LBP直方图表示所述纹理特征。

10.根据权利要求6所述的活体检测装置，其中，所述阈值获取模块得到活体判断阈值具体为：

将多个识别样本的活体检测得分顺序排列；

计算各识别样本的活体检测得分在所有识别样本构成的训练集上的准确率；

将准确率最高的识别样本对应的活体检测得分作为活体判断阈值。