CN105678308A - 一种基于光照方向不一致性的图像拼接检测方法 - Google Patents

Abstract

本发明公开了一种基于光照方向不一致性的图像拼接检测方法，该方法包括以下步骤：从待测图片中选定一对目标人脸，拟合目标人脸的三维人脸模型；将三维人脸模型和待测图片上的二维人脸图片对齐；由不同光照下渲染生成的图片拟合三维人脸模型上采样点处的反射转移系数；由反射转移系数计算每个二维人脸图片的光照系数；比较两组光照系数的差异，得到判定结论。由于本发明是一种基于视觉的取证方法，不依赖于微小的图像统计特征，所以适用于互联网低质量图像的取证。此外，本发明计算了人脸的非凸和纹理特性，因此具有更好的适用性和精度。

Description

一种基于光照方向不一致性的图像拼接检测方法

技术领域

本发明涉及图像被动盲取证领域，特别涉及一种基于光照方向不一致性的人脸图像拼接检测方法。

背景

数字化盛行的今天，人们比以往任何时期都依赖数字媒体以快速高效地掌握讯息。然而数字媒体却有个至关重要的问题亟需解决——内容的真实性和完整性。由于近年大量数字图像处理软件(例如Photoshop等)的涌现，使得数字图像的篡改、伪造轻而易举，数字媒体不再像传统媒体那样具有较高的可信度。特别是在新闻报道，摄影比赛，甚至是法律证据中，往往会看到篡改图像的身影。如果该问题无法得到较好的解决，很可能会扰乱社会秩序，破坏新闻媒体及司法的公信力。随着数字图像处理软件功能的日益强大，以及操作的日趋简化，越来越多的人开始篡改图像，而且篡改的图像越来越难被人眼检测出来。因此，对于数字图像内容真实性认证技术的需求迫在眉睫。

目前，数字图像内容认证技术主要有两大类：主动方式和被动方式。主动方式需要在真实图像生成过程中(拍照时)或发布之前，向其中嵌入水印(或数字签名)信息。但是这种方式在实际应用中较为不便，无法做到使所有的数字成像设备都配备水印(数字签名)嵌入模块。被动方式直接从图像本身收集数据，不需要上述的硬件模块配置，这使得其得到较大的关注。基于场景中物理和投影不一致性的取证方法由于其具有对图像质量鲁棒的性质而成为了研究的热点。比如篡改操作破坏了成像场景的光影一致性，可参考文献：Kee,E.,O'brien,J.,andFarid,H.:‘Exposingphotomanipulationwithinconsistentshadows’,ACMTransactionsonGraphics(TOG),2013,32,(3),pp.28，或者破坏了场景中光照颜色的一致性，可参考文献：deCarvalho,T.J.,Riess,C.,Angelopoulou,E.,Pedrini,H.,anddeRezendeRocha,A.:‘ExposingDigitalImageForgeriesbyIlluminationColorClassification’,InformationForensicsandSecurity,IEEETransactionson,2013,8,(7),pp.1182-1194，或者使图像场景中的光照方向产生不一致，可参考文献：Kee,E.；Farid,H.,"Exposingdigitalforgeriesfrom3-Dlightingenvironments,"inInformationForensicsandSecurity(WIFS),2010IEEEInternationalWorkshopon,vol.,no.,pp.1-6,12-15Dec.2010等等。已有的基于光照方向不一致性的取证方法对适用条件作了过强的假设，如假设物体是凸的，以及假设物体表面没有纹理变化。这些假设限制了这些方法在实际应用中的可用性和精度。因此，对光照取证方法进行约束放松无疑会扩展其在实际中的应用范围并增强其取证效果的可靠性。

发明内容

为解决上述技术问题，本发明提出了一种基于光照方向不一致性的人脸图像拼接检测方法，实现了对同一张图片中多张人脸是否来为拼接图的准确判断。

为了实现上述目的，本发明提出了一种基于光照方向不一致性的图像拼接检测方法，该方法包括以下步骤：

步骤S1：从一张待测图片中选定一对目标人脸，分别拟合两个目标人脸的三维人脸模型；

步骤S2：将三维人脸模型和待测图片上的相应的二维人脸图片对齐，得到三维人脸模型上每个采样点对应二维人脸图像的投影点坐标；

步骤S3：将拟合得到的三维人脸模型置于不同光照方向下渲染生成一组图片，使用这些渲染生成的图片拟合三维人脸模型上采样点处的反射转移系数；

步骤S4：依据步骤S3拟合的反射转移系数计算待测图片中每个人脸上的光照系数；

步骤S5：比较两组光照系数的差异，输出判定结论。

优选的，所述待测图像为包含两个或两个以上人脸的图像。

优选的，所述步骤S2具体包含以下步骤：

步骤S21，利用二维人脸关键点检测方法检测待测图片中二维人脸图片上眉、眼、鼻、唇中关键点，并获取关键点的坐标；

步骤S22，依据二维人脸图片上的关键点坐标与三维人脸模型上关键点坐标将三维人脸模型与二维人脸图片的对齐，得到三维人脸模型上的每个采样点投影到二维人脸图片上的对应像素点坐标。

优选的，步骤S21中二维人脸关键点检测方法为SDM方法；所检测的关键点个数为49个。

优选的，步骤S22中利用小孔相机模型搭建三维人脸模型与二维人脸图片关键点的投影方程，估计三维人脸模型的姿态参数，进行三维人脸模型与二维人脸图片的对齐，并利用三维人脸模型与二维人脸图片关键点的投影方程计算得到三维人脸模型上的每个采样点投影到二维人脸图片上的对应像素点坐标；

其中，三维人脸模型与二维人脸图片关键点的投影方程为：

$\stackrel{\→}{x}=K\left(R\right|\stackrel{\→}{t})\stackrel{\→}{X}$

其中K,R,分别为相机的内参矩阵、三维模型的旋转矩阵、平移向量、三维人脸模型关键点的齐次坐标以及二维人脸图片关键点的齐次坐标；

通过假设相机的内参矩阵已知，可以定义需要优化的函数如下：

$E(R,\stackrel{\→}{t})=\underset{i=1}{\overset{N}{\Σ}}\left|\right|{\widehat{\stackrel{\→}{x}}}_i-K\left(R\right|\stackrel{\→}{t}){\stackrel{\→}{X}}_i\left|\right|$

其中R矩阵由3个姿态角决定，包含3个平移参数；通过Levenberg-Marquardt算法优化这个非线性最小二乘问题可以得到包含6个参数的三维模型姿态，进而进行三维人脸模型与二维人脸图片的对齐。

优选的，步骤S3具体包含以下步骤：

步骤S31，将步骤S1拟合得到的三维人脸模型置于预设的不同方向的光照环境下进行渲染，生成一组渲染图片；

步骤S32，基于非凸、有纹理的朗伯体表面的反射模型，利用步骤S31生成的渲染图片拟合三维模型上采样点处的反射转移系数。

优选的，步骤S31中生成渲染图片的方法为：设计Z个均匀分布的空间方向向量；在Z个方向向量中每次选取一个方向放置虚拟的无穷远光源，并渲染三维人脸在这个单一无穷远光源下的图片；生成Z张有影子、有纹理的物理上准确的渲染图片。

优选的，所述空间方向向量的个数Z为42。

优选的，步骤S32中三维模型上采样点处的反射转移系数的计算公式为：

$\stackrel{\→}{a}\left(\stackrel{\→}{X}\right)={\left(L^{T}L\right)}^{-1}{L}^T\stackrel{\→}{b}\left(\stackrel{\→}{x}\right)$

其中，为待拟合的三维人脸模型上某一采样点处的反射转移系数，L无穷远光照函数，为与三维人脸模型上采样点对应的二维人脸图片的二维像素点在所有Z张渲染图片中的灰度值。

优选的，步骤S4中所述人脸上的光照系数计算公式：

$\stackrel{\→}{l}={\left(A^{T}A\right)}^{-1}{A}^T\stackrel{\→}{b}$

其中，为待求的二维人脸图片各对应采样点的光照系数矩阵，为待测图片中二维人脸图片上各对应采样点处的灰度值矩阵，A为三维人脸模型上各采样点的反射转移系数矩阵，A的每行对应为一个采样点处的反射转移系数。

优选的，步骤S5具体为：设定的阈值T，计算待测图片中所要对比的两个人脸上的光照系数间的距离当时，判断为待测图片中所要对比的两个人脸是拼接到一起的，当时，判断为待测图片中所要对比的两个人脸不是拼接到一起的。

本发明通过三维人脸模型上采样点处的反射转移系数计算待测图片中每个人脸上的光照系数实现了对图片中所要对比的两个人脸图像是否为拼接的准确判断；本发明采用的是一种基于视觉的取证方法，不依赖于微小的图像统计特征，所以适用于互联网低质量图像的取证；此外，本发明计算了人脸的非凸和纹理特性，因此具有更好的适用性和精度。

附图说明

图1是本发明方法的流程图；

图2是待测图片以及为目标人脸拟合的三维人脸模型示意图；

图3(a)二维人脸图片关键点坐标示意图；

图3(b)三维人脸模型上的关键点三维坐标示意图；

图3(c)将三维人脸模型上的采样点投影到二维人脸图像上的效果示意图；

图4是为拟合反射转移系数而渲染的不同光照方向下的图片。

图5是将估计得到的光照系数进行可视化的结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

对于一副包含多张人脸的图片，本发明从不同的人脸上各自估计其所处的光照环境，通过比较不同人脸上估计出的光照环境来判断这些人脸是否是拼接到一起的。由于人脸是图片中非常常见而且极其重要的元素，对人脸的拼接篡改成为一种很恶劣的信息捏造。人脸拼接指的是把原处于不同图片中的人脸图像拼接到同一张图片，造成了事实扭曲。本发明的出发点为：每张图片中的光照环境一般都各自不同，当将原处于不同图片中的人脸拼接到一起的时候，伪造者很难将人脸上的光照亮度分布调节一致。因此，本发明从人脸上反向估计其光照环境，通过比较光照环境间的一致性来判断图片的真实性。总体技术路线为：首先从待检测图片中选定一对目标人脸，作为待检测人脸。由于如今所处的大数据时代的充裕信息，从因特网上搜索目标人的其他图片是可行的。对于每个目标人脸，通过搜集其一张正面照片(或和一张侧面照片)。利用这一或两张原料照片可以拟合出目标人脸的三维模型；然后通过检测目标人脸关键点将三维人脸模型和待测图片上的目标人脸进行对齐，由此获得三维人脸上采样点对应的二维投影点处的灰度值；通过推导球型谐波函数(SH)表示下的非凸有纹理朗伯体的表面反射方程，可以由不同光照下渲染生成的图片拟合三维人脸上采样点处的反射转移系数；接下来就可以利用对齐结果和反射转移系数计算每个人脸上的光照系数；最终通过比较两组光照系数的差异幅度，得到判定结论。

图1是本发明基于光照方向不一致性的人脸图像拼接检测方法的流程图，如图1所示，所述方法包括以下步骤：

步骤S1：从一张待测图片中选定一对目标人脸，分别拟合两个目标人脸的三维人脸模型；

所述待测图像包含两个或两个以上人脸的图像，为了更清楚地描述，本实施例采用了含两个人脸图像的图片作为待测图像。

该步骤中，首先从待测图像中选定两张人脸作为待测目标人脸，获得目标人的一张均匀光照下的正面照片，利用获得的一或两张照片，使用FaceGen软件拟合出目标人脸的三维模型，这个三维模型包含目标人脸的三维形状以及表面纹理信息。如图2所示是为两个目标人脸生成的三维模型，具有较高的精度。

拟合出目标人脸的三维模型也可以采用其他成熟的软件和方法来实现。为了提高拟合三维模型的精确度，可以再获得一张目标人的侧脸照片共同作为拟合依据。由于如今大数据时代的充裕信息，通常可以从网上搜索到同一个人的多张图片，增加了本发明方法的互联网适用性。

步骤S2：将三维人脸模型和待测图片上的相应的二维人脸图片对齐，得到三维人脸模型上每个采样点对应二维人脸图像的投影点坐标；

该步骤具体包括：

步骤S21：利用二维人脸关键点检测方法检测待测图片中二维人脸图片上眉、眼、鼻、唇中关键点，并获取关键点的坐标；

该步骤中，利用SDM(SupervisedDescentMethod)算法检测二维人脸关键点，通过该算法够获得准确、稳定的49个二维人脸图片关键点坐标，如图3(a)所示，供接下来的三维人脸对齐使用。

步骤S22：依据二维人脸图片上的关键点坐标与三维人脸模型上关键点坐标将三维人脸模型与二维人脸图片的对齐，得到三维人脸模型上的每个采样点投影到二维人脸图片上的对应像素点坐标；

该步骤中，利用小孔相机模型搭建三维人脸模型与二维人脸图片关键点的投影方程，估计三维人脸模型的姿态参数，进行三维人脸模型与二维人脸图片的对齐，并利用三维人脸模型与二维人脸图片关键点的投影方程计算得到三维人脸模型上的每个采样点投影到二维人脸图片上的对应像素点坐标。

其中，三维人脸模型与二维人脸图片关键点的投影方程如公式(1)所示：

$\stackrel{\→}{x}=K\left(R\right|\stackrel{\→}{t})\stackrel{\→}{X}---\left(1\right)$

其中其中K,R,分别为相机的内参矩阵、三维模型的旋转矩阵、平移向量、三维人脸模型关键点的齐次坐标以及二维人脸图片关键点的齐次坐标。通常相机的内参数可以从照片的头文件获得，包括相机焦距信息等。当照片头文件中不包括这些信息时，可以假设焦距和光心点为固定的常见值即可。因此可以假定相机的内参矩阵已知，仅需要估计模型的姿态参数。可以定义需要优化的误差函数如公式(2)所示：

其中R矩阵由3个姿态角决定，包含3个平移参数。这里的为步骤S21中检测到的如图3(a)所示的二维人脸图片关键点坐标以及其对应的如图3(b)所示的三维人脸模型上的关键点三维坐标。然后通过Levenberg-Marquardt算法优化这个非线性最小二乘问题可以得到包含6个参数的三维模型姿态，从而达到三维模型对齐的目的。由此，可以利用三维人脸模型与二维人脸图片关键点的投影方程计算得到三维人脸模型上的每个采样点投影到二维人脸图片上的对应像素点坐标。如图3(c)所示，即为将三维人脸模型上的采样点投影到二维人脸图像上的效果。

步骤S3：将拟合得到的三维人脸模型置于不同光照方向下渲染生成一组图片，使用这些渲染生成的图片拟合三维人脸模型上采样点处的反射转移系数；

该步骤具体包括：

步骤S31，将步骤S1拟合得到的三维人脸模型置于预设的不同方向的光照环境下进行渲染，生成一组渲染图片；

该步骤中，预先设计了42个均匀分布的空间方向向量。每次在42个方向向量中选取一个方向放置虚拟的无穷远光源，渲染三维人脸模型在这个单一无穷光源下的图片。如此生成42张有影子、有纹理的物理上准确的渲染图片，如图4所示。由于渲染图片中包含影子，本发明在原理上解决了非凸物体的适用性；由于渲染图片中还包含表面纹理，本发明也解决了物体表面含有纹理时的适用性。

步骤S32，基于非凸、有纹理的朗伯体表面的反射模型，利用步骤S31生成的渲染图片拟合三维模型上采样点处的反射转移系数；

该步骤中，利用非凸、有纹理的朗伯体表面的反射模型如公式(3)所示：

其中I,ρ,G,R_c,L分别为图像灰度、空间上变化的物体表面反射率、非凸遮挡的模板函数、不小于零的cos(θ)函数以及无穷远光照函数；N为单位三维法向量、d为微分小量，Ω分别为二维人脸图片关键点的齐次坐标、三维人脸模型关键点的齐次坐标、空间方向、球面积分域。经过合并后，可表示为公式(4)：

$I\left(\stackrel{\→}{x}\right)={\∫}_{\mathrm{\Ω}}A(\stackrel{\→}{X},\stackrel{\→}{V})L\left(\stackrel{\→}{V}\right)d\stackrel{\→}{V}---\left(4\right)$

其中， $A(\stackrel{\→}{X},\stackrel{\→}{V})=\mathrm{\ρ}\left(\stackrel{\→}{X}\right)G(\stackrel{\→}{X},\stackrel{\→}{V})R_c(\stackrel{\→}{V},\stackrel{\→}{N}(\stackrel{\→}{X}\left)\right),$ 称这里的为反射转移函数，它包含了物体表面的非凸遮挡信息以及空间变化的纹理信息，是本发明的核心思想之一。

球型谐波函数(SH)是定义在球面上的一组正交基函数，可以用来表示单位球面上的任意函数，类似于平面圆周上的傅里叶基底。本发明中，将光照函数和转移函数使用SH系数分别表示为公式(5)和公式(6)：

$L\left(\stackrel{\→}{V}\right)=\underset{n=0}{\overset{\mathrm{\∞}}{\Σ}}\underset{m=-n}{\overset{n}{\Σ}}{l}_{n,m}{Y}_{n,m}\left(\stackrel{\→}{V}\right)---\left(5\right)$

$A(\stackrel{\→}{X},\stackrel{\→}{V})=\underset{n=0}{\overset{\mathrm{\∞}}{\Σ}}\underset{m=-n}{\overset{n}{\Σ}}{a}_{n,m}\left(\stackrel{\→}{X}\right)Y_{n,m}\left(\stackrel{\→}{V}\right)---\left(6\right)$

其中分别为球型谐波函数，光照系数以及采样点处的反射转移系数，n代表SH的阶数，并且-n≤m≤n。本发明中使用前两阶谐波函数进行近似，可以在保证精度的前提下达到较高的效率，即0≤n≤2。由此可以推导出图片上人脸像素的灰度值可表示为光照系数和反射转移系数间的内积形式如公式(7)所示：

$I\left(\stackrel{\→}{x}\right)=\underset{n=0}{\overset{2}{\Σ}}\underset{m=-n}{\overset{n}{\Σ}}{l}_{n,m}{a}_{n,m}\left(\stackrel{\→}{X}\right)={\stackrel{\→}{l}}^T\·\stackrel{\→}{a}\left(\stackrel{\→}{X}\right)---\left(7\right)$

当拟合某一采样点处的反射转移系数时，利用公式(7)可以得到公式(8)：

公式(8)可用公式(9)进行简化表示：

$L\stackrel{\→}{a}\left(\stackrel{\→}{X}\right)=\stackrel{\→}{b}\left(\stackrel{\→}{x}\right)---\left(9\right)$

其中矩阵L中每行为步骤S31中所述的42种光照方向中的一种的光照系数，即矩阵L有42行。列向量为待拟合的三维模型上某一采样点处的反射转移系数。在这里光照系数和反射转移系数都用前两阶近似，共9维。等式右端的42维列向量为与三维人脸模型上采样点对应的二维人脸图片的二维像素点在所有42张渲染图片中的灰度值。然后通过最小二乘拟合得到所求的反射转移系数,其计算公式为公式(10)：

$\stackrel{\→}{a}\left(\stackrel{\→}{X}\right)={\left(L^{T}L\right)}^{-1}{L}^T\stackrel{\→}{b}\left(\stackrel{\→}{x}\right)---\left(10\right)$

这个过程自动用于求解所有三维采样点的反射转移系数。

步骤S4，依据步骤S3拟合的反射转移系数计算待测图片中每个人脸上的光照系数；

该步骤中，从某个二维人脸图片上求解光照系数时，利用之前的二维人脸图片像素灰度计算公式可得到公式(11)：

公式(11)可用公式(12)进行简化表示：

$A\stackrel{\→}{l}=\stackrel{\→}{b}---\left(12\right)$

其中，矩阵A为三维人脸模型上各采样点的反射转移系数矩阵，其每行为步骤S32拟合得到三维模型上一个采样点处的反射转移系数，行数为采样点的数量。向量为待求的二维人脸图片各对应采样点的光照系数矩阵，等式右端的向量中为待测图片中二维人脸图片上各对应采样点处的灰度值矩阵。该目标人脸的光照系数由最小二乘求得,计算公式为公式(13)：

$\stackrel{\→}{l}={\left(A^{T}A\right)}^{-1}{A}^T\stackrel{\→}{b}---\left(13\right)$

如此为每个二维人脸图片使用公式(13)，即可得到多组光照系数。

步骤S5，比较两组光照系数的差异，得到判定结论。

该步骤中，分别从待测图片中所要对比的两个人脸上的光照系数，通过比较这两组光照系数的差异来判定图片的真实性。计算两组光照系数间距离的公式如公式(14)所示：

$D({\stackrel{\→}{l}}_1,{\stackrel{\→}{l}}_2)=\frac{1}{2}(1-\frac{{\stackrel{\→}{l}}_1^{T}Q{\stackrel{\→}{l}}_2}{\sqrt{{\stackrel{\→}{l}}_1^{T}Q{\stackrel{\→}{l}}_1}\sqrt{{\stackrel{\→}{l}}_2^{T}Q{\stackrel{\→}{l}}_2}})---\left(14\right)$

其中，为两组光照系数间的距离度量，矩阵Q对系数的不同维度进行加权。通过比较距离与实验前设定的阈值T间的大小得出结论：当距离小于T时认为图像没经过拼接，当距离大于等于T时，认为这两个人脸是拼接到一起的。本实施例中阈值T取0.1。如图5所示，左下角和右下角两个球体上展现的是分别从两张目标人脸上估计得到的光照系数的可视化，由于这个图片是拼接得到的，可以明显看出两个球体表示的光照分布的差异比较大。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种基于光照方向不一致性的图像拼接检测方法，其特征在于，该方法包括以下步骤：

步骤S1：从一张待测图片中选定一对目标人脸，分别拟合两个目标人脸的三维人脸模型；

步骤S2：将三维人脸模型和待测图片上的相应的二维人脸图片对齐，得到三维人脸模型上每个采样点对应二维人脸图像的投影点坐标；

步骤S3：将拟合得到的三维人脸模型置于不同光照方向下渲染生成一组图片，使用这些渲染生成的图片拟合三维人脸模型上采样点处的反射转移系数；

步骤S4：依据步骤S3拟合的反射转移系数计算待测图片中每个人脸上的光照系数；

步骤S5：比较两组光照系数的差异，输出判定结论。

2.根据权利要求1所述的一种基于光照方向不一致性的图像拼接检测方法，其特征在于，所述待测图像为包含两个或两个以上人脸的图像。

3.根据权利要求1所述的一种基于光照方向不一致性的图像拼接检测方法，其特征在于，所述步骤S2具体包含以下步骤：

步骤S21，利用二维人脸关键点检测方法检测待测图片中二维人脸图片上眉、眼、鼻、唇中关键点，并获取关键点的坐标；

步骤S22，依据二维人脸图片上的关键点坐标与三维人脸模型上关键点坐标将三维人脸模型与二维人脸图片的对齐，得到三维人脸模型上的每个采样点投影到二维人脸图片上的对应像素点坐标。

4.根据权利要求3所述的一种基于光照方向不一致性的图像拼接检测方法，其特征在于，步骤S21中二维人脸关键点检测方法为SDM方法；所检测的关键点个数为49个。

5.根据权利要求3所述的一种基于光照方向不一致性的图像拼接检测方法，其特征在于，步骤S22中利用小孔相机模型搭建三维人脸模型与二维人脸图片关键点的投影方程，估计三维人脸模型的姿态参数，进行三维人脸模型与二维人脸图片的对齐，并利用三维人脸模型与二维人脸图片关键点的投影方程计算得到三维人脸模型上的每个采样点投影到二维人脸图片上的对应像素点坐标；

其中，三维人脸模型与二维人脸图片关键点的投影方程为：

$\stackrel{\→}{x}=K\left(R\right|\stackrel{\→}{t})\stackrel{\→}{X}$

其中K,R,分别为相机的内参矩阵、三维模型的旋转矩阵、平移向量、三维人脸模型关键点的齐次坐标以及二维人脸图片关键点的齐次坐标；

通过假设相机的内参矩阵已知，可以定义需要优化的函数如下：

$E(R,\stackrel{\→}{t})=\underset{i=1}{\overset{N}{\Σ}}\left|\right|{\widehat{\stackrel{\→}{x}}}_i-K\left(R\right|\stackrel{\→}{t}){\stackrel{\→}{X}}_i\left|\right|$

其中R矩阵由3个姿态角决定，包含3个平移参数；通过Levenberg-Marquardt算法优化这个非线性最小二乘问题可以得到包含6个参数的三维模型姿态，进而进行三维人脸模型与二维人脸图片的对齐。

6.根据权利要求1所述的一种基于光照方向不一致性的图像拼接检测方法，其特征在于，步骤S3具体包含以下步骤：

步骤S31，将步骤S1拟合得到的三维人脸模型置于预设的不同方向的光照环境下进行渲染，生成一组渲染图片；

步骤S32，基于非凸、有纹理的朗伯体表面的反射模型，利用步骤S31生成的渲染图片拟合三维模型上采样点处的反射转移系数。

7.根据权利要求6所述的一种基于光照方向不一致性的图像拼接检测方法，其特征在于，步骤S31中生成渲染图片的方法为：设计Z个均匀分布的空间方向向量；在Z个方向向量中每次选取一个方向放置虚拟的无穷远光源，并渲染三维人脸在这个单一无穷远光源下的图片；生成Z张有影子、有纹理的物理上准确的渲染图片。

8.根据权利要求7所述的一种基于光照方向不一致性的图像拼接检测方法，其特征在于，所述空间方向向量的个数Z为42。

9.根据权利要求7所述的一种基于光照方向不一致性的图像拼接检测方法，其特征在于，步骤S32中三维模型上采样点处的反射转移系数的计算公式为：

$\stackrel{\→}{a}\left(\stackrel{\→}{X}\right)={\left(L^{T}L\right)}^{-1}{L}^T\stackrel{\→}{b}\left(\stackrel{\→}{x}\right)$

其中，为待拟合的三维人脸模型上某一采样点处的反射转移系数，L无穷远光照函数，为与三维人脸模型上采样点对应的二维人脸图片的二维像素点在所有Z张渲染图片中的灰度值。

10.根据权利要求9所述的一种基于光照方向不一致性的图像拼接检测方法，其特征在于，步骤S4中所述人脸上的光照系数计算公式：

$\stackrel{\→}{l}={\left(A^{T}A\right)}^{-1}{A}^T\stackrel{\→}{b}$

其中，为待求的二维人脸图片各对应采样点的光照系数矩阵，为待测图片中二维人脸图片上各对应采样点处的灰度值矩阵，A为三维人脸模型上各采样点的反射转移系数矩阵，A的每行对应为一个采样点处的反射转移系数。

11.根据权利要求9所述的一种基于光照方向不一致性的图像拼接检测方法，其特征在于，步骤S5具体为：设定的阈值T，计算待测图片中所要对比的两个人脸上的光照系数间的距离当时，判断为待测图片中所要对比的两个人脸是拼接到一起的，当时，判断为待测图片中所要对比的两个人脸不是拼接到一起的。