CN106971161A - 基于颜色和奇异值特征的人脸活体检测系统 - Google Patents

Abstract

本发明提供了基于颜色和奇异值特征的人脸活体检测系统，包括原始数据建立模块、特征提取模块、特征处理模块、训练模块、预测模块，所述原始数据建立模块用于将初始数据划分为初步样本和测试样本两部分；所述特征提取模块用于对初步样本中的人脸图像分块，批量提取人脸图像块的颜色特征和奇异值特征；所述特征处理模块用于对初步样本进行约简处理，得到训练样本；所述训练模块用于采用训练样本以及优化后的支持向量机的参数对支持向量机进行训练，得到人脸活体检测模型；所述预测模块用于利用人脸活体检测模型对测试样本的特征进行预测，得到活体真人或翻拍伪装的分类结果。本发明避免了以往复杂特征的提取，使计算复杂度大大降低。

Description

基于颜色和奇异值特征的人脸活体检测系统

技术领域

本发明涉及图像处理技术领域，具体涉及基于颜色和奇异值特征的人脸活体检测系统。

背景技术

人脸识别系统都是在默认是真实人的情况下进行的，但是随着社交网络的不断发展，如存在生物欺骗的情况下，识别系统可能存在错误识别的情况。因此，对人脸活体检测的研究具有重要意义。人脸活体检测又叫人脸活体取证，是利用人脸真实图像和欺骗照片或者视频的特征差异，通过特征提取、特征处理、分类判别，识别所判决的对象是否是活体真人。相关技术中的活体检测系统根据照片或者视频与真实人的纹理细节差异进行检测，对于照片欺骗和视频欺骗都有比较好的效果，但是对于复杂场景的识别时，识别效果不佳。

发明内容

针对上述问题，本发明提供基于颜色和奇异值特征的人脸活体检测系统。

本发明的目的采用以下技术方案来实现：

提供了基于颜色和奇异值特征的人脸活体检测系统，包括原始数据建立模块、特征提取模块、特征处理模块、训练模块、预测模块，所述原始数据建立模块用于将人脸数据库中的活体真人数据和翻拍伪装数据分别进行正负初步样本标记，并将整个数据划分为初步样本和测试样本两部分；所述特征提取模块用于对初步样本中的人脸图像分块，批量提取人脸图像块的颜色特征和奇异值特征；所述特征处理模块用于对初步样本进行约简处理，得到有效的初步样本，将有效的初步样本作为训练样本；所述训练模块用于采用改进的粒子群算法优化支持向量机的参数，采用训练样本以及优化后的支持向量机的参数对支持向量机进行训练，得到人脸活体检测模型；所述预测模块用于对测试样本中的数据进行特征提取，利用人脸活体检测模型对其特征进行预测，得到活体真人或翻拍伪装的分类结果。

本发明的有益效果为：本发明选取颜色特征和奇异值特征进行人脸活体检测，避免了以往复杂特征的提取，使计算复杂度大大降低。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1本发明的结构连接框图；

图2是本发明特征处理模块的结构连接框图。

附图标记：

原始数据建立模块1、特征提取模块2、特征处理模块3、训练模块4、预测模块5、样本约简单元10、特征筛选单元20。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例提供的基于颜色和奇异值特征的人脸活体检测系统，包括原始数据建立模块1、特征提取模块2、特征处理模块3、训练模块4、预测模块5，所述原始数据建立模块1用于将人脸数据库中的活体真人数据和翻拍伪装数据分别进行正负初步样本标记，并将整个数据划分为初步样本和测试样本两部分；所述特征提取模块2用于对初步样本中的人脸图像分块，批量提取人脸图像块的颜色特征和奇异值特征；所述特征处理模块3用于对初步样本进行约简处理，得到有效的初步样本，将有效的初步样本作为训练样本；所述训练模块4用于采用改进的粒子群算法优化支持向量机的参数，采用训练样本以及优化后的支持向量机的参数对支持向量机进行训练，得到人脸活体检测模型；所述预测模块5用于对测试样本中的数据进行特征提取，利用人脸活体检测模型对其特征进行预测，得到活体真人或翻拍伪装的分类结果。

优选地，所述初步样本和测试样本的数据比例为4:1。

优选地，所述批量提取人脸图像块的颜色特征和奇异值特征，包括：

(1)将每张初步样本图像进行颜色空间转换，即将红绿蓝RGB图像转换成灰度图和色调，饱和度，亮度的HSV图；

(2)将颜色空间转换后的图像，分割成3×3的小图像块；

(3)在每个小图像块上分别提取色调h、饱和度s、亮度v颜色分量的均值和方差特征，以及前10个最大的奇异值特征；

(4)将每张图像的每一小块特征组合成特征向量，得到144维的特征向量集合，再对每个特征向量进行归一化并将其转换成标准格式。

本优选实施例选取简单的色调，饱和度，亮度颜色特征和奇异值特征，避免了以往复杂特征的提取，使计算复杂度大大降低，并且通过仿真实验可得到较高的分类准确率。

优选地，如图2所示，所述特征处理模块3包括用于对初步样本进行筛选处理的样本约简单元10以及用于对筛选出的初步样本中的特征向量进行筛选处理的特征筛选单元20；其中样本约简单元10对初步样本的筛选处理，具体为：

(1)计算各初步样本间的马氏距离：

其中

式中，W(x_A,x_B)表示初步样本x_A与初步样本x_B之间的马氏距离，表示初步样本x_A的第a个特征向量与初步样本x_B之间的马氏距离，sqrt表示开平方根，是的转置，为初步样本x_B的均值特征向量，S_B ^-1表示初步样本x_B的协方差矩阵，K_a表示初步样本x_A的特征向量的个数；

(2)若满足下列筛选公式，则删除初步样本x_A：

其中D为设定的阈值调整因子， 为所有初步样本间的马氏距离的平均值，maxW(x_A,x_B)为所有初步样本间的马氏距离的最大值，minW(x_A,x_B)为所有初步样本间的马氏距离的最小值。

由于马氏距离不受到量纲的影响，同时不会因为初步样本各特征向量的值在数量级上的差异而导致距离计算上的差异，从而本优选实施例计算出的初步样本之间的相似度较为精确；本优选实施例对相似度较高的初步样本进行约简，能够在保证保留有效初步样本的前提下从整体上减少人脸活体检测模型的训练时间。

优选地，特征筛选单元20对筛选出的初步样本中的特征向量的筛选处理，按照下列筛选函数进行：

Ω_i＝{Ω_i(j),Ω_i(j)＝1，j＝1,…,K_i}

其中

式中，Ω_i表示对应第i个初步样本的训练样本，Ω_i(j)表示第i个初步样本中第j个特征向量，K_i为第i个初步样本具有的特征向量的数目；μ_i为第i个初步样本的特征向量的期望值，v_i为第i个初步样本的特征向量的标准差，ξ₁、ξ₂为设定的调整因子；f[x]为判定函数，当x≥0时，f[x]＝1，当x<0时，f[x]＝0。

本优选实施例对筛选出的初步样本中的特征向量进行筛选处理，能够优化初步样本，从而采用优化的初步样本对支持向量机进行训练，一方面减少了人脸活体检测模型的训练时间，另一方面能够获得更精确的训练效果，从而能够提高人脸活体检测模型的预测精度，获得精度高的分类结果。

优选地，所述采用改进的粒子群算法优化支持向量机的参数，具体包括：

(1)定义支持向量机的核函数为：

式中，λ₁、λ₂为权重系数，x^Tx_i为线性核函数，exp(g‖x-x_i‖²)为高斯核函数，其中g为高斯核函数宽度。

(2)将支持向量回归惩罚系数C、核函数宽度g、权重系数δ三个参数作为需优化参数，将该需优化参数设定为粒子群中的粒子；

(3)采用改进的粒子群算法对该需优化参数进行优化。

本优选实施例，在定义的支持向量机的核函数中，将线性核函数与高斯核函数进行相应的组合，并对其中的支持向量回归惩罚系数C、核函数宽度g、权重系数δ三个参数进行优化，能够使得在高维特征空间中更好地表达初步样本，并且优化的参数不多，相对于其他多核函数，支持向量机训练过程较为简单，训练的支持向量机具有较好的回归精度和泛化能力，从而能够提高人脸活体检测模型的预测精度，获得更优异的分类效果。

优选地，所述采用改进的粒子群算法对该需优化参数进行优化，具体为：

1)初始化粒子群算法，设定粒子数目、迭代次数、学习因子、模拟退火系数，选定正交试验设计表，正交试验设计表列数大于粒子的维度，设定支持向量回归惩罚系数C、核函数宽度g、权重系数δ三个参数的搜索范围以及移动速度的上下限；

2)计算各粒子的速度，判断各粒子的速度是否越界，如果越界，则将该粒子的速度取为临界值；

3)更新各粒子的位置，以下列适应度函数计算出的适应度评价各粒子：

式中，K_t为训练样本总个数，y_k为训练样本实际值，y_k′为训练样本预测值；

4)根据正交试验表从最优粒子和次优粒子中选取相应维，进行正交试验，评价各试验粒子；

5)根据判断各维中的因素水平的优劣，设计最终粒子并评价该粒子；

6)从最终粒子和试验粒子中选取适应度最高的粒子，并和群历史最优粒子作比较，如果优于群历史最优粒子，则替代群历史最优粒子，并以一定概率进行模拟退火搜索；

7)若达到最大迭代次数，结束搜索，输出最优粒子和最优粒子的供电电路函数值。

本优选实施例采用正交试验和模拟退火搜索相结合的方式进行参数优化，解决了传统粒子群算法存在的早熟问题和收敛震荡问题，加强了群最优粒子跳出局部最优点的能力，其中正交试验时从群最优粒子和次优粒子中有效提取了有价值的信息，提升了粒子群算法在捜索结果的平均值、标准偏差、评价次数、成功率和成功表现等方面的性能，并相对于传统的正交粒子群算法，大大减少了信息抽取的运算量。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.基于颜色和奇异值特征的人脸活体检测系统，其特征是，包括原始数据建立模块、特征提取模块、特征处理模块、训练模块、预测模块，所述原始数据建立模块用于将人脸数据库中的活体真人数据和翻拍伪装数据分别进行正负初步样本标记，并将整个数据划分为初步样本和测试样本两部分；所述特征提取模块用于对初步样本中的人脸图像分块，批量提取人脸图像块的颜色特征和奇异值特征；所述特征处理模块用于对初步样本进行约简处理，得到有效的初步样本，将有效的初步样本作为训练样本；所述训练模块用于采用改进的粒子群算法优化支持向量机的参数，采用训练样本以及优化后的支持向量机的参数对支持向量机进行训练，得到人脸活体检测模型；所述预测模块用于对测试样本中的数据进行特征提取，利用人脸活体检测模型对其特征进行预测，得到活体真人或翻拍伪装的分类结果。

2.根据权利要求1所述的基于颜色和奇异值特征的人脸活体检测系统，其特征是，所述初步样本和测试样本的数据比例为4:1。

3.根据权利要求2所述的基于颜色和奇异值特征的人脸活体检测系统，其特征是，所述批量提取人脸图像块的颜色特征和奇异值特征，包括：

(1)将每张初步样本图像进行颜色空间转换，即将红绿蓝RGB图像转换成灰度图和色调，饱和度，亮度的HSV图；

(2)将颜色空间转换后的图像，分割成3×3的小图像块；

(3)在每个小图像块上分别提取色调h、饱和度s、亮度v颜色分量的均值和方差特征，以及前10个最大的奇异值特征；

(4)将每张图像的每一小块特征组合成特征向量，得到144维的特征向量集合，再对每个特征向量进行归一化并将其转换成标准格式。

4.根据权利要求3所述的基于颜色和奇异值特征的人脸活体检测系统，其特征是，所述特征处理模块包括用于对初步样本进行筛选处理的样本约简单元以及用于对筛选出的初步样本中的特征向量进行筛选处理的特征筛选单元。

5.根据权利要求4所述的基于颜色和奇异值特征的人脸活体检测系统，其特征是，所述初步样本处理模块包括初步样本约简单元和特征向量筛选单元，所述初步样本筛选单元用于对初步样本进行约简处理，所述特征向量筛选单元用于对约简处理后的剩余初步样本中的特征向量进行筛选处理，并将筛选出的特征向量构建成对应的训练样本。

6.根据权利要求5所述的基于颜色和奇异值特征的人脸活体检测系统，其特征是，样本约简单元对初步样本的约简处理，具体为：

(1)计算各初步样本间的马氏距离：

$W(x_A,x_B)=\frac{1}{K_a}\underset{a}{\overset{K_a}{\&Sigma;}}W(x_{Aa},\stackrel{\&OverBar;}{x_B})$

其中

$W(x_{Aa},\stackrel{\&OverBar;}{x_B})=sqrt\&lsqb;{(x_a-\stackrel{\&OverBar;}{x_B})}^T{S_B}^{-1}(x_a-\stackrel{\&OverBar;}{x_B})\&rsqb;$

式中，W(x_A,x_B)表示初步样本x_A与初步样本x_B之间的马氏距离，表示初步样本x_A的第a个特征向量与初步样本x_B之间的马氏距离，sqrt表示开平方根，是的转置，为初步样本x_B的均值特征向量，S_B ^-1表示初步样本x_B的协方差矩阵，K_a表示初步样本x_A的特征向量的个数；

(2)若满足下列筛选公式，则删除初步样本x_A：

$W(x_A,x_B)<D\&lsqb;\stackrel{\&OverBar;}{W(x_A,x_B)}+\frac{\max W(x_A,x_B)-\min W(x_A,x_B)}{\max W(x_A,x_B)}\&rsqb;$

其中D为设定的阈值调整因子，为所有初步样本间的马氏距离的平均值，maxW(x_A,x_B)为所有初步样本间的马氏距离的最大值，minW(x_A,x_B)为所有初步样本间的马氏距离的最小值。

7.根据权利要求1所述的基于颜色和奇异值特征的人脸活体检测系统，其特征是，所述采用改进的粒子群算法优化支持向量机的参数，具体包括：

(1)定义支持向量机的核函数为：

$G=\frac{{\mathrm{\&lambda;}}_1}{{\mathrm{\&lambda;}}_1+{\mathrm{\&lambda;}}_2}{x}^T{x}_i+\frac{{\mathrm{\&lambda;}}_2}{{\mathrm{\&lambda;}}_1+{\mathrm{\&lambda;}}_2}\exp \left(g\right||x-x_i|{|}^2)$

式中，λ₁、λ₂为权重系数，x^Tx_i为线性核函数，exp(g‖x-x_i‖²)为高斯核函数，其中g为高斯核函数宽度。

(2)将支持向量回归惩罚系数C、核函数宽度g、权重系数δ三个参数作为需优化参数，将该需优化参数设定为粒子群中的粒子；

(3)采用改进的粒子群算法对该需优化参数进行优化，具体为：

1)初始化粒子群算法，设定粒子数目、迭代次数、学习因子、模拟退火系数，选定正交试验设计表，正交试验设计表列数大于粒子的维度，设定支持向量回归惩罚系数C、核函数宽度g、权重系数δ三个参数的搜索范围以及移动速度的上下限；

2)计算各粒子的速度，判断各粒子的速度是否越界，如果越界，则将该粒子的速度取为临界值；

3)更新各粒子的位置，以下列适应度函数计算出的适应度评价各粒子：

$\mathrm{\&Psi;}={\&lsqb;\frac{1}{K_t}\underset{k=1}{\overset{K_t}{\&Sigma;}}{(y_k-{y_k}^{\&prime;})}^2\&rsqb;}^{1/2}$

式中，K_t为训练样本总个数，y_k为训练样本实际值，y_k′为训练样本预测值；

4)根据正交试验表从最优粒子和次优粒子中选取相应维，进行正交试验，评价各试验粒子；

5)根据判断各维中的因素水平的优劣，设计最终粒子并评价该粒子；

6)从最终粒子和试验粒子中选取适应度最高的粒子，并和群历史最优粒子作比较，如果优于群历史最优粒子，则替代群历史最优粒子，并以一定概率进行模拟退火搜索；

7)若达到最大迭代次数，结束搜索，输出最优粒子和最优粒子的供电电路函数值。