CN107451575A - 一种身份认证系统中的人脸防欺骗检测方法 - Google Patents

Abstract

一种身份认证系统中的人脸防欺骗检测方法，首先，利用局部二值模式、灰度分布统计以及灰度共生矩阵提取像素的空间信息获得空间域的纹理特征；其次，利用二维对偶树复小波分解提取低频和高频复系数获得频率域的纹理特征；再利用PCA降维进行特征融合，融合空间域和频率域的纹理特征；最后，将空间域和频率域的纹理特征进行特征融合，利用SVM分类器进行真实/假冒人脸图像的检测和判别。通过融合空间域和频率域的纹理特征，特别地在频率域中利用二维对偶树复小波分解的时移不变性和方向选择性提取纹理特征，并用PCA对融合特征进行降维和去相关，计算复杂度小、冗余度低，节省了时间和空间的消耗，提高人脸欺骗检测的准确率，增强身份验证系统中人脸欺骗的安全性。

Description

一种身份认证系统中的人脸防欺骗检测方法

技术领域

本发明涉及身份认证系统中的人脸防欺骗检测领域，具体涉及一种

背景技术

作为一种方便的用户认证技术，自动人脸识别在各种门禁控制应用中受到越来越多的关注，特别是手机解锁。随着Android移动操作系统中的脸部解锁功能的发布，面部识别成为移动电话的另一种生物识别技术，类似于IOS系统中的指纹认证(Touch ID)。与指纹认证不同，脸部识别不需要任何附加传感器，因为所有智能手机都配备了前置摄像头。然而，类似于其他生物特征模式，我们需要解决对脸部识别系统的脸部欺骗攻击的担忧，特别是在无约束感知和不合作的主题场景。为了更安全的进行身份验证的真实性，检测被识别的对象是否是活体显得尤为重要。

据我们所知，Li等人在2004年报道了最早的面部欺骗检测研究之一。随着人脸识别越来越受欢迎，近年来国内外很多研究机构的学者都致力于活体检测问题的研究，许多国际会议及期刊文献中所涉及的活体检测算法已有很多。它们在鲁棒性和泛化能力方面的优势和局限性，以及实时响应和可用性上有了很大的突破。根据面部欺骗检测中使用的不同类型的线索，公布的方法可以分为四类：基于运动的方法、基于纹理的方法、基于图像质量分析的方法，以及基于其他线索。现今，应用于活体人脸检测方法主要包括:1)基于运动信息分析的方法:利用眼睛、鼻子和嘴巴的位作为跟踪估计的特征点，从头部运动中估计特征点的三维深度坐标值；利用光流学的方法检测人脸动态变化等。这种方法存在活体检测所需的特征难以获取，需要用户的主动配合，而且假冒者刻意将照片弯曲变形时，估计的深度坐标会有较大变化；同时这种判断容易受到噪声和光照条件的影响，具有可靠性不强、计算机代价高等缺陷。2)基于活体特征信息分析的方法：将拍摄到可见光人脸和热红外人脸进行匹配，根据两者相关性进行活体判断；在输入的连续图片序列中检测眼睛并且计算每只眼睛区域的运动，以用来判断输入的人脸是活体还是假冒照片；利用眨眼这一活体的生理特性，训练睁眼或闭眼的分类器识别真假。这些方法需要额外的设备，本身存在不稳定因素，在普通设备上无法大力推广等缺点。3)基于纹理信息分析的方法:用傅里叶频谱分析的方法，定义频率动态描述子来区分活体人脸和照片人脸；分析LBP算子提取特征的有效性；利用LBP_16，2、LBP_8，1、LBP_8，2分别提取人脸特征，分类训练SVM识别活体人脸。Jukka Maatta等人在2012年改进了算法，提出了利用LBP特征、Gabor wavelet和HOG三种特征融合的方法。2015年Di Wen等人提出了最新的防欺骗检测算法，他们利用双色反射模型分析图像质量。这些方法易受光照条件的影响，计算复杂度高，在身份验证系统中的人脸防欺骗技术系统上还无法大力推广。

发明内容

本发明为了克服以上技术的不足，提供了一种身份认证系统中的人脸防欺骗检测方法。

本发明克服其技术问题所采用的技术方案是：

1.一种身份认证系统中的人脸防欺骗检测方法，其特征在于，包括如下步骤：

a)从采集的人脸视频中根据视频帧截图定位人脸，得到人脸图像样本；

b)将采集的人脸图像样本转换为人脸灰度图；

c)在人脸灰度图的空间域中提取纹理特征，所述纹理特征包括：利用局部二值模式从人脸灰度图中提取直方图；利用灰度分布统计法计算人脸灰度分布的均值、标准差、平滑度、三阶矩、一致性和熵；利用灰度共生矩阵法计算人脸灰度图中能量、熵、惯性矩、相关性和逆差距；

c-1)通过公式计算人脸灰度图的直方图LBP(x_c,x_y)，其中i_c标示中心像素,i_n为像素8邻点的灰度值，2ⁿ为编码值；c-2)通过公式计算人脸灰度图中灰度值z_i的均值m的n阶矩μ_n，其中L为图像的灰度级，f(z_i)为第i个灰度值z_i出现的频度，通过公式计算均值m、通过公式计算标准差σ、通过公式计算平滑度R、通过公式计算三阶矩μ₃、通过公式计算一致性U、通过公式计算熵e，其中μ₂为i取值为2时，通过公式计算得到的结果；

c-3)通过公式p(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M*N|f(x₁,y₁)＝i,(x₂,y₂)＝j}分别计算四个方向p(1,0)、p(-1,1)、p(0,1)及p(1,1)的灰度共生矩阵p(i,j)，其中f(x₁,y₁)为人脸灰度图的二维数字图像，其大小为M*N个像素点，(x₁,y₁)及(x₂,y₂)为图像中任意两个像素点，#{}表示集合中的元素个数，图像的灰度级为N_g，P为N_g*N_g的矩阵，通过公式计算能量ASM、通过公式计算熵H、通过公式计算惯性矩CON，通过公式计算相关性COR、通过公式计算逆差距L，其中 d为像素点i与像素点j之间的距离，为四个方向中的角度；

c-4)通过公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求均值M，根据公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求标准差，其中X_i为能量或熵或惯性矩或相关性或逆差距的计算数值，通过计算的均值和标准差作为二阶统计特征向量，共计10维；

d)在人脸灰度图的频率域中提取纹理特征，利用4层二维对偶数复小波分解标准人脸灰度图像，每一尺度分解为±15°,±45°,±75°一共6个复系数的高频方向子带，获得低频、高频子带系数，提取频率域的纹理特征，对人脸灰度图像作DT-CWT变换，分解二维人脸灰度图像后提取低频子带系数矩阵好高频复系数的均值和方差作为统计特征向量，共计120维；

e)利用PCA法对步骤c)中空间域和步骤d)中频率域的纹理特征向量进行降维和去相关操作，把样本投影到低维空间；

f)将空间域中提取纹理特征和频率域中提取的纹理特征进行特征融合，利用SVM分类器进行真实/假冒人脸图像的检测和判别。

上述步骤b)中是将人脸图像样本由RGB空间转GRAY空间为64×64的标准人脸灰度图。

本发明的有益效果是：通过融合空间域和频率域的纹理特征，特别地在频率域中利用二维对偶树复小波分解的时移不变性和方向选择性提取纹理特征，并用PCA对其进行降维和去相关，计算复杂度小、冗余度低，节省了时间和空间的消耗，提高人脸欺骗检测的准确率，增强身份验证系统中人脸欺骗的安全性。

附图说明

图1为本发明的流程图；

具体实施方式

下面结合附图1对本发明做进一步说明。

一种身份认证系统中的人脸防欺骗检测方法，包括如下步骤：

a)从采集的人脸视频中根据视频帧截图定位人脸，一般地，我们提取若干类人脸图像，其中每类所述人脸图像包含若干个真假人脸图像样本，即得到人脸图像样本。

b)将采集的人脸图像样本转换为人脸灰度图，使人脸图像规范化。

c)在人脸灰度图的空间域中提取纹理特征，所述纹理特征包括：利用局部二值模式从人脸灰度图中提取直方图；利用灰度分布统计法计算人脸灰度分布的均值、标准差、平滑度、三阶矩、一致性和熵；利用灰度共生矩阵法计算人脸灰度图中能量、熵、惯性矩、相关性和逆差距；

c-1)通过公式计算人脸灰度图的直方图LBP(x_c,x_y)，其中i_c标示中心像素,i_n为像素8邻点的灰度值，2ⁿ为编码值。其中LBP对于任意单调的灰度变换具有不变性，即变换前后保持局部邻域的二进制数不变。

c-2)通过公式计算人脸灰度图中灰度值z_i的均值m的n阶矩μ_n，其中L为图像的灰度级，f(z_i)为第i个灰度值z_i出现的频度，通过公式计算均值m、通过公式计算标准差σ、通过公式计算平滑度R、通过公式计算三阶矩μ₃、通过公式计算一致性U、通过公式计算熵e，其中μ₂为i取值为2时，通过公式计算得到的结果。

c-3)通过公式p(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M*N|f(x₁,y₁)＝i,(x₂,y₂)＝j}分别计算四个方向p(1,0)、p(-1,1)、p(0,1)及p(1,1)的灰度共生矩阵p(i,j)，其中f(x₁,y₁)为人脸灰度图的二维数字图像，其大小为M*N个像素点，(x₁,y₁)及(x₂,y₂)为图像中任意两个像素点，#{}表示集合中的元素个数，图像的灰度级为N_g，P为N_g*N_g的矩阵，通过公式计算能量ASM、通过公式计算熵H、通过公式计算惯性矩CON，通过公式计算相关性COR、通过公式计算逆差距L，其中 d为像素点i与像素点j之间的距离，为四个方向中的角度。

c-4)通过公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求均值M，根据公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求标准差，其中X_i为能量或熵或惯性矩或相关性或逆差距的计算数值，通过计算的均值和标准差作为二阶统计特征向量，共计10维。

d)在人脸灰度图的频率域中提取纹理特征，利用4层二维对偶数复小波分解标准人脸灰度图像，每一尺度分解为±15°,±45°,±75°一共6个复系数的高频方向子带，获得低频、高频子带系数，提取频率域的纹理特征。

具体计算公式如下：

DT-CWT分解信号的一对复小波函数基ψ(x)和φ(x)，其中ψ_h(x)、ψ_g(x)、φ_h(x)、φ_g(x)都是实数型的小波函数，如式(1)所示：

ψ(x)＝ψ_h(x)+i·ψ_g(x)；φ(x)＝φ_h(x)+i·φ_g(x) (1)

DT-CWT分解信号，可利用式(2)计算出小波系数的实数部分和最后一层尺度函数系数的实数部分；可利用式(3)计算出小波系数的虚数部分和最后一层尺度函数系数的虚数部分。ψ_h(t)、ψ_g(t)为实数值小波函数，φ_h(t)、φ_g(t)为相关的尺度函数。其中，j＝1,2,K,J，定义j为尺度因子，J为分解的最大层数。

结合式(2)、式(3)，信号被DT-CWT分解后每一层的复小波系数并由式(4)表示，及最后一层尺度函数的复数系数并由式(5)表示：

对偶树复小波分解不仅克服了传统小波变换平移敏感及缺乏方向选择的缺点，同时为分解每一尺度空间提供了(±15°，±45°，±75°)6个方向的选择，并同时产生六个方向上的高频子带和两个低频子带。对每一层输出的小波系数消除下采样，同时具有固定的冗余度且为2^k:1(其中k是信号维度)，以及高效的计算速度。

通过对人脸灰度图像作DT-CWT变换，分解二维人脸灰度图像后提取低频子带系数矩阵好高频复系数的均值和方差作为统计特征向量，共计120维。

e)利用PCA法对步骤c)中空间域和步骤d)中频率域的纹理特征向量进行降维和去相关操作，把样本投影到低维空间，把样本投影到低维空间，目的是解决特征空间的高维问题，降低计算的复杂度。

f)将空间域中提取纹理特征和频率域中提取的纹理特征进行特征融合，利用SVM分类器进行真实/假冒人脸图像的检测和判别。

进一步的，步骤b)中是将人脸图像样本由RGB空间转GRAY空间为64×64的标准人脸灰度图。

与现有的技术相比，本发明最大的优势是融合空间域和频率域的纹理特征，特别地在频率域中利用二维对偶树复小波分解的时移不变性和方向选择性提取纹理特征，并用PCA对其进行降维和去相关，计算复杂度小、冗余度低，节省了时间和空间的消耗，提高人脸欺骗检测的准确率，增强身份验证系统中人脸欺骗的安全性。

实验结果表明，本发明对照片人脸样本最高准确率能够到达99.7586％，相较于单一特征形式(表1中后7行代表本发明的实验结果)的人脸检测方法，本发明最大的优势是基于空间域和频率域融合多特征方法，提高了检测准确率，减少了时间开销，降低了算法的复杂度；从总体上分析，本发明的身份验证系统的人脸反欺骗检测性能优良，能够用来保障人脸识系统的安全性；该方法无需用户的主动配合，具有易采集、隐蔽性、与用户交互少等特点，实现了在时间、空间代价小的前提下对假冒照片人脸图像的高效检测，实验结果比较如表1所示。

表1

样本	检测正确率	特征维数
			基本LBP特征	93.87％	59
All LBPV	88.03％	256
			Uniform LBPV	86.95％	59
CDD	97,7％	512
			GLCM	94.27％	8
GLCM+Haar	96.97％	12
			GLCM	95.97％	10
DTCWT	96.46％	120
			LBP	99.51％	2
GLCM+DTCWT(低频)	98.47％	12
			GLCM+DTCWT	99.35％	130
GLCM+DTCWT+GS	99.59％	136
			LBP+GS+GLCM+DTCWT	99.7586％	28

Claims (2)

1.一种身份认证系统中的人脸防欺骗检测方法，其特征在于，包括如下步骤：

a)从采集的人脸视频中根据视频帧截图定位人脸，得到人脸图像样本；

b)将采集的人脸图像样本转换为人脸灰度图；

c)在人脸灰度图的空间域中提取纹理特征，所述纹理特征包括：利用局部二值模式从人脸灰度图中提取直方图；利用灰度分布统计法计算人脸灰度分布的均值、标准差、平滑度、三阶矩、一致性和熵；利用灰度共生矩阵法计算人脸灰度图中能量、熵、惯性矩、相关性和逆差距；

c-1)通过公式计算人脸灰度图的直方图LBP(x_c,x_y)，其中i_c标示中心像素,i_n为像素8邻点的灰度值，2ⁿ为编码值；

c-2)通过公式计算人脸灰度图中灰度值z_i的均值m的n阶矩μ_n，其中L为图像的灰度级，f(z_i)为第i个灰度值z_i出现的频度，通过公式计算均值m、通过公式计算标准差σ、通过公式计算平滑度R、通过公式计算三阶矩μ₃、通过公式计算一致性U、通过公式计算熵e，其中μ₂为i取值为2时，通过公式计算得到的结果；

c-3)通过公式p(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M*N|f(x₁,y₁)＝i,(x₂,y₂)＝j}分别计算四个方向p(1,0)、p(-1,1)、p(0,1)及p(1,1)的灰度共生矩阵p(i,j)，其中f(x₁,y₁)为人脸灰度图的二维数字图像，其大小为M*N个像素点，(x₁,y₁)及(x₂,y₂)为图像中任意两个像素点，#{}表示集合中的元素个数，图像的灰度级为N_g，P为N_g*N_g的矩阵，通过公式计算能量ASM、通过公式计算熵H、通过公式计算惯性矩CON，通过公式计算相关性COR、通过公式计算逆差距L，其中 d为像素点i与像素点j之间的距离，为四个方向中的角度；

c-4)通过公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求均值M，根据公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求标准差，其中X_i为能量或熵或惯性矩或相关性或逆差距的计算数值，通过计算的均值和标准差作为二阶统计特征向量，共计10维；

d)在人脸灰度图的频率域中提取纹理特征，利用4层二维对偶数复小波分解标准人脸灰度图像，每一尺度分解为±15°,±45°,±75°一共6个复系数的高频方向子带，获得低频、高频子带系数，提取频率域的纹理特征，对人脸灰度图像作DT-CWT变换，分解二维人脸灰度图像后提取低频子带系数矩阵好高频复系数的均值和方差作为统计特征向量，共计120维；

e)利用PCA法对步骤c)中空间域和步骤d)中频率域的纹理特征向量进行降维和去相关操作，把样本投影到低维空间；

f)将空间域中提取纹理特征和频率域中提取的纹理特征进行特征融合，利用SVM分类器进行真实/假冒人脸图像的检测和判别。

2.根据权利要求1所述的身份认证系统中的人脸防欺骗检测方法，其特征在于：所述步骤b)中是将人脸图像样本由RGB空间转GRAY空间为64×64的标准人脸灰度图。