CN107798282B - 一种活体人脸的检测方法和装置 - Google Patents

Abstract

本发明公开了一种活体人脸的检测方法和装置，所述检测方法包括：获取原始图像，根据所述原始图像，获取人脸区域图像，对所述人脸区域图像进行归一化处理，获取人脸图像；通过图像块对所述人脸图像进行离散余弦变换DCT处理，生成将所述人脸图像各像素的成分数据置换成离散余弦变换系数后的单位变换图像块；根据各单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征；通过分类器对所述人脸图像特征进行分类，若通过分类，则表示原始图像来自于活体人脸，反之，则表示原始图像来自于非活体人脸。通过上述方式，本发明能够有效解决现有技术中用户配合度高，用户体验度低以及识别过程耗时的技术问题，并且具有更好鲁棒性和准确性。

Description

一种活体人脸的检测方法和装置

技术领域

本发明涉及生物识别领域，特别是指一种活体人脸的检测方法和装置

背景技术

随着人脸识别技术的发展，在安全登录系统中可以通过人脸识别进行身份验证，以提高系统的安全性。但在进行身份验证时，许多顶替者会通过伪造人脸来骗取身份验证，伪造人脸的手段包括使用人脸照片、人脸视频片段等。为了提高安全性，需要对人脸进行活体检测，即检测人脸是否为活体人脸。

现有的活体检测技术中，如，基于光流场的检测方法，利用活体人脸转动过程中各部位的运动情况不相同，即计算得到的光流场存有差异，但照片中的人脸各部位的运动情况大致一致，即计算得到的光流场比较均匀，通过该思想来判断人脸图像是否来自活体；再如，基于人机交互的检测方法，简单而言就是系统发出指令，指示用户按照指令做相应动作(如：闭眼、张嘴等)，以此检测是否为活体人脸。然而上述两种检测方式，均需要用户去完成一些动作，这样不仅使用户的体验度降低，而且使识别的过程更耗时。

发明内容

为了解决现有技术中用户配合度高，用户体验度低以及识别过程耗时的技术问题，本发明提供的技术方案如下：

一方面，本发明提供了一种活体人脸的检测方法，包括：

获取原始图像，根据所述原始图像，获取人脸区域图像，对所述人脸区域图像进行归一化处理，获取人脸图像；

通过图像块对所述人脸图像进行离散余弦变换DCT处理，生成将所述人脸图像各像素的成分数据置换成离散余弦变换系数后的单位变换图像块；

根据各单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征；

通过分类器对所述人脸图像特征进行分类，若通过分类，则表示原始图像来自于活体人脸，反之，则表示原始图像来自于非活体人脸。

作为一种举例说明，所述根据各单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征包括：

根据各单位变换图像块中AC项变换系数，拟合各单位变换图像块对应的广义高斯模型的参数α和σ²，并根据所述参数α和σ²，获得第一人脸图像特征，其中α为形状参数，σ²为方差参数。

作为一种举例说明，所述根据所述参数α和σ²，获得第一人脸图像特征包括：

根据各单位变换图像块对应的广义高斯模型的参数α总和的平均值、各单位变换图像块对应的广义高斯模型的参数α中前10％最大值的总和的平均值、各单位变换图像块对应的广义高斯模型的参数σ²总和的平均值、以及各单位变换图像块对应的广义高斯模型的参数σ²中前10％最大值的总和的平均值，获得第一人脸图像特征。

作为一种举例说明，所述根据所述单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征包括：

根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r，获得第二人脸图像特征。

作为一种举例说明，所述根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r，获得第二人脸图像特征包括：

根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r的总和的平均值、以及各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r中前10％最大值的总和的平均值，获得第二人脸图像特征。

另一方面，本发明提供了一种活体人脸的检测装置，包括：

获取单元，用于获取原始图像，根据所述原始图像，获取人脸区域图像，对所述人脸区域图像进行归一化处理，获取人脸图像；

处理单元，用于通过图像块对所述人脸图像进行离散余弦变换DCT处理，生成将所述人脸图像各像素的成分数据置换成离散余弦变换系数后的单位变换图像块；

统计单元，用于根据各单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征；

检测单元，用于通过分类器对所述人脸图像特征进行分类，若通过分类，则表示原始图像来自于活体人脸，反之，则表示原始图像来自于非活体人脸。

作为一种举例说明，所述统计单元包括：

参数拟合单元，用于根据各单位变换图像块中AC项变换系数，拟合各单位变换图像块对应的广义高斯模型的参数α和σ²，其中α为形状参数，σ²为方差参数；

第一获取单元，用于根据所述参数α和σ²，获得第一人脸图像特征。

作为一种举例说明，所述第一获取单元，

用于根据各单位变换图像块对应的广义高斯模型的参数α总和的平均值、各单位变换图像块对应的广义高斯模型的参数α中前10％最大值的总和的平均值、各单位变换图像块对应的广义高斯模型的参数σ²总和的平均值、以及各单位变换图像块对应的广义高斯模型的参数σ²中前10％最大值的总和的平均值，获得第一人脸图像特征。

作为一种举例说明，所述统计单元包括：

第二获取单元，用于根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r，获得第二人脸图像特征。

作为一种举例说明，所述第二获取单元，

用于根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r的总和的平均值、以及各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r中前10％最大值的总和的平均值，获得第二人脸图像特征。

本发明的一个技术方案具有以下优点或有益效果：

本发明通过对获取得到的人脸图像进行离散余弦变换DCT处理，利用各单位变换图像块中AC项变换系数进行特征统计，进而得到人脸图像特征，再通过分类器对人脸图像特征进行分类以判断原始图像是否来自于活体人脸，所以本发明客服了现有活体检测技术中需要用户完成一些动作，使用户的体验度提高，并且使整个识别过程的时间大大缩短。另外，由于非活体的照片是二次成像，所以其图像质量相比而言较差，特别是二次成像照片的高、中频信息要相对较少，通过离散余弦变换DCT，则可以将照片中的频域信息反映出来，再通过对变换系数进行特征统计，这样可以使人脸活体检测具有更好的准确性以及鲁棒性。

附图说明

图1为本发明一种活体人脸的检测方法实施例流程图；

图2为本发明一种活体人脸的检测装置实施例示意图；

图3为本发明一种单位变换图像块的实施例示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明要解决的技术问题、技术方案和优点更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

一方面，如图1所述，本发明实施例提供了一种活体人脸的检测方法，包括：

步骤S100，获取原始图像，根据所述原始图像，获取人脸区域图像，对所述人脸区域图像进行归一化处理，获取人脸图像；

具体地，在接收到人脸识别指令时，通过开启配置于终端设备的摄像头，获取原始图像，其中，人脸识别指令可以是点击识别按键，也可以是系统的登陆指令，或者是其他指令，此处本发明实施例不做限定。

在获取的原始图像中往往不仅包含有待识别人脸，一般还会包含人体其他部位，也会包含人物背景等多种图像，为了便于对原始图像中的人脸进行识别，可以通过人脸定位、归一化处理，获取原始图像中的人脸图像，忽略其他部分的图像，从而使人脸识别的准确率提高。其中，归一化处理就是将获取的原始图像经人脸定位后转换成一个大小固定的具有灰度信息的人脸图像。各家人脸识别公司对归一化后的人脸图像大小有不同的要求，简单而言就是各公司对归一化后的图像大小有自己的标准，各家公司归一化后的矩形图像大小可能存在差异。

步骤S200，通过图像块对所述人脸图像进行离散余弦变换DCT处理，生成将所述人脸图像各像素的成分数据置换成离散余弦变换系数后的单位变换图像块；

本步骤中所述图像块是指大小为m×m的正方形图像块，对所述图像块中的各像素进行离散余弦变换DCT处理，之后可以得到变换后的单位变换图像块，也就是使空域的像素点转换成表征频域的离散余弦变换系数，这样可以得到人脸图像各像素的频率域信息。本步骤中，图像块对人脸图像进行划分可以互不重叠，也可以采取规律性的重叠的方式，此处不做限定。

步骤S300，根据各单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征；

根据步骤S200，在得到各单位变换图像块后，可以对各单位变换图像块中AC项变换系数进行统计，根据具有频域信息的统计结果进一步生成所述人脸图像,特征。所述AC项变换系数是指除图像块左上角的DC项变换系数外的其它变换系数。

步骤S400，通过分类器对所述人脸图像特征进行分类，若通过分类，则表示原始图像来自于活体人脸，反之，则表示原始图像来自于非活体人脸。

根据步骤S300，获得所述人脸图像特征后，将该特征通过分类器进行分类，如以SVM(支持向量机，Support Vector Machine)分类器为例，确定SVM分类器预设分类函数，以及当分类结果为+1时则原始图像来自于活体人脸，分类结果为-1时则原始图像来自于非活体人脸。在机器学习领域，SVM分类器是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。例如，分别采集1万份活体人脸的特征数据以及1万份非活体人脸照片的特征数据，其中1万份非活体人脸照片包括各种情形，比如平铺、折叠、弯曲、扣掉眼睛嘴巴等等，之后标记活体人脸的分类结果为+1，非活体人脸照片的分类结果为-1，利用Matlab的svmtrain进行训练。

作为一种举例说明，所述步骤300，根据各单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征包括：

根据各单位变换图像块中AC项变换系数，拟合各单位变换图像块对应的广义高斯模型的参数α和σ²，并根据所述参数α和σ²，获得第一人脸图像特征，其中α为形状参数，σ²为方差参数。

一般的，广义的高斯模型(GGD，Generalized Gaussian Distribution)是：

其中Γ(·)是伽马函数，即

其中，μ为均值，β为尺度参数；α为形状参数，控制着的广义高斯分布模型形状，σ²是方差参数，利用各单位变换图像块中AC项变换系数拟合对应的广义高斯模型的参数α和σ²，可以通过极大似然估计的方法近似得到，并根据得到的各单位变换图像块的对应的广义高斯模型的参数α和σ²生成第一人脸图像特征。

优选的，根据各单位变换图像块对应的广义高斯模型的参数α总和的平均值、各单位变换图像块对应的广义高斯模型的参数α中前10％最大值的总和的平均值、各单位变换图像块对应的广义高斯模型的参数σ²总和的平均值、以及各单位变换图像块对应的广义高斯模型的参数σ²中前10％最大值的总和的平均值，获得第一人脸图像特征。需要说明的是，此处生成第一人脸特征的参数的选取不仅限于上述方式方法，例如还可以是使用各单位变换图像块对应的广义高斯模型的参数α中前15％(或25％或其他)最大值的总和的平均值，再例如，还可以随机挑选满足一定数量要求(如至少占全部参数α总量的一半/80％/30％)的广义高斯模型的参数α进行求和后取均值。

下面给出一个具体实施方式供参考：

设归一化后所获取的人脸图像分辨率为100×100，所应用的图像块大小为5×5，对所述人脸图像进行离散余弦变换后，可以得到400个大小为5×5的单位变换图像块。分别利用每一个单位变换图像块的AC项变换系数拟合该单位变换图像块对应的广义高斯模型的参数α和σ²，这样就可以得到400组广义高斯模型的参数α和σ²。基于所述的400组广义高斯模型的参数α和σ²，可以得到：

1)400个参数α总和的平均值；

2)400个参数α中前10％最大值的总和的平均值，即400个参数α按照数值大小从大到小排序，选取排在前40位的参数α，将这40个参数α的数值求和后取均值；

3)400个参数σ²总和的平均值；

4)400个参数σ²中前10％最大值的总和的平均值，即400个参数σ²按照数值大小从大到小排序，选取排在前40位的参数σ²，将这40个参数σ²的数值求和后取均值；

最后，利用上述所得的4个值生成第一人脸特征，并利用该特征通过分类器进行分类，此处不再赘述。

作为一种举例说明，所述步骤S300，根据所述单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征包括：

根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r，获得第二人脸图像特征。

由于非活体照片在二次成像后，这时照片对应的中高频信息占比会下降，而离散余弦变换后图像的能量主要集中在低频，高频信息占比特别小，这样中频部分作为参照的效果是较为合适的。这里可以根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r，获得第二人脸图像特征。

优选的，根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r的总和的平均值、以及各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r中前10％最大值的总和的平均值，获得第二人脸图像特征。需要说明的是，此处生成第二人脸特征的参数的选取不仅限于上述方式方法，例如还可以是使用各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r中前15％(或25％或其他)最大值的总和的平均值。

下面给出一个具体实施方式供参考：

设归一化后所获取的人脸图像分辨率为100×100，所应用的图像块大小为5×5，对所述人脸图像进行离散余弦变换后，可以得到400个大小为5×5的单位变换图像块。其中，如图3所示，每一个单位变换图像块都包含有一定的表征中频信息的中频项系数(图3中背景色为灰色的系数即为中频项系数)，以单个单位变换图像块为例，对单位变换图像块中的中频项系数求和得到A，并对单位变换图像块中的AC项系数求和得到B，利用A/B则可以得到两者的比值r，同样的，总计可以得到400个参数r。基于所述的400个参数r，可以得到：

1)400个参数r总和的平均值；

2)400个参数r中前10％最大值的总和的平均值，即400个参数r按照数值大小从大到小排序，选取排在前40位的参数r，将这40个参数r的数值求和后取均值；

最后，利用上述所得的2个值生成第二人脸特征，并利用该特征通过分类器进行分类。

需要说明的是，本发明实施例可以单独使用第一人脸特征通过分类器进行分类，也可以单独使用第二人脸特征通过分类器进行分类，也可以使用第二人脸特征结合前文生成的第一人脸特征，两者进行融合后通过分类器进行分类，这样可以进一步提高活体人脸检测的准确性。

基于上述供参考的具体实施方式，这里再给出一种具体实施方式供参考：

原始图像经归一化处理，获取得到人脸图像(分辨率为100×100)后，对所述人脸图像进行高斯平滑滤波后再进行下采样得到人脸图像，此处以3*3的高斯平滑滤波后进行下采样为例，则可以获得分辨率为50*50的下采样后的的人脸图像，之后可以对下采样后的人脸图像进行离散余弦变换DCT处理，根据各单位变换图像块的AC变换系数进行特征统计，具体可以参考前文提供的具体实施方式，这样可以得到下采样后的人脸图像的特征，最后可以将人脸图像的特征与下采样后的人脸图像的特征进行融合后通过分类器分类，以判定分类结果。这里将两个尺度的特征进行融合，可以进一步地提高活体人脸的检测准确性。需要说明的是，根据实际开发的需要，人脸图像下采样过程可以进行多次。

另一方面，如图2所示，本发明实施例还提供了一种活体人脸的检测装置001，包括：

获取单元1，用于获取原始图像，根据所述原始图像，获取人脸区域图像，对所述人脸区域图像进行归一化处理，获取人脸图像；

处理单元2，用于通过图像块对所述人脸图像进行离散余弦变换DCT处理，生成将所述人脸图像各像素的成分数据置换成离散余弦变换系数后的单位变换图像块；

统计单元3，用于根据各单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征；

检测单元4，用于通过分类器对所述人脸图像特征进行分类，若通过分类，则表示原始图像来自于活体人脸，反之，则表示原始图像来自于非活体人脸。

由于获取的原始图像中往往不仅包含有待识别人脸，一般还会包含人体其他部位，也会包含人物背景等多种图像，为了便于对原始图像中的人脸进行识别，需要通过获取单元1对原始图像进行人脸定位、归一化处理，获取原始图像中的人脸图像，忽略其他部分的图像，从而使人脸识别的准确率提高；处理单元2所使用的图像块是指大小为m×m的正方形图像块，处理单元2对所述图像块中的各像素进行离散余弦变换DCT处理，之后可以得到变换后的单位变换图像块，这样可以得到人脸图像各像素的频率域信息；在得到各单位变换图像块后，统计单元3对各单位变换图像块中AC项变换系数进行统计，根据统计结果进一步生成所述人脸图像特征；最后，检测单元4过分类器对所述人脸图像特征进行分类，如以SVM分类器为例，确定预设分类函数，以及当分类结果为+1时原始图像来自于活体人脸，分类结果为-1时原始图像来自于非活体人脸。

作为一种举例说明，所述统计单元包括：

参数拟合单元，用于根据各单位变换图像块中AC项变换系数，拟合各单位变换图像块对应的广义高斯模型的参数α和σ²，其中α为形状参数，σ²为方差参数；

第一获取单元，用于根据所述参数α和σ²，获得第一人脸图像特征。

参数拟合单元利用各单位变换图像块中AC项变换系数拟合对应的广义高斯模型的参数α和σ²后，由第一获取单元根据得到的各单位变换图像块的对应的广义高斯模型的参数α和σ²生成第一人脸图像特征。

优选的，第一获取单元根据各单位变换图像块对应的广义高斯模型的参数α总和的平均值、各单位变换图像块对应的广义高斯模型的参数α中前10％最大值的总和的平均值、各单位变换图像块对应的广义高斯模型的参数σ²总和的平均值、以及各单位变换图像块对应的广义高斯模型的参数σ²中前10％最大值的总和的平均值，获得第一人脸图像特征。

第一获取单元具体的获取过程可以参考前文方法实施例。

作为一种举例说明，所述统计单元包括：

第二获取单元，用于根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r，获得第二人脸图像特征。

由于非活体照片在二次成像后，这时照片对应的中高频信息占比会下降，而离散余弦变换后图像的能量主要集中在低频，高频信息占比特别小，这样中频部分作为参照的效果是较为合适的。第二获取单元根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r，获得第二人脸图像特征。

优选的，第二获取单元根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r的总和的平均值、以及各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r中前10％最大值的总和的平均值，获得第二人脸图像特征。

第二获取单元的具体的获取过程可以参考前文方法实施例。

需要说明的是，这里可以单独使用通过第一获取单元获取的第一人脸特征通过分类器进行分类，也可以使用通过第二获取单元获取的第二人脸特征结合前文第一获取单元获取的生成的第一人脸特征，两者进行融合后通过分类器进行分类，这样可以进一步提高活体人脸检测的准确性。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种活体人脸的检测方法，其特征在于，包括：

获取原始图像，根据所述原始图像，获取人脸区域图像，对所述人脸区域图像进行归一化处理，获取人脸图像；

通过图像块对所述人脸图像进行离散余弦变换DCT处理，生成将所述人脸图像各像素的成分数据置换成离散余弦变换系数后的单位变换图像块；

根据各单位变换图像块中AC项变换系数，进行特征统计，获得人脸图像特征；

通过分类器对所述人脸图像特征进行分类，若通过分类，则表示原始图像来自于活体人脸，反之，则表示原始图像来自于非活体人脸，其中，根据各单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征包括：

根据各单位变换图像块中AC项变换系数，拟合各单位变换图像块对应的广义高斯模型的参数α和σ²，并根据所述参数α和σ²，获得第一人脸图像特征，其中α为形状参数，σ²为方差参数；和

根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r，获得第二人脸图像特征；

所述通过分类器对所述人脸图像特征进行分类包括：

将所述第一人脸图像特征和所述第二人脸图像特征进行融合后通过分类器对融合后的人脸特征进行分类。

2.根据权利要求1所述的活体人脸的检测方法，其特征在于，所述根据所述参数α和σ²，获得第一人脸图像特征包括：

根据各单位变换图像块对应的广义高斯模型的参数α总和的平均值、各单位变换图像块对应的广义高斯模型的参数α中前10％最大值的总和的平均值、各单位变换图像块对应的广义高斯模型的参数σ²总和的平均值、以及各单位变换图像块对应的广义高斯模型的参数σ²中前10％最大值的总和的平均值，获得第一人脸图像特征。

3.根据权利要求1所述的活体人脸的检测方法，其特征在于，所述根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r，获得第二人脸图像特征包括：

根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r的总和的平均值、以及各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r中前10％最大值的总和的平均值，获得第二人脸图像特征。

4.一种活体人脸的检测装置，其特征在于，包括：

获取单元，用于获取原始图像，根据所述原始图像，获取人脸区域图像，对所述人脸区域图像进行归一化处理，获取人脸图像；

处理单元，用于通过图像块对所述人脸图像进行离散余弦变换DCT处理，生成将所述人脸图像各像素的成分数据置换成离散余弦变换系数后的单位变换图像块；

统计单元，用于根据各单位变换图像块中AC项变换系数，进行特征统计，获得所述人脸图像特征；

检测单元，用于通过分类器对所述人脸图像特征进行分类，若通过分类，则表示原始图像来自于活体人脸，反之，则表示原始图像来自于非活体人脸；

其中，所述统计单元包括：

参数拟合单元，用于根据各单位变换图像块中AC项变换系数，拟合各单位变换图像块对应的广义高斯模型的参数α和σ²，其中α为形状参数，σ²为方差参数；

第一获取单元，用于根据所述参数α和σ²，获得第一人脸图像特征；

第二获取单元，用于根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r，获得第二人脸图像特征；

所述检测单元通过分类器对所述人脸图像特征进行分类包括：

将所述第一人脸图像特征和所述第二人脸图像特征进行融合后通过分类器对融合后的人脸特征进行分类。

5.根据权利要求4所述的活体人脸的检测装置，其特征在于，所述第一获取单元，

用于根据各单位变换图像块对应的广义高斯模型的参数α总和的平均值、各单位变换图像块对应的广义高斯模型的参数α中前10％最大值的总和的平均值、各单位变换图像块对应的广义高斯模型的参数σ²总和的平均值、以及各单位变换图像块对应的广义高斯模型的参数σ²中前10％最大值的总和的平均值，获得第一人脸图像特征。

6.根据权利要求4所述的活体人脸的检测装置，其特征在于，所述第二获取单元，

用于根据各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r的总和的平均值、以及各单位变换图像块的中频项变换系数和与AC项变换系数和的比值r中前10％最大值的总和的平均值，获得第二人脸图像特征。

Images