CN107992864A - 一种基于图像纹理的活体识别方法及装置 - Google Patents

Abstract

本发明涉及一种基于图像纹理的活体识别方法及装置，其中方法包括：首先使用mtcnn算法实现对训练集中样本图片人脸的检测以及landmark的检测，通过landmark检测，实现人脸对齐，然后统一截取脸部相同位置的图像进行特征提取，且LBP特征提取时，针对每个颜色通道信息，分区域进行提取，明显提高了识别的准确率。然后对LBP特征进行SVM训练得到SVM分类器，利用SVM分类器根据待识别图像的LBP特征对待识别图像进行分类，从而实现活体的识别。

Description

一种基于图像纹理的活体识别方法及装置

技术领域

本发明涉及图像处理及人脸识别技术领域，具体涉及一种基于图像纹理的活体识别方法及装置。

背景技术

人脸人别技术已比较成熟且应用广泛，但随之伴随的一个问题是，如何检测图像确认为真人，而不是照片，视频，或者带面具伪装等欺骗图像。

目前，用于活体识别的方法主要有以下几种：

1、基于动作，需要用户主动配合做出指定的动作，例如眨眼，摇头等，此方法可防止照片欺骗，但是对于视频或面具欺骗等行为，该方法作用较小。

2、基于光流场，通过连续几帧图像，计算人脸位置的光流场变化，来区分平面和3D物体，但是对于面具等欺骗行为，该方法作用较小。

3、基于颜色纹理，通过分析真人颜色纹理与照片，视频，面具等图像颜色纹理的差异来确认是否为真人，理论上说此方法可以识别各种方式的欺骗行为，然而现有技术中基于颜色纹理的识别方法，由于不能精确定位人脸位置、提取LBP特征时丢失颜色信息以及在计算是没有突出明显位置特征，导致了识别准确率不高的问题。

发明内容

本发明针对现有技术中存在的技术问题，提供一种新的基于图像纹理的活体识别方法及装置，通过landmark检测，实现人脸对齐，后统一截取脸部相同位置的图像进行特征提取，且LBP特征提取时针对每个颜色通道信息，分区域进行提取，明显提高了识别的准确率。

本发明解决上述技术问题的技术方案如下：

本发明一方面提供一种基于图像纹理的活体识别方法，包括以下步骤：

步骤1，对训练集中的每张样本图片依次进行人脸检测、landmark检测以及LBP特征提取，得到每张样本图片的LBP特征feature；

步骤2，根据样本图片的LBP特征feature和已知的样本图片类别，进行SVM训练，得到用于活体识别的SVM分类器；

步骤3，获取待识别图像image，对所述图像image进行人脸检测、landmark检测以及LBP特征提取，得到所述图像image的LBP特征feature1；

步骤4，利用所述SVM分类器，对所述图像image的LBP特征feature1进行分类识别，得到待识别图像image的活体识别结果。

进一步，所述人脸检测和landmark检测采用MTCNN算法实现。

进一步，所述landmark检测还包括根据人脸landmark信息进行人脸对齐，截取包含眼睛、鼻子、嘴巴的最小矩形图像并进行归一化处理，将所述最小矩形图像设置为预设大小，得到图像face。

进一步，所述LBP特征提取包括以下步骤：

将图像face由RGB模式图像转换为YCrCb模式图像，分别计算图像face的Y通道、C通道r、Cb通道的LBP riu2模式特征lbp8以及LBP riu2模式特征lbp16；所述LBP riu2模式特征lbp8是指以中心像素为圆心、采样半径为2、采样点为8的LBP特征；所述LBP riu2模式特征lbp16是指以中心像素为圆心、采样半径为2、采样点为16的LBP特征；

将所述LBP特征lbp8平均划分成9个块，依次统计每个块中各个LBP值的个数，然后统计整个图像face中LBP特征lbp8的各个LBP值的个数；将所述LBP特征lbp16平均划分成17个块，依次统计每个块中各个LBP值的个数，然后统计整个图像face中LBP特征lbp16的各个LBP值的个数；

由于LBP特征lbp8中只包含0～9的值，LBP特征lbp16只包含0～17的值，因此针对Y、Cr、Cb每个通道，得到长度为118的特征，将3个通道合并，得到长度为354的特征，再将此特征进行归一化，得到图像face的LBP特征feature。

本发明另一方面提供一种基于图像纹理的活体识别装置，包括：

特征提取模块，用于对训练集中的每张样本图片依次进行人脸检测、landmark检测以及LBP特征提取，得到每张样本图片的LBP特征feature；

分类器生成模块，用于根据样本图片的LBP特征feature和已知的样本图片类别，进行SVM训练，得到用于活体识别的SVM分类器；

特征提取模块，用于获取待识别图像image，对所述图像image进行人脸检测、landmark检测以及LBP特征提取，得到所述图像image的LBP特征feature1；

识别模块，用于利用所述SVM分类器，对所述图像image的LBP特征feature1进行分类识别，得到待识别图像image的活体识别结果。

本发明的有益效果是：

1)基于landmark进行人脸对齐，且保证截取的人脸区域一致，有助于提高识别的准确率；

2)LBP特征统计时，分为9个block进行统计，突出了各个明显部位的特征；

3)使用YCrCb 3个通道的特征，没有丢失任何信息，提高了识别的准确率；

4)基于LBP特征以及svm分类，计算量小，效率高。

附图说明

图1为本发明实施例提供的一种基于图像纹理的活体识别方法流程图；

图2为LBP采样图；

图3为LBP旋转不变模式示意图；

图4为人脸区域截取效果图；

图5为本发明实施例提供的一种基于图像纹理的活体识别装置结构示意图。

具体实施方式

以下结合实例对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

针对现有技术中存在的技术问题，本方法基于颜色纹理实现的活体识别，提出了一种新的人脸颜色纹理特征的提取方法，利用该方法可准确的识别出真人和其他欺骗图像，而且运行效率高，可以满足实时识别的要求。

本方法是基于人脸检测，landmark检测，以及LBP特征的基础上实现的。

具体的，本发明提供一种基于图像纹理的活体识别方法，如图1所示，包括以下步骤：

步骤1，对训练集中的每张样本图片依次进行人脸检测、landmark检测以及LBP特征提取，得到每张样本图片的LBP特征feature；

采用MTCNN算法实现，人脸检测和landmark检测；根据人脸landmark信息进行人脸对齐，截取包含眼睛、鼻子、嘴巴的最小矩形图像并进行归一化处理，将所述最小矩形图像设置为96x96的大小，得到图像face，如图4所示。

将图像face由RGB模式图像转换为YCrCb模式图像，分别计算图像face的Y通道、C通道r、Cb通道的LBP riu2模式特征lbp8以及LBP riu2模式特征lbp16；所述LBP riu2模式特征lbp8是指以中心像素为圆心、采样半径为2、采样点为8的LBP特征；所述LBP riu2模式特征lbp16是指以中心像素为圆心、采样半径为2、采样点为16的LBP特征；

LBP指局部二值模式，英文全称：Local Binary Pattern，是一种用来描述图像局部特征的算子，LBP特征具有灰度不变性和旋转不变性等显著优点。

原始的LBP算子定义在像素3*3的邻域内，以邻域中心像素为阈值，相邻的8个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经过比较可产生8位二进制数，将这8位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值，LBP值共有28种可能，因此LBP值有256种。中心像素的LBP值反映了该像素周围区域的纹理信息。

基本的LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征，并达到灰度和旋转不变性的要求，Ojala等对LBP算子进行了改进，将3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的LBP算子允许在半径为R的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子，如图2所示。LBP特征具有灰度不变性，但还不具备旋转不变性，因此研究人员又在上面的基础上进行了扩展，提出了具有旋转不变性的LBP特征。首先不断的旋转圆形邻域内的LBP特征，根据选择得到一系列的LBP特征值，从这些LBP特征值选择LBP特征值最小的作为中心像素点的LBP特征。具体做法如图3所示。

为了解决二进制模式过多的问题，提高统计性，Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。Ojala等认为，在实际图像中，绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此，Ojala将“等价模式”定义为：当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。如00000000(0次跳变)，00000111(只含一次从0到1的跳变)，10001111(先由1跳到0，再由0跳到1，共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类，称为混合模式类，例如10010111(共四次跳变)。通过这样的改进，二进制模式的种类大大减少，而不会丢失任何信息。模式数量由原来的2P种减少为P(P-1)+2种，其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说，二进制模式由原始的256种减少为58种，即：它把值分为59类，58个uniform pattern为一类，其它的所有值为第59类。这样直方图从原来的256维变成59维。这使得特征向量的维数更少，并且可以减少高频噪声带来的影响。

本方法中采用半径为2，采用点个数分别为8，16的LBP riu2模式，即同时使用旋转不变以及等价模式，该模式下，采样点个数为8时，LBP值的范围为0-9，采样点个数为16时，LBP值的范围为0-17。

将所述LBP特征lbp8平均划分成9(3*3)个块，依次统计每个块中各个LBP值的个数，然后统计整个图像face中LBP特征lbp8的各个LBP值的个数；将所述LBP特征lbp16平均划分成17个块，依次统计每个块中各个LBP值的个数，然后统计整个图像face中LBP特征lbp16的各个LBP值的个数；

由于LBP特征lbp8中只包含0～9的值，LBP特征lbp16只包含0～17的值，因此针对Y、Cr、Cb每个通道，得到长度为118的特征，将3个通道合并，得到长度为354的特征，再将此特征进行归一化，得到图像face的LBP特征feature。

步骤2，根据样本图片的LBP特征feature和已知的样本图片类别，进行SVM训练，得到用于活体识别的SVM分类器；

步骤3，获取待识别图像image，对所述图像image进行人脸检测、landmark检测以及LBP特征提取，得到所述图像image的LBP特征feature1；

步骤4，利用所述SVM分类器，对所述图像image的LBP特征feature1进行分类识别，得到待识别图像image的活体识别结果。

本发明另一方面提供一种基于图像纹理的活体识别装置，包括：

特征提取模块，用于对训练集中的每张样本图片依次进行人脸检测、landmark检测以及LBP特征提取，得到每张样本图片的LBP特征feature；

分类器生成模块，用于根据样本图片的LBP特征feature和已知的样本图片类别，进行SVM训练，得到用于活体识别的SVM分类器；

特征提取模块，用于获取待识别图像image，对所述图像image进行人脸检测、landmark检测以及LBP特征提取，得到所述图像image的LBP特征feature1；

识别模块，用于利用所述SVM分类器，对所述图像image的LBP特征feature1进行分类识别，得到待识别图像image的活体识别结果。

本发明的有益效果是：

1)基于landmark进行人脸对齐，且保证截取的人脸区域一致，有助于提高识别的准确率；

2)LBP特征统计时，分为9个block进行统计，突出了各个明显部位的特征；

3)使用YCrCb 3个通道的特征，没有丢失任何信息，提高了识别的准确率；

4)基于LBP特征以及svm分类，计算量小，效率高。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)

1.一种基于图像纹理的活体识别方法，其特征在于，包括以下步骤：

步骤1，对训练集中的每张样本图片依次进行人脸检测、landmark检测以及LBP特征提取，得到每张样本图片的LBP特征feature；

步骤2，根据样本图片的LBP特征feature和已知的样本图片类别，进行SVM训练，得到用于活体识别的SVM分类器；

步骤3，获取待识别图像image，对所述图像image进行人脸检测、landmark检测以及LBP特征提取，得到所述图像image的LBP特征feature1；

步骤4，利用所述SVM分类器，对所述图像image的LBP特征feature1进行分类识别，得到待识别图像image的活体识别结果。

2.根据权利要求1所述一种基于图像纹理的活体识别方法，其特征在于，所述训练集中样本图片包括活体和非活体两个类别样本图片。

3.根据权利要求1所述一种基于图像纹理的活体识别方法，其特征在于，所述人脸检测和landmark检测采用MTCNN算法实现。

4.根据权利要求3所述一种基于图像纹理的活体识别方法，其特征在于，所述landmark检测还包括根据人脸landmark信息进行人脸对齐，截取包含眼睛、鼻子、嘴巴的最小矩形图像并进行归一化处理，将所述最小矩形图像设置为预设大小，得到图像face。

5.根据权利要求4所述一种基于图像纹理的活体识别方法，其特征在于，所述LBP特征提取包括以下步骤：

将图像face由RGB模式图像转换为YCrCb模式图像，分别计算图像face的Y通道、C通道r、Cb通道的LBP riu2模式特征lbp8以及LBP riu2模式特征lbp16；所述LBP riu2模式特征lbp8是指以中心像素为圆心、采样半径为2、采样点为8的LBP特征；所述LBP riu2模式特征lbp16是指以中心像素为圆心、采样半径为2、采样点为16的LBP特征；

将所述LBP特征lbp8平均划分成9个块，依次统计每个块中各个LBP值的个数，然后统计整个图像face中LBP特征lbp8的各个LBP值的个数；将所述LBP特征lbp16平均划分成17个块，依次统计每个块中各个LBP值的个数，然后统计整个图像face中LBP特征lbp16的各个LBP值的个数；

由于LBP特征lbp8中只包含0～9的值，LBP特征lbp16只包含0～17的值，因此针对Y、Cr、Cb每个通道，得到长度为118的特征，将3个通道合并，得到长度为354的特征，再将此特征进行归一化，得到图像face的LBP特征feature。

6.一种基于图像纹理的活体识别装置，其特征在于，包括：

特征提取模块，用于对训练集中的每张样本图片依次进行人脸检测、landmark检测以及LBP特征提取，得到每张样本图片的LBP特征feature；

分类器生成模块，用于根据样本图片的LBP特征feature和已知的样本图片类别，进行SVM训练，得到用于活体识别的SVM分类器；

特征提取模块，用于获取待识别图像image，对所述图像image进行人脸检测、landmark检测以及LBP特征提取，得到所述图像image的LBP特征feature1；

识别模块，用于利用所述SVM分类器，对所述图像image的LBP特征feature1进行分类识别，得到待识别图像image的活体识别结果。

7.根据权利要求6所述一种基于图像纹理的活体识别装置，其特征在于，所述训练集中样本图片包括活体和非活体两个类别样本图片。

8.根据权利要求6所述一种基于图像纹理的活体识别装置，其特征在于，所述人脸检测和landmark检测采用MTCNN算法实现。

9.根据权利要求8所述一种基于图像纹理的活体识别装置，其特征在于，所述landmark检测还包括根据人脸landmark信息进行人脸对齐，截取包含眼睛、鼻子、嘴巴的最小矩形图像并进行归一化处理，将所述最小矩形图像设置为预设大小，得到图像face。

10.根据权利要求9所述一种基于图像纹理的活体识别装置，其特征在于，所述LBP特征提取包括：

将图像face由RGB模式图像转换为YCrCb模式图像，分别计算图像face的Y通道、C通道r、Cb通道的LBP riu2模式特征lbp8以及LBP riu2模式特征lbp16；所述LBP riu2模式特征lbp8是指以中心像素为圆心、采样半径为2、采样点为8的LBP特征；所述LBP riu2模式特征lbp16是指以中心像素为圆心、采样半径为2、采样点为16的LBP特征；

将所述LBP特征lbp8平均划分成9个块，依次统计每个块中各个LBP值的个数，然后统计整个图像face中LBP特征lbp8的各个LBP值的个数；将所述LBP特征lbp16平均划分成17个块，依次统计每个块中各个LBP值的个数，然后统计整个图像face中LBP特征lbp16的各个LBP值的个数；

由于LBP特征lbp8中只包含0～9的值，LBP特征lbp16只包含0～17的值，因此针对Y、Cr、Cb每个通道，得到长度为118的特征，将3个通道合并，得到长度为354的特征，再将此特征进行归一化，得到图像face的LBP特征feature。