CN110929680A - 一种基于特征融合的人脸活体检测方法 - Google Patents

Abstract

本发明公开了一种基于特征融合的人脸活体检测方法，包括：步骤S100：获取图像信息，进行手指检测，若检测到含有手指特征，则发出警示，并重新获取图像信息；若无，进入下一步；步骤S200：提取图像信息中的蓝光分量特征和摩尔纹特征，并进行特征融合后输入判别模型；步骤S300：判别模型区分输入图像是否为人脸仿冒，得到识别结果。本发明解决通过手持攻击设备进行人脸仿冒以及屏幕仿冒的场景，提高活体检测的准确性和鲁棒性；将蓝光分量特征转化为颜色直方图，相对于像素点特征更容易捕捉，鲁棒性更高，并且不受图像旋转和平移变化的影响；将摩尔纹特征转化为傅立叶描述子，简化判别模型训练和识别的复杂度。

Description

一种基于特征融合的人脸活体检测方法

技术领域

本发明涉及人脸识别技术领域，具体的说，是一种基于特征融合的人脸活体检测方法。

背景技术

活体检测是当生物特征信息从合法用户那里取得时，判断该生物特征信息是否从具有生物活体的合法用户身上获取的方法。该方法主要是通过识别活体上的生理信息来进行，把生理信息作为生命特征来区分用照片、硅胶、塑料、纸张等非生命物质伪造的生物特征。在部分身份验证场景中,活体检测一般是作为一种确认用户生理特征的方法。

人脸识别技术的普及给人们带来便利的同时,也引发了人们对该方法安全性的思考，例如人脸支付和人脸解锁的应用容易遭受到以照片、视频或纸张的仿冒攻击，所以活体检测在上述应用中扮演着极其重要的角色。

现有的解决方案大多是配合式活体检测,这属于当前应用范围最广,最成熟的人脸活体检测算法之一,其原理是当检测到人脸后,通过人脸关键点去检测眨眼,张嘴,摇头,抬头等动作,在根据程序生成的验证动作做出符合要求的动作即判定当前人脸为活体。该算法安全性较高并且容易实现，缺点是需要配合识别，用户体验一般。现有的非配合式活体检测如静默活体检测，主要包括光流法，基于LBP特征的检测，基于卷积神经网络的检测，基于结构光的检测等，通过提取人脸特有的特征信息识别活体，优点是检测速度快，无需配合，用户体验较好；该方法的缺点是在场景多样化的活体检测任务时，会出现泛化能力不足的问题，造成误报和漏报较高。

发明内容

本发明的目的在于提供一种基于特征融合的人脸活体检测方法，用于解决现有技术中配合式人脸活体检测需要用户配合完成相应动作，验证时间长以及非配合式活体检测方法在场景多样化时误报和漏报率高的问题。

本发明通过下述技术方案解决上述问题：

一种基于特征融合的人脸活体检测方法，包括：

步骤S100：获取图像信息，进行手指检测，若检测到含有手指特征，则发出警示，并重新获取图像信息；若无，进入下一步；

步骤S200：提取图像信息中的蓝光分量特征和摩尔纹特征，并进行特征融合后输入判别模型；

步骤S300：判别模型区分输入图像是否为人脸仿冒，得到识别结果。

采用手指特征、蓝光分量和摩尔纹特征融合的检测方法，不需要用户配合完成相应动作，且通过同一图像的不同维度提取特征，融合决策性能优于单个特征的性能，提高了检测的准确性。

进一步地，所述步骤S100中采用手指检测分类器进行手指检测，所述手指检测分类器的训练过程包括：

步骤A：收集正样本和负样本，所述正样本为手持终端且终端显示的仿冒人脸图像；负样本为不包括手指的真人面部图像；

步骤B：对正样本和负样本进行处理：调整图像大小，构建正样本和负样本的txt文件，以及构建正样本手指位置的info文件，并通过opencv视觉库生成vec文件；

步骤C：训练数据，得到finger_cascade.xml文件，将finger_cascade.xml文件应用于代码中进行输入图像的手指检测，即得到手指检测分类器。

进一步地，所述步骤S200中蓝光分量特征的获取方法为：

提取输入图像在颜色空间的特征得到蓝光分量，采用颜色直方图进行表示，

其中，m×n表示图像尺寸，C表示图像颜色集，f_ij表示图像在像素点(i,j)的颜色值，δ是delta函数，c为C的子集，表示一个图片的区域，是图片的一部分。

进一步地，所述步骤S200中摩尔纹特征的获取方法为：采用离散傅里叶变换将图像特征转化为一维特征向量，提取傅里叶系数的模值作为傅里叶描述子，包括：

取每组数据与它们对应外接矩形宽度W比值作为待检测的向量数据[x_k,y_k]，其中，k＝1,2,...,H；x_k，y_k分别表示像素点归一化后到左右侧的距离，[x_k，y_k]表示边界本身；

表示为复数形式：s(k)＝x(k)+jy(k)

通过构建H个均值为0、标准差σ从0到0+0.1H的H个差分高斯滤波器，来提取图片的低频和高频特征，再通过傅里叶变换提取分别描述低频和高频特征的傅里叶描述系数；

对这组数据进行傅里叶变换，

得到H个傅里叶系数，采用傅里叶系数的模值作为特征向量，并将模组按照降序排列，得到S＝[S₁,S₂,...,S₉]；

提取前9个归一化的模值作为傅里叶描述子D，D＝[d₁,d₂,...,d₉]，其中

其中i＝1,2,...9，傅立叶描述子即作为摩尔纹特征输入判别模型。

本发明与现有技术相比，具有以下优点及有益效果：

(1)本发明提出一种基于手指特征、蓝光分量和摩尔纹多特征融合的活体检测方法，解决通过手持攻击设备进行人脸仿冒以及屏幕仿冒的场景，提高活体检测的准确性和鲁棒性。

(2)本发明将蓝光分量特征转化为颜色直方图，相对于像素点特征更容易捕捉，鲁棒性更高，并且不受图像旋转和平移变化的影响。

(3)本发明采用在高频区域获取摩尔纹，在低频区域获取真人图像的方法，并且采用9维特征向量来描述仿冒特征，将摩尔纹特征转化为傅立叶描述子，简化判别模型训练和识别的复杂度。

附图说明

图1为本发明的流程图；

图2为手指检测分类器的训练流程图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例1：

结合附图1所示，一种基于特征融合的人脸活体检测方法，包括：

步骤S100：获取图像信息，进行手指检测，若检测到含有手指特征，则发出警示，并重新获取图像信息；若无，进入下一步；

步骤S200：提取图像信息中的蓝光分量特征和摩尔纹特征，并进行特征融合后输入判别模型；

步骤S300：判别模型区分输入图像是否为人脸仿冒，得到识别结果。

判别模型采用支持向量机(SVM)，通过将空间巧妙地映射到更高维度来分类非线性数据的方法。选择SVM分类器作为二分类问题的优选分类方法，区分输入图像是否为人脸仿冒。

构建该多特征的意义在于对于同一图像的不同维度的特征，不同特征的提取方法不同，进行决策的信息也不同，多个特征的融合决策性能优于单个特征的性能。

实施例2：

在实施例1的基础上，结合附图2所示，所述步骤S100中采用手指检测分类器进行手指检测，所述手指检测分类器的训练过程包括：

步骤A：收集正样本和负样本，所述正样本为手持终端且终端显示的仿冒人脸图像；负样本为不包括手指的真人面部图像；

步骤B：对正样本和负样本进行处理：调整图像大小至100*100，构建正样本和负样本的txt文件，以及构建正样本手指位置的info文件，并通过opencv视觉库生成vec文件；

步骤C：训练数据，得到finger_cascade.xml文件，将finger_cascade.xml文件应用于代码中进行输入图像的手指检测，即得到手指检测分类器。

实施例3：

我们发现一般基于屏幕的攻击都含有较高的蓝光分量，这相对于红光、黄光分量，以及亮度，灰度等特征更能够区分出该人脸是否为仿冒；进一步的，当被攻击设备通过摄像头进行人脸验证的时候，会在摄像头后端形成一个伪造图像，并且该图像摩尔条纹清晰。我们通过对该图像在频域中进行分段检测，发现摩尔纹在高频区域的特征非常明显，其包含了大部分的能量，较容易被检测出来，因此提出一种多特征融合的方式，通过融合图像蓝光分量特征和高频特征来达到较好检测效果。在实施例1或2的基础上，所述步骤S200中蓝光分量特征的获取方法为：

提取输入图像在颜色空间的特征得到蓝光分量，采用颜色直方图进行表示，

其中，m×n表示图像尺寸，c表示图像颜色集，f_ij表示图像在像素点(i,j)的颜色值，δ是delta函数。

颜色特征作为一种全局特征，描述了输入图像的性质之一，蓝光分量可以通过输入图像在颜色空间的特征提取来获得。一般颜色特征是基于像素点的特征，而颜色特征一般不能很好捕捉图像中局部特征，所以这里采用更鲁棒的颜色直方图的方式，通过其不受图像旋转和平移变化的影像。

实验过程中，我们通过对正负样本输入图像进行对比后发现，对输入图像进行DFT变换后得到的频谱图，这个方法中，DFT变换相当于一个玻璃棱镜，把光分解成不同颜色的物理仪器。每个成分的颜色由波长和频率来决定，而图像的频率是表征图像灰度变化的剧烈程度的指标，是灰度值在平面空间的梯度。经过比对之后发现，变换之后的正样本在原点四角是低频最亮(幅角比较大)，表示具有摩尔纹的图像在高频区域能量较大；而负样本在在原点四角是高频最亮，表示真人图像在低频区域能量较大。因此，步骤S200中摩尔纹特征的获取方法采用：采用离散傅里叶变换将图像特征转化为一维特征向量，提取傅里叶系数的模值作为傅里叶描述子，包括：

取每组数据与它们对应外接矩形宽度W比值作为待检测的向量数据[x_k,y_k]，其中，k＝1,2,...,H；x_k，y_k分别表示像素点归一化后到左右侧的距离，[x_k，y_k]表示边界本身；

表示为复数形式：s(k)＝x(k)+jy(k)

通过构建H个均值为0、标准差σ从0到0+0.1H的H个差分高斯滤波器，来提取图片的低频和高频特征，再通过傅里叶变换提取分别描述低频和高频特征的傅里叶描述系数；

对这组数据进行傅里叶变换，

得到H个傅里叶系数，采用傅里叶系数的模值作为特征向量，并将模组按照降序排列，得到S＝[S₁,S₂,...,S₉]；

提取前9个归一化的模值作为傅里叶描述子D，D＝[d₁,d₂,...,d₉]，其中

其中i＝1,2,...,9，傅立叶描述子即作为摩尔纹特征输入判别模型。

尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (4)

1.一种基于特征融合的人脸活体检测方法，其特征在于，包括：

步骤S100：获取图像信息，进行手指检测，若检测到含有手指特征，则发出警示，并重新获取图像信息；若无，进入下一步；

步骤S200：提取图像信息中的蓝光分量特征和摩尔纹特征，并进行特征融合后输入判别模型；

步骤S300：判别模型区分输入图像是否为人脸仿冒，得到识别结果。

2.根据权利要求1所述的一种基于特征融合的人脸活体检测方法，其特征在于，所述步骤S100中采用手指检测分类器进行手指检测，所述手指检测分类器的训练过程包括：

步骤A：收集正样本和负样本，所述正样本为手持终端且终端显示的仿冒人脸图像；负样本为不包括手指的真人面部图像；

步骤B：对正样本和负样本进行处理：调整图像大小，构建正样本和负样本的txt文件，以及构建正样本手指位置的info文件，并通过opencv视觉库生成vec文件；

步骤C：训练数据，得到finger_cascade.xml文件，将finger_cascade.xml文件应用于代码中进行输入图像的手指检测，即得到手指检测分类器。

3.根据权利要求1所述的一种基于特征融合的人脸活体检测方法，其特征在于，所述步骤S200中蓝光分量特征的获取方法为：

提取输入图像在颜色空间的特征得到蓝光分量，采用颜色直方图进行表示，

其中，m×n表示图像尺寸，C表示图像颜色集，f_ij表示图像在像素点(i,j)的颜色值，δ是delta函数。

4.根据权利要求1-3中任意一项所述的一种基于特征融合的人脸活体检测方法，其特征在于，所述步骤S200中摩尔纹特征的获取方法为：采用离散傅里叶变换将图像特征转化为一维特征向量，提取傅里叶系数的模值作为傅里叶描述子，包括：

取每组数据与它们对应外接矩形宽度W比值作为待检测的向量数据[x_k,y_k]，其中，k＝1,2,...,H；x_k，y_k分别表示像素点归一化后到左右侧的距离，[x_k，y_k]表示边界本身；

表示为复数形式：s(k)＝x(k)+jy(k)；

通过构建H个均值为0、标准差σ从0到0+0.1H的H个差分高斯滤波器，来提取图片的低频和高频特征，再通过傅里叶变换提取分别描述低频和高频特征的傅里叶描述系数；

对这组数据进行傅里叶变换，

得到H个傅里叶系数，采用傅里叶系数的模值作为特征向量，并将模组按照降序排列，得到S＝[S₁,S₂,...,S₉]；

提取前9个归一化的模值作为傅里叶描述子D，D＝[d₁,d₂,...,d₉]，其中

其中i＝1,2,...9，傅立叶描述子即作为摩尔纹特征输入判别模型。

Images