CN111079701B - 一种基于图像质量的人脸防伪方法 - Google Patents

一种基于图像质量的人脸防伪方法 Download PDF

Info

Publication number
CN111079701B
CN111079701B CN201911398241.5A CN201911398241A CN111079701B CN 111079701 B CN111079701 B CN 111079701B CN 201911398241 A CN201911398241 A CN 201911398241A CN 111079701 B CN111079701 B CN 111079701B
Authority
CN
China
Prior art keywords
image
frequency information
image quality
calculating
face
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911398241.5A
Other languages
English (en)
Other versions
CN111079701A (zh
Inventor
郝坤坤
李慧斌
黄义妨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Xitu Zhiguang Intelligent Technology Co ltd
Original Assignee
Shaanxi Xitu Digital Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shaanxi Xitu Digital Technology Co ltd filed Critical Shaanxi Xitu Digital Technology Co ltd
Priority to CN201911398241.5A priority Critical patent/CN111079701B/zh
Publication of CN111079701A publication Critical patent/CN111079701A/zh
Application granted granted Critical
Publication of CN111079701B publication Critical patent/CN111079701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人脸防伪技术领域，具体的说是一种基于图像质量的人脸防伪方法。由于当前流行的人脸识别设备主要使用的是RGB单目相机，并针对以上存在的问题，本发明提出的人脸防伪方法使用了21个图像质量度量指标全面有效的评价图片的失真程度，并且不需要增加额外的硬件设备。具有用户友好、简单高效、泛化能力强、通用性高的优点。

Description

一种基于图像质量的人脸防伪方法
技术领域
本发明涉及人脸防伪技术领域，具体的说是一种基于图像质量的人脸防伪方法。
背景技术
目前，生物特征可以安全、方便的用于访问控制系统，特别是人脸生物特征。由于其方便性和直观性，已经成为身份认证的主要手段之一。对于人脸识别系统，人脸防伪模块已经成为非常重要的一部分，可以有效的防止照片、视频、面具等攻击方式，从而提高人脸识别系统的稳健性。现有的人脸防伪方法主要包括基于纹理的、基于形状的、基于动作的和基于图像质量的方法。其中，基于图像质量的方法是一种最为简单有效人脸防伪策略。在现有的基于图像质量的人脸防伪方法中存在一些问题。首先，用于评估图像质量的指标比较单一，只有一个或几个，不能够全面评价图像的失真程度；其次，虽然利用红外相机、深度相机可以提高人脸防伪的性能，但也会大大增加硬件成本的开销，而且计算复杂度也会增加。这些方法如：一种人脸活体检测方法以及装置（201710341619.2），一种人脸活体检测方法及装置（201610806370.3），基于图像质量的活体检测方法、装置及计算机设备（201910266755.9）。
发明内容
本发明旨在提供一种基于图像质量的人脸防伪方法，采用多个图像特征全面有效的评价图片的失真程度，并且不需要增加额外的硬件设备。
为了解决以上技术问题，本发明采用的技术方案为：一种基于图像质量的人脸防伪方法，包括以下步骤：
1）、采集RGB人脸图像；
2）、剪裁步骤1）中得到的人脸图像中的人脸区域，得到人脸区域图像；
3）、对步骤3）中得到的人脸区域图像利用Haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图；
4）、对步骤3）中得到的四张图像分别计算出无参考的图像质量评估特征，无参考的图像质量评估特征包括图像的模糊特征和高低频索引HLFI；
5）、将步骤3）中得到的四张图像分别通过高斯滤波来平滑处理图像，得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图；
6）、采用步骤3）中得到的四张图片和步骤5）中得到的四张图片计算有参考的图像质量评价特征，有参考的图像质量评价特征为：均方误差MSE、峰值信噪比PSNR、信噪比SNR、结构内容SC、最大像素差MD、平均像素差AD、标准化绝对误差NAE、拉普拉斯均方误差LMSE、归一化互相关NXC、平均角度相似MAS、平均角震级相似性MAMS、总边差TED、总角差TCD、光谱幅度误差SME、频谱相位误差SPE、梯度幅度误差GME、梯度相位误差GPE、结构相似指数SSIM、视觉信息保真度VIF；
7）、将步骤4）和步骤6）中得到的Haar小波低频信息图片的无参考和有参考的质量评价特征串联起来，得到Haar小波变换得到低频信息图片的图像质量评价总特征；
8）、按照步骤5）至步骤7）分别计算水平高频信息、垂直高频信息以及对角高频信息图的上述图像质量评价总特征；
9）、将步骤7）和步骤8）中得到的图像质量评价总特征串联起来，得到图像Haar小波变换的图像的质量评价总特征；
10）、对步骤9）中得到的图像Haar小波变换的图像的质量评价总特征利用SVM分类方法进行分类，得到步骤1）所采集的人脸图像的分类结果；
11）、输出步骤10）中的分类结果。
优选的，步骤3）中的人脸区域图像的小波变换是用一组小波基函数来表示图像信号，小波变换的表达式为：
Figure 425396DEST_PATH_IMAGE001
，/>
Figure 30952DEST_PATH_IMAGE002
；其中α＞0表示尺度因子，其作用是对基本小波函数φ（x）作伸缩，τ反映位移，其值可正可负，a和τ都是持续的变量；在不同尺度下小波的持续时间随值的加大而增宽，幅度则与反比减少，但波的形状保持不变；Haar小波变换即为用Haar尺度函数计算的小波变换，Haar尺度函数的形式为：/>
Figure 810689DEST_PATH_IMAGE003
。
优选的，步骤4）中的模糊特征的计算方法为：先利用边缘检测器来寻找图像中的垂直边缘，然后扫描图像的每一行，对于与边缘位置相对应的像素，最接近边缘的局部极值位置定义为边缘的开始和结束位置；根据结束位置和开始位置之间的差异计算边缘宽度，并将其识别为该边缘位置的局部模糊度量；最后通过平均所有边缘位置上的局部模糊值，获得整个图像的全局模糊度量。
优选的，步骤4）中的模糊特征的高低频索引HLFI计算方法为：
Figure 143582DEST_PATH_IMAGE004
，/>
Figure 144905DEST_PATH_IMAGE006
表示经过Haar小波变换得到的图片，/>
Figure 967367DEST_PATH_IMAGE008
表示图像/>
Figure 172083DEST_PATH_IMAGE006
的傅里叶变换。
优选的，步骤6）中，
Figure 370984DEST_PATH_IMAGE009
，/>
Figure 728278DEST_PATH_IMAGE010
，
Figure 659325DEST_PATH_IMAGE011
，/>
Figure 413654DEST_PATH_IMAGE012
，
Figure 337617DEST_PATH_IMAGE013
，/>
Figure 798685DEST_PATH_IMAGE014
，/>
Figure 228529DEST_PATH_IMAGE015
，/>
Figure 158570DEST_PATH_IMAGE016
，
Figure 433694DEST_PATH_IMAGE017
，/>
Figure 14848DEST_PATH_IMAGE018
，
Figure 536965DEST_PATH_IMAGE019
，
Figure 265887DEST_PATH_IMAGE020
，/>
Figure 282384DEST_PATH_IMAGE021
，
Figure 468777DEST_PATH_IMAGE022
，
Figure 240424DEST_PATH_IMAGE023
，
Figure 128746DEST_PATH_IMAGE024
，
Figure 11251DEST_PATH_IMAGE025
，
Figure 550686DEST_PATH_IMAGE026
；其中，/>
Figure 430917DEST_PATH_IMAGE027
表示步骤3）中利用Haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，/>
Figure 868851DEST_PATH_IMAGE028
表示步骤5）中通过高斯滤波得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，M和N表示图片的长度和宽度，c1和c2为常数，i和j分别为图像的行列，/>
Figure 977884DEST_PATH_IMAGE029
和
Figure 450454DEST_PATH_IMAGE030
分别表示图片/>
Figure 501586DEST_PATH_IMAGE031
的均值，/>
Figure 613768DEST_PATH_IMAGE032
分别表示图片/>
Figure 838076DEST_PATH_IMAGE031
的标准差，
Figure 837256DEST_PATH_IMAGE033
，/>
Figure 121606DEST_PATH_IMAGE034
是图片/>
Figure 222549DEST_PATH_IMAGE027
的角点数，/>
Figure 188231DEST_PATH_IMAGE035
是图片/>
Figure 369813DEST_PATH_IMAGE028
的角点数，
Figure 746437DEST_PATH_IMAGE036
表示图片/>
Figure 646260DEST_PATH_IMAGE031
的检测的边数，/>
Figure 150054DEST_PATH_IMAGE037
分别表示的是图片
Figure 151856DEST_PATH_IMAGE031
的拉普拉斯矩阵，/>
Figure 512430DEST_PATH_IMAGE038
，/>
Figure 837232DEST_PATH_IMAGE039
同理可得，/>
Figure 207034DEST_PATH_IMAGE040
表示图片/>
Figure 284580DEST_PATH_IMAGE031
的傅里叶变换，/>
Figure 19318DEST_PATH_IMAGE041
表示图片的水平和竖直方向的梯度，对于图片/>
Figure 628154DEST_PATH_IMAGE027
来说，其梯度映射为/>
Figure 490062DEST_PATH_IMAGE042
，图片/>
Figure 500743DEST_PATH_IMAGE028
的梯度映射同理可得。
优选的，步骤6）中，视觉保真度VIF具体的计算步骤如下：
第一步：对testimg和refimg与高斯核进行卷积；
第二步：对第一步的结果进行降采样；
第三步：对第二步的与高斯核进行卷积；
第四步：分别计算经过第三步之后的testimg和refimg的协方差矩阵以及二者的乘积；
第五步：对第四步的结果与高斯核进行卷积；
第六步：将第五步的结果中小于零的数设为0得到testimg的sigma2_sq ，refimg的sigma1_sq和两者乘积的结果sigma12；
第七步：计算g = sigma12 / (sigma1_sq + 1e-10)，sv_sq = sigma2_sq - g *sigma12；
第八步：将第七步的g和sv_sq中小于零的数设为0；
第九步：计算：m1 = g * g * sigma1_sq；
第十步：计算：m2 = sv_sq + sigma_nsq；
第十一步：计算：m3 = log(1 + m1 / m2)；
第十二步：计算：m4 = log(1 + (sigma1_sq / sigma_nsq))；
第十三步：对m3和m4的元素进行求和；
第十四步：视觉保真度即为m3元素的和比m4元素的和。
有益效果
由于当前流行的人脸识别设备主要使用的是RGB单目相机，并针对以上存在的问题，本发明提出的人脸防伪方法使用了21个图像质量度量指标全面有效的评价图片的失真程度，并且不需要增加额外的硬件设备。具有用户友好、简单高效、泛化能力强、通用性高的优点。
附图说明
图1为本发明的流程图；
图2为本发明经步骤2）得到的得到人脸区域图像；
图3为本发明步骤3）中利用Haar小波变换提取人脸区域图像的低频信息图；
图4为为本发明步骤3）中利用Haar小波变换提取人脸区域图像的水平高频信息图；
图5为为本发明步骤3）中利用Haar小波变换提取人脸区域图像的垂直高频信息图；
图6为为本发明步骤3）中利用Haar小波变换提取人脸区域图像的对角高频信息图。
具体实施方式
如图1所示，本发明的一种基于图像质量的人脸防伪方法，包括以下步骤：
1）、打开相机，采集RGB人脸图像；
2）、检测人脸，并剪裁出人脸区域，得到如图2所示的人脸区域图像；
3）、对步骤3）中得到的人脸区域图像利用Haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，如图3-6所示。
具体来说，图像的小波变换是用一组小波基函数来表示图像信号。小波变换的表达式为：
Figure 406382DEST_PATH_IMAGE001
，/>
Figure 502514DEST_PATH_IMAGE002
。
其中α＞0表示尺度因子，其作用是对基本小波函数φ（x）作伸缩，τ反映位移，其值可正可负，a和τ都是持续的变量，故又称为持续小波变换。在不同尺度下小波的持续时间随值的加大而增宽，幅度则与反比减少，但波的形状保持不变；Haar小波变换即为用Haar尺度函数计算的小波变换，Haar尺度函数的形式为：
Figure 401069DEST_PATH_IMAGE003
。
4）、对步骤3）中得到的四张图像分别计算出无参考的图像质量评估特征，无参考的图像质量评估特征包括图像的模糊特征和高低频索引HLFI；
具体来说，模糊特征反应了图像的模糊状况。其计算方法为：先利用Sobel滤波器等边缘检测器来寻找图像中的垂直边缘，然后扫描图像的每一行。对于与边缘位置相对应的像素，最接近边缘的局部极值位置定义为边缘的开始和结束位置；根据结束位置和开始位置之间的差异计算边缘宽度，并将其识别为该边缘位置的局部模糊度量；最后通过平均所有边缘位置上的局部模糊值，获得整个图像的全局模糊度量。
高低频索引HLFI计算方法为：
Figure 203940DEST_PATH_IMAGE004
，/>
Figure 342797DEST_PATH_IMAGE006
表示经过Haar小波变换得到的图片，/>
Figure 614641DEST_PATH_IMAGE008
表示图像/>
Figure 864357DEST_PATH_IMAGE006
的傅里叶变换。
5）、将步骤3）中得到的四张图像分别通过高斯滤波来平滑处理图像，得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图。高斯滤波是将输入图像的每一个像素点与高斯内核卷积将卷积和当作输出像素值；
6）、采用步骤3）中得到的四张图片和步骤5）中得到的四张图片计算有参考的图像质量评价特征，有参考的图像质量评价特征为：均方误差MSE、峰值信噪比PSNR、信噪比SNR、结构内容SC、最大像素差MD、平均像素差AD、标准化绝对误差NAE、拉普拉斯均方误差LMSE、归一化互相关NXC、平均角度相似MAS、平均角震级相似性MAMS、总边差TED、总角差TCD、光谱幅度误差SME、频谱相位误差SPE、梯度幅度误差GME、梯度相位误差GPE、结构相似指数SSIM、视觉信息保真度VIF。
具体的上述有参考的各个图像质量评价特征的计算法方法如下：
Figure 787313DEST_PATH_IMAGE009
，/>
Figure 284022DEST_PATH_IMAGE010
，
Figure 354747DEST_PATH_IMAGE011
，/>
Figure 345836DEST_PATH_IMAGE012
，
Figure 185616DEST_PATH_IMAGE013
，/>
Figure 354692DEST_PATH_IMAGE014
，
Figure 584816DEST_PATH_IMAGE015
，/>
Figure 441914DEST_PATH_IMAGE016
，
Figure 323151DEST_PATH_IMAGE017
，/>
Figure 974712DEST_PATH_IMAGE018
，
Figure 957712DEST_PATH_IMAGE019
，
Figure 352921DEST_PATH_IMAGE020
，/>
Figure 590129DEST_PATH_IMAGE021
，
Figure 615854DEST_PATH_IMAGE022
，
Figure 882887DEST_PATH_IMAGE023
，
Figure 268738DEST_PATH_IMAGE024
，
Figure 672038DEST_PATH_IMAGE025
，
Figure 868664DEST_PATH_IMAGE026
。
其中，
Figure 311409DEST_PATH_IMAGE027
表示步骤3）中利用Haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，/>
Figure 48421DEST_PATH_IMAGE028
表示步骤5）中通过高斯滤波得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，M和N表示图片的长度和宽度，c1和c2为常数，i和j分别为图像的行列，/>
Figure 509489DEST_PATH_IMAGE029
和/>
Figure 126284DEST_PATH_IMAGE030
分别表示图片/>
Figure 102330DEST_PATH_IMAGE031
的均值，
Figure 580716DEST_PATH_IMAGE032
分别表示图片/>
Figure 224187DEST_PATH_IMAGE031
的标准差，/>
Figure 247769DEST_PATH_IMAGE033
，/>
Figure 914374DEST_PATH_IMAGE034
是图片/>
Figure 993188DEST_PATH_IMAGE027
的角点数，/>
Figure 678116DEST_PATH_IMAGE035
是图片/>
Figure 184184DEST_PATH_IMAGE028
的角点数，/>
Figure 338085DEST_PATH_IMAGE036
表示图片/>
Figure 909006DEST_PATH_IMAGE031
的检测的边数，
Figure 261490DEST_PATH_IMAGE037
分别表示的是图片/>
Figure 141721DEST_PATH_IMAGE031
的拉普拉斯矩阵，
Figure 579655DEST_PATH_IMAGE038
，/>
Figure 187223DEST_PATH_IMAGE039
同理可得，/>
Figure 597476DEST_PATH_IMAGE040
表示图片/>
Figure 445346DEST_PATH_IMAGE031
的傅里叶变换，/>
Figure 47274DEST_PATH_IMAGE041
表示图片的水平和竖直方向的梯度，对于图片/>
Figure 271582DEST_PATH_IMAGE027
来说，其梯度映射为/>
Figure 536341DEST_PATH_IMAGE042
，图片/>
Figure 820692DEST_PATH_IMAGE028
的梯度映射同理可得。
视觉保真度（VIF）矩阵度量了理想情况下由大脑从整体上提取扭曲的图像和图像传递的全部信息的比率。此指标依赖于假设自然图像质量完美没有任何扭曲，在进入大脑之前通过观察者的人类视觉系统，从中提取认知信息。因此，要计算VIF度量，质量评估时需要整个参考图像在全局范围内。具体的计算步骤如下：
第一步：对testimg和refimg与高斯核进行卷积；
第二步：对第一步的结果进行降采样；
第三步：对第二步的与高斯核进行卷积；
第四步：分别计算经过第三步之后的testimg和refimg的协方差矩阵以及二者的乘积；
第五步：对第四步的结果与高斯核进行卷积；
第六步：将第五步的结果中小于零的数设为0得到testimg的sigma2_sq ，refimg的sigma1_sq和两者乘积的结果sigma12；
第七步：计算g = sigma12 / (sigma1_sq + 1e-10)，sv_sq = sigma2_sq - g *sigma12；
第八步：将第七步的g和sv_sq中小于零的数设为0；
第九步：计算：m1 = g * g * sigma1_sq；
第十步：计算：m2 = sv_sq + sigma_nsq；
第十一步：计算：m3 = log(1 + m1 / m2)；
第十二步：计算：m4 = log(1 + (sigma1_sq / sigma_nsq))；
第十三步：对m3和m4的元素进行求和；
第十四步：视觉保真度即为m3元素的和比m4元素的和。
7）、将步骤4）和步骤6）中得到的Haar小波低频信息图片的无参考和有参考的质量评价特征串联起来，得到Haar小波变换得到低频信息图片的图像质量评价总特征；
8）、按照步骤5）至步骤7）分别计算水平高频信息、垂直高频信息以及对角高频信息图的上述图像质量评价总特征；
9）、将步骤7）和步骤8）中得到的图像质量评价总特征串联起来，得到图像Haar小波变换的图像的质量评价总特征；
10）、对步骤9）中得到的图像Haar小波变换的图像的质量评价总特征利用SVM分类方法进行分类，得到步骤1）所采集的人脸图像的分类结果；
11）、输出步骤10）中的分类结果。

Claims (6)

1.一种基于图像质量的人脸防伪方法，其特征在于：包括以下步骤：
1）、采集RGB人脸图像；
2）、剪裁步骤1）中得到的人脸图像中的人脸区域，得到人脸区域图像；
3）、对步骤3）中得到的人脸区域图像利用Haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图；
4）、对步骤3）中得到的四张图像分别计算出无参考的图像质量评估特征，无参考的图像质量评估特征包括图像的模糊特征和高低频索引HLFI；
5）、将步骤3）中得到的四张图像分别通过高斯滤波来平滑处理图像，得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图；
6）、采用步骤3）中得到的四张图片和步骤5）中得到的四张图片计算有参考的图像质量评价特征，有参考的图像质量评价特征为：均方误差MSE、峰值信噪比PSNR、信噪比SNR、结构内容SC、最大像素差MD、平均像素差AD、标准化绝对误差NAE、拉普拉斯均方误差LMSE、归一化互相关NXC、平均角度相似MAS、平均角震级相似性MAMS、总边差TED、总角差TCD、光谱幅度误差SME、频谱相位误差SPE、梯度幅度误差GME、梯度相位误差GPE、结构相似指数SSIM、视觉信息保真度VIF；
7）、将步骤4）和步骤6）中得到的Haar小波低频信息图片的无参考和有参考的质量评价特征串联起来，得到Haar小波变换得到低频信息图片的图像质量评价总特征；
8）、按照步骤5）至步骤7）分别计算水平高频信息、垂直高频信息以及对角高频信息图的上述图像质量评价总特征；
9）、将步骤7）和步骤8）中得到的图像质量评价总特征串联起来，得到图像Haar小波变换的图像的质量评价总特征；
10）、对步骤9）中得到的图像Haar小波变换的图像的质量评价总特征利用SVM分类方法进行分类，得到步骤1）所采集的人脸图像的分类结果；
11）、输出步骤10）中的分类结果。
2.根据权利要求1所述的一种基于图像质量的人脸防伪方法，其特征在于：步骤3）中的人脸区域图像的小波变换是用一组小波基函数来表示图像信号，小波变换的表达式为：
Figure DEST_PATH_IMAGE001
，
Figure DEST_PATH_IMAGE002
；其中α＞0表示尺度因子，其作用是对基本小波函数φ（x）作伸缩，τ反映位移，其值可正可负，a和τ都是持续的变量；在不同尺度下小波的持续时间随值的加大而增宽，幅度则与反比减少，但波的形状保持不变；Haar小波变换即为用Haar尺度函数计算的小波变换，Haar尺度函数的形式为：
Figure DEST_PATH_IMAGE003
。
3.根据权利要求1所述的一种基于图像质量的人脸防伪方法，其特征在于：步骤4）中的模糊特征的计算方法为：先利用边缘检测器来寻找图像中的垂直边缘，然后扫描图像的每一行，对于与边缘位置相对应的像素，最接近边缘的局部极值位置定义为边缘的开始和结束位置；根据结束位置和开始位置之间的差异计算边缘宽度，并将其识别为该边缘位置的局部模糊度量；最后通过平均所有边缘位置上的局部模糊值，获得整个图像的全局模糊度量。
4.根据权利要求1所述的一种基于图像质量的人脸防伪方法，其特征在于：步骤4）中的模糊特征的高低频索引HLFI计算方法为：
Figure DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE006
表示经过Haar小波变换得到的图片，
Figure DEST_PATH_IMAGE008
表示图像
Figure DEST_PATH_IMAGE006A
的傅里叶变换。
5.根据权利要求1所述的一种基于图像质量的人脸防伪方法，其特征在于：步骤6）中，
Figure DEST_PATH_IMAGE009
，
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
，
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
，
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
，
Figure DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
，
Figure DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
，
Figure DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
，
Figure DEST_PATH_IMAGE026
；其中，
Figure DEST_PATH_IMAGE027
表示步骤3）中利用Haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，
Figure DEST_PATH_IMAGE028
表示步骤5）中通过高斯滤波得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，M和N表示图片的长度和宽度，c1和c2为常数，i和j分别为图像的行列，
Figure DEST_PATH_IMAGE029
和
Figure DEST_PATH_IMAGE030
分别表示图片
Figure DEST_PATH_IMAGE031
的均值，
Figure DEST_PATH_IMAGE032
分别表示图片
Figure 630398DEST_PATH_IMAGE031
的标准差，
Figure DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE034
是图片
Figure 95008DEST_PATH_IMAGE027
的角点数，
Figure DEST_PATH_IMAGE035
是图片
Figure 251577DEST_PATH_IMAGE028
的角点数，
Figure DEST_PATH_IMAGE036
表示图片
Figure 787731DEST_PATH_IMAGE031
的检测的边数，
Figure DEST_PATH_IMAGE037
分别表示的是图片
Figure 976005DEST_PATH_IMAGE031
的拉普拉斯矩阵，
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
同理可得，
Figure DEST_PATH_IMAGE040
表示图片
Figure 62384DEST_PATH_IMAGE031
的傅里叶变换，
Figure DEST_PATH_IMAGE041
表示图片的水平和竖直方向的梯度，对于图片
Figure 470362DEST_PATH_IMAGE027
来说，其梯度映射为
Figure DEST_PATH_IMAGE042
，图片
Figure 777585DEST_PATH_IMAGE028
的梯度映射同理可得。
6.根据权利要求1所述的一种基于图像质量的人脸防伪方法，其特征在于：步骤6）中，视觉保真度VIF具体的计算步骤如下：
第一步：对testimg和refimg与高斯核进行卷积；
第二步：对第一步的结果进行降采样；
第三步：对第二步的与高斯核进行卷积；
第四步：分别计算经过第三步之后的testimg和refimg的协方差矩阵以及二者的乘积；
第五步：对第四步的结果与高斯核进行卷积；
第六步：将第五步的结果中小于零的数设为0得到testimg的sigma2_sq ，refimg的sigma1_sq和两者乘积的结果sigma12；
第七步：计算g = sigma12 / (sigma1_sq + 1e-10)，sv_sq = sigma2_sq - g *sigma12；
第八步：将第七步的g和sv_sq中小于零的数设为0；
第九步：计算：m1 = g * g * sigma1_sq；
第十步：计算：m2 = sv_sq + sigma_nsq；
第十一步：计算：m3 = log(1 + m1 / m2)；
第十二步：计算：m4 = log(1 + (sigma1_sq / sigma_nsq))；
第十三步：对m3和m4的元素进行求和；
第十四步：视觉保真度即为m3元素的和比m4元素的和。
CN201911398241.5A 2019-12-30 2019-12-30 一种基于图像质量的人脸防伪方法 Active CN111079701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911398241.5A CN111079701B (zh) 2019-12-30 2019-12-30 一种基于图像质量的人脸防伪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911398241.5A CN111079701B (zh) 2019-12-30 2019-12-30 一种基于图像质量的人脸防伪方法

Publications (2)

Publication Number Publication Date
CN111079701A CN111079701A (zh) 2020-04-28
CN111079701B true CN111079701B (zh) 2023-03-24

Family

ID=70319911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911398241.5A Active CN111079701B (zh) 2019-12-30 2019-12-30 一种基于图像质量的人脸防伪方法

Country Status (1)

Country Link
CN (1) CN111079701B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329574A (zh) * 2020-10-27 2021-02-05 苏州中科先进技术研究院有限公司 一种应用于猫鼻纹的自动采集方法及装置
CN112541470B (zh) * 2020-12-22 2024-08-13 杭州趣链科技有限公司 基于超图的人脸活体检测方法、装置及相关设备
CN113283319A (zh) * 2021-05-13 2021-08-20 Oppo广东移动通信有限公司 人脸模糊度的评价方法及装置、介质和电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139003A (zh) * 2015-09-17 2015-12-09 桂林远望智能通信科技有限公司 一种动态人脸识别系统及方法
CN110348319A (zh) * 2019-06-18 2019-10-18 武汉大学 一种基于人脸深度信息和边缘图像融合的人脸防伪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592136B (zh) * 2011-12-21 2013-10-16 东南大学 基于几何图像中中频信息的三维人脸识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139003A (zh) * 2015-09-17 2015-12-09 桂林远望智能通信科技有限公司 一种动态人脸识别系统及方法
CN110348319A (zh) * 2019-06-18 2019-10-18 武汉大学 一种基于人脸深度信息和边缘图像融合的人脸防伪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于空域和频域多特征融合的人脸活体检测算法;陈然等;《电视技术》;20190205(第03期);全文 *
基于小波变换和模糊神经网络的人脸图像识别方法;唐圣学等;《机电产品开发与创新》;20060328(第02期);全文 *

Also Published As

Publication number Publication date
CN111079701A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN111079701B (zh) 一种基于图像质量的人脸防伪方法
EP2819091B1 (en) Method and apparatus for processing a gray image
Chandler Seven challenges in image quality assessment: past, present, and future research
Kovesi Image features from phase congruency
US9324153B2 (en) Depth measurement apparatus, image pickup apparatus, depth measurement method, and depth measurement program
US10417749B2 (en) Method and system for edge denoising of a digital image
US7103234B2 (en) Method for blind cross-spectral image registration
CN105144232A (zh) 图像去噪方法和系统
CN105096280A (zh) 处理图像噪声的方法及装置
CN110111347B (zh) 图像标志提取方法、装置及存储介质
CN106529535A (zh) 一种基于小波变换在复杂光照环境中车牌定位方法
CN105608689A (zh) 一种全景拼接消除图像特征误匹配方法及装置
CN109859196B (zh) 一种基于分块pca的图像聚焦测度实现方法
CN110929574A (zh) 一种红外弱小目标快速检测方法
Wang et al. A new method estimating linear gaussian filter kernel by image PRNU noise
Zhu et al. Image sharpening detection based on multiresolution overshoot artifact analysis
Lin et al. Two improved forensic methods of detecting contrast enhancement in digital images
CN101616238B (zh) 一种数码相机的数字图像认证方法
Patel et al. Comparative study on multi-focus image fusion techniques in dynamic scene
US9158991B2 (en) Image-feature detection
CN106611417B (zh) 将视觉元素分类为前景或背景的方法及装置
US9165343B2 (en) Image processing apparatus and image processing method
Solanki et al. An efficient satellite image super resolution technique for shift-variant images using improved new edge directed interpolation
JP2611723B2 (ja) 画像の鮮鋭度測定装置
CN115018817A (zh) 划痕检测方法、装置、电子设备和可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20211209

Address after: 712000 room 10201, building 4a, West Yungu phase II, Fengxi new town, Xixian new area, Xianyang City, Shaanxi Province

Applicant after: Shaanxi Xitu Digital Technology Co.,Ltd.

Address before: 471000 Room 201, building 1, Chuangzhi Plaza, No. 32, changxiamen street, Luolong District, Luoyang City, Henan Province

Applicant before: Henan Zhongyuan big data Research Institute Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240617

Address after: Room 10207, Building 4A, West Yungu Phase II, Fengxi New City, Xixian New District, Xianyang City, Shaanxi Province, 712000

Patentee after: Xi'an Xitu Zhiguang Intelligent Technology Co.,Ltd.

Country or region after: China

Address before: 712000 room 10201, building 4a, West Yungu phase II, Fengxi new town, Xixian new area, Xianyang City, Shaanxi Province

Patentee before: Shaanxi Xitu Digital Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right