CN112507847A - 一种基于邻域像素差加权模式的人脸反欺诈方法 - Google Patents

Abstract

本发明涉及图像处理和模式识别技术领域，具体来说是一种基于邻域像素差加权模式的人脸反欺诈方法，主要包括以下步骤：步骤一：从视频中提取一帧作为图像样本，并使用级联目标检测器来检测人脸区域。为了嵌入一些背景信息，将检测到的人脸区域扩展到1.5倍，并进行裁剪；步骤二：转换图片的颜色空间并提取WNDQLBP特征；步骤三：利用空间金字塔的第一层和第三层将从各颜色通道提取的纹理特征级联形成统一的特征向量,并解决算法的多尺度问题；步骤四：使用支持向量机(SVM)来检测和分类真实和虚假的人脸。

Description

一种基于邻域像素差加权模式的人脸反欺诈方法

技术领域

本发明涉及图像处理和模式识别技术领域，具体来说是一种基于邻域像素差加权模式的人脸反欺诈方法。

背景技术

人脸识别是最常见和最自然的生物识别技术之一。经过几十年的研究和发展，人脸识别已经广泛应用于我们的日常生活中，如手机解锁、人脸支付、安全检查等。基于人脸识别的身份认证系统在给用户带来便利的同时，也面临着巨大的威胁，即人脸欺骗攻击。随着在线社交网络的普及，互联网上大量包含隐私信息的多媒体内容可能很容易被用来欺骗人脸认证系统。如果有人使用照片、视频或3D面具成功欺骗人脸识别系统，用户的信息就会泄露。因此，基于人脸识别系统的整体安全性是客户最关心的问题。人脸欺骗检测是解决这类威胁的有力工具，在研究界受到越来越多的关注。

主要的人脸欺骗攻击是通过使用照片、视频或假的3D掩码来执行的，这些攻击分别称为打印攻击、视频重放攻击和3D模型攻击。在以前的文献中，针对这些攻击的人脸反欺骗方法大致可以分为三类。第一个是基于人脸活跃度分析，主要研究人体的运动反应，比如眨眼，嘴巴运动，头部旋转。Frischholz等人提出了一种方法，他们使用面部、声音和嘴唇运动特征来检测活动。第二种是利用真实人脸皮肤和面膜材料的区别来区分真假脸。王等利用三维形变模型(3D Morphable Model，3DMM)从RGB图像重建深度线索，然后提取法线特征来表示真实人脸和遮罩之间的几何差异。他们还结合了改进的LBP(mLBP)特征来描述纹理。第三个，我们感兴趣的，是在图像重建过程中使用纹理差异来识别真假脸。Boulkenafet提出首先通过多尺度滤波在不同尺度上表示人脸图像，然后通过LBP算子从尺度图像中提取纹理特征。原始的LBP算子只考虑了中心点和周围点之间的大小关系而没有考虑到它们之间的差值信息，现有的传统LBP改进算法也主要考虑周围点与中心点之间大小关系，所以我们研究的主题是设计一个不使用中心点，且融入具体差值的描述子。

发明内容

本发明的目的是提出一种基于邻域像素差加权模式的人脸反欺诈方法，即WNDQLBP，解决现有的人脸欺诈检测方法的不足。该方法在不使用中心像素的情况下量化相邻像素之间的差异，并使用线性加权方案来提高传统局部二值模式的判别能力，提取图片中的彩色纹理并与空间金字塔的结合进一步提高人脸欺骗检测的性能。

本发明采用的具体技术方案如下：

一种基于邻域像素差加权模式的人脸反欺诈方法，主要包括以下步骤：

步骤一：从视频中提取一帧作为图像样本，并使用级联目标检测器来检测人脸区域。为了嵌入一些背景信息，将检测到的人脸区域扩展到1.5倍，并进行裁剪；

步骤二：转换图片的颜色空间并提取WNDQLBP特征；

颜色信息是区分真假人脸的重要视觉线索。人脸重建过程中产生的纹理差异在颜色通道中会更加明显。通常数据库中的原始图像的颜色空间是RGB，我们再将其转换为HSV来提取WNDQLBP特征。

步骤三：利用空间金字塔的第一层和第三层将从各颜色通道提取的纹理特征级联形成统一的特征向量,并解决算法的多尺度问题；

步骤四：使用支持向量机(SVM)来检测和分类真实和虚假的人脸。

本发明的进一步改进，步骤二中提取WNDQLBP特征的具体方法为：

(1)计算局部区域邻域相邻三个像素的差值，根据差值大小将其分为正部和负部。并分别得到这两个部分的二进制代码。

(2)若在计算时直接使用差值对二进制码进行加权，得到的特征值可能会远远超出[0-255]的范围，所以将差值归一化为0到1：

λ＝max{|Δ_n||n＝1,...,P}，

即局部区域中最大差值的绝对值。加1是为了防止分母为0。

(3)二进制序列的相应比特位的初始权重是2^n-1，将Dn融合到对应的初始权重从而形成新的权重。正负部分的二进制序列乘以相应的权重，然后累加得到各自的十进制代码。

(4)为了平衡差异对不同位的影响并防止产生大量大于255的值，我们构建了以下约束函数：

最终得到如下函数：

(5)根据LBP特征直方图的构造公式分别构造WNDQLBP+和WNDQLBP-的特征直方图，将这两部分级联得到图像的WNDQLBP特征直方图：

本发明的优点是：(1)融入具体的差值信息，三点之间的关系充分提取了人脸的纹理信息；(2)算法和空间金字塔的结合在彩色空间内可以有效地反映了局部和全局特征信息；(3)计算简单，还保留了一定的灰度尺度不变性，具有较好的识别真假人脸的性能。

具体实施方式

为了加深对本发明的理解，下面将结合实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。

实施例：一种基于邻域像素差加权模式的人脸反欺诈方法，主要包括以下步骤：

步骤一：从视频中提取一帧作为图像样本，并使用级联目标检测器来检测人脸区域。为了嵌入一些背景信息，将检测到的人脸区域扩展到1.5倍，并进行裁剪；

步骤二：转换图片的颜色空间并提取WNDQLBP特征；

颜色信息是区分真假人脸的重要视觉线索。人脸重建过程中产生的纹理差异在颜色通道中会更加明显。通常数据库中的原始图像的颜色空间是RGB，我们再将其转换为HSV来提取WNDQLBP特征。

步骤三：利用空间金字塔的第一层和第三层将从各颜色通道提取的纹理特征级联形成统一的特征向量,并解决算法的多尺度问题；

步骤四：使用支持向量机(SVM)来检测和分类真实和虚假的人脸。

在本实施例中，步骤二中提取WNDQLBP特征的具体方法为：

(1)计算局部区域邻域相邻三个像素的差值，根据差值大小将其分为正部和负部。并分别得到这两个部分的二进制代码。

(2)若在计算时直接使用差值对二进制码进行加权，得到的特征值可能会远远超出[0-255]的范围，所以将差值归一化为0到1：

λ＝max{|Δ_n||n＝1,...,P}，

即局部区域中最大差值的绝对值。加1是为了防止分母为0。

(3)二进制序列的相应比特位的初始权重是2^n-1，将Dn融合到对应的初始权重从而形成新的权重。正负部分的二进制序列乘以相应的权重，然后累加得到各自的十进制代码。

(4)为了平衡差异对不同位的影响并防止产生大量大于255的值，我们构建了以下约束函数：

最终得到如下函数：

(5)根据LBP特征直方图的构造公式分别构造WNDQLBP+和WNDQLBP-的特征直方图，将这两部分级联得到图像的WNDQLBP特征直方图：

下面通过在标准人脸库CASIAFASD、Replay-Attack上进行实验实例阐述本发明的具体实施方式：

(1)图像预处理：在提取特征前，先从每个视频中提取人脸并进行裁剪形成新的数据库，对裁剪后的人脸不做任何处理以免丢失信息。

(2)特征提取：将裁剪后的图像颜色空间分别转化为HSV空间，提取(1,8)尺度下的WNDQLBP描述子。

(3)特征直方图：使用空间金字塔第一层和第三层将各通道内的特征融合，并将不同的层级联，就得到了图像的直方图特征表示。

(4)分类：使用支持向量机(SVM)来检测和分类真实和虚假的人脸。

(5)将本方法和其他12个人脸特征提取方法进行比较，结果如表1所示：

通过与其他方法的比较，可以验证本发明所提出的方法性能明显优于大多数的传统算法和部分基于卷积神经网络的算法。

表1

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (2)

1.一种基于邻域像素差加权模式的人脸反欺诈方法，其特征在于，包括以下步骤：

步骤一：从视频中提取一帧作为图像样本，并使用级联目标检测器来检测人脸区域，将检测到的人脸区域扩展到1.5倍，并进行裁剪；

步骤二：转换图片的颜色空间并提取WNDQLBP特征；

步骤三：利用空间金字塔的第一层和第三层将从各颜色通道提取的纹理特征级联形成统一的特征向量,并解决算法的多尺度问题；

步骤四：使用支持向量机(SVM)来检测和分类真实和虚假的人脸。

2.根据权利要求1所述的基于邻域像素差加权模式的人脸反欺诈方法，其特征在于，所述步骤二中提取WNDQLBP特征的具体流程为：

(1)计算局部区域邻域相邻三个像素的差值，根据差值大小将其分为正部和负部，并分别得到这两个部分的二进制代码；

(2)若在计算时直接使用差值对二进制码进行加权，得到的特征值可能会远远超出[0-255]的范围，所以将差值归一化为0到1：

λ＝max{|Δ_n| |n＝1,...,P}，

λ即局部区域中最大差值的绝对值，加1是为了防止分母为0；

(3)二进制序列的相应比特位的初始权重是2^n-1，将D_n融合到对应的初始权重从而形成新的权重，正负部分的二进制序列乘以相应的权重，然后累加得到各自的十进制代码：

(4)为了平衡差异对不同位的影响并防止产生大量大于255的值，构建了以下约束函数：

最终得到如下函数：

(5)根据LBP特征直方图的构造公式分别构造WNDQLBP⁺和WNDQLBP^-的特征直方图，将这两部分级联得到图像的WNDQLBP特征直方图：