CN112528969A - 人脸图像的真伪检测方法、系统、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种人脸图像的真伪检测方法、系统、计算机设备和存储介质，通过基于图像降质分析的深度伪造检测，从引起图像质量退化的角度进行了伪造人脸区域的视觉特性的说明，通过提取人脸图像的纹理特征、基于梯度的清晰度指标、频域特征，并与深度特征相结合，能够有效捕获人脸图像产生的不真实细节信息，从而实现对真实人脸图像与虚假人脸图像的准确区分。本发明所提出的方法对低质量和高质量的篡改人脸图像都能精确地识别，同时该人脸识别也具有突出的泛化性能。

Description

人脸图像的真伪检测方法、系统、计算机设备和存储介质

技术领域

本申请涉及人脸识别的技术领域，特别是涉及一种人脸图像的真伪检测方法、系统、计算机设备和存储介质。

背景技术

随着大众传播媒介和社交网络的飞速发展、图像/视频分享平台在全球范围内的普及、以及摄影摄像设备的广泛使用，越来越多的公众利用手机和平板电脑等移动智能设备进行图像/视频的制作、传播和转载，图像/视频的编辑和篡改变得越来越简单和方便。

传统的图像编辑方法，如旋转、复制、移动等，并不改变图像本身的内容，而基于人工智能的深度伪造技术则利用深度学习算法来产生和操纵图像、视频及音频内容，能够生成一个受试者的人脸视频以取代原始视频中的人脸视频，达到以假乱真的效果。该技术的滥用会对国家、社会或个人造成不容小觑的风险和后果，值得引起足够重视，但是，已有的大部分的检测方法只适用于一种伪造类型，并且只对低质量换脸图像奏效，且对于人脸图像的识别精度较差。

发明内容

基于此，有必要针对上述技术问题，提供一种人脸图像的真伪检测方法、系统、计算机设备和存储介质。

第一方面，本发明实施例提供了一种人脸图像的真伪检测方法，包括以下步骤：

获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；

构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取；

根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标；

根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征；

将所述人脸区域图像在数据库中进行卷积神经网络训练，提取出全连接层的深度特征向量；

组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量完成人脸图像的真伪检测。

进一步的，所述构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取，包括：

通过在人脸灰度图像中提取相位一致性特征, 构建所述人脸区域图像的局部结构图；

根据所述局部结构图的灰度图像计算归一化亮度系数；

通过所述归一化亮度系数进行局部二值模式特征的提取；

根据所述局部二值模式特征，描述图像丰富的边缘结构和纹理细节信息，得到人脸图像纹理特征。

进一步的，所述根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标，包括：

获取所述图像模糊区域在边缘处的像素灰度值，根据所述像素灰度值的得到灰度图像的变化梯度；

根据所述灰度图像的方差函数，进行图像灰度分布离散程度的映射，得到所述人脸清晰度指标；

提取所述图像模糊区域像素点在水平和垂直两个方向上的梯度值，根据图像清晰度评价函数得到所述人脸清晰度指标。

进一步的，所述根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征，包括：

将所述人脸区域图像的灰度图像从空间域变为离散余弦变换系数；

基于对比敏感度函数，并根据所述离散余弦变换系数，分别计算对比能量值在低频、中频和高频的频域分量特征；

将低频、中频和高频三个频域分量特征通过点乘运算相结合，得到频率特征图，通过所述频率特征图得到所述人脸图像的频域特征。

另一方面，本发明实施例还提供了一种人脸图像的真伪检测系统，包括：

面部裁剪模块，用于获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；

纹理提取模块，用于构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取；

清晰度提取模块，用于根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标；

频域特征提取模块，用于根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征；

深度特征提取模块，用于将所述人脸区域图像在数据库中进行卷积神经网络训练，提取出全连接层的深度特征向量；

组合检测模块，用于组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量完成人脸图像的真伪检测。

进一步的，所述纹理提取模块包括局部识别单元，所述局部识别单元用于：

通过在人脸灰度图像中提取相位一致性特征, 构建所述人脸区域图像的局部结构图；

根据所述局部结构图的灰度图像计算归一化亮度系数；

通过所述归一化亮度系数进行局部二值模式特征的提取；

根据所述局部二值模式特征，描述图像丰富的边缘结构和纹理细节信息，得到人脸图像纹理特征。

进一步的，所述清晰度提取模块包括梯度变化单元，所述梯度变化单元用于：

获取所述图像模糊区域在边缘处的像素灰度值，根据所述像素灰度值的得到灰度图像的变化梯度；

根据所述灰度图像的方差函数，进行图像灰度分布离散程度的映射，得到所述人脸清晰度指标；

提取所述图像模糊区域像素点在水平和垂直两个方向上的梯度值，根据图像清晰度评价函数得到所述人脸清晰度指标。

进一步的，所述频域特征提取模块包括频域计算单元，所述频域计算单元用于：

将所述人脸区域图像的灰度图像从空间域变为离散余弦变换系数；

基于对比敏感度函数，并根据所述离散余弦变换系数，分别计算对比能量值在低频、中频和高频的频域分量特征；

将低频、中频和高频三个频域分量特征通过点乘运算相结合，得到频率特征图，通过所述频率特征图得到所述人脸图像的频域特征。

本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；

构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取；

根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标；

根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征；

将所述人脸区域图像在数据库中进行卷积神经网络训练，提取出全连接层的深度特征向量；

组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量完成人脸图像的真伪检测。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；

构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取；

根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标；

根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征；

将所述人脸区域图像在数据库中进行卷积神经网络训练，提取出全连接层的深度特征向量；

组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量完成人脸图像的真伪检测。

本申请的有益效果是：上述人脸图像的真伪检测方法、系统、计算机设备和存储介质，通过基于图像降质分析的深度伪造检测，从引起图像质量退化的角度进行了伪造人脸区域的视觉特性的说明，通过提取人脸图像的纹理特征、基于梯度的清晰度指标、频域特征，并与深度特征相结合，能够有效捕获人脸图像产生的不真实的细节信息，从而实现对真实人脸图像与虚假人脸图像的准确区分。本发明实施例所提出的方法对低质量和高质量的篡改人脸图像都能精确地识别，同时该人脸识别也具有突出的泛化性能。

附图说明

图1为一个实施例中人脸图像的真伪检测方法的流程示意图；

图2为一个实施例中通过局部结构图提取纹理特征的流程示意图；

图3为一个实施例中通过梯度变化提取清晰度指标的流程示意图；

图4为一个实施例中人脸频域特征提取的流程示意图；

图5为一个实施例中人脸图像的真伪检测系统的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种人脸图像的真伪检测方法，包括以下步骤：

步骤101，获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；

步骤102，构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取；

步骤103，根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标；

步骤104，根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征；

步骤105，将所述人脸区域图像在数据库中进行卷积神经网络训练，提取出全连接层的深度特征向量；

步骤106，组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量完成人脸图像的真伪检测。

具体地，通过基于图像降质分析的深度伪造检测，从引起图像质量退化的角度进行了伪造人脸区域的视觉特性的说明，通过提取人脸图像的纹理特征、基于梯度的清晰度指标、频域特征，并与深度特征相结合，能够有效捕获人脸图像产生的不真实的细节信息，组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量提取暴露的伪造图像中特定的篡改伪像或伪造痕迹，有效的捕获了不一致的生物信号和不真实的细节信息。从而实现对真实人脸图像与虚假人脸图像的准确区分。本发明实施例所提出的方法对低质量和高质量的篡改人脸图像都能精确地识别，同时该人脸识别也具有突出的泛化性能。

在一个实施例中，如图2所示，通过局部结构图提取纹理特征包括：

步骤201，通过在人脸灰度图像中提取相位一致性特征, 构建所述人脸区域图像的局部结构图；

步骤202，根据所述局部结构图的灰度图像计算归一化亮度系数；

步骤203，通过所述归一化亮度系数进行局部二值模式特征的提取；

步骤204，根据所述局部二值模式特征，描述图像丰富的边缘结构和纹理细节信息，得到人脸图像纹理特征。

具体地， 通过深度生成网络生成的伪造人脸区域在与周围场景融合的过程中会产生明显的边缘伪影，在经过模糊和平滑处理后，面部皮肤及器官（如：牙齿、眼睛）会变得过于平滑，纹理细节丢失，与背景的结构分布不再一致。图像的纹理特征通过中心像素及其周围空间邻域的灰度分布来表现，反映了图像表面有规律的周期性变化的结构组织排列属性。因此，纹理特征是鉴别深度伪造现象的重要特征之一。

经典的局部二值模式（LBP）是一种简单有效的局部纹理描述符，能够捕获图像丰富的结构信息，具有灰度不变性，目前被广泛用于人脸检测、纹理分类等领域。传统地，LBP特征在原始图像上被提取，而在本方法中，采用经过计算得到的归一化亮度MSCN（meansubtracted contrast normalized）系数进行LBP特征的提取。研究表明，MSCN系数具有因图像失真而改变的特征统计属性。因此，计算MSCN系数下的LBP特征可以有效地捕获伪造图像由于面部区域失真而引起的的质量退化模式。

在一个实施例中，如图3所示，通过梯度变化提取清晰度指标的方法包括：

步骤301，获取所述图像模糊区域在边缘处的像素灰度值，根据所述像素灰度值的得到灰度图像的变化梯度；

步骤302，根据所述灰度图像的方差函数，进行图像灰度分布离散程度的映射，得到所述人脸清晰度指标；

步骤303，提取所述图像模糊区域像素点在水平和垂直两个方向上的梯度值，根据图像清晰度评价函数得到所述人脸清晰度指标。

具体地，当图像的纹理分布差别较大时，提取纹理特征是十分有效的。但是当图像的纹理信息之间的区分并不明显时，如：疏密程度相似、粗细相似等，通常纹理特征很难准确地反映出人的视觉感知。不同于纹理特征，图像的清晰度反映了图像细小层次间的明暗对比变化或细微反差程度，以及图像层次轮廓边界的虚实程度，被视为评价图像质量的重要指标之一。因此，从像素级上提取清晰度指标来共同描述图像特征是有必要的。

图像模糊区域在边缘处的像素灰度值的变化较大，因而有更大的梯度值，因此本实施例提取了两种基于梯度的清晰度指标作为检测伪造图像的特征之一。第一种清晰度指标是方差函数，它反映了图像灰度分布的离散程度。图像方差小，说明灰度值变化范围小，灰度分布的离散程度低，反之亦然。第二种清晰度指标为图像清晰度评价函数，它通过提取像素点在水平和垂直两个方向上的梯度值计算图像清晰度。

在一个实施例中，如图4所示，人脸频域特征提取的方法包括：

步骤401，将所述人脸区域图像的灰度图像从空间域变为离散余弦变换系数；

步骤402，基于对比敏感度函数，并根据所述离散余弦变换系数，分别计算对比能量值在低频、中频和高频的频域分量特征；

步骤403，将低频、中频和高频三个频域分量特征通过点乘运算相结合，得到频率特征图，通过所述频率特征图得到所述人脸图像的频域特征。

具体地， 使用基于对比敏感度函数的频域特征提取方法。首先将灰度图像从空间域变为离散余弦变换系数。然后，分别计算对比能量值在低频、中频和高频的频域分量特征；将三个频域分量特征通过点乘运算相结合，得到频率特征图。为了降低特征空间维度，选取频率特征图的均值、标准偏差及熵值作为所提取的图像的频域特征。

另外，一幅图像的主要成分是低频信息，它形成了图像的基本灰度等级；中频信息决定了图像的基本结构，形成了图像的主要边缘结构；高频信息形成了图像的边缘和细节，是在中频信息上对图像内容的进一步强化。而在人脸区域的边缘结构和细节信息都发生了改变，因此，提取频域特征也有助于对伪造图像和原始图像的区分。

应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了人脸图像的真伪检测系统，包括：面部裁剪模块501、纹理提取模块502、清晰度提取模块503、频域特征提取模块504、深度特征提取模块505和组合检测模块506，其中：

面部裁剪模块501，用于获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；

纹理提取模块502，用于构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取；

清晰度提取模块503，用于根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标；

频域特征提取模块504，用于根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征；

深度特征提取模块505，用于将所述人脸区域图像在数据库中进行卷积神经网络训练，提取出全连接层的深度特征向量；

组合检测模块506，用于组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量完成人脸图像的真伪检测。

在一个实施例中，纹理提取模块502包括局部识别单元，所述局部识别单元用于：

通过在人脸灰度图像中提取相位一致性特征, 构建所述人脸区域图像的局部结构图；

根据所述局部结构图的灰度图像计算归一化亮度系数；

通过所述归一化亮度系数进行局部二值模式特征的提取；

根据所述局部二值模式特征，描述图像丰富的边缘结构和纹理细节信息，得到人脸图像纹理特征。

在一个实施例中，清晰度提取模块503包括梯度变化单元，所述梯度变化单元用于：

获取所述图像模糊区域在边缘处的像素灰度值，根据所述像素灰度值的得到灰度图像的变化梯度；

根据所述灰度图像的方差函数，进行图像灰度分布离散程度的映射，得到所述人脸清晰度指标；

提取所述图像模糊区域像素点在水平和垂直两个方向上的梯度值，根据图像清晰度评价函数得到所述人脸清晰度指标。

在一个实施例中，频域特征提取模块504包括频域计算单元，所述频域计算单元用于：

将所述人脸区域图像的灰度图像从空间域变为离散余弦变换系数；

基于对比敏感度函数，并根据所述离散余弦变换系数，分别计算对比能量值在低频、中频和高频的频域分量特征；

将低频、中频和高频三个频域分量特征通过点乘运算相结合，得到频率特征图，通过所述频率特征图得到所述人脸图像的频域特征。

关于人脸图像的真伪检测系统的具体限定可以参见上文中对于人脸图像的真伪检测方法的限定，在此不再赘述。上述人脸图像的真伪检测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图6示出了一个实施例中计算机设备的内部结构图。如图6所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现权限异常检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行权限异常检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；

构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取；

根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标；

根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征；

将所述人脸区域图像在数据库中进行卷积神经网络训练，提取出全连接层的深度特征向量；

组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量完成人脸图像的真伪检测。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过在人脸灰度图像中提取相位一致性特征, 构建所述人脸区域图像的局部结构图；

根据所述局部结构图的灰度图像计算归一化亮度系数；

通过所述归一化亮度系数进行局部二值模式特征的提取；

根据所述局部二值模式特征，描述图像丰富的边缘结构和纹理细节信息，得到人脸图像纹理特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述图像模糊区域在边缘处的像素灰度值，根据所述像素灰度值的得到灰度图像的变化梯度；

根据所述灰度图像的方差函数，进行图像灰度分布离散程度的映射，得到所述人脸清晰度指标；

提取所述图像模糊区域像素点在水平和垂直两个方向上的梯度值，根据图像清晰度评价函数得到所述人脸清晰度指标。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取当前使用权限；将所述人脸区域图像的灰度图像从空间域变为离散余弦变换系数；

基于对比敏感度函数，并根据所述离散余弦变换系数，分别计算对比能量值在低频、中频和高频的频域分量特征；

将低频、中频和高频三个频域分量特征通过点乘运算相结合，得到频率特征图，通过所述频率特征图得到所述人脸图像的频域特征。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；

构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取；

根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标；

根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征；

将所述人脸区域图像在数据库中进行卷积神经网络训练，提取出全连接层的深度特征向量；

组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量完成人脸图像的真伪检测。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过在人脸灰度图像中提取相位一致性特征, 构建所述人脸区域图像的局部结构图；

根据所述局部结构图的灰度图像计算归一化亮度系数；

通过所述归一化亮度系数进行局部二值模式特征的提取；

根据所述局部二值模式特征，描述图像丰富的边缘结构和纹理细节信息，得到人脸图像纹理特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述图像模糊区域在边缘处的像素灰度值，根据所述像素灰度值的得到灰度图像的变化梯度；

根据所述灰度图像的方差函数，进行图像灰度分布离散程度的映射，得到所述人脸清晰度指标；

提取所述图像模糊区域像素点在水平和垂直两个方向上的梯度值，根据图像清晰度评价函数得到所述人脸清晰度指标。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取当前使用权限；将所述人脸区域图像的灰度图像从空间域变为离散余弦变换系数；

基于对比敏感度函数，并根据所述离散余弦变换系数，分别计算对比能量值在低频、中频和高频的频域分量特征；

将低频、中频和高频三个频域分量特征通过点乘运算相结合，得到频率特征图，通过所述频率特征图得到所述人脸图像的频域特征。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种人脸图像的真伪检测方法，其特征在于，包括以下步骤：

获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；

构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取；

根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标；

根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征；

将所述人脸区域图像在数据库中进行卷积神经网络训练，提取出全连接层的深度特征向量；

组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量完成人脸图像的真伪检测。

2.根据权利要求1所述的人脸图像的真伪检测方法，其特征在于，所述构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取，包括：

通过在人脸灰度图像中提取相位一致性特征, 构建所述人脸区域图像的局部结构图；

根据所述局部结构图的灰度图像计算归一化亮度系数；

通过所述归一化亮度系数进行局部二值模式特征的提取；

根据所述局部二值模式特征，描述图像丰富的边缘结构和纹理细节信息，得到人脸图像纹理特征。

3.根据权利要求1所述的人脸图像的真伪检测方法，其特征在于，所述根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标，包括：

获取所述图像模糊区域在边缘处的像素灰度值，根据所述像素灰度值的得到灰度图像的变化梯度；

根据所述灰度图像的方差函数，进行图像灰度分布离散程度的映射，得到所述人脸清晰度指标；

提取所述图像模糊区域像素点在水平和垂直两个方向上的梯度值，根据图像清晰度评价函数得到所述人脸清晰度指标。

4.根据权利要求1所述的人脸图像的真伪检测方法，其特征在于，所述根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征，包括：

将所述人脸区域图像的灰度图像从空间域变为离散余弦变换系数；

基于对比敏感度函数，并根据所述离散余弦变换系数，分别计算对比能量值在低频、中频和高频的频域分量特征；

将低频、中频和高频三个频域分量特征通过点乘运算相结合，得到频率特征图，通过所述频率特征图得到所述人脸图像的频域特征。

5.一种人脸图像的真伪检测系统，其特征在于，包括：

面部裁剪模块，用于获取人脸数据信息，从所述人脸数据信息中转换出单帧图像序列，对所述单帧图像序列进行面部检测，裁剪出人脸区域图像；

纹理提取模块，用于构建所述人脸区域图像的局部结构图，通过局部二值模式特征的加权因子对人脸图像纹理特征进行提取；

清晰度提取模块，用于根据所述人脸区域图像中图像模糊区域在边缘处的梯度变化，提取基于所述梯度变化的人脸清晰度指标；

频域特征提取模块，用于根据所述人脸区域图像的频率特征图，提取人脸图像的频域特征；

深度特征提取模块，用于将所述人脸区域图像在数据库中进行卷积神经网络训练，提取出全连接层的深度特征向量；

组合检测模块，用于组合所述人脸图像纹理特征、人脸清晰度指标、频域特征和深度特征向量，得到代表性特征向量，根据所述代表性特征向量完成人脸图像的真伪检测。

6.根据权利要求5所述的人脸图像的真伪检测系统，其特征在于，所述纹理提取模块包括局部识别单元，所述局部识别单元用于：

通过在人脸灰度图像中提取相位一致性特征, 构建所述人脸区域图像的局部结构图；

根据所述局部结构图的灰度图像计算归一化亮度系数；

通过所述归一化亮度系数进行局部二值模式特征的提取；

根据所述局部二值模式特征，描述图像丰富的边缘结构和纹理细节信息，得到人脸图像纹理特征。

7.根据权利要求5所述的人脸图像的真伪检测系统，其特征在于，所述清晰度提取模块包括梯度变化单元，所述梯度变化单元用于：

获取所述图像模糊区域在边缘处的像素灰度值，根据所述像素灰度值的得到灰度图像的变化梯度；

根据所述灰度图像的方差函数，进行图像灰度分布离散程度的映射，得到所述人脸清晰度指标；

提取所述图像模糊区域像素点在水平和垂直两个方向上的梯度值，根据图像清晰度评价函数得到所述人脸清晰度指标。

8.根据权利要求5所述的人脸图像的真伪检测系统，其特征在于，所述频域特征提取模块包括频域计算单元，所述频域计算单元用于：

将所述人脸区域图像的灰度图像从空间域变为离散余弦变换系数；

基于对比敏感度函数，并根据所述离散余弦变换系数，分别计算对比能量值在低频、中频和高频的频域分量特征；

将低频、中频和高频三个频域分量特征通过点乘运算相结合，得到频率特征图，通过所述频率特征图得到所述人脸图像的频域特征。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。

Images