基于SVD-HMM活体人脸检测方法技术

本发明专利技术涉及一种基于SVD‑HMM活体人脸检测方法。该方法提出了人脸图像矩阵的奇异值分解(SVD)与隐马尔科夫模型(HMM)结合取证方法。在人脸分割块提取小波低频系数和水平、垂直、对角高频系数，得到的小波系数通过稀疏分解降维构成24维观察序列，最终生成隐马尔科夫模型，确定假冒人脸隐藏状态序列，从而判定人脸图像的真实性，算法有较好的照片人脸检测效果。

【技术实现步骤摘要】

本专利技术涉及一种人脸检测方法，特别是一种基于SVD-HMM活体人脸检测方法。
技术介绍
随着生物特征识别技术手段的不断更新，智能身份识别认证获得了飞速发展。其中人脸识别领域经过30多年的研发，诸多高效的人脸识别算法不断出现，其中，基于人脸特征点的识别算法、基于模板的识别算法等，在人脸识别速率和识别效能上都有较好的提升，但研究者却很少关注人脸图像的来源是否真实可靠，伪造人脸的手段多种多样，给人脸识别应用带来了不少的安全隐患，因而越来越多的学者致力于识别系统的安全性研究。在09年黑帽信息安全会议(BlackHat)上，DucNguyen提出一张人脸并不一定是所需要的安全密码，仅仅使用一张打印的人脸照片即可代替活体人脸，虽然联想、华硕和东芝三大电脑制造商把人脸技术运用到实践中，为客户带来更大的便利，但问题是这种技术确实不能完全保障用户安全。在谷歌公司发布Android4.0后，为广大机友带来了通过人脸识别解锁手机的功能，但随后一直就有用个人照片代替真人解锁手机的报道，本文档来自技高网...

【技术保护点】
一种基于SVD‑HMM活体人脸检测方法，其特征是，包括如下步骤：S1.分别将活体人脸照片和照片人脸照片均匀分割为24个分割块，使得每个窗口包含人脸关键部位；S2.分别提取每个分割块的小波系数矩阵A(m,n)；S3.对小波系数矩阵A(m,n)进行奇异值分解：A＝UQVT，奇异值矩阵Q内的正实数λ为小波系数矩阵A(m,n)的奇异值，数值上是ATA或AAT的特征值的平方根；S4.取每个分割块的奇异值系数序列的最大值，即序列首值作为特征集合，第i个分割块的特征集合表示为Yi＝[αji00，αji01，αji10，αji11]T，i＝1,2,...,24，j＝1,2,3，00为低频值、01为水平方向、1...

【技术特征摘要】
1.一种基于SVD-HMM活体人脸检测方法，其特征是，包括如下步骤：
S1.分别将活体人脸照片和照片人脸照片均匀分割为24个分割块，使得每
个窗口包含人脸关键部位；
S2.分别提取每个分割块的小波系数矩阵A(m,n)；
S3.对小波系数矩阵A(m,n)进行奇异值分解：A＝UQVT，奇异值矩阵Q内的
正实数λ为小波系数矩阵A(m,n)的奇异值，数值上是ATA或AAT的特征值的平方
根；
S4.取每个分割块的奇异值系数序列的最大值，即序列首值作为特征集合，
第i个分割块的特征集合表示为Yi＝[αji00，αji01，αji10，αji11]T，i＝1,2,...,24，j＝1,2,3，
00为低频值、01为水平方向、10为垂直方向、11为斜对角方向，每个分割块
分别提取10个最大奇异值，24个分割块共提取24个观察向量；
S5.从第一个观察向量开始依次取若干个相邻分割块的观察向量作为一组
子观察序列，共得到5个子观察序列，这5个子观察序列依次对应人脸的眉毛、
眼睛、鼻子、嘴巴、下巴5个部位；
S6.计算HMM模型的初始参数，其中初始状态概率矩阵设定为Π0＝[1,0,0,0,0]，
表示开始的状态为1；概率转移矩阵A的初始值由平均概率求出，若T为观察序
列的长度，则得到A的矩阵如下，
A i j = [ T / 5 ] [ T / 5 ] + 1 1 [ T / 5 ] + 1 0 0 ... 0 0 0 [ T / 5 ] [ T / 5 ] + 1 1 [ T / 5 ] + 1 0 ... 0 0 · · · · · · · · · ...

【专利技术属性】
技术研发人员：严迪群，王让定，杨志清，谢哲，金超，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33