二维人脸欺诈检测分类器的训练及人脸欺诈检测方法技术

本发明专利技术提供了二维人脸欺诈检测模型的生成方法，所述方法包括：第一，对训练集中所有的人脸图片进行预处理，得到归一化人脸图像；第二，从每个归一化人脸图像中提取LBP特征向量、Gabor小波特征向量和一维像素特征向量；第三，将这三个特征向量进行拼接形成最终的特征向量；第四，利用支持向量机对基于拼接形成最终的特征向量进行训练，得到二维人脸欺诈检测分类器；该方法提取了人脸和照片的差异的特征信息；特征提取简单高效，不需要用户刻意地配合，能够在低分辨率的情况下取得很好的效果。此外，基于上述方法得到的二维人脸欺诈检测分类器，本发明专利技术还提出了人脸欺诈检测方法，该方法具有检测正确率高的优点，能够有效防止人脸欺诈行为。

【技术实现步骤摘要】
二维人脸欺诈检测分类器的训练及人脸欺诈检测方法
本专利技术涉及计算机视觉和图形图像处理领域，特别涉及二维人脸欺诈检测分类器的训练及人脸欺诈检测方法。
技术介绍
目前，二维生物识别技术(即基于二维人脸生物特征的识别)是一个很重要的研究领域。视角变换、遮挡、复杂的户外光线一直是人脸识别的难点。虽然做了大量工作解决这些问题，但是人脸识别系统的欺诈攻击漏洞却被大多系统忽视了。人脸识别系统依赖平面图形进行身份检测，系统很容易受到打印照片或者电子照片的欺诈攻击。例如，联想，华硕和东芝的WindowsXP和Vista的笔记本电脑都内置了网络摄像头和生物识别系统，通过扫描用户的脸认证用户。在2009年的黑帽大会上(全球领先的技术安全会议)，河内大学的安全漏洞研究小组展示了怎样轻松地利用合法用户的人脸照片骗过笔记本的人脸识别系统(联想的VerifaceIII,华硕的SmartLogonV1.0.0005,东芝的FaceRecognition2.0.2.32)进入笔记本，并且这些系统采用的都是最高安全等级。这个漏洞现在已被美国国家标准与技术研究院收录进国家漏洞数据库。因此解决欺诈攻击问题来提高人脸识别系统的安全性和健壮性并将它应用到实际中，是一个很迫切的需求。欺诈攻击指一个人试图通过伪造数据伪装成其他人来获取非法的访问。比如说，一个人在摄像头前拿一张合法用户的照片、视频、面具、3D模型来欺骗人脸识别系统。虽然一个人也可用化妆、整容等其他欺诈方式，但照片攻击是最常见的欺诈攻击，因为人脸照片可以很方便地通过网上下载、偷拍获取。目前，欺诈攻击漏洞已经吸引了越来越多人的注意，2011年还专门举办了一届“IJCB2011二维人脸欺诈攻击防御大赛”。虽然在这个领域的研究越来越多并且陆续发布了一些公共开放的数据库，但是能够为欺诈检测算法提供相对客观开发测试的标准数据库并不是很多，这个领域还是不够成熟，到目前为止关于最佳的欺诈检测算法并没有统一的共识。目前现有的人脸欺诈检测研究方法要么太复杂，没有实用性(实际用中要求实时快速处理)，要么采用一些非常规的成像系统(多频谱成像)和高分辨率摄像头，这些都不具备实际应用的条件。
技术实现思路
本专利技术的目的在于克服目前二维人脸欺诈检测方法存在的上述缺陷，通过发现人脸和相应照片的细微不同，并设计一个特征空间来突出该差异。实际上，人脸照片都含有一定程度的印刷质量缺陷，可以运用纹理很好的检测出来。受图像质量、印刷品特征、光线反射差异的启发，本专利技术提出一种二维人脸欺诈检测分类器的训练方法。该方法通过从图片中提取LBP、Gabor小波、像素特征三种特征空间中对应的特征向量，再将这三种特征向量合成一个最终的特征向量，最后将这个特征向量送到一个非线性的SVM分类器进行分类训练得到一个二维人脸欺诈检测分类器。基于该二维人脸欺诈检测分类器，本专利技术还提供了一种人脸欺诈检测方法，可以判断出输入图像是人脸还是欺诈图像。为了实现上述目的，本专利技术提供了二维人脸欺诈检测分类器的训练方法，所述方法包括：第一，对训练集中所有的人脸图片进行预处理，得到归一化人脸图像；第二，从每个归一化人脸图像中提取LBP特征向量、Gabor小波特征向量和一维像素特征向量；第三，将这三个特征向量进行拼接形成最终的特征向量；第四，利用支持向量机对拼接形成最终的特征向量进行训练，得到二维人脸欺诈检测分类器。上述技术方案中，所述方法具体包括：步骤S1)对训练集中第i个人脸图片进行预处理，其中，1≤i≤L；得到64×64像素大小的归一化人脸图像zi；步骤S2)从归一化人脸图像zi中提取LBP特征向量L(zi)；步骤S3)从归一化人脸图像zi中提取Gabor小波特征向量G(zi)；步骤S4)将归一化人脸图像zi缩放到8×8大小，再将二维图像结构转化为一维像素特征向量P(zi)；步骤S5)将步骤S2)、步骤S3)、步骤S4)提取的三种纹理特征拼接成最终的特征向量D(zi)＝(L(zi),G(zi),P(zi))；步骤S6)基于支持向量机回归算法对所有的特征向量D(zi)进行训练，得到二维人脸欺诈检测分类器，其中，1≤i≤L。上述技术方案中，所述步骤S1)具体包括：步骤S1-1)对人脸图片进行图像灰度化处理：遍历人脸面部图片，对每一个像素点进行处理，得到每个像素的RGB值，通过运算分别提取出红、蓝、绿的值，计算每个像素转换后的灰度值：Grey＝(9798R+19235G+3735B)/32768其中，Grey代表转换后的灰度值，R、G、B分别代表图像中每一个像素点的红色分量、绿色分量和蓝色分量；步骤S1-2)采用双线性插值法将灰度化图像大小调整至64×64；步骤S1-3)对调整大小后的图像进行增强：利用直方图的统计数据进行图像直方图的修改，通过调整图像各灰度级别像素出现概率相等来改变图像中各灰度级别的像素值，从而实现图像增强；步骤S1-4)对增强后的图像提取图像像素矩阵，得到归一化人脸图像zi。上述技术方案中，所述步骤S2)具体包括：步骤S2-1)对归一化人脸图像zi运用算子得到LBP图像，再将LBP图像分割为3×3个重叠区域，分别从每个区域中提取59维的统计直方图合成一个531维的统计直方图特征向量；步骤S2-2)对归一化人脸图像zi运用算子，提取得到59维的统计直方图特征向量；步骤S2-3)对归一化人脸图像zi运用算子，提取得到243维的统计直方图特征向量；步骤S2-4)将步骤S2-1)、步骤S2-2)、步骤S2-3)得到的特征向量合成一个特征向量L(zi)，该特征向量的维数是59*9+59+243＝833维。上述技术方案中，所述步骤S3)具体包括：步骤S3-1)将归一化人脸图像zi缩放到32×32大小，对缩放后的图像进行Gabor小波变换：取p个不同的方向和q个不同尺度的Gabor滤波器对缩放后图像进行处理，每个像素点t0会得到p×q个Gabor幅值特征，p×q个Gabor幅值特征级联起来被称为一个Jet，简写为J，则图像中像素点t0的Jet为：J(t0)＝(M0,0(t0),...,M0,7(t0),...,M4,0(t0),...,M4,7(t0))将所有像素点的Gabor幅值特征级联起来得到人脸图像的特征向量F(zi)：F(zi)＝{J(t0):t0∈zi}步骤S3-2)确定步骤S3-1)得到的特征向量F(zi)的降维维度，基于主成分分析法对特征向量F(zi)进行降维，得到降维后的Gabor小波特征向量G(zi)。上述技术方案中，所述步骤S3-2)具体包括：步骤S3-2-1)将步骤S3-1)得到的特征向量F(zi)的维度d划分为n等分，确定新维度d'的取值范围；原始特征向量F(zi)的维度为d，将d的取值划分为n等份，取值集合如下：其中，“”表示整数取整运算；设降维后的得到特征为G(zi)，则其维度d'分别取这n个值：步骤S3-2-2)d'依次取集合中的每个值，计算训练集所有图片对应的人脸欺诈检测平均绝对误差集合{MAEm}；对训练集中的L张图片，计算当d'取集合中的每个值时，训练集所有图片对应的人脸欺诈检测平均绝对误差如下：其中，j表示训练集中第j张图片，k表示d'取集合中第k个值，即lj表示训练集中第j张图片对应的类别值：0表示欺诈图像，1表本文档来自技高网...

【技术保护点】
二维人脸欺诈检测分类器的训练方法，所述方法包括：第一，对训练集中所有的人脸图片进行预处理，得到归一化人脸图像；第二，从每个归一化人脸图像中提取LBP特征向量、Gabor小波特征向量和一维像素特征向量；第三，将这三个特征向量进行拼接形成最终的特征向量；第四，利用支持向量机对拼接形成最终的特征向量进行训练，得到二维人脸欺诈检测分类器。

【技术特征摘要】
1.二维人脸欺诈检测分类器的训练方法，所述方法包括：第一，对训练集中所有的人脸图片进行预处理，得到归一化人脸图像；第二，从每个归一化人脸图像中提取LBP特征向量、Gabor小波特征向量和一维像素特征向量；第三，将这三个特征向量进行拼接形成最终的特征向量；第四，利用支持向量机对拼接形成最终的特征向量进行训练，得到二维人脸欺诈检测分类器。2.根据权利要求1所述的二维人脸欺诈检测分类器的训练方法，其特征在于，所述方法具体包括：步骤S1)对训练集中第i个人脸图片进行预处理，其中，1≤i≤L；得到64×64像素大小的归一化人脸图像zi；步骤S2)从归一化人脸图像zi中提取LBP特征向量L(zi)；步骤S3)从归一化人脸图像zi中提取Gabor小波特征向量G(zi)；步骤S4)将归一化人脸图像zi缩放到8×8大小，再将二维图像结构转化为一维像素特征向量P(zi)；步骤S5)将步骤S2)、步骤S3)、步骤S4)提取的三种纹理特征拼接成最终的特征向量D(zi)＝(L(zi),G(zi),P(zi))；步骤S6)基于支持向量机回归算法对所有的特征向量D(zi)进行训练，得到二维人脸欺诈检测分类器，其中，1≤i≤L。3.根据权利要求2所述的二维人脸欺诈检测分类器的训练方法，其特征在于，所述步骤S1)具体包括：步骤S1-1)对人脸图片进行图像灰度化处理：遍历人脸面部图片，对每一个像素点进行处理，得到每个像素的RGB值，通过运算分别提取出红、蓝、绿的值，计算每个像素转换后的灰度值：Grey＝(9798R+19235G+3735B)/32768其中，Grey代表转换后的灰度值，R、G、B分别代表图像中每一个像素点的红色分量、绿色分量和蓝色分量；步骤S1-2)采用双线性插值法将灰度化图像大小调整至64×64；步骤S1-3)对调整大小后的图像进行增强：利用直方图的统计数据进行图像直方图的修改，通过调整图像各灰度级别像素出现概率相等来改变图像中各灰度级别的像素值，从而实现图像增强；步骤S1-4)对增强后的图像提取图像像素矩阵，得到归一化人脸图像zi。4.根据权利要求3所述的二维人脸欺诈检测分类器的训练方法，其特征在于，所述步骤S2)具体包括：步骤S2-1)对归一化人脸图像zi运用算子得到LBP图像，再将LBP图像分割为3×3个重叠区域，分别从每个区域中提取59维的统计直方图合成一个531维的统计直方图特征向量；步骤S2-2)对归一化人脸图像zi运用算子，提取得到59维的统计直方图特征向量；步骤S2-3)对归一化人脸图像zi运用算子，提取得到243维的统计直方图特征向量；步骤S2-4)将步骤S2-1)、步骤S2-2)、步骤S2-3)得到的特征向量合成一个特征向量L(zi)，该特征向量的维数是59*9+59+243＝833维。5.根据权利要求3所述的二维人脸欺诈检测分类器的训练方法，其特征在于，所述步骤S3)具体包括：步骤S3-1)将归一化人脸图像zi缩放到32×32大小，对缩放后的图像进行Gabor小波变换：取p个不同的方向和q个不同尺度的Gabor滤波器对缩放后图像进行处理，每个像素点t0会得到p×q个Gabor幅值特征，p×q个Gabor幅值特征级联起来被称为一个Jet，简写为J，则图像中像素点t0的Jet为：J(t0)＝(M0,0(t0),...,M0,7(t0),...,M4,0(t0),...,M4,7(t0))将所有像素点的Gabor幅值特征级联起来得到...

【专利技术属性】
技术研发人员：李松斌，袁海聪，邓浩江，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：北京,11