一种基于静态纹理的人脸欺诈检测方法、系统及存储介质技术方案

本发明专利技术公开了一种基于静态纹理的人脸欺诈检测方法及系统，该方法包括：读取训练集视频，对输入的视频进行逐帧人脸图片检测，得到具有人脸位置信息的图片，并对对应图片进行人脸剪裁；在选定的颜色空间的各个颜色通道中采用DQ_LBP特征提取方法进行纹理特征提取；采用空间金字塔算法对纹理特征图片进行直方信息，并将其级联形成表示图片彩色纹理特征的一维向量；将各个互补的彩色空间内的彩色纹理特征向量级联形成表示当前图片特征的最终表示；将经过上述步骤得到的训练集数据进行归一化处理，并放入线性核的支持向量机中进行分类；该方法具有可移植性高、无需用户配合、匹配速度快且简单高效的特点。

【技术实现步骤摘要】
一种基于静态纹理的人脸欺诈检测方法、系统及存储介质
本专利技术涉及图像处理和模式识别
，具体涉及基于静态纹理的人脸欺诈检测方法。
技术介绍
如今，人脸识别技术已经被广泛应用到人类日常生活中，大到机场车站的安检系统，小到随处可见的移动终端上的身份验证功能。人脸识别技术不仅大大提高了身份信息验证的效率，还给用户带来快捷方便的生活体验。但是，当有人伪造客户人脸并试图通过人脸识别系统的验证时，就会出现欺诈攻击。目前，身份验证软件中大部分基于脸部识别的反欺诈操作都需要人机交互，比如，客户需要根据系统提示进行组合动作操作完成银行系统的实名验证过程，用户需要眨眼完成支付宝的身份信息验证等，这些交互过程不但耗费较多的时间，而且极大降低了客户体验的满意程度。因此，在进行人脸识别前增加非人机交互的人脸欺诈检测以解决人脸识别系统中存在的风险与漏洞是一项非常有意义的工作。人脸欺诈攻击方式一般可分为照片攻击、视频攻击和3D掩模攻击。随着在线社交应用的普及，客户的人脸图片或人脸视频很容易被欺诈者获取，而用于欺诈的3D模型制作过程复杂，所用材料特殊且昂贵，因此与之相比前两种欺诈方法在人脸识别系统中的风险系数较高。近几十年来，针对打印攻击和视频攻击的人脸欺诈检测算法层出不穷，大致可分为静态纹理分析和动态纹理分析两个主要方向。动态纹理需要提取多个视频帧的纹理特征来判别局部差异和提取运动线索，如PanG等人分别在提取参考场景图片和输入图片上提取一系列基准点的LBP(LocalBinaryPattern)特征，然后通过计算特征图片的相似度获取运动线索；PintoA等人利用傅立叶谱从每个视频中提取50帧图像的噪声信号，然后使用灰度共生矩阵描述每一个视频的视觉节奏特征。动态纹理是视频中多帧图像特征的融合，因此在该领域具有较高的检测性能，但纹理提取方式相对复杂，因此其计算过程也相对较长。静态纹理的提取比较简单，仅需要提取视频中的一帧图像进行特征提取就可以判别当前验证是否存在欺诈行为，其中，LBP算法及其变体由于简单高效而得到了广泛应用。例如，Ivana等人首次将LBP应用到欺诈检测领域，并通过实验证明LBP对于不同数据库中不同的攻击类型的检测都有一定的适用性；BoulkenafetZ和等人使用统一模式局部二值模式(UniformLocalBinaryPattern，ULBP)提取脸部彩色纹理特征。但LBP仅考虑中心点与临近点像素值的大小关系而忽略了差值信息。虽然目前已有提取差值的LBP改进算法，比如完全LBP模式(CompletedLocalBinaryPattern，CLBP)和局部二值模式方差(LocalBinaryPatternVariance，LBPV)。但CLBP增加了原始特征的维度，而LBPV计算的方差值并没有考虑中心点的像素值，检测的准确度并不高。
技术实现思路
专利技术目的：为了克服现有技术的不足，本专利技术提供一种基于静态纹理的人脸欺诈检测方法，该方法可以解决现有技术中人脸欺诈检测准确率低的问题，本专利技术还提供一种基于静态纹理的人脸欺诈检测系统。技术方案：本专利技术所述的基于静态纹理的人脸欺诈检测方法，包括：(1)读取训练集视频，对输入的视频进行逐帧人脸图片检测，得到具有人脸位置信息的图片，并对对应图片进行剪裁；(2)根据人脸图片的差值分布构造DQ_LBP特征提取方法，并对剪裁后的图片在选定颜色空间内的各个颜色通道中采用所述DQ_LBP特征提取方法进行纹理特征提取；(3)采用空间金字塔算法统计每层DQ_LBP纹理图片的的直方信息，并级联形成表示图片在当前颜色通道内的一维特征向量；(4)将互补的颜色空间内的所有颜色通道中的特征向量级联形成当前图片特征向量；(5)将根据步骤(1)-(4)得到的训练集对应的特征向量进行归一化处理，并放入线性核的支持向量机中进行训练；(6)将根据步骤(1)-(4)得到的测试集对应的特征向量进行归一化处理，并放入步骤(5)得到的模型中进行分类，得到预测结果。进一步地，包括：所述步骤(1)中，在对图片进行剪裁之前，首先对所述具有人脸位置信息图片预处理，该预处理为将具有人脸位置信息的图片中的待研究人脸区域对应的宽和高分别向图片的非研究区域扩充，扩充为原来待研究人脸区域的1.2～1.8倍。进一步地，包括：所述步骤(2)中，DQ_LBP特征提取方法对应的公式表示为：其中，rc，rn分别表示中心像素点及其临近点的像素值，A是归一化函数表达式，C为函数A的约束函数，P为与中心像素点临近的临近点个数，R为考虑像素范围邻域的半径大小，n为中心像素点的临近点，(i,j)为中心像素点的坐标。进一步地，包括：所述归一化函数表达式A表示为：其中，K表示DQ_LBPP,R(i,j)的最大值，表示为K＝2P-1。进一步地，包括：所述函数A的约束函数C表示为：进一步地，包括：所述选择的颜色空间为HSV颜色模型和YCbCr颜色模型。进一步地，包括：所述步骤(3)中，采用空间金字塔算法提取带有纹理特征图片中纹理图片块的直方信息，包括：图像分割：采用三层空间金字塔的第一层和第三层对带有纹理特征图片进行分割，形成多个纹理图片块，层数l，l∈{0,1,2}和划分的纹理图像块的总数T满足以下公式：T＝2l×2l直方图表示：设当前纹理图片块的大小N×M，所述图像块的特征直方图表示为：其中，k∈[0,K]，K表示DQ_LBP特征表示的最大值，round(a)表示对a值进行四舍五入计算，另一方面，本专利技术还提供一种基于静态纹理的人脸欺诈检测系统，包括：人脸检测模块，用于读取训练集视频，对输入的视频进行逐帧人脸图片检测，得到具有人脸位置信息的图片，并对对应图片进行剪裁；特征提取模块，用于根据人脸图片的差值分布构造DQ_LBP特征提取方法，并对剪裁后的图片在选择的颜色空间的各个颜色通道中采用所述DQ_LBP特征提取方法进行纹理特征提取；训练模块，用于将训练集对应的特征向量进行归一化处理，并放入线性核的支持向量机中进行训练，得到适于数据集分类的训练模型；测试模块，用于将测试集对应的特征向量进行归一化处理，并放入预训练好的模型中进行分类，得到预测结果。在上面的基础上，本专利技术还提供一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序在被计算机处理器执行时实现上述所述的方法。有益效果：(1)本专利技术将检测后人脸图片的待研究区域的面积进行扩展，得到更大区域的待研究面积，使得保留部分背景信息，能够有效提高欺诈识别精度；(2)本专利技术在LBP算法的基础上设计出DQ_LBP特征提取方法，在计算LBP特征值的过程中量化像素之间的差值，并将其融合到二值权重上，该方法提取的纹理特征更加精准，从而提高后续的分类识别率；(3)在DQ_LBP特征提取方法的基础上，确定互补的颜色空间模型，在彩色空间本文档来自技高网...

【技术保护点】
1.一种基于静态纹理的人脸欺诈检测方法，其特征在于，包括：/n(1)读取训练集视频，对输入的视频进行逐帧人脸图片检测，得到具有人脸位置信息的图片，并对对应图片进行剪裁；/n(2)根据人脸图片的差值分布构造一种特征提取方法，记为DQ_LBP特征提取方法，并对剪裁后的图片在选定的颜色空间的各个颜色通道中采用所述DQ_LBP特征提取方法进行纹理特征提取；/n(3)采用空间金字塔算法统计每层彩色纹理特征图片中的直方信息，并级联形成表示图片在当前颜色通道中的一维特征向量；/n(4)将当前颜色空间内的所有颜色通道中的特征向量级联，再将互补颜色空间内的纹理融合，形成表示当前图片彩色纹理的特征；/n(5)将根据步骤(1)-(4)得到的训练集对应的特征向量进行归一化处理，并放入线性核的支持向量机中进行训练；/n(6)将根据步骤(1)-(4)得到的测试集对应的特征向量进行归一化处理，并放入步骤(5)得到的模型中进行分类，得到预测结果。/n

【技术特征摘要】
1.一种基于静态纹理的人脸欺诈检测方法，其特征在于，包括：
(1)读取训练集视频，对输入的视频进行逐帧人脸图片检测，得到具有人脸位置信息的图片，并对对应图片进行剪裁；
(2)根据人脸图片的差值分布构造一种特征提取方法，记为DQ_LBP特征提取方法，并对剪裁后的图片在选定的颜色空间的各个颜色通道中采用所述DQ_LBP特征提取方法进行纹理特征提取；
(3)采用空间金字塔算法统计每层彩色纹理特征图片中的直方信息，并级联形成表示图片在当前颜色通道中的一维特征向量；
(4)将当前颜色空间内的所有颜色通道中的特征向量级联，再将互补颜色空间内的纹理融合，形成表示当前图片彩色纹理的特征；
(5)将根据步骤(1)-(4)得到的训练集对应的特征向量进行归一化处理，并放入线性核的支持向量机中进行训练；
(6)将根据步骤(1)-(4)得到的测试集对应的特征向量进行归一化处理，并放入步骤(5)得到的模型中进行分类，得到预测结果。


2.根据权利要求1所述的基于静态纹理的人脸欺诈检测方法，其特征在于，所述步骤(1)中，在对图片进行剪裁之前，首先对所述具有人脸位置信息图片预处理，该预处理为将具有人脸位置信息的图片中的待研究人脸区域对应的宽和高分别向图片的非研究区域扩充，扩充为原来待研究人脸区域的1.2～1.8倍。


3.根据权利要求1或2所述的基于静态纹理的人脸欺诈检测方法，其特征在于，所述步骤(2)中，DQ_LBP特征提取方法对应的公式表示为：



其中，rc，rn分别表示中心像素点及其临近点的像素值，A是中心像素与其邻居点差值归一化形式，C为函数A的约束函数，P为与中心像素点邻居点的个数，R为考虑像素范围邻域的半径大小，n为当前邻居点的索引，(i,j)为中心像素点的坐标。


4.根据权利要求3所述的基于静态纹理的人脸欺诈检测方法，其特征在于，所述归一化函数表达式A表示为：

【专利技术属性】
技术研发人员：束鑫，唐慧，夏坤，叶华，邵长斌，杨习贝，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：江苏;32