去除高亮特征和方向梯度直方图的面部活体检测方法技术

本发明专利技术属于生物认证技术领域，为提高面部活体检测系统在应对不同攻击方式样本的可靠性；并根据二元信号检测理论调整分类器的参数，提高面部活体检测系统的实用性，提高面部活体检测系统的安全性，建立高效准确的面部活体检测方法，让面部检测系统具有更强的实用性，并推动面部活体检测系统的发展，本发明专利技术，去除高亮特征和方向梯度直方图的面部活体检测方法，首先利用高亮去除方法HRM对待测图片进行预处理，然后利用梯度直方图HOG进行纹理特征提取并进行特征处理，并利用纹理特征区分一次采集和二次采集的面部图片，最后通过对分类器进行参数调整，最终实现面部活体准确检测。本发明专利技术主要应用于生物认证场合。

【技术实现步骤摘要】
去除高亮特征和方向梯度直方图的面部活体检测方法
本专利技术属于生物认证
，涉及到活体检测算法的改进，以及对改进的面部活体检测系统的可靠性和安全性及其泛化能力的验证。
技术介绍
身份认证技术在信息安全中占有举足轻重的地位，是其他安全机制的基础。身份认证主要有三种方式：根据被验证方所掌握的知识来验证，比如日常生活中使用的各种账号密码等；根据被验证方所拥有的东西来验证，比如银行电子支付中使用的U盾等；根据被验证方所具有的唯一特征来验证，如生物特征识别技术等。生物特征具有唯一性和稳定性，为身份认证技术提供了强有力的保障。近年来，生物特征识别技术逐渐融入到社会生活的各个方面。其中，基于面部、指纹、虹膜等的识别技术得到了广泛应用，增强了识别系统的可靠性[1][2]。常见的生物识别中使用的特征有：脸、虹膜和指纹。但是，现在认证技术存在：伪装隐蔽(指纹膜等)，攻击效果显著等特点；接触设备长期使用清晰度降低，影响识别率；认证时间较长，不适于大人群使用等缺点。用于身份认证的生物特征需要满足通用性、可分辨性、永久性、可采集性、可靠性、鲁棒性以及用户友好性[3]。面部特征是人体最为显著的特征，可区分度高，特征相对稳定，具有易采集、无需过多交互的特性，受到更多用户的青睐[4]。随着面部识别技术研究的深入发展，面部识别技术已经广泛应用。但是，2018年3.15晚会中暴露出来的人脸识别认证系统的缺陷足以让使用者震撼，人脸识别系统自身存在的安全问题，严重影响到使用者的人身财产安全。生物识别中的面部活体检测技术是为了防止非法用户持有合法用户的面部图像欺骗人脸识别系统，从而达到攻击的目的。目前已经应用的基于面部识别的认证系统，还没有完全摆脱传统的身份认证技术，对被测用户没有进行活体检测。在安全技术要求较高的应用场景中(特别是在金融安全领域)，需要部分人工参与完成活体检测，然后使用面部识别技术进行认证，通过多因素认证来增强系统的安全性。多因素认证使用多种方案叠加的方法来增强活体检测系统的安全性，增加了系统的开销，延长了认证时间，没有彻底实现人脸认证系统的方便快捷的目标。面部活体检测技术是对抗面部认证技术中已知的假冒攻击最有效的办法。一个有效的面部认证技术，将极大减少面部识别过程中人工的参与，同时使用单因素认证，可以减少面部识别技术的应用成本。这种具有自动化、无人监督的面部认证系统将会得到广泛的应用。目前如何建立高效准确的面部活体检测方法，已成为面部识别领域研究的热点。近年来，国内外研究机构的专家学者都将面部活体检测技术作为研究重点，提出了许多详实有效的方法。根据被测对象面部的动、静和其他特征等情况，制定不同的活体检测方案。主要分为三种：基于运动信息的活体检测方案，基于光学信息的活体检测方案，基于面部静态活体特征信息的活体检测方案。基于运动信息的检测方案又可以称为人机交互的检测方法，主要利用人体头部的三维信息进行活体检测。二维信息(照片)的运动姿态与三维信息(真实人脸)的运动姿态截然不同。一般常见的检测方案有两种：以被测者面部部分器官动作为目标的检测方案和以被检测者头部整体动作为目标的检测方案。以被测者面部部分器官动作为目标的检测方案中，面部动作包括眨眼、唇部动作等，这些检测方案事先需要对图像中面部区域进行粗定位，然后对检测部位进行精确定位，在此技术上识别相关部位的运动来判断是否为活体。邓刚[5]等人提出的眨眼检测，判断视频不同帧中，有无眼睛瞳孔来确定是否为活体。Pan[6]等人对眨眼检测做出了进一步的研究，采用隐马尔科夫模型，HAAR特征和Adaboost算法计算眼睛的开合度，进而判断是否为活体。孙霖[1]等人在低分辨率和一般条件下，通过判断相邻窗口大小的依赖关系和眼睛开合度计算方法来进行面部活体检测。K.Kollreidei[7]等人使用唇部动作来检测是否为活体，要求被测者读出预先规定的数字，判断被测者唇部动作与事先存储的相同读音的唇部动作是否一致来进行活体检测。Choudhury[8]等人利用头部器官的深度信息(鼻子，嘴角，眼睛等)作为跟踪估计的特征，从头部运动中测算器官的三维深度信息来区分活体与非活体面部；头部整体的活体检测方案是以头部整体运动作为检测目标，提取头部运动产生的光流变化或深度变化信息作为活体检测的特征。RW.Frischholz[9]等人使用被测者头部整体运动模式来进行活体检测，检测中系统会要求被测者将头部转向多个方向，通过比较用户头部整体运动姿势和预先要求的方向是否一致进行活体检测。K.Kollreider[10]等人根据面部转动时，不同的突出器官(如鼻子)运动幅度不同，产生的光流效果也不同进行活体检测。真实的面部是三维立体的，使用二维获取设备，会产生二维的运动模式，不同的突出表面产生的运动效果不同。W.Bao[11]等人利用二维平面和三维物体运动产生的光流场差异进行活体检测。虽然此类检测方案可以有效对抗照片面部攻击和部分视频面部攻击，但是由于单次检测时间较长，不适合频繁使用的认证环境，如在公共场所的使用。基于活体特征信息的研究，是对人体面部具有的温度、立体深度信息进行提取，作为面部活体检测的特征。多光谱活体检测是组合使用可见光成像图片和非可见光图片进行检测，文献中常使用红外光成像技术进行活体。Socolinsky[12]等人使用红外成像图片进行活体检测，并分析了可见光与热红外图像在活体检测方面的性能。文章中将可见光成像与红外成像匹配，克服了单一成像方式活体检测的缺点，分析两者的相关性，根据与阈值的大小关系判别是否为活体。Yeh[13]等人在具有DOF信息的面部图片上，计算鼻子和脸颊之间的模糊度和梯度幅值两个特征作为检测依据，区分活体与非活体。在他们采集的数据库上测试正确率高且单次测试时间短。红外成像需要额外的辅助设备，成本高，易受环境温度、采集距离和遮挡物的干扰。依靠单一的红外成像图片进行活体检测，目前处于试验研究环节，日常生活中此类应用较为少见。基于面部静态特征的活体检测是对一次采集的面部图片和二次采集的面部图片(或者视频中的帧)进行分类，不需要用户配合做出动作，单次测试时间短，检测效率高，可以对抗来自图片和视频的活体检测攻击。基于面部静态特征的检测方案，有基于面部图片纹理信息的检测方案、基于面部图片模糊程度的检测方案、基于色度变化的检测方案以及基于综合以上方法的检测方案。基于面部图片纹理信息的检测方案是通过与真实一次获取的图片对比，呈现在媒介上的面部图像存在一些差异，其中会丢失部分细节信息，对媒介上的图片二次成像后又会存在差异，再次丢失部分细节信息。J.[14][15]等人利用LBP、Gaborwavelets和HOG等提取面部图片的纹理信息，使用同一方法不同参数得到的综合特征或者综合不同方法得到的特征进行活体检测。曹瑜[16]等人提出使用基于灰度共生矩阵和小波分析的方法提取面部图片特征。在面部图像的灰度共生矩阵上提取能量、熵、惯性矩、相关性等特征值，以及对面部图像进行二次小波分解提取HH2(高频子带系数)，用来检测活体信息。基于面部图片模糊程度的检测方案有两次重要的采集，一次采集是将真实本文档来自技高网...

【技术保护点】
1.一种去除高亮特征和方向梯度直方图的面部活体检测方法，其特征是，首先利用高亮去除方法HRM(Highlight Removal Method for HDR Images)对待测图片进行预处理，然后利用梯度直方图HOG进行纹理特征提取并进行特征处理，并利用纹理特征区分一次采集和二次采集的面部图片，最后通过对分类器进行参数调整，最终实现面部活体准确检测。/n

【技术特征摘要】
1.一种去除高亮特征和方向梯度直方图的面部活体检测方法，其特征是，首先利用高亮去除方法HRM(HighlightRemovalMethodforHDRImages)对待测图片进行预处理，然后利用梯度直方图HOG进行纹理特征提取并进行特征处理，并利用纹理特征区分一次采集和二次采集的面部图片，最后通过对分类器进行参数调整，最终实现面部活体准确检测。


2.如权利要求1所述的去除高亮特征和方向梯度直方图的面部活体检测方法，其特征是，具体步骤是，首先对面部图片采用P，G的高亮特征去除方法HRM来减少样本中亮度变化对分类器的干扰，然后用基于统计方法的方向梯度直方图HOG提取样本纹理特征，再将得到的特征输入到分类器，得出面部活体检测的结果；其中高亮特征去除方法HRM涉及以下内容：首先对RGB图像进行颜色空间转换到YUV色彩空间，然后对YUV图片进行Y通道提取并进行Y通道归一化，最后将图片进行直方图均衡化且进行多项式变换得到去亮度后的图片；HOG方法涉及的内容有：首先对图片划分局部区域，进行梯度计算，然后进行梯度方向统计并对Block特征标准化，最后得到HOG特征。


3.如权利要求2所述的去除高亮特征和方向梯度直方图的面部活体检测方法，其特征是，HRM具体步骤如下：
1)、RGB彩色空间与YUV色彩空间转换
RGB彩色空间中，R表示图像红色分量；G表示图像的绿色分量，B表示图像的蓝色分分量，YUV彩色空间是指YCbCr彩色空间，Y表示图像的亮度信息，是图像的灰度值，U表示图像的色度，V表示图像的浓度，RGB转YCrBr公式如式(1)：



2)、图像归一化
提取高亮特征需要对图像的亮度通道Y进行处理，使用的归一化公式如式(2)：



其中：x表示面部图像某像素点的像素值；Vmin表示图像中最小的像素值；Vmax表示图像中最大的像素值；
3)、直方图均衡化
直方图均衡化(HistogramEqualization)，是基于图像的直方图，对图像进行非线性拉伸，使一幅图片中不同像素的数量大致相等。均衡化后的图像直方图是一个较为平整的分段直方图，不同的图像间亮度差异较小。直方图均衡化的表达式如式(3)：



其中ri表示第i个灰度级，n是图像中像素的总和，ni是灰度级为ri像素的数量，k表示图像的灰度级；
4)、多项式变换
对每个像素值a替换为通过函数返回的值，进行强度变换，通过多次试验获得的变换点使用4次多项式逼近得到强度变换函数，如式(4)：
f(a)＝p0a4+p1a3+p2a2+p3a+p4(4)
利用最佳亮度曲线去除图片中的高亮度区域，对研究中的图像取最佳系数得到亮度变换曲线系数，如式(5)：



使用HRM，消除了亮度和色度对分类器的干扰，下一步需要提取用于分类的面部照片特征。
HOG特征提取过程主要步骤如下：
1)、局部区域划分
将图像分为8*8的小块cell，上下左右4个cell组成的正方形区域叫...

【专利技术属性】
技术研发人员：李素梅，赵平，王明毅，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12