一种基于图像质量的人脸防伪方法与流程

本发明涉及人脸防伪技术领域，具体的说是一种基于图像质量的人脸防伪方法。

背景技术：

目前，生物特征可以安全、方便的用于访问控制系统，特别是人脸生物特征。由于其方便性和直观性，已经成为身份认证的主要手段之一。对于人脸识别系统，人脸防伪模块已经成为非常重要的一部分，可以有效的防止照片、视频、面具等攻击方式，从而提高人脸识别系统的稳健性。现有的人脸防伪方法主要包括基于纹理的、基于形状的、基于动作的和基于图像质量的方法。其中，基于图像质量的方法是一种最为简单有效人脸防伪策略。在现有的基于图像质量的人脸防伪方法中存在一些问题。首先，用于评估图像质量的指标比较单一，只有一个或几个，不能够全面评价图像的失真程度；其次，虽然利用红外相机、深度相机可以提高人脸防伪的性能，但也会大大增加硬件成本的开销，而且计算复杂度也会增加。这些方法如：一种人脸活体检测方法以及装置（201710341619.2），一种人脸活体检测方法及装置（201610806370.3），基于图像质量的活体检测方法、装置及计算机设备（201910266755.9）。

技术实现要素：

本发明旨在提供一种基于图像质量的人脸防伪方法，采用多个图像特征全面有效的评价图片的失真程度，并且不需要增加额外的硬件设备。

为了解决以上技术问题，本发明采用的技术方案为：一种基于图像质量的人脸防伪方法，包括以下步骤：

1）、采集rgb人脸图像；

2）、剪裁步骤1）中得到的人脸图像中的人脸区域，得到人脸区域图像；

3）、对步骤3）中得到的人脸区域图像利用haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图；

4）、对步骤3）中得到的四张图像分别计算出无参考的图像质量评估特征，无参考的图像质量评估特征包括图像的模糊特征和高低频索引hlfi；

5）、将步骤3）中得到的四张图像分别通过高斯滤波来平滑处理图像，得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图；

6）、采用步骤3）中得到的四张图片和步骤5）中得到的四张图片计算有参考的图像质量评价特征，有参考的图像质量评价特征为：均方误差mse、峰值信噪比psnr、信噪比snr、结构内容sc、最大像素差md、平均像素差ad、标准化绝对误差nae、拉普拉斯均方误差lmse、归一化互相关nxc、平均角度相似mas、平均角震级相似性mams、总边差ted、总角差tcd、光谱幅度误差sme、频谱相位误差spe、梯度幅度误差gme、梯度相位误差gpe、结构相似指数ssim、视觉信息保真度vif；

7）、将步骤4）和步骤6）中得到的haar小波低频信息图片的无参考和有参考的质量评价特征串联起来，得到haar小波变换得到低频信息图片的图像质量评价总特征；

8）、按照步骤5）至步骤7）分别计算水平高频信息、垂直高频信息以及对角高频信息图的上述图像质量评价总特征；

9）、将步骤7）和步骤8）中得到的图像质量评价总特征串联起来，得到图像haar小波变换的图像的质量评价总特征；

10）、对步骤9）中得到的图像haar小波变换的图像的质量评价总特征利用svm分类方法进行分类，得到步骤1）所采集的人脸图像的分类结果；

11）、输出步骤10）中的分类结果。

优选的，步骤3）中的人脸区域图像的小波变换是用一组小波基函数来表示图像信号，小波变换的表达式为：，；其中α＞0表示尺度因子，其作用是对基本小波函数φ（x）作伸缩，τ反映位移，其值可正可负，a和τ都是持续的变量；在不同尺度下小波的持续时间随值的加大而增宽，幅度则与反比减少，但波的形状保持不变；haar小波变换即为用haar尺度函数计算的小波变换，haar尺度函数的形式为：。

优选的，步骤4）中的模糊特征的计算方法为：先利用边缘检测器来寻找图像中的垂直边缘，然后扫描图像的每一行，对于与边缘位置相对应的像素，最接近边缘的局部极值位置定义为边缘的开始和结束位置；根据结束位置和开始位置之间的差异计算边缘宽度，并将其识别为该边缘位置的局部模糊度量；最后通过平均所有边缘位置上的局部模糊值，获得整个图像的全局模糊度量。

优选的，步骤4）中的模糊特征的高低频索引hlfi计算方法为：，表示经过haar小波变换得到的图片，表示图像的傅里叶变换。

优选的，步骤6）中，

，，，，，，，，，，，，，，，，，；其中，表示步骤3）中利用haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，表示步骤5）中通过高斯滤波得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，m和n表示图片的长度和宽度，c1和c2为常数，i和j分别为图像的行列，和分别表示图片的均值，分别表示图片的标准差，，是图片的角点数，是图片的角点数，表示图片的检测的边数，分别表示的是图片的拉普拉斯矩阵，，同理可得，表示图片的傅里叶变换，表示图片的水平和竖直方向的梯度，对于图片来说，其梯度映射为，图片的梯度映射同理可得。

优选的，步骤6）中，视觉保真度vif具体的计算步骤如下：

第一步：对testimg和refimg与高斯核进行卷积；

第二步：对第一步的结果进行降采样；

第三步：对第二步的与高斯核进行卷积；

第四步：分别计算经过第三步之后的testimg和refimg的协方差矩阵以及二者的乘积；

第五步：对第四步的结果与高斯核进行卷积；

第六步：将第五步的结果中小于零的数设为0得到testimg的sigma2_sq，refimg的sigma1_sq和两者乘积的结果sigma12；

第七步：计算g=sigma12/(sigma1_sq+1e-10)，sv_sq=sigma2_sq-g*sigma12；

第八步：将第七步的g和sv_sq中小于零的数设为0；

第九步：计算：m1=g*g*sigma1_sq；

第十步：计算：m2=sv_sq+sigma_nsq；

第十一步：计算：m3=log(1+m1/m2)；

第十二步：计算：m4=log(1+(sigma1_sq/sigma_nsq))；

第十三步：对m3和m4的元素进行求和；

第十四步：视觉保真度即为m3元素的和比m4元素的和。

有益效果

由于当前流行的人脸识别设备主要使用的是rgb单目相机，并针对以上存在的问题，本发明提出的人脸防伪方法使用了21个图像质量度量指标全面有效的评价图片的失真程度，并且不需要增加额外的硬件设备。具有用户友好、简单高效、泛化能力强、通用性高的优点。

附图说明

图1为本发明的流程图；

图2为本发明经步骤2）得到的得到人脸区域图像；

图3为本发明步骤3）中利用haar小波变换提取人脸区域图像的低频信息图；

图4为为本发明步骤3）中利用haar小波变换提取人脸区域图像的水平高频信息图；

图5为为本发明步骤3）中利用haar小波变换提取人脸区域图像的垂直高频信息图；

图6为为本发明步骤3）中利用haar小波变换提取人脸区域图像的对角高频信息图。

具体实施方式

如图1所示，本发明的一种基于图像质量的人脸防伪方法，包括以下步骤：

1）、打开相机，采集rgb人脸图像；

2）、检测人脸，并剪裁出人脸区域，得到如图2所示的人脸区域图像；

3）、对步骤3）中得到的人脸区域图像利用haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，如图3-6所示。

具体来说，图像的小波变换是用一组小波基函数来表示图像信号。小波变换的表达式为：，。

其中α＞0表示尺度因子，其作用是对基本小波函数φ（x）作伸缩，τ反映位移，其值可正可负，a和τ都是持续的变量，故又称为持续小波变换。在不同尺度下小波的持续时间随值的加大而增宽，幅度则与反比减少，但波的形状保持不变；haar小波变换即为用haar尺度函数计算的小波变换，haar尺度函数的形式为：。

4）、对步骤3）中得到的四张图像分别计算出无参考的图像质量评估特征，无参考的图像质量评估特征包括图像的模糊特征和高低频索引hlfi；

具体来说，模糊特征反应了图像的模糊状况。其计算方法为：先利用sobel滤波器等边缘检测器来寻找图像中的垂直边缘，然后扫描图像的每一行。对于与边缘位置相对应的像素，最接近边缘的局部极值位置定义为边缘的开始和结束位置；根据结束位置和开始位置之间的差异计算边缘宽度，并将其识别为该边缘位置的局部模糊度量；最后通过平均所有边缘位置上的局部模糊值，获得整个图像的全局模糊度量。

高低频索引hlfi计算方法为：，表示经过haar小波变换得到的图片，表示图像的傅里叶变换。

5）、将步骤3）中得到的四张图像分别通过高斯滤波来平滑处理图像，得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图。高斯滤波是将输入图像的每一个像素点与高斯内核卷积将卷积和当作输出像素值；

6）、采用步骤3）中得到的四张图片和步骤5）中得到的四张图片计算有参考的图像质量评价特征，有参考的图像质量评价特征为：均方误差mse、峰值信噪比psnr、信噪比snr、结构内容sc、最大像素差md、平均像素差ad、标准化绝对误差nae、拉普拉斯均方误差lmse、归一化互相关nxc、平均角度相似mas、平均角震级相似性mams、总边差ted、总角差tcd、光谱幅度误差sme、频谱相位误差spe、梯度幅度误差gme、梯度相位误差gpe、结构相似指数ssim、视觉信息保真度vif。

具体的上述有参考的各个图像质量评价特征的计算法方法如下：

，，，，，，，，，，，，，，，，，。

其中，表示步骤3）中利用haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，表示步骤5）中通过高斯滤波得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，m和n表示图片的长度和宽度，c1和c2为常数，i和j分别为图像的行列，和分别表示图片的均值，分别表示图片的标准差，，是图片的角点数，是图片的角点数，表示图片的检测的边数，分别表示的是图片的拉普拉斯矩阵，，同理可得，表示图片的傅里叶变换，表示图片的水平和竖直方向的梯度，对于图片来说，其梯度映射为，图片的梯度映射同理可得。

视觉保真度（vif）矩阵度量了理想情况下由大脑从整体上提取扭曲的图像和图像传递的全部信息的比率。此指标依赖于假设自然图像质量完美没有任何扭曲，在进入大脑之前通过观察者的人类视觉系统，从中提取认知信息。因此，要计算vif度量，质量评估时需要整个参考图像在全局范围内。具体的计算步骤如下：

第一步：对testimg和refimg与高斯核进行卷积；

第二步：对第一步的结果进行降采样；

第三步：对第二步的与高斯核进行卷积；

第四步：分别计算经过第三步之后的testimg和refimg的协方差矩阵以及二者的乘积；

第五步：对第四步的结果与高斯核进行卷积；

第六步：将第五步的结果中小于零的数设为0得到testimg的sigma2_sq，refimg的sigma1_sq和两者乘积的结果sigma12；

第七步：计算g=sigma12/(sigma1_sq+1e-10)，sv_sq=sigma2_sq-g*sigma12；

第八步：将第七步的g和sv_sq中小于零的数设为0；

第九步：计算：m1=g*g*sigma1_sq；

第十步：计算：m2=sv_sq+sigma_nsq；

第十一步：计算：m3=log(1+m1/m2)；

第十二步：计算：m4=log(1+(sigma1_sq/sigma_nsq))；

第十三步：对m3和m4的元素进行求和；

第十四步：视觉保真度即为m3元素的和比m4元素的和。

7）、将步骤4）和步骤6）中得到的haar小波低频信息图片的无参考和有参考的质量评价特征串联起来，得到haar小波变换得到低频信息图片的图像质量评价总特征；

8）、按照步骤5）至步骤7）分别计算水平高频信息、垂直高频信息以及对角高频信息图的上述图像质量评价总特征；

9）、将步骤7）和步骤8）中得到的图像质量评价总特征串联起来，得到图像haar小波变换的图像的质量评价总特征；

10）、对步骤9）中得到的图像haar小波变换的图像的质量评价总特征利用svm分类方法进行分类，得到步骤1）所采集的人脸图像的分类结果；

11）、输出步骤10）中的分类结果。