一种活体检测方法和装置的制造方法
【技术领域】
[0001] 本发明涉及图像处理和人脸识别领域，涉及活体检测方法和装置，特别涉及基于 人脸识别的活体检测方法和装置。
【背景技术】
[0002] 随着对信息安全需求的不断增长，在人脸识别系统中加入活体检测的功能受到越 来越多的关注。常见的人脸攻击形式包括照片、视频播放和3D模型。照片和视频播放是 最常见的攻击方式，人们可以从移动设备或者监控摄像头中轻易地获取合法用户的相关资 料。
[0003] 随着现代技术的发展，3D人脸的合成和模型的获取不再是一件难以实现的事，例 如，ThatsMyFace.com的服务可以通过上传一张正面和一张侧面照片实现3D人脸的重构和 3D模型的订制。和真实人脸相比，照片人脸是平面的，并存在二次获取带来的质量损失、模 糊等问题；视频人脸具有LCD反光等现象；而3D模型人脸运动是刚性运动等。
[0004] 基于以上事实，当前的活体检测算法主要分为三类：（1)基于运动的方法；（2)基 于纹理的方法；（3)基于融合的方法。
[0005] 基于运动的方法主要是分析图像帧序列的运动趋势。但是这种基于运动的方法需 要对图像的背景或者用户的无意识动作进行判定，计算方法复杂。
[0006] 基于纹理的方法主要是通过找出单帧真实人脸和欺骗人脸的显著性区分特征进 行活体判断，因为欺骗人脸在二次获取的过程中会带来质量下降、模糊等微纹理的变化。但 是基于纹理的方法只能很好地处理低分辨率的打印照片攻击，对高清照片无效。
[0007] 现在，越来越多的研究者们把目光投向了基于融合的方法，S卩，通过融合至少两种 活体判别方法，互补优势从而达到抵御多种攻击形式的目的。
[0008]目前的融合方法主要分为特征层融合方法和得分层融合方法。特征层融合方法是 将多个特征串联进行融合，有人提出了基于运动和纹理信息的互补策略，并对融合方法进 行了研究。得分层融合方法是获取多个特征的得分，然后进行加权从而得到最终的得分。有 人从非刚体运动、人脸背景一致性和图像带波效应三个方面进行分析，并通过回归模型进 行得分层融合。
[0009] 然而，目前的得分层融合方法对于不同量纲、不同含义的特征，无法进行准确的融 合，影响了活体识别的效率和精度。
【发明内容】
[0010] 本发明提供了一种活体检测方法和装置，其基于面部关键点特征变化的人脸表示 进行活体检测，能够降低活体判别的复杂度，并且能够有效预防高清照片的攻击，提高活体 判别的效率和精度。
[0011] 为达上述目的，本发明采用如下技术方案： 一方面，本发明提供了一种活体检测方法，包括以下步骤： 获取多个识别样本的人脸图像，根据所述多个识别样本的人脸图像的面部关键点特征 变化提取多个识别样本的人脸特征； 基于所述多个识别样本的人脸特征计算多个识别样本的活体检测得分； 根据多个识别样本的活体检测得分获得活体判断阈值； 获取待识别对象的人脸图像，根据所述待识别对象的人脸图像的面部关键点特征变化 提取待识别对象的人脸特征； 基于待识别对象的人脸特征计算待识别对象的活体检测得分； 判断待识别对象的活体检测得分是否大于等于活体判断阈值，若是，则判断待识别对 象为活体。
[0012] 进一步地，根据所述多个识别样本的人脸图像的面部关键点特征变化提取多个识 别样本的人脸特征包括： 对于所述多个识别样本的人脸图像的每一个面部关键点，定义该面部关键点的邻域； 对于每一个面部关键点的邻域，提取纹理特征； 确定所述纹理特征的变化，作为所述识别样本的人脸特征。
[0013] 进一步地，其中，利用基于贝叶斯理论的生成性模型计算所述多个识别样本的活 体检测得分和待识别对象的活体检测得分。
[0014] 进一步地，其中，采用DH-LBP直方图表示所述纹理特征。
[0015] 进一步地，其中，根据多个识别样本的活体检测得分获得活体判断阈值包括： 将多个识别样本的活体检测得分顺序排列； 计算各识别样本的活体检测得分在所有识别样本构成的训练集上的准确率； 将准确率最高的识别样本对应的活体检测得分作为活体判断阈值。
[0016] 另一方面，本发明提供了一种活体检测装置，包括： 获取模块，用于获取多个识别样本的人脸图像和待识别对象的人脸图像； 人脸特征提取模块，用于根据多个识别样本的人脸图像的面部关键点特征变化提取多 个识别样本的人脸特征，以及根据待识别对象的人脸图像的面部关键点特征变化提取待识 别对象的人脸特征； 活体检测模块，用于基于多个识别样本的人脸特征计算多个识别样本的活体检测得 分，以及基于待识别对象的人脸特征计算待识别对象的活体检测得分； 阈值获取模块，用于根据多个识别样本的活体检测得分获得活体判断阈值； 判断模块，用于判断待识别对象的活体检测得分是否大于等于活体判断阈值，若是，则 判断待识别对象为活体。
[0017] 进一步地，其中，人脸特征提取模块根据所述多个识别样本的人脸图像的面部关 键点特征变化提取多个识别样本的人脸特征为： 对于所述多个识别样本的人脸图像的每一个面部关键点，定义该面部关键点的邻域； 对于每一个面部关键点的邻域，提取纹理特征； 确定所述纹理特征的变化，作为所述识别样本的人脸特征。
[0018] 进一步地，所述活体检测模块利用基于贝叶斯理论的生成性模型计算所述多个识 别样本的活体检测得分和待识别对象的活体检测得分。
[0019] 进一步地，其中，利用DH-LBP直方图表示所述纹理特征。
[0020] 进一步地，其中，所述阈值获取模块得到活体判断阈值具体为： 将多个识别样本的活体检测得分顺序排列； 计算各识别样本的活体检测得分在所有识别样本构成的训练集上的准确率； 将准确率最高的识别样本对应的活体检测得分作为活体判断阈值。
[0021] 本发明从真实人脸由于非刚体原因使得图像关键点的变化各不相同，以及攻击人 脸由于刚体原因使得图像关键点变化趋势相同的角度来提取人脸特征，首先根据多个识别 样本的人脸图像的面部关键点特征变化提取多个识别样本的人脸特征，计算多个识别样本 的活体检测得分后获取活体判断阈值，其次根据待识别样本的人脸图像的面部关键点特征 变化提取待识别样本的人脸特征，计算待识别样本的活体检测得分，最后将待识别样本的 活体检测得分与活体判断阈值进行比较，当待识别对象的活体检测得分大于等于活体判断 阈值时说明待识别对象为活体。采用本发明提供的方法能够有效预防高清照片的攻击，实 现有效拒绝了非真实人脸欺骗识别的同时，提高了计算速度和精度，并且降低了活体判断 的复杂度。
【附图说明】
[0022] 附图与文字描述一起用来对本发明的实施方式作进一步的说明。其中： 图1示出了本发明的活体检测装置的结构框图。
[0023] 图2示出了本发明的活体检测方法的示意图。
[0024] 图3示出了本发明的活体检测方法的流程图。
[0025] 图4示出了面部关键点及其邻域。
【具体实施方式】
[0026] 下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描 述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便 于描述，附图中仅示出了与本发明相关的部分而非全部内容。
[0027] 图1示出了本发明的活体检测装置的结构框图。
[0028] 本发明的活体检测装置10包括获取模块101、人脸特征提取模块102、活体检测模 块103、阈值获取模块104和判断模块105。
[0029] 获取模块101用于接收多个识别样本的人脸图像和用户输入的待识别对象的人 脸图像。具体地，获取模块101可以是摄像头，该摄像头的数目可以为1个。
[0030] 人脸特征提取模块102用于根据多个识别样本的人脸图像的面部关键点特征变 化提取多个识别样本的人脸特征，以及根据待识别对象的人脸图像的面部关键点特征变化 提取待识别对象的人脸特征。
[0031] 活体检测模块103用于基于多个识别样本的人脸特征计算识别样本的活体检测 得分，以及基于待识别对象的人脸特征计算待识别对象的活体检测得分。
[0032] 阈值获取模块104用于根据多个识别样本的活体检测得分获取活体判断阈值。
[0033] 判断模块105用于将待识别对象的活体检测得分与活体判断阈值进行比较，当待 识别对象的活体检测得分大于等于活体判断阈值时，说明待识别对象为活体。
[0034] 下面参照图2概括说明本发明的活体检测方法。
[0035] 图2示出了本发明的活体检测方法的示意图。
[0036] 如图2所示，本发明的活体检测方法包括两个阶段：训练阶段201和检测阶段 202,如图2的虚线框所示。
[0037]训练阶段201包括：获取来自训练集的多个识别样本的人脸图像，提取出多个识 别样本的基于关键点变化的人脸特征。通过活体检测模型得到多个识别样本的活体检测得 分SA。然后根据多个识别样本的活体检测得分获取活体判断阈值。
[0038] 检测阶段202包括：获取用户输入的待识别对象的人脸图像，提取出待识别对象 的基于关键点变化的人脸特征。再次通过活体检测模型得到所述待识别对象的活体检测得 分TA。
[003