基于颜色和奇异值特征的人脸活体检测方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别涉及到一种人脸图像的检测方法，可用于身 份认证，公共安全等领域。
【背景技术】
[0002] 随着生物特征识别技术的发展不断推进，人脸图像的应用也越来越广泛。近几年 来开始出现人脸识别解锁，人脸考勤机，人脸识别门禁等等应用，在一些对安全性能要求比 较高的应用场合中，如门禁，安全解锁，对人脸防伪技术提出更高的要求。人脸识别技术作 为当今有效的身份认证技术，不单单是需要人脸检测，人脸普通识别。随之出现的一些不法 分子，利用人脸面具，照片或者视频仿冒真实人的生物特征欺骗人脸识别系统。一般在社 会生活场景中有以下几种常见的欺骗手段：（1)利用真实人的打印照片欺骗；(2)利用人脸 面具欺骗；（3)利用手机或者平板视频欺骗。以上的几种欺骗手段中，照片欺骗由于其代价 小，操作简单，是比较广泛的伪装方法。这些对于传统的人脸识别技术提出了更高的要求， 由此衍生出人脸活体检测这一概念。
[0003] 人脸识别系统都是在默认是真实人的情况下进行的，但是随着社交网络的不断发 展，如果存在生物欺骗的情况下，识别系统可能存在错误识别的情况。因此，对人脸活体检 测的研究具有重要意义。人脸活体检测又叫人脸活体取证，是利用人脸真实图像和欺骗照 片或者视频的特征差异，通过特征提取、特征处理、分类判别，识别所判决的对象是否是活 体真人。现有的活体检测算法一般有以下几种：
[0004] 1交互法：这种方法是通过对面部或者头部的运动检测，区分所判决对象是真人 还是照片，比如捕捉被检测对象眨眼睛，摇头等动作，但是这种算法需要测试者的动作配 合，而且对于视频欺骗效果不太好；
[0005] 2光流法：根据人脸图像和背景图像特征值的相似度对比来检测，这种算法理解 起来比较形象直观，但是光流法适合对图像进行动态分析，对于静态分析需要其他算法辅 助；
[0006] 3纹理统计法：根据照片或者视频与真实人的纹理细节差异进行检测，对于照片 欺骗和视频欺骗都有比较好的效果，但是对于复杂场景的识别时，识别效果不佳；
[0007] 4三维深度检测，通过监测人脸图像的三维深度曲线变化来进行检测，对于普通的 人脸识别问题效果较好，但是其算法复杂度和计算量都比较大。
【发明内容】
[0008] 本发明的目的在于针对上述已有技术的不足，提出一种基于颜色和奇异值特征的 人脸活体检测方法，以降低计算复杂度和对设备的高要求，提高活体人脸的检测效果。
[0009] 本发明的技术思路是：通过权衡以上算法的优缺点，采用融合法，提取人脸图像的 多种特征，并将分块图像的颜色直方图信息和灰度矩阵的奇异值特征信息作为分类依据。 [0010] 根据上述思路，本发明的技术方案是：根据真实人脸图像与翻拍图像的特征差异， 分块提取人脸图像特征，最后进行分类判决，得出并演示判决结果，其实现步骤包括如下： [0011] (1)将人脸数据库中的活体真人数据和翻拍伪装数据分别进行正负样本标记，并 将整个数据划分为训练集和测试集两部分，训练集和测试集的比例为3:1 ;
[0012] (2)对训练集图像进行批量特征提取：
[0013] 2a)将每张样本图像进行颜色空间转换，即将红绿蓝RGB图像转换成灰度图和色 调，饱和度，亮度的HSV图；
[0014] 2b)将颜色空间转换后的图像，分割成3X3的小图像块；
[0015] 2c)在每个小图像块上分别提取色调h、饱和度s、亮度v颜色分量的均值和方差特 征，以及前10个最大的奇异值特征；
[0016] 2d)将每张图像的每一小块特征组合成特征向量，得到144维的特征向量集合，再 对每个特征向量进行归一化并将其转换成标准格式，以便分类器能够识别。
[0017] (3)将训练集归一化的特征向量送入支撑向量机SVM分类器，通过参数调试来优 化分类器性能，即采用交叉验证方法获得最佳惩罚系数c和核函数系数g，再根据训练集图 像的特征向量训练出数据模型；
[0018] (4)对测试集数据进行特征提取，将测试集归一化的特征向量送入支撑向量机 SVM分类器，利用数据模型预测出测试集图像的正负分类结果；
[0019] (5)将步骤⑴中测试集的样本标记向量与步骤（4)测出的测试集图像正负样本 向量进行比较，得到分类结果的准确率；
[0020] (6)判断分类准确率是否满足普通活体检测75%的精确度要求：若满足，则结束 分类，若不满足普通精确度的要求，返回步骤（2)，在每一个小块上提取更多的颜色值和奇 异值特征，并修正步骤（3)中的惩罚系数c和核函数系数g参数，重新训练出数据模型并进 行预测。
[0021] 本发明与现有技术相比，具有如下优点：
[0022] 1.简单高效
[0023] 本发明选取简单的色调，饱和度，亮度颜色特征和奇异值特征，避免了以往复杂特 征的提取，使计算复杂度大大降低，并且通过仿真实验可得到较高的分类准确率；
[0024] 2.设备成本低
[0025] 现有的活体检测算法在提取特征时需要辅助的摄像头和光流检测设备，设备成 高；本发明在整个特征提取过程中只需进行特征数据的处理，不需要另外添加辅助设备，这 样大大降低了设备成本。
【附图说明】
[0026] 图1是本发明的实现总流程图；
[0027] 图2是本发明中特征提取子流程图；
[0028] 图3是本发明中支撑向量机分类子流程图；
[0029] 图4是本发明仿真使用的不同核函数的R0C曲线；
[0030] 图5是用本发明进行分类判决的仿真效果图。
【具体实施方式】
[0031] 下面结合附图对本发明实例及效果作进一步详细描述。
[0032] 参照图1，本发明的实现步骤如下。
[0033] 步骤1 :数据样本标记。
[0034] 本发明所用图像数据库来源于南京航空航天的NUAA图片欺骗数据库。该数据库 分为真人活体图像和翻拍的伪装图像两部分，本发明将活体真人数据标记为正样本，翻拍 的照片数据标记为负样本，整个数据集共有5105张正样本和7509张负样本图像；
[0035] 随机抽取3362张正样本图像和5761张负样本图像作为训练集数据，占总数据约 70% ;其余的3491张数据作为测试集数据，其中包含1743张正样本图像和1748张负样本 图像。
[0036] 步骤2:数据集特征提取。
[0037] 对训练集数据进行特征提取可采用现有的方法主要有纹理特征提取法、颜色特征 提取法和奇异值特征提取法，本发明采用颜色特征和奇异特征相结合的方式进行特征提 取。
[0038] 参照图2,本步骤的特征提取如下：
[0039] 2a)输入训练集图像，将每张样本图像进行颜色空间转换，即将红绿蓝RGB图像转 换成灰度图和色调，饱和度，亮度的HSV图；
[0040] 2b)将颜色空间转换后的图像，分割成3X3的小图像块；
[0041] 2c)在每个小图像块上分别提取色调h、饱和度s、亮度v颜色分量的均值和方差特 征，以及前10个最大的奇异值特征；
[0042] 2d)将每张图像的每一小块特征组合成特征向量，得到144维的特征向量集合，再 对每个特征向量进行归一化。
[0043] 步骤3 :用支撑向量机训练数据模型。
[0044] 3a)求待训练模型的斜率和截距：
[0045] 支撑向量机的分类原理等价于一个二次规划问题，对图像这种非线性分类等价于 求解如下二次规划问题中符合要求的两个参数值ω和b :
[0048] 其中c为待优化惩罚系数，￡l为第i个误差且i e [l:n]，n为待分类数据的总 数，ω为待训练模型的斜率，b为模型的截距；
[0049] 3b)求支撑向量机的核函数：
[0050] 非线性分类问题在低维空间线性不可分，可以利用核函数将低维空间映射到高维 空间，在高维空间中进行线性分解，本发明中的支撑向量机分类器使用径向基函数RBF作 为核函数K(x，y)，其公式如下：
[0052] 其中的g为待优化核函数系数，X和y是待分类数据点坐标，| | χ-y | |表示χ-y值 的模；
[0053] 3c)利用基于径向基函数的支撑向量机训练数据模型：
[0054] 参照图3,本步骤的具体实现如下：
[0055] 3cl)输入归一化的训练集特征向量，将特征向量集合转换成支撑向量机分类器要 求的标准数据格式，即在分类属性值后加上特征向量值；
[0056] 3c2)通过交叉验证方法获得支撑向量机分类器最佳惩罚系数c和核函数系数g， 本实例通过交叉