一种基于光照的人脸识别系统回放攻击检测方法及应用
【技术领域】
[0001]本发明涉及生物识别技术领域，涉及针对人脸识别中的对回放攻击的判别问题的方法，尤其是一种基于光照的人脸识别系统回放攻击检测方法及应用。
【背景技术】
[0002]随着科技的发展和近几年生物识别技术领域内一些技术的逐渐成熟，生物识别(认证)技术逐渐被广泛应用。该技术是指基于人体的一些生物特征，包括生理特征和行为特征来识别、判别个体身份的一种技术。目前该技术在应用方面主要依靠识别生理特征，通常包括人脸识别、指(掌)纹识别、虹膜识别等。生物特征的独特性早在唐代就已经被中国学者发现，近代西方学者对此也早有大量的研究。而真正将生物特征用于身份识别的系统出现于上世纪70年代早期。近年来，随着生物特征采集设备价格的下降和各种识别方法的日益成熟，生物识别(认证)技术逐渐融入了我们的日常生活中，在诸多领域，如系统登录、海关安检等领域有大量应用，例如我国已经启动了将公民指纹采集存储在二代身份证中的工作。
[0003]生物识别有着有效性及便利性的优势，然而假冒攻击一直是生物识别系统的一个重大威胁。例如，对于人脸识别系统，攻击者可以使用人脸照片来进行身份仿冒；而指纹、掌纹识别系统也可能使用硅胶或类似材质制作的胶模骗过系统。对此类的仿冒攻击，国外有很多学者进行过研究，也发表过一些文献资料，证明使用这些仿冒手段的确可以在一定程度上实现对系统的攻击。
[0004]随着生物识别技术的应用愈加广泛，系统安全性问题日益凸显出来，越来越被研究人员广泛关注。其中，一种解决此问题的思路是，在获取人体生物样本的时候，同时要对生物样本进行活体检测。活体检测可以保证生物信息的获取对象是生物活体，从而可以抵御各种复制生物样本，例如照片、塑胶指模等对认证系统的攻击。对于活体检测技术的研究已经成为了生物识别领域中的一个重要方向，近年来，国内外在此领域有大量的研究工作和一些重要的学术会议，并且在一些相关领域的权威会议上都有相关的工作和论文发表。目前一些常用的技术包括基于活体的生理行为(例如识别人脸的眨眼动作)、活体的环境特征以及活体的生理信号(诸如皮肤汗液，EEG电平，热红外特性等)。然而这些方法又各有缺陷，有些需要通过大量复杂的运算，有些需要特殊设备支持，还有些方法用户体验不好，难以满足各种复杂场合的实际应用要求，易用性和可靠性方面有待提高。
[0005]目前领域内针对抵御各种照片攻击、面具攻击以及三维模型攻击的成果已经可以实现较好的抵御以上攻击的效果，但随着便携智能设备的普及与进步，视频回放攻击成为了针对生物识别系统，尤其是人脸识别系统的主要攻击手段。国内外对此也有一系列研究，但大多不能达到理想的效果。
[0006]通过检索，发现如下两篇与本发明专利申请相关的专利公开文献:
[0007]1、一种用于数据安全性的方法(CN103562930A)，在具有一次性可编程(OTP)存储器的处理器中，接收要被写入到数据存储器的新信息，该OTP存储器包括多个比特并且具有由OTP的已被编程的比特定义的当前状态。基于新信息和当前状态，选择OTP存储器的要被编程的至少一个其他比特，从而定义OTP存储器的新状态。经由新信息和新状态计算新数字签名。将新信息和新数字签名保存于数据存储器中。在将新信息和新数字签名保存于数据存储器中之后，对OTP存储器的至少一个其他比特进行编程，由此该新状态变为当前状态。还公开了相关装置及方法。
[0008]2、一种基于信道模式噪声的录音回放攻击检测方法和系统(CN102436810A)，涉及智能语音信号处理、模式识别与人工智能技术领域，特别是涉及一种基于信道模式噪声的说话人识别系统中录音回放攻击检测方法和系统。本发明公开了一种说话人识别系统中更加简便和高效的录音回放攻击检测方法，所述方法步骤如下:(I)输入待识别语音信号；(2)对语音信号进行预处理；(3)提取预处理后语音信号中的信道模式噪声；(4)提取基于信道模式噪声的长时统计特征；(5)根据信道噪声分类判决模型对长时统计特征进行分类。本发明利用信道模式噪声进行录音回放攻击检测，所提取的特征维数低，计算复杂度低，错误识别率低。因此，可极大提高说话人识别系统的安全性能，更易于在现实中使用。
[0009]通过对比，本发明专利申请与上述专利公开文献存在本质的不同。
【发明内容】
[0010]本发明的目的在于克服现有技术的不足之处，为解决生物识别系统中防止视频回放攻击问题，提供一种基于光照的人脸识别系统回放攻击检测方法，该方法利用侧向闪烁光源照射下，三维人脸和平面人脸图像所展现出的不同光影效果为依据，采用图像处理技术和机器学习算法对视频回放攻击进行检测，该方法成本低廉、操作简单、可靠性高，能够满足不同场合的实际要求。
[0011 ]为了实现上述目的，本发明所采用的的技术方案如下:
[0012]—种基于光照的人脸识别系统回放攻击检测方法，以普通视频采集设备采集的侧向闪烁光照条件下人脸视频为原始视频信号，通过对原始视频信号应用运动模板算法，得出原始视频信号对应的MHI图像序列为依据，对被测试样本为三维人脸还是屏幕人脸视频回放加以分类识别。
[0013]而且，具体步骤如下:
[0014]⑴使用视频采集设备在侧向闪烁光源照射条件下，采集要测试样本的黑白或彩色视频；
[0015]⑵对侧向闪烁光源照射条件下采集到的视频应用运动模板算法，得到对应的MHI图像序列；
[0016]⑶以侧向闪烁光源照射条件下采集到的MHI图像序列为依据，识别回放攻击，具体方法和步骤有如下两种:
[0017]a.使用从三维人脸上采集的MHI图像序列中的人脸部分为正样本，从屏幕回放上采集的MHI图像序列中的人脸部分为负样本，提取Haarl ike特征，训练Boosting分类器，该分类器用来探测MHI图像中是否含有符合三维人脸特征的区域;如扫描到的区域与视频中识别的人脸区域重合面积超过50%，则认为视频中识别的人脸样本为三维人脸；
[0018]b.使用从三维人脸上采集的MHI图像序列中的人脸部分为正样本，从屏幕回放上采集的MHI图像序列中的人脸部分为负样本，使用常用的机器学习算法训练一个分类器;当系统从视频中识别出人脸后，按照人脸在图像中的位置提取其对应的MHI图像中的区域块，将MHI区域块作为分类器的输入，由分类器输出识别结果;分类器输出为正样本时，认为视频中识别的人脸样本为三维人脸。
[0019]而且，所述步骤⑴中侧向闪烁光源满足的条件为:
[0020]光源的频谱范围为30011111?2500醒，光源闪烁频率范围为50取?0.3取，光源具有方向性，与人脸法线间有不大于90°的夹角。
[0021]而且，所述步骤⑴中视频采集设备满足的条件为:
[0022]视频采集设备为普通摄像机、摄像头或工业摄像机;采集方法为直接采集原始视频，或使用带有带通滤镜的镜头采集视频，滤波镜头的带通频率与光源频谱相同。
[0023]而且，所述步骤⑶中以侧向闪烁光源照射条件下采集到的MHI图像序列为依据，识别回放攻击，具体步骤如下:
[0024]①使用视频的帧间差，即视频的上一帧与下一帧的差值，得到视频中具有运动特征物体的边缘，即轮廓，这是一个二值图像；
[0025]②以时间戳，即当前系统时间的浮点值，取代二值图像中的像素点，并将邻近的2-15帧累加;或不使用时间戳，直接将邻近的2-15帧步骤①中所述的二值图像累加。
[0026]而且，所述步骤⑶a中Boosting分类器的训练方法，具体步骤如下:
[0027]①使用视频的帧间差，即视频的上一帧与下一帧的差值，得到视频中具有运动特征物体的边缘，即轮廓，这是一个二值图像；
[0028]②以时间戳，即当前系统时间的浮点值，取代二值图像中的像素点，并将邻近的2-15帧累加;或不使用时间戳，直接将邻近的2-15帧步骤①中所述的二值图像累加，采集基于三维人脸的MHI图像序列和基于回放设备的MHI图像序列；
[0029]③对于MHI图像序列中的图像进行人工筛选，将采集自三维人脸的MHI图像中的人脸区域以正方形标注出来，并将其分辨率重新调整至一个较小的值，即20*20像素至50*50像素之间，作为正样本；
[0030]④将采集自回放设备的MHI图像中的人脸区域以正方形标注出来，并将其分辨率重新调整至一个较小的值，即20*20像素至50*50像素之间，作为负样本I;
[0031 ]⑤将采集自三维人脸的MHI图像序列中的非人脸部分以正方形注出来，并将其分辨率重新调整至一个较小的值，g卩20*20像素至50*50像素之