一种基于wld-top的活体人脸检测方法
【技术领域】
[0001] 本发明涉及人脸检测的研宄领域，特别涉及一种基于WLD-T0P的活体人脸检测方 法。
【背景技术】
[0002] 人脸识别技术通过比较和分析人脸的生物特征，从而鉴别人的身份。人脸识别技 术在过去的几十年间取得了长足的进步，人脸识别的产品被应用于门禁、重要场所监控、出 入境等多个场合。人脸识别技术的一个优点是自动识别目标，无需监管，但也留下了安全的 隐患，如果不法分子使用用户的照片甚至视频可以轻易的骗过人脸识别系统，就会造成危 害，严重威胁到了社会的安全稳定。
[0003] 常见的人脸欺骗攻击包括照片攻击和视频攻击。照片攻击带有用户的人脸特征， 而视频攻击更带有合法用户的动态特征，如眨眼和面部表情的变化，更具欺骗性，严重地影 响了人脸识别系统判别的准确性。
[0004] 现在的活体人脸检测方法主要有以下几种：一是基于纹理结构分析的方法，该方 法通过分析三维活体人脸和重拍人脸成像的差异性，提取相关纹理特征进行判别；二是基 于面部运动信息分析的方法，活体人脸和重拍人脸的本质区别在于前者是三维物体，后者 是二维平面结构，存在人脸的二次拍摄，它们产生的运动效果是完全不同的；三是基于活体 特征信息分析的方法，该方法分析人脸的热红外图像、眨眼和嘴唇运动等活体特征，这种 方法可能需要一些额外的检测设备支持，因此在推广上存在硬件的限制。
[0005] 上述三种方法的实现都要用到合适的图像描述子，它可以极大的提高活体人脸检 测的准确率。由于人脸欺骗攻击手段越来越多，尤其是基于视频的欺骗手段，具有活体人脸 的动态特征，比如可以通过合法用户的动态视频获得眨眼等面部表情的变化从而达到欺骗 攻击的目的，所以我们需要一个能加入时间和空间信息的描述子来作辨别。
【发明内容】
[0006] 本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于WLD-T0P 的活体人脸检测方法，通过提取WLD描述子，并加入视频帧的时间轴信息，从而构成 WLD_T0P(Weber Local Descriptor-Three Orthogonal Planes)描述子，它融合了WLD描述 子的空间特征和视频帧的时间特征，提高了活体人脸检测的准确率。
[0007] 为了达到上述目的，本发明采用以下技术方案：
[0008] -种基于WLD-T0P描述子的活体人脸检测方法，包括下述步骤：
[0009] S1、训练阶段：读取训练集视频，对每一帧进行人脸区域检测，并转换成灰度人脸 图像帧序列，构造三维图像矩阵，然后构造滤波模板并计算WLD特征，再生成WLD-T0P特征 向量，最后将特征向量输入SVM分类器进行训练，从而建立SVM模型；
[0010] S2、测试阶段：对于测试的图像序列，对每一帧进行人脸检测并转换为灰度人脸图 像序列，然后构造三维图像矩阵及滤波模板，计算WLD特征，生成WLD-T0P特征向量，最后送 入训练好的SVM模型，得出活体人脸检测结果。
[0011] 优选的，步骤S1中，所述训练集视频是活体人脸视频、录制的照片人脸、重放攻击 或打印图片攻击。
[0012] 优选的，步骤S1中，在读入视频帧后，提取haar特征并用adaboosting算法进行 人脸区域检测，提取其中的彩色人脸图并转为大小尺寸一致的灰度图。
[0013] 优选的，步骤S1中，所述构造三维图像矩阵的方法为：
[0014] 设置一次读取的视频帧长度R，选取T坐标的边界阈值LT，则实际作为中心像素处 理的视频帧长度R t= R-2L T，再将这组视频帧的灰度值读入一个含X、Y和T坐标的三维矩 阵 I(X，y,t)中。
[0015] 优选的，步骤S1中，构造滤波模板并计算WLD特征的方法为：
[0016] 分别选取X、Y坐标边界裕值Lx、LY，确定WLD描述子的滑动滤波模板长度p，构成 P*P的滤波模板对I的三个正交平面XY、XT和YT，分别利用WLD方法的p*p模板计算除去 边界裕值后的各中心像素点的差分激励I和方向梯度〇t，计算方法如下：首先假设计算 的中心点是x。，它的八个相邻点分别是i = 0, . . .，p2-l，
，定
0 ' G [0, 2it)，S是方向梯度特征的维数，则0t= 0, 1，. . .，S-1，由上述步骤得到WLD的 描述子 U'（x。)，?J。
[0018] 优选的，步骤S1中，
[0019] WLD-T0P计算过程为：首先对| '（X。）作如下归一化：
[0020]
，故Ux。）取值为0到N-1这N个整数值；〇\归一 化到用整数0到S-1表示的S个方向，以XY平面为例，对WLD{| (X。)，二维直方图进行 降维，固定Ot，求对应的Ux。）子直方图，根据S维的分为S组子直方图，按照〇 ,从 小到大的顺序依次连接这S个子直方图，定义
[0021]f(X，y) =NX O t+ Ux。），则XY 平面的直方图
[0022] 比，5"= 2x，yM{f(x, y) = i}，i = 0, 1，? ? ?，NC>t_l，其中
，从 而构成N〇t维的WLD直方图H XY，再用此法得到三个正交平面
[0023] (n= 0:XY，n= 1:XT，n= 2:YT)的直方图hi，n= 2x，y，tM{f(x,y，t) =i}，i= 0, 1，. . .，N〇t-l，将它们转为N〇t维的行向量Hn，依次前后连接，生成3N〇t维的WLD-TOP特 征行向量Hwt= [H。氏H2]。
[0024] 优选的，步骤S1中，
[0025] 所述SVM分类器使用LIBSVM作为基础的SVM实现工具；将训练集得到的所有k 个特征向量构成训练集特征矩阵
，采用SVM训练，并用训练出来的模型对 含有j个特征向量的测试集特征矩阵
分类，得到是否为活体人脸的判别标 签，并与真实标签比对，从而得到活体检测判别的准确率。
[0026] 优选的，步骤S1中，
[0027] 所述SVM分类器对于输入的训练样本集，采用交叉验证方法进行训练，并利用网 格搜索方法寻找SVM的最优参数集{C，Y }。
[0028] 本发明与现有技术相比，具有如下优点和有益效果：
[0029] 1、本发明提出的WLD-T0P方法，利用韦伯定理，在LBP-T0P基础上，不仅体现了邻 域像素和中心像素的大小关系，还量化了邻域像素和中心像素的差异，并将这种差异作为 一种特征，再结合方向梯度特征，使得描述子的特征更加全面。
[0030] 2、本发明将WLD描述子扩展到三维空间，加入了时间轴信息，将时间和空间信息 融合为一体，对具有动态特征的视频攻击提高了检测准确性。
[0031] 3、本发明简化了传统WLD计算方向梯度和直方图的数学过程，本发明的计算方法 仅在传统方法上改变了特征向量元素的顺序，在不改变传统WLD特征向量元素大小的基础 上，用更直观的数学表达式构造这些特征。
[0032] 4、本发明在不同数据集上做训练和测试，通过构建了 SYSU活体人脸检测数据集， 并和CASIA数据集相结合做了跨数据集的实验，提高了 WLD-T0P的泛化性能。
【附图说明】
[0033] 图1是本发明的方法流程图；
[0034] 图2 (a)-图2 (c)是本发明WLD-T0P描述人脸的效果示例图；
[0035] 图3是本发明WLD差分激励和方向梯度的原理图；
[0036] 图4是本发明WLD-T0P描述子的直方图；
[0037] 图5(a) -图5(d)是本发明用于训练和测试的CASIA人脸区域图；
[0038] 图6(a) -图6(d)是本发明用于训练和测试的SYSU人脸区域图。
【具体实施方式】
[0039] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限 于此。
[0040] 实施例
[0041] 如图1所示，本发明基于WLD-T0P的活体人脸检测方法，包括以下步骤：
[0042] (1)训练阶段：读取训练集视频，对每一帧进行人脸区域检测，并转换成灰度人脸 图像帧序列，构造三维图像矩阵，然后构造滤波模板并计算WLD特征，再生成WLD-T0P特征 向量，最后将特征向量输入SVM分类器进行训练，从而建立SVM模型；
[0043] 第⑴阶段的具体内容为：
[0044] (1. 1)读取训练集视频：读取训练集视频，它可能是活体人脸视频，也可能是录 制的照片人脸、重放攻击、打印图片攻击等，我们读入视频帧，然后提取haar特征并用 adaboosting算法进行人脸区域检测，提取其中的彩色人脸图并转为大小尺寸一致的灰度 图；
[0045] (1. 2)构造三维图像矩阵：设置一次读取的视频帧长度R，选取T坐标的边界阈值 LT，则实际作为中心像素处理的视频帧长度R t= R-2L T，再将这组视频帧的灰度值读入一个 含X、Y和T坐标的三维矩阵I (x，y，t)中。
[0046] (1. 3)计算WLD特征：分别选取X、Y坐标边界裕值Lx，LY，确定WLD描述子的 滑动滤波模板长度P，构成P*P的滤波模板（实验中P = 3, Lx= LY= L T= 1);对I的 三个正交平面XY、XT和YT，分别利用WLD方法的p*p模板计算除去边界裕值后的各中 心像素点的差分激励I (x。）和方向梯度〇t，计算方法如下：首先假设计算的中心点 是x。，它的八个相邻点分别是Xi, i = 0,. . .，p2-l
，定义
，其中0' G [0,2jt)，S是方向梯度特征的维数，则0\=0，1，...，5_1，由上 述步骤得到WLD的描述子U '（x。)，0t}，如图3所示，
[0047] (1. 4)生成WLD-T0P特征向量：首先对| '（X。）作如下归一化：
[0048]
，故Uxc)取值为0到N-1这N个整数值；? 一化到用整数0到s-l表示的S个方向，以XY平面为例，对WLD{Ux。)，〇t}二维直方图进 行降维，固定〇t，求对应的Ux。）子直方图，根据S维的分为S组子直方图，按照〇 ,从 小到大的顺序依次连接这S个子直方图，定义
[0049]f (X，y) = N X O t+ Uxc)，则 XY 平面的直方图
[0050] 心找二 2x，yM{f(x,y) =i}，i= 0, 1，? ? ?，NC>t_l，其中
从 而构成N〇t维的WLD直方图HXY，再用此法得到三个正交平面
[0051] (n = 0:XY，n = 1:XT，n = 2:YT)的直方图 hi，n= 2 x，y，tM{f(x, y，t) = i}，i = 0, 1，. . .，N〇t-l，将它们转为N〇t维的行向量Hn，依次前后连接，生成3N〇 t维的WLD-TOP特 征行向量HWT= [H。氏H2]，如图4所示。
[0052] (1. 5)将特征向量输入SVM分类器进行训练：SVM分类器使用LIBSVM作 为基础的SVM实现工具；将训练集得到的所有k个特征向量构成训练集特征矩阵
，采用SVM训练，并用训练出来