一种基于局部运动模式的人脸防伪方法
【技术领域】
[0001] 本发明涉及计算机视觉和模式识别领域，生物特征识别领域中的人脸防伪方法研 究，尤其涉及一种基于局部运动模式的人脸防伪方法。
【背景技术】
[0002] 目前，生物特征识别技术已经被广泛地应用于日常生活中的方方面面。人脸生物 特征识别技术，由于其具有方便易用，用户友好性，非接触式等优点，在近年来取得了突飞 猛进的发展，送些发展体现在了各个研究领域，包括人脸检测、人脸特征提取、分类器设计 W及硬件设备制造等。然而，基于人脸的生物特征识别在应用层面上依然面临着一些考验， 其中，最为突出的就是识别系统的安全性问题；作为一种用于身份识别的装置，它们很容易 被一个非法分子假冒成合法的用户，且目前的大部分人脸识别系统都无法区分真实的人脸 和照片，只要获取到了合法用户的照片，郝么就能轻而易举地骗过送类识别系统，而如今发 达的社交网络让送个攻击方式变得异常容易；此外，用录制的视频或者伪造的面具均可能 对人脸识别系统产生攻击。
[0003] 人脸防伪亦称人脸活体检测，逐渐受到了来自学术界和工业界的重视；人脸防伪 的主要目的是区分真实人脸和上述伪造的人脸图像，识别假人脸图像对人脸识别系统的攻 击，从而提高人脸识别系统的安全性；根据使用的线索不同，可W将人脸防伪方法分成Η 类： 1、基于皮肤反射特性的人脸防伪方法：从人脸皮肤的反射特性出发，一些研究者利用 多光谱采集手段进行人脸防伪；利用真人皮肤和伪造的人脸皮肤两者在不同光谱下的反射 率不同送一特点，达到人脸防伪的目的；送类方法的研究内容是找到合适的光谱，使得真假 人脸皮肤的差异最大；然而，送类方法具有W下几个明显的不足；1)仅在非常少量的数据 上测试，因此无法对性能进行全面评估；2)选取的光谱波段无法通过常用的摄像头感应，需 要部署特殊的感光器件，增加了硬件开销；3)额外的感光器件需要开发有针对性的信号转 换电路，增加了与现有系统的兼容性问题。
[0004] 2、基于纹理差异的人脸防伪方法；基于微纹理的人脸防伪方法有一下假设；同一 设备采集伪造人脸和用该设备采集的真人脸相比存在细节丢失或差异，而送些细节上的差 异就引起了图像微纹理上的差异；该假设在大多数情况下是成立的，伪造的人脸是通过使 用真实人脸图片制作而成，W打印的照片为例，非法用户首先将照片打印在纸张上，然后将 打印的人脸照片摆放在人脸识别系统前进行攻击；在送个过程中，至少会有两个环节造成 差异，一是打印环节，打印机不可能不失真地复现照片内容；二是打印照片的二次成像，采 集设备不可能将照片上的内容完美捕捉；除此之外，真实人脸和打印人脸在表面形状上的 差异，局部高光的差异等等，都会造成两者在微纹理上的差异。
[0005] 3、基于运动的人脸防伪方法；送类方法旨在通过检测人脸的生理反应来判定采集 的是否为真实人脸；考虑到真实人脸和伪造人脸相比，有更多的自主性，送类方法通过要求 用户进行指定的动作作为判定的依据；常用的交互方法包括眨眼，摇头，嘴部动作等等；除 基于局部运动的检测方法之外，还有一类方法是基于整个头部的动作进行判断的；送类方 法有效的原因在于照片和人脸的Η维结构存在明显的差异，使得获取的头部运动模式也存 在一定的差异；为了进一步提高人脸防伪性能，一种基于多模态的人脸防伪方法被提出； 该方法要求用户阅读指定的文本内容，随后通过分析用户的嘴唇动作和相应的语音内容是 否吻合来判断人脸的真伪；然而，送种基于人机交互的防伪方法由于要求用户进行特定的 动作，对用户的要求过高，使得用户体验不佳，同时，认证时间较长也是上述方法的一大弊 JLjJU 乂而。
[0006] 在W上Η种方法中，基于运动的人脸防伪方法具有不受光照条件，图像质量影响 等优点，然而，送类方法在提取运动特征时，没有对人脸的各个区域进行精确定位，从而无 法准确描述所采集人脸的实际运动状态；例如，一些方法将采集的图像粗略地分成人脸矩 形区域和背景区域，通过对比两者的运动状态来判定人脸的真伪，然而，由矩形框确定的人 脸区域包含着大量的背景区域，使得真实人脸很大可能被误判为伪造人脸；同时，在送种情 况下，伪造的人脸通过折叠，扭曲变形亦可轻易骗过人脸防伪系统；因此，如何精确地定位 人脸区域和非人脸区域，并找到最具有鉴别性的局部区域W提取鉴别性强的局部运动模式 信息是人脸防伪系统能否应用于实际中的关键。
【发明内容】
[0007] 本发明的目的是提供一种基于局部运动模式的人脸防伪方法，W克服目前现有技 术存在的上述不足。
[0008] 本发明的目的是通过W下技术方案来实现： 一种基于局部运动模式的人脸防伪方法，包括： 对预先采集的视频图像进行分析，确定人脸区域，并对所述人脸区域进行分析，确定所 述人脸区域中各人脸关键点； 根据所述视频图像所对应的视频顿，获得所述视频图像中像素点的运动方向和幅值信 息； 根据获得的像素点的运动方向和幅值信息，对所述人脸关键点进行分析，确定所述人 脸关键点所在局部区域内的运动方向和幅值信息，并根据该信息确定局部区域的运动方向 之间W及幅值之间的关系，从而获取人脸的局部运动模式； 通过预先配置的模式分类器对获取的人脸的局部运动模式进行分类，并根据分类的结 果，验证所述视频图像中人脸的真伪。
[0009] 进一步的，所述人脸区域通过人脸检测器获取或利用人工指定。
[0010] 进一步的，对所述人脸区域进行分析，确定所述人脸区域中各人脸关键点包括： 根据所述人脸区域的位置，通过预先定义的人脸关键点的初始位置信息，确定所述人 脸区域中各人脸关键点的位置； 根据所述人脸区域中各人脸关键点的位置，提取所述视频图像上与所述人脸关键点的 位置相对应的视频图像特征； 根据所述视频图像特征，通过预先配置的算法模型，更新所述视频图像上与所述人脸 区域相对应的人脸关键点的位置； 当满足预设条件之后，上述过程终止。
[0011] 进一步的，根据获得的像素点的运动方向和幅值信息，对所述人脸关键点进行分 析，确定所述人脸关键点所在局部区域内的运动方向和幅值信息包括： 根据所述精确人脸关键点的位置，对所述视频图像中头部区域进行精确划分，确定所 述视频图像中头部区域的相应图像掩码； 根据所述图像掩码W及获得的像素点的运动方向和幅值信息，提取每个精确人脸关键 点在其所处的局部区域内的头部区域和非头部区域的运动方向和幅值信息。
[0012] 进一步的，根据所述人脸关键点的位置，对所述视频图像中头部区域进行精确划 分，确定对应的图像掩码包括： 根据所述精确人脸关键点的位置，确定与所述精确人脸关键点的位置对应的人脸包络 线；并将该人脸包络线包含的区域作为所述视频图像的人脸区域； 根据所述视频图像中人脸包络线两端的连接线，对所述人脸包络线进行镜像，并将所 述人脸包络线与其镜像进行组合，得到一个封闭的曲线，将所述曲线包含的区域作为所述 视频图像的头部区域； 根据所述视频图像的人脸区域的位置和所述视频图像的头部区域的位置，确定所述视 频图像的人脸区域和头部区域的相应图像掩码。
[0013] 在能够获取人脸及头部精确轮廓的前提下，所需关键点的数量和相对应的位置可 W任意选择。
[0014] 进一步的，根据所述图像掩码W及获得的像素点的运动方向和幅值信息，提取每 个精确人脸关键点在其所处的局部区域内的头部区域和非头部区域的运动方向和幅值信 息包括： 根据预先配置的局部区域大小的参数信息，确定每个精确人脸关键点所对应的局部区 域； 根据所述图像掩码，将所述局部区域内落在头部区域的像素点标定为前景区域，将所 述局部区域内落在头部区域之外的像素点标定为背景区域； 根据获得的像素点的运动方向和幅值信息；统计所述局部区域内的前景和背景区域各 自的运动方向和幅值信息。
[0015] 进一步的，根据所述人脸关键点所在局部区域的运动方向和幅值信息，计算不同 区域的运动方向及幅值之间的关系，获取人脸的局部运动模式包括： 根据所述每个人脸关键点在其所处的局部区域内的前景和背景的运动方向和幅值信 息，计算局部前景区域之间、局部背景区域之间W及局部前景与背景区域之间的运动方向 和幅值信息的关系； 根据计算的所述局部前景区域之间、局部背景区域之间W及局部前景与背景区域之间 的运动方向和幅值信息的关系，确定人脸的局部运动模式。
[0016] 进一步的，根据所述每个人脸关键点在其所处的局部区域内的前景和背景的运动 方向和幅值信息，计算局部前景区域之间、局部背景区域之间W及局部前景与背景区域之 间的运动方向和幅值信息的关系包括： 基于所述局部区域内的前景和