基于svd-hmm活体人脸检测方法
【技术领域】
[0001 ] 本发明设及一种人脸检测方法，特别是一种基于SVD-HMM活体人脸检测方法。
【背景技术】
[0002] 随着生物特征识别技术手段的不断更新，智能身份识别认证获得了飞速发展。其 中人脸识别领域经过30多年的研发，诸多高效的人脸识别算法不断出现，其中，基于人脸特 征点的识别算法、基于模板的识别算法等，在人脸识别速率和识别效能上都有较好的提升， 但研究者却很少关注人脸图像的来源是否真实可靠，伪造人脸的手段多种多样，给人脸识 别应用带来了不少的安全隐患，因而越来越多的学者致力于识别系统的安全性研究。
[0003] 在09年黑帽信息安全会议(Black化t)上，Duc Nguyen提出一张人脸并不一定是 所需要的安全密码，仅仅使用一张打印的人脸照片即可代替活体人脸，虽然联想、华硕和东 芝=大电脑制造商把人脸技术运用到实践中，为客户带来更大的便利，但问题是运种技术 确实不能完全保障用户安全。在谷歌公司发布AmlroicM.0后，为广大机友带来了通过人脸 识别解锁手机的功能，但随后一直就有用个人照片代替真人解锁手机的报道，因而谷歌一 直在谨慎和保守使用人脸识别技术。要使人脸识别系统步入成熟，运类照片人脸代替真实 活体人脸的安全隐患必须得到解决。在现实应用场景中，人脸识别系统主要面临的=种攻 击类型：翻拍照片人脸攻击，通过用户的纸质照片或电子数码照片代替用户本人进行识别； 视频人脸攻击，通过录制用户的头部运动，如巧眼、表情等，呈现高相似度的活动人脸图像 帖；=维人脸模型攻击，通过=维立体重建技术，构造真人=维人脸。其中获取人脸照片的 操作简单、便捷，给合法用户带来巨大的经济财产损失，因而运种攻击手段造成的安全隐患 首当其冲。
[0004] 近年来针对人脸活体检测研究愈来愈多，在面部表情跟踪、巧眼判别等活体特性 上研究检测算法成为了热点，随后=星手机发布了必须巧眼才能解锁的人脸识别系统。但 是运种依靠脸部运动来判断是否为活体的方法，更容易被视频中的连续人脸帖攻击。因此， 对于摄像头采集的单帖人脸图像进行鉴别，成为更基础、更有效的工作。
[0005] 小波变换是一种信号的时间一尺度或时间一频率的分析方法，即在时域对信号进 行离散变换，在频域进行谱分析的方法。它具有高分辨率的特点，而且在时、频两域都具有 表征信号局部特征的能力。它在低频部分具有较高的频率分辨率和较低的时间分辨率，在 高频部分具有较高的时间分辨率和较低的频率分辨率，很适合于探测正常信号中夹带的瞬 态反常现象，所W被誉为分析信号的显微镜和望远镜。
[0006] 本发明提出一种单帖人脸图像下的活体检测算法，在人脸高频分量集中的关键部 位进行人脸区域分割，对分割块进行=阶小波分解，并且对重构系数矩阵进行奇异值分解， 利用低阶近似原理构造观察向量，W此设计5个状态窗口的隐马尔科夫模型，最终通过概率 匹配最优原则鉴别活体人脸。算法在NUAA人脸库与自建的人脸库上均做了验证，效果较为 良好，能够有效抵抗照片人脸，同时在安卓系统验证了对视频人脸攻击同样具有抵抗作用。
【发明内容】
[0007] 本发明所要解决的技术问题是提供一种能够区分活体人脸与照片人脸的基于 SVD-HMM活体人脸检测方法。
[0008] 本发明解决上述技术问题所采用的技术方案如下：
[0009] 基于SVD-HMM活体人脸检测方法，包括如下步骤：
[0010] SI.分别将活体人脸照片和照片人脸照片均匀分割为24个分割块，使得每个窗口 包含人脸关键部位；
[0011] S2.分别提取每个分割块的小波系数矩阵A(m，n);
[0012] S3.对小波系数矩阵A(m，n)进行奇异值分解:A = UQyT,奇异值矩阵Q内的正实数入 为小波系数矩阵A(m，n)的奇异值，数值上是ATa或AAT的特征值的平方根；
[0013] S4.取每个分割块的奇异值系数序列的最大值，即序列首值作为特征集合，第i个 分割块的特征集合表示为Yi=[aji00Vi0iVii0Vm]T，i = l，2, . . .，24,j = l，2,3,00为低 频值、Ol为水平方向、10为垂直方向、11为斜对角方向，每个分割块分别提取10个最大奇异 值，24个分割块共提取24个观察向量；
[0014] S5.从第一个观察向量开始依次取若干个相邻分割块的观察向量作为一组子观察 序列，共得到5个子观察序列，运5个子观察序列依次对应人脸的眉毛、眼睛、鼻子、嘴己、下 己5个部位；
[0015] S6.计算HMM模型的初始参数，其中初始状态概率矩阵设定为n〇=[l，0,0,0,0]， 表示开始的状态为1;概率转移矩阵A的初始值由平均概率求出，若T为观察序列的长度，贝U 得到A的矩阵如下，
[0016]
[
[
[0019] 其中禹,和艺7分别为高斯概率密度函数的均值和协方差矩阵，Oi指子观察序列中 的元素值；
[0020] S7.用Viterbi分割取代均匀分割，重新初始化均值和协方差矩阵；
[0021] S8.利用EM算法对n，A，B运S个矩阵参数进行重新计算，迭代调整模型的参数得 到新模型A'= ( n '，A'，B'），当前后两次迭代误差小于1*1(T4时，表示已经收敛，否则继续迭 代，直到P(〇 I V )达到最大值，得到最能表征观察序列0的HMM模型M i) = ( ni，Ai，Bi) (i = 1， 2)，分别为活体人脸模型和照片人脸模型，其中，0指子观察序列集，P指在模型A'下的子观 察序列0出现的似然概率；
[0022] S9.将待识别的人脸照片同样经过Sl至S5的处理，得到5个子观察序列，然后分别 通过Viterbi算法计算每个模型产生5个子观察序列的最大似然概率P(0' I AiKi = I,2)， max(P(0'|、））（i = l，2)取得最大值的，即为活体人脸。
[0023] 本发明提出了人脸图像矩阵的奇异值分解(SVD)与隐马尔科夫模型化MM)结合取 证方法。在人脸分割块提取小波低频系数和水平、垂直、对角高频系数，得到的小波系数通 过稀疏分解降维构成24维观察序列，最终生成隐马尔科夫模型，确定假冒人脸隐藏状态序 列，从而判定人脸图像的真实性，算法有较好的照片人脸检测效果。
[0024] 作为优选，步骤S8和步骤S9中，最大值指P(0 I A'）的最大值，即maxP(0 I A'），值为 0 ? 98 O
[0025] 作为优选，步骤Sl中，分别将活体人脸照片和照片人脸照片压缩至128*128, W每 10行像素为子窗口、5行间距将人脸照片分割为24个分割块，使得每个窗口包含人脸关键部 位。其优点在于，先进行压缩一方面可W减少数据量，另一方面也便于分割块的分割。
[0026] 作为优选，步骤Sl中，预先取得活体人脸照片和照片人脸照片后，分别存入活体人 脸照片库和照片人脸照片库待用;两种人脸照片分别取10张 W上。其优点在于，两种照片库 的样本容量越大，获得的结果便越准确。
[0027] 作为优选，步骤S5中，从第一个观察向量开始依次取每4个相邻分割块的观察向量 作为一组子观察序列，最后8个分割块的观察向量合并为一组子观察序列，得到5个子观察 序列，运5个子观察序列依次对应人脸的眉毛、眼睛、鼻子、嘴己、下己5个部位。其优点在于， 人脸图像的细节纹理信息较为丰富，眼睛、嘴己、鼻子等部位占据图像空间较大，对应人脸 器官分别进行观察，可W得到较好的观察结果。
[00%]本发明所述的HMM指隐马尔科夫模型，SVD指奇异值分解。Viterbi译码算法是一种 卷积码的解码算法。EM算法指最大期望算法。
[0029] 本发明同现有技术相比具有W下优点及效果：
[0030] 1、由于本发明提出了人脸图像矩阵的奇异值分解(SVD)与隐马尔科夫模型化MM) 结合取证方法，在人脸分割块提取小波低频系数和水平、垂直、对角高频系数，得到的小波 系数通过