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，能够判定人脸图像 的真实性，具有较高的照片人脸检测效果。
[0031] 2、由于本发明采用奇异值分解的方法，因其具有良好的稳定性、矩阵转置不变性、 旋转和镜像不变性，在人脸图像上较好的解决了噪声、光照条件引起的灰度变化，在一定程 度上解决了真实人脸和翻拍人脸两类人脸图像在外界环境变化的影响，对分类鉴别有着至 关重要的作用；另一方面，奇异值分解也解决了直接使用小波重构系数矩阵，存储量太大的 问题。
[0032] 3、由于本发明W每10行像素为子窗口、5行间距进行分割，一方面可W减少数据 量，另一方面，10行像素为子窗口具有较高的识别率。
[0033] 4、由于本发明采用多个活体人脸照片和照片人脸照片作为样本，从而计算获得P (0 IV )，使得检测的检测率较高，检测效果好。
【附图说明】
[0034] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W 根据运些附图获得其他的附图。
[0035] 图1为本发明的HMM模型参数训练流程示意图。
[0036] 图2为本发明的真实人脸二阶小波分解示意图。
[0037] 图3为本发明的照片人脸二阶小波分解示意图。
【具体实施方式】
[0038] 下面结合实施例对本发明做进一步的详细说明，W下实施例是对本发明的解释而 本发明并不局限于W下实施例。
[0039] 实施例1:
[0040] 在识别人脸图像类型的过程中，真实人脸的凹凸性明显，有人体皮肤的属性，而照 片人脸是平面图且特别光滑，本质上是照片的属性，因此必然会产生不同的光照反射和局 部阴影，验证系统对两类人脸采集的结果在灰度变化趋势上将会存在差异。因此，本发明将 人脸图像的二维离散像素元转化到小波域上去分析。
[0041] 小波变换的基本思想是用一族基函数去表示或逼近原始信号，单张人脸图像经过 小波变换后，小波系数的空间分布与原始图像的空间分布有着较好的对应关系。在相同的 光照条件下，活体人脸只是呈现了皮肤表面属性8,而照片人脸的成像展现了照片表面属性 4，像元上说，是在前者基础上增加了光滑照片属性成分。
[00创设给定的活体人脸/*,麻，分，照片人脸知却(x，y)，kl、k2是两种表面属性在像素上 分享的比重，f(x，y)是相同摄像头下的相机响应函数，由小波变换叠加性质：
[0043]
[0044] 因此两种表面属性分离成为可能，容易知道，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，小波分解后图像的主要信息集中在低频部分， 而高频成分在水平、垂直和对角线=方向保留了重要信息，而运些正是能够很好的在人脸 图像上表现灰度变化趋势的部位。在图2和图3中的小波分解子带可W看出真实人脸与照片 人脸在水平、垂直，尤其是斜对角方向的高频成分差异较大。
[0045] 本发明的HMM模型参数训练流程如图1所示，本发明具体包括如下步骤：
[0046] 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；
[0047] S2.分别提取每个分割块的小波系数矩阵A(m，n);
[004引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；
[0049] 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；
[0050] 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；
[0051 ] 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，
[0化2]
[0053]混合概率矩阵可依据下面公式计算，
[0化4]
[0化5]其中兵,和H /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；
[0056] S7.用Viterbi分割取代均匀分割，重新初始化均值和协方差矩阵；
[0057] 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，直至化(〇|V)达到最大值，得到最能表征观察序列0的HMM模型A(i) = (ni，Ai，Bi)(i = l， 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；
[005引 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 = 1，2)， max(P(0'|、））（i = l，2)取得最大值的，即为活体人脸。
[0059] 上述巧旨的是在模型V下训练样本的观察序列0出现的似然概率，此概率用于评价 模型与样本之间的相似度。
[0060] 上述步骤Sl中，窗口是用于分割出图片块，10行像素为一个子窗口，窗口 W每次5 行像素间隔下移，每一个窗口内的子块均作为一个分割块，总共下移23次(最后一个窗口的 位置在115行到125行之间），运样128*128的图片共可W被分割为24块。
[0061] 24维相对于64*64维和80维，大幅降低了计算所需的存储空间，为低计算处理能力 的平台（如手机)减小了系统的开销，小波域SVD分解后的系数矩阵，优化选择人脸分割大小 为10行，组合人脸特征集，隐马尔科夫模型正好将各部分分割块有效的联系在一起，更好的 描述了 5个窗口的状态转移过程，且窗口分布上近似满足正常人脸图像的部位，依据状态转 移概率掲示活体人脸与假冒人脸差异。
[0062] 奇异值分解（Singular Value Decomposition,SVD)是一种良好的图像特征提取 方式，因其具有良好的稳定性、矩阵转置不变性、旋转和镜像不变性，在人脸图像上较好的 解决了噪声、光照条件引起的灰度变化，在一定程度上解决了真实人脸和翻拍人脸两类人 脸图像在外界环境变化的影响，对分类鉴别有着至关重要的作用。
[0063] 直接使用小波重构系数矩阵，存储量太大，不适合移动终端（如手机)等设备的处 理能力。既要保存矩阵的相关特性，又要保证在低维空间进行数据处理，奇异值分解很好的 解决了运个问题，将高频系数矩阵的256、1024、4096个的数据存储分别降到16、32、64个，大 大降低了计算的复杂度。
[0064] 用乘法公式确定参数的估计值和期望值，总的来说，算法是一种重复反馈的过 程，不断逼近所需要的目标或结果，因而统计模型的参数在概率数值上不断增加，最终在某 个范围内收敛，运个收敛所得到的最大值就认为是最优概率模型。
[0065] HMM是一个双内嵌式随机过程，即一个隐含的状态转移序列，刻画状态的转移；另 一个随机过程，刻画隐状态观察序列对应的概率统计关系。前者是隐藏的、不可观测的，只 能通过随机过程的输出观察序列进行推断，所W不同模型状态的设计、观察序列的