本發(fā)明涉及人臉識(shí)別防假冒
技術(shù)領(lǐng)域：
，具體是一種用于防假冒人臉識(shí)別的主動(dòng)式隨機(jī)動(dòng)態(tài)指令生成系統(tǒng)。
背景技術(shù)：
：近年來(lái)，人臉識(shí)別技術(shù)已取得很大發(fā)展和應(yīng)用。但目前存在的人臉識(shí)別系統(tǒng)，并沒(méi)有很好的防冒充技術(shù)來(lái)鑒別利用事先拍攝的照片或視頻等非活體信息進(jìn)行的欺騙行為。而當(dāng)前的活體檢驗(yàn)需要配備特殊的設(shè)備，這對(duì)普通用戶所持有的普通網(wǎng)絡(luò)攝像頭不適用，這極大地制約了人臉認(rèn)證系統(tǒng)的廣泛應(yīng)用。同時(shí)，假冒手段多樣化給檢測(cè)技術(shù)的研究帶來(lái)了很大的挑戰(zhàn)。對(duì)人臉認(rèn)證系統(tǒng)常用的假冒欺騙手段可歸納為三類(lèi)：1)、合法用戶的照片；2)、合法用戶的視頻；3)、合法用戶的三維模型。對(duì)以上三種欺騙手段，從逼真度來(lái)看，照片和視頻相對(duì)比三維模型要逼真；從獲取途徑上來(lái)說(shuō)，照片可以通過(guò)網(wǎng)絡(luò)、簡(jiǎn)歷信息、偷拍等途徑極易獲取到，視頻也可以通過(guò)針孔攝像頭輕松地拍攝到，而制作逼近真人相貌的三維模型卻較為困難。因此，照片和視頻是欺騙識(shí)別系統(tǒng)最易用的手段。相對(duì)照片而言，視頻含有頭部運(yùn)動(dòng)、面部動(dòng)作、眨眼等活體的生理信息，所以對(duì)識(shí)別系統(tǒng)的威脅更大。如果把假冒視頻在攝像頭前播放，通常人也很難辨別出是視頻還是活體。目前，活體人臉的檢測(cè)技術(shù)主要有：1)三維深度信息分析；2)眨眼及頭部運(yùn)動(dòng)等的生理行為檢測(cè)；3)傅立葉頻譜分析；4)熱紅外線等。從頭部運(yùn)動(dòng)中計(jì)算三維深度信息的方法和人眨眼生理行為的檢測(cè)方法對(duì)區(qū)別活體和照片有效，但對(duì)于含有頭部運(yùn)動(dòng)和眨眼的視頻假冒攻擊則無(wú)效。對(duì)國(guó)內(nèi)某知名品牌筆記本中的人臉識(shí)別開(kāi)機(jī)管理系統(tǒng)評(píng)測(cè)發(fā)現(xiàn)，工牌，錄制視頻的筆記本電腦播放屏幕甚至是手繪制的素描圖片都能輕松騙過(guò)識(shí)別系統(tǒng)(http://my.tv.sohu.com/us/63365741/32159567.shtml)。而用傅立葉頻譜分析來(lái)區(qū)別活體與照片，依據(jù)是照片人臉的高頻分量小于活體人臉，這種方法依賴于圖像的質(zhì)量，并且對(duì)光線變化敏感。用熱紅外線獲取臉部血管圖或者臉部溫譜圖的方法則需要添置額外的設(shè)備。現(xiàn)在大多數(shù)的人臉識(shí)別是基于通過(guò)單個(gè)攝像頭獲取的圖像，因此不增加額外的檢測(cè)設(shè)備來(lái)實(shí)現(xiàn)抵抗視頻攻擊的方法成為首選，其優(yōu)點(diǎn)在于很容易集成到現(xiàn)有系統(tǒng)中。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供一種用于防假冒人臉識(shí)別的主動(dòng)式隨機(jī)動(dòng)態(tài)指令生成系統(tǒng)，通過(guò)增加主動(dòng)式的隨機(jī)動(dòng)態(tài)指令生成模塊，以及基于視頻跟蹤技術(shù)的隨機(jī)動(dòng)態(tài)指令判讀模塊，使得人臉識(shí)別系統(tǒng)具備有效的放冒充功能，大大提高了系統(tǒng)的安全性。本發(fā)明所采取的技術(shù)方案為：用于防假冒人臉識(shí)別的主動(dòng)式隨機(jī)動(dòng)態(tài)指令生成系統(tǒng)，包括人臉檢測(cè)模塊、目標(biāo)跟蹤模塊、隨機(jī)動(dòng)態(tài)指令生成模塊、隨機(jī)動(dòng)態(tài)指令驗(yàn)證模塊、人臉識(shí)別模塊。所述人臉檢測(cè)模塊，用于定位人臉，并提取特征存入數(shù)據(jù)庫(kù)中；人臉檢測(cè)模塊觸發(fā)隨機(jī)動(dòng)態(tài)指令生成模塊，生成需要由目標(biāo)人臉、人眼、人嘴完成的隨機(jī)動(dòng)態(tài)指令組合；隨機(jī)動(dòng)態(tài)指令發(fā)出后，待識(shí)別用戶在系統(tǒng)語(yǔ)音提示下，按要求做出相應(yīng)動(dòng)作，所述動(dòng)作會(huì)被隨機(jī)動(dòng)態(tài)指令驗(yàn)證模塊逐一驗(yàn)證；目標(biāo)跟蹤模塊利用視頻目標(biāo)跟蹤技術(shù)對(duì)人臉、眼和嘴部區(qū)域進(jìn)行連續(xù)跟蹤；若待識(shí)別用戶在動(dòng)態(tài)指令驗(yàn)證過(guò)程中，突然出示錄制的視頻或者其他道具，就會(huì)破壞跟蹤目標(biāo)的連續(xù)性，會(huì)被系統(tǒng)及時(shí)發(fā)現(xiàn)，并終止驗(yàn)證過(guò)程；通過(guò)隨機(jī)動(dòng)態(tài)指令驗(yàn)證模塊鑒別后，人臉檢測(cè)模塊提取的人臉特征，被送入人臉識(shí)別模塊完成最終的身份認(rèn)證識(shí)別。每個(gè)用戶會(huì)被人臉檢測(cè)模塊獲取多張樣本圖片。多個(gè)人臉出現(xiàn)時(shí)，僅選擇尺度最大的人臉目標(biāo)作為待識(shí)別目標(biāo)，尺度最大的人臉圖像代表了最靠近攝像頭的人臉目標(biāo)。隨機(jī)動(dòng)態(tài)指令的類(lèi)型、順序、長(zhǎng)度、執(zhí)行時(shí)間都是動(dòng)態(tài)隨機(jī)生成的。目標(biāo)跟蹤模塊采用了檢測(cè)與跟蹤相結(jié)合的在線學(xué)習(xí)跟蹤方法，利用隨機(jī)Haar特征提取目標(biāo)特征值，利用隨機(jī)森林分類(lèi)器實(shí)現(xiàn)待跟蹤目標(biāo)的實(shí)時(shí)檢測(cè)，同時(shí)結(jié)合KLT跟蹤方法對(duì)目標(biāo)進(jìn)行跟蹤，跟蹤結(jié)果經(jīng)過(guò)檢測(cè)器進(jìn)一步篩選并實(shí)時(shí)更新樣本庫(kù)，實(shí)現(xiàn)在線學(xué)習(xí)。目標(biāo)跟蹤模塊對(duì)跟蹤到的臉、眼、嘴，利用光流統(tǒng)計(jì)其運(yùn)動(dòng)矢量，利用KLT提供的目標(biāo)光流結(jié)果的方向，實(shí)現(xiàn)對(duì)這些指令的判讀。本發(fā)明一種用于防假冒人臉識(shí)別的主動(dòng)式隨機(jī)動(dòng)態(tài)指令生成系統(tǒng)，通過(guò)增加主動(dòng)式的隨機(jī)動(dòng)態(tài)指令生成模塊，以及基于視頻跟蹤技術(shù)的隨機(jī)動(dòng)態(tài)指令判讀模塊，使得人臉識(shí)別系統(tǒng)具備有效的放冒充功能，大大提高了系統(tǒng)的安全性。附圖說(shuō)明圖1為本發(fā)明的系統(tǒng)組成框圖。具體實(shí)施方式用于防假冒人臉識(shí)別的主動(dòng)式隨機(jī)動(dòng)態(tài)指令生成系統(tǒng)，包括人臉檢測(cè)模塊、目標(biāo)跟蹤模塊、隨機(jī)動(dòng)態(tài)指令生成模塊、隨機(jī)動(dòng)態(tài)指令驗(yàn)證模塊、人臉識(shí)別模塊。工作原理：首先是用戶人臉圖像的樣本特征庫(kù)錄入。首先用戶出示人臉，通過(guò)普通單目攝像頭獲取視頻序列，系統(tǒng)利用人臉檢測(cè)模塊定位人臉，并提取特征存入數(shù)據(jù)庫(kù)中。為了有效建立樣本庫(kù)，每個(gè)用戶會(huì)被人臉檢測(cè)模塊獲取多張樣本圖片。當(dāng)被識(shí)別對(duì)象出示人臉時(shí)，通過(guò)普通攝像頭捕獲人臉目標(biāo)。人臉捕獲采用Viola-Jones通用檢測(cè)器完成。本發(fā)明僅針對(duì)單人臉識(shí)別，因此，若同時(shí)有多個(gè)人臉出現(xiàn)，僅選擇尺度最大的人臉目標(biāo)作為待識(shí)別目標(biāo)。因?yàn)槌叨茸畲蟮娜四槇D像代表了最靠近攝像頭的人臉目標(biāo)。當(dāng)系統(tǒng)檢測(cè)到有效人臉后，這里有效人臉，指可以同時(shí)檢測(cè)到眼睛及嘴巴區(qū)域的正面人臉目標(biāo)，基于PCA技術(shù)提取人臉目標(biāo)在各主成份中的投影系數(shù)，作為人臉特征。在進(jìn)行最終的識(shí)別之前，首先由人臉檢測(cè)模塊觸發(fā)隨機(jī)動(dòng)態(tài)指令生成模塊，生成需要由目標(biāo)人臉、人眼(左右)、人嘴完成的隨機(jī)動(dòng)態(tài)指令組合。這里的“隨機(jī)”包括兩個(gè)方面，首先是臉、眼、嘴部動(dòng)作類(lèi)型和順序的隨機(jī)性。如扭頭出示上、下、左、右邊方位臉部圖像，張嘴，左、右、雙眼閉。各動(dòng)作所對(duì)應(yīng)的類(lèi)型編碼如表1所示。表1隨機(jī)動(dòng)態(tài)指令對(duì)應(yīng)的動(dòng)作類(lèi)型編碼動(dòng)作類(lèi)型左臉右臉上臉下臉張嘴左眼閉右眼閉雙眼閉動(dòng)作編碼ABCDEFGH隨機(jī)動(dòng)態(tài)指令的長(zhǎng)度及順序都是動(dòng)態(tài)隨機(jī)生成的，如ACDH,GHCCB,EEFGGH。另一方面，每個(gè)動(dòng)作的完成時(shí)間間隔是隨機(jī)設(shè)定的，如可能是1、2、3秒鐘完成。動(dòng)態(tài)指令類(lèi)型、順序、長(zhǎng)度、執(zhí)行時(shí)間的隨機(jī)性，使得用戶無(wú)法利用重放事先錄制好的視頻來(lái)執(zhí)行欺騙行為，因?yàn)檫@種隨機(jī)動(dòng)態(tài)指令的組合數(shù)量巨大，無(wú)法事先全部存儲(chǔ)下來(lái)。以固定指令長(zhǎng)度為4舉例，4個(gè)連續(xù)動(dòng)作，隨機(jī)動(dòng)態(tài)指令序列的種類(lèi)就有84＝4096種；若指令長(zhǎng)度增加至8，則存在16777216種組合。若再配上執(zhí)行時(shí)間，即每個(gè)動(dòng)作保持時(shí)間，系統(tǒng)會(huì)用語(yǔ)音提示用戶保持某個(gè)動(dòng)作直到結(jié)束，則又可增加3個(gè)自由度，相當(dāng)于動(dòng)作的類(lèi)型擴(kuò)展到了24種(以3種執(zhí)行時(shí)間為例)，這會(huì)進(jìn)一步指數(shù)級(jí)增大指令序列的組合數(shù)，使得非法用戶無(wú)法實(shí)現(xiàn)錄用驗(yàn)證指令視頻序列，達(dá)到防冒充的效果。隨機(jī)動(dòng)態(tài)指令發(fā)出后，待識(shí)別用戶在系統(tǒng)語(yǔ)音提示下按要求做出相應(yīng)動(dòng)作，這些動(dòng)作會(huì)被隨機(jī)動(dòng)態(tài)指令驗(yàn)證模塊逐一驗(yàn)證。為了有效驗(yàn)證各指令同時(shí)進(jìn)一步提高系統(tǒng)安全性，本發(fā)明目標(biāo)跟蹤模塊，利用視頻目標(biāo)跟蹤技術(shù)對(duì)人臉、眼和嘴部區(qū)域進(jìn)行連續(xù)跟蹤。若待識(shí)別用戶在動(dòng)態(tài)指令驗(yàn)證過(guò)程中突然出示錄制的視頻或者其他道具，就會(huì)破壞跟蹤目標(biāo)的連續(xù)性，這會(huì)被系統(tǒng)及時(shí)發(fā)現(xiàn)，并終止驗(yàn)證過(guò)程。本發(fā)明中目標(biāo)跟蹤模塊所采用的視頻目標(biāo)跟蹤技術(shù)，可采用一般的單目標(biāo)跟蹤技術(shù)，如基于Blob檢測(cè)與卡爾曼濾波相結(jié)合的跟蹤算法；也可以采用純基于光流的跟蹤算法，如KLT算法，這些都是經(jīng)典常用跟蹤算法。若攝像頭拍攝環(huán)境較為復(fù)雜時(shí)，可采用檢測(cè)與跟蹤相結(jié)合的在線學(xué)習(xí)跟蹤方法，如TLD。TLD利用隨機(jī)Haar特征提取目標(biāo)特征值，利用隨機(jī)森林分類(lèi)器實(shí)現(xiàn)待跟蹤目標(biāo)的實(shí)時(shí)檢測(cè)，同時(shí)結(jié)合KLT跟蹤方法對(duì)目標(biāo)進(jìn)行跟蹤，跟蹤結(jié)果經(jīng)過(guò)檢測(cè)器進(jìn)一步篩選并實(shí)時(shí)更新樣本庫(kù)，實(shí)現(xiàn)在線學(xué)習(xí)，可達(dá)到較好的跟蹤效果。根據(jù)人臉跟蹤的結(jié)果，可計(jì)算出臉部區(qū)域發(fā)生的相對(duì)運(yùn)動(dòng)矢量，從而判斷出當(dāng)前臉為左臉、右臉、上臉還是下臉，這些臉部區(qū)域?qū)?yīng)人頭的左、右、抬頭、低頭的動(dòng)作。在本發(fā)明中，人臉區(qū)域被檢測(cè)到后，人眼及嘴巴區(qū)域可利用Viola-Jones通用檢測(cè)器被找到。睜眼、閉眼、張嘴、閉嘴的檢測(cè)，也同樣采用Viola-Jones通用檢測(cè)器來(lái)完成。在本發(fā)明中，通過(guò)分辨選擇5000張正樣本(睜開(kāi)的眼部區(qū)域和閉合的嘴部區(qū)域)和10000張負(fù)樣本(閉合的眼部區(qū)域和張開(kāi)的嘴部區(qū)域)來(lái)訓(xùn)練Viola-Jones中的Adaboost分類(lèi)器，實(shí)現(xiàn)睜閉眼，張閉嘴的識(shí)別。通過(guò)隨機(jī)動(dòng)態(tài)指令驗(yàn)證模塊鑒別后，人臉檢測(cè)模塊會(huì)提取人臉特征，然后將特征送入人臉識(shí)別模塊，完成最終的身份認(rèn)證識(shí)別。在本發(fā)明中，人臉特征提取選用Gabor幅值特征，然后利用LBP提取Gabor特征的統(tǒng)計(jì)特征，最后通過(guò)與人臉特征庫(kù)中已經(jīng)存在的人臉特征進(jìn)行匹配來(lái)實(shí)現(xiàn)識(shí)別。本發(fā)明中，人臉檢測(cè)模塊中的特征提取算法與人臉識(shí)別模塊中的識(shí)別算法是配合進(jìn)行的，其他人臉識(shí)別算法也同樣適用。當(dāng)前第1頁(yè)1 2 3