一種活體檢測方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理和人臉識別領(lǐng)域，特別涉及基于人臉識別的活體檢測方法和 設(shè)備。
【背景技術(shù)】
[0002] 隨著對信息安全需求的不斷增長，在人臉識別系統(tǒng)中加入活體檢測的功能受到越 來越多的關(guān)注。常見的人臉攻擊形式包括照片、視頻播放和3D模型。照片和視頻播放是 最常見的攻擊方式，人們可以從移動設(shè)備或者監(jiān)控攝像頭中輕易地獲取合法用戶的相關(guān)資 料。
[0003] 隨著現(xiàn)代技術(shù)的發(fā)展，3D人臉的合成和模型的獲取不再是一件難以實現(xiàn)的事，例 如，ThatsMyFace.com的服務(wù)可以通過上傳一張正面和一張側(cè)面照片實現(xiàn)3D人臉的重構(gòu)和 3D模型的訂制。和真實人臉相比，照片人臉是平面的，并存在二次獲取帶來的質(zhì)量損失、模 糊等問題；視頻人臉具有LCD反光等現(xiàn)象；而3D模型人臉運動是剛性運動等。
[0004] 基于以上事實，當前的活體檢測算法主要分為三類：（1)基于運動的方法；（2)基 于紋理的方法；（3)基于融合的方法。
[0005] 基于運動的方法主要是分析圖像幀序列的運動趨勢。但是這種基于運動的方法需 要對圖像的背景或者用戶的無意識動作進行判定，計算方法復(fù)雜。
[0006] 基于紋理的方法主要是通過找出單幀真實人臉和欺騙人臉的顯著性區(qū)分特征進 行活體判斷，因為欺騙人臉在二次獲取的過程中會帶來質(zhì)量下降、模糊等微紋理的變化。但 是基于紋理的方法只能很好地處理低分辨率的打印照片攻擊，對高清照片無效。
[0007] 現(xiàn)在，越來越多的研究者們把目光投向了基于融合的方法，S卩，通過融合至少兩種 活體判別方法，互補優(yōu)勢從而達到抵御多種攻擊形式的目的。
[0008]目前的融合方法主要分為特征層融合方法和得分層融合方法。特征層融合方法是 將多個特征串聯(lián)進行融合，有人提出了基于運動和紋理信息的互補策略，并對融合方法進 行了研究。得分層融合方法是獲取多個特征的得分，然后進行加權(quán)從而得到最終的得分。有 人從非剛體運動、人臉背景一致性和圖像帶波效應(yīng)三個方面進行分析，并通過回歸模型進 行得分層融合。
[0009] 然而，目前的得分層融合方法對于不同量綱、不同含義的特征，無法進行準確的融 合，影響了活體識別的效率和精度。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明提供了一種基于人臉識別的活體檢測方法和裝置，其基于鏡面反射的人臉 特征進行活體檢測，能夠降低活體判別的復(fù)雜度，并且能夠有效預(yù)防高清照片的攻擊，提高 活體判別的效率和精度。
[0011] 為達上述目的，本發(fā)明采用如下技術(shù)方案： 一方面，本發(fā)明提供了一種活體檢測方法，包括以下步驟： 獲取多個識別樣本的人臉圖像，從所述多個識別樣本的人臉圖像中提取基于鏡面反射 的第一人臉特征； 基于所述第一人臉特征計算所述多個識別樣本的第一活體檢測得分； 根據(jù)所述第一活體檢測得分得到活體判斷閾值； 獲取待識別對象的人臉圖像，從所述待識別對象的人臉圖像中提取基于鏡面反射的第 二人臉特征； 基于所述第二人臉特征計算所述待識別對象的第二活體檢測得分； 判斷所述第二活體檢測得分是否大于等于所述活體判斷閾值，若是，則判斷所述待識 別對象為活體。
[0012] 進一步地，所述從所述多個識別樣本的人臉圖像中提取基于鏡面反射的第一人臉 特征包括： 對所述多個識別樣本的人臉圖像進行鏡面反射分離，得到鏡面反射圖像； 將所述鏡面反射圖像從RGB空間轉(zhuǎn)換到HSV空間，并提取V通道圖像。
[0013] 進一步地，在提取V通道圖像之后， 利用預(yù)先定義的眼睛圖像標準模板對齊所述V通道圖像中的人臉區(qū)域； 均勻劃分對齊后的人臉區(qū)域； 提取劃分后每一塊人臉區(qū)域的紋理特征，串聯(lián)組成所述第一人臉特征。
[0014] 進一步地，利用支持向量機SVM訓(xùn)練分類模型計算所述第一活體檢測得分和第二 活體檢測得分。
[0015] 進一步地，根據(jù)所述第一活體檢測得分得到活體判斷閾值包括： 將多個識別樣本的第一活體檢測得分順序排列； 計算各識別樣本的第一活體檢測得分在所有識別樣本構(gòu)成的訓(xùn)練集上的準確率； 將準確率最高的識別樣本對應(yīng)的第一活體檢測得分作為活體判斷閾值。
[0016] 另一方面，本發(fā)明提供了一種活體檢測裝置，包括： 獲取模塊，用于獲取多個識別樣本的人臉圖像和待識別對象的人臉圖像； 人臉特征提取模塊，用于從所述多個識別樣本的人臉圖像中提取基于鏡面反射的第一 人臉特征，及從所述待識別對象的人臉圖像中提取第二人臉特征； 活體檢測模塊，用于根據(jù)所述第一人臉特征計算所述多個識別樣本的第一活體檢測得 分，及根據(jù)所述第二人臉特征計算所述待識別對象的第二活體檢測得分； 閾值獲取模塊，用于根據(jù)所述第一活體檢測得分得到活體判斷閾值； 判斷模塊，用于判斷所述第二活體檢測得分是否大于等于所述活體判斷閾值，若是，則 判斷所述待識別對象為活體。
[0017] 進一步地，所述人臉特征提取模塊從所述多個識別樣本的人臉圖像中提取基于鏡 面反射的第一人臉特征為： 對所述多個識別樣本的人臉圖像進行鏡面反射分離，得到鏡面反射圖像； 將所述鏡面反射圖像從RGB空間轉(zhuǎn)換到HSV空間，并提取V通道圖像。
[0018] 進一步地，所述人臉特征提取模塊在提取V通道圖像之后， 利用預(yù)先定義的眼睛圖像標準模板對齊所述V通道圖像中的人臉區(qū)域； 均勻劃分對齊后的人臉區(qū)域； 提取劃分后每一塊人臉區(qū)域的紋理特征，串聯(lián)組成所述第一人臉特征。
[0019] 進一步地，所述活體檢測模塊利用支持向量機SVM訓(xùn)練分類模型計算所述第一活 體檢測得分和第二活體檢測得分。
[0020] 進一步地，所述閾值獲取模塊得到活體判斷閾值具體為： 將多個識別樣本的第一活體檢測得分順序排列； 計算各識別樣本的第一活體檢測得分在所有識別樣本構(gòu)成的訓(xùn)練集上的準確率； 將準確率最高的識別樣本對應(yīng)的第一活體檢測得分作為活體判斷閾值。
[0021] 本發(fā)明從真實人臉和攻擊人臉反射率不同這個角度來提取人臉特征，通過提取多 個識別樣本的基于鏡面反射的第一人臉特征計算得到多個識別樣本的活體檢測得分，根據(jù) 多個識別樣本的活體檢測得分得到活體判斷閾值，通過提取待識別對象的基于鏡面反射的 第二人臉特征計算得到待識別對象的活體檢測得分，當待識別對象的活體檢測得分大于等 于活體判斷閾值時判斷該待識別對象為活體。采用本發(fā)明提供的方法能夠有效預(yù)防高清照 片的攻擊，實現(xiàn)有效拒絕了非真實人臉欺騙識別的同時，提高了計算速度和精度，并且降低 了活體判斷的復(fù)雜度。
【附圖說明】
[0022] 附圖與文字描述一起用來對本發(fā)明的實施方式作進一步的說明。其中： 圖1示出了本發(fā)明的活體檢測裝置的框圖。
[0023] 圖2示出了本發(fā)明的活體檢測方法的示意圖。
[0024] 圖3示出了本發(fā)明的活體檢測方法的流程圖。
[0025] 圖4示出了獲得基于鏡面反射的人臉特征的過程。
【具體實施方式】
[0026] 下面結(jié)合附圖和實施例對本發(fā)明作進一步的詳細說明?？梢岳斫獾氖?，此處所描 述的具體實施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便 于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部內(nèi)容。
[0027] 圖1示出了本發(fā)明的活體檢測裝置的結(jié)構(gòu)框圖。
[0028] 本發(fā)明的用于活體檢測的裝置10包括獲取模塊101、人臉特征提取模塊102、活體 檢測模塊103、閾值獲取模塊104、判斷模塊105。
[0029] 獲取模塊101用于獲取多個識別樣本的人臉圖像和待識別對象的人臉圖像。具體 地，獲取模塊101可以是攝像頭，攝像頭數(shù)量可以為1個。
[0030] 人臉特征提取模塊102用于從人臉圖像中提取基于鏡面反射的人臉特征，所述基 于鏡面反射的人臉特征包括從多個識別樣本的人臉圖像中提取的第一人臉特征以及從待 識別對象的人臉圖像中提取的第二人臉特征。
[0031] 活體檢測模塊103用于根據(jù)第一人臉特征計算多個識別樣本的第一活體檢測得 分，以及根據(jù)第二人臉特征計算待識別對象的第二活體檢測得分。
[0032] 閾值獲取模塊104用于根據(jù)第一活體檢測得分得到活體判斷閾值。
[0033] 判斷模塊105用于將第二活體檢測得分與活體判斷閾值進行比較，當?shù)诙铙w檢 測得分大于等于活體判斷閾值時，說明待測對象為活體，當?shù)诙铙w檢測得分小于活體判 斷閾值時，說明待測對象為非活體。
[0034] 下面參照圖2概括說明本發(fā)明的活體檢測方法。
[0035] 圖2示出了本發(fā)明的活體檢測方法的示意圖。
[0036] 如圖2所示，本發(fā)明的活體檢測方法包括兩個階段：訓(xùn)練階段201和檢測階段 202,如圖2的虛線框所示。
[0037]訓(xùn)練階段201包括：獲取來自訓(xùn)練集的多個識別樣本的人臉圖像，提取出多個識 別樣本的基于鏡面反射的第一人臉特征。通過活體檢測模型得到多個識別樣本的第一活體 檢測得分。然后根據(jù)第一活體檢測得分獲得活體判斷閾值。
[0038] 檢測階段202包括：獲取用戶輸入的待識別對象的人臉圖像，提取出待識別對象 的基于鏡面反射的第二人臉特征，根據(jù)第二人臉特征計算得到待識別對象的第二活體檢測 得分。
[0039] 然后將測試階段獲得的第二活體檢測得分與訓(xùn)練階段獲得的活體判斷閾值進行 比較，若第二活體檢測得分大于等于活體判斷閾值，則說明待測對象為活體。
[0040] 接下來，參照圖3更詳細地說明本發(fā)明的活體檢測方法。
[0041] 圖3示出了本發(fā)明的活體檢測方法的流程圖，如圖3所示，所述方法包括以下步 驟： 步驟31、獲取多個識別樣本的人臉圖像。
[0042] 本發(fā)明通過經(jīng)典的ViolaandJones方法進行人臉檢測，多個識別樣本的人臉圖 像可以是正面人臉圖像也可以是側(cè)面人臉圖像。
[0043] 步驟32、從所獲取的多個識別樣本的人臉圖像中提取多個識別樣本的基于鏡面