一種活體檢測(cè)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(shí)別領(lǐng)域，特別涉及基于人臉識(shí)別的活體檢測(cè)方法和 設(shè)備。
【背景技術(shù)】
[0002] 隨著對(duì)信息安全需求的不斷增長(zhǎng)，在人臉識(shí)別系統(tǒng)中加入活體檢測(cè)的功能受到越 來(lái)越多的關(guān)注。常見(jiàn)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(jiàn)的攻擊方式，人們可以從移動(dòng)設(shè)備或者監(jiān)控?cái)z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(shí)現(xiàn)的事，例 如，ThatsMyFace.com的服務(wù)可以通過(guò)上傳一張正面和一張側(cè)面照片實(shí)現(xiàn)3D人臉的重構(gòu)和 3D模型的訂制。和真實(shí)人臉相比，照片人臉是平面的，并存在二次獲取帶來(lái)的質(zhì)量損失、模 糊等問(wèn)題；視頻人臉具有LCD反光等現(xiàn)象；而3D模型人臉運(yùn)動(dòng)是剛性運(yùn)動(dòng)等。
[0004] 基于以上事實(shí)，當(dāng)前的活體檢測(cè)算法主要分為三類：（1)基于運(yùn)動(dòng)的方法；（2)基 于紋理的方法；（3)基于融合的方法。
[0005] 基于運(yùn)動(dòng)的方法主要是分析圖像幀序列的運(yùn)動(dòng)趨勢(shì)。但是這種基于運(yùn)動(dòng)的方法需 要對(duì)圖像的背景或者用戶的無(wú)意識(shí)動(dòng)作進(jìn)行判定，計(jì)算方法復(fù)雜。
[0006] 基于紋理的方法主要是通過(guò)找出單幀真實(shí)人臉和欺騙人臉的顯著性區(qū)分特征進(jìn) 行活體判斷，因?yàn)槠垓_人臉在二次獲取的過(guò)程中會(huì)帶來(lái)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(duì)高清照片無(wú)效。
[0007] 現(xiàn)在，越來(lái)越多的研究者們把目光投向了基于融合的方法，S卩，通過(guò)融合至少兩種 活體判別方法，互補(bǔ)優(yōu)勢(shì)從而達(dá)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(gè)特征串聯(lián)進(jìn)行融合，有人提出了基于運(yùn)動(dòng)和紋理信息的互補(bǔ)策略，并對(duì)融合方法進(jìn) 行了研究。得分層融合方法是獲取多個(gè)特征的得分，然后進(jìn)行加權(quán)從而得到最終的得分。有 人從非剛體運(yùn)動(dòng)、人臉背景一致性和圖像帶波效應(yīng)三個(gè)方面進(jìn)行分析，并通過(guò)回歸模型進(jìn) 行得分層融合。
[0009] 然而，目前的得分層融合方法對(duì)于不同量綱、不同含義的特征，無(wú)法進(jìn)行準(zhǔn)確的融 合，影響了活體識(shí)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(shí)別的活體檢測(cè)方法和裝置，其基于鏡面反射的人臉 特征進(jìn)行活體檢測(cè)，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(dá)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(cè)方法，包括以下步驟： 獲取多個(gè)識(shí)別樣本的人臉圖像，從所述多個(gè)識(shí)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(jì)算所述多個(gè)識(shí)別樣本的第一活體檢測(cè)得分； 根據(jù)所述第一活體檢測(cè)得分得到活體判斷閾值； 獲取待識(shí)別對(duì)象的人臉圖像，從所述待識(shí)別對(duì)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(jì)算所述待識(shí)別對(duì)象的第二活體檢測(cè)得分； 判斷所述第二活體檢測(cè)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(shí) 別對(duì)象為活體。
[0012] 進(jìn)一步地，所述從所述多個(gè)識(shí)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(duì)所述多個(gè)識(shí)別樣本的人臉圖像進(jìn)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(jìn)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(biāo)準(zhǔn)模板對(duì)齊所述V通道圖像中的人臉區(qū)域； 均勻劃分對(duì)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(jìn)一步地，利用支持向量機(jī)SVM訓(xùn)練分類模型計(jì)算所述第一活體檢測(cè)得分和第二 活體檢測(cè)得分。
[0015] 進(jìn)一步地，根據(jù)所述第一活體檢測(cè)得分得到活體判斷閾值包括： 將多個(gè)識(shí)別樣本的第一活體檢測(cè)得分順序排列； 計(jì)算各識(shí)別樣本的第一活體檢測(cè)得分在所有識(shí)別樣本構(gòu)成的訓(xùn)練集上的準(zhǔn)確率； 將準(zhǔn)確率最高的識(shí)別樣本對(duì)應(yīng)的第一活體檢測(cè)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(cè)裝置，包括： 獲取模塊，用于獲取多個(gè)識(shí)別樣本的人臉圖像和待識(shí)別對(duì)象的人臉圖像； 人臉特征提取模塊，用于從所述多個(gè)識(shí)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(shí)別對(duì)象的人臉圖像中提取第二人臉特征； 活體檢測(cè)模塊，用于根據(jù)所述第一人臉特征計(jì)算所述多個(gè)識(shí)別樣本的第一活體檢測(cè)得 分，及根據(jù)所述第二人臉特征計(jì)算所述待識(shí)別對(duì)象的第二活體檢測(cè)得分； 閾值獲取模塊，用于根據(jù)所述第一活體檢測(cè)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(cè)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(shí)別對(duì)象為活體。
[0017] 進(jìn)一步地，所述人臉特征提取模塊從所述多個(gè)識(shí)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(duì)所述多個(gè)識(shí)別樣本的人臉圖像進(jìn)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(jìn)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(biāo)準(zhǔn)模板對(duì)齊所述V通道圖像中的人臉區(qū)域； 均勻劃分對(duì)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(jìn)一步地，所述活體檢測(cè)模塊利用支持向量機(jī)SVM訓(xùn)練分類模型計(jì)算所述第一活 體檢測(cè)得分和第二活體檢測(cè)得分。
[0020] 進(jìn)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(gè)識(shí)別樣本的第一活體檢測(cè)得分順序排列； 計(jì)算各識(shí)別樣本的第一活體檢測(cè)得分在所有識(shí)別樣本構(gòu)成的訓(xùn)練集上的準(zhǔn)確率； 將準(zhǔn)確率最高的識(shí)別樣本對(duì)應(yīng)的第一活體檢測(cè)得分作為活體判斷閾值。
[0021] 本發(fā)明從真實(shí)人臉和攻擊人臉?lè)瓷渎什煌@個(gè)角度來(lái)提取人臉特征，通過(guò)提取多 個(gè)識(shí)別樣本的基于鏡面反射的第一人臉特征計(jì)算得到多個(gè)識(shí)別樣本的活體檢測(cè)得分，根據(jù) 多個(gè)識(shí)別樣本的活體檢測(cè)得分得到活體判斷閾值，通過(guò)提取待識(shí)別對(duì)象的基于鏡面反射的 第二人臉特征計(jì)算得到待識(shí)別對(duì)象的活體檢測(cè)得分，當(dāng)待識(shí)別對(duì)象的活體檢測(cè)得分大于等 于活體判斷閾值時(shí)判斷該待識(shí)別對(duì)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(shí)現(xiàn)有效拒絕了非真實(shí)人臉欺騙識(shí)別的同時(shí)，提高了計(jì)算速度和精度，并且降低 了活體判斷的復(fù)雜度。
【附圖說(shuō)明】
[0022] 附圖與文字描述一起用來(lái)對(duì)本發(fā)明的實(shí)施方式作進(jìn)一步的說(shuō)明。其中： 圖1示出了本發(fā)明的活體檢測(cè)裝置的框圖。
[0023] 圖2示出了本發(fā)明的活體檢測(cè)方法的示意圖。
[0024] 圖3示出了本發(fā)明的活體檢測(cè)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(guò)程。
【具體實(shí)施方式】
[0026] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。可以理解的是，此處所描 述的具體實(shí)施例僅僅用于解釋本發(fā)明，而非對(duì)本發(fā)明的限定。另外還需要說(shuō)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?jī)?nèi)容。
[0027] 圖1示出了本發(fā)明的活體檢測(cè)裝置的結(jié)構(gòu)框圖。
[0028] 本發(fā)明的用于活體檢測(cè)的裝置10包括獲取模塊101、人臉特征提取模塊102、活體 檢測(cè)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(gè)識(shí)別樣本的人臉圖像和待識(shí)別對(duì)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(gè)。
[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(gè)識(shí)別樣本的人臉圖像中提取的第一人臉特征以及從待 識(shí)別對(duì)象的人臉圖像中提取的第二人臉特征。
[0031] 活體檢測(cè)模塊103用于根據(jù)第一人臉特征計(jì)算多個(gè)識(shí)別樣本的第一活體檢測(cè)得 分，以及根據(jù)第二人臉特征計(jì)算待識(shí)別對(duì)象的第二活體檢測(cè)得分。
[0032] 閾值獲取模塊104用于根據(jù)第一活體檢測(cè)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(cè)得分與活體判斷閾值進(jìn)行比較，當(dāng)?shù)诙铙w檢 測(cè)得分大于等于活體判斷閾值時(shí)，說(shuō)明待測(cè)對(duì)象為活體，當(dāng)?shù)诙铙w檢測(cè)得分小于活體判 斷閾值時(shí)，說(shuō)明待測(cè)對(duì)象為非活體。
[0034] 下面參照?qǐng)D2概括說(shuō)明本發(fā)明的活體檢測(cè)方法。
[0035] 圖2示出了本發(fā)明的活體檢測(cè)方法的示意圖。
[0036] 如圖2所示，本發(fā)明的活體檢測(cè)方法包括兩個(gè)階段：訓(xùn)練階段201和檢測(cè)階段 202,如圖2的虛線框所示。
[0037]訓(xùn)練階段201包括：獲取來(lái)自訓(xùn)練集的多個(gè)識(shí)別樣本的人臉圖像，提取出多個(gè)識(shí) 別樣本的基于鏡面反射的第一人臉特征。通過(guò)活體檢測(cè)模型得到多個(gè)識(shí)別樣本的第一活體 檢測(cè)得分。然后根據(jù)第一活體檢測(cè)得分獲得活體判斷閾值。
[0038] 檢測(cè)階段202包括：獲取用戶輸入的待識(shí)別對(duì)象的人臉圖像，提取出待識(shí)別對(duì)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(jì)算得到待識(shí)別對(duì)象的第二活體檢測(cè) 得分。
[0039] 然后將測(cè)試階段獲得的第二活體檢測(cè)得分與訓(xùn)練階段獲得的活體判斷閾值進(jìn)行 比較，若第二活體檢測(cè)得分大于等于活體判斷閾值，則說(shuō)明待測(cè)對(duì)象為活體。
[0040] 接下來(lái)，參照?qǐng)D3更詳細(xì)地說(shuō)明本發(fā)明的活體檢測(cè)方法。
[0041] 圖3示出了本發(fā)明的活體檢測(cè)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(gè)識(shí)別樣本的人臉圖像。
[0042] 本發(fā)明通過(guò)經(jīng)典的ViolaandJones方法進(jìn)行人臉檢測(cè)，多個(gè)識(shí)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(gè)識(shí)別樣本的人臉圖像中提取多個(gè)識(shí)別樣本的基于鏡面