CN105447432A - 一种基于局部运动模式的人脸防伪方法 - Google Patents

Abstract

本发明涉及一种基于局部运动模式的人脸防伪方法，包括以下步骤：1）检测摄像头采集的人脸图像区域，并对人脸关键点进行定位；2）在人脸关键点所处的局部区域统计人脸和非人脸区域的运动信息；3）根据所获得的所有关键点处的局部运动信息，计算人脸的局部运动模式；4）基于人脸的局部运动模式，使用预先配置的模式分类器对该人脸的真伪进行判断。本发明的有益效果为：能够有效地与实际的人脸识别***相结合，在基本不需要用户交互的情况下快速有效地辨别出真实人脸和伪造人脸。

Description

一种基于局部运动模式的人脸防伪方法

技术领域

本发明涉及计算机视觉和模式识别领域，生物特征识别领域中的人脸防伪方法研究，尤其涉及一种基于局部运动模式的人脸防伪方法。

背景技术

目前，生物特征识别技术已经被广泛地应用于日常生活中的方方面面。人脸生物特征识别技术，由于其具有方便易用，用户友好性，非接触式等优点，在近年来取得了突飞猛进的发展，这些发展体现在了各个研究领域，包括人脸检测、人脸特征提取、分类器设计以及硬件设备制造等。然而，基于人脸的生物特征识别在应用层面上依然面临着一些考验，其中，最为突出的就是识别***的安全性问题；作为一种用于身份识别的装置，它们很容易被一个非法分子假冒成合法的用户，且目前的大部分人脸识别***都无法区分真实的人脸和照片，只要获取到了合法用户的照片，那么就能轻而易举地骗过这类识别***，而如今发达的社交网络让这个攻击方式变得异常容易；此外，用录制的视频或者伪造的面具均可能对人脸识别***产生攻击。

人脸防伪亦称人脸活体检测，逐渐受到了来自学术界和工业界的重视；人脸防伪的主要目的是区分真实人脸和上述伪造的人脸图像，识别假人脸图像对人脸识别***的攻击，从而提高人脸识别***的安全性；根据使用的线索不同，可以将人脸防伪方法分成三类：

1、基于皮肤反射特性的人脸防伪方法：从人脸皮肤的反射特性出发，一些研究者利用多光谱采集手段进行人脸防伪；利用真人皮肤和伪造的人脸皮肤两者在不同光谱下的反射率不同这一特点，达到人脸防伪的目的；这类方法的研究内容是找到合适的光谱，使得真假人脸皮肤的差异最大；然而，这类方法具有以下几个明显的不足：1）仅在非常少量的数据上测试，因此无法对性能进行全面评估；2）选取的光谱波段无法通过常用的摄像头感应，需要部署特殊的感光器件，增加了硬件开销；3）额外的感光器件需要开发有针对性的信号转换电路，增加了与现有***的兼容性问题。

2、基于纹理差异的人脸防伪方法：基于微纹理的人脸防伪方法有一下假设：同一设备采集伪造人脸和用该设备采集的真人脸相比存在细节丢失或差异，而这些细节上的差异就引起了图像微纹理上的差异；该假设在大多数情况下是成立的，伪造的人脸是通过使用真实人脸图片制作而成，以打印的照片为例，非法用户首先将照片打印在纸张上，然后将打印的人脸照片摆放在人脸识别***前进行攻击；在这个过程中，至少会有两个环节造成差异，一是打印环节，打印机不可能不失真地复现照片内容；二是打印照片的二次成像，采集设备不可能将照片上的内容完美捕捉；除此之外，真实人脸和打印人脸在表面形状上的差异，局部高光的差异等等，都会造成两者在微纹理上的差异。

3、基于运动的人脸防伪方法：这类方法旨在通过检测人脸的生理反应来判定采集的是否为真实人脸；考虑到真实人脸和伪造人脸相比，有更多的自主性，这类方法通过要求用户进行指定的动作作为判定的依据；常用的交互方法包括眨眼，摇头，嘴部动作等等；除基于局部运动的检测方法之外，还有一类方法是基于整个头部的动作进行判断的；这类方法有效的原因在于照片和人脸的三维结构存在明显的差异，使得获取的头部运动模式也存在一定的差异；为了进一步提高人脸防伪性能，一种基于多模态的人脸防伪方法被提出；该方法要求用户阅读指定的文本内容，随后通过分析用户的嘴唇动作和相应的语音内容是否吻合来判断人脸的真伪；然而，这种基于人机交互的防伪方法由于要求用户进行特定的动作，对用户的要求过高，使得用户体验不佳，同时，认证时间较长也是上述方法的一大弊端。

在以上三种方法中，基于运动的人脸防伪方法具有不受光照条件，图像质量影响等优点，然而，这类方法在提取运动特征时，没有对人脸的各个区域进行精确定位，从而无法准确描述所采集人脸的实际运动状态；例如，一些方法将采集的图像粗略地分成人脸矩形区域和背景区域，通过对比两者的运动状态来判定人脸的真伪，然而，由矩形框确定的人脸区域包含着大量的背景区域，使得真实人脸很大可能被误判为伪造人脸；同时，在这种情况下，伪造的人脸通过折叠，扭曲变形亦可轻易骗过人脸防伪***；因此，如何精确地定位人脸区域和非人脸区域，并找到最具有鉴别性的局部区域以提取鉴别性强的局部运动模式信息是人脸防伪***能否应用于实际中的关键。

发明内容

本发明的目的是提供一种基于局部运动模式的人脸防伪方法，以克服目前现有技术存在的上述不足。

本发明的目的是通过以下技术方案来实现：

一种基于局部运动模式的人脸防伪方法，包括：

对预先采集的视频图像进行分析，确定人脸区域，并对所述人脸区域进行分析，确定所述人脸区域中各人脸关键点；

根据所述视频图像所对应的视频帧，获得所述视频图像中像素点的运动方向和幅值信息；

根据获得的像素点的运动方向和幅值信息，对所述人脸关键点进行分析，确定所述人脸关键点所在局部区域内的运动方向和幅值信息，并根据该信息确定局部区域的运动方向之间以及幅值之间的关系，从而获取人脸的局部运动模式；

通过预先配置的模式分类器对获取的人脸的局部运动模式进行分类，并根据分类的结果，验证所述视频图像中人脸的真伪。

进一步的，所述人脸区域通过人脸检测器获取或利用人工指定。

进一步的，对所述人脸区域进行分析，确定所述人脸区域中各人脸关键点包括：

根据所述人脸区域的位置，通过预先定义的人脸关键点的初始位置信息，确定所述人脸区域中各人脸关键点的位置；

根据所述人脸区域中各人脸关键点的位置，提取所述视频图像上与所述人脸关键点的位置相对应的视频图像特征；

根据所述视频图像特征，通过预先配置的算法模型，更新所述视频图像上与所述人脸区域相对应的人脸关键点的位置；

当满足预设条件之后，上述过程终止。

进一步的，根据获得的像素点的运动方向和幅值信息，对所述人脸关键点进行分析，确定所述人脸关键点所在局部区域内的运动方向和幅值信息包括：

根据所述精确人脸关键点的位置，对所述视频图像中头部区域进行精确划分，确定所述视频图像中头部区域的相应图像掩码；

根据所述图像掩码以及获得的像素点的运动方向和幅值信息，提取每个精确人脸关键点在其所处的局部区域内的头部区域和非头部区域的运动方向和幅值信息。

进一步的，根据所述人脸关键点的位置，对所述视频图像中头部区域进行精确划分，确定对应的图像掩码包括：

根据所述精确人脸关键点的位置，确定与所述精确人脸关键点的位置对应的人脸包络线；并将该人脸包络线包含的区域作为所述视频图像的人脸区域；

根据所述视频图像中人脸包络线两端的连接线，对所述人脸包络线进行镜像，并将所述人脸包络线与其镜像进行组合，得到一个封闭的曲线，将所述曲线包含的区域作为所述视频图像的头部区域；

根据所述视频图像的人脸区域的位置和所述视频图像的头部区域的位置，确定所述视频图像的人脸区域和头部区域的相应图像掩码。

在能够获取人脸及头部精确轮廓的前提下，所需关键点的数量和相对应的位置可以任意选择。

进一步的，根据所述图像掩码以及获得的像素点的运动方向和幅值信息，提取每个精确人脸关键点在其所处的局部区域内的头部区域和非头部区域的运动方向和幅值信息包括：

根据预先配置的局部区域大小的参数信息，确定每个精确人脸关键点所对应的局部区域；

根据所述图像掩码，将所述局部区域内落在头部区域的像素点标定为前景区域，将所述局部区域内落在头部区域之外的像素点标定为背景区域；

根据获得的像素点的运动方向和幅值信息；统计所述局部区域内的前景和背景区域各自的运动方向和幅值信息。

进一步的，根据所述人脸关键点所在局部区域的运动方向和幅值信息，计算不同区域的运动方向及幅值之间的关系，获取人脸的局部运动模式包括：

根据所述每个人脸关键点在其所处的局部区域内的前景和背景的运动方向和幅值信息，计算局部前景区域之间、局部背景区域之间以及局部前景与背景区域之间的运动方向和幅值信息的关系；

根据计算的所述局部前景区域之间、局部背景区域之间以及局部前景与背景区域之间的运动方向和幅值信息的关系，确定人脸的局部运动模式。

进一步的，根据所述每个人脸关键点在其所处的局部区域内的前景和背景的运动方向和幅值信息，计算局部前景区域之间、局部背景区域之间以及局部前景与背景区域之间的运动方向和幅值信息的关系包括：

基于所述局部区域内的前景和背景区域的运动方向和幅值信息，将运动方向量化成若干区间，得到累计各个局部区域中像素点的运动幅度的运动信息直方图；

根据所述运动信息直方图，确定任意两个所述局部区域的运动信息直方图之间的相关系数以及运动幅度之间的比值。

进一步的，根据计算的所述局部前景区域之间、局部背景区域之间以及局部前景与背景区域之间的运动方向和幅值信息的关系，确定人脸的局部运动模式包括：

根据所述相关系数和所述运动幅度之间的比值，将所有局部区域之间的相关系数和运动幅度比值进行组合，确定得到人脸的局部运动模式。

本发明的有益效果为：基于本发明提供的人脸防伪方法通过进行准确的人脸和头部区域定位，提取鉴别能力强的人脸局部运动模式，能够快速有效地辨别人脸图像的真伪；有效的弥补了现有方法无法精确提取人脸及头部运动信息的缺陷，同时使用了一种能够更加高效地表达人脸运动状态的局部运动模式信息；该方法基本不受图像采集环境及采集设备质量的影响，同时，也基本不受伪造照片的逼真程度以及伪造人脸变形程度的影响，能够有效地辨别摄像头前的真实人脸和伪造人脸。

附图说明

下面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申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于局部运动模式的人脸防伪方法的流程图；

图2为本发明实施例提供的一种基于局部运动模式的人脸防伪方法的使用级联增强回归模型进行人脸关键点定位的流程图；

图3为发明实施例提供的一种基于局部运动模式的人脸防伪方法的人脸局部运动模式提取方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例所述的一种基于局部运动模式的人脸防伪方法，如图1的流程图所示，包括以下步骤：

步骤1：对预先采集的视频图像进行分析，确定人脸区域，并对所述人脸区域进行分析，确定所述人脸区域中各人脸关键点；所述人脸区域通过人脸检测器获取或利用人工指定。

人脸关键点（FaceLandmark）主要包括脸颊，眼睛，眉毛，鼻子和嘴部在内的多个具有一定语义的位置；在使用人脸检测算法获取了人脸区域在图像中的位置之后，可以使用不同类型的方法进行关键点定位；目前，人脸关键点定位方法可以分为多类，较为常用的包括主动形状模型（ActiveShapeModel，ASM），主动表象模型（ActiveAppearanceMode，AAM），约束的局部模型（ConstrainedLocalModel，CLM），级联增强形状回归模型（CascadedBoostedShapeRegressionModel）等；如图2所示，本申请选取人脸脸颊关键点作为人脸关键点，并且以级联增强回归模型为例说明人脸关键点定位的基本流程：

步骤1-1：基于人脸区域的位置，初始化人脸关键点的位置；对所述人脸区域的视频图像进行分析，确定视频图像中人脸区域的位置，并根据所述人脸区域的位置，通过预先定义的人脸关键点的位置信息，确定所述人脸区域上各人脸关键点的位置；一般地，使用正面人脸的形状进行初始化；

步骤1-2：对所述人脸区域上各人脸关键点的位置进行分析，提取所述视频图像上与所述人脸关键点的位置相对应的视频图像特征；

步骤1-3：根据所述视频图像特征，通过预先配置的图像回归模型，确定所述视频图像上与所述人脸区域相对应的精确人脸关键点的位置；

步骤1-4：跳至步骤1-2，进行下一轮的回归，直到满足一定的终止条件。

在步骤1中，首先需要对当前采集的图像进行人脸检测，如果没有检测到人脸图像，则采集下一帧图像；如果检测到多张人脸图像，则选取检测框面积最大的人脸进行人脸防伪分析。

基于以上的人脸关键点定位方法，便可得到K个人脸关键点的位置信息QUOTE ，其中第k个关键点的位置表示为QUOTE ；具体地，本实施例依次顺序选取脸颊处的17个关键点。

步骤2：根据步骤1的已采集视频图像所对应的视频帧，提取当前图像中像素点的运动方向和幅值信息。

图像的运动信息是指图像中像素点相对于摄像头采集的前一帧或若干帧的图像发生的位置变化，用运动方向和运动幅度进行表示；目前，主要基于光流（OpticalFlow）获取图像中像素点的运动信息；光流的概念最早由Gibson等人在1950年提出；它能够描述由场景中前景目标本身的移动、相机的运动，或两者的共同运动所产生的各种不同的运动模式；目前，光流计算的方法有多种，如Lucas-Kanade算法、Horn-Schunck算法以及GunnarFarneback提出的基于多项式扩展的方法等等；其中第一种算法用于提取稀疏光流，后两种算法用于计算密集光流。

本申请采用GunnarFarneback算法；在给定当前帧图像与前一帧图像后，该算法能够计算当前帧图像中每个像素点的运动模式；对于第i个像素点，

其运动模式表示为QUOTE ，其中QUOTE 表示在图像坐标系中的横轴方向上的运动

幅度，QUOTE 表示在纵轴方向上的运动幅度。

步骤3：基于步骤2已经计算得到的像素点的运动方向和幅值信息——基于光流计算获取，对所述人脸关键点进行分析，确定所述人脸关键点在局部区域内的运动方向和幅值信息，并根据所述人脸关键点的运动方向和幅值信息，确定该运动方向和幅值信息之间的关系，获取人脸的局部运动模式；提取在步骤1中的17个人脸关键点所处的局部区域的运动信息；如图3所示，为了实现更加准确的人脸防伪功能，运动模式提取的具体步骤如下：

步骤3-1：根据所述精确人脸关键点的位置，对所述视频图像中人脸区域和头部区域进行精确划分，确定所述视频图像中人脸区域和头部区域的相应图像掩，得到图像掩码的具体步骤为：

步骤3-1-1：根据所述精确人脸关键点的位置，确定与所述精确人脸关键点的位置对应的人脸包络线；并将该人脸包络线包含的区域作为所述视频图像的人脸区域；

步骤3-1-2：将步骤3-1-1获得的人脸包络线，根据人脸包络线两端点的连接线，对所述人脸包络线进行镜像，并将所述人脸包络线与其镜像进行组合，得到一个封闭的曲线，将所述曲线包含的区域作为所述视频图像的头部区域；

步骤3-1-3：根据所述视频图像的人脸区域的位置和所述视频图像的头部区域的位置，确定所述视频图像的人脸区域和头部区域的相应图像掩码。

步骤3-2：基于步骤3-1所获得的图像掩码以及获得的像素点的运动方向和幅值信息，提取每个精确人脸关键点在其所处的局部区域内的前景区域和背景区域的运动方向和幅值信息，以关键点k为例，具体步骤如下：

步骤3-2-1：根据预先配置的局部区域大小的参数信息，确定每个精确人脸关键点所对应的局部区域；设人脸区域的宽为W，高为H，以人脸关键点k为中心，选定局部矩形区域QUOTE 的宽为0.2×W，高为0.2×H；

步骤3-2-2：计算矩形区域内所有像素点的光流方向和幅值，表示为QUOTE ；

步骤3-2-3：在矩形区域QUOTE 包含的局部区域内，确定落在人脸及头部区域内部和外部的像素，定义为前景和背景区域，分别表示集合为QUOTE 和QUOTE ；

步骤3-2-4：分别统计QUOTE 和QUOTE 的运动信息；首先，将光流方向（0°到360°）均匀量化到18个区间；随后，累计落在每个区间中的像素点的光流幅度之和；

得到维度为18的两个直方图表示为QUOTE 和QUOTE 。

使用上述方法，便可得到在人脸17个关键点处的运动信息——运动方向和幅值信息；该运动信息将被用于提取局部运动模式。

步骤3-3：基于步骤3-2中已提取的关键点处的前景与背景的运动方向和幅值信息，计算局部前景区域之间、局部背景区域之间以及局部前景与背景区域之间的运动方向和幅值信息的关系，从而获得当前人脸的局部运动模式，获取人脸的局部运动模式的具体步骤如下：

步骤3-3-1：计算任意两个根据关键点所在的局部前景或背景区域提取的直方图之间的相关系数；

步骤3-3-2：计算任意两个根据关键点所在局部前景或背景区域提取的运动幅度之间的比值；

步骤3-3-3：将步骤3-3-1计算得到的所有相关系数和步骤3-3-2计算得到的所有运动幅度比值组合在一起，作为当前人脸的局部运动模式。

通过步骤3-2，得到了用来表示关键点处的局部运动信息的共34个18维的直方图；随后，本发明通过计算34个直方图两两之间的相关系数和幅值比来定量表示人脸的局部运动模式信息；其中，在步骤3-3-1中，给定任意两个直方图，表示为向量QUOTE 和QUOTE ，其相关系数的计算公式如下：

QUOTE （1）

其中QUOTE 和QUOTE 分别为QUOTE 和QUOTE 的均值；基于上述公式，便可得到34*33/2=561个相关系数；同时，在步骤3-3-2中，通过计算还得到561个直方图幅值的比值；其中直方图的幅值为像素的平均光流幅值，即区域内所有像素的光流幅值之和除以该区域像素点的个数；至此，将相关系数与幅值比共组成1122维的特征，用以表示人脸的局部运动模式。

步骤4：通过步骤3获得人脸的局部运动模式之后，通过预先配置的模式分类器对获取的人脸的局部运动模式进行分类，并根据分类的结果，验证所述视频图像中人脸的真伪。

使用模式分类器判定当前所采集的人脸图像的真伪；在从当前人脸图像中提取得到局部运动模式，即1122维特征向量之后，便可使用预先训练好的支持向量机（SupportVectorMachine，SVM）模式分类模型来判定当前输入图像的真伪。

在步骤4中，所用到的支持向量机分类模型需要预先训练；为此，使用摄像头采集了20个真实人脸和20个伪造人脸的视频序列；视频序列的时长均为30s；其中，在采集真实人脸的视频序列时，要求被采集者的头部和面部进行轻微的运动，如摇头，点头，微笑，说话等等；所采集的伪造人脸视频序列分为两类，其一为采集自打印照片的序列，其二为采集自平板电脑显示屏的序列；在采集过程中，伪造的人脸可以静止，也可以进行任意形式的运动，或扭曲变形。

在获得上述视频序列之后，同样通过步骤1、步骤2和步骤3，从中提取人脸区域的局部运动模式特征，并使用线性支持向量机训练得到二元模式分类器。

本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (9)

1.一种基于局部运动模式的人脸防伪方法，其特征在于，包括：

对预先采集的视频图像进行分析，确定人脸区域，并对所述人脸区域进行分析，确定所述人脸区域中各人脸关键点；

根据所述视频图像所对应的视频帧，获得所述视频图像中像素点的运动方向和幅值信息；

根据获得的像素点的运动方向和幅值信息，对所述人脸关键点进行分析，确定所述人脸关键点所在局部区域内的运动方向和幅值信息，并根据该信息确定局部区域的运动方向之间以及幅值之间的关系，从而获取人脸的局部运动模式；

通过预先配置的模式分类器对获取的人脸的局部运动模式进行分类，并根据分类的结果，验证所述视频图像中人脸的真伪。

2.根据权利要求1所述的基于局部运动模式的人脸防伪方法，其特征在于，所述人脸区域通过人脸检测器获取或利用人工指定。

3.根据权利要求1所述的基于局部运动模式的人脸防伪方法，其特征在于，对所述人脸区域进行分析，确定所述人脸区域中各人脸关键点包括：

根据所述人脸区域的位置，通过预先定义的人脸关键点的初始位置信息，确定所述人脸区域中各人脸关键点的位置；

根据所述人脸区域中各人脸关键点的位置，提取所述视频图像上与所述人脸关键点的位置相对应的视频图像特征；

根据所述视频图像特征，通过预先配置的算法模型，更新所述视频图像上与所述人脸区域相对应的人脸关键点的位置；

当满足预设条件之后，上述过程终止。

4.根据权利要求1所述的基于局部运动模式的人脸防伪方法，其特征在于，根据获得的像素点的运动方向和幅值信息，对所述人脸关键点进行分析，确定所述人脸关键点所在局部区域内的运动方向和幅值信息包括：

根据所述精确人脸关键点的位置，对所述视频图像中头部区域进行精确划分，确定所述视频图像中头部区域的相应图像掩码；

根据所述图像掩码以及获得的像素点的运动方向和幅值信息，提取每个精确人脸关键点在其所处的局部区域内的头部区域和非头部区域的运动方向和幅值信息。

5.根据权利要求4所述的基于局部运动模式的人脸防伪方法，其特征在于，根据所述人脸关键点的位置，对所述视频图像中头部区域进行精确划分，确定对应的图像掩码包括：

根据所述精确人脸关键点的位置，确定与所述精确人脸关键点的位置对应的人脸包络线；并将该人脸包络线包含的区域作为所述视频图像的人脸区域；

根据所述视频图像中人脸包络线两端的连接线，对所述人脸包络线进行镜像，并将所述人脸包络线与其镜像进行组合，得到一个封闭的曲线，将所述曲线包含的区域作为所述视频图像的头部区域；

根据所述视频图像的人脸区域的位置和所述视频图像的头部区域的位置，确定所述视频图像的人脸区域和头部区域的相应图像掩码。

6.根据权利要求4所述的基于局部运动模式的人脸防伪方法，其特征在于，根据所述图像掩码以及获得的像素点的运动方向和幅值信息，提取每个精确人脸关键点在其所处的局部区域内的头部区域和非头部区域的运动方向和幅值信息包括：

根据预先配置的局部区域大小的参数信息，确定每个精确人脸关键点所对应的局部区域；

根据所述图像掩码，将所述局部区域内落在头部区域的像素点标定为前景区域，将所述局部区域内落在头部区域之外的像素点标定为背景区域；

根据获得的像素点的运动方向和幅值信息；统计所述局部区域内的前景和背景区域各自的运动方向和幅值信息。

7.根据权利要求6所述的基于局部运动模式的人脸防伪方法，其特征在于，根据所述人脸关键点所在局部区域的运动方向和幅值信息，计算不同区域的运动方向及幅值之间的关系，获取人脸的局部运动模式包括：

根据所述每个人脸关键点在其所处的局部区域内的前景和背景的运动方向和幅值信息，计算局部前景区域之间、局部背景区域之间以及局部前景与背景区域之间的运动方向和幅值信息的关系；

根据计算的所述局部前景区域之间、局部背景区域之间以及局部前景与背景区域之间的运动方向和幅值信息的关系，确定人脸的局部运动模式。

8.根据权利要求7所述的基于局部运动模式的人脸防伪方法，其特征在于，根据所述每个人脸关键点在其所处的局部区域内的前景和背景的运动方向和幅值信息，计算局部前景区域之间、局部背景区域之间以及局部前景与背景区域之间的运动方向和幅值信息的关系包括：

基于所述局部区域内的前景和背景区域的运动方向和幅值信息，将运动方向量化成若干区间，得到累计各个局部区域中像素点的运动幅度的运动信息直方图；

根据所述运动信息直方图，确定任意两个所述局部区域的运动信息直方图之间的相关系数以及运动幅度之间的比值。

9.根据权利要求8所述的基于局部运动模式的人脸防伪方法，其特征在于，根据计算的所述局部前景区域之间、局部背景区域之间以及局部前景与背景区域之间的运动方向和幅值信息的关系，确定人脸的局部运动模式包括：

根据所述相关系数和所述运动幅度之间的比值，将所有局部区域之间的相关系数和运动幅度比值进行组合，确定得到人脸的局部运动模式。