CN106228129A - 一种基于matv特征的人脸活体检测方法 - Google Patents

Abstract

本发明涉及基于MATV特征的人脸活体检测方法，包括步骤：读取并分解训练集视频，提取每一帧的人脸区域并归一化做输入，采用基于幅度‑角度变分法的MATV光流场特征，用统计直方图对特征进行编码得到MATV直方图特征，最后将MATV直方图特征输入SVM分类器进行训练，建立SVM模型；对于测试集的人脸视频帧序列，对每一帧进行人脸检测，然后提取其中的人脸区域并归一化得到测试集人脸帧样本，计算人脸帧样本的MATV直方图特征，最后将其输入训练好的SVM模型，预测出人脸活体检测的结果。本发明在传统的基于幅度特征的光流方法基础上，加入了角度特征，考虑了光流场的方向特性，从而得到更多活体和非活体人脸的运动细节，提高了人脸活体检测的准确率。

Description

一种基于MATV特征的人脸活体检测方法

技术领域

本发明涉及人脸活体检测的研究领域，特别涉及一种基于MATV(Magnitude-AngleTotal Variation)特征的人脸活体检测方法。

背景技术

随着自动人脸识别技术的普及，随之带来一系列潜在的安防威胁。不法分子可以通过攻击欺骗自动人脸识别***，从而获得利益。常见的攻击形式主要有两种，一种是打印合法用户的人脸照片进行攻击，另一种是通过播放介质录制合法用户的人脸动态视频进行攻击。如果不法分子的企图得逞，后果不堪设想。

为了应对这种潜在的欺骗攻击，人脸活体检测技术应运而生。当前的活体检测技术主要分为两类：一类是基于图像纹理特征，比如LBP描述子和高斯差分(DoG)滤波等；另一类是基于人脸运动信息，比如光流法等。但传统的光流方法对活体和非活体人脸运动信息的光流估计不够好，因此不能很好地区分活体和非活体人脸，同时这些方法往往只考虑了光流的幅度特征，忽视了光流场的方向特征。因此传统的光流方法没有实现很有效的活体检测性能。

发明内容

为了解决现有光流活体检测技术所存在的技术问题，本发明提出一种基于MATV特征的人脸活体检测方法，在传统的基于幅度特征的光流方法基础上，加入了角度特征，考虑了光流场的方向特性，从而得到更多活体和非活体人脸的运动细节，提高了人脸活体检测的准确率。

本发明采用以下技术方案来实现：一种基于MATV特征的人脸活体检测方法，包括下述步骤：

S1、训练阶段：读取并分解训练集视频，提取每一帧的人脸区域并归一化做输入，采用基于幅度-角度变分法的MATV光流场特征，用统计直方图对特征进行编码得到MATV直方图特征，最后将MATV直方图特征输入SVM分类器进行训练，建立SVM模型；

S2、测试阶段：对于测试集的人脸视频帧序列，对每一帧进行人脸检测，然后提取其中的人脸区域并归一化得到测试集人脸帧样本，计算人脸帧样本的MATV直方图特征，最后将其输入训练好的SVM模型，预测出人脸活体检测的结果。

优选地，步骤S1包括以下过程：

S11、对训练样本人脸图像的每个像素点依次计算MATV光流场特征，MATV光流场特征采用基于L1范数的变分法光流运动估计模型，采用数值优化和prima-dual加速的方法求出光流场的最终稳定收敛解(u,v)；

S12、计算训练样本人脸图像的每个像素点的幅度和角度联合特征(mag,θ)；

S13、计算MATV光流场的幅度和角度二维联合直方图H(x,y)：将幅值特征按大小分为C_X个组距依次编码，得到幅度直方图分布；将角度特征按照大小分为C_Y个方向组距依次编码，得到角度直方图分布，从而得到二维直方图特征H_2D(x,y)，x轴表示幅度，y轴表示角度；

S14、将二维直方图H_2D(x,y)降维，得到一维直方图H_1D(x)；

S15、建立SVM模型：SVM分类器对输入训练集的样本人脸图像的MATV特征进行训练，采用LIBSVM工具，利用径向基核函数RBF作为训练模型；将 训练集得到的所有k个直方图特征构成训练集特征矩阵得到SVM模型。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提出的MATV特征法，对传统的基于光流特征的活体检测方法进行了优化，在传统的幅度特征基础上加入了角度特征，从而得到更多活体和非活体人脸的运动细节，为更好地辨别活体和非活体人脸提供了有力条件。

2、本发明的光流场模型采用对活体人脸光流估计更有效的L1范数，相比传统的L2范数模型，L1范数模型对运动边界更敏感，提升了运动信息的光流估计效果，对大位移和运动边缘都更加鲁棒，可以辨别因二次重拍带来的运动模糊，同时对大位移光流能更好的检测，进一步提高了活体人脸检测的准确率。

3、本发明采用二维直方图表示光流场的幅度和角度特征，再通过统计特性编码得到一维直方图特征，更便于SVM模型进行训练和预测。

4、本发明分别在基于照片攻击和视频攻击的数据集上做训练和测试，并采用控制变量法检验角度和L1范数的作用，从而验证了MATV特征在活体检测方面的泛化性和鲁棒性。

附图说明

图1是本发明的方法流程图；

图2是本发明的二维直方图降维到一维直方图的示例图；

图3(a)-图3(b)是本发明MATV在CASIA数据库上对活体人脸的光流效果示例图；

图4(a)-图4(b)是本发明MATV在CASIA数据库上对非活体人脸的光 流效果示例图；

图5(a)-图5(b)是本发明MATV在NUAA数据库上对活体人脸的光流效果示例图；

图6(a)-图6(b)是本发明MATV在NUAA数据库上对活体人脸的光流效果示例图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本发明基于MATV特征的人脸活体检测方法，包括以下步骤：

(1)训练阶段：读取并分解训练集视频，提取每一帧的人脸区域并归一化做输入，采用基于幅度-角度变分法的MATV光流场特征，用统计直方图对特征进行编码得到MATV直方图特征，最后将MATAV直方图特征输入SVM分类器进行训练，建立SVM模型。

在本实施例中，本训练阶段具体包括以下过程：

(1.1)构建训练样本：将数据集划分为训练集和测试集，读取并分解训练集视频为帧序列，提取其中的人脸并归一化处理后得到训练样本。

(1.2)计算像素点的MATV光流场特征：对训练样本人脸图像的每个像素点依次计算MATV光流场，MATV采用基于L1范数的变分法光流运动估计模型，以横轴光流场u为例，先用数值优化得到未经加速的初始解：

p^(k+1)←(▽u|,u,p^(k),τ)

再采用prima-dual加速的方法求出光流场的最终稳定收敛解，如下两式：

$u^{(k+1)}=u^{\left(k\right)}+\frac{1}{\mathrm{\λ}}div\left(p^{\left(k\right)}\right)$

$p^{(k+1)}=\frac{p^{\left(k\right)}+\frac{\mathrm{\τ}}{\mathrm{\λ}}\▿u^{(k+1)}}{1+\frac{\mathrm{\τ}}{\mathrm{\λ}}{p}^{(k+1)}\left|\▿u^{(k+1)}\right|},\mathrm{\τ}=\frac{1}{4}$

其中λ是稳定系数，▽u^(k)是第k次迭代解u^(k)的梯度。经过prima-dual加速后的最终解具备收敛和稳定的特性，并且提高了光流场的计算速度。纵轴光流场v的计算方法同理，于是得到一个像素点的光流场特征(u,v)。

(1.3)计算像素点的幅度和角度联合特征：在传统基于幅度的光流活体检测法基础上加入了光流场的角度特征，角度θ计算方法如下：

${\mathrm{\θ}}_0=\arctan \left(\frac{v}{u}\right)$

幅度计算方法为从而得到像素点的幅度角度联合特征(mag，θ)。

(1.4)计算二维直方图：对图像的每一个像素计算幅度和角度联合特征后(效果如图3(b)、4(b)、5(b)、6(b)所示)，根据统计特性，小于N(N为幅度阈值，由数据集而定)时，将幅度mag按大小分为C_X-1个组距，大于N时为大位移，认为是一个组距，这样得到C_X个直方图组距。将角度θ划分为k个方向分类，得到C_Y个组距，求出一个样本人脸图像所有光流场的二维联合直方图 对组距进行编码得到二维直方图特征H_2D(x，y)，x轴表示幅度，y轴表示角度。

(1.5)降维得到一维直方图：二维直方图H_2D(x,y)不便于分类，故将其降维成一维直方图H_1D(x)，将二维直方图H_2D(x,y)按角度分组为 等S个子直方图，将这些子直方图前后连接得到降维的一维直方图特征H_1D(x)，如图2所示。

(1.6)建立SVM模型：所述SVM分类器对输入训练集的样本人脸的MATV特征进行训练，它采用LIBSVM工具，利用径向基核函数(RBF)作为训练模型；将训练集得到的所有k个直方图特征构成训练集特征矩阵得到SVM训练模型。并用训练出来的模型对含有j个特征向量的测试集特征矩阵分类，得到是否为活体人脸的判别标签，并与真实标签比对，从而得到活体检测判别的准确率。

所述SVM分类器模型根据输入的训练样本集，将其划分为多个验证集，通过交叉验证方法交叉训练，再利用网格搜索方法得出SVM模型的最优参数解{C,γ}。

(2)测试阶段：对于测试集的人脸视频帧序列，对每一帧进行人脸检测，然后提取其中的人脸区域并归一化，计算人脸测试样本的MATV直方图特征，最后将其输入训练好的SVM模型，预测出人脸活体检测的结果。

上述步骤(2)中的计算MATV光流场特征、生成一维直方图特征以及将特征输入SVM分类器进行训练的方法与步骤(1)中的方法相同。本测试阶段具体包括以下过程：

(2.1)计算测试技术指标：所述测试集的人脸视频经过和训练集相同的人脸检测和归一化处理后，形成测试集人脸帧样本。对所有j个测试样本提取MATV 特征得到测试集特征矩阵用SVM分类器模型对H_test进行预测，得出测试样本的得分从而得出预测类标，并与测试集的真实活体类标进行比对，得出准确率和等错误率(EER)等技术指标。

(2.2)评估角度特征和L1范数性能：采用控制变量法，对角度特征和L1范数在测试集的预测性能影响进行评估，分别测试L1范数和L2范数模型情况下，加角度的MATV特征和不加角度的幅度变分特征(ATV)的测试集准确率和误差情况，进行分析对比，得出角度特征和L1范数对测试集预测效果的提升程度。

本发明通过两个数据库的实验对它的效果进行说明：(1)第一个数据库是CASIA-FASD数据库，这是一个基于视频攻击的数据库，如图3(a)、图4(a)所示，图3(a)、图4(a)分别为该数据集的活体和非活体视频帧。CASIA-FASD采集了50个用户的人脸视频，其中20个用作训练集，30个用作测试集，共有600段视频，每个用户录制了活体、剪切照片攻击、手动弯曲照片攻击、视频攻击四种类型的视频，每种类型按照低、中、高三种分辨率录制，即单个用户共有3段活体人脸视频，9段假冒人脸视频。(2)第二个数据库是NUAA数据库，这是一个基于照片攻击的数据库，共有15个用户的灰度照片，其中9个做训练，6个做测试，总共有3491张活体人脸和9123张非活体人脸，均为64×64像素尺寸，如图5(a)、图6(a)所示，图5(a)、图6(a)分别为该数据集的活体和非活体图片。

对CASIA数据库，实验采用了8种不同的方法进行对比评估误差率，这里面既有传统的基于纹理特征的MsLBP(多尺度LBP)和DoG方法，也有基于成 分分析的PCA方法，还有过去一年在学术论文中表现突出的4种不同的光流方法：SBIQF(基于剪切波的图像质量特征法)，Face OFM Map(人脸光流幅度映射法)，DMD(动态模式分解)，DMD+LBP，如表1所示。

表1：CASIA-FASD各对比方法实验结果

对NUAA数据库，实验采用了6种方法进行评估准确率，除MsLBP、DoG和它们的全局人脸模式(H-face)以外，还有LTP(局部三元模式)，如表2所示。本发明提出的基于MATV特征的光流活体检测法在准确率、EER等指标上均优于这几种对比方法，MATV法分别在CASIA-FASD和NUAA数据库上实现了93.35％和96.01％的准确率。

表2：NUAA数据库各对比方法实验结果

角度特征和L1范数性能实验：本发明采用控制变量法，对角度特征和L1范数在CASIA-FASD测试集的预测性能影响进行了评估，分别测试L1范数和L2范数模型情况下，加角度的MATV特征和不加角度的幅度变分特征(ATV)的测试集准确率和误差情况，进行分析对比，结果如表3所示，角度特征和L1范数均对人脸活体检测性能有较大提升。

表3：角度特征和L1范数任CASIA-FASD上的实验结果

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于MATV特征的人脸活体检测方法，其特征在于，包括下述步骤：

S1、训练阶段：读取并分解训练集视频，提取每一帧的人脸区域并归一化做输入，采用基于幅度-角度变分法的MATV光流场特征，用统计直方图对特征进行编码得到MATV直方图特征，最后将MATV直方图特征输入SVM分类器进行训练，建立SVM模型；

S2、测试阶段：对于测试集的人脸视频帧序列，对每一帧进行人脸检测，然后提取其中的人脸区域并归一化得到测试集人脸帧样本，计算人脸帧样本的MATV直方图特征，最后将其输入训练好的SVM模型，预测出人脸活体检测的结果。

2.根据权利要求1所述的基于MATV特征的人脸活体检测方法，其特征在于，步骤S1包括以下过程：

S11、对训练样本人脸图像的每个像素点依次计算MATV光流场特征，MATV光流场特征采用基于L1范数的变分法光流运动估计模型，采用数值优化和prima-dual加速的方法求出光流场的最终稳定收敛解(u,v)；

S12、计算训练样本人脸图像的每个像素点的幅度和角度联合特征(mag,θ)；

S13、计算MATV光流场的幅度和角度二维联合直方图H(x,y)：将幅值特征按大小分为C_X个组距依次编码，得到幅度直方图分布；将角度特征按照大小分为C_Y个方向组距依次编码，得到角度直方图分布，从而得到二维直方图特征H_2D(x,y)，x轴表示幅度，y轴表示角度；

S14、将二维直方图H_2D(x,y)降维，得到一维直方图H_1D(x)；

S15、建立SVM模型：SVM分类器对输入训练集的样本人脸图像的MATV特征进行训练，采用LIBSVM工具，利用径向基核函数RBF作为训练模型；将训练集得到的所有k个直方图特征构成训练集特征矩阵得到SVM模型。

3.根据权利要求2所述的基于MATV特征的人脸活体检测方法，其特征在于，步骤S11所述光流场的最终稳定收敛解(u,v)的计算方式为：横轴光流场u的计算如下两式：

其中λ是稳定系数， 是第k次迭代解u^(k)的梯度；纵轴光流场v的计算方法与横轴光流场u的相同。

4.根据权利要求2所述的基于MATV特征的人脸活体检测方法，其特征在于，步骤S12所述幅度和角度联合特征中的角度θ计算方法如下：

幅度计算方法为

5.根据权利要求2所述的基于MATV特征的人脸活体检测方法，其特征在于，步骤S14所述将二维直方图H_2D(x,y)降维成一维直方图H_1D(x)的方法为：

将二维直方图H_2D(x,y)按角度分组为共S个子直方图，将所述S个子直方图前后连接得到降维的一维直方图特征H_1D(x)。

6.根据权利要求2所述的基于MATV特征的人脸活体检测方法，其特征在于，步骤S15所述SVM分类器根据输入的训练样本集，将其划分为多个验证集，通过交叉验证方法交叉训练，再利用网格搜索方法得出SVM模型的最优参数解。

7.根据权利要求1或2所述的基于MATV特征的人脸活体检测方法，其特征在于，步骤S2中，对所有人脸帧样本提取MATV特征，得到测试集特征矩阵 用SVM分类器对H_test进行预测，得出测试样本的得分 从而得出预测类标，并与测试集的真实活体类标进行比对，得出准确率和等错误率技术指标。

8.根据权利要求2所述的基于MATV特征的人脸活体检测方法，其特征在于，步骤S2中，采用控制变量法对角度特征和L1范数在测试集的预测性能影响进行评估，分别测试L1范数和L2范数模型情况下，加角度的MATV特征和不加角度的幅度变分特征(ATV)的测试集准确率和误差情况，进行分析对比，得出角度特征和L1范数对测试集预测效果的提升程度。