CN106650669A - 一种鉴别仿冒照片欺骗的人脸识别方法 - Google Patents

Abstract

本发明请求保护一种鉴别仿冒照片欺骗的人脸识别方法，属于数字图像处理和模式识别领域。识别方法通过分析真、假人脸图像的成像差异，采用图像颜色分布、反射比率和模糊度特征实现鉴别人脸仿冒照片欺骗。首先，将彩色图像转换到HSV颜色空间后提取色彩分布特征；将彩色图像转换到YUV颜色空间图像后提取镜面反射特征；使用灰度共生矩阵提取模糊度特征。然后，综合颜色分布特征、镜面反射特征和模糊度特征作为真假人脸图像的判别信息，使用支持向量机算法分类得出真假人脸图像的判断。该方法可以作为独立模块融入到现有的人脸识别算法中，提供人脸识别***的安全性和可靠性。

Description

一种鉴别仿冒照片欺骗的人脸识别方法

技术领域

本发明属于数字图像处理和模式识别领域，具体是一种鉴别仿冒照片欺骗的人脸识别方法。

背景技术

目前，在各个领域所使用的人脸识别***中，绝大部分并未实现活体检测的功能，使用照片就可以轻易地攻破***，缺乏安全性。即便是实现了这个功能的人脸识别***也因其硬件设备昂贵，且需要用户配合而导致用户体验差等原因未被广泛应用。

为解决现有人脸识别***缺少活体检测功能、活体检测代价昂贵、推广性差的问题，本技术提出一种基于图像的颜色分布，反射比率和模糊度三种特征融合的抗照片欺骗人脸识别方法。

该方法不仅能实现人脸识别中的活体检测，还不需要多余硬件设备，可以方便地加入现有的人脸识别***中，是一种经济的活体检测解决方案。另外，本方法不需要用户主动地配合，是一种友好的活体检测解决方案。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种不需要判断人的生理活动，从而增强用户体验，并且还提高了检测速度和识别速度，增强了实时性的方法。本发明的技术方案如下：

一种鉴别仿冒照片欺骗的人脸识别方法，包括，步骤1：从摄像头获取输入图像；步骤2、检测获取的图像中的人脸，若检测不到人脸则重新获取图像；步骤3、对获取到的图像中的人脸进行归一化处理，其还包括以下步骤4：对归一化后的图像进行颜色分布特征、反射率和模糊度特征提取，根据获得的以上特征进行训练，并判断获取的人脸图像是否来源于活体，若是活体(“活体”指被拍摄对象为有生命体征的活人的真实人脸，如果被拍摄对象为人脸照片或人脸视频等，称之为“仿冒欺骗”)，则进行步骤5；若不是活体则返回步骤1；步骤5：对人脸图像进行局部二值模式直方图(Local Binary Pattern Hi stogram，LBPH)特征的提取，识别人脸并按设定的阈值给出预测结果，若为非法用户返回步骤A。

进一步的，所述步骤4对归一化后的图像进行颜色分布特征提取包括步骤：提取图像的颜色分布特征，把原图从RGB色彩空间转换到HSV颜色空间，分离出H色彩通道并统计直方图作为颜色比例特征。

进一步的，所述步骤4对归一化后的图像进行反射率特征提取包括步骤：提取图像的反射比率特征，将原图的RGB色彩空间转化为YUVY表示明亮度，U、V表示色度，提取图像Y通道并对Y通道的像素值进行归一化，将最大值映射为1，最小值映射为0，通过多项式函数消除图像的高光区域，设原始图像亮度为Y0，消除高光后图像亮度为Yd，那么镜面反射部分Ys＝Y0-Yd.，最后计算镜面比率图Yr＝Ys/Y0作为图像的反射比率特征。

进一步的，所述步骤4对归一化后的图像进行模糊度特征提取具体步骤如下：

1)对归一化后的人脸图像灰度化处理；

2)分别对0°、45°、90°和135°四个方向计算灰度共生矩阵并统计能量、相关、熵和惯性矩4个特征值；

3)根据2)中的结果分别计算能量、相关、熵和惯性矩4个特征值的均值和方差；

4)低通滤波后得到原图细节丢失后的图像，对滤波后的图像应用(2)、(3)得到其特征值均值_M_E，_M_C，_M_s，_M_G和方差_S_E，_S_C，_S_s，_S_G；

5)对4个特征值的均值和方差依据公式(1)分别计算变化率，得到8维的特征向量，

最后得到8维的特征向量作为提取的模糊度特征。

进一步的，所述步骤5：对人脸图像进行特征的提取的步骤如下：

计算LBP图像；将图片划分为8*8块；对每块统计LBP直方图；将每块的统计直方图进行连接，所得就是图片的LBP特征向量。

进一步的，所述步骤5：识别人脸并按设定的阈值给出预测结果的步骤为：

预测时，首先计算待预测图像的LBP特征直方图，然后对比直方图，得到最小的距离Dmin和对应的类别C，如果Dmin满足阈值条件，则输出预测类别C，否则认为待测人脸不在数据库中，返回-1；其中，评估两个直方图的相似性时，即直方图相似度衡量使用直方图交的方法,数越大越相似，相似度范围为[0,+inf)。

本发明的优点及有益效果如下：

1.本发明融合颜色分布、镜面反射、模糊度三个特征，不容易受到针对性攻击，整个***鲁棒性强。

2.本发明具有不需要被拍摄用户配合，实时性强的优点。目前具备活体检测功能的人脸识别应用中，大多是通过判断人脸是否具有生理活动(如眨眼、唇动等)实现检测和识别，且***的人机交互不友好，算法复杂度高，***延时较大。与此相比，本发明并不需要判断人的生理活动，从而增强用户体验，并且还提高了检测速度和识别速度，增强了实时性。

3.本发明对摄像设备采集的图像质量和成像环境要求不高。本发明利用多特征同时检测的方法，实现了对一般摄像头所拍摄图片的活体检测，并且在NUAA照片欺骗数据库上检测成功率达到98％。

附图说明

图1是本发明提供优选实施例本发明的***结构框图。

图2为具体实施方式中活体检测的结构框图。

图3为具体实施方式中人脸识别的结构框图。

图4为实验结果评价图。

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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是，

附图1是本发明的***结构框图。其按照以下几个步骤：

步骤1、从摄像头获取输入图像。

步骤2、检测获取的图像中的人脸，若检测不到人脸则重新获取图像

步骤3、对获取到的图像中的人脸进行归一化处理

步骤4、按照图2所示流程对归一化后的图像进行颜色分布特征、反射率和模糊度特征提取，以此检测获取的人脸图像是否来源于活体，若非活体则返回步骤1

步骤401、提取图像的颜色分布特征。我们把原图从RGB色彩空间转换到HSV颜色空间，分离出H色彩通道并统计直方图作为颜色比例特征。

步骤402、提取图像的反射比率特征。将原图的RGB色彩空间转化为YUV(Y(明亮度)，U、V(色度))，提取图像Y通道并对Y通道的像素值进行归一化，将最大值映射为1，最小值映射为0。通过多项式函数消除图像的高光(镜面反射)区域。设原始图像亮度为Y0，消除高光后图像亮度为Yd，那么镜面反射部分Ys＝Y0-Yd.。最后计算镜面比率图Yr＝Ys/Y0作为图像的反射比率特征。

步骤403、提取图像的模糊特征。具体步骤如下：

(1)对归一化后的人脸图像灰度化处理；

(2)分别对0°、45°、90°和135°四个方向计算灰度共生矩阵并统计能量、相关、熵和惯性矩4个特征值；

(3)根据(2)中的结果分别计算能量、相关、熵和惯性矩4个特征值的均值和方差；

低通滤波后得到原图细节丢失后的图像，对滤波后的图像应用(2)、(3)得到其特征值均值_M_E，_M_C，_M_s，_M_G和方差_S_E，_S_C，_S_s，_S_G；

对4个特征值的均值和方差依据公式(1)分别计算变化率，得到8维的特征向量。

最后得到8维的特征向量作为提取的模糊度特征。

步骤404、把三种特征向量放入SVM训练器里面进行训练。

步骤5、按图3所示流程对通过步骤C的人脸图像进行局部二值模式直方图(LocalBinary Pattern Histogram，LBPH)特征的提取，识别人脸并按设定的阈值给出预测结果，若为非法用户返回步骤A。对LBP特征向量进行提取的步骤如下：

计算LBP图像；

将图片划分为8*8块；

对每块统计LBP直方图；

将每块的统计直方图进行连接，所得就是图片的LBP特征向量。

预测时，首先计算待预测图像的LBP特征直方图，然后对比直方图，得到最小的距离Dmin和对应的类别C，如果Dmin满足阈值条件，则输出预测类别C，否则认为待测人脸不在数据库中，返回-1。其中，评估两个直方图的相似性时，即直方图相似度衡量使用直方图交的方法,数越大越相似，相似度范围为[0,+inf)。

为了验证本发明的效果，进行了以下实验：

1、在NUAA人脸数据库和CMU_PIE人脸数据库进行测试

2、实验分析：

在人脸识别***中，有四种可能结果：1.在数据库中的人被正确接受；2.在数据库中的人被错误接受；3.不在数据库中的人被正确的拒绝；4.不在数据库中的人被错误接受。其中2的概率被称为错误拒绝率(false rejection rate，FRR)；4的概率被称为错误接受率(false accept rate，FAR)，这两种概率是评价生物统计学***识别正确的标准测度。

(1)拒识率(FRR)：属于该***的人被正确的判定为其他人员的概率。

(2)误识率(FAR)：不属于该***的人被正确地判定为属于该***的概率。

(3)识别率(正识率)：属于该***的某个人被正确地判定的概率。

通常FAR和FRR依赖于接受阙值t，增大阙值，可以减少FRR，但会增加FAR，即以阙值t为自变量时，FRR为单调递减函数而FAR为单调递增函数。

由图4可知，当阈值为28时，FAR和FRR取值相等并取到等错误率EER。由上述理论得知，此时的阈值为最佳阈值。从图中可以看出，在等错误率处，FAR和FRR取值都接近于零，由此可以看出本***具有一个优良的算法，同时也有着极高的识别准确率。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (6)

1.一种鉴别仿冒照片欺骗的人脸识别方法，包括，步骤1：从摄像头获取输入图像；步骤2、检测获取的图像中的人脸，若检测不到人脸则重新获取图像；步骤3、对获取到的图像中的人脸进行归一化处理，其特征在于，还包括以下步骤4：对归一化后的图像进行颜色分布特征、反射率和模糊度特征提取，根据获得的以上特征进行训练，并判断获取的人脸图像是否来源于活体，若是活体则进行步骤5，活体指被拍摄对象为有生命体征的活人的真实人脸，如果被拍摄对象为人脸照片或人脸视频，称之为仿冒欺骗；若不是活体则返回步骤1；步骤5：对人脸图像进行局部二值模式直方图LBPH特征的提取，识别人脸并按设定的阈值给出预测结果，若为非法用户返回步骤A。

2.根据权利要求1所述的鉴别仿冒照片欺骗的人脸识别方法，其特征在于，所述步骤4对归一化后的图像进行颜色分布特征提取包括步骤：提取图像的颜色分布特征，把原图从RGB色彩空间转换到HSV颜色空间，分离出H色彩通道并统计直方图作为颜色比例特征。

3.根据权利要求1或2所述的鉴别仿冒照片欺骗的人脸识别方法，其特征在于，所述步骤4对归一化后的图像进行反射率特征提取包括步骤：提取图像的反射比率特征，将原图的RGB色彩空间转化为YUVY表示明亮度，U、V表示色度，提取图像Y通道并对Y通道的像素值进行归一化，将最大值映射为1，最小值映射为0，通过多项式函数消除图像的高光区域，设原始图像亮度为Y0，消除高光后图像亮度为Yd，那么镜面反射部分Ys＝Y0-Yd.，最后计算镜面比率图Yr＝Ys/Y0作为图像的反射比率特征。

4.根据权利要求3所述的鉴别仿冒照片欺骗的人脸识别方法，其特征在于，所述步骤4对归一化后的图像进行模糊度特征提取具体步骤如下：

1)对归一化后的人脸图像灰度化处理；

2)分别对0°、45°、90°和135°四个方向计算灰度共生矩阵并统计能量、相关、熵和惯性矩4个特征值；

3)根据2)中的结果分别计算能量、相关、熵和惯性矩4个特征值的均值和方差；

4)低通滤波后得到原图细节丢失后的图像，对滤波后的图像应用(2)、(3)得到其特征值均值_M_E，_M_C，_M_s，_M_G和方差_S_E，_S_C，_S_s，_S_G；

5)对4个特征值的均值和方差依据公式(1)分别计算变化率，得到8维的特征向量，

$\left\{\begin{array}{c}{r}_{Mi}=\frac{\_M_i-M_i}{\left|M_i\right|}\\ r_{Si}=\frac{\_S_i-S_i}{\left|S_i\right|}\\ i\∈\{E,C,S,G\}\end{array}\right.---\left(1\right)$

最后得到8维的特征向量作为提取的模糊度特征。

5.根据权利要求3所述的鉴别仿冒照片欺骗的人脸识别方法，其特征在于，所述步骤5：对人脸图像进行局部二值模式直方图LBPH特征的提取步骤如下：

计算LBP图像；将图片划分为8*8块；对每块统计LBP直方图；将每块的统计直方图进行连接，所得就是图片的LBP特征向量。

6.根据权利要求5所述的鉴别仿冒照片欺骗的人脸识别方法，其特征在于，所述步骤5：识别人脸并按设定的阈值给出预测结果的步骤为：

预测时，首先计算待预测图像的LBP特征直方图，然后对比直方图，得到最小的距离Dmin和对应的类别C，如果Dmin满足阈值条件，则输出预测类别C，否则认为待测人脸不在数据库中，返回-1；其中，评估两个直方图的相似性时，即直方图相似度衡量使用直方图交的方法,数越大越相似，相似度范围为[0,+inf)。