CN107103266B - 二维人脸欺诈检测分类器的训练及人脸欺诈检测方法 - Google Patents

Abstract

本发明提供了二维人脸欺诈检测模型的生成方法，所述方法包括：第一，对训练集中所有的人脸图片进行预处理，得到归一化人脸图像；第二，从每个归一化人脸图像中提取LBP特征向量、Gabor小波特征向量和一维像素特征向量；第三，将这三个特征向量进行拼接形成最终的特征向量；第四，利用支持向量机对基于拼接形成最终的特征向量进行训练，得到二维人脸欺诈检测分类器；该方法提取了人脸和照片的差异的特征信息；特征提取简单高效，不需要用户刻意地配合，能够在低分辨率的情况下取得很好的效果。此外，基于上述方法得到的二维人脸欺诈检测分类器，本发明还提出了人脸欺诈检测方法，该方法具有检测正确率高的优点，能够有效防止人脸欺诈行为。

Description

二维人脸欺诈检测分类器的训练及人脸欺诈检测方法

技术领域

本发明涉及计算机视觉和图形图像处理领域，特别涉及二维人脸欺诈检测分类器的训练及人脸欺诈检测方法。

背景技术

目前，二维生物识别技术(即基于二维人脸生物特征的识别)是一个很重要的研究领域。视角变换、遮挡、复杂的户外光线一直是人脸识别的难点。虽然做了大量工作解决这些问题，但是人脸识别***的欺诈攻击漏洞却被大多***忽视了。人脸识别***依赖平面图形进行身份检测，***很容易受到打印照片或者电子照片的欺诈攻击。例如，联想，华硕和东芝的Windows XP和Vista的笔记本电脑都内置了网络摄像头和生物识别***，通过扫描用户的脸认证用户。在2009年的黑帽大会上(全球领先的技术安全会议)，河内大学的安全漏洞研究小组展示了怎样轻松地利用合法用户的人脸照片骗过笔记本的人脸识别***(联想的Veriface III,华硕的SmartLogon V1.0.0005,东芝的Face Recognition2.0.2.32)进入笔记本，并且这些***采用的都是最高安全等级。这个漏洞现在已被美国国家标准与技术研究院收录进国家漏洞数据库。因此解决欺诈攻击问题来提高人脸识别***的安全性和健壮性并将它应用到实际中，是一个很迫切的需求。

欺诈攻击指一个人试图通过伪造数据伪装成其他人来获取非法的访问。比如说，一个人在摄像头前拿一张合法用户的照片、视频、面具、3D模型来欺骗人脸识别***。虽然一个人也可用化妆、整容等其他欺诈方式，但照片攻击是最常见的欺诈攻击，因为人脸照片可以很方便地通过网上下载、偷拍获取。

目前，欺诈攻击漏洞已经吸引了越来越多人的注意，2011年还专门举办了一届“IJCB2011二维人脸欺诈攻击防御大赛”。虽然在这个领域的研究越来越多并且陆续发布了一些公共开放的数据库，但是能够为欺诈检测算法提供相对客观开发测试的标准数据库并不是很多，这个领域还是不够成熟，到目前为止关于最佳的欺诈检测算法并没有统一的共识。目前现有的人脸欺诈检测研究方法要么太复杂，没有实用性(实际用中要求实时快速处理)，要么采用一些非常规的成像***(多频谱成像)和高分辨率摄像头，这些都不具备实际应用的条件。

发明内容

本发明的目的在于克服目前二维人脸欺诈检测方法存在的上述缺陷，通过发现人脸和相应照片的细微不同，并设计一个特征空间来突出该差异。实际上，人脸照片都含有一定程度的印刷质量缺陷，可以运用纹理很好的检测出来。受图像质量、印刷品特征、光线反射差异的启发，本发明提出一种二维人脸欺诈检测分类器的训练方法。该方法通过从图片中提取LBP、Gabor小波、像素特征三种特征空间中对应的特征向量，再将这三种特征向量合成一个最终的特征向量，最后将这个特征向量送到一个非线性的SVM分类器进行分类训练得到一个二维人脸欺诈检测分类器。基于该二维人脸欺诈检测分类器，本发明还提供了一种人脸欺诈检测方法，可以判断出输入图像是人脸还是欺诈图像。

为了实现上述目的，本发明提供了二维人脸欺诈检测分类器的训练方法，所述方法包括：第一，对训练集中所有的人脸图片进行预处理，得到归一化人脸图像；第二，从每个归一化人脸图像中提取LBP特征向量、Gabor小波特征向量和一维像素特征向量；第三，将这三个特征向量进行拼接形成最终的特征向量；第四，利用支持向量机对拼接形成最终的特征向量进行训练，得到二维人脸欺诈检测分类器。

上述技术方案中，所述方法具体包括：

步骤S1)对训练集中第i个人脸图片进行预处理，其中，1≤i≤L；得到64×64像素大小的归一化人脸图像z_i；

步骤S2)从归一化人脸图像z_i中提取LBP特征向量L(z_i)；

步骤S3)从归一化人脸图像z_i中提取Gabor小波特征向量G(z_i)；

步骤S4)将归一化人脸图像z_i缩放到8×8大小，再将二维图像结构转化为一维像素特征向量P(z_i)；

步骤S5)将步骤S2)、步骤S3)、步骤S4)提取的三种纹理特征拼接成最终的特征向量D(z_i)＝(L(z_i),G(z_i),P(z_i))；

步骤S6)基于支持向量机回归算法对所有的特征向量D(z_i)进行训练，得到二维人脸欺诈检测分类器，其中，1≤i≤L。

上述技术方案中，所述步骤S1)具体包括：

步骤S1-1)对人脸图片进行图像灰度化处理：

遍历人脸面部图片，对每一个像素点进行处理，得到每个像素的RGB值，通过运算分别提取出红、蓝、绿的值，计算每个像素转换后的灰度值：

Grey＝(9798R+19235G+3735B)/32768

其中，Grey代表转换后的灰度值，R、G、B分别代表图像中每一个像素点的红色分量、绿色分量和蓝色分量；

步骤S1-2)采用双线性插值法将灰度化图像大小调整至64×64；

步骤S1-3)对调整大小后的图像进行增强：

利用直方图的统计数据进行图像直方图的修改，通过调整图像各灰度级别像素出现概率相等来改变图像中各灰度级别的像素值，从而实现图像增强；

步骤S1-4)对增强后的图像提取图像像素矩阵，得到归一化人脸图像z_i。

上述技术方案中，所述步骤S2)具体包括：

步骤S2-1)对归一化人脸图像z_i运用算子得到LBP图像，再将LBP图像分割为3×3个重叠区域，分别从每个区域中提取59维的统计直方图合成一个531维的统计直方图特征向量；

步骤S2-2)对归一化人脸图像z_i运用算子，提取得到59维的统计直方图特征向量；

步骤S2-3)对归一化人脸图像z_i运用算子，提取得到243维的统计直方图特征向量；

步骤S2-4)将步骤S2-1)、步骤S2-2)、步骤S2-3)得到的特征向量合成一个特征向量L(z_i)，该特征向量的维数是59*9+59+243＝833维。

上述技术方案中，所述步骤S3)具体包括：

步骤S3-1)将归一化人脸图像z_i缩放到32×32大小，对缩放后的图像进行Gabor小波变换：

取p个不同的方向和q个不同尺度的Gabor滤波器对缩放后图像进行处理，每个像素点t₀会得到p×q个Gabor幅值特征，p×q个Gabor幅值特征级联起来被称为一个Jet，简写为J，则图像中像素点t₀的Jet为：

J(t₀)＝(M_0,0(t₀),...,M_0,7(t₀),...,M_4,0(t₀),...,M_4,7(t₀))

将所有像素点的Gabor幅值特征级联起来得到人脸图像的特征向量F(z_i)：

F(z_i)＝{J(t₀):t₀∈z_i}

步骤S3-2)确定步骤S3-1)得到的特征向量F(z_i)的降维维度，基于主成分分析法对特征向量F(z_i)进行降维，得到降维后的Gabor小波特征向量G(z_i)。

上述技术方案中，所述步骤S3-2)具体包括：

步骤S3-2-1)将步骤S3-1)得到的特征向量F(z_i)的维度d划分为n等分，确定新维度d'的取值范围；

原始特征向量F(z_i)的维度为d，将d的取值划分为n等份，取值集合如下：

其中，表示整数取整运算；

设降维后的得到特征为G(z_i)，则其维度d'分别取这n个值：

步骤S3-2-2)d'依次取集合中的每个值，计算训练集所有图片对应的人脸欺诈检测平均绝对误差集合{MAE_m}；

对训练集中的L张图片，计算当d'取集合中的每个值时，训练集所有图片对应的人脸欺诈检测平均绝对误差如下：

其中，j表示训练集中第j张图片，k表示d'取集合中第k个值，即l_j表示训练集中第j张图片对应的类别值：0表示欺诈图像，1表示真实人脸图像，表示训练集中第j张图片的类别估计值；最终可以得到不同MAE值集合{MAE_m}其中m∈1,2,...,n；

步骤S3-2-3)取集合{MAE_m}中最小值MAE_min，以MAE_min对应的d'作为最终的降维维度；

步骤S3-2-4)基于步骤S3-2-3)得到的d'，利用主成分分析法对特征向量F(z_i)进行降维，得到降维后的Gabor小波特征向量G(z_i)。

上述技术方案中，所述步骤S6)具体包括：

步骤S6-1)基于支持向量机回归算法构建最优化问题；

假设模型训练集样本为{x⁽ⁱ⁾,y⁽ⁱ⁾}(i＝1,2,...,L)，x⁽ⁱ⁾表示归一化人脸图像z_i的特征向量D(z_i)，y⁽ⁱ⁾表示该图像对应的类别：人脸图像或欺诈图像；假设样本维数为N，则支持向量机回归算法的目标是求解二维人脸欺诈检测分类器f(x)，使f(x⁽ⁱ⁾)与y⁽ⁱ⁾之间的差值不大于ε，ε为阈值，控制着实际标签值与预测估计值之间的最大误差；那么，f(x)的定义如下：

其中，“·”表示向量内积；w和b为求解的参数；

步骤S6-2)利用拉格朗日乘子法对最优化求解问题(1)进行转化，转换为对其对偶问题进行求解，得到二维人脸欺诈检测分类器f(x)的表达式。

基于上述方法训练得到的二维人脸欺诈检测分类器，本发明还提供了人脸欺诈检测方法，该方法包括：

步骤T1)对待检测人脸图片进行预处理，得到64×64像素大小的归一化人脸图像z₀；

步骤T2)从归一化人脸图像z₀中提取LBP特征向量L(z₀)；

步骤T3)从归一化人脸图像z₀中提取Gabor小波特征向量G(z₀)；

步骤T4)将归一化人脸图像z₀缩放到8×8大小，再将二维图像结构转化为一维的像素特征向量P(z₀)；

步骤T5)将步骤T2)、步骤T3)、步骤T4)提取的三种纹理特征拼接成最终的特征向量D(z₀)＝(L(z₀),G(z₀),P(z₀))；

步骤T6)将步骤T5)得到的特征向量D(z₀))输入到二维人脸欺诈检测分类器中，得到检测结果：人脸图像或欺诈图像。

本发明的优点在于：

1、本发明提出的二维人脸欺诈检测分类器的训练方法；通过融合多种纹理特征来捕获人脸和相应照片的细微不同；吸收了LBP、Gabor小波两个强大纹理算子的互补属性，其中，LBP包含的是微纹理信息，Gabor小波包含的是宏观的信息，而像素特征提供的是全局的信息，因此训练的特征向量充分地提取了人脸和照片的差异的信息；

2、在本发明提出的二维人脸欺诈检测分类器的训练方法中，特征提取简单高效，不需要用户刻意地配合，能够在低分辨率的情况下取得很好的效果；二维人脸特征向量提取结合SVR回归算法实现人脸欺诈检测时可得到更低的误差，满足实际应用场景需要；

3、本发明采用的纹理特征也可以用来进行人脸识别，为人脸欺诈检测和人脸识别提供了一个独特的特征空间；

4、本发明的人脸欺诈检测方法具有检测正确率高的优点，能够有效防止人脸欺诈行为；

5、本发明的方法可应用在人脸验证***、安全监控等诸多场合。

附图说明

图1为本发明的二维人脸欺诈检测分类器的训练方法的流程图。

具体实施方式

下面对本发明涉及的技术概念进行简要的介绍。

LBP(Local Binary Pattern，局部二值模型)特征是人脸相关研究领域较为常用纹理特征。最基本的LBP图像编码定义为在3×3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3×3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码，共256种)，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。为了适应不同尺度的纹理特征，将3×3邻域扩展到任意邻域,并用圆形邻域代替了正方形邻域，采用双线性插值算法计算没有完全落在像素位置的点的灰度值。此外，改进后的LBP算子允许在半径为R的圆形邻、域内有任意多个像素点。LBP等价模式(uniformpatterns)可以对LBP特征向量进行降维。当某个局部二进制模式所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该局部二进制模式所对应的二进制就称为一个等价模式类，如00000000，11111111，10001111都是等价模式类，除等价模式类以外的模式都归为另一类，称为混合模式类。通过这样的改进，局部二值模式的种类大大减少。等价模式类占总模式中的绝大多数，利用这些等价模式类和混合模式类的直方图，可提取更能代表图像本质特性的特征。符号表示在半径为R的圆形领域内的P个点的等价模式算子。

Gabor小波被广泛应用于图像识别、图像处理领域，在模式识别领域中，Gabor小波变换也是一种非常有效的特征描述子。Gabor小波对于图像的边缘很敏感，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感,能够提供对光照变化良好的适应性。同时，二维Gabor函数可以增强面部关键部件(眼睛、鼻子、嘴巴等)的信息，从而使得在保留总体人脸信息的同时增强局部特性成为可能。在空域，一个2维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积，具有在空间域和频率域同时取得最优局部化的特性，与人类生物视觉特性很相似，因此能够很好地描述对应于空间频率(尺度)、空间位置及方向选择性的局部结构信息。实质上，Gabor小波变换是为了提取信号Fourier变换的局部信息，使用了一个Gauss函数作为窗函数，因为一个Gauss函数的Fourier变换还是一个Gauss函数，所以Fourier逆变换也是局部的。通过频率参数和高斯函数参数的选取，Gabor变换可以选取很多部位的特征信息。输入人脸图像经过Gabor小波变换后，可得到一组Gabor小波响应图像簇。

主成分分析(Principal Component Analysis，PCA)降维方法的原理为去除原始数据中各数据分量间的相关关系，去除冗余信息，保留最主要的成分。PCA计算原始数据协方差矩阵中最大的几个特征值所对应的特征向量并得到对应的子空间，将特征向量投影到该子空间以达到用较少数量的特征对样本空间进行描述的目的。支持向量机在解决分类问题时(通常是二分类问题)，是基于结构风险最小化的准则寻找一个最优分类超平面，将样本一分为二，达到不同类别间具有最大的类间间隔。分类问题中常用离散的整数值表示样本的类别，与分类问题不同，回归问题中的每个样本的标签是连续的实数。故支持向量机回归(Support Vector Regression，SVR)旨在寻找一个超平面，能够准确预测样本的分布，近似样本数据。

现结合附图和具体实施例对本发明做进一步的描述。

如图1所示，一种二维人脸欺诈检测分类器的训练方法，所述方法包括：

步骤S1)依次对训练集中第i(1≤i≤L)个人脸图片进行预处理，得到64×64像素大小的归一化人脸图像z_i(1≤i≤L)；具体包括：

步骤S1-1)对第i(1≤i≤L)个人脸图片进行图像灰度化处理：

所述人脸图片包括：真实采集人脸图片及二次成像(伪造)人脸图片。

遍历面部图像，对每一个像素点进行处理，得到每个像素的RGB值，通过运算分别提取出红、蓝、绿的值，根据人眼对红蓝绿三种颜色的敏感程度不同，最佳灰度转换公式为：

Grey＝(9798R+19235G+3735B)/32768

其中Grey代表转换后的灰度值，R、G、B分别代表图像中每一个像素点的红色分量、绿色分量和蓝色分量；

步骤S1-2)采用双线性插值法将灰度化图像大小调整至64×64；

步骤S1-3)对调整大小后的图像进行增强：

利用直方图的统计数据进行图像直方图的修改，通过调整图像各灰度级别像素出现概率相等来改变图像中各灰度级别的像素值，从而实现图像增强；

步骤S1-4)对增强后的图像提取图像像素矩阵，得到归一化人脸图像z_i(1≤i≤L)。

步骤S2)从归一化人脸图像z_i中提取LBP特征向量L(z_i)；

所述步骤S2)具体包括：

步骤S2-1)对归一化人脸图像z_i运用算子得到LBP图像，再将LBP图像分割为3×3个重叠区域，分别从每个区域中提取59维的统计直方图最后合成一个最终的531维的统计直方图特征向量；

其中，表示在半径为1的圆形领域内的8个点的等价模式算子。

步骤S2-2)对归一化人脸图像z_i运用算子，提取得到59维的统计直方图特征向量；

其中，表示在半径为2的圆形领域内的8个点的等价模式算子。

步骤S2-3)对归一化人脸图像z_i运用算子，提取得到243维的统计直方图特征向量；

其中，表示在半径为2的圆形领域内的16个点的等价模式算子。

步骤S2-4)将步骤S2-1)、步骤S2-2)、步骤S2-3)得到的特征向量合成一个特征向量L(z_i)，特征向量L(z_i)的维数是59*9+59+243＝833维。

步骤S3)从归一化人脸图像中提取Gabor小波特征向量G(z_i)；

所述步骤S3)具体包括：

步骤S3-1)将归一化人脸图像z_i缩放到32×32大小，对缩放后的图像进行Gabor小波变换：

取p个不同的方向和q个不同尺度的Gabor滤波器对缩放后图像进行处理，每个像素点t₀会得到p×q个Gabor幅值特征，p×q个Gabor幅值特征级联起来通常被称为一个Jet，简写为J，则图像中像素点t₀的Jet为：

J(t₀)＝(M_0,0(t₀),...,M_0,7(t₀),...,M_4,0(t₀),...,M_4,7(t₀))

将所有像素点的Gabor幅值特征级联起来得到人脸图像的特征向量F(z_i)：

F(z_i)＝{J(t₀):t₀∈z_i}

步骤S3-2)确定步骤S3-1)得到的特征向量F(z_i)的降维维度，基于主成分分析法对特征向量F(z_i)进行降维，得到降维后的Gabor小波特征向量G(z_i)；具体包括：

步骤S3-2-1)将步骤S3-1)得到的特征向量F(z_i)的维度d划分为n等分，确定新维度d'的取值范围；

原始特征向量F(z_i)的维度为d，将d的取值划分为n等份，取值集合如下：

其中，表示整数取整运算；

设降维后的得到特征为G(z_i)，则其维度d'分别取这n个值：

步骤S3-2-2)d'依次取集合中的每个值，计算训练集所有图片对应的人脸欺诈检测平均绝对误差集合{MAE_m}；

对训练集中的L张图片，计算当d'取集合中的每个值时，训练集所有图片对应的人脸欺诈检测平均绝对误差如下：

其中，j表示训练集中第j张图片，k表示d'取集合中第k个值，即l_j表示训练集中第j张图片对应的类别值(0表示欺诈图像，1表示真实人脸图像)，表示训练集中第j张图片的类别估计值；最终可以得到不同MAE值集合{MAE_m}其中m∈1,2,...,n；

步骤S3-2-3)取集合{MAE_m}中最小值MAE_min，以MAE_min对应的d'作为最终的降维维度；

步骤S3-2-4)基于步骤S3-2-3)得到的d'，利用主成分分析法对特征向量F(z_i)进行降维，得到降维后的Gabor小波特征向量G(z_i)。

步骤S4)将归一化人脸图像z_i缩放到8×8大小，再将二维图像结构转化为一维的像素特征向量P(z_i)；

步骤S5)将步骤S2)、步骤S3)、步骤S4)提取的三种纹理特征拼接成最终的特征向量D(z_i)＝(L(z_i),G(z_i),P(z_i))；

步骤S6)基于支持向量机回归算法对所有的特征向量D(z_i),(1≤i≤L)进行训练，得到二维人脸欺诈检测分类器；具体包括如下步骤：

步骤S6-1)基于支持向量机回归算法构建最优化问题；

假设模型训练集样本为{x⁽ⁱ),y⁽ⁱ⁾}(i＝1,2,...,L)，x⁽ⁱ⁾表示归一化人脸图像z_i的特征向量D(z_i)，y⁽ⁱ⁾表示该图像对应的类别：人脸图像或欺诈图像。假设样本维数为N，则SVR的目标即是求解二维人脸欺诈检测分类器f(x)，使f(x⁽ⁱ⁾)与y⁽ⁱ⁾之间的差值不大于ε，ε是一个极小的数，控制着实际标签值与预测估计值之间的最大误差。那么，f(x)的定义如下：

其中，“·”表示向量内积；w和b为求解的参数；求解的w应使||w||²最小；一般称该超平面模型为ε-SVR；那么ε-SVR的最优化求解问题可表示为如下公式：

SVR引进惩罚系数和松弛变量来进行调节：

其中，

表示损失函数；

在本实施例中，设定SVR参数中的惩罚系数C＝128，学习参数g＝0.1，采用RBF(径向高斯基)核函数进行训练；

步骤S6-2)利用拉格朗日乘子法对最优化求解问题进行转化，转换为对其对偶问题进行求解，得到二维人脸欺诈检测分类器f(x)的表达式；

引入如下拉格朗日函数：

其中表示α_i和表示η_i和而α_i、η_i以及均为拉格朗日乘子。公式(9)的求解属于凸二次规划问题范畴，通过先求解L(w,α,η,b)函数对w,b,ξ的最小值转化，则求解满足L(w,α,η,b)函数对w,b,ξ的偏导分别为0的“鞍点”：

可得到带回公式(9)中可得：

这样，求解公式(9)的最优解问题转化为以下对偶问题的求解：

这样，就将问题转化为只包含一个α参数的最优化问题，得到α的值后便可求出相应的w，最终的f(x)为：

根据KKT条件，SVR的对偶问题只有满足以下条件时，对偶问题的解才等价于原问题的解：

可看出当α_i＝C时，ξ_i才不等于0，此时样本点会落在ε(即离群点)，则：

那么b的取值满足：

由KKT条件还可看出，对于|f(x)-y⁽ⁱ⁾|＝ε+ξ_i ^(*)的样本点，其对应的才不等于0；这些样本点即支持向量。

当核函数为K(x⁽ⁱ⁾,x)时，检测函数f(x)变为：

训练得到SVR模型后，只有支持向量对应的点决定着回归的预测值。

基于上述方法训练得到的二维人脸欺诈检测分类器，本发明还提供了二维人脸欺诈检测方法，所述方法包括：

步骤T1)对摄像头采集到的待检测人脸图片进行预处理，得到64×64像素大小的归一化人脸图像z₀；

步骤T2)从归一化人脸图像z₀中提取LBP特征向量L(z₀)；

步骤T3)从归一化人脸图像z₀中提取Gabor小波特征向量G(z₀)；

步骤T4)将归一化人脸图像z₀缩放到8×8大小，再将二维图像结构转化为一维的像素特征向量P(z₀)；

步骤T5)将步骤T2)、步骤T3)、步骤T4)提取的三种纹理特征拼接成最终的特征向量D(z₀)＝(L(z₀),G(z₀),P(z₀))；

步骤T6)将步骤T5)得到的特征向量D(z₀))输入到步骤S6)得到的二维人脸欺诈检测分类器f(x)，得到检测结果：人脸图像或欺诈图像。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种二维人脸欺诈检测分类器的训练方法，所述方法包括：第一，对训练集中所有的人脸图片进行预处理，得到归一化人脸图像；第二，从每个归一化人脸图像中提取LBP特征向量、Gabor小波特征向量和一维像素特征向量；第三，将这三个特征向量进行拼接形成最终的特征向量；第四，利用支持向量机对拼接形成最终的特征向量进行训练，得到二维人脸欺诈检测分类器；

所述方法具体包括：

步骤S1)对训练集中第i个人脸图片进行预处理，其中，1≤i≤L；得到64×64像素大小的归一化人脸图像z_i；

步骤S2)从归一化人脸图像z_i中提取LBP特征向量L(z_i)；

步骤S3)从归一化人脸图像z_i中提取Gabor小波特征向量G(z_i)；

步骤S4)将归一化人脸图像z_i缩放到8×8大小，再将二维图像结构转化为一维像素特征向量P(z_i)；

步骤S5)将步骤S2)、步骤S3)、步骤S4)提取的三种纹理特征拼接成最终的特征向量D(z_i)＝(L(z_i),G(z_i),P(z_i))；

步骤S6)基于支持向量机回归算法对所有的特征向量D(z_i)进行训练，得到二维人脸欺诈检测分类器，其中，1≤i≤L；

所述步骤S1)具体包括：

步骤S1-1)对人脸图片进行图像灰度化处理：

遍历人脸面部图片，对每一个像素点进行处理，得到每个像素的RGB值，通过运算分别提取出红、蓝、绿的值，计算每个像素转换后的灰度值：

Grey＝(9798R+19235G+3735B)/32768

其中，Grey代表转换后的灰度值，R、G、B分别代表图像中每一个像素点的红色分量、绿色分量和蓝色分量；

步骤S1-2)采用双线性插值法将灰度化图像大小调整至64×64；

步骤S1-3)对调整大小后的图像进行增强：

利用直方图的统计数据进行图像直方图的修改，通过调整图像各灰度级别像素出现概率相等来改变图像中各灰度级别的像素值，从而实现图像增强；

步骤S1-4)对增强后的图像提取图像像素矩阵，得到归一化人脸图像z_i；

所述步骤S2)具体包括：

步骤S2-1)对归一化人脸图像z_i运用算子得到LBP图像，再将LBP图像分割为3×3个重叠区域，分别从每个区域中提取59维的统计直方图合成一个531维的统计直方图特征向量；

步骤S2-2)对归一化人脸图像z_i运用算子，提取得到59维的统计直方图特征向量；

步骤S2-3)对归一化人脸图像z_i运用算子，提取得到243维的统计直方图特征向量；

步骤S2-4)将步骤S2-1)、步骤S2-2)、步骤S2-3)得到的特征向量合成一个特征向量L(z_i)，该特征向量的维数是59*9+59+243＝833维；

所述步骤S3)具体包括：

步骤S3-1)将归一化人脸图像z_i缩放到32×32大小，对缩放后的图像进行Gabor小波变换：

取p个不同的方向和q个不同尺度的Gabor滤波器对缩放后图像进行处理，每个像素点t₀会得到p×q个Gabor幅值特征，p×q个Gabor幅值特征级联起来被称为一个Jet，简写为J，则图像中像素点t₀的Jet为：

J(t₀)＝(M_0,0(t₀),...,M_0,7(t₀),...,M_4,0(t₀),...,M_4,7(t₀))

将所有像素点的Gabor幅值特征级联起来得到人脸图像的特征向量F(z_i)：

F(z_i)＝{J(t₀):t₀∈z_i}

步骤S3-2)确定步骤S3-1)得到的特征向量F(z_i)的降维维度，基于主成分分析法对特征向量F(z_i)进行降维，得到降维后的Gabor小波特征向量G(z_i)；

所述步骤S3-2)具体包括：

步骤S3-2-1)将步骤S3-1)得到的特征向量F(z_i)的维度d划分为n等分，确定新维度d'的取值范围；

原始特征向量F(z_i)的维度为d，将d的取值划分为n等份，取值集合如下：

其中，表示整数取整运算；

设降维后的得到特征为G(z_i)，则其维度d'分别取这n个值：

步骤S3-2-2)d'依次取集合中的每个值，计算训练集所有图片对应的人脸欺诈检测平均绝对误差集合{MAE_k}；

对训练集中的L张图片，计算当d'取集合中的每个值时，训练集所有图片对应的人脸欺诈检测平均绝对误差如下：

其中，j表示训练集中第j张图片，k表示d'取集合中第k个值，即l_j表示训练集中第j张图片对应的类别值：0表示欺诈图像，1表示真实人脸图像，表示训练集中第j张图片的类别估计值；最终可以得到不同MAE值集合{MAE_k}其中k∈1,2,...,n；

步骤S3-2-3)取集合{MAE_k}中最小值MAE_min，以MAE_min对应的d'作为最终的降维维度；

步骤S3-2-4)基于步骤S3-2-3)得到的d'，利用主成分分析法对特征向量F(z_i)进行降维，得到降维后的Gabor小波特征向量G(z_i)。

2.根据权利要求1所述的二维人脸欺诈检测分类器的训练方法，其特征在于，所述步骤S6)具体包括：

步骤S6-1)基于支持向量机回归算法构建最优化问题；

假设模型训练集样本为{x⁽ⁱ⁾,y⁽ⁱ⁾},i＝1,2,...,L，x⁽ⁱ⁾表示归一化人脸图像z_i的特征向量D(z_i)，y⁽ⁱ⁾表示该图像对应的类别：人脸图像或欺诈图像；假设样本维数为N，则支持向量机回归算法的目标是求解二维人脸欺诈检测分类器f(x)，使f(x⁽ⁱ⁾)与y⁽ⁱ⁾之间的差值不大于ε，ε为阈值，控制着实际标签值与预测估计值之间的最大误差；那么，f(x)的定义如下：

其中，“·”表示向量内积；w和b为求解的参数；

步骤S6-2)利用拉格朗日乘子法对最优化求解问题(1)进行转化，转换为对其对偶问题进行求解，得到二维人脸欺诈检测分类器f(x)的表达式。

3.一种人脸欺诈检测方法，基于权利要求1-2之一所述的方法训练得到的二维人脸欺诈检测分类器实现，该方法包括：

步骤T1)对待检测人脸图片进行预处理，得到64×64像素大小的归一化人脸图像z₀；

步骤T2)从归一化人脸图像z₀中提取LBP特征向量L(z₀)；

步骤T3)从归一化人脸图像z₀中提取Gabor小波特征向量G(z₀)；

步骤T4)将归一化人脸图像z₀缩放到8×8大小，再将二维图像结构转化为一维的像素特征向量P(z₀)；

步骤T5)将步骤T2)、步骤T3)、步骤T4)提取的三种纹理特征拼接成最终的特征向量D(z₀)＝(L(z₀),G(z₀),P(z₀))；

步骤T6)将步骤T5)得到的特征向量D(z₀))输入到二维人脸欺诈检测分类器中，得到检测结果：人脸图像或欺诈图像。