一種基于wld-top的活體人臉檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及人臉檢測的研宄領(lǐng)域，特別涉及一種基于WLD-T0P的活體人臉檢測方 法。
【背景技術(shù)】
[0002] 人臉識別技術(shù)通過比較和分析人臉的生物特征，從而鑒別人的身份。人臉識別技 術(shù)在過去的幾十年間取得了長足的進(jìn)步，人臉識別的產(chǎn)品被應(yīng)用于門禁、重要場所監(jiān)控、出 入境等多個場合。人臉識別技術(shù)的一個優(yōu)點(diǎn)是自動識別目標(biāo)，無需監(jiān)管，但也留下了安全的 隱患，如果不法分子使用用戶的照片甚至視頻可以輕易的騙過人臉識別系統(tǒng)，就會造成危 害，嚴(yán)重威脅到了社會的安全穩(wěn)定。
[0003] 常見的人臉欺騙攻擊包括照片攻擊和視頻攻擊。照片攻擊帶有用戶的人臉特征， 而視頻攻擊更帶有合法用戶的動態(tài)特征，如眨眼和面部表情的變化，更具欺騙性，嚴(yán)重地影 響了人臉識別系統(tǒng)判別的準(zhǔn)確性。
[0004] 現(xiàn)在的活體人臉檢測方法主要有以下幾種：一是基于紋理結(jié)構(gòu)分析的方法，該方 法通過分析三維活體人臉和重拍人臉成像的差異性，提取相關(guān)紋理特征進(jìn)行判別；二是基 于面部運(yùn)動信息分析的方法，活體人臉和重拍人臉的本質(zhì)區(qū)別在于前者是三維物體，后者 是二維平面結(jié)構(gòu)，存在人臉的二次拍攝，它們產(chǎn)生的運(yùn)動效果是完全不同的；三是基于活體 特征信息分析的方法，該方法分析人臉的熱紅外圖像、眨眼和嘴唇運(yùn)動等活體特征，這種 方法可能需要一些額外的檢測設(shè)備支持，因此在推廣上存在硬件的限制。
[0005] 上述三種方法的實(shí)現(xiàn)都要用到合適的圖像描述子，它可以極大的提高活體人臉檢 測的準(zhǔn)確率。由于人臉欺騙攻擊手段越來越多，尤其是基于視頻的欺騙手段，具有活體人臉 的動態(tài)特征，比如可以通過合法用戶的動態(tài)視頻獲得眨眼等面部表情的變化從而達(dá)到欺騙 攻擊的目的，所以我們需要一個能加入時間和空間信息的描述子來作辨別。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于WLD-T0P 的活體人臉檢測方法，通過提取WLD描述子，并加入視頻幀的時間軸信息，從而構(gòu)成 WLD_T0P(Weber Local Descriptor-Three Orthogonal Planes)描述子，它融合了WLD描述 子的空間特征和視頻幀的時間特征，提高了活體人臉檢測的準(zhǔn)確率。
[0007] 為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：
[0008] -種基于WLD-T0P描述子的活體人臉檢測方法，包括下述步驟：
[0009] S1、訓(xùn)練階段：讀取訓(xùn)練集視頻，對每一幀進(jìn)行人臉區(qū)域檢測，并轉(zhuǎn)換成灰度人臉 圖像幀序列，構(gòu)造三維圖像矩陣，然后構(gòu)造濾波模板并計(jì)算WLD特征，再生成WLD-T0P特征 向量，最后將特征向量輸入SVM分類器進(jìn)行訓(xùn)練，從而建立SVM模型；
[0010] S2、測試階段：對于測試的圖像序列，對每一幀進(jìn)行人臉檢測并轉(zhuǎn)換為灰度人臉圖 像序列，然后構(gòu)造三維圖像矩陣及濾波模板，計(jì)算WLD特征，生成WLD-T0P特征向量，最后送 入訓(xùn)練好的SVM模型，得出活體人臉檢測結(jié)果。
[0011] 優(yōu)選的，步驟S1中，所述訓(xùn)練集視頻是活體人臉視頻、錄制的照片人臉、重放攻擊 或打印圖片攻擊。
[0012] 優(yōu)選的，步驟S1中，在讀入視頻幀后，提取haar特征并用adaboosting算法進(jìn)行 人臉區(qū)域檢測，提取其中的彩色人臉圖并轉(zhuǎn)為大小尺寸一致的灰度圖。
[0013] 優(yōu)選的，步驟S1中，所述構(gòu)造三維圖像矩陣的方法為：
[0014] 設(shè)置一次讀取的視頻幀長度R，選取T坐標(biāo)的邊界閾值LT，則實(shí)際作為中心像素處 理的視頻幀長度R t= R-2L T，再將這組視頻幀的灰度值讀入一個含X、Y和T坐標(biāo)的三維矩 陣 I(X，y,t)中。
[0015] 優(yōu)選的，步驟S1中，構(gòu)造濾波模板并計(jì)算WLD特征的方法為：
[0016] 分別選取X、Y坐標(biāo)邊界裕值Lx、LY，確定WLD描述子的滑動濾波模板長度p，構(gòu)成 P*P的濾波模板對I的三個正交平面XY、XT和YT，分別利用WLD方法的p*p模板計(jì)算除去 邊界裕值后的各中心像素點(diǎn)的差分激勵I(lǐng)和方向梯度〇t，計(jì)算方法如下：首先假設(shè)計(jì)算 的中心點(diǎn)是x。，它的八個相鄰點(diǎn)分別是i = 0, . . .，p2-l，
，定
0 ' G [0, 2it)，S是方向梯度特征的維數(shù)，則0t= 0, 1，. . .，S-1，由上述步驟得到WLD的 描述子 U'（x。)，?J。
[0018] 優(yōu)選的，步驟S1中，
[0019] WLD-T0P計(jì)算過程為：首先對| '（X。）作如下歸一化：
[0020]
，故Ux。）取值為0到N-1這N個整數(shù)值；〇\歸一 化到用整數(shù)0到S-1表示的S個方向，以XY平面為例，對WLD{| (X。)，二維直方圖進(jìn)行 降維，固定Ot，求對應(yīng)的Ux。）子直方圖，根據(jù)S維的分為S組子直方圖，按照〇 ,從 小到大的順序依次連接這S個子直方圖，定義
[0021]f(X，y) =NX O t+ Ux。），則XY 平面的直方圖
[0022] 比，5"= 2x，yM{f(x, y) = i}，i = 0, 1，? ? ?，NC>t_l，其中
，從 而構(gòu)成N〇t維的WLD直方圖H XY，再用此法得到三個正交平面
[0023] (n= 0:XY，n= 1:XT，n= 2:YT)的直方圖hi，n= 2x，y，tM{f(x,y，t) =i}，i= 0, 1，. . .，N〇t-l，將它們轉(zhuǎn)為N〇t維的行向量Hn，依次前后連接，生成3N〇t維的WLD-TOP特 征行向量Hwt= [H。氏H2]。
[0024] 優(yōu)選的，步驟S1中，
[0025] 所述SVM分類器使用LIBSVM作為基礎(chǔ)的SVM實(shí)現(xiàn)工具；將訓(xùn)練集得到的所有k 個特征向量構(gòu)成訓(xùn)練集特征矩陣
，采用SVM訓(xùn)練，并用訓(xùn)練出來的模型對 含有j個特征向量的測試集特征矩陣
分類，得到是否為活體人臉的判別標(biāo) 簽，并與真實(shí)標(biāo)簽比對，從而得到活體檢測判別的準(zhǔn)確率。
[0026] 優(yōu)選的，步驟S1中，
[0027] 所述SVM分類器對于輸入的訓(xùn)練樣本集，采用交叉驗(yàn)證方法進(jìn)行訓(xùn)練，并利用網(wǎng) 格搜索方法尋找SVM的最優(yōu)參數(shù)集{C，Y }。
[0028] 本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和有益效果：
[0029] 1、本發(fā)明提出的WLD-T0P方法，利用韋伯定理，在LBP-T0P基礎(chǔ)上，不僅體現(xiàn)了鄰 域像素和中心像素的大小關(guān)系，還量化了鄰域像素和中心像素的差異，并將這種差異作為 一種特征，再結(jié)合方向梯度特征，使得描述子的特征更加全面。
[0030] 2、本發(fā)明將WLD描述子擴(kuò)展到三維空間，加入了時間軸信息，將時間和空間信息 融合為一體，對具有動態(tài)特征的視頻攻擊提高了檢測準(zhǔn)確性。
[0031] 3、本發(fā)明簡化了傳統(tǒng)WLD計(jì)算方向梯度和直方圖的數(shù)學(xué)過程，本發(fā)明的計(jì)算方法 僅在傳統(tǒng)方法上改變了特征向量元素的順序，在不改變傳統(tǒng)WLD特征向量元素大小的基礎(chǔ) 上，用更直觀的數(shù)學(xué)表達(dá)式構(gòu)造這些特征。
[0032] 4、本發(fā)明在不同數(shù)據(jù)集上做訓(xùn)練和測試，通過構(gòu)建了 SYSU活體人臉檢測數(shù)據(jù)集， 并和CASIA數(shù)據(jù)集相結(jié)合做了跨數(shù)據(jù)集的實(shí)驗(yàn)，提高了 WLD-T0P的泛化性能。
【附圖說明】
[0033] 圖1是本發(fā)明的方法流程圖；
[0034] 圖2 (a)-圖2 (c)是本發(fā)明WLD-T0P描述人臉的效果示例圖；
[0035] 圖3是本發(fā)明WLD差分激勵和方向梯度的原理圖；
[0036] 圖4是本發(fā)明WLD-T0P描述子的直方圖；
[0037] 圖5(a) -圖5(d)是本發(fā)明用于訓(xùn)練和測試的CASIA人臉區(qū)域圖；
[0038] 圖6(a) -圖6(d)是本發(fā)明用于訓(xùn)練和測試的SYSU人臉區(qū)域圖。
【具體實(shí)施方式】
[0039] 下面結(jié)合實(shí)施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限 于此。
[0040] 實(shí)施例
[0041] 如圖1所示，本發(fā)明基于WLD-T0P的活體人臉檢測方法，包括以下步驟：
[0042] (1)訓(xùn)練階段：讀取訓(xùn)練集視頻，對每一幀進(jìn)行人臉區(qū)域檢測，并轉(zhuǎn)換成灰度人臉 圖像幀序列，構(gòu)造三維圖像矩陣，然后構(gòu)造濾波模板并計(jì)算WLD特征，再生成WLD-T0P特征 向量，最后將特征向量輸入SVM分類器進(jìn)行訓(xùn)練，從而建立SVM模型；
[0043] 第⑴階段的具體內(nèi)容為：
[0044] (1. 1)讀取訓(xùn)練集視頻：讀取訓(xùn)練集視頻，它可能是活體人臉視頻，也可能是錄 制的照片人臉、重放攻擊、打印圖片攻擊等，我們讀入視頻幀，然后提取haar特征并用 adaboosting算法進(jìn)行人臉區(qū)域檢測，提取其中的彩色人臉圖并轉(zhuǎn)為大小尺寸一致的灰度 圖；
[0045] (1. 2)構(gòu)造三維圖像矩陣：設(shè)置一次讀取的視頻幀長度R，選取T坐標(biāo)的邊界閾值 LT，則實(shí)際作為中心像素處理的視頻幀長度R t= R-2L T，再將這組視頻幀的灰度值讀入一個 含X、Y和T坐標(biāo)的三維矩陣I (x，y，t)中。
[0046] (1. 3)計(jì)算WLD特征：分別選取X、Y坐標(biāo)邊界裕值Lx，LY，確定WLD描述子的 滑動濾波模板長度P，構(gòu)成P*P的濾波模板（實(shí)驗(yàn)中P = 3, Lx= LY= L T= 1);對I的 三個正交平面XY、XT和YT，分別利用WLD方法的p*p模板計(jì)算除去邊界裕值后的各中 心像素點(diǎn)的差分激勵I(lǐng) (x。）和方向梯度〇t，計(jì)算方法如下：首先假設(shè)計(jì)算的中心點(diǎn) 是x。，它的八個相鄰點(diǎn)分別是Xi, i = 0,. . .，p2-l
，定義

，其中0' G [0,2jt)，S是方向梯度特征的維數(shù)，則0\=0，1，...，5_1，由上 述步驟得到WLD的描述子U '（x。)，0t}，如圖3所示，
[0047] (1. 4)生成WLD-T0P特征向量：首先對| '（X。）作如下歸一化：
[0048]
，故Uxc)取值為0到N-1這N個整數(shù)值；? 一化到用整數(shù)0到s-l表示的S個方向，以XY平面為例，對WLD{Ux。)，〇t}二維直方圖進(jìn) 行降維，固定〇t，求對應(yīng)的Ux。）子直方圖，根據(jù)S維的分為S組子直方圖，按照〇 ,從 小到大的順序依次連接這S個子直方圖，定義
[0049]f (X，y) = N X O t+ Uxc)，則 XY 平面的直方圖
[0050] 心找二 2x，yM{f(x,y) =i}，i= 0, 1，? ? ?，NC>t_l，其中
從 而構(gòu)成N〇t維的WLD直方圖HXY，再用此法得到三個正交平面
[0051] (n = 0:XY，n = 1:XT，n = 2:YT)的直方圖 hi，n= 2 x，y，tM{f(x, y，t) = i}，i = 0, 1，. . .，N〇t-l，將它們轉(zhuǎn)為N〇t維的行向量Hn，依次前后連接，生成3N〇 t維的WLD-TOP特 征行向量HWT= [H。氏H2]，如圖4所示。
[0052] (1. 5)將特征向量輸入SVM分類器進(jìn)行訓(xùn)練：SVM分類器使用LIBSVM作 為基礎(chǔ)的SVM實(shí)現(xiàn)工具；將訓(xùn)練集得到的所有k個特征向量構(gòu)成訓(xùn)練集特征矩陣
，采用SVM訓(xùn)練，并用訓(xùn)練出來