一種基于WLD-TOP的活體人臉檢測方法技術

本發(fā)明專利技術公開了一種基于WLD-TOP的活體人臉檢測方法，包括以下步驟：(1)訓練階段：讀取訓練集視頻，對每一幀進行人臉區(qū)域檢測，并轉換成灰度人臉圖像幀序列，構造三維圖像矩陣，然后構造濾波模板并計算WLD特征，再生成WLD-TOP特征向量，最后將特征向量輸入SVM分類器進行訓練，從而建立SVM模型；(2)測試階段：對于測試的圖像序列，對每一幀進行人臉檢測并轉換為灰度人臉圖像序列，然后構造三維圖像矩陣及濾波模板，計算WLD特征，生成WLD-TOP特征向量，最后送入訓練好的SVM模型，得出活體人臉檢測結果。本發(fā)明專利技術利用韋伯定理，在LBP-TOP基礎上，不僅體現了鄰域像素和中心像素的大小關系，還量化了鄰域像素和中心像素的差異，使得描述子的特征更加全面。

【技術實現步驟摘要】

本專利技術涉及人臉檢測的研宄領域，特別涉及一種基于WLD-T0P的活體人臉檢測方 法。
技術介紹
人臉識別技術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 術在過去的幾十年間取得了長足的進步，人臉識別的產品被應用于門禁、重要場所監(jiān)控、出 入境等多個場合。人臉識別技術的一個優(yōu)點是自動識別目標，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，嚴重威脅到了社會的安全穩(wěn)定。 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，嚴重地影 響了人臉識別系統(tǒng)判別的準確性。 現在的活體人臉檢測方法主要有以下幾種：一是基于紋理結構分析的方法，該方 法通過分析三維活體人臉和重拍人臉成像的差異性，提取相關紋理特征進行判別；二是基 于面部運動信息分析的方法，活體人臉和重拍人臉的本質區(qū)別在于前者是三維物體，后者 是二維平面結構，存在人臉的二次拍攝，它們產生的運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、眨眼和嘴唇運動等活體特征，這種 方法可能需要一些額外的檢測設備支持，因此在推廣上存在硬件的限制。 上述三種方法的實現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。
技術實現思路
本專利技術的主要目的在于克服現有技術的缺點與不足，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確率。 為了達到上述目的，本專利技術采用以下技術方案： -種基于WLD-T0P描述子的活體人臉檢測方法，包括下述步驟： S1、訓練階段：讀取訓練集視頻，對每一幀進行人臉區(qū)域檢測，并轉換成灰度人臉 圖像幀序列，構造三維圖像矩陣，然后構造濾波模板并計算WLD特征，再生成WLD-T0P特征 向量，最后將特征向量輸入SVM分類器進行訓練，從而建立SVM模型； S2、測試階段：對于測試的圖像序列，對每一幀進行人臉檢測并轉換為灰度人臉圖 像序列，然后構造三維圖像矩陣及濾波模板，計算WLD特征，生成WLD-T0P特征向量，最后送 入訓練好的SVM模型，得出活體人臉檢測結果。 優(yōu)選的，步驟S1中，所述訓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。 優(yōu)選的，步驟S1中，在讀入視頻幀后，提取haar特征并用adaboosting算法進行 人臉區(qū)域檢測，提取其中的彩色人臉圖并轉為大小尺寸一致的灰度圖。 優(yōu)選的，步驟S1中，所述構造三維圖像矩陣的方法為： 設置一次讀取的視頻幀長度R，選取T坐標的邊界閾值LT，則實際作為中心像素處 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坐標的三維矩 陣 I(X，y,t)中。 優(yōu)選的，步驟S1中，構造濾波模板并計算WLD特征的方法為： 分別選取X、Y坐標邊界裕值Lx、LY，確定WLD描述子的滑動濾波模板長度p，構成 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模板計算除去 邊界裕值后的各中心像素點的差分激勵I和方向梯度〇t，計算方法如下：首先假設計算 的中心點是x。，它的八個相鄰點分別是i = 0, . . .，p2-l，，定0 ' G [0, 2it)，S是方向梯度特征的維數，則0t= 0, 1，. . .，S-1，由上述步驟得到WLD的 描述子 U'（x。)，?J。 優(yōu)選的，步驟S1中， WLD-T0P計算過程為：首先對| '（X。）作如下歸一化：，故Ux。）取值為0到N-1這N個整數值；〇\歸一 化到用整數0到S-1表示的S個方向，以XY平面為例，對WLD{| (X。)，二維直方圖進行 降維，固定Ot，求對應的Ux。）子直方圖，根據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f(X，y) =NX O t+ Ux。），則XY 平面的直方圖 比，5"= 2x，yM{f(x, y) = i}，i = 0, 1，? ? ?，NC>t_l，其中，從 而構成N〇t維的WLD直方圖H XY，再用此法得到三個正交平面 (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= 。 優(yōu)選的，步驟S1中， 所述SVM分類器使用LIBSVM作為基礎的SVM實現工具；將訓練集得到的所有k 個特征向量構成訓練集特征矩陣，采用SVM訓練，并用訓練出來的模型對 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 簽，并與真實標簽比對，從而得到活體檢測判別的準確率。 優(yōu)選的，步驟S1中， 所述SVM分類器對于輸入的訓練樣本集，采用交叉驗證方法進行訓練，并利用網 格搜索方法尋找SVM的最優(yōu)參數集{C，Y }。 本專利技術與現有技術相比，具有如下優(yōu)點和有益效果： 1、本專利技術提出的WLD-T0P方法，利用韋伯定理，在LBP-T0P基礎上，不僅體現了鄰 域像素和中心像素的大小關系，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，再結合方向梯度特征，使得描述子的特征更加全面。 2、本專利技術將WLD描述子擴展到三維空間，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確性。 3、本專利技術簡化了傳統(tǒng)WLD計算方向梯度和直方圖的數學過程，本專利技術的計算方法 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 上，用更直觀的數學表達式構造這些特征。 4、本專利技術在不同數據集上做訓練和測試，通過構建了 SYSU活體人臉檢測數據集， 并和CASIA數據集相結合做了跨數據集的實驗，提高了 WLD-T0P的泛化性能。【附圖說明】 圖1是本專利技術的方法流程圖； 圖2 (a)-圖2 (c)是本專利技術WLD-T0P描述人臉的效果示例圖； 圖3是本專利技術WLD差分激勵和方向梯度的原理圖； 圖4是本專利技術WLD-T0P描述子的直方圖； 圖5(a) -圖5(d)是本專利技術用于訓練和測試的CASIA人臉區(qū)域圖； 圖6(a) -圖6(d)是本專利技術用于訓練和測試的SYSU人臉區(qū)域圖?！揪唧w實施方式】 下面結合實施例及附圖對本專利技術作進一步詳細的描述，但本專利技術的實施方式不限 于此。 實施例 如圖1所示，本專利技術基于WLD-T0P的活體人臉檢測方法，包括以下步驟： (1)訓練階段：讀取訓練集視頻，對每一幀進行人臉區(qū)域檢測，并轉換成灰度人臉本文檔來自技高網...

【技術保護點】
一種基于WLD?TOP描述子的活體人臉檢測方法，其特征在于，包括下述步驟：S1、訓練階段：讀取訓練集視頻，對每一幀進行人臉區(qū)域檢測，并轉換成灰度人臉圖像幀序列，構造三維圖像矩陣，然后構造濾波模板并計算WLD特征，再生成WLD?TOP特征向量，最后將特征向量輸入SVM分類器進行訓練，從而建立SVM模型；S2、測試階段：對于測試的圖像序列，對每一幀進行人臉檢測并轉換為灰度人臉圖像序列，然后構造三維圖像矩陣及濾波模板，計算WLD特征，生成WLD?TOP特征向量，最后送入訓練好的SVM模型，得出活體人臉檢測結果。

【技術特征摘要】

【專利技術屬性】
技術研發(fā)人員：賴劍煌，梅嶺，馮展祥，
申請(專利權)人：中山大學，
類型：發(fā)明
國別省市：廣東;44