顏健

摘要：人臉識(shí)別已廣泛應(yīng)用于各種場(chǎng)景，隨之而來的人臉偽造攻擊對(duì)人臉識(shí)別應(yīng)用的安全性帶來了極大的挑戰(zhàn)。人臉活體檢測(cè)是應(yīng)對(duì)此類攻擊的最佳手段。本文在分析現(xiàn)有人臉活體檢測(cè)方式的基礎(chǔ)上，提出了一種基于LBP與色彩飽和度的融合特征進(jìn)行人臉活體檢測(cè)。經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法準(zhǔn)確性有了較大提升。

關(guān)鍵詞：LBP;色彩飽和度;SVM;特征融合

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）05-0046-02

0引言

近年來，隨著計(jì)算機(jī)視覺技術(shù)的成熟，人臉識(shí)別的準(zhǔn)確性已經(jīng)完全能夠滿足身份驗(yàn)證系統(tǒng)的要求，逐漸被廣泛應(yīng)用在各種場(chǎng)景下，包括刷臉支付、門禁系統(tǒng)、安檢系統(tǒng)等。但是基于人臉識(shí)別的身份驗(yàn)證系統(tǒng)有可能受到照片、視頻、3D模型、面具等偽造攻擊手段的威脅。為了保障系統(tǒng)安全性，需要首先對(duì)接受驗(yàn)證的人臉進(jìn)行活體檢測(cè)，判斷該人臉是否為真實(shí)人臉。

目前主流的人臉活體檢測(cè)方法可以分為三類：

（1）用戶交互認(rèn)證，此類方法通過要求用戶按照指令做出相應(yīng)動(dòng)作，如眨眼、點(diǎn)頭、搖頭等，然后通過對(duì)用戶動(dòng)作的識(shí)別來驗(yàn)證被檢測(cè)對(duì)象是否為真實(shí)的人臉。

（2）圖像特征分析，此類方法通過活體人臉和偽造人臉在圖像特征上的區(qū)別進(jìn)行人臉活體檢測(cè)。Maatta通過對(duì)人臉圖像進(jìn)行微紋理分析的方式實(shí)現(xiàn)活體檢測(cè)，田野等提出一種基于LBP特征的人臉活體檢測(cè)方法，李莉等提出一種LBP特征與小波變換結(jié)合的人臉活體檢測(cè)方法。

（3）借助硬件設(shè)備驗(yàn)證，此類方法需要配備專用硬件設(shè)備，如借助近紅外與可見光雙目裝置進(jìn)行活體檢測(cè)，利用雙目關(guān)系實(shí)現(xiàn)特征點(diǎn)的匹配并獲取其深度信息。

1基于LBP與色彩飽和度融合特征的人臉活體檢測(cè)

本論文采用基于圖像特征的單幀圖像識(shí)別方法，提出一種LBP及色彩飽和度的融合特征，并使用sVM進(jìn)行分類來進(jìn)行照片人臉與真實(shí)人臉的分類。

1.1LBP特特征提取

LBP（局部二值模式）是機(jī)器視覺領(lǐng)域一種非常重要的局部紋理特征描述子。

基礎(chǔ)的LBP算子是定義在3×3大小的一個(gè)方格內(nèi)的，它通過中心像素與周圍相鄰的8個(gè)像素的對(duì)比來計(jì)算LBP值。如圖1所示。

對(duì)于一個(gè)像素值為68的中心像素點(diǎn)，將它周圍相鄰的8個(gè)像素值與它進(jìn)行對(duì)比，如果相鄰像素點(diǎn)的值大于中心像素點(diǎn)則該位置標(biāo)記為1，否則標(biāo)記為O。從左上角開始連接8個(gè)相鄰位置的值得到一個(gè)二進(jìn)制數(shù)（01001 100）B，最終LBp=（01001 100）B=76。計(jì)算得到每一個(gè)像素點(diǎn)的LBP值后，對(duì)得到的結(jié)果劃分檢測(cè)窗口進(jìn)行直方圖統(tǒng)計(jì)，將得到直方圖進(jìn)行拼接就是最終的ILBP特征。

LBP有很多的變種，如旋轉(zhuǎn)不變LBP、CLBP等。本文在IBP特征提取過程中，采用如上所述的基礎(chǔ)的LBP算子計(jì)算得到每一個(gè)像素點(diǎn)的LBP值，并直接對(duì)全部像素點(diǎn)的LBP進(jìn)行128”個(gè)分箱的直方圖統(tǒng)計(jì)，得到一個(gè)1281準(zhǔn)的ILBP特征。

1.2色彩飽和度

A.R.SmithTl978年提出了一種新的顏色模型—HSV。該顏色模型中的Saturation，也就是色彩飽和度是用來描述一個(gè)顏色接近光譜色的程度，顏色越深越鮮艷就越接近光譜色，色彩飽和度就越高。經(jīng)過對(duì)真實(shí)人臉與照片人臉的分析，二者在色彩飽和度分布上有明顯差異，如圖2所示。

本文將原始圖像轉(zhuǎn)換為HSvN色模型，并從中分離出s通道以得到圖像的色彩飽和度信息。對(duì)所得的色彩飽和度進(jìn)行128個(gè)分箱的直方圖統(tǒng)計(jì)，得到一個(gè)128維的色彩飽和度特征。

將128維的LBP特征與128維的色彩飽和度特征進(jìn)行連接，得到一個(gè)256維的向量，即為本文所提出的融合特征。

1.3支持向量機(jī)

SVM（支持向量機(jī)）是機(jī)器學(xué)習(xí)中的一個(gè)非常強(qiáng)大的和受歡迎的監(jiān)督學(xué)習(xí)算法，在小規(guī)模數(shù)據(jù)樣本上，表現(xiàn)得尤為優(yōu)異。其核心思想在于尋找一個(gè)能夠構(gòu)造出最大間隔的決策邊界，通過這個(gè)決策邊界對(duì)樣本進(jìn)行劃分。

本文所要解決的人臉活體檢測(cè)問題正是一個(gè)典型的二分類問題，所以選擇支持向量機(jī)來進(jìn)行模型訓(xùn)練。

2實(shí)驗(yàn)結(jié)果與分析

2.1實(shí)驗(yàn)數(shù)據(jù)

本文使用NUAA數(shù)據(jù)集。該數(shù)據(jù)集邀請(qǐng)了15名受試者，在不同的地點(diǎn)和光照條件下，進(jìn)行人臉圖像收集，包含5105張真實(shí)人臉和7509張照片人臉。在實(shí)施過程中分別提取LBP特征與IBP、色彩飽和度融合特征，并隨機(jī)對(duì)數(shù)據(jù)集進(jìn)行劃分。

2.2實(shí)驗(yàn)結(jié)果

使用訓(xùn)練數(shù)據(jù)集訓(xùn)練基于徑向基核函數(shù)的支持向量機(jī)得到模型，并用于測(cè)試數(shù)據(jù)集分類，僅使用LBP作為特征時(shí)在4163個(gè)測(cè)試數(shù)據(jù)上獲得了98.5%的準(zhǔn)確率，使用LBP與色彩飽和度融合特征時(shí)在4163個(gè)測(cè)試數(shù)據(jù)上獲得了99.6%的準(zhǔn)確率。

2.3結(jié)果分析

經(jīng)過應(yīng)用不同方法在NUAA數(shù)據(jù)庫上進(jìn)行訓(xùn)練測(cè)試，得出的準(zhǔn)確率比較，融合特征較僅使用LBP特征有了明顯的提升，可見本文提出的基于紋理及色彩飽和度融合特征的人臉活體檢測(cè)方法具備更優(yōu)秀的性能。

3結(jié)語

本文提出了一種基于紋理及色彩飽和度融合特征的人臉活體檢測(cè)方法，顯著提升了人臉活體檢測(cè)的準(zhǔn)確性。目前的研究?jī)H針對(duì)于照片偽造攻擊，后續(xù)將繼續(xù)研究將該種方法應(yīng)用于其它人臉偽造攻擊的識(shí)別中。