李明進(jìn)， 白景文

（電子科技大學(xué)成都學(xué)院 微電子技術(shù)系，成都611731）

0 引 言

隨著人臉識(shí)別［1］廣泛應(yīng)用于各個(gè)場(chǎng)所，如超市人臉消費(fèi)機(jī)、小區(qū)人臉門禁系統(tǒng)等，隨之而來的安全性問題開始逐漸被大家重視，其中一項(xiàng)則是人臉非活體與活體［2-3］的辨別。近年來，關(guān)于非活體檢測(cè)方面的研究主要集中在：基于微觀紋理，基于動(dòng)態(tài)信息，基于多光譜和基于多特征融合的方法?，F(xiàn)在融合方案做得比較好的是采用多傳感器融合技術(shù)，使用紅外對(duì)管進(jìn)行用戶距離判別與圖像傳感器用深度學(xué)習(xí)算法進(jìn)行二分類來判斷是否存在欺詐。多特征多方法的融合固然能取得較高的準(zhǔn)確率，但是由于耗時(shí)，對(duì)設(shè)備要求高，缺乏推廣性。而基于動(dòng)態(tài)信息的非活體檢測(cè)方法，要求目標(biāo)人像進(jìn)行一些面部動(dòng)作，如眨眼、點(diǎn)頭等等。這類方法明顯的缺點(diǎn)是需要用戶必須花時(shí)間做一些相應(yīng)的動(dòng)作?；谖⒂^紋理的分析是以靜態(tài)圖像為分析對(duì)象，例如基于二進(jìn)制統(tǒng)計(jì)殘差特征進(jìn)行分辨活體人臉［4］與基于圖像色彩紋理的人臉活體檢測(cè)算法研究［5］，以上兩種方法是計(jì)算活體與需要被檢測(cè)的人臉都進(jìn)行提取，由差值來進(jìn)行判斷。此類方法因?yàn)樾枰O(jiān)控的變量和影響結(jié)果質(zhì)量的因素繁多，涉及到被檢測(cè)人像的光亮、素材質(zhì)量、人臉紋理、素材圖片色彩質(zhì)量，以及該人臉的標(biāo)準(zhǔn)活體等，在實(shí)現(xiàn)上受判斷因素影響較大。

為了簡(jiǎn)化以及減少影響因素同時(shí)提高普遍適用性，本文基于非活體人臉的背景邊框與光亮特征兩種特性，對(duì)識(shí)別非活體的依據(jù)進(jìn)行研究。本文的主要工作包括：①基于LSD設(shè)計(jì)出一個(gè)具有較好魯棒性的矩形邊框檢測(cè)算法，用于檢測(cè)非活體人臉的背景邊框，如手機(jī)框、身份證、照片等矩形框，并且能在有遮擋、光亮噪聲等情況下均能識(shí)別。②通過實(shí)驗(yàn)對(duì)于一個(gè)固定的場(chǎng)所，給出人臉區(qū)域光亮的特征。③使用手機(jī)框、身份證、照片作為實(shí)驗(yàn)素材，驗(yàn)證融合矩形邊框檢測(cè)和光亮特征的人臉非活體檢測(cè)算法，分析優(yōu)勢(shì)與不足。

1 矩形框提取

1.1 LSD算法提取線段

LSD［6］算法是一種線段檢測(cè)算法，具有速度快、精度高（達(dá)到亞像素級(jí)）。LSD 算法運(yùn)用兩個(gè)重要概念gradient（梯度）和level-lines（水平線）。創(chuàng)建單位向量場(chǎng)由每個(gè)像素點(diǎn)計(jì)算得到的角度組成，給定一個(gè)范圍值τ，滿足τ并且像素點(diǎn)具有相同角度的歸為對(duì)應(yīng)的連通域，并生成對(duì)應(yīng)的待定域，每個(gè)待定域?qū)嵸|(zhì)是一條待定的線段。當(dāng)一個(gè)由待定域越細(xì)長(zhǎng)時(shí)，那么就更有可能是直線段，使用一個(gè)矩形覆蓋該待定域，計(jì)算矩形的主要方向與覆蓋待定域水平角度的差值。若滿足τ，則歸類這些像素點(diǎn)，由這些值得到這個(gè)區(qū)域的NFA值，由NFA值判斷是否線段；如果小于1，那么這個(gè)矩形可以被認(rèn)為是一條線段。

1.2 線段特征提取

本文將上述提取的線段進(jìn)行矩形特征［7］提取，分為兩大類：邊線特征［8］提取；角點(diǎn)特征［9］提取。

邊線特征提取是為了應(yīng)對(duì)矩形被某些物體遮擋的情況或者殘缺矩形的情況，矩形的邊是斷裂的，或者是不連續(xù)的線段，普通的方法是不能把這些斷裂的線段識(shí)別為矩形的一條邊，但是這些線段共同的特點(diǎn)是θ和ρ相近，所以針對(duì)以上描述，把邊類特征細(xì)化為：同一水平位置線段可組合為一條線段，左右方向延伸的線段。同理，線段與線段能形成的90°夾角的整合為角點(diǎn)特征。

1.2.1 同一水平直線位置的直線特征提取

判斷直線之間的位置關(guān)系主要使用極坐標(biāo)的ρ和θ，ρ代表直線到原點(diǎn)的距離，θ 代表該距離向量的方向。在進(jìn)行位置判斷之前，首先定義一個(gè)距離閾值ρ閾和一個(gè)角度閾值θ閾。根據(jù)在同一直線上兩線段的ρ和θ相等的原理，對(duì)每條線段的ρ 和θ 進(jìn)行篩選，當(dāng)滿足：

記直線A和直線B為同一水平位置特征（見圖1）。

圖1 A，B，C為同一水平位置特征

1.2.2 組合關(guān)系的特征提取

為了避免噪聲造成輪廓斷裂的影響，對(duì)同一水平直線進(jìn)行再提取新的特征關(guān)系，方法是判斷兩直線端點(diǎn)距離：

式中：str1與end1分別為直線A 的始端點(diǎn)和尾端點(diǎn)；str2與end2分別為直線B的始端點(diǎn)和尾端點(diǎn)。比較所有Gap，將最小的Gap 值列為兩直線的最小距離Gapmin，然后確定一個(gè)直線距離閾值Gap閾，當(dāng)滿足

記直線A和B為可組合直線（見圖2）。

圖2 A，B為可組合線段關(guān)系

1.2.3 同一水平直線的左右延伸特征提取

為了方便對(duì)矩形的有效邊進(jìn)行最大延伸檢測(cè)，對(duì)直線之間的左右位置關(guān)系進(jìn)行處理，在同一水平直線的基礎(chǔ)上進(jìn)行新的特征提取，具體流程如圖3 所示。

圖3 線段左右延伸關(guān)系提取流程

根據(jù)上述流程分別確定兩條直線相互的左右關(guān)系和包含關(guān)系，如圖4 和圖5 所示。

圖4 直線B為直線A的右延伸直線

圖5 直線A包含直線B

1.2.4 角點(diǎn)基本特征提取

（1）確定角點(diǎn)基本特征的方法是判斷兩線段端點(diǎn)距離，兩條線段間端點(diǎn)距離最小記為Gapmin，給定一個(gè)距離閾值Gap閾，當(dāng)滿足：

則認(rèn)為這兩條線段滿足本文提出的角點(diǎn)特征的要求，之后得該夾角的角點(diǎn)數(shù)據(jù)，稱為該夾角的角點(diǎn)Pt角。

（2）角點(diǎn)的線段位置屬性提取。依據(jù)角的兩條線段之間關(guān)系對(duì)位置屬性進(jìn)行分類：有交點(diǎn)夾角，無交點(diǎn)夾角，延長(zhǎng)一條線段后有交點(diǎn)夾角。

具體流程如圖6 所示。角點(diǎn)的屬性類型如圖7所示。

1.2.5 角點(diǎn)方向特征提取

為了明確矩形線段檢索順序，同時(shí)也為了保證找到矩形的完整和可靠性，把角點(diǎn)特征細(xì)分為4 類，即一個(gè)矩形的4 個(gè)不同位置的4 類頂角，在這之后依據(jù)矩形4 個(gè)頂角之間固有的關(guān)系，實(shí)現(xiàn)提出的聚類特征矩形檢測(cè)算法。

圖6 角點(diǎn)線段位置屬性提取流程

圖7 角點(diǎn)屬性詳解

角點(diǎn)方向特征提取流程如圖8 所示。

圖8 方向角提取流程

1.3 基于線段特征進(jìn)行矩形框檢測(cè)

先從輪廓線段中任取一條直線作為起始線段，跟蹤與起始線段成左上角點(diǎn)特征的線段標(biāo)號(hào)。確認(rèn)矩形左上角之后，對(duì)新標(biāo)記的線段跟蹤與其成右上角特征的線段標(biāo)號(hào)，并確認(rèn)矩形右上角。之后依次是右下角，左下角，最后記錄4 個(gè)角的位置，并將其順時(shí)針依次連接，得到矩形。詳細(xì)流程如圖9、10 所示。

1.4 線段特征庫(kù)說明

提取直線相應(yīng)特征后創(chuàng)建一個(gè)總庫(kù)用于記錄所得到所有直線對(duì)應(yīng)的所有特征，而每一條直線與其余直線的相應(yīng)特征建立一個(gè)子庫(kù)存放于總庫(kù)中。如果該直線與另一條直線滿足之前相應(yīng)的邊角特征，那么就在該直線的總特征庫(kù)中的相應(yīng)子特征庫(kù)中記錄另一條直線標(biāo)號(hào)。相應(yīng)地，另一條直線的總特征庫(kù)中的相應(yīng)子特征庫(kù)也記錄該直線的標(biāo)號(hào)。

某直線總特征庫(kù)：①邊類特征庫(kù)。同一水平直線特征庫(kù)，左可組合直線特征庫(kù)，右可組合特征庫(kù)，包含直線特征庫(kù)。②角點(diǎn)特征庫(kù)。左上角特征庫(kù)，右上角特征庫(kù)，右下角特征庫(kù)，左下角特征庫(kù)。

圖9 基于線段特征的矩形檢測(cè)

圖10 每層循環(huán)詳細(xì)流程

2 深度學(xué)習(xí)人像位置及光亮特征提取

2.1 深度學(xué)習(xí)人像位置提取

本文利用基于深度學(xué)習(xí)［10-11］、目標(biāo)檢測(cè)算法［12］進(jìn)行人像位置提取。2014 年，Girshick 等設(shè)計(jì)了R-CNN框架，使目標(biāo)檢測(cè)取得巨大突破。流程大致可分為：首先使用Selective search 算法從輸入的圖像中提取region proposal；其次為使CNN 有標(biāo)準(zhǔn)的輸入需要將region proposal 的大小進(jìn)行歸一化；然后使用AlexNet提取特征；最后利用多個(gè)SVM進(jìn)行分類［12］，同時(shí)使用線性回歸微調(diào)定位框。但是該方法在對(duì)region proposal特征提取階段計(jì)算量大且速度慢，而且訓(xùn)練步驟繁多。之后為了使算法更準(zhǔn)確并且速度更快，相繼有人提出了SPP-Net、Fast R-CNN［13］、RPN特征提取深層網(wǎng)絡(luò)的Faster R-CNN［14］和對(duì)于Faster R-CNN 的改進(jìn)算法［15］。

本文使用CNN模型實(shí)現(xiàn)對(duì)目標(biāo)圖片進(jìn)行人臉檢測(cè)后，對(duì)檢測(cè)出的人臉的位置進(jìn)行記錄，方便與之后矩形框位置進(jìn)行對(duì)比。

2.2 光亮特征提取

為了更準(zhǔn)確地辨別活體與非活體，預(yù)先通過訓(xùn)練獲取的環(huán)境亮度在每個(gè)時(shí)間段的光亮特征曲線，以及包括人臉在每個(gè)時(shí)間段出現(xiàn)在攝像頭不同位置的亮度特征。當(dāng)需要進(jìn)行辨別非活體時(shí)，對(duì)目標(biāo)人臉進(jìn)行亮度值提取后與該時(shí)間段場(chǎng)所對(duì)應(yīng)的亮度值進(jìn)對(duì)比，若亮度值差異達(dá)到設(shè)定的閾值，則認(rèn)為是非活體。

3 人臉反欺騙的檢測(cè)流程

人臉反欺騙檢測(cè)的整體流程如圖11 所示，當(dāng)使用身份證、打印照片檢測(cè)結(jié)果為非活體時(shí)，表明反欺騙檢測(cè)成功。

圖11 人臉反欺騙的檢測(cè)流程

4 實(shí)驗(yàn)結(jié)果分析

圖12 為手持身份證人像面實(shí)驗(yàn)素材，手指對(duì)身份證有所遮擋。圖13 為人手持人像照片實(shí)驗(yàn)素材。對(duì)實(shí)驗(yàn)素材進(jìn)行LSD 輪廓提取得到的結(jié)果如圖14、15所示。之后對(duì)照片中的矩形框和人像位置進(jìn)行提取得到的結(jié)果如圖16、17 所示。

實(shí)驗(yàn)素材1 由于得到的矩形框與人像位置結(jié)果圖的情況為矩形框包含人像，所以可以由此得出這張人臉為非活體。實(shí)驗(yàn)素材2 由于矩形框內(nèi)的人臉被該矩形框完全包含，所以認(rèn)為該人臉為非活體，而照片外的人臉并沒有被矩形框完全包含，所以該人臉被認(rèn)為活體。由上述結(jié)果可以得出，該方法有效解決了矩形框斷裂和矩形框遮擋帶來的不良影響，更快速、有效地對(duì)人臉的活體與非活體做出判斷。

圖12 實(shí)驗(yàn)素材1

圖13 實(shí)驗(yàn)素材2

圖14 實(shí)驗(yàn)素材1的LSD結(jié)果

圖15 實(shí)驗(yàn)素材2的LSD結(jié)果

圖16 實(shí)驗(yàn)素材1矩形框與人像位置結(jié)果

圖17 實(shí)驗(yàn)素材2矩形框與人像位置結(jié)果

5 結(jié) 語(yǔ)

現(xiàn)有的人臉識(shí)別易遭到各式各樣的攻擊，給系統(tǒng)的活體識(shí)別帶來挑戰(zhàn)。如何增強(qiáng)檢測(cè)精度、縮短耗時(shí)、增加魯棒性能、提高泛化能力成為目前的人臉識(shí)別系統(tǒng)的研究熱點(diǎn)。本文介紹了一種基于邊框和人臉亮度特征的人臉非活體檢測(cè)的研究方法，重點(diǎn)是基于矩形框檢測(cè)，人像位置以及人像光亮特征的差異，提出了一種可以作為非活體檢測(cè)依據(jù)的研究方法，該方法表現(xiàn)出了對(duì)紙張攻擊，屏幕攻擊有很強(qiáng)的反欺騙性，并且耗時(shí)短，可普遍應(yīng)用。實(shí)驗(yàn)中對(duì)身份證照片、打印照片等進(jìn)行測(cè)試，結(jié)果表明，矩形框檢、人像位置、光亮特征都擁有較高的檢測(cè)精度，并且矩形框檢測(cè)能有效避免噪聲、矩形框不完整等不良因素帶來的誤檢與漏檢。該研究可以作為常用場(chǎng)合非活體檢測(cè)的依據(jù)或方法。后續(xù)工作將對(duì)無邊框圖像和面具攻擊進(jìn)行反欺騙研究。