顏健

摘要：人臉識(shí)別已廣泛應(yīng)用于各種場景，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。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，判斷該人臉是否為真實(shí)人臉。

目前主流的人臉活體檢測方法可以分為三類：

（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。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，田野等提出一種基于LBP特征的人臉活體檢測方法，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，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

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，并用于測試數(shù)據(jù)集分類，僅使用LBP作為特征時(shí)在4163個(gè)測試數(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方法，顯著提升了人臉活體檢測的準(zhǔn)確性。目前的研究僅針對(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。