[发明专利]一种基于WLD-TOP的活体人脸检测方法

说明书

本发明公开了一种基于WLD‑TOP的活体人脸检测方法，包括以下步骤：(1)训练阶段：读取训练集视频，对每一帧进行人脸区域检测，并转换成灰度人脸图像帧序列，构造三维图像矩阵，然后构造滤波模板并计算WLD特征，再生成WLD‑TOP特征向量，最后将特征向量输入SVM分类器进行训练，从而建立SVM模型；(2)测试阶段：对于测试的图像序列，对每一帧进行人脸检测并转换为灰度人脸图像序列，然后构造三维图像矩阵及滤波模板，计算WLD特征，生成WLD‑TOP特征向量，最后送入训练好的SVM模型，得出活体人脸检测结果。本发明利用韦伯定理，在LBP‑TOP基础上，不仅体现了邻域像素和中心像素的大小关系，还量化了邻域像素和中心像素的差异，使得描述子的特征更加全面。

技术领域

本发明涉及人脸检测的研究领域，特别涉及一种基于WLD-TOP的活体人脸检测方法。

背景技术

人脸识别技术通过比较和分析人脸的生物特征，从而鉴别人的身份。人脸识别技术在过去的几十年间取得了长足的进步，人脸识别的产品被应用于门禁、重要场所监控、出入境等多个场合。人脸识别技术的一个优点是自动识别目标，无需监管，但也留下了安全的隐患，如果不法分子使用用户的照片甚至视频可以轻易的骗过人脸识别系统，就会造成危害，严重威胁到了社会的安全稳定。

常见的人脸欺骗攻击包括照片攻击和视频攻击。照片攻击带有用户的人脸特征，而视频攻击更带有合法用户的动态特征，如眨眼和面部表情的变化，更具欺骗性，严重地影响了人脸识别系统判别的准确性。

现在的活体人脸检测方法主要有以下几种：一是基于纹理结构分析的方法，该方法通过分析三维活体人脸和重拍人脸成像的差异性，提取相关纹理特征进行判别；二是基于面部运动信息分析的方法，活体人脸和重拍人脸的本质区别在于前者是三维物体，后者是二维平面结构，存在人脸的二次拍摄，它们产生的运动效果是完全不同的；三是基于活体特征信息分析的方法,该方法分析人脸的热红外图像、眨眼和嘴唇运动等活体特征，这种方法可能需要一些额外的检测设备支持，因此在推广上存在硬件的限制。

上述三种方法的实现都要用到合适的图像描述子，它可以极大的提高活体人脸检测的准确率。由于人脸欺骗攻击手段越来越多，尤其是基于视频的欺骗手段，具有活体人脸的动态特征，比如可以通过合法用户的动态视频获得眨眼等面部表情的变化从而达到欺骗攻击的目的，所以我们需要一个能加入时间和空间信息的描述子来作辨别。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于WLD-TOP的活体人脸检测方法，通过提取WLD描述子，并加入视频帧的时间轴信息，从而构成WLD-TOP(Weber Local Descriptor-Three Orthogonal Planes)描述子，它融合了WLD描述子的空间特征和视频帧的时间特征，提高了活体人脸检测的准确率。

为了达到上述目的，本发明采用以下技术方案：

一种基于WLD-TOP描述子的活体人脸检测方法，包括下述步骤：

S1、训练阶段：读取训练集视频，对每一帧进行人脸区域检测，并转换成灰度人脸图像帧序列，构造三维图像矩阵，然后构造滤波模板并计算WLD特征，再生成WLD-TOP特征向量，最后将特征向量输入SVM分类器进行训练，从而建立SVM模型；

S2、测试阶段：对于测试的图像序列，对每一帧进行人脸检测并转换为灰度人脸图像序列，然后构造三维图像矩阵及滤波模板，计算WLD特征，生成WLD-TOP特征向量，最后送入训练好的SVM模型，得出活体人脸检测结果。

优选的，步骤S1中，所述训练集视频是活体人脸视频、录制的照片人脸、重放攻击或打印图片攻击。

优选的，步骤S1中，在读入视频帧后，提取haar特征并用adaboosting算法进行人脸区域检测，提取其中的彩色人脸图并转为大小尺寸一致的灰度图。