[发明专利]一种视频人脸活体检测方法

说明书

技术领域

本发明属于图像处理领域，涉及人脸识别中的活体检测技术，尤其是涉及利用人脸动态信息和微纹理特征抵抗人脸假冒视频攻击的方法。

背景技术

近年来，人脸识别技术取得了突飞猛进的发展，在应对姿态、光照和表情变化时有了更高的稳定性，这也促使越来越多的场合使用人脸识别技术进行身份认证。

然而目前现有的人脸识别系统都还缺乏可靠的安全性，源于它极易受到各种形式的非法用户的虚假攻击，最常见的如人脸照片攻击、人脸视频攻击和三维人脸模型攻击。因此，研究可靠的人脸活体检测技术与人脸识别系统相结合成为实际应用中迫切需要解决的问题。

现阶段，国内外关于活体人脸的检测技术主要有：微纹理分析、三维人脸重建、基于运动信息、基于非可见光的多光谱成像、基于多特征融合、人机交互式、热红成像等。

微纹理分析的方法，主要依据真假人脸在图像纹理上的差异。Li等人^[1]提出利用图像的二维傅里叶频谱来区分真假人脸，这种方法易受光照条件、照片扭曲等影响。Tan等人^[2]首次把视角扩展到空间，通过提取图像的空域特征并改进分类器以提高活体检测的性能，创立了第一个人脸活体检测标准数据库NUAA。在2011年的国际生物特征联合会议上，Jukka等人^[3]提取人脸的多规模LBP(局部二元模式)特征，分别是最后拼接为一个特征向量，在NUAA数据库上取得了良好的性能。受到Jukka等人的启发，Schwartz^[4]融合了LBP、DoG等多种特征以最大化地提取出人脸的纹理信息，这在一定程度上提高了检测的性能。文献^[5]创建了另一个新的标准数据库REPLAY-ATTACK，为后续的研究者提供了新的更全面的实验对象，该方法同样采用的是LBP特征。文献^[6]通过结合时间和空间的信息，提取LBP-TOP特征，并在REPLAY-ATTACK数据库上进行验证检测，取得了良好的性能。但是所有的基于微纹理的方法都只能抵抗照片攻击。

基于运动信息的方法，人脸的运动信息主要包括唇部运动、眨眼等。GangPan等人^[7]提出一种基于Adaboost算法的眼睛开合度(EyeClosity)计算方法，将不同的眨眼动作嵌入到建立的条件随机场(ConditionalRandomField，CRF)人眼模型当中，获取了较高的眨眼检测率。受此启发，JiangweiLi在文献^[8]中通过分析眨眼时的人眼区域在不同尺度、不同方向的Gabor响应波来判断活体。文中利用40个Gabor小波(5个尺度、8个方向)对人眼图片进行分解，发现照片人眼和活体人眼的KGRW(keyGaborresponsewaves)有明显差异，因此通过观察KGRW可以推断视频中有无眨眼信号。K.Kollreider等人^[9]将人脸检测和光流估计结合到一起来进行活体检测，因为真实的人脸是三维结构，人脸突出的部位如鼻子相对于摄像头在平面上所产生的二维运动的幅度要大于人脸的边界区域如耳朵。Kollreider等人^[10]利用唇部的运动来进行活体检测，通过一个精准的人脸和唇部检测器精确地定位嘴唇，分析用户在读取一段文字时唇部的运动模式是否和应有的模式一致。

但上述的这些方法在应对攻击者需要将合法用户的人脸照片的眼睛和嘴巴位置掏空，并将自己的相应部位隐藏照片其后以做出相应的动作，因而导致活体检测的性能会大大降低。

发明内容

针对上述的现有技术及存在的问题，本发明提出了一种视频人脸活体检测方法，结合动态相关性模型和LBP(LocalBinaryPattern)等价模式(UniformPattern)特征提取，最后将特征向量送入支持向量机SVM(SupportVectorMachine)分类器进行训练测试的方案,解决了目前现存方法的检测不稳定、易受外界环境影响以及在抵抗视频攻击薄弱的缺陷，在检测性能上比目前现存的方法要好。

本发明提出了一种视频人脸活体检测方法，该方法包括以下步骤：

步骤一，输入一个视频流；

步骤二，截取所述视频流，得到N个视频帧图片；

步骤三，对N个视频帧图片采用动态相关性模型算法建立N-1个动态模型：

对于N个视频帧，产生一个面积大小为mn×N的数据矩阵F: