[发明专利]二维人脸欺诈检测分类器的训练及人脸欺诈检测方法

说明书

本发明提供了二维人脸欺诈检测模型的生成方法，所述方法包括：第一，对训练集中所有的人脸图片进行预处理，得到归一化人脸图像；第二，从每个归一化人脸图像中提取LBP特征向量、Gabor小波特征向量和一维像素特征向量；第三，将这三个特征向量进行拼接形成最终的特征向量；第四，利用支持向量机对基于拼接形成最终的特征向量进行训练，得到二维人脸欺诈检测分类器；该方法提取了人脸和照片的差异的特征信息；特征提取简单高效，不需要用户刻意地配合，能够在低分辨率的情况下取得很好的效果。此外，基于上述方法得到的二维人脸欺诈检测分类器，本发明还提出了人脸欺诈检测方法，该方法具有检测正确率高的优点，能够有效防止人脸欺诈行为。

技术领域

本发明涉及计算机视觉和图形图像处理领域，特别涉及二维人脸欺诈检测分类器的训练及人脸欺诈检测方法。

背景技术

目前，二维生物识别技术(即基于二维人脸生物特征的识别)是一个很重要的研究领域。视角变换、遮挡、复杂的户外光线一直是人脸识别的难点。虽然做了大量工作解决这些问题，但是人脸识别系统的欺诈攻击漏洞却被大多系统忽视了。人脸识别系统依赖平面图形进行身份检测，系统很容易受到打印照片或者电子照片的欺诈攻击。例如，联想，华硕和东芝的Windows XP和Vista的笔记本电脑都内置了网络摄像头和生物识别系统，通过扫描用户的脸认证用户。在2009年的黑帽大会上(全球领先的技术安全会议)，河内大学的安全漏洞研究小组展示了怎样轻松地利用合法用户的人脸照片骗过笔记本的人脸识别系统(联想的Veriface III,华硕的SmartLogon V1.0.0005,东芝的Face Recognition2.0.2.32)进入笔记本，并且这些系统采用的都是最高安全等级。这个漏洞现在已被美国国家标准与技术研究院收录进国家漏洞数据库。因此解决欺诈攻击问题来提高人脸识别系统的安全性和健壮性并将它应用到实际中，是一个很迫切的需求。

欺诈攻击指一个人试图通过伪造数据伪装成其他人来获取非法的访问。比如说，一个人在摄像头前拿一张合法用户的照片、视频、面具、3D模型来欺骗人脸识别系统。虽然一个人也可用化妆、整容等其他欺诈方式，但照片攻击是最常见的欺诈攻击，因为人脸照片可以很方便地通过网上下载、偷拍获取。

目前，欺诈攻击漏洞已经吸引了越来越多人的注意，2011年还专门举办了一届“IJCB2011二维人脸欺诈攻击防御大赛”。虽然在这个领域的研究越来越多并且陆续发布了一些公共开放的数据库，但是能够为欺诈检测算法提供相对客观开发测试的标准数据库并不是很多，这个领域还是不够成熟，到目前为止关于最佳的欺诈检测算法并没有统一的共识。目前现有的人脸欺诈检测研究方法要么太复杂，没有实用性(实际用中要求实时快速处理)，要么采用一些非常规的成像系统(多频谱成像)和高分辨率摄像头，这些都不具备实际应用的条件。

发明内容

本发明的目的在于克服目前二维人脸欺诈检测方法存在的上述缺陷，通过发现人脸和相应照片的细微不同，并设计一个特征空间来突出该差异。实际上，人脸照片都含有一定程度的印刷质量缺陷，可以运用纹理很好的检测出来。受图像质量、印刷品特征、光线反射差异的启发，本发明提出一种二维人脸欺诈检测分类器的训练方法。该方法通过从图片中提取LBP、Gabor小波、像素特征三种特征空间中对应的特征向量，再将这三种特征向量合成一个最终的特征向量，最后将这个特征向量送到一个非线性的SVM分类器进行分类训练得到一个二维人脸欺诈检测分类器。基于该二维人脸欺诈检测分类器，本发明还提供了一种人脸欺诈检测方法，可以判断出输入图像是人脸还是欺诈图像。

为了实现上述目的，本发明提供了二维人脸欺诈检测分类器的训练方法，所述方法包括：第一，对训练集中所有的人脸图片进行预处理，得到归一化人脸图像；第二，从每个归一化人脸图像中提取LBP特征向量、Gabor小波特征向量和一维像素特征向量；第三，将这三个特征向量进行拼接形成最终的特征向量；第四，利用支持向量机对拼接形成最终的特征向量进行训练，得到二维人脸欺诈检测分类器。

上述技术方案中，所述方法具体包括：