[发明专利]一种视频人脸活体检测方法

摘要

本发明公开了一种视频人脸活体检测方法：输入一个视频流；截取所述视频流，得到N个视频帧图片；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；相位角模型选择，得到最终的单个动态降阶模型图片；对上述的动态降阶模型模型图片提取基于分割加权的LBP等价模式特征直方图；基于三种核函数的SVM分类，区分虚拟攻击和合法用户。与现有技术相比，本发明首次使用动态相关性模型对视频帧进行预处理，能精准地捕获到人脸的动态变化，很好地弥补了目前对于视频攻击的性能较好的活体检测方法的缺失；其次，重点突出了对活体检测性能大的人脸区域。本发明的人脸活体检测性能算法从总体上优于其他现有的针对视频攻击的方法。

主权项

一种视频人脸活体检测方法，其特征在于，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:$F=\[F_1,F_2,...F_N\]=\left[\begin{array}{cccc}{F}_1^1& F_2^1& ...& F_N^1\\ F_1^2& F_2^2& ...& F_N^2\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ F_1^{mn}& F_2^{mn}& ...& F_N^{mn}\end{array}\right]---\left(1\right)$设M是两个相邻帧之间的线性映射系数，且F₂＝MF₁         (2)则有：F＝[F₁ MF₁ … M^N‑1 F₁]和[F₂ F₃ … F_N]＝M[F₁ F₂ … F_N‑1]；步骤四，相位角模型选择，得到最终的单个动态降阶模型图片：公式(2)表示基于克雷洛夫子空间的视频帧的相互的关系，依据通过Arnoldi迭代算法使其正交化，得到：MF₁≈F₁A         (3)其中，A是由前N‑1个帧变换过程中产生的伴随矩阵，并且通过结合前N‑1个帧逼近第N帧；即：F₂＝c₀F₁+c₁F₂+…+c_N‑2F_N‑1＝{F₁,F₂,…F_n‑1}c得到：F₂≈F₁A         (5)从公式(4)到(5)，得到:MF₁≈F₂≈F₁A            (6)得到了接近于M的特征值的低维的系统矩阵A，通过计算矩阵A的复特征值的相位角，选取相位角为零或者逼近于零的特征值所对应的模型为最终的单个动态降阶模型图片；步骤五，对上述的动态降阶模型模型图片提取基于分割加权的LBP等价模式特征直方图；首先将步骤四获得的动态降阶模型图片的人脸图像进行人脸检测和定位，按照人脸器官分为左眼、右眼、左脸颊、鼻子、右脸颊、嘴巴和脸轮廓七个区域；随后，在每个区域中的每个像素点计算LBP等价模式特征值；然后计算每个子区域的直方图并进行直方图归一化处理；计算公式如下：${\mathrm{LBP}}_{P,R}^{riu2}=\left\{\begin{array}{cc}\underset{p=0}{\overset{P-1}{\Σ}}S(g_P-g_c)& ifU\left({\mathrm{LBP}}_{P,R}\right)\≤2\\ P+1& otherwise\end{array}\right.---\left(7\right)$其中的g_c为邻域像素点的灰度值，g_c为中心像素点的灰度值，P为邻域中像素点的个数，R为邻域半径，LBP_P,R^riu2表示中心像素点c处的等价模式LBP特征值。$U\left({\mathrm{LBP}}_{P,R}\right)=|S(g_{P-1}-g_c)-S(g_0-g_c)|+\underset{p=1}{\overset{P-1}{\Σ}}|S(g_P-g_c)-S(g_{P-1}-g_c)|U\left({\mathrm{LBP}}_{P,R}\right)\≤2$代表0、1之间跳变次数小于等于2；然后对于每个区域的LBP特征进行不同的系数加权，设左眼、右眼、左脸颊、鼻子、右脸颊、嘴巴和脸轮廓七个区域对应的Fisher系数分别为R_le,R_re,R_lf,R_n,R_rf,R_m,R_o；将得到的每个区域的LBP等价模式特征值按照每个区域的R值进行加权即为每个区域最终的特征值，然后拼接成一个特征向量，即为整幅人脸图像的LBP等价模式纹理特征向量；步骤六，基于三种核函数的SVM分类，区分虚拟攻击和合法用户：将得到的人脸的图像的LBP等价模式纹理特征向量送入SVM分类器来训练和测试，采用基于多项式核、径向基核和sigmoid核三种核函数的SVM分类器，然后根据特异性和敏感度这两个指标判断基于不同的核函数下的SVM的性能，并选择性能最好的SVM对测试样本进行判决并分析测试结果。