[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

摘要

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。

主权项

1.一种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；所述方法具体包括：步骤S1)对训练集中第i个人脸图片进行预处理，其中，1≤i≤L；得到64×64像素大小的归一化人脸图像z_i；步骤S2)从归一化人脸图像z_i中提取LBP特征向量L(z_i)；步骤S3)从归一化人脸图像z_i中提取Gabor小波特征向量G(z_i)；步骤S4)将归一化人脸图像z_i缩放到8×8大小，再将二维图像结构转化为一维像素特征向量P(z_i)；步骤S5)将步骤S2)、步骤S3)、步骤S4)提取的三种纹理特征拼接成最终的特征向量D(z_i)＝(L(z_i),G(z_i),P(z_i))；步骤S6)基于支持向量机回归算法对所有的特征向量D(z_i)进行训练，得到二维人脸欺诈检测分类器，其中，1≤i≤L；所述步骤S1)具体包括：步骤S1‑1)对人脸图片进行图像灰度化处理：遍历人脸面部图片，对每一个像素点进行处理，得到每个像素的RGB值，通过运算分别提取出红、蓝、绿的值，计算每个像素转换后的灰度值：Grey＝(9798R+19235G+3735B)/32768其中，Grey代表转换后的灰度值，R、G、B分别代表图像中每一个像素点的红色分量、绿色分量和蓝色分量；步骤S1‑2)采用双线性插值法将灰度化图像大小调整至64×64；步骤S1‑3)对调整大小后的图像进行增强：利用直方图的统计数据进行图像直方图的修改，通过调整图像各灰度级别像素出现概率相等来改变图像中各灰度级别的像素值，从而实现图像增强；步骤S1‑4)对增强后的图像提取图像像素矩阵，得到归一化人脸图像z_i；所述步骤S2)具体包括：步骤S2‑1)对归一化人脸图像z_i运用算子得到LBP图像，再将LBP图像分割为3×3个重叠区域，分别从每个区域中提取59维的统计直方图合成一个531维的统计直方图特征向量；步骤S2‑2)对归一化人脸图像z_i运用算子，提取得到59维的统计直方图特征向量；步骤S2‑3)对归一化人脸图像z_i运用算子，提取得到243维的统计直方图特征向量；步骤S2‑4)将步骤S2‑1)、步骤S2‑2)、步骤S2‑3)得到的特征向量合成一个特征向量L(z_i)，该特征向量的维数是59*9+59+243＝833维；所述步骤S3)具体包括：步骤S3‑1)将归一化人脸图像z_i缩放到32×32大小，对缩放后的图像进行Gabor小波变换：取p个不同的方向和q个不同尺度的Gabor滤波器对缩放后图像进行处理，每个像素点t₀会得到p×q个Gabor幅值特征，p×q个Gabor幅值特征级联起来被称为一个Jet，简写为J，则图像中像素点t₀的Jet为：J(t₀)＝(M_0,0(t₀),...,M_0,7(t₀),...,M_4,0(t₀),...,M_4,7(t₀))将所有像素点的Gabor幅值特征级联起来得到人脸图像的特征向量F(z_i)：F(z_i)＝{J(t₀):t₀∈z_i}步骤S3‑2)确定步骤S3‑1)得到的特征向量F(z_i)的降维维度，基于主成分分析法对特征向量F(z_i)进行降维，得到降维后的Gabor小波特征向量G(z_i)；所述步骤S3‑2)具体包括：步骤S3‑2‑1)将步骤S3‑1)得到的特征向量F(z_i)的维度d划分为n等分，确定新维度d'的取值范围；原始特征向量F(z_i)的维度为d，将d的取值划分为n等份，取值集合如下：其中，表示整数取整运算；设降维后的得到特征为G(z_i)，则其维度d'分别取这n个值：步骤S3‑2‑2)d'依次取集合中的每个值，计算训练集所有图片对应的人脸欺诈检测平均绝对误差集合{MAE_k}；对训练集中的L张图片，计算当d'取集合中的每个值时，训练集所有图片对应的人脸欺诈检测平均绝对误差如下：其中，j表示训练集中第j张图片，k表示d'取集合中第k个值，即l_j表示训练集中第j张图片对应的类别值：0表示欺诈图像，1表示真实人脸图像，表示训练集中第j张图片的类别估计值；最终可以得到不同MAE值集合{MAE_k}其中k∈1,2,...,n；步骤S3‑2‑3)取集合{MAE_k}中最小值MAE_min，以MAE_min对应的d'作为最终的降维维度；步骤S3‑2‑4)基于步骤S3‑2‑3)得到的d'，利用主成分分析法对特征向量F(z_i)进行降维，得到降维后的Gabor小波特征向量G(z_i)。