一種活體人臉識別方法
【技術領域】
[0001] 本發(fā)明涉及一種人臉識別技術，尤其是涉及一種活體人臉識別方法。
【背景技術】
[0002] 人臉識別技術是一種生物特征識別技術，其以方便、快捷、準確等優(yōu)勢，在近年來 獲得了突飛猛進的發(fā)展。人臉識別系統(tǒng)的輸入端輸入的一般是一張含有待檢測身份的人臉 圖像，以及人臉數據庫中的若干已知身份的人臉圖像，而其輸出則是一系列人臉相似度得 分，以此表明識別的人臉的身份。目前來看，人臉識別技術已廣泛應用于刑偵破案、銀行系 統(tǒng)、海關檢查、民政部門、作息考勤等領域。然而，隨著人臉識別技術應用范圍的不斷擴展， 一些安全問題也隨之發(fā)生，不法分子利用偽造的人臉照片欺騙人臉識別系統(tǒng)，從而對合法 用戶造成了重大經濟損失。因此，對人臉圖像的來源真實性判斷顯得尤為重要，這就是活體 檢測。
[0003] 在谷歌公司發(fā)布AndroicM. 0后，為廣大機友帶來了通過人臉識別解鎖手機的功 能，但隨后一直就有用個人照片代替真人解鎖手機的報道，因而谷歌公司一直在謹慎和保 守使用人臉識別技術。要使人臉識別系統(tǒng)步入成熟，這類照片人臉代替真實活體人臉的安 全隱患必須得到解決，因此有必要研宄一種識別活體人臉的技術。

【發(fā)明內容】

[0004] 本發(fā)明所要解決的技術問題是提供一種活體人臉識別方法，其能夠判定人臉是否 為合法用戶，又能夠判定人臉來源是否為活體人臉，有效地消除了照片人臉帶來的安全隱 患。
[0005] 本發(fā)明解決上述技術問題所采用的技術方案為：一種活體人臉識別方法，其特征 在于包括以下步驟：
[0006] ①獲取M幅包含有各不相同的人臉對象且尺寸大小為256X256的活體人臉圖像， 再獲取每幅活體人臉圖像的照片人臉圖像，每幅照片人臉圖像的尺寸大小為256X256 ;然 后將M幅活體人臉圖像和M幅照片人臉圖像均轉化成灰度圖像，將2M幅灰度圖像構成一個 訓練圖像集合；接著計算訓練圖像集合中的每幅灰度圖像的特征向量；再將每幅活體人臉 圖像的灰度圖像的特征向量作為一個正樣本，并以+1標識，將每幅照片人臉圖像的灰度圖 像的特征向量作為一個負樣本，并以-1標識；最后將所有正樣本和所有負樣本輸入到SVM 分類器中進行訓練，得到SVM分類器訓練模型；
[0007] ②需進行活體人臉識別時，獲取一幀包含有待識別的人臉對象的人臉圖像，然后 在該人臉圖像中截取人臉對象所在的最小的矩形區(qū)域，再對矩形區(qū)域的尺寸大小進行規(guī) 整，得到尺寸大小為256X256的待識別的人臉區(qū)域圖像，接著將待識別的人臉區(qū)域圖像轉 化成灰度圖像；
[0008] ③利用人臉識別技術對人臉區(qū)域圖像的灰度圖像進行識別，如果識別結果為合法 用戶，則執(zhí)行步驟④；如果識別結果為非法用戶，則拒絕人臉驗證，人臉驗證失?。?br>[0009] ④利用活體檢測技術，先計算人臉區(qū)域圖像的灰度圖像的特征向量，再將人臉區(qū) 域圖像的灰度圖像的特征向量輸入到SVM分類器訓練模型中，如果SVM分類器訓練模型輸 出+1，則表示人臉區(qū)域圖像的來源為活體人臉，人臉驗證成功；如果SVM分類器訓練模型輸 出-1，則表示人臉區(qū)域圖像的來源為照片人臉，拒絕人臉驗證，人臉驗證失敗。
[0010] 所述的步驟①中訓練圖像集合中的每幅灰度圖像的特征向量的獲取過程與所述 的步驟④中人臉區(qū)域圖像的灰度圖像的特征向量的獲取過程相同，將訓練圖像集合中的每 幅灰度圖像和人臉區(qū)域圖像的灰度圖像均作為一幅待處理圖像，待處理圖像的特征向量的 獲取過程為：
【主權項】
1. 一種活體人臉識別方法，其特征在于包括以下步驟： ① 獲取M幅包含有各不相同的人臉對象且尺寸大小為256 X 256的活體人臉圖像，再獲 取每幅活體人臉圖像的照片人臉圖像，每幅照片人臉圖像的尺寸大小為256X256 ;然后將 M幅活體人臉圖像和M幅照片人臉圖像均轉化成灰度圖像，將2M幅灰度圖像構成一個訓練 圖像集合；接著計算訓練圖像集合中的每幅灰度圖像的特征向量；再將每幅活體人臉圖像 的灰度圖像的特征向量作為一個正樣本，并以+1標識，將每幅照片人臉圖像的灰度圖像的 特征向量作為一個負樣本，并以-1標識；最后將所有正樣本和所有負樣本輸入到SVM分類 器中進行訓練，得到SVM分類器訓練模型； ② 需進行活體人臉識別時，獲取一幀包含有待識別的人臉對象的人臉圖像，然后在該 人臉圖像中截取人臉對象所在的最小的矩形區(qū)域，再對矩形區(qū)域的尺寸大小進行規(guī)整，得 到尺寸大小為256X256的待識別的人臉區(qū)域圖像，接著將待識別的人臉區(qū)域圖像轉化成 灰度圖像； ③ 利用人臉識別技術對人臉區(qū)域圖像的灰度圖像進行識別，如果識別結果為合法用 戶，則執(zhí)行步驟④；如果識別結果為非法用戶，則拒絕人臉驗證，人臉驗證失??； ④ 利用活體檢測技術，先計算人臉區(qū)域圖像的灰度圖像的特征向量，再將人臉區(qū)域圖 像的灰度圖像的特征向量輸入到SVM分類器訓練模型中，如果SVM分類器訓練模型輸出+1， 則表示人臉區(qū)域圖像的來源為活體人臉，人臉驗證成功；如果SVM分類器訓練模型輸出-1， 則表示人臉區(qū)域圖像的來源為照片人臉，拒絕人臉驗證，人臉驗證失敗。
2. 根據權利要求1所述的一種活體人臉識別方法，其特征在于所述的步驟①中訓練圖 像集合中的每幅灰度圖像的特征向量的獲取過程與所述的步驟④中人臉區(qū)域圖像的灰度 圖像的特征向量的獲取過程相同，將訓練圖像集合中的每幅灰度圖像和人臉區(qū)域圖像的灰 度圖像均作為一幅待處理圖像，待處理圖像的特征向量的獲取過程為： a、 將待處理圖像劃分成
個互不重疊的尺寸大小為64X64的圖像塊； b、 將待處理圖像中當前待處理的第i個圖像塊定義為當前圖像塊，其中，I < i < 16， i的初始值為1 ; c、 采用尺寸大小為3X3的滑動窗口在當前圖像塊中逐像素點滑動，將當前圖像塊分 割成（64-2) X (64-2)個相重疊的尺寸大小為3X3的子塊； d、 將八個不同方向的Sobel算子分別與當前圖像塊中的每個子塊做卷積操作，得到當 前圖像塊中的每個子塊在八個不同方向的梯度值，將當前圖像塊中的第j個子塊在第k個 方向的梯度值記為其中，八個不同方向的Sobel算子分別為0°的Sobel算子、45°的 Sobel 算子、90° 的 Sobel 算子、135。的 Sobel 算子、180。的 Sobel 算子、225。的 Sobel 算 子、270。的 Sobel 算子、315。的 Sobel 算子，1 彡 j 彡（64-2) X (64-2)，1 彡 k 彡 8 ; e、 按所有子塊在當前圖像塊中的順序，將當前圖像塊中的所有子塊在每個方向的梯 度值排列構成當前圖像塊在每個方向的維數為（64-2) X (64-2)的梯度值向量，將當前圖 像塊中的所有子塊在第k個方向的梯度值排列構成的當前圖像塊在第k個方向的維數為 (64-2) X (64-2)的梯度值向量記為
其中，在此符號" □"為矢量表示符號，表示當前圖像塊中的第1個子塊在第k個方向的 梯度值，7^表示當前圖像塊中的第2個子塊在第k個方向的梯度值，示當前 圖像塊中的第（64-2) X (64-2)-1個子塊在第k個方向的梯度值，$4-2Wm-2W表示當前圖像 塊中的第(64-2) X (64-2)個子塊在第k個方向的梯度值； f、 令i = i+Ι，將待處理圖像中下一個待處理的圖像塊作為當前圖像塊，然后返回步驟 c繼續(xù)執(zhí)行，直至待處理圖像中的所有圖像塊處理完畢，得到待處理圖像中的每個圖像塊在 八個不同方向的維數為（64-2) X (64-2)的梯度值向量，其中，i = i+Ι中的"="為賦值符 號； g、 按所有圖像塊在待處理圖像中的順序，將待處理圖像中的所有圖像塊 各自在八個不同方向的梯度值向量排列構成待處理圖像的特征向量，記為T， Γ = [7Τ/,rg,···, JY81,M2,Ilf,···,IT8 2, "SlT1lfiJJfVM,TT816]，其中，在此符號" □"為 矢量表示符號，TV11表示第1個圖像塊在第1個方向的維數為(64-2) X (64-2)的梯度 值向量，TV21表示第1個圖像塊在第2個方向的維數為(64-2) X (64-2)的梯度值向量， TV81表示第1個圖像塊在第8個方向的維數為(64-2) X (64-2)的梯度值向量，TV /表示 第2個圖像塊在第1個方向的維數為(64-2) X (64-2)的梯度值向量，TV22表示第2個圖 像塊在第2個方向的維數為(64-2) X (64-2)的梯度值向量，TV82表示第2個圖像塊在 第8個方向的維數為(64-2) X (64-2)的梯度值向量，TV116表示第16個圖像塊在第1個 方向的維數為(64-2) X (64-2)的梯度值向量，TV216表示第16個圖像塊在第2個方向的 維數為(64-2) X (64-2)的梯度值向量，TV816表示第16個圖像塊在第8個方向的維數為 (64-2) X (64-2)的梯度值向量。
【專利摘要】本發(fā)明公開了一種活體人臉識別方法，其分為訓練階段和識別階段，在訓練階段其獲取多幅活體人臉圖像和照片人臉圖像，然后提取每幅活體人臉圖像的灰度圖像的特征向量作為正樣本，并提取每幅照片人臉圖像的灰度圖像的特征向量作為負樣本，再將所有正樣本和負樣本輸入到SVM分類器中進行訓練，得到SVM分類器訓練模型；在識別階段獲取一幀人臉圖像，先利用人臉識別技術進行識別，識別結果為合法用戶時再利用活體檢測技術提取特征向量，再將特征向量輸入到SVM分類器訓練模型中進行活體檢測；優(yōu)點是利用人臉識別技術判定人臉是否為合法用戶，合法用戶時再利用活體檢測技術判定人臉來源為活體人臉還是假冒照片人臉，從而有效地消除了照片人臉帶來的安全隱患。
【IPC分類】G06K9-00
【公開號】CN104766063
【申請?zhí)枴緾N201510161965
【發(fā)明人】王讓定, 謝哲, 金超, 李倩
【申請人】寧波大學
【公開日】2015年7月8日
【申請日】2015年4月8日