一种基于规则过滤的红外人脸活体检测方法

黄叶珏

（浙江经贸职业技术学院信息技术系，杭州310018）

0 引言

近几年基于深度学习技术的人脸识别准确率已超过了人类，由于摄像头等人脸采集设备价格低廉并已成为笔记本电脑和手机的标准配置，所以人脸识别在各行各业的应用越来越广泛。但是人脸照片和视频数据也很容易被他人获得，特别是有名的人很容易可以在互联网上搜索到对应的照片和视频。攻击者可以利用这些照片和视频来攻击人脸识别系统，一般的方式是通过打印被攻击对象的照片；使用手机平板显示器等显示设备重放被攻击对象的照片或者视频；通过人脸动作编辑等手段把被攻击对象的照片映射到三维人脸模型上，通过操纵三维人脸模型来实现各种动作。所以目前已有的基于彩色摄像头方案的人脸活体检测方案，不管是静默式的还是交互式的都很难很好地防范上述攻击。

相对于彩色摄像头，红外摄像头通过主动发射红外光源，捕获物体对红外光的反射光来成像。一方面，在实际的应用场景中红外光源照射在人脸上，真实人脸的人眼、鼻子和脸颊等部位会产生与打印照片完全不同的特征；另一方面，手机、平板、笔记本电脑屏幕和显示器上显示的人脸照片和视频无法正常在被红外摄像头捕获。

基于红外摄像头的特性，我们提出了一种基于红外摄像头的人脸活体检测方案，根据真实人脸与假脸在红外摄像头上的不同特性，设计非活体人脸过滤规则，可以高效地防止照片、视频重放和人脸动作编辑等攻击。

图1 真实人脸、打印照片、手机屏幕上的人脸在红外摄像头中的成像效果

1 非活体人脸过滤规则

基于红外摄像头的活体检测根据真实人脸、打印照片以及显示屏幕在红外摄像头中的不同的成像效果来区分。观察图1 中真实人脸、打印照片以及手机屏幕可以发现有完全不同的成像结果，基于该结果，通过设计不同的规则过滤掉非活体的结果，剩下的就是真实人脸。具体过滤规则以下相应的实现如下：

（1）有无人脸过滤

根据红外摄像头的成像原理可知，手机、平板以及电脑显示器等显示设备的图像无法在红外摄像头中正确成像。基于这一现象，通过人脸检测器[1]对图像进行人脸检测，可以根据有无人脸这一条件，过滤掉视频和图像重放的攻击。

（2）是否检测到眨眼

由于在红外摄像头中，视频无法进行重放攻击，打印的照片是无法完成眨眼动作的，而真实的人是非常容易完成眨眼动作的，所以我们设计出一个检测是否有眨眼的动作过过滤非真实人脸的算法。基于规则（0）中检测到的人脸位置，进一步定位人脸的姿态点坐标[2]，根据眼睛的左右眼角的姿态点的差与上下眼皮的姿态点的差的比例变化判断眼睛是否进行睁开闭合的状态变化，从而判断是否有眨眼动作。

（3）眼球是否有反光点

与红外摄像头配合的红外光源直射到人眼之后，一般在人眼的瞳孔处有一个非常明显的高亮反光点，而打印的照片一般在红外摄像光中成像中很少出现这种情况。所以通过判断眼球中是否有明显的高亮反光点来作为是否是真实人脸的一个过滤的规则。具体来说，根据人脸周围的人脸姿态点，抠取人眼图像，再对该人脸图像进行二值化，通过计算白点的占空比来判断是否有高亮反光点。

（4）人脸梯度信息

如图1 所示，在红外摄像头成像之后的图像中，真实人脸的纹理比较丰富，而打印照片的人脸图像成像之后人脸的纹理很平淡，所以可以进一步通过判断图像人脸脸颊上的纹理来确定是否是真人人脸成像。具体实现可以通过人脸姿态点的坐标，计算人脸脸颊区域，对脸颊区域作Sobel 梯度[3]计算，并用OTSU 算法[4]进行二值化，统计黑点的占空比来判断是否是真人人脸。

根据上述4 条过滤规则，从第一条开始逐条向后进行过滤，具体应用时，可以根据应用场景对活体的通过率和拒识率来调用需要跳过哪几条。

2 实验结果

使用Visual C++2013 和OpenCV 2.4.10 对基于上述过滤规则的红外人脸活体检测方法进行了实现。实验过程中，红外摄像头采用640×480 分辨率CMOS 传感器，镜头带可见光滤镜，过滤可见光保留红外光，并集成850nm 红外灯一体的USB 摄像头。在Intel i5 CPU 和8G 内存的环境中，运行速度为183fps。

通过邀请15 名试验人员，在不同的光照下和环境下，每个录制顺光、逆光、侧光三种环境下真实人脸认证各2 组视频，共6 组视频；手机（平板）、打印照片攻击各4 组视频，共12 组视频，一共组成90 组真人视频和180 组攻击视频。通过这些视频对算法进行测试，结果如表1。

表1

通过对实验数据进行分析发现，由于红外摄像头带自红外光源且过滤了可见光，所以光照环境对算法的影响几乎可以忽略。对于真实人脸，几秒钟内必定会有眨眼动作，算法可以很快检测到人脸和眨眼动作，所以采用（1）（2）规则组合在90 组真人视频中通过率为100%。同时也发现，由于算法采用的人脸检测器效果比较好，某些打印照片可以检测到人脸，当攻击者有意快速抖动照片时，由于人脸模糊导致人脸姿态点定位出现偏差，被误判为有眨眼动作，导致180 组攻击视频中有3 组被误认为真实人脸。

通过增加（3）（4）规则之后，在90 组真人视频中，有4 组视频由于距离摄像头比较远，红外灯功率不够原因导致眼球反光点亮度不够或者脸颊纹理不够清晰被误检测为假脸，通过率为95.56%；而180 组攻击视频中全部被拒识。

3 结语

根据红外摄像头成像原理，提出了一种基于规则过滤的红外人脸活体检测方法，通过逐条规则过滤可以防止打印照片和视频、照片重攻击。