一种基于特征提取的活体检测方法研究

2020-01-03刘旋

信阳农林学院学报 2019年4期

刘旋

(信阳农林学院财务处，河南信阳 464000)

目前，人脸识别技术的识别准确率显著提高，能够胜任大多数场合的基本要求，但是缺乏对人脸假冒攻击的检测。击者使用照片和视频就可以轻松地攻破现有的大部分人脸识别系统[1]，在一定程度上制约了人脸识别的应用，活体检测已成为了一个亟待解决的问题。

真实人脸图像一般通过摄像头直接获取，而欺骗人脸图像需要通过制作及二次采集，两者之间的图像特征存在差异，主要体现在纹理信息、光谱信息、色彩信息、运动信息等方面[2]。虽然，目前可以通过虹膜、生物识别、运动信息分析等方法检测采集样本是否具有生命特征，但是成本相对较高。近年来，基于真实人脸与欺骗人脸图像的特征差异的活体检测方法发展迅速，能够极大降低检测成本，Jukka等人[3]使用了多尺度的LBP算子，融合人脸区域重叠块的计算方式，实现了一种鲁棒且快速的活体检测方法。Gahyun[4]基于频率和纹理信息的特征提取方法进行活体检测。Boulkenafe[5]提出了一种基于颜色纹理分析的活体检测方法，从色彩通道中提取LBP直方图特征，利用SVM进行检测。

本文提出一种基于特征提取的活体检测方法，通过提取摄像头捕捉图像中的色彩和纹理特征，在无需用户主动配合、额外设备的前提下识别人脸是否为活体，具有较强的鲁棒性，能够为人脸识别提供保障。

1 相关知识

1.1 HSV颜色空间

HSV空间[6]于六角锥体模型，认为每种颜色是由色相(H)、饱和度(S)和明度(V)所组成。H表示颜色的光谱组成，决定模型直轴的旋转角，取值范围[1,360]。S描述了颜色和纯色的接近程度，即纯色的比例，取值范围[0,1]。V代表色彩的明亮程度，取值范围[0,1]。液晶屏显示和打印会改变颜色的分布比例，通过使用HSV颜色空间表示的图像能够很方便的分离和统计颜色分布特征，作为区分真实与伪造人脸的条件。

1.2 灰度共生矩阵

由于被翻拍的人脸图像尺寸较小、分辨率较低，使用照片、视频等方式入侵人脸验证系统时，显示媒体无法在相机的聚焦范围，所以翻拍过程中的图像细节特征丢失也是不可避免的，这些都会导致伪造人脸图像比真实人脸图像更模糊、包含的高频信息更少。

灰度共生矩阵(GLCM)[7]能够刻画人脸图像中各像素间的空间分布关系，不仅反映了图像灰度在相邻方向、相邻间隔、变化幅度上的综合信息，也反映了相同的灰度级像素之间的位置分布特征，是计算纹理特征的基础。假设P是一个大小为L×L的矩阵(L为灰度级)，P(i,j)i,j=1,…,L-1是灰度分别为i、j的两个像素出现的频率。在计算得到共生矩阵的基础上计算人脸图像纹理特征量：对比度(Con)、能量(Asm)、熵(Ent)、相关性(IDE)，以此表征人脸图像的模糊特征，进而区分伪造与真实人脸。

(1)

1.3 SVM

支持向量机(SVM)[8]能够解决小样本、非线性及高维模式识别问题，将输入空间通过非线性变换映射到一个更高维空间，然后在新的空间中寻找最优线性分类面。SVM是一种很好地二分类模型，能够有效地分类真伪人脸的特征。

设样本集为X={x1,…,xn}，目标集为Y={y1,…,yn}，样本类别y∈{1,-1}，样本空间上的线性判别函数可以表示为g(x)=w·x+b,选取2个平行的超平面H1、H2作为间隔边界以判别样本的分类，分别表示为w·x+b=1,w·x+b=-1。因此，在H1和H2间选取最优分类线H，在保证样本被无错误地分开的前提下使分类间隔2/‖w‖最大，进而实现所有样本正确分类的分类面。最优分类面不仅满足下式同时‖w‖也最小。

yi[w·xi+b]-1≥0,i=1,2,…,n

(2)

2 基于特征提取的活体检测方法

本文推出一种基于人脸图像特征提取的活体检测方法，首先将人脸将彩色图像转换到HSV颜色空间后提取了色彩分布特征，然后使用灰度共生矩阵提取模糊度特征信息，最后将这两种特征作为真假人脸图像的判别信息，使用SVM进行活体的判断。

2.1 颜色分布特征提取

由于液晶屏显示和打印会改变颜色的分布比例，人脸图像的翻拍也会改变色彩信息。因此，本文将图像转换到HSV空间，分离出H通道的直方图统计作为颜色比例特征。对颜色分布特征提取的步骤如下：(1)通过摄像头采集RGB三通道彩色图像；(2)将图像转换到HSV色彩空间；(3)分离出图像的H通道；(4)统计H通道直方图分布数据作为特征AC。

图1 真伪人脸图像HSV空间比较

通过分析图1中的摄像头捕捉图像之间(活体人脸、视频翻拍、照片打印)的H通道直方图差异，可知翻拍会改变色彩的分布比例，真实人脸图像相对伪造人脸细节更丰富且包含较多的高频信息。

2.2 模糊特征提取

针对真实人脸与翻拍图像清晰度的差别，通过模糊处理计算图像局部细节信息的变化，低通滤波操作前后清晰图像纹理特征比模糊图像的纹理特征变化较大，据此，本文将低通滤波前后灰度共生矩阵统计的特征变化率作为判别特征。具体步骤如下：

(1)灰度化图像，分别对0°、45°、90°和135°4个方向计算灰度共生矩阵并根据公式(1)统计能量、相关、熵和惯性矩4个特征值。

(2)分别计算上述4个特征值的均值和方差。

(3)低通滤波后，重复步骤1-2得到低通滤波后的特征值均值和方差。

(4)根据均值和方差分别计算变化率：(低通滤波后的值-滤波前对应的值)/滤波前对应的值。

(5)最后得到8维的特征向量(AG)作为图像模糊度的描述。

图2活体检测算法流程

2.3 算法流程

对获取的人脸图像进行灰度化、归一化处理(对图像进行缩放、旋转、校正、定位等操作)得到符合要求的人脸图像，然后计算色彩特征AC和模糊特征AG，作为SVM算的输入。具体流程如下图：

3 实验分析

3.1 NUAA 照片欺骗数据库

本文数据来源于NUAA图片欺骗数据库[9]，像素大小为640*480，由15人通过常见的网络摄像头采集而来。其中，正样本(活体人脸)的被采集者均正视网络摄像头，表情自然，无明显的动作和表情变化；负样本(伪造人脸)的采集图像由4寸和5寸两种大小的冲洗照片以及打印机打印照片，通过摄像头拍摄采集。本文实验从中随机选取了15人共3000张人脸图像(正负样本比约为1:1)，采用十折交叉验证选取训练集与测试集。

3.2 评分标准

为了评估本文提出的方法在反照片欺骗活体检测中的有效性，选取准确率(Accuracy)和半错误率(HTER)作为评价指标。Accuracy为真实人脸与伪造人脸被正确检测的比率，HTER以训练集上的阈值τ(FRR = FAR)作为测试集阈值计算半错误率：

(3)

其中，TP和TN分别为被正确识别的正、负样本个数，S为总样本数，FRR为错误判断一张活体人脸为伪装人脸的概率，FAR为将伪装人脸判为活体人脸的概率。在相同阈值τ情况下，FAR和FRR值都越小越好,因此HTER值越小、Accuracy越大代表算法性能越好。

3.3 实验分析

表1 对比实验结果

本文方法采用OPENCV实现，通过与LBP-SVM[10](基于局部二值特征的活体检测)、LBP-TOP[11](基于三维局部二值特征的活体检测)、FS-LBP[12](基于傅里叶频谱和局部二值特征的活体检测)三种算法在NUAA图片欺骗数据库中进行了实验比较，其实验结果如表1所示。

图3ROC曲线分析

由表1可见，经过实验对比可发现本文方法的Accuracy值均高于其他活体检测算法，但由于本文方法的FAR值略高于FS-LBP方法，导致HTER值仅次于FS-LBP方法。此外，从图3的ROC曲线可以看出，相交其他几种检测算法，本文算法等错误率(ERR)取值相较其他对比算法最优，各项指标均证明了本文算法的良好性能，总体而言，验证了本文实现的活体检测识别方法能够有效拒绝非法用户与攻击行为。