基于特征融合与支持向量机的人脸活体检测技术

颜健

摘要：人脸识别已广泛应用于各种场景，随之而来的人脸伪造攻击对人脸识别应用的安全性带来了极大的挑战。人脸活体检测是应对此类攻击的最佳手段。本文在分析现有人脸活体检测方式的基础上，提出了一种基于LBP与色彩饱和度的融合特征进行人脸活体检测。经实验验证，该方法准确性有了较大提升。

关键词：LBP;色彩饱和度;SVM;特征融合

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2020）05-0046-02

0引言

近年来，随着计算机视觉技术的成熟，人脸识别的准确性已经完全能够满足身份验证系统的要求，逐渐被广泛应用在各种场景下，包括刷脸支付、门禁系统、安检系统等。但是基于人脸识别的身份验证系统有可能受到照片、视频、3D模型、面具等伪造攻击手段的威胁。为了保障系统安全性，需要首先对接受验证的人脸进行活体检测，判断该人脸是否为真实人脸。

目前主流的人脸活体检测方法可以分为三类：

（1）用户交互认证，此类方法通过要求用户按照指令做出相应动作，如眨眼、点头、摇头等，然后通过对用户动作的识别来验证被检测对象是否为真实的人脸。

（2）图像特征分析，此类方法通过活体人脸和伪造人脸在图像特征上的区别进行人脸活体检测。Maatta通过对人脸图像进行微纹理分析的方式实现活体检测，田野等提出一种基于LBP特征的人脸活体检测方法，李莉等提出一种LBP特征与小波变换结合的人脸活体检测方法。

（3）借助硬件设备验证，此类方法需要配备专用硬件设备，如借助近红外与可见光双目装置进行活体检测，利用双目关系实现特征点的匹配并获取其深度信息。

1基于LBP与色彩饱和度融合特征的人脸活体检测

本论文采用基于图像特征的单帧图像识别方法，提出一种LBP及色彩饱和度的融合特征，并使用sVM进行分类来进行照片人脸与真实人脸的分类。

1.1LBP特特征提取

LBP（局部二值模式）是機器视觉领域一种非常重要的局部纹理特征描述子。

基础的LBP算子是定义在3×3大小的一个方格内的，它通过中心像素与周围相邻的8个像素的对比来计算LBP值。如图1所示。

对于一个像素值为68的中心像素点，将它周围相邻的8个像素值与它进行对比，如果相邻像素点的值大于中心像素点则该位置标记为1，否则标记为O。从左上角开始连接8个相邻位置的值得到一个二进制数（01001 100）B，最终LBp=（01001 100）B=76。计算得到每一个像素点的LBP值后，对得到的结果划分检测窗口进行直方图统计，将得到直方图进行拼接就是最终的ILBP特征。

LBP有很多的变种，如旋转不变LBP、CLBP等。本文在IBP特征提取过程中，采用如上所述的基础的LBP算子计算得到每一个像素点的LBP值，并直接对全部像素点的LBP进行128”个分箱的直方图统计，得到一个1281准的ILBP特征。

1.2色彩饱和度

A.R.SmithTl978年提出了一种新的颜色模型—HSV。该颜色模型中的Saturation，也就是色彩饱和度是用来描述一个颜色接近光谱色的程度，颜色越深越鲜艳就越接近光谱色，色彩饱和度就越高。经过对真实人脸与照片人脸的分析，二者在色彩饱和度分布上有明显差异，如图2所示。

本文将原始图像转换为HSvN色模型，并从中分离出s通道以得到图像的色彩饱和度信息。对所得的色彩饱和度进行128个分箱的直方图统计，得到一个128维的色彩饱和度特征。

将128维的LBP特征与128维的色彩饱和度特征进行连接，得到一个256维的向量，即为本文所提出的融合特征。

1.3支持向量机

SVM（支持向量机）是机器学习中的一个非常强大的和受欢迎的监督学习算法，在小规模数据样本上，表现得尤为优异。其核心思想在于寻找一个能够构造出最大间隔的决策边界，通过这个决策边界对样本进行划分。

本文所要解决的人脸活体检测问题正是一个典型的二分类问题，所以选择支持向量机来进行模型训练。

2实验结果与分析

2.1实验数据

本文使用NUAA数据集。该数据集邀请了15名受试者，在不同的地点和光照条件下，进行人脸图像收集，包含5105张真实人脸和7509张照片人脸。在实施过程中分别提取LBP特征与IBP、色彩饱和度融合特征，并随机对数据集进行划分。

2.2实验结果

使用训练数据集训练基于径向基核函数的支持向量机得到模型，并用于测试数据集分类，仅使用LBP作为特征时在4163个测试数据上获得了98.5%的准确率，使用LBP与色彩饱和度融合特征时在4163个测试数据上获得了99.6%的准确率。

2.3结果分析

经过应用不同方法在NUAA数据库上进行训练测试，得出的准确率比较，融合特征较仅使用LBP特征有了明显的提升，可见本文提出的基于纹理及色彩饱和度融合特征的人脸活体检测方法具备更优秀的性能。

3结语

本文提出了一种基于纹理及色彩饱和度融合特征的人脸活体检测方法，显著提升了人脸活体检测的准确性。目前的研究仅针对于照片伪造攻击，后续将继续研究将该种方法应用于其它人脸伪造攻击的识别中。