基于Haralick和HOG特征的人脸活体检测

2020-09-16刘航

计算机与网络 2020年15期

刘航

1引言

随着大数据技术的发展，人臉照片或视频更易获得及时存储，有攻击者用获得的人脸照片或视频对人脸识别系统进行攻击。因此，人脸识别系统加入活体检测技术极其重要。本文提出基于Haralick特征和HOG特征的人脸活体检测，由识别准确率及ROC曲线得知达到了人脸活体检测的效果。

2关键技术

（1）Haralick特征

（2）HOG特征

HOG特征提取分为3个步骤，首先归一化彩色图像，其次分割图像为块，将块分割成小单元，每个单元由8×8像素组成，接着计算像素点的梯度值和方向，划分为16个直方图，最后级联每个单元的直方图特征，得到块的直方图特征，最后顺序级联每块直方图特征，得到整幅图像的HOG特征。

3分类特征

（1）LDA分类器

LDA模型是由Blei等人在2003年提出的一种生成概率模型，起初用于文本建模领域，近年来，也成功应用于图像聚类等领域。LDA模型的基本思路是文档是主题的组合，而主题又是单词的混合。LDA模型中是出现某个主题的概率，

是给定主题下某个单词出现的概率，和都服从狄利克雷分布，他们的参数分别是和，表示选择的某个主题，是文档个数，代表文档库中的文档个数，代表文档中的单词个数。LDA模型包含超参数，可以通过Gibbs采样进行估算。

（2）KNN分类算法

3本文算法

本文提出基于Haralick和HOG特征的人脸活体检测方法。首先读取图像，接着转换为灰度图像，由于图像大小不同，因此统一调整图片到（128，128）像素大小，接着分别提取Haralick和HOG特征，得到的Haralick特征大小为（13），HOG特征大小为（3 200），然后融合Haralick和HOG特征，得到最终的特征，送入KNN分类算法和LDA分类器重进行分类，并输出分类结果，即判断是真实人脸还是虚假人脸。

4实验分析

本文采用NUAA人脸欺骗数据库，包含15个拍照对象，每个对象采集约500张彩色图片，大小为640×480像素。提出的算法在NUAA人脸欺骗数据库上的准确率和误差。实验评估结果包含HTER，ROC曲线等，为了更加直观，本文选择ROC曲线衡量实验结果。ROC曲线是真正率（TPR）和假正率（FPR）关系的显示，图像越靠近左上角，效果越好。

本实验中LDA的分类效果好于KNN。由图1可知，LDA的分类器算法更趋于左上角，因此分类效果更好，同时可以看出提出的算法达到了人脸活体检测的要求。