基于人臉識別的活體檢測方法和裝置的制造方法
【技術領域】
[0001] 本發明設及人臉識別領域，特別設及一種基于人臉識別的活體檢測方法和裝置。
【背景技術】
[0002] 人臉識別作為近年來興起的一種身份認證技術，目前取得了極大發展，并在公共 安防、考勤口禁、信用卡識別等領域獲得了日益廣泛的應用。然而，由于傳統的人臉識別技 術易受到各種虛假人臉，例如照片、視頻、甚至3D模型的攻擊。而一旦人臉攻擊成功，則可 能給用戶造成重大損失。因此，隨著技術的發展和信息安全的需求，在人臉識別系統中加入 活體檢測越來越受到更多的關注。
[0003] 與真實的人臉相比，照片中的人臉是平面的，并且存在二次獲取帶來的質量損失、 模糊等缺陷。視頻中的人臉則由于視頻播放器的緣故而存在LCD反光等現象。3D模型構成 的人臉的運動是剛性的運動。根據W上利用照片、視頻和3D進行人臉攻擊的特點，目前用 于人臉識別中的活體檢測方法主要有=類；基于運動的方法、基于紋理的方法和基于融合 的方法。
[0004] 其中，基于運動的方法主要是分析圖像帖序列的運動趨勢，例如通過光流法估計 出人臉不同區域的運動趨勢來區分真實人臉和照片攻擊。對于利用照片進行人臉攻擊如 前所述由于存在二次獲取過程中帶來的質量下降、紋理模糊等變化，因此，基于紋理的方法 主要是通過找出單帖真實人臉和欺騙人臉的顯著性區分特征進行活體判斷，例如提取人臉 圖像的多層LBP(LocalBinary化ttern，局部二值模式）特征并使用非線性支持向量機 (SVM，SuppcxrtVectorMachine)進行二分類，W區別真實人臉或欺騙人臉。基于融合的方 法則融合了上述基于運動的方法和基于紋理的方法，通過上述兩種方法的優勢互補來抵御 各種形式的人臉攻擊。
[0005] 此外，由于注意力轉移的過程具有不確定性，視線行為是一種難W被他人通過攝 像頭等設備獲取的生物信息。此外，視線作為一種生物計量信息，具有不需要用戶與設備之 間進行身體接觸的優勢。有鑒于此，視線可W作為一種理想的生物行為而用于人臉識別中 的活體檢測，從而防止欺騙人臉的攻擊。已有的利用視線進行活體檢測的方法包括，例如， 通過跟蹤用戶的視線并且用信息滴來判定是否是真實人臉。信息滴值越大，視線運動的不 確定性越大，更可能是真實人臉，反之則是欺騙人臉。
[0006] 然而，在已有的利用視線進行活體檢測的方法中，存在檢測設備復雜，例如需要采 用紅外攝像頭或音頻輸入設備等，W及僅對照片攻擊有效，對于視線變化的視頻攻擊沒有 防御能力等該樣或那樣的缺陷。
【發明內容】
[0007] 因此，有必要提出一種檢測精度高且檢測設備簡單，并能同時抵御照片攻擊，包括 靜止或扭曲照片，W及視頻攻擊的活體檢測方法和裝置。本發明即為在W上考慮的基礎上， 提出一種基于人臉識別的活體檢測方法和裝置。
[000引一方面，根據本發明的活體檢測方法，包括；身份認證步驟，對由N個待測用戶構 成的待測人群中的每個所述待測用戶進行人臉識別，W對待測用戶進行身份認證；及訓練 視線特征提取步驟，設置n個訓練視點構成訓練視點序列，獲得每個所述待測用戶注視每 一個該訓練視點時的H帖訓練眼睛圖像，并提取其視線特征作為訓練視線特征；待測視線 特征提取步驟，設置M個系統隨機點陽1，…，QJ，使待測用戶注視所述系統隨機點并獲得注 視時的待測眼睛圖像，并進一步提取待測視線特征；初步視點位置估計步驟，對于通過了上 述身份認證的待測用戶，利用其上述訓練視點序列及訓練視線特征，W及提取到的所述待 測視線特征，采用自適應線性回歸算法對該待測用戶的視點位置進行估計，得到初步視點 位置估計值；增量的視點位置估計步驟，如果所述初步視點位置估計值所表征視點位置趨 近其對應的系統隨機點，則將該對應的系統隨機點增加到所述訓練視點序列中，構成新的 視點序列，進一步對待測用戶注視系統隨機點時的視點位置進行估計，W得到增量的視點 位置估計值；W及活體判斷步驟，利用化散度計算所述增量的視點位置估計值所表征的視 點位置及上述系統隨機點之間的距離，根據計算出的所述距離進行活體判斷。
[0009] 考慮到眼睛圖像采集過程中出現的圖像捕獲距離的變化和/或微小頭部運動，會 帶來的所捕獲的眼睛圖像的差異。為減少該種差異帶來的圖像噪聲，提高估計結果的精度， 優選對眼睛圖像進行對齊等預處理。本發明所述的方法，其中，訓練視線特征提取步驟還包 括眼睛圖像預處理的步驟，用于對所述訓練眼睛圖像進行內外眼角的檢測，并根據所檢測 到的眼角位置進行眼睛區域的對齊。
[0010] 優選地，所述訓練視線特征提取步驟具體包括；將獲取的所述訓練眼睛圖像均勻 劃分為若干個子區域；對每一個子區域計算像素的灰度值的和，并歸一化處理，每個訓練視 點位置對應的所述訓練視線特征。
[0011] 替換地，所述方法中，還可采用局部二值模式LBP直方圖法獲取視線特征，即，所 述訓練視線特征提取步驟具體包括：將獲取的所述訓練眼睛圖像均勻劃分為若干個子區 域；對每一個子區域提取局部二值模式LBP直方圖，將所有直方圖進行串聯，得到每個訓練 視點位置對應的所述訓練視線特征。
[0012] 本發明所述方法中，具體地，利用如下公式（1)計算針對每個待測用戶注視每個 訓練視點時獲得的每一訓練眼睛圖像的所述訓練視線特征：
[001 引 (1)
[0014] 其中，rXc為所述訓練眼睛圖像所劃分的所述子區域的數量；Sj為每一個子區域 的像素的灰度值的和，j= 1，2，…，rXc。
[001引另外，同樣地，所述待測視線特征提取步驟中，利用獲得的待測眼睛圖像，采用上 述公式（1)提取待測視線特征。
[0016] 進一步地，所述初步視點位置估計步驟中，采用如下公式（2)來估計所述待測用 戶的初步視點位置估計值參=
[0017]
...... (2)
[00化]其中，w= [Wi…w。' ]T為自適應線性回歸算法的系數向量，F= [/；V..，/；/]eirx"' 和戶='分別表示在所述身份認證步驟中通過了上述身份認證的待測用戶 的所有訓練視線特征的集及其訓練視點序列，其中，R是實數空間，n' =HXn是通過了所 述身份認證的待測用戶的眼睛圖像的帖數，m=rXc是每一帖圖像的特征維數；/為待測 用戶注視某一系統隨機點時的所提取的待測視線特征。另外，已知地，e是容忍度參數，用 來平衡模型的稀疏程度和線性組合的準確度。可W人工設定，比如選擇e=0.01，也可通 過實驗方法獲得。e越大，模型越稀疏，但是線性組合準確度越差；反之，線性組合準確度 越高，然而模型會變得越復雜。
[0019] 進一步地，如果滿足||參-all, <C，則隨機點Qi可W添加到上述訓練視點序列P中 形成新的視點序列P=[尸(?,.]，同時對應的視線特征為F=[尸/_!。并且所述增量的視點位 置估計步驟中，采用如下公式（3)來獲得所述待測用戶的增量的視點位置估計值P=P。.'
[0020]
...... (3)
[0021] 本發明所述的方法，活體判斷步驟中，具體用如下公式（4)計算化散度：
[002引
......(4)
[002引其中，其中II.IIp是向量的P-范數，該里可W取P= 1，2, 0°。
[0024] 可選地，所述活體判斷步驟中，還可利用獲得增量的視點位置估計值的X軸和y軸 坐標的平均化散度來計算所述距離，即用如下公式（5)來計算平均化散度：
[0025]
[0026] 其中系統隨機點序列，知=fc，說r!為利用公式餅估計出 的待測用戶的增量的視點位置估計值，托W二妃，扔二權U，屯=hx,山，屯二
[0027] 根據本發明的另一方面，所述基于人臉識別的活體檢測裝置，包括：圖像采集單 元，包括用于分別顯示n訓練視點構成訓練視點序列和M個系統隨機點咕，…，QmKW及所 采集到圖像的屏幕，及捕獲待測用戶的人臉圖像及眼睛圖像的圖像捕獲單元；身份認證單 元，用于對圖像采集單元捕獲的人臉圖像進行人臉識別，W對由N個待測用戶構成的待測 人群中的每個所述待測用戶進行身份認證；視線特征提取單元，用于對當待測用戶注分別 注視訓練視點和系統隨機點時圖像采集單元所捕獲的H帖訓練眼睛圖像和待測眼睛圖像 進行待測用戶的視線特征的提取，分別獲得訓練視線特征和待測視線特征；初步視點位置 估計單元，對于通過了上述身份認證的待測用戶，利用其上述訓練視點序列及訓練視線特 征，W及所述待測視線特征，采用自適應線性回歸算法對該待測用戶的視點位置進行估計， 得到初步視點位置估計值；增量的視點位置估計單元，如果所述初步視點位置估計值所表 征視點位置趨近其對應的系統隨機點，則將該對應的系統隨機點增加到所述訓練視點序列 中，構成新的視點序列，進一步對待測用戶注視系統隨機點時的視點位置進行估計，W得到 增量的視點位置估計值；W及活體判斷單元，利用KL散度計算所述增量的視點位置估計值 所表征的視點位置及上述系統隨機點之間的距離，根據計算出的所述距離進行活體判斷。 [002引通過利用視線行為作為檢測對象及判斷基準，本發明所述的方法和裝置能同時抵 御照片和視頻攻擊。且由于視點位置估計中參考了待測用戶的身份認證結果，降低了數據 運算量及不同用戶數據之間的干擾。同時，本發明所述方法和裝置由于采用增量學習的自 適應線性回歸算法進行視點位置估計，使得視點位置估計結果更加精確，并進而使活體判 斷結果更加可靠。
[0029] W下結合【具體實施方式】對發明的方法和裝置進行詳細說明，本發明的有益效果將 因此進一步明確。
【附圖說明】
[0030] 為了更清楚地說明本發明實施例的技術方案，下面對實施例中所需使用的附圖進 行簡單介紹。
[0031] 圖1為本發明一優選