基于梯度方向直方图的人脸活体检测方法 下载: 2058次
1 引言
随着人们安全防范需求和意识的不断提高,指纹识别、语音识别、虹膜识别、人脸识别等身份认证技术迅速发展、应用广泛。其中,基于人脸识别的身份认证系统以其智能化、自动化等特点得到了大多数用户的青睐。但在实际应用中,照片欺骗、视频欺骗和三维模型欺骗等多种恶意攻击手段不断出现,给认证系统带来安全隐患。而照片以代价小、实施简单成为最常见的攻击方式。
针对以上问题,国内外学者提出了不同的活体检测方法。由于虚假人脸是在真实人脸图像的基础上再次成像或建模后形成的,因此人脸图像质量、纹理等细节将会丢失[1-2]。Li等[3-4]以傅里叶频谱及矩阵奇异值展开活体人脸和照片人脸的差异性分析,通过图像高频分量的变化区分真实人脸和照片人脸。Maatta等[5]提出了基于融合局部二值模式(LBP)特征、Gabor W小波和梯度方向直方图(HOG)的活体人脸检测方法。Chingovska等[6]在REPLAY-ATTACK数据库上再次验证了LBP特征的有效性后,众多研究者在LBP的基础上进行了优化,分别提出三个正交平面的局部二值模式(LBP-TOP)描述子和改进的LBP结合频率特征的方法[7-8]。但这种基于人脸纹理信息的活体检测方法易受光照等外界条件的干扰,且涉及的判别特征维数多、算法复杂度高。其次,真实人脸存在眨眼、微表情变化等活体特征,其三维深度信息与人脸照片也存在很大差异,故而Maatta等[9-10]通过眨眼检测来区分活体和照片人脸。Smiatacz等[11]通过计算人脸运动时发生的光流变化来判别人脸的真伪。Singh等[12]结合眼睛和嘴巴的运动信息来检测活体人脸,此种方法即使在低分辨率、一般光照的条件下性能仍较高。此外,Boutellaa等[13-14]以人机交互的方式要求被测者按指令做动作,然后提取相应特征来判别是否为活体,这种交互运动的分析方法能有效判别真假人脸,但需用户主动配合,用时较长,也会给用户带来不便。Hou等[15]通过外加多光谱或红外成像设备进行活体检测。Wang等[16]用滤光镜获取不同光谱下训练样本的反射率并提取人脸梯度特征进行支持向量机(SVM)的分类检测,此种方法效果良好,但附加的外部设备会使系统成本增加,普适性受限。
现有人脸活体检测技术的研究多在特定条件下进行,各有特点,但尚无具有明显优势的方法。为对局部特征进行描述,本文分析了人脸二次成像后的边缘梯度变化,以改进的HOG描述人脸主要轮廓,同时结合直方图相交的方法对人脸的全局特征进行统计和分析。人脸活体检测新方法结合了人脸的局部和整体特征,在保证检测准确率的同时降低了特征维数,提高了活体检测速度,达到了经济适用、高效可靠、无需用户配合的目的。
2 人脸图像的梯度特征分析
纹理反映了目标图像灰度的性质及其空间拓扑关系[17],可通过像素及其空间邻域的灰度分布来表现。对于去掉背景的人脸图像,肉眼很难区分出是真实人脸还是照片人脸,但其成像过程却存在很大差异。真实人脸是复杂的三维物体,而照片人脸则为平面物体,成像过程中会产生不同的光照反射和阴影[18],造成表面属性的差异,利用纹理信息可较好地检测这种差异[19]。在人脸活体检测中,采集照片成像的人脸图像,其成像过程如
图 2. 真实人脸和照片人脸的梯度信息对比。(a)真实人脸;(b)真实人脸的梯度图像;(c)真实人脸的HOG;(d)照片人脸;(e)照片人脸的梯度图像;(f)照片人脸的HOG
Fig. 2. Comparison of real face, photo face, and their HOG. (a) real face, (b) gradient image of (a), (c) HOG of (b), (d) photo face, (e) gradient image of (d), and (f) HOG of (e)
简单的梯度描述为
式中
显然,边缘信息仅包含了水平方向和垂直方向,而人脸面部器官有着丰富的方向性,因此考虑以360°分解的方法构成HOG来描述真实人脸和照片人脸的边缘变化[22]。将0°~360°的梯度方向角划分为
构建整幅图像的梯度方向直方图
3 基于HOG特征的人脸活体检测方法
HOG可反映真实人脸和照片人脸成像后的差异,为此采用中心对称卷积算子[-1,0,1]和[-1,0,1]T进行梯度计算。由于眼睛、鼻翼、嘴唇等区域的边缘梯度较突出,因此采用多区域分类的思想将人脸图像划分为
HOG以分块方式对人脸特征进行局部描述,在一定程度上弱化了全局特征。考虑到真假人脸样本的参考价值,拟结合多幅真实人脸的平均HOG特征
直方图匹配是对2个直方图之间相似程度的全局定量描述,常用的方法有巴氏距离[23]、相关系数[25]、直方图相交[23]和卡方系数[25]等。其中巴氏距离、卡方系数的计算最为复杂,不适合实时性要求较高的人脸活体检测。而直方图相交法计算简单更能满足快速检测的需求。待测人脸HOG特征
图 5. 参考特征分布图。(a)真实人脸平均特征;(b)照片人脸平均特征
Fig. 5. Reference feature distributions of average features of (a) real face and (b) photo face
式中
1000个样本与参考特征
综上所述,将
图 6. 样本与参考特征的相似度分布图。(a) 1000个样本与HT-mean的相似度分布;(b) 1000个样本与HF-mean的相似度分布
Fig. 6. Similarity distributions between samples and reference features. Similarity distributions of 1000 samples to (a) HT-mean and (b) HF-mean
4 实验与分析
本文方法在南京航空航天大学的NUAA图像库[13]上进行了实验验证,该图像库包含了15人在不同时期、不同光照条件下采集的真实人脸图像和由照片翻拍的人脸图像。随机选取15人在不同时期、不同光照条件下采集的2500张真实人脸图像和由照片翻拍而来的2500张人脸图像作为训练及测试样本。其中选取12组真实人脸图像2000张和照片人脸图像2000张分别作为训练正、负样本,剩余的作为测试样本。按HOG+相交进行了特征提取、SVM分类器训练及样本检测,检测结果如
表 1. 特征选择测试结果
Table 1. Test results of feature selection
|
为进一步验证本文方法的有效性,还与基于几何特征检测方法[24]、基于纹理特征的检测方法[1,5,19]在NUAA数据库上进行了对比实验,结果如
表 2. 不同特征提取方法的识别率
Table 2. Recognition rate of different feature extraction methods
|
5 结论
照片人脸二次成像过程中产生的非线性响应会影响人脸的边缘纹理,通过梯度方向直方图及参考样本集的直方图相交特征设计了真实人脸和照片人脸的分类检测方法。新方法以较低的特征维数取得了较高的检测准确率,为基于人脸识别的身份认证应用增加了安全性。但在实际场景中应考虑更多的影响因素,如光照剧烈变化、遮挡等,因此,新方法在实用中应尽量避免以上影响因素,考虑更多抗干扰特征,提高该方法的稳健性是下一步要改进之处。
[1] KimG, EumS, Suhr JK, et al. Face liveness detection based on texture and frequency analyses[C]. IAPR International Conference on Biometrics, 2012: 67- 72.
[2] 卢燕飞, 冯莉, 李兴华, 等. 基于图像表面梯度的翻拍检测[J]. 北京交通大学学报, 2012, 36(5): 57-61.
Lu Y F, Feng L, Li X H, et al. Recaptured image detection based on surface gradient[J]. Journal of Beijing Jiaotong University, 2012, 36(5): 57-61.
[6] ChingovskaI, AnjosA, MarcelS. On the effectiveness of local binary patterns in face anti-spoofing[C]//Proceedings of the International Conference of Biometrics Special Interest Group, 2012: 13029854.
[8] DasD, ChakrabortyS. Face liveness detection based on frequency and micro-texture analysis[C]//International Conference on Advances in Engineering and Technology Research, 2014: 14855246.
[9] MaattaJ, HadidA, PietikainenM. Face spoofing detection from single images using micro-texture analysis[C]//International Joint Conference on Biometrics, IEEE Computer Society, 2011: 12494356.
[10] 邓刚, 曹波, 苗军, 等. 基于支持向量机眼动模型的活性判别算法[J]. 计算机辅助设计与图形学学报, 2003, 15(7): 853-857.
Deng G, Cao B, Miao J, et al. A liveness check algorithm based on eye movement model using SVM[J]. Journal of Computer-aided Design & Computer Graphics, 2003, 15(7): 853-857.
[12] Singh AK, JoshiP, Nandi GC. Face recognition with liveness detection using eye and mouth movement[C]//International Conference on Signal Propagation and Computer Technology, 2014: 14544865.
[14] 黄叶珏. 基于交互式随机动作的人脸活体检测[J]. 软件导刊, 2015, 14(12): 26-27.
[16] Wang YY, Hao XL, Hou YL, et al. A new multispectral method for face liveness detection[C]//2nd IAPR Asian Conference on Pattern Recognition, 2013: 922- 926.
[17] 邓小琴, 朱启兵, 黄敏. 融合光谱、纹理及形态特征的水稻种子品种高光谱图像单粒鉴别[J]. 激光与光电子学进展, 2015, 52(2): 021001.
[18] 孙玉娟, 董军宇, 王增锋. 灰度一致纹理图像的光参数估算方法[J]. 激光与光电子学进展, 2017, 54(6): 061002.
[19] 曹瑜, 涂玲, 毋立芳. 身份认证中灰度共生矩阵和小波分析的活体人脸检测算法[J]. 信号处理, 2014, 30(7): 830-835.
Cao Y, Tu L, Wu L F. Face liveness detection using gray level co-occurrence matrix and wavelets analysis in identity authentication[J]. Journal of Signal Processing, 2014, 30(7): 830-835.
[20] 王宇, 朴燕, 孙荣春. 结合同场景彩色图像的深度图超分辨率重建[J]. 光学学报, 2017, 37(8): 0810002.
[21] Tan XY, LiY, LiuJ, et al. Face liveness detection from a single image with sparse low rank bilinear discriminative model[C]//European Conference on Computer Vision, 2010, 6316: 504- 517.
[22] DalalN, TriggsB. Histograms of oriented gradients for human detection[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005, 1( 12): 886- 893.
[23] 姚志均. 一种新的空间直方图相似性度量方法及其在目标跟踪中的应用[J]. 电子与信息学报, 2013, 35(7): 1644-1649.
Yao Z J. A new spatiogram similarity measure method and its application to object tracking[J]. Journal of Electronics & Information Technology, 2013, 35(7): 1644-1649.
[25] 胡志冬. 相关系数和卡方检验的正负关联规则挖掘算法[J]. 微型机与应用, 2013, 32(16): 64-67.
Hu Z D. Mining of positive and negative association rules and development tendency in multi-database[J]. Microcomputer & Its Application, 2013, 32(16): 64-67.
Article Outline
孔月萍, 刘霞, 谢心谦, 李凤洁. 基于梯度方向直方图的人脸活体检测方法[J]. 激光与光电子学进展, 2018, 55(3): 031009. Yueping Kong, Xia Liu, Xinqian Xie, Fengjie Li. Face Liveness Detection Method Based on Histogram of Oriented Gradient[J]. Laser & Optoelectronics Progress, 2018, 55(3): 031009.