基于G通道心率變化的非接觸人臉活體檢測

閔玉琴 萬文章 余 瑛

(江西中醫藥大學 江西 南昌 330004)

0 引 言

生物識別平臺已經越來越多地應用于各種安全認證，融入了我們生活的方方面面。這類平臺的代表性技術是指紋識別、虹膜識別、人臉識別這三類身份識別技術。指紋、虹膜和人臉是目前認證系統中最常用的生物特征[1]。

和指紋、虹膜等生物特征相比，人臉在普遍性、可采集性與可接受性方面占有一定的優勢(見表1)。然而人臉識別存在可能會被面具、照片[2]、視頻、3d建模等手段欺騙攻擊的問題(見圖1)。時至今日，活體檢測仍是人臉識別技術邁向更高層次所面臨的一個致命障礙。

表1 各種生物特征識別技術的比較

(a) 紙質照片 (b) 電子照片 (c) 視頻圖1 人臉識別現今面臨的三種主要欺騙方式

活體檢測主要是使用各種生理特性來區分真實和假體。本文提出了一種新型的利用心率變化特征的人臉活體檢測技術，通過普通攝像頭獲取人臉視頻中的RGB信號，確定特征點選取ROI[3]后運用iPPG的方法獲取實時心率。將其一段時間內的心率平均值存入數組，再對其進行分析，獲得表示數據穩定性的標準差，送入閾值比較程序中檢測從而判斷是否為活體真人圖像。實驗結果表明，本文提出的心率活體檢測技術提供了低成本和高度可用的生物識別系統。對比文獻[15]發現，本文提出的算法識別范圍更廣，能夠準確地識別真人、紙質照片、電子照片或視頻人臉，而且兼具人臉識別功能。并且，利用的心率原理更加精細，因為視頻包含RGB三通道信息，不同的通道包含的心率信息比例不同，本文利用G通道(含有心率信息最好的通道)既能更準確地提取心率信號，也能避免其他通道造成的干擾。

1 相關工作

本文將用于人臉識別的活體檢測技術分為運動信息分析、紋理信息分析、多光譜分析和多種特征綜合分析四種[4-8]，簡化了現有面部抗欺騙方法的分類。具體分類如圖2所示。

圖2 臉部抗欺騙方法的分類

運動信息分析的目的是提取人臉區域特定的運動信息以判斷真假人臉(例如眼睛眨眼或小頭和臉部移動)，以決定捕獲的生物特征樣本是否是合成的。這增加了額外的時間并造成用戶體驗繁瑣的后果。基于紋理分析的方法是利用假人臉經過二次采集或多次采集呈現出與真人圖片在紋理細節上的差異(如真實形狀和局部高光的差異等)。多光譜分析是基于皮膚和其他材質的反射率不同，從而在成像系統上呈現較大差異，進而判斷真假人臉。最后考慮到欺騙攻擊方式的多樣性，采取多種技術融合進一步在機理上形成互補。

由于一些性能良好但需要額外的硬件設備支持，其搭建復雜成本高昂，不利于使用和普及。我們將注意力轉向基于信號處理技術軟件的方法，本文探討了三種不同的活體檢測的方法：基于運動的方法[9-10]、基于紋理分析的方法[6]、基于圖像失真的分析方法[11-12]。

此外，本文還提出了一種新的基于從視頻提取的RGB信號獲取實時心率進行閾值比較，從而達到抗欺騙攻擊的解決方案。

2 方法設計

本文方法基于四大生命體征中的心率。由于心臟跳動引起血液周期性灌注，從而導致皮膚毛細血管對光的吸收發生變化。使用圖像光電容積描記法(iPPG)，通過記錄該變化實現非接觸式的心率測量[13]，從而可以達到活體檢測的目的。

因為iPPG是一種基于光線變化的測量方法，實驗結果表明，欺騙攻擊會由于各種原因(手的抖動、屏幕閃爍頻率等)產生細微震動，從而造成反射光線的變化。而基于電子產品的照片或者視頻回放的欺騙攻擊，其屏幕自身的刷新頻率和顯示機制等原因[14]也會有光線的變化，欺騙攻擊手段也會測量出心率，但波動范圍很大。所以，短時間內的心率是否穩定，能夠成為活體檢測技術的依靠。在進一步的實驗中我們發現，利用心率平均值分析的方法會存在紙質照片和真實人臉識別錯誤的漏洞，因為紙質照片和人臉一樣都不是自發光的。但是紙質照片反射的光比較明顯，所以在利用以上方法還是可以區分的。為了彌補這個漏洞，我們又提出了動態人臉識別計算多幀圖像相似度的方法。綜合性假體識別算法流程如圖3所示。

圖3 基于心率的假體識別算法流程

2.1 基于心率的活體檢測

首先，實時錄入3秒左右的視頻，獲得50幀人臉圖像，取較為穩定的后20幀圖像，提取臉部感興趣區(ROI)中包含心率信號最強的G信號。計算出G信號的平均值存入數組，再變換得到這組數據的方差。從50幅圖像中獲取的G分量平均值經過平滑濾波后獲得的折線圖如圖4所示。

(a) 真實人臉

(b) 紙質人臉

(c) 電子照片人臉

(d) 視頻人臉圖4 不同信號來源提取的g分量

由圖4可知，真實人臉折線圖的波形比較有規律，而另外三幅相反。經過多次的實驗得出，波形還跟G分量平均值的大小有關，G分量平均值越小，其規律更加明顯。所以本文方法的應用場景受限于室內，沒有太陽光的場景下識別效果最好，日光燈不影響本系統的識別效果。

由于人眼無法分析波形的穩定性，于是利用標準差來計算數據的穩定性，最后發現，真實人臉的標準差一般在30以下。而紙質照片、電子照片以及視頻照片的標準差一般都在40以上。所以區分假體的極限值可以設置在30至40之間。標準差如表2所示。

表2 真實人臉、視頻人臉、電子照片、紙質照片的標準差

續表2

2.2 基于人臉圖像相似度的活體識別

為了克服利用求G分量平均值的標準差來實現抗假體時無法識別紙質照片的漏洞，本文采用了動態人臉識別計算多幀圖像相似度的方法。利用紙質照片是靜態的，其相似值變化不大的特點，將50幀圖像的前30幀圖像與人臉特征庫的人臉進行相似度計算，取大于0.57的相似值存入數組，并對這30個數據求標準差，如表3所示。

表3 照片相似度標準差和真實人臉說話相似度的標準差

由表3可知，照片相似度的標準差只有144左右，而真實人臉說話時的相似度標準差在500以上。經過多次的實驗可以知道照片的相似度最高不超過200，而真實人臉說話時的相似度標準差不低于400。由此可以設置區分照片與人臉的極限值可以在200至400之間。這種方法不僅可以區分紙質照片，還可以區分電子照片與真實人臉，但是由于此方法是用相似度來計算標準差，無法正確地區分視頻與真實人臉。若視頻錄入的是一個正在說話的人臉，那么該方法也會失效。

實驗數據采集給定由合法訪問和欺騙攻擊組成的測試視頻。首先，對輸入的測試視頻進行人臉檢測，選取ROI區域減少其他組織產生的光線變化干擾。其次，對RGB顏色通道進行分離，獲取G通道(含有的脈搏信息最強)。然后，我們運用iPPG的測量出心率。 隨著一組心率的獲得，計算其平均值存入數組。最后，計算出方差同閾值比較得出結果，用于判斷給定的測試視頻是否是欺騙攻擊，在判斷是活體的前提下再進入人臉識別流程。活體檢測模塊的總體流程如圖5所示。

圖5 假體識別流程圖

3 實 驗

3.1 數據采集

采集實驗室的全部人員的電子照片和部分人臉錄制視屏作為實驗數據。其呈現類型和采集方式同文獻[12]，如圖6所示。

3.2 實驗方案

3.2.1實驗設計與分析

在人臉識別活體檢測系統中，抗假體檢測是核心模塊，涉及的思路及識別的流程如圖7所示。

圖7 人臉識別系統總流程圖

3.2.2人臉圖片幀數的選取

實驗選取前30幀圖像的相似度求標準差，剩下的20幀圖像用來計算G分量平均值的標準差。

3.2.3變量參數化

設20幀圖像G分量的平均值為xi(i從1到20順序取值)，N為總數(即20)，u為20個G分量平均值的平均值，得到G分量平均值的標準差。同理設30幀圖像的相似度為xi(i從1到30順序取值)，N為總數(即30)，u為30個相似度的平均值，于是有相似度的標準差。標準差的公式如下:

3.3 系統測試

3.3.1限制性條件

系統必須在一定的光強環境、識別距離等限制性條件下進行，才能達到較好的效果。

3.3.2性能測試

為了驗證系統的性能，從人臉識別、活體檢測兩個方面進行實驗。

(1) 人臉識別。通過攝像頭采集的人臉圖像大小為640×480，幀率為25幀每秒。采集50張圖片總耗時需2 s，然后系統將會對前30幀圖像進行相似度計算，只要有一幀大于0.57即識別成功，并輸出身份。采集過程中應正對攝像頭，點擊采集數據，然后停止采集，再點擊開始驗證，如果識別成功，在身份框處會顯示識別者的身份，如圖9所示。

圖8 人臉識別結果

(2) 活體識別。利用照片、視頻等對該識別部分抗假體攻擊的能力進行測試。測試時分別將紙質照片、電子照片以及視頻正對攝像頭，點擊采集數據，采集數據框中會顯示開始采集，采集完成后會顯示采集成功，此時按下停止采集按鈕，點擊開始驗證。如果系統顯示活體識別失敗，那么就說明系統活體識別成功；若是系統顯示活體檢測成功，那么就說明系統活體識別失敗。圖9-圖11分別是紙質照片、電子照片以及視頻在檢測時的輸出結果。

圖10 電子照片識別結果

圖11 視頻識別結果

由于實驗室人數不夠多，以實驗室人數進行該測試很難得出準確結果，于是我們又在CMU_PIE_Face中隨機選擇280張人臉照片填充至該系統的人臉數據庫，使系統的人臉數據庫達到300張，實驗結果如表4所示。

表4 300張照片測試結果

4 結 語

本文提出了一種用于抵抗面部欺騙攻擊的算法，利用心率變化在真實面部和偽造合法用戶信息之間存在的差異來識別人臉。通過ROI區域提取，對感興趣區中的G信號進行平均值計算、方差變換等一系列信號處理，提取出表示心率穩定的參數。將獲得的參數送入閾值比較程序，從而判斷面部的真實或偽造。為了驗證算法的可行性，我們對實驗中獲取的數據進行了統計分析。結果表明，本文方法在檢測不同類型的攻擊(紙質照片，電子照片，視頻)中具有良好有效性。本文方法仍有改進之處，由于其以測量心率為基礎的，RGB三通道信息的獲取是基于光線變化原理，所以非輕微的光線變化會對檢測效果造成一定影響。在未來的工作中，我們將進行更多的文獻閱讀和實驗，尋找更有效的方式來優化算法，從而能更好地適應光線變化中的面部檢測問題。