一種基于特征提取的活體檢測方法研究

劉旋

(信陽農林學院 財務處，河南 信陽 464000)

目前，人臉識別技術的識別準確率顯著提高，能夠勝任大多數場合的基本要求，但是缺乏對人臉假冒攻擊的檢測。擊者使用照片和視頻就可以輕松地攻破現有的大部分人臉識別系統[1]，在一定程度上制約了人臉識別的應用，活體檢測已成為了一個亟待解決的問題。

真實人臉圖像一般通過攝像頭直接獲取，而欺騙人臉圖像需要通過制作及二次采集，兩者之間的圖像特征存在差異，主要體現在紋理信息、光譜信息、色彩信息、運動信息等方面[2]。雖然，目前可以通過虹膜、生物識別、運動信息分析等方法檢測采集樣本是否具有生命特征，但是成本相對較高。近年來，基于真實人臉與欺騙人臉圖像的特征差異的活體檢測方法發展迅速，能夠極大降低檢測成本，Jukka等人[3]使用了多尺度的LBP算子，融合人臉區域重疊塊的計算方式，實現了一種魯棒且快速的活體檢測方法。Gahyun[4]基于頻率和紋理信息的特征提取方法進行活體檢測。Boulkenafe[5]提出了一種基于顏色紋理分析的活體檢測方法，從色彩通道中提取LBP直方圖特征，利用SVM進行檢測。

本文提出一種基于特征提取的活體檢測方法，通過提取攝像頭捕捉圖像中的色彩和紋理特征，在無需用戶主動配合、額外設備的前提下識別人臉是否為活體，具有較強的魯棒性，能夠為人臉識別提供保障。

1 相關知識

1.1 HSV顏色空間

HSV空間[6]于六角錐體模型，認為每種顏色是由色相(H)、飽和度(S)和明度(V)所組成。H表示顏色的光譜組成，決定模型直軸的旋轉角，取值范圍[1,360]。S描述了顏色和純色的接近程度，即純色的比例，取值范圍[0,1]。V代表色彩的明亮程度，取值范圍[0,1]。液晶屏顯示和打印會改變顏色的分布比例，通過使用HSV顏色空間表示的圖像能夠很方便的分離和統計顏色分布特征，作為區分真實與偽造人臉的條件。

1.2 灰度共生矩陣

由于被翻拍的人臉圖像尺寸較小、分辨率較低，使用照片、視頻等方式入侵人臉驗證系統時，顯示媒體無法在相機的聚焦范圍，所以翻拍過程中的圖像細節特征丟失也是不可避免的，這些都會導致偽造人臉圖像比真實人臉圖像更模糊、包含的高頻信息更少。

灰度共生矩陣(GLCM)[7]能夠刻畫人臉圖像中各像素間的空間分布關系，不僅反映了圖像灰度在相鄰方向、相鄰間隔、變化幅度上的綜合信息，也反映了相同的灰度級像素之間的位置分布特征，是計算紋理特征的基礎。假設P是一個大小為L×L的矩陣(L為灰度級)，P(i,j)i,j=1,…,L-1是灰度分別為i、j的兩個像素出現的頻率。在計算得到共生矩陣的基礎上計算人臉圖像紋理特征量：對比度(Con)、能量(Asm)、熵(Ent)、相關性(IDE)，以此表征人臉圖像的模糊特征，進而區分偽造與真實人臉。

(1)

1.3 SVM

支持向量機(SVM)[8]能夠解決小樣本、非線性及高維模式識別問題，將輸入空間通過非線性變換映射到一個更高維空間，然后在新的空間中尋找最優線性分類面。SVM是一種很好地二分類模型，能夠有效地分類真偽人臉的特征。

設樣本集為X={x1,…,xn}，目標集為Y={y1,…,yn}，樣本類別y∈{1,-1}，樣本空間上的線性判別函數可以表示為g(x)=w·x+b,選取2個平行的超平面H1、H2作為間隔邊界以判別樣本的分類，分別表示為w·x+b=1,w·x+b=-1。因此，在H1和H2間選取最優分類線H，在保證樣本被無錯誤地分開的前提下使分類間隔2/‖w‖最大，進而實現所有樣本正確分類的分類面。最優分類面不僅滿足下式同時‖w‖也最小。

yi[w·xi+b]-1≥0,i=1,2,…,n

(2)

2 基于特征提取的活體檢測方法

本文推出一種基于人臉圖像特征提取的活體檢測方法，首先將人臉將彩色圖像轉換到HSV顏色空間后提取了色彩分布特征，然后使用灰度共生矩陣提取模糊度特征信息，最后將這兩種特征作為真假人臉圖像的判別信息，使用SVM進行活體的判斷。

2.1 顏色分布特征提取

由于液晶屏顯示和打印會改變顏色的分布比例，人臉圖像的翻拍也會改變色彩信息。因此，本文將圖像轉換到HSV空間，分離出H通道的直方圖統計作為顏色比例特征。對顏色分布特征提取的步驟如下：(1)通過攝像頭采集RGB三通道彩色圖像；(2)將圖像轉換到HSV色彩空間；(3)分離出圖像的H通道；(4)統計H通道直方圖分布數據作為特征AC。

圖1 真偽人臉圖像HSV空間比較

通過分析圖1中的攝像頭捕捉圖像之間(活體人臉、視頻翻拍、照片打印)的H通道直方圖差異，可知翻拍會改變色彩的分布比例，真實人臉圖像相對偽造人臉細節更豐富且包含較多的高頻信息。

2.2 模糊特征提取

針對真實人臉與翻拍圖像清晰度的差別，通過模糊處理計算圖像局部細節信息的變化，低通濾波操作前后清晰圖像紋理特征比模糊圖像的紋理特征變化較大，據此，本文將低通濾波前后灰度共生矩陣統計的特征變化率作為判別特征。具體步驟如下：

(1)灰度化圖像，分別對0°、45°、90°和135°4個方向計算灰度共生矩陣并根據公式(1)統計能量、相關、熵和慣性矩4個特征值。

(2)分別計算上述4個特征值的均值和方差。

(3)低通濾波后，重復步驟1-2得到低通濾波后的特征值均值和方差。

(4)根據均值和方差分別計算變化率：(低通濾波后的值-濾波前對應的值)/濾波前對應的值。

(5)最后得到8維的特征向量(AG)作為圖像模糊度的描述。

圖2活體檢測算法流程

2.3 算法流程

對獲取的人臉圖像進行灰度化、歸一化處理(對圖像進行縮放、旋轉、校正、定位等操作)得到符合要求的人臉圖像，然后計算色彩特征AC和模糊特征AG，作為SVM算的輸入。具體流程如下圖：

3 實驗分析

3.1 NUAA 照片欺騙數據庫

本文數據來源于NUAA圖片欺騙數據庫[9]，像素大小為640*480，由15人通過常見的網絡攝像頭采集而來。其中，正樣本(活體人臉)的被采集者均正視網絡攝像頭，表情自然，無明顯的動作和表情變化；負樣本(偽造人臉)的采集圖像由4寸和5寸兩種大小的沖洗照片以及打印機打印照片，通過攝像頭拍攝采集。本文實驗從中隨機選取了15人共3000張人臉圖像(正負樣本比約為1:1)，采用十折交叉驗證選取訓練集與測試集。

3.2 評分標準

為了評估本文提出的方法在反照片欺騙活體檢測中的有效性，選取準確率(Accuracy)和半錯誤率(HTER)作為評價指標。Accuracy為真實人臉與偽造人臉被正確檢測的比率，HTER以訓練集上的閾值τ(FRR = FAR)作為測試集閾值計算半錯誤率：

(3)

其中，TP和TN分別為被正確識別的正、負樣本個數，S為總樣本數，FRR為錯誤判斷一張活體人臉為偽裝人臉的概率，FAR為將偽裝人臉判為活體人臉的概率。在相同閾值τ情況下，FAR和FRR值都越小越好,因此HTER值越小、Accuracy越大代表算法性能越好。

3.3 實驗分析

表1 對比實驗結果

本文方法采用OPENCV實現，通過與LBP-SVM[10](基于局部二值特征的活體檢測)、LBP-TOP[11](基于三維局部二值特征的活體檢測)、FS-LBP[12](基于傅里葉頻譜和局部二值特征的活體檢測)三種算法在NUAA圖片欺騙數據庫中進行了實驗比較，其實驗結果如表1所示。

圖3ROC曲線分析

由表1可見，經過實驗對比可發現本文方法的Accuracy值均高于其他活體檢測算法，但由于本文方法的FAR值略高于FS-LBP方法，導致HTER值僅次于FS-LBP方法。此外，從圖3的ROC曲線可以看出，相交其他幾種檢測算法，本文算法等錯誤率(ERR)取值相較其他對比算法最優，各項指標均證明了本文算法的良好性能，總體而言，驗證了本文實現的活體檢測識別方法能夠有效拒絕非法用戶與攻擊行為。

4 結論

本文提出了一種人臉活體檢測算法，通過比較真實人臉和活體人臉，采用HSV色彩空間與灰度共生矩陣提取特征，通過SVM進行活體判別，具有較好的識別效果。后續將研究如何提高活體檢測的識別率與適用范圍。