基于LBP和多層DCT的人臉活體檢測算法

田 野 項世軍,2

1(暨南大學(xué)信息科學(xué)技術(shù)學(xué)院 廣州 510632) 2 (信息安全國家重點實驗室(中國科學(xué)院信息工程研究所) 北京 100093) (shijun_xiang@qq.com)

欺騙攻擊是針對生物認(rèn)證系統(tǒng)的一種攻擊.它通過向傳感器呈現(xiàn)合法生物特征的偽造版本，企圖使生物認(rèn)證系統(tǒng)將非法用戶認(rèn)證為合法用戶，從而使該非法用戶進(jìn)入生物認(rèn)證系統(tǒng)[1].目前，欺騙攻擊可成功攻擊多種生物形態(tài)已經(jīng)成為不爭的事實[2-6].在多種生物形態(tài)中，針對人臉的欺騙攻擊尤其值得關(guān)注.一方面，無論是從經(jīng)濟角度還是社會角度，人臉都是最具影響力的生物特征之一[1]；另一方面，由于其低成本、低技術(shù)的特征，和其他生物形態(tài)相比，針對人臉的欺騙攻擊更易實施.攻擊者可以輕易地在個人網(wǎng)站或社交網(wǎng)絡(luò)上獲得合法用戶的面部特征.甚至，攻擊者還可以近距離地拍攝合法用戶的照片或視頻.此外，隨著人臉識別技術(shù)的發(fā)展，這項技術(shù)已在眾多場合得到應(yīng)用.大到機密場合的門禁系統(tǒng)，小到筆記本電腦的登錄系統(tǒng)，甚至是移動終端的解鎖系統(tǒng)，都能見到人臉識別技術(shù)的蹤影[7].而門禁系統(tǒng)、登陸系統(tǒng)、解鎖系統(tǒng)常常與網(wǎng)絡(luò)系統(tǒng)相連，是進(jìn)入網(wǎng)絡(luò)系統(tǒng)的第1步，它們的安全與網(wǎng)絡(luò)系統(tǒng)安全密切相關(guān).如果攻擊者成功攻擊人臉識別系統(tǒng)，進(jìn)入門禁系統(tǒng)、登陸系統(tǒng)或解鎖系統(tǒng)，那么攻擊者就打破了網(wǎng)絡(luò)空間安全的第1道防線，極有可能進(jìn)一步威脅、破壞網(wǎng)絡(luò)空間安全.因此，應(yīng)用人臉活體檢測技術(shù)保障人臉識別系統(tǒng)的安全具有重要價值，它對保障網(wǎng)絡(luò)空間的安全也有著十分重要的意義.

一般說來，人臉欺騙攻擊可以分為3類：照片攻擊、視頻攻擊和面具攻擊.照片攻擊是指攻擊者將合法用戶的照片打印在紙上或顯示在電子設(shè)備的屏幕上，呈現(xiàn)給生物認(rèn)證系統(tǒng)傳感器的一種攻擊.視頻攻擊也被稱為重放攻擊，因為該種攻擊是通過重放合法用戶的視頻來實施的.面具攻擊則是指攻擊者戴上合法用戶的3D面具，偽裝成合法用戶，企圖進(jìn)入人臉識別系統(tǒng)的攻擊行為.

安全性已成為制約人臉識別系統(tǒng)應(yīng)用的最大瓶頸，因此提高人臉識別系統(tǒng)的抗欺騙攻擊能力已成為人臉認(rèn)證中亟待解決的問題[8].人臉活體檢測技術(shù)旨在辨別人臉的真?zhèn)危Ｕ先四樧R別系統(tǒng)穩(wěn)定并安全地運行.具體地，它通過設(shè)置一道新的關(guān)卡，在系統(tǒng)進(jìn)行人臉識別的同時對目標(biāo)人臉進(jìn)行是否為活體的判斷.只有在人臉被判定為活體的情況下，識別結(jié)果才是真實有效的；否則，將其視為對人臉識別系統(tǒng)的一次非法攻擊[7].近幾年來，隨著幾個人臉欺騙攻擊公用數(shù)據(jù)庫的發(fā)布[9-12]，涌現(xiàn)了許多人臉活體檢測的方法.在不考慮面具攻擊(超出本文研究范圍)的前提下，現(xiàn)有的絕大多數(shù)人臉活體檢測算法分為2類：基于照片的人臉活體檢測算法和基于視頻的人臉活體檢測算法.文獻(xiàn)[13]中提到，基于照片的人臉活體檢測算法并不能直接用于檢測視頻攻擊，尤其是高分辨率的視頻攻擊.一方面，視頻中包含的動態(tài)信息使得生物樣本更加逼真，從而增加了檢測的難度.另一方面，和照片攻擊相比，視頻攻擊包含的顏色降級、形狀降級和紋理降級更少，更難被識別.另外，分辨率越高，在量化、離散過程中產(chǎn)生的偽跡也更少.因此，盡管迄今為止已有許多成熟的基于照片的人臉活體檢測算法，針對視頻攻擊的人臉活體檢測研究仍遠(yuǎn)未成熟.

由于其獨特的能量集中特性，離散余弦變換(discrete cosine transform， DCT)在圖像處理中取得了廣泛的應(yīng)用.然而，目前已有的應(yīng)用均是利用DCT來提取每幀圖片中的靜態(tài)信息.迄今為止，DCT從未被用來提取動態(tài)信息.基于此，本文創(chuàng)新性地在局部二值模式(local binary patterns， LBP)特征上實施多層DCT變換來表征視頻中存在的時空信息.據(jù)我們所知，這是在LBP特征上進(jìn)行DCT變換來提取面部動態(tài)信息，從而檢測視頻攻擊的首次嘗試.本文提出的方法不僅十分簡單、省時，在公共數(shù)據(jù)庫上出色的實驗結(jié)果也驗證了該算法的有效性.

本文首先簡要介紹了已有的人臉活體檢測算法；其次詳細(xì)闡述了所提出的算法；然后對實驗結(jié)果進(jìn)行了分析和比較；最后對全文進(jìn)行了總結(jié)并對將來的工作進(jìn)行了展望.

1 相關(guān)算法回顧

根據(jù)所利用的信息類型，目前已有的人臉活體檢測算法可分為兩大類：利用空間信息的算法、既利用空間信息又利用時間信息的算法.利用空間信息的人臉活體檢測算法通常通過多種多樣的圖像處理方法對人臉樣本中包含的面部紋理特征進(jìn)行分析.文獻(xiàn)[14]是這類方法中最早的嘗試之一.在該文中，作者分析了單張人臉圖像或人臉視頻的傅里葉頻譜.隨后，高斯差分(difference of Gaussian, DoG)被用來提取特定頻域的信息[10,15].在文獻(xiàn)[16]中，作者利用Gabor小波來加強紋理表征的效果，同時引入方向梯度直方圖(histogram of oriented gradient, HOG)來描述局部形狀特征.作為一個對人臉十分有效的工具，局部二值模式及其多種變體也被許多算法[11,13,16-18]所采用.

因為同時利用了2種信息，人臉活體檢測的第2類方法——利用時空信息的方法通常具有更好的性能.但作為代價，這類方法常常需要更多的時間.一個典型的代表是通過在3個正交平面上計算局部二值模式(local binary patterns from three orthogonal planes, LBP-TOP)將時空信息集中用1個多分辨率的紋理描述子表征[19].基于動態(tài)模式分解(dynamic mode decomposition, DMD)的特殊性質(zhì)，文獻(xiàn)[20]將DMD,LBP和支持向量機(support vector machine, SVM)結(jié)合在一起檢測人臉欺騙攻擊.Arashloo等人[21]結(jié)合2種多尺度動態(tài)特征描述子MBSIF-TOP(multiscale binarized statistical image features on three orthogonal planes)和MLPQ-TOP(multi-scale local phase quantization representation on three orthogonal planes)提高了對抗欺騙攻擊的檢測器的魯棒性.在文獻(xiàn)[22]中，作者通過提取視頻中的時空信息構(gòu)造了一種低級特征描述子.除了上述這些基于紋理特征的檢測算法，還可以從另一些角度融合時空信息，例如分析在二次成像過程中產(chǎn)生的噪聲簽名[23].

盡管上述利用時空信息的人臉活體檢測算法取得了較好的效果，但他們也更復(fù)雜、更耗時.針對這個缺點，本文基于LBP和多層DCT提出了一個既簡單又省時的新算法.一方面，無論是LBP還是DCT操作，實現(xiàn)所需的時間都很短；另一方面，本文提出的算法只需要使用視頻中的少數(shù)幀，而非所有幀.此外，根據(jù)DCT的能量集中特性，我們只需要提取1個或幾個DCT分量來構(gòu)造最終的高級特征描述子.綜上所述，本文提出的算法不僅易實現(xiàn)而且效率高.在獲得理想的特征描述子后，我們選擇SVM作為后續(xù)分類器.在嚴(yán)格遵循各個數(shù)據(jù)庫測試協(xié)議的前提下，我們的實驗結(jié)果證明所提出算法的性能超過了目前已有的所有算法.事實上，該算法在Replay-Attack數(shù)據(jù)庫的評估集和測試集上的半錯誤率均為0，即實現(xiàn)了零差錯的完美檢測；在CASIA-FASD數(shù)據(jù)庫測試集上的半錯誤率為18.06%，低于所有其他算法且至少低3.69%.

2 基于LBP和多層DCT的人臉活體檢測算法

針對視頻欺騙攻擊，本文提出了一個新的檢測算法.該算法共包括4個主要步驟：人臉提取、低級特征描述子提取、高級特征描述子提取以及分類.流程圖如圖1所示：

Fig. 1 Flow chart of the proposed algorithm圖1 本文算法流程圖

1) 我們從目標(biāo)視頻中每隔一定的幀數(shù)提取1張人臉圖像；

2) 對提取出的每張人臉圖像進(jìn)行LBP操作得到低級特征描述子(LBP算子)；

3) 在LBP特征上進(jìn)行多層DCT變換得到高級特征描述子(LBP-MDCT算子)；

4) 將得到的高級特征描述子送入SVM分類器中判斷該視頻究竟是非法用戶的欺騙攻擊還是合法用戶的進(jìn)入請求.

2.1 人臉提取

Fig. 2 Demonstration of high-level descriptor extraction圖2 高級特征描述子構(gòu)造過程

2.2 低級特征描述子提取

2.3 高級特征描述子提取

在這個環(huán)節(jié)中，我們對得到的低級特征描述子進(jìn)行DCT變換，從而提取出視頻中的時間信息.圖2詳細(xì)展示了高級特征描述子的構(gòu)造過程.在獲得N×59的LBP特征矩陣后，我們沿著該矩陣的縱軸，即錄制整個視頻的時間軸，進(jìn)行一維DCT變換，得到許多DCT分量.給定輸入信號f(n)，其一維DCT變換為

(1)

其中,0≤k≤N-1.根據(jù)DCT的能量集中特性，變換后絕大多數(shù)能量都集中在直流分量(direct component, DC)中.因此，沒有必要利用所有的DCT分量來構(gòu)造高級特征描述子，只選用C個DCT分量即可.具體來說，若C=1，只選用直流分量；若C=2，則選用直流分量和第1個交流分量(alternating component, AC).這樣，在DCT變換后，我們得到1個59×C的LBP-DCT特征矩陣.需要特別說明的是，通過舍棄絕大部分的DCT分量，我們達(dá)到了降維的效果，而降維不僅降低了計算復(fù)雜度，同時也提高了檢測的效率.

為了獲得更好的性能，本文采用3層DCT變換.在第1層，對LBP特征矩陣的所有列進(jìn)行DCT變換，得到一個59×C的LBP-DCT特征矩陣.在第2層，將LBP特征矩陣均分為2部分：第1部分由前

2.4 分 類

本文檢測算法的最后1個關(guān)鍵步驟是通過一個高辨別力的機器學(xué)習(xí)算法找到最優(yōu)分類模型，從而對目標(biāo)視頻進(jìn)行判斷：究竟該視頻是非法用戶的欺騙攻擊，還是合法用戶的進(jìn)入請求.本文選用包含徑向基核函數(shù)(radial basis function, RBF)的支持向量機(support vector machine, SVM)[25]作為分類器.該分類器不僅具有很高的分類準(zhǔn)確率，而且被廣泛應(yīng)用于人臉識別等研究課題.將上一步得到的高級特征描述子送入SVM，即可根據(jù)SVM的輸出數(shù)據(jù)完成人臉活體檢測.輸出數(shù)據(jù)的評價指標(biāo)在3.2節(jié)中詳細(xì)說明.

3 實驗結(jié)果與分析

在分析實驗結(jié)果之前，首先介紹本文使用的公共數(shù)據(jù)庫及實驗嚴(yán)格遵循的測試協(xié)議.

3.1 數(shù)據(jù)庫

本文在2個得到廣泛認(rèn)可的公共數(shù)據(jù)庫上進(jìn)行實驗.

Replay-Attack數(shù)據(jù)庫[11]：該數(shù)據(jù)庫由合法用戶的視頻進(jìn)入請求和非法用戶的視頻欺騙攻擊組成，每個視頻時長約10 s.在3種不同的情景和2種不同的照明條件下，該數(shù)據(jù)庫對50個對象錄制了共計1 200段視頻，其中包括200段真實人臉視頻及1 000段偽造人臉視頻.

CASIA-FASD數(shù)據(jù)庫[10]：該視頻庫由來自50個對象的600段視頻組成，其中包括150段合法請求及450段欺騙攻擊.不同于Replay-Attack數(shù)據(jù)庫的是，CASIA-FASD數(shù)據(jù)庫的視頻欺騙攻擊涉及到3種成像質(zhì)量：低質(zhì)量(由1個分辨率為640×480的舊USB攝像頭采集)、中等質(zhì)量(由1個分辨率為480×640的新USB攝像頭采集)、高質(zhì)量(由1個最大分辨率為1920×1080的Sony NEX-5攝像頭采集).此外，該數(shù)據(jù)庫包含的偽造人臉視頻有3種類型：彎曲照片攻擊、裁剪照片攻擊和視頻回放攻擊.

3.2 測試協(xié)議

為了公平有效地評價各個算法的性能優(yōu)劣，本文選擇被廣泛使用的半錯誤率(half total error rate，HTER)作為性能評價指標(biāo).如式(2)所示，半錯誤率指的是錯誤接受率(false acceptance rate，F(xiàn)AR)和錯誤拒絕率(false rejection rate，F(xiàn)RR)總和的一半：

(2)

由于FAR和FRR都取決于閾值τ，增大其中一個會減小另一個，因此HTER值通常在接收者操作特征曲線(receiver operating characteristic curve， ROC)的一個特征點取得.在該特征點上，F(xiàn)AR和FFR相等，即達(dá)到等錯誤率(equal error rate，ERR)狀態(tài).根據(jù)上述定義可知，HTER值越小，錯誤率越小，算法的性能就越好.

測試協(xié)議Ⅰ：在該測試協(xié)議下，使用Replay-Attack數(shù)據(jù)庫.Replay-Attack數(shù)據(jù)庫由3個子集組成：訓(xùn)練集(包含360段視頻)、評估集(包含360段視頻)和測試集(包含480段視頻).其中，訓(xùn)練集用來訓(xùn)練SVM分類器；評估集用來選擇閾值τ；測試集則用來報告最終的HTER值.

測試協(xié)議Ⅱ：在該測試協(xié)議下，使用CASIA-FASD數(shù)據(jù)庫.CASIA-FASD數(shù)據(jù)庫由訓(xùn)練集(包含240段視頻)和測試集(包含360段視頻)組成.訓(xùn)練集用來訓(xùn)練SVM分類器，測試集用來得到最終的HTER值.

3.3 Replay-Attack數(shù)據(jù)庫的實驗結(jié)果

本文算法在Replay-Attack數(shù)據(jù)庫上的實驗結(jié)果如表1所示.需要說明的是，對每個C值，I都有1個上限.例如若C=1，即只選用DCT變換后的直流分量，則3層DCT至少需要4幀人臉圖像.Replay-Attack數(shù)據(jù)庫包含的所有視頻最少有221幀，因此，當(dāng)C=1時，I的上限為72.表1展示了部分參數(shù)設(shè)置下的實驗結(jié)果.

令人驚喜的是，無論I和C的取值為多少，所有參數(shù)組合下的HTER值均為0，即所有參數(shù)組合都可實現(xiàn)完美分類.我們知道，I越大，所提取的人臉圖像就越少，檢測的速度就越快，算法的復(fù)雜度也越低.同樣道理，C越小，使用的DCT分量越少，算法的效率就越高，算法也越簡單.出于這2點考慮，I=72&C=1可使算法具有最高的效率和最低的復(fù)雜度，因此，I=72&C=1是Replay-Attack數(shù)據(jù)庫的最優(yōu)參數(shù).

Table1HTERoftheProposedAlgorithmonReplay-AttackDatasetandCASIA-FASDDataset

表1本文算法在Replay-Attack和CASIA-FASD數(shù)據(jù)庫上的HTER值

CIHTER∕%Replay?AttackCASIA?FASDDevTestTest110．000．0020．0020．000．0019．0730．000．0020．0040．000．0018．89210．000．0020．0020．000．0019．0730．000．0020．0040．000．0019．26310．000．0018．8920．000．0019．2630．000．0019．0740．000．0018．43410．000．0018．8920．000．0020．0030．000．0018．2540．000．0018．06510．000．0018．8920．000．0019．1830．000．0019．1840．000．0018．89

C: Number of used DCT components;I: Interval for extracting frames; Dev: On development set; Test: On test set.

3.4 CASIA-FASD數(shù)據(jù)庫的實驗結(jié)果

表1同樣展示了本文算法在CASIA-FASD數(shù)據(jù)庫上的實驗結(jié)果.和Replay-Attack數(shù)據(jù)庫一樣，受視頻所含最少幀數(shù)影響，給定1個C值，I同樣存在一個上限.為節(jié)省空間，表1只列出了部分參數(shù)設(shè)置下的HTER值.

從表1我們可以看到，CASIA-FASD數(shù)據(jù)庫上的HTER值在19.00%左右波動；當(dāng)I=4&C=4時，HTER值最小，為18.06%.因此，I=4&C=4是CASIA-FASD數(shù)據(jù)庫的最優(yōu)參數(shù).至于性能波動和參數(shù)選取的關(guān)系，我們將在后續(xù)工作中對其進(jìn)行更深入的研究.不同于在Replay-Attack數(shù)據(jù)庫上實現(xiàn)的完美分類，本文算法在CASIA-FASD數(shù)據(jù)庫上未能實現(xiàn)零差錯分類.這是因為CASIA-FASD數(shù)據(jù)庫比Replay-Attack數(shù)據(jù)庫難度更大，更具挑戰(zhàn)性.例如，CASIA-FASD數(shù)據(jù)庫引入了裁剪照片攻擊.在實施這種攻擊時，攻擊者將人臉照片的眼睛區(qū)域剪掉，用自己的眼睛實現(xiàn)眨眼動作，更加逼真，檢測的難度也更大.此外，CASIA-FASD數(shù)據(jù)庫包含的攻擊類型比Replay-Attack數(shù)據(jù)庫更豐富.CASIA-FASD數(shù)據(jù)庫不僅包含3種類型的攻擊(彎曲照片攻擊、裁剪照片攻擊和視頻回放攻擊)，這些攻擊還是由3種不同的設(shè)備(低分辨率攝像頭、中等分辨率攝像頭和高分辨率攝像頭)錄制而成.

3.5 與現(xiàn)有算法的比較

我們將本文算法與文獻(xiàn)[11,20,26]中的算法進(jìn)行了比較，比較結(jié)果如表2所示.正如我們在3.4節(jié)中闡述的那樣，CASIA-FASD數(shù)據(jù)庫比Replay-Attack數(shù)據(jù)庫難度更大、更具挑戰(zhàn)性.所有算法在Replay-Attack數(shù)據(jù)庫上的性能都明顯優(yōu)于在CASIA-FASD數(shù)據(jù)庫上的性能.

Table2ComparisonofHTERonTestSetsfortheProposedAlgorithmwithState-of-the-artAlgorithms

表2 本文算法和現(xiàn)有算法的HTER值比較

E: On entire frames; F: On face regions.

從表2可以看到，本文算法的HTER值低于文獻(xiàn)[11,20,26]中的算法，也就是說，本文算法性能超過了文獻(xiàn)[11,20,26]中的算法.對Replay-Attack數(shù)據(jù)庫，我們的HTER值為0，實現(xiàn)了零差錯的完美檢測；對CASIA-FASD數(shù)據(jù)庫，我們的HTER值為18.06%，低于文獻(xiàn)[11,20,26]中的算法且至少低3.69%.Chingovska等人[11]僅僅應(yīng)用LBP對抗人臉欺騙攻擊，檢測效果在15.00%左右.在Pereira等人[26]提出的算法中，基于LBP-TOP的算法性能最好，分別在Replay-Attack和CASIA-FASD數(shù)據(jù)庫上取得了8.51%和23.75%的HTER值.盡管Tirunagari等人[20]提出的DMD+LBP+SVME算法在Replay-Attack數(shù)據(jù)庫上也實現(xiàn)了完美檢測(HTER=0)，但該算法需要使用一段視頻中的240幀，而本文算法只需要4幀，所需圖像幀數(shù)大大減小.我們知道，人臉活體檢測是針對實際應(yīng)用的研究，所需幀數(shù)越少，檢測時間越短，算法效率越高，算法性能也就越好.因此，本文算法比DMD+LBP+SVME算法性能更優(yōu).更重要的是，DMD+LBP+SVME算法必須使用一幀圖像的全部區(qū)域，一旦僅使用人臉區(qū)域(DMD+LBP+SVMF算法),其HTER值增加至3.75%，不再是零差錯檢測.這是因為Replay-Attack數(shù)據(jù)庫中不同類型欺騙攻擊的背景內(nèi)容存在差異，而這種差異有利于分類器分辨真假人臉視頻.然而，在現(xiàn)實生活中，對不可隨身攜帶的相對固定的人臉識別系統(tǒng)而言，如門禁系統(tǒng)，視頻背景內(nèi)容的差異性將不復(fù)存在.從這一點上考慮，DMD+LBP+SVME算法并不能在所有人臉識別系統(tǒng)上獲得完美的檢測結(jié)果，而本文算法僅使用人臉區(qū)域，適用于所有類型的人臉識別系統(tǒng).綜上所述，針對視頻欺騙攻擊，本文提出的算法在目前已有的人臉活體檢測算法中具有最出色的性能.

除了出色的性能，本文算法還具備低復(fù)雜度、高效率的優(yōu)點.一方面，我們只需要使用視頻中的少數(shù)幀而非所有幀；另一方面，LBP和DCT操作均只需很短的時間來完成.對Replay-Attack或CASIA-FASD數(shù)據(jù)庫中的視頻而言，在每幀圖像上進(jìn)行LBP操作只需要0.12 s.在獲得LBP特征矩陣后，無論參數(shù)取值為多少，計算LBP-MDCT特征矩陣都只需要0.02 s.此外，根據(jù)DCT的能量集中特性，我們只需要1個或幾個DCT分量來構(gòu)造高級特征描述子.舍棄絕大部分的DCT分量意味著降維，而降維不僅降低了計算復(fù)雜度，同時也提高了算法的效率.基于上述3個原因，本文算法不僅簡單、易實現(xiàn)，而且實時性好、效率高.兼顧優(yōu)異性能、低復(fù)雜度和高效率，本文算法對人臉活體檢測在實際生活中的應(yīng)用有著十分重要的意義.

4 結(jié)論與展望

針對基于視頻的人臉欺騙攻擊，本文利用LBP和多層DCT提出了一種新的人臉活體檢測算法.為了有效提取靜態(tài)空間信息，我們對選中的人臉圖像進(jìn)行均勻模式LBP操作，得到低級特征描述子(LBP算子).在此基礎(chǔ)上，為了提取動態(tài)時間信息，我們沿著LBP算子的縱軸，即錄制整個視頻的時間軸，進(jìn)行3層的DCT變換.這樣，最終得到的高級特征描述子(LBP-MDCT算子)既包含了靜態(tài)圖像的空間信息，又包含了幀與幀之間的動態(tài)時間信息.優(yōu)異的實驗結(jié)果驗證了多層DCT確實能夠有效捕捉面部動態(tài)信息，對正確判斷真假人臉視頻起到了重要的作用.

在嚴(yán)格遵循各個數(shù)據(jù)庫測試協(xié)議的前提下，我們在2個廣泛應(yīng)用的公共數(shù)據(jù)庫上進(jìn)行了大量的實驗，驗證了本文算法的有效性，表明了本文算法相比于現(xiàn)有算法的性能優(yōu)越性.在Replay-Attack數(shù)據(jù)庫上，本文算法的HTER=0，實現(xiàn)了零差錯的完美檢測；在CASIA-FASD數(shù)據(jù)庫上，本文算法的HTER=18.06%，低于其他所有算法且至少低3.69%.我們將出色的性能歸因于3個方面：1)LBP能夠有效提取出每幀圖像的靜態(tài)紋理信息；2)多層DCT變換能夠有效捕捉面部動態(tài)信息；3)在LBP算子上進(jìn)行多層DCT變換來同時表征時空信息的創(chuàng)新性的結(jié)合方式.值得注意的是，本文算法之所以能取得如此優(yōu)異的性能，最主要的原因不是LBP或DCT單獨的能力，而是將兩者結(jié)合在一起的獨特方式.在性能優(yōu)異的同時，本文算法簡單易實現(xiàn)，而且高效省時.從每幀人臉圖像中提取LBP向量只需要0.12 s；根據(jù)低級特征描述子得到高級特征描述子只需要0.02 s.兼顧卓越的性能、低復(fù)雜度和高效率，本文算法具有很好的實際應(yīng)用前景.

將來工作的首要方向是對本文算法在CASIA-FASD數(shù)據(jù)庫上參數(shù)選取和性能波動的關(guān)系進(jìn)行進(jìn)一步的研究并進(jìn)行跨數(shù)據(jù)庫實驗.另一個研究方向是選用其他類型的LBP算子，比較各自的性能.當(dāng)然，用其他圖像處理工具代替LBP或DCT來同時表征時空信息并比較性能優(yōu)劣也是將來工作的內(nèi)容之一.

[1] Galbally J, Marcel S, Fierrez J. Biometric antispoofing methods: A survey in face recognition[J]. IEEE Access, 2014, 2: 1530-1552

[2] Anjos A, Marcel S. Counter-measures to photo attacks in face recognition: A public database and a baseline[C] //Proc of 2011 IEEE Int Joint Conf on Biometrics. Piscataway, NJ: IEEE, 2011: 1-7

[3] Galbally J, Fierrez J, Alonso-Fernandez F, et al. Evaluation of direct attacks to fingerprint verification systems[J]. Telecommunication Systems, 2011, 47(3/4): 243-254

[4] Mjaaland B B, Bours P, Gligoroski P. Walk the walk: Attacking gait biometrics by imitation[G] //LNCS 6531: Proc of the 13th Int Conf on Information Security. Berlin: Springer, 2010: 361-380

[5] Akhtar Z, Fumera G, Marcialis G L, et al. Evaluation of serial and parallel multibiometric systems under spoofing attacks[C] //Proc of the 5th IEEE Int Conf on Biometrics: Theory, Applications and Systems. Piscataway, NJ: IEEE, 2012: 283-288

[6] Tome P, Vanoni M, Marcel S. On the vulnerability of finger vein recognition to spoofing[C] //Proc of Int Conf of the Biometrics Special Interest Group. Piscataway, NJ: IEEE, 2014: 1-10

[7] Yang Jianwei. Study on face antispoofing methods from the perspective of face recognition[D]. Beijing: Beijing University of Posts and Telecommunications, 2014 (in Chinese)

(楊健偉. 面向人臉識別的人臉活體檢測方法研究[D]. 北京: 北京郵電大學(xué), 2014)

[8] Sun Lin. Research on anti-spoofing in face recognition[D]. Hangzhou: Zhejiang University, 2010 (in Chinese)

(孫霖. 人臉識別中的活體檢測技術(shù)研究[D]. 杭州: 浙江大學(xué), 2010)

[9] Tan Xiaoyang, Li Yi, Liu Jun, et al. Face liveness detection from a single image with sparse low rank bilinear discriminative model[G] //LNCS 6316: Proc of the 11th European Conf on Computer Vision. Berlin: Springer, 2010: 504-517

[10] Zhang Zhiwei, Yan Junjie, Liu Sifei, et al. A face antispoofing database with diverse attacks[C] //Proc of the 5th IAPR Int Conf on Biometrics. Piscataway, NJ: IEEE, 2012: 26-31

[11] Chingovska I, Anjos A, Marcel S. On the effectiveness of local binary patterns in face anti-spoofing[C] //Proc of Int Conf of Biometrics Special Interest Group. Piscataway, NJ: IEEE, 2012: 1-7

[12] Erdogmus N, Marcel S. Spoofing in 2D face recognition with 3D masks and anti-spoofing with Kinect[C] //Proc of the 6th IEEE Int Conf on Biometrics: Theory, Applications and Systems. Piscataway, NJ: IEEE, 2013: 1-6

[13] Pinto A, Schwartz W R, Pedrini H, et al. Using visual rhythms for detecting video-based facial spoof attacks[J]. IEEE Trans on Information Forensics and Security, 2015, 10(5): 1025-1038

[14] Li Jiangwei, Wang Yunhong, Tan Tieniu, et al. Live face detection based on the analysis of Fourier spectra[G] //SPIE 5404: Biometric Technology for Human Identification. Bellingham, WA: SPIE, 2004: 296-303

[15] Peixoto B, Michelassi C, Rocha A. Face liveness detection under bad illumination conditions[C] //Proc of the 18th IEEE Int Conf on Image Processing. Piscataway, NJ: IEEE, 2011: 3557-3560

[16] Maatta J, Hadid A, Pietikainen M. Face spoofing detection from single images using texture and local shape analysis[J]. IET Biometrics, 2012, 1(1): 3-10

[17] Kose N, Dugelay J L. Classification of captured and recaptured images to detect photograph spoofing[C] //Proc of 2012 Int Conf on Informatics, Electronics & Vision. Piscataway, NJ: IEEE, 2012: 1027-1032

[18] Maatta J, Hadid A, Pietikainen M. Face spoofing detection from single images using micro-texture analysis[C] //Proc of 2011 Int Joint Conf on Biometrics. Piscataway, NJ: IEEE, 2011: 1-7

[19] de Freitas Pereira T, Anjos A, De Martino J M, et al. LBP-TOP based countermeasure against face spoofing attacks[G] //LNCS 7728: Proc of ACCV 2012 Int Workshops. Berlin: Springer, 2013: 121-132

[20] Tirunagari S, Poh N, Windridge D, et al. Detection of face spoofing using visual dynamics[J]. IEEE Trans on Information Forensics and Security, 2015, 10(4): 762-777

[21] Arashloo S R, Kittler J, Christmas W. Face spoofing detection based on multiple descriptor fusion using multiscale dynamic binarized statistical image features[J]. IEEE Trans on Information Forensics and Security, 2015, 10(11): 2396-2407

[22] Pinto A, Pedrini H, Schwartz W R, et al. Face spoofing detection through visual codebooks of spectral temporal cubes[J]. IEEE Trans on Image Processing, 2015, 24(12): 4726-4740

[23] Pinto A d S, Pedrini H, Schwartz W, et al. Video-based face spoofing detection through visual rhythm analysis[C] //Proc of the 25th SIBGRAPI Conf on Graphics, Patterns and Images. Piscataway, NJ: IEEE, 2012: 221-228

[24] Viola P, Jones M J. Robust real-time face detection[J]. International Journal of Computer Vision, 2004, 57(2): 137-154

[25] Cortes C, Vapnik V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297

[26] de Freitas Pereira T, Komulainen J, Anjos A, et al. Face liveness detection using dynamic texture[J]. EURASIP Journal on Image and Video Processing, 2014, 2014(1): Article No.2