基于特征融合與支持向量機的人臉活體檢測技術

顏健

摘要：人臉識別已廣泛應用于各種場景，隨之而來的人臉偽造攻擊對人臉識別應用的安全性帶來了極大的挑戰。人臉活體檢測是應對此類攻擊的最佳手段。本文在分析現有人臉活體檢測方式的基礎上，提出了一種基于LBP與色彩飽和度的融合特征進行人臉活體檢測。經實驗驗證，該方法準確性有了較大提升。

關鍵詞：LBP;色彩飽和度;SVM;特征融合

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2020）05-0046-02

0引言

近年來，隨著計算機視覺技術的成熟，人臉識別的準確性已經完全能夠滿足身份驗證系統的要求，逐漸被廣泛應用在各種場景下，包括刷臉支付、門禁系統、安檢系統等。但是基于人臉識別的身份驗證系統有可能受到照片、視頻、3D模型、面具等偽造攻擊手段的威脅。為了保障系統安全性，需要首先對接受驗證的人臉進行活體檢測，判斷該人臉是否為真實人臉。

目前主流的人臉活體檢測方法可以分為三類：

（1）用戶交互認證，此類方法通過要求用戶按照指令做出相應動作，如眨眼、點頭、搖頭等，然后通過對用戶動作的識別來驗證被檢測對象是否為真實的人臉。

（2）圖像特征分析，此類方法通過活體人臉和偽造人臉在圖像特征上的區別進行人臉活體檢測。Maatta通過對人臉圖像進行微紋理分析的方式實現活體檢測，田野等提出一種基于LBP特征的人臉活體檢測方法，李莉等提出一種LBP特征與小波變換結合的人臉活體檢測方法。

（3）借助硬件設備驗證，此類方法需要配備專用硬件設備，如借助近紅外與可見光雙目裝置進行活體檢測，利用雙目關系實現特征點的匹配并獲取其深度信息。

1基于LBP與色彩飽和度融合特征的人臉活體檢測

本論文采用基于圖像特征的單幀圖像識別方法，提出一種LBP及色彩飽和度的融合特征，并使用sVM進行分類來進行照片人臉與真實人臉的分類。

1.1LBP特特征提取

LBP（局部二值模式）是機器視覺領域一種非常重要的局部紋理特征描述子。

基礎的LBP算子是定義在3×3大小的一個方格內的，它通過中心像素與周圍相鄰的8個像素的對比來計算LBP值。如圖1所示。

對于一個像素值為68的中心像素點，將它周圍相鄰的8個像素值與它進行對比，如果相鄰像素點的值大于中心像素點則該位置標記為1，否則標記為O。從左上角開始連接8個相鄰位置的值得到一個二進制數（01001 100）B，最終LBp=（01001 100）B=76。計算得到每一個像素點的LBP值后，對得到的結果劃分檢測窗口進行直方圖統計，將得到直方圖進行拼接就是最終的ILBP特征。

LBP有很多的變種，如旋轉不變LBP、CLBP等。本文在IBP特征提取過程中，采用如上所述的基礎的LBP算子計算得到每一個像素點的LBP值，并直接對全部像素點的LBP進行128”個分箱的直方圖統計，得到一個1281準的ILBP特征。

1.2色彩飽和度

A.R.SmithTl978年提出了一種新的顏色模型—HSV。該顏色模型中的Saturation，也就是色彩飽和度是用來描述一個顏色接近光譜色的程度，顏色越深越鮮艷就越接近光譜色，色彩飽和度就越高。經過對真實人臉與照片人臉的分析，二者在色彩飽和度分布上有明顯差異，如圖2所示。

本文將原始圖像轉換為HSvN色模型，并從中分離出s通道以得到圖像的色彩飽和度信息。對所得的色彩飽和度進行128個分箱的直方圖統計，得到一個128維的色彩飽和度特征。

將128維的LBP特征與128維的色彩飽和度特征進行連接，得到一個256維的向量，即為本文所提出的融合特征。

1.3支持向量機

SVM（支持向量機）是機器學習中的一個非常強大的和受歡迎的監督學習算法，在小規模數據樣本上，表現得尤為優異。其核心思想在于尋找一個能夠構造出最大間隔的決策邊界，通過這個決策邊界對樣本進行劃分。

本文所要解決的人臉活體檢測問題正是一個典型的二分類問題，所以選擇支持向量機來進行模型訓練。

2實驗結果與分析

2.1實驗數據

本文使用NUAA數據集。該數據集邀請了15名受試者，在不同的地點和光照條件下，進行人臉圖像收集，包含5105張真實人臉和7509張照片人臉。在實施過程中分別提取LBP特征與IBP、色彩飽和度融合特征，并隨機對數據集進行劃分。

2.2實驗結果

使用訓練數據集訓練基于徑向基核函數的支持向量機得到模型，并用于測試數據集分類，僅使用LBP作為特征時在4163個測試數據上獲得了98.5%的準確率，使用LBP與色彩飽和度融合特征時在4163個測試數據上獲得了99.6%的準確率。

2.3結果分析

經過應用不同方法在NUAA數據庫上進行訓練測試，得出的準確率比較，融合特征較僅使用LBP特征有了明顯的提升，可見本文提出的基于紋理及色彩飽和度融合特征的人臉活體檢測方法具備更優秀的性能。

3結語

本文提出了一種基于紋理及色彩飽和度融合特征的人臉活體檢測方法，顯著提升了人臉活體檢測的準確性。目前的研究僅針對于照片偽造攻擊，后續將繼續研究將該種方法應用于其它人臉偽造攻擊的識別中。