基于Haralick和HOG特征的人臉活體檢測

劉航

1引言

隨著大數據技術的發展，人臉照片或視頻更易獲得及時存儲，有攻擊者用獲得的人臉照片或視頻對人臉識別系統進行攻擊。因此，人臉識別系統加入活體檢測技術極其重要。本文提出基于Haralick特征和HOG特征的人臉活體檢測，由識別準確率及ROC曲線得知達到了人臉活體檢測的效果。

2關鍵技術

（1）Haralick特征

（2）HOG特征

HOG特征提取分為3個步驟，首先歸一化彩色圖像，其次分割圖像為塊，將塊分割成小單元，每個單元由8×8像素組成，接著計算像素點的梯度值和方向，劃分為16個直方圖，最后級聯每個單元的直方圖特征，得到塊的直方圖特征，最后順序級聯每塊直方圖特征，得到整幅圖像的HOG特征。

3分類特征

（1）LDA分類器

LDA模型是由Blei等人在2003年提出的一種生成概率模型，起初用于文本建模領域，近年來，也成功應用于圖像聚類等領域。LDA模型的基本思路是文檔是主題的組合，而主題又是單詞的混合。LDA模型中是出現某個主題的概率，

是給定主題下某個單詞出現的概率，和都服從狄利克雷分布，他們的參數分別是和，表示選擇的某個主題，是文檔個數，代表文檔庫中的文檔個數，代表文檔中的單詞個數。LDA模型包含超參數，可以通過Gibbs采樣進行估算。

（2）KNN分類算法

3本文算法

本文提出基于Haralick和HOG特征的人臉活體檢測方法。首先讀取圖像，接著轉換為灰度圖像，由于圖像大小不同，因此統一調整圖片到（128，128）像素大小，接著分別提取Haralick和HOG特征，得到的Haralick特征大小為（13），HOG特征大小為（3 200），然后融合Haralick和HOG特征，得到最終的特征，送入KNN分類算法和LDA分類器重進行分類，并輸出分類結果，即判斷是真實人臉還是虛假人臉。

4實驗分析

本文采用NUAA人臉欺騙數據庫，包含15個拍照對象，每個對象采集約500張彩色圖片，大小為640×480像素。提出的算法在NUAA人臉欺騙數據庫上的準確率和誤差。實驗評估結果包含HTER，ROC曲線等，為了更加直觀，本文選擇ROC曲線衡量實驗結果。ROC曲線是真正率（TPR）和假正率（FPR）關系的顯示，圖像越靠近左上角，效果越好。

本實驗中LDA的分類效果好于KNN。由圖1可知，LDA的分類器算法更趨于左上角，因此分類效果更好，同時可以看出提出的算法達到了人臉活體檢測的要求。

5結束語

本文選擇從圖片中提取Haralick特征和HOG特征，接著融合特征送入LDA和KNN分類器分類，在本實驗中，LDA分類效果好于KNN，由ROC曲線得知，實現了人臉活體檢測的效果。