專利名稱：假臉檢測方法及系統(tǒng)、假臉模型訓(xùn)練方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識別技術(shù)領(lǐng)域，特別是涉及一種假臉檢測方法及系統(tǒng)、一種假臉
模型訓(xùn)練方法及系統(tǒng)。
背景技術(shù)：
隨著技術(shù)的高速發(fā)展，人臉識別技術(shù)的日趨成熟，作為人臉識別中首要環(huán)節(jié)的人 臉檢測也在安全識別、身份鑒定等領(lǐng)域得到了廣泛的應(yīng)用。 現(xiàn)有的人臉檢測，動(dòng)輒通過對數(shù)十萬張人臉和非人臉樣本進(jìn)行訓(xùn)練，得到人臉檢 測模板，然后根據(jù)所述人臉檢測模板判斷待檢測圖像中是否存在人臉。但是由于光照、姿 態(tài)、表情、圖像質(zhì)量、尺寸、遮擋、背景等多種因素的影響，非人臉圖像和人臉圖像在某些程 度上存在著一定的相似性，很難用一種檢測方法檢測出這種相似性；此外，任何一種檢測算 法都有其局限性，如果硬性地采用一種檢測方法對另一種算法檢測出來的人臉進(jìn)行驗(yàn)證， 也存在著將已經(jīng)被證明是正確檢測的人臉判別為"假臉"的可能性。 受上述因素以及檢測算法局限性的影B向，隨著人臉檢測率的大幅度提升，不可避 免地帶來了誤檢率的提高，給后續(xù)的人臉識別帶來了壞的影響，因此，有必要對檢測出的 "人臉"進(jìn)行"假臉"的檢測，剔除其中的"假臉"。 總之，需要本領(lǐng)域技術(shù)人員迫切解決的一個(gè)技術(shù)問題就是如何能夠提供一種假 臉檢測方法，用以剔除采用某種人臉檢測算法錯(cuò)誤檢測出的大量假臉，從而為后續(xù)的人臉 識別提供合格的人臉圖像奠定基礎(chǔ)。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種假臉檢測方法及系統(tǒng)、一種假臉模型訓(xùn)練 方法及系統(tǒng)，用以剔除經(jīng)過人臉檢測算法檢測出的大量假臉，從而為后續(xù)的人臉識別提供 合格的人臉圖像。 為了解決上述問題，本發(fā)明公開了一種假臉檢測方法，包括
獲得人臉檢測后的人臉圖像； 根據(jù)假臉模型對所述人臉圖像進(jìn)行檢測，所述假臉模型為基于特征向量的分類 器； 其中，所述檢測的過程包括 將所述人臉圖像的表示向量映射到判別子空間，獲得特征向量，所述表示向量為 針對所述人臉圖像進(jìn)行特征提取獲得，所述判別子空間是依據(jù)包括真假臉的人臉樣本的人 臉特征建立的； 將所述特征向量輸入到所述假臉模型中，輸出檢測結(jié)果。
優(yōu)選的，在根據(jù)假臉模型對所述人臉圖像進(jìn)行檢測的步驟前，還包括
對所述人臉檢測后的人臉圖像進(jìn)行眼睛定位，得到眼睛位置；
根據(jù)所述眼睛位置，對所述人臉圖像進(jìn)行歸一化操作；
從所述歸一化后的人臉圖像中割取預(yù)設(shè)大小的圖像。 優(yōu)選的，所述假臉模型為通過以下步驟獲得的假臉模型 獲得人臉檢測后的人臉樣本，所述人臉樣本包括真臉樣本和假臉樣本； 對所述人臉樣本中的假臉樣本進(jìn)行分類； 提取真臉樣本以及各類別假臉樣本的人臉特征； 基于所述人臉特征，建立判別子空間，得到相應(yīng)的投影矩陣； 將每一個(gè)人臉樣本通過所述投影矩陣映射到判別子空間，獲得相應(yīng)的特征向量； 依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分類器。 優(yōu)選的，所述將所述特征向量輸入到所述假臉模型中，輸出檢測結(jié)果的步驟包
括 將所述特征向量輸入到所述假臉模型中，得到假臉判別器的數(shù)值； 對該數(shù)值進(jìn)行判別分析，若該數(shù)值^ l，則輸出的檢測結(jié)果為假臉； 若該數(shù)值《-l，則輸出的檢測結(jié)果為真臉； 若-1 <該數(shù)值< 1，計(jì)算該數(shù)值的假臉置信值，若所述假臉置信值>預(yù)設(shè)置信值， 則輸出的檢測結(jié)果為假臉，若所述假臉置信值《預(yù)設(shè)置信值，則輸出的檢測結(jié)果為真臉。 本發(fā)明還公開了一種假臉模型訓(xùn)練的方法，包括 獲得人臉檢測后的人臉樣本，所述人臉樣本包括真臉樣本和假臉樣本； 對所述人臉樣本中的假臉樣本進(jìn)行分類； 提取真臉樣本以及各類別假臉樣本的人臉特征； 基于所述人臉特征，建立判別子空間； 將每一個(gè)人臉樣本映射到所述判別子空間，獲得相應(yīng)的特征向量； 依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分類器。 優(yōu)選的，所述提取真臉樣本以及各類別假臉樣本的人臉特征的步驟包括 對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化； 將每個(gè)人臉樣本等分為多個(gè)子區(qū)域； 分別提取所述子區(qū)域的灰度特征。 優(yōu)選的，所述提取真臉樣本以及各類別假臉樣本的人臉特征的步驟包括 對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化； 將每個(gè)人臉樣本等分為多個(gè)子區(qū)域； 分別提取中所述子區(qū)域的紋理特征。 優(yōu)選的，所述提取真臉樣本以及各類別假臉樣本的人臉特征的步驟包括 對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化； 針對所有人臉樣本，根據(jù)灰度特征構(gòu)造協(xié)方差矩陣，從而得到特征基； 分別將每個(gè)人臉樣本映射到所述特征基，從而獲得人臉特征。 優(yōu)選的，所述依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分類 器的步驟包括 按照學(xué)習(xí)能力對人臉樣本及特征向量組成的訓(xùn)練數(shù)據(jù)進(jìn)行分組； 針對當(dāng)前組訓(xùn)練數(shù)據(jù)，訓(xùn)練獲得相應(yīng)的分類器，依據(jù)所述分類器計(jì)算得到錯(cuò)分樣
本集，并判斷當(dāng)前組訓(xùn)練數(shù)據(jù)是否為最后一組訓(xùn)練數(shù)據(jù)，若是，則判斷當(dāng)前分類器的分類錯(cuò)
6誤率是否在預(yù)置范圍內(nèi)，若是，則結(jié)束本次操作，否則從第一組數(shù)據(jù)開始訓(xùn)練；
否則，依據(jù)所述錯(cuò)分樣本集更新當(dāng)前組訓(xùn)練數(shù)組，并進(jìn)行下一組訓(xùn)練。
優(yōu)選的，對所述人臉樣本中的假臉樣本進(jìn)行分類的步驟前，還包括
對所述人臉樣本進(jìn)行眼睛定位，得到眼睛位置；
根據(jù)所述眼睛位置，對所述人臉樣本進(jìn)行歸一化操作；
從所述歸一化后的人臉樣本中割取預(yù)設(shè)大小的圖像。
本發(fā)明還公開了一種假臉檢測系統(tǒng)，包括
圖像獲取模塊，用于獲得人臉檢測后的人臉圖像； 檢測模塊，用于根據(jù)假臉模型對所述人臉圖像進(jìn)行檢測，所述假臉模型為基于特
征向量的分類器； 其中，所述檢測模塊包括 特征向量獲取單元，用于將所述人臉圖像的表示向量映射到判別子空間，獲得特 征向量，所述表示向量為針對所述人臉圖像進(jìn)行特征提取獲得，所述判別子空間是依據(jù)包 括真假臉的人臉樣本的人臉特征建立的； 檢測單元，用于將所述特征向量輸入到所述假臉模型中，輸出檢測結(jié)果。
優(yōu)選的，所述系統(tǒng)還包括預(yù)處理模塊，所述預(yù)處理模塊包括 眼睛定位單元，用于對所述人臉檢測后的人臉圖像進(jìn)行眼睛定位，得到眼睛位 置； 歸一化單元，用于根據(jù)所述眼睛位置，對所述人臉圖像進(jìn)行歸一化操作；
割取單元，用于從所述歸一化后的人臉圖像中割取預(yù)設(shè)大小的圖像。
優(yōu)選的，所述檢測單元包括 數(shù)值獲取子單元，用于將所述特征向量輸入到所述假臉模型中，得到假臉判別器 的數(shù)值； 判別子單元，用于對該數(shù)值進(jìn)行判別分析，并在該數(shù)值^ 1時(shí)，輸出的檢測結(jié)果為 假臉；在該數(shù)值《-1時(shí)，輸出的檢測結(jié)果為真臉；在-l <該數(shù)值< 1時(shí)，計(jì)算該數(shù)值的假臉 置信值，若所述假臉置信值>預(yù)設(shè)置信值，則輸出的檢測結(jié)果為假臉，若所述假臉置信值《 預(yù)設(shè)置信值，則輸出的檢測結(jié)果為真臉。
本發(fā)明還公開了一種假臉模型訓(xùn)練系統(tǒng)，包括 樣本獲取模塊，用于獲得人臉檢測后的人臉樣本，所述人臉樣本包括真臉樣本和 假臉樣本； 分類模塊，用于對所述人臉樣本中的假臉樣本進(jìn)行分類； 特征提取模塊，用于提取真臉樣本以及各類別假臉樣本的人臉特征； 子空間建立模塊，用于基于所述人臉特征，建立判別子空間； 特征向量獲取模塊，用于將每一個(gè)人臉樣本映射到所述判別子空間，獲得相應(yīng)的 特征向量； 訓(xùn)練模塊，用于依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分 類器。
優(yōu)選的，所述特征提取模塊包括 第一直方圖均衡化單元，用于對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化； 第一子區(qū)域劃分單元，用于將每個(gè)人臉樣本等分為多個(gè)子區(qū)域；
灰度特征提取單元，用于分別提取所述子區(qū)域的灰度特征。
優(yōu)選的，所述特征提取模塊包括 第二直方圖均衡化單元，用于對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡 化； 第二子區(qū)域劃分單元，用于將每個(gè)人臉樣本等分為多個(gè)子區(qū)域；
LBP直方圖特征提取單元，用于分別提取中所述子區(qū)域的紋理特征。
優(yōu)選的，所述特征提取模塊包括 第三直方圖均衡化單元，用于對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡 化； 特征基獲取單元，用于針對所有人臉樣本，根據(jù)灰度特征構(gòu)造協(xié)方差矩陣，從而得 到特征基； 映射單元，用于分別將每個(gè)人臉樣本映射到所述特征基，從而獲得人臉特征。
與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn) 本發(fā)明采用兩次特征提取構(gòu)造分類器，具體而言，通過第一次特征提取，對人臉樣 本進(jìn)行降維，獲得人臉特征，并在此基礎(chǔ)上建立判別子空間；通過第二次特征提取，將人臉 樣本映射到所述判別子空間，獲得含有判別信息的人臉特征向量；最后，依據(jù)所述特征向量 對真臉樣本和假臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分類器。由于本發(fā)明在人臉樣本降
維的基礎(chǔ)上建立了含有可分性信息的子空間，能夠保證映射得到具有判別信息的人臉特征
向量，使得基于所述人臉特征向量構(gòu)造的分類器具有更為準(zhǔn)確的真假判別能力； 再者，本發(fā)明在假臉檢測中，僅需要將提取特征后的待檢測人臉映射到所述判別
子空間，獲得特征向量，然后輸入該分類器進(jìn)行檢測即可，具有對輸入"人臉"圖像是否為假
臉的快速檢測功能，并且檢測也是在具有可分性的判別子空間基礎(chǔ)上進(jìn)行的，從而可以有
效提高檢測的準(zhǔn)確度。


圖1是本發(fā)明一種假臉模型訓(xùn)練方法實(shí)施例的流程圖； 圖2是一種經(jīng)人臉檢測后的人臉樣本示意圖； 圖3是本發(fā)明一種眼睛定位的示意圖； 圖4是本發(fā)明一種假臉檢測方法實(shí)施例的流程圖； 圖5本發(fā)明一種假臉模型訓(xùn)練系統(tǒng)實(shí)施例的結(jié)構(gòu)圖； 圖6是本發(fā)明一種人臉檢測系統(tǒng)實(shí)施例的結(jié)構(gòu)圖。
具體實(shí)施例方式
為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí) 施方式對本發(fā)明作進(jìn)一步詳細(xì)的說明。現(xiàn)有的人臉檢測方法，通常采用Adaboost(自適應(yīng)增強(qiáng)，ad即tiveboosting)等學(xué) 習(xí)方法對大量的人臉樣本進(jìn)行訓(xùn)練，得到人臉檢測器，然后利用所述人臉檢測器對待檢測
8人臉圖像進(jìn)行判別檢測，得出是否為人臉的檢測結(jié)果。Adaboost具有超強(qiáng)學(xué)習(xí)能力，即便如 此，也存在著局限性，針對不同類型的應(yīng)用，特別是對于大規(guī)模具有不同光照姿態(tài)條件的圖 像或者視頻，人臉檢測器總是存在一定比例的錯(cuò)誤檢測結(jié)果。 本發(fā)明實(shí)施例的核心構(gòu)思之一在于，對錯(cuò)誤檢測出來的人臉樣本進(jìn)行分析，以找 到這些樣本被錯(cuò)誤檢測為人臉的原因，從而為后面的大規(guī)模樣本學(xué)習(xí)提供具有可分性的人 臉特征向量，然后在所述人臉特征向量基礎(chǔ)上訓(xùn)練得到作為人臉檢測器補(bǔ)充的假臉模型。 具體而言，首先，對錯(cuò)誤檢測出來的假臉圖像進(jìn)行分類，為后續(xù)獲得含有判別信息的子空間 作準(zhǔn)備；其次，通過第一次特征提取，獲得人臉樣本的表示向量，并在此基礎(chǔ)上結(jié)合類別標(biāo) 識，獲得含有判別信息的子空間；再次，通過將人臉樣本映射到子空間，獲得具有判別信息 的人臉特征向量；最后，依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練學(xué)習(xí)，得到作為假臉模型的 分類器。 參考圖l，示出了本發(fā)明一種假臉模型訓(xùn)練方法實(shí)施例的流程圖，具體可以包括
步驟101、獲得人臉檢測后的人臉樣本，所述人臉樣本包括真臉樣本和假臉樣本；
人臉檢測不可避免地存在著誤檢，即將非人臉檢測為人臉，參考圖2，是一種經(jīng)人 臉檢測(采用AdaBoost方法)后的人臉樣本示意圖。圖中，2a-2d為經(jīng)過人臉檢測獲得的 假臉樣本，2e-2f為經(jīng)過人臉檢測獲得的真臉樣本。 在實(shí)際中，由于經(jīng)過人臉檢測獲得的人臉樣本大小、位置和灰度各不相同，為保證 獲得較好的識別效果，在本發(fā)明的一種優(yōu)選實(shí)施例中，在獲得人臉檢測后的人臉樣本后，需 要對所有人臉樣本的尺寸、位置和灰度進(jìn)行預(yù)處理，使不同的人臉樣本圖像的尺寸、灰度保
持一致。
所述預(yù)處理步驟具體可以通過以下子步驟實(shí)現(xiàn) 子步驟A1、對所述人臉樣本進(jìn)行眼睛定位，得到眼睛位置； 在具體實(shí)現(xiàn)中，可以采用統(tǒng)計(jì)模式識別方法，將采集并分割獲得的正面人臉圖像 中的雙眼區(qū)域圖像和非雙眼區(qū)域圖像作為訓(xùn)練樣本，訓(xùn)練得到雙眼區(qū)域檢測器。例如，采用 Adaboost算法對10000張24X 16的雙眼區(qū)域圖像和非雙眼區(qū)域圖像進(jìn)行訓(xùn)練，得到雙眼區(qū) 域檢測器。 在進(jìn)行眼睛定位時(shí)，可以采用所述雙眼區(qū)域檢測器在人臉圖像內(nèi)搜索雙眼區(qū)域位 置，確定雙眼區(qū)域位置后，在所述雙眼區(qū)域位置內(nèi)定位左眼位置和右眼位置。參考圖3示出 了一種眼睛定位的示意圖，其中3a為雙眼區(qū)域檢測器搜索到的眼睛矩形區(qū)域位置，3b所示 的矩形中心即為眼睛位置。 子步驟A2、根據(jù)所述眼睛位置，對所述人臉樣本進(jìn)行歸一化操作； 在具體實(shí)現(xiàn)中，所述歸一化操作可以包括尺寸歸一化和灰度歸一化操作。其中，尺
寸歸一化的操作可以為將樣本圖像旋轉(zhuǎn)，使每個(gè)人臉的雙眼之間的連線為水平方向，然后
按照雙眼中心距離固定的原則，比例縮放旋轉(zhuǎn)后的圖像，根據(jù)雙眼距離固定、雙眼中心連線
中點(diǎn)到人臉圖像上矩形框距離固定的原則裁剪圖像，即得到了尺寸歸一化后的圖像。 灰度歸一化的操作可以采取對尺寸歸一化后的圖像進(jìn)行灰度拉伸，以改善圖像的
對比度；或者，采用直方圖均衡化等直方圖修正技術(shù)使圖像具有相近的統(tǒng)計(jì)意義上的均值
和方差，以部分消除光照的影響，本發(fā)明對具體的操作方式不加以限制。 子步驟A3、從所述歸一化后的人臉樣本中割取預(yù)設(shè)大小的圖像。
9
例如，從歸一化后的人臉樣本中截取出64X64的裸臉圖像。 經(jīng)過這些預(yù)處理后，多個(gè)真臉樣本以及多個(gè)假臉樣本在某些特征上才會具有一定 的相似性，而真臉樣本和假臉樣本之間才會具有一定的差異，此時(shí)才可以采用統(tǒng)計(jì)模式識 別算法進(jìn)行假臉模型的訓(xùn)練與識別。 步驟102、對所述人臉樣本中的假臉樣本進(jìn)行分類； 本步驟是將人臉檢測后的假臉樣本分成不同的類型，譬如線畫臉、背景臉、素描 臉、文字臉、動(dòng)物臉等。在對假臉樣本進(jìn)行分類后，才能更準(zhǔn)確地對錯(cuò)誤檢測出來的人臉樣 本進(jìn)行分析，才能通過后續(xù)的處理，獲得包含真臉和不同類型假臉的判別信息。
步驟103、提取真臉樣本以及各類別假臉樣本的人臉特征； 由于通常采用的經(jīng)過歸一化后的人臉樣本，仍然具有很高的維數(shù)(例如64X64， 128 X 128)，直接在人臉樣本的灰度特征基礎(chǔ)上進(jìn)行處理， 一方面信息冗余，另一方面復(fù)雜 度很高，對計(jì)算機(jī)的硬件性能是一個(gè)挑戰(zhàn)，因此，特征提取成為圖像識別領(lǐng)域中最基本的問 題之一，能否提取出有效的分類特征是解決該問題的關(guān)鍵。常用特征提取方法的基本思想 是將原始樣本映射到某一低維特征空間，得到最能反映樣本本質(zhì)的低維樣本特征，這樣能 夠有效地減少樣本的存儲量和處理速度，實(shí)現(xiàn)人臉的自動(dòng)分類。 在眾多特征提取方法中，由于具有描述性強(qiáng)、計(jì)算代價(jià)小、易實(shí)現(xiàn)等特點(diǎn)，子空間 方法(Subspace Methods)有著廣泛的應(yīng)用，它通過將樣本投影到某個(gè)最優(yōu)子空間來達(dá)到降 低維數(shù)和尋找特征的目的。 為獲得具有分類能力的特征向量，本發(fā)明實(shí)施例采用兩次特征提取，具體而言，通 過第一次特征提取，對人臉樣本進(jìn)行降維，獲得人臉特征，并在此基礎(chǔ)上建立判別子空間； 通過第二次特征提取，將人臉樣本映射到子空間，獲得具有判別信息的人臉特征向量。
對于第一次特征提取，本發(fā)明采用以下方案 方案一、直接提取人臉樣本的灰度特征，具體可以通過以下子步驟實(shí)現(xiàn)
子步驟Bl、對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化；
子步驟B2、將每個(gè)人臉樣本等分為多個(gè)子區(qū)域；
子步驟B3、分別提取所述子區(qū)域的灰度特征。 例如，首先將64X64的人臉樣本進(jìn)行直方圖均衡化，然后將每個(gè)人臉樣本等分為 4X4 = 16個(gè)子區(qū)域，這樣每個(gè)子區(qū)域的大小為16X16，在提取特征時(shí)，就可以分別提取16 個(gè)子區(qū)域的256維灰度特征。 方案二、提取人臉樣本的紋理特征，具體可以通過以下子步驟實(shí)現(xiàn)
子步驟Cl、對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化；
子步驟C2、將每個(gè)人臉樣本等分為多個(gè)子區(qū)域；
子步驟C3、分別提取中所述子區(qū)域的紋理特征。 紋理一般指人們所觀察到的圖像中象元的灰度變化規(guī)律，它是圖象中一個(gè)基本且 重要的特性。作為一種有效的紋理描述算子，局部二值模式(LBP，Local Binary Pattern) 特征通過對某個(gè)像素的亮度值和鄰域像素的亮度值進(jìn)行比較，得到大小關(guān)系，并對大小關(guān) 系進(jìn)行二進(jìn)制編碼，獲得圖像區(qū)域的紋理特征，LBP在紋理識別和人臉識別應(yīng)用中取得了較 好的效果。 以下通過一個(gè)具體示例說明所述子區(qū)域LBP直方圖特征的提取過程。
假定圖像中像素坐標(biāo)為(j， i)的點(diǎn)對應(yīng)的亮度為lj,i，以點(diǎn)(j， i)為中心取3X3
々
'卩域，則各點(diǎn)像素亮度如下
U-l 〔、'-l 〔'+U-1 〔■-U+l C+l
定義點(diǎn)(j， i)的LBP特征的計(jì)算公式
為
其中，^(乂,/,"，附)=
:1 z/7(y + w —u + m — i)^/(y,/)
0 ^/ijg 對于等分后的某個(gè)子區(qū)域(以矩形區(qū)域?yàn)槔?，可以采用如下積分圖像方法快速 計(jì)算矩形區(qū)域中的LBP直方圖特征 假設(shè)矩形區(qū)域?yàn)镽(l，t，r，b)，其在有效人臉圖像上的四個(gè)方向邊緣坐標(biāo)分別為左 邊緣橫坐標(biāo)1，上邊緣縱坐標(biāo)t，右邊緣橫坐標(biāo)r，下邊緣縱坐標(biāo)b，則LBP直方圖特征可以通 過以下公式計(jì)算獲得
= Z /(丄朋(乂, 0 == /), / = 0，…,W -1
k y幼 其中/(v4)二
1,」^ /,"e
N為LBP特征的最大取值數(shù)，對于3 X 3鄰域而言，
0, J & 々/se
為N = 23X3—1 = 28 = 256。 以64X64的人臉樣本為例，在進(jìn)行直方圖均衡化后，將其等分為2 X 2 = 4個(gè)子區(qū) 域，這樣每個(gè)子區(qū)域的大小為32 X 32，在提取特征時(shí)，就可以分別提取4個(gè)子區(qū)域的256維 灰度特征。 本方案采用的LBP直方圖特征相對LBP特征本身，對于眼睛定位等人臉樣本圖像 預(yù)處理步驟所造成的誤差更加魯棒；再者，每個(gè)子區(qū)域中的LBP直方圖特征可以通過積分 圖像很快地求得，從而大大提高了分類器的訓(xùn)練速度。 上述LBP特征是在樣本灰度圖像上進(jìn)行計(jì)算的，此外，還可以首先計(jì)算樣本灰度 圖像的Gabor特征，得到樣本的一個(gè)尺度， 一個(gè)方向的gabor特征，然后，計(jì)算Gabor特征圖 像上的LBP特征，本發(fā)明稱此特征為Gabor-LBP特征。Gabor特征也可以采用多個(gè)尺度，多 個(gè)方向的定義，比如可以采用5個(gè)尺度，8個(gè)方向的Gabor特征。即作為本發(fā)明的另一種實(shí) 施例，還可以采用Gabor-LBP特征作為紋理特征訓(xùn)練得到子區(qū)域的訓(xùn)練模型，進(jìn)而構(gòu)造人 臉認(rèn)證模型。 方案三、采用主成分分析(PCA， Principal Component Analysis,)方法將高維圖 像空間壓縮至N-c (N為訓(xùn)練樣本數(shù)，c為樣本類別數(shù))維PCA子空間，具體可以通過以下子 步驟實(shí)現(xiàn) 子步驟Dl、對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化；
子步驟D2、針對所有人臉樣本，根據(jù)灰度特征構(gòu)造協(xié)方差矩陣，從而得到特征基；
子步驟D3、分別將每個(gè)人臉樣本映射到所述特征基，從而獲得人臉特征。
作為一種典型的子空間方法，PCA通過線性變換尋找一組最優(yōu)的標(biāo)準(zhǔn)正交向量基，用它們的線性組合來重建原始樣本，并使重建后的樣本和原始樣本在均方意義下的重構(gòu)誤 差最小。 在具體實(shí)現(xiàn)中，對協(xié)方差矩陣進(jìn)行特征分解，取其前N-c個(gè)最大特征值所對應(yīng)的 特征向量巧，^，... ，^-。作為特征基。進(jìn)而將人臉樣本映射到N-c維PCA子空間，映射公式 可以為Y = WTX，其中，W = (Wl， w2， . . . ， wN—。) ， X為原始樣本矩陣，Y為重建后的樣本矩陣。
由于PCA對特征值的重要性進(jìn)行排序，根據(jù)需要取前面最重要的部分，將后面的 維數(shù)省去，因此可以達(dá)到降維從而簡化模型的效果。同時(shí)最大程度的保持了原有數(shù)據(jù)的信 息。 步驟104、基于所述人臉特征，建立判別子空間；在實(shí)際應(yīng)用中，可以采用線性判別分析(LDA， Linear DiscriminantAnalysis)方 法，來獲得判別子空間。其基本思想是選擇使得Fisher準(zhǔn)則函數(shù)達(dá)到極值的向量作為最優(yōu) 投影方向，使得樣本在該方向投影后，達(dá)到最大的類間離散度和最小的類內(nèi)離散度。
假設(shè)步驟103采用方案三得到N-c維PCA子空間，則在所述子空間內(nèi)，設(shè)&和5 分
別表示類間離散矩陣和類內(nèi)離散矩陣，若5V非奇異，則采用Fisher線性判別分析的方法確 定c-l個(gè)鑒別向量Vl， v2， . . . ， v?！猵從而得到c-1維判別子空間V = Vl， v2， . . . ， 、—lt)
此外，對于本發(fā)明來說，F(xiàn)isher判別分析涉及到的是真臉以及各類假臉的c類(c >2)問題。在這種情況下，可以有三種判別方法。第一種方法采用一對多策略，將c類問 題分解為c個(gè)兩兩分類問題(僅判斷屬于該類或不屬于該類)；第二種方法采用一對一策 略，即將c類問題分解為c(c-l)/2個(gè)兩類問題；第三種方法則采用判別函數(shù)的方法直接向 c-l維空間投影。本領(lǐng)域技術(shù)人員可以根據(jù)具體情況選擇任一種判別方法，本發(fā)明對具體的 實(shí)現(xiàn)方法不加以限制。 上述LDA方法建立的判別子空間，可以對真臉樣本以及各類別假臉樣本進(jìn)行最 優(yōu)、最有效的分類。 可以理解，上述采用LDA建立判別子空間的方法只是作為示例，本領(lǐng)域技術(shù) 人員可以根據(jù)需要選擇其它子空間建立方法，例如，獨(dú)立成分分析(ICA， Ind印endent Component Analysis)、非負(fù)矩陣分析(NMF，Non-negativeMatrix Factorization)等，本發(fā) 明對具體的操作方法不加以限制。 步驟105、將每一個(gè)人臉樣本映射到所述判別子空間，獲得相應(yīng)的特征向量；
在得到具有可分性的判別子空間后，本步驟進(jìn)行第二次特征提取，具體而言，將降 維后的真臉樣本和假臉樣本投影至判別子空間，獲得相應(yīng)的特征向量。例如，投影公式可以 為Z = VTY，其中，Y為步驟103得到的重建后的樣本矩陣，V為步驟104得到的判別子空 間，Z為映射得到的特征向量。 步驟106、依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分類器。
本步驟是在所述人臉特征向量基礎(chǔ)上訓(xùn)練得到作為人臉檢測器補(bǔ)充的假臉模型。 所述假臉模型用于對人臉檢測出的"人臉"進(jìn)行進(jìn)一步的檢測，判斷其是真臉還是假臉。
在本發(fā)明實(shí)施例中，通過將人臉檢測出的真臉樣本映射得到的特征向量作為訓(xùn)練 的反樣本特征，將人臉檢測出的各種類別的假臉樣本映射得到的特征向量作為訓(xùn)練的正樣 本特征，構(gòu)造一個(gè)具有判別能力的假臉模型。 在眾多機(jī)器學(xué)習(xí)方法中，支持向量機(jī)(SVM，Support Vector Machine)是一種使得
12分類結(jié)構(gòu)化誤差最小的分類器構(gòu)造方法，是一種具有更好推廣性的分類器構(gòu)造方法。因而， 本發(fā)明優(yōu)選采用支持向量機(jī)作為兩類分類器來構(gòu)造所述假臉模型，所述構(gòu)造假臉模型的步 驟可以通過以下子步驟來實(shí)現(xiàn) 子步驟E1、按照學(xué)習(xí)能力對人臉樣本及特征向量組成的訓(xùn)練數(shù)據(jù)進(jìn)行分組；
子步驟E2、針對當(dāng)前組訓(xùn)練數(shù)據(jù)，訓(xùn)練獲得相應(yīng)的分類器，依據(jù)所述分類器計(jì)算得 到錯(cuò)分樣本集，并判斷當(dāng)前組訓(xùn)練數(shù)據(jù)是否為最后一組訓(xùn)練數(shù)據(jù)，若是，則判斷當(dāng)前分類器
的分類錯(cuò)誤率是否在預(yù)置范圍內(nèi)，若是，則結(jié)束本次操作，否則從第一組數(shù)據(jù)開始訓(xùn)練；
否則，依據(jù)所述錯(cuò)分樣本集更新當(dāng)前組訓(xùn)練數(shù)組，并進(jìn)行下一組訓(xùn)練。
例如， 一種SVM算法的分類器構(gòu)造過程如下 ①按照學(xué)習(xí)能力將人臉樣本及特征向量組成的訓(xùn)練數(shù)據(jù)分成n組^V
w2，…wn; ②i = l，訓(xùn)練第^組數(shù)據(jù)獲得分類器①i以及支持向量g ;
③計(jì)算①i(^)，得到錯(cuò)誤分類的樣本集Qi， 如果i 二n，計(jì)算On(Wk)，k= 1，2，...，n，若分類錯(cuò)誤率〈0.05，則結(jié)束本次操 作，否則，轉(zhuǎn)到④；
否則，若
< n，則令甲,=(J Q, U ^ ， i = i+l，并轉(zhuǎn)②；
④令= On， i = 1，并轉(zhuǎn)到②。
采用上述步驟最終得到的SVM形式為/(x)^Z乂a,i:(x,Xi)，其中，
n為支持向
量的個(gè)數(shù)，a i， yi分別代表第i個(gè)支持向量Xi對應(yīng)的權(quán)值和對應(yīng)類別的標(biāo)識(對于兩類問
題，為+1或者-1) ， K (x， Xi)為核函數(shù)，常采用如下類型 1)線性函數(shù)(DOT) :K(x， x' ) = x x' 2)多項(xiàng)式(Polynomial) :K(x， x' ) = (x x' +l)p 3)高斯核函 數(shù)(RBF， GaussianRadial Basis Function):
《(x,x') = exp
x — x
，其中參數(shù)P， o預(yù)先給定。 可以理解，上述采用SVM方法構(gòu)造分類器的方式只是作為示例，本領(lǐng)域技術(shù)人員 可以根據(jù)具體情形采用其它統(tǒng)計(jì)學(xué)習(xí)方法，例如，Adaboost方法等，本發(fā)明對具體的統(tǒng)計(jì)學(xué) 習(xí)方法不加以限制。 參考圖4，示出了本發(fā)明一種假臉檢測方法實(shí)施例的流程圖，具體可以包括 步驟401、獲得人臉檢測后的人臉圖像； 步驟402、根據(jù)假臉模型對所述人臉圖像進(jìn)行檢測； 在具體實(shí)現(xiàn)中，所述假臉模型可以通過以下訓(xùn)練步驟獲得 步驟Fl 、獲得人臉檢測后的人臉樣本，所述人臉樣本包括真臉樣本和假臉樣本； 步驟F2、對所述人臉樣本中的假臉樣本進(jìn)行分類； 步驟F3、提取真臉樣本以及各類別假臉樣本的人臉特征； 步驟F4、基于所述人臉特征，建立判別子空間，得到相應(yīng)的投影矩陣； 步驟F5、將每一個(gè)人臉樣本通過所述投影矩陣映射到判別子空間，獲得相應(yīng)的特
13CN
征向量； 步驟F6、依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分類器。
對于上述訓(xùn)練步驟而言，由于其與圖1所示的訓(xùn)練方法實(shí)施例的實(shí)現(xiàn)過程相似， 這里就不一一贅述。由于訓(xùn)練時(shí)采用兩次特征提取，具體而言，通過第一次特征提取，對人 臉樣本進(jìn)行降維，獲得人臉特征，并在此基礎(chǔ)上建立判別子空間；通過第二次特征提取，將 人臉樣本映射到子空間，獲得具有判別信息的人臉特征向量。這樣，訓(xùn)練獲得的假臉模型為 依據(jù)人臉樣本和判別子空間訓(xùn)練獲得的分類器，那么在檢測時(shí)，可以首先將降維后的人臉 圖像映射到與訓(xùn)練相同的判別子空間，得到獲得特征向量，然后利用所述分類器對所述人 臉圖像的特征向量進(jìn)行檢測，所述檢測的過程具體可以包括 步驟421、將提取特征后的人臉圖像映射到所述判別子空間，獲得特征向量；
這里的提取特征也即對待檢測人臉圖像進(jìn)行第一次特征提取，獲得特征向量也即 對所述人臉圖像進(jìn)行第二次特征提取。為提高檢測準(zhǔn)確率，本實(shí)施例采用與訓(xùn)練步驟相同 的特征提取方法，具體地，第一次特征提取采用與訓(xùn)練步驟相同的三種方案中的一種，以 及，在第二次特征提取時(shí)，采用同樣的映射方法將降維后的人臉圖像投影至判別子空間。
步驟422、將所述特征向量輸入到所述假臉模型中，輸出檢測結(jié)果。
在檢測時(shí)，可以首先將步驟421提取的紋理特征作為該假臉模型的輸入特征向量 Z，得到假臉判別器的數(shù)值； 然后根據(jù)該數(shù)值對所述人臉圖像進(jìn)行判別，若該數(shù)值^ l，則輸出的檢測結(jié)果為假 臉； 若該數(shù)值《-l，則輸出的檢測結(jié)果為真臉； 若-1 <該數(shù)值< 1，計(jì)算該數(shù)值的假臉置信值，若所述假臉置信值>預(yù)設(shè)置信值， 則輸出的檢測結(jié)果為假臉，若所述假臉置信值《預(yù)設(shè)置信值，則輸出的檢測結(jié)果為真臉。
例如，訓(xùn)練步驟采用SVM方法，最終得到待認(rèn)證用戶的人臉模型為
/0)-t乂w,《(z，^) + 6 ，其中，n代表樣本類別數(shù)，Zi為某類別一樣本的特征向量，yi為該
樣本所屬的樣本類別，b為分類閾值，a i為訓(xùn)練得到的最優(yōu)分類參數(shù)。那么，判別過程可以 為 ①若f (Z) > l，則判別所述人臉圖像為假臉；
②若f (Z)《-l，則判別所述人臉圖像為真臉； ③若-Kf(Z) <1，則設(shè)定假臉置信函數(shù)^(2) = ^^"00% ,根據(jù)計(jì)算得到 的假臉置信值，判別所述人臉圖像的檢測結(jié)果。 所述判別操作可以為，判斷所述假臉置信值是否大于預(yù)設(shè)置信值，若是，則判別所 述人臉圖像為假臉；否則判別所述人臉圖像為真臉。在實(shí)際中，所述預(yù)設(shè)置信值可通過樣本 測試得到，或者根據(jù)經(jīng)驗(yàn)值確定，本發(fā)明對此不加以限制。 對于檢測方法實(shí)施例而言，由于其訓(xùn)練步驟與圖1所示的訓(xùn)練方法實(shí)施例基本相
似，所以描述的比較簡單，相關(guān)之處參見訓(xùn)練方法實(shí)施例的部分說明即可。 需要說明的是，對于方法實(shí)施例，為了簡單描述，故將其都表述為一系列的動(dòng)作組
合，但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本發(fā)明并不受所描述的動(dòng)作順序的限制，因?yàn)橐罁?jù)本發(fā)
14明，某些步驟可以采用其他順序或者同時(shí)進(jìn)行。其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，說明書中所描述的實(shí)施例均屬于優(yōu)選實(shí)施例，所涉及的動(dòng)作和模塊并不一定是本發(fā)明所必須的。
參考圖5，示出了本發(fā)明一種假臉模型訓(xùn)練系統(tǒng)實(shí)施例的結(jié)構(gòu)圖，具體可以包括
樣本獲取模塊501，用于獲得人臉檢測后的人臉樣本，所述人臉樣本包括真臉樣本和假臉樣本； 分類模塊502，用于對所述人臉樣本中的假臉樣本進(jìn)行分類； 特征提取模塊503，用于提取真臉樣本以及各類別假臉樣本的人臉特征； 子空間建立模塊504，用于基于所述人臉特征，建立判別子空間； 特征向量獲取模塊505，用于將每一個(gè)人臉樣本映射到所述判別子空間，獲得相應(yīng)
的特征向量； 訓(xùn)練模塊506，用于依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分類器。 對應(yīng)于直接提取人臉樣本灰度特征的情形，所述特征提取模塊可以進(jìn)一步包括
第一直方圖均衡化單元，用于對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化； 第一子區(qū)域劃分單元，用于將每個(gè)人臉樣本等分為多個(gè)子區(qū)域； 灰度特征提取單元，用于分別提取所述子區(qū)域的灰度特征。
對應(yīng)于提取人臉樣本紋理特征的情形，所述特征提取模塊具體可以包括 第二直方圖均衡化單元，用于對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡
化； 第二子區(qū)域劃分單元，用于將每個(gè)人臉樣本等分為多個(gè)子區(qū)域； LBP直方圖特征提取單元，用于分別提取中所述子區(qū)域的紋理特征。 對應(yīng)于采用PCA方法將高維圖像空間壓縮至低維PCA子空間的情形，所述特征提
取模塊可以包括以下單元 第三直方圖均衡化單元，用于對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化； 特征基獲取單元，用于針對所有人臉樣本，根據(jù)灰度特征構(gòu)造協(xié)方差矩陣，從而得到特征基； 映射單元，用于分別將每個(gè)人臉樣本映射到所述特征基，從而獲得人臉特征。
對于系統(tǒng)實(shí)施例而言，由于其與圖1所示的方法實(shí)施例基本相似，所以描述的比較簡單，相關(guān)之處參見系統(tǒng)實(shí)施例的部分說明即可。 參考圖6，示出了本發(fā)明一種人臉檢測系統(tǒng)實(shí)施例的結(jié)構(gòu)圖，具體可以包括
圖像獲取模塊601，用于獲得人臉檢測后的人臉圖像； 檢測模塊602，用于根據(jù)假臉模型對所述人臉圖像進(jìn)行檢測，所述假臉模型為基于特征向量的分類器； 為很好地利用所述假臉模型對人臉圖像進(jìn)行檢測，所述檢測模塊602可以進(jìn)一步包括 特征向量獲取單元621，用于將所述人臉圖像的表示向量映射到判別子空間，獲得特征向量，所述表示向量為針對所述人臉圖像進(jìn)行特征提取獲得，所述判別子空間是依據(jù)包括真假臉的人臉樣本的人臉特征建立的； 檢測單元622，用于將所述特征向量輸入到所述假臉模型中，輸出檢測結(jié)果。 在實(shí)際應(yīng)用中，所述檢測單元622的功能可以通過以下子單元來實(shí)現(xiàn) 數(shù)值獲取子單元，用于將所述特征向量輸入到所述假臉模型中，得到假臉判別器
的數(shù)值； 判別子單元，用于對該數(shù)值進(jìn)行判別分析，并在該數(shù)值^ 1時(shí)，輸出的檢測結(jié)果為假臉；在該數(shù)值《-1時(shí)，輸出的檢測結(jié)果為真臉；；在_1 <該數(shù)值< 1時(shí)，計(jì)算該數(shù)值的假臉置信值，若所述假臉置信值>預(yù)設(shè)置信值，則輸出的檢測結(jié)果為假臉，若所述假臉置信值《預(yù)設(shè)置信值，則輸出的檢測結(jié)果為真臉。 在本發(fā)明的一種優(yōu)選實(shí)施例中，所述系統(tǒng)還可以包括預(yù)處理模塊603，所述預(yù)處理模塊具體可以包括以下單元 眼睛定位單元631，用于對所述人臉檢測后的人臉圖像進(jìn)行眼睛定位，得到眼睛位置； 歸一化單元632，用于根據(jù)所述眼睛位置，對所述人臉圖像進(jìn)行歸一化操作； 割取單元633，用于從所述歸一化后的人臉圖像中割取預(yù)設(shè)大小的圖像。 對于系統(tǒng)實(shí)施例而言，由于其與圖4所示的方法實(shí)施例基本相似，所以描述的比
較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。 以上對本發(fā)明所提供的一種假臉檢測方法及系統(tǒng)、一種假臉模型訓(xùn)練方法及系統(tǒng)進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式
及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。
1權(quán)利要求
一種假臉檢測方法，其特征在于，包括獲得人臉檢測后的人臉圖像；根據(jù)假臉模型對所述人臉圖像進(jìn)行檢測，所述假臉模型為基于特征向量的分類器；其中，所述檢測的過程包括將所述人臉圖像的表示向量映射到判別子空間，獲得特征向量，所述表示向量為針對所述人臉圖像進(jìn)行特征提取獲得，所述判別子空間是依據(jù)包括真假臉的人臉樣本的人臉特征建立的；將所述特征向量輸入到所述假臉模型中，輸出檢測結(jié)果。
2. 如權(quán)利要求1所述的方法，其特征在于，在根據(jù)假臉模型對所述人臉圖像進(jìn)行檢測 的步驟前，還包括對所述人臉檢測后的人臉圖像進(jìn)行眼睛定位，得到眼睛位置； 根據(jù)所述眼睛位置，對所述人臉圖像進(jìn)行歸一化操作； 從所述歸一化后的人臉圖像中割取預(yù)設(shè)大小的圖像。
3. 如權(quán)利要求1所述的方法，其特征在于，所述假臉模型為通過以下步驟獲得的假臉 模型獲得人臉檢測后的人臉樣本，所述人臉樣本包括真臉樣本和假臉樣本； 對所述人臉樣本中的假臉樣本進(jìn)行分類； 提取真臉樣本以及各類別假臉樣本的人臉特征； 基于所述人臉特征，建立判別子空間，得到相應(yīng)的投影矩陣；將每一個(gè)人臉樣本通過所述投影矩陣映射到判別子空間，獲得相應(yīng)的特征向量； 依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分類器。
4. 如權(quán)利要求1所述的方法，其特征在于，所述將所述特征向量輸入到所述假臉模型 中，輸出檢測結(jié)果的步驟包括將所述特征向量輸入到所述假臉模型中，得到假臉判別器的數(shù)值； 對該數(shù)值進(jìn)行判別分析，若該數(shù)值^ l，則輸出的檢測結(jié)果為假臉； 若該數(shù)值《-l，則輸出的檢測結(jié)果為真臉；若-1 <該數(shù)值< 1，計(jì)算該數(shù)值的假臉置信值，若所述假臉置信值>預(yù)設(shè)置信值，則輸 出的檢測結(jié)果為假臉，若所述假臉置信值《預(yù)設(shè)置信值，則輸出的檢測結(jié)果為真臉。
5. —種假臉模型訓(xùn)練的方法，其特征在于，包括獲得人臉檢測后的人臉樣本，所述人臉樣本包括真臉樣本和假臉樣本； 對所述人臉樣本中的假臉樣本進(jìn)行分類； 提取真臉樣本以及各類別假臉樣本的人臉特征； 基于所述人臉特征，建立判別子空間；將每一個(gè)人臉樣本映射到所述判別子空間，獲得相應(yīng)的特征向量； 依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分類器。
6. 如權(quán)利要求5所述的方法，其特征在于，所述提取真臉樣本以及各類別假臉樣本的人臉特征的步驟包括對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化；將每個(gè)人臉樣本等分為多個(gè)子區(qū)域；分別提取所述子區(qū)域的灰度特征。
7. 如權(quán)利要求5所述的方法，其特征在于，所述提取真臉樣本以及各類別假臉樣本的 人臉特征的步驟包括對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化；將每個(gè)人臉樣本等分為多個(gè)子區(qū)域； 分別提取中所述子區(qū)域的紋理特征。
8. 如權(quán)利要求5所述的方法，其特征在于，所述提取真臉樣本以及各類別假臉樣本的人臉特征的步驟包括對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化；針對所有人臉樣本，根據(jù)灰度特征構(gòu)造協(xié)方差矩陣，從而得到特征基； 分別將每個(gè)人臉樣本映射到所述特征基，從而獲得人臉特征。
9. 如權(quán)利要求5所述的方法，其特征在于，所述依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn) 練，得到作為假臉模型的分類器的步驟包括按照學(xué)習(xí)能力對人臉樣本及特征向量組成的訓(xùn)練數(shù)據(jù)進(jìn)行分組；針對當(dāng)前組訓(xùn)練數(shù)據(jù)，訓(xùn)練獲得相應(yīng)的分類器，依據(jù)所述分類器計(jì)算得到錯(cuò)分樣本集， 并判斷當(dāng)前組訓(xùn)練數(shù)據(jù)是否為最后一組訓(xùn)練數(shù)據(jù)，若是，則判斷當(dāng)前分類器的分類錯(cuò)誤率 是否在預(yù)置范圍內(nèi)，若是，則結(jié)束本次操作，否則從第一組數(shù)據(jù)開始訓(xùn)練；否則，依據(jù)所述錯(cuò)分樣本集更新當(dāng)前組訓(xùn)練數(shù)組，并進(jìn)行下一組訓(xùn)練。
10. 如權(quán)利要求5所述的方法，其特征在于，對所述人臉樣本中的假臉樣本進(jìn)行分類的 步驟前，還包括對所述人臉樣本進(jìn)行眼睛定位，得到眼睛位置； 根據(jù)所述眼睛位置，對所述人臉樣本進(jìn)行歸一化操作； 從所述歸一化后的人臉樣本中割取預(yù)設(shè)大小的圖像。
11. 一種假臉檢測系統(tǒng)，其特征在于，包括 圖像獲取模塊，用于獲得人臉檢測后的人臉圖像；檢測模塊，用于根據(jù)假臉模型對所述人臉圖像進(jìn)行檢測，所述假臉模型為基于特征向 量的分類器；其中，所述檢測模塊包括特征向量獲取單元，用于將所述人臉圖像的表示向量映射到判別子空間，獲得特征向 量，所述表示向量為針對所述人臉圖像進(jìn)行特征提取獲得，所述判別子空間是依據(jù)包括真 假臉的人臉樣本的人臉特征建立的；檢測單元，用于將所述特征向量輸入到所述假臉模型中，輸出檢測結(jié)果。
12. 如權(quán)利要求11所述的系統(tǒng)，其特征在于，還包括預(yù)處理模塊，所述預(yù)處理模塊包括眼睛定位單元，用于對所述人臉檢測后的人臉圖像進(jìn)行眼睛定位，得到眼睛位置； 歸一化單元，用于根據(jù)所述眼睛位置，對所述人臉圖像進(jìn)行歸一化操作； 割取單元，用于從所述歸一化后的人臉圖像中割取預(yù)設(shè)大小的圖像。
13. 如權(quán)利要求11所述的系統(tǒng)，其特征在于，所述檢測單元包括數(shù)值獲取子單元，用于將所述特征向量輸入到所述假臉模型中，得到假臉判別器的數(shù)值；判別子單元，用于對該數(shù)值進(jìn)行判別分析，并在該數(shù)值^ 1時(shí)，輸出的檢測結(jié)果為假 臉；在該數(shù)值《-I時(shí)，輸出的檢測結(jié)果為真臉；在-l <該數(shù)值< 1時(shí)，計(jì)算該數(shù)值的假臉置 信值，若所述假臉置信值>預(yù)設(shè)置信值，則輸出的檢測結(jié)果為假臉，若所述假臉置信值《預(yù) 設(shè)置信值，則輸出的檢測結(jié)果為真臉。
14. 一種假臉模型訓(xùn)練系統(tǒng)，其特征在于，包括樣本獲取模塊，用于獲得人臉檢測后的人臉樣本，所述人臉樣本包括真臉樣本和假臉 樣本；分類模塊，用于對所述人臉樣本中的假臉樣本進(jìn)行分類； 特征提取模塊，用于提取真臉樣本以及各類別假臉樣本的人臉特征； 子空間建立模塊，用于基于所述人臉特征，建立判別子空間；特征向量獲取模塊，用于將每一個(gè)人臉樣本映射到所述判別子空間，獲得相應(yīng)的特征 向量；訓(xùn)練模塊，用于依據(jù)所述特征向量對人臉樣本進(jìn)行訓(xùn)練，得到作為假臉模型的分類器。
15. 如權(quán)利要求14所述的系統(tǒng)，其特征在于，所述特征提取模塊包括 第一直方圖均衡化單元，用于對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化； 第一子區(qū)域劃分單元，用于將每個(gè)人臉樣本等分為多個(gè)子區(qū)域； 灰度特征提取單元，用于分別提取所述子區(qū)域的灰度特征。
16. 如權(quán)利要求14所述的系統(tǒng)，其特征在于，所述特征提取模塊包括 第二直方圖均衡化單元，用于對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化； 第二子區(qū)域劃分單元，用于將每個(gè)人臉樣本等分為多個(gè)子區(qū)域；LBP直方圖特征提取單元，用于分別提取中所述子區(qū)域的紋理特征。
17. 如權(quán)利要求14所述的系統(tǒng)，其特征在于，所述特征提取模塊包括 第三直方圖均衡化單元，用于對真臉樣本以及各類別假臉樣本進(jìn)行直方圖均衡化； 特征基獲取單元，用于針對所有人臉樣本，根據(jù)灰度特征構(gòu)造協(xié)方差矩陣，從而得到特征基；映射單元，用于分別將每個(gè)人臉樣本映射到所述特征基，從而獲得人臉特征。
全文摘要
本發(fā)明提供了一種假臉檢測方法及系統(tǒng)、一種假臉模型訓(xùn)練方法及系統(tǒng)，其中的假臉檢測方法包括獲得人臉檢測后的人臉圖像；根據(jù)假臉模型對所述人臉圖像進(jìn)行檢測，所述假臉模型為基于特征向量的分類器；其中，所述檢測的過程包括將所述人臉圖像的表示向量映射到判別子空間，獲得特征向量，所述表示向量為針對所述人臉圖像進(jìn)行特征提取獲得，所述判別子空間是依據(jù)包括真假臉的人臉樣本的人臉特征建立的；將所述特征向量輸入到所述假臉模型中，輸出檢測結(jié)果。本發(fā)明用以剔除經(jīng)過人臉檢測算法檢測出的大量假臉，從而為后續(xù)的人臉識別提供合格的人臉圖像。
文檔編號G06K9/00GK101739555SQ200910241409
公開日2010年6月16日 申請日期2009年12月1日 優(yōu)先權(quán)日2009年12月1日
發(fā)明者崔國勤 申請人:北京中星微電子有限公司