基于眼部信息的活體人臉檢測(cè)方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及生物特征識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于眼部信息的活體人臉檢測(cè)方法及裝置。
【背景技術(shù)】
[0002]目前，生物特征已經(jīng)應(yīng)用到了門禁系統(tǒng)、公安機(jī)關(guān)偵查、用戶密碼等方面。近年來(lái)，在人臉識(shí)別系統(tǒng)中活體檢測(cè)技術(shù)已經(jīng)顯得非常重要，也在學(xué)術(shù)界掀起了一股熱潮。
[0003]活體人臉檢測(cè)，即檢測(cè)一張圖片或視頻是真人還是假臉。人臉識(shí)別的算法在近些年取得了突飛猛進(jìn)的進(jìn)步，現(xiàn)有的活體檢測(cè)方法主要判斷人臉是否有生理活動(dòng)。由于視頻欺騙也有生理活動(dòng)、檢測(cè)復(fù)雜度高等多種弊端，人臉識(shí)別中，有人冒用照片、視頻或者人臉面具替代真人欺騙人臉識(shí)別系統(tǒng)。網(wǎng)絡(luò)認(rèn)證和社保、銀行等領(lǐng)域應(yīng)用人臉識(shí)別后，識(shí)假問(wèn)題成為一個(gè)必須解決的關(guān)鍵問(wèn)題，而現(xiàn)有安防系統(tǒng)中的人臉識(shí)別算法對(duì)于活體人臉檢測(cè)問(wèn)題并未過(guò)多考慮。
[0004]目前有各種活體人臉檢測(cè)算法，不同算法各有利弊。按照數(shù)據(jù)來(lái)源分，有基于單張圖片的方法、基于連續(xù)視頻的方法和基于特殊設(shè)備的方法。
[0005]其中，基于單張圖片的方法可實(shí)現(xiàn)性較強(qiáng)，可同時(shí)用于單張圖像或圖像序列；但缺點(diǎn)是無(wú)法利用連續(xù)圖像序列的信息，檢測(cè)潛力稍差。這類方法中較為成熟的算法有三個(gè)，分別是基于頻譜的特征、基于紋理的特征和基于高斯差分(Difference of Gaussian，簡(jiǎn)稱DoG)和局部二值模式(Local Binary Patterns，簡(jiǎn)稱LBP)的特征組合。
[0006]基于視頻序列的方法利用各幀圖像的相關(guān)性信息，更不易被欺騙，但算法較為復(fù)雜，有時(shí)需要人機(jī)交互。這類方法中較為成熟的算法有，基于光流法的算法和基于光流方向直方圖的算法，基于光流法的算法未引入機(jī)器學(xué)習(xí)，直接根據(jù)光流場(chǎng)計(jì)算置信度，效果不理雄
vQjN Ο
[0007]基于多膜態(tài)活體檢測(cè)技術(shù)有效地克服單張圖片或者視頻序列帶來(lái)的不足。如果單純地依靠獲取圖像來(lái)進(jìn)行活體檢測(cè)，潛在的安全隱患較為明顯。由于人在發(fā)音時(shí)嘴唇會(huì)跟隨語(yǔ)音發(fā)生一系列的相關(guān)活動(dòng)，這些活動(dòng)表現(xiàn)在視頻序列中，在現(xiàn)有技術(shù)中已經(jīng)關(guān)注到了這一點(diǎn)，并研究了相關(guān)肌肉，關(guān)節(jié)，牙齒的活動(dòng)。在多膜態(tài)活體檢測(cè)中可以抽取這些信息，并結(jié)合語(yǔ)音的信息特征聯(lián)合進(jìn)行認(rèn)證，大大增加了欺騙的難度。但是，要準(zhǔn)確地跟蹤和分割出嘴唇的具體位置是一個(gè)相當(dāng)有難度的課題，值得學(xué)者深入研究。
[0008]鑒于此，如何提供一種復(fù)雜度低、魯棒性強(qiáng)的活體人臉檢測(cè)方法及裝置成為目前需要解決的技術(shù)問(wèn)題。

【發(fā)明內(nèi)容】

[0009]為解決上述的技術(shù)問(wèn)題，本發(fā)明提供一種基于眼部信息的活體人臉檢測(cè)方法及裝置，能夠檢測(cè)人臉是否為活體，復(fù)雜度低、硬件要求低、適應(yīng)復(fù)雜多變的顯示環(huán)境、不需要人主動(dòng)配合、魯棒性強(qiáng)。
[0010]第一方面，本發(fā)明提供一種基于眼部信息的活體人臉檢測(cè)方法，包括:
[0011]獲取待檢測(cè)的人臉圖像序列；
[0012]對(duì)所述人臉圖像序列進(jìn)行光流場(chǎng)估計(jì)，并獲取所述人臉圖像序列中人臉的眼睛區(qū)域；
[0013]確定所述人臉圖像序列中各幀人臉的眼睛區(qū)域各像素的光流，判斷所述各幀人臉的眼睛區(qū)域各像素的光流是否一致，若不一致，則確定活體人臉檢測(cè)第一結(jié)果為活體，若一致，則確定活體人臉檢測(cè)第一結(jié)果為假體；
[0014]計(jì)算所述人臉圖像序列中各幀眼睛區(qū)域圖像之間的漢明距離，根據(jù)所述漢明距離確定活體分?jǐn)?shù)，所述活體分?jǐn)?shù)反映眼睛在所述人臉圖像序列中變化的程度，將所述活體分?jǐn)?shù)與預(yù)設(shè)閾值進(jìn)行比較，若所述活體分?jǐn)?shù)大于等于預(yù)設(shè)閾值，則確定活體人臉檢測(cè)第二結(jié)果為活體，若所述活體分?jǐn)?shù)小于預(yù)設(shè)閾值，則確定活體人臉檢測(cè)第二結(jié)果為假體；
[0015]判斷所述人臉圖像序列中是否存在眨眼動(dòng)作，若所述人臉圖像序列中存在眨眼動(dòng)作，則確定活體人臉檢測(cè)第三結(jié)果為活體，若所述人臉圖像序列中不存在眨眼動(dòng)作，則確定活體人臉檢測(cè)第三結(jié)果為假體；
[0016]將所述活體人臉檢測(cè)第一結(jié)果、所述活體人臉檢測(cè)第二結(jié)果和所述活體人臉檢測(cè)第三結(jié)果進(jìn)行融合，獲取最終活體人臉檢測(cè)結(jié)果。
[0017]可選地，所述獲取待檢測(cè)的人臉圖像序列，包括:
[0018]獲取攝像頭在該攝像頭下方設(shè)置的顯示屏顯示活動(dòng)圖像時(shí)在預(yù)設(shè)時(shí)長(zhǎng)內(nèi)所采集的人臉圖像序列。
[0019]可選地，所述獲取所述人臉圖像序列中人臉的眼睛區(qū)域，包括:
[0020]利用Gabor特征和SVM分類器，獲取所述人臉圖像序列中人臉的眼睛區(qū)域。
[0021]可選地，所述計(jì)算所述人臉圖像序列中各幀眼睛區(qū)域圖像之間的漢明距離，包括:
[0022]將所述人臉圖像序列中各幀的人臉區(qū)域圖像進(jìn)行歸一化；
[0023]將歸一化后各幀人臉區(qū)域圖像中的眼睛區(qū)域圖像進(jìn)行二值化；
[0024]計(jì)算二值化后各幀眼睛區(qū)域圖像之間的漢明距離。
[0025]可選地，所述判斷所述人臉圖像序列中是否存在眨眼動(dòng)作，包括:
[0026]采用分類器判斷所述人臉圖像序列中各幀圖像是睜眼還是閉眼，并通過(guò)條件隨機(jī)場(chǎng)判斷所述人臉圖像序列中是否存在眨眼動(dòng)作。
[0027]可選地，所述將所述活體人臉檢測(cè)第一結(jié)果、所述活體人臉檢測(cè)第二結(jié)果和所述活體人臉檢測(cè)第三結(jié)果進(jìn)行融合，獲取最終活體人臉檢測(cè)結(jié)果，包括:
[0028]采用投票策略，將所述活體人臉檢測(cè)第一結(jié)果、所述活體人臉檢測(cè)第二結(jié)果和所述活體人臉檢測(cè)第三結(jié)果進(jìn)行融合，獲取最終活體人臉檢測(cè)結(jié)果。
[0029]可選地，所述將所述活體人臉檢測(cè)第一結(jié)果、所述活體人臉檢測(cè)第二結(jié)果和所述活體人臉檢測(cè)第三結(jié)果進(jìn)行融合，獲取最終活體人臉檢測(cè)結(jié)果，包括:
[0030]采用度量學(xué)習(xí)metric learning策略，通過(guò)學(xué)習(xí)一個(gè)判別函數(shù)，將所述活體人臉檢測(cè)第一結(jié)果、所述活體人臉檢測(cè)第二結(jié)果和所述活體人臉檢測(cè)第三結(jié)果加以整合，得到最終活體人臉檢測(cè)結(jié)果，并學(xué)習(xí)到所述活體人臉檢測(cè)第一結(jié)果、所述活體人臉檢測(cè)第二結(jié)果和所述活體人臉檢測(cè)第三結(jié)果的不同權(quán)重。
[0031]第二方面，本發(fā)明提供一種基于眼部信息的活體人臉檢測(cè)裝置，包括:
[0032]圖像序列獲取模塊，用于獲取待檢測(cè)的人臉圖像序列；
[0033]眼睛區(qū)域獲取模塊，用于對(duì)所述人臉圖像序列進(jìn)行光流場(chǎng)估計(jì)，并獲取所述人臉圖像序列中人臉的眼睛區(qū)域；
[0034]中間結(jié)果獲取模塊，包括:第一結(jié)果獲取單元、第二結(jié)果獲取單元和第三結(jié)果獲取單元;
[0035]所述第一結(jié)果獲取單元，用于確定所述人臉圖像序列中各幀人臉的眼睛區(qū)域各像素的光流，判斷所述各幀人臉的眼睛區(qū)域各像素的光流是否一致，若不一致，則確定活體人臉檢測(cè)第一結(jié)果為活體，若一致，則確定活體人臉檢測(cè)第一結(jié)果為假體；
[0036]所述第二結(jié)果獲取單元，用于計(jì)算所述人臉圖像序列中各幀眼睛區(qū)域圖像之間的漢明距離，根據(jù)所述漢明距離確定活體分?jǐn)?shù)，所述活體分?jǐn)?shù)反映眼睛在所述人臉圖像序列中變化的程度，將所述活體分?jǐn)?shù)與預(yù)設(shè)閾值進(jìn)行比較，若所述活體分?jǐn)?shù)大于等于預(yù)設(shè)閾值，則確定活體人臉檢測(cè)第二結(jié)果為活體，若所述活體分?jǐn)?shù)小于預(yù)設(shè)閾值，則確定活體人臉檢測(cè)第二結(jié)果為假體；
[0037]所述第三結(jié)果獲取單元，用于判斷所述人臉圖像序列中是否存在眨眼動(dòng)作，若所述人臉圖像序列中存在眨眼動(dòng)作，則確定活體人臉檢測(cè)第三結(jié)果為活體，若所述人臉圖像序列中不存在眨眼動(dòng)作，則確定活體人臉檢測(cè)第三結(jié)果為假體；
[0038]最終結(jié)果獲取模塊，用于將所述活體人臉檢測(cè)第一結(jié)果、所述活體人臉檢測(cè)第二結(jié)果和所述活體人臉檢測(cè)第三結(jié)果進(jìn)行融合，獲取最終活體人臉檢測(cè)結(jié)果。
[0