基于svd-hmm活體人臉檢測方法
【技術領域】
[0001 ] 本發明設及一種人臉檢測方法，特別是一種基于SVD-HMM活體人臉檢測方法。
【背景技術】
[0002] 隨著生物特征識別技術手段的不斷更新，智能身份識別認證獲得了飛速發展。其 中人臉識別領域經過30多年的研發，諸多高效的人臉識別算法不斷出現，其中，基于人臉特 征點的識別算法、基于模板的識別算法等，在人臉識別速率和識別效能上都有較好的提升， 但研究者卻很少關注人臉圖像的來源是否真實可靠，偽造人臉的手段多種多樣，給人臉識 別應用帶來了不少的安全隱患，因而越來越多的學者致力于識別系統的安全性研究。
[0003] 在09年黑帽信息安全會議(Black化t)上，Duc Nguyen提出一張人臉并不一定是 所需要的安全密碼，僅僅使用一張打印的人臉照片即可代替活體人臉，雖然聯想、華碩和東 芝=大電腦制造商把人臉技術運用到實踐中，為客戶帶來更大的便利，但問題是運種技術 確實不能完全保障用戶安全。在谷歌公司發布AmlroicM.0后，為廣大機友帶來了通過人臉 識別解鎖手機的功能，但隨后一直就有用個人照片代替真人解鎖手機的報道，因而谷歌一 直在謹慎和保守使用人臉識別技術。要使人臉識別系統步入成熟，運類照片人臉代替真實 活體人臉的安全隱患必須得到解決。在現實應用場景中，人臉識別系統主要面臨的=種攻 擊類型：翻拍照片人臉攻擊，通過用戶的紙質照片或電子數碼照片代替用戶本人進行識別； 視頻人臉攻擊，通過錄制用戶的頭部運動，如巧眼、表情等，呈現高相似度的活動人臉圖像 帖；=維人臉模型攻擊，通過=維立體重建技術，構造真人=維人臉。其中獲取人臉照片的 操作簡單、便捷，給合法用戶帶來巨大的經濟財產損失，因而運種攻擊手段造成的安全隱患 首當其沖。
[0004] 近年來針對人臉活體檢測研究愈來愈多，在面部表情跟蹤、巧眼判別等活體特性 上研究檢測算法成為了熱點，隨后=星手機發布了必須巧眼才能解鎖的人臉識別系統。但 是運種依靠臉部運動來判斷是否為活體的方法，更容易被視頻中的連續人臉帖攻擊。因此， 對于攝像頭采集的單帖人臉圖像進行鑒別，成為更基礎、更有效的工作。
[0005] 小波變換是一種信號的時間一尺度或時間一頻率的分析方法，即在時域對信號進 行離散變換，在頻域進行譜分析的方法。它具有高分辨率的特點，而且在時、頻兩域都具有 表征信號局部特征的能力。它在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在 高頻部分具有較高的時間分辨率和較低的頻率分辨率，很適合于探測正常信號中夾帶的瞬 態反常現象，所W被譽為分析信號的顯微鏡和望遠鏡。
[0006] 本發明提出一種單帖人臉圖像下的活體檢測算法，在人臉高頻分量集中的關鍵部 位進行人臉區域分割，對分割塊進行=階小波分解，并且對重構系數矩陣進行奇異值分解， 利用低階近似原理構造觀察向量，W此設計5個狀態窗口的隱馬爾科夫模型，最終通過概率 匹配最優原則鑒別活體人臉。算法在NUAA人臉庫與自建的人臉庫上均做了驗證，效果較為 良好，能夠有效抵抗照片人臉，同時在安卓系統驗證了對視頻人臉攻擊同樣具有抵抗作用。

【發明內容】

[0007] 本發明所要解決的技術問題是提供一種能夠區分活體人臉與照片人臉的基于 SVD-HMM活體人臉檢測方法。
[0008] 本發明解決上述技術問題所采用的技術方案如下：
[0009] 基于SVD-HMM活體人臉檢測方法，包括如下步驟：
[0010] SI.分別將活體人臉照片和照片人臉照片均勻分割為24個分割塊，使得每個窗口 包含人臉關鍵部位；
[0011] S2.分別提取每個分割塊的小波系數矩陣A(m，n);
[0012] S3.對小波系數矩陣A(m，n)進行奇異值分解:A = UQyT,奇異值矩陣Q內的正實數入 為小波系數矩陣A(m，n)的奇異值，數值上是ATa或AAT的特征值的平方根；
[0013] S4.取每個分割塊的奇異值系數序列的最大值，即序列首值作為特征集合，第i個 分割塊的特征集合表示為Yi=[aji00Vi0iVii0Vm]T，i = l，2, . . .，24,j = l，2,3,00為低 頻值、Ol為水平方向、10為垂直方向、11為斜對角方向，每個分割塊分別提取10個最大奇異 值，24個分割塊共提取24個觀察向量；
[0014] S5.從第一個觀察向量開始依次取若干個相鄰分割塊的觀察向量作為一組子觀察 序列，共得到5個子觀察序列，運5個子觀察序列依次對應人臉的眉毛、眼睛、鼻子、嘴己、下 己5個部位；
[0015] S6.計算HMM模型的初始參數，其中初始狀態概率矩陣設定為n〇=[l，0,0,0,0]， 表示開始的狀態為1;概率轉移矩陣A的初始值由平均概率求出，若T為觀察序列的長度，貝U 得到A的矩陣如下，
[0016]
[
[
[0019] 其中禹,和藝7分別為高斯概率密度函數的均值和協方差矩陣，Oi指子觀察序列中 的元素值；
[0020] S7.用Viterbi分割取代均勻分割，重新初始化均值和協方差矩陣；
[0021] S8.利用EM算法對n，A，B運S個矩陣參數進行重新計算，迭代調整模型的參數得 到新模型A'= ( n '，A'，B'），當前后兩次迭代誤差小于1*1(T4時，表示已經收斂，否則繼續迭 代，直到P(〇 I V )達到最大值，得到最能表征觀察序列0的HMM模型M i) = ( ni，Ai，Bi) (i = 1， 2)，分別為活體人臉模型和照片人臉模型，其中，0指子觀察序列集，P指在模型A'下的子觀 察序列0出現的似然概率；
[0022] S9.將待識別的人臉照片同樣經過Sl至S5的處理，得到5個子觀察序列，然后分別 通過Viterbi算法計算每個模型產生5個子觀察序列的最大似然概率P(0' I AiKi = I,2)， max(P(0'|、））（i = l，2)取得最大值的，即為活體人臉。
[0023] 本發明提出了人臉圖像矩陣的奇異值分解(SVD)與隱馬爾科夫模型化MM)結合取 證方法。在人臉分割塊提取小波低頻系數和水平、垂直、對角高頻系數，得到的小波系數通 過稀疏分解降維構成24維觀察序列，最終生成隱馬爾科夫模型，確定假冒人臉隱藏狀態序 列，從而判定人臉圖像的真實性，算法有較好的照片人臉檢測效果。
[0024] 作為優選，步驟S8和步驟S9中，最大值指P(0 I A'）的最大值，即maxP(0 I A'），值為 0 ? 98 O
[0025] 作為優選，步驟Sl中，分別將活體人臉照片和照片人臉照片壓縮至128*128, W每 10行像素為子窗口、5行間距將人臉照片分割為24個分割塊，使得每個窗口包含人臉關鍵部 位。其優點在于，先進行壓縮一方面可W減少數據量，另一方面也便于分割塊的分割。
[0026] 作為優選，步驟Sl中，預先取得活體人臉照片和照片人臉照片后，分別存入活體人 臉照片庫和照片人臉照片庫待用;兩種人臉照片分別取10張 W上。其優點在于，兩種照片庫 的樣本容量越大，獲得的結果便越準確。
[0027] 作為優選，步驟S5中，從第一個觀察向量開始依次取每4個相鄰分割塊的觀察向量 作為一組子觀察序列，最后8個分割塊的觀察向量合并為一組子觀察序列，得到5個子觀察 序列，運5個子觀察序列依次對應人臉的眉毛、眼睛、鼻子、嘴己、下己5個部位。其優點在于， 人臉圖像的細節紋理信息較為豐富，眼睛、嘴己、鼻子等部位占據圖像空間較大，對應人臉 器官分別進行觀察，可W得到較好的觀察結果。
[00%]本發明所述的HMM指隱馬爾科夫模型，SVD指奇異值分解。Viterbi譯碼算法是一種 卷積碼的解碼算法。EM算法指最大期望算法。
[0029] 本發明同現有技術相比具有W下優點及效果：
[0030] 1、由于本發明提出了人臉圖像矩陣的奇異值分解(SVD)與隱馬爾科夫模型化MM) 結合取證方法，在人臉分割塊提取小波低頻系數和水平、垂直、對角高頻系數，得到的小波 系數通過