《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 基于上下文特征與單類支持向量機(jī)的人臉活體檢測(cè)
基于上下文特征與單類支持向量機(jī)的人臉活體檢測(cè)
2020年電子技術(shù)應(yīng)用第6期
閆 龍，胡曉鵬
西南交通大學(xué) 信息科學(xué)技術(shù)學(xué)院，四川 成都611756
摘要： 非法入侵者通過(guò)偽裝人臉欺騙識(shí)別系統(tǒng)， 給人臉識(shí)別應(yīng)用帶來(lái)嚴(yán)重威脅?，F(xiàn)有人臉活體檢測(cè)方法多為在同一數(shù)據(jù)集內(nèi)進(jìn)行訓(xùn)練和測(cè)試，當(dāng)應(yīng)用在跨數(shù)據(jù)集場(chǎng)景中時(shí)效果并不理想。針對(duì)這一問(wèn)題，提出了利用HOG等算法對(duì)上下文環(huán)境中的線索信息進(jìn)行提取，提取出來(lái)的特征送入單類支持向量機(jī)進(jìn)行訓(xùn)練、分類。將分類結(jié)果與上下文環(huán)境中異常線索的探測(cè)結(jié)果相結(jié)合。算法在公開(kāi)的數(shù)據(jù)集NUAA和CASIA-FASD上進(jìn)行了驗(yàn)證，實(shí)驗(yàn)結(jié)果表明在跨數(shù)據(jù)集檢測(cè)時(shí)該算法的泛化能力及檢測(cè)準(zhǔn)確率較已存在算法有所提高。
中圖分類號(hào)： TN919.8
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.191346
中文引用格式： 閆龍，胡曉鵬. 基于上下文特征與單類支持向量機(jī)的人臉活體檢測(cè)[J].電子技術(shù)應(yīng)用，2020，46(6)：32-35.
英文引用格式： Yan Long，Hu Xiaopeng. Face anti-spoofing based on context and OCSVM[J]. Application of Electronic Technique，2020，46(6)：32-35.
Face anti-spoofing based on context and OCSVM
Yan Long，Hu Xiaopeng
School of Information Science & Technology，Southwest Jiaotong University，Chengdu 611756，China
Abstract： Spoofing face can be used to deceive face authentication system for illegal purposes, and thus it poses a serious threat to the face recognition system. Most of the existing methods are training and testing in the same dataset, and the effect is not ideal when they are used in cross dataset scenario. In order to solve this problem, this paper proposes to use histogram of oriented gradients(HOG) to extract the cue information in the context and then send the extracted features to the one-class support vector machine(OCSVM) for training and classification. The classification results are combined with the abnormal cues detected in the context. And the algorithm is verified on the public database NUAA and CASIA-FASD. The experimental results show that the generalization ability and detection accuracy of the proposed algorithm has improved over the existing method when used in cross dataset scenario.
Key words : face anti-spoofing；context；OCSVM；cross dataset

0 引言

    隨著生物特征識(shí)別技術(shù)的日臻完善，人臉識(shí)別(Facial Recognition)、指紋識(shí)別(Fingerprint Recognition)等生物特征識(shí)別將在身份驗(yàn)證中扮演著重要角色，作為主流技術(shù)的人臉識(shí)別，有著認(rèn)證自然、可視化等優(yōu)點(diǎn)。人臉識(shí)別已經(jīng)在最近幾年取得了飛速的發(fā)展，并且已經(jīng)逐漸應(yīng)用到各行各業(yè)中。但也伴隨產(chǎn)生了一些問(wèn)題：一些不法分子利用一些技術(shù)仿冒人臉去欺騙識(shí)別系統(tǒng)，給合法用戶帶來(lái)了經(jīng)濟(jì)財(cái)產(chǎn)損失，造成社會(huì)紛擾。為了更安全地進(jìn)行身份認(rèn)證和檢測(cè)身份來(lái)源的真實(shí)性，活體檢測(cè)技術(shù)必不可少。對(duì)認(rèn)證系統(tǒng)進(jìn)行欺騙的對(duì)象一般都是剛性的、僵硬的物體(例如：打印的照片、手機(jī)或平板電腦屏幕顯示的照片等)，因此通過(guò)人臉活體檢測(cè)技術(shù)(Face Anti-Spoofing)來(lái)預(yù)防欺騙是常常采取的措施。人臉識(shí)別系統(tǒng)主要容易受到以下手段的欺騙：(1)用照片或高清打印圖像假冒真人；(2)用在公開(kāi)場(chǎng)合錄制的視頻或網(wǎng)上公開(kāi)的視頻片段來(lái)冒充真人;(3)用蠟或塑料等材質(zhì)構(gòu)造的3D模型來(lái)假冒真人。其中，照片欺騙是最常見(jiàn)的欺騙方法。

    從2004年開(kāi)始，國(guó)內(nèi)外的學(xué)者對(duì)人臉活體檢測(cè)技術(shù)進(jìn)行了大量的研究。這些研究主要分為4類方法。(1)添加輔助設(shè)備的方法：使用紅外攝像頭、熱成像攝像頭等輔助設(shè)備檢測(cè)活體特征[1]。(2)基于運(yùn)動(dòng)信息的方法：PAN G等人[2]使用條件隨機(jī)場(chǎng)人眼模型對(duì)眨眼動(dòng)作建模，獲取了較高的眨眼檢測(cè)率，并通過(guò)檢測(cè)是否有眨眼動(dòng)作來(lái)進(jìn)行活體檢測(cè)。(3)基于手工提取特征的方法：LI J[3]等人利用二維傅里葉頻譜分析方法進(jìn)行活體檢測(cè)，但其對(duì)扭曲照片的檢測(cè)準(zhǔn)確率不太理想；M?魧?魧TT?魧 J[4]、TIAGO D F P[5]等人分別提出了使用局部二值模式(Local Binary Patterns，LBP)特征以及結(jié)合了時(shí)間和空間信息的LBP-TOP(Local Binary Pattern histograms from Three Orthogonal Planes)特征進(jìn)行活體檢測(cè)；2015年KIM W等人[6]首次提出基于LSP(Local Speed Patterns)特征的檢測(cè)方法，并取得了較好的檢測(cè)結(jié)果。(4)基于深度學(xué)習(xí)的方法：Yang Jianwei[7]等人首次使用了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)的方法；李冰等人[8]提出將人臉的灰度圖和局部定向模式分別作為兩個(gè)不同結(jié)構(gòu)的網(wǎng)絡(luò)的輸入，然后采用主成分分析對(duì)每個(gè)網(wǎng)絡(luò)的全連接層的輸出分別降維后級(jí)聯(lián)，最后將級(jí)聯(lián)的特征向量送入極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)進(jìn)行活體檢測(cè)；文獻(xiàn)[9]通過(guò)將真實(shí)人臉和照片進(jìn)行數(shù)據(jù)去中心化、ZCA白化去噪聲、隨機(jī)旋轉(zhuǎn)等處理，并使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)照片的面部特征進(jìn)行提取，提取出來(lái)的特征送入神經(jīng)網(wǎng)絡(luò)訓(xùn)練、分類，從而得到檢測(cè)結(jié)果。

    雖然上述研究方法已取得了一些成果，但仍然存在一些問(wèn)題。例如，在某些現(xiàn)實(shí)應(yīng)用場(chǎng)景中不具備采集動(dòng)態(tài)影像進(jìn)行活體檢測(cè)的條件，而添加輔助設(shè)備也增加了應(yīng)用的成本。另外，手工提取特征的方法具有主觀性、不全面等缺陷，導(dǎo)致預(yù)測(cè)結(jié)果不理想，而基于深度學(xué)習(xí)的方法所獲得的訓(xùn)練模型在跨數(shù)據(jù)集(即模型訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集不同)檢測(cè)時(shí)表現(xiàn)不佳。

    本文提出基于上下文特征與單類支持向量機(jī)(One Class Support Vector Machine，OCSVM)的人臉活體檢測(cè)方法。首先通過(guò)方向梯度直方圖(Histogram of Oriented Gradients，HOG)對(duì)欺騙行為中普遍存在的上下文特征(例如，非法入侵者為了通過(guò)手機(jī)呈現(xiàn)待識(shí)別對(duì)象的人臉照片而引入的規(guī)則矩形邊框)進(jìn)行提取，然后使用OCSVM對(duì)特征向量進(jìn)行訓(xùn)練分類，接下來(lái)利用TensorFlow目標(biāo)檢測(cè)API(應(yīng)用程序接口)對(duì)圖片中的特定欺騙特征(例如，握住手機(jī)等欺騙媒介的人手)進(jìn)行檢測(cè)，最后根據(jù)OCSVM的分類結(jié)果以及TensorFlow的目標(biāo)檢測(cè)結(jié)果進(jìn)行真假判定。




論文詳細(xì)內(nèi)容請(qǐng)下載http://theprogrammingfactory.com/resource/share/2000002837




作者信息:

閆  龍，胡曉鵬

(西南交通大學(xué) 信息科學(xué)技術(shù)學(xué)院，四川 成都611756) 

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。