活体人脸识别系统介绍

需求分析

人脸识别已经在最近几十年取得了飞速的发展，但伴随着一些问题也发生了，一些不法分子利用一些技术仿冒人的生物特征去欺骗识别系统，为了更安全地进行身份认证，就需要对真实人脸和翻拍人脸进行识别和判断。基于图像的活体人脸检测技术是不需要人主动配合，成本低廉，安全可靠的一种方式，是一个很值得关注的一个领域。

图像特征提取算法

通过研究真实人脸和翻拍人脸的差异，我们选取了图像纹理轮廓和色彩组成两大特征进行提取。通过LBP(Local Binary Pattern)和DoG(Difference of Gaussian)两种算法，提取图像纹理特征；通过HSV颜色空间直方图算法，提取图像色彩特征，之后将两类特征进行组合，得出最终的图像特征。

之所以提取图像纹理特征，一是因为图像的纹理代表着像素分布的内部规律，是场景物体组织形式的外在反映；二是经过翻拍，图片纹理会发生改变、轮廓也会变模糊，纹理特征可较好反映其中的差异。

但因为有关图像纹理的算法都是基于灰度空间的，只提取纹理轮廓特征，会丢失图像的色彩信息，而考虑到翻拍图像受介质变化、拍摄时光照等因素的影响，色彩必然会发生一定改变，因此我们选取了HSV颜色直方图算法提取图像色彩特征。

接下来逐一介绍用到的算法

• LBP算法(提取图像纹理轮廓特征)
  LBP(Local Binary Pattern，局部二值模式)，是一种用来描述图像局部特征的算子。对于一张灰度图，原始的LBP算子定义在像素3x3的邻域内，以邻域中心像素为阈值，相邻的8个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经过比较可产生8位二进制数，将这8位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值。
  
  LBP的特征是通过比较相邻的像素得到的，因此如果图片整体变暗或者变亮，则提取出来的特征几乎不变，即LBP特征对光照变化具有很强的鲁棒性。但由于LBP只关心一个局部的像素分布情况，因此得到的特征一定程度上缺乏全局信息。通过将LBP算法与其他特征提取方法结合可以更加全面的获得图像特征。
  

• DoG算法(提取图像纹理轮廓特征)
  DOG(Difference of Guassian)：高斯函数的差分，是角点检测的一种方法。

第一步：对图像进行高斯滤波。高斯滤波即为用高斯模板作为加权平均的矩阵(并非普通的平均矩阵，矩阵值由高斯运算得到)，对每个像素点做卷积运算，可起到平滑图像高频噪点的作用，因为若中心点灰度值较高，则相当于和周围灰度值较低的点做了平均，即去掉了图像噪点。这里分别用两个不同的sigma值(0.5和1)对原始图像做高斯滤波，会得到另两幅图片。

第二步：对图像进行角点检测。原始图片和另外两张高斯滤波后图片，上中下三张图片构成三维空间，每个像素点x在三维空间下最多有26个相邻点，如果x是所有邻接像素点中的最大值或最小值，则被标记为特征点，即角点。因此角点的直观理解就是图像局部范围内最“不合群”的点，图像中所有的角点就决定了物体的纹理和轮廓信息，这也是做角点检测的意义。

下两幅图即为检测出的角点，黑(红)色为极小值，白(绿)色为极大值

• HSV颜色直方图算法
  HSV指色调（H），饱和度（S），明度（V），其相比RGB更符合人的视觉感知模型，因此选择了HSV作为色彩空间进行计算。
  颜色直方图提取特征的优点是：只关心图像色彩分量的色阶组成，而不关心色彩在图像中的具体位置。因此更易反映图像因介质变化、光照影响所产生的色彩差异。算法流程图如下：
  

---

支持向量机SVM算法

• 基于统计理论的有监督学习算法，已知训练点的类别，求训练点和类别之间的关系。构建分割两类的超平面，使得所分隔两类的泛化误差最小。

• 本题中，将提取出的真实人脸图像特征作为正样本，类别标记为+1；仿冒人脸图像特征作为负样本，类别标记为-1。将两类样本及其类别分别送入支持向量机中学习，支持向量机会自动调整内部参数，达到最优，即求得分类模型。
  
  
  

---