0 引言

    隨著生物特征識別技術的日臻完善，人臉識別(Facial Recognition)、指紋識別(Fingerprint Recognition)等生物特征識別將在身份驗證中扮演著重要角色，作為主流技術的人臉識別，有著認證自然、可視化等優(yōu)點。人臉識別已經(jīng)在最近幾年取得了飛速的發(fā)展，并且已經(jīng)逐漸應用到各行各業(yè)中。但也伴隨產(chǎn)生了一些問題：一些不法分子利用一些技術仿冒人臉去欺騙識別系統(tǒng)，給合法用戶帶來了經(jīng)濟財產(chǎn)損失，造成社會紛擾。為了更安全地進行身份認證和檢測身份來源的真實性，活體檢測技術必不可少。對認證系統(tǒng)進行欺騙的對象一般都是剛性的、僵硬的物體(例如：打印的照片、手機或平板電腦屏幕顯示的照片等)，因此通過人臉活體檢測技術(Face Anti-Spoofing)來預防欺騙是常常采取的措施。人臉識別系統(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)用在公開場合錄制的視頻或網(wǎng)上公開的視頻片段來冒充真人;(3)用蠟或塑料等材質(zhì)構造的3D模型來假冒真人。其中，照片欺騙是最常見的欺騙方法。

    從2004年開始，國內(nèi)外的學者對人臉活體檢測技術進行了大量的研究。這些研究主要分為4類方法。(1)添加輔助設備的方法：使用紅外攝像頭、熱成像攝像頭等輔助設備檢測活體特征^[1]。(2)基于運動信息的方法：PAN G等人^[2]使用條件隨機場人眼模型對眨眼動作建模，獲取了較高的眨眼檢測率，并通過檢測是否有眨眼動作來進行活體檢測。(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行活體檢測，但其對扭曲照片的檢測準確率不太理想；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)特征以及結合了時間和空間信息的LBP-TOP(Local Binary Pattern histograms from Three Orthogonal Planes)特征進行活體檢測；2015年KIM W等人^[6]首次提出基于LSP(Local Speed Patterns)特征的檢測方法，并取得了較好的檢測結果。(4)基于深度學習的方法：Yang Jianwei^[7]等人首次使用了卷積神經(jīng)網(wǎng)絡(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不同結構的網(wǎng)絡的輸入，然后采用主成分分析對每個網(wǎng)絡的全連接層的輸出分別降維后級聯(lián)，最后將級聯(lián)的特征向量送入極限學習機(Extreme Learning Machine，ELM)進行活體檢測；文獻[9]通過將真實人臉和照片進行數(shù)據(jù)去中心化、ZCA白化去噪聲、隨機旋轉等處理，并使用卷積神經(jīng)網(wǎng)絡對照片的面部特征進行提取，提取出來的特征送入神經(jīng)網(wǎng)絡訓練、分類，從而得到檢測結果。

    雖然上述研究方法已取得了一些成果，但仍然存在一些問題。例如，在某些現(xiàn)實應用場景中不具備采集動態(tài)影像進行活體檢測的條件，而添加輔助設備也增加了應用的成本。另外，手工提取特征的方法具有主觀性、不全面等缺陷，導致預測結果不理想，而基于深度學習的方法所獲得的訓練模型在跨數(shù)據(jù)集(即模型訓練數(shù)據(jù)集與測試數(shù)據(jù)集不同)檢測時表現(xiàn)不佳。

    本文提出基于上下文特征與單類支持向量機(One Class Support Vector Machine，OCSVM)的人臉活體檢測方法。首先通過方向梯度直方圖(Histogram of Oriented Gradients，HOG)對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手機呈現(xiàn)待識別對象的人臉照片而引入的規(guī)則矩形邊框)進行提取，然后使用OCSVM對特征向量進行訓練分類，接下來利用TensorFlow目標檢測API(應用程序接口)對圖片中的特定欺騙特征(例如，握住手機等欺騙媒介的人手)進行檢測，最后根據(jù)OCSVM的分類結果以及TensorFlow的目標檢測結果進行真假判定。

論文詳細內(nèi)容請下載http://www.shi-ke.cn/resource/share/2000002837

作者信息:

閆  龍，胡曉鵬

(西南交通大學 信息科學技術學院，四川 成都611756)