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、可視化等優點。人臉識別已經在最近幾年取得了飛速的發展，并且已經逐漸應用到各行各業中。但也伴隨產生了一些問題：一些不法分子利用一些技術仿冒人臉去欺騙識別系統，給合法用戶帶來了經濟財產損失，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上公開的視頻片段來冒充真人;(3)用蠟或塑料等材質構造的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網絡(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絡的輸入，然后采用主成分分析對每個網絡的全連接層的輸出分別降維后級聯，最后將級聯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據去中心化、ZCA白化去噪聲、隨機旋轉等處理，并使用卷積神經網絡對照片的面部特征進行提取，提取出來的特征送入神經網絡訓練、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，在某些現實應用場景中不具備采集動態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據集(即模型訓練數據集與測試數據集不同)檢測時表現不佳。

    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待識別對象的人臉照片而引入的規則矩形邊框)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。

論文詳細內容請下載http://m.xxav2194.com/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)