当今社会是一个智能化的社会,智能化给人们的生活带来了巨大的便利,其中人脸识别技术的日益成熟就是智能化的一个表现。人脸识别技术被应用到越来越多的场景来进行身份认证。然而,人脸识别技术注重的是对输入图像中的人脸进行辨别,却无法判断给出的人脸图像是来自真实的用户还是伪造的人脸。在这个互联网发达的时代,获取一张被攻击者的人脸照片是一件很容易做到的事情,所以人脸识别系统面临着伪造人脸的攻击,这种攻击一旦有效,可能会带来无法预知的后果。人脸活体检测技术的出现使这一问题得到很好的解决。该技术实现的是分辨出输入进人脸识别系统中的人脸图像是真实的还是虚假伪造的。将人脸系统和人脸活体检测技术相结合,便可以得到更加安全可靠的人脸识别性能,这个在当今现实中具有深远的意义。本文作者通过大量调研和阅读文献,在前人研究的基础上,提出了一种基于稠密光流特征的人脸活体检测方法,进行了大量的实验验证证明了方法的有效性。除此之外,编程实现了一个基于面部信息分析的人脸活体检测系统。具体地,本文的研究内容包括以下三个内容:1.人脸活体检测的特征描述子特征描述子就是用来表示图像或视频特性的特征点,作为人脸活体检测的依据,有较高的独特性,以保证准确率。在本文中,人脸活体检测的步骤主要包括特征描述子的提取训练和分类。本文选取相邻两帧的稠密光流差值总和作为特征描述子,使用多项式展开计算差值,对尺度变换、旋转变换具有较强的鲁棒性,并进行了特征对比实验来验证。2.人脸活体检测的匹配分类器分类器是一种用来预测数据类别的函数或分类模型,不同的分类器适用于不同特征描述子,选择一个合适的分类器有助于提高算法的准确率。本文在对几种分类器进行效果对比实验的基础上,选择了 K最近邻分类器对提取的特征描述子进行分类。K最近邻分类器的核心思想是如果某个样本在总样本特征空间中的K个最相邻的样本中的绝大部分都属于某一类,那么该样本也被判断为这一类,且拥有这个类型的特点。之后作者进行了分类器对比实验来证明最近邻分类器的优秀性。3.人脸活体检测系统人脸活体检测系统包括人脸检测、人脸活体检测和人脸识别这三个模块。人脸检测是指输入一幅图像或者一段视频,采取某种算法对输入进行排查,如果发现有人脸的存在,则标记出人脸并将人脸的位置、大小和姿态等数据返回。本文主要利用Adaboost级联分类器加上Haar特征来实现人脸检测,具有很高的成功率。人脸识别技术是基于人的脸部特征,对给定的一幅人脸图像或者一段人脸视频流,给出每个脸的位置、大小和各个主要人脸器官的位置坐标,再利用这些坐标,把每一个人脸中包含的能标识身份的特征提取出来,并将这些特征与人脸库中的人脸的特征进行比较,最后辨别出每个人脸的身份。本文主要利用等价模式的局部二值模式特征加上最近邻KNN分类器来实现人脸识别。综上所述,本文主要研究基于稠密光流信息的人脸活体检测算法,并实现了一个人脸活体检测系统,具有现实意义。