论文部分内容阅读
随着生物认证技术的飞速发展,近年来人脸识别在许多行业都已经得到商用。然而不容忽视的是,人脸识别系统极易受到非法用户的虚假攻击,目前市面上的人脸识别系统还不具备识别出真实用户和非法用户的功能。因此,人脸防欺骗技术成为计算机视觉中的一项重要的研究课题。现有的人脸防欺骗方法往往有计算复杂度高、需要用户配合检测效果不好等缺点。基于此,本文提出了两种改进型的人脸活体检测方法,并且优化了传统的人脸检测方法。本文的主要工作包括:1.在人脸活体检测之前,先进行人脸检测,而传统的SMQT-SNOW人脸检测方法检测人脸不够精准。因此本文加入了3000fps人脸对齐算法,通过定位人脸的68个特征点,对SMQT-SNOW得到的人脸框进行优化,最终获得了精准的人脸检测结果。2.提出改进的基于微纹理差异的人脸防欺骗方法。通过对人脸灰度图像进行四级Haar小波分解,得到一到四级的子图,提取每级高频子图系数矩阵的均值、方差作为特征向量;同时对人脸灰度图像提取ULBP特征,并统计直方图向量,级联后得到75维特征向量,最后送入SVM分类器进行识别分类。3.提出改进的并联卷积神经网络(P-CNN)的人脸防欺骗方法。基于深度学习的角度,提出了P-CNN模型,并首次结合ELM方法。P-CNN分别包括一个改进的八层和一个改进的六层的模型,两个模型的输入图像不一样,以学习到更加全面的特征,并利用PCA降维,采样层交替采用均值采样、随机采样和重叠采样,并分别加入了dropout正则化防止过拟合。两种方法分别在公开的NUAA、REPLAY-ATTACK数据库上进行实验验证,基于微纹理的方法的平均准确率分别为99.53%和92.95%,基于P-CNN结构的平均准确率分别为99.96%和97.14%。与此同时,ROC曲线图同样也表明了这两种方法的有效性。前一种方法的优势是计算法复杂度小;后一种方法的优势是检测准确率很高,并且ELM获得了较快的分类速度。本文的研究为以后其他的研究者提供了借鉴以及在人脸识别系统上进行商用提供了基础。