活体检测之基于运动一致性的检测方法

18号的活体检测论文看了一半，所以在这里补充完整，现在思路在看的时候有所调整，基于背景一致的方法迎合下金老师的口味，然后在庵后现在看的动作方面的活体检测方法感觉一般，不是很偏重于实践，还可以再找找，然后自己想看的傅里叶频谱分析法和静默活体检测还没有开始看，慌张慌张，加油加油，干宽看完背景的，看傅里叶的和静默活体的，然后抽时间再研究下百度接口、阿里接口有木有现成的张嘴、眨眼的检测方式

来源：孙霖. 人脸识别中的活体检测技术研究[D].浙江大学,2010.

基于活体人脸的场景上下文线索分析
当假冒视频用其他显示设备再人脸认证系统的摄像头前回放时，摄像头所拍摄的人脸周围的区域将包括假冒视频的背景、部分显示设备等，而对活体检测人脸来说，人脸周围应该是识别系统的工作场所背景，故假冒视频中人脸周围部分的图像和人脸认证系统所在的工作背景图像的不同可作为检测假冒视频的依据。
换句话说，一般人脸识别设备将安装在固定的场所进行人脸的识别、检测，其背部主体环境将不会发生改变，而作为攻击的照片或者视频一般很难达到背景与人脸认证系统背景完全相似，所以，可以将背景作为上下文线索，检测是否为伪造攻击手段。

方法概述
  • 系统初始化，拍摄一张图像作为人脸识别系统运行地的参考场景
  • 对输入的脸部视频进行人脸检测
  • 提取场景上下文线索(包括选择上下文线索区域和提取场景特征两个区域)
  • 比对场景上下文线索
    提取场景上下文线索中包含选择场景上下文线索区域和提取场景特点特征点两个子步骤。
场景上下文线的提取算法
  1. 场景上下文线索的选取
    因为人的上侧脸的左右两侧小区域易受发型影响切局人脸较远的区域，欺骗照片和视频的场景可能不在该区域，所以选取人脸左右两侧的小块区域作为场景的线索。
    R为上下文线索区域，R高于人脸高相同，宽为人脸宽d的1/4,是人脸周围区域中获取视频假冒攻击线索的关键区域(疑问，脸大怎么办？)。
    备注：为防止头发、耳朵包括在场景上下文线索区域中，先将人脸区域的宽度分别向左右扩展d/4。

  2. 尺度空间极值点检测
    计算机视觉通过选取图像中物体关键点描述局部特征，广泛地应用在图像匹配、物体识别、图像检索等方面。关键点的局部特赠可以稳定的提取物体的关键信息，快速识别其中的物体。D.G.Lowe提出一种多尺度GAussian函数差的卷积中极值来选择图像中关键点的方法，该方法通过建立重采用图像金字塔，快速有效的选取关键点。

    关键点的选取方法(未看懂！！！！)

    图像I(x,y)的尺度空间L(x,y,σ)定义为多尺度的高斯函数G(x,y,σ)和图像I(x,y)的卷积，D(x,y,σ)中的极值点的检测时将其和周围8个相邻点、尺度增大方向的相邻尺度上的9个点和尺度减小方向上的9个点比较，在数值上都小的话，称为极值点。

  3. 场景特征点的提取
    场景选择减少噪声(光线改变等因素)的干扰，在该篇文章中提取图像中若干个有代表性、信息丰富的关键点来表征场景—-背景特征点。可以降低非关键点对背景比对的影响；降低光线变化对相同背景的影响；减少特征计算。

    问题—>寻找区域R中稳定的特征点，方法：使用在图像相邻尺度差上检测局部极值点的方法。
    (尺度空间上极值点具有尺度不变性、独特性、对三维视点和光线变化有较强的鲁棒性，在10年时就已经成功的应用在图像匹配、物体识别、图像检索方面。)

    措施—>1）每一帧检测的极值点数目是不同的，将极值点数目固定为N(减少场景比对的计算量，使其更稳定)。
    2）将区域R划分为ΛN* ΛM的网格，在每一个网格的宽度啊和高度为d/2ΛN和d/2ΛM。
    3）尺度空间上极值点的搜索时在每个网络上一次。尺度空间上极值点的搜索最多只选择一个特征点。
    4）如果所有网格都遍历了，但是特征点的数目少于N，那我们在不含有尺度空间上极值点的网格中选取最大梯度值的点位特征点。
    特征点选取算法：
    输入：图像Ii和外部场景图像IR
    输出：场景特征点Pi
    if 在图像Ii中检测到脸；then
    在Ii中检测场景区域与人脸；
    初始化所有跟踪标记–false and fid
    ucial 点的标记；fiducial_flagm,n-false
    for all m=0…ΛN-1 and n=0…ΛN-1

    初始化调整全部表格的A<sub>m,n</sub>， for all all m=0...Λ<sub>N</sub>-1 and n=0...Λ<sub>N</sub>-1

    while number(Piu,v is false) do
    for each grid Λm,n is false then

    if 够N则退出
if 不够N,选取位置+1 判断是否在特征位置处
  否，重新选取点位置；
  是，重新是否够N个

    while number(Pi<N) do
    if each grid in R do

    *if* 基本特征判断有误，then
  增加最大梯度值的位置作为点位特征；
  *if*  number(P<sub>i</sub>=N then
    *exit*

    注：通过此算法，可以在背景位置确认特征点比较明显的位置，如在墙面上避免过多白墙，选取窗户玻璃等一系列有用的特征点

    1. 场景上下文的比对算法

    有效对背景比对需要在北京特征点中进行有效描述。背景比对需要精准检测活体人脸，还要抵抗来自近似背景的假冒视频攻击。这样对局部特征进行描述的方法有SIFT、LBP、Gabor小波等。本篇以LBP描述子描述场景特征点的局部特征，并进行场景上下文线索比对。
    注：SIFT具有尺度和旋转不变性，对三维视角比较鲁棒；
    Gabor小波接近视觉皮层响应，能提取多个方向尺度上的局部特征；
    LBP描述子可描述局部纹理特征，应用于纹理分类、图像检索和人脸识别等。
    LBP的计算方法：在3*3的响铃关系点的灰度值以中心点的灰度值为阈值，生成二值0和1，然后图5.5(b)和图(c)中对应的加权值相乘，得到图5.5(d，得到5.5(d)中的8个值相加得到LBP的值。

本文章对基本LBP算子扩展，提出圆对称相邻关系，以R半径、P圆上点的个数重新定义LBPP,R,通过插值法计算不在网格上的点(的灰度值)，则场景特征点(x,y)的LBP描述子H(x,y)是相邻n*n局部内每个像素点LBP值的直方统计图，最后用其中的场景特征直方图表示场景中的点。
备注：LBP特征简介 from http://blog.csdn.net/quincuntial/article/details/50541815

原始LBP特征描述及计算方法
原始的LBP算子定义在像素33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，33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值共有28种可能，因此LBP值有256种。中心像素的LBP值反映了该像素周围区域的纹理信息。
备注：计算LBP特征的图像必须是灰度图，如果是彩色图，需要先转换成灰度图。

场景上下文线索比对得分及活体判断
借助场景特征描述子，对于一人脸图像序列S,参考场景IR，提取的特征点集合P。场景上下文设置对比得分Φ，最后把场景上下文线索对比得分与预先设定的阈值η比较是否和系统运行的参考场景匹配。

MDZZ，简直成了填坑大帝，这是19号的工作(卡在卷积上面了)，现在22了，还在看，顺便说下，19号早上再看，去调试了下设备，19号下午接到写说明书的工作，然后19号到20号上午写了说明书。20号下午运动会结束之后回来见了见辅导员，转了转，聊了聊天，然后看看比赛就21号了，呜呜呜呜，赶快补完，然后先做个活体检测的PPT，然后呢，速度开始看详细的论文。在报告中边看边说咯。加油，comming.

爱思唯尔期刊 图像方面的论文多一点 from 沈

赏

多谢大神打赏~

扫一扫，分享到微信

微信分享二维码