身份認(rèn)證中的活性人臉檢測(cè)技術(shù)的研究.pdf

1、近年來，生物認(rèn)證技術(shù)高速發(fā)展，其中，人臉識(shí)別被廣泛應(yīng)用到各種安全系統(tǒng)的身份認(rèn)證中。但是，傳統(tǒng)的人臉識(shí)別系統(tǒng)僅僅只能辨別采集圖像中的人臉，卻無法辨別圖像中的人臉是來源于攝像頭前的真實(shí)人臉還是一張打印出來的照片，更或者是提前錄制好的視頻等?？偟膩碚f，傳統(tǒng)人臉識(shí)別系統(tǒng)存在不可忽視的弊端，它無法辨別真實(shí)人臉和假冒人臉，即無法辨別人臉的活性和非活性。為了解決這個(gè)安全隱患，活性人臉檢測(cè)技術(shù)應(yīng)運(yùn)而生。但由于人臉識(shí)別中欺詐方式的多樣性、外部環(huán)境的多變化

2、等原因，使得活性人臉檢測(cè)技術(shù)成為人臉識(shí)別實(shí)際應(yīng)用領(lǐng)域中的一個(gè)難點(diǎn)與熱點(diǎn)。
　　本文針對(duì)活性人臉檢測(cè)展開研究，認(rèn)真學(xué)習(xí)并總結(jié)了相關(guān)領(lǐng)域中前人的工作。本文的主要研究工作如下:
　　(1)基于kinect深度信息的活性人臉檢測(cè)方法:鑒于kinect可有效且廉價(jià)地獲取圖像的深度信息的特點(diǎn)，本文利用kinect可以同時(shí)捕獲視野范圍內(nèi)的彩色圖像以及深度圖像的特點(diǎn)，在人臉深度圖像上提取紋理描述子，如局部二進(jìn)制模式算子，并結(jié)合二進(jìn)制分類器的

3、方法，來辨別人臉的活性與非活性。此外，為檢測(cè)紋理描述子的活體檢測(cè)性能，本文比較了不同類型的LBP算子及其變種?？紤]到人臉較小區(qū)域可能使得圖像攻擊或視頻攻擊的紋理特征更加可視化，本文還提出采用兩種不同方式（人臉分塊和人臉不分塊）計(jì)算紋理特征。并且比較了不同二值化分類器的真假人臉分類性能?？紤]到目前已公開的活性人臉數(shù)據(jù)庫無法滿足本算法的實(shí)驗(yàn)要求，本人采集了基于kinect的深度信息的活體人臉檢測(cè)數(shù)據(jù)集，并在該數(shù)據(jù)集中驗(yàn)證了該算法的性能。

4、r>　　(2)基于卷積神經(jīng)網(wǎng)絡(luò)的活性人臉檢測(cè)方法:不同于以往人工選擇圖像特征描述子，該方法使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行圖像的特征學(xué)習(xí)，通過復(fù)雜有效的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)人臉建模，然后再結(jié)合支持向量機(jī)對(duì)提取到的更具區(qū)分性的特征進(jìn)行人臉活性的分類。該方法，無需用戶配合且不需要額外的硬件設(shè)備。除了利用CNN進(jìn)行有效的特征學(xué)習(xí)，本文也提出了兩種數(shù)據(jù)增強(qiáng)策略，包括空間尺度的增加和時(shí)間尺度的增加。通過增加空間尺度，本文進(jìn)一步探究背景區(qū)域?qū)钚匀四槞z測(cè)的影響