基于近紅外與可見光雙目視覺的活體人臉檢測方法

鄧茜文，馮子亮，邱晨鵬

（四川大學計算機學院，成都 610065）

（*通信作者電子郵箱xiwen_deng_cc@163.com）

0 引言

目前，人臉識別技術已日趨成熟并得到廣泛的應用［1］，但在無人值守的場合，人臉識別系統(tǒng)很容易受到人臉模型、人臉照片以及人皮面具等方式的攻擊，因此需要活體人臉檢測［2］?；谶\動信息的檢測方法是一種常用的活體人臉檢測方法，其原理是讓用戶完成轉頭、眨眼等動作，通過對這些動作的檢測來實現(xiàn)活體人臉檢測；但是該類方法耗時較長，且需要用戶配合，同時攻擊者也可以通過預設動作進行攻擊。

基于人臉三維信息的檢測方法是一種新型的活體人臉檢測方法［3-4］，通過計算人臉整體的三維信息來防止諸如人臉照片的攻擊；但不僅需要預先建模，識別時也需要重建三維人臉模型，實現(xiàn)時存在較多困難。

基于主動式近紅外圖像的活體人臉檢測方法［5-6］，充分利用活體人臉的近紅外紋理特征，基本不受外界光照影響，可實現(xiàn)對電子屏或視頻人臉、普通人臉照片和人臉模型的檢測，但面對高質量的經(jīng)特殊處理的人臉照片也會由于紋理差異減小而導致檢測失敗。

針對活體人臉檢測技術存在的問題，本文提出了一種在無需用戶配合的場景下，采用近紅外與可見光雙目視覺技術的活體人臉檢測方法。其中，利用近紅外成像特性可以防止電子屏、視頻以及光滑照片人臉的攻擊；利用雙目視覺獲取的深度信息進行特征點三維重建，利用檢測到的深度差異防止高質量偽造圖的攻擊。相較于單純采用紅外特征和建立全臉三維模型的方法，本文方法具有簡單、高效、魯棒性好的特點。

基于可見光的普通雙目技術發(fā)展已較為成熟，而增加了紅外信息后進一步拓展了其在工業(yè)、軍事、空管［7］等領域的應用前景。近些年可見光與近紅外結合的雙目視覺技術取得了快速發(fā)展?？梢姽獬上癜S富的顏色形狀等信息，能準確測量和監(jiān)控目標，但是在光線較弱或者煙霧等環(huán)境下，紅外波段的成像優(yōu)勢更突出［8］。將不同波段的互補性應用于雙目視覺可對不同攻擊進行抵御，也能實現(xiàn)不同環(huán)境下的三維重構。

與普通雙目視覺相比，近紅外與可見光雙目視覺的異源匹配誤差可能較大，也是難點所在。本文提出一種根據(jù)人臉特征點的位置信息進行異源匹配和校正的方法，雖然較粗略但簡單有效地減小了誤差。文獻［6］的活體人臉檢測方法選用普通雙目視覺，算法與本文類似，也是利用人臉特征點的深度信息進行判斷；但是文獻［6］只選取了鼻尖點和鼻根點的深度距離判別真實人臉與偽造人臉照片。本文在此基礎上改進為選取人臉68 個特征點進行三維點云重建的方法，并且提出利用人臉特征點的深度信息變化強弱和各特征點的三維坐標之間的相互關系這兩種提取特征方案，分別對真實和偽造人臉進行判別，提高了檢測的準確度，也增強了算法的魯棒性。

1 相關工作

1.1 近紅外與可見光雙目裝置

本文使用的雙目裝置由一個近紅外攝像頭、一個可見光攝像頭以及一個主動近紅外發(fā)光模組組成。傳統(tǒng)的人臉識別技術大多針對可見光人臉圖像，可見光圖像是由物體反射自然光所形成的，對自然光照變化比較敏感，而紅外光圖像則較少受到自然光照變化的影響，也可用于人臉識別［9］。該方法因為紅外光對表面光滑的物體如鏡面、油紙面的反射微弱，近紅外圖像幾無信息，無法檢測出人臉，可防止電子屏及視頻中的人臉的偽造攻擊。

1.2 人臉特征點檢測方法

人臉特征點檢測算法在人臉檢測中具有良好的應用效果，改進算法包括基于回歸分析的人臉特征點檢測方法［10］、基于分類搜索窗口的人臉特征點檢測方法［11］等?；诨貧w分析方法中，Valstar等［12］采用支持向量機，對劃分后的圖像人臉輪廓以及五官的特征點位置進行預測；Cao 等［13］使用人臉的整個區(qū)域，進行級聯(lián)回歸預測?；诜诸愃阉鞔翱诜ǚ椒ㄖ?，將人臉區(qū)域劃分為不同的區(qū)域，輸入到分類器中進行訓練，得到相應的人臉區(qū)域的特征點模型，這些分類器包括Adaboost［11］、支持向量機（Support Vector Machine，SVM）［14］等。其他研究也使用基于神經(jīng)網(wǎng)絡的檢測方法，如文獻［15］用級聯(lián)的卷積神經(jīng)網(wǎng)絡對人臉圖像的特征點進行預測。

本文的重點是活體人臉判斷，因此直接采用DLIB 庫進行人臉特征點檢測，能夠實時且準確地根據(jù)人臉姿態(tài)和表情的變化檢測到人臉及其特征點。考慮到本文的活體人臉檢測是個典型的二分類問題，而SVM 對此有較為突出的優(yōu)點，它沒有局部最優(yōu)，對于非線性、高維度、少樣本的情況有著較好的效果［16］，因此選擇SVM作為活體人臉檢測分類器。

2 本文方法

本文方法的總體思路是：通過對近紅外和可見光人臉圖像進行特征點檢測和匹配，計算特征點的深度信息，進行特征點三維重建，并基于深度信息構造相應的特征，用SVM 進行分類，其中特征點的匹配和校正以及特征提取最為關鍵。

具體實現(xiàn)過程為：首先，對近紅外和可見光相機進行標定，獲取相機的參數(shù)；然后，同步采集左右相機的圖像，通過立體校正使得兩幅圖像共面和行對準；其次，對兩幅圖像進行人臉特征點檢測、校正和匹配，通過雙目視覺計算獲得人臉特征點的深度信息并實現(xiàn)點云重建；最后，利用深度信息中的方差和距離進行特征提取并建立深度樣本庫，使用SVM 方法進行樣本分類，進而實現(xiàn)對活體人臉的判斷。

2.1 人臉特征點檢測

本文采用DLIB 庫對近紅外圖像和可見光圖像進行人臉特征點檢測。圖1 為特征點檢測結果，圖中分別展示了DLIB檢測到的兩幅人臉圖像的68 個特征點，其中（a）為雙目裝置中左邊的紅外相機的成像，（b）為右邊的可見光相機的成像。

圖1 人臉特征點檢測結果Fig.1 Detection results of facial feature points

其中，近紅外圖像人臉檢測時可以防止電子屏人臉和視頻人臉的攻擊。圖2 展示了同一時刻下電子屏幕在雙目裝置中所呈現(xiàn)的近紅外圖像與可見光圖像。如圖2 所示，電子屏幕在近紅外攝像機下幾乎無法成像，從而無法檢測到人臉。因此可知，由于電子設備和表面光滑的照片在近紅外相機中成像效果差，若沒有檢測到近紅外圖像的人臉特征點，則可直接判定為非活體人臉，所以本方法能夠在人臉檢測開始時就直接排除電子屏或視頻人臉，從而較容易地抵御此類攻擊。

圖2 電子屏幕在雙目裝置下的視覺效果對比Fig.2 Comparison of visual effects of electronic screen in binocular device

2.2 人臉特征點校正和匹配

經(jīng)立體校正后，近紅外與可見光圖像已實現(xiàn)共面和行對準，可以按照雙目視覺逐點匹配方法進行匹配計算，但是直接匹配會出現(xiàn)兩個問題：一是因為異源圖像成像原理差異［17］造成匹配不正確而效果差；二是耗時過長。

考慮到活體檢測中最重要的是檢測出人臉的立體特征，而人臉特征點作為通常人臉檢測的依據(jù)，如果能直接得到其深度方向的信息，則在活體檢測中比用全臉的深度方便很多。因此本文采用了一種簡單的對特征點進行匹配并校正的方法，來獲取特征點的深度信息。

觀察近紅外和可見光圖像的特征點信息發(fā)現(xiàn)，在68 個特征點中，人臉中部的點在兩幅圖像中是可以對應的，而臉頰部分的點則可能不是一一對應的。為了便于觀察，將兩幅圖像的人臉輪廓點重疊。以近紅外圖像為基準，并以兩圖像鼻尖點對準重合的方式，將可見光圖像的特征點標記到近紅外圖像中，結果如圖3，其中形狀為圓形的點是近紅外人臉圖像的特征點，形狀為三角形的點是可見光人臉圖像的特征點。可以看出鼻尖點重合后，人臉的嘴巴、鼻子、眼睛、眉毛部分的輪廓特征點基本重合，而臉頰特征點位置存在一定差異。

圖3 人臉輪廓特征點疊加圖（鼻尖點重合）Fig.3 Figure of overlapping feature points of face contour（with nasal tip points coincided）

這種差異一方面是雙目視覺本身的差異造成的，另一方面是紅外圖像和可見光圖像特征點檢測過程造成的。其中，非臉頰部分的特征點遮擋少，可以簡單認為是立體匹配的點；而臉頰部分的特征點，因為遮擋的原因，不是一個物理點在兩個不同位置相機成像得到的，不是立體匹配的，必須進行校正后才能視為匹配。從圖3 可看出，人臉兩側的特征點中，可見光圖像中的點（圖3中0 到8 號點）在左側偏外側，而近紅外圖像中的點（圖3中9到16號點）在右側也偏外側。

本文的校正策略是：以臉頰內側的點為準，將向外側偏移的點向內靠攏。具體做法為：將圖3中左側編號0 到8 的三角形特征點向內側移動，右側9到16的圓形特征點向內側移動，偏移量為臉頰內側點和外側點（0到16號）平均距離。

圖4 展示了校正的結果，校正之后兩幅圖像的68 個特征點可視為立體匹配。注意這種方式也是比較粗略的方式，目的是為了得到人臉特征點的近似深度。

圖4 圖3校正后的圖Fig.4 Corrected image from Fig.3

2.3 人臉特征點三維坐標獲取

在對人臉輪廓特征點匹配的基礎上，根據(jù)雙目視覺三維測量原理得到每一個人臉輪廓特征點的三維深度信息和坐標信息。通過對左右攝像機分別進行單目標定，左右攝像機立體標定，以及立體校正，使得左右攝像機平面共面并且行對準［18］，校正后的雙目立體坐標系如圖5所示。

在圖5中，Ol與Or表示左右攝像機投影中心，Ol與Or之間的連線T為基線距離，P表示物體點，f表示焦距，xl與xr表示物體點P在左右攝像機圖像平面的投影點，即左圖像與右圖像中同一個特征點，兩者互為匹配點，分別表示左右攝像機圖像平面的光心，Z表示物體點P到基線T的距離。從圖5中，可以直接得到物體點P在左右攝像機的視差：

圖5 雙目立體坐標系Fig.5 Binocular stereo coordinate system

圖6 直觀展示了兩攝像機平面的關系，以左攝像機坐標系為基準，右攝像機相當于左攝像機平移一個基線距離T?？臻g物體點P在左圖像投影點的坐標為Pleft(Xleft，Yleft)，在右圖像投影點的坐標為Pright(Xright，Yright)。經(jīng)過立體校正后，可得到空間物體點P在左右圖像中的投影點的Y坐標相同，再由幾何中的三角關系可得：

圖6 雙目成像原理圖Fig.6 Schematic diagram of binocular imaging principle

式（1）表示了空間物體點P在左右攝像機圖像中的視差，根據(jù)此視差值以及式（2），可獲得以左攝像機為基準的坐標系下真實場景中物體點P的三維坐標：

2.4 人臉特征點三維特征提取方案

獲取人臉特征點三維信息后，需要構造相應的特征來實現(xiàn)對真實人臉與偽造人臉的檢測。本文的做法是從人臉特征點三維深度信息變化強弱出發(fā)，以鼻尖點為參照，分別提取深度值的方差以及空間特征點之間的距離值組成相應的特征向量進行SVM分類。

2.4.1 方差特征提取方案

考慮到真實人臉圖像特征點在三維結構上的信息要明顯好于以彎曲和扭曲照片的方式模仿真實人臉，本文考慮以獲得的人臉68 個特征點的深度信息作為初始的數(shù)據(jù)，根據(jù)人臉的整體分布以及五官的關系計算若干個特征點深度值的方差，并組成特征向量進行SVM分類。

方差是表現(xiàn)數(shù)據(jù)變化強弱的指標，針對一組一維數(shù)據(jù)，當數(shù)據(jù)之間大小變化劇烈，那么這組數(shù)據(jù)的方差就會相對較大，而當數(shù)據(jù)之間大小基本相同，那么這組數(shù)據(jù)的方差就會相對較小。針對本文的人臉68 個特征點的深度值構成的一維數(shù)據(jù)，由于真實人臉的深度值變化相較于偽造人臉的深度變化強，則前者的深度值的方差要明顯大于后者。

方差計算公式為：

式中：zi表示人臉每個特征點的深度值；M表示相應的特征點深度值的均值；s2表示相應的特征點深度值的方差。

圖7展示了在二維平面中人臉68個特征點的相對位置關系，考慮到彎曲照片的攻擊方式，本文將人臉的68 個特征點劃分為4 個部分：第1 部分為大矩形框內的整個人臉，即全部68個特征點；第2部分為圖中小的矩形框內的特征點，即為鼻子、嘴巴、兩只眼睛的特征點組合；第3 部分為圖中上方的橢圓內的特征點；第4 部分為圖中下方的橢圓內的特征點。這里用d1、d2、d3、d4依次表示上述的四個部分的特征點對應的深度值構成的一維數(shù)據(jù)，分別計算這四部分的一維數(shù)據(jù)的方差并分別記為s1、s2、s3、s4，本文用這四個方差組成四維向量，采用SVM分類器對其進行分類。

圖7 按布局劃分的（68個）人臉特征點示意圖Fig.7 Figure of（68）facial feature points divided by layout

2.4.2 距離特征提取方案

另一方面，真實人臉的五官分布都存在一定的關系，盡管彎曲人臉照片的特征點的三維點云有一定的三維結構，但是與真實人臉還是存在很大的差異。為了更容易辨別真實人臉與照片人臉，考慮以深度差異較大的人臉特征點為參照。由于鼻子是人臉區(qū)域中最突出的地方，于是選取鼻尖上的特征點作為參照點，從左右眼睛區(qū)域、左右眉毛區(qū)域、鼻梁區(qū)域（除去鼻尖的點）、左右兩側臉區(qū)域、嘴巴區(qū)域各選取特征點，分別計算點云中鼻尖上的特征點到其他的特征點的距離。

三維坐標系中點與點之間距離計算公式為：

圖8 展示了本文在人臉的不同區(qū)域選取的人臉特征點，共計13 個特征點（不包含鼻尖位置的特征點），依次計算鼻尖特征點（圖8中31 顯示的位置）到其他13 個特征點在重建的點云中的距離記為d1，d2，…，d13，由這13 個距離值組成13 維特征向量，采用SVM分類器對其進行分類。

圖8 按區(qū)域劃分的（68個）人臉特征點示意圖Fig.8 Figure of（68）facial feature points divided by region

3 實驗與結果分析

3.1 實驗數(shù)據(jù)

實驗數(shù)據(jù)為同一時刻拍攝的近紅外人臉圖像與可見光人臉圖像，由于沒有相應的公開數(shù)據(jù)集，本文采用自建的數(shù)據(jù)集，為了保證實驗數(shù)據(jù)的可靠性、廣泛性等，在進行數(shù)據(jù)集建設時，注重從多角度去構建。對于真實人臉圖像，考慮人臉的姿態(tài)、表情、是否佩戴眼鏡以及相對雙目裝置的距離等；對于偽造人臉圖像，不僅要考慮到用平面的照片圖像，也要考慮攻擊者用彎曲照片的方式去仿造真實人臉的三維結構。數(shù)據(jù)庫構建源于20 個真實對象，采集每人不同姿態(tài)、表情、戴眼鏡、不戴眼鏡的同一時刻拍攝的近紅外與可見光圖像100 對，相對應的20 個真實對象的偽造人臉照片，并采集不同方向和彎曲程度的偽造人臉圖像100對，共計4 000對圖像。

圖9 展示了部分的真實人臉圖像數(shù)據(jù)，其中包含了配戴眼鏡人臉圖像、未佩戴眼鏡的左右偏頭、仰頭、閉眼圖像以及這些情況的組合圖像。圖10 展示了部分的偽造人臉照片圖像，采用彎曲照片的方式模擬真實的人臉的三維結構。照片彎曲的方式分為豎直方向與水平方向，并且在彎曲的程度上，對二維平面照片進行逐漸的彎曲，并采集彎曲過程中不同彎曲程度的每幀圖像，用來保證數(shù)據(jù)的多樣性，最終組成偽造人臉攻擊數(shù)據(jù)庫。

圖9 部分真實人臉圖像Fig.9 Part real face images

圖10 部分偽造人臉圖像Fig.10 Part fake face images

3.2 實驗設計

本文設計了兩組實驗：第一組為人臉特征點三維點云重建實驗；第二組為人臉特征點深度特征和分類實驗。

人臉特征點三維點云重建實驗，通過觀察點云重建的視覺效果和特點，從定性分析的角度判別真?zhèn)稳四槨Ｔ趯嶒炦^程中，不僅僅考慮真實人臉與偽造照片的重建結果，也考慮攻擊者將人臉照片進行不同方向以及不同程度彎曲來模仿真實人臉的三維結構。

人臉特征點深度特征和分類實驗，按照2.4 節(jié)中提出的對人臉特征點三維點云的兩種評價方案，對提取的深度特征分別進行SVM 訓練分類，從定量分析的角度判別真?zhèn)稳四?，根?jù)實驗數(shù)據(jù)來驗證該方法的有效性。定量分析時，采用準確率（Accuracy，Acc），錯誤接受率（False Acceptance Rate，F(xiàn)AR）即誤識率，錯誤拒絕率（False Rejection Rate，F(xiàn)RR）即拒識率，作為評價本文方法的評價指標。

3.3 結果分析

3.3.1 三維特征點點云重建

近紅外圖像（左）與可見光圖像（右）的人臉68 個特征點的三維重建結果如下所示。其中圖11 為真實人臉圖像及其特征點三維點云重建結果，圖12 為人臉照片及其特征點三維點云重建結果。

圖11 真實人臉圖像及其三維點云重建結果Fig.11 Real face images and their 3D point cloud reconstruction results

圖12 偽造人臉（照片）及其三維點云重建結果Fig.12 Fake face images（photos）and their 3D point cloud reconstruction results

圖11（c）～（f）和圖12（c）～（f）分別從不同角度展示了重建的真實人臉與照片人臉的三維結構，即人臉三維點云的垂直側面、30°側面、60°側面以及正面。從圖11（c）～（f）中可以看出真實人臉輪廓特征點在垂直側面具有三維深度信息，而圖12（c）～（f）表現(xiàn)出照片人臉輪廓特征點的重建結果接近于平面。

由于人臉照片攻擊形式的多樣性，在真實情況中不僅需要考慮二維平面的人臉照片，還需要考慮攻擊者用彎曲照片的方式進行攻擊，因為彎曲的人臉照片也能夠重建出具有三維深度信息的結果。彎曲的方式一般分為兩種：一種是豎直彎曲，另一種是水平彎曲，具體的效果如圖13所示。

本文對不同彎曲情況的照片進行了人臉68 個輪廓點的三維結構重建，結果如圖14所示。

將圖14 與圖11（c）～（f）比較發(fā)現(xiàn)：真實人臉的三維點云與彎曲的照片人臉的三維點云之間存在較大的差別。雖然彎曲照片的人臉的三維點云存在一定的三維結構，但是只是存在于人臉的局部區(qū)域，這些區(qū)域集中在人臉周圍的輪廓中，這些結果的深度變化與真實人臉的點云的深度變化相比較弱，并且對于鼻子區(qū)域來說，由于其位置的特殊性，彎曲照片人臉特征點的三維點云在此區(qū)域并不會有明顯的深度信息變化。

通過觀察分析特征點三維點云重建實驗的視覺效果及其特點，在一定程度上可以辨別真實人臉和偽造人臉。但是從重建的結果中可以發(fā)現(xiàn)，照片人臉的三維點云并不是完全沒有三維結構，尤其是具有一定彎曲程度的照片，直接通過點云重建結果來分辨的話會造成誤判且判斷結果具有主觀性。所以還需要對三維點云進行客觀定量的分析，通過提取的深度特征對真實人臉和偽造人臉加以判別。

圖13 偽造人臉圖像（照片彎曲）Fig.13 Fake face images（curved photo）

圖14 偽造人臉圖像（照片彎曲）三維點云重建結果Fig.14 3D point cloud reconstruction results of fake face images（curved photo）

3.3.2 三維點云深度特征提取和分類

考慮到實驗數(shù)據(jù)規(guī)模有限，而SVM 對于小樣本數(shù)據(jù)有較好的效果，并且有較快的計算速度，因此選擇其作為本實驗人臉特征分類器。在人臉圖像數(shù)據(jù)庫方面，本文采集了20 個對象的100對真實人臉圖像，以及相應對象的100對偽造照片圖像，在實現(xiàn)人臉特征點的三維點云重建后建立點云樣本庫。選取15 個對象的三維點云作為訓練樣本集，剩余的5 個對象的三維點云作為測試樣本集。為了保證結果的精確性，實驗根據(jù)人臉照片是否彎曲對照片樣本作劃分，并分別進行訓練與測試。

在SVM 分類時需要選擇核函數(shù)，SVM 提供了多種核函數(shù)，不同的核函數(shù)具有不同的預測特性。在使用交叉驗證的方法去測試不同的核函數(shù)對初始數(shù)據(jù)的預測結果后，本文選用速度較快且性能好的高斯核函數(shù)，并將核寬設置為1。使用SVM 分類時，首先獲取人臉特征點三維數(shù)據(jù)，然后用方差和距離信息兩種方案進行三維特征提取，并建立三維特征樣本庫，其中包括方差特征構造的4 維特征向量和距離特征構成的13 維特征向量（詳見2.4 節(jié)三維特征提取方案），最后將深度特征進行訓練并實現(xiàn)分類，總體流程如圖15所示。

1）方差特征實驗。

按照本文2.4.1節(jié)中的三維特征提取方案將人臉68個特征點劃分為4 個區(qū)域，計算相應的區(qū)域的特征點的深度信息的方差組成4維特征向量，采用SVM 進行訓練分類，用測試樣本進行測試。

圖15 分類流程Fig.15 Flowchart of classification

實驗結果如表1 所示，從表1中可以看出，在使用測試樣本進行測試時，本文將彎曲照片與平整照片的樣本分別進行了測試。對于平整照片的樣本集，此方法完全能夠抵御偽造人臉照片的攻擊。而對于彎曲照片樣本集，會出現(xiàn)真實人臉與偽造人臉相互誤判的情況。對比樣本集發(fā)現(xiàn)，對于真實人臉，當距離裝置較遠且面部側向程度較大時，導致相應的人臉特征點的三維點云重建結果誤差較大。對于偽造照片人臉，在圖像能夠檢測出人臉的基礎上，照片的彎曲程度過大，使得人臉的特征點檢測出現(xiàn)較大的誤差，進而導致重建出的人臉特征點的三維點云的深度信息變化劇烈而被誤檢。

表1 方差特征檢測實驗結果 單位：%Tab.1 Experimental results of variance feature detection unit：%

2）距離特征實驗。

按照本文2.4.2 節(jié)中的三維特征提取方案選取圖8中橢圓標記的14 個特征點，以鼻尖點為參照，在三維坐標系下，計算鼻尖點距離其他13個特征點的距離，以此組成13個距離特征向量，采用SVM進行訓練分類，用測試樣本進行測試。

同樣，本文根據(jù)是否彎曲將樣本中照片進行了分類并分別進行了測試。實驗結果如表2 所示：對于平整照片的樣本集，此方法完全能夠抵御偽造人臉照片的攻擊；對于彎曲照片的樣本集，則會出現(xiàn)兩者相互誤判的情況。與方差特征實驗相比，此方案的準確率要略低，其原因在于：此方案是以鼻尖的特征點為參照計算鼻尖特征點與其他特征點的三維距離，因為對鼻尖特征點的檢測的準確性要求較高，而當人臉的姿態(tài)出現(xiàn)較大范圍的變化時，人臉鼻尖的特征點檢測的精確程度會有所下降，從而導致誤檢情況的出現(xiàn)。雖然此方案的精確度低于方差特征提取方案，但從整體的精確度來來看，依然能夠抵御絕大部分的偽造人臉攻擊形式。

表2 點云距離特征檢測實驗結果 單位：%Tab.2 Experimental results of point cloud distance feature detection unit：%

文獻［6］采用兩個可見光攝像機組成的雙目系統(tǒng)，同樣根據(jù)人臉特征點的深度信息進行活體人臉判斷，但是其方法只利用了鼻尖和鼻根兩個點，而本文在此基礎上改為利用人臉68 個特征點的深度信息進行判斷。本文方法中的方差特征提取方案的實驗結果與文獻［6］方法的實驗結果的比較如表3所示。從表3中可以看出，在同樣使用單幀的近紅外圖像與可見光圖像情況下，本文采用深度值方差的方法準確率更高，且準確率基本達到其采用連續(xù)的10 幀圖像程度。分析其原因在于：文獻［6］采用單幀的圖像進行鼻尖點與鼻根點的距離差值計算時，對鼻尖點的準確性要求很高，當真實人臉的面部側向程度比較大時，鼻尖點的與鼻根點的檢測就會出現(xiàn)較大的誤差，從而導致兩點深度的距離值誤差較大，又由于其方法僅僅依賴人臉特征點中的鼻尖與鼻根兩個點，局限性較大，致使結果的準確性不夠高，而本文方法以鼻尖點為參照，利用了人臉68 個特征點，并從人臉的整體性進行考慮，因此本文方法的準確性更高，且具有較好的魯棒性。

表3 不同方法的準確率對比 單位：%Tab.3 Accuracy comparison of different methods unit：%

為了驗證算法的有效性，本文利用所提算法設計了活體人臉檢測系統(tǒng)，在實驗室的真實場景下對活體檢測系統(tǒng)進行測試，測試過程中，要求每個對象進行偏頭、仰頭、低頭以及表情變化等動作；對于偽造人臉照片，則進行平放、不同方向和不同程度的彎曲。實驗的總體結果表明，本系統(tǒng)能夠有效地抵御偽造人臉對活體檢測系統(tǒng)的攻擊。

4 結語

考慮到人臉在紅外條件下的成像特性以及雙目視覺系統(tǒng)的優(yōu)點，提出一種基于近紅外和可見光雙目系統(tǒng)的活體人臉檢測方法，旨在解決無需用戶配合場景下的活體人臉檢測易受光照影響和偽造攻擊的問題。用本文所提方法對近紅外和可見光人臉圖像進行異源匹配，提取特征點的深度信息并進行點云重建，按本文提出的方差和距離兩種深度特征方案對真?zhèn)稳四樳M行判別。實驗結果表明本文方法的準確率較高，且相較于同樣利用人臉特征點深度信息進行檢測的對比算法，本文算法具有更好的魯棒性和準確性?？偟膩碚f，本文所提方法能夠實現(xiàn)對活體人臉檢測和偽造攻擊防御。進一步的研究方向是思考如何更好地融合近紅外與可見光的特征，實現(xiàn)更好的異源匹配方法，并且利用深度學習的方法進行特征提取與分類，以及實現(xiàn)算法在智能監(jiān)控上的應用。