基于Haralick和HOG特征的人臉活體檢測(cè)

劉航

1引言

隨著大數(shù)據(jù)技術(shù)的發(fā)展，人臉照片或視頻更易獲得及時(shí)存儲(chǔ)，有攻擊者用獲得的人臉照片或視頻對(duì)人臉識(shí)別系統(tǒng)進(jìn)行攻擊。因此，人臉識(shí)別系統(tǒng)加入活體檢測(cè)技術(shù)極其重要。本文提出基于Haralick特征和HOG特征的人臉活體檢測(cè)，由識(shí)別準(zhǔn)確率及ROC曲線得知達(dá)到了人臉活體檢測(cè)的效果。

2關(guān)鍵技術(shù)

（1）Haralick特征

（2）HOG特征

HOG特征提取分為3個(gè)步驟，首先歸一化彩色圖像，其次分割圖像為塊，將塊分割成小單元，每個(gè)單元由8×8像素組成，接著計(jì)算像素點(diǎn)的梯度值和方向，劃分為16個(gè)直方圖，最后級(jí)聯(lián)每個(gè)單元的直方圖特征，得到塊的直方圖特征，最后順序級(jí)聯(lián)每塊直方圖特征，得到整幅圖像的HOG特征。

3分類特征

（1）LDA分類器

LDA模型是由Blei等人在2003年提出的一種生成概率模型，起初用于文本建模領(lǐng)域，近年來(lái)，也成功應(yīng)用于圖像聚類等領(lǐng)域。LDA模型的基本思路是文檔是主題的組合，而主題又是單詞的混合。LDA模型中是出現(xiàn)某個(gè)主題的概率，

是給定主題下某個(gè)單詞出現(xiàn)的概率，和都服從狄利克雷分布，他們的參數(shù)分別是和，表示選擇的某個(gè)主題，是文檔個(gè)數(shù)，代表文檔庫(kù)中的文檔個(gè)數(shù)，代表文檔中的單詞個(gè)數(shù)。LDA模型包含超參數(shù)，可以通過(guò)Gibbs采樣進(jìn)行估算。

（2）KNN分類算法

3本文算法

本文提出基于Haralick和HOG特征的人臉活體檢測(cè)方法。首先讀取圖像，接著轉(zhuǎn)換為灰度圖像，由于圖像大小不同，因此統(tǒng)一調(diào)整圖片到（128，128）像素大小，接著分別提取Haralick和HOG特征，得到的Haralick特征大小為（13），HOG特征大小為（3 200），然后融合Haralick和HOG特征，得到最終的特征，送入KNN分類算法和LDA分類器重進(jìn)行分類，并輸出分類結(jié)果，即判斷是真實(shí)人臉還是虛假人臉。

4實(shí)驗(yàn)分析

本文采用NUAA人臉欺騙數(shù)據(jù)庫(kù)，包含15個(gè)拍照對(duì)象，每個(gè)對(duì)象采集約500張彩色圖片，大小為640×480像素。提出的算法在NUAA人臉欺騙數(shù)據(jù)庫(kù)上的準(zhǔn)確率和誤差。實(shí)驗(yàn)評(píng)估結(jié)果包含HTER，ROC曲線等，為了更加直觀，本文選擇ROC曲線衡量實(shí)驗(yàn)結(jié)果。ROC曲線是真正率（TPR）和假正率（FPR）關(guān)系的顯示，圖像越靠近左上角，效果越好。

本實(shí)驗(yàn)中LDA的分類效果好于KNN。由圖1可知，LDA的分類器算法更趨于左上角，因此分類效果更好，同時(shí)可以看出提出的算法達(dá)到了人臉活體檢測(cè)的要求。

5結(jié)束語(yǔ)

本文選擇從圖片中提取Haralick特征和HOG特征，接著融合特征送入LDA和KNN分類器分類，在本實(shí)驗(yàn)中，LDA分類效果好于KNN，由ROC曲線得知，實(shí)現(xiàn)了人臉活體檢測(cè)的效果。