[發明專利]基于DWT-LBP-DCT特征的人臉活體檢測方法

有效

• 申請號: 202010042880.4
• 申請日: 2020-01-15
• 公開（公告）號: CN111259792B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 項世軍;章琬苓
• 申請（專利權）人: 暨南大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V40/40;G06V20/40;G06V10/774
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 陳宏升

1.基于DWT-LBP-DCT特征的人臉活體檢測方法，其特征在于，包括以下步驟：

S1、獲取待處理的原始視頻幀序列；

S2、對原始視頻幀序列進行人臉定位，擴大人臉識別區域并確定興趣區域，將興趣區域歸一化處理；

S3、將歸一化后興趣區域進行多級二維離散小波變換和塊劃分處理，得到DWT特征，獲取視頻幀的頻率信息；

S4、對DWT特征進行等價局部二值模式變換處理，得到DWT-LBP特征，獲取視頻幀的頻率信息和紋理信息；

S5、對DWT-LBP特征縱向進行離散余弦變換處理，得到DWT-LBP-DCT特征，獲取視頻幀的頻率信息、紋理信息和時域信息；

所述步驟S5具體為：

S501、將同一個視頻的DWT-LBP特征縱向連接，組成DWT-LBP視頻特征矩陣；

S502、在DWT-LBP視頻特征矩陣上縱向運用DCT運算，提取其在時間變換過程中，各分塊反映出的能量信息，得到DWT-LBP-DCT特征，計算如下：

其中，x_n為長度為N的輸入數據，0≤n≤N-1；X_k為輸出數據；

S6、對DWT-LBP-DCT特征使用機器學習分類器進行訓練并分類，得到檢測結果。

2.根據權利要求1所述的基于DWT-LBP-DCT特征的人臉活體檢測方法，其特征在于，所述步驟S1具體為：當原始視頻有M幀圖像時，按照時間間隔I提取F幀圖像，計算如下：

進而得到待處理的原始視頻幀序列。

3.根據權利要求1所述的基于DWT-LBP-DCT特征的人臉活體檢測方法，其特征在于，所述步驟S2具體如下：

S201、通過人臉分類器定位原始視頻幀序列中每幀圖像中人臉位置，并以識別的人臉位置坐標為基數；

S202、以人臉位置坐標為基數，按照一組比例因子放大坐標，若放大后的坐標點超出原始幀的坐標范圍，則以原始幀對應的邊界點代替該放大后的坐標點，得到比例坐標點；

S203、根據比例坐標點在原始視頻幀中重新確定目標區域，即興趣區域，并將所有興趣區域圖像的分辨率統一為目標值，若分辨率不足或大于目標值，則進行雙線性插值處理獲取目標圖像，目標圖像為彩色RGB圖像。

4.根據權利要求3所述的基于DWT-LBP-DCT特征的人臉活體檢測方法，其特征在于，所述步驟S3具體如下：

S301、對目標區域進行D級二維DWT處理，分離出頻率分量，頻率分量包括平滑逼近分量LL_D、水平分量HL_X、垂直分量LH_X、對角分量HH_X，其中，X的范圍為1至D；

S302、記錄各頻率分量的分辨率；

S303、將需要切塊的水平分量HL_X、垂直分量LH_X、對角分量HH_X進行切塊處理，獲取同平滑逼近分量LL_D大小相同的若干頻率小塊，并對所有提取出不同比例因子的目標圖像進行以上操作，進而得到視頻幀的頻率信息。

5.根據權利要求4所述的基于DWT-LBP-DCT特征的人臉活體檢測方法，其特征在于，所述需要切塊處理的頻率分量，其X的范圍為1至D-1。

6.根據權利要求4所述的基于DWT-LBP-DCT特征的人臉活體檢測方法，其特征在于，所述步驟S4具體為：計算所有頻率小塊的等價LBP直方圖，將每一幀目標圖像的LBP直方圖按照時間順序水平連接，得到DWT-LBP特征。

7.根據權利要求1所述的基于DWT-LBP-DCT特征的人臉活體檢測方法，其特征在于，所述步驟S6具體如下：根據DWT-LBP-DCT特征，使用數據庫中的訓練集建立對應的支持向量機SVM分類器，根據驗證集獲取測試中需要的參數，將測試集送入訓練好的SVM分類器，得到檢測結果，實現真假視頻分類。

8.根據權利要求7所述的基于DWT-LBP-DCT特征的人臉活體檢測方法，其特征在于，所述測試中需要的參數包括錯誤接受率FAR、錯誤拒絕率FRR；使用驗證集獲取當錯誤接受率FAR和錯誤拒絕率FRR相等時的分類器閾值τ，并根據分類器閾值τ獲取半錯誤率HTER和準確率；其中半錯誤率HTER為錯誤接受率FAR和錯誤拒絕率FRR總和的一半。