近年來,隨著人臉識(shí)別技術(shù)的不斷發(fā)展,人臉識(shí)別系統(tǒng)在日常生活中的應(yīng)用愈加廣泛,人臉識(shí)別系統(tǒng)遭受人臉偽造攻擊的風(fēng)險(xiǎn)也大大提升。為了提高人臉識(shí)別系統(tǒng)的安全性,本文針對(duì)人臉活體檢測(cè)技術(shù)展開研究,主要研究工作如下:針對(duì)活體人臉和偽造人臉在采集過程中和再現(xiàn)過程中的差異性,提出了基于空域與頻域多特征融合的人臉活體檢測(cè)方法。該算法在圖像空域提取人臉的色相矩特征和模糊度特征,在頻域提取人臉的傅里葉譜能量特征和能量占比特征,再將空域和頻域特征進(jìn)行級(jí)聯(lián)融合并做歸一化處理作為描述人臉圖像的全局特征向量,用于訓(xùn)練SVM分類器并區(qū)分活體人臉和偽造人臉。在兩個(gè)公開的數(shù)據(jù)集NUAA和CASIA上的實(shí)驗(yàn)結(jié)果表明,該算法性能優(yōu)于其它基于單一特征或單一域特征的人臉活體檢測(cè)算法。針對(duì)現(xiàn)有的基于手工特征的人臉活體檢測(cè)算法需要人工精心設(shè)計(jì)特征且特征泛用性不強(qiáng),而基于常規(guī)深度學(xué)習(xí)的人臉活體檢測(cè)算法缺乏足夠訓(xùn)練樣本的問題,提出了基于深度遷移學(xué)習(xí)的人臉活體檢測(cè)算法。該算法首先修改了VGG-16卷積神經(jīng)網(wǎng)絡(luò)模型,使網(wǎng)絡(luò)結(jié)構(gòu)更適合人臉活體檢測(cè)的目標(biāo)任務(wù),接著在深度網(wǎng)絡(luò)訓(xùn)練過程中采用數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)的方式,將訓(xùn)練集圖像經(jīng)過預(yù)處理后送入網(wǎng)絡(luò)...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1NUAA［15］數(shù)據(jù)庫(kù)中活體人臉(第一行)和照片人臉的實(shí)例(第二行)

信號(hào)處理第30卷辨［12-14］，如圖1所示。事實(shí)上，活體人臉是一復(fù)雜的非剛性三維物體，而照片人臉是一平面的剛性物體，因此會(huì)產(chǎn)生不同的光照反射和陰影;由于真實(shí)人臉和照片人臉的表面屬性的差異性，比如色素;而且照片人臉通常包含印刷質(zhì)量的缺陷，這一差異可以利用紋理細(xì)節(jié)較好的檢測(cè)。因此，....

圖2基于灰度共生矩陣和小波分析的活體人臉檢測(cè)算法框架

，因此會(huì)產(chǎn)生不同的光照反射和陰影;由于真實(shí)人臉和照片人臉的表面屬性的差異性，比如色素;而且照片人臉通常包含印刷質(zhì)量的缺陷，這一差異可以利用紋理細(xì)節(jié)較好的檢測(cè)。因此，本文提出了一種基于灰度共生矩陣和小波分析的活體照片人臉檢測(cè)方法來解決這一問題。算法框圖如2所示(在本論文實(shí)驗(yàn)中，NU....

圖1.1活體人臉和照片人臉的傅里葉頻譜圖

武漢科技大學(xué)碩士學(xué)位論文3中的低頻分量就較多。如圖1.1所示，由于偽造人臉圖像相較于活體人臉圖像經(jīng)過了圖像的重現(xiàn)和二次采集過程，由于重現(xiàn)過程中的失真和二次采集過程中的抖動(dòng)等因素，造成其圖像質(zhì)量有一定下降，最終反映到成像清晰度上，在圖像的頻域上分析高頻和低頻信息來進(jìn)行活體檢測(cè)。圖1....

圖1.2基于LBP特征的人臉活體檢測(cè)算法圖[19]

武漢科技大學(xué)碩士學(xué)位論文4人臉圖像提取LGS特征，利用最近鄰分類器進(jìn)分類識(shí)別活體人臉。Parveen等[18]將局部三值模式紋理特征應(yīng)用于活體人臉檢測(cè)，并在公開數(shù)據(jù)集中得到較好的實(shí)驗(yàn)結(jié)果，但該算法需要手動(dòng)選取合適的閾值，很難投入在實(shí)際應(yīng)用中。圖1.2基于LBP特征的人臉活體檢測(cè)算....

本文編號(hào)：3967713