近年來,隨著人臉識別技術的不斷發(fā)展,人臉識別系統(tǒng)在日常生活中的應用愈加廣泛,人臉識別系統(tǒng)遭受人臉偽造攻擊的風險也大大提升。為了提高人臉識別系統(tǒng)的安全性,本文針對人臉活體檢測技術展開研究,主要研究工作如下:針對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行級聯(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,用于訓練SVM分類器并區(qū)分活體人臉和偽造人臉。在兩個公開的數(shù)據(jù)集NUAA和CASIA上的實驗結果表明,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算法。針對現(xiàn)有的基于手工特征的人臉活體檢測算法需要人工精心設計特征且特征泛用性不強,而基于常規(guī)深度學習的人臉活體檢測算法缺乏足夠訓練樣本的問題,提出了基于深度遷移學習的人臉活體檢測算法。該算法首先修改了VGG-16卷積神經(jīng)網(wǎng)絡模型,使網(wǎng)絡結構更適合人臉活體檢測的目標任務,接著在深度網(wǎng)絡訓練過程中采用數(shù)據(jù)增強和遷移學習的方式,將訓練集圖像經(jīng)過預處理后送入網(wǎng)絡...

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

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

信號處理第30卷辨［12-14］，如圖1所示。事實上，活體人臉是一復雜的非剛性三維物體，而照片人臉是一平面的剛性物體，因此會產(chǎn)生不同的光照反射和陰影;由于真實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節(jié)較好的檢測。因此，....

圖2基于灰度共生矩陣和小波分析的活體人臉檢測算法框架

，因此會產(chǎn)生不同的光照反射和陰影;由于真實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節(jié)較好的檢測。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方法來解決這一問題。算法框圖如2所示(在本論文實驗中，NU....

圖1.1活體人臉和照片人臉的傅里葉頻譜圖

武漢科技大學碩士學位論文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行活體檢測。圖1....

圖1.2基于LBP特征的人臉活體檢測算法圖[19]

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

本文編號：3967713