一种基于LBP特征的人脸活体检测方法和装置与流程

本发明涉及生物识别技术领域，特别是涉及一种基于lbp特征的人脸活体检测方法和装置。

背景技术：

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。现代人们的生活和工作中，利用人脸识别技术可以有效的加强安全和隐私。但现实中也存在一个问题，比如利用照片、面具或视频等虚假的信息可能会欺骗人脸识别设备，使得非法用户通过人脸识别这道安全防线，对安全和隐私构成威胁。

因此，在人脸识别前，先进行活体检测，可以有效地防止利用打印的照片、手机或pad等移动终端里的照片和视频、人脸面具等虚假信息通过人脸识别，从而避免安全漏洞。

现有的活体检测技术主要有：基于纹理的、基于光流的和基于交互的活体检测等。其中，基于光流的方法通过建立光流场模型，获取活体真人、照片、屏幕等不同的三维结构在运动时的光流特点，进行活体检测，缺点是需要用户有一定的运动。基于交互的活体检测，需要被检测对象完成系统指示的动作，比如转头、眨眼、张嘴等动作，但这些特定动作可以通过录制视频或其他方式进行欺瞒从而骗过活体检测系统。上面两种检活方式因为需要用户运动或动作配合，不够友好，用户体验性差。基于纹理的活体检测方法，只提取可见光下用户图片的纹理特征，提取的特征受限，准确性不高、鲁棒性不好。

技术实现要素：

本发明提供了一种基于lbp特征的人脸活体检测方法和装置，以解决现有活体检测技术用户体验性差、准确性和鲁棒性较低的问题。

为了解决上述问题，本发明提供了一种基于lbp特征的人脸活体检测方法，包括：

采集被测人脸的近红外人脸图像和可见光人脸图像；

分别对近红外人脸图像和可见光人脸图像进行预处理；

分别提取预处理后的近红外人脸图像的第一lbp特征和预处理后的可见光人脸图像的第二lbp特征；

将所述第一lbp特征和第二lbp特征分别输入级联的第一分类器和第二分类器进行分类，根据分类结果判断被测人脸是否为活体。

作为一个举例说明，所述将所述第一lbp特征和第二lbp特征分别输入级联的第一分类器和第二分类器进行分类，包括：将第一lbp特征输入第一分类器进行分类后，再将第二lbp特征输入第二分类器进行分类；或者，将第二lbp特征输入第二分类器进行分类后，再将第一lbp特征输入第一分类器进行分类。

作为一个举例说明，所述第一分类器包括：级联的第一子分类器和第二子分类器；所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器；所述第二子分类器为由活体、面具的近红外人脸样本图像训练的分类器。

作为一个举例说明，所述第二分类器包括：级联的第三子分类器和第四子分类器；所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器；所述第四子分类器为由活体、面具的可见光人脸样本图像训练的分类器。

作为一个举例说明，所述第一lbp特征包括：59维的特征、59维的特征、243维的特征中的一种或者几种组合；其中，特征为邻域像素点个数为8、邻域半径为1的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为8、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为16、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征。

作为一个举例说明，所述第二lbp特征包括：59维的特征、59维的特征、243维的特征中的一种或者几种组合；其中，特征为邻域像素点个数为8、邻域半径为1的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为8、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为16、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征。

相应的，本发明还提供了一种基于lbp特征的人脸活体检测装置，包括：

图像采集单元，用于采集被测人脸的近红外人脸图像和可见光人脸图像；

图像处理单元，用于分别对近红外人脸图像和可见光人脸图像进行预处理；

特征提取单元，用于分别提取预处理后的近红外人脸图像的第一lbp特征和预处理后的可见光人脸图像的第二lbp特征；

分类判断单元，用于将所述第一lbp特征和第二lbp特征分别输入级联的第一分类器和第二分类器进行分类，根据分类结果判断被测人脸是否为活体。

作为一个举例说明，所述分类判断单元用于将第一lbp特征输入第一分类器进行分类后，再将第二lbp特征输入第二分类器进行分类；或者，将第二lbp特征输入第二分类器进行分类后，再将第一lbp特征输入第一分类器进行分类。

作为一个举例说明，所述第一分类器包括：级联的第一子分类器和第二子分类器；所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器；所述第二子分类器为由活体、面具的近红外人脸样本图像训练的分类器。

作为一个举例说明，所述第二分类器包括：级联的第三子分类器和第四子分类器；所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器；所述第四子分类器为由活体、面具的可见光人脸样本图像训练的分类器。

作为一个举例说明，所述第一lbp特征包括：59维的特征、59维的特征、243维的特征中的一种或者几种组合；其中，特征为邻域像素点个数为8、邻域半径为1的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为8、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为16、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征。

作为一个举例说明，所述第二lbp特征包括：59维的特征、59维的特征、243维的特征中的一种或者几种组合；其中，特征为邻域像素点个数为8、邻域半径为1的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为8、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为16、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征。

与现有技术相比，本发明具有以下优点：

在本发明除了采集被测人脸的可见光人脸图像，提取预处理后的可见光人脸图像的第二lbp特征，还采集了被测人脸的近红外人脸图像，并提取了预处理后的近红外人脸图像的第一lbp特征，将第一lbp特征和第二lbp特征分别输入级联的第一分类器和第二分类器进行分类，以实现活体检测，该过程不需要用户的运动、动作配合，用户体验度好。并且，提取了不同光照环境下的纹理特征，即，预处理后的近红外人脸图像的第一lbp特征和预处理后的可见光人脸图像的第二lbp特征，综合考虑二者进行多级联分类，参与分类的纹理特征更加丰富、全面，增强了活体检测的准确率和鲁棒性。

此外，本发明的第一分类器可以包括：级联的第一子分类器和第二子分类器；通过将第一分类器作进一步分类拆分，将活体的近红外人脸图像作为正样本，照片、面具的近红外人脸图像分别作为不同的负样本，输入到不同的子分类器中，对于近红外采集的图像，能够更精确的对活体、照片和面具这些不同类型的非活体进行划分，提高活体检测的准确性、鲁棒性。

相应的，本发明的第二分类器可以包括：级联的第三子分类器和第四子分类器。通过对第二分类器作进一步分类拆分，将活体的可见光人脸图像作为正样本，照片、面具的可见光人脸图像分别作为不同的负样本，输入到不同的子分类器中，对于可见光采集的图像，能够更精确的对活体、照片和面具这些不同类型的非活体进行划分，同样能够提高活体检测的准确性、鲁棒性。

附图说明

图1是本发明一种基于lbp特征的人脸活体检测方法实施例一的流程图；

图2是本发明一种基于lbp特征的人脸活体检测方法实施例二的流程图；

图3是本发明一种基于lbp特征的人脸活体检测装置实施例的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明一种基于lbp特征的人脸活体检测方法实施例一的流程图，所述方法包括：

步骤101、采集被测人脸的近红外人脸图像和可见光人脸图像；

所述被测人脸可能是活体人脸，也可能是非活体人脸，例如，照片、视频、面具等，使用双模图像采集单元采集被测人脸在两种模式下的图像，所述双模图像采集单元可以包括：近红外补光灯、近红外摄像头和可见光摄像头。其中，可见光摄像头具有可见光滤光片，其可以过滤掉某些波段的近红外光、透过可见光，利用可见光摄像头采集可见光人脸图像；近红外摄像头具有近红外滤光片，其可以过滤掉可见光、透过某些波段的近红外光，利用近红外摄像头采集近红外人脸图像；近红外补光灯进行近红外补光，可设置在近红外摄像头的周围。

图像的采集过程可以是同时采集，也可以是分时采集，例如，先采集近红外人脸图像，再采集可见光人脸图像，或者，先采集近红外人脸图像，再采集可见光人脸图像。可以理解的是，应针对于同一个被测人脸采集其对应的近红外人脸图像和可见光人脸图像。

步骤102、分别对近红外人脸图像和可见光人脸图像进行预处理；

采集的原始人脸图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须对其进行图像预处理，使其能够适用于特征提取的过程。对于人脸图像而言，其预处理过程主要包括灰度变换和归一化。近红外人脸图像和可见光人脸图像经过灰度转化后，图像的像素具有在0～255之间的灰度值，然后，将经过灰度转化后的图像归一化到固定的大小，例如，可以归一化到64像素*64像素的大小。另外，根据不同的需求，预处理过程还可以包括人脸图像的光线补偿、几何校正、滤波以及锐化等。

步骤103、分别提取预处理后的近红外人脸图像的第一lbp特征和预处理后的可见光人脸图像的第二lbp特征；

活体人脸、照片、面具等由于光照反射率不同，会导致它们成像的纹理信息出现差异，本发明实施例利用这种差异来进行活体和非活体分类，具体的，利用的纹理信息是lbp(localbinarypattern，局部二值模式)特征，它能很好的表征纹理信息并具有一定的光照不变性。lbp是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著的优点，用于纹理特征提取。

提取lbp特征的过程如下：首先，对于每个一个像素，将其与相邻像素的灰度值进行比较，若相邻像素的灰度值大于中心像素的灰度值，则该相邻像素点的位置被标记为1，否则为0。这样，相邻的像素点可以组成一个二进制数，即得到中心像素点的lbp值；然后，利用lbp值获取对应的lbp直方图特征；将直方图作为一个特征向量，也就得到了整幅图的lbp特征。

本步骤分别提取预处理后的近红外人脸图像的lbp特征(即，第一lbp特征)和预处理后的可见光人脸图像的lbp特征(即，第二lbp特征)，可以理解的是，第一lbp特征和第二lbp特征的提取过程可以是同时进行，也可以是分时进行。

步骤104、将第一lbp特征和第二lbp特征分别输入级联的第一分类器和第二分类器进行分类，根据分类结果判断被测人脸是否为活体。

在本步骤中，第一分类器用于对第一lbp特征进行分类，第二分类器用于对第二lbp特征进行分类。级联分类器中的第一分类器、第二分类器都是svm(supportvectormachine，支持向量机)分类器。在机器学习领域，svm是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。所述第一分类器、第二分类器是预置的由样本图像训练得到的分类器，可以预先采集并获取大量的活体人脸样本和非活体人脸样本的lbp特征数据，用matlab的svm训练函数svmtrain(线性核参数)来训练分类器。具体的：

对于第一分类器，样本图像为活体的近红外人脸样本图像、非活体的近红外人脸样本图像，其中，非活体包括各种情形(比如平铺、折叠、弯曲、扣掉眼睛嘴巴等)的照片和各种面具。获取上万多份活体的近红外人脸样本图像的lbp特征，上万多份非活体的近红外人脸样本图像的lbp特征，输入到第一分类器进行svm训练，并且标记分类结果，其中，标记活体人脸为+1，非活体人脸为－1。

对于第二分类器，样本图像为活体的可见光人脸样本图像、非活体的可见光人脸样本图像，其中，非活体包括各种情形(比如平铺、折叠、弯曲、扣掉眼睛嘴巴等)的照片和各种面具。获取上万多份活体的可见光人脸样本图像的lbp特征，上万多份非活体的可见光人脸样本图像的lbp特征，输入到第二分类器进行svm训练，并且标记分类结果，其中，标记活体人脸为+1，非活体人脸为－1。

在本发明方法实施例一中，除了采集被测人脸的可见光人脸图像，提取预处理后的可见光人脸图像的第二lbp特征，还采集了被测人脸的近红外人脸图像，并提取了预处理后的近红外人脸图像的第一lbp特征，将第一lbp特征和第二lbp特征分别输入级联的第一分类器和第二分类器进行分类，以实现活体检测，该过程不需要用户的运动、动作配合，用户体验度好。并且，采用了预处理后的近红外人脸图像的第一lbp特征、预处理后的可见光人脸图像的第二lbp特征，综合考虑二者进行多级联分类，由于提取了可见光和近红外两种不同采集模式下的lbp特征，参与分类的纹理特征更加丰富、全面，增强了活体检测的准确率和鲁棒性。

可以理解的是，第一分类器和第二分类器的级联顺序可以先后调整，相应的，第一lbp特征和第二lbp特征输入到对应分类器的顺序也可以先后调整。

作为一个举例说明，在本步骤中，可以将第一lbp特征输入第一分类器进行分类后，再将第二lbp特征输入第二分类器进行分类，如果全部通过，即两次分类结果均为+1，则判断被测人脸为活体；否则，则判断被测人脸为非活体。具体的，将第一lbp特征输入第一分类器进行首次分类，首次分类结果为非活体时，则结束检测过程；首次分类结果为活体时，再将第二lbp特征输入第二分类器进行二次分类，二次分类结果为非活体时，则结束检测过程；二次分类结果为活体时，则最终判断被测人脸为活体。

作为另一个举例说明，在本步骤中，可以将第二lbp特征输入第二分类器进行分类后，再将第一lbp特征输入第一分类器进行分类，如果全部通过，即两次分类结果均为+1，则判断被测人脸为活体；否则，则判断被测人脸为非活体。

作为一个举例说明，所述第一分类器包括：级联的第一子分类器和第二子分类器；其中，所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器；所述第二子分类器为由活体、面具的近红外人脸样本图像训练的分类器。通过对第一分类器作进一步分类拆分，将活体的近红外人脸图像作为正样本，照片、面具的近红外人脸图像分别作为不同的负样本，输入到不同的子分类器中，对于近红外采集的图像，能够更精确的对活体、照片和面具这些不同类型的非活体进行划分，提高活体检测的准确性、鲁棒性。可以理解的是，第一子分类器和第二子分类器的级联顺序可以先后调整，例如，可以将第一lbp特征输入第一子分类器进行分类，之后，再将第一lbp特征输入第二子分类器进行分类；或者，将第一lbp特征输入第二子分类器进行分类，之后，再将第一lbp特征输入第一子分类器进行分类。

作为另一个举例说明，所述第二分类器包括：级联的第三子分类器和第四子分类器；其中，所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器；所述第四子分类器为由活体、面具的可见光人脸样本图像训练的分类器。通过对第二分类器作进一步分类拆分，将活体的可见光人脸图像作为正样本，照片、面具的可见光人脸图像分别作为不同的负样本，输入到不同的子分类器中，对于可见光采集的图像，能够更精确的对活体、照片和面具这些不同类型的非活体进行划分，提高活体检测的准确性、鲁棒性。可以理解的是，第三子分类器和第四子分类器的级联顺序可以先后调整，例如，可以将第二lbp特征输入第三子分类器进行分类，之后，再将第二lbp特征输入第四子分类器进行分类；或者，将第二lbp特征输入第四子分类器进行分类，之后，再将第二lbp特征输入第三子分类器进行分类。

作为一个举例说明，所述第一lbp特征包括：59维的特征、59维的特征、243维的特征中的一种或者几种组合。

作为一个举例说明，所述第二lbp特征包括：59维的特征、59维的特征、243维的特征中的一种或者几种组合。

其中，特征为邻域像素点个数为8、邻域半径为1的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为8、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为16、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征。

下面，以特征为例进行具体说明：对于预处理后的人脸图像中每个像素点，比较其与邻域半径为1的周围8个领域像素点的灰度值大小，若领域像素点的灰度值大于中心像素点的灰度值，则该领域像素点的位置被标记为1，否则为0。按顺时针方向将8个数字连成一个8位的2进制数，共有256种；将得到的8位2进制数首尾相连，形成一个环，将其0到1以及1到0的变化次数不超过2次的归为一类，称为uniform模式(即，均匀模式或者等价模式)，其中，u2即代表变化次数不超过2次的uniform模式。经统计，均匀模式lbp算子共58种，非均匀lbp算子计为1种，则用一个59维的向量描述邻域像素点个数为8、邻域半径为1的均匀模式lbp算法得到的lbp直方图特征。

特征、特征的获取过程与特征的获取过程类似，且属于现有技术的内容，此处不再赘述。

作为一个举例说明，所述59维的特征、59维的特征、243维的特征可以是针对整个近红外人脸图像和可见光人脸图像的统计得到的特征。例如，所述第一lbp特征可以是59维的特征；也可以是59维的特征与59维的特征的组合，形成一个118维的特征向量；还可以是59维的特征、59维的特征、243维的特征的组合，形成一个361维的特征向量。例如，所述第二lbp特征可以是59维的特征；也可以是59维的特征与59维的特征的组合，形成一个118维的特征向量；还可以是59维的特征、59维的特征、243维的特征的组合，形成一个361维的特征向量。

作为另一个举例说明，还可以对整个近红外人脸图像和可见光人脸图像分别划分成不同的小区域(cell)，例如，划分为9块小区域，所述59维的特征、59维的特征、243维的特征中的至少一种是分别针对不同的小区域统计得到的特征，然后将得到的每个小区域的统计直方图进行连接成为一个多维的特征向量。需要说明的是，各个小区域可以边界相互相接，各个小区域也可以具有相互重叠的地方。例如，所述第一lbp特征包括：59维的特征、59维的特征、243维的特征的组合，其中，将近红外人脸图像按照预设规则划分为9个小区域，针对每一个小区域获取其对应的59维的特征，则，整个红外人脸图像的特征的维度为59*9＝531维，第一lbp特征的维度为：531+59+243＝833维。

参照图2，示出了本发明一种基于lbp特征的人脸活体检测方法实施例二的流程图，所述方法包括：

步骤201、采集被测物的近红外图像和可见光图像；

本步骤使用双模采集单元采集被测物在两种模式下的图像，所述双模采集单元可以包括：近红外补光灯、近红外摄像头和可见光摄像头。

步骤202、检测近红外图像中是否存在人脸；若是，则执行步骤203；若否，则判断没有人脸或被测人脸为非活体人脸，并结束；

在本方法实施例二中，首先，利用近红外人脸检测算法检测近红外图像中的人脸，先检测近红外图像而非可见光图像，是因为某些照片，如喷墨照片，以及手机、pad或笔记本等媒介里的视频不会在近红外环境中成像，这样可以先滤掉部分非活体，提高了算法的准确性。

步骤203、检测可见光图像的对应位置处是否存在人脸；若是，则执行步骤204；若否，则判断没有人脸，并结束；

根据可见光摄像头和近红外摄像头的视场角、二者之间的位置关系、以及近红外图像中检测到的人脸位置，可以推算出可见光图像中人脸的区域范围，在这个区域范围内检测是否存在人脸，相对于整个可见光图像中人脸的检测，由于缩小了检测范围，速度会更快些，同时也保证了活体检测针对的是同一个被测人脸，避免了图像中有多个人脸时相互混淆的情况。

步骤204、分别对近红外图像和可见光图像进行预处理；

经过步骤202和203的检测，确认采集的图像中均具有人脸，则此处所称的近红外图像即为近红外人脸图像，所称的可见光图像即为可见光人脸图像。所述预处理包括：灰度转化和归一化处理。

步骤205、提取预处理后的近红外图像的第一lbp特征；

步骤206、将第一lbp特征输入第一子分类器进行分类，根据分类结果判断是否为活体；若是，则执行步骤207；若否，则判断为非活体，并结束；

将预处理后的近红外人脸图像的第一lbp特征输入到第一子分类器，所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器，通过第一级分类，在判断结果为是时，暂定被测人脸为活体并进行下一步处理；在判断结果为否时，可以识别出作为非活体的部分照片。

步骤207、将第一lbp特征输入第二子分类器进行分类，根据分类结果判断是否为活体；若是，则执行步骤208；若否，则判断为非活体，并结束；

将预处理后的近红外人脸图像的第一lbp特征输入到第二子分类器，所述第二子分类器为由活体、面具的近红外人脸样本图像训练的分类器，通过第二级分类，在判断结果为是时，暂定被测人脸为活体并进行下一步处理；在判断结果为否时，可以识别出作为非活体的部分面具。

步骤208、提取预处理后的可见光图像的第二lbp特征；

步骤209、将第二lbp特征输入第三子分类器进行分类，根据分类结果判断是否为活体；若是，则执行步骤210；若否，则判断为非活体，并结束；

将预处理后的可见光人脸图像的第二lbp特征输入到第三子分类器，所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器，通过第三级分类，在判断结果为是时，暂定被测人脸为活体并进行下一步处理；在判断结果为否时，可以将步骤206没识别出来的照片检测出来，作为非活体。

步骤210、将第二lbp特征输入第四子分类器进行分类，根据分类结果判断是否为活体；若是，则判断被测人脸为活体，并结束；若否，则判断为非活体，并结束。

将预处理后的可见光人脸图像的第二lbp特征输入到第四子分类器，所述第四子分类器为由活体、面具的可见光人脸样本图像训练的分类器，通过第四级分类，在判断结果为是时，得到最终的检测结果，被测人脸为活体；在判断结果为否时，可以将步骤207没识别出来的面具检测出来，作为非活体。

在本发明方法实施例二中，通过四级分类器，能够通过近红外人脸图像把一部分照片、面具识别出来，通过可见光人脸图像把另一部分照片、面具识别出来，进而判断被测人脸是否为活体。

作为一个举例说明，所述步骤206、步骤207的先后顺序可以调整，所述步骤209、步骤210的先后顺序也可以调整。作为另一个举例说明，可以先执行步骤208～步骤210，再执行步骤205～步骤207。作为另一个举例说明，可以将步骤208提到步骤206之前，即，分别提取预处理后的近红外人脸图像的第一lbp特征和预处理后的可见光人脸图像的第二lbp特征之后，再执行步骤206、步骤207、步骤209和步骤210。

参照图3，示出了本发明一种基于lbp特征的人脸活体检测装置实施例二的结构示意图，所述装置300包括：

图像采集单元301，用于采集被测人脸的近红外人脸图像和可见光人脸图像；

图像处理单元302，用于分别对近红外人脸图像和可见光人脸图像进行预处理；

特征提取单元303，用于分别提取预处理后的近红外人脸图像的第一lbp特征和预处理后的可见光人脸图像的第二lbp特征；

分类判断单元304，用于将所述第一lbp特征和第二lbp特征分别输入级联的第一分类器和第二分类器进行分类，根据分类结果判断被测人脸是否为活体。

在本发明装置实施例中，使用双模的图像采集单元301采集被测人脸在两种模式下的图像，所述双模的图像采集单元301可以包括：近红外补光灯、近红外摄像头和可见光摄像头。其中，可见光摄像头具有可见光滤光片，其可以过滤掉某些波段的近红外光、透过可见光，利用可见光摄像头采集可见光人脸图像；近红外摄像头具有近红外滤光片，其可以过滤掉可见光、透过某些波段的近红外光，利用近红外摄像头采集近红外人脸图像；近红外补光灯进行近红外补光，可设置在近红外摄像头的周围。

图像处理单元302预处理过程主要包括灰度变换和归一化。分类判断单元304的第一分类器用于对第一lbp特征进行分类，第二分类器用于对第二lbp特征进行分类。所述第一分类器、第二分类器是预置的由样本图像训练得到的分类器，可以预先采集并获取大量的活体人脸样本和非活体人脸样本的lbp特征数据，用matlab的svm训练函数svmtrain(线性核参数)来训练分类器。具体的：

对于第一分类器，样本图像为活体的近红外人脸样本图像、非活体的近红外人脸样本图像，其中，非活体包括各种情形(比如平铺、折叠、弯曲、扣掉眼睛嘴巴等)的照片和各种面具。对于第二分类器，样本图像为活体的可见光人脸样本图像、非活体的可见光人脸样本图像，其中，非活体包括各种情形(比如平铺、折叠、弯曲、扣掉眼睛嘴巴等)的照片和各种面具。

在本发明装置实施例中，除了采集被测人脸的可见光人脸图像，提取预处理后的可见光人脸图像的第二lbp特征，还采集了被测人脸的近红外人脸图像，并提取了预处理后的近红外人脸图像的第一lbp特征，将第一lbp特征和第二lbp特征分别输入级联的第一分类器和第二分类器进行分类，以实现活体检测，该过程不需要用户的运动、动作配合，用户体验度好。并且，采用了预处理后的近红外人脸图像的第一lbp特征、预处理后的可见光人脸图像的第二lbp特征，综合考虑二者进行多级联分类，由于提取了可见光和近红外两种不同采集模式下的lbp特征，参与分类的纹理特征更加丰富、全面，增强了活体检测的准确率和鲁棒性。

作为一个举例说明，所述分类判断单元304用于将第一lbp特征输入第一分类器进行分类后，再将第二lbp特征输入第二分类器进行分类；或者，将第二lbp特征输入第二分类器进行分类后，再将第一lbp特征输入第一分类器进行分类。

作为一个举例说明，所述第一分类器包括：级联的第一子分类器和第二子分类器；所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器；所述第二子分类器为由活体、面具的近红外人脸样本图像训练的分类器。

作为一个举例说明，所述第二分类器包括：级联的第三子分类器和第四子分类器；所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器；所述第四子分类器为由活体、面具的可见光人脸样本图像训练的分类器。

作为一个举例说明，所述第一lbp特征包括：59维的特征、59维的特征、243维的特征中的一种或者几种组合；其中，特征为邻域像素点个数为8、邻域半径为1的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为8、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为16、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征。

作为一个举例说明，所述第二lbp特征包括：59维的特征、59维的特征、243维的特征中的一种或者几种组合；其中，特征为邻域像素点个数为8、邻域半径为1的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为8、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征；特征为邻域像素点个数为16、邻域半径为2的均匀模式lbp算法得到的lbp直方图特征。

本说明书中的各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的一种基于lbp特征的人脸活体检测方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。