本发明涉及图像处理领域，尤其是一种对抗虚假人脸入侵的判别方法。
背景技术：
近年来，虚假人脸判别算法广泛地应用在人脸识别系统中，甄别盗用他人生物特征信息的不法分子，以提高人脸识别系统的安全性、稳定性。虚假人脸判别算法通常分为：基于3d图像的虚假人脸判别算法和基于2d图像的虚假人脸判别算法。目前市场上基于3d图像的虚假人脸判别算法采用3d摄像头采集人脸图像，通过结构光、激光雷达测距或双目摄像头获取人脸图像的深度信息，从而分辨出基于照片或视频回放的虚假人脸入侵。另外，文献1“boulkenafetz,komulainenj,hadida.facespoofingdetectionusingcolourtextureanalysis[j].ieeetransactionsoninformationforensicsandsecurity,2016,11(8):1-1”提出提取2d图像的rgb、hsv、ycbcr以及它们直接级联的颜色特征，然后进行虚假人脸判别。文献1中3d图像判别效果较好，但严重依赖图像深度信息，从而导致算法对图像采集设备要求很高，整个系统的成本较高。另外，文献1中的2d图像方法没有打破不同颜色空间的界限选择最有效的颜色通道组合。
技术实现要素：
为了克服现有技术的不足，本发明提供一种基于重组颜色空间的虚假人脸判别方法，提出了一种基于重组颜色空间的虚假人脸判别方法，根据2d图像选择不同颜色空间中对虚假人脸检测最有效的颜色通道构成重组颜色空间，然后通过神经网络训练权重矩阵确定重组颜色空间的颜色通道的构成比重，通过分类网络完成虚假人脸判别。
本发明解决其技术问题所采用的技术方案是包括以下步骤：
步骤1：首先将rgb颜色空间的人脸图像映射到hsv、ycbcr、lab颜色空间，选择hsv、ycbcr以及lab三个颜色通道中反应蓝色或者偏蓝色分量的通道h、s、cb和b，根据公式(1)、(2)、(3)和(7)分别计算得到hsv空间的h、s通道，ycbcr的cb通道和lab的b通道，进而构成重组颜色空间：
cb＝-0.148r-0.291g 0.439b 128(3)
由于lab空间不能由rgb空间直接得到，先由rgb空间转换到xyz模式，再从xyz模式转换到lab，相应公式如下：
x＝0.4125r 0.3576g 0.1805b(4)
y＝0.2126r 0.7122g 0.0752b(5)
z＝0.0193r 0.1192g 0.9505b(6)
其中，r、g、b分别代表rgb图像3个通道的像素值，公式(1)、(2)、(3)和(7)分别计算重组颜色空间的h、s、cb和b四个通道，f(·)为一个分段函数，计算公式为
步骤2：在网络中加入权重矩阵的学习，权重矩阵的计算公式如下：
其中，神经网络在卷积层之前增加了一个权重层，权重层通过网络学习四个颜色通道的权重分配，步骤1得到的颜色特征经过加权处理以后输入到卷积层conv1到conv3进行初步特征提取，经过池化层p1以后，通过conv4到conv5进一步提取特征，再次进过池化层p2，全连接层fc1初步分类，全连接层fc2进行二分类，得到最终的分类结果。
其中，卷积核大小全部是3×3，卷积层的激活函数是relu，池化层窗口大小为2×2，每次池化以后对四分之一的神经元进行dropout处理，第一次全连接层后对二分之一的神经元进行dropout处理，避免数据过拟合；fc1的激活函数选用relu，fc2的全连接层选用softmax作为激活函数。
本发明的有益效果在于本发明不依赖图像深度信息，相较3d图像方法降低设备要求和部署成本，相较2d图像方法判别效果好。根据提出的重合颜色空间映射公式可以看出，该本发明在普通2d摄像头的支持下运行，降低了算法的部署成本。活体检测模块在公开的replay-attack数据集上进行了测试，以其中划分好的训练集和测试集训练和测试，相对于文献1的2d图像方法，本发明提出的虚假人脸判别方法在replay-attack数据库得到的等错误率(eer,equalerrorrate)降低到了0.3％，平均错误率(hter,half-totalerrorrate)降低到了1.5％。
附图说明
图1是本发明提出的颜色通道加权的神经网络结构图。
图2是本发明提出的基于重组颜色空间的虚假人脸判别方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明打破不同颜色空间的界限，根据皮肤表皮层的生物特性从不同的颜色空间中选择对虚假人脸判别最有效的颜色通道，得到重组颜色空间，并且通过网络训练的方式自适应的学习重组颜色空间中不同颜色通道的权重，剔除冗余信息，提高颜色信息的利用效率。根据2d摄像头采集到的人脸图像进行虚假人脸判别，将最终的判别结果返回给用户。本发明利用重组颜色空间，通过2d图像进行训练，摆脱了虚假人脸判别算法对人脸图像深度信息的依赖，仅通过2d图像就可进行虚假人脸判别，精度较高。
本发明提出了基于2d图像的虚假人脸判别方法，选择不同颜色空间下最有效的颜色通道构成重组颜色空间，并通过网络学习的方式自适应的学习不同颜色通道的权重，提高颜色信息的利用效率，以解决现有虚假人脸判别算法依赖深度图像、对图像采集设备要求高，且难以在嵌入式上面运行的问题。
如图2所示，本发明提出的基于重组颜色空间的虚假人脸判别方法的具体步骤如下：
(1)选择颜色通道构成重组颜色空间
步骤1：首先将rgb颜色空间的人脸图像映射到hsv、ycbcr、lab颜色空间，皮肤表层中含有大量血红色素，使得波长在450～480nm范围内光的反射强度发生大幅度降低，但是照片等攻击手段不具备这样的特性。蓝色光波处于440～475nm，选择hsv、ycbcr以及lab这三个颜色通道中反应蓝色或者偏蓝色分量的通道h、s、cb和b构成，重组颜色空间可以有效提高判别算法性能。根据公式(1)、(2)、(3)和(7)分别计算得到hsv空间的h、s通道，ycbcr的cb通道和lab的b通道，进而构成重组颜色空间：
cb＝-0.148r-0.291g 0.439b 128(3)
由于lab空间不能由rgb空间直接得到，先由rgb空间转换到xyz模式，再从xyz模式转换到lab，相应公式如下：
x＝0.4125r 0.3576g 0.1805b(4)
y＝0.2126r 0.7122g 0.0752b(5)
z＝0.0193r 0.1192g 0.9505b(6)
其中，r、g、b分别代表rgb图像3个通道的像素值，公式(1)、(2)、(3)和(7)分别表示重组颜色空间的h、s、cb和b四个通道，f(·)为一个分段函数，计算公式为
(2)颜色通道加权
根据皮肤表层对特定光波的吸收特性，选择hsv空间的h、s通道，ycbcr的cb通道以及lab的b通道这四个蓝色或偏蓝色通道通过直接级联的方式输入分类器可以得到较好的判别结果。但是，考虑到这些颜色通道均由rgb颜色空间转化而来存在一定的信息冗余，在分类网络之前加入权重学习层，通过网络学习各个颜色通道的权值，提高颜色信息的利用效率，进一步提高算法性能。颜色特征加权通过以下公式(8)实现：
颜色通道加权神经网络的具体结构如图1所示，颜色特征经过加权处理以后输入到卷积层conv1到conv3进行初步特征提取，经过池化层p1以后，通过conv4到conv5进一步提取特征，,再次进过池化层p2，全连接层fc1初步分类，全连接层fc2进行二分类，得到最终的分类结果。卷积核大小全部是3×3,卷积层的激活函数是relu，池化层窗口大小为2×2，每次池化以后对四分之一的神经元进行dropout处理，第一次全连接层后对二分之一的神经元进行dropout处理，避免数据过拟合。fc1的激活函数选用relu，fc2的全连接层选用softmax作为激活函数做二分类操作。最终通过神经网络输出采集到的人脸的判别结果。
1.一种基于重组颜色空间的虚假人脸判别方法，其特征在于包括下述步骤：
步骤1：首先将rgb颜色空间的人脸图像映射到hsv、ycbcr、lab颜色空间，选择hsv、ycbcr以及lab三个颜色通道中反应蓝色或者偏蓝色分量的通道h、s、cb和b，根据公式(1)、(2)、(3)和(7)分别计算得到hsv空间的h、s通道，ycbcr的cb通道和lab的b通道，进而构成重组颜色空间：
cb＝-0.148r-0.291g 0.439b 128(3)
由于lab空间不能由rgb空间直接得到，先由rgb空间转换到xyz模式，再从xyz模式转换到lab，相应公式如下：
x＝0.4125r 0.3576g 0.1805b(4)
y＝0.2126r 0.7122g 0.0752b(5)
z＝0.0193r 0.1192g 0.9505b(6)
其中，r、g、b分别代表rgb图像3个通道的像素值，公式(1)、(2)、(3)和(7)分别计算重组颜色空间的h、s、cb和b四个通道，f(·)为一个分段函数，计算公式为
步骤2：在网络中加入权重矩阵的学习，权重矩阵的计算公式如下：
其中，神经网络在卷积层之前增加了一个权重层，权重层通过网络学习四个颜色通道的权重分配，步骤1得到的颜色特征经过加权处理以后输入到卷积层conv1到conv3进行初步特征提取，经过池化层p1以后，通过conv4到conv5进一步提取特征，再次进过池化层p2，全连接层fc1初步分类，全连接层fc2进行二分类，得到最终的分类结果。
2.根据权利要求1所述的一种基于重组颜色空间的虚假人脸判别方法，其特征在于：
卷积核大小全部是3×3，卷积层的激活函数是relu，池化层窗口大小为2×2，每次池化以后对四分之一的神经元进行dropout处理，第一次全连接层后对二分之一的神经元进行dropout处理，避免数据过拟合；fc1的激活函数选用relu，fc2的全连接层选用softmax作为激活函数。
技术总结