一种基于HSV颜色空间统计特征的活体人脸检测方法
专利汇可以提供一种基于HSV颜色空间统计特征的活体人脸检测方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于HSV 颜色 空间统计特征的人脸 活体检测 方法，其首先将从摄像头获取的包含人脸的图像从 RGB颜色空间 转换到YCrCb颜色空间，之后对包含人脸的图像依次进行肤色分割处理、去噪处理、数学形态学处理和标定连通区域边界处理，获取人脸矩形区域的坐标；然后根据人脸矩形区域的坐标，从包含人脸的图像中获取待检测的人脸图像；再对待检测的人脸图像分图像 块 ，并获取待检测的人脸图像中的所有图像块的三个颜色分量的特征值；最后将归一化后的特征值作为待检测样本送入训练后的 支持向量机 中进行检测，确定包含人脸的图像是否为活体真实人脸图像，优点是降低了人脸认证系统延时，降低了计算复杂度，提高了检测准确率。，下面是一种基于HSV颜色空间统计特征的活体人脸检测方法专利的具体信息内容。
1.一种基于HSV颜色空间统计特征的人脸活体检测方法，其特征在于包括以下步骤：
①在不同场景对不同的人采集活体真实人脸图像，之后将采集的活体真实人脸图像显示于液晶显示器上，并对液晶显示器上显示的活体真实人脸图像进行翻拍，得到多幅翻拍人脸照片，然后将采集的每幅活体真实人脸图像作为一个正样本，将每幅翻拍人脸照片图像作为一个负样本，接着提取每个正样本和每个负样本的所有特征值，再将每个正样本的标签记为+1，将每个负样本的标签记为-1，最后将所有正样本和所有负样本的特征值送入支持向量机中，利用支持向量机进行训练；
②从摄像头获取RGB颜色空间的包含人脸的图像；
③将包含人脸的图像从RGB颜色空间转换到YCrCb颜色空间，接着对YCrCb颜色空间的包含人脸的图像依次进行肤色分割处理、去噪处理、数学形态学处理和标定连通区域边界处理，得到多个最小外接矩形，然后对多个最小外接矩形进行筛选，再对筛选后得到的多个最小外接矩形进行归并处理，得到候选的人脸矩形区域，最后通过模板匹配方法获得最终的人脸矩形区域的坐标；
④利用步骤③中获取的人脸矩形区域的坐标，将步骤②中获取的包含人脸的图像的人脸部分截取出，然后采用双线性插值法将截取出的人脸部分缩放为尺寸大小为240×320的人脸图像，再将缩放形成的人脸图像从RGB颜色空间转换到HSV颜色空间，并将HSV颜色空间的人脸图像作为要提取特征的待检测的人脸图像；
⑤将步骤④获得的待检测的人脸图像分割成多个图像块，然后对每个图像块中的每个像素点的每个颜色分量的颜色值进行归一化和量化处理，得到每个图像块的每个颜色分量的三个特征值，最后对待检测的人脸图像中的所有图像块的三个颜色分量的特征值进行归一化处理；
⑥将步骤⑤归一化处理后的共81个特征值作为待检测样本送入步骤①中
得到的训练后的支持向量机中进行检测，训练后的支持向量机在检测过程中判断
的值是否为1，如果是，则确定检测结果为正样本，表示步骤
②获取的包含人脸的图像为活体真实人脸图像，否则，确定检测结果为负样本，表示步骤②获取的包含人脸的图像为照片攻击或视频攻击的假冒人脸图像，其中，sgn()为符号判别函数，当 的值大于0时，则 的值为1，当
的值小于0时，则 的值为-1，n表示
*
用于支持向量机训练的正样本和负样本的总样本数，ai 表示拉格朗日乘子，yi表示用于支持向量机训练的第i个样本的标签，yi=+1表示用于支持向量机训练的第i个样本为正样本，yi=-1表示用于支持向量机训练的第i个样本为负样本，X表示待检测样本的特征向量，Xi表示用于支持向量机训练的第i个样本的特征向量，K(X,Xi)为核函数，其将X从低维空*
间映射到高维空间，同时计算X和Xi在高维空间的内积，使计算量回归到X×Xi的量级，b表示最优超平面的偏移量。
2.根据权利要求1所述的一种基于HSV颜色空间统计特征的人脸活体检测方法，其特征在于所述的步骤①中将每个正样本和每个负样本作为待提取特征的人脸样本图像，对提取特征的人脸样本图像进行特征值提取的具体过程为：
①-a、将待提取特征的人脸样本图像从RGB颜色空间转换到YCrCb颜色空间，接着对YCrCb颜色空间的提取特征的人脸样本图像依次进行肤色分割处理、去噪处理、数学形态学处理和标定连通区域边界处理，得到多个最小外接矩形，然后对多个最小外接矩形进行筛选，再对筛选后得到的多个最小外接矩形进行归并处理，得到候选的人脸矩形区域，最后通过模板匹配方法获得最终的人脸矩形区域的坐标；
①-b、利用步骤①-a中获取的人脸样本矩形区域的坐标，将提取特征的人脸样本
图像的人脸部分截取出，然后采用双线性插值法将截取出的人脸部分缩放为尺寸大小为
240×320的人脸图像，再将缩放形成的人脸图像从RGB颜色空间转换到HSV颜色空间，并将HSV颜色空间的人脸图像作为待提取特征的人脸样本图像；
①-c、将步骤①-b获得的待提取特征的人脸样本图像分割成多个图像块，然后对每个图像块中的每个像素点的每个颜色分量的颜色值进行归一化和量化处理，得到每个图像块的每个颜色分量的三个特征值，最后对待提取特征的人脸样本图像中的所有图像块的三个颜色分量的特征值进行归一化处理，得到提取特征的人脸样本图像对应的所有特征值，具体过程为：
①-c-1、将待提取特征的人脸样本图像除第一行和最后一行像素点外的区域分割
成9个互不重叠的尺寸大小为80×106的图像块；①-c-2、将待提取特征的人脸样本图像中当前正在处理的图像块作为当前图像块；①-c-3、对当前图像块中的每个像素点的H、S、V三个颜色分量的颜色值进行归一化处理；然后对当前图像块中的每个像素点的归一化处理后的H、S、V三个颜色分量的颜色值进行量化处理，如果归一化处理后的颜色值在区间[0,0.333]内，则将该颜色值重新赋值为0，如果归一化处理后的颜色值在区间（0.333,0.667]内，则将该颜色值重新赋值为1，如果归一化处理后的颜色值在区间（0.667,1]内，则将该颜色值重新赋值为2；接着分别统计当前图像块中量化后的H颜色* * *
分量的颜色值为0、1、2的像素点的个数，分别对应记为mH、nH、pH，并分别统计当前图像* * *
块中量化后的S颜色分量的颜色值为0、1、2的像素点的个数，分别对应记为mS、nS、pS，分别统计当前图像块中量化后的V颜色分量的颜色值为0、1、2的像素点的个数，分别对* * * * * *
应记为mV、nV、pV ；①-c-4、分别计算mH、nH、pH 占当前图像块中的像素点的总个数的比* * *
例，分别对应记为mH′、nH′、pH′， 分别计
* * * * * *
算mS、nS、pS 占当前图像块中的像素点的总个数的比例，分别对应记为mS′、nS′、pS′，* * *
分别计算mV、nV、pV 占当前图像块中的像素点的
* * *
总个数的比例，分别对应记为mV′、nV′、pV′，
其中，mH*′、nH*′、pH*′、mS*′、nS*′、pS*′、mV*′、nV*′、pV*′的初始值均为0，SUM表示当前图像块中的像素点的总个数；①-c-5、将mH*′、nH*′、pH*′分别作为当前图像块的H颜色分量的特征值，将mS*′、nS*′、pS*′分别作为当前图像块的S颜色分量的特征值，将mV*′、nV*′、pV*′分别作为当前图像块的V颜色分量的特征值；①-c-6、将待提取特征的人脸样本图像中下一个待处理的图像块作为当前图像块，然后返回步骤①-c-3继续执行，直至待提取特征的人脸样本图像中的所有图像块处理完毕，得到待提取特征的人脸样本图像中的每个图像块的每个颜色分量的三个特征值，再由待提取特征的人脸样本图像中的所有图像块的三个颜色分量的特征值构成一个特征值序列；①-c-7、对特征值序列中的每个特征值进行归一化处理，得到待提取特征的人脸样本对应的所有特征值。
3.根据权利要求1或2所述的一种基于HSV颜色空间统计特征的人脸活体检测方法，其特征在于所述的步骤⑤的具体过程为：
⑤-1、将步骤④获得的待检测的人脸图像除第一行和最后一行像素点外的区域分割成
9个互不重叠的尺寸大小为80×106的图像块；
⑤-2、将待检测的人脸图像中当前正在处理的图像块作为当前图像块；
⑤-3、对当前图像块中的每个像素点的H、S、V三个颜色分量的颜色值进行归一化处理；然后对当前图像块中的每个像素点的归一化处理后的H、S、V三个颜色分量的颜色值进行量化处理，如果归一化处理后的颜色值在区间[0,0.333]内，则将该颜色值重新赋值为
0，如果归一化处理后的颜色值在区间（0.333,0.667]内，则将该颜色值重新赋值为1，如果归一化处理后的颜色值在区间（0.667,1]内，则将该颜色值重新赋值为2；接着分别统计当前图像块中量化后的H颜色分量的颜色值为0、1、2的像素点的个数，分别对应记为mH、nH、pH，并分别统计当前图像块中量化后的S颜色分量的颜色值为0、1、2的像素点的个数，分别对应记为mS、nS、pS，分别统计当前图像块中量化后的V颜色分量的颜色值为0、1、2的像素点的个数，分别对应记为mV、nV、pV；
⑤-4、分别计算mH、nH、pH占当前图像块中的像素点的总个数的比例，分别对应记为mH'、pH'、nH'， 分别计算mS、nS、pS占当前图像块中的
像素点的总个数的比例，分别对应记为mS'、pS'、nS'，
分别计算mV、nV、pV占当前图像块中的像素点的总个数的比例，分别对应记为mV'、pV'、nV'，其中，mH'、nH'、pH'、mS'、nS'、pS'、mV'、nV'、pV'的初
始值均为0，sum表示当前图像块中的像素点的总个数；
⑤-5、将mH'、nH'、pH'分别作为当前图像块的H颜色分量的特征值，将mS'、nS'、pS'分别作为当前图像块的S颜色分量的特征值，将mV'、nV'、pV'分别作为当前图像块的V颜色分量的特征值；
⑤-6、将待检测的人脸图像中下一个待处理的图像块作为当前图像块，然后返回步骤⑤-3继续执行，直至待检测的人脸图像中的所有图像块处理完毕，得到待检测的人脸图像中的每个图像块的每个颜色分量的三个特征值，再由待检测的人脸图像中的所有图像块的三个颜色分量的特征值构成一个特征值序列；
⑤-7、对特征值序列中的每个特征值进行归一化处理。
4.根据权利要求3所述的一种基于HSV颜色空间统计特征的人脸活体检测方法，其特征在于所述的步骤⑤-7的具体过程为：
A、计算特征值序列中的所有特征值的均值，记为mean， 其中，
feature(k)表示特征值序列中的第k个特征值，1≤k≤81；
B、根据特征值序列中的所有特征值的均值mean，计算特征值序列中的所有特征值的标准方差，记为var，
C、根据mean和var，计算归一化处理后的特征值，将特征值序列中归一化处理后的第k个特征值记为data(k)，
一种基于HSV 颜色空间统计特征的活体人脸检测方法
技术领域
背景技术
得到了广泛地应用。人脸识别可以取代传统的密码，并比传统的密码拥有更多的便捷，不用
担心某一天密码被遗忘或被别有用心的人破译，因此其已经在最近几十年取得了飞速的发
展。目前，人脸识别技术已广泛应用于刑侦破案、银行系统、社会福利、海关检查、民政部门、
电话系统、作息考勤等领域。人脸识别技术作为当今有效的身份认证方法，其应用范围势必
扩大，并且会给人们带来更多的方便，但一些问题也随之发生了，一些不法分子利用一些技
术仿冒人的生物特征去欺骗识别系统，给合法用户带来了经济财产损失，造成了社会纷扰。
为了更安全地进行身份认证和检测身份来源的真实性，检测被识别的对象是否是活体真人
显得尤为重要。对人脸认证系统进行欺骗的对象一般是真实身份人的照片，因此检测图像
源自真人还是欺骗的照片非常重要。
三维模型进行欺骗。其中，照片欺骗是代价最小、最简单的欺骗方法，并随着信息技术的不
断发展，对于大多数人而言，一个人的脸部图像通常是非常容易获取的，比如：通过互联网
下载、通过摄像头在合法用户不知情的情况下抓拍等，而别有用心的非法用户可以通过脸
部图像在图像采集设备前做各种各样翻转变化。而对于用户三维模型，不仅构造三维模型
非常困难，以现有的技术还难以实施，而且人脸是活体的柔性面部，塑造的三维模型是僵硬
的，并没有局部运动，因此它要和人脸具有一模一样的特征是不可能的，所以欺骗代价很
大。
检测方法主要有两种，第一种检测方法通过判断人脸是否具有生理活动（如眨眼、唇动等）
实现检测；第二种检测方法通过分析图像傅里叶频谱成分实现检测，这些检测方法都需要
采集多幅照片，并对低分辨率的照片检测效果差；另一方面，还会增加人脸认证系统延时和
计算复杂度，从而会造成系统资源消耗，因此这些检测方法在普通小型设备上应用不太理
想。目前，还存在热红外成像分析方法，但这种方法需要增加昂贵的附加设备，而且该方法
本身存在不稳定因素，因此在普通设备上也无法大范围推广应用。
发明内容
翻拍人脸照片，然后将采集的每幅活体真实人脸图像作为一个正样本，将每幅翻拍人脸照
片图像作为一个负样本，接着提取每个正样本和每个负样本的所有特征值，再将每个正样
本的标签记为+1，将每个负样本的标签记为-1，最后将所有正样本和所有负样本的特征值
送入支持向量机中，利用支持向量机进行训练；
域边界处理，得到多个最小外接矩形，然后对多个最小外接矩形进行筛选，再对筛选后得到
的多个最小外接矩形进行归并处理，得到候选的人脸矩形区域，最后通过模板匹配方法获
得最终的人脸矩形区域的坐标；
240×320的人脸图像，再将缩放形成的人脸图像从RGB颜色空间转换到HSV颜色空间，并将
HSV颜色空间的人脸图像作为要提取特征的待检测的人脸图像；
分量的三个特征值，最后对待检测的人脸图像中的所有图像块的三个颜色分量的特征值进
行归一化处理；
的值是否为1，如果是，则确定检测结果为正样本，表示步骤
②获取的包含人脸的图像为活体真实人脸图像，否则，确定检测结果为负样本，表示步骤②
获取的包含人脸的图像为照片攻击或视频攻击的假冒人脸图像，其中，sgn()为符号判别函
数，当 的值大于0时，则 的值为1，
当 的值小于0时，则 的值为-1，n表
*
示用于支持向量机训练的正样本和负样本的总样本数，ai 表示拉格朗日乘子，yi表示用于
支持向量机训练的第i个样本的标签，yi=+1表示用于支持向量机训练的第i个样本为正样
本，yi=-1表示用于支持向量机训练的第i个样本为负样本，X表示待检测样本的特征向量，
Xi表示用于支持向量机训练的第i个样本的特征向量，K(X,Xi)为核函数，其将X从低维空
*
间映射到高维空间，同时计算X和Xi在高维空间的内积，使计算量回归到X×Xi的量级，b
表示最优超平面的偏移量。
态学处理和标定连通区域边界处理，得到多个最小外接矩形，然后对多个最小外接矩形进
行筛选，再对筛选后得到的多个最小外接矩形进行归并处理，得到候选的人脸矩形区域，最
后通过模板匹配方法获得最终的人脸矩形区域的坐标；
240×320的人脸图像，再将缩放形成的人脸图像从RGB颜色空间转换到HSV颜色空间，并将
HSV颜色空间的人脸图像作为待提取特征的人脸样本图像；
图像块的每个颜色分量的三个特征值，最后对待提取特征的人脸样本图像中的所有图像块
的三个颜色分量的特征值进行归一化处理，得到提取特征的人脸样本图像对应的所有特征
值，具体过程为：
本图像中当前正在处理的图像块作为当前图像块；①-c-3、对当前图像块中的每个像素
点的H、S、V三个颜色分量的颜色值进行归一化处理；然后对当前图像块中的每个像素
点的归一化处理后的H、S、V三个颜色分量的颜色值进行量化处理，如果归一化处理后的
颜色值在区间[0,0.333]内，则将该颜色值重新赋值为0，如果归一化处理后的颜色值在
区间（0.333,0.667]内，则将该颜色值重新赋值为1，如果归一化处理后的颜色值在区间
（0.667,1]内，则将该颜色值重新赋值为2；接着分别统计当前图像块中量化后的H颜色
* * *
分量的颜色值为0、1、2的像素点的个数，分别对应记为mH、nH、pH，并分别统计当前图像
* * *
块中量化后的S颜色分量的颜色值为0、1、2的像素点的个数，分别对应记为mS、nS、pS，
分别统计当前图像块中量化后的V颜色分量的颜色值为0、1、2的像素点的个数，分别对
* * * * * *
应记为mV、nV、pV ；①-c-4、分别计算mH、nH、pH 占当前图像块中的像素点的总个数的比
* * *
例，分别对应记为mH′、nH′、pH′， 分别计
* * * * * *
算mS、nS、pS 占当前图像块中的像素点的总个数的比例，分别对应记为mS′、nS′、pS′，
分别计算mV*、nV*、pV*占当前图像块中的像素点的
* * *
总个数的比例，分别对应记为mV′、nV′、pV′，
* * * * * * * * *
其中，mH′、nH′、pH′、mS′、nS′、pS′、mV′、nV′、pV′的初始值均为0，SUM表示当
* * *
前图像块中的像素点的总个数；①-c-5、将mH′、nH′、pH′分别作为当前图像块的H颜色
* * * *
分量的特征值，将mS′、 nS′、pS′分别作为当前图像块的S颜色分量的特征值，将mV′、
* *
nV′、pV′分别作为当前图像块的V颜色分量的特征值；①-c-6、将待提取特征的人脸样本
图像中下一个待处理的图像块作为当前图像块，然后返回步骤①-c-3继续执行，直至待提
取特征的人脸样本图像中的所有图像块处理完毕，得到待提取特征的人脸样本图像中的每
个图像块的每个颜色分量的三个特征值，再由待提取特征的人脸样本图像中的所有图像块
的三个颜色分量的特征值构成一个特征值序列；①-c-7、对特征值序列中的每个特征值进
行归一化处理，得到待提取特征的人脸样本对应的所有特征值。
进行量化处理，如果归一化处理后的颜色值在区间[0,0.333]内，则将该颜色值重新赋值
为0，如果归一化处理后的颜色值在区间（0.333,0.667]内，则将该颜色值重新赋值为1，如
果归一化处理后的颜色值在区间（0.667,1]内，则将该颜色值重新赋值为2；接着分别统计
当前图像块中量化后的H颜色分量的颜色值为0、1、2的像素点的个数，分别对应记为mH、nH、
pH，并分别统计当前图像块中量化后的S颜色分量的颜色值为0、1、2的像素点的个数，分别
对应记为mS、nS、pS，分别统计当前图像块中量化后的V颜色分量的颜色值为0、1、2的像素
点的个数，分别对应记为mV、nV、pV；
的像素点的总个数的比例，分别对应记为mS'、pS'、nS'，
分别计算mV、nV、pV占当前图像块中的像素点的总个数的比例，分别对应记为mV'、pV'、nV'，
其中，mH'、nH'、pH'、mS'、nS'、pS'、mV'、nV'、pV'的初
始值均为0，sum表示当前图像块中的像素点的总个数；
分量的特征值；
图像中的每个图像块的每个颜色分量的三个特征值，再由待检测的人脸图像中的所有图像
块的三个颜色分量的特征值构成一个特征值序列；
复杂度。
测图像是否是活体真实人脸，从而有效地降低了成本。
像特征维数对检测时间的影响，对HSV颜色空间的颜色值分三级重新量化，从而降低了特
征维数，减少了活体检测所用的时间。
具体实施方式
翻拍人脸照片，然后将采集的每幅活体真实人脸图像作为一个正样本，将每幅翻拍人脸照
片图像作为一个负样本，接着提取每个正样本和每个负样本的所有特征值，再将每个正样
本的标签记为+1，将每个负样本的标签记为-1，最后将所有正样本和所有负样本的特征值
送入支持向量机中，利用支持向量机进行训练。
方法的检测准确度，但同时会增加本发明方法的检测时间，因此可根据实际情况，采集几十
幅到几千幅的活体真实人脸图像，翻拍人脸照片的幅数也可为几十幅到几千幅。
通区域边界处理，得到多个最小外接矩形，然后对多个最小外接矩形进行筛选，再对筛选后
得到的多个最小外接矩形进行归并处理，得到候选的人脸矩形区域，最后通过模板匹配方
法获得最终的人脸矩形区域的坐标。
的人脸图像，再将缩放形成的人脸图像从RGB颜色空间转换到HSV颜色空间，并将HSV颜色
空间的人脸图像作为待提取特征的人脸样本图像。
分进行缩放处理时，会用到RGB颜色空间的每幅截取出的人脸部分中的四个相邻的
坐标位置。假设四个相邻的像素点的像素值为f(0，0)、f(1，0)、f(1，0)、f(1，1)，假
设双线性插值法的公式为f(x，y)＝ax+by+cxy+d，则在f(x，y)＝ax+by+cxy+d中
代入f(0，0)、f(1，0)、f(1，0)、f(1，1)，得到 然后 计算RGB 颜
色空间的每幅截取的人脸部分中坐标位置为(x，y)的像素点的像素值为f(x，y)，则
再假设RGB颜色空间的每幅待提取
特征的人脸样本图像的分辨率为M×N，则当RGB颜色空间的每幅截取出的人脸部分缩
放到240×320的缩放因子为t时，RGB颜色空间的每幅截取出的人脸部分中坐标位置
为(x，y)的像素点变为坐标位置为(x1，y1)的像素点，x1＝x/t，y1＝y/t，最后再通过
和 获得分辨率为
240×320的图像中的坐标位置为(x1，y1)的像素点的像素值。
B、H、S、V颜色分量的颜色值；2)计算r，g，b的最大值和最小值，分别记为cmax，cmin，cmax＝
max(r，g，b)，cmin＝min(r，g，b)，其中，max()为取最大值函数，min()为取最小值函数；3)
根据cmax和cmin，确定h，s，v的值， 如果
h×60小于0，则h=h+360，s=(cmax-cmin)/cmax，v=cmax，其中，h=h+360中的“=”为赋值符号。
像块的每个颜色分量的三个特征值，最后对待提取特征的人脸样本图像中的所有图像块的
三个颜色分量的特征值进行归一化处理，得到用于训练的样本对应的所有特征值，具体过
程为：
样本图像中当前正在处理的图像块作为当前图像块；①-c-3、对当前图像块中的每个
像素点的H、S、V三个颜色分量的颜色值进行归一化处理；然后对当前图像块中的每
个像素点的归一化处理后的H、S、V三个颜色分量的颜色值进行量化处理，如果归一化
处理后的颜色值在区间[0,0.333]内，则将该颜色值重新赋值为0，如果归一化处理后
的颜色值在区间（0.333,0.667]内，则将该颜色值重新赋值为1，如果归一化处理后的
颜色值在区间（0.667,1]内，则将该颜色值重新赋值为2；接着分别统计当前图像块
* * *
中量化后的H颜色分量的颜色值为0、1、2的像素点的个数，分别对应记为mH、nH、pH，
并分别统计当前图像块中量化后的S颜色分量的颜色值为0、1、2的像素点的个数，
* * *
分别对应记为mS、nS、pS，分别统计当前图像块中量化后的V颜色分量的颜色值为0、
* * * * * *
1、2的像素点的个数，分别对应记为mV、nV、pV ；①-c-4、分别计算mH、nH、pH 占当前
* * *
图像块中的像素点的总个数的比例，分别对应记为mH ′、nH ′、pH ′，
* * *
分别计算mS、nS、pS 占当前图像块中的像素点的总个数的
比例，分别对应记为mS*′、nS*′、pS*′， 分别计算
* * * * * *
mV、nV、pV 占当前图像块中的像素点的总个数的比例，分别对应记为mV′、 nV′、pV′，
* * * * * *
其中，mH ′、nH ′、pH ′、mS ′、nS ′、pS ′、
mV*′、nV*′、pV*′的初始值均为0，SUM表示当前图像块中的像素点的总个数；①-c-5、将
mH*′、nH*′、pH*′分别作为当前图像块的H颜色分量的特征值，将mS*′、nS*′、pS*′分别
作为当前图像块的S颜色分量的特征值，将mV*′、nV*′、pV*′分别作为当前图像块的V颜
色分量的特征值；①-c-6、将待提取特征的人脸样本图像中下一个待处理的图像块作为当
前图像块，然后返回步骤①-c-3继续执行，直至待提取特征的人脸样本图像中的所有图像
块处理完毕，得到待提取特征的人脸样本图像中的每个图像块的每个颜色分量的三个特
征值，再由待提取特征的人脸样本图像中的所有图像块的三个颜色分量的特征值构成一
个特征值序列；①-c-7、对特征值序列中的每个特征值进行归一化处理，得到用于训练的
样本对应的所有特征值。在此，对特征值序列中的每个特征值进行归一化处理的过程为：
首先，计算特征值序列中的所有特征值的均值，记为mean'， 其
中，feature'(k)表示特征值序列中的第k个特征值，1≤k≤81；其次，根据特征值序列
中的所有特征值的均值mean'，计算特征值序列中的所有特征值的标准方差，记为var'，
再根据mean'和var'，计算归一化处理后的特征值，将特
征值序列中归一化处理后的第k个特征值记为data'(k)，
域边界处理，得到多个最小外接矩形，然后对多个最小外接矩形进行筛选，再对筛选后得到
的多个最小外接矩形进行归并处理，得到候选的人脸矩形区域，最后通过模板匹配方法获
得最终的人脸矩形区域的坐标。
除长宽比例不在区间[1.1，1.6]内的外接矩形；对多个最小外接矩形进行归并处理的方法
为：如果一个外接矩形中包含另外的外接矩形，则将此外接矩形内部的外接矩形全都去除，
同时将这个外接矩形作为候选的人脸矩形区域。
且Cr颜色分量的矩阵为M，Cr颜色分量的均值为AVE(M)，在此将待确认的候选的人脸矩形
区域中的Cr颜色分量的均值记为AVE(R)，然后将待确认的候选的人脸矩形区域中的所有
像素点的像素值乘以系数 再采用双线性插值法将待确认的候选的人脸矩形区
域缩放到W×H大小，将缩放后的候选的人脸矩形区域中的Ｃr颜色分量的矩阵记为R，并通
过 计算待确认的候选的人脸矩形区域与人脸模板的相
似率rate(R)，如果rate(R)小于0.09，则可确定该待确认的候选的人脸区域为最终的人脸
矩形区域，否则，重复上述过程对下一个候选的人脸矩形区域进行判断，直到遍历完所有候
选的人脸矩形区域，找到最终的人脸矩形区域，其中，R(x,y)表示R中坐标位置为(x,y)处
的颜色值，M(x,y)表示M中坐标位置为(x,y)处的颜色值。
240×320的人脸图像，再将缩放形成的人脸图像从RGB颜色空间转换到HSV颜色空间，并将
HSV颜色空间的人脸图像作为要提取特征的待检测的人脸图像。
分量的三个特征值，最后对待检测的人脸图像中的所有图像块的三个颜色分量的特征值进
行归一化处理。
置分别为（1，2）、（81，2）、（161，2）、（1，107）、（81，107）、（161，107）、（214，2）、（1，214）、（81，
214）、（161，214）。
进行量化处理，如果归一化处理后的颜色值在区间[0,0.333]内，则将该颜色值重新赋值
为0，如果归一化处理后的颜色值在区间（0.333,0.667]内，则将该颜色值重新赋值为1，如
果归一化处理后的颜色值在区间（0.667,1]内，则将该颜色值重新赋值为2；接着分别统计
当前图像块中量化后的H颜色分量的颜色值为0、1、2的像素点的个数，分别对应记为mH、nH、
pH，并分别统计当前图像块中量化后的S颜色分量的颜色值为0、1、2的像素点的个数，分别
对应记为mS、nS、pS，分别统计当前图像块中量化后的V颜色分量的颜色值为0、1、2的像素
点的个数，分别对应记为mV、nV、pV；
的像素点的总个数的比例，分别对应记为mS'、pS'、nS'，
分别计算mV、nV、pV占当前图像块中的像素点的总个数的比例，分别对应记为mV'、pV'、nV'，
其中，mH'、nH'、pH'、mS'、nS'、pS'、mV'、nV'、pV'的初
始值均为0，sum表示当前图像块中的像素点的总个数；
分量的特征值；
图像中的每个图像块的每个颜色分量的三个特征值，再由待检测的人脸图像中的所有图像
块的三个颜色分量的特征值构成一个特征值序列。
的值是否为1，如果是，则确定检测结果为正样本，表示步骤
②获取的包含人脸的图像为活体真实人脸图像，否则，确定检测结果为负样本，表示步骤②
获取的包含人脸的图像为照片攻击或视频攻击的假冒人脸图像，其中，sgn()为符号判别函
数，当 的值大于0时，则 的值为1，
当 的值小于0时，则 的值为-1，n表
示用于支持向量机训练的正样本和负样本的总样本数，ai*表示拉格朗日乘子，yi表示用于
支持向量机训练的第i个样本的标签，yi=+1表示用于支持向量机训练的第i个样本为正样
本，yi=-1表示用于支持向量机训练的第i个样本为负样本，X表示待检测样本的特征向量，
Xi表示用于支持向量机训练的第i个样本的特征向量，K(X,Xi)为核函数，其将X从低维空
间映射到高维空间，同时计算X和Xi在高维空间的内积，使计算量回归到X×Xi的量级，b*
表示最优超平面的偏移量。
手机后置摄像头翻拍获取一次，形成261张翻拍图像，一次拍摄照片与翻拍照片共计522
张，再对每张照片裁剪出人脸范围。第一次拍摄的是活体真实人脸图像，翻拍的是来自假冒
人脸，也就是照片欺骗人脸。对不同训练、测试比例进行测试对比，结果如表1所列。TP代
表正样本检测正确率，TN代表负样本检测正确率，可以看出训练样本比例越大准确率越好。
因此，增加用于训练的样本量对于提升检测正确率是有效的。为了验证HSV颜色空间统计
特征比其它特征有更好的区分能力，对人脸几何特征和本发明方法提取的特征在相同训练
测试比例、相同核函数的支持向量机中进行实验。表2为几何特征与本发明方法提取出的
HSV颜色空间统计特征对比，它们训练测试比例都为4：1。几何特征维数为131，平均准确
率为检测正确率88.85%，而本发明方法平均检测正确率可达97.02%，并且特征维数更低。
1：1 94.84% 94.62% 94.73% 81
4：1 97.69% 96.34% 97.02% 81
2×2 93.65% 92.31% 92.98% 36
3×3 97.69% 96.34% 97.02% 81
4×4 96.53% 95.58% 95.06% 144
加大系统开销；如果分块太大，则无法表征局部特征，因此图像在分块过程中需考虑分块方
式和图像块的大小。在上述图像库上对2×2个图像块，3×3个图像块，4×4个图像块都作
了对应的测试比较，实验数据如表3所列。
维数很高，并且在识别正确率方面没有3×3个图像块的好，因此将图像分成3×3个图像块
是最优的选择。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种人脸识别方法和移动终端 | 2020-05-12 | 924 |
| 活体检测方法、装置、服务器和人脸识别设备 | 2020-05-14 | 235 |
| 一种实现货品安全交易的方法及装置 | 2020-05-16 | 630 |
| 一种计算机人脸情绪识别系统 | 2020-05-15 | 185 |
| 一种信用报告自助打印方法 | 2020-05-11 | 600 |
| 人脸识别的方法、装置、设备及存储介质 | 2020-05-13 | 145 |
| 一种人脸图像活体检测方法及系统 | 2020-05-17 | 342 |
| 一种基于特征融合的人脸活体检测方法 | 2020-05-18 | 360 |
| 一种高检测精度人脸识别方法 | 2020-05-19 | 556 |
| 一种基于双目活体检测人脸识别黑名单预警枪机 | 2020-05-15 | 419 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
