一种基于图像质量的人脸防伪方法
专利汇可以提供一种基于图像质量的人脸防伪方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及人脸防伪技术领域，具体的说是一种基于图像 质量 的人脸防伪方法。由于当前流行的 人脸识别 设备主要使用的是RGB单目相机，并针对以上存在的问题，本发明提出的人脸防伪方法使用了21个图像质量度量指标全面有效的评价图片的失真程度，并且不需要增加额外的 硬件 设备。具有用户友好、简单高效、泛化能 力 强、通用性高的优点。，下面是一种基于图像质量的人脸防伪方法专利的具体信息内容。
1.一种基于图像质量的人脸防伪方法，其特征在于：包括以下步骤：
1）、采集RGB人脸图像；
2）、剪裁步骤1）中得到的人脸图像中的人脸区域，得到人脸区域图像；
3）、对步骤3）中得到的人脸区域图像利用Haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图；
4）、对步骤3）中得到的四张图像分别计算出无参考的图像质量评估特征，无参考的图像质量评估特征包括图像的模糊特征和高低频索引HLFI；
5）、将步骤3）中得到的四张图像分别通过高斯滤波来平滑处理图像，得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图；
6）、采用步骤3）中得到的四张图片和步骤5）中得到的四张图片计算有参考的图像质量评价特征，有参考的图像质量评价特征为：均方误差MSE、峰值信噪比PSNR、信噪比SNR、结构内容SC、最大像素差MD、平均像素差AD、标准化绝对误差NAE、拉普拉斯均方误差LMSE、归一化互相关NXC、平均角度相似MAS、平均角震级相似性MAMS、总边差TED、总角差TCD、光谱幅度误差SME、频谱相位误差SPE、梯度幅度误差GME、梯度相位误差GPE、结构相似指数SSIM、视觉信息保真度VIF；
7）、将步骤4）和步骤6）中得到的Haar小波低频信息图片的无参考和有参考的质量评价特征串联起来，得到Haar小波变换得到低频信息图片的图像质量评价总特征；
8）、按照步骤5）至步骤7）分别计算水平高频信息、垂直高频信息以及对角高频信息图的上述图像质量评价总特征；
9）、将步骤7）和步骤8）中得到的图像质量评价总特征串联起来，得到图像Haar小波变换的图像的质量评价总特征；
10）、对步骤9）中得到的图像Haar小波变换的图像的质量评价总特征利用SVM分类方法进行分类，得到步骤1）所采集的人脸图像的分类结果；
11）、输出步骤10）中的分类结果。
2.根据权利要求1所述的一种基于图像质量的人脸防伪方法，其特征在于：步骤3）中的人脸区域图像的小波变换是用一组小波基函数来表示图像信号，小波变换的表达式为：
， ；其中α＞0表示尺度因子，
其作用是对基本小波函数φ（x）作伸缩，τ反映位移，其值可正可负，a和τ都是持续的变量；
在不同尺度下小波的持续时间随值的加大而增宽，幅度则与反比减少，但波的形状保持不变；Haar小波变换即为用Haar尺度函数计算的小波变换，Haar尺度函数的形式为：
。
3.根据权利要求1所述的一种基于图像质量的人脸防伪方法，其特征在于：步骤4）中的模糊特征的计算方法为：先利用边缘检测器来寻找图像中的垂直边缘，然后扫描图像的每一行，对于与边缘位置相对应的像素，最接近边缘的局部极值位置定义为边缘的开始和结束位置；根据结束位置和开始位置之间的差异计算边缘宽度，并将其识别为该边缘位置的局部模糊度量；最后通过平均所有边缘位置上的局部模糊值，获得整个图像的全局模糊度量。
4.根据权利要求1所述的一种基于图像质量的人脸防伪方法，其特征在于：步骤4）中的模糊特征的高低频索引HLFI计算方法为： ，
表示经过Haar小波变换得到的图片， 表示图像的傅里叶变换。
5.根据权利要求1所述的一种基于图像质量的人脸防伪方法，其特征在于：步骤6）中，， ，
， ，
， ， ，
， ，
， ，
， ，
， ，
， ，
；其中，表示步骤3）中利用Haar小
波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，表示步骤5）中通过高斯滤波得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，M和N表示图片的长度和宽度，c1和c2为常数，i和j分别为图像的行列， 和 分别表示图片 的均值， 分别表示图片 的标准
差， ， 是图片 的角点数， 是图片 的角点数，
表示图片 的检测的边数， 分别表示的是图片
的拉普拉斯矩阵， ， 同理可
得， 表示图片 的傅里叶变换， 表示图片的水平和竖直方向
的梯度，对于图片 来说，其梯度映射为 ，图片 的梯度映射同理可得。
6.根据权利要求1所述的一种基于图像质量的人脸防伪方法，其特征在于：步骤6）中，视觉保真度VIF具体的计算步骤如下：
第一步：对testimg和refimg与高斯核进行卷积；
第二步：对第一步的结果进行降采样；
第三步：对第二步的与高斯核进行卷积；
第四步：分别计算经过第三步之后的testimg和refimg的协方差矩阵以及二者的乘积；
第五步：对第四步的结果与高斯核进行卷积；
第六步：将第五步的结果中小于零的数设为0得到testimg的sigma2_sq ，refimg的sigma1_sq和两者乘积的结果sigma12；
第七步：计算g = sigma12 / (sigma1_sq + 1e-10)，sv_sq = sigma2_sq - g * sigma12；
第八步：将第七步的g和sv_sq中小于零的数设为0；
第九步：计算：m1 = g * g * sigma1_sq；
第十步：计算：m2 = sv_sq + sigma_nsq；
第十一步：计算：m3 = log(1 + m1 / m2)；
第十二步：计算：m4 = log(1 + (sigma1_sq / sigma_nsq))；
第十三步：对m3和m4的元素进行求和；
第十四步：视觉保真度即为m3元素的和比m4元素的和。
一种基于图像质量的人脸防伪方法
技术领域
背景技术
发明内容
2）、剪裁步骤1）中得到的人脸图像中的人脸区域，得到人脸区域图像；
3）、对步骤3）中得到的人脸区域图像利用Haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图；
4）、对步骤3）中得到的四张图像分别计算出无参考的图像质量评估特征，无参考的图像质量评估特征包括图像的模糊特征和高低频索引HLFI；
5）、将步骤3）中得到的四张图像分别通过高斯滤波来平滑处理图像，得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图；
6）、采用步骤3）中得到的四张图片和步骤5）中得到的四张图片计算有参考的图像质量评价特征，有参考的图像质量评价特征为：均方误差MSE、峰值信噪比PSNR、信噪比SNR、结构内容SC、最大像素差MD、平均像素差AD、标准化绝对误差NAE、拉普拉斯均方误差LMSE、归一化互相关NXC、平均角度相似MAS、平均角震级相似性MAMS、总边差TED、总角差TCD、光谱幅度误差SME、频谱相位误差SPE、梯度幅度误差GME、梯度相位误差GPE、结构相似指数SSIM、视觉信息保真度VIF；
7）、将步骤4）和步骤6）中得到的Haar小波低频信息图片的无参考和有参考的质量评价特征串联起来，得到Haar小波变换得到低频信息图片的图像质量评价总特征；
8）、按照步骤5）至步骤7）分别计算水平高频信息、垂直高频信息以及对角高频信息图的上述图像质量评价总特征；
9）、将步骤7）和步骤8）中得到的图像质量评价总特征串联起来，得到图像Haar小波变换的图像的质量评价总特征；
10）、对步骤9）中得到的图像Haar小波变换的图像的质量评价总特征利用SVM分类方法进行分类，得到步骤1）所采集的人脸图像的分类结果；
11）、输出步骤10）中的分类结果。
小波变换得到的图片， 表示图像的傅里叶变换。
， ，
， ，
， ，
， ，
，
， ，
，
，
，
，
；其中，表示步骤3）中利用Haar小
波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，表示步骤5）中通过高斯滤波得到平滑的频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，M和N表示图片的长度和宽度，c1和c2为常数，i和j分别为图像的行列， 和 分别表示图片 的均值， 分别表示图片 的标准差，
， 是图片 的角点数， 是图片 的角点数，
表示图片 的检测的边数， 分别表示的是图片 的拉普拉
斯矩阵， ， 同理可得，
表示图片 的傅里叶变换， 表示图片的水平和竖直方向的梯度，对于
图片 来说，其梯度映射为 ，图片 的梯度映射同理可得。
第二步：对第一步的结果进行降采样；
第三步：对第二步的与高斯核进行卷积；
第四步：分别计算经过第三步之后的testimg和refimg的协方差矩阵以及二者的乘积；
第五步：对第四步的结果与高斯核进行卷积；
第六步：将第五步的结果中小于零的数设为0得到testimg的sigma2_sq ，refimg的sigma1_sq和两者乘积的结果sigma12；
第七步：计算g = sigma12 / (sigma1_sq + 1e-10)，sv_sq = sigma2_sq - g * sigma12；
第八步：将第七步的g和sv_sq中小于零的数设为0；
第九步：计算：m1 = g * g * sigma1_sq；
第十步：计算：m2 = sv_sq + sigma_nsq；
第十一步：计算：m3 = log(1 + m1 / m2)；
第十二步：计算：m4 = log(1 + (sigma1_sq / sigma_nsq))；
第十三步：对m3和m4的元素进行求和；
第十四步：视觉保真度即为m3元素的和比m4元素的和。
附图说明
图3为本发明步骤3）中利用Haar小波变换提取人脸区域图像的低频信息图；
图4为为本发明步骤3）中利用Haar小波变换提取人脸区域图像的水平高频信息图；
图5为为本发明步骤3）中利用Haar小波变换提取人脸区域图像的垂直高频信息图；
图6为为本发明步骤3）中利用Haar小波变换提取人脸区域图像的对角高频信息图。
具体实施方式
2）、检测人脸，并剪裁出人脸区域，得到如图2所示的人脸区域图像；
3）、对步骤3）中得到的人脸区域图像利用Haar小波变换提取人脸区域图像的低频信息图、水平高频信息图、垂直高频信息图以及对角高频信息图，如图3-6所示。
分别表示的是图片 的拉普拉斯矩阵， ，
同理可得， 表示图片 的傅里叶变换， 表示图片
的水平和竖直方向的梯度，对于图片 来说，其梯度映射为 ，图片 的梯
度映射同理可得。
第二步：对第一步的结果进行降采样；
第三步：对第二步的与高斯核进行卷积；
第四步：分别计算经过第三步之后的testimg和refimg的协方差矩阵以及二者的乘积；
第五步：对第四步的结果与高斯核进行卷积；
第六步：将第五步的结果中小于零的数设为0得到testimg的sigma2_sq ，refimg的sigma1_sq和两者乘积的结果sigma12；
第七步：计算g = sigma12 / (sigma1_sq + 1e-10)，sv_sq = sigma2_sq - g * sigma12；
第八步：将第七步的g和sv_sq中小于零的数设为0；
第九步：计算：m1 = g * g * sigma1_sq；
第十步：计算：m2 = sv_sq + sigma_nsq；
第十一步：计算：m3 = log(1 + m1 / m2)；
第十二步：计算：m4 = log(1 + (sigma1_sq / sigma_nsq))；
第十三步：对m3和m4的元素进行求和；
第十四步：视觉保真度即为m3元素的和比m4元素的和。
9）、将步骤7）和步骤8）中得到的图像质量评价总特征串联起来，得到图像Haar小波变换的图像的质量评价总特征；
10）、对步骤9）中得到的图像Haar小波变换的图像的质量评价总特征利用SVM分类方法进行分类，得到步骤1）所采集的人脸图像的分类结果；
11）、输出步骤10）中的分类结果。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种NBIOT的频域时频同步方法 | 2020-05-08 | 599 |
| 一种基于压缩感知的视频序列重构方法 | 2020-05-11 | 378 |
| 自学习多路图像融合的实时矫正方法及系统 | 2020-05-11 | 121 |
| 一种基于噪声方差分段估计的图像去噪方法 | 2020-05-12 | 859 |
| 一种基于可调狭缝的波长可调谐掺铒光纤锁模激光振荡器 | 2020-05-08 | 973 |
| 一种Gm-APD激光雷达最远探测距离的计算方法 | 2020-05-08 | 647 |
| 单字符文本归一化模型训练方法、文本识别方法及装置 | 2020-05-12 | 914 |
| 操作助听器系统的方法以及助听器系统 | 2020-05-11 | 575 |
| 一种基于图像质量的人脸防伪方法 | 2020-05-08 | 518 |
| 质谱检测乳制品中A1、A2型β酪蛋白的质谱模型及其构建方法 | 2020-05-08 | 215 |
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。
