[发明专利]基于SVD-HMM活体人脸检测方法

权利要求书

1.一种基于SVD-HMM活体人脸检测方法，其特征是，包括如下步骤：

S1.分别将活体人脸照片和照片人脸照片均匀分割为24个分割块，使得每个窗口包含人脸关键部位；

S2.分别提取每个分割块的小波系数矩阵A(m,n)；

S3.对小波系数矩阵A(m,n)进行奇异值分解：A＝UQV^T，奇异值矩阵Q内的正实数λ为小波系数矩阵A(m,n)的奇异值，数值上是A^TA或AA^T的特征值的平方根；

S4.取每个分割块的奇异值系数序列的最大值，即序列首值作为特征集合，第i个分割块的特征集合表示为Y_i＝[α^j_i00，α^j_i01，α^j_i10，α^j_i11]^T，i＝1,2,...,24，j＝1,2,3，00为低频值、01为水平方向、10为垂直方向、11为斜对角方向，每个分割块分别提取10个最大奇异值，24个分割块共提取24个观察向量；

S5.从第一个观察向量开始依次取若干个相邻分割块的观察向量作为一组子观察序列，共得到5个子观察序列，这5个子观察序列依次对应人脸的眉毛、眼睛、鼻子、嘴巴、下巴5个部位；

S6.计算HMM模型的初始参数，其中初始状态概率矩阵设定为Π₀＝[1,0,0,0,0]，表示开始的状态为1；概率转移矩阵A的初始值由平均概率求出，若T为观察序列的长度，则得到A的矩阵如下，

混合概率矩阵可依据下面公式计算，

其中和分别为高斯概率密度函数的均值和协方差矩阵，O_i指子观察序列中的元素值；

S7.用Viterbi分割取代均匀分割，重新初始化均值和协方差矩阵；

S8.利用EM算法对Π,A,B这三个矩阵参数进行重新计算，迭代调整模型的参数得到新模型λ'＝(Π',A',B')，当前后两次迭代误差小于1*10^-4时，表示已经收敛，否则继续迭代，直到P(O|λ')达到最大值，得到最能表征观察序列O的HMM模型λ(i)＝(Π_i,A_i,B_i)(i＝1,2)，分别为活体人脸模型和照片人脸模型，其中，O指子观察序列集，P指在模型λ'下的子观察序列O出现的似然概率；

S9.将待识别的人脸照片同样经过S1至S5的处理，得到5个子观察序列，然后分别通过Viterbi算法计算每个模型产生所述5个子观察序列的最大似然概率P(O'|λ_i)(i＝1,2)，max(P(O'|λ_i))(i＝1,2)取得所述最大值的，即为活体人脸。

2.根据权利要求1所述的基于SVD-HMM活体人脸检测方法，其特征是：所述的步骤S8和步骤S9中，最大值指P(O'|λ_i)(i＝1,2)的最大值，即

max P(O'|λ_i)(i＝1,2)，值为0.98。

3.根据权利要求1所述的基于SVD-HMM活体人脸检测方法，其特征是：所述的步骤S1中，分别将活体人脸照片和照片人脸照片压缩至128*128，以每10行像素为子窗口、5行间距将人脸照片分割为24个分割块，使得每个窗口包含人脸关键部位。

4.根据权利要求1所述的基于SVD-HMM活体人脸检测方法，其特征是：所述的步骤S1中，预先取得活体人脸照片和照片人脸照片后，分别存入活体人脸照片库和照片人脸照片库待用；两种人脸照片分别取10张以上。

5.根据权利要求1所述的基于SVD-HMM活体人脸检测方法，其特征是：所述的步骤S5中，从第一个观察向量开始依次取每4个相邻分割块的观察向量作为一组子观察序列，最后8个分割块的观察向量合并为一组子观察序列，得到5个子观察序列，这5个子观察序列依次对应人脸的眉毛、眼睛、鼻子、嘴巴、下巴5个部位。