[发明专利]基于SVD-HMM活体人脸检测方法

摘要

本发明涉及一种基于SVD‑HMM活体人脸检测方法。该方法提出了人脸图像矩阵的奇异值分解(SVD)与隐马尔科夫模型(HMM)结合取证方法。在人脸分割块提取小波低频系数和水平、垂直、对角高频系数，得到的小波系数通过稀疏分解降维构成24维观察序列，最终生成隐马尔科夫模型，确定假冒人脸隐藏状态序列，从而判定人脸图像的真实性，算法有较好的照片人脸检测效果。

主权项

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＝UQVT，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ATA或AAT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Yi＝[αji00，αji01，αji10，αji11]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)＝(Πi,Ai,Bi)(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'|λi)(i＝1,2)，max(P(O'|λi))(i＝1,2)取得所述最大值的，即为活体人脸。