基于纹理特征的人脸活体检测-01

1. 活体相关文献综述调研

参考：https://blog.csdn.net/CVAIDL/article/details/84567319

2. 基于LBP纹理特征的检测

1） 基于LBP_256特征提取（基本的256维LBP特征向量）

       401*401 RGB图片->灰度化->  计算得到400*400的LBP的256特征图（像素值0-255）->裁分成16个 10*10的 cell区域 -> 计算每个cell区域的256直方图，并归一化（共计16个256直方图，首尾相连，该图像图像的特征向量）-> 送入SVM分类器训练/分类；

2）基于LBP_59特征提取（灰度不变+等价模式LBP特征向量 (58种模式)，只统计LBP的特征图0-1或1-0之间跳变在两次以内的情况）

     401*401 RGB图片 -> 灰度化 -> 计算得到400*400的LBP的58特征图（像素值0-58, 58种等价模式表示为1~58, 59种混合模式表示为0）->裁分成16个 10*10的 cell区域 -> 计算每个cell区域的256直方图，并归一化（共计16个256直方图，首尾相连，该图像图像的特征向量）-> 送入SVM分类器训练/分类；

3)  基于LBP_9特征提取（计算灰度不变+旋转不变+等价模式LBP特征向量(9种模式)）

    401*401 RGB图片 -> 灰度化 -> 计算得到400*400的LBP的9特征图（256特征图->58特征图->9特征图）->裁分成16个 10*10的 cell区域 -> 计算每个cell区域的256直方图，并归一化（共计16个256直方图，首尾相连，该图像图像的特征向量）-> 送入SVM分类器训练/分类；

注：一定要归一化，否则分类器计算误差很大。（因为归一化之前，比如LBP_256特征图中的像素值分布在0-255之间，分布范围较广，如果大多数数据集中在某一范围（如20-60之间），很容易造成数据稀疏分布。归一化之后，数据分布在较小范围0-1之间，有利于数据学习训练）；

4） 基于NUAA数据集的训练与测试的结果，Method代表不同的方式提取特征，使用SVM训练分类； Face soofing(0)代表是NUAA测试集的非活体（人脸照片的攻击图片），能正确识别的准确率；Living face(1) 代表的是NUAA测试集中的活体（真实人脸），能够正确识别的准确率；average是能够正确识别活体与非活体人脸的平均识别准确率。

参考：LBP（局部二值模式）特征提取原理：https://blog.csdn.net/shenziheng1/article/details/72582197          

         灰度不变+旋转不变+等价模式：https://blog.csdn.net/qq_26898461/article/details/46875517

         LBP特征 旋转不变+标准型+圆形 及其在人脸识别中的应用含代码：https://blog.csdn.net/weierqiuba/article/details/70495902

         LBP纹理特征：http://www.bewindoweb.com/236.html

3. 基于颜色空间+纹理特征的检测

 1) 检测流程

     401*401的RGB图 -> 颜色空间转换（YCrCb或HSV） ->三通道分离（Y/Cr/Cb或H/S/V）-> 基于LBP纹理特征的检测（参照上述2灰度化之后的检测流程）；

参考：论文：Face Spoofing Detection Using Colour Texture Analysis.

2） 实验结果

基于NUAA数据集的训练与测试

3） 视频demo展示：

链接：https://user.qzone.qq.com/577897657/photo/video/1006_aebeccfb73a94971a6515fada940eab4