一種利用攝像頭實現用戶身份驗證的方法
2023-10-05 20:26:44 1
一種利用攝像頭實現用戶身份驗證的方法
【專利摘要】本發明公開了一種利用攝像頭實現用戶身份驗證的方法，步驟如下：（1）預先採集用戶人臉圖像，並進行存儲；（2）現場使用時，通過攝像頭對當前用戶的人臉圖像進行活體檢測；檢測成功則進入步驟（3），否則提示檢測失敗；（3）通過攝像頭對當前用戶進行現場拍照並存儲；（4）將保存的用戶人臉圖像與預先採集的用戶人臉圖像進行比對，得到相似度；（5）將相似度與預設的閾值進行比較，確定比對的兩張人臉是否為同一個人，如果大於或等於預設的閾值，則判為同一個人，否則不能通過驗證。本發明通過人臉識別系統與活體檢測進行雙重檢測，能夠有效控制隨意侵入系統的情況，使用戶數據的安全性得到提升。
【專利說明】一種利用攝像頭實現用戶身份驗證的方法
【技術領域】
[0001]本發明涉及計算機身份驗證研究領域，特別涉及一種利用攝像頭實現用戶身份驗證的方法。
【背景技術】
[0002]傳統的身份驗證方式主要有密碼、指紋、令牌或磁卡等，但是都存在一定的缺陷，例如:(1)設備開機驗證運用最多的是密碼，用戶開機後在系統設置模塊設置開機的密碼，用戶下次開機時，輸入正確的密碼才能打開設備。密碼方式雖然比較便捷，但是人的記憶很多時候會隨著時間的推移或記憶事情的增多而遺忘；如果把密碼記在本子上也容易被盜或丟失；(2)令牌或磁卡方式驗證身份，用戶在設備上安裝了電子身份驗證系統，用戶通過插入令牌或刷磁卡的方式打開系統，其中令牌和磁卡裡植入了用戶的認證信息，但是令牌和磁卡的缺點是容易丟失、被盜和偽造；(3)設備運用指紋方式驗證身份，用戶在激活設備時錄入指紋，設備自動建立用戶指紋庫，當用戶使用設備時通過識別指紋就可以打開設備，雖然指紋方式解決了已丟失、被盜的風險，但是指紋識別的方式還需要加裝指紋識讀設備，成本較高，且目前也存在指紋假冒這一問題，安全性也受到一定程度的質疑。
[0003]為了保證身份驗證的快速有效，現在出現了基於人臉的驗證方式。這種驗證方式的做法是用攝像頭拍攝人臉圖像，然後與資料庫裡的人臉圖像進行匹配。這種驗證方式解決了上述的容易遺忘、被盜或丟失的問題，但是同時也存在一些問題，比如說圖像拍攝時的質量問題會影響到身份驗證的可靠性，拍照時可能會出現利用照片、畫像或者雕塑來代替真的人臉等。
[0004]因此，如何進一步提高利用攝像頭實現用戶身份驗證的準確性和安全性成為一個很有意義的研究課題。
【發明內容】
[0005]本發明的主要目的在於克服現有技術的缺點與不足，提供一種利用攝像頭實現身份驗證的方法，該方法通過將預先採集的圖像和現場通過活體檢測的圖像進行比對得到判別結果，安全性高，而且可靠便捷。
[0006]本發明的目的通過以下的技術方案實現:一種利用攝像頭實現身份驗證的方法，包括以下步驟:
[0007](I)預先採集用戶人臉圖像，並進行存儲；
[0008](2)現場使用時，對通過攝像頭拍攝的當前用戶的人臉圖像進行活體檢測；檢測成功則進入步驟(3)，否則提示檢測失敗；
[0009](3)通過攝像頭對當前用戶進行現場拍照並存儲；
[0010](4)將步驟(3)中保存的用戶人臉圖像與預先採集的用戶人臉圖像進行比對，得到相似度；
[0011](5)將相似度與預設的閾值進行比較，確定比對的兩張人臉是否為同一個人，如果大於或等於預設的閾值，則判為同一個人，否則認為不是，不能通過驗證。
[0012]具體的，所述步驟(I)中預先採集用戶人臉圖像是採用現場拍照或上傳人臉照片中任一種方式實現。
[0013]更進一步的，所述步驟(I)中，在進行存儲之前，先對採集的人臉圖像質量進行評判，評判的指標包括人臉區域的尺寸大小、圖像亮度、圖像模糊度、人臉姿態變化幅度，評判均合格才進行存儲，否則重新採集圖像。可以通過設置閾值自動評判也可以由操作人員人工觀察評判。
[0014]具體的，所述步驟(2)中，活體檢測的方法是指完成指定的面部活動。例如可以設定需要進行若干次的眨眼和閉眼操作或者微笑等，從而證明是活人在拍照，避免了用照片或雕塑來矇混過關的情況。
[0015]更進一步的，所述步驟(3)中，在進行存儲之前，先對當前採集的人臉圖像質量進行評判，評判的指標包括人臉區域的尺寸大小、圖像亮度、圖像模糊度、人臉姿態變化幅度，評判均合格才進行存儲，否則重新採集圖像。
[0016]具體的，所述步驟(4)中對圖像進行比對的步驟如下:
[0017](4-1)從用戶人臉圖像中定位出人臉區域；
[0018](4-2)在人臉區域內定位出關鍵點位置；
[0019](4-3)根據上述關鍵點位置進行特徵提取，計算特徵向量；
[0020](4-4)將此特徵向量與預先採集的用戶人臉圖像的特徵向量進行計算，得到相似度值。
[0021]優選的，所述步驟(4-1)定位人臉區域的方法為基於機器學習的方法。在實際應用中可以採用基於AdaBoost學習算法和Haar特徵的人臉檢測方法等。
[0022]優選的，所述步驟(4-2)定位出關鍵點位置的方法為基於ASM/AAM的方法，即通過迭代優化的方式定位一定數量的特徵點；或者採用基於AdaBoost學習算法和有效特徵(如Haar特徵)結合的方法，即對每個特徵點，先學習得到一個檢測器，然後利用此檢測器在人臉區域中定位特徵點。這裡的關鍵點可以為眼角、眼球中心、鼻尖、嘴角、下巴等，根據這些特徵點的位置可以比較好地刻畫人臉，同時也可用來對人臉進行歸一化。
[0023]優選的，在步驟(4-3)之前先對人臉區域進行預處理，預處理包括幾何預處理和光照預處理，其中幾何預處理用於使所有人臉的大小和姿態一致，包括對人臉進行旋轉、縮放、平移；光照預處理用於減少外界光照條件對人臉圖像的影響，採用的方法包括低通濾波、雙邊濾波、熵圖像。在提取特徵之前進行上述預處理，可以消除一些幹擾因素，以便能提取更魯棒的特徵。
[0024]具體的，所述步驟(4-3)進行特徵提取的方法包括兩種:
[0025]一種是在人臉中提取高維度的局部特徵向量，將此向量作為人臉的特徵；如LBP、Gabor、HOG、SIFT 等；
[0026]另一種是採用子空間方法，學習得到一個低維子空間，將提取的高維特徵向量投影到此低維子空間，將投影係數作為人臉的特徵。如PCA、LDA等。
[0027]具體的，所述步驟(4-4)中，根據提取的人臉圖像的特徵向量、預先採集的用戶人臉圖像的特徵向量，計算二者的距離，然後將計算的距離值歸一化到區間[0，1]。
[0028]更進一步的，計算的距離值為歐式距離、餘弦距離、馬氏距離中的一種，同時將計算的距離值歸一化到區間[O，I]的方法是Logistic回歸方法。Logistic回歸方法具體是通過學習得到一個Logistic回歸函數，然後將取值不在區間[0，I]的距離映射到區間[0，I],從而得到方法需要的相似度。相似度越大越有可能是同一個人的臉。
[0029]本發明與現有技術相比，具有如下優點和有益效果:
[0030]1、本發明通過人臉識別系統與活體檢測功能的雙重保障，非生命體人像即使頭部和表情有運動特徵，也很難矇混過關，這使得隨意侵入系統的情況得到了非常有效的控制，使用戶數據的安全性得到提升。
[0031]2、本發明中預先採集的用戶人臉圖像和現場拍攝的照片都需要通過圖像質量評判，保證了用於對比分析的圖片質量，從而有效的提高了身份驗證的可靠性和準確性。
【專利附圖】
【附圖說明】
[0032]圖1是本實施例1具體實施的流程圖。
[0033]圖2是本實施例1預先採集的用戶人臉圖像和現場拍攝的照片比對的流程圖。【具體實施方式】
[0034]下面結合實施例及附圖對本發明作進一步詳細的描述，但本發明的實施方式不限於此。
[0035]實施例1
[0036]如圖1所示，本實施例所述一種利用攝像頭實現身份驗證的方法，包括以下步驟:
[0037]SlOO:預先採集用戶人臉圖像。
[0038]圖像採集的方式有兩種:一種是利用攝像頭現場拍照，另一種利用系統照片上傳功能上傳有用戶正面頭像的電子照片。
[0039]S200:對步驟SlOO採集的圖像進行人臉圖像質量評判。
[0040]進行圖像質量評判的作用是用於判斷人臉成像的質量，人臉圖像質量的好壞將直接影響身份驗證系統的準確率和可靠性，因此在建立身份驗證的人臉圖像庫之前需要對現場拍照所得到的人臉圖像和上傳的照片的成像質量進行評判，包括以下幾個評判要素:
[0041](I)人臉區域尺寸過小:現場拍照和上傳的照片，如果人臉區域尺寸過小，則會影響後面的身份驗證算法的準確性。通過人臉檢測算法在整幅圖像中進行人臉檢測，如果沒有檢測到人臉，或檢測到的人臉區域尺寸小於預設的閾值，則判定人臉區域尺寸過小。
[0042](2)圖像過亮:如果拍照的照片和上傳圖像有充足的亮度而缺乏足夠的對比度，則很難從中提取出人臉圖像。為此，通過計算圖像的平均亮度和平均對比度，將它們與相應的閾值進行比較:如果平均亮度大於平均亮度最大閾值，或平均對比度小於平均對比對最小閾值，則認為圖像過亮。
[0043](3)圖像過暗:與上述圖像過亮判斷類似，圖像過暗也使得從中提取出人臉圖像變得困難。通過計算圖像平均亮度值，將它與預設的閾值比較，如果小於預設的閾值，則認為圖像過暗。
[0044](4)圖像亮度不均:圖像亮度不均是指拍照時由於不同方向光線強度不同造成的圖像中不同局部區域明暗變化比較大，如側光會造成圖像一邊較亮，另一邊較暗。圖像亮度不均對後續身份驗證帶來比較大的困難。本實施例採用如下算法流程評判圖像亮度不均:將圖像分割成多個子塊，統計每個子塊的平均亮度值，然後計算所有子塊平均亮度值的方差，如果方差大於預設的閾值，則認為圖像亮度不均。
[0045](5)圖像模糊:圖像模糊不清，也無法從中提取出人臉圖像。本實施例通過計算圖像焦點評分，將它與預設的閾值進行比較，如果小於預設的閾值，則認為圖像模糊。
[0046](6)人臉姿態變化過大:用戶在拍照時或者上傳照片沒有正面正視攝像頭，會導致拍到的人臉姿態變化過大，例如側臉、低頭等，這會給後續的身份驗證帶來很大的困難。因此，需要判斷客戶人臉圖像姿態是否超出容忍的範圍。本實施例採用如下算法流程判斷人臉姿態:首先利用人臉檢測算法檢測出人臉區域，然後通過人臉姿態估計算法對檢測到的人臉區域進行姿態判別，如果返回的結果「非正常」，則認為姿態變化過大。
[0047]通過以上6個要素的評判，基本能確保用於後續身份驗證用戶人臉庫的人臉圖像的質量是合格的，會較大程度地提高後續身份驗證的準確率和可靠性。
[0048]S300:建立用戶人臉庫。
[0049]將通過質量評判的圖像標上編號或用戶名進行存儲，建立用戶人臉庫。
[0050]S400:現場活體檢測。
[0051]當用戶啟動身份驗證系統後，提示用戶對準攝像頭設備進行活體檢測。為了避免被他人使用用戶的照片、素描等非生命體人像特徵騙過人臉識別系統而入侵設備系統，該系統啟用後，需要被識別者在人臉可被檢測到的範圍內完成指定的面部活動，例如緩慢的左右搖頭並做出一些輕微的表情變化，如眨眼睛、微笑等，以便幫助人臉識別系統確認是否具有生命特徵，從而確認為活人在操作。
[0052]S500:現場通過攝像頭進行人臉圖像採集。
[0053]當用戶通過活體檢測後，利用攝像頭現場對用戶頭像進行拍照保存。
[0054]S600:對步驟S500採集的圖像進行人臉圖像質量評判。
[0055]評判的指標和方法和步驟S200相同。
[0056]S700:將現場拍照人臉和用戶人臉庫照片比對。
[0057]此操作目的是為了自動驗證用戶身份。具體對比流程如圖2所示。整個比對過程分為以下6個子步驟:
[0058]( I)人臉檢測
[0059]在人臉圖像中定位出人臉區域，得到人臉區域的位置和大小。採用的方法可以為基於AdaBoost學習算法和Haar特徵的人臉檢測方法。
[0060](2)面部關鍵特徵點定位
[0061]在人臉區域內定位一些關鍵點，如眼角、眼球中心、鼻尖、嘴角等，得到這些特徵點的位置。面部關鍵特徵點的定位採用基於ASM/AAM的方法，通過迭代優化的方式精確定位一定數量(如68個)的特徵點。
[0062](3)人臉預處理
[0063]在提取特徵之前對人臉進行一定的預處理，消除一些幹擾因素，以便能提取更魯棒的特徵。人臉預處理包括幾何預處理和光照預處理，其中幾何預處理將人臉進行旋轉、縮放、平移等操作，使得所有人臉的大小和姿態一致；光照預處理主要是為了減少人臉表面不同光照條件對後續識別的影響，採用的方法主要是對圖像進行某種濾波，如雙邊濾波等。
[0064](4)特徵提取[0065]在經過預處理後的人臉圖像中提取能有效區分不同人臉的特徵。方法是在人臉中提取高維度的局部特徵向量，如LBP和Gabor特徵，然後採用子空間方法如PCA、LDA等，學習得到一個低維子空間，將提取的高維特徵向量投影到此低維子空間，將投影係數作為人臉的特徵。
[0066](5)相似度計算
[0067]計算兩張人臉的特徵向量之間的某種距離，如餘弦距離。我們將相似度的取值限定在區間[0，I]，越大則越有可能是同一個人的臉。如果距離不在區間[0，1]，則需要轉換到區間[O, I]。採用的方法可以是Logistic回歸方法,通過學習得到一個Logistic回歸函數，可以將取值不在區間[0，1]的距離映射到區間[0，I]，從而得到我們需要的相似度。
[0068]S900:輸出判別結果。
[0069]將相似度與預設的閾值進行比較，確定比對的兩張人臉是否為同一個人，如果大於或等於預設的閾值，則判為同一個人，否則認為不是，不能通過驗證。
[0070]上述實施例為本發明較佳的實施方式，但本發明的實施方式並不受上述實施例的限制，其他的任何未背離本發明的精神實質與原理下所作的改變、修飾、替代、組合、簡化，均應為等效的置換方式，都包含在本發明的保護範圍之內。
【權利要求】
1.一種利用攝像頭實現身份驗證的方法，其特徵在於，包括以下步驟: (1)預先採集用戶人臉圖像，並進行存儲； (2)現場使用時，對通過攝像頭拍攝的當前用戶的人臉圖像進行活體檢測；檢測成功則進入步驟(3)，否則提示檢測失敗； (3)通過攝像頭對當前用戶進行現場拍照並存儲； (4)將步驟(3)中保存的用戶人臉圖像與預先採集的用戶人臉圖像進行比對，得到相似度； (5)將相似度與預設的閾值進行比較，確定比對的兩張人臉是否為同一個人，如果大於或等於預設的閾值，則判為同一個人，否則認為不是，不能通過驗證。
2.根據權利要求1所述的利用攝像頭實現身份驗證的方法，其特徵在於，所述步驟(1)中預先採集用戶人臉圖像是採用現場拍照或上傳人臉照片中任一種方式實現。
3.根據權利要求2所述的利用攝像頭實現身份驗證的方法，其特徵在於，所述步驟(1)中，在進行存儲之前，先對採集的人臉圖像質量進行評判，評判的指標包括人臉區域的尺寸大小、圖像亮度、圖像模糊度、人臉姿態變化幅度，評判均合格才進行存儲，否則重新採集圖像； 所述步驟(3)中，在進行存儲之前，先對當前採集的人臉圖像質量進行評判，評判的指標包括人臉區域的尺寸大小、圖像亮度、圖像模糊度、人臉姿態變化幅度，評判均合格才進行存儲，否則重新採集圖像。
4.根據權利要求1所述的利用攝像頭實現身份驗證的方法，其特徵在於，所述步驟(4)中對圖像進行比對的步驟如下`: (4-1)從用戶人臉圖像中定位出人臉區域； (4-2)在人臉區域內定位出關鍵點位置； (4-3)根據上述關鍵點位置進行特徵提取，計算特徵向量； (4-4)將此特徵向量與預先採集的用戶人臉圖像的特徵向量進行計算，得到相似度值。
5.根據權利要求4所述的利用攝像頭實現身份驗證的方法，其特徵在於，所述步驟(4-1)定位人臉區域的方法為基於機器學習的方法； 所述步驟(4-2)定位出關鍵點位置的方法為基於ASM/AAM的方法，即通過迭代優化的方式定位一定數量的特徵點；或者採用基於AdaBoost學習算法和有效特徵結合的方法，即對每個特徵點，先學習得到一個檢測器，然後利用此檢測器在人臉區域中定位特徵點。
6.根據權利要求4所述的利用攝像頭實現身份驗證的方法，其特徵在於，在步驟(4-3)之前先對人臉區域進行預處理，預處理包括幾何預處理和光照預處理，其中幾何預處理用於使所有人臉的大小和姿態一致，包括對人臉進行旋轉、縮放、平移；光照預處理用於減少外界光照條件對人臉圖像的影響，採用的方法包括低通濾波、雙邊濾波、熵圖像。
7.根據權利要求4所述的利用攝像頭實現身份驗證的方法，其特徵在於，所述步驟(4-3)進行特徵提取的方法包括兩種: 一種是在人臉中提取高維度的局部特徵向量，將此向量作為人臉的特徵； 另一種是採用子空間方法，學習得到一個低維子空間，將提取的高維特徵向量投影到此低維子空間，將投影係數作為人臉的特徵。
8.根據權利要求4所述的利用攝像頭實現身份驗證的方法，其特徵在於，所述步驟(4-4)中，根據提取的人臉圖像的特徵向量、預先採集的用戶人臉圖像的特徵向量，計算二者的距離，然後將計算的距離值歸一化到區間[O，I]。
9.根據權利要求8所述的利用攝像頭實現身份驗證的方法，其特徵在於，計算的距離值為歐式距離、餘弦距離、馬氏距離中的一種，同時將計算的距離值歸一化到區間[O，I]的方法是Logistic回歸方法。
10.根據權利要求1所述的利用攝像頭實現身份驗證的方法，其特徵在於，所述步驟(2)中，活體檢測的方法是指完成`指定的面部活動。
【文檔編號】G06F21/32GK103678984SQ201310711054
【公開日】2014年3月26日 申請日期:2013年12月20日 優先權日:2013年12月20日
【發明者】王先基, 陳友斌 申請人:湖北微模式科技發展有限公司