一種基于皮下血流探測的人體生物活體檢測方法及應(yīng)用的制作方法
【專利摘要】本發(fā)明涉及一種基于皮下血流的生物識別活體檢測方法，以普通視頻采集設(shè)備采集的正常光照條件下皮膚區(qū)域的彩色視頻為原始信號，以原始信號中含有的血液流動(dòng)信號為活體依據(jù)，并使用由RBM構(gòu)成的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對輸入信號加以分類識別。該方法基于活體的生物學(xué)特點(diǎn)對樣本進(jìn)行活體檢測，可靠性高；方法僅使用普通的視頻采集設(shè)備，而且這些設(shè)備是生物識別系統(tǒng)中的必需設(shè)備，不用對系統(tǒng)額外加入硬件設(shè)備，成本低廉，且算法簡單易于實(shí)現(xiàn)，能夠滿足不同場合的實(shí)際要求。
【專利說明】一種基于皮下血流探測的人體生物活體檢測方法及應(yīng)用
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及生物識別【技術(shù)領(lǐng)域】，涉及針對生物識別中的對人體活體的判別問題的方法，尤其是一種基于皮下血流探測的人體生物活體檢測方法。
【背景技術(shù)】
[0002]隨著科技的發(fā)展和近幾年生物識別【技術(shù)領(lǐng)域】內(nèi)一些技術(shù)的逐漸成熟，生物識別(認(rèn)證)技術(shù)逐漸被廣泛應(yīng)用。該技術(shù)是指基于人體的一些生物特征，包括生理特征和行為特征來識別、判別個(gè)體身份的一種技術(shù)。目前該技術(shù)在應(yīng)用方面主要依靠識別生理特征，通常包括人臉識別、指(掌)紋識別、虹膜識別等。生物特征的獨(dú)特性早在唐代就已經(jīng)被中國學(xué)者發(fā)現(xiàn)，近代西方學(xué)者對此也早有大量的研究。而真正將生物特征用于身份識別的系統(tǒng)出現(xiàn)于上世紀(jì)70年代早期。近年來，隨著生物特征采集設(shè)備價(jià)格的下降和各種識別方法的日益成熟，生物識別(認(rèn)證)技術(shù)逐漸融入了我們的日常生活中，在諸多領(lǐng)域，如系統(tǒng)登錄、海關(guān)安檢等領(lǐng)域有大量應(yīng)用，例如我國已經(jīng)啟動(dòng)了將公民指紋采集存儲(chǔ)在二代身份證中的工作。
[0003]生物識別有著有效性及便利性的優(yōu)勢，然而假冒攻擊一直是生物識別系統(tǒng)的一個(gè)重大威脅。例如，對于人臉識別系統(tǒng)，攻擊者可以使用人臉照片來進(jìn)行身份仿冒；而指紋、掌紋識別系統(tǒng)也可能使用硅膠或類似材質(zhì)制作的膠模騙過系統(tǒng)。對此類的仿冒攻擊，國外有很多學(xué)者進(jìn)行過研究，也發(fā)表過一些文獻(xiàn)資料，證明使用這些仿冒手段的確可以在一定程度上實(shí)現(xiàn)對系統(tǒng)的攻擊。
[0004]隨著生物識別技術(shù)的應(yīng)用愈加廣泛，系統(tǒng)安全性問題日益凸顯出來，越來越被研究人員廣泛關(guān)注。其中，一種解決此問題的思路是，在獲取人體生物樣本的時(shí)候，同時(shí)要對生物樣本進(jìn)行活體檢測?；铙w檢測可以保證生物信息的獲取對象是生物活體，從而可以抵御各種復(fù)制生物樣本，例如照片、塑膠指模等對認(rèn)證系統(tǒng)的攻擊。對于活體檢測技術(shù)的研究已經(jīng)成為了生物識別領(lǐng)域中的一個(gè)重要方向，近年來，國內(nèi)外在此領(lǐng)域有大量的研究工作和一些重要的學(xué)術(shù)會(huì)議，并且在一些相關(guān)領(lǐng)域的權(quán)威會(huì)議上都有相關(guān)的工作和論文發(fā)表。目前一些常用的技術(shù)包括基于活體的生理行為(例如識別人臉的眨眼動(dòng)作)、活體的環(huán)境特征以及活體的生理信號(諸如皮膚汗液，EEG電平，熱紅外特性等)。然而這些方法又各有缺陷，有些需要通過大量復(fù)雜的運(yùn)算，有些需要特殊設(shè)備支持，還有些方法用戶體驗(yàn)不好，難以滿足各種復(fù)雜場合的實(shí)際應(yīng)用要求，易用性和可靠性方面有待提高。
[0005]通過檢索，尚未發(fā)現(xiàn)與本發(fā)明專利申請相關(guān)的專利公開文獻(xiàn)。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于為解決生物識別系統(tǒng)中防止仿冒攻擊問題，提出了一種對人體生物樣本進(jìn)行活體檢測的方法，利用圖像處理技術(shù)和深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對生物樣本進(jìn)行活體檢測，該方法成本低廉、操作簡單、可靠性高，能夠滿足不同場合的實(shí)際要求。
[0007]為了實(shí)現(xiàn)上述目的，本發(fā)明所采用的的技術(shù)方案如下:[0008]一種基于皮下血流的生物識別活體檢測方法，以普通視頻采集設(shè)備采集的正常光照條件下皮膚區(qū)域的彩色視頻為原始信號，以原始信號中含有的血液流動(dòng)信號為活體依據(jù)，并使用由RBM構(gòu)成的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對輸入信號加以分類識別。
[0009]而且，所述的基于皮下血流的生物識別活體檢測方法，具體步驟如下:
[0010]⑴從彩色視頻信號中獲取可分類信號，獲取步驟依次如下:
[0011]a.使用可見光頻段的彩色視頻采集設(shè)備采集皮膚區(qū)域的彩色視頻或連貫圖像畫面，采樣頻率高于8fps以上；
[0012]b.從視頻或連貫圖像中截取出一定時(shí)長的序列；
[0013]c.以圖像中包含皮膚的區(qū)域作為R0I，以ROI區(qū)域，提取ROI區(qū)域的紅、綠、藍(lán)三通道像素灰度平均值，組成3XN的向量作為原始數(shù)據(jù)；其中，N為視頻的幀數(shù)，大于50 ；
[0014]d.對原始數(shù)據(jù)進(jìn)行消除趨勢波動(dòng)處理，得到可分類信號；
[0015]⑵對步驟中⑴所述的可分類信號使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判別，類別步驟依次如下:
[0016]a.深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練:
[0017]①使用步驟中⑴所述的可分類信號的獲取方法，從人體活體上采集信號作為網(wǎng)絡(luò)訓(xùn)練的正樣本；
[0018]②使用步驟中⑴所述的可分類信號的獲取方法，從非人體活體或假體上采集信號作為網(wǎng)絡(luò)訓(xùn)練的負(fù)樣本；
[0019]③對網(wǎng)絡(luò)的每一層RBM進(jìn)行無監(jiān)督的預(yù)訓(xùn)練；
[0020]④使用梯度下降算法，對網(wǎng)絡(luò)輸入加標(biāo)簽的正樣本、負(fù)樣本進(jìn)行訓(xùn)練；；
[0021]b.使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行活體檢測:
[0022]①使用步驟中⑴所述的可分類信號的獲取方法，在檢測樣本上采集可分類信號；
[0023]②使用步驟中⑵中a深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練對可分類信號進(jìn)行判別分類，從而實(shí)現(xiàn)對樣本是否為活體的判別，如果深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)最終輸出為正樣本，即最終輸出為一個(gè)大于O的正數(shù)，則認(rèn)為可分類信號是從人體活體樣本上采集的；如果深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)最終輸出為負(fù)樣本，即最終輸出為一個(gè)小于O的負(fù)數(shù)，則認(rèn)為可分類信號樣本為非人體活體。
[0024]而且，所述步驟⑴a中彩色視頻采集設(shè)備為普通攝像機(jī)、攝像頭或工業(yè)攝像機(jī)。
[0025]而且，所述步驟⑴b中序列的時(shí)長為3-5秒。
[0026]而且，所述步驟⑴d中對原始數(shù)據(jù)進(jìn)行消除趨勢波動(dòng)處理使用SPA方法進(jìn)行去趨勢波動(dòng)處理，步驟如下:
[0027]設(shè)原始數(shù)據(jù)為X，去趨勢化后數(shù)據(jù)為Y，使用公式:
[0028]Y = (1-H -A2DlD2)
[0029]其中，I為N階單位矩陣，D2為N-2XN階矩陣，具體形式如下:
[0030]
【權(quán)利要求】
1.一種基于皮下血流的生物識別活體檢測方法，其特征在于:以普通視頻采集設(shè)備采集的正常光照條件下皮膚區(qū)域的彩色視頻為原始信號，以原始信號中含有的血液流動(dòng)信號為活體依據(jù)，并使用由RBM構(gòu)成的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對輸入信號加以分類識別。
2.根據(jù)權(quán)利要求1所述的基于皮下血流的生物識別活體檢測方法，其特征在于:具體步驟如下: ⑴從彩色視頻信號中獲取可分類信號，獲取步驟依次如下: a.使用可見光頻段的彩色視頻采集設(shè)備采集皮膚區(qū)域的彩色視頻或連貫圖像畫面，采樣頻率高于8fps以上； b.從視頻或連貫圖像中截取出一定時(shí)長的序列； c.以圖像中包含皮膚的區(qū)域作為ROI，以ROI區(qū)域，提取ROI區(qū)域的紅、綠、藍(lán)三通道像素灰度平均值，組成3XN的向量作為原始數(shù)據(jù)；其中，N為視頻的幀數(shù)，大于50 ； d.對原始數(shù)據(jù)進(jìn)行消除趨勢波動(dòng)處理，得到可分類信號； ⑵對步驟中⑴所述的可分類信號使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判別，類別步驟依次如下: a.深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練: ①使用步驟中⑴所述的可分類信號的獲取方法，從人體活體上采集信號作為網(wǎng)絡(luò)訓(xùn)練的正樣本； ②使用步驟中⑴所述的可分類信號的獲取方法，從非人體活體或假體上采集信號作為網(wǎng)絡(luò)訓(xùn)練的負(fù)樣本； ③對網(wǎng)絡(luò)的每一層RBM進(jìn)行無監(jiān)督的預(yù)訓(xùn)練； ④使用梯度下降算法，對網(wǎng)絡(luò)輸入加標(biāo)簽的正樣本、負(fù)樣本進(jìn)行訓(xùn)練；； b.使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行活體檢測: ①使用步驟中⑴所述的可分類信號的獲取方法，在檢測樣本上采集可分類信號； ②使用步驟中⑵中a深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練對可分類信號進(jìn)行判別分類，從而實(shí)現(xiàn)對樣本是否為活體的判別，如果深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)最終輸出為正樣本，即最終輸出為一個(gè)大于O的正數(shù)，則認(rèn)為可分類信號是從人體活體樣本上采集的；如果深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)最終輸出為負(fù)樣本，即最終輸出為一個(gè)小于O的負(fù)數(shù)，則認(rèn)為可分類信號樣本為非人體活體。
3.根據(jù)權(quán)利要求2所述的基于皮下血流的生物識別活體檢測方法，其特征在于:所述步驟⑴a中彩色視頻采集設(shè)備為普通攝像機(jī)、攝像頭或工業(yè)攝像機(jī)。
4.根據(jù)權(quán)利要求2所述的基于皮下血流的生物識別活體檢測方法，其特征在于:所述步驟⑴b中序列的時(shí)長為3-5秒。
5.根據(jù)權(quán)利要求2所述的基于皮下血流的生物識別活體檢測方法，其特征在于:所述步驟⑴d中對原始數(shù)據(jù)進(jìn)行消除趨勢波動(dòng)處理使用SPA方法進(jìn)行去趨勢波動(dòng)處理，步驟如下: 設(shè)原始數(shù)據(jù)為X，去趨勢化后數(shù)據(jù)為Y，使用公式:
6.根據(jù)權(quán)利要求2所述的基于皮下血流的生物識別活體檢測方法，其特征在于:所述步驟⑵a③中對網(wǎng)絡(luò)的每一層RBM進(jìn)行無監(jiān)督的預(yù)訓(xùn)練的訓(xùn)練的具體步驟如下: RBM共設(shè)兩個(gè)層，一個(gè)為輸入層，另一個(gè)為輸出層，該層可以看作是對輸入的特征提取層，每個(gè)RBM為輸入-輸出的級聯(lián)形式； 在訓(xùn)練前，首先將由正樣本、負(fù)樣本至少各選擇不少于500個(gè)樣本組成的訓(xùn)練集重新隨機(jī)排列，然后將所有樣本平均分組即可； 在訓(xùn)練中，每次輸入RBM—組數(shù)據(jù)而不是一個(gè)數(shù)據(jù)； 設(shè)RBM網(wǎng)絡(luò)的輸入層有i個(gè)節(jié)點(diǎn)，輸出層有j個(gè)節(jié)點(diǎn)，則輸入層偏置為a={aj，輸出層偏置為b= IbJ，層間節(jié)點(diǎn)權(quán)值為W= {wu};令RBM的輸入為V，輸出為h，激勵(lì)函數(shù)為sigmoid型； 單個(gè)RBM預(yù)訓(xùn)練過程如下: ①用隨機(jī)數(shù)初始化權(quán)重，即對a，b，w用隨機(jī)數(shù)初始化； ②在當(dāng)前網(wǎng)絡(luò)參數(shù)下，計(jì)算一組輸入數(shù)據(jù)V的輸出，令其為h(O)； ③反向計(jì)算RBM，使用h(0)重構(gòu)輸入，令其為v(l)； ④以V(I)為輸入，在當(dāng)前網(wǎng)絡(luò)參數(shù)下計(jì)算輸出，令其為h(l)； ⑤計(jì)算輸出期望和重構(gòu)輸出期望。輸出期望為V’*h(O)，重構(gòu)輸出期望為v(l)’*h (I)； ⑥按如下公式更新網(wǎng)絡(luò)參數(shù)a，b，w:

7.根據(jù)權(quán)利要求6所述的基于皮下血流的生物識別活體檢測方法，其特征在于:所述RBM的層數(shù)為I~8層。
8.根據(jù)權(quán)利要求6所述的基于皮下血流的生物識別活體檢測方法，其特征在于:所述步驟⑵a③中對網(wǎng)絡(luò)的每一層RBM進(jìn)行無監(jiān)督的預(yù)訓(xùn)練的具體步驟如下:所述深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)由4個(gè)RBM組成，該4個(gè)RBM分別命名為RBM_in，RBM_hl，RBM_h2, RBM_out, 4個(gè)RBM為輸入-輸出的級聯(lián)形式； RBM_in為網(wǎng)絡(luò)的輸入層，其輸入為600維的可分類信號，輸出節(jié)點(diǎn)為5000個(gè)；RBM_hl為網(wǎng)絡(luò)的第一個(gè)隱含層，其輸入為RBM_in的輸出，共5000個(gè)節(jié)點(diǎn)，輸出為1000個(gè)節(jié)點(diǎn)；RBM_h2為網(wǎng)絡(luò)的第二個(gè)輸出層，其輸入為RBM_hl的輸出，共1000個(gè)節(jié)點(diǎn)，輸出為100個(gè)節(jié)點(diǎn)；RBM_out為網(wǎng)絡(luò)的輸出層，其輸入為RBM_h2的輸出，共100個(gè)節(jié)點(diǎn)，輸出為I個(gè)節(jié)點(diǎn)； 所有節(jié)點(diǎn)的激勵(lì)函數(shù)都選用sigmoid型；在訓(xùn)練過程中，首先使用不加標(biāo)簽的訓(xùn)練集對4個(gè)RBM逐個(gè)進(jìn)行預(yù)訓(xùn)練，預(yù)訓(xùn)練的目的是讓RBM可以更好地?cái)M合并重構(gòu)數(shù)據(jù)； 先對RBM_in進(jìn)行預(yù)訓(xùn)練，在其達(dá)到訓(xùn)練目標(biāo)后，以其輸出作為訓(xùn)練樣本，訓(xùn)練RBM_hI，以此類推訓(xùn)練所有的4個(gè)RBM。
9.根據(jù)權(quán)利要求2或8所述的基于皮下血流的生物識別活體檢測方法，其特征在于:所述步驟⑵a④中對網(wǎng)絡(luò)使用加標(biāo)簽的正負(fù)樣本進(jìn)行訓(xùn)練的具體步驟如下: ①所述RBM的數(shù)量為4個(gè)，使用訓(xùn)練好的RBM組成網(wǎng)絡(luò)，組成的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)共有5層，每層節(jié)點(diǎn)分別為200、5000、1000、100、1，各層的權(quán)值和偏置使用預(yù)訓(xùn)練階段的訓(xùn)練結(jié)果; ②對訓(xùn)練樣本加標(biāo)簽并進(jìn)行重新分組，將每1000個(gè)數(shù)據(jù)分為一組，共20組數(shù)據(jù)； ③使用訓(xùn)練樣本對上 述5層網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練方法使用基本的梯度下降算法即可。
10.如權(quán)利要求1至9任一項(xiàng)所述的基于皮下血流的生物識別活體檢測方法在生物識別【技術(shù)領(lǐng)域】方面的應(yīng)用。
【文檔編號】G06K9/00GK103793690SQ201410039663
【公開日】2014年5月14日 申請日期:2014年1月27日 優(yōu)先權(quán)日:2014年1月27日
【發(fā)明者】劉建征, 楊巨成, 熊聰聰, 陳亞瑞 申請人:天津科技大學(xué)