基于OEDLBP的人脸欺诈检测算法研究.pdf

第37 卷第3期2023 年 6 月Journal of Jiangsu University of Science and Technology(Natural Science Edition)D0I:10.20061/j.issn.1673-4807.2023.03.012江苏科技大学学报（自然科学版）Vol.37No.3Jun.2023基于OEDLBP的人脸欺诈检测算法研究王艳,夏坤,束鑫（江苏科技大学计算机学院，镇江2 12 10 0）摘要：人脸识别技术提高了身份验证的效率，给用户带来快捷方便的体验.但是，当有人试图伪造用户人脸通过系统验证时，就会威胁合法用户的信息和财产安全.针对打印攻击和视频攻击，提出了一种基于奇偶数位像素差异的描述子OEDLBP，该算法将局部偶数位差值模式（EDLBP）、局部奇数位差值模式（ODLBP）和全局特征模式（GBP）结合，利用空间金字塔算法统计彩色图像通道内和通道间特征，将提取到的特征进行融合并用SVM对真假人脸进行分类，在CASIA-FASD、Re p l a y-A t t a c k 和Replay-Mobile3个人脸反欺骗数据库中取得了较好的实验效果。关键词：人脸欺诈检测；局部二值模式；奇偶位局部二值模式；空间金字塔；彩色空间中图分类号：TP391Research on face spoofing detection algorithm based on OEDLBP(School of Computer,Jiangsu University of Science and Technology,Zhenjiang 212100,China)Abstract:Face recognition technology has improved authentication efficiency and given users a fast and conven-ient experience.However,when someone tries to fake the users face to pass the system verification,it willthreaten the users information and property security.This paper proposes a descriptor based on odd and even bitdifference local binary pattern(OEDLBP)for print and video attacks.The algorithm combines the even-bitdifference local pattern（ED LBP),t h e o d d-b i t d i f f e r e n c e l o c a l p a t t e r n （O D LBP),a n d t h e g l o b a l f e a t u r e p a t t e r n(GBP),and uses the spatial pyramid algorithm to count the intra-channel and inter-channel features of the colorimage.Then,the extracted features are fused and then classified by SVM.This approach achieves good perform-ance in three challenging face anti-spoofing databases:CASIA FASD,Replay-Attack,and Replay-Mobile.Key words:face spoofing detection,local binary pattern,odd and even bit local binary pattern,space pyramid,人脸识别技术已广泛应用于出人境管理、智能人脸图像中提取特定的特征；分类是指将未标记的安防、公安刑侦等领域，给用户带来便利的同时,其人脸图像分类为特定类别，以确定它们是活体人脸安全问题也日益凸显.若不法分子伪造人脸并通过还是假体人脸的过程。系统认证，就会侵犯用户权益，造成信息和财产损通过适当的加工处理，假脸可以在视觉上非常失,因此,生物特征认证系统的安全性是用户关注接近真实人脸，所以需要开发健壮的人脸欺诈检测的核心问题.人脸欺诈检测是提高认证系统安全性算法加以应对.局部二值模式（localbinarypattern，的关键技术，已经引起学术界广泛的关注.目前人LBP)计算简单、易于实现，已成为纹理分类和人脸脸欺诈检测任务主要有3个部分：检测、表示和分识别的主要特征提取方法之一.研究人员已提类，人脸检测是在图像中定位人脸；表示处理是从文献标志码：AWANG Yan,XIA Kun,SHU Xincolor space文章编号：16 7 3-48 0 7(2 0 2 3)0 3-0 7 3-0 8出多种LBP扩展方法,并在现有的基准数据库上收稿日期：2 0 2 2-12-2 0基金项目：国家自然科学基金资助项目（6 2 2 7 6 118）作者简介：王艳（198 0 一），女，讲师，研究方向为计算机视觉，人工智能.E-mail:jsjxy_引文格式：王艳，夏坤，束鑫.基于0 EDLBP的人脸欺诈检测算法研究J.江苏科技大学学报（自然科学版），2 0 2 3,37（3）：7 3-8 0.DOI：10.20061/j.issn.1673-4807.2023.03.012.74取得了显著的成果.文献2 将LBP的概念扩展到局部三元模式（local termarypattern,LTP）.LT P考虑像素差值的大小及其符号，生成三值代码以提取纹理特征.文献3 提出的三个正交平面局部二值模式（local binary pattern from three orthogonalplanes,LBP-TOP）,结合时间和空间信息极大地提高了欺骗识别的准确性.文献4 提出方向局部二值模式（directional local binary pattern,DLBP）,研究人脸图像的噪声特性，利用方向差滤波器来捕捉真脸和伪影之间的本质区别.文献5 提出一种基于引导尺度纹理的攻击检测方案,提取特征前将输入图像映射到引导尺度空间，在保留有效面部边缘的同时,将余噪声分量最小化，通过组合引导尺度空间和原始空间域，有效区分真脸和伪影.文献6使用支持向量机（supportvector machine,SVM）与5种颜色纹理特征直方图相结合，将颜色空间中的微观纹理作为表征攻击检测的重要线索.文献7 提出了彩色共现局部二值模式（chromatic co-occurrence of local binary pattern,CCoLBP）,提取不同颜色通道间的互补信息，并结合LBP分析真假人脸的颜色失真和纹理分布差异.文献8 提出三个正交平面的统计二值模式（statistical binarypat-tern from three orthogonal planes,SBP-TOP）,该算法从空间和时间的角度呈现人脸区域的纹理信息，有效识别打印攻击和视频重放攻击.文献9-10 提出了差分量化局部二值模式（differencequantiza-tionlocal binarypattern,DQ_LBP）和加权邻域差值量化局部二值模式（weighted neighborhood differ-ence quantization local binary pattern,WNDQLBP),DQ_LBP利用图像局部邻域像素与中心点之间的差值细化LBP的纹理信息，WNDQLBP量化各邻域像素间的差异，并使用线性加权方案来提高传统LBP 的鉴别能力.近年来，一些研究也将深度学习应用到人脸欺诈检测任务中.文献11 提出一种基于单一神经网络的特征图融合多尺度人脸检测算法，在不同大小的卷积层上预测人脸，实现实时多尺度人脸检测，并通过将浅层的特征图融合引人上下文信息提高小尺寸人脸检测精度.文献12 提出了一种基于多通道 CNN(multi-channel convolutional neuralnetwork,MC-CNN）的人脸表示攻击检测框架，主要是利用多通道的联合表示和预先训练好的人脸识别网络进行转移学习.文中提出基于奇偶数位像素差异的局部二值模式(odd and even bit difference local binary pat-江苏科技大学学报（自然科学版）tern,OEDLBP），该模式分别提取局部邻域内奇数位、偶数位模式像素间的差异信息以及全局特征信息，结合空间金字塔算法统计彩色空间的通道内和通道间特征,将像素间的差值信息融人编码过程，提取更细致的纹理信息,提高原始LBP性能的同时降低了特征维度.1OEDLBP针对打印攻击和视频攻击的检测，传统LBP及其扩展方法存在特征维度高、忽略像素间差值信息等问题,提出一种基于奇偶数位像素差异的人脸欺诈检测算法，主要包括以下步骤：从单个视频中提取一帧图像,对人脸区域进行裁剪以形成新的样本数据库,并在提取特征前将图像转换到不同的颜色空间.对转换后的图像进行高斯滤波以降低噪声干扰.在不同的颜色空间中提取像素间差异的符号和差值信息，融合不同空间的特征以获取互补的颜色信息通过空间金字塔算法统计每个颜色空间中各通道的局部和全局特征，并依此形成通道内和通道间的特征向量,将二者级联形成最终的特征表示.使用SVM对真假人脸进行检测和分类.1.1人脸裁剪与颜色空间转换文中利用级联目标检测器检测视频顿中的人脸,若检测异常则重新提取.为了嵌入一些背景信息以提高检测效果，将检测到的人脸区域扩展为原来的1.5倍，然后裁剪以形成实验用的人脸数据库.由于欺骗介质（打印照片、显示设备等）依赖色域，真脸和假脸的颜色信息存在固有差异，人脸重建时产生的纹理差异在颜色通道中也更加明显，所以颜色是区分真假人脸的重要视觉线索13.为了探索欺诈检测在不同颜色空间中的差异，提高算法检测性能，将原始RGB图像转换到HSV、YC b C r 和Gray空间,分别提取OEDLBP特征,并将提取到的特征进行融合，形成融合后的特征.1.2高斯滤波高斯滤波是一种线性滤波,能有效的抑制噪声、平滑图像.它的具体操作是使用指定的模板去扫描图像中的每一个像素，用模板确定的领域内像素的加权平均灰度值去替代模板中心像素点的值.二维高斯滤波在各方向上的平滑程度相同,其模板中各元素值的计算为：G(x,y)式中：（x,y）为坐标点；为高斯滤波标准差,反2023年20(1)2Tg第3期应周围像素对当前像素的影响程度，越大，远距离像素对中心点的影响就越大.文中设定滤波窗口为55，值为1,以对图像进行预处理.1.3OEDLBP原始LBP定义在33的窗口内,以中心像素为阈值对邻域点进行二值量化，若邻域像素大于中心像素,该位置被标记为1,否则为0.以此形成一个8位二进制码,其所对应的十进制数可唯一标识窗口的中心点13.给定位置(i,i)的LBP码定义为：PLBPp.R=s(r,-r.)2-1n=11x00其他式中：r。为中心点（i,j)处的灰度值;r，（n=1,2，.，P)表示与r。距离为R的领域点的灰度值;s为一个符号函数.给定一幅大小为MxN的纹理图像I,得到每个像素的编码后,统计所有LBP模式出现频率的直方图，将其作为图像I的全局特征描述为：H(k)=2Z(LBP.a(i./)-h)78296912898319580908局部邻域像素及部分位置编号Step 2将所得差值融入二进制编码过程中.若直接融人具体的差值,所得特征值可能远远超过2”1,因此先将得到的差值信息转化到0 1之间，具体归一化方式如下：D,=入+1式中：，=Pn-Pn+2，P,为邻域中第n个像素值，当n为7 时，P+2=P1；n=8 时，Pn+2取p2的值。入=maxl,丨n=1,P为示局部区域中像素间差值的绝对值的最大值，入+1是为了防止归一化公式的分母为0.Step3原始LBP二值序列中各位置的初始权重为2 -1,为了融人差值信息,将D，与对应位置的初始权值相结合,并分别计算ODLBP和EDLBP王艳,等：基于OEDLBP的人脸欺诈检测算法研究(2)(3)0 k 2P-1(4)-1396898380奇数位82919590偶数位图1OEDLBP计算示意图Fig.1Diagram of OEDLBP值，其具体定义分别为：Z(p,-Pa+2)(1+D,)2 n+ODLBPR,p=215nSP,neAEDLBPR,P=,Z.0.,(P.-p2)(1+D)2-115N0其他OELBP(7)(8)(9)(10)76Co、Ce 分别负责对ODLBP、ED LBP模式中的差值进行约束,在n的取值范围内，C随着n的增大而减小，可以达到上述要求.最终ODLBP和EDLBP分别被定义为：ODLBPR,p=Z,(p,-Pa+2)(1+D,Co)2-1knSP,neAEDLBPR,p=,0(p,-Pa)(1+D,C,)2-(13)1knP,neBStep 50ODLBP和EDLBP分别用于图像局部特征提取，但两者仅考虑了局部邻域像素间的大小关系,导致中心像素信息的缺失,文中利用GBP提取中心点信息：GBPr,p=0(g。-g.)因为GBP的二进制码只有0 和1两种,其权值为2,按照上述方法融人差值信息后，CBP特征值并没有实质的改变，所以这部分只使用符号信息.Step6分别构造ODLBP、ED LBP和GBP的特征直方图，将3个特征直方图级联，得到OEDLBP特征直方图：HoeDLBp=HopLBp,HeDLBp,Hcp根据式（12、13），ODLBP和EDLBP的值不会大于2 P”1.而CBP的值只有0 和1两种,所以OEDLBP的特征维度为2 P+1+2,仅为原始LBP特征维度的1/8.1.4空间金字塔空间金字塔（spacepyramid,SP）算法经常用来处理图像多尺度问题，解决传统池化方法易损失重要信息和易过拟合的问题15.其工作原理是在特征空间上放置一系列越来越密集的网格，然后对每个分辨率级别上出现的匹配数量进行加权求和.在任何固定的分辨率下,若两点落在网格的同一单元格中，就称它们匹配.使用空间金字塔可以提高算法的识别精度，但也会使特征维度扩增，当金字塔层数过大时,图像特征也会过于详细而导致数据干扰16 ,如图2,文中仅使用SP的第一层和第三层，第一层即特征图本身;第三层中,将特征图划分为16个均匀大小的网格，分别统计各网格中的特征直方图，其中彩色空间通道内特征直方图表示为：Hnra=Hl,H,H(16)通道间特征向量表示为：Hinter=H-H,H-H,H-H(17)将二者直方图结合并按照网格顺序进行级联，江苏科技大学学报（自然科学版）1)2FnEBn+1一一(14)(15)2023年ODLBP、ED LBP和GBP的特征矢量均由这两部分(11)组成：+。+0+?+O(12)图2 金字塔第一层和第三层示例Fig.2 Examples of the first and third levels of the pyramid2实验结果与分析为了合理评价算法的有效性，在3个常用的人脸数据集CASIAFASD、Re p l a y-A t t a c k 和Replay-Mobile上对OEDLBP算法进行性能测试,并将实验结果与几种前沿的人脸欺诈检测算法进行比较和分析.文中设置采样半径R为1,采样点数P=8使用线性核SVM进行分类，并以等错误率（EER）和半总错误率（HTER）作评价指标.HTER是错误接受率（FAR）和错误拒绝率（FRR）的平均值;EER是FAR和FRR相交处对应的值.FAR越小，人脸验证系统错误识别假脸的概率越低，则系统安全性较高；FRR越小，表示真脸图像被拒绝的概率越低，则系统可用性越好.因此，指标值越小就表示算法的性能越好.由于Replay-Mobile数据库中的欺骗和对策评估更复杂，通常使用攻击表示分类错误率（APCER）、真实表示分类错误率（BPCER）和平均分类错误率（ACER）来对算法模型进行评估.APCER、BPC ER与FAR、FRR类似，但前者考虑了各种攻击类型的潜力和成功概率：ACER为APC-ER和BPCER的均值,与EER和HTER类似,三者的值越小，表示算法的分类性能越好.2.1CASIAFASD数据库实验结果与分析CASIAFASD中包含50 名测试者的真实面部图像及3种对应的欺诈攻击图像（卷曲照片攻击、剪切照片攻击和视频攻击）.实验中，分别使用了低、正常、高3种成像质量的真实人脸图像和假脸图像进行测试.CASIAFASD数据集被分为两个不相交子集进行训练和测试,其中训练集有2 0 个类，测试集有30 个类17 .H=Hintra,H inter第1层+(18)第3层+第3期文中算法的实验结果及与其他算法的比较分别如表1、2.表1CASIA数据库中所提算法在各颜色空间的EERTable 1EER in each color space of algorithmproposed in CASIA database算法GrayOEDLBPimtra19.81OEDLBPinier19.81OEDLBP19.81OEDLBP rma+SP10OEDLBPinte+SP10OEDLBP+SP10表2 CASIA数据库中不同算法在各颜色空间的EERTable 2EER in each color space of differentalgorithms in CASIA database算法GrayLBP22.6CoALBP14.8LPQ23.2BSIF26.2SID19.9LTP26.2DQ_LBP4.6WNDQLBP4.8OEDLBP19.8OEDLBP+SP10OEDLBPintra指彩色空间通道内特征，OEDLB-Pinter提取的是通道间特征,OEDLBP则将通道内与通道间特征进行联合，+SP表示算法与空间金字塔的结合.表2 中前五种算法的实验数据文献6 ，LTP、D Q _LBP、W ND Q LBP的实验数据分别参考文献2,9,10 .根据表1可以看出，除了OEDLBPmtra在RGB空间的EER较高外，其他情况在彩色空间中的性能均优于灰度空间,且OEDLBP在HSV空间中的性能最优秀.SP的加入也大大提高了它的识别精度，OEDLBP的EER值从12.2 2%降低到2.7 8%.表3Replay-Attack数据库中所提算法在各颜色空间的EER和HTERTable 3IEER and HTER of algorithm proposed in the Replay-Attack database in each color spaceEER算法GrayOEDLBP mta3.88OEDLBPImter3.88OEDLBP3.88OEDLBPma+SP2.25OEDLBPImter+SP2.25OEDLBP+SP2.25王艳,等：基于OEDLBP的人脸欺诈检测算法研究%色空间中的实验结果虽然不突出，但与SP结合EER后,文中算法性能有了很大提高，在Gray、H SV 和RGBHSV15.5611.1127.4116.6718.8912.227.593.338.75.563.332.78EERRGBHSV21.013.611.05.514.47.421.06.715.811.213.57.964.32.24.62.418.912.23.32.8HTER4.384.384.3811177通道内和通道间特征结合后，算法的性能也得到了提升，在3个彩色空间中的EER分别降低为3.33%、2.7 8%和4.44%.与表2 中列出方法相比，OEDLBP的效果在灰度空间内处于中间位置.在彩YChCrYCbCr空间中均排第三，仅次于DQ_LBP和10.93WNDQLBP.在RGB空间中文中算法效果最佳,其18.712.224.265.564.44%证和测试18 .所提算法在该数据库中的实验结果YCbCr与比较分别如表3、4.12.410.016.21711.65.93.33.212.24.4EERRGB4.885.6228.8732.2555.382.252.55.137.381.381.38EER值为3.33%，分别比DQ_LBP和WNDQLBP降低了1%和1.3%.2.2Replay-Attack数据库实验结果与分析Replay-Attack库中有130 0 个视频，分别在不同的光照条件下对受试者进行真假人脸的样本采集，该数据库设计了打印攻击、移动攻击和高清攻击，并被分为3个不相交的子集分别用于训练、验表3中,所提算法在灰度空间的整体性能更好一些,除了OEDLBPimter外,算法在彩色空间中的结果与灰度空间中的差距不大OEDLBPm与OEDLBPintra+SP均在HSV空间获得了较好的结果，其EER/HTER分别为1.2 5%/2.2 5%与1.13%/0.5%.OEDLBP在HSV空间中的EER值，以及OEDLBP+SP在RGB和HSV空间的EER值与二者在灰度空间的结果相比均有所降低.在Re-play-Attack库中,所提算法优于大部分经典算法.在Gray、RG B和HSV空间中,其性能仅次于DQ-LBP和WNDQLBP.这三种算法在人脸欺诈检测方面有较好的效果，与其他算法相比有很大提升.DQ_LBP是通过指数加权将领域像素与中心点间的差值融入编码过程，其特征维度为2 P.WNDQLBP中只考虑邻域像素间的差值信息且分为了正负两部分，其特征维度为2 P+1.OEDLBP将邻域像素分为两种模式，既考虑邻域点间关系，又融入中心点信息，即提取细致纹理信息的同时大大降低了算法的特征维度.%HTEREERHSV1.252.258.7514.632.55.381.130.52.633.751.251.75HTEREERYChCr4.005.1314.7517.785.135.132.52.782.634.52.51.88HTER78LBPCoALBPLPQ+BSIFSIDLTPDQ_LBPWNDQLBPOEDLBPOEDLBP+SP2.3Replay-Mobile数据库实验结果与分析Replay-Mobile数据库包含1190 个不同光照条件下采集的视频片段，包括打印照片、平面照片和移动视频3种攻击方式.实验中，该数据库被分表5Replay-Mobile数据库中所提算法在各颜色空间的EER和HTERTable 5IEER and HTER of the algorithm proposed in Replay-Mobile database in each color spaceEER算法GrayOEDLBPimta5.33OEDLBP imler5.33OEDLBP5.33OEDLBPlm+SP1.69OEDLBPme+SP1.69OEDLBP+SP1.69在Replay-Mobile库中，除了OEDLBPinter外，其余情况在彩色空间中指标值均低于灰度空间,算法在彩色空间中的识别性能更佳.与SP结合后，不论是通道内、通道间,还是两者结合后的特征,在HSV空间中的指标值都达到了0.2.4买彩色空间融合不同彩色空间描述颜色的角度不同，文中将不同空间的特征融合以增加互补的颜色信息，并在表6中列出了不同空间特征融合后的算法性能.将不同颜色空间的特征融合后，将不同颜色空间的特征融合后,算法的识别精度得到了提升.在不同的数据库中,算法均在RGB+HSV空间中表现出了最好的分类性能.在Replay-Mobile库中，算法在除了RGB+YCbCr外的空间中都实现了完美的检测性能.表6 不同数据库中的彩色纹理融合性能Table 6Color texture fusion performancein different databasesEEREERHTEREERHTER彩色空间CASIAReplay-AttackRGB+HSV1.480.380.5RGB+YCbCr2.410.50.50.45HSV+YCbCr1.481.882.38RGB+HSV+YCbCr2.040.5 0.5江苏科技大学学报（自然科学版）表4Replay-Attack数据库中不同算法在各颜色空间的EER与HTERTable 4EER and HTER of different algorithms in Replay-Attack database in each color spacesEER算法Gray17.913.712.916.725.331.131.530.822.221.812.520.40.00.30.00.13.94.42.31HTER5.075.075.070.910.910.91Replay-Mobile000.4500002023年%HTEREERRGB4.66.86.28.09.710.313.511.314.512.35.013.10.00.00.00.355.41.41.4为3个不重叠的子集，其中训练集包含12 个类，测试集中有16 个类,验证集有12 个类19.所提算法在该库中的实验结果如表5.%EERHTERRCB1.691.1714.5614.230.710.910.980.910.981.2400.26表7、8 分别给出了不同数据库中文中算法和经典、前沿的人脸反欺诈算法的比较.表7 中前四种方法的数据来自文献13,CCoLBP及表8中前沿算法实验结果摘自文献9.表7 Replay-Mobile数据库中各算法的APCER、BPCER 与 ACERTable 7APCER,BPCER and ACER of algorithmsin Replay-Mobile database算法APCERIQM19.87Gabor7.91LBP+GS-LBP2.09LGBP1.40CCoLBP2.08LBP+CCoLBP2.10DQ_LBP2.08WNDQLBP1.04%OEDLBPOEDLBP+SP根据ReplayM o b i l e 库中的数据对比，WNDQLBP的效果最好,其APCER和BPCER分别为1.0 4%和0.DQ_LBP也得到了较好的实验结果,其APCER值与 LBP+GS-LBP,LBP+CCoLBP的HTER6.93.77.98.23.04.22.70.12.51.3EERHSV3.383.846.057.081.952.1400000000EERHSV10.64.39.210.38.78.10.30.45.41.8HTERHTER2.31.46.310.94.95.71.20.15.12.5EERYCbCr3.643.382.673.771.952.860.980.450.710.450.980.45BPCERACER7.413.6411.159.5.1.381.741.101.251.311.700.501.3001.0400.520000EERYChCr5.64.711.510.711.213.80.02.05.11.9HTER%HTER第3期表8 文中算法和前沿算法在Replay-Attack和CASIA数据库中的比较Table 8Comparison of our algorithm and frontieralgorithm in Replay-Attack and CASIA databases%EER算法Replay-Attack7.87.6CTMF4.02P/20.4CLBP0.4LBP+DCT0.0LBP+CCoLBP一DQ_LBP0.3WNDQLBP0.1Two-Stream CNN0.8Bottleneck Feature0.8Fusion+NNDeep LBP3D CNNOEDLBP+SP结果相当，且其BPCER值也降低到了0.在表7中,所提算法的效果是最好的，不论是否与空间金字塔结合，OEDLBP的识别精度均达到了最高，可以完美检测出Replay-Mobile数据库中的图片攻击.表8 中的前8 种算法与所提算法均是基于传统机器学习的特征提取方法,其余算法将运动或纹理信息与深度卷积神经网络进行了结合.在Replay-Attack数据库中,LBP+DCT实现了完美的检测.所提算法的EER、H T ER值分别为0.4%和0.5%，其性能略低于LBP+DCT,DQ_LBP和WNDQLBP,但优于其他5种传统算法，尤其与LBP-TOP,CTMF和LBP+CCoLBP相比,OEDLBP的分类效果得到了很大提升.与基于CNN的方法相比,OEDLBP算法的性能也比较突出.在CASIA数据库中,DQ_LBP拥有最低为1.3%的EER值，性能最好.其次为深度学习算法3DCNN，其EER值为1.4%.OEDLBP的性能在参与比较的算法中排名第三,其EER值仅比DQ_LBP增加了0.2%,与其他算法相比,尤其是在与LBP-TOP、C T M F、LBP和LBP+DCT的对比中,所提算法在人脸欺诈检测方面的性能得到了很大的提升.整体观察在3个数据库中实验结果,虽然所提出的方法性能不是最好，但它明显优于大多数传统算法和一些卷积神经网络算法，而且其在Replay-Mobil数据库中也达到了完美检测，拥有良好的性能表现.3结论（1）将中心点邻域的像素分为奇数位差值模王艳,等：基于OEDLBP的人脸欺诈检测算法研究EERHTER4.42.92.80.05.40.00.40.70.00.51.60.31.20.40.579式(odd bit difference local binary pattern,ODLBP)和偶数位差值模式（even bitdiference local binarypattern,EDLBP），提取像素间差异的符号和差值信息，既补充了原始LBP所忽视的细节信息，又降低CASIA了算法的特征维度.10.6（2）提取有关中心点信息的全局特征，将其与8.0局部特征结合，更细致地描述人脸图像.6.2（3）结合空间金字塔算法提取彩色人脸图像2.1的通道内和通道间特征，不仅解决了图像多尺度问18.14.11.32.42.75.82.21.41.5题，还提取了互补的彩色纹理信息，精细地表示人脸的纹理结构，提高算法的泛化能力和识别精度.文中算法在RGB+HSV空间中表现出良好的泛化能力，有效地表示真实人脸和欺诈人脸在纹理信息上的差异.在CASIAFASD,Replay-Attack和Replay-Mobile3个基准数据库中表现出优秀的性能，优于部分卷积神经网络算法和大部分传统算法，且其比卷积神经网络算法具有更短的训练时间.参考文献(References)1 邓燕妮，褚四勇，涂林丽，等基于均匀k均值和高维局部二值模式的人脸识别算法J控制与决策，2017,32(6):1128-1132.DENG Yanni,CHU Siyong,TU Linli,et al.Face rec-ognition algorithm based on homogeneous k-means andhigh-dimensional local binary pattern J.Control andDecision,2017,32(6):1128-1132.(in Chinese)2TAN X,TRIGGS B.Enhanced local texture featuresets for face recognition under difficult lighting condi-tions J.IEEE Transactions on Image Processing,2010,19(6):1635-1650.3 1PEREIRA T D F,ANJOS A,MARTINJ M D,et al.LBP-TOP based countermeasure against face spoofingattacks C/Asian Conference on Computer Vision(ACCV).Daejeon,Korea:Springer,2012:121-132.4QIN L,ZHANG L,PENG F,et al.Content-inde-pendent face presentation attack detection with direc-tional local binary pattern C/Chinese Conference onBiometric Recognition.Shenzhen，Ch i n a:Sp r i n g e r,2017,10568:118-126.5 PENG F,QIN L,LONG M.Face presentation attackdetection using guided scale texture J.MultimediaTools&Applications,2018,77:8883-8909.6 BOULKENAFET Z,KOMULAINEN J,HADID A.Face spoofing detection using colour texture analysisJ.IEEE Transactions on Information Forensics andSecurity,2016,11(8):1818-1830.807PENG F,QIN L,LONG M.CCoLBP:Chromatic co-occurrence of local binary pattern for face presentationattack detection C/27th International Conference onComputer Communication and Networks（ICCCN).USA:IEEE,2018:1-9.8 ZHANG Y,DUBEY R K,HUA G,et al.Face spoo-fing video detection using spatio-temporal statistical bi-nary pattern CJ/TENCON 2018-2018 IEEE Region10 Conference.Jeju,Korea:IEEE,2018:309-314.9束鑫，唐慧，杨习贝，等。基于差分量化局部二值模式的人脸反欺诈算法研究J计算机研究与发展,2 0 2 0,57(7);150 8-152 1.SHU Xin,TANG Hui,YANG Xibei,et al.Researchon face anti-spoofing algorithm based on DQ_LBP J.Journal of Computer Research and Development,2020,57(7):1508-1521.(in Chinese)10 SHU X,XIA K,PAN H,et al.Face anti-spoofingbased on weighted neighborhood pixel difference pat-tern J.Journal of Electronic Imaging,2021,30(3):033003.11 刘宏哲，杨少鹏，袁家政，等基于单一神经网络的多尺度人脸检测J电子与信息学报，2 0 18，40(11):2598-2605.LIU Hongzhe,YANG Shaopeng,YUAN Jiazheng,etal.Multi-scale face detection based on single neuralnetwork J.Journal of Electronics&InformationTechnology,2018,40(1