随着互联网技术的迅猛发展,人脸识别技术在生活中的应用得到普及,大到机场车站的安检系统,小到移动终端上的身份验证功能表明“看脸”时代已经来临。人脸识别技术不仅大大提高了身份信息验证的效率,还给用户带来快捷方便的生活体验。但是,当欺诈者伪造用户脸部并试图通过人脸识别系统的验证时则会出现欺诈攻击,对用户财产和信息的安全造成严重的威胁。现有应用中的欺诈检测技术需要人机交互辅助完成,这些交互过程极大降低了用户体验的满意程度。因此,在进行人脸识别前增加非人机交互的人脸欺诈检测以解决人脸识别系统中存在的风险与漏洞是一项非常有意义的工作。局部二值模式(Local Binary Pattern,LBP)因简单、高效、泛化能力较好等特性成为人脸欺诈检测领域中特征提取的主流方法之一。但是其特征表示较为单一,无法描述图片的纹理细节和空间结构。鉴于此,本文将从细化LBP特征、提取纹理空间结构信息和转换图片表示的角度出发探索人脸欺诈检测技术。具体而言,本文研究内容和创新性成果如下:(1)基于分块彩色MB＿LBP(Multi-Block Local Binary Pattern)纹理的人脸反欺诈算法。欺诈图片在制造过程中会产生噪声信号、视频伪影、打印瑕疵等欺诈线索,这些欺诈线索在高质量人脸欺诈图片中并不明显。实际上,真实图像和重构图像因使用不同呈像设备在色域上具有一定的差异,因此彩色纹理能够有效区分不同质量下真脸和假脸的差异。为此,选取特定的彩色空间并使用MB＿LBP提取大尺度局部纹理特征,从而在复杂数据集中捕捉样本特性。此外,为了提取图片的空间结构信息,对特征图片进行分块处理。(2)基于DQ＿LBP(Difference Quantization Local Binary Pattern)的人脸反欺诈算法研究。目前人脸欺诈检测方法中,LBP因其简单高效被广泛应用。但是LBP仅考虑了中心点与邻居点像素之间的符号关系,提取的特征并不能够详细地反映真脸与假脸之间的差异信息。针对打印攻击和视频攻击,提出了一种通过量化局部像素之间的差值来细化LBP特征的差分量化局部二进制模式(DQ＿LBP)。DQ＿LBP能够在不增加LBP维度的基础上提取像素之间的差值信息,以便更精确地描述图像的局部纹理特征。此外,使用空间金字塔算法统计了不同彩色空间中的DQ＿LBP特征并将其融合成统一的特征向量,从而更加充分地描述了人脸的局部彩色纹理信息及其空间结构信息,进一步提高了算法的检测性能。(3)基于彩色ED-LBP(Equilibrium Difference Local Binary Pattern)纹理特征的人脸欺诈检测。噪声信号是人脸欺诈检测中的重要线索,但是真实人脸样本在获取过程中也会不可避免地产生噪声信号。虽然高质量真实样本中的噪声信号很难被捕捉到,但是在复杂样本组成的数据集中,真实样本很容易被错误分类。鉴于此,将局部像素进行均衡化处理从而达到减少噪声信号的效果,并将其与差分量化局部二进制模式结合形成均衡差分局部二值模式(ED-LBP),进一步提高了人脸欺诈检测的性能。此外,’(10)’和’x’两种模式的ED-LBP算子被提出用于降低特征维度,它们不仅具有较高的检测性能而且其特征维度仅为原来的1/16。