CN104933414A - 一种基于wld-top的活体人脸检测方法 - Google Patents

Abstract

本发明公开了一种基于WLD-TOP的活体人脸检测方法，包括以下步骤：(1)训练阶段：读取训练集视频，对每一帧进行人脸区域检测，并转换成灰度人脸图像帧序列，构造三维图像矩阵，然后构造滤波模板并计算WLD特征，再生成WLD-TOP特征向量，最后将特征向量输入SVM分类器进行训练，从而建立SVM模型；(2)测试阶段：对于测试的图像序列，对每一帧进行人脸检测并转换为灰度人脸图像序列，然后构造三维图像矩阵及滤波模板，计算WLD特征，生成WLD-TOP特征向量，最后送入训练好的SVM模型，得出活体人脸检测结果。本发明利用韦伯定理，在LBP-TOP基础上，不仅体现了邻域像素和中心像素的大小关系，还量化了邻域像素和中心像素的差异，使得描述子的特征更加全面。

Description

一种基于WLD-TOP的活体人脸检测方法

技术领域

本发明涉及人脸检测的研究领域，特别涉及一种基于WLD-TOP的活体人脸检测方法。

背景技术

人脸识别技术通过比较和分析人脸的生物特征，从而鉴别人的身份。人脸识别技术在过去的几十年间取得了长足的进步，人脸识别的产品被应用于门禁、重要场所监控、出入境等多个场合。人脸识别技术的一个优点是自动识别目标，无需监管，但也留下了安全的隐患，如果不法分子使用用户的照片甚至视频可以轻易的骗过人脸识别系统，就会造成危害，严重威胁到了社会的安全稳定。

常见的人脸欺骗攻击包括照片攻击和视频攻击。照片攻击带有用户的人脸特征，而视频攻击更带有合法用户的动态特征，如眨眼和面部表情的变化，更具欺骗性，严重地影响了人脸识别系统判别的准确性。

现在的活体人脸检测方法主要有以下几种：一是基于纹理结构分析的方法，该方法通过分析三维活体人脸和重拍人脸成像的差异性，提取相关纹理特征进行判别；二是基于面部运动信息分析的方法，活体人脸和重拍人脸的本质区别在于前者是三维物体，后者是二维平面结构，存在人脸的二次拍摄，它们产生的运动效果是完全不同的；三是基于活体特征信息分析的方法,该方法分析人脸的热红外图像、眨眼和嘴唇运动等活体特征，这种方法可能需要一些额外的检测设备支持，因此在推广上存在硬件的限制。

上述三种方法的实现都要用到合适的图像描述子，它可以极大的提高活体人脸检测的准确率。由于人脸欺骗攻击手段越来越多，尤其是基于视频的欺骗手段，具有活体人脸的动态特征，比如可以通过合法用户的动态视频获得眨眼等面部表情的变化从而达到欺骗攻击的目的，所以我们需要一个能加入时间和空间信息的描述子来作辨别。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于WLD-TOP的活体人脸检测方法，通过提取WLD描述子，并加入视频帧的时间轴信息，从而构成WLD-TOP(Weber Local Descriptor-Three Orthogonal Planes)描述子，它融合了WLD描述子的空间特征和视频帧的时间特征，提高了活体人脸检测的准确率。

为了达到上述目的，本发明采用以下技术方案：

一种基于WLD-TOP描述子的活体人脸检测方法，包括下述步骤：

S1、训练阶段：读取训练集视频，对每一帧进行人脸区域检测，并转换成灰度人脸图像帧序列，构造三维图像矩阵，然后构造滤波模板并计算WLD特征，再生成WLD-TOP特征向量，最后将特征向量输入SVM分类器进行训练，从而建立SVM模型；

S2、测试阶段：对于测试的图像序列，对每一帧进行人脸检测并转换为灰度人脸图像序列，然后构造三维图像矩阵及滤波模板，计算WLD特征，生成WLD-TOP特征向量，最后送入训练好的SVM模型，得出活体人脸检测结果。

优选的，步骤S1中，所述训练集视频是活体人脸视频、录制的照片人脸、重放攻击或打印图片攻击。

优选的，步骤S1中，在读入视频帧后，提取haar特征并用adaboosting算法进行人脸区域检测，提取其中的彩色人脸图并转为大小尺寸一致的灰度图。

优选的，步骤S1中，所述构造三维图像矩阵的方法为：

设置一次读取的视频帧长度R，选取T坐标的边界阈值L_T，则实际作为中心像素处理的视频帧长度R_t＝R-2L_T，再将这组视频帧的灰度值读入一个含X、Y和T坐标的三维矩阵I(x,y,t)中。

优选的，步骤S1中，构造滤波模板并计算WLD特征的方法为：

分别选取X、Y坐标边界裕值L_X、L_Y，确定WLD描述子的滑动滤波模板长度p，构成p*p的滤波模板对I的三个正交平面XY、XT和YT，分别利用WLD方法的p*p模板计算除去边界裕值后的各中心像素点的差分激励ξ和方向梯度Φ_t，计算方法如下:首先假设计算的中心点是x_c，它的八个相邻点分别是x_i，i＝0，...，p²-1， $v_0=\underset{i=0}{\overset{p^2-1}{\Σ}}\left({\mathrm{\Δx}}_i\right)=\underset{i=0}{\overset{p^2-1}{\Σ}}(x_i-x_c),$ 定义 ${\mathrm{\ξ}}^{\′}\left(x_c\right)=arctan\[\frac{v_0}{x_c}\]=arctan\[\underset{i=0}{\overset{p^2-1}{\Σ}}\left(\frac{x_i-x_c}{x_c}\right)\],$ 令v₁＝x₅-x₁,v₂＝x₇-x₃，取定义

则其中θ'∈[0,2π)，S是方向梯度特征的维数，则Φ_t＝0,1,...,S-1，由上述步骤得到WLD的描述子{ξ'(x_c),Φ_t}。

优选的，步骤S1中，

WLD-TOP计算过程为：首先对ξ'(x_c)作如下归一化：

故ξ(x_c)取值为0到N-1这N个整数值；Φ_t归一化到用整数0到S-1表示的S个方向，以XY平面为例，对WLD{ξ(x_c),Φ_t}二维直方图进行降维，固定Φ_t，求对应的ξ(x_c)子直方图，根据S维的Φ_t分为S组子直方图，按照Φ_t从小到大的顺序依次连接这S个子直方图，定义

f(x,y)＝N×Φ_t+ξ(x_c)，则XY平面的直方图

h_i,XY＝Σ_x,yM{f(x,y)＝i},i＝0,1,...,NΦ_t-1，其中 $M\left(A\right)=\left\{\begin{array}{c}0,ifAisfa1se;\\ 1,ifAistrue.\end{array}\right.,$ 从而构成NΦ_t维的WLD直方图H_XY，再用此法得到三个正交平面

(n＝0:XY,n＝1:XT,n＝2:YT)的直方图h_i,n＝Σ_x,y,tM{f(x,y,t)＝i},i＝0,1,...,NΦ_t-1，将它们转为NΦ_t维的行向量H_n，依次前后连接，生成3NΦ_t维的WLD-TOP特征行向量H_WT＝[H₀ H₁ H₂]。

优选的，步骤S1中，

所述SVM分类器使用LIBSVM作为基础的SVM实现工具；将训练集得到的所有k个特征向量构成训练集特征矩阵 $H_{train}=\left(\begin{array}{c}{H}_{WT,train,1}\\ .\\ .\\ .\\ H_{WT,train,k}\end{array}\right),$ 采用SVM训练，并用训练出来的模型对含有j个特征向量的测试集特征矩阵 $H_{test}=\left(\begin{array}{c}{H}_{WT,test,1}\\ .\\ .\\ .\\ H_{WT,test,j}\end{array}\right)$ 分类，得到是否为活体人脸的判别标签，并与真实标签比对，从而得到活体检测判别的准确率。

优选的，步骤S1中，

所述SVM分类器对于输入的训练样本集，采用交叉验证方法进行训练，并利用网格搜索方法寻找SVM的最优参数集{C,γ}。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提出的WLD-TOP方法，利用韦伯定理，在LBP-TOP基础上，不仅体现了邻域像素和中心像素的大小关系，还量化了邻域像素和中心像素的差异，并将这种差异作为一种特征，再结合方向梯度特征，使得描述子的特征更加全面。

2、本发明将WLD描述子扩展到三维空间，加入了时间轴信息，将时间和空间信息融合为一体，对具有动态特征的视频攻击提高了检测准确性。

3、本发明简化了传统WLD计算方向梯度和直方图的数学过程，本发明的计算方法仅在传统方法上改变了特征向量元素的顺序，在不改变传统WLD特征向量元素大小的基础上，用更直观的数学表达式构造这些特征。

4、本发明在不同数据集上做训练和测试，通过构建了SYSU活体人脸检测数据集，并和CASIA数据集相结合做了跨数据集的实验，提高了WLD-TOP的泛化性能。

附图说明

图1是本发明的方法流程图；

图2(a)-图2(c)是本发明WLD-TOP描述人脸的效果示例图；

图3是本发明WLD差分激励和方向梯度的原理图；

图4是本发明WLD-TOP描述子的直方图；

图5(a)-图5(d)是本发明用于训练和测试的CASIA人脸区域图；

图6(a)-图6(d)是本发明用于训练和测试的SYSU人脸区域图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本发明基于WLD-TOP的活体人脸检测方法，包括以下步骤：

(1)训练阶段：读取训练集视频，对每一帧进行人脸区域检测，并转换成灰度人脸图像帧序列，构造三维图像矩阵，然后构造滤波模板并计算WLD特征，再生成WLD-TOP特征向量，最后将特征向量输入SVM分类器进行训练，从而建立SVM模型；

第(1)阶段的具体内容为：

(1.1)读取训练集视频：读取训练集视频，它可能是活体人脸视频，也可能是录制的照片人脸、重放攻击、打印图片攻击等，我们读入视频帧，然后提取haar特征并用adaboosting算法进行人脸区域检测，提取其中的彩色人脸图并转为大小尺寸一致的灰度图；

(1.2)构造三维图像矩阵：设置一次读取的视频帧长度R，选取T坐标的边界阈值L_T，则实际作为中心像素处理的视频帧长度R_t＝R-2L_T，再将这组视频帧的灰度值读入一个含X、Y和T坐标的三维矩阵I(x,y,t)中。

(1.3)计算WLD特征：分别选取X、Y坐标边界裕值L_X，L_Y，确定WLD描述子的滑动滤波模板长度p，构成p*p的滤波模板(实验中p＝3，L_X＝L_Y＝L_T＝1)；对I的三个正交平面XY、XT和YT，分别利用WLD方法的p*p模板计算除去边界裕值后的各中心像素点的差分激励ξ(x_c)和方向梯度Φ_t，计算方法如下:首先假设计算的中心点是x_c，它的八个相邻点分别是x_i,i＝0,...,p²-1， $v_0=\underset{i=0}{\overset{p^2-1}{\Σ}}\left({\mathrm{\Δx}}_i\right)=\underset{i=0}{\overset{p^2-1}{\Σ}}(x_i-x_c),$ 定义 ${\mathrm{\ξ}}^{\′}\left(x_c\right)=arctan\[\frac{v_0}{x_c}\]=arctan\[\underset{i=0}{\overset{p^2-1}{\Σ}}\left(\frac{x_i-x_c}{x_c}\right)\],$ 令v₁＝x₅-x₁,v₂＝x₇-x₃，取 $\mathrm{\θ}\left(x_c\right)=arctan\left(\frac{v_2}{v_1}\right),$ 定义则其中θ'∈[0,2π)，S是方向梯度特征的维数，则Φ_t＝0,1,...,S-1，由上述步骤得到WLD的描述子{ξ'(x_c),Φ_t}，如图3所示，

(1.4)生成WLD-TOP特征向量：首先对ξ'(x_c)作如下归一化：

故ξ(x_c)取值为0到N-1这N个整数值；Φ_t归一化到用整数0到S-1表示的S个方向，以XY平面为例，对WLD{ξ(x_c),Φ_t}二维直方图进行降维，固定Φ_t，求对应的ξ(x_c)子直方图，根据S维的Φ_t分为S组子直方图，按照Φ_t从小到大的顺序依次连接这S个子直方图，定义

f(x,y)＝N×Φ_t+ξ(x_c)，则XY平面的直方图

h_i,XY＝Σ_x,yM{f(x,y)＝i},i＝0,1,...,NΦ_t-1，其中 $M\left(A\right)=\left\{\begin{array}{c}0,ifAisfa1se;\\ 1,ifAistrue.\end{array}\right.,$ 从而构成NΦ_t维的WLD直方图H_XY，再用此法得到三个正交平面

(n＝0:XY,n＝1:XT,n＝2:YT)的直方图h_i,n＝Σ_x,y,tM{f(x,y,t)＝i},i＝0,1,...,NΦ_t-1，将它们转为NΦ_t维的行向量H_n，依次前后连接，生成3NΦ_t维的WLD-TOP特征行向量H_WT＝[H₀ H₁ H₂]，如图4所示。

(1.5)将特征向量输入SVM分类器进行训练：SVM分类器使用LIBSVM作为基础的SVM实现工具；将训练集得到的所有k个特征向量构成训练集特征矩阵 $H_{train}=\left(\begin{array}{c}{H}_{WT,train,1}\\ .\\ .\\ .\\ H_{WT,train,k}\end{array}\right),$ 采用SVM训练，并用训练出来的模型对含有j个特征向量的测试集特征矩阵 $H_{test}=\left(\begin{array}{c}{H}_{WT,test,1}\\ .\\ .\\ .\\ H_{WT,test,j}\end{array}\right)$ 分类，得到是否为活体人脸的判别标签，并与真实标签比对，从而得到活体检测判别的准确率。

(1.6)建立SVM模型：SVM分类器对于输入的训练样本集，采用交叉验证方法进行训练，并利用网格搜索方法寻找SVM的最优参数集{C,γ}。

(2)测试阶段：对于测试的图像序列，对每一帧进行人脸检测并转换为灰度人脸图像序列，然后构造三维图像矩阵及滤波模板，计算WLD特征，生成WLD-TOP特征向量，最后送入训练好的SVM模型，得出活体人脸检测结果。

上述步骤(2)中的构造三维图像矩阵、计算WLD特征、生成WLD-TOP特征向量以及将特征向量输入SVM分类器进行训练的方法与步骤(1)中的方法相同。

本发明通过以下实验对本发明的效果进行说明：(1)实验数据集选用CASIA活体人脸检测数据集(如图5(a)-图5(d)所示，图5(a)、图5(b)分别为训练集的活体和非活体图片，图5(c)、图5(d)分别为测试集的活体和非活体图片)和申请人自制的SYSU活体人脸检测数据集(如图6(a)-图6(d)所示，图6(a)、图6(b)分别为训练集的活体和非活体图片，图6(c)、图6(d)分别为测试集的活体和非活体图片)，CASIA数据集采集了50个用户的人脸视频，其中20个用作训练集，30个用作测试集，每个用户录制了活体、剪切照片攻击、手动弯曲照片攻击、视频攻击四种类型的视频，每种类型有3段视频，分为低、中、高分辨率人脸视频，即单个用户共有3段活体人脸视频，9段假冒人脸视频，SYSU数据集采集了29个用户的人脸视频，其中20个用作训练，9个用作测试，攻击方式为iphone手机和ipad平板录制的二次人脸视频，每个用户有3个拍摄场景，对应每个场景，单个用户总共有3段活体人脸视频和6段假冒人脸视频。

CASIA数据集和SYSU数据集内部实验：将实验数据集的视频按每帧提取人脸区域，并作归一化处理成大小一致(62×62像素)的人脸灰度图片，WLD描述子的滑动滤波模板长度p＝3，边界阈值设为L_X＝L_Y＝L_T＝1；读取训练集中每个用户长度为R_t＝3的人脸视频帧，作为一个三维图像矩阵，图像的效果图如图2(a)-图2(c)所示，再对每个正交平面XY、XT、YT按照图3所示方法依次计算WLD{ξ(x_c)，Φ_t}，差分激励的维数N＝256，方向梯度的个数S＝8，采用如图4所示的流程图计算WLD二维直方图；对每个正交平面的WLD二维直方图按不同的Φ_t降为8个一维子直方图，将它们按Φ_t大小顺序拼接起来得到该像素点的WLD一维直方图，该直方图含有2048维特征行向量，再按照XY、XT、YT平面的顺序依次拼接这些一维直方图得到该点的6144维WLD-TOP特征行向量的直方图；以此类推，将训练集的每个用户的不同视频下的人脸帧都进行训练，得到一个训练集的特征矩阵H_train，将测试集的不同用户也按(1)-(2)处理得到特征矩阵H_test；对H_train进行用LIBSVM软件包的的svmtrain函数训练，得到训练模型model，利用model进行SVM预测得出判别准确率，调整svmtrain函数的-t，-c，-g等参数，找到使准确率最高的最优参数，得出WLD-TOP在CASIA(或者SYSU)数据集上的最终判别准确率accuracy。

CASIA数据集和SYSU数据集交叉实验：本申请中用CASIA数据集做训练，用SUSU做测试，然后再用SYSU数据集做训练，用CASIA做测试。将两个数据集的视频按每帧提取人脸区域，并作归一化处理成大小一致(62×62像素)的人脸灰度图片，WLD描述子的滑动滤波模板长度p＝3，边界阈值设为L_X＝L_Y＝L_T＝1；读取训练集中每个用户长度为R_t＝3的人脸视频帧，作为一个三维图像矩阵，再对每个正交平面XY、XT、YT按照图3所示方法依次计算WLD{ξ(x_c)，Φ_t}，差分激励的维数N＝256，方向梯度的个数S＝8，采用如图4所示的流程图计算WLD二维直方图；对每个正交平面的WLD二维直方图按不同的Φ_t降为8个一维子直方图，将它们按Φ_t大小顺序拼接起来得到该像素点的WLD一维直方图，再按照XY、XT、YT平面的顺序依次拼接这些一维直方图得到该点的6144维WLD-TOP特征行向量的直方图；以此类推，将训练集的每个用户的不同视频下的人脸帧都进行训练，得到一个训练集的特征矩阵H_train，将测试集的不同用户也按(1)-(2)处理得到特征矩阵H_test；对H_train进行用LIBSVM软件包的的svmtrain函数训练，得到训练模型model，利用model进行SVM预测得出判别准确率，调整svmtrain函数的-t，-c，-g等参数，找到使准确率最高的最优参数，得出WLD-TOP在跨数据集上的最终判别准确率accuracy。

实验中，本申请还与WLD、LBPTOP和LBP三种方法做了比较。具体比较结果如表1-表4所示：

表1：CASIA数据集实验

方法	准确率％
		WLD-top	90.78
LBP-top	79.06
		WLD	87.08
LBP	78.35

表2：SYSU数据集实验

方法	准确率％
		WLD-top	93.44
LBP-top	81.97
		WLD	85.27
LBP	81.42

表3 CASIA数据集和SYSU数据集交叉实验

方法	准确率％
		WLD-top	74.62
LBP-top	53.96
		WLD	64.81
LBP	53.85

表4 各描述子判别一个视频的平均时间(R_t＝3)

方法	时间
		WLD-top	0.29s
LBP-top	0.20s
		WLD	0.22s
LBP	0.16s

从实验的结果来看，采用本发明的WLD-TOP描述子活体检测的效果要优于已有的LBP-TOP和WLD描述子，本发明不仅在准确率上有一定的提升，在实际、复杂的视频人脸攻击场景中比基于LBP-TOP和WLD的描述子的准确率有较大地提高。由于WLD-TOP是在三个平面上计算WLD特征，所以速度会略慢于其它两种方法。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于WLD-TOP描述子的活体人脸检测方法，其特征在于，包括下述步骤：

S1、训练阶段：读取训练集视频，对每一帧进行人脸区域检测，并转换成灰度人脸图像帧序列，构造三维图像矩阵，然后构造滤波模板并计算WLD特征，再生成WLD-TOP特征向量，最后将特征向量输入SVM分类器进行训练，从而建立SVM模型；

S2、测试阶段：对于测试的图像序列，对每一帧进行人脸检测并转换为灰度人脸图像序列，然后构造三维图像矩阵及滤波模板，计算WLD特征，生成WLD-TOP特征向量，最后送入训练好的SVM模型，得出活体人脸检测结果。

2.根据权利要求1所述的基于WLD-TOP描述子的活体人脸检测方法，其特征在于，步骤S1中，所述训练集视频是活体人脸视频、录制的照片人脸、重放攻击或打印图片攻击。

3.根据权利要求1所述的基于WLD-TOP描述子的活体人脸检测方法，其特征在于，步骤S1中，在读入视频帧后，提取haar特征并用adaboosting算法进行人脸区域检测，提取其中的彩色人脸图并转为大小尺寸一致的灰度图。

4.根据权利要求1所述的基于WLD-TOP描述子的活体人脸检测方法，其特征在于，步骤S1中，所述构造三维图像矩阵的方法为：

设置一次读取的视频帧长度R，选取T坐标的边界阈值L_T，则实际作为中心像素处理的视频帧长度R_t＝R-2L_T，再将这组视频帧的灰度值读入一个含X、Y和T坐标的三维矩阵I(x,y,t)中。

5.根据权利1所述的基于WLD-TOP描述子的活体人脸检测方法，其特征在于，步骤S1中，构造滤波模板并计算WLD特征的方法为：

分别选取X、Y坐标边界裕值L_X、L_Y，确定WLD描述子的滑动滤波模板长度p，构成p*p的滤波模板对I的三个正交平面XY、XT和YT，分别利用WLD方法的p*p模板计算除去边界裕值后的各中心像素点的差分激励ξ和方向梯度Φ_t，计算方法如下:首先假设计算的中心点是x_c，它的八个相邻点分别是x_i,i＝0,...,p²-1， $v_0=\underset{i=0}{\overset{p^2-1}{\Σ}}\left({\mathrm{\Δx}}_i\right)=\underset{i=0}{\overset{p^2-1}{\Σ}}(x_i-x_c),$ 定义 ${\mathrm{\ξ}}^{\′}\left(x_c\right)=\arctan \[\frac{v_0}{x_c}\]=arctan\[\underset{i=0}{\overset{p^2-1}{\Σ}}\left(\frac{x_i-x_c}{x_c}\right)\],$ 令v₁＝x₅-x₁,v₂＝x₇-x₃，取定义令其中θ'∈[0,2π)，S是方向梯度特征的维数，则Φ_t＝0,1,...,S-1，由上述步骤得到WLD的描述子{ξ'(x_c),Φ_t}。

6.根据权利5所述的基于WLD-TOP描述子的活体人脸检测方法，其特征在于，步骤S1中，

WLD-TOP计算过程为：首先对ξ'(x_c)作如下归一化：故ξ(x_c)取值为0到N-1这N个整数值；Φ_t归一化到用整数0到S-1表示的S个方向，以XY平面为例，对WLD{ξ(x_c),Φ_t}二维直方图进行降维，固定Φ_t，求对应的ξ(x_c)子直方图，根据S维的Φ_t分为S组子直方图，按照Φ_t从小到大的顺序依次连接这S个子直方图，定义f(x,y)＝N×Φ_t+ξ(x_c)，则XY平面的直方图h_i,XY＝Σ_x,yM{f(x,y)＝i},i＝0,1,...,NΦ_t-1，其中 $M\left(A\right)=\left\{\begin{array}{ccc}0,& if& Aisfalse;\\ 1,& if& Aistrue.\end{array}\right.,$ 从而构成NΦ_t维的WLD直方图H_XY，再用此法得到三个正交平面(n＝0:XY,n＝1:XT,n＝2:YT)的直方图h_i,n＝Σ_x,y,tM{f(x,y,t)＝i},i＝0,1,...,NΦ_t-1，将它们转为NΦ_t维的行向量H_n，依次前后连接，生成3NΦ_t维的WLD-TOP特征行向量H_WT＝[H₀ H₁ H₂]。

7.根据权利1所述的基于WLD-TOP描述子的活体人脸检测方法，其特征在于，步骤S1中，

所述SVM分类器使用LIBSVM作为基础的SVM实现工具；将训练集得到的所有k个特征向量构成训练集特征矩阵 $H_{train}=\left(\begin{array}{c}{H}_{WT,train,1}\\ .\\ .\\ .\\ H_{WT,train,k}\end{array}\right),$ 采用SVM训练，并用训练出来的模型对含有j个特征向量的测试集特征矩阵 $H_{test}=\left(\begin{array}{c}{H}_{WT,test,1}\\ .\\ .\\ .\\ H_{WT,test,j}\end{array}\right)$ 分类，得到是否为活体人脸的判别标签，并与真实标签比对，从而得到活体检测判别的准确率。

8.根据权利1所述的基于WLD-TOP描述子的活体人脸检测方法，其特征在于，步骤S1中，

所述SVM分类器对于输入的训练样本集，采用交叉验证方法进行训练，并利用网格搜索方法寻找SVM的最优参数集{C,γ}。