人脸识别技术是目前模式识别领域的一个研究热点,已经被广泛应用于诸多领域。针对现有人脸活体检测中存在的各种问题,本文提出基于极短视频的人脸活体检测方法。首先,利用欧拉视频放大技术算法,并结合SIFT特征匹配算法和DCT变换完成对静态极短人脸视频的特征提取。接着,对于动态人脸极短视频,利用基于Gabor滤波的LTP算子实现特征提取。最后,利用SVM分类器完成活体检测。因此,本文研究内容是针对极短视频中的人脸进行活体检测,主要进行了如下工作:1.针对输入的人脸视频图像是轻微晃动还是静态不动的情况,提出了基于RANSAC的SIFT特征匹配算法来实现对视频中各帧图像间的特征点匹配,进一步,利用特征点间距离之和的均值,来判别输入视频静止与否。2.针对静态人脸活体检测问题,提出将欧拉视频放大算法与SIFT特征匹配相结合的方法。首先,对静态下极短视频采用欧拉放大技术,进行时-空滤波和放大处理,接着,利用SIFT方法提取极短视频中各帧间图像的特征匹配点,最后,提取欧拉放大后图像的红色分量,将提取到的特征点坐标对应到红色分量图像上,依次计算每两帧图像所有特征点红色分量像素的差值,构建出特征直方图,并利用SVM分类器进行静态下真、假人脸活体判别。3.针对静态人脸活体检测存在错误判别问题,提出了基于人脸高低频系数的DCT变换算法。由于真实人脸中存在血液流动的微小变化,而假人脸中不存在此类变化,因此,本文提取真、假人脸图像红色分量,统计灰度直方图并对其进行DCT变换,得到变换后的高低频能量值,最后与指定阈值进行判别,解决了错误判别问题。4.针对动态人脸活体检测问题,提出了基于Gabor滤波的LTP算法。首先,通过利用LTP算子对人脸图像进行三值纹理划分描述,增强微小晃动下真、假人脸纹理特征差异。然后,通过Gabor滤波器对纹理特征进行空间和频率滤波处理,进一步增强真假人脸图像的对比度,从而生成特征直方图。最后,利用SVM分类器进行动态人脸活体检测。