算法不断出现。本实验采用PaulViola和MiachaelJo
es等利用Adaboost算法构造了人脸检测器，称为ViolaJo
es检测器。之后Rai
erLie
hart和Joche
Maydt用对角特征，即Haarlike特征对检测器进行扩展。每个特征由23个矩形组成，浅色区域表示“累加数据”，深色区域表示“减去该区域的数据”，分别监测边界、线、中心特征，这些特征可表示为：其中，为矩形的权，为矩形所围图像的灰度积分，是组成的矩阵个数。Adaboost是一种基于统计的学习算法，基本思想是利用分类能力一般的弱分类及通过一定的方法叠加（boost）起来，构成分类能力很强的强分类器。ViolaJo
es检测器利用瀑布（Cascade）算法分类器组织为筛选式的级联分类器，级联的每个节点是AdaBoost训练得到的强分类器。在级联的每个节点设置阈值，使得几乎所有人脸样本都能通过，而大部分非人脸样本不能通过。
在寻找人脸和人眼后，选取一个眼睛区域，并记做眼部图像。使用自适应二值化操作，将眼部图像变成二值化图像。眼部二值化图像包含眼珠、眼睑等区域，需要使用形态学闭操作将非眼珠区域去除：其中，为开操作符号，为闭操作符号，为膨胀操作符号，为腐蚀操作符号。由于眼珠呈现圆形状，故采用圆盘形的构造核，下面是不同大小对眼珠检测结果的影响。在检测眼珠之后，统计眼珠的像素总和。当眼睛最大的时候，像素最多；眼睛闭上的时候，眼珠的像素总和为0。通过判断眼珠像素总和的变化，从而判断眨眼过程。
三、实验结果及分析
本实验是在VisualC2010与Ope
CV243开源视觉库下完成的。实验平台为Pe
tium（R）DualCore处理器，200GB的内存，显卡型号为NVIDIAGeForce9300GS显存的微机。实验软件是VisualC2010和Ope
CV243摄像头采用极速E40，帧频30FPS，摄像头像素是200万，动态分辨率是640480为了检测本算法的正确性，我们进行了三组实验，分别是1000张人脸照片攻击，1000个视频攻击，以及1000次活体人脸测试。测试出人脸照片和视频攻击的正确率和时间，以及活体人脸测试的拒绝率和时间，并与其它算法进行对比。
四、结论
实验结果表明，本文算法能够有效辨别图像、视频、3D模型（非眼睛眨动）的伪造人脸攻击，具有准确率高，运算速度快等优点。同时，本文的算法不能识别眼睛眨动的3D人脸模型，这个方向将是未来我们的研究方向。
（作者单位：鹤壁汽车工程职业学院河南省鹤壁市）
fr