4、图像基础回顾：色彩空间、图像梯度、边缘检测、特征点提取在活体检测中的应用

做活体检测这几年，我最大的感触是：很多攻击手段，其实在图像底层就露出了马脚。你想想看，一张打印照片和一张真实人脸，它们在像素层面的统计特性是完全不同的。这一章，我们就从图像基础入手，看看色彩空间、梯度、边缘和特征点这些老面孔，怎么在活体检测里发挥新作用。

4.1 色彩空间：活体检测的第一道防线

RGB 是我们最熟悉的色彩空间，但说实话，它在活体检测里并不好用。为什么？因为 RGB 的三个通道高度相关，光照一变，三个通道一起变，很难分离出有效信息。

4.1.1 YCbCr 色彩空间

我个人习惯用 YCbCr 做活体检测的预处理。Y 是亮度分量，Cb 和 Cr 是蓝色和红色色度分量。真实人脸和照片人脸在色度分量上的分布有明显差异。

转换公式很简单，OpenCV 一行搞定：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('face.jpg')
# BGR 转 YCbCr
ycbcr = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)
# 分离通道
y, cb, cr = cv2.split(ycbcr)

4.1.2 HSV 色彩空间

HSV（色调、饱和度、明度）在应对光照变化时表现更好。真实人脸在 H（色调）通道上分布集中，而照片因为打印材质和反光，H 通道往往出现异常波动。

我曾经在做一个门禁项目时，发现某批照片攻击在 S（饱和度）通道上的方差特别小。后来一查，原来是打印纸的吸墨特性导致色彩饱和度偏低。这个发现帮我们堵住了一类攻击。

色彩空间	活体检测优势	常见应用场景
RGB	直观，但光照敏感	基础显示、数据标注
YCbCr	分离亮度和色度，区分真假人脸纹理	纹理分析、LBP 特征提取
HSV	抗光照变化，捕捉材质差异	反光检测、屏幕攻击识别
Lab	感知均匀，适合颜色分布统计	肤色建模、光照归一化

4.2 图像梯度：捕捉真假人脸的纹理差异

梯度说白了就是像素值的变化率。真实人脸有丰富的微纹理——毛孔、汗毛、皮肤褶皱，这些在梯度图上表现为高频响应。而照片人脸呢？打印网点、墨点扩散，梯度响应平滑得多。

4.2.1 Sobel 算子

Sobel 是最常用的梯度算子。它用两个 3x3 的核分别计算水平和垂直方向的梯度：

# Sobel 梯度计算
sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
# 计算梯度幅值
magnitude = np.sqrt(sobel_x**2 + sobel_y**2)

嗯，这里要注意：ksize 参数别设太大。我见过有人用 ksize=7，结果把真实人脸的毛孔细节全平滑掉了，活体检测直接失效。

4.2.2 梯度直方图特征

光算梯度还不够，我们需要统计特征。把梯度幅值按方向分 bin，就得到了梯度直方图。真实人脸的梯度直方图通常呈现多峰分布，而照片攻击往往是单峰或双峰。

4.3 边缘检测：找到照片攻击的破绽

边缘检测和梯度计算是近亲，但目的不同。梯度告诉我们变化有多剧烈，边缘告诉我们变化在哪里发生。

4.3.1 Canny 边缘检测

Canny 是工业界最成熟的边缘检测算法。它包含四个步骤：高斯滤波、计算梯度、非极大值抑制、双阈值检测。

# Canny 边缘检测
edges = cv2.Canny(gray, threshold1=50, threshold2=150)

# 计算边缘密度
edge_density = np.sum(edges > 0) / (edges.shape[0] * edges.shape[1])
print(f"边缘密度: {edge_density:.4f}")

真实人脸的边缘密度通常在 0.05~0.15 之间，而照片攻击往往低于 0.03。为什么？因为打印过程模糊了边缘，尤其是眼睛、眉毛、嘴唇这些关键部位。

4.3.2 边缘方向直方图

除了边缘密度，边缘方向也很有价值。真实人脸因为立体结构，边缘方向分布比较均匀；而平面照片的边缘方向往往集中在少数几个角度上。

4.4 特征点提取：从局部到全局的活体线索

特征点提取在活体检测里有两个用途：一是定位关键区域（眼睛、鼻子、嘴巴），二是提取局部纹理特征。

4.4.1 LBP（局部二值模式）

LBP 是我在活体检测项目里用得最多的特征。它把每个像素和周围像素比较，生成一个二进制编码。真实人脸和照片人脸的 LBP 直方图差异非常明显。

from skimage.feature import local_binary_pattern

# 计算 LBP 特征
radius = 1
n_points = 8 * radius
lbp = local_binary_pattern(gray, n_points, radius, method='uniform')

# 计算 LBP 直方图
hist, _ = np.histogram(lbp.ravel(), bins=np.arange(0, n_points + 3),
                       range=(0, n_points + 2))
# 归一化
hist = hist.astype("float")
hist /= (hist.sum() + 1e-6)

4.4.2 HOG（方向梯度直方图）

HOG 本质上是梯度特征的升级版。它把图像分成小块（cell），在每个块内统计梯度方向直方图，然后做块间归一化。

我记得有一次做屏幕翻拍攻击检测，HOG 特征的表现远超预期。屏幕翻拍会产生摩尔纹，这些纹路在 HOG 的某些方向 bin 上会形成异常峰值。

4.4.3 关键点检测（SIFT/ORB）

SIFT 和 ORB 这类特征点检测器，在活体检测里主要用于对齐和配准。比如，先用 ORB 检测人脸关键点，然后做仿射变换对齐，再提取 LBP 或 HOG 特征。

4.5 本章知识体系

下面这张图把本章的核心知识点串起来了。你可以看到，从原始图像到活体判断，每一步都在提取不同层次的线索。

4.6 实战要点总结

说了这么多，我帮你把核心要点提炼一下：

• 色彩空间选型：YCbCr 看纹理，HSV 看材质，Lab 看肤色分布。别只用 RGB。
• 梯度参数调优：Sobel 的 ksize 用 3，Canny 的双阈值用 (50, 150) 做起点，根据实际数据微调。
• 边缘密度阈值：0.03 是个经验分界线。低于这个值，大概率是照片攻击。
• LBP 参数：radius=1, n_points=8, method='uniform'，这是经过大量项目验证的黄金组合。
• 特征融合：别把鸡蛋放在一个篮子里。色彩特征 + 纹理特征 + 边缘特征，三者结合才能应对各种攻击手段。