活体检测方法、装置、设备及存储介质与流程

【技术领域】

本发明涉及计算机应用技术，特别涉及活体检测方法、装置、设备及存储介质。

背景技术：

人脸识别技术与其它生物特征识别技术相比，在实际应用中具有天然独到的优势：可通过摄像头直接获取，可以非接触的方式完成识别过程，方便快捷。

目前已应用在金融、教育、景区、旅运、社保等各个领域，但方便的同时也带来了一些问题，如易获取，使得人脸容易被一些人用照片、视频等方式进行复制，从而达到窃取盗用信息的目的。尤其是在新兴的金融行业，人脸识别技术已逐渐应用于远程开户、取款、支付等，涉及用户的切身利益。

为此，现有技术中又提出了活体检测技术，所谓活体检测，通俗地讲，就是在人脸识别的过程中证明这张人脸对应的是个“活人”。

非活体的来源是比较广泛的，包括手机和pad等上显示的照片和视频、各种打印的不同材质的照片(包含各种情形的弯曲、折叠、剪裁、挖洞等)等。

活体检测在社保、网上开户等重要场合都有其应用，比如，通过验证确定老年用户身份真实且健在后才能进行养老金的领取，网上开户时，以此来保证用户信息的真实、有效和安全等。

现有的活体检测方式中，通常利用单个摄像头来采集用户图片，并对用户图片进行特征提取，进而根据提取出的特征确定用户是否为活体。

但这种方式的检测结果的准确性比较低，很容易将非活体错误地判定为活体。

技术实现要素：

有鉴于此，本发明提供了活体检测方法、装置、设备及存储介质，能够提高检测结果的准确性。

具体技术方案如下：

一种活体检测方法，包括：

针对待检测的用户，分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片；

根据所述第一图片和所述第二图片生成深度图；

根据所述深度图以及所述第三图片确定出所述用户是否为活体。

根据本发明一优选实施例，所述分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片之后，进一步包括：

对所述第三图片进行人脸检测，得到检测出的人脸区域；

将所述人脸区域映射到所述第一图片或所述第二图片中，得到所述第一图片或所述第二图片中的人脸区域；

根据所述第一图片或所述第二图片中的人脸区域确定出所述用户是否为活体；

如果是，则根据所述第一图片和所述第二图片生成深度图，并根据所述深度图以及所述第三图片确定出所述用户是否为活体。

根据本发明一优选实施例，所述根据所述第一图片或所述第二图片中的人脸区域确定出所述用户是否为活体包括：

将所述第一图片或所述第二图片中的人脸区域输入给预先训练得到的第一分类模型，得到输出的所述用户是否为活体的检测结果。

根据本发明一优选实施例，所述将所述第一图片或所述第二图片中的人脸区域输入给预先训练得到的第一分类模型包括：

将所述第一图片或所述第二图片中的人脸区域归一化为预定大小的正面人脸图片；

将归一化后的图片输入给所述第一分类模型。

根据本发明一优选实施例，所述根据所述深度图以及所述第三图片确定出所述用户是否为活体包括：

对所述第三图片进行人脸检测，得到检测出的人脸区域；

根据所述深度图分别确定出所述人脸区域中的各像素点对应的深度信息；

将所述人脸区域以及对应的深度信息输入给预先训练得到的第二分类模型，得到输出的所述用户是否为活体的检测结果。

根据本发明一优选实施例，所述第三图片为rgb图片，所述将所述人脸区域以及对应的深度信息输入给预先训练得到的第二分类模型包括：

将所述深度信息作为rgb通道之外的另一通道，得到四通道的人脸区域；

将所述四通道的人脸区域归一化为预定大小的正面人脸图片；

将归一化后的图片输入给所述第二分类模型。

根据本发明一优选实施例，所述分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片之前，进一步包括：

对所述两个近红外摄像头以及所述可见光摄像头进行参数匹配处理。

一种活体检测装置，包括：图片获取单元、深度图生成单元以及第二活体检测单元；

所述图片获取单元，用于针对待检测的用户，分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片，将所述第一图片和所述第二图片发送给所述深度图生成单元，将所述第三图片发送给所述第二活体检测单元；

所述深度图生成单元，用于根据所述第一图片和所述第二图片生成深度图，并将所述深度图发送给所述第二活体检测单元；

所述第二活体检测单元，用于根据所述深度图以及所述第三图片确定出所述用户是否为活体。

根据本发明一优选实施例，所述装置中进一步包括：第一活体检测单元；

所述图片获取单元进一步用于，将所述第一图片、所述第二图片以及所述第三图片发送给所述第一活体检测单元；

所述第一活体检测单元，用于对所述第三图片进行人脸检测，得到检测出的人脸区域，将所述人脸区域映射到所述第一图片或所述第二图片中，得到所述第一图片或所述第二图片中的人脸区域，根据所述第一图片或所述第二图片中的人脸区域确定出所述用户是否为活体，如果是，则通知所述深度图生成单元以及所述第二活体检测单元执行自身功能。

根据本发明一优选实施例，所述第一活体检测单元将所述第一图片或所述第二图片中的人脸区域输入给预先训练得到的第一分类模型，得到输出的所述用户是否为活体的检测结果。

根据本发明一优选实施例，所述第一活体检测单元将所述第一图片或所述第二图片中的人脸区域归一化为预定大小的正面人脸图片，将归一化后的图片输入给所述第一分类模型。

根据本发明一优选实施例，所述第二活体检测单元对所述第三图片进行人脸检测，得到检测出的人脸区域，根据所述深度图分别确定出所述人脸区域中的各像素点对应的深度信息，将所述人脸区域以及对应的深度信息输入给预先训练得到的第二分类模型，得到输出的所述用户是否为活体的检测结果。

根据本发明一优选实施例，所述第三图片为rgb图片，所述第二活体检测单元将所述深度信息作为rgb通道之外的另一通道，得到四通道的人脸区域，将所述四通道的人脸区域归一化为预定大小的正面人脸图片，将归一化后的图片输入给所述第二分类模型。

一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。

基于上述介绍可以看出，采用本发明所述方案，针对待检测的用户，可分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片，并可根据第一图片和第二图片生成深度图，进而可根据深度图以及第三图片确定出用户是否为活体，即在进行活体检测时，进一步结合了深度信息，而深度信息可用于判断人脸是否为平面等，从而提高了检测结果的准确性。

【附图说明】

图1为本发明所述活体检测方法第一实施例的流程图。

图2为本发明所述活体检测方法第二实施例的流程图。

图3为本发明所述活体检测装置实施例的组成结构示意图。

图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。

【具体实施方式】

为了使本发明的技术方案更加清楚、明白，以下参照附图并举实施例，对本发明所述方案进行进一步说明。

显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1为本发明所述活体检测方法第一实施例的流程图，如图1所示，包括以下具体实现方式。

在101中，针对待检测的用户，分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片。

也就是说，本实施例中，会设置三个摄像头，分别为两个近红外摄像头以及一个可见光摄像头。

当需要对用户进行活体检测时，可同时利用这三个摄像头来对用户进行图片拍摄，从而得到两张近红外图片以及一张可见光图片，为便于表述，分别将这两张近红外图片称为第一图片和第二图片，将可见光图片称为第三图片。

另外，在利用三个摄像头来对用户进行图片拍摄之前，还需要先对这三摄像头进行参数匹配(校准)处理，以便后续拍摄到的图片之间存在对应关系，如对于第三图片上的每个像素点，均能够在第一图片和第二图片上找到对应的像素点。

在102中，根据第一图片和第二图片生成深度图。

针对拍摄得到的第一图片和第二图片，可通过计算视差等现有方式，生成一张深度图，该深度图为相对于近红外摄像头的深度图。

较佳地，近红外摄像头可通过光栅，使得发出的光上带有一些如斑点状图案，以便后续进行视差计算等。

在103中，根据深度图以及第三图片确定出用户是否为活体。

在分别得到深度图以及第三图片之后，即可根据深度图以及第三图片来确定出用户是否为活体，即获取活体检测结果，检测结果包括为活体以及为非活体。

具体地，可首先对第三图片进行人脸检测，从而得到检测出的人脸区域。

人脸检测是指对于任意一张给定的图片，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是，则返回人脸的位置、大小和姿态等。

人脸检测算法可包括基于统计的算法以及基于结构特征的算法等，其中，基于统计的算法又可包括基于直方图粗分割和奇异值特征的人脸检测算法以及基于二进小波变换的人脸检测算法等，基于结构特征的算法又可包括基于adaboost算法的人脸检测算法以及基于面部双眼结构特征的人脸检测算法等。

在对第三图片进行人脸检测时，可以仅采用一种人脸检测算法来对其进行人脸检测，为了提升检测效果，也可以采用多种人脸检测算法相结合的方式来对其进行人脸检测。

针对检测出的人脸区域，可根据102中得到的深度图，分别确定出其中的各像素点对应的深度信息。

之后，可将检测出的人脸区域以及对应的深度信息输入给预先训练得到的分类模型，从而得到输出的用户是否为活体的检测结果。

在实际应用中，第三图片通常为rgb图片，可将深度信息作为rgb通道之外的另一通道，得到四通道的人脸区域，进而可将四通道的人脸区域输入给分类模型，从而得到输出的用户是否为活体的检测结果。

较佳地，对于四通道的人脸区域，还可先对其进行归一化处理，即归一化为预定大小的正面人脸图片，然后将归一化后的图片输入给分类模型。

所述预定大小的具体取值可根据实际需要而定。

对于检测出的人脸来说，如果该人脸不是正面的，如侧面的，可通过对其进行人脸校正，得到正面的人脸。

比如，一种常用的人脸校正方式为：首先从侧面的人脸中找出特征点的位置，包括眼角、嘴角、鼻尖等，之后，通过对找到的特征点进行旋转平移等处理，得到正面的人脸。

分类模型为预先训练得到的，为训练得到分类模型，还需要预先获取足够数量的正样本和负样本。

其中，正样本为针对真人(活人)拍摄到的图片样本，负样本为针对各种攻击方式拍摄到的图片样本，攻击方式包括用手机和pad等上显示的照片和视频进行攻击，用各种打印的不同材质的照片进行攻击等。

针对获取到的正样本和负样本，可按照前述生成深度图、检测人脸区域、对人脸区域进行归一化等方式进行处理，并训练得到分类模型。

训练分类模型的过程即为学习的过程，学习深度信息与rgb信息之间的匹配关系等，通过深度信息可有效判断人脸是否为平面，如对于采用照片攻击的方式，拍摄到的人脸则为平面，如果是真人，拍摄到的人脸则不是平面。

可以看出，上述实施例中，针对待检测的用户，可分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片，并可根据第一图片和第二图片生成深度图，进而可根据深度图以及第三图片确定出用户是否为活体，即在进行活体检测时，进一步结合了深度信息，而深度信息可用于判断人脸是否为平面等，从而提高了检测结果的准确性。

在此基础上，为进一步提高检测结果的准确性，除可根据深度图以及第三图片确定出用户是否为活体之外，还可进一步增加一次是否为活体的判断，即在分别获取到利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片之后，可对第三图片进行人脸检测，得到检测出的人脸区域，将检测出的人脸区域映射到第一图片或第二图片中，得到第一图片或第二图片中的人脸区域，进而根据第一图片或第二图片中的人脸区域确定出用户是否为活体，如果不是活体，则可结束处理，如果是活体，可进一步执行102和103。

较佳地，可将第一图片或第二图片中的人脸区域输入给预先训练得到的分类模型，从而得到输出的用户是否为活体的检测结果。

为与之前出现的分类模型进行区别，按照使用时间由先到后的顺序，将两个分类模型分别称为第一分类模型和第二分类模型。

同样地，对于第一图片或第二图片中的人脸区域，还可先对其进行归一化处理，即归一化为预定大小的正面人脸图片，然后将归一化后的图片输入给第一分类模型。

第一分类模型为预先训练得到的，为训练得到第一分类模型，还需要预先获取足够数量的正样本和负样本。

其中，正样本为针对真人(活人)拍摄到的图片样本，负样本为针对各种攻击方式拍摄到的图片样本。

针对获取到的正样本和负样本，可按照前述检测人脸区域、进行人脸区域映射、对人脸区域进行归一化等方式进行处理，并训练得到第一分类模型。

基于上述介绍，图2为本发明所述活体检测方法第二实施例的流程图，如图2所示，包括以下具体实现方式。

在201中，针对待检测的用户，分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片。

在202中，对第三图片进行人脸检测，得到检测出的人脸区域。

在203中，将检测出的人脸区域映射到第一图片或第二图片中，得到第一图片或第二图片中的人脸区域。

由于各图片的像素点之间均存在对应关系，因此，根据从第三图片中检测出的人脸区域，可以很容易地确定出映射到第一图片或第二图片中的人脸区域。

对于两个近红外摄像头拍摄到的图片，可任选其中的一个，确定出该图片中的人脸区域。

在204中，将第一图片或第二图片中的人脸区域归一化为预定大小的正面人脸图片。

预定大小的具体取值可根据实际需要而定。

如前所述，对于检测出的人脸来说，如果该人脸不是正面的，如侧面的，可通过对其进行人脸校正，得到正面的人脸。

比如，一种常用的人脸校正方式为：首先从侧面的人脸中找出特征点的位置，包括眼角、嘴角、鼻尖等，之后，通过对找到的特征点进行旋转平移等处理，得到正面的人脸。

但是，近红外图片的成像效果可能较差，如果直接在近红外图片中寻找特征点可能会比较困难，因此，本实施例中提出，可在202中检测出的人脸区域中寻找特征点，之后可将这些特征点映射到第一图片或第二图片中的人脸区域中，进而可根据映射结果进行人脸校正等。

在205中，将归一化后的图片输入给第一分类模型。

在206中，确定第一分类模型输出的活体检测结果是否为活体，如果否，则结束流程，如果是，则执行207。

对于屏幕上显示的内容来说，在近红外摄像头下通常是无法正常成像的，另外，打印在不同材质上的照片，成像效果也可能会不一样，而且会和真人成像存在较大的差别，因此，利用这些特点可先滤除一部分攻击。

对第一分类模型进行训练的过程即为学习这些特点的过程。

比如，如果用户采用手机或pad上展示的照片的攻击方式，那么则会无法正常成像，从而被第一分类模型判定为非活体。

根据第一分类模型输出的活体检测结果为活体还是非活体的不同，后续的处理方式也会不同，比如，如果是非活体，那么活体检测过程结束，结束流程，如果是活体，则可继续执行207。

在207中，根据第一图片和第二图片生成深度图。

在208中，根据深度图，分别确定出从第三图片中检测出的人脸区域中的各像素点对应的深度信息。

在209中，将深度信息作为rgb通道之外的另一通道，得到四通道的人脸区域。

在210中，将四通道的人脸区域归一化为预定大小的正面人脸图片。

在211中，将归一化后的图片输入给第二分类模型，得到输出的活体检测结果，之后结束流程。

通过上述介绍可以看出，只有在第一分类模型和第二分类模型均判定用户为活体时，才会认为用户是活体，一旦第一分类模型和第二分类模型中的任意一个判定用户为非活体，则会认为用户是非活体。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。

图3为本发明所述活体检测装置实施例的组成结构示意图，如图3所示，包括：图片获取单元301、深度图生成单元302以及第二活体检测单元303。

图片获取单元301，用于针对待检测的用户，分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片，将第一图片和第二图片发送给深度图生成单元302，将第三图片发送给第二活体检测单元303。

深度图生成单元302，用于根据第一图片和第二图片生成深度图，并将深度图发送给第二活体检测单元303。

第二活体检测单元303，用于根据深度图以及第三图片确定出用户是否为活体。

为进行活体检测，可设置三个摄像头，分别为两个近红外摄像头以及一个可见光摄像头。

当需要对用户进行活体检测时，可同时利用这三个摄像头来对用户进行图片拍摄，从而得到两张近红外图片以及一张可见光图片，为便于表述，分别将这两张近红外图片称为第一图片和第二图片，将可见光图片称为第三图片。

另外，在利用三个摄像头来对用户进行图片拍摄之前，还需要先对这三摄像头进行参数匹配(校准)处理。

针对待检测的用户，图片获取单元301分别获取到利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片之后，可将第一图片和第二图片发送给深度图生成单元302，并将第三图片发送给第二活体检测单元303。

深度图生成单元302可针对获取到的第一图片和第二图片，通过计算视差等现有方式，生成一张深度图，并发送给第二活体检测单元303。

第二活体检测单元303可根据获取到的深度图以及第三图片确定出用户是否为活体，即获取活体检测结果，检测结果包括为活体以及为非活体。

具体地，第二活体检测单元303可首先对第三图片进行人脸检测，得到检测出的人脸区域。其中，可以仅采用一种人脸检测算法来对第三图片进行人脸检测，为了提升检测效果，也可以采用多种人脸检测算法相结合的方式来对第三图片进行人脸检测。

针对检测出的人脸区域，第二活体检测单元303可根据深度图，分别确定出其中的各像素点对应的深度信息。

之后，第二活体检测单元303可将检测出的人脸区域以及对应的深度信息输入给预先训练得到的第二分类模型，从而得到输出的用户是否为活体的检测结果。

在实际应用中，第三图片通常为rgb图片，第二活体检测单元303可将深度信息作为rgb通道之外的另一通道，得到四通道的人脸区域，进而可将四通道的人脸区域输入给第二分类模型，从而得到输出的用户是否为活体的检测结果。

较佳地，对于四通道的人脸区域，第二活体检测单元303还可先对其进行归一化处理，即归一化为预定大小的正面人脸图片，然后将归一化后的图片输入给第二分类模型。

所述预定大小的具体取值可根据实际需要而定。

对于检测出的人脸来说，如果该人脸不是正面的，如侧面的，可通过对其进行人脸校正，得到正面的人脸。

第二分类模型为预先训练得到的，为训练得到分类模型，需要首先获取足够数量的正样本和负样本。

其中正样本为针对真人(活人)拍摄到的图片样本，负样本为针对各种攻击方式拍摄到的图片样本。

可以看出，上述实施例中，针对待检测的用户，可分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片，并可根据第一图片和第二图片生成深度图，进而可根据深度图以及第三图片确定出用户是否为活体，即在进行活体检测时，进一步结合了深度信息，而深度信息可用于判断人脸是否为平面等，从而提高了检测结果的准确性。

在此基础上，为进一步提高检测结果的准确性，除可根据深度图以及第三图片确定出用户是否为活体之外，还可进一步增加一次是否为活体的判断。

相应地，图3所示装置中可进一步包括：第一活体检测单元304。

图片获取单元301可将第一图片、第二图片以及第三图片发送给第一活体检测单元304。

这样，第一活体检测单元304可对第三图片进行人脸检测，得到检测出的人脸区域，将人脸区域映射到第一图片或第二图片中，得到第一图片或第二图片中的人脸区域，之后可根据第一图片或第二图片中的人脸区域确定出用户是否为活体，如果不是活体，则可结束处理，如果是活体，可通知深度图生成单元302以及第二活体检测单元303执行自身功能。

较佳地，第一活体检测单元304可将第一图片或第二图片中的人脸区域输入给预先训练得到的第一分类模型，从而得到输出的用户是否为活体的检测结果。

同样地，对于第一图片或第二图片中的人脸区域，第一活体检测单元304还可先对其进行归一化处理，即归一化为预定大小的正面人脸图片，然后将归一化后的图片输入给第一分类模型。

第一分类模型为预先训练得到的，为训练得到第一分类模型，还需要预先获取足够数量的正样本和负样本。

其中，正样本为针对真人(活人)拍摄到的图片样本，负样本为针对各种攻击方式拍摄到的图片样本。

图3所示装置实施例的具体工作流程请参照前述各方法实施例中的相应说明，不再赘述。

图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图4显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器(处理单元)16，存储器28，连接不同系统组件(包括存储器28和处理器16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图4所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现图1或2所示实施例中的方法，即针对待检测的用户，分别获取利用两个近红外摄像头拍摄到的第一图片和第二图片以及利用可见光摄像头拍摄到的第三图片，根据第一图片和第二图片生成深度图，根据深度图以及第三图片确定出用户是否为活体等。

具体实现请参照前述各实施例中的相关说明，不再赘述。

本发明同时公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时将实现如图1或2所示实施例中的方法。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法等，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。