基于活体识别的视频防伪方法、系统、装置及可存储介质与流程

本发明涉及人工智能技术领域，更为具体地，涉及一种基于活体识别的视频防伪方法、系统、装置及可存储介质。

背景技术：

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。作为人工智能核心的一环，人脸识别技术因其特殊的用户体验和有效的风控能力，使得我们与人工智能的深度连接成为了可能。平安脸谱以深度学习为基础，精准定位人脸和快速面部特征信息提取完成身份验证，并可被应用于以下场景中，包括：人脸检测、人脸对比、活体识别、身份认证、远程放贷、智能考勤等。

目前人脸识别技术尚不成熟，在人脸识别技术上还存在许多安全漏洞。其中，活体检测是人脸防伪的重要环节，但不法分子可以通过视频攻击、三维建模和脸部模具等方法破解传统的活体检测。其中视频攻击的原理是利用深度学习给静态照片“换脸”，从而合成假视频。用户只需要安装一个能够将人脸照片制作成视频的软件，就非常容易得制作出虚假的视频。

这种制造虚假视频的方法也存在着缺陷，即：大多数提供给神经网络的训练数据集不包含闭眼的照片，因此深度学习技术产生的假视频中的主体不会眨眼。

因此，针对制造虚假视频的方法存在的缺陷，为了解决目前人脸识别技术存在着的安全漏洞，本发明提供了一种基于活体识别的视频防伪方法、系统、装置及可存储介质。

技术实现要素：

鉴于上述问题，本发明的目的是提供一种基于活体识别的视频防伪方法、系统、装置及可存储介质，以解决上述传统的人脸识别方法中存在的安全漏洞问题。

第一方面，本发明提供一种基于活体识别的视频防伪方法，应用于电子装置，包括：

获取人脸特征模板，以及人脸的待检测图像或者待检测视频；

提取待检测图像或者视频的模式特征，并对模式特征进行检测确定人脸是否通过人脸防伪检测；

如果人脸通过人脸防伪检测，通过长期递归卷积网络对待检测图像或者视频对人脸进行活体检测，获取人脸的特征信息；

根据获取的人脸的特征信息与人脸特征模板，确定人脸识别结果。

此外，优选的方案是，提取待检测图像或者视频的模式特征，指在人脸框中预测特征点的位置，以定位面部的关键特征区域，包括：眉毛、眼睛、鼻子、嘴巴、脸部轮廓。

此外，优选的方案是，长期递归卷积网络通过卷积神经网络与长短期记忆网络相结合形成的。

此外，优选的方案是，在通过长期递归卷积网络对待检测图像或者视频对人脸进行活体检测，获取人脸的特征信息的过程中，

通过卷积神经网络的深度学习对待检测视频的中的序列图像进行眼部特征的提取；

通过长短期记忆网络的深度学习对预测待检测视频中主体的眼睛的状态；

根据预测的待检测视频中主体的眼睛的状态，确定视频的真假。

此外，优选的方案是，在根据获取的人脸的特征信息与人脸特征模板，确定人脸识别结果的过程中，

通过人脸的特征信息与人脸特征模板进行对比，获取人脸的相识度；

根据相似度对人脸的身份信息进行判断；

根据判断结果，获取人脸识别结果。

此外，优选的方案是，在根据相似度对所述人脸的身份信息进行判断的过程中，

当相似度的阈值大于等于75％，确定待识别人的身份。

第二方面，本发明还提供一种基于活体识别的视频防伪系统，包括：

人脸特征模板获取单元，用于获取人脸特征模板；

待检测图像或视频获取单元，用于获取人脸的待检测图像或者待检测视频；

防伪检测单元，用于提取待检测图像或者视频的模式特征，并对模式特征进行检测确定所述人脸是否通过人脸防伪检测；

活体检测单元，用于通过长期递归卷积网络对待检测图像或者视频对人脸进行活体检测，获取所述人脸的特征信息；

人脸识别结果确定单元，用于根据获取的人脸的特征信息与人脸特征模板，确定人脸识别结果。

此外，优选的方案是，活体检测单元包括：

卷积神经网络学习模块，用于通过卷积神经网络的深度学习对待检测视频的中的序列图像进行眼部特征的提取；

长短期记忆网络学习模块，用于通过长短期记忆网络的深度学习对预测待检测视频中主体的眼睛的状态；

视频真假确定模块，用于根据预测的待检测视频中主体的眼睛的状态，确定视频的真假。

第三方面，本发明还提供一种电子装置，该电子装置包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于活体识别的视频防伪方法的步骤。

第四方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于活体识别的视频防伪方法的步骤。

从上面的技术方案可知，本发明提供的基于活体识别的视频防伪方法、系统、装置及可存储介质，通过将基于卷积神经网络与长短期记忆网络相结合，有效预测视频帧中主体的眼睛状态，从而准确判断视频真假。

为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。

附图说明

通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1为根据本发明实施例的基于活体识别的视频防伪方法流程图；

图2为根据本发明实施例的长期递归卷积网络对待检测图像或者视频对人脸进行活体检测方法流程示意图；

图3为根据本发明实施例的根据获取的人脸的特征信息与人脸特征模板确定人脸识别结果流程示意图；

图4为根据本发明实施例的基于活体识别的视频防伪系统逻辑结构框图；

图5为根据本发明实施例的电子装置逻辑结构示意图。

在所有附图中相同的标号指示相似或相应的特征或功能。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明实施例可以应用于计算机系统/服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器等电子设备一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

计算机系统/服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器等电子设备可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

以下将结合附图对本发明的具体实施例进行详细描述。

实施例1

为了说明本发明提供的基于活体识别的视频防伪方法，图1示出了根据本发明实施例的基于活体识别的视频防伪方法流程。

如图1所示，本发明提供的基于活体识别的视频防伪方法包括：

s110：获取人脸特征模板，以及人脸的待检测图像或者待检测视频；

在步骤s110中，通过摄像头获取人脸特征模板，以及人脸的待检测图像或者待检测视频。

其中，摄像头采集人脸图像数据，作为人脸特征模板。人脸特征模板，是指人脸检测时，人脸的标准模板，将检测的人脸与此标准模板相比较，当检测到的人脸与此标准模板的人脸信息匹配度比较高或者完全相同是，才能确定待识别人的身份。其中，人脸特征模板是提前保存在终端设备或者电子装置中，以备在检测身份时随时使用。在本发明的实施例中，人脸特征模板的获取不但可以通过摄像头获取，也可以通过其他能获取人脸特征模板的设备进行获取，并保存终端设备或者电子装置，以备随时使用。

s120：提取待检测图像或者视频的模式特征，并对模式特征进行检测确定人脸是否通过人脸防伪检测。

具体地，当摄像头检测到人脸，会提取出待检测图像或者视频的模式特征，通过提取出的模式特征检测人脸是否是伪造人脸。其中，人脸的模式特征是在人脸框中预测特征点的位置，从而定位面部的关键特征区域，本发明各实施例中提取的特征，例如可以包括但不限于以下任意多项：眉毛、眼睛、鼻子、嘴巴，脸部轮廓等。具体应用中，可以根据可能出现的伪造人脸线索信息对该提取的特征包括的特征项进行更新。

在本发明的实施例中，伪造人脸线索信息例如可以包括但不限于以下任意一项或多项：成像介质的伪造线索信息、成像媒介的伪造线索信息、真实存在的伪造人脸的线索信息。其中，成像介质的伪造线索信息也称为2d类伪造人脸线索信息，成像媒介的伪造线索信息可以称为2.5d类伪造人脸线索信息，真实存在的伪造人脸的线索信息可以称为3d类伪造人脸线索信息，具体可以根据可能出现的伪造人脸方式对需要检测的伪造人脸线索信息进行相应更新。通过对这些线索信息的检测，使得电子设备可以“发现”各式各样的真实人脸和伪造人脸之间的边界，在可见光摄像头这样通用的硬件设备条件下实现各种不同类型的防伪检测，抵御“hack”攻击，提高安全性。

其中，成像介质的伪造线索信息例如可以包括但不限于：成像介质的边缘信息、反光信息和/或材质信息。成像媒介的伪造线索信息例如可以包括但不限于：显示设备的屏幕边缘、屏幕反光和/或屏幕摩尔纹。真实存在的伪造人脸的线索信息例如可以包括但不限于：带面具人脸的特性、模特类人脸的特性、雕塑类人脸的特性。

本发明实施例中的伪造人脸线索信息在可见光条件下能被人眼观测到。伪造人脸线索信息从维度上可以划分为2d类、2.5d类和3d类伪造人脸。其中，2d类伪造人脸指的是纸质类材料打印出的人脸图像，该2d类伪造人脸线索信息例如可以包含纸质人脸的边缘、纸张材质、纸面反光、纸张边缘等伪造线索信息。2.5d类伪造人脸指的是视频翻拍设备等载体设备承载的人脸图像，该2.5d类伪造人脸线索信息例如可以包含视频翻拍设备等载体设备的屏幕摩尔纹、屏幕反光、屏幕边缘等伪造线索信息。3d类伪造人脸指的是真实存在的伪造人脸，例如面具、模特、雕塑、3d打印等，该3d类伪造人脸同样具备相应的伪造线索信息，例如面具的缝合处、模特的较为抽象或过于光滑的皮肤等伪造线索信息。

其中，从待检测视频或图像中提取的特征中包含任意一项伪造人脸线索信息时，确定待检测图像为伪造人脸图像，确定待检测图像或视频未通过人脸防伪检测。从待检测视频或图像中提取的特征未包括任意一项伪造人脸线索信息时，确定待检测视频或图像不是伪造人脸图像，是真实的人脸图像，确定待检测图像或视频通过人脸防伪检测。

基于本发明上述实施例提供的人脸防伪检测方法，获取包括人脸的待检测图像或视频后，提取该待检测图像或视频的特征、并检测提取的特征中是否包含伪造人脸线索信息，根据检测结果确定该待检测图像或视频是否通过人脸防伪检测。本发明实施例无需依赖于特殊的设备，且无需借助于特殊的硬件设备，便可以实现有效人脸防伪检测，降低了由此导致的硬件成本，可方便应用于各种人脸检测场景，尤其适用于通用的移动端应用。

s130：如果人脸通过人脸防伪检测，通过长期递归卷积网络对待检测图像或者视频对人脸进行活体检测，获取人脸的特征信息。

具体地，在人脸通过人脸防伪检测的基础上，进行活体检测。如果在上述步骤s120中检测到的人脸为伪造人脸，那么就不用继续进行活体检测，如果通过了人脸检测，则需要进行活体检测。

在对人脸进行活体检测中，通过长期递归卷积网络(long-termrecurrentconvolutionalnetwork，lrcn)，有效预测待检测视频帧中主体的眼睛状态。其中，长期递归卷积网络通过卷积神经网络(convolutionalneuralnetwork，cnn)与长短期记忆网络(longshort-termmemory，lstm)相互结合形成的。

其中，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现，它包括卷积层(convolutionallayer)和池化层(poolinglayer)。

cnn的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。

lstm(longshort-termmemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。基于lstm的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等任务。在本发明的实施例中，采用长短期记忆网络对预测所述待检测视频中主体的眼睛的状态，从而确定视频的真假。

其中，rnn(recurrentneuralnetwork，循环神经网络)可以通过将输入序列映射到一系列隐藏状态，并通过以下递推方程输出隐藏状态来学习复杂的时间动态。

ht＝g(wxhxt+whhxt-1+bh)

ht＝g(wxhxt+whhxt-1+bh)

其中，g的元素方式是非线性，如s形或双曲正切，xt是输入，ht∈rⁿ是具有n个隐藏单位的隐藏状态，yt是t时刻的输出。

lstm的更新公式为：

it＝σ(wxixt+whiht-1+bi)

ft＝σ(wxfxt+whfht-1+bf)

ft＝σ(wxoxt+whoht-1+bo)

ct＝ft⊙ct-1+it⊙gt

ht＝ot⊙tanh(ct)

lstm包括输入门it∈rⁿ，忘记门ft∈rⁿ，输入门ft∈rⁿ，输入调制门gt∈rⁿ和存储单元ct∈rⁿ；这些额外的单元使得lstm能够学习rnn无法学习的极其复杂和长期的时间动态。

在本发明的实施例中，待检测视频中的序列图像输入卷积神经网络(cnn)，并将卷积神经网络的输出作为长短期记忆网络(lstm)的输入，从而对待检测图像进行分类，判断其是否包含伪造人脸的线索信息，神经网络基于包括有伪造人脸线索信息的训练用图像集预先训练完成。

其中，通过长期递归卷积网络对待检测图像或者视频对人脸进行活体检测的具体过程，如图2所示，

s131：通过述卷积神经网络的深度学习对待检测视频的中的序列图像进行眼部特征的提取；

s132：通过长短期记忆网络的深度学习对预测待检测视频中主体的眼睛的状态；

s133：根据预测的待检测视频中主体的眼睛的状态，确定视频的真假。

在上述过程中，待检测视频中主体的眼睛的状态包括睁开和闭合，通过长短期记忆网络(lstm)的深度学习预测待检测视频帧中主体的眼睛是睁开的还是闭着的，由于深度学习技术产生的假视频中的主体不会眨眼，所以可以通过预测视频主体的眼睛状态来判断视频的真假。如果通过短期记忆网络(lstm)的深度学习预测待检测视频主体中眼睛的状态都为睁开的，可以判断其为假视频；如果通过短期记忆网络(lstm)的深度学习预测待检测视频主体中眼睛的状态都为闭合的，可以判断其为真视频。

基于本发明上述实施例提供的人脸活体检测方法，通过长期递归卷积网络(lrcn)有效预测待检测视频帧中主体的眼睛状态，从而确定视频的真假，完成活体检测。本发明实施例的活体检测方法，具有明显的算法优势，针对现有的虚假视频存在的缺陷，集成了基于深度学习的卷积神经网络和长短期记忆网络进行视频防伪预测，提升了活体识别的准确性；具有生理特征技术优势，活体识别直接获取人脸的特征模式，相较于对于整张图片进行识别，大大降低了需要识别的特征码的数据量，提高了识别的速度；此外，降低了对硬件的依赖性，由于算法的核心在于检测人脸的眼部并预测其真实状态，不易受周围环境和光线效果的影响，从而降低了人脸识别对于硬件的依赖性。

s140：根据获取的所人脸的特征信息与人脸特征模板，确定人脸识别结果。

具体地，在图3所示的实施例中，根据获取的人脸的特征信息与人脸特征模板，确定人脸识别结果的过程如下：

s141：通过人脸的特征信息与人脸特征模板进行对比，获取人脸的相识度；

s142：根据相似度对人脸的身份信息进行判断；

s143：根据判断结果，获取人脸识别结果。

在步骤s141中的人脸的特征信息具体是指通过防伪人造脸的检测以及活体检测后获取的待检测人脸的信息，具体包括眉毛、眼睛、鼻子、嘴巴和脸部轮廓。人脸特征模板是指在步骤s110中，通过摄像头获取的人脸特征模板，是指一个人脸检测的标准模板。

在步骤s142中在根据相似度对所述人脸的身份信息进行判断的过程中，当相似度的阈值大于等于75％，确定待识别人的身份。即：将待识别的人脸的特征信息与已有的人脸特征模板进行比较，根据相似度对人脸的身份信息进行判断。其中，相似度阈值为75％，相似度高于75％则可确定待识别人的身份。

本发明实施例提供的基于活体识别的视频防伪方法，获取人脸特征模板，以及人脸的待检测图像或者待检测视频；提取待检测图像或者视频的模式特征，并对模式特征进行检测确定所述人脸是否通过人脸防伪检测；通过长期递归卷积网络对待检测图像或者视频对人脸进行活体检测，获取人脸的特征信息；根据获取的人脸的特征信息与人脸特征模板，确定人脸识别结果。本实施例是通过将基于长期递归卷积网络，有效预测视频帧中主体的眼睛状态，从而准确判断视频真假，解决传统的人脸识别方法中存在的安全漏洞问题。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例2

与上述方法相对应，本发明还提供一种基于活体识别的视频防伪系统，图4示出了根据本发明实施例的在基于活体识别的视频防伪逻辑结构。

如图4所示，本发明提供一种基于活体识别的视频防伪系统400，包括：人脸特征模板获取单元410、待检测图像或视频获取单元420、防伪检测单元430、活体检测单元440和人脸识别结果确定单元450实现功能与实施例中基于活体识别的视频防伪方法的对应的步骤一一对应，为避免赘述，本实施例不一一详述。

人脸特征模板获取单元410，用于获取人脸特征模板；

待检测图像或视频获取单元420，用于获取人脸的待检测图像或者待检测视频；

防伪检测单元430，用于提取所述待检测图像或者视频的模式特征，并对所述模式特征进行检测确定所述人脸是否通过人脸防伪检测；

活体检测单元440，用于通过长期递归卷积网络对所述待检测图像或者视频对所述人脸进行活体检测，获取所述人脸的特征信息；

人脸识别结果确定单元450，用于根据获取的所述人脸的特征信息与所述人脸特征模板，确定人脸识别结果。

此外，优选地，活体检测单元440包括：卷积神经网络学习模块441、长短期记忆网络学习模块442和视频真假确定模块443。

其中，卷积神经网络学习模块441，用于通过卷积神经网络的深度学习对所述待检测视频的中的序列图像进行眼部特征的提取；

长短期记忆网络学习模块442，用于通过长短期记忆网络的深度学习对预测所述待检测视频中主体的眼睛的状态；

视频真假确定模块443，用于根据预测的所述待检测视频中主体的眼睛的状态，确定视频的真假。

此外，优选地，人脸识别结果确定单元450包括人脸相似度获取模块451、身份信息判断模块452和人脸识别结果获取模块453。

其中，人脸相似度获取模块451，用于通过所述人脸的特征信息与所述人脸特征模板进行对比，获取所述人脸的相识度；

身份信息判断模块452，用于根据所述相似度对所述人脸的身份信息进行判断；

人脸识别结果获取模块453，用于根据判断结果，获取人脸识别结果。

本发明实施例提供的基于活体识别的视频防伪系统，人脸特征模板获取单元410，用于获取人脸特征模板；待检测图像或视频获取单元420，用于获取人脸的待检测图像或者待检测视频；防伪检测单元430，用于提取所述待检测图像或者视频的模式特征，并对所述模式特征进行检测确定所述人脸是否通过人脸防伪检测；活体检测单元440，用于通过长期递归卷积网络对所述待检测图像或者视频对所述人脸进行活体检测，获取所述人脸的特征信息；人脸识别结果确定单元450，用于根据获取的所述人脸的特征信息与所述人脸特征模板，确定人脸识别结果。通过将基于长期递归卷积网络，有效预测视频帧中主体的眼睛状态，从而准确判断视频真假，解决传统的人脸识别方法中存在的安全漏洞问题。

实施例3

图5是本发明一实施例提供的电子装置逻辑结构的示意图。如图5所示，该实施例的电子装置50包括处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53。处理器51执行计算机程序53时实现实施例1中基于活体识别的视频防伪方法的各个步骤，例如图1所示的步骤s110至s140。或者，处理器51执行在频谱上对语音进行情绪识别的方法时实现上述各装置实施例中各模块/单元的功能，例如图4所示的人脸特征模板获取单元410、待检测图像或视频获取单元420、防伪检测单元430、活体检测单元440和人脸识别结果确定单元450。

示例性的，计算机程序53可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器52中，并由处理器51执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序53在电子装置50中的执行过程。例如，计算机程序53可以被分割成实施例2中的人脸特征模板获取单元410、待检测图像或视频获取单元420、防伪检测单元430、活体检测单元440和人脸识别结果确定单元50，其功能作用在实施例2中有详细描述，在此不一一赘述。

电子装置50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子装置50可包括，但不仅限于，处理器51、存储器52。本领域技术人员可以理解，图5仅仅是电子装置50的示例，并不构成对电子装置50的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器51可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器52可以是电子装置50的内部存储单元，例如电子装置50的硬盘或内存。存储器52也可以是电子装置50的外部存储设备，例如电子装置50上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，存储器52还可以既包括电子装置50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及电子设备所需的其他程序和数据。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。

实施例4

本实施例提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现实施例1中基于活体识别的视频防伪方法，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现实施例2中基于活体识别的视频防伪系统中各模块/单元的功能，为避免重复，这里不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，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，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。