可见光人 脸图像样本；
[0077] 需要说明，在训练逻辑回归分类器过程中，优选至少一对训练对象，所谓一对训练 对象是指一个真实人脸和该真实人脸的假体人脸，分别从真实人脸和真实人脸的假体人脸 采集人脸图像进行训练。
[0078] 其中，假体人脸通过以下方式获取：例如使用打印机打印彩色和灰度的人脸图像 到各种显示材质上（普通复印纸、光面照相纸等）作为假体人脸图像样本，以及采用手机、 相机等摄像设备拍摄的图像，这些图像在某一个显示屏幕上显示，作为假体人脸图像样本。 然后按照通过其中一个摄像头采集假体人脸图像样本的近红外人脸图像样本，其中一个摄 像头采集假体人脸图像样本的可见光人脸图像样本，分别为本发明实施例的第二近红外人 脸图像样本和第二可见光人脸图像样本。
[0079] 同样，需要采集一些真实人脸的真实人脸图像样本，该真实人脸图像样本同样包 括近红外人脸图像样本和可见光人脸图像样本，及本发明实施例中的第一近红外人脸图像 样本和第一可见光人脸图像样本。
[0080] 需要说明，为了提高逻辑回归分类器的识别率，在训练逻辑回归分类器时，尽可能 对更多的真实人脸图像样本和假体人脸图像样本进行训练，可以采集10000对（共20000 个图像样本（包括真实人脸图像样本和假体人脸图像样本））图像样本进行训练，而且在采 集真实人脸图像样本和假体人脸图像样本，可以通过改变真实人脸和真实人脸的假体人脸 的位置和姿态，以采集到更多不一样角度和光照条件的真实人脸图像样本和假体人脸图像 样本。
[0081] 502、分别从真实人脸图像样本和假体人脸图像样本提取人脸特征；
[0082] 可以理解，真实人脸图像样本中包括第一近红外人脸图像样本和第一可见光人脸 图像样本，可以通过上述提取近红外人脸图像的人脸特征的方法从第一近红外人脸图像样 本中提取到人脸特征，通过上述提取可见光人脸图像的人脸特征的方法从第一可见光人脸 图像样本提取到人脸特征。同样，假体人脸图像样本中包括第二近红外人脸图像样本和第 二可见光人脸图像样本，因此，可以通过上述提取近红外人脸图像的人脸特征的方法从第 二近红外人脸图像样本中提取到人脸特征，通过上述提取可见光人脸图像的人脸特征的方 法从第二可见光人脸图像样本提取到人脸特征，在此不再详细介绍。
[0083] 503、根据所述人脸特征和所述人脸特征对应的标签，得到训练样本集合，所述标 签用于表示对应的人脸特征来源于所述真实人脸图像样本或者假体人脸图像样本；
[0084] 具体地，将从第一近红外人脸图像样本和第一可见光人脸图像样本提取到的人脸 特征拼接起来，得到第一组训练样本，同样，将第二近红外人脸图像样本和第二可见光人脸 图像样本提取到的人脸特征拼接起来，得到第二组训练样本，然后将第一组训练样本和第 二组训练样本组合得到训练样本集合。当然，为了提高逻辑回归分类器的识别率，将用于参 加训练的多有人脸特征组合得到训练样本集合。
[0085] 训练样本集合的表示如公式3 :
[0086]S= {(x；,y；)IiG(I,N)} (公式 3)
[0087] 其中，X1为第i个图像样本的人脸特征（例如将上述20000个图像样本排序，第i 个图像样本为20000个图像样本中的第i个），71为Xi对应的标签，该标签表示第i个图 像样本的人脸特征来源于真实人脸图像样本或者假体人脸图像样本，例如，若标签取值为〇 表示来源于假体人脸图像样本，若标签取值为1表示来源于真实人脸图像样本。
[0088] 504、根据所述训练样本集合训练得到所述逻辑回归分类器的参数。
[0089] 利用上述训练样本集合进行训练，得到如上述公式1所示的逻辑回归分类器。具 体地，利用上述训练样本集合，使用随机梯度下降法求得损失函数最小时参数，即公式1中 的9。、9 9 。可见，公式3的参数为损失函数最小时得到的参数，能够保证公式3计算 得到的输出更加准确的表示人脸对象是真实人脸还是假人脸。
[0090] 本发明实施例提供的计算最小损失函数的公式如下：
[0093] 还可以理解，在进行逻辑回归分类器训练时，可以同时训练得到用于判断逻辑回 归分类器的输出值的预设阀值。
[0094] 本发明实施例具体介绍了通过训练逻辑回归器来识别人脸对象的真假，可以 理解，本发明实施例中还可以通过训练其他线性和非线性分类器、例如Lasso(Least AbsoluteShrinkageandSelectionOperator)回归器，Ridge(Regression)回归器、SVM(SupportVectorMachine)分类器等。
[0095] 请参阅图6,图6为本发明实施例提供的一种真假人脸识别装置的结构示意图；如 图6所示，一种真假人脸识别方法对应的装置可包括：
[0096] 采集模块610,用于采集人脸对象获得近红外人脸图像；
[0097] 处理模块620,用于提取所述近红外人脸图像的人脸区域，得到近红外人脸区域， 获取所述近红外人脸区域的人脸特征，根据所述近红外人脸区域的人脸特征，对所述人脸 对象进行真假识别。
[0098] 在本发明实施例中，米集模块610米集人脸对象以获得近红外人脸图像，其中，人 脸对象可以是真实人脸也可以是假体人脸。处理模块620从近红外人脸图像中提取近红外 人脸区域，再从近红外人脸区域中获取人脸特征，由于真实人脸和假体人脸在特征体现上 是不同的，尤其近红外拍摄下的人脸区域的特征区别更大，因此，根据近红外人脸区域的人 脸特征可以有效识别出人脸对象为的真假。本发明实施例能够有效地识别出真实人脸和假 体人脸，以提尚人脸识别的安全性。
[0099] 在本发明一些实施例中，上述采集模块610还用于，采集人脸对象获得可见光人 脸图像；
[0100] 上述处理模块620具体用于，提取所述可见光人脸图像的人脸区域，得到可见光 人脸区域；获取所述可见光人脸区域的人脸特征；集合所述近红外人脸区域的人脸特征和 所述可见光人脸区域的人脸特征，得到人脸特征集，根据所述人脸特征集，对所述人脸对象 进行真假识别。
[0101] 在本发明一些实施例中，上述处理模块620具体用于，对所述近红外人脸区域进 行正规化处理得到正规化的近红外人脸区域；将所述正规化的近红外人脸区域划分成至少 2个近红外子区域；从所述近红外子区域中提取近红外子区域特征，所述近红外子区域特 征为所述近红外人脸区域的人脸特征，其中，所述近红外子区域特征与所述近红外子区域 --对应。
[0102] 在本发明一些实施例中，上述处理模块620具体用于，对所述可见光人脸区域进 行正规化处理得到正规化的可见光人脸区域；对所述正规化的可见光人脸区域进行灰度化 处理，得到灰度化的可见光人脸区域；将所述灰度化的可见光人脸区域划分成至少2个可 见光子区域；从所述可见光子区域提取可见光子区域特征，所述可见光子区域特征为所述 可见光人脸区域的人脸特征，其中，所述可见光子区域特征与可见光子区域一一对应。
[0103] 在本发明一些实施例中，上述处理模块620具体用于，将所述近红外人脸区域的 人脸特征作为预置的逻辑回归分类器的输入值，经过所述逻辑回归分类器得到输出值；当 所述输出值小于预设阀值时，确定所述人脸对象为真实人脸；当所述输出值大于所述预设 阀值时，确定所述人脸对象为假体人脸；当所述输出值等于所述预设阀值时，确定所述人脸 对象为真实人脸或者假体人脸。
[0104] 在本发明一些实施例中，所述逻辑回归分类器表示为：
[0106]其中，所述he(X)为所述逻辑回归分类器的输出值，所述X1^--Jni为所述近红外 人脸区域的人脸特征中的第1个、 、第m个人脸特征，所述0。、0i、 、Qm为参数。
[0107] 在本发明一些实施例中，如图7所示，上述真假人脸识别装置还包括：训练模块 710,用于训练所述逻辑回归分类器的参数。
[0108] 其中，上述训练模块710具体用于，从真实人脸采集得到真实人脸图像样本，以及 从所述真实人脸的假体人脸采集得到假体人脸图像样本，所述真实人脸图像样本包括第一 近红外人脸图像样本和第一可见光人脸图像样本，所述假体人脸图像样本包括第二近红外 人脸图像样本和第二可见光人脸图像样本；分别从真实人脸图像样本和假体人脸图像样本 提取人脸特征；根据所述人脸特征和所述人脸特征对应的标签，得到训练样本集合，所述标 签用于表示对应的人脸特征来源于所述真实人脸图像样本或者假体人脸图像样本；根据所 述训练样本集合训练得到所述逻辑回归分类器的参数。
[0109] 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，可以参见其他实施例的相关描述。
[0110] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统， 装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0111] 在本申请所提供的几个实施例中，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，所述单元的划分，仅 仅为一种逻辑功能划分，