活体验证方法、装置和系统的制作方法
【技术领域】
[0001]本发明涉及计算机视觉领域，具体来说涉及一种活体验证方法、装置和系统。
【背景技术】
[0002]近年来，人脸识别技术有了长足的发展。但是在很多应用场合，例如人脸识别移动支付、视频见证开户等，在对人脸图像进行验证的时候，同时需要判断该人脸图像是活体的人脸图像，还是照片或是录制的视频中的人脸图像。
[0003]目前常用的人脸活体验证方法主要有如下几种:
[0004]1)通过采集人脸图像的深度信息，将其建模重构与三维模板匹配。这种方法的缺点是受环境条件限制，可能不易获得完整的深度信息，且三维建模的准确性仍有待提高。
[0005]2)根据人脸纹理细节信息，将人脸图像中的一些特征点或统计特征信息与真实人脸模板进行比对。但是，当待检测图像的分辨率较低或不够完整时，无法准确获得纹理细节信息时，该方法并不适用。
[0006]3)中国专利申请CN201210331141.2公开了一种活体检测方法，其采集多帧人脸图像，对各帧图像中的人脸关键点/块进行定位，通过判断平均差异值是否大于预设阈值来判断是否活体。中国专利申请CN201510243778.X也公开了一种活体检测方法，同样也是采集多帧人脸图像，通过判断关键点的属性变化值的规律是否符合真实人脸的变化规律来判断是否活体。然而，此类检测人脸全局运动的方法由于人脸的运动是单一的生物特征，且不易改变，当该类方法与基于人脸的身份认证方法结合时，如果一个人被他人恶意收集到了大量本人的人脸运动图像用于检测，则此类方法的可靠性将会降低。
[0007]4)中国专利申请CN201310363154.2所公开的方法中，通过检测图像中的人脸的眨眼等运动来判断是否是活体。然而，对于眨眼这样简单的动作，比较容易被伪造，使得此类方法防伪的可靠性降低。
【发明内容】
[0008]本发明所要解决的技术问题在于现有活体验证方案装置复杂，且准确度和可靠性不尚。
[0009]为此，本发明实施例提出了一种活体验证方法，包括:生成按预设轨迹运动的视觉中心点，并在所述视觉中心点运动过程中采集多帧被测对象的人脸图像，在采集过程中，被测对象的视线始终跟随所述视觉中心点运动；对所采集的每帧人脸图像提取图像信息；根据所提取的图像信息估计出视线向量；根据估计出的视线向量得到估计的投影轨迹；将所述估计的投影轨迹与所述视觉中心点的预设轨迹进行对比，当两者间的相似度大于或等于预设阈值时，判断被测对象为活体，当两者间的相似度小于预设阈值时，判断被测对象不是活体。
[0010]优选地，所述根据所提取的图像信息估计出视线向量是将所述图像信息输入到神经网络模型来得到估计的视线向量，所述神经网络模型通过以下步骤得到:采集海量不同人、不同视线下的人脸图像；从采集到的人脸图像中提取图像信息和视线向量；根据所得到的图像信息和视线向量得到所述神经网络模型。
[0011]优选地，所述图像信息包括眼部图像，所述从采集到的人脸图像中提取图像信息的步骤包括:对采集到的每幅人脸图像进行人脸检测，得到人脸区域；对所得到的人脸区域，标记出人脸特征点；根据标记出的人脸特征点，得到眼部的位置，裁剪出左右两眼的眼部图像，并将所裁剪出的眼部图像统一到相同像素大小。
[0012]优选地，所述根据所得到的图像信息和视线向量得到所述神经网络模型的步骤包括:将所得到的眼部图像作为输入，搭建多层深度卷积神经网络，所述多层深度卷积神经网络通过卷积层、降采样层、非线性层依次连接，最后一层是一个f维的全连接层，所得到的视线向量作为输出层；利用所得到的眼部图像和视线向量，对所搭建的深度卷积神经网络进行训练，所述训练基于反向传播算法，在训练数据上利用随机梯度下降更新模型参数。
[0013]优选地，所述图像信息包括人脸姿态特征和眼部图像，所述从采集到的人脸图像中提取图像信息的步骤包括:对采集到的每幅人脸图像进行人脸检测，得到人脸区域；对所得到的人脸区域，标记出人脸特征点；对标记出的人脸特征点进行归一化，将归一化后的人脸特征点作为人脸姿态特征；根据标记出的人脸特征点，得到眼部的位置，裁剪出左右两眼的眼部图像，并将所裁剪出的眼部图像统一到相同像素大小。
[0014]优选地，所述根据所得到的图像信息和视线向量得到所述神经网络模型的步骤包括:将所得到的眼部图像作为输入，搭建多层深度卷积神经网络，所述多层深度卷积神经网络通过卷积层、降采样层、非线性层依次连接，最后一层是一个f维的全连接层，并将所得到的人脸姿态特征和这个f维的全连接层拼接在一起，作为拓展的全连接层，所得到的视线向量作为输出层；利用所得到的人脸姿态特征、眼部图像和视线向量，对所搭建的深度卷积神经网络进行训练，所述训练基于反向传播算法，在训练数据上利用随机梯度下降更新模型参数。
[0015]优选地，所述从采集到的人脸图像中提取视线向量的步骤包括:获取头部三维模型；将标记出的人脸特征点对齐到所述头部三维模型上；根据所得到的人脸特征点和头部三维模型的对齐结果和视觉中心点位置，计算视线向量。
[0016]优选地，所述图像信息包括眼部图像，所述对所采集的每帧人脸图像提取图像信息的步骤包括:对每帧人脸图像进行人脸检测，得到人脸区域；对所得到的人脸区域，标记出人脸特征点；根据标记出的人脸特征点，得到眼部的位置，裁剪出左右两眼的眼部图像，并将所裁剪出的眼部图像统一到相同像素大小。
[0017]优选地，所述图像信息包括人脸姿态特征和眼部图像，所述对所采集的每帧人脸图像提取图像信息包括:对每帧人脸图像进行人脸检测，得到人脸区域；对所得到的人脸区域，标记出人脸特征点；对标记出的人脸特征点进行归一化，将归一化后的人脸特征点作为人脸姿态特征；根据标记出的人脸特征点，得到眼部的位置，裁剪出左右两眼的眼部图像，并将所裁剪出的眼部图像统一到相同像素大小。
[0018]本发明实施例还提供了一种活体验证装置，包括:轨迹生成和图像采集单元，用于生成按预设轨迹运动的视觉中心点，并在所述视觉中心点运动过程中采集被测对象的多帧人脸图像，在采集过程中，被测对象的视线始终跟随所述视觉中心点运动；图像信息提取单元，用于对所采集的每帧人脸图像提取图像信息；视线向量估计单元，用于根据所提取的图像信息估计出视线向量；投影轨迹生成单元，根据估计出的视线向量得到估计的投影轨迹；对比单元，将所述估计的投影轨迹与所述视觉中心点的预设轨迹进行对比，当两者间的相似度大于或等于预设阈值时，判断被测对象为活体，当两者间的相似度小于预设阈值时，判断被测对象不是活体。
[0019]优选地，所述视线向量估计单元将所述图像信息输入到神经网络模型来得到估计的视线向量，所述神经网络模型通过以下子单元得到:采集子单元，用于采集海量不同人、不同视线下的人脸图像；提取子单元，用于从采集到的人脸图像中提取图像信息和视线向量；神经网络模型生成子单元，用于根据所得到的图像信息和视线向量得到所述神经网络模型。
[0020]优选地，所述图像信息包括眼部图像，所述图像信息提取单元包括:人脸检测子单元，用于对每帧人脸图像进行人脸检测，得到人脸区域；人脸特征点标记子单元，用于对所得到的人脸区域，标记出人脸特征点；眼部图像裁剪子单元，用于根据标记出的人脸特征点，得到眼部的位置，裁剪出左右两眼的眼部图像，并将所裁剪出的眼部图像统一到相同像素大小。
[0021]优选地，所述图像信息包括人脸姿态特征和眼部图像，所述图像信息提取单元包括:人脸检测子单元，用于对每帧人脸图像进行人脸检测，得到人脸区域；人脸特征点标记子单元，用于对所得到的人脸区域，标记出人脸特征点；人脸特征点归一化子单元，用于对标记出的人脸特征点进行归一化，将归一化后的人脸特征点作为人脸姿态特征；眼部图像裁剪子单元，用于根据标记出的人脸特征点，得到眼部的位置，裁剪出左右两眼的眼部图像，并将所裁剪出的眼部图像统一到相同像素大小。
[0022]本发明实施例进一步还提供了一种活体验证系统，包括:显示装置，用于显示预设轨迹运动的视觉中心点；图像采集装置，用于在所述视觉中心点运动过程中采集被测对象的多帧人脸图像，在采集过程中，被测对象的视线始终跟随所述视觉中心点运动；处理器，用于生成按所述预设轨迹运动的所述视觉中心点；对所采集的每帧人脸图像提取图像信息；根据所提取的图像信息估计出视线向量；根据估计出的视线向量得到估计的投影轨迹；将估计的投影轨迹与视觉中心点的预设轨迹进行对比，当两者间的相似度大于或等于预设阈值时，判断被测对象为活体，当两者间的相似度小于预设阈值时，判断被测对象不是活体。
[0023]根据本发明实施例的活体验证方法、装置和系统，通过在验证过程中实时采集被测对象的人脸图像，根据人脸图像估计被测对象的视线轨迹，并通过将估计的视线轨迹与视觉中心点的实际运动轨迹对比来判断被测对象是否活体，仅需要带有摄像头和屏幕的设备即可以完成判断，不需要复杂的外设设备；采用视线追踪的方式让被测对象的视线随着随机生成的预设轨迹移动，难以被伪造，大大提升了活体验证的准确度和可靠性。
[0024]根据本发明实施例的活体验证方法、装置和系统，将所得到的图像信息作为输入，搭建多层深度卷积神经网络，所述多层深度卷积神经网络通过卷积层、降采样层、非线性层依次连接，最后一层是一个f维的全连接层，所得到的视线向量作为输出层，并利用所得到的图像信息和视线向量，对所搭建的深度卷积神经网络进行训练以得到神经网络模型，从而可以快速准确地从所提取出的图像信息估计出视线向量，进而提升了活体判断的准确度。
[0025]根据本发明实施例的活体验证方法、装置和系统，选取眼部图像来作为图像信息从而可以简化计算，快速完成检测；在进一步优选的实施方式中，选取人脸姿态特征和眼部图像这两者来作为图像信息，进一步考虑了被测对