一种人脸活体检测方法及装置与流程

本发明涉及生物特征识别领域，尤其涉及一种人脸活体检测方法及装置。

背景技术：

生物特征识别技术广泛应用于生活中的各个领域，其中，人脸识别技术因其特征采集方便、卫生等特点，应用最为广泛，例如，人脸识别应用于安防、门禁领域。随着人脸识别应用领域的扩展，也出现了越来越多的攻击人脸识别的方法。常见的攻击方法包括使用人脸照片、视频和3D面具模型等介质模拟人脸在人脸识别设备前对人脸识别进行攻击。可见，现有技术中对人脸识别进行攻击采用的大多数是非活体介质，因此，对待识别的人脸进行活体检测，以抵御对识别进行攻击，是一个急待解决的问题。

现有技术中，进行人脸活体检测的方法主要分为三类:基于纹理特征的方法、基于运动特征的方法和基于其他特征方法。现有技术中的人脸活体检测方法中基于运动特征的人脸活体检测方法在以视频做攻击媒介的情况下识别准确率较低；基于纹理特征或其他特征的人脸活体检测方法受光照影响较大，识别准确率不稳定。

综上，现有技术中的人脸活体检测方法至少存在适用攻击媒介受限，且人脸活体检测识别准确率低的问题。

技术实现要素：

本发明实施例提供一种人脸活体检测方法及装置，以解决现有的人脸活体检测方法识别准确率低的问题。

第一方面，本发明实施例提供了一种人脸活体检测方法，应用于具有主动光源的电子设备，所述方法包括：

获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像；

获取所述第一图像和所述第二图像各自待检测区域之间的差分图像；

从所述差分图像中提取待识别特征，进行人脸活体检测；

其中，所述第一图像为在启动所述主动光源的环境下采集的图像，所述第二图像为在关闭所述主动光源的环境下采集的图像。

第二方面，本发明实施例还提供了一种人脸活体检测装置，应用于具有主动光源的电子设备，所述装置包括：：

图像获取模块，用于获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像；

差分图像获取模块，用于获取所述第一图像和所述第二图像各自待检测区域之间的差分图像；

人脸活体检测模块，用于从所述差分图像中提取待识别特征，进行人脸活体检测；

其中，所述第一图像为在启动所述主动光源的环境下采集的图像，所述第二图像为在关闭所述主动光源的环境下采集的图像。

第三方面，本发明实施例还提供了一种电子设备，包括主动光源，所述电子设备还包括本发明实施例中的人脸活体检测装置。

这样，本发明实施例公开的人脸活体检测方法，通过获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像，其中，所述第一图像为在启动所述主动光源的环境下采集的图像，所述第二图像为在关闭所述主动光源的环境下采集的图像；然后，获取所述第一图像和所述第二图像各自待检测区域之间的差分图像；从所述差分图像中提取待识别特征；最后，将所述待识别特征输入至预设的分类器，进行人脸活体检测，解决了现有技术中的人脸活体检测方法识别准确率低的问题。通过根据两幅图像的差分图像中包括人脸和人脸周围背景的待检测区域提取的特征进行活体检测，有效地提高了人脸活体检测的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一的人脸活体检测方法流程图；

图2是本发明实施例二的人脸活体检测方法流程图；

图3是本发明实施例二中确定的待检测区域示意图；

图4是本发明实施例二中差分图像内人脸部区域和非人脸部区域示意图；

图5是本发明实施例三的人脸活体检测方法流程图；

图6是本发明实施例四的人脸活体检测方法流程图；

图7是本发明实施例五的人脸活体检测装置结构图；

图8是本发明实施例六的人脸活体检测装置结构图之一；

图9是本发明实施例六的人脸活体检测装置一个模块的结构图；

图10是本发明实施例七的人脸活体检测装置结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

本实施例提供了一种人脸活体检测方法，应用于具有主动光源的电子设备，如图1所示，所述方法包括：步骤10至步骤12。

步骤10，获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像。

具体实施时，所述主动光源可以为主动红外光光源，如红外LED补光灯，或者主动可见光光源，如发光波长在可见光范围内的LED灯。

进行人脸识别的电子设备的前面板通常设置有采集待识别人脸图像的摄像头，本发明应用的电子设备还设置有主动光源。当进行人脸识别时，电子设备会启动主动光源对待采集的人脸进行补光，以提高采集的待识别人脸图像的质量。

首先，在预设时间内，通过所述摄像头采集包括待检测人脸的第一图像和第二图像。其中，所述第一图像为在启动所述主动光源的环境下采集的图像，所述第二图像为在关闭所述主动光源的环境下采集的图像。具体实施时，可以先采集第一图像，也可以先采集第二图像，本发明对此不做限定。采集第一图像和采集第二图像的时间差要求在预设时长内，如500毫秒，这样，若电子设备采集的是活体人脸的图像，所述第一图像和第二图像之间会有一定差异，但差异不大。具体实施时，可以对采集的图像进行初步人脸检测，如果采集的第一图像或第二图像中不包含人脸，则将两张图片一起丢弃，重新进行图像采集。

步骤11，获取所述第一图像和所述第二图像各自待检测区域之间的差分图像。

首先，分别确定所述第一图像和所述第二图像中的待检测区域。

所述待检测区域以所述待检测人脸为中心，包括所述待检测人脸以及所述待检测人脸周围的部分背景。具体实施时，所述待检测区域为以人脸区域为中心且包括人脸周围部分背景的矩形区域。对于采集的所述第一图像和所述第二图像，使用人脸区域检测算法，定位出人脸和双眼的坐标，以双眼坐标为基准点，以双眼距离的像素值作为单位长度；将图片适当旋转使得双眼连线处于水平状态，以左眼向左一个单位长度的位置作为左边界，以右眼向右一个单位长度的位置作为右边界，上边界以双眼基准点向上一个单位长度的位置作为上边界，以双眼向下两个单位长度的位置作为下边界，确定一个最小矩形区域，作为人脸区域。然后，将定位出的人脸区域分别沿上、下、左、右四个方向向外围扩展预设像素，以确定一个以人脸区域(即包含人眼的最小矩形区域)为中心且包括人脸周围部分背景的较大矩形区域作为待检测区域。其中，所述预设像素根据所述第一图像和所述第二图像的像素尺寸，以及所述人脸区域的像素尺寸确定，例如，所述预设像素可以取值为所述第一图像的像素宽度减去所述人脸区域的像素宽度的四分之一。具体实施时，可以采用人脸模板匹配法确定图像中的人脸区域，也可以采用Haar-l ike特征的Ada Boos t算法检测出人脸区域。定位图像中的人脸区域时，可以采用现有技术中的方案，此处不再赘述。

然后，获取所述第一图像和所述第二图像中所述待检测区域的差分图像。

对于不同批次、不同距离下采集的人脸图片，由于前一步骤确定的所述第一图像和第二图像中的待检测区域尺寸可能不同，因此，首先将采集到的所有图像中的待检测区域归一化到预先设定的相同尺寸。然后，获取所述第一图像和所述第二图像中所述待检测区域的差分图像。

步骤12，从所述差分图像中提取待识别特征，进行人脸活体检测。

首先，从所述差分图像中提取待识别特征。从获取的所述差分图像中提取待识别特征可以为，从差分图像中提取的预设维度的人脸上下文特征、纹理特征或者光照特征之一。其中，所述人脸上下文特征可以为，由基于所述差分图像中人脸部区域和所述差分图像中非人脸部区域提取的信息熵组成的特征。纹理特征为，如LBP(Local Binary Pattern,局部二值模式)特征、DCT(Di screte Cos ine Transform,离散余弦变换)特征、Gabor特性等。光照特征为，差分图像中包含人脸区域的光照的统计分布信息的统计特征。

为了进一步提高活体检测的准确率，从获取的所述差分图像中提取待识别特征还可以包括将上下文特征或纹理特征结合光照特征，进行人脸活体检测。

在提取到待识别特征之后，将所述待识别特征输入至预设的分类器，进行人脸活体检测。在进行人脸活体检测之前，首先要训练分类器。

具体实施时，首先要基于搜集的正样本(即人脸活体图像)和负样本(即人脸照片、视频、面具模型等的图像)，组成样本集合；然后，分别提取样本集合中的样本的待识别特征，如步骤13中所述的人脸上下文特征、光照特征或者上下文特结合光照特征等；最后，基于提取的特征训练分类器，如支持向量机SVM分类器。

在进行人脸活体检测时，将从所述差分图像中提取待识别特征输入至预先训练得到的分类器，进行人脸活体检测。分类器对输入的特征进行识别，得出图像中是人脸活体或非人脸活体的结果。

本发明实施例公开的人脸活体检测方法，通过获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像，其中，所述第一图像为在启动所述主动光源的环境下采集的图像，所述第二图像为在关闭所述主动光源的环境下采集的图像；然后，获取所述第一图像和所述第二图像各自待检测区域之间的差分图像；从所述差分图像中提取待识别特征进行人脸活体检测，解决了现有技术中的人脸活体检测方法识别准确率低的问题。通过根据两幅图像的差分图像中包括人脸和人脸周围背景的待检测区域提取的特征进行活体检测，有效地提高了人脸活体检测的准确率。

实施例二：

参见图2，本发明另一个实施例中公开的人脸活体检测方法，应用于具有主动光源的电子设备，所述方法包括步骤20至步骤24。

步骤20，获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像。

其中，所述第一图像为在启动所述主动光源的环境下采集的图像，所述第二图像为在关闭所述主动光源的环境下采集的图像。具体实施时，所述主动光源可以为主动红外光光源，本实施例中以主动光源为主动红外光光源为例对人脸活体检测方法进行详细说明，所述第一图像为在启动所述主动红外光光源的环境下采集的图像。本实施例中，所述电子设备设置有红外光摄像头，所述红外光摄像头的分辨率为1280×720像素，并在所述摄像头红外光摄像头周围加装主动红外光光源，如：近红外LED光源的波长为850nm。在通过所述电子设备人脸识别时，人脸距离摄像头为30至80厘米。

通常情况下，所述主动红外光光源处于关闭状态，因此，可以首先控制摄像头采集第二图像，即在关闭所述主动光源的环境下采集一幅图像。然后，启动所述主动红外光光源，控制摄像头采集第一图像，即在启动所述主动光源的环境下采集一幅图像。采集第一图像和采集第二图像之间有预设时间间隔。

步骤21，分别确定所述第一图像和所述第二图像中的待检测区域。

所述待检测区域为以人脸区域为中心且包括人脸周围部分背景的矩形区域。具体实施时，对于采集的所述第一图像和所述第二图像，可以采用现有技术中的方法分别确定所述第一图像和所述第二图像中的人脸区域。现有技术中定位人脸区域的方法定位的人脸区域是包括人眼的最小矩形区域。然后，将定位出的人脸区域分别沿上、下、左、右四个方向向外围扩展预设像素，以确定一个以人脸区域(即包含人眼的最小矩形区域)为中心且包括人脸周围部分背景的较大矩形区域作为待检测区域。其中，所述预设像素根据所述第一图像和所述第二图像的像素尺寸，以及所述人脸区域的像素尺寸确定，例如，所述预设像素可以取值为所述第一图像的像素宽度减去所述人脸区域的像素宽度的四分之一。

所述待检测区域为以人脸区域为中心且包括人脸周围部分背景的矩形区域。分别确定所述第一图像和所述第二图像中的待检测区域包括：分别确定所述第一图像和所述第二图像中的人脸区域；将所述人脸区域向四周扩展预设尺寸，得到待检测区域。对于采集的所述第一图像和所述第二图像，可以采用现有技术中的方法分别确定所述第一图像和所述第二图像中的人脸区域。现有技术中定位人脸区域的方法定位的人脸区域是包括人眼的最小矩形区域。例如：使用OpenCV的Viola-Jones检测器对第一图像和第二图像进行人脸检测，并定位出人眼睛的位置；然后，进一步根据定位出的人眼位置确定人脸区域，通常人脸区域为包括人眼的最小矩形区域，如图3中的301。对于采集的所述第一图像和所述第二图像，还可采用现有技术中的其他方法分别确定所述第一图像中和所述第二图像中的人脸区域，此处不再赘述。

具体实施时，为了提高人眼定位的准确性，所述对所述第一图像和所述第二图像分别进行人眼定位包括：对所述第一图像和所述第二图像分别进行伽玛变换，以调整所述第一图像和所述第二图像的光照；对调整光照后的所述第一图像和所述第二图像的光照分别进行人脸定位。在大多数情况下，在没有开启主动光源的环境下采集的图像会比较灰暗，在开启主动光源的环境下采集的图像会比较亮，因此，在进行人眼定位时，可以通过自动光照调整算法对采集的图像进行预处理，对于较暗的第二图像使用伽马压缩，对于较亮的第一图像使用伽马展开，以方便人脸检测与定位。对伽玛变换后的图像使用OpenCV的Viola-Jones检测器进行人脸检测，并定位出人眼睛的位置。然后，进一步根据定位出的人眼位置确定人脸区域，通常人脸区域为包括人眼的最小矩形区域。之后，根据定位得到的人脸区域的位置确定所述第一图像和所述第二图像中人脸区域的位置。

然后，将定位出的人脸区域分别沿上、下、左、右四个方向向外围扩展预设像素，以确定一个以人脸区域为中心且包括人脸周围部分背景的较大矩形区域作为人脸区域，如图3中的302。其中，所述预设像素根据所述第一图像和所述第二图像的像素尺寸，以及所述包括人脸区域的像素尺寸确定，例如，所述预设像素可以取值为所述第一图像的像素宽度减去所述人脸区域的像素宽度的四分之一。如果人脸区域相对于其所在的第一图像或第二图像的尺寸较小，如小于其所在的第一图像或第二图像的尺寸的1/2，则可以将所述预设像素设置为人脸部矩形区域的像素宽度的1/2。

步骤22，获取所述第一图像和所述第二图像中所述待检测区域的差分图像。

所述获取所述第一图像和所述第二图像中所述待检测区域的差分图像，包括：分别将所述第一图像和所述第二图像中的所述待检测区域内的图像进行归一化处理；根据归一化处理后的所述待检测区域内的图像，获得所述第一图像和所述第二图像中待检测区域的差分图像。对于不同批次、不同距离下采集的人脸图片，由于前一步骤确定的所述第一图像和第二图像中的待检测区域尺寸可能不同，因此，首先将采集到的图像中的待检测区域归一化到预先设定的相同尺寸。然后，获取所述第一图像和所述第二图像中所述待检测区域的差分图像。

根据朗伯光照反射模型，将实验环境抽象，得出以下光照假设：

a)在人脸附近有一个主要外界光源，该光源主要由日光灯(fluorescent lamp)发出，且发出的光线主要为自然光组成，记为I₁；

b)在人脸正前方有一个主动红外光光源，该光源的功率相对I₁较小，衰减较快，记为I₂；

c)包括显示器屏幕、太阳光等其他远处的光源，一起记为环境光I_a。

由反射模型可知，摄像头接收到的人脸反射光主要分为漫反射光和镜面反射光，即对于摄像头采集的图像中每一个像素点x，人脸图像I的像素值I(x)可以表示为：

其中，I_i,d为第i个光源所造成的漫反射光分量；I_i,s为第i个光源所造成的镜面反射光分量；f(d_i)是以光源与人脸距离d_i为自变量的的衰减函数。

根据前述光照假设，光源I₂会迅速衰减，而光源I₁会衰减较慢。

在本实施例中，所述第一图像为在启动所述主动光源的环境下采集的图像，将第一图像中的待检测区域的图像记为I^(L)；所述第二图像为在关闭所述主动光源的环境下采集的图像，将第二图像中的待检测区域的图像记为I。根据朗伯光照反射模型，第一图像中的待检测区域的图像I^(L)和第二图像中的待检测区域的图像I均含有I_a，I_1,d，I_1,s光源的反射分量，且第一图像中的待检测区域的图像I^(L)同时有I_2,d和I_2,s光源的反射分量，即：

I＝I_a+f(d₁)·(I_1,d+I_1,s)；

I^(L)＝I_a+f(d₁)·(I_1,d+I_1,s)+f(d₂)·(I_2,d+I_2,s)。

由于采集第一图像和第二图像的时间间隔在预设时间之内，如100毫秒，因此，在两幅图像中人头部姿态的变化可以近似忽略不计。由于头部姿态变化不大，日光灯I₁所造成的反射分量也基本保持不变；环境光I_a与主动红外光光源I₂无关，可以被认为是一个常数。将第一图像中的待检测区域I^(L)减去第二图像中的待检测区域I，可以从下式得到待检测区域的差分图像I^D：I^D＝I^(L)-I＝f(d₂)·(I_2,d+I_2,s)。

使用主动红外光光源可以减小环境光线变化、侧光等外界光照因素对人脸识别等模式识别问题的影响，同时，近红外光谱可以让图像的画质更好，例如图像像素不至于饱和甚至过度曝光。因此，使用主动红外光光源进行人脸活体检测，可以获得更准确的检测效果。

具体实施时，主动红外光光源I₂也可以替换为主动可见光光源，差分图像的计算方式类似，此处不再赘述。步骤23，从所述差分图像中提取人脸上下文特征。

由于每种人脸攻击方法都需要一个攻击媒介，如人脸照片。因此，所述电子设备采集的图像中人脸周围的“非人脸区域”中，有一些“背景像素”其实并不属于真正的背景，而是属于攻击媒介。在真实人脸图像中，非人脸区域的像素点大多是属于背景像素点。对于摄像头采集的真实人脸图像中的背景像素点与摄像头的距离比人脸与摄像头距离更远，因此，光照衰减函数f(d)的数值相对会小得多。即摄像头采集的真实人脸图像中非人脸区域中像素点的像素值，在开启主动红外光源前后变化也会相对较小。在用于人脸攻击的照片中，人脸区域和非人脸区域离摄像头距离相同，人脸区域和非人脸区域对于光照的反射特性相近。因此，通过分析差分图像中人脸区域和非人脸区域的像素分布情况，可以进行活体判断。

本实施例中，所述待识别特征包括人脸上下文特征，从获取的所述差分图像中提取待识别特征包括：从所述差分图像中提取人脸上下文特征。所述人脸上下文特征可以为，由基于所述差分图像中人脸部区域和所述差分图像中非人脸部区域提取的信息熵组成的特征。其中，所述从所述差分图像中分别提取人脸上下文特征，包括：确定所述差分图像中的人脸部区域和非人脸部区域；获取人脸部区域直方图，以及非人脸部区域直方图；根据人脸部区域直方图和非人脸部区域直方图生成差异直方图；从所述人脸部区域直方图、非人脸部区域直方图、差异直方图中分别提取信息熵。

具体实施时，首先通过椭圆模型确定差分图像中的人脸部区域(如图4中的401)和非人脸部区域(如图4中的402)。

然后，分别计算人脸部区域401的像素直方图H_face′和非人脸部区域402的像素直方图H_nonface′。由于人脸部区域和非人脸部区域的像素数目可能不同，需要对两个直方图H_face′和H_nonface′执行规范化处理，如L1规范化(L1-normlization)，即让每个的统计直方图中，所有分量的和为1。这样，可以消除因为总像素个数不同造成的直方图差异，得到规范化后的人脸部区域401的像素直方图H_face和非人脸部区域402的像素直方图H_nonface。

根据人脸部区域直方图H_face和非人脸部区域直方图H_nonface生成差异直方图H_diff。由于人脸并不是标准的椭圆形，因此在通过椭圆模型确定差分图像中的人脸部区域时，设定的椭圆形人脸部区域会涵盖一些非人脸区域的像素点。为了避免由于人脸部区域包含背景像素点而导致的检测误差，通过将H_face和H_nonface，构造另一个差异直方图H_diff。具体公式为：

H_diff(i)＝max(H_face(i)-H_nonface(i),0)； (公式2)

其中，i代表灰度值，取值范围为0至255；H_diff(i)是当灰度值为i时的差异直方图的数值；H_face(i)为归一化后人脸部区域灰度值为i时的直方图数值；H_nonface(i)为归一化后非人脸部区域灰度值为i时的直方图数值。

最后，从所述人脸部区域直方图H_face、非人脸部区域直方图H_nonface、差异直方图H_diff中分别提取信息熵作为待识别特征。通过计算三个直方图的信息熵，得到一个三维的人脸上下文特征向量，如(entropy(H_face)，entropy(H_nonface)，entropy(H_diff))，其中，每一维度对应一个直方图的信息熵。具体实施时，直方图的信息熵的计算方法为：

entropy(H)＝-∑(H(i)×log(H(i)))； (公式3)

其中，H(i)为直方图H中灰度值为i的数值。

由于大衣领口、长发、帽子或者其他装饰物与人脸距离比较近，在反射特性上也类似于攻击介质，采集的图像中前述背景会影响非人脸区域的直方图，容易造成误判，因此，具体实施时，通过分块模型进一步提取附加人脸上下文特征。从获取的所述差分图像中提取待识别特征还包括：将所述差分图像划分为多个相邻图像块；分别确定每个所述图像块中的人脸部区域和非人脸部区域；针对每个图像块，分别获取该图像块中人脸部区域直方图，以及非人脸部区域直方图；针对每个图像块，分别根据该图像块的人脸部区域直方图和非人脸区域直方图生成差异直方图；针对每个图像块，分别从该图像块的人脸部区域直方图、非人脸部区域直方图、差异直方图中提取信息熵。

具体实施时，可以将所述差分图像沿着水平方向和竖直方向，各等分为两份，因此整个图像被平均分为四个相邻的图像块，如P1、P2、P3和P4。然后，分别确定每个所述图像块中的人脸部区域和非人脸部区域。针对每个图像块，分别获取该图像块中人脸部区域直方图，以及非人脸部区域直方图，可以得到：图像块P1的人脸部区域直方图H_{P1_face}′和非人脸部区域直方图H_{P1_nonface}′、图像块P2的人脸部区域直方图H_{P2_face}′和非人脸部区域直方图H_{P2_nonface}′、图像块P3的人脸部区域直方图H_{P3_face}′和非人脸部区域直方图H_{P3_nonface}′、图像块P4的人脸部区域直方图H_{P4_face}′和非人脸部区域直方图H_{P4_nonface}′。然后，对每个图像块的直方图进行规范化处理，得到规范化后的直方图H_{P1_face}、H_{P1_nonface}、H_{P2_face}、H_{P2_nonface}、H_{P3_face}、H_{P3_nonface}、H_{P4_face}、H_{P4_nonface}。针对每个图像块，采用公式2生成差异直方图的方法分别根据该图像块的人脸部区域直方图和非人脸区域直方图生成差异直方图，可以得到四个差异直方图H_{p1_diff}、H_{p2_diff}、H_{p3_diff}和H_{p4_diff}。针对每个图像块，通过公式3分别从该图像块的人脸部区域直方图、非人脸部区域直方图、差异直方图中提取信息熵，得到12个信息熵，具体如下：图像块P1的信息熵entropy(H_{p1_face})，entropy(H_{p1_nonface})，entropy(H_{p1_diff})、图像块P2的信息熵entropy(H_p2face)，entropy(H_{p2_nonface})，entropy(H_{p2_diff})、图像块P3的信息熵

entropy(H_{p3_face})，entropy(H_{p3_nonface})，entropy(H_{p3_diff})和图像块P4的信息熵

entropy(H_{p4_face})，entropy(H_{p4_nonface})，entropy(H_{p4_diff})。最后，将所述差分图像的信息熵和所述差分图像的各图像块的信息熵按照预设规则组合得到一个多维的人脸上下文特征向量，作为待识别特征。

在本方案中，使用信息熵(公式3)作为待识别特征来分析人脸区域和非人脸区域的图像像素分布情况：如果图像像素值在人脸区域和非人脸区域中有较高的一致性，则其有很大可能是一张攻击人脸；反之，如果一致性较低，则认为人脸周围并没有攻击介质的存在，很可能是一张真实人脸。在另一个具体实施方式中，所述从所述差分图像中提取待识别特征的，还可以为：从所述差分图像中提取纹理特征。所述纹理特征可以为：LBP(Local Binary Pattern,局部二值模式)特征、DCT(Discrete Cosine Transform,离散余弦变换)特征、Gabor特性等中的任意一种。提取纹理特征的具体方法参见现有技术，此处不再赘述。

步骤24，根据所述人脸上下文特征，进行人脸活体检测。

在进行人脸活体检测之前，首先要训练分类器。

具体实施时，首先要基于搜集的正样本(即人脸活体图像)和负样本(即人脸照片、视频、面具模型等的图像)，组成样本集合，并设置正、负样本标签；然后，分别提取样本集合中的样本的人脸上下文特征；最后，基于提取的特征训练分类器，如支持向量机SVM分类器。

在进行人脸活体检测时，将步骤23中从所述差分图像中提取的人脸上下文特征输入至预先训练得到的分类器，进行人脸活体检测。分类器对输入的特征进行识别，得出图像中是人脸活体或非人脸活体的结果。

具体实施时，还可以采用其他的方式根据提取的所述光照特征，进行人脸活体检测，如利用预先训练的识别模型进行人脸活体检测，此处不再赘述。

本发明实施例公开的人脸活体检测方法，通过获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像；分别确定所述第一图像和所述第二图像中的待检测区域；获取所述第一图像和所述第二图像中所述待检测区域的差分图像，并从所述差分图像中提取人脸上下文特征；最后，将所述人脸上下文特征输入至预设的分类器，进行人脸活体检测，解决了现有技术中攻击媒介面积较大或者离摄像头很近、在照片中完全没有攻击介质的边框的信息情况下的人脸活体检测方法识别准确率低的问题。通过根据两幅图像的差分图像中包括人脸和人脸周围背景的待检测区域提取的人脸上下文特征进行活体检测，有效地提高了人脸活体检测的准确率。

其中，在以图像的信息熵作为人脸上下文特征时，通过对差分图像进行分块，并提取每一块的信息熵与差分图像的信息熵，并与所述差分图像的信息熵进行组合，构成人脸上下文特征，有效避免了由于衣领、头发、饰物等对检测准确率的影响，进一步提高了人脸活体检测的准确率。

实施例三：

参见图5，本发明人脸活体检测方法的另一个实施例中，所述方法包括步骤50至步骤55。

步骤50，获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像。

在预设时间内，通过所述摄像头采集包括待检测人脸的第一图像和第二图像的具体实施方式参见实施例二，此处不再赘述。

步骤51，分别确定所述第一图像和所述第二图像中的待检测区域。

分别确定所述第一图像和所述第二图像中的待检测区域的具体实施方式参见实施例二，此处不再赘述。

步骤52，获取所述第一图像和所述第二图像中所述待检测区域的差分图像。

获取所述第一图像和所述第二图像中所述待检测区域的差分图像的具体实施方式参见实施例二，此处不再赘述。

步骤53，从所述差分图像中提取人脸上下文特征。

从所述差分图像中提取人脸上下文特征的具体实施方式参见实施例二，此处不再赘述。

本步骤中，从所述差分图像中提取人脸上下文特征可以为从差分图像整体提取的信息熵，也可以是由从所述差分图像中提取的信息熵和从所述差分图像划分得到的图像块中提取的信息熵组合得到的人脸上下文特征特征。

为了进一步提高人脸活体检测的准确率，从获取的所述差分图像中提取待识别特征还可以包括：从所述差分图像中的人脸部区域提取光照特征。然后将人脸上下文特征和所述光照特征组合成待识别特征，共同进行人脸活体检测。

步骤54，从所述差分图像中的人脸部区域提取光照特征。

前文提出的上下文一致性特征对于攻击媒介接近摄像头、攻击媒介边框无法被检测的场景依然有效，但是如果攻击媒介被蓄意剪裁、仅仅留下人脸区域，或者真实人脸在各个方向均有密集的饰物在人脸周围，该方法的效果就会受到影响。因此，，在这里我们针对几种攻击方式，分析了不同攻击媒介的反射特性，提出了光照特征辅助进行活体检测。

由于人脸到摄像头的距离，会远远大于人脸本身的深度，因此可以认为光照衰弱函数在人脸区域中基本为一个确定的数值，或者仅仅是平滑变化。本实施例继续基于红外差分图像进行分析。基于朗伯反射模型，红外差分图像可以简化表示为：

I^D(x)＝k_d·ω_d(x)·E+k_s·ω_s(x)·E；

其中，E是光照强度，在人脸区域的各个像素点中为恒定值；ω_d(x),ω_s(x)分别是与漫反射、镜面反射有关的人脸表面几何特征因子；而k_d和k_s分别是漫反射与镜面反射的权重因子，包含了衰减系数、材料反射参数等。材料反射参数与材料、像素点位置、入射光角度等因素均相关，但是对于从正面入射到不透明材料的反射场景来说，这些参数也可以被视为定值。

基于差分图像，简要分析下真实人脸和三种攻击人脸的主要反射特征。

a)真实人脸：镜面反射高光区域主要集中在一些特定位置，例如鼻尖、脸颊、前额和眼镜等地方。人脸表面几何因素比较复杂，漫反射在各个区域都有所不同，且差分图像中存在较为明显的阴影区域。

b)普通A4纸打印的照片：镜面反射很弱，几乎没有高光区域。即使A4纸经过折叠，整个人脸表面还是比较光滑，因此漫反射可能会出现渐变特性。

c)树脂材料打印的照片：树脂照片表面很光滑，且有着抛光表面，因此可能会出现较多的镜面反射分量。另外，树脂照片表面的光泽油墨层会让相片在近红外光谱下产生剧烈散射，因此树脂相片产生的漫反射也会被增强。

d)屏幕上展示的照片：显示屏不能被随意折叠，且不会有几何上的弯折，因此各个像素的法向量基本相同；在显示屏上经常会出现规则的镜面反射分量。显示屏主要由自身发光，收到主动红外光照的影响较少，同时也会影响到上面的漫反射分量。

根据上述分析，在漫反射和镜面反射分量上，真实人脸和各类攻击人脸均有很大的不同。另外镜面反射可以在小范围内大幅增加像素的灰度值，增加整幅图的像素数值方差；而漫反射会小幅度增加大面积像素的灰度值，在一定程度上减弱图片的边缘信息。在差分图片中，以上差异会很大影响到像素灰度值，以及整幅图的像素分布情况。而图像中任何的颜色分布均可以用它的矩来表示。因此，为了进一步提高活体检测的准确率，从获取的差分图像中提取待识别特征还可以包括，从差分图像中的人脸部区域提取光照特征。由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩(平均值mean)、二阶矩(标准差variance)和三阶矩(斜度skewness)就足以表达图像的颜色分布。因此，将人脸区域所有像素的数值统计后，可以提取图像像素值的平均值、标准差、斜度中的一项或多项作为光照特征。当然，也可以提取其他的能够包含人脸区域的光照的统计分布信息的统计特征作为光照特征。然后将人脸上下文特征结合光照特征，共同进行人脸活体检测。

本实施例中，具体实施时，将差分图像的人脸部区域内像素值记为x_i,i＝1,...,N，分别提取人脸不区域内的图像像素值的平均值、标准差和方差作为光照特征。其中，平均值μ的计算公式为：标准差σ的计算公式为：(c)斜度γ的计算公式为：

步骤55，根据所述人脸上下文特征和所述光照特征组合得到的待识别特征，进行人脸活体检测。

然后，将提取到的人脸上下文特征和光照特征按照预设方式进行组合，得到一个多维特征向量，输入至预设的分类器，进行人脸活体检测。

在进行人脸活体检测之前，首先要训练分类器。具体实施时，首先要基于搜集的正样本(即人脸活体图像)和负样本(即人脸照片、视频、面具模型等的图像)，组成样本集合，并设置正、负样本标签；然后，分别提取样本集合中的样本的人脸上下文特征和光照特征；最后，基于提取的特征训练分类器，如训练支持向量机SVM分类器。

在进行人脸活体检测时，将步骤53中从所述差分图像中提取的人脸上下文特征和步骤54中从所述差分图像中的人脸部区域提取的光照特征按照预设规则组合成待识别特征，例如将人脸上下文特征和光照特征按顺序串联起来组合成待识别特征，输入至预先训练得到的分类器，进行人脸活体检测。分类器对输入的特征进行识别，得出图像中是人脸活体或非人脸活体的结果。

本发明实施例公开的人脸活体检测方法，通过获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像；分别确定所述第一图像和所述第二图像中的待检测区域；获取所述第一图像和所述第二图像中所述待检测区域的差分图像，并从所述差分图像中提取人脸上下文特征，再从所述差分图像中的人脸部区域提取光照特征；最后，将所述人脸上下文特征和所述光照特征组合得到的待识别特征输入至预设的分类器，进行人脸活体检测，解决了现有技术中的人脸活体检测方法识别准确率低的问题。

通过根据两幅图像的差分图像中包括人脸和人脸周围背景的待检测区域提取的人脸上下文特征进行活体检测，有效地提高了人脸活体检测的准确率。在以图像的信息熵作为人脸上下文特征时，通过对差分图像进行分块，并提取每一块的信息熵与差分图像的信息熵，并与所述差分图像的信息熵进行组合，构成人脸上下文特征，有效避免了由于衣领、头发、饰物等对检测准确率的影响，进一步提高了人脸活体检测的准确率。

并通过人脸上下文特征结合人脸部区域的光照特征进行人脸活体检测，可以在攻击媒介被蓄意剪裁、仅仅留下人脸区域，或者真实人脸在各个方向均有密集的饰物在人脸周围时对人脸活体检测造成的影响，有效的保证了人脸活体检测的准确率。

实施例四：

本发明人脸活体检测方法的另一个实施例中，所述方法包括步骤60至步骤64。

步骤60，获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像。

在预设时间内，通过所述摄像头采集包括待检测人脸的第一图像和第二图像的具体实施方式参见实施例二，此处不再赘述。

步骤61，分别确定所述第一图像和所述第二图像中的待检测区域。

分别确定所述第一图像和所述第二图像中的待检测区域的具体实施方式参见实施例二，此处不再赘述。

步骤62，获取所述第一图像和所述第二图像中所述待检测区域的差分图像。

获取所述第一图像和所述第二图像中所述待检测区域的差分图像的具体实施方式参见实施例二，此处不再赘述。

步骤63，从所述差分图像中的人脸部区域提取光照特征。

从所述差分图像中的人脸部区域提取光照特征的具体实施方式参见实施例三，此处不再赘述。

将人脸区域所有像素的数值统计后，可以提取图像像素值的平均值、标准差、斜度中的一项或多项作为光照特征。当然，也可以提取其他的能够包含人脸区域的光照的统计分布信息的统计特征作为光照特征。然后利用提取的光照特征进行人脸活体检测。

本实施例中，具体实施时，将差分图像的人脸部区域内像素值记为x_i,i＝1,...,N，分别提取人脸不区域内的图像像素值的平均值、标准差和方差作为光照特征。其中，平均值μ的计算公式为：标准差σ的计算公式为：(c)斜度γ的计算公式为：

步骤64，根据所述光照特征，进行人脸活体检测。

然后，将提取到的光照特征输入至预设的分类器，进行人脸活体检测。

在进行人脸活体检测之前，首先要训练分类器。具体实施时，首先要基于搜集的正样本(即人脸活体图像)和负样本(即人脸照片、视频、面具模型等的图像)，组成样本集合，并设置正、负样本标签；然后，分别提取样本集合中的样本的光照特征；最后，基于提取的特征训练分类器，如训练支持向量机SVM分类器。

在进行人脸活体检测时，将步骤63中从所述差分图像中提取的光照特征输入至预先训练得到的分类器，进行人脸活体检测。分类器对输入的特征进行识别，得出图像中是人脸活体或非人脸活体的结果。

具体实施时，还可以采用其他的方式根据提取的所述光照特征，进行人脸活体检测，如利用预先训练的识别模型进行人脸活体检测，此处不再赘述。

本发明实施例公开的人脸活体检测方法，通过获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像；分别确定所述第一图像和所述第二图像中的待检测区域；获取所述第一图像和所述第二图像中所述待检测区域的差分图像，并从所述差分图像中提取光照特征；最后，将所述光照特征输入至预设的分类器，进行人脸活体检测，解决了现有技术中的人脸活体检测方法识别准确率低的问题。通过根据两幅图像的差分图像中的人脸部提取的光照特征进行活体检测，在攻击媒介被蓄意剪裁、仅仅留下人脸区域，或者离摄像头很近时，可以有效地提高人脸活体检测的准确率。

实施例五：

相应的，如图7所示，本发明还公开了一种人脸活体检测装置，应用于具有主动光源的电子设备，所述装置包括：

图像获取模块70，用于获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像；

差分图像获取模块71，用于获取所述第一图像和所述第二图像各自待检测区域之间的差分图像；

人脸活体检测模块72，用于从所述差分图像获取模块71获取的差分图像中提取待识别特征，进行人脸活体检测；

其中，所述第一图像为在启动所述主动光源的环境下采集的图像，所述第二图像为在关闭所述主动光源的环境下采集的图像。

本发明实施例公开的人脸活体检测装置，通过获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像，其中，所述第一图像为在启动所述主动光源的环境下采集的图像，所述第二图像为在关闭所述主动光源的环境下采集的图像；然后，获取所述第一图像和所述第二图像各自待检测区域之间的差分图像；从所述差分图像中提取待识别特征；最后，将所述待识别特征输入至预设的分类器，进行人脸活体检测，解决了现有技术中的人脸活体检测方法识别准确率低的问题。通过根据两幅图像的差分图像中包括人脸和人脸周围背景的待检测区域提取的特征进行活体检测，有效地提高了人脸活体检测的准确率。

实施例六：

如图8所示，基于实施例五，在本发明的一个具体实施例中，可选的，所述待检测区域以所述待检测人脸为中心，包括所述待检测人脸以及所述待检测人脸周围的部分背景；所述人脸活体检测模块72包括：第一特征提取单元721，用于从所述差分图像中提取人脸上下文特征，所述人脸上下文特征由基于所述差分图像中人脸部区域和所述差分图像中非人脸部区域提取的信息熵组成。

所述待检测区域为以人脸区域为中心且包括人脸周围部分背景的矩形区域。具体实施时，对于采集的所述第一图像和所述第二图像，可以采用现有技术中的方法分别确定所述第一图像和所述第二图像中的人脸区域。现有技术中定位人脸区域的方法定位的人脸区域是包括人眼的最小矩形区域。

可选的，如图9所示，所述第一特征提取单元721包括：

第一人脸部区域确定子单元7210，用于确定所述差分图像中的人脸部区域和非人脸部区域；

第一直方图获取子单元7211，用于获取人脸部区域直方图，以及非人脸部区域直方图；

第二直方图获取子单元7212，用于根据人脸部区域直方图和非人脸部区域直方图生成差异直方图；

第一特征提取子单元7213，用于从所述人脸部区域直方图、非人脸部区域直方图、差异直方图中分别提取信息熵。

在本发明的另一个优选实施例中，可选的，所述第一特征提取单元721还包括：

图像块划分子单元7214，用于将所述差分图像划分为多个相邻图像块；

第二人脸部区域确定子单元7215，用于分别确定每个所述图像块中的人脸部区域和非人脸部区域；

第三直方图获取子单元7216，用于针对每个图像块，分别获取该图像块中人脸部区域直方图，以及非人脸部区域直方图；

第四直方图获取子单元7217，用于针对每个图像块，分别根据该图像块的人脸部区域直方图和非人脸区域直方图生成差异直方图；

第二特征提取子单元7218，用于针对每个图像块，分别从该图像块的人脸部区域直方图、非人脸部区域直方图、差异直方图中提取信息熵。

本发明实施例公开的人脸活体检测装置，通过获取采集时间间隔小于预设时长的包含待检测人脸的第一图像和第二图像；获取所述第一图像和所述第二图像各自待检测区域之间的差分图像，并从所述差分图像中提取人脸上下文特征，进行人脸活体检测，解决了现有技术中攻击媒介面积较大或者离摄像头很近、在照片中完全没有攻击介质的边框的信息情况下的的人脸活体检测方法识别准确率低的问题。通过根据两幅图像的差分图像中包括人脸和人脸周围背景的待检测区域提取的人脸上下文特征进行活体检测，有效地提高了人脸活体检测的准确率。

在以图像的信息熵作为人脸上下文特征时，通过对差分图像进行分块，并提取每一块的信息熵与差分图像的信息熵，并与所述差分图像的信息熵进行组合，构成人脸上下文特征，有效避免了由于衣领、头发、饰物等对检测准确率的影响，进一步提高了人脸活体检测的准确率。

实施例七：

基于实施例六，在本发明的另一具体实施例中，如图10所示，所述人脸活体检测模块72还包括：

第二特征提取单元722，用于从所述差分图像中的人脸部区域提取光照特征。可选的，所述光照特征至少包括图像像素值的平均值、标准差、斜度。

通过人脸上下文特征结合人脸部区域的光照特征进行人脸活体检测，可以在攻击媒介被蓄意剪裁、仅仅留下人脸区域，或者真实人脸在各个方向均有密集的饰物在人脸周围时对人脸活体检测造成的影响，有效的保证了人脸活体检测的准确率。

具体实施时，所述人脸活体检测模块72还可以只包括第二特征提取单元722。可以在攻击媒介被蓄意剪裁、仅仅留下人脸区域时，有效的保证人脸活体检测的准确率。

相应的，本发明实施例还公开了一种电子设备，所述电子设备包括主动光源，所述电子设备还包括实施例四和实施例五所述的人脸活体检测装置。所述电子设备可以为手机、PAD、平板电脑、人脸识别机等。

本发明的装置实施例与方法相对应，装置实施例中各模块和各单元的具体实现方式参见方法是实施例，此处不再赘述。

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。

本领域普通技术人员可以理解，在本申请所提供的实施例中，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，即可以位于一个地方，或者也可以分布到多个网络单元上。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。

所述功能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，本发明的技术方案可以以软件产品的形式体现出来，该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，不经过创造性劳动想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。