活体检测方法、装置、计算机设备及存储介质与流程
本发明涉及活体检测，更具体地说是指活体检测方法、装置、计算机设备及存储介质。
背景技术
随着深度学习和人工智能技术的不断发展，人脸识别系统越来越多的应用于安防、智能新零售、金融、地铁、酒店、机场等需要身份验证的场景中，诸如银行远程开户、无人超商通过刷脸自动完成支付，门禁系统，地铁刷脸支付、机场自动进行人证核验等。在这些高安全级别的应用领域，特别是涉及到刷脸支付等和金钱相关的领域，除了确保被验证者的人脸相似度符合数据库中存储的数据外，还需要确认被验证者是一个合法的生物活体，也就是说人脸识别系统需要能够防范恶意攻击者使用照片、3d人脸模型、面具或手机视频等方式进行攻击。
解决上述问题的方法通常称之为活体检测，通过判断获取到的生物特征是否为一个有生命、在现场、真实的人。目前市场上的3d活体检测技术产品还没有公认成熟的活体验证方案，现有3d活体检测技术几乎完全依赖硬件设备，诸如红外相机、深度相机，而且只能防范静态照片攻击，对3d面具、高清视频攻击效果不好。中国专利201580000356.8公开了一种活体检测方法及设备、计算机程序产品，具体是从拍摄图像中检测人脸动作，根据人脸动作进行活体检测，这种方法很容易被视频或面具攻击。中国专利201610371250.5公开了一种活体检测方法和活体检测系统，是通过一个深度图像和一个rgb彩色图像中人脸区域是否相互对应，从而确定是否为人体活体，但是该技术对面具或三维视频没有很好的防攻击方法，综上所述，目前3d活体检测方法对静态图片攻击比较有效，对面具和三维仿真人脸、视频攻击没有有效方法。
因此，有必要设计一种新的方法，实现有效防御面具、三维仿真人脸、视频等非活体攻击，极大提高了人脸识别的准确性。
技术实现要素：
本发明的目的在于克服现有技术的缺陷，提供活体检测方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：活体检测方法，包括：
获取人脸图像；
对人脸图像进行检测以获取待测人脸区域；
分析待测人脸区域，根据分析结果进行活体人脸、人脸活体防攻击以及人脸三维面具防攻击的判定，获取判定结果；
输出判定结果。
其进一步技术方案为：所述获取人脸图像，包括：
获取彩色图像以及红外深度图像，以得到人脸图像。
其进一步技术方案为：所述对人脸图像进行检测以获取待测人脸区域，包括：
连续采集若干张彩色图像；
对若干张彩色图像依次通过深度学习模型检测人脸，以获取彩色图像内的人脸区域；
根据彩色图像的人脸区域确定红外深度图像中对应的人脸区域，以得到待测人脸区域。
其进一步技术方案为：所述分析待测人脸区域，根据分析结果进行活体人脸、人脸活体防攻击以及人脸三维面具防攻击的判定，获取判定结果，包括：
判断红外深度图像的人脸区域内有深度信息的像素点占红外深度图像的人脸区域的比重是否超过预设阈值；
若是，则判断待检测人脸区域指定范围内是否存在边框；
若否，则分析待测人脸区域的屏幕像素纹理；
根据屏幕像素纹理分析结果判断待测人脸区域是否存在预设情况；
若否，采用surf算法判定待测人脸区域是否满足预设条件；
若是，则待测人脸区域的对象为活体人脸，以形成判定结果。
其进一步技术方案为：所述采用surf算法判定待测人脸区域是否满足预设条件，包括：
获取若干张彩色图像的人脸区域surf特征点；
匹配surf特征点，以获取匹配结果；
判断所述匹配结果内的匹配数目是否大于匹配阈值；
若否，则待测人脸区域满足预设条件；
若是，则待测人脸区域不满足预设条件。
其进一步技术方案为：所述判断红外深度图像内有深度信息的像素点占待测人脸区域的比重是否超过预设阈值之后，还包括：
若否，则待测人脸区域的对象为非活体人脸，以形成判定结果。
其进一步技术方案为：所述判断待检测人脸区域指定范围内是否存在边框之后，还包括：
若是，则待测人脸区域的对象为非活体人脸，以形成判定结果。
本发明还提供了活体检测装置，包括：
图像获取单元，用于获取人脸图像；
区域获取单元，用于对人脸图像进行检测以获取待测人脸区域；
判定单元，用于分析待测人脸区域，根据分析结果进行活体人脸、人脸活体防攻击以及人脸三维面具防攻击的判定，获取判定结果；
输出单元，用于输出判定结果。
本发明还提供了一种计算机设备，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计算机程序时实现上述的活体检测方法。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述的活体检测方法。
本发明与现有技术相比的有益效果是：本发明通过获取彩色图像以及红外深度图像，通过对彩色图像进行深度学习模型检测人脸，结合分析待测人脸区域的屏幕像素纹理，以及采用surf算法判定待测人脸区域是否满足预设条件，对人脸区域进行活体人脸判定以及人脸活体、人脸三维面具的防攻击判定，极大提高了三维仿真面具、视频和一般图片的防攻击能力，有效防御面具、三维仿真人脸、视频非活体攻击，极大提高了人脸识别的准确性。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
图1为本发明具体实施例提供的活体检测方法的应用场景图；
图2为本发明实施例提供的活体检测方法的流程示意图；
图3为本发明实施例提供的活体检测方法的子流程示意图；
图4为本发明实施例提供的活体检测方法的子流程示意图；
图5为本发明实施例提供的活体检测方法的子流程示意图；
图6为本发明实施例提供的活体检测装置的示意性框图；
图7为本发明实施例提供的活体检测装置的区域获取单元的示意性框图；
图8为本发明实施例提供的活体检测装置的判定单元的示意性框图；
图9为本发明实施例提供的活体检测装置的三维面具判定子单元的示意性框图；
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的活体检测方法的应用场景示意图。图2为本发明实施例提供的活体检测方法的示意性流程图。该活体检测方法可应用于服务器20中，以活体检测平台的形式存在，该服务器20可与用户终端10进行数据交互。其中，用户终端10的使用者通常为某一使用平台的用户，例如支付平台的用户，其可通过用户终端10的检测app向服务器20发送人脸图像，服务器20根据所接收到的人脸图像而向终端反馈相应的判定结果。
另外，上述的活动检测方法还可以应用于移动终端，以活体检测app的形式存在，使用者通过活体检测app获取人脸图像后，移动终端内部根据人脸图像进行活体检测，并显示相应的判定结果。
如图2所示，本发明实施例的活体检测方法包括步骤s110～s140。
s110、获取人脸图像。
在本实施例中，人脸图像是指采用3d摄像头拍摄获取的人脸图像。具体地，可通过移动终端的检测app点击获取人脸图像，利用移动终端上集成的3d摄像头拍摄人脸图像。
具体地，通过获取彩色图像以及红外深度图像，以得到人脸图像。3d摄像头自带sdk(软件开发工具包，softwaredevelopmentkit)，调用sdk可获取带深度信息的红外深度图像，利用3d摄像头中的传感器获取空间深度和红外图像，先获取红外图像的帧源，从帧源打开帧读取器，循环从帧读取器内读取深度图像的缓存信息，该缓存信息包含每个点的深度信息，并且是一维的，将该缓存信息植入红外图像中，以得到红外深度图像。
在本实施例中，红外深度图像的像素值反映场景中物体到相机的距离，通过两个rgb摄像头或一个红外摄像头和一个rgb摄像头组成的双目摄像头获取得到的图像为红外深度图像。
s120、对人脸图像进行检测以获取待测人脸区域。
在本实施例中，待测人脸区域是指从彩色图像和红外深度图像中分析获取的人脸所在区域。具体地，需要先将人脸区域与背景区域进行区分，以提高检测效率。
在一实施例中，如图3所示，所述步骤s120可包括步骤s121～s123。
s121、连续采集若干张彩色图像。
在本实施例中，采用3d摄像头连续获取若干张彩色图像，一般为至少6张。
s122、对若干张彩色图像依次通过深度学习模型检测人脸，以获取彩色图像内的人脸区域。
在本实施例中，将若干张彩色图像依次通过开源mtcnn(人脸检测，multi-taskcascadedconvolutionalnetworks)深度学习模型检测人脸。该深度学习是一种机器学习方法。
具体地，检测人脸过程中，先将彩色图像按照不同的缩放比例，缩放成不同大小的图片，形成图像的特征金字塔；采用全卷积神经网络，获得候选窗体和边界回归向量，用该边界框做回归，候选窗体根据边界框进行校准，利用nms(非极大值抑制，nonmaximumsuppression)方法去除重叠窗体；将确定的包含候选窗体的图像在r-net网络中训练，网络最后选用全连接的方式进行训练。利用边界框向量的回归值微调候选窗体，再利用nms去除重叠窗体。网络结构比r-net多一层卷积，功能与r-net作用一样，只是在去除重叠候选窗口的同时，显示五个人脸关键点定位。
s123、根据彩色图像的人脸区域确定红外深度图像中对应的人脸区域，以得到待测人脸区域。
在本实施例中，从彩色图像确定的人脸区域的位置，在红外深度图像中获取同一位置的人脸区域，以此确定待测人脸区域。
s130、分析待测人脸区域，根据分析结果进行活体人脸、人脸活体防攻击以及人脸三维面具防攻击的判定，获取判定结果。
针对获取的待测人脸区域进行活体人脸的判定、人脸活体防攻击和人脸三维面具防攻击的判定，实现了在无需用户主动配合的情况下，有效防御面具、三维仿真人脸、视频等非活体攻击，极大提高了人脸识别系统的准确性、易用性和用户体验。
在一实施例中，如图4所示，上述的步骤s130可包括步骤s131～s137。
s131、判断红外深度图像的人脸区域内有深度信息的像素点占红外深度图像的人脸区域的比重是否超过预设阈值。
在本实施例中，深度信息是根据红外深度图像分析获取红外深度图像的关于深度的信息。
上述的预设阈值是根据实际情况设定的一个比重数值。如果在彩色图像的人脸区域存在对应的深度信息，且通过场景分析为真人，则初步判定为活体人脸；通过比较彩色图像的人脸区域和对应红外深度图像的人脸区域，如果对应红外深度图像的人脸区域中有深度信息的像素点占红外深度图像的人脸区域的比重超过70％(也可以是其他数值)，则初步判定该待测人脸区域为候选的活体人脸区域，其中70％为预设阈值，该候选的活体人脸区域是指有机会成为活体人脸区域的待测人脸区域。
s132、若否，则待测人脸区域的对象为非活体人脸，以形成判定结果。
如果在彩色图像的人脸区域不存在对应的深度信息，或者红外深度图像的人脸区域内有深度信息的像素点占红外深度图像的人脸区域的比重不超过预设阈值，则初步判定待测人脸区域为非活体人脸。如果判定为非活体人脸，则检测结束，不需要进行后续判定，直接输出非活体人脸的判定结果为非活体人脸。
s133、若是，则判断待检测人脸区域指定范围内是否存在边框。
在本实施例中，具体是通过场景分析人脸区域附近是否存在边框，于其他实施例中，可采用像素点判定是否存在边框，以进行人脸活体防攻击判定，提高人脸识别的准确性。
s134、若否，则分析待测人脸区域的屏幕像素纹理。
在本实施例中，具体是基于tamura(纹理特征)分析待测人脸区域的屏幕像素纹理，具体是利用tamura(纹理特征)算法计算粗糙度和对比度。粗糙度是反映纹理中粒度的一个量，是最基本的纹理特征。当两种纹理特征模式知识基元尺寸不同时，具有较大基元尺寸的模式给人感觉更粗糙。
首先，计算彩色图像中大小为2k×2k个像素的活动窗口，像素的平均强度值为：
对比度大小由四个因素决定：灰度动态范围、直方图上黑白部分两极分化程度、边缘锐度和重复模式的周期。一般情况下，对比度指前面两个因素，获取对比度的公式为
于其他实施例，还可以将图像库中所有照片依次进行去噪、直方图均衡、照片归整化处理，提取每个样本的hsv直方图特征。将从摄像头直接获取的人脸特征作为正样本，标签并标记为+1，将从纸质照片或显示器翻拍下来的仿冒人脸作为负样本，标签标记为-1。将所有样本放入到支持向量机进行学习，这样支持向量机会调整内部参数，达到最优。当进行检测时，支持向量机根据样本的特征自动判断是否是真实人脸。
s135、根据屏幕像素纹理分析结果判断待测人脸区域是否存在预设情况；
具体地，从纹理分析的粗糙度和对比度可以断定该待测人脸区域是否存在摩尔纹、色彩异常及人脸变形、模糊等特征，以此形成分析结果，根据是否有摩尔纹、色彩异常及人脸变形、模糊等特征来判定镜头前是否为真人，从而有效杜绝用屏幕翻拍破解人脸识别的现象发生。
s136、若否，采用surf算法判定待测人脸区域是否满足预设条件。
在本实施例中，采用surf算法人脸三维面具防攻击判定。
在一实施例中，如图5所示，上述的步骤s136可包括步骤s136a～s136e。
s136a、获取若干张彩色图像的人脸区域surf特征点。
具体地，通过构建hessian矩阵，生成所有兴趣点，用于特征的提取；构建尺度空间；定位特征点；分配特征点的主方向；生成特征点描述。
s136b、匹配surf特征点，以获取匹配结果；
在本实施例中，通过计算两个特征点间的欧式距离来确定匹配度，欧氏距离越短，代表两个特征点的匹配度越好。同时匹配还加入hessian(矩阵迹)的判断，如果两个特征点的矩阵迹正负号相同，代表这两个特征具有相同的对比度变化方向，如果不同，说明这两个特征点的对比度变化方向是相反的，即使欧氏距离为0，也直接予以排除。
具体地，是将彩色图像1和4、彩色图像2和5、彩色图像3和6依次对人脸区域进行surf特征点进行匹配。
s136c、判断所述匹配结果内的匹配数目是否大于匹配阈值。
在本实施例中，根据特征点匹配结果进一步判定该检测对象是否为活体人脸。如果三组人脸区域对应匹配特征点的数目大于匹配阈值，则判定为非活体人脸，该匹配阈值为5，当然，于其他实施例，上述的匹配阈值也可以为其他数值，依据实际情况而定。
s136d、若否，则待测人脸区域满足预设条件；
s136e、若是，则待测人脸区域不满足预设条件。
s137、若是，则待测人脸区域的对象为活体人脸，以形成判定结果。
s140、输出判定结果。
在本实施例中，将判定结果输出至用户终端10显示。
在一实施例中，上述的步骤s133之后，还包括：
若是，则返回所述s132。
在一实施例中，步骤s137之后，还包括
若否，则返回所述s132。
上述的活体检测方法，通过获取彩色图像以及红外深度图像，通过对彩色图像进行深度学习模型检测人脸，结合分析待测人脸区域的屏幕像素纹理，以及采用surf算法判定待测人脸区域是否满足预设条件，对人脸区域进行活体人脸判定以及人脸活体、人脸三维面具的防攻击判定，极大提高了三维仿真面具、视频和一般图片的防攻击能力，有效防御面具、三维仿真人脸、视频非活体攻击，极大提高了人脸识别的准确性。
请参阅图6，图6为本发明实施例提供的活体检测装置200的示意性框图，如图6所示，该活体检测装置200，包括：
图像获取单元201，用于获取人脸图像；
区域获取单元202，用于对人脸图像进行检测以获取待测人脸区域；
判定单元203，用于分析待测人脸区域，根据分析结果进行活体人脸、人脸活体防攻击以及人脸三维面具防攻击的判定，获取判定结果；
输出单元204，用于输出判定结果。
在一实施例中，如图7所示，上述的区域获取单元202包括：
图像采集子单元2021，用于连续采集若干张彩色图像；
检测子单元2022，用于对若干张彩色图像依次通过深度学习模型检测人脸，以获取彩色图像内的人脸区域；
确定子单元2023，用于根据彩色图像的人脸区域确定红外深度图像中对应的人脸区域，以得到待测人脸区域。
在一实施例中，如图8所示，上述的判定单元203包括：
占比判断子单元2031，用于判断红外深度图像的人脸区域内有深度信息的像素点占红外深度图像的人脸区域的比重是否超过预设阈值。
边框判定子单元2032，用于若是，则判断待检测人脸区域指定范围内是否存在边框。
纹理分析子单元2033，用于若否，则分析待测人脸区域的屏幕像素纹理。
纹理判定子单元2034，用于根据屏幕像素纹理分析结果判断待测人脸区域是否存在预设情况。
三维面具判定子单元2035，用于若否，采用surf算法判定待测人脸区域是否满足预设条件。
活体结果形成子单元2036，用于若是，则待测人脸区域的对象为活体人脸，以形成判定结果。
非活体结果形成子单元2037，用于若是，则待测人脸区域的对象为非活体人脸，以形成判定结果。
在一实施例中，如图9所示，上述的三维面具判定子单元2035包括：
特征点获取模块2035a，用于获取若干张彩色图像的人脸区域surf特征点.
匹配模块2035b，用于匹配surf特征点，以获取匹配结果。
数目判断模块2035c，用于判断所述匹配结果内的匹配数目是否大于匹配阈值；若否，则待测人脸区域满足预设条件；若是，则待测人脸区域不满足预设条件。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述活体检测装置400和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述活体检测装置200可以实现为一种计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10，图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图10，该计算机设备300包括通过系统总线301连接的处理器302、存储器和网络接口305，其中，存储器可以包括非易失性存储介质503和内存储器304。
该非易失性存储介质303可存储操作系统3031和计算机程序3032。该计算机程序3032包括程序指令，该程序指令被执行时，可使得处理器302执行一种活体检测方法。
该处理器302用于提供计算和控制能力，以支撑整个计算机设备300的运行。
该内存储器304为非易失性存储介质303中的计算机程序3032的运行提供环境，该计算机程序3032被处理器302执行时，可使得处理器302执行一种活体检测方法。
该网络接口305用于与其它设备进行网络通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备300的限定，具体的计算机设备300可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器302用于运行存储在存储器中的计算机程序3032，以实现如下步骤：
获取人脸图像；
对人脸图像进行检测以获取待测人脸区域；
分析待测人脸区域，根据分析结果进行活体人脸、人脸活体防攻击以及人脸三维面具防攻击的判定，获取判定结果；
输出判定结果。
在一实施例中，处理器302在实现所述获取人脸图像步骤时，具体实现如下步骤：获取彩色图像以及红外深度图像，以得到人脸图像。
在一实施例中，处理器302在实现所述对人脸图像进行检测以获取待测人脸区域步骤时，具体实现如下步骤：
连续采集若干张彩色图像；
对若干张彩色图像依次通过深度学习模型检测人脸，以获取彩色图像内的人脸区域；
根据彩色图像的人脸区域确定红外深度图像中对应的人脸区域，以得到待测人脸区域。
在一实施例中，处理器302在实现所述分析待测人脸区域，根据分析结果进行活体人脸、人脸活体防攻击以及人脸三维面具防攻击的判定，获取判定结果步骤时，具体实现如下步骤：
判断红外深度图像的人脸区域内有深度信息的像素点占红外深度图像的人脸区域的比重是否超过预设阈值；
若是，则判断待检测人脸区域指定范围内是否存在边框；
若否，则分析待测人脸区域的屏幕像素纹理；
根据屏幕像素纹理分析结果判断待测人脸区域是否存在预设情况；
若否，采用surf算法判定待测人脸区域是否满足预设条件；
若是，则待测人脸区域的对象为活体人脸，以形成判定结果。
在一实施例中，处理器302在实现所述采用surf算法判定待测人脸区域是否满足预设条件步骤时，具体实现如下步骤：
获取若干张彩色图像的人脸区域surf特征点；
匹配surf特征点，以获取匹配结果；
判断所述匹配结果内的匹配数目是否大于匹配阈值；
若否，则待测人脸区域满足预设条件；
若是，则待测人脸区域不满足预设条件。
在一实施例中，处理器302在实现所述判断红外深度图像内有深度信息的像素点占待测人脸区域的比重是否超过预设阈值步骤之后，还实现如下步骤：
若否，则待测人脸区域的对象为非活体人脸，以形成判定结果。
在一实施例中，处理器302在实现所述判断待检测人脸区域指定范围内是否存在边框步骤之后，还实现如下步骤：
若是，则待测人脸区域的对象为非活体人脸，以形成判定结果。
应当理解，在本申请实施例中，处理器302可以是中央处理单元(centralprocessingunit，cpu)，该处理器302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。其中，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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤：
获取人脸图像；
对人脸图像进行检测以获取待测人脸区域；
分析待测人脸区域，根据分析结果进行活体人脸、人脸活体防攻击以及人脸三维面具防攻击的判定，获取判定结果；
输出判定结果。
在一实施例中，所述处理器在执行所述程序指令而实现所述获取人脸图像步骤时，具体实现如下步骤：获取彩色图像以及红外深度图像，以得到人脸图像。
在一实施例中，所述处理器在执行所述程序指令而实现所述对人脸图像进行检测以获取待测人脸区域步骤时，具体实现如下步骤：
连续采集若干张彩色图像；
对若干张彩色图像依次通过深度学习模型检测人脸，以获取彩色图像内的人脸区域；
根据彩色图像的人脸区域确定红外深度图像中对应的人脸区域，以得到待测人脸区域。
在一实施例中，所述处理器在执行所述程序指令而实现所述分析待测人脸区域，根据分析结果进行活体人脸、人脸活体防攻击以及人脸三维面具防攻击的判定，获取判定结果步骤时，具体实现如下步骤：
判断红外深度图像的人脸区域内有深度信息的像素点占红外深度图像的人脸区域的比重是否超过预设阈值；
若是，则判断待检测人脸区域指定范围内是否存在边框；
若否，则分析待测人脸区域的屏幕像素纹理；
根据屏幕像素纹理分析结果判断待测人脸区域是否存在预设情况；
若否，采用surf算法判定待测人脸区域是否满足预设条件；
若是，则待测人脸区域的对象为活体人脸，以形成判定结果。
在一实施例中，所述处理器在执行所述程序指令而实现所述采用surf算法判定待测人脸区域是否满足预设条件步骤时，具体实现如下步骤：
获取若干张彩色图像的人脸区域surf特征点；
匹配surf特征点，以获取匹配结果；
判断所述匹配结果内的匹配数目是否大于匹配阈值；
若否，则待测人脸区域满足预设条件；
若是，则待测人脸区域不满足预设条件。
在一实施例中，所述处理器在执行所述程序指令而实现所述判断红外深度图像内有深度信息的像素点占待测人脸区域的比重是否超过预设阈值步骤之后，还实现如下步骤：
若否，则待测人脸区域的对象为非活体人脸，以形成判定结果。
在一实施例中，所述处理器在执行所述程序指令而实现所述判断待检测人脸区域指定范围内是否存在边框步骤之后，还实现如下步骤：
若是，则待测人脸区域的对象为非活体人脸，以形成判定结果。
所述存储介质可以是u盘、移动硬盘、只读存储器(read-onlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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，各个单元的划分，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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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，也可以是两个或两个以上单元集成在一个单元中。
该集成的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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分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，终端，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。
上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。
- 还没有人留言评论。精彩留言会获得点赞！