一种人脸活体检测方法、装置、电子设备及存储介质与流程

1.本公开涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，可应用于活体检测等场景。


背景技术：

2.现有技术中，传统的人脸活体算法应用于人脸活体检测模型时，对于真实场景中人脸姿态过大、光照差异较大或攻击方式多样时的准确性较差，导致识别效果并不理想。


技术实现要素：

3.本公开提供了一种用于人脸活体检测的方法、装置、电子设备以及存储介质。
4.根据本公开的第一方面，提供了一种人脸活体检测方法，包括：
5.从第一可见光图像中提取第一可见光特征；
6.从第一近红外图像中提取第一近红外特征，其中，所述第一可见光图像与所述第一近红外图像包含相同的人脸对象；
7.将第二可见光特征及第二近红外特征进行融合，得到融合特征，其中，所述第一可见光特征包括所述第二可见光特征，所述第一近红外特征包括所述第二近红外特征；
8.根据所述融合特征，确定所述人脸对象的融合活体检测结果；
9.根据第三可见光特征及第三近红外特征，分别确定可见光活体检测结果及近红外活体检测结果，其中，所述第一可见光特征包括所述第三可见光特征，所述第一近红外特征包括所述第三近红外特征；
10.根据所述融合活体检测结果、所述可见光活体检测结果和所述近红外活体检测结果，确定人脸活体检测结果。
11.根据本公开的第二方面，提供了一种人脸活体检测模型训练方法，包括：
12.获取包含同一样本人脸对象的可见光样本图像和近红外样本图像，以及获取所述样本人脸对象的标签，所述标签表示所述样本人脸对象是否为活体人脸；
13.利用人脸活体检测模型的可见光特征提取网络及近红外特征提取网络，对所述可见光样本图像和所述近红外样本图像进行特征提取，分别得到第一样本可见光特征及第一样本近红外特征；
14.将第二样本可见光特征及第二样本近红外特征进行融合，得到样本融合特征，其中，所述第一样本可见光特征包括所述第二样本可见光特征，所述第一样本近红外特征包括所述第二样本近红外特征；
15.利用所述人脸活体检测模型的各分类网络，对所述样本融合特征、第三样本可见光特征及第三样本近红外特征进行预测，分别得到所述样本人脸对象的融合活体预测结果、可见光活体预测结果及近红外活体预测结果，其中，所述第一样本可见光特征包括所述第三样本可见光特征，所述第一样本近红外特征包括所述第三样本近红外特征；
16.根据所述融合活体预测结果、所述可见光活体预测结果、所述近红外活体预测结
果，确定所述样本人脸对象的人脸活体预测结果；
17.根据所述样本人脸对象的人脸活体预测结果及所述标签，调整人脸活体检测模型的参数。
18.根据本公开的第三方面，提供了一种人脸活体检测装置，包括：
19.第一特征提取模块，用于从第一可见光图像中提取第一可见光特征；
20.第二特征提取模块，用于从第一近红外图像中提取第一近红外特征，其中，所述第一可见光图像与所述第一近红外图像包含相同的人脸对象；
21.特征融合模块，用于将第二可见光特征及第二近红外特征进行融合，得到融合特征，其中，所述第一可见光特征包括所述第二可见光特征，所述第一近红外特征包括所述第二近红外特征；
22.第一确定模块，用于根据所述融合特征，确定所述人脸对象的融合活体检测结果；
23.第二确定模块，用于根据第三可见光特征及第三近红外特征，分别确定可见光活体检测结果及近红外活体检测结果，其中，所述第一可见光特征包括所述第三可见光特征，所述第一近红外特征包括所述第三近红外特征；
24.第三确定模块，用于根据所述融合活体检测结果、所述可见光活体检测结果和所述近红外活体检测结果，确定人脸活体检测结果。
25.根据本公开的第四方面，提供了一种人脸活体检测模型训练装置，包括：
26.样本图像及标签获取模块，用于获取包含同一样本人脸对象的可见光样本图像和近红外样本图像，以及获取所述样本人脸对象的标签，所述标签表示所述样本人脸对象是否为活体人脸；
27.样本特征提取模块，用于利用人脸活体检测模型的可见光特征提取网络及近红外特征提取网络，对所述可见光样本图像和所述近红外样本图像进行特征提取，分别得到第一样本可见光特征及第一样本近红外特征；
28.样本特征融合模块，用于将第二样本可见光特征及第二样本近红外特征进行融合，得到样本融合特征，其中，所述第一样本可见光特征包括所述第二样本可见光特征，所述第一样本近红外特征包括所述第二样本近红外特征；
29.预测结果获取模块，用于利用所述人脸活体检测模型的各分类网络，对所述样本融合特征、第三样本可见光特征及第三样本近红外特征进行预测，分别得到所述样本人脸对象的融合活体预测结果、可见光活体预测结果及近红外活体预测结果，其中，所述第一样本可见光特征包括所述第三样本可见光特征，所述第一样本近红外特征包括所述第三样本近红外特征；
30.确定模块，用于根据所述融合活体预测结果、所述可见光活体预测结果、所述近红外活体预测结果，确定所述样本人脸对象的人脸活体预测结果；
31.参数调整模块，用于根据所述样本人脸对象的人脸活体预测结果及所述标签，调整人脸活体检测模型的参数。
32.根据本公开的第五方面，提供了一种电子设备，包括：
33.至少一个处理器；以及
34.与所述至少一个处理器通信连接的存储器；其中，
35.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一
个处理器执行，以使所述至少一个处理器能够执行本公开中任一项所述的方法。
36.根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。
37.根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开中任一项所述的方法。
38.本公开实施例有益效果：
39.本公开实施例提供的一种人脸活体检测方法、装置、电子设备及存储介质，提高了人脸活体检测的准确性。
40.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
41.附图用于更好地理解本方案，不构成对本公开的限定。其中：
42.图1是根据本公开第一实施例的示意图；
43.图2是根据本公开第二实施例的示意图；
44.图3是根据本公开第三实施例的示意图；
45.图4a是本公开实施例提供的人脸活体检测模型训练方法的一种流程示意图；
46.图4b是本公开实施例提供的基于特征金字塔网络的人脸活体检测网络的一种结构示意图；
47.图5是本公开实施例提供的人脸活体检测装置的第一种结构示意图；
48.图6是本公开实施例提供的人脸活体检测装置的第二种结构示意图；
49.图7是本公开实施例提供的人脸活体检测装置的第三种结构示意图；
50.图8为本公开实施例提供的人脸活体检测模型训练装置的一种结构示意图；
51.图9是用来实现本公开实施例的人脸活体检测方法及人脸活体检测模型训练方法的电子设备的框图。
具体实施方式
52.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
53.为了提高人脸活体检测的准确性，本公开实施例提供了一种人脸活体检测方法、装置、电子设备及存储介质。
54.首先，对本公开实施例提供的一种人脸活体检测方法进行详细说明，参见图1，包括以下步骤：
55.步骤s101，从第一可见光图像中提取第一可见光特征；
56.步骤s102，从第一近红外图像中提取第一近红外特征，其中，所述第一可见光图像与所述第一近红外图像包含相同的人脸对象；
57.每张可见光图像都有与其对应的近红外图像，在光照条件不好等情况下，可见光
图像中很多信息会丢失或者看不到，而近红外图像的波长比较长，可以获得更多的细节信息，二者包含相同的人脸对象。
58.分别对第一可见光图像和第一近红外图像进行特征提取，得到第一可见光特征与第一近红外特征。其中，图像的特征是指从图像中提取有用的数据或信息，得到图像的“非图像”的表示或描述，例如数值、向量和符号等，这一过程就是图像特征提取，而提取出来的这些“非图像”的表示或描述就是图像的特征。
59.步骤s103，将第二可见光特征及第二近红外特征进行融合，得到融合特征，其中，所述第一可见光特征包括所述第二可见光特征，所述第一近红外特征包括所述第二近红外特征；
60.分别对第一可见光图像和第一近红外图像进行特征提取后，得到第一可见光特征与第一近红外特征，第一可见光特征中包括第二可见光特征，第一近红外特征中包括第二近红外特征，将第二可见光特征及第二近红外特征进行融合，得到融合特征。其中，特征融合是将图像中提取出来的特征进行组合。在深度学习任务中，可以基于特征金字塔网络采用按元素进行相加的方式进行特征融合，得到融合特征。也就是说，可以将第二可见光特征及第二近红外特征以相加的方式进行融合，得到融合特征。
61.步骤s104，根据所述融合特征，确定所述人脸对象的融合活体检测结果；
62.根据得到的融合特征，分别对每个融合特征进行人脸对象活体检测，确定人脸对象的融合活体检测结果。
63.步骤s105，根据第三可见光特征及第三近红外特征，分别确定可见光活体检测结果及近红外活体检测结果，其中，所述第一可见光特征包括所述第三可见光特征，所述第一近红外特征包括所述第三近红外特征；
64.如上述分析可知，将第二可见光特征及第二近红外特征进行融合，得到融合特征，基于融合特征确定人脸对象的融合活体检测结果。为了提高人脸对象活体检测结果的准确性，再基于第三可见光特征及第三近红外特征分别确定人脸对象的可见光活体检测结果及近红外活体检测结果，增加支撑检测结果的数据量。其中，第一可见光特征包括第三可见光特征，第一近红外特征包括第三近红外特征。
65.具体的，将第三可见光特征输入到可见光分类网络中，可见光分类网络为二分类网络，通过该二分类网络判断人脸对象的可见光活体检测结果是否为真实，得到人脸对象的可见光活体检测结果。
66.将第三近红外特征输入到近红外分类网络中，近红外分类网络为二分类网络，通过该二分类网络判断人脸对象的近红外活体检测结果是否为真实，得到人脸对象的近红外活体检测结果。
67.步骤s106，根据所述融合活体检测结果、所述可见光活体检测结果和所述近红外活体检测结果，确定人脸活体检测结果。
68.一个例子中，可见光活体检测结果及近红外活体检测结果均为真实，融合活体检测结果中，真实结果数据量大于等于总数据量的二分之一时，可以确定待检测人脸对象的人脸活体检测结果为真实，即待检测人脸对象为活体。
69.在上述实施例中，将第二可见光特征及第二近红外特征进行融合得到融合特征；根据融合特征，确定人脸对象的融合活体检测结果；再根据第三可见光特征及第三近红外
特征，分别确定可见光活体检测结果及近红外活体检测结果；最后根据融合活体检测结果、可见光活体检测结果和近红外活体检测结果，确定人脸活体检测结果。通过将人脸对象的可见光特征与近红外特征进行融合，获取到融合特征，与现有技术中仅利用可见光特征和近红外特征进行人脸活体检测相比，本公开实施例增加了融合特征这一要素，进而在人脸活体检测过程中增加了融合活体检测结果，因此提高了人脸活体检测的准确性。
70.参见图2，为本公开实施例提供的人脸活体检测方法的第二种流程示意图，基于图1分别对步骤s101和步骤s102作了细化，包括以下步骤：
71.步骤s201，通过将所述第一可见光图像输入可见光特征提取网络，并根据所述可见光特征提取网络的至少两个预设卷积层区域的输出，获取至少两个所述第一可见光特征；
72.可见光特征提取网络可以是vgg11网络，vgg11网络有11个参数层，其中包括8个卷积层，3个全连接层。本公开实施例采用的vgg11网络中包括至少两个预设卷积层区域，每个预设卷积层区域均输出第一可见光特征，提取到至少两个第一可见光特征。一个例子中，该预设卷积层区域的数量可以为四个。
73.步骤s202，通过将所述第一近红外图像输入近红外特征提取网络，并根据所述近红外特征提取网络的至少两个预设卷积层区域的输出，获取至少两个所述第一近红外特征；
74.近红外特征提取网络与可见光特征提取网络结构相同，即近红外特征提取网络也采用vgg11网络，同理，近红外特征提取网络中包括至少两个预设卷积层区域，其预设卷积层区域数量与可见光特征提取网络中的预设卷积层区域数量相同。其中，每个预设卷积层区域均输出第一近红外特征，提取到至少两个第一近红外特征。一个例子中，该预设卷积层区域的数量可以为四个。
75.其中，所述人脸活体检测模型包括：所述可见光特征提取网络和所述近红外特征提取网络。
76.可见光特征提取网络与近红外特征提取网络为相同的vgg11网络，二者包括相同的预设卷积层数量。卷积神经网络将可见光特征提取网络与近红外特征提取网络作为人脸活体检测模型的主结构，进行人脸对象活体检测。
77.在上述实施例中，通过将第一可见光图像输入可见光特征提取网络，并根据可见光特征提取网络的至少两个预设卷积层区域的输出，获取至少两个第一可见光特征；通过将第一近红外图像输入近红外特征提取网络，并根据近红外特征提取网络的至少两个预设卷积层区域的输出，获取至少两个第一近红外特征。实现了对第一可见光特征及第一近红外特征的提取。可见光特征提取网络及近红外特征提取网络均包括多个预设卷积层区域，每个预设卷积层区域均输出第一可见光特征及第一近红外特征，提取到多个第一可见光特征及第一近红外特征，实现了特征提取中的特征多样性。
78.在一种可能的实施方式中，所述第三可见光特征为所述可见光特征提取网络的最后一个预设卷积层区域输出的第一可见光特征；所述第二可见光特征包括所述第三可见光特征；
79.所述第三近红外特征为所述近红外特征提取网络的最后一个预设卷积层区域输出的第一近红外特征；所述第二近红外特征包括所述第三近红外特征；
80.所述融合特征包括目标融合特征，所述目标融合特征由第三近红外特征及第三可见光特征融合得到。
81.一个例子中，针对可见光特征提取网络，所述预设卷积层区域的数量可以为四个。每个预设卷积层区域均输出第一可见光特征，所述第一可见光特征包括第二可见光特征，所述第二可见光特征包括第三可见光特征，所述第三可见光特征为可见光特征提取网络的第四个预设卷积层区域输出的第一可见光特征。
82.一个例子中，针对近红外特征提取网络，所述预设卷积层区域的数量可以为四个。每个预设卷积层区域均输出第一近红外特征，所述第一近红外特征包括第二近红外特征，所述第二近红外特征包括第三近红外特征，所述第三近红外特征为近红外特征提取网络的第四个预设卷积层区域输出的第一近红外特征。
83.将第二可见光特征及第二近红外特征进行融合，得到融合特征；该融合特征包括目标融合特征，目标融合特征由第三近红外特征及第三可见光特征融合得到。一个例子中，目标融合特征可以是可见光特征提取网络的第四个预设卷积层区域输出的第一可见光特征与近红外特征提取网络的第四个预设卷积层区域输出的第一近红外特征融合得到的特征。
84.第一可见光特征为可见光特征提取网络中的每个预设卷积层区域输出的可见光特征，第二可见光特征为特征融合时所使用到的可见光特征。一个例子中，第一可见光特征与第二可见光特征可以部分相同，例如，第一可见光特征可以是4个，第二可见光特征可以是第一可见光特征中的3个特征(不包括第三可见光特征)；一个例子中，第一可见光特征与第二可见光特征可以全部相同，例如，第一可见光特征可以是4个，第二可见光特征可以相同于第一可见光特征中的所有特征(包括第三可见光特征)。
85.第一近红外特征为近红外特征提取网络中的每个预设卷积层区域输出的近红外特征，第二近红外特征为特征融合时所使用到的近红外特征。一个例子中，第一近红外特征与第二近红外特征可以部分相同，例如，第一近红外特征可以是4个，第二近红外特征可以是第一近红外特征中的3个特征(不包括第三近红外特征)；一个例子中，第一近红外特征与第二近红外特征可以全部相同，例如，第一近红外特征可以是4个，第二近红外特征可以相同于第一近红外特征中的所有特征(包括第三近红外特征)。
86.在上述实施例中，第三可见光特征为可见光特征提取网络的最后一个预设卷积层区域输出的第一可见光特征；第三近红外特征为近红外特征提取网络的最后一个预设卷积层区域输出的第一近红外特征；将第三近红外特征及第三可见光特征融合得到目标融合特征。实现了对第三可见光特征、第三近红外特征的获取以及对目标融合特征的获取。
87.在一种可能的实施方式中，所述第二可见光特征还包括：第i个可见光特征，第i个可见光特征为所述可见光特征提取网络的第i个预设卷积层区域输出的可见光特征，i为属于1到n-1的整数，n为所述可见光特征提取网络中预设卷积层区域的数量，且n大于1的整数；
88.所述第二近红外特征还包括：第i个近红外特征，第i个近红外特征为所述近红外特征提取网络的第i个预设卷积层区域输出的近红外特征；
89.所述融合特征还包括：第i个融合特征，所述第i个融合特征由第i个近红外特征、第i个可见光特征及第i+1个融合特征融合得到，第n个融合特征为所述目标融合特征；
90.所述融合活体检测结果包括：第i个融合特征的活体检测结果及目标融合特征的活体检测结果。
91.具体的，针对任意一非目标融合特征对，获取该非目标融合特征对的下一预设卷积层区域对应的融合特征，得到该非目标融合特征对的待融合特征；将该非目标融合特征对的第二可见光特征、第二近红外特征、待融合特征进行融合，得到该非目标融合特征对的预设卷积层区域对应的融合特征；其中，第i个第二可见光特征与第i个第二近红外特征组成第i个非目标融合特征对，第i个第二可见光特征为可见光特征提取网络的第i个预设卷积层区域输出的第一可见光特征，第i个第二近红外特征为近红外特征提取网络的第i个预设卷积层区域输出的第一近红外特征，第i个非目标融合特征对对应第i个预设卷积层区域。
92.一个例子中，当n的取值为4时，可见光特征提取网络可以包括第一个预设卷积层区域、第二个预设卷积层区域、第三个预设卷积层区域和第四个预设卷积层区域；近红外特征提取网络可以包括第一个预设卷积层区域、第二个预设卷积层区域、第三个预设卷积层区域和第四个预设卷积层区域。
93.可见光特征提取网络的第四个预设卷积层区域与近红外特征提取网络的第四个预设卷积层区域输出的特征相加，得到第四个融合特征，也就是目标融合特征；可见光特征提取网络的第三个预设卷积层区域与近红外特征提取网络的第三个预设卷积层区域输出的特征相加，再与第四个融合特征相加得到第三个融合特征；可见光特征提取网络的第二个预设卷积层区域与近红外特征提取网络的第二个预设卷积层区域输出的特征相加，再与第三个融合特征相加得到第二个融合特征；可见光特征提取网络的第一个预设卷积层区域与近红外特征提取网络的第一个预设卷积层区域输出的特征相加，再与第二个融合特征相加得到第一个融合特征。其中，每个预设卷积层区域输出的特征对应的特征图的尺度相同，第一个融合特征、第二个融合特征、第三个融合特征和第四个融合特征各自对应的特征图的尺度不同。
94.采用特征金字塔网络对最底层的目标融合特征进行向上采样，并与所述目标融合特征进行融合。
95.针对任一预设卷积层区域，对该预设卷积层区域对应的融合特征进行预测，每一个融合特征分别接一个二分类网络，通过该二分类网络判断人脸对象的融合活体检测结果是否为真实，得到每一个预设卷积层区域对应的人脸对象的融合活体检测结果。一个例子中，融合活体检测结果可以包括第一个融合特征、第二个融合特征与第三个融合特征的活体检测结果及目标融合特征的活体检测结果。
96.在上述实施例中，通过对目标融合特征及非目标融合特征的获取，得到了非目标融合特征的活体检测结果及目标融合特征的活体检测结果。
97.参见图3，为本公开实施例提供的人脸活体检测方法的第三种流程示意图，所述方法还包括以下步骤：
98.步骤s301，获取包含所述人脸对象的第二可见光图像及第二近红外图像；
99.第二可见光图像及第二近红外图像为处理之前的第一可见光图像及第一近红外图像。每张可见光图像都有与其对应的近红外图像，在光照条件不好等情况下，可见光图像中很多信息会丢失或者看不到，而近红外图像的波长比较长，可以获得更多的细节信息，二
者包含同一人脸对象。
100.步骤s302，对所述第二可见光图像及所述第二近红外图像进行人脸关键点检测，分别得到可见光人脸关键点及近红外人脸关键点；
101.通过可见光人脸检测模型对第二可见光图像进行人脸检测，得到第二可见光图像中人脸的位置区域；通过近红外人脸检测模型对第二近红外图像进行人脸检测，得到第二近红外图像中人脸的位置区域；其中，人脸检测模型为已有人脸检测模型，可以检测到人脸位置区域。基于所述第二可见光图像和所述第二近红外图像中人脸的位置区域，通过人脸关键点检测模型分别对所述第二可见光图像和所述第二近红外图像中的人脸关键点进行检测，得到所述第二可见光图像及所述第二近红外图像中的各人脸关键点坐标值；其中，人脸关键点检测模型为已有模型，调用已有模型，输入已检测到人脸的第二图像，得到多个人脸关键点坐标值。一个例子中，人脸关键点坐标值可以是72个，分别为(x1,y1)
…
(x72,y72)。
102.步骤s303，基于所述可见光人脸关键点及所述近红外人脸关键点，对所述第二可见光图像中的人脸区域及所述第二近红外图像中的人脸区域进行对齐，分别得到所述第三可见光图像及所述第三近红外图像；
103.根据第二可见光图像的各人脸关键点坐标值及第二近红外图像的各人脸关键点坐标值对第二可见光图像中的人脸区域及第二近红外图像中的人脸区域进行对齐，同时通过仿射变换截取仅包含人脸的区域，并将截取后的可见光图像及近红外图像调整到相同尺度。人脸关键点坐标也根据仿射变换矩阵重新映射到新的坐标。一个例子中，所述尺度可以是224x224。如果尺度太小，那么图像信息就丢失太严重，如果尺度太大，图像信息的抽象层次不够高，计算量也更大，7*7的大小是一个很好的平衡。图像从大分辨率降低到小分辨率，降低倍数通常是2的指数次方，所以图像的输入一定是7*(2的指数次方)。大多数的分类数据集，图像的长宽在300分辨率左右。因此要找一个7*(2的指数次方)，并且在300左右的分辨率作为输入，其中，7*24等于112，7*25等于224，7*26等于448，与300最接近的就是224了。
104.步骤s304，对所述第三可见光图像及所述第三近红外图像分别进行图像归一化处理，分别得到所述第一可见光图像及所述第一近红外图像。
105.分别对第三可见光图像和第三近红外图像的人脸区域进行图像归一化处理，具体的，对第三可见光图像及第三近红外图像中的每一个像素依次进行归一化处理，归一化处理的方法是：每个像素的像素值减128再除以256，使每个像素的像素值在[-0.5,0.5]之间。
[0106]
在上述实施例中，获取包含人脸对象的第二可见光图像及第二近红外图像；对第二可见光图像及第二近红外图像进行人脸关键点检测，分别得到可见光人脸关键点及近红外人脸关键点；基于可见光人脸关键点及近红外人脸关键点，对第二可见光图像中的人脸区域及第二近红外图像中的人脸区域进行对齐，分别得到第三可见光图像及第三近红外图像；对第三可见光图像及第三近红外图像分别进行图像归一化处理，分别得到第一可见光图像及第一近红外图像。实现了对包含同一人脸对象的第一可见光图像和第一近红外图像的获取。
[0107]
参见图4a，为本公开实施例提供的人脸活体检测模型训练方法的一种流程示意图，包括以下步骤：
[0108]
步骤s401，获取包含同一样本人脸对象的可见光样本图像和近红外样本图像，以
及获取所述样本人脸对象的标签，所述标签表示所述样本人脸对象是否为活体人脸；
[0109]
步骤s402，利用人脸活体检测模型的可见光特征提取网络及近红外特征提取网络，对所述可见光样本图像和所述近红外样本图像进行特征提取，分别得到第一样本可见光特征及第一样本近红外特征；
[0110]
步骤s403，将第二样本可见光特征及第二样本近红外特征进行融合，得到样本融合特征，其中，所述第一样本可见光特征包括所述第二样本可见光特征，所述第一样本近红外特征包括所述第二样本近红外特征；
[0111]
步骤s404，利用所述人脸活体检测模型的各分类网络，对所述样本融合特征、第三样本可见光特征及第三样本近红外特征进行预测，分别得到所述样本人脸对象的融合活体预测结果、可见光活体预测结果及近红外活体预测结果，其中，所述第一样本可见光特征包括所述第三样本可见光特征，所述第一样本近红外特征包括所述第三样本近红外特征；
[0112]
步骤s405，根据所述融合活体预测结果、所述可见光活体预测结果、所述近红外活体预测结果，确定所述样本人脸对象的人脸活体预测结果；
[0113]
步骤s406，根据所述样本人脸对象的人脸活体预测结果及所述标签，调整人脸活体检测模型的参数。
[0114]
参见图4b，为本公开实施例提供的基于特征金字塔网络的人脸活体检测网络的一种结构示意图。
[0115]
获取包含所述人脸对象的第二可见光图像(rgb)及第二近红外图像(nir)；
[0116]
第二可见光图像及第二近红外图像为处理之前的第一可见光图像及第一近红外图像。具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0117]
对所述第二可见光图像及所述第二近红外图像进行人脸关键点检测，分别得到可见光人脸关键点及近红外人脸关键点；
[0118]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0119]
基于所述可见光人脸关键点及所述近红外人脸关键点，对所述第二可见光图像中的人脸区域及所述第二近红外图像中的人脸区域进行对齐，分别得到所述第三可见光图像及所述第三近红外图像；
[0120]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0121]
对所述第三可见光图像及所述第三近红外图像分别进行图像归一化处理，分别得到所述第一可见光图像及所述第一近红外图像。
[0122]
具体的，对第三可见光图像及第三近红外图像中的每一个像素依次进行归一化处理，归一化处理的方法是：每个像素的像素值减128再除以256，使每个像素的像素值在[-0.5,0.5]之间。将归一化处理后的可见光图像及近红外图像进行随机数据增强处理，如随机翻转、随机缩放、颜色扰动等常见数据增强方法。
[0123]
从第一可见光图像中提取第一可见光特征；
[0124]
从第一近红外图像中提取第一近红外特征，其中，所述第一可见光图像与所述第一近红外图像包含相同的人脸对象；
[0125]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0126]
将第二可见光特征及第二近红外特征进行融合，得到融合特征，其中，所述第一可见光特征包括所述第二可见光特征，所述第一近红外特征包括所述第二近红外特征；
[0127]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0128]
根据所述融合特征，确定所述人脸对象的融合活体检测结果；
[0129]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0130]
根据第三可见光特征及第三近红外特征，分别确定可见光活体检测结果及近红外活体检测结果，其中，所述第一可见光特征包括所述第三可见光特征，所述第一近红外特征包括所述第三近红外特征；
[0131]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0132]
根据所述融合活体检测结果、所述可见光活体检测结果和所述近红外活体检测结果，确定人脸活体检测结果。
[0133]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0134]
通过将所述第一可见光图像输入可见光特征提取网络，并根据所述可见光特征提取网络的至少两个预设卷积层区域的输出，获取至少两个所述第一可见光特征；
[0135]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0136]
通过将所述第一近红外图像输入近红外特征提取网络，并根据所述近红外特征提取网络的至少两个预设卷积层区域的输出，获取至少两个所述第一近红外特征；
[0137]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0138]
其中，所述人脸活体检测模型包括：所述可见光特征提取网络和所述近红外特征提取网络。
[0139]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0140]
所述第三可见光特征为所述可见光特征提取网络的最后一个预设卷积层区域输出的第一可见光特征；所述第二可见光特征包括所述第三可见光特征；
[0141]
所述第三近红外特征为所述近红外特征提取网络的最后一个预设卷积层区域输出的第一近红外特征；所述第二近红外特征包括所述第三近红外特征；
[0142]
所述融合特征包括目标融合特征，所述目标融合特征由第三近红外特征及第三可见光特征融合得到。
[0143]
具体分析同上述人脸活体检测方法的分析过程，此处不再进行赘述。
[0144]
所述第二可见光特征还包括：第i个可见光特征，第i个可见光特征为所述可见光特征提取网络的第i个预设卷积层区域输出的可见光特征，i为属于1到n-1的整数，n为所述可见光特征提取网络中预设卷积层区域的数量，且n大于1的整数；
[0145]
所述第二近红外特征还包括：第i个近红外特征，第i个近红外特征为所述近红外特征提取网络的第i个预设卷积层区域输出的近红外特征；
[0146]
所述融合特征还包括：第i个融合特征，所述第i个融合特征由第i个近红外特征、第i个可见光特征及第i+1个融合特征融合得到，第n个融合特征为所述目标融合特征；
[0147]
所述融合活体检测结果包括：第i个融合特征的活体检测结果及目标融合特征的活体检测结果。
[0148]
一个例子中，当n的取值为4时，可见光特征提取网络可以包括第一个预设卷积层区域(block1)、第二个预设卷积层区域(block2)、第三个预设卷积层区域(block3)和第四个预设卷积层区域(block4)；近红外特征提取网络可以包括第一个预设卷积层区域(block1)、第二个预设卷积层区域(block2)、第三个预设卷积层区域(block3)和第四个预
设卷积层区域(block4)。
[0149]
可见光特征提取网络的第四个预设卷积层区域与近红外特征提取网络的第四个预设卷积层区域输出的特征相加，得到第四个融合特征，也就是目标融合特征；可见光特征提取网络的第三个预设卷积层区域与近红外特征提取网络的第三个预设卷积层区域输出的特征相加，再与第四个融合特征相加得到第三个融合特征；可见光特征提取网络的第二个预设卷积层区域与近红外特征提取网络的第二个预设卷积层区域输出的特征相加，再与第三个融合特征相加得到第二个融合特征；可见光特征提取网络的第一个预设卷积层区域与近红外特征提取网络的第一个预设卷积层区域输出的特征相加，再与第二个融合特征相加得到第一个融合特征。其中，每个预设卷积层区域输出的特征对应的特征图的尺度相同，第一个融合特征、第二个融合特征、第三个融合特征和第四个融合特征各自对应的特征图的尺度不同。
[0150]
采用特征金字塔网络对最底层的目标融合特征进行向上采样，并与所述目标融合特征进行融合。
[0151]
针对任一预设卷积层区域，对该预设卷积层区域对应的融合特征进行预测，每一个融合特征分别接一个二分类网络，通过该二分类网络判断人脸对象的融合活体检测结果是否为真实，得到每一个预设卷积层区域对应的人脸对象的融合活体检测结果。一个例子中，所述第一个融合特征、第二个融合特征、第三个融合特征和目标融合特征分别连接四个支路，每个支路分别连接一个分类器进行二分类监督，输出四个对应的交叉熵损失l1、l2、l3、l4；基于所述交叉熵损失得到人脸对象的融合活体检测结果。一个例子中，融合活体检测结果可以包括第一个融合特征、第二个融合特征与第三个融合特征的活体检测结果及目标融合特征的活体检测结果。
[0152]
通过结合融合活体检测结果、可见光活体检测结果、近红外活体检测结果，确定人脸对象的人脸活体检测结果。
[0153]
最终训练优化的损失函数loss＝w*(l1+l2+l3+l4)+l5+l6，其中w为权重，本公开实施例中使用权重w＝0.2，优化人脸活体检测模型直到人脸活体检测模型最终收敛。
[0154]
在上述实施例中，将第二样本可见光特征及第二样本近红外特征进行融合，得到样本融合特征；分别对样本融合特征、第三样本可见光特征及第三样本近红外特征进行预测，得到样本人脸对象的融合活体预测结果、可见光活体预测结果及近红外活体预测结果；根据上述三种活体预测结果，确定样本人脸对象的人脸活体预测结果；最后根据样本人脸对象的人脸活体预测结果及标签，调整人脸活体检测模型的参数。通过将人脸对象的可见光特征与近红外特征进行融合，获取到融合特征，与现有技术中仅利用可见光特征和近红外特征进行人脸活体检测相比，本公开实施例增加了融合特征这一要素，进而在人脸活体检测过程中增加了融合活体检测结果，因此提高了人脸活体检测的准确性。
[0155]
基于同一构思，根据本公开实施例提供的一种人脸活体检测方法，相应地，本公开实施例还提供了一种人脸活体检测装置。图5为本公开实施例提供的人脸活体检测装置的第一种结构示意图，包括：
[0156]
第一特征提取模块510，用于从第一可见光图像中提取第一可见光特征；
[0157]
第二特征提取模块520，用于从第一近红外图像中提取第一近红外特征，其中，所述第一可见光图像与所述第一近红外图像包含相同的人脸对象；
[0158]
特征融合模块530，用于将第二可见光特征及第二近红外特征进行融合，得到融合特征，其中，所述第一可见光特征包括所述第二可见光特征，所述第一近红外特征包括所述第二近红外特征；
[0159]
第一确定模块540，用于根据所述融合特征，确定所述人脸对象的融合活体检测结果；
[0160]
第二确定模块550，用于根据第三可见光特征及第三近红外特征，分别确定可见光活体检测结果及近红外活体检测结果，其中，所述第一可见光特征包括所述第三可见光特征，所述第一近红外特征包括所述第三近红外特征；
[0161]
第三确定模块560，用于根据所述融合活体检测结果、所述可见光活体检测结果和所述近红外活体检测结果，确定人脸活体检测结果。
[0162]
在上述实施例中，将第二可见光特征及第二近红外特征进行融合得到融合特征；根据融合特征，确定人脸对象的融合活体检测结果；再根据第三可见光特征及第三近红外特征，分别确定可见光活体检测结果及近红外活体检测结果；最后根据融合活体检测结果、可见光活体检测结果和近红外活体检测结果，确定人脸活体检测结果。通过将人脸对象的可见光特征与近红外特征进行融合，获取到融合特征，与现有技术中仅利用可见光特征和近红外特征进行人脸活体检测相比，本公开实施例增加了融合特征这一要素，进而在人脸活体检测过程中增加了融合活体检测结果，因此提高了人脸活体检测的准确性。
[0163]
图6为本公开实施例提供的人脸活体检测装置的第二种结构示意图，基于图5分别对第一特征提取模块510和第二特征提取模块520作了细化，所述第一特征提取模块510包括：
[0164]
第一特征提取子模块610，用于通过将所述第一可见光图像输入可见光特征提取网络，并根据所述可见光特征提取网络的至少两个预设卷积层区域的输出，获取至少两个所述第一可见光特征；
[0165]
所述第二特征提取模块520包括：
[0166]
第二特征提取子模块620，用于通过将所述第一近红外图像输入近红外特征提取网络，并根据所述近红外特征提取网络的至少两个预设卷积层区域的输出，获取至少两个所述第一近红外特征；
[0167]
其中，所述人脸活体检测模型包括：所述可见光特征提取网络和所述近红外特征提取网络。
[0168]
在上述实施例中，通过将第一可见光图像输入可见光特征提取网络，并根据可见光特征提取网络的至少两个预设卷积层区域的输出，获取至少两个第一可见光特征；通过将第一近红外图像输入近红外特征提取网络，并根据近红外特征提取网络的至少两个预设卷积层区域的输出，获取至少两个第一近红外特征。实现了对第一可见光特征及第一近红外特征的提取。可见光特征提取网络及近红外特征提取网络均包括多个预设卷积层区域，每个预设卷积层区域均输出第一可见光特征及第一近红外特征，提取到多个第一可见光特征及第一近红外特征，实现了特征提取中的特征多样性。
[0169]
在一种可能的实施方式中，所述第三可见光特征为所述可见光特征提取网络的最后一个预设卷积层区域输出的第一可见光特征；所述第二可见光特征包括所述第三可见光特征；
[0170]
所述第三近红外特征为所述近红外特征提取网络的最后一个预设卷积层区域输出的第一近红外特征；所述第二近红外特征包括所述第三近红外特征；
[0171]
所述融合特征包括目标融合特征，所述目标融合特征由第三近红外特征及第三可见光特征融合得到。
[0172]
在上述实施例中，第三可见光特征为可见光特征提取网络的最后一个预设卷积层区域输出的第一可见光特征；第三近红外特征为近红外特征提取网络的最后一个预设卷积层区域输出的第一近红外特征；将第三近红外特征及第三可见光特征融合得到目标融合特征。实现了对第三可见光特征、第三近红外特征的获取以及对目标融合特征的获取。
[0173]
在一种可能的实施方式中，所述第二可见光特征还包括：第i个可见光特征，第i个可见光特征为所述可见光特征提取网络的第i个预设卷积层区域输出的可见光特征，i为属于1到n-1的整数，n为所述可见光特征提取网络中预设卷积层区域的数量，且n大于1的整数；
[0174]
所述第二近红外特征还包括：第i个近红外特征，第i个近红外特征为所述近红外特征提取网络的第i个预设卷积层区域输出的近红外特征；
[0175]
所述融合特征还包括：第i个融合特征，所述第i个融合特征由第i个近红外特征、第i个可见光特征及第i+1个融合特征融合得到，第n个融合特征为所述目标融合特征；
[0176]
所述融合活体检测结果包括：第i个融合特征的活体检测结果及目标融合特征的活体检测结果。
[0177]
在上述实施例中，通过对目标融合特征及非目标融合特征的获取，得到了非目标融合特征的活体检测结果及目标融合特征的活体检测结果。
[0178]
图7为本公开实施例提供的人脸活体检测装置的第三种结构示意图，所述装置还包括：
[0179]
第一图像获取模块710，用于获取包含所述人脸对象的第二可见光图像及第二近红外图像；
[0180]
人脸关键点获取模块720，用于对所述第二可见光图像及所述第二近红外图像进行人脸关键点检测，分别得到可见光人脸关键点及近红外人脸关键点；
[0181]
第二图像获取模块730，用于基于所述可见光人脸关键点及所述近红外人脸关键点，对所述第二可见光图像中的人脸区域及所述第二近红外图像中的人脸区域进行对齐，分别得到所述第三可见光图像及所述第三近红外图像；
[0182]
第三图像获取模块740，用于对所述第三可见光图像及所述第三近红外图像分别进行图像归一化处理，分别得到所述第一可见光图像及所述第一近红外图像。
[0183]
在上述实施例中，获取包含人脸对象的第二可见光图像及第二近红外图像；对第二可见光图像及第二近红外图像进行人脸关键点检测，分别得到可见光人脸关键点及近红外人脸关键点；基于可见光人脸关键点及近红外人脸关键点，对第二可见光图像中的人脸区域及第二近红外图像中的人脸区域进行对齐，分别得到第三可见光图像及第三近红外图像；对第三可见光图像及第三近红外图像分别进行图像归一化处理，分别得到第一可见光图像及第一近红外图像。实现了对包含同一人脸对象的第一可见光图像和第一近红外图像的获取。
[0184]
图8为本公开实施例提供的人脸活体检测模型训练装置的一种结构示意图，所述
装置包括：
[0185]
样本图像及标签获取模块810，用于获取包含同一样本人脸对象的可见光样本图像和近红外样本图像，以及获取所述样本人脸对象的标签，所述标签表示所述样本人脸对象是否为活体人脸；
[0186]
样本特征提取模块820，用于利用人脸活体检测模型的可见光特征提取网络及近红外特征提取网络，对所述可见光样本图像和所述近红外样本图像进行特征提取，分别得到第一样本可见光特征及第一样本近红外特征；
[0187]
样本特征融合模块830，用于将第二样本可见光特征及第二样本近红外特征进行融合，得到样本融合特征，其中，所述第一样本可见光特征包括所述第二样本可见光特征，所述第一样本近红外特征包括所述第二样本近红外特征；
[0188]
预测结果获取模块840，用于利用所述人脸活体检测模型的各分类网络，对所述样本融合特征、第三样本可见光特征及第三样本近红外特征进行预测，分别得到所述样本人脸对象的融合活体预测结果、可见光活体预测结果及近红外活体预测结果，其中，所述第一样本可见光特征包括所述第三样本可见光特征，所述第一样本近红外特征包括所述第三样本近红外特征；
[0189]
确定模块850，用于根据所述融合活体预测结果、所述可见光活体预测结果、所述近红外活体预测结果，确定所述样本人脸对象的人脸活体预测结果；
[0190]
参数调整模块860，用于根据所述样本人脸对象的人脸活体预测结果及所述标签，调整人脸活体检测模型的参数。
[0191]
在上述实施例中，将第二样本可见光特征及第二样本近红外特征进行融合，得到样本融合特征；分别对样本融合特征、第三样本可见光特征及第三样本近红外特征进行预测，得到样本人脸对象的融合活体预测结果、可见光活体预测结果及近红外活体预测结果；根据上述三种活体预测结果，确定样本人脸对象的人脸活体预测结果；最后根据样本人脸对象的人脸活体预测结果及标签，调整人脸活体检测模型的参数。通过将人脸对象的可见光特征与近红外特征进行融合，获取到融合特征，与现有技术中仅利用可见光特征和近红外特征进行人脸活体检测相比，本公开实施例增加了融合特征这一要素，进而在人脸活体检测过程中增加了融合活体检测结果，因此提高了人脸活体检测的准确性。
[0192]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0193]
需要说明的是，本实施例中的人头模型并不是针对某一特定用户的人头模型，并不能反映出某一特定用户的个人信息。
[0194]
需要说明的是，本实施例中的二维人脸图像来自于公开数据集。
[0195]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0196]
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限
制本文中描述的和/或者要求的本公开的实现。
[0197]
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0198]
设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0199]
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如人脸活体检测的方法及人脸活体检测模型训练方法。例如，在一些实施例中，人脸活体检测的方法及人脸活体检测模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的人脸活体检测方法及人脸活体检测模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人脸活体检测的方法及人脸活体检测模型训练方法。
[0200]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0201]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0202]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合
适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0203]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0204]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0205]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0206]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0207]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。