人脸活体检测方法、装置及系统的制作方法
【技术领域】
[0001]本发明涉及模式识别技术领域，尤其涉及一种人脸活体检测方法、装置及系统。
【背景技术】
[0002]生物特征识别技术，尤其是人脸识别技术，已被广泛应用于日常生活中，鉴于人脸识别技术具有方便易用、用户友好性、非接触式等优点，在近年来取得了突飞猛进的发展。但是，传统的人脸检测技术只针对摄像机拍摄到的图像进行处理，并不考虑图像中各个像素点距离摄像机的距离信息，从而导致照片人脸等伪造的人脸模型能够通过人脸识别系统的检测。为此，若要准确地判断出检测到的人脸是否来自真人，需要进行人脸活体检测。
[0003]目前，现有的人脸活体检测大多基于机器学习的方式实现，具体的，从检测系统中选取众多样本图像，并且所述众多样本图像中的人脸是否来自真人是已知的，根据上述众多样本图像中真人脸的分布规律，可得到一个用于检测图像人脸是否来自真人的人脸活体检测分类器，利用该人脸活体检测分类器进而可以判断其他图像中的人脸是否来自真人。
[0004]然而，基于机器学习方式检测图像人脸的方法中，需要根据检测系统中的众多样本建立人脸活体检测分类器，这个过程不仅耗时多，而且人脸活体检测分类器的检测结果的准确度严重依赖于样本图像的选择，对于新注册检测系统的人员，其人脸检测结果的准确度低。
【发明内容】
[0005]本发明提供一种人脸活体检测方法、装置及系统，以解决现有基于机器学习的方式实现活体人脸检测时，存在的耗时多、人脸识别结果严重依赖于样本图像选择以及检测系统对新注册人员的判断性能差的问题。
[0006]本发明提供的一种人脸活体检测方法，包括:
[0007]获取主摄像设备采集的第一图像和副摄像设备采集的第二图像；
[0008]检测所述第一图像中是否包含有人脸图像的特征信息；若否，结束人脸图像检测；
[0009]若是，对所述第一图像进行校正处理，得到与所述第二图像在同一水平位置上的第一校正图像；
[0010]对所述第一校正图像和所述第二图像进行立体匹配处理，得到所述人脸图像距离所述主摄像设备的视差图；
[0011]根据所述视差图和所述主摄像设备与所述副摄像设备之间的立体关系矩阵，拟合得出所述第一校正图像中人脸图像关键点的拟合平面；
[0012]根据所述人脸图像关键点和所述拟合平面，计算出所述人脸图像关键点的拟合偏差;
[0013]判断所述拟合偏差是否大于设定阈值；若是，则所述人脸图像来自活体人脸；若否，所述人脸图像来自非活体人脸。
[0014]本发明提供的一种人脸活体检测装置，包括:
[0015]获取模块，用于获取主摄像设备采集的第一图像和副摄像设备采集的第二图像；
[0016]检测模块，用于检测所述第一图像中是否包含有人脸图像的特征信息；
[0017]校正模块，用于对所述第一图像进行校正处理，得到与所述第二图像在同一水平位置上的第一校正图像；
[0018]立体匹配模块，用于对所述第一校正图像和所述第二图像进行立体匹配处理，得到所述人脸图像距离所述主摄像设备的视差图；
[0019]拟合模块，用于根据所述视差图和所述主摄像设备与所述副摄像设备之间的立体关系矩阵，拟合得出所述第一校正图像中人脸图像关键点的拟合平面；
[0020]处理模块，用于根据所述人脸图像关键点和所述拟合平面，计算出所述人脸图像关键点的拟合偏差；
[0021]判断模块，用于判断所述拟合偏差是否大于设定阈值；
[0022]第一确定模块，用于当所述拟合偏差大于所述设定阈值时，确定所述人脸图像来自活体人脸；
[0023]第二确定模块，用于当所述拟合偏差不大于所述设定阈值时，确定所述人脸图像来自非活体人脸。
[0024]本发明提供一种人脸活体检测系统，包括:本发明提供的所述人脸活体检测装置、主摄像设备和副摄像设备；所述人脸活体检测装置分别与所述主摄像设备、所述副摄像设备连接；
[0025]所述主摄像设备，用于采集第一图像；
[0026]所述副摄像设备，用于采集第二图像；
[0027]所述人脸活体检测装置，用于根据所述第一图像和所述第二图像检测所述第一图像中的人脸图像是否来自活体人脸。
[0028]本发明提供的人脸活体检测方法、装置及系统，通过利用主、副摄像设备采集第一图像和第二图像，并当第一图像中包含有人脸图像的特征信息时，对第一图像和第二图像进行校正处理和立体匹配处理，得到人脸图像关键点的三维坐标以及人脸图像关键点的拟合平面，进而求出人脸图像关键点的拟合偏差。将该拟合偏差与设定阈值进行比较，从而判断第一图像中的人脸图像是否来自活体人脸。该方案仅需两个相同的固定设置的摄像设备，操作简单、抗外界干扰的能力强、精度高，避免了现有机器学习方法中的模型训练部分。
【附图说明】
[0029]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
[0030]图1为本发明人脸活体检测方法实施例一的流程示意图；
[0031]图2为本发明人脸活体检测方法实施例二的流程示意图；
[0032]图3为本发明人脸活体检测方法实施例三的流程示意图；
[0033]图4为本发明人脸活体检测方法实施例四的流程示意图；
[0034]图5为本发明人脸活体检测装置实施例一的结构示意图；
[0035]图6为本发明提供的人脸活体检测系统的结构示意图。
【具体实施方式】
[0036]为使本发明实施例的目的、技术方案和优点更加清楚，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。
[0037]生物特征识别技术，尤其是人脸识别技术，鉴于其具有方便易用、用户友好性、非接触式等优点，在近年来取得了突飞猛进的发展，已被广泛应用于日常生活中，例如，安全支付或监控系统等场景中。由于传统的人脸检测技术只针对摄像机拍摄到的图像进行处理，并不考虑图像中各个像素点距离摄像机的距离信息，从而导致照片人脸等伪造的人脸模型能够通过人脸识别系统的检测，致使人脸识别结果出现错误。为此，若要提高人脸识别结果的准确性，人脸活体检测技术是关键。
[0038]目前，现有的人脸活体检测技术大多基于机器学习的方式实现，具体的，从检测系统中选取众多样本图像，并且所述众多样本图像中的人脸是否来自真人是已知的，根据上述众多样本图像中真人脸的分布规律，可得到一个用于检测图像人脸是否来自真人的人脸活体检测分类器，利用该人脸活体检测分类器进而可以判断检测系统中其他图像中的人脸是否来自真人。
[0039]然而，基于机器学习方式检测图像人脸的方法中，需要根据检测系统中的众多样本建立人脸活体检测分类器，这个过程不仅耗时多，而且人脸活体检测分类器检测结果的准确度严重依赖于样本图像的选择，致使人脸识别结果严重依赖于样本图像的选择。当采集图片样本时受到外界干扰时，例如，光照变化明显，人脸活体检测分类器的性能会受到影响。具体的，若采集到的样本大多处在弱光源下，那么人脸活体检测分类器对弱光源的图像处理效果较好，对强光源的图像处理效果较差。另外，由于人脸活体检测分类器是基于众多样本建立的一个数学模型，因此，其对于新注册检测系统的人员，人脸检测结果的准确度较低。
[0040]针对上述基于机器学习方式检测图像人脸方法存在的耗时多、人脸识别结果严重依赖于样本图像选择以及检测系统对新注册人员的判断性能差的缺点，本发明提供了一种人脸活体检测方法、装置及系统，通过主、副摄像设备采集第一图像和第二图像，若第一图像中包含有人脸图像的特征信息，那么对第一图像进行校正处理，并且对第一图像和第二图像进行立体匹配处理，得到第一图像中每一个像素点的三维坐标，进而得到人脸图像关键点的三维坐标以及人脸图像关键点的拟合平面，求出人脸图像关键点的拟合偏差。将该拟合偏差与设定阈值进行比较，从而判断第一图像中的人脸图像是否来自活体人脸。该方案具有实时性好、抗干扰能力强、精度高的特点。
[004