CN110059546A

CN110059546A - 基于频谱分析的活体识别方法、装置、终端及可读介质

Info

Publication number: CN110059546A
Application number: CN201910176437.3A
Authority: CN
Inventors: 谭卫军; 陈光炜; 刘汝帅
Original assignee: Shenzhen Shenmu Information Technology Co Ltd
Current assignee: Shenzhen Shenmu Information Technology Co Ltd
Priority date: 2019-03-08
Filing date: 2019-03-08
Publication date: 2019-07-26

Abstract

本发明实施例公开了一种基于频谱分析的活体识别方法、装置、终端及计算机可读介质，其中，所述方法包括：获取待识别图像，对所述待识别图像进行人脸识别，获取与所述待识别图像对应的第一人脸图像区域；通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量；将所述第一频率响应特征向量输入训练完成的目标分类器，输出与所述待识别图像对应的活体识别结果。采用上述基于频谱分析的活体识别方法、装置、终端及计算机可读介质，在人脸识别场景中，通过频谱分析来提取活体、非活体在频率上的不同相应来检测待识别图像中的人脸对应的活体识别结果，提高了人脸识别场景中的活体识别的准确率。

Description

基于频谱分析的活体识别方法、装置、终端及可读介质

技术领域

本发明涉及图像处理及人脸识别技术领域，具体涉及一种基于频谱分析的活体识别方法、装置、终端及计算机可读介质。

背景技术

随着计算机技术和人工智能技术的发展，人脸识别技术已比较成熟且应用广泛，例如，在很多应用场景下，均采用人脸识别来识别用户身份。虽说人脸识别技术具有较高的准确度，但是也存在一个问题，即如何检测图像确认为真人，而不是照片、视频或者其他显示媒介，或者带面具伪装等欺骗图像；也就是说，在用户用照片或视频中的人脸来替代实际人脸的情况下，如何识别当前检测到的人脸是否为活体。

目前，用于活体识别的方法主要有以下几种：第一种，基于动作，需要用户主动配合做出指定的动作，例如眨眼，摇头等，此方法可防止照片欺骗，但是对于视频或面具欺骗等行为，该方法作用较小；第二种，基于光流场，通过连续几帧图像，计算人脸位置的光流场变化，来区分平面和3D物体，但是对于面具等欺骗行为，该方法作用较小；第三种，基于颜色纹理，通过分析真人颜色纹理与照片，视频，面具等图像颜色纹理的差异来确认是否为真人，理论上说此方法可以识别各种方式的欺骗行为，然而现有技术中基于颜色纹理的识别方法，由于不能精确定位人脸位置、提取LBP(Local Binary Pattern，局部二值模式)特征时丢失颜色信息以及在计算是没有突出明显位置特征，也存在识别准确率不高的问题。

也就是说，在现有的人脸识别场景中的活体识别的技术方案中，对于活体识别的识别准确率存在一定的不足。

发明内容

针对上述相关技术方案中存在的技术问题，在本发明中，提供了一种基于频谱分析的活体识别方法、装置、终端及计算机可读介质，通过对人脸对应的图像区域的频谱响应特征来判断是否为活体，可提高人脸识别场景中的活体识别的准确率。

本发明一方面提供一种基于频谱分析的活体识别方法，所述方法包括：

获取待识别图像，对所述待识别图像进行人脸识别，获取与所述待识别图像对应的第一人脸图像区域；

通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量；

将所述第一频率响应特征向量输入训练完成的目标分类器，输出与所述待识别图像对应的活体识别结果。

可选的，所述方法还包括：

获取训练集，所述训练集包括多个样本图像及与所述样本图像对应的样本识别结果；

对所述样本图像进行人脸识别，获取样本图像的第二人脸图像区域；

通过所述特征提取算法，获取第二人脸图像区域对应的第二频率响应特征；

根据所述训练集包括的多个样本图像及其对应的样本识别结果、第二频率响应特征对预设的分类器进行训练，获取训练完成的目标分类器。

可选的，所述对所述待识别图像进行人脸识别，获取与所述待识别图像对应的第一人脸图像区域的步骤，还包括：

通过预设的人脸识别算法，获取所述待识别图像中的人脸区域作为第一人脸图像区域；

或，

通过预设的人脸特征识别算法，获取所述待识别图像中的人脸区域进行切割，获取包含人脸五官的第一人脸图像区域。

可选的，所述对所述待识别图像进行人脸识别，获取与所述待识别图像对应的第一人脸图像区域的步骤之后，还包括：

对所述第一人脸图像区域进行归一化处理，获取预设尺寸下的第一人脸图像区域，所述预设尺寸的长与宽相等。

可选的，所述通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量的步骤，还包括：

通过预设的特征提取算法，获取所述第一人脸图像区域在指定颜色通道上的频率响应特征向量作为第一频率响应特征向量，所述指定颜色通道为一个或多个。

可选的，所述通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量的步骤之前，还包括：

根据预设的照度归一化算法，对所述第一人脸图像区域进行照度归一化处理，所述归一化处理包括去除所述第一人脸图像区域包含的直流分量。

通过傅里叶变换，获取与所述第一人脸图像对应的第一频谱图像；

获取所述第一频谱图像中频率在0至目标频率之间的幅度大于预设的幅度阈值的目标像素点，根据目标像素点计算所述第一频率响应特征向量；

所述目标频率根据所述第一人脸图像区域的区域大小确定。

在本发明的第二方面，还提供了一种基于频谱分析的活体识别装置，所述装置包括：

模型训练模块，用于获取训练集，所述训练集包括多个样本图像及与所述样本图像对应的样本识别结果；对所述样本图像进行人脸识别，获取样本图像的第二人脸图像区域；通过所述特征提取算法，获取第二人脸图像区域对应的第二频率响应特征；根据所述训练集包括的多个样本图像及其对应的样本识别结果、第二频率响应特征对预设的分类器进行训练，获取训练完成的目标分类器；

人脸识别模块，用于获取待识别图像，对所述待识别图像进行人脸识别，获取与所述待识别图像对应的第一人脸图像区域；

特征提取模块，用于通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量；

活体识别模块，用于将所述第一频率响应特征向量输入训练完成的目标分类器，输出与所述待识别图像对应的活体识别结果。

在本发明的第三方面，还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

在本发明的第四方面，还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

实施本发明实施例，将具有如下有益效果：

采用了上述基于频谱分析的活体识别方法、装置、终端及计算机可读介质之后，在用户身份识别的人脸识别的情况下，对于需要进行识别的图像进行人脸识别，获取对应的人脸图像区域，然后提取人脸图像区域在不同频段上的频谱特征响应，并根据人脸图像区域在不同频段上的频谱特征响应进行活体识别，并且，对特征向量进行活体识别的过程是通过预先设置的训练集训练完成的分类器。通过上述基于频谱分析的活体识别方法、装置、终端及计算机可读介质，可以在用户身份识别的人脸识别的过程中对人脸是否为活体进行活体识别，以提高用户身份识别准确度。

附图说明

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的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为一个实施例中基于频谱分析的活体识别方法的流程示意图；

图2为一个实施例中活体对应的人脸图像区域以及对应的频率响应示意图；

图3为一个实施例中非活体对应的人脸图像区域以及对应的频率响应示意图；

图4为一个实施例中基于频谱分析的活体识别方法中目标分类器训练的流程示意图；

图5为一个实施例中一种基于频谱分析的活体识别装置的组成示意图；

图6为一个实施例中运行上述基于频谱分析的活体识别方法的计算机设备的结构示意图。

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，所描述的实施例仅仅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。

在本实施例中，特提出了一种基于频谱分析的活体识别方法，该方法的实现可依赖于计算机程序，该计算机程序可运行于基于冯诺依曼体系的计算机***之上，该计算机程序可以是对用户身份进行识别的人脸识别、活体识别的应用程序。该计算机***可以是运行上述计算机程序的例如智能手机、平板电脑、个人电脑等计算机设备。

需要说明的是，在通过图像或视频图像对用户的身份进行识别的过程中，虽然可以通过人脸识别来识别用户的身份，但是无法确定识别到的人脸是否对应为真人，而不是照片、视频或者其他显示媒介，或者带面具伪装等欺骗图像。因此，在对用户进行人脸识别来进行身份识别的过程中，还需要进行活体识别，从而真正提高人脸识别的准确性。

如图1所示，在一个实施例中，提供了一种基于显示媒质的活体识别方法，具体包括如下步骤S102-S106：

步骤S102：获取待识别图像，对所述待识别图像进行人脸识别，获取与所述待识别图像对应的第一人脸图像区域。

待识别图像需要进行活体识别的预先采集的图像或视频中的图像帧、或者通过摄像头采集的视频图像。例如，待识别图像可以是在人脸识别的过程中通过摄像头采集的图像。在获取到待识别图像之后，通过对待识别图像进行人脸识别来检测待识别图像中包含人脸的窗口，即为第一人脸图像区域。

在本实施例中，通过预设的人脸识别方法获取待识别图像中的人脸，并获取识别到的人脸对应的第一人脸图像区域。例如，采用MTCNN(Multi-task convolutional neuralnetwork，多任务卷积神经网络)算法或者其他人脸识别算法对待识别图像进行人脸识别。

在另一个实施例中，也可以是通过预设的人脸特征识别方法，对待识别图像进行识别，识别待识别图像中的五官等人脸特征，对人脸进行切割，获取仅包含有五官的图像区域作为第一人脸图像区域(也就是说，第一人脸图像区域不包含头发、耳朵或背景图像等，可以提高人脸识别的准确性)。

在一个具体的实施例中，上述人脸特征识别方式可以是通过landmark算法对待识别图像中的人脸进行切割。

在另一个可选的实施例，为了保证后续活体识别中提取到的特征向量的大小一致，还可以对识别到的第一人脸图像区域进行归一化处理，也就是说，对于识别到的第一人脸图像区域进行归一化处理，将第一人脸图像区域转换成预设图像尺寸下的标准大小的图像或图像区域。

需要说明的是，在本实施例中，上述识别获取的第一人脸图像区域或者归一化处理的第一人脸图像区域的尺寸大小中，其对应的长和宽是相同的。

在另一个可选的实施例中，在获取到第一人脸图像区域之后，还可以包括如下步骤：根据预设的照度归一化算法，对所述第一人脸图像区域进行照度归一化处理，所述归一化处理包括去除所述第一人脸图像区域包含的直流分量。

因为照度的变化可能会影响人脸图像的频谱响应，从而造成活体识别的准确度不足，因此，在本实施例中，在获取到第一人脸图像区域之后，还需要对照度进行归一化。也就是说，通过叠加照度归一化(illumination normalization)来提高活体识别的识别准确率。

例如，通过opencv的灰度均衡(histogram equalization)来进行第一人脸图像区域的照度归一化。需要说明的是，在本实施例中，照度归一化的目的是为了对照度进行归一化，减少或减弱因为照度变化影响活体识别的准确性，因此，任意可以完成照度归一化的算法均可以在本实施例中作为照度归一化的算法。

在一个具体的实施例中，将第一人脸图像区域从RGB模式转换到LAB空间，在L通道下进行照度归一化，然后再将该人脸图像区域转换到RGB模式下继续进行特征提取和活体识别的相关步骤。

步骤S104：通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量。

在本实施例中，对获取到的第一人脸图像区域进行频谱分析特征的提取，得到第一人脸图像区域对应的第一频率响应特征向量。需要说明的是，此处进行基于频谱分析的特征提取的方法，可以是基于任意的预设的特征提取算法。

在本实施例中，为了进一步的提高频谱分析的活体识别的准确性，还可以在多个颜色通道上分别区域相应的频率响应特征向量。

具体的，在一个实施例中，上述步骤S104：通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量还包括：通过预设的特征提取算法，获取所述第一人脸图像区域在指定颜色通道上的频率响应特征向量作为第一频率响应特征向量，所述指定颜色通道为一个或多个。

具体的，将第一人脸图像区域由RGB模式转换成YCrCb模式，计算第一人脸图像区域在Y通道、Cr通道、Cb通道下的频率响应特征向量。

或者，直接获取第一人脸图像区域在R通道、G通道、B通道下的频率响应特征向量。

在确定与第一人脸图像区域对应的第一频率响应特征向量时，可以将Y通道、Cr通道、Cb通道下的频率响应特征向量和R通道、G通道、B通道下的频率响应特征向量同时使用或组合使用，也可以同时采用第一人脸图像区域对应的频率响应特征向量作为第一频率响应特征向量的一部分。

进一步的，在一个具体的实施例中，上述第一频率响应特征向量的获取过程是：通过傅里叶变换，获取与所述第一人脸图像对应的第一频谱图像；获取所述第一频谱图像中频率在0至目标频率之间的幅度大于预设的幅度阈值的目标像素点，根据目标像素点计算所述第一频率响应特征向量；所述目标频率根据所述第一人脸图像区域的区域大小确定。

具体的，人脸图像的频率响应特征向量来自图像经过离散傅里叶变化后的幅度响应。这个傅里叶变换需要进行移位(shift)操作，使0频率响应位于二维频率响应的中心位置。从中心位置往外，分别代表不同的频率，同一频率位于以0频率为中心的一个同心圆上面。我们只使用了从0到N/2频段的响应，其中N是人脸图像的宽度和高度，频率高于N/2的没有使用。对0到N/2的频率，把二维频率响应图中频率为0到N/2的点其中幅度大于预设的幅度阈值T的像素点相加，得到这个频率上的总响应。

可以用以下公式表达

其中，F(u,v)是在x方向上频率为u，在y方向上频率为v处的频率幅度响应。

需要说明的是，在本实施例中，通过预设的幅度阈值T来提高响应的识别性能。在一个可选的实施例中，可以使用一个或多个幅度阈值T₁、T₂、……、T_k来使第一频率响应特征向量变长，提高识别的泛化性能。

如前所述，上述特征提取和活体识别的过程中，还需要对第一人脸图像区域进行照度归一化，这是因为直流(频率为0)分量在一般图像中占据了绝大部分能量，这个直流分量不能被包括在特征向量和归一化参数之中，因此需要进行照度归一化，去掉在直流(频率为0)分量上的频率响应，避免了其它频率响应上的值由于比直流分类得值小很多而非常不敏感，因而达不到识别活体得目的。

在一个具体的实施例中，上述使用的归一化参数是所有频率响应的总和减去0频率的响应，可以用下式表达：

D＝∑_u∑_v|F(u，v)|-F(0，0)，

d(f)＝d₀(f)/D。

在一个具体的实施例中，以N＝64为例，最终的第一频率响应特征向量为：

d(T)＝[d(1)，d(2)，...，d(31)]，

如果使用多个阈值T₁，T₂，......，T_k，则此第一频率响应特征向量为：

d(C)＝[d(T₁，)d(T₂)...d(T_k)]，

其中C为一个颜色通道。

如果使用多个颜色通道，比如Y、Cb、Cr，则此第一频率响应特征向量为：

D＝[d(Y)d(Cb)d(Cr)]。

如图2所示，给出了一个实施例中活体对应的人脸图像区域以及对应的频率响应示意图；而图3给出了一个实施例中非活体对应的人脸图像区域以及对应的频率响应示意图。据图2、图3所示，活体与非活体对应的人脸图像区域对应的频率响应特征向量不同，据此可以进行活体识别。

步骤S106：将所述第一频率响应特征向量输入训练完成的目标分类器，输出与所述待识别图像对应的活体识别结果。

在本实施例中，目标分类器是通过预先设置的训练集进行训练完成之后的分类器，例如，MLP(Multi-Layer Perceptron，多层感知器)分类器或SVM(支持向量机，SupportVector Machine)分类器。通过该目标分类器可以对步骤S104中提取到的第一频率响应特征向量进行活体识别，获取对应的活体识别结果。

在本实施例中，在步骤S104中计算得到第一频率响应特征向量之后，将所述第一频率响应特征向量输入所述目标分类器，从而获取目标分类器输出的活体识别结果。

在一个具体的实施例中，上述MLP分类器或者SVM分类器为一种基于神经网络的分类器，在经过训练集的训练之后，可以对相应的样本图像对应的人脸进行活体识别。需要说明的是，在本实施例中，上述MLP分类器或者SVM分类器还可以是其他神经网络模型或人工智能模型。

进一步的，如图4所示，在本实施例中，还提供了上述基于频谱分析的活体识别方法中的目标分类器的训练方法。具体的，包括如图5所示的步骤S202-S208：

步骤S202：获取训练集，所述训练集包括多个样本图像及与所述样本图像对应的样本识别结果；

步骤S204：对所述样本图像进行人脸识别，获取样本图像的第二人脸图像区域；

步骤S206：通过所述特征提取算法，获取第二人脸图像区域对应的第二频率响应特征；

步骤S208：根据所述训练集包括的多个样本图像及其对应的样本识别结果、第二频率响应特征对预设的分类器进行训练，获取训练完成的目标分类器。

上述样本集包含了多个样本图像，每一个样本图像对应了采集到的用户身份识别过程采集的人脸图像，且每一个样本图像中对应的人脸是否为活体的活体识别结果(样本识别结果)也包含在内。上述提取样本图像的第二频率响应特征的过程与步骤S102-S106中采集待识别图像的第一频率响应特征的过程一致，且这两个过程中提取频率响应特征的方法必须保持一致，才能保证后续的活体识别结果的准确度。

在对目标分类器进行训练的过程中，将样本图像对应的第二频率响应特征作为输入，将样本图像对应的样本识别结果作为输出，对目标分类器进行训练。进一步的，在本实施例中，还可以对样本图像的一部分作为训练样本，另一部分作为验证样本，在验证样本的活体识别率达到一定的阈值的情况下，才认定为目标分类器训练完成。

进一步的，如图5所示，在本实施例中，还提出了一种基于频谱分析的活体识别装置，所述装置包括：

模型训练模块502，用于获取训练集，所述训练集包括多个样本图像及与所述样本图像对应的样本识别结果；对所述样本图像进行人脸识别，获取样本图像的第二人脸图像区域；通过所述特征提取算法，获取第二人脸图像区域对应的第二频率响应特征；根据所述训练集包括的多个样本图像及其对应的样本识别结果、第二频率响应特征对预设的分类器进行训练，获取训练完成的目标分类器；

人脸识别模块504，用于获取待识别图像，对所述待识别图像进行人脸识别，获取与所述待识别图像对应的第一人脸图像区域；

特征提取模块506，用于通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量；

活体识别模块508，用于将所述第一频率响应特征向量输入训练完成的目标分类器，输出与所述待识别图像对应的活体识别结果。

在一个可选的实施例中，人脸识别模块504还用于通过预设的人脸识别算法，获取所述待识别图像中的人脸区域作为第一人脸图像区域；或，人脸识别模块504还用于通过预设的人脸特征识别算法，获取所述待识别图像中的人脸区域进行切割，获取包含人脸五官的第一人脸图像区域。

在一个可选的实施例中，特征提取模块506还用于对所述第一人脸图像区域进行归一化处理，获取预设尺寸下的第一人脸图像区域，所述预设尺寸的长与宽相等。

在一个可选的实施例中，特征提取模块506还用于通过预设的特征提取算法，获取所述第一人脸图像区域在指定颜色通道上的频率响应特征向量作为第一频率响应特征向量，所述指定颜色通道为一个或多个。

在一个可选的实施例中，特征提取模块506还用于根据预设的照度归一化算法，对所述第一人脸图像区域进行照度归一化处理，所述归一化处理包括去除所述第一人脸图像区域包含的直流分量。

在一个可选的实施例中，特征提取模块506还用于通过傅里叶变换，获取与所述第一人脸图像对应的第一频谱图像；

所述目标频率根据所述第一人脸图像区域的区域大小确定。

图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器。如图5所示，该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于频谱分析的活体识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于频谱分析的活体识别方法。网络接口用于与外部进行通信。本领域技术人员可以理解，图5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的限定，具体的计算机设备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。

在一个实施例中，本申请提供的基于频谱分析的活体识别方法可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成短文本过滤装置的各个程序模板。比如，模型训练模块502、人脸识别模块504、特征提取模块506、活体识别模块508。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

上述计算机设备，在其中一个实施例中，上述计算机程序被所述处理器执行时，还用于执行以下步骤：

在其中一个实施例中，上述计算机程序被所述处理器执行时，还用于执行以下步骤：

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

需要说明的是，上述基于频谱分析的活体识别方法、基于频谱分析的活体识别装置、计算机设备和计算机可读存储介质属于同一个发明构思，基于频谱分析的活体识别、基于频谱分析的活体识别装置、计算机设备和计算机可读存储介质中涉及的内容可相互适用。

实施本发明实施例，将具有如下有益效果：

本领域普通技术人员可以理解实现上述实施例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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种基于频谱分析的活体识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于频谱分析的活体识别方法，其特征在于，所述方法还包括：

3.根据权利要求1所述的基于频谱分析的活体识别方法，其特征在于，所述对所述待识别图像进行人脸识别，获取与所述待识别图像对应的第一人脸图像区域的步骤，还包括：

或，

4.根据权利要求1所述的基于频谱分析的活体识别方法，其特征在于，所述对所述待识别图像进行人脸识别，获取与所述待识别图像对应的第一人脸图像区域的步骤之后，还包括：

5.根据权利要求1所述的基于频谱分析的活体识别方法，其特征在于，所述通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量的步骤，还包括：

6.根据权利要求1所述的基于频谱分析的活体识别方法，其特征在于，所述通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量的步骤之前，还包括：

7.根据权利要求1所述的基于频谱分析的活体识别方法，其特征在于，所述通过预设的特征提取算法，获取所述第一人脸图像区域对应的第一频率响应特征向量的步骤，还包括：

所述目标频率根据所述第一人脸图像区域的区域大小确定。

8.一种基于频谱分析的活体识别装置，其特征在于，所述装置包括：

9.一种终端，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。