CN111626163A - 一种人脸活体检测方法、装置及计算机设备 - Google Patents

Abstract

本申请公开了一种人脸活体检测方法、装置及计算机设备，用于解决人脸活体检测准确性较低的问题。该方法为：接收待检测的图像，对待检测的图像进行人脸和眼睛特征提取处理，获得眼睛对应的眼睛预定区域图像以及去除眼睛预定区域图像外的人脸区域图像；确定眼睛预定区域图像中的虹膜区域对应的第一特征信息，并确定第一特征信息对应的第一置信度；对人脸区域图像采集预定个数的人脸区域子图像信息，并确定预定个数的人脸区域子图像信息对应的第二置信度；根据第一置信度和第二置信度，确定待检测的图像为活体人脸图像或非活体人脸图像。

Description

一种人脸活体检测方法、装置及计算机设备

技术领域

本申请涉及图像处理技术领域，尤其涉及一种人脸活体检测方法、装置及计算机设备。

背景技术

近年来，随着人工智能相关技术的不断发展，人脸识别技术已经逐渐成为一种应用广泛的身份认证与识别技术，其应用于多种场景，例如安防、金融等等。

具体的，现有的采用人脸识别技术进行身份验证时，可能会面对照片、视频或者是3D模型的攻击，从而导致人脸识别验证准确性较低。鉴于此，现有技术中提出了活体人脸检测的方式，但是现有技术中采用的基于光流法，图像纹理特征法以及基于人脸微动作分析法的人脸活体检测方法，大都需要提取较多的技术特征，然后进行相应的判断，耗时且计算量较大，还可能无法准确的对活体和非活体进行检测。

可见，现有技术中的人脸活体检测方法存在准确性较差的技术问题。

发明内容

本申请提供一种人脸活体检测的方法、装置及计算机设备，用于解决现有技术中人脸活体检测准确性较差的技术问题。本申请的技术方案如下：

第一方面，提供一种人脸活体检测的方法，所述方法包括：

接收待检测的图像，并对所述待检测的图像进行人脸和眼睛特征提取处理，获得所述眼睛对应的眼睛预定区域图像以及去除所述眼睛预定区域图像外的人脸区域图像，其中，所述待检测的图像为近红外场景下获取的包含人体脸部信息的图像；

确定所述眼睛预定区域图像中的虹膜区域对应的第一特征信息，并确定所述第一特征信息对应的第一置信度；其中，所述第一特征信息用于表征所述虹膜区域内的像素的反射特征信息，所述第一置信度用于表征所述第一特征信息为人体真实眼睛对应的像素的反射特征信息的概率值；

对所述人脸区域图像采集预定个数的人脸区域子图像信息，并确定所述预定个数的人脸区域子图像信息对应的第二置信度；其中，所述人脸区域子图像信息用于表征人脸不同位置的纹理特征图像信息，所述第二置信度用于表征所述预定个数的人脸区域子图像信息为人体真实脸部信息的概率值；

根据所述第一置信度和所述第二置信度，确定所述待检测的图像为活体人脸图像或非活体人脸图像。

在一种可能的实施方式中，确定所述眼睛预定区域图像中的虹膜区域对应的第一特征信息，包括：

确定所述眼睛预定区域图像中的虹膜区域；

对所述虹膜区域进行预设比例的缩放处理，以获得处理后的虹膜区域；

获取所述处理后的虹膜区域中的所有像素的像素强度，并确定所述所有像素的像素强度的平均像素强度值；

根据所述所有像素的像素强度和所述平均像素强度值，确定第一特征信息。

在一种可能的实施方式中，根据所述所有像素的像素强度和所述平均像素强度值，确定第一特征信息，包括：

采用以下公式确定第一特征信息：

其中，S_h,w,s用于表征第一特征信息，I_h,w用于表征所有像素的像素强度中任意一个像素的像素强度，I_mean用于表征平均像素强度值，h用于表征像素在图像中的高坐标，w用于表征像素在图像中的宽坐标。

在一种可能的实施方式中，确定所述第一特征信息对应的第一置信度，包括：

将所述第一特征信息输入到支持向量机中，获得所述第一特征信息对应的第一置信度。

在一种可能的实施方式中，确定所述预定个数的人脸区域子图像信息对应的第二置信度，包括：

将所述预定个数的人脸区域子图像信息，输入预设的基于深度网络的分类器中，获得所述预定个数的人脸区域子图像信息对应的第二置信度。

在一种可能的实施方式中，根据所述第一置信度和所述第二置信度，确定所述待检测的图像为活体人脸图像或非活体人脸图像，包括：

确定所述第一特征信息的第一权值和所述预定个数的人脸区域子图像信息的第二权值，其中，所述第一权值用于表征所述待检测图像的活体特征中眼睛特征所占比重，所述第二权值用于表征所述待检测图像的活体特征中脸部特征所占比重；

确定所述第一权值和所述第一置信度的第一乘积值，以及所述第二权值和所述第二置信度的第二乘积值，并将所述第一乘积值和所述第二乘积值相加，以获得所述待检测的图像的活体置信度；

根据所述待检测的图像的活体置信度和预设规则，确定所述待检测的图像为活体人脸图像或非活体人脸，其中，所述预设规则为根据所述活体置信度和预设阈值比较结果确定所述待检测的图像为活体人脸头像或非活体人脸图像。

在一种可能的实施方式中，根据所述待检测的图像的活体置信度和预设规则，确定所述待检测的图像为活体人脸图像或非活体人脸图像，包括：

若所述待检测的图像的活体置信度大于或等于预设阈值，则确定所述待检测的图像为活体人脸图像；

若所述待检测的图像的活体置信度小于预设阈值，则确定所述待检测的图像为非活体人脸图像。

第二方面，提供一种人脸活体检测装置，所述装置包括：

接收模块，用于接收待检测的图像，并对所述待检测的图像进行人脸和眼睛特征提取处理，获得所述眼睛对应的眼睛预定区域图像以及去除所述眼睛预定区域图像外的人脸区域图像，其中，所述待检测的图像为近红外场景下获取的包含人体脸部信息的图像；

第一确定模块，用于确定所述眼睛预定区域图像中的虹膜区域对应的第一特征信息，并确定所述第一特征信息对应的第一置信度；其中，所述第一特征信息用于表征所述虹膜区域内的像素的反射特征信息，所述第一置信度用于表征所述第一特征信息为人体真实眼睛对应的像素的反射特征信息的概率值；

第二确定模块，用于对所述人脸区域图像采集预定个数的人脸区域子图像信息，并确定所述预定个数的人脸区域子图像信息对应的第二置信度；其中，所述人脸区域子图像信息用于表征人脸不同位置的纹理特征图像信息，所述第二置信度用于表征所述预定个数的人脸区域子图像信息为人体真实脸部信息的概率值；

处理模块，用于根据所述第一置信度和所述第二置信度，确定所述待检测的图像为活体人脸图像或非活体人脸图像。

在一种可能的实施方式中，所述第一确定模块，用于：

确定所述眼睛预定区域图像中的虹膜区域；

对所述虹膜区域进行预设比例的缩放处理，以获得处理后的虹膜区域；

获取所述处理后的虹膜区域中的所有像素的像素强度，并确定所述所有像素的像素强度的平均像素强度值；

根据所述所有像素的像素强度和所述平均像素强度值，确定第一特征信息。

在一种可能的实施方式中，所述第一确定模块，用于：

采用以下公式确定第一特征信息：

其中，S_h,w,s用于表征第一特征信息，I_h,w用于表征所有像素的像素强度中任意一个像素的像素强度，I_mean用于表征平均像素强度值，h用于表征像素在图像中的高坐标，w用于表征像素在图像中的宽坐标。

在一种可能的实施方式中，所述第一确定模块，用于：

将所述第一特征信息输入到支持向量机中，获得所述第一特征信息对应的第一置信度。

在一种可能的实施方式中，所述第一确定模块，用于：

将所述预定个数的人脸区域子图像信息，输入预设的基于深度网络的分类器中，获得所述预定个数的人脸区域子图像信息对应的第二置信度。

在一种可能的实施方式中，所述处理模块，用于：

确定所述第一特征信息的第一权值和所述预定个数的人脸区域子图像信息的第二权值，其中，所述第一权值用于表征所述待检测图像的活体特征中眼睛特征所占比重，所述第二权值用于表征所述待检测图像的活体特征中脸部特征所占比重；

确定所述第一权值和所述第一置信度的第一乘积值，以及所述第二权值和所述第二置信度的第二乘积值，并将所述第一乘积值和所述第二乘积值相加，以获得所述待检测的图像的活体置信度；

根据所述待检测的图像的活体置信度和预设规则，确定所述待检测的图像为活体人脸图像或非活体人脸，其中，所述预设规则为根据所述活体置信度和预设阈值比较结果确定所述待检测的图像为活体人脸头像或非活体人脸图像。

在一种可能的实施方式中，所述处理模块，用于：

若所述待检测的图像的活体置信度大于或等于预设阈值，则确定所述待检测的图像为活体人脸图像；

若所述待检测的图像的活体置信度小于预设阈值，则确定所述待检测的图像为非活体人脸图像。

第三方面，提供一种计算机设备，该计算机设备包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行第一方面中的任一方法包括的步骤。

第四方面，提供一种存储介质，该存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机设备执行第一方面中的任一方法包括的步骤。

第五方面，提供一种计算机程序产品，当所述计算机程序产品在计算机设备上运行时，使得计算机设备能够执行第一方面中任一方法包括的步骤。

本申请的实施例提供的技术方案至少带来以下有益效果：

在本申请实施例中，可以对接收的待检测的图像进行人脸和眼睛特征提取处理，从而可以获得眼睛对应的眼睛预定区域图像以及去除眼睛预定区域图像外的人脸区域图像，即分别获取人脸区域图像和眼睛预定区域图像。然后可以确定眼睛预定区域图像中的虹膜区域对应的第一特征信息，由于接收的待检测的图像是在近红外场景下获取的包含人体脸部信息的图像，因而可以确定虹膜区域内像素的反射特征信息即第一特征信息。当获得第一特征信息之后，还可以获得第一特征信息对应的第一置信度，即可以获得人体真实眼睛对应的像素的反射特征信息的概率值，这样的处理方式，可以较为准确的检测到活体人眼对应的特征信息，实现准确对眼睛的活体检测。

此外，还可以对人脸区域图像采集预定个数的人脸区域子图像，然后可以确定预定个数的人脸区域子图像信息，以及还可以获得预定个数的人脸区域子图像信息对应的第二置信度，即获得预定个数的人脸区域子图像信息为人体真实脸部信息的概率值。也就是说，本申请实施例中将人脸区域图像中不同位置的子图像进行处理，这样的方式，不仅可以避免人脸某一处被遮挡等情况而导致检测准确性较低的问题，还可以结合不同位置的人脸特征进行处理，从而可以更为准确对人脸部分进行活体检测。

进一步地，还可以根据第一置信度和第二置信度，确定待检测的图像为活体人脸图像或非活体人脸图像。具体的，根据前述获得的对眼睛特征的置信度和对人脸特征的置信度进行综合处理，从而确定待检测的图像为活体人脸图像或非活体人脸图像。也就是说，本申请实施例提供的人脸活体检测方法，结合人脸和眼睛的双重特征进行人脸活体检测，可以提高人脸活体检测的准确性。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或通过实施本而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限定本申请。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对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申请的一些实施例。

图1为本申请实施例中应用场景的示意图；

图2为本申请实施例中的人脸活体检测方法的流程图；

图3为本申请实施例中的眼睛预定区域图像的示意图；

图4为本申请实施例中的眼睛预定区域图像中虹膜区域的示意图；

图5为本申请实施例中的预设的基于深度网络的分类器的示意图；

图6为本申请实施例中的人脸区域子图像采集示意图；

图7为本申请实施例中的人脸活体检测装置的结构框图；

图8为本申请实施例中的计算机设备的结构示意图；

图9为本申请实施例中的计算机设备的又一结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请的说明书和权利要求书中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

目前，采用人脸识别来进行身份验证的场景越来越多，因此人脸识别验证的安全和准确性也成为关注的焦点。具体的，现有技术中的人脸识别设备对需要进行身份认证的目标进行图像采集时，难以辨认所采集的图像是来自真人的人脸还是打印在纸张上的照片，或者是显示屏上展示的图片，即不能够准确识别是活体人脸图像还是非活体人图像。因此，现有技术中提出了活体人脸检测的方式，但是现有技术中采用的基于光流法，图像纹理特征法以及基于人脸微动作分析法的人脸活体检测方法，大都需要提取较多的技术特征，然后进行相应的判断，耗时且计算量较大，还可能无法准确检测活体人脸图像和非活体人脸图像。

鉴于此，本申请实施例提供一种人脸活体检测方法，通过该方法可以对待检测的图像中人脸区域图像和眼睛区域图像进行处理，从而根据处理结果确定待检测的图像为活体人脸图像或非活体人脸图像。

介绍完本申请实施例的设计思想之后，下面对本申请实施例中的人脸活体检测的技术方案适用的应用场景做一些简单介绍，需要说明的是，本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

在本申请实施例中，该技术方案可以应用于需要进行人脸活体检测的任一场景，例如门禁人脸活体检测的场景或者是人脸活体检测支付场景等，本申请实施例中不做限定，为了便于更好的理解方案，本申请中以门禁人脸活体检测进行说明。

在具体实施过程中，请参见图1所示的一种应用场景示意图，图1包括采集人体脸部图像的采集设备和计算机设备两部分，需要说明的是，图1中仅以一个采集设备和一个计算机设备进行交互为例进行示出，在具体实施过程中，可以是多个采集设备与一个计算机设备之间进行交互，也可以是多个采集设备和多个计算机设备之间进行交互。具体的，前述的采集设备可以是红外相机，该红外相机可以采集近红外场景下物体的图像。

在具体的实施过程中，采集设备与计算机设备之间可以通过一个或者多个网络进行通信连接。该网络可以是有线网络，也可以是无线网络，例如无线网络可以是移动蜂窝网络，或者可以是无线保真(WIreless-Fidelity，WIFI)网络，当然还可以是其他可能的网络，本申请实施例对此不做限定。此外，若是应用于其它应用场景，则前述的采集设备和计算机设备之间也可以包含其它电子设备，例如门锁控制器、支付电子设备等，且其它电子设备和采集设备以及计算机设备之间，也是可以通过一个或者多个网络进行通信连接。

在本申请实施例中，采集设备可以采集当前需要进行活体人脸验证的图像信息，然后将采集到的图像信息发送给计算机设备，然后计算机设备可以对采集设备发送的图像信息进行人脸活体检测处理，从而可以确定待检测的图像是活体人脸图像或非活体人脸图像。

为进一步说明本申请实施例提供的人脸活体检测的方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的应用环境)。

以下结合图2所示的方法流程图对本申请实施例中人脸活体检测方法进行说明，图2所示的各步骤可以由如图1所示的计算机设备执行。在具体实施过程中，该计算机设备可以是服务器，例如是个人计算机、大中型计算机、计算机集群，等等。

下面结合说明书附图介绍本申请实施例提供的技术方案。

步骤201：接收待检测的图像，其中，待检测的图像为近红外场景下获取的包含人体脸部信息的图像。

步骤202：对待检测的图像进行眼睛特征提取处理，获得眼睛对应的眼睛预定区域图像。

步骤203：对待检测的图像进行人脸特征提取处理，获得去除眼睛预定区域图像外的人脸区域图像。

步骤204：确定眼睛预定区域图像中的虹膜区域对应的第一特征信息，并确定第一特征信息对应的第一置信度。

步骤205：对人脸区域图像采集预定个数的人脸区域子图像信息，并确定预定个数的人脸区域子图像信息对应的第二置信度。

步骤206：根据第一置信度和第二置信度，确定待检测的图像为活体人脸图像或非活体人脸图像。

在本申请实施例中，如前所述，计算机设备可以接收采集设备采集的待检测的图像，然后可以对待检测的图像进行眼睛特征提取处理，从而可以获得眼睛对应的眼睛预定区域图像。以及，还可以对待检测的图像进行人脸特征提取处理，从而可以获得去除眼睛区域之外的人脸区域图像。

请参见图3所示，图3为本申请实施例中示出的眼睛预定区域图像的示意图，具体的，计算机设备对待检测的图像进行眼睛特征提取处理之后，可以获得眼睛对应的眼睛预定区域图像。其中，图3(a)为对近红外场景下的采集的活体人脸眼睛区域图像，图3(b)为对近红外场景下采集的非活体的人脸的眼睛区域图像。具体的，非活体人脸例如是包含人脸信息的电子照片、或者是包含人脸信息的图片等。

在本申请实施例中，考虑到活体的人体眼睛因为有虹膜对光照的镜面反射特性，因此采集的图像中虹膜区域会出现较为明显的反光亮点，因而本申请实施例中可以以此作为依据对人脸活体检测的补充信息。具体的，当确定眼睛预定区域图像之后，还可以确定眼睛预定区域中虹膜区域对应的第一特征信息，其中，第一特征信息用于表征虹膜区域内的像素的反射特征信息。

在具体的实施过程中，可以先确定眼睛预定区域图像中的虹膜区域，具体的，请参见图4，图4为本申请实施例中眼睛预定区域图像中虹膜区域的示意图。在确定出虹膜区域之后，可以对虹膜区域进行预设比例的缩放处理，从而可以获得处理后的虹膜区域，例如可以将虹膜区域缩放至宽和高均为50像素。然后可以获取处理后的虹膜区域中的所有像素的像素强度，并确定所有像素的像素强度的平均像素强度值，从而可以根据所有像素的像素强度和平均像素强度值，确定第一特征信息。

在具体的实施过程中，可以采用以下公式确定第一特征信息：

其中，S_h,w,s用于表征第一特征信息，I_h,w用于表征所有像素的像素强度中任意一个像素的像素强度，I_mean用于表征平均像素强度值，h用于表征像素在图像中的高坐标，w用于表征像素在图像中的宽坐标。

在本申请实施例中，当某个点的像素强度的值小于平均像素强度值时，则第一特征信息对应的特征值为0，当某个点的像素强度的值大于或等于平均像素强度值时，则第一特征信息对应的特征值可以通过

进行计算，从而可以确定出虹膜区域对应的第一特征信息。

在本申请实施例中，当获得虹膜区域对应的第一特征信息之后，可以将第一特征信息输入到对应的处理深度网络中，例如支持向量机，从而可以获得第一特征信息对应的第一置信度，其中，第一置信度用于表征第一特征信息为人体真实眼睛对应的像素的反射特征信息的概率值。也就是说，在本申请实施例提供的人脸活体检测，利用眼睛的镜面反射特征来实现对人体眼睛区域活体的检测，这样的检测方式，可以较为准确的将非活体眼睛和活体眼睛进行检测。

在本申请实例中，在对眼睛预定区域图像进行特征提取时，采用活体眼睛虹膜区域的反射特征，而不是相关技术中的直接使用卷积神经网络提取的特征的处理方式，即本申请中的处理方式可以更详细且准确的描述眼睛活体特性，而且还减少了计算量，而且不需要大量的样本进行训练，能适应不同的场景，泛化能力更强。

在本申请实施例中，可以对确定出的人脸区域图像进行随机子图像采集，也就是说，本申请中可以采集人脸不同位置的纹理特征图像。具体的，可以采集预定个数的人脸区域子图像信息，该预定个数可以是1个，也可以是3个，还可以是5个，本申请实施例中不做限制。例如，请参见图5，可以在人脸区域图像中采集3个人脸区域子图像信息。需要说明的是，为了便于对应描述，将人脸区域子图像信息对应的图像可以称为人脸区域子图像。

在具体的实施过程中，可以结合实际需求确定预定个数，例如，采集到的用户A图像的脸型较小且眼睛相对于人脸五官的所占比例较大，则可以采集1个人脸区域子图像信息；或者，采集到的用户B图像的眼睛相对于人脸五官所占的比例较小，可以采集2个人脸区域子图像信息；或者，采集到用户C图像的人脸被遮挡了一部分，可以采集3个人脸区域子图像信息。

在本申请实施例中，人脸区域子图像的大小可以是相同的，例如可以为宽和高均为96像素的人脸区域子图像；也可以是不同的，例如，一个人脸区域子图像的宽和高均为96像素，另一个人脸区域子图像的宽和高均为70像素，本申请实施例中不做限定。需要说明的是，本申请实施例中采集的各个人脸区域子图像是不重叠的。

在本申请实施例中，对人脸区域图像进行特征提取时，使用随机获取子图像的方法，而非相关技术中直接将整张人脸图像缩放大小的方法，从而可以避免人脸图像细节纹理信息的丢失，即可以在活体和非活体的检测时具有更强的描述能力，从而对活体人脸的检测的准确性更强。

在本申请实施例中，当确定预定个数的人脸区域子图像信息之后，可以将预定个数的人脸区域子图像信息输入到预设的基于深度网络的分类器中，从而可以获得预定个数的人脸区域子图像信息对应的第二置信度，其中，第二置信度用于表征预定个数的人脸区域子图像信息为人体真实脸部信息的概率值。在本申请实施例中，预设的基于深度网络的分类器用于对人脸区域子图像信息中的纹理特征进行分类的网路结构，其训练数据为预先采集的近红外场景下活体人脸和非活体人脸上随机选择扣取的子图像，从而可以较为准确的确定人脸区域子图像信息的第二置信度。

例如，请参见图6，采集一个宽和高均为96像素的人脸区域子图像，然后将该子图像输入到预设的基于深度网络的分类器中，从而可以得到第二置信度即图6中的Livescore。

在本申请实施例中，当获得第一置信度和第二置信度之后，还可以确定第一特征信息的第一权值和预定个数的人脸区域子图像信息的第二权值。第一权值用于表征待检测图像的活体特征中眼睛特征所占比重，第二权值用于表征待检测图像的活体特征中脸部特征所占比重。

在具体的实施过程中，可以设置第一权值大于第二权值，例如第一权值为0.6，第二权值为0.4；还可以设置第一权值小于第二权值，具体的设置方式可以结合实际实施情况进行设置，本申请实施例中不做限制。例如，根据待检测的图像确定的第一特征信息对应的第一置信度高于预定值(例如0.5)，则可以设置第一权值大于第二权值。

进一步地，在确定出第一权值和第二权值之后，还可以确定第一权值和第一置信度的第一乘积值，以及第二权值和第二置信度的第二乘积值，并将第一乘积值和第二乘积值相加，以获得待检测的图像的活体置信度。

在本申请实施例中，可以根据待检测的图像的活体置信度和预设规则，确定待检测的图像为活体人脸图像或非活体人脸，其中，预设规则为根据活体置信度和预设阈值比较结果确定待检测的图像为活体人脸头像或非活体人脸图像。具体的，若待检测的图像的活体置信度大于或等于预设阈值，则确定待检测的图像为活体人脸图像；若待检测的图像的活体置信度小于预设阈值，则确定待检测的图像为非活体人脸图像。其中，预设阈值可以根据实际实施的情况确定。

例如，待检测的图像的第一置信度为0.7，第一权值为0.7，第二置信度为0.65，第二权值为0.3以及预设阈值为0.6，则可以确定活体置信度为0.7*0.7+0.65*0.3＝0.685，即活体置信度大于预设阈值，从而可以确定该待检测的图像为活体人脸图像。

在本申请实施例中，在采集图像信息时使用红外相机，从而可以获得较为清晰的人脸纹理信息以及眼睛的反射特征信息。然后对采集的待检测图像进行处理时，分别针对眼睛和脸部进行不同的处理，具体的，针对眼睛预定区域图像获取虹膜区域中所有像素对应的反射特征信息，以及针对脸部随机获取人脸区域子图像的处理。进一步地，确定对眼睛和脸部进行不同的处理后各自获得信息对应的第一置信度和第二置信度，从而将第一置信度和第二置信度融合处理以确定待检测图像的活体置信度，进而根据预设规则确定待检测图像是否为活体人脸图像。

本申请实施例提供的人脸活体检测方法，可以应用于不同的场景，且不需要大量的样本进行训练，泛化能力较强，且是根据活体眼睛的反射特性以及人脸不同位置的纹理信息进行人脸活体检测，可以更为准确的实现对人脸的活体检测，提升使用体验。

基于同一发明构思，本申请实施例提供了一种人脸活体检测装置，该人脸活体检测装置能够实现前述的人脸活体检测方法对应的功能。该人脸活体检测装置可以是硬件结构、软件模块、或硬件结构加软件模块。该人脸活体检测装置可以由芯片***实现，芯片***可以由芯片构成，也可以包含芯片和其他分立器件。请参见图7所示，该人脸活体检测装置包括接收模块701、第一确定模块702、第二确定模块703、以及处理模块704。其中：

接收模块701，用于接收待检测的图像，并对所述待检测的图像进行人脸和眼睛特征提取处理，获得所述眼睛对应的眼睛预定区域图像以及去除所述眼睛预定区域图像外的人脸区域图像，其中，所述待检测的图像为近红外场景下获取的包含人体脸部信息的图像；

第一确定模块702，用于确定所述眼睛预定区域图像中的虹膜区域对应的第一特征信息，并确定所述第一特征信息对应的第一置信度；其中，所述第一特征信息用于表征所述虹膜区域内的像素的反射特征信息，所述第一置信度用于表征所述第一特征信息为人体真实眼睛对应的像素的反射特征信息的概率值；

第二确定模块703，用于对所述人脸区域图像采集预定个数的人脸区域子图像信息，并确定获得所述预定个数的人脸区域子图像信息对应的第二置信度；其中，所述人脸区域子图像信息用于表征人脸不同位置的纹理特征图像信息，所述第二置信度用于表征所述预定个数的人脸区域子图像信息为人体真实脸部信息的概率值；

处理模块704，用于根据所述第一置信度和所述第二置信度，确定所述待检测的图像为活体人脸图像或非活体人脸图像。

在一种可能的实施方式中，所述第一确定模块702，用于：

确定所述眼睛预定区域图像中的虹膜区域；

对所述虹膜区域进行预设比例的缩放处理，以获得处理后的虹膜区域；

获取所述处理后的虹膜区域中的所有像素的像素强度，并确定所述所有像素的像素强度的平均像素强度值；

根据所述所有像素的像素强度和所述平均像素强度值，确定第一特征信息。

在一种可能的实施方式中，所述第一确定模块702，用于：

采用以下公式确定第一特征信息：

其中，S_h,w,s用于表征第一特征信息，I_h,w用于表征所有像素的像素强度中任意一个像素的像素强度，I_mean用于表征平均像素强度值，h用于表征像素在图像中的高坐标，w用于表征像素在图像中的宽坐标。

在一种可能的实施方式中，所述第一确定模块702，用于：

将所述第一特征信息输入到支持向量机中，获得所述第一特征信息对应的第一置信度。

在一种可能的实施方式中，所述第一确定模块702，用于：

将所述预定个数的人脸区域子图像信息，输入预设的基于深度网络的分类器中，获得所述预定个数的人脸区域子图像信息对应的第二置信度。

在一种可能的实施方式中，所述处理模块704，用于：

确定所述第一特征信息的第一权值和所述预定个数的人脸区域子图像信息的第二权值，其中，所述第一权值用于表征所述待检测图像的活体特征中眼睛特征所占比重，所述第二权值用于表征所述待检测图像的活体特征中脸部特征所占比重；

确定所述第一权值和所述第一置信度的第一乘积值，以及所述第二权值和所述第二置信度的第二乘积值，并将所述第一乘积值和所述第二乘积值相加，以获得所述待检测的图像的活体置信度；

根据所述待检测的图像的活体置信度和预设规则，确定所述待检测的图像为活体人脸图像或非活体人脸，其中，所述预设规则为根据所述活体置信度和预设阈值比较结果确定所述待检测的图像为活体人脸头像或非活体人脸图像。

在一种可能的实施方式中，所述处理模块704，用于：

若所述待检测的图像的活体置信度大于或等于预设阈值，则确定所述待检测的图像为活体人脸图像；

若所述待检测的图像的活体置信度小于预设阈值，则确定所述待检测的图像为非活体人脸图像。

前述的如图2所示人脸活体检测方法的实施例涉及的各步骤的所有相关内容均可以援引到本申请实施例中的人脸活体检测装置所对应的功能模块的功能描述，在此不再赘述。

本申请实施例中对单元的划分是示意性的，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，另外，在本申请各个实施例中的各功能单元可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

基于同一发明构思，本申请实施例还提供一种计算机设备，如图8所示，本申请实施例中的计算机设备包括至少一个处理器801，以及与至少一个处理器801连接的存储器802和通信接口803，本申请实施例中不限定处理器801与存储器802之间的具体连接介质，图8中是以处理器801和存储器802之间通过总线800连接为例，总线800在图8中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线800可以分为地址总线、数据总线、控制总线等，为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

在本申请实施例中，存储器802存储有可被至少一个处理器801执行的指令，至少一个处理器801通过执行存储器802存储的指令，可以执行前述的人脸活体检测方法中所包括的步骤。

其中，处理器801是计算机设备的控制中心，可以利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器802内的指令以及调用存储在存储器802内的数据，计算设备的各种功能和处理数据，从而对计算设备进行整体监控。可选的，处理器801可包括一个或多个处理单元，处理器801可集成应用处理器和调制解调处理器，其中，处理器801主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器801中。在一些实施例中，处理器801和存储器802可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

处理器801可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列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，可以实现或者执行本申请实施例中申请的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所提供的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器802作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器802可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器802是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。通信接口803是能够用于进行通信的传输接口，可以通过通信接口803接收数据或者发送数据。

参见图9所示的计算机设备的进一步地的结构示意图，该计算机设备还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出***(I/O***)901、用于存储操作***902、应用程序903和其他程序模块904的大容量存储设备905。

基本输入/输出***901包括有用于显示信息的显示器906和用于用户输入信息的诸如鼠标、键盘之类的输入设备907。其中显示器906和输入设备907都通过连接到***总线800的基本输入/输出***901连接到处理器801。所述基本输入/输出***901还可以包括输入输出控制器以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备905通过连接到***总线800的大容量存储控制器(未示出)连接到处理器801。所述大容量存储设备905及其相关联的计算机可读介质为该服务器包提供非易失性存储。也就是说，大容量存储设备905可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。

根据本申请的各种实施例，该计算设备包还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即该计算设备可以通过连接在所述***总线800上的通信接口803连接到网络908，或者说，也可以使用通信接口803来连接到其他类型的网络或远程计算机***(未示出)。

在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器802，上述指令可由装置的处理器801执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在一些可能的实施方式中，本申请提供的人脸活体检测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使该计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的人脸活体检测方法中的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种人脸活体检测方法，其特征在于，所述方法包括：

接收待检测的图像，并对所述待检测的图像进行人脸和眼睛特征提取处理，获得所述眼睛对应的眼睛预定区域图像以及去除所述眼睛预定区域图像外的人脸区域图像，其中，所述待检测的图像为近红外场景下获取的包含人体脸部信息的图像；

确定所述眼睛预定区域图像中的虹膜区域对应的第一特征信息，并确定所述第一特征信息对应的第一置信度；其中，所述第一特征信息用于表征所述虹膜区域内的像素的反射特征信息，所述第一置信度用于表征所述第一特征信息为人体真实眼睛对应的像素的反射特征信息的概率值；

对所述人脸区域图像采集预定个数的人脸区域子图像信息，并确定所述预定个数的人脸区域子图像信息对应的第二置信度；其中，所述人脸区域子图像信息用于表征人脸不同位置的纹理特征图像信息，所述第二置信度用于表征所述预定个数的人脸区域子图像信息为人体真实脸部信息的概率值；

根据所述第一置信度和所述第二置信度，确定所述待检测的图像为活体人脸图像或非活体人脸图像。

2.如权利要求1所述的方法，其特征在于，确定所述眼睛预定区域图像中的虹膜区域对应的第一特征信息，包括：

确定所述眼睛预定区域图像中的虹膜区域；

对所述虹膜区域进行预设比例的缩放处理，以获得处理后的虹膜区域；

获取所述处理后的虹膜区域中的所有像素的像素强度，并确定所述所有像素的像素强度的平均像素强度值；

根据所述所有像素的像素强度和所述平均像素强度值，确定第一特征信息。

3.如权利要求2所述的方法，其特征在于，根据所述所有像素的像素强度和所述平均像素强度值，确定第一特征信息，包括：

采用以下公式确定第一特征信息：

其中，S_h,w,s用于表征第一特征信息，I_h,w用于表征所有像素的像素强度中任意一个像素的像素强度，I_mean用于表征平均像素强度值，h用于表征像素在图像中的高坐标，w用于表征像素在图像中的宽坐标。

4.如权利要求1-3任一所述的方法，其特征在于，确定所述第一特征信息对应的第一置信度，包括：

将所述第一特征信息输入到支持向量机中，获得所述第一特征信息对应的第一置信度。

5.如权利要求1-3任一所述的方法，其特征在于，确定所述预定个数的人脸区域子图像信息对应的第二置信度，包括：

将所述预定个数的人脸区域子图像信息，输入预设的基于深度网络的分类器中，获得所述预定个数的人脸区域子图像信息对应的第二置信度。

6.如权利要求1所述的方法，其特征在于，根据所述第一置信度和所述第二置信度，确定所述待检测的图像为活体人脸图像或非活体人脸图像，包括：

确定所述第一特征信息的第一权值和所述预定个数的人脸区域子图像信息的第二权值，其中，所述第一权值用于表征所述待检测图像的活体特征中眼睛特征所占比重，所述第二权值用于表征所述待检测图像的活体特征中脸部特征所占比重；

确定所述第一权值和所述第一置信度的第一乘积值，以及所述第二权值和所述第二置信度的第二乘积值，并将所述第一乘积值和所述第二乘积值相加，以获得所述待检测的图像的活体置信度；

根据所述待检测的图像的活体置信度和预设规则，确定所述待检测的图像为活体人脸图像或非活体人脸，其中，所述预设规则为根据所述活体置信度和预设阈值比较结果确定所述待检测的图像为活体人脸头像或非活体人脸图像。

7.如权利要求6所述的方法，其特征在于，根据所述待检测的图像的活体置信度和预设规则，确定所述待检测的图像为活体人脸图像或非活体人脸图像，包括：

若所述待检测的图像的活体置信度大于或等于预设阈值，则确定所述待检测的图像为活体人脸图像；

若所述待检测的图像的活体置信度小于预设阈值，则确定所述待检测的图像为非活体人脸图像。

8.一种人脸活体检测装置，其特征在于，所述装置包括：

接收模块，用于接收待检测的图像，并对所述待检测的图像进行人脸和眼睛特征提取处理，获得所述眼睛对应的眼睛预定区域图像以及去除所述眼睛预定区域图像外的人脸区域图像，其中，所述待检测的图像为近红外场景下获取的包含人体脸部信息的图像；

第一确定模块，用于确定所述眼睛预定区域图像中的虹膜区域对应的第一特征信息，并根据所述第一特征信息，确定所述第一特征信息对应的第一置信度；其中，所述第一特征信息用于表征所述虹膜区域内的像素的反射特征信息，所述第一置信度用于表征所述第一特征信息为人体真实眼睛对应的像素的反射特征信息的概率值；

第二确定模块，用于对所述人脸区域图像采集预定个数的人脸区域子图像信息，并确定所述预定个数的人脸区域子图像信息对应的第二置信度；其中，所述人脸区域子图像信息用于表征人脸不同位置的纹理特征图像信息，所述第二置信度用于表征所述预定个数的人脸区域子图像信息为人体真实脸部信息的概率值；

处理模块，用于根据所述第一置信度和所述第二置信度，确定所述待检测的图像为活体人脸图像或非活体人脸图像。

9.一种计算机设备，其特征在于，所述计算机设备包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行权利要求1-7任一所述的方法包括的步骤。

10.一种存储介质，其特征在于，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行权利要求1-7任一所述的方法包括的步骤。

Images