CN112364759B - 一种驾驶员身份生物识别的方法及相关装置 - Google Patents

Abstract

本申请公开了一种驾驶员身份生物识别的方法及相关装置，避免出现虚假登录***、冒用身份介质进行虚假登录等漏洞。本申请包括：获取驾驶员人脸的红外图片以及深度图片；识别所述红外图片，获取人脸区域；根据所述人脸区域提取人脸特征点；根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体，若是，则对所述驾驶员的人脸图片进行身份认证，所述支持向量机算法是一种对数据进行二元分类的广义线性分类器。

Description

一种驾驶员身份生物识别的方法及相关装置

技术领域

本申请实施例涉及智能驾驶技术领域，特别涉及一种驾驶员身份生物识别的方法及相关装置。

背景技术

近年来，随着我国机动车保有量和驾驶人员的数量迅速增加，道路交通事故已经成为严峻的社会问题。据统计，90％以上的道路交通安全事故与道路交通拥堵均由驾驶人员不良的驾驶行为因素引起，所以培训驾驶人员养成良好驾驶行为习惯变得尤为重要，而要让驾驶人员养成良好的驾驶习惯，除了重视培训的方式，练习时长也非常重要。

传统的驾驶培训计时方式是采用在训练车辆上安装计时设备，学员及教练上车开始训练时，通过IC卡、U盘等身份标识介质登录计时***，开始连续记录训练时间，并在结束训练时登出***，结束计时。

然而，该方法容易出现虚假登录***、冒用身份介质进行虚假登录等漏洞，虽然近年来，计时***又增加了人脸识别、指纹识别等生物特征识别技术以及连续视频录像等技术来增加学时造假的难度，但这种方法仍然存在盗用、非法仿冒生物特征的作弊漏洞，且连续视频录像方式不仅存储代价高，且筛查、侦破学时造假的工作量巨大，同时，基于视觉的人脸识别方法容易受到光线干扰，造成识别效果不佳。

发明内容

本申请实施例提供了一种驾驶员身份生物识别的方法及相关装置，避免出现虚假登录***、冒用身份介质进行虚假登录等漏洞。

本申请实施例第一方面提供了一种驾驶员身份生物识别的方法，包括：

获取驾驶员人脸的红外图片以及深度图片；

识别所述红外图片，获取人脸区域；

根据所述人脸区域提取人脸特征点；

根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体，若是，则对所述驾驶员的人脸图片进行身份认证，所述支持向量机算法是一种对数据进行二元分类的广义线性分类器。

可选的，所述根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体，包括：

通过所述人脸特征点进行曲面的拟合；

根据所述曲面的曲率从所述深度图片中提取凸起区域；

根据所述凸起区域提取像素点；

根据所述像素点的运行轨迹是否规则来判断是否为活体，若规则，则确定为活体；

若不规则，则确定为照片。

可选的，在所述根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体之后，所述方法还包括：

若否，则拒绝对所述驾驶员的人脸图片进行身份认证。

可选的，所述对所述驾驶员的人脸图片进行身份认证，包括；

将提取的所述人脸特征点与所述驾驶员的人脸数据库进行比对，判断相似度是否大于预设阈值；

若是，则确认身份认证成功；

若否，则确认身份认证失败。

可选的，所述获取驾驶员人脸的红外图片以及深度图片，包括：

通过3D摄像头获取驾驶员人脸的红外图片和深度图片。

本申请实施例第二方面提供了一种驾驶员身份生物识别的装置，包括：

获取单元，用于获取驾驶员人脸的红外图片以及深度图片；

识别单元，用于识别所述红外图片，获取人脸区域；

提取单元，用于根据所述人脸区域提取人脸特征点；

检测单元，用于根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体；

身份认证单元，用于检测单元检测所述驾驶员为活体时，对所述驾驶员的人脸图片进行身份认证，所述支持向量机算法是一种对数据进行二元分类的广义线性分类器。

可选的，所述检测单元包括：

拟合模块，用于通过所述人脸特征点进行曲面的拟合；

第一提取模块，用于根据所述曲面的曲率从所述深度图片中提取凸起区域；

第二提取模块，用于根据所述凸起区域提取像素点；

判断模块，用于根据所述像素点的运行轨迹是否规则来判断是否为活体，

第一确定模块，用于在所述判断模块判断所述运行轨迹规则后，确定所述驾驶员为活体；

第二确定模块，用于在所述判断模块判断所述运行轨迹不规则后，确定所述驾驶员为照片。

可选的，所述装置还包括：

拒绝单元，用于在所述检测单元检测所述驾驶员为非活体之后，拒绝对所述驾驶员的人脸图片进行身份认证。

可选的，所述身份认证单元包括；

对比模块，用于将提取的所述人脸特征点与所述驾驶员的人脸数据库进行比对；

判断模块，用于判断相似度是否大于预设阈值；

第三确认模块，用于在所述判断模块判断所述相似度大于所述预设阈值之后，确认身份认证成功；

第四确认模块，用于在所述判断模块判断所述相似度小于所述预设阈值之后，确认身份认证失败。

可选的，所述获取单元包括：

获取模块，用于通过3D摄像头获取驾驶员人脸的红外图片和深度图片。

本申请实施例第三方面提供了一种驾驶员身份生物识别的装置，包括：

处理器、存储器、输入输出单元以及总线；

所述处理器与所述存储器、输入输出单元以及总线相连；

所述处理器执行如下操作：

获取驾驶员人脸的红外图片以及深度图片；

识别所述红外图片，获取人脸区域；

根据所述人脸区域提取人脸特征点；

根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体，若是，则对所述驾驶员的人脸图片进行身份认证，所述支持向量机算法是一种对数据进行二元分类的广义线性分类器。

本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行上述第一方面任意一种驾驶员身份生物识别的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中，在驾驶员进行人脸识别身份认证之前，先通过获取驾驶员人脸的红外图片以及深度图片，并提取该红外图片的人脸特征点，通过支持向量机算法来对该深度图片和人脸特征点进行活体检测分析，判断该驾驶员是否为活体，在确定该驾驶员为活体之后，才会对该驾驶员进行身份认证，避免出现虚假登录***、冒用身份介质进行虚假登录等漏洞。

附图说明

图1为本申请实施例中驾驶员身份生物识别的方法一个实施例流程示意图；

图2为本申请实施例中驾驶员身份生物识别的方法另一个实施例流程示意图；

图3为本申请实施例中驾驶员身份生物识别的装置一个实施例流程示意图；

图4为本申请实施例中驾驶员身份生物识别的装置另一个实施例流程示意图；

图5为本申请实施例中驾驶员身份生物识别的装置另一个实施例流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，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、完整的阐述，显然阐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的前提下所获得的所有其他实施例，都应当属于本申请保护范围。

本申请实施例提供了一种驾驶员身份生物识别的方法及相关装置，避免出现虚假登录***、冒用身份介质进行虚假登录等漏洞。

需要说明的是，在本实施例中，驾驶员身份生物识别的方法可在***实现，可以在服务器实现，也可以在终端实现，具体不做明确限定，本申请实施例使用***举例描述。

请参阅图1，本申请实施例中驾驶员身份生物识别的方法一个实施例包括：

101、获取驾驶员人脸的红外图片以及深度图片；

本申请实施例中，在对驾驶员进行身份认证之前，还需要判断该驾驶员的人脸图像是否为活体，即采集该驾驶员人脸的红外图片以及3D深度图片作为检测依据。

需要说明的是，一般，图像主要分为可见光下的彩色图/灰度图V，近红外图，热感红外图以及3D深度图。人脸识别一般是用同种类型的图像做比对，而本申请实施例需要获取的是近红外图像和3D深度图像。

Depth Map(深度图像)是包含与视点的场景对象的表面的距离有关的信息的图像或图像通道。深度图像类似于灰度图像，只是它的每个像素值是传感器距离物体的实际距离。通常RGB图像和Depth图像是配准的，因而像素点之间具有一对一的对应关系。

102、识别所述红外图片，获取人脸区域；

需要说明的是，本申请实施例中，将获取的红外图片转化成红外灰度数据，在该红外灰度数据中进行人脸定位，获取人脸区域。

103、根据所述人脸区域提取人脸特征点；

需要说明的是，本申请实施例中，提取的人脸特征点不做限制，可根据实际情况进行调节，比如提取的人脸特征点可以包括提取左眼6个特征点信息、嘴巴20个特征点信息、鼻翼2个特征点信息和右眼6个特征点信息。其中，左眼的6个特征点为眼角2个特征点、上眼眶2个特征点和下眼眶2个特征点，6个特征点均匀分布；嘴巴的20个特征点为嘴角2个特征点、上嘴眶9个特征点和下嘴眶9个特征点，20个特征点均匀分布；鼻翼的2个特征点为鼻子的鼻翼处2个特征点；右眼的6个特征点为眼角2个特征点、上眼眶2个特征点和下眼眶2个特征点，6个特征点均匀分布。

104、根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体，所述支持向量机算法是一种对数据进行二元分类的广义线性分类器，若是，则执行步骤105；

需要说明的是，本申请实施例中，基于获取的人脸特征点，从3D深度数据中获取该人脸特征点的3D深度数据，然后基于人脸特征点和人脸特征点的3D深度数据进行人脸活体检测，根据检测结果判断该驾驶员是否为活体，若是，则执行步骤105。

105、对所述驾驶员的人脸图片进行身份认证。

需要说明的是，本申请实施例中，在确认该驾驶员的人脸图片为活体后，还需要通过采集到的人脸图片进行人脸识别，通过与人脸数据库中存储的该驾驶员的人脸图像做对比，确认该驾驶员的身份。

具体的，将提取的人脸特征点与该驾驶员的人脸数据库进行比对，判断相似度是否大于预设阈值，若是，则确认身份认证成功；若否，则确认身份认证失败。

本申请实施例中，在驾驶员进行人脸识别身份认证之前，先通过获取驾驶员人脸的红外图片以及深度图片，并提取该红外图片的人脸特征点，通过支持向量机算法来对该深度图片和人脸特征点进行活体检测分析，判断该驾驶员是否为活体，在确定该驾驶员为活体之后，才会对该驾驶员进行身份认证，避免出现虚假登录***、冒用身份介质进行虚假登录等漏洞。

上面对驾驶员身份生物识别的方法做了一个大概的说明，下面将对驾驶员身份生物识别的方法进行一个详细的解释介绍。

请参阅图2，本申请实施例中驾驶员身份生物识别的方法另一实施例包括：

201、通过3D摄像头获取驾驶员人脸的红外图片和深度图片；

需要说明的是，3D摄像头又称之为深度相机，通过该深度相机能检测出拍摄空间的景深距离。

普通的彩色相机拍摄到的图片能看到相机视角内的所有物体并记录下来，但是其所记录的数据不包含这些物体距离相机的距离，仅仅能通过图像的语义分析来判断哪些物体离我们比较远，哪些比较近，但是并没有确切的数据。而通过深度相机获取到的数据，能准确知道图像中每个点离摄像头距离，这样加上该点在2D图像中的(x,y)坐标，就能获取图像中每个点的三维空间坐标，通过三维坐标就能还原真实场景，实现场景建模等应用。

本申请实施例中，通过3D摄像头对驾驶员进行拍摄采集人脸图像，可以得到该驾驶员的3D深度图片。

202、识别所述红外图片，获取人脸区域；

需要说明的是，本申请实施例中，步骤202与前述实施例中步骤102类似，此处不再赘述。

203、根据所述人脸区域提取人脸特征点；

需要说明的是，本申请实施例中，步骤203与前述实施例中步骤103类似，此处不再赘述。

204、通过所述人脸特征点进行曲面的拟合；

205、根据所述曲面的曲率从所述深度图片中提取凸起区域；

206、根据所述凸起区域提取像素点；

需要说明的是，本申请实施例中，步骤204至步骤206均是对活体检测方法的描述。首先，通过提取活体和非活体人脸区域的256个特征点的三维信息，并对这些特征点之间的几何结构关系进行初步的分析处理，再采用协调训练Co-training的方法训练正负样本数据，通过支持向量机分类器进行初分类；然后，根据所提取的这些特征点进行曲面的拟合，来描述三维模型特征，然后根据曲面的曲率从深度图像中提取凸起区域，再对每个区域提取EGI特征，最后利用其球形相关度进行再分类识别。

207、根据所述像素点的运行轨迹是否规则来判断是否为活体，若是，则执行步骤208；若否，则执行步骤210；

需要说明的是，近红外人脸活体检测主要是基于光流法而实现，根据光流法，利用图像序列中的像素点强度数据的时域变化和相关性来确定各自像素位置的“运动”，从图像序列中得到各个像素点的运行信息，采用高斯差分滤波器、LBP特征和支持向量机进行数据统计分析。因为活体的光流特征显示为不规则的向量特征，而照片的光流特征则是规则有序的向量特征，所以以此即可区分活体和照片。

208、确定为活体；

需要说明的是，本申请实施例中，若确认采集到的该人脸图片为活体，则说明无作假作弊情况，可对该驾驶员进行身份认证。

209、对所述驾驶员的人脸图片进行身份认证；

需要说明的是，本申请实施例中，步骤209与前述实施例中步骤105类似，此处不再赘述。

210、确定为照片；

211、拒绝对所述驾驶员的人脸图片进行身份认证。

需要说明的是，本申请实施例中，若确认采集到的该人脸图片为照片，则说明存在作假情况，无需再对该驾驶员的人脸图片进行身份验证。

本申请实施例中，通过采用3D摄像头对驾驶员进行人脸图像采集，获取3D人脸图像和近红外图像，进而对该驾驶员进行近红外人脸活体检测，通过这种检测方式，可以在用户无配合的情况下实现盲测，无需指令配合，简单便利，且检测成功率高。

上面对驾驶员身份生物识别的方法做了介绍，下面将对驾驶员身份生物识别的装置进行介绍。

请参阅图3，本申请实施例中驾驶员身份生物识别的装置一个实施例包括：

获取单元301，用于获取驾驶员人脸的红外图片以及深度图片；

识别单元302，用于识别所述红外图片，获取人脸区域；

提取单元303，用于根据所述人脸区域提取人脸特征点；

检测单元304，用于根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体；

身份认证单元305，用于检测单元304检测所述驾驶员为活体时，对所述驾驶员的人脸图片进行身份认证，所述支持向量机算法是一种对数据进行二元分类的广义线性分类器。

本申请实施例中，在驾驶员进行人脸识别身份认证之前，先通过获取单元301获取驾驶员人脸的红外图片以及深度图片，并通过提取单元303提取该红外图片的人脸特征点，通过检测单元304通过支持向量机算法来对该深度图片和人脸特征点进行活体检测分析，判断该驾驶员是否为活体，在确定该驾驶员为活体之后，才会通过身份认证单元305对该驾驶员进行身份认证，避免出现虚假登录***、冒用身份介质进行虚假登录等漏洞。

上面对驾驶员身份生物识别的装置做了一个大概的说明，下面将对该驾驶员身份生物识别的装置进行一个详细的解释介绍。

请参阅图4，本申请实施例中驾驶员身份生物识别的装置另一实施例包括：

获取单元401，用于获取驾驶员人脸的红外图片以及深度图片；

获取单元401进一步还可以包括：

获取模块4011，用于通过3D摄像头获取驾驶员人脸的红外图片和深度图片。

识别单元402，用于识别所述红外图片，获取人脸区域；

提取单元403，用于根据所述人脸区域提取人脸特征点；

检测单元404，用于根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体；

检测单元404进一步还可以包括：

拟合模块4041，用于通过所述人脸特征点进行曲面的拟合；

第一提取模块4042，用于根据所述曲面的曲率从所述深度图片中提取凸起区域；

第二提取模块4043，用于根据所述凸起区域提取像素点；

判断模块4044，用于根据所述像素点的运行轨迹是否规则来判断是否为活体，

第一确定模块4045，用于在判断模块4044判断所述运行轨迹规则后，确定所述驾驶员为活体；

第二确定模块4046，用于在判断模块4044判断所述运行轨迹不规则后，确定所述驾驶员为照片。

身份认证单元405，用于在检测单元404检测所述驾驶员为活体之后，对所述驾驶员的人脸图片进行身份认证，所述支持向量机算法是一种对数据进行二元分类的广义线性分类器。

身份认证单元405进一步还可以包括；

对比模块4051，用于将提取的所述人脸特征点与所述驾驶员的人脸数据库进行比对；

判断模块4052，用于判断相似度是否大于预设阈值；

第三确认模块4053，用于在判断模块4052判断所述相似度大于所述预设阈值之后，确认身份认证成功；

第四确认模块4054，用于在判断模块4052判断所述相似度小于所述预设阈值之后，确认身份认证失败。

拒绝单元406，用于在检测单元404检测所述驾驶员为非活体之后，拒绝对所述驾驶员的人脸图片进行身份认证。

本申请实施例中，各单元模块的功能与前述图1至图2中所示实施例中的步骤对应，此处不再赘述。

请参阅图5，本申请实施例中驾驶员身份生物识别的装置另一实施例包括：

处理器501、存储器502、输入输出单元503以及总线504；

处理器501与存储器502、输入输出单元503以及总线504相连；

处理器501执行如下操作：

获取驾驶员人脸的红外图片以及深度图片；

识别所述红外图片，获取人脸区域；

根据所述人脸区域提取人脸特征点；

根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体，若是，则对所述驾驶员的人脸图片进行身份认证，所述支持向量机算法是一种对数据进行二元分类的广义线性分类器。

本实施例中，处理器501的功能与前述图1至图2所示实施例中的步骤对应，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请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，所述单元的划分，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***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

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单元中，也可以是各个单元单独物理存在，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。

所述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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (8)

1.一种驾驶员身份生物识别的方法，其特征在于，包括：

获取驾驶员人脸的红外图片以及深度图片；

识别所述红外图片，获取人脸区域；

根据所述人脸区域提取人脸特征点；

根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体，若是，则对所述驾驶员的人脸图片进行身份认证，所述支持向量机算法是一种对数据进行二元分类的广义线性分类器，其中，所述根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体，包括：

通过所述人脸特征点进行曲面的拟合；

根据所述曲面的曲率从所述深度图片中提取凸起区域；

根据所述凸起区域提取像素点；

根据所述像素点的运行轨迹是否规则来判断是否为活体，若规则，则确定为活体；

若不规则，则确定为照片。

2.根据权利要求1所述的方法，其特征在于，在所述根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体之后，所述方法还包括：

若否，则拒绝对所述驾驶员的人脸图片进行身份认证。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述驾驶员的人脸图片进行身份认证，包括；

将提取的所述人脸特征点与所述驾驶员的人脸数据库进行比对，判断相似度是否大于预设阈值；

若是，则确认身份认证成功；

若否，则确认身份认证失败。

4.根据权利要求1或2所述的方法，其特征在于，所述获取驾驶员人脸的红外图片以及深度图片，包括：

通过3D摄像头获取驾驶员人脸的红外图片和深度图片。

5.一种驾驶员身份生物识别的装置，其特征在于，包括：

获取单元，用于获取驾驶员人脸的红外图片以及深度图片；

识别单元，用于识别所述红外图片，获取人脸区域；

提取单元，用于根据所述人脸区域提取人脸特征点；

检测单元，用于根据所述人脸特征点和所述深度图片通过支持向量机算法检测是否为活体；

身份认证单元，用于检测单元检测所述驾驶员为活体时，对所述驾驶员的人脸图片进行身份认证，所述支持向量机算法是一种对数据进行二元分类的广义线性分类器；其中，所述检测单元包括：

拟合模块，用于通过所述人脸特征点进行曲面的拟合；

第一提取模块，用于根据所述曲面的曲率从所述深度图片中提取凸起区域；

第二提取模块，用于根据所述凸起区域提取像素点；

判断模块，用于根据所述像素点的运行轨迹是否规则来判断是否为活体，

第一确定模块，用于在所述判断模块判断所述运行轨迹规则后，确定所述驾驶员为活体；

第二确定模块，用于在所述判断模块判断所述运行轨迹不规则后，确定所述驾驶员为照片。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

拒绝单元，用于在所述检测单元检测所述驾驶员为非活体之后，拒绝对所述驾驶员的人脸图片进行身份认证。

7.根据权利要求5或6所述的装置，其特征在于，所述身份认证单元包括；

对比模块，用于将提取的所述人脸特征点与所述驾驶员的人脸数据库进行比对；

判断模块，用于判断相似度是否大于预设阈值；

第三确认模块，用于在所述判断模块判断所述相似度大于所述预设阈值之后，确认身份认证成功；

第四确认模块，用于在所述判断模块判断所述相似度小于所述预设阈值之后，确认身份认证失败。

8.根据权利要求5或6所述的装置，其特征在于，所述获取单元包括：

获取模块，用于通过3D摄像头获取驾驶员人脸的红外图片和深度图片。

Images