CN113591514A - 指纹活体检测方法、设备及存储介质 - Google Patents

指纹活体检测方法、设备及存储介质 Download PDF

Info

Publication number
CN113591514A
CN113591514A CN202010364403.XA CN202010364403A CN113591514A CN 113591514 A CN113591514 A CN 113591514A CN 202010364403 A CN202010364403 A CN 202010364403A CN 113591514 A CN113591514 A CN 113591514A
Authority
CN
China
Prior art keywords
fingerprint
image
estimated
gray
areas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010364403.XA
Other languages
English (en)
Other versions
CN113591514B (zh
Inventor
王升国
贺岳明
任志浩
张云生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN202010364403.XA priority Critical patent/CN113591514B/zh
Priority to KR1020227030315A priority patent/KR20220130804A/ko
Priority to EP21797544.0A priority patent/EP4145343A4/en
Priority to PCT/CN2021/089361 priority patent/WO2021218823A1/zh
Publication of CN113591514A publication Critical patent/CN113591514A/zh
Application granted granted Critical
Publication of CN113591514B publication Critical patent/CN113591514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)
  • Image Input (AREA)
  • Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)

Abstract

本申请公开了一种指纹活体检测方法、设备及存储介质，属于安全技术领域。在本申请中，可以对第一指纹图像和第二指纹图像进行区域划分，进而根据划分的区域来确定多分区灰度分布特征向量，以通过指纹活体检测模型进行指纹活体检测，其中，第一指纹图像为红色通道图像，第二指纹图像为蓝色通道图像。由于非活体指纹的这两个通道图像各个区域灰度值的分布规律与活体指纹的不同，因此，通过多分区灰度分布特征向量可以识别出指纹图像是否存在活体指纹的灰度分布特征，进而确定出该指纹是否为活体指纹，安全性较高。

Description

指纹活体检测方法、设备及存储介质
技术领域
本申请涉及安全技术领域，特别涉及一种指纹活体检测方法、设备及存储介质。
背景技术
目前，指纹识别在很多场景中有很重要的应用，例如考勤、门禁、电脑解锁、手机解锁、支付等场景，指纹识别主要是提取指纹图像的特征，例如纹路、断点、交叉点等，来确定是否是有效指纹。而当前指纹伪造技术也随之发展，例如用硅胶做成***来伪造他人指纹，成功通过指纹识别来进行一些非法行为。为了保证指纹识别的安全性，需要在指纹识别的基础上增加指纹活体检测，以有效防止使用***来冒充他人指纹。
相关技术中，可以根据皮肤温度或皮肤电容值来检测是否是指纹活体，而由于皮肤温度和皮肤电容值通常是相对稳定的，恶意分子可以很容易地伪造与皮肤温度或电容值相同的***，进而成功通过指纹活体检测，因此，这种方法的安全性仍较低。
发明内容
本申请提供了一种指纹活体检测方法、设备及存储介质，可以提高指纹活体检测方法的安全性。所述技术方案如下：
一方面，提供了一种指纹活体检测方法，所述方法包括：
获取第一指纹图像和第二指纹图像，所述第一指纹图像和所述第二指纹图像是指同一指纹的图像，所述第一指纹图像为红色通道图像，所述第二指纹图像为蓝色通道图像；
对所述第一指纹图像和所述第二指纹图像分别进行区域划分，其中，划分后的第一指纹图像中包括多个第一预估明区和多个第一预估暗区，划分后的第二指纹图像中包括多个第二预估明区和多个第二预估暗区；
根据所述多个第一预估明区、所述多个第一预估暗区、所述多个第二预估明区和所述多个第二预估暗区，确定多分区灰度分布特征向量；
将所述多分区灰度分布特征向量输入指纹活体检测模型，得到指纹活体检测结果，所述指纹活体检测模型是根据活体指纹样本图像和非活体指纹样本图像通过监督学习训练得到的。
可选地，所述获取第一指纹图像和第二指纹图像，包括：
获取第一原始图像，所述第一原始图像为绿灯关闭、红灯和蓝灯开启的状态下采集的所述指纹的图像；
提取所述第一原始图像的红色通道的图像数据，生成所述第一指纹图像；
提取所述第一原始图像的蓝色通道的图像数据，生成所述第二指纹图像。
可选地，所述获取第一指纹图像和第二指纹图像，包括：
获取第二原始图像和第三原始图像，所述第二原始图像为绿灯和蓝灯关闭、红灯开启的状态下采集的所述指纹的图像，所述第三原始图像为绿灯和红灯关闭、蓝灯开启的状态下采集的所述指纹的图像；
提取所述第二原始图像的红色通道的图像数据，生成所述第一指纹图像；
提取所述第三原始图像的蓝色通道的图像数据，生成所述第二指纹图像。
可选地，所述对所述第一指纹图像和所述第二指纹图像分别进行区域划分，包括：
根据活体指纹的红色通道图像和蓝色通道图像中明区和暗区的分布规律，确定分区参数，所述分区参数包括多个分区宽度比例；
根据所述多个分区宽度比例，对所述第一指纹图像和所述第二指纹图像分别进行区域划分。
可选地，所述第一指纹图像和所述第二指纹图像的图像大小相同，所述根据所述多个第一预估明区、所述多个第一预估暗区、所述多个第二预估明区和所述多个第二预估暗区，确定多分区灰度分布特征向量，包括：
根据所述多个第一预估明区和所述多个第二预估暗区，确定第一灰度特征向量；
根据所述多个第一预估暗区和所述多个第二预估明区，确定第二灰度特征向量；
根据所述第一灰度特征向量和所述第二灰度特征向量，生成所述多分区灰度分布特征向量。
可选地，所述根据所述多个第一预估明区和所述多个第二预估暗区，确定第一灰度特征向量，包括：
确定所述多个第一预估明区和所述多个第二预估暗区内各个灰度值分别对应的像素点个数；
根据所述多个第一预估明区和所述多个第二预估暗区内各个灰度值分别对应的像素点个数，生成所述第一灰度特征向量。
可选地，所述根据所述多个第一预估暗区和所述多个第二预估明区，确定第二灰度特征向量，包括：
确定所述多个第一预估暗区和所述多个第二预估明区内各个灰度值分别对应的像素点个数；
根据所述多个第一预估暗区和所述多个第二预估明区内各个灰度值分别对应的像素点个数，生成所述第二灰度特征向量。
可选地，所述根据所述多个第一预估明区和所述多个第二预估暗区，确定第一灰度特征向量之前，还包括：
获取灰度值统计范围，所述灰度值统计范围根据采集所述指纹的图像的图像采集设备的曝光参数确定；
所述根据所述多个第一预估明区和所述多个第二预估暗区，确定第一灰度特征向量，包括：
根据所述灰度值统计范围，确定所述多个第一预估明区和所述多个第二预估暗区内处于所述灰度值统计范围的各个灰度值对应的像素点个数；
根据所述多个第一预估明区和所述多个第二预估暗区内处于所述灰度值统计范围的各个灰度值对应的像素点个数，生成所述第一灰度特征向量。
可选地，所述根据所述第一灰度特征向量和所述第二灰度特征向量，生成所述多分区灰度分布特征向量，包括：
将所述第一灰度特征向量和所述第二灰度特征向量进行拼接，得到所述多分区灰度分布特征向量。
可选地，所述将所述多分区灰度分布特征向量输入指纹活体检测模型，得到指纹活体检测结果之前，还包括：
获取所述活体指纹样本图像和所述非活体指纹样本图像，所述活体指纹样本图像包括在绿灯关闭、红灯和蓝灯开启的状态下采集的多个活体指纹样本的图像，所述非活体指纹样本图像包括在绿灯关闭、红灯和蓝灯开启的状态下采集的多个非活体指纹样本的图像；
根据所述活体指纹样本图像和所述非活体指纹样本图像，通过监督学习训练得到所述指纹活体检测模型。
可选地，所述方法还包括：
获取第四原始图像，所述第四原始图像为绿灯开启的状态下采集的所述指纹的图像；
根据所述第四原始图像，确定指纹识别结果；
根据所述指纹识别结果和所述指纹活体检测结果，确定安全验证结果。
另一方面，提供了一种指纹活体检测装置，所述装置包括：
第一获取模块，用于获取第一指纹图像和第二指纹图像，所述第一指纹图像和所述第二指纹图像是指同一指纹的图像，所述第一指纹图像为红色通道图像，所述第二指纹图像为蓝色通道图像；
分区模块，用于对所述第一指纹图像和所述第二指纹图像分别进行区域划分，其中，划分后的第一指纹图像中包括多个第一预估明区和多个第一预估暗区，划分后的第二指纹图像中包括多个第二预估明区和多个第二预估暗区；
第一确定模块，用于根据所述多个第一预估明区、所述多个第一预估暗区、所述多个第二预估明区和所述多个第二预估暗区，确定多分区灰度分布特征向量；
检测模块，用于将所述多分区灰度分布特征向量输入指纹活体检测模型，得到指纹活体检测结果，所述指纹活体检测模型是根据活体指纹样本图像和非活体指纹样本图像通过监督学习训练得到的。
可选地，所述第一获取模块包括：
第一获取单元，用于获取第一原始图像，所述第一原始图像为绿灯关闭、红灯和蓝灯开启的状态下采集的所述指纹的图像；
第一提取单元，用于提取所述第一原始图像的红色通道的图像数据，生成所述第一指纹图像；
第二提取单元，用于提取所述第一原始图像的蓝色通道的图像数据，生成所述第二指纹图像。
可选地，所述第一获取模块包括：
第二获取单元，用于获取第二原始图像和第三原始图像，所述第二原始图像为绿灯和蓝灯关闭、红灯开启的状态下采集的所述指纹的图像，所述第三原始图像为绿灯和红灯关闭、蓝灯开启的状态下采集的所述指纹的图像；
第三提取单元，用于提取所述第二原始图像的红色通道的图像数据，生成所述第一指纹图像；
第四提取单元，用于提取所述第三原始图像的蓝色通道的图像数据，生成所述第二指纹图像。
可选地，所述分区模块包括：
第一确定单元，用于根据活体指纹的红色通道图像和蓝色通道图像中明区和暗区的分布规律，确定分区参数，所述分区参数包括多个分区宽度比例；
分区单元，用于根据所述多个分区宽度比例，对所述第一指纹图像和所述第二指纹图像分别进行区域划分。
可选地，所述第一指纹图像和所述第二指纹图像的图像大小相同，所述第一确定模块包括：
第二确定单元，用于根据所述多个第一预估明区和所述多个第二预估暗区，确定第一灰度特征向量；
第三确定单元，用于根据所述多个第一预估暗区和所述多个第二预估明区，确定第二灰度特征向量；
生成单元，用于根据所述第一灰度特征向量和所述第二灰度特征向量，生成所述多分区灰度分布特征向量。
可选地，所述第二确定单元包括：
第一确定子单元，用于确定所述多个第一预估明区和所述多个第二预估暗区内各个灰度值分别对应的像素点个数；
第一生成子单元，用于根据所述多个第一预估明区和所述多个第二预估暗区内各个灰度值分别对应的像素点个数，生成所述第一灰度特征向量。
可选地，所述第三确定单元包括：
第二确定子单元，用于确定所述多个第一预估暗区和所述多个第二预估明区内各个灰度值分别对应的像素点个数；
第二生成子单元，用于根据所述多个第一预估暗区和所述多个第二预估明区内各个灰度值分别对应的像素点个数，生成所述第二灰度特征向量。
可选地，所述第一确定模块还包括：
第三获取单元，用于获取灰度值统计范围，所述灰度值统计范围根据采集所述指纹的图像的图像采集设备的曝光参数确定；
所述第二确定单元包括：
第三确定子单元，用于根据所述灰度值统计范围，确定所述多个第一预估明区和所述多个第二预估暗区内处于所述灰度值统计范围的各个灰度值对应的像素点个数；
第三生成子单元，用于根据所述多个第一预估明区和所述多个第二预估暗区内处于所述灰度值统计范围的各个灰度值对应的像素点个数，生成所述第一灰度特征向量。
可选地，所述生成单元包括：
拼接子单元，用于将所述第一灰度特征向量和所述第二灰度特征向量进行拼接，得到所述多分区灰度分布特征向量。
可选地，所述装置还包括：
第二获取模块，用于获取所述活体指纹样本图像和所述非活体指纹样本图像，所述活体指纹样本图像包括在绿灯关闭、红灯和蓝灯开启的状态下采集的多个活体指纹样本的图像，所述非活体指纹样本图像包括在绿灯关闭、红灯和蓝灯开启的状态下采集的多个非活体指纹样本的图像；
训练模块，用于根据所述活体指纹样本图像和所述非活体指纹样本图像，通过监督学习训练得到所述指纹活体检测模型。
可选地，所述装置还包括：
第三获取模块，用于获取第四原始图像，所述第四原始图像为绿灯开启的状态下采集的所述指纹的图像；
识别模块，用于根据所述第四原始图像，确定指纹识别结果；
第二确定模块，用于根据所述指纹识别结果和所述指纹活体检测结果，确定安全验证结果。
另一方面，提供了一种指纹活体检测设备，所述指纹活体检测设备包括图像采集器和处理器，所述图像采集器包括补光灯和图像传感器；
所述图像采集器，用于采集第一原始图像；
所述补光灯，用于在采集所述第一原始图像的过程中，关闭绿灯、开启红灯和蓝灯为所述图像传感器进行补光；
所述处理器，用于对所述第一原始图像进行处理，得到第一指纹图像和第二指纹图像，所述第一指纹图像为红色通道图像，所述第二指纹图像为蓝色通道图像；对所述第一指纹图像和所述第二指纹图像分别进行区域划分，其中，划分后的第一指纹图像中包括多个第一预估明区和多个第一预估暗区，划分后的第二指纹图像中包括多个第二预估明区和多个第二预估暗区；根据所述多个第一预估明区、所述多个第一预估暗区、所述多个第二预估明区和所述多个第二预估暗区，确定多分区灰度分布特征向量；将所述多分区灰度分布特征向量输入指纹活体检测模型，得到指纹活体检测结果，所述指纹活体检测模型是根据活体指纹样本图像和非活体指纹样本图像通过监督学习训练得到的。
可选地，所述图像采集器，还用于采集第四原始图像；
所述补光灯，还用于在采集所述第四原始图像的过程中，开启绿灯为所述图像传感器进行补光；
所述处理器，还用于根据所述第四原始图像，确定指纹识别结果，以及根据所述指纹识别结果和所述指纹活体检测结果，确定安全验证结果。
另一方面，提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述所述指纹活体检测方法的步骤。
另一方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述所述的指纹活体检测方法的步骤。
本申请提供的技术方案至少可以带来以下有益效果：
在本申请中，可以对第一指纹图像和第二指纹图像进行区域划分，进而根据划分的区域来确定多分区灰度分布特征向量，以通过指纹活体检测模型进行指纹活体检测，其中，第一指纹图像为红色通道图像，第二指纹图像为蓝色通道图像。由于非活体指纹的这两个通道图像的各个区域灰度值的分布规律与活体指纹的不同，因此，通过多分区灰度分布特征向量可以识别出指纹图像是否存在活体指纹的灰度分布特征，进而确定出该指纹是否为活体指纹，安全性较高。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，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。
图1是本申请实施例提供的一种指纹活体检测设备的结构示意图；
图2是本申请实施例提供的一种指纹活体检测方法的流程图；
图3是本申请实施例采用的一种图像传感器的示意图；
图4是本申请实施例提供的一种提取出的红色通道的图像数据的示意图；
图5是本申请实施例提供的一种第一指纹图像的示意图；
图6是本申请实施例提供的一种提取出的蓝色通道的图像数据的示意图；
图7是本申请实施例提供的一种第二指纹图像的示意图；
图8是本申请实施例提供的一种确定图像各个区域的示意图；
图9是本申请实施例提供的另一种指纹活体检测方法的流程图；
图10是本申请实施例提供的一种指纹活体检测装置的结构示意图；
图11是本申请实施例提供的另一种指纹活体检测装置的结构示意图；
图12是本申请实施例提供的一种计算机设备的结构示意图。
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，下面将结合附图对本申请实施方式作进一步地详细描述。
目前，指纹识别在很多场景中有很重要的应用，例如考勤、门禁、电脑解锁、手机解锁、支付等场景。而当前指纹伪造技术也随之发展，例如用硅胶做成***来伪造他人指纹，成功通过指纹识别来进行一些非法行为。为了保证指纹识别的安全性，需要在指纹识别的基础上增加指纹活体检测，以有效防止使用***来冒充他人指纹。对于各种场景中所采集的指纹图像，可以根据本申请实施例提供的方法来进行指纹活体检测，得到指纹活体检测结果，并在此基础上对采集的指纹图像进行指纹识别，得到指纹识别结果，在指纹识别和指纹活体检测结果均通过的情况下，确定安全验证通过。
图1是本申请实施例提供的一种指纹活体检测设备100的结构示意图。参见图1，该指纹活体检测设备100包括图像采集器101、处理器102，图像采集器101包括LED补光灯、镜头和图像传感器，LED补光灯包括绿灯、红灯和蓝灯。
图像采集器101用于接收光信号或者感知电容，将接收到的光信号或感知到的电容转换为电信号发送给处理器102，处理器102用于根据接收到的电信号，确定当前光强变化量或者电容值，在光强变化量指示当前光线明显变暗或者电容值为活体手指的电容值时，向图像采集器101发送用于采集指纹图像的控制指令，也即是唤醒图像采集器101进行指纹采集。
图像采集器101在接收到该控制指令时，控制LED补光灯根据本申请实施例提供的指纹图像采集方法来开启绿灯，或者开启红灯和蓝灯来为图像传感器进行补光，通过镜头和图像传感器采集原始图像，并将采集的原始图像发送给处理器102，处理器102中部署有指纹活体检测模型，可以根据本申请实施例提供的指纹活体检测方法对原始图像进行处理，得到指纹活体检测结果。其中，指纹活体检测模型是根据活体指纹样本图像和非活体指纹样本图像通过监督学习训练得到的。
在本申请实施例中，图像采集器101可以采集第一原始图像，LED补光灯可以在采集第一原始图像的过程中，关闭绿灯、开启红灯和蓝灯为图像传感器进行补光，处理器102可以对第一原始图像进行处理，得到第一指纹图像和第二指纹图像，第一指纹图像为红色通道图像，第二指纹图像为蓝色通道图像。之后，处理器102可以对第一指纹图像和第二指纹图像分别进行区域划分，其中，划分后的第一指纹图像中包括多个第一预估明区和多个第一预估暗区，划分后的第二指纹图像中包括多个第二预估明区和多个第二预估暗区。处理器102还可以根据该多个第一预估明区、多个第一预估暗区、多个第二预估明区和多个第二预估暗区，确定多分区灰度分布特征向量，然后，将该多分区灰度分布特征向量输入指纹活体检测模型，得到指纹活体检测结果。
可选地，图像采集器101还可以采集第四原始图像，LED补光灯可以在采集第四原始图像的过程中，开启绿灯为图像传感器进行补光，处理器102可以根据第四原始图像，确定指纹识别结果，并根据指纹识别结果和指纹活体检测结果，确定安全验证结果。
在本申请实施例中，指纹活体检测设备100还可以包括存储器103，存储器103用于存储本申请实施例所需的数据以及计算机程序，例如存储有多个有效指纹的图像，用于指纹识别。处理器102可以执行存储器103中的计算机程序，以及对采集的原始图像与存储的多个有效指纹的图像进行比对，以进行指纹识别，得到指纹识别结果，最终还可以根据指纹活体检测结果和指纹识别结果来确定安全验证结果。
需要说明的是，LED补光灯为图像传感器补光来采集各个原始图像，以及处理器102对各个原始图像进行处理，得到指纹活体检测结果或者指纹识别结果的具体实现方式，可以参照下述图2方法实施例的相关介绍。
可选地，在本申请实施例中，LED补光灯包括红灯、绿灯和蓝灯，这三种灯分别对应的红光、绿光和蓝光的波长范围可以根据图像传感器的QE(Quantum Efficiency，量子效率)曲线来确定。例如，在仅开启红光的状态下，当图像传感器的QE曲线的峰值达到最大时，可以将该峰值位置对应的波长作为红光的中心波长，从中心波长分别向左和向右取一段波长范围，作为红光的波长范围。在本申请实施例中，根据该方法确定的绿光的波长范围可以为500nm-550nm，红光的波长范围可以为600nm-650nm，蓝光的波长范围可以为420nm-480nm，这几个范围仅作为一种示例，实际应用中，不同的设备最终确定的波长范围可能存在不同。
需要说明的是，图1所示的指纹活体检测设备100可以是指前端的图像采集设备，例如摄像头，也即是，本申请实施例所提供的指纹活体检测方法可以应用于前端的图像采集设备。在一种可能的实现方式中，上述指纹活体检测设备100的功能还可以通过前端设备和后端设备两个独立的设备来实现，其中，后台设备可以与前端设备通过有线或者无线连接以进行数据传输。在这种情况下，前端设备可以包括前述实施例中的图像采集器101，以进行原始图像的采集，之后，前端设备可以将采集到的原始图像发送至后端设备，后端设备可以通过本申请实施例提供的指纹活体检测方法对采集的原始图像进行检测以及识别，最终确定安全验证结果，之后，可以将安全验证结果发送给前端设备或者其他设备，以文字形式或者声音形式提示用户安全验证通过或者不通过。
综上所述，在本申请实施例中，可以对第一指纹图像和第二指纹图像进行区域划分，进而根据划分区域来确定多分区灰度分布特征向量，以通过指纹活体检测模型进行指纹活体检测，其中，第一指纹图像为红色通道图像，第二指纹图像为蓝色通道图像。由于非活体指纹的这两个通道图像的明区和暗区的灰度值的分布规律与活体指纹的不同，因此，通过多分区灰度分布特征向量可以识别出指纹图像是否存在活体指纹的灰度分布特征，进而确定出该指纹是否为活体指纹，安全性较高。
需要说明的是：上述实施例提供的指纹活体检测设备在检测指纹时，仅以上述各功能模块或者器件的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块或者器件完成，即将设备的内部结构划分成不同的功能模块或者器件，以完成以上描述的全部或者部分功能。另外，上述实施例提供的指纹活体检测设备与下述指纹活体检测方法实施例属于同一构思，其具体实现过程详见下述方法实施例，这里不再赘述。
接下来对本申请实施例提供的指纹活体检测方法进行详细的解释说明。
图2是本申请实施例提供的一种指纹活体检测方法的流程图，以该方法应用于图1所示的指纹活体检测设备为例进行说明。请参考图2，该方法包括如下步骤。
步骤201：获取第一指纹图像和第二指纹图像，第一指纹图像为红色通道图像，第二指纹图像为蓝色通道图像。
由于活体指纹的红色通道图像和蓝色通道图像均是明区和暗区交替分布的，且像素点的灰度值分布较为规律，而非活体指纹的这两个通道图像的像素点的灰度值分布较为混乱，也即是非活体指纹对应的灰度值的分布规律与活体指纹的不同，因此，可以根据灰度值的分布规律来进行指纹活体检测。也即是，在本申请实施例中，获取的第一指纹图像为红色通道图像，第二指纹图像为蓝色通道图像，第一指纹图像和第二指纹图像是指同一指纹的图像。
由前述对图1的相关介绍可知，采集指纹图像之前，需要先唤醒图像采集器，可以根据光强变化或者电容值来确定当前是否检测到采集对象，例如手指，当检测到采集对象时，可以唤醒图像采集器，开始采集指纹图像。
由于本申请需要根据红色通道图像和蓝色通道图像来进行指纹活体检测，基于此，本申请实施例提供了两种图像采集方法，也即是提供了两种获取第一指纹图像和第二指纹图像的实现方式，接下来对这两种实现方式进行介绍。
第一种实现方式，指纹活体检测设备可以获取第一原始图像，第一原始图像为绿灯关闭、红灯和蓝灯开启的状态下采集的指纹的图像，之后，指纹活体检测设备可以提取第一原始图像的红色通道的图像数据，生成第一指纹图像，提取第一原始图像的蓝色通道的图像数据，生成第二指纹图像。
在本申请实施例中，图像传感器包括红色通道、蓝色通道和绿色通道，例如图像传感器可以是如图3所示的拜尔模式的彩色图像传感器，其中，R为红色(R)通道，Gr和Gb均为绿色(G)通道，B为蓝色(B)通道。
在唤醒图像采集器之后，可以同时开启红灯和蓝灯，通过镜头和图像传感器采集第一原始图像，也即是，第一原始图像为绿灯关闭、红灯和蓝灯开启的状态下采集的该指纹的图像。之后，图像采集器可以将采集的原始图像发送给处理器。处理器可以提取第一原始图像的红色通道的图像数据，生成第一指纹图像，并提取蓝色通道的图像数据，生成第二指纹图像。
示例性地，以图3所示的图像传感器为例，假设采集对象为活体指纹，第一原始图像的大小为w0*h0，w0和h0分别表示第一原始图像的宽度和高度，也可以分别表示宽度方向和高度方向的像素点的个数。处理器可以将R通道的图像数据提取出来，得到如图4所示的红色通道图像数据，根据该红色通道图像数据生成如图5所示的第一指纹图像。处理器可以将B通道的图像数据提取出来，得到如图6所示的蓝色通道图像数据，根据该蓝色通道图像数据生成如图7所示的第二指纹图像，第一指纹图像和第二指纹图像的图像大小均为w0*h0/4。
第二种实现方式，指纹活体检测设备可以获取第二原始图像和第三原始图像，第二原始图像为绿灯和蓝灯关闭、红灯开启的状态下采集的该指纹的图像，第三原始图像为绿灯和红灯关闭、蓝灯开启的状态下采集的该指纹的图像。之后，指纹活体检测设备可以提取第二原始图像的红色通道的图像数据，生成第一指纹图像，提取第三原始图像的蓝色通道的图像数据，生成第二指纹图像。
可见，第二种实现方式是通过仅开启红灯采集第一幅原始图像，再仅开启蓝灯采集第二幅原始图像，进而提取第一幅原始图像的红色通道的图像数据，来生成第一指纹图像，提取第二幅原始图像的蓝色通道的图像数据，来生成第二指纹图像。其中，提取图像数据的方法可以参照第一种实现方式中的相关介绍，这里不再赘述。
需要说明的是，在第二种实现方式中，通过仅开启红灯和仅开启蓝灯的方式来采集两幅原始图像，这样可以避免同时开启红灯和蓝灯的情况下，红灯对蓝色通道的影响，以及蓝灯对红色通道的影响。而在第一种实现方式中，通过绿灯关闭、红灯和蓝灯同时开启的方法来采集一幅原始图像，相较于第二种实现方式，可以减少图像采集的时间。
可选地，由于采集的指纹图像的边缘可能存在畸变，因此，指纹活体检测设备可以在提取出红色通道的图像数据和蓝色通道的图像数据之后，还可以对红色通道图像和蓝色通道图像进行畸变校正。另外，指纹活体检测设备还可以根据预设图像大小参数，对红色通道图像和蓝色通道图像分别进行裁剪，以将边缘部分不清晰的图像去掉，并得到图像大小相同的第一指纹图像和第二指纹图像。
步骤202：对第一指纹图像和第二指纹图像分别进行区域划分，其中，划分后的第一指纹图像中包括多个第一预估明区和多个第一预估暗区，划分后的第二指纹图像中包括多个第二预估明区和多个第二预估暗区。
在本申请实施例中，指纹活体检测设备可以根据活体指纹的红色通道图像和蓝色通道图像中明区和暗区的分布规律，对第一指纹图像和第二指纹图像分别进行区域划分，以将第一指纹图像划分为多个第一预估明区和多个第一预估暗区，将第二指纹图像划分为多个第二预估明区和多个第二预估暗区。
由图5所示的第一指纹图像和图7所示的第二指纹图像可以看出，红色通道图像沿图像高度方向从上到下的明区和暗区的分布规律为：明、暗、明、暗、明，蓝色通道图像沿图像高度方向从上到下的明区和暗区的分布规律为：暗、明、暗、明、暗，也即是红色通道图像和蓝色通道图像均呈现明暗交替的分布规律，指纹活体检测设备可以根据该分布规律，对第一指纹图像和第二指纹图像进行区域划分。
在本申请实施例中，指纹活体检测设备可以根据活体指纹的红色通道图像和蓝色通道图像中明区和暗区的分布规律，确定分区参数，该分区参数包括多个分区宽度比例，之后，根据多个分区宽度比例，对第一指纹图像和第二指纹图像分别进行区域划分。
需要说明的是，该分区参数也可以是事先根据各个区域的分布规律设置的参数，例如，可以统计多幅活体指纹的红色通道图像和蓝色通道图像的明暗分布情况，根据明暗分布情况确定活体指纹的红色通道图像和蓝色通道图像每个图像中明区和暗区的总数量，以及从上到下处于同一位置上的明区和暗区占图像高度的比例，以此来得到每个分区宽度比例，并在指纹活体检测设备中设置该分区参数。
示例性地，图8是本申请实施例中提供的一种确定图像各个区域的示意图，参见图8，图8中的左上图为活体指纹的红色通道图像，即第一指纹图像，右上图为活体指纹的蓝色通道图像，即第二指纹图像，通过红色通道图像和蓝色通道图像均呈现明暗交替的分布规律，可以将红色通道图像和蓝色通道图像从上至下均分为5个区域，红色通道图像包括的5个区域从上到下依次为明区、暗区、明区、暗区和明区，蓝色通道图像包括的5个区域从上到下依次为暗区、明区、暗区、明区和暗区，且红色通道图像的5个区域与蓝色通道的5个区域一一对应，也即两幅图像中对应区域的宽度比例相同，不同的是，红色通道图像中的明区，在蓝色通道图像中相同高度范围上对应的区域为暗区。综合红色通道图像和蓝色通道图像的明暗区分布，可以得出不管蓝色通道图像还是红色通道图像都可以以相同的划分规则划分为如图8所示的五个区域，分别为区域1、区域2、区域3、区域4和区域5，5个区域对应的分区宽度比例如图8所示，例如从上至下可以分别为20/66、10/66、15/66、9/66和12/66，还可以是其他的比例。
指纹活体检测设备可以按照图8所示的分区宽度比例分别对第一指纹图像和第二指纹图像进行分区，划分后的第一指纹图像包括3个第一预估明区和2个第一预估暗区，其中，3个第一预估明区对应图8中的区域1、区域3和区域5，2个第一预估暗区对应图8中的区域2和区域4，同理，划分后的第二指纹图像包括2个第二预估明区和3个第二预估暗区，其中，2个第二预估明区对应图8中的区域2和区域4，3个第二预估暗区对应图8中的区域1、区域3和区域5。
可选地，在第一指纹图像和第二指纹图像的图像大小为预设图像大小的情况下，分区参数可以包括多个宽度值。示例性地，假设预设图像大小的高度为66像素，图8所示的5个区域的宽度值从上之下依次可以为20、10、15、9和12像素。指纹活体检测设备可以根据该多个宽度值，将第一指纹图像和第二指纹图像进行区域划分。
步骤203：根据该多个第一预估明区、多个第一预估暗区、多个第二预估明区和多个第二预估暗区，确定多分区灰度分布特征向量。
在本申请实施例中，第一指纹图像和第二指纹图像的图像大小相同，在对第一指纹图像和第二指纹图像分别进行区域划分之后，指纹活体检测设备可以根据统计划分出的各个区域的灰度值，来确定多分区灰度分布特征向量。
在本申请实施例中，指纹活体检测设备可以根据该多个第一预估明区和该多个第二预估暗区，确定第一灰度特征向量，根据该多个第一预估暗区和该多个第二预估明区，确定第二灰度特征向量。之后，指纹活体检测设备可以根据第一灰度特征向量和第二灰度特征向量，生成多分区灰度分布特征向量。
指纹活体检测设备可以通过统计第一指纹图像和第二指纹图像的各个区域的灰度值，来确定第一灰度特征向量和第二灰度特征向量。
在本申请实施例中，指纹活体检测设备可以确定该多个第一预估明区和多个第二预估暗区内各个灰度值分别对应的像素点个数，并根据该多个第一预估明区和多个第二预估暗区内各个灰度值分别对应的像素点个数，生成第一灰度特征向量。也即是，指纹活体检测设备可以统计第一指纹图像的多个第一预估明区内和第二指纹图像的多个第二预估暗区内各个灰度值分别对应的像素点个数，来确定第一灰度特征向量。其中，多个第一预估明区与多个第二预估暗区一一对应，且对应的区域是处于两幅图像的同一个高度范围的区域。
示例性地，以图8所介绍的分区示意图为例，指纹活体检测设备可以统计第一指纹图像的区域1、区域3和区域5内，灰度值‘0’至‘255’中每个灰度值对应的像素点个数，将统计得到的各个灰度值对应的像素点的个数，按照灰度值从0-255的顺序依次排列，从而得到向量histr1。统计第二指纹图像的区域1、区域3和区域5内，灰度值‘0’至‘255’中每个灰度值的像素点个数，同样将统计得到的各个灰度值对应的像素点的个数，按照灰度值从0-255的顺序依次排列，得到向量histb1。其中，向量histr1和向量histb1的长度均为256。然后可以将向量histr1和向量histb1相加，得到第一灰度特征向量hisfp1，向量hisfp1的长度也为256。
同样地，指纹活体检测设备可以确定该多个第一预估暗区和该多个第二预估明区内各个灰度值分别对应的像素点个数，并根据该多个第一预估暗区和该多个第二预估明区内各个灰度值分别对应的像素点个数，生成第二灰度特征向量。也即是，指纹活体检测设备可以统计第一指纹图像的多个第一预估暗区内和第二指纹图像的多个第二预估明区内各个灰度值分别对应的像素点个数，来确定第二灰度特征向量。
示例性地，仍以图8所介绍的分区示意图为例，指纹活体检测设备可以统计第一指纹图像的区域2和区域4内，灰度值‘0’至‘255’中每个灰度值的像素点个数，将统计得到的各个灰度值对应的像素点的个数，按照灰度值从0-255的顺序依次排列，从而得到向量histr2。统计第二指纹图像的区域2和区域4内，灰度值‘0’至‘255’中每个灰度值的像素点个数，将统计得到的各个灰度值对应的像素点的个数，按照灰度值从0-255的顺序依次排列，从而得到向量histb2。其中，向量histr2和向量histb2的长度均为256。然后可以将向量histr2和向量histb2相加，得到第二灰度特征向量hisfp2，向量hisfp2的长度也为256。
可选地，由于指纹活体检测设备采集图像时的曝光度会对采集的图像产生影响，曝光度过高，采集的图像的过亮，曝光度过低，采集的图像过暗，为了减少曝光的影响，保留有效的灰度信息，可以缩小灰度值的统计范围，也即是可以根据采集该指纹的图像的图像采集设备的曝光参数来确定一个灰度值统计范围。在实际应用中，不同的图像采集设备的曝光参数可能不同，可以根据各个设备的曝光参数来设置对应的灰度值统计范围。需要说明的是，在本申请实施例中，指纹活体检测设备即为图像采集设备。另外，通过缩小灰度值统计范围，可以减少计算量，加快检测速度。
基于上述介绍，在本申请实施例中，指纹活体检测设备可以获取灰度值统计范围，并根据该灰度值统计范围，确定该多个第一预估明区和该多个第二预估暗区内处于该灰度值统计范围的各个灰度值对应的像素点个数，根据该多个第一预估明区和多个第二预估暗区内处于该灰度值统计范围的各个灰度值对应的像素点个数，生成第一灰度特征向量。
同样地，指纹活体检测设备可以根据该灰度值统计范围，确定该多个第一预估暗区和该多个第二预估明区内处于该灰度值统计范围的各个灰度值对应的像素点个数，根据该多个第一预估暗区和多个第二预估明区内处于该灰度值统计范围的各个灰度值对应的像素点个数，生成第二灰度特征向量。
也即是，指纹活体检测设备可以仅统计第一指纹图像和第二指纹图像的各个区域内处于该灰度值统计范围内的各个灰度值对应的像素点个数，并按照前述介绍的方法来生成第一灰度特征向量和第二灰度特征向量。
示例性地，灰度值统计范围可以为‘11’至‘230’，这样根据前述方法得到的第一灰度特征向量和第二灰度特征向量的长度均为220，向量的长度减小了，可以减少后续的计算量。
在得到第一灰度特征向量和第二灰度特征向量之后，指纹活体检测设备可以将第一灰度特征向量和第二灰度特征向量进行拼接，得到多分区灰度分布特征向量。
示例性地，第一灰度特征向量为hisfp1，第二灰度特征向量为hisfp2，将第一灰度特征向量和第二灰度特征向量拼接之后，得到的多分区灰度分布特征向量可以为[hisfp1，hisfp2]。
以上介绍的指纹活体检测设备得到多分区灰度分布特征向量的步骤为，先统计第一指纹图像的多个第一预估明区和第二指纹图像的多个第二预估暗区，分别得到两个向量，这两个向量相加得到第一灰度特征向量，再统计第一指纹图像的多个第一预估暗区和第二指纹图像的多个第二预估明区，分别得到两个向量，这两个向量相加得到第二灰度特征向量，之后将第一灰度特征向量和第二灰度特征向量进行拼接，得到多分区灰度分布特征向量。
可选性，在本申请实施例中，指纹活体检测设备也可以先统计第一指纹图像的多个第一预估明区，得到向量histr1，统计第一指纹图像的多个第一预估暗区，得到向量histr2，将向量histr1和向量histr2进行拼接，得到第一灰度拼接向量histr，再统计第二指纹图像的多个第二预估暗区，得到向量histb1，统计第二指纹图像的多个第二预估明区，得到向量histb2，将向量histb1和向量histb2进行拼接，得到第二灰度拼接向量histb，之后，将向量histr和向量histb相加，得到多分区灰度分布特征向量hisfp。也即是，分别统计两幅图像，得到两幅图像各自对应的明区和暗区的灰度拼接向量，然后将两个灰度拼接向量相加，得到多分区灰度分布特征向量。这样，指纹活体检测设备可以先处理一幅图像，再处理另一幅图像，无需来回地更换要统计的图像的图像数据。
需要说明的是，以上介绍的统计各个区域的灰度值，来确定多分区灰度分布特征向量的步骤中，各个区域的统计顺序可以不分先后，根据实际确定一个统计顺序即可。
可选地，指纹活体检测设备也可以将上述各个统计结果用灰度直方图进行表示，根据灰度直方图来确定各个向量。
步骤204：将多分区灰度分布特征向量输入指纹活体检测模型，得到指纹活体检测结果。
在本申请实施例中，指纹活体检测设备在得到多分区灰度分布特征向量之后，可以将该向量输入指纹活体检测模型，得到指纹活体检测结果。
可选地，指纹活体检测模型可以为SVM(Support Vector Machine,支持向量机)分类器、神经网络模型、随机森林模型等，本申请实施例对此不作限定。指纹活体检测结果可以为‘是活体指纹’或者‘不是活体指纹’，或者为‘0’或‘1’，‘0’表示不是活体指纹，‘1’表示是活体指纹。
需要说明的是，在本申请实施例中，指纹活体检测模型可以是根据活体指纹样本图像和非活体指纹样本图像通过监督学习训练得到的，指纹活体检测模型为事先训练好的模型，可以在指纹活体检测设备上训练得到该指纹活体检测模型，或者还可以由其他的设备训练得到该指纹活体检测模型，例如后台设备，或其他的计算机设备，之后将该指纹活体检测模型部署在指纹活体检测设备上。本申请实施例以在指纹活体检测设备上训练得到该指纹活体检测模型为例进行介绍。
在本申请实施例中，指纹活体检测设备可以获取活体指纹样本图像和非活体指纹样本图像，活体指纹样本图像包括在绿灯关闭、红灯和蓝灯开启的状态下采集的多个活体指纹样本的图像，非活体指纹样本图像包括在绿灯关闭、红灯和蓝灯开启的状态下采集的多个非活体指纹样本的图像。之后，指纹活体检测设备可以根据该活体指纹样本图像和非活体指纹样本图像，通过监督学习训练得到指纹活体检测模型。
需要说明的是，获取活体指纹样本图像和非活体指纹样本图像的方法，与前述采集第一原始图像的方法相同，这里不再赘述。
在获取活体指纹样本图像和非活体指纹样本图像之后，指纹活体检测设备可以按照前述得到多分区灰度分布特征向量的方法，得到每个样本图像对应的多分区灰度分布特征向量。之后，可以根据各个样本图像对应的多分区灰度分布特征向量，训练得到指纹活体检测模型。
可选地，每个样本图像对应一个样本标签，活体指纹样本图像的样本标签可以为‘1’，非活体指纹样本图像的样本标签可以为‘0’，指纹活体检测设备可以根据各个样本图像对应的多分区灰度分布特征向量和样本标签，通过监督学习训练得到指纹活体检测模型。
示例性地，假设指纹活体检测模型为SVM分类器，指纹活体检测设备可以根据各个样本图像对应的多分区灰度分布特征向量和样本标签，通过监督学习训练得到该SVM分类器，该SVM分类器为一个二分类器。
图9是本申请实施例提供的另一种指纹活体检测方法的流程图。参见图9，假设指纹活体检测模型为SVM分类器，分别对第一指纹图像(ImgR)和第二指纹图像(ImgB)，进行特征提取，得到向量histr和向量histb，再进行特征合成，也即将向量histr和向量histb进行拼接，得到多分区灰度分布特征向量hiafp，将向量hisfp输入SVM分类器中，输出指纹活体检测结果。
以上介绍了本申请实施例提供的指纹活体检测的方法，在实际应用中，需要将指纹识别和指纹活体检测结合，来确定最终的安全验证结果。也即是，如果指纹识别结果指示所采集的指纹为有效指纹，且指纹活体检测结果指示所采集的指纹为活体指纹，则确定安全验证通过。基于此，本申请实施例还提供了一种指纹安全验证方法，接下来将对此进行介绍。
在本申请实施例中，指纹活体检测设备还可以获取第四原始图像，第四原始图像为绿灯开启的状态下采集的所述指纹的图像，根据第四原始图像，确定指纹识别结果。之后，指纹活体检测设备可以根据指纹识别结果和指纹活体检测结果，确定安全验证结果。
由于活体指纹的绿色通道图像能够呈现较为清晰的指纹纹路，也即没有明暗交替的特征，相较于红色通道图像和蓝色通道图像，绿色通道图像更适合于指纹识别。另外，在三种颜色的灯均开启的状态下，所采集的活体指纹的图像，也是呈现很清晰的指纹纹路，也适合于指纹识别。基于此，可以在唤醒图像采集器进行指纹采集时，不仅采集红灯和蓝灯开启状态下该指纹的原始图像，还可以采集在绿灯开启的状态下该指纹的图像，得到第四原始图像。其中，绿灯开启的状态可以是指绿灯开启、红灯和蓝灯关闭的状态，或者，绿灯、红灯和蓝灯均开启的状态。也即是，在唤醒图像采集器之后，可以采集第一原始图像和第四原始图像，以完成一次采集，或者采集第二原始图像、第三原始图像和第四原始图像，以完成一次采集。
另外，每次完成采集后，可以关闭所有的灯，且本申请实施例对要采集的原始图像的顺序不作限定。例如，可以先仅开启绿灯采集第四原始图像，再关闭绿灯、开启红灯和蓝灯采集第一原始图像。又如，可以先开启绿灯、红灯和蓝灯采集第四原始图像，再关闭绿灯、保持红灯和蓝灯开启的状态采集第一原始图像。再如，可以先开启红灯采集第二原始图像，再关闭红灯、开启蓝灯采集第三原始图像，最后再关闭蓝灯、开启绿灯采集第四原始图像。
在获取到第四原始图像之后，指纹活体检测设备可以提取第四原始图像的绿色通道的图像数据，生成第三指纹图像，之后，提取第三指纹图像的指纹特征，例如纹数、纹形、核心点、断点、交叉点、方向、曲率等，根据提取的指纹特征与存储的各个有效指纹的图像对应的特征进行对比，得到指纹识别结果。其中，指纹识别结果可以为‘是有效指纹’或者‘不是有效指纹’。
其中，提取第四原始图像的绿色通道的图像数据，生成第三指纹图像的实现方式可以参照前述有关生成第一指纹图像和第二指纹图像的相关介绍。
示例性地，以图3所示的拜尔模式的彩色图像传感器为例，指纹活体检测设备在采集到第四原始图像之后，可以提取Gr通道的图像数据，或者提取Gb通道的图像数据，得到图像大小为w0*h0/4的第三指纹图像。可选地，指纹活体检测设备也可以对提取之后得到的图像进行畸变校正，得到校正之后的第三指纹图像。可选地，进一步地，指纹活体检测设备还可以根据预设图像大小参数，对校正之后的图像进行裁剪得到中间较为清晰的部分，作为第三指纹图像。
需要说明的是，第三指纹图像的图像大小可以与第一指纹图像的图像大小相同或不同。如果相同，则设置一组预设图像大小参数即可。
可选地，在获取到第四原始图像之后，指纹活体检测设备也可以直接提取第四原始图像的指纹特征，根据提取的指纹特征与存储的各个有效指纹的图像对应的特征进行对比，得到指纹识别结果。
在根据以上方法得到指纹识别结果和指纹活体检测结果之后，指纹活体检测设备可以根据这两个结果，确定最终的安全验证结果。示例性地，如果指纹识别结果指示所采集的指纹为有效指纹，且指纹活体检测结果指示所采集的指纹为活体指纹，则确定安全验证通过。如果指纹识别结果指示所采集的指纹不是有效指纹，或者指纹活体检测结果指示所采集的指纹不是活体指纹，则确定安全验证不通过，指纹活体检测设备可以以文字提示或者声音来提示用户。
综上所述，在本申请实施例中，可以对第一指纹图像和第二指纹图像进行区域划分，进而根据划分的区域来确定多分区灰度分布特征向量，以通过指纹活体检测模型进行指纹活体检测，其中，第一指纹图像为红色通道图像，第二指纹图像为蓝色通道图像。由于非活体指纹的各个区域灰度值的分布规律与活体指纹的不同，因此，通过多分区灰度分布特征向量可以识别出指纹图像是否存在活体指纹的灰度分布特征，进而确定出该指纹是否为活体指纹，安全性较高。
图10是本申请实施例提供的一种指纹活体检测装置1000的结构示意图，该指纹活体检测装置1000可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部。请参考图10，该装置包括：第一获取模块1001、第一获取模块1002、第一获取模块1003和第一获取模块1004。
第一获取模块1001，用于获取第一指纹图像和第二指纹图像，第一指纹图像和第二指纹图像是指同一指纹的图像，第一指纹图像为红色通道图像，第二指纹图像为蓝色通道图像；
分区模块1002，用于对第一指纹图像和第二指纹图像分别进行区域划分，其中，划分后的第一指纹图像中包括多个第一预估明区和多个第一预估暗区，划分后的第二指纹图像中包括多个第二预估明区和多个第二预估暗区；
第一确定模块1003，用于根据多个第一预估明区、多个第一预估暗区、多个第二预估明区和多个第二预估暗区，确定多分区灰度分布特征向量；
检测模块1004，用于将多分区灰度分布特征向量输入指纹活体检测模型，得到指纹活体检测结果，指纹活体检测模型是根据活体指纹样本图像和非活体指纹样本图像通过监督学习训练得到的。
可选地，第一获取模块1001包括：
第一获取单元，用于获取第一原始图像，第一原始图像为绿灯关闭、红灯和蓝灯开启的状态下采集的指纹的图像；
第一提取单元，用于提取第一原始图像的红色通道的图像数据，生成第一指纹图像；
第二提取单元，用于提取第一原始图像的蓝色通道的图像数据，生成第二指纹图像。
可选地，第一获取模块1001包括：
第二获取单元，用于获取第二原始图像和第三原始图像，第二原始图像为绿灯和蓝灯关闭、红灯开启的状态下采集的指纹的图像，第三原始图像为绿灯和红灯关闭、蓝灯开启的状态下采集的指纹的图像；
第三提取单元，用于提取第二原始图像的红色通道的图像数据，生成第一指纹图像；
第四提取单元，用于提取第三原始图像的蓝色通道的图像数据，生成第二指纹图像。
可选地，分区模块1002包括：
第一确定单元，用于根据活体指纹的红色通道图像和蓝色通道图像中明区和暗区的分布规律，确定分区参数，分区参数包括多个分区宽度比例；
分区单元，用于根据多个分区宽度比例，对第一指纹图像和第二指纹图像分别进行区域划分。
可选地，第一指纹图像和第二指纹图像的图像大小相同，第一确定模块1003包括：
第二确定单元，用于根据多个第一预估明区和多个第二预估暗区，确定第一灰度特征向量；
第三确定单元，用于根据多个第一预估暗区和多个第二预估明区，确定第二灰度特征向量；
生成单元，用于根据第一灰度特征向量和第二灰度特征向量，生成多分区灰度分布特征向量。
可选地，第二确定单元包括：
第一确定子单元，用于确定多个第一预估明区和多个第二预估暗区内各个灰度值分别对应的像素点个数；
第一生成子单元，用于根据多个第一预估明区和多个第二预估暗区内各个灰度值分别对应的像素点个数，生成第一灰度特征向量。
可选地，第三确定单元包括：
第二确定子单元，用于确定多个第一预估暗区和多个第二预估明区内各个灰度值分别对应的像素点个数；
第二生成子单元，用于根据多个第一预估暗区和多个第二预估明区内各个灰度值分别对应的像素点个数，生成第二灰度特征向量。
可选地，第一确定模块1003还包括：
第三获取单元，用于获取灰度值统计范围，灰度值统计范围根据采集指纹的图像的图像采集设备的曝光参数确定；
第二确定单元包括：
第三确定子单元，用于根据灰度值统计范围，确定多个第一预估明区和多个第二预估暗区内处于灰度值统计范围的各个灰度值对应的像素点个数；
第三生成子单元，用于根据多个第一预估明区和多个第二预估暗区内处于灰度值统计范围的各个灰度值对应的像素点个数，生成第一灰度特征向量。
可选地，生成单元包括：
拼接子单元，用于将第一灰度特征向量和第二灰度特征向量进行拼接，得到多分区灰度分布特征向量。
可选地，该装置1000还包括：
第二获取模块，用于获取活体指纹样本图像和非活体指纹样本图像，活体指纹样本图像包括在绿灯关闭、红灯和蓝灯开启的状态下采集的多个活体指纹样本的图像，非活体指纹样本图像包括在绿灯关闭、红灯和蓝灯开启的状态下采集的多个非活体指纹样本的图像；
训练模块，用于根据活体指纹样本图像和非活体指纹样本图像，通过监督学习训练得到指纹活体检测模型。
可选地，参见图11，该装置1000还包括：
第三获取模块1005，用于获取第四原始图像，第四原始图像为绿灯开启的状态下采集的指纹的图像；
识别模块1006，用于根据第四原始图像，确定指纹识别结果；
第二确定模块1007，用于根据指纹识别结果和指纹活体检测结果，确定安全验证结果。
综上所述，在本申请实施例中，可以对第一指纹图像和第二指纹图像进行区域划分，进而根据划分区域来确定多分区灰度分布特征向量，以通过指纹活体检测模型进行指纹活体检测，其中，第一指纹图像为红色通道图像，第二指纹图像为蓝色通道图像。由于非活体指纹的这两个通道图像的明区和暗区的灰度值的分布规律与活体指纹的不同，因此，通过多分区灰度分布特征向量可以识别出指纹图像是否存在活体指纹的灰度分布特征，进而确定出该指纹是否为活体指纹，安全性较高。
需要说明的是：上述实施例提供的指纹活体检测装置在检测指纹时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的指纹活体检测装置与指纹活体检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图12是本申请实施例提供的一种计算机设备1200的结构框图。该计算机设备1200可以是智能手机、平板电脑、笔记本电脑或台式电脑等可以通过采集指纹来进行安全验证的指纹活体检测设备。
通常，计算机设备1200包括有：处理器1201和存储器1202。
处理器1201可以包括一个或多个处理核心，比如4核心处理器、12核心处理器等。处理器1201可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1201也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1201可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1201还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器1202可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1202还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1202中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1201所执行以实现本申请中方法实施例提供的指纹活体检测方法。
在一些实施例中，计算机设备1200还可选包括有：***设备接口1203和至少一个***设备。处理器1201、存储器1202和***设备接口1203之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1203相连。具体地，***设备包括：射频电路1204、触摸显示屏1205、摄像头1206、音频电路1207、定位组件1208和电源1209中的至少一种。
***设备接口1203可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器1201和存储器1202。在一些实施例中，处理器1201、存储器1202和***设备接口1203被集成在同一芯片或电路板上；在一些其他实施例中，处理器1201、存储器1202和***设备接口1203中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路1204用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1204通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1204将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1204包括：天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1204可以通过至少一种无线通信协议来与其它计算机设备进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1204还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏1205用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1205是触摸显示屏时，显示屏1205还具有采集在显示屏1205的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1201进行处理。此时，显示屏1205还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1205可以为一个设置于计算机设备1200的前面板；在另一些实施例中，显示屏1205可以为至少两个分别设置在计算机设备1200的不同表面或呈折叠设计；在其他一些实施例中，显示屏1205可以是柔性显示屏，设置在计算机设备1200的弯曲表面上或折叠面上。甚至，显示屏1205还可以设置成非矩形的不规则图形，也即异形屏。显示屏1205可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(OrganicLight-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1206用于采集图像或视频。可选地，摄像头组件1206包括前置摄像头和后置摄像头。通常，前置摄像头设置在计算机设备的前面板，后置摄像头设置在计算机设备的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1206还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路1207可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1201进行处理，或者输入至射频电路1204以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在计算机设备1200的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1201或射频电路1204的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1207还可以包括耳机插孔。
定位组件1208用于定位计算机设备1200的当前地理位置，以实现导航或LBS(Location Based Service，基于位置的服务)。定位组件1208可以是基于美国的GPS(Global Positioning System，全球定位***)、中国的北斗***或俄罗斯的伽利略***的定位组件。
电源1209用于为计算机设备1200中的各个组件进行供电。电源1209可以是交流电、直流电、一次性电池或可充电电池。当电源1209包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中，计算机设备1200还包括有一个或多个传感器1210。该一个或多个传感器1210包括但不限于：加速度传感器1211、陀螺仪传感器1212、压力传感器1213、指纹传感器1214、光学传感器1215以及接近传感器1216。
加速度传感器1211可以检测以计算机设备1200建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1211可以用于检测重力加速度在三个坐标轴上的分量。处理器1201可以根据加速度传感器1211采集的重力加速度信号，控制触摸显示屏1205以横向视图或纵向视图进行用户界面的显示。加速度传感器1211还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1212可以检测计算机设备1200的机体方向及转动角度，陀螺仪传感器1212可以与加速度传感器1211协同采集用户对计算机设备1200的3D动作。处理器1201根据陀螺仪传感器1212采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1213可以设置在计算机设备1200的侧边框和/或触摸显示屏1205的下层。当压力传感器1213设置在计算机设备1200的侧边框时，可以检测用户对计算机设备1200的握持信号，由处理器1201根据压力传感器1213采集的握持信号进行左右手识别或快捷操作。当压力传感器1213设置在触摸显示屏1205的下层时，由处理器1201根据用户对触摸显示屏1205的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1214用于采集用户的指纹，由处理器1201根据指纹传感器1214采集到的指纹识别用户的身份，或者，由指纹传感器1214根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1201授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1214可以被设置计算机设备1200的正面、背面或侧面。当计算机设备1200上设置有物理按键或厂商Logo时，指纹传感器1214可以与物理按键或厂商Logo集成在一起。
光学传感器1215用于采集环境光强度。在一个实施例中，处理器1201可以根据光学传感器1215采集的环境光强度，控制触摸显示屏1205的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏1205的显示亮度；当环境光强度较低时，调低触摸显示屏1205的显示亮度。在另一个实施例中，处理器1201还可以根据光学传感器1215采集的环境光强度，动态调整摄像头组件1206的拍摄参数。
接近传感器1216，也称距离传感器，通常设置在计算机设备1200的前面板。接近传感器1216用于采集用户与计算机设备1200的正面之间的距离。在一个实施例中，当接近传感器1216检测到用户与计算机设备1200的正面之间的距离逐渐变小时，由处理器1201控制触摸显示屏1205从亮屏状态切换为息屏状态；当接近传感器1216检测到用户与计算机设备1200的正面之间的距离逐渐变大时，由处理器1201控制触摸显示屏1205从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图12中示出的结构并不构成对计算机设备1200的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在一些实施例中，还提供了一种计算机可读存储介质，该存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中指纹活体检测方法的步骤。例如，所述计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
值得注意的是，本申请提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。
应当理解的是，实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。所述计算机指令可以存储在上述计算机可读存储介质中。
也即是，在一些实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述所述的指纹活体检测方法的步骤。
以上所述为本申请提供的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (14)

1.一种指纹活体检测方法，其特征在于，所述方法包括：
获取第一指纹图像和第二指纹图像，所述第一指纹图像和所述第二指纹图像是指同一指纹的图像，所述第一指纹图像为红色通道图像，所述第二指纹图像为蓝色通道图像；
对所述第一指纹图像和所述第二指纹图像分别进行区域划分，其中，划分后的第一指纹图像中包括多个第一预估明区和多个第一预估暗区，划分后的第二指纹图像中包括多个第二预估明区和多个第二预估暗区；
根据所述多个第一预估明区、所述多个第一预估暗区、所述多个第二预估明区和所述多个第二预估暗区，确定多分区灰度分布特征向量；
将所述多分区灰度分布特征向量输入指纹活体检测模型，得到指纹活体检测结果，所述指纹活体检测模型是根据活体指纹样本图像和非活体指纹样本图像通过监督学习训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述获取第一指纹图像和第二指纹图像，包括：
获取第一原始图像，所述第一原始图像为绿灯关闭、红灯和蓝灯开启的状态下采集的所述指纹的图像；
提取所述第一原始图像的红色通道的图像数据，生成所述第一指纹图像；
提取所述第一原始图像的蓝色通道的图像数据，生成所述第二指纹图像。
3.根据权利要求1所述的方法，其特征在于，所述获取第一指纹图像和第二指纹图像，包括：
获取第二原始图像和第三原始图像，所述第二原始图像为绿灯和蓝灯关闭、红灯开启的状态下采集的所述指纹的图像，所述第三原始图像为绿灯和红灯关闭、蓝灯开启的状态下采集的所述指纹的图像；
提取所述第二原始图像的红色通道的图像数据，生成所述第一指纹图像；
提取所述第三原始图像的蓝色通道的图像数据，生成所述第二指纹图像。
4.根据权利要求1所述的方法，其特征在于，所述对所述第一指纹图像和所述第二指纹图像分别进行区域划分，包括：
根据活体指纹的红色通道图像和蓝色通道图像中明区和暗区的分布规律，确定分区参数，所述分区参数包括多个分区宽度比例；
根据所述多个分区宽度比例，对所述第一指纹图像和所述第二指纹图像分别进行区域划分。
5.根据权利要求1-4任一所述的方法，其特征在于，所述第一指纹图像和所述第二指纹图像的图像大小相同，所述根据所述多个第一预估明区、所述多个第一预估暗区、所述多个第二预估明区和所述多个第二预估暗区，确定多分区灰度分布特征向量，包括：
根据所述多个第一预估明区和所述多个第二预估暗区，确定第一灰度特征向量；
根据所述多个第一预估暗区和所述多个第二预估明区，确定第二灰度特征向量；
根据所述第一灰度特征向量和所述第二灰度特征向量，生成所述多分区灰度分布特征向量。
6.根据权利要求5所述的方法，其特征在于，所述根据所述多个第一预估明区和所述多个第二预估暗区，确定第一灰度特征向量，包括：
确定所述多个第一预估明区和所述多个第二预估暗区内各个灰度值分别对应的像素点个数；
根据所述多个第一预估明区和所述多个第二预估暗区内各个灰度值分别对应的像素点个数，生成所述第一灰度特征向量。
7.根据权利要求5所述的方法，其特征在于，所述根据所述多个第一预估暗区和所述多个第二预估明区，确定第二灰度特征向量，包括：
确定所述多个第一预估暗区和所述多个第二预估明区内各个灰度值分别对应的像素点个数；
根据所述多个第一预估暗区和所述多个第二预估明区内各个灰度值分别对应的像素点个数，生成所述第二灰度特征向量。
8.根据权利要求5所述的方法，其特征在于，所述根据所述多个第一预估明区和所述多个第二预估暗区，确定第一灰度特征向量之前，还包括：
获取灰度值统计范围，所述灰度值统计范围根据采集所述指纹的图像的图像采集设备的曝光参数确定；
所述根据所述多个第一预估明区和所述多个第二预估暗区，确定第一灰度特征向量，包括：
根据所述灰度值统计范围，确定所述多个第一预估明区和所述多个第二预估暗区内处于所述灰度值统计范围的各个灰度值对应的像素点个数；
根据所述多个第一预估明区和所述多个第二预估暗区内处于所述灰度值统计范围的各个灰度值对应的像素点个数，生成所述第一灰度特征向量。
9.根据权利要求5所述的方法，其特征在于，所述根据所述第一灰度特征向量和所述第二灰度特征向量，生成所述多分区灰度分布特征向量，包括：
将所述第一灰度特征向量和所述第二灰度特征向量进行拼接，得到所述多分区灰度分布特征向量。
10.根据权利要求1-9任一所述的方法，其特征在于，所述将所述多分区灰度分布特征向量输入指纹活体检测模型，得到指纹活体检测结果之前，还包括：
获取所述活体指纹样本图像和所述非活体指纹样本图像，所述活体指纹样本图像包括在绿灯关闭、红灯和蓝灯开启的状态下采集的多个活体指纹样本的图像，所述非活体指纹样本图像包括在绿灯关闭、红灯和蓝灯开启的状态下采集的多个非活体指纹样本的图像；
根据所述活体指纹样本图像和所述非活体指纹样本图像，通过监督学习训练得到所述指纹活体检测模型。
11.根据权利要求1-10任一所述的方法，其特征在于，所述方法还包括：
获取第四原始图像，所述第四原始图像为绿灯开启的状态下采集的所述指纹的图像；
根据所述第四原始图像，确定指纹识别结果；
根据所述指纹识别结果和所述指纹活体检测结果，确定安全验证结果。
12.一种指纹活体检测设备，其特征在于，所述指纹活体检测设备包括图像采集器和处理器，所述图像采集器包括补光灯和图像传感器；
所述图像采集器，用于采集第一原始图像；
所述补光灯，用于在采集所述第一原始图像的过程中，关闭绿灯、开启红灯和蓝灯为所述图像传感器进行补光；
所述处理器，用于对所述第一原始图像进行处理，得到第一指纹图像和第二指纹图像，所述第一指纹图像为红色通道图像，所述第二指纹图像为蓝色通道图像；对所述第一指纹图像和所述第二指纹图像分别进行区域划分，其中，划分后的第一指纹图像中包括多个第一预估明区和多个第一预估暗区，划分后的第二指纹图像中包括多个第二预估明区和多个第二预估暗区；根据所述多个第一预估明区、所述多个第一预估暗区、所述多个第二预估明区和所述多个第二预估暗区，确定多分区灰度分布特征向量；将所述多分区灰度分布特征向量输入指纹活体检测模型，得到指纹活体检测结果，所述指纹活体检测模型是根据活体指纹样本图像和非活体指纹样本图像通过监督学习训练得到的。
13.根据权利要求12所述的指纹活体检测设备，其特征在于，
所述图像采集器，还用于采集第四原始图像；
所述补光灯，还用于在采集所述第四原始图像的过程中，开启绿灯为所述图像传感器进行补光；
所述处理器，还用于根据所述第四原始图像，确定指纹识别结果，并根据所述指纹识别结果和所述指纹活体检测结果，确定安全验证结果。
14.一种计算机可读存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-11任一所述方法的步骤。
CN202010364403.XA 2020-04-30 2020-04-30 指纹活体检测方法、设备及存储介质 Active CN113591514B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010364403.XA CN113591514B (zh) 2020-04-30 2020-04-30 指纹活体检测方法、设备及存储介质
KR1020227030315A KR20220130804A (ko) 2020-04-30 2021-04-23 지문 생체 검출 방법, 기기 및 저장 매체
EP21797544.0A EP4145343A4 (en) 2020-04-30 2021-04-23 METHOD AND DEVICE FOR DETECTING FINGERPRINT VIABILITY AND STORAGE MEDIUM
PCT/CN2021/089361 WO2021218823A1 (zh) 2020-04-30 2021-04-23 指纹活体检测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010364403.XA CN113591514B (zh) 2020-04-30 2020-04-30 指纹活体检测方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113591514A true CN113591514A (zh) 2021-11-02
CN113591514B CN113591514B (zh) 2024-03-29

Family

ID=78237292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010364403.XA Active CN113591514B (zh) 2020-04-30 2020-04-30 指纹活体检测方法、设备及存储介质

Country Status (4)

Country Link
EP (1) EP4145343A4 (zh)
KR (1) KR20220130804A (zh)
CN (1) CN113591514B (zh)
WO (1) WO2021218823A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998841B (zh) * 2022-08-01 2022-11-01 易凯医疗建筑设计(深圳)有限公司 核酸采样的样本识别方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392227A (zh) * 2014-12-15 2015-03-04 金虎林 活体指纹判断方法及***
CN106295555A (zh) * 2016-08-08 2017-01-04 深圳芯启航科技有限公司 一种活体指纹图像的检测方法
US20180137329A1 (en) * 2016-11-11 2018-05-17 Samsung Electronics Co., Ltd. User authentication method using fingerprint image and method of generating coded model for user authentication
CN108549884A (zh) * 2018-06-15 2018-09-18 天地融科技股份有限公司 一种活体检测方法及装置
CN110765857A (zh) * 2019-09-12 2020-02-07 敦泰电子（深圳）有限公司 指纹识别方法、芯片及电子装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7668350B2 (en) * 2003-04-04 2010-02-23 Lumidigm, Inc. Comparative texture analysis of tissue for biometric spoof detection
WO2015054686A1 (en) * 2013-10-11 2015-04-16 Lumidigm, Inc. Miniaturized optical biometric sensing

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392227A (zh) * 2014-12-15 2015-03-04 金虎林 活体指纹判断方法及***
CN106295555A (zh) * 2016-08-08 2017-01-04 深圳芯启航科技有限公司 一种活体指纹图像的检测方法
US20180137329A1 (en) * 2016-11-11 2018-05-17 Samsung Electronics Co., Ltd. User authentication method using fingerprint image and method of generating coded model for user authentication
CN108549884A (zh) * 2018-06-15 2018-09-18 天地融科技股份有限公司 一种活体检测方法及装置
CN110765857A (zh) * 2019-09-12 2020-02-07 敦泰电子（深圳）有限公司 指纹识别方法、芯片及电子装置

Also Published As

Publication number Publication date
EP4145343A1 (en) 2023-03-08
WO2021218823A1 (zh) 2021-11-04
KR20220130804A (ko) 2022-09-27
CN113591514B (zh) 2024-03-29
EP4145343A4 (en) 2023-09-27

Similar Documents

Publication Publication Date Title
CN109034102B (zh) 人脸活体检测方法、装置、设备及存储介质
CN108594997B (zh) 手势骨架构建方法、装置、设备及存储介质
CN109829456B (zh) 图像识别方法、装置及终端
CN111079576B (zh) 活体检测方法、装置、设备及存储介质
CN108399349B (zh) 图像识别方法及装置
CN110490179B (zh) 车牌识别方法、装置及存储介质
CN110650379B (zh) 视频摘要生成方法、装置、电子设备及存储介质
CN111723602B (zh) 驾驶员的行为识别方法、装置、设备及存储介质
CN110807361A (zh) 人体识别方法、装置、计算机设备及存储介质
CN109522863B (zh) 耳部关键点检测方法、装置及存储介质
US11386586B2 (en) Method and electronic device for adding virtual item
CN110490186B (zh) 车牌识别方法、装置及存储介质
CN111242090A (zh) 基于人工智能的人脸识别方法、装置、设备及介质
CN111144365A (zh) 活体检测方法、装置、计算机设备及存储介质
CN111027490A (zh) 人脸属性识别方法及装置、存储介质
CN112084811A (zh) 身份信息的确定方法、装置及存储介质
CN110647881A (zh) 确定图像对应的卡片类型的方法、装置、设备及存储介质
CN110991457A (zh) 二维码处理方法、装置、电子设备及存储介质
CN111915305B (zh) 支付方法、装置、设备以及存储介质
CN110675473A (zh) 生成gif动态图的方法、装置、电子设备及介质
CN111931712A (zh) 人脸识别方法、装置、抓拍机及***
CN113591514B (zh) 指纹活体检测方法、设备及存储介质
CN113709353B (zh) 图像采集方法和设备
CN113920222A (zh) 获取地图建图数据的方法、装置、设备及可读存储介质
CN113936240A (zh) 确定样本图像的方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant