CN105205458A - 人脸活体检测方法、装置及系统 - Google Patents

Abstract

本发明提供一种人脸活体检测方法、装置及系统，其中，该方法，包括：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，并当第一图像中包含人脸图像的特征信息时，对第一图像进行校正处理，以及对校正后的第一图像和第二图像进行立体匹配处理，得到人脸图像距离主摄像设备的视差图，进而根据该视差图和主摄像设备与副摄像设备之间的立体关系矩阵，拟合得出该人脸图像关键点的拟合平面，从而计算出对应的拟合偏差；将该拟合偏差与设定阈值进行比较，进而判断出该人脸图像是否来自活体人脸。本发明的技术方案，操作简单、抗外界干扰的能力强、精度高，避免了机器学习方法中的模型训练部分。

Description

人脸活体检测方法、装置及系统

技术领域

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

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。

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。

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

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。

本发明提供的一种人脸活体检测方法，包括：

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；

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；

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；

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；

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；

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；

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。

本发明提供的一种人脸活体检测装置，包括：

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；

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；

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；

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；

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；

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；

判断模块，用于判断所述拟合偏差是否大于设定阈值；

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；

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。

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；

所述主摄像设备，用于采集第一图像；

所述副摄像设备，用于采集第二图像；

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。

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

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。

图1为本发明人脸活体检测方法实施例一的流程示意图；

图2为本发明人脸活体检测方法实施例二的流程示意图；

图3为本发明人脸活体检测方法实施例三的流程示意图；

图4为本发明人脸活体检测方法实施例四的流程示意图；

图5为本发明人脸活体检测装置实施例一的结构示意图；

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

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。

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。

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。

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。

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。

图1为本发明人脸活体检测方法实施例一的流程示意图。如图1所示，本发明实施例一提供的人脸活体检测方法，包括：

步骤101：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；

具体的，首先固定主摄像设备和副摄像设备的位置，同时设置主摄像设备和副摄像设备的参数，使两者的焦距和分辨率一致。利用主摄像设备和副摄像设备采集图像时，尽量以相同的角度同时采集，并且要保证采集得到的第一图像和第二图像没有明显的光照差别。

其中，主摄像设备和副摄像设备可以是摄像机、摄像头、手机或iPad等具备摄像功能的设备，为了保证后续检测的准确性，主副摄像设备应采用同一型号的同一款设备。实际上，主摄像设备和副摄像设备并没有主次之分，写成主、副摄像设备只是为了对应两者采集的图像，并且指定后续主要针对哪一个图像进行处理。

中央处理器(CentralProcessingUnit，简称CPU)获取上述主摄像设备采集到的第一图像和副摄像设备采集到的第二图像。在本发明的实施例中，主要对主摄像设备采集的第一图像进行处理，实际上，也可以针对副摄像设备采集的第二图像进行处理，本发明并不对此进行限定。

步骤102：检测第一图像中是否包含有人脸图像的特征信息；若是，执行步骤103，若否，执行步骤110；

本发明主要通过提取第一图像的Haar特征、借助AdaBoost检测训练算法来检测第一图像中是否包含有人脸图像的特征信息。

具体的，Adaboost检测训练算法是一种用来分类的方法，主要采用输入图像的矩形特征来实现，该矩形特征也被称为Haar特征。影响Adaboost检测训练算法速度的两个方面是特征的选取和特征值的计算。脸部的一些特征可以由矩形特征简单地描绘出来，其比单纯地使用像素点具有很大的优越性，并且速度更快。由于矩形特征对一些简单的图形结构(比如，边缘、线段)比较敏感，但是其只能描述特定走向(水平、垂直、对角)的结构，虽然人脸图像检测的比较粗略，但是能够检测出图像中是否包含人脸图像的特征信息即可达到本步骤的要求。

步骤103：对第一图像进行校正处理，得到与第二图像在同一水平位置上的第一校正图像；

具体的，本步骤中的图像校正，作用主要有两点，第一：对失真的第一图像进行复原性处理，第二：使校正后的第一图像与第二图像在同一水平位置上。对图像进行复原性处理的基本思路是，根据图像失真的原因，建立相应的数学模型，沿着使图像失真的逆过程恢复其本来面貌。第一校正图像和第二图像在同一水平位置上是后续进行立体匹配处理的前提。

步骤104：对第一校正图像和第二图像进行立体匹配处理，得到人脸图像距离主摄像设备的视差图；

由于同一物体在不同图像中所处的位置会有所不同，例如，若主摄像设备固定设置在副摄像设备的左边，那么，同一物体在主摄像设备采集的、经过校正后的第一校正图像中位置偏右，而在副摄像设备采集的第二图像中位置会偏左，而且，同一物体在第一校正图像和第二图像中的位置偏差与该物体与主摄像设备的距离成反比。

本步骤提到的立体匹配处理就是寻找第一校正图像与第二图像中每一个像素的偏差，确定第一校正图像中每个像素点距离主摄像设备的距离。由于视差图反映的就是第一校正图像中各个像素点距离主摄像设备的距离远近，所以根据第一校正图像中每个像素点与主摄像设备的距离，即可得到第一校正图像中人脸图像距离主摄像设备的视差图。

步骤105：根据上述视差图和主摄像设备与副摄像设备之间的立体关系矩阵，拟合得出第一校正图像中人脸图像关键点的拟合平面；

由于上述视差图是根据同一物体在第一校正图像和第二图像中处于不同位置得出的，而主摄像设备与副摄像设备之间的立体关系矩阵则是反映主摄像设备与副摄像设备立体关系(例如，两者之间的位置关系、设置角度关系等等)的矩阵，因此，根据上述视差图和主摄像设备与副摄像设备之间的立体关系矩阵，可以得到第一校正图像中每个像素点对应的三维坐标，其中z坐标代表深度信息，也即，第一校正图像中每一个像素点距离主摄像设备的距离。

值得说明的是，第一校正图像中每个像素点对应的三维坐标的坐标原点为主摄像设备镜头的中心位置。

根据上述第一校正图像中每个像素点距离主摄像设备的距离，即可得到第一校正图像中人脸图像关键点的三维信息，进而得到每个人脸图像关键点的三维坐标。其中，在第一校正图像中，选取的人脸图像关键点为人脸图像的眼睛、鼻子、嘴以及眉毛等有明显特征的部位，并且，为了得到准确的检测结果，选取的人脸图像关键点的数量不少于5个。

利用线性回归技术对上述人脸图像关键点的三维坐标进行拟合，便可得到第一校正图像中人脸图像关键点的拟合平面。

步骤106：根据上述人脸图像关键点和拟合平面，计算出人脸图像关键点的拟合偏差；

根据第一校正图像中人脸图像关键点的三维坐标，利用二元线性回归技术，可得到一个拟合平面。由于人脸图像关键点不可能在同一个平面上，所以，每个人脸图像关键点距离拟合平面的距离不同，因此，根据人脸图像关键点和该拟合平面，即可计算出每一个人脸图像关键点的偏差，所有人脸图像关键点偏差的平均值就是人脸图像关键点的拟合偏差，拟合偏差的单位为毫米²。

步骤107：判断上述拟合偏差是否大于设定阈值；若是，执行步骤108，若否，执行步骤109；

步骤108：该人脸图像来自活体人脸；

步骤109：该人脸图像来自非活体人脸；

步骤110：结束人脸图像检测。

具体的，将步骤106中得到的拟合偏差与设定阈值进行比较，若拟合偏差大于该设定阈值，则表明第一图像中的人脸图像来自活体人脸，否则表明第一图像中的人脸图像来自非活体人脸。

值得说明的是，该设定阈值一般为10毫米²，若第一图像中的人脸图像来自活体人脸，那么，步骤106计算出的拟合偏差一般为20毫米²左右，而若第一图像中的人脸图像来自非活体人脸，那么，步骤106计算出的拟合偏差近似为0。所以，若拟合偏差大于设定阈值，则可直接判定人脸图像来自活体人脸，若拟合偏差不大于设定阈值，则可直接判定人脸图像来自非活体人脸。

本发明实施例提供的人脸活体检测方法，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，从而判断出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，避免了机器学习方法中的模型训练部分。

图2为本发明人脸活体检测方法实施例二的流程示意图。本发明实施例二是在上述实施例一的基础上，对图1所示人脸活体检测方法的进一步说明。如图2所示，本发明实施例二提供的人脸活体检测方法，上述步骤103，也即，对第一图像进行校正处理，得到与第二图像在同一水平位置上的第一校正图像，具体包括：

步骤201：根据主摄像设备的参数矩阵对第一图像进行一次校正，得到非失真的第一图像；

利用主摄像设备采集到的第一图像可能产生了失真，原因主要有三个方面，第一：成像系统的像差、畸变、带宽有限等造成的图像失真；第二：由于成像器件拍摄姿态和扫描非线性引起的图像几何失真；第三：由于运动模糊、辐射失真、引入噪声等造成的图像失真。相应的，图像校正的基本思路是：根据图像失真原因，建立相应的数学模型，从被污染或畸变的图像信号中提取所需要的信息，沿着使图像失真的逆过程恢复图像本来的面貌。实际上，图像的校正过程是设计一个滤波器，使其能从失真图像中计算得到真实图像的估值，使其根据预先规定的误差准则，最大程度地接近真实图像。因此，根据主摄像设备的参数矩阵对第一图像进行校正，即可得到非失真的第一图像。

步骤202：根据主摄像设备与副摄像设备之间的立体关系矩阵对上述非失真的第一图像进行二次校正，得到与第二图像在同一水平位置上的第一校正图像。

具体的，对物体进行立体匹配处理的前提条件是待检测的人脸图像在第一图像和第二图像内的位置在同一水平线上，所以可根据主摄像设备与副摄像设备之间的立体关系矩阵对上述非失真的第一图像进行二次校正，进而得到与第二图像在同一水平位置上的第一校正图像。

本发明实施例二提供的人脸活体检测方法，通过利用主摄像设备的参数矩阵对主摄像设备采集到的第一图像进行一次校正，得到非失真的第一图像，利用主摄像设备与所述副摄像设备之间的立体关系矩阵对非失真的第一图像进行二次校正，可得到与第二图像在同一水平位置上的第一校正图像，为后续进行立体匹配处理奠定了基础，提高了人脸图像检测结果的准确性。

进一步的，在上述实施例提供的人脸活体检测方法中，在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之前，也即，在步骤101之前，还包括：

对主摄像设备和副摄像设备进行标定，得到主摄像设备的参数矩阵以及主摄像设备与副摄像设备之间的立体关系矩阵。

本发明利用张正友标定法进行主摄像设备和副摄像设备进行标定。具体的，利用摄像设备采集到的图像来还原空间中的物体。首先，假设摄像设备采集到的图像与三维空间中的物体之间存在一种简单的线性关系：[图像]＝M[物体]，这里，矩阵M可以看成是摄像设备成像的几何模型，也即，摄像设备的参数矩阵。其中，M中的参数就是摄像设备的参数，通常情况下，这些参数需要通过实验与计算得到，求解摄像设备参数的过程就是摄像设备标定。所以，利用张正友标定法对主摄像设备和副摄像设备进行标定，可得到主摄像设备的参数矩阵以及主摄像设备与副摄像设备之间的立体关系矩阵，本步骤为对第一图像进行失真校正和位置校正提供了前提条件。

图3为本发明人脸活体检测方法实施例三的流程示意图。本发明实施例三是在上述实施例的基础上，对图1所示人脸活体检测方法的进一步说明。如图3所示，本发明实施例三提供的人脸活体检测方法，上述步骤104，也即，对第一校正图像和第二图像进行立体匹配处理，得到人脸图像距离主摄像设备的视差图，具体包括：

步骤301：利用图像处理器分别计算第一校正图像与第二图像中每个相同位置处的像素偏差；

步骤302：利用图像处理器对像素偏差进行处理，得到人脸图像距离主摄像设备的视差图。

图像处理器(GraphicsProcessingUnit，简称GPU)是一种专门为并行程度高的算法设计的处理器，其与CPU不同，CPU是由专为顺序串行处理而优化的几个核心组成，而GPU则由数以千计的更小、更高效的核心组成，这些核心专为同时处理多任务而设计。因此，并行化程度高的算法在GPU上执行的时间会远少于在CPU上执行的时间。所以，利用GPU执行立体匹配处理等算法可以进一步缩短运行时间，提高算法的速度。

在本发明实施例中，CPU将得到的第一校正图像数据和第二图像数据传输到GPU上，在GPU上执行对第一校正图像和第二图像的立体匹配处理。具体的，首先利用GPU分别计算第一校正图像与第二图像中每个相同位置处的像素偏差，随后再利用GPU对每个像素偏差进行处理，进而得到第一校正图像中人脸图像距离主摄像设备的视差图。

本发明实施例三提供的人脸活体检测方法，通过利用图像处理器对图像进行立体匹配处理，缩短了算法运行的时间，提高了算法的运行速度。

值得说明的是，在本发明中，立体匹配处理这一步骤的运行时间与图像的分辨率成正比，从而处理大分辨率的图像时，处理器的处理时间会增加。针对这种情况，常用的解决方案是先将第一校正图像和第二图像均缩放到较小的分辨率(例如，320*240)，对小分辨率的第一校正图像和第二图像进行立体匹配处理，立体匹配处理步骤结束之后再将得到的视差图放大到原有的分辨率。经过这种处理后，尽管最后得到的人脸图像距离主摄像设备的视差图的精度略有下降，但最终得到的人脸图像关键点的拟合偏差变化很小，并不影响最终的判断结果。

图4为本发明人脸活体检测方法实施例四的流程示意图。本发明实施例四是在上述实施例的基础上，对图1所示人脸活体检测方法的进一步说明。如图4所示，本发明实施例四提供的人脸活体检测方法，上述步骤105，也即，根据视差图和主摄像设备与副摄像设备之间的立体关系矩阵，拟合得出第一校正图像中人脸图像关键点的拟合平面，具体包括：

步骤401：根据视差图和主摄像设备与副摄像设备之间的立体关系矩阵，计算出第一校正图像中每个像素点的三维坐标；

具体的，视差图反映的是第一校正图像中各个像素点距离主摄像设备的距离远近，且该视差图是由第一校正图像与第二图像中每个像素偏差得到的，所以，根据视差图和主摄像设备与副摄像设备之间的立体关系矩阵，可计算出第一校正图像中每个像素点的三维坐标。

步骤402：根据每个像素点的三维坐标，得到人脸图像关键点的三维坐标；

由于人脸图像关键点是由多个像素点组成的，所以，根据每个像素点的三维坐标，便可得到人脸图像关键点的三维坐标。

步骤403：对上述人脸图像关键点的三维坐标进行线性拟合，得到该人脸图像关键点的拟合平面。

利用线性回归技术对人脸图像关键点的三维坐标进行拟合，可得到方程z＝ax+by+c。其中a，b，c均为常数，由人脸图像关键点的三维坐标计算得到，z即是人脸图像关键点距离主摄像设备的距离，该方程表示的即是人脸图像关键点的拟合平面。

本发明实施例提供的人脸活体检测方法，首先通过视差图和立体关系矩阵得到第一校正图像中每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，从而得到人脸图像关键点的拟合平面，从而为后续求人脸图像关键点的拟合偏差奠定了基础，进而可判断第一图像中的人脸图像是否来自活体人脸。

图5为本发明人脸活体检测装置实施例一的结构示意图。如图5所示，本发明实施例一提供的人脸活体检测装置，包括：

获取模块501，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；

检测模块502，用于检测第一图像中是否包含有人脸图像的特征信息；

校正模块503，用于对第一图像进行校正处理，得到与第二图像在同一水平位置上的第一校正图像；

立体匹配模块504，用于对第一校正图像和第二图像进行立体匹配处理，得到人脸图像距离主摄像设备的视差图；

拟合模块505，用于根据视差图和主摄像设备与副摄像设备之间的立体关系矩阵，拟合得出第一校正图像中人脸图像关键点的拟合平面；

处理模块506，用于根据人脸图像关键点和上述拟合平面，计算出人脸图像关键点的拟合偏差；

判断模块507，用于判断拟合偏差是否大于设定阈值；

第一确定模块508，用于当拟合偏差大于设定阈值时，确定人脸图像来自活体人脸；

第二确定模块509，用于当拟合偏差不大于设定阈值时，确定人脸图像来自非活体人脸。

进一步的，在上述实施例提供的人脸活体检测装置中，还包括：标定模块；该标定模块，用于对主摄像设备和副摄像设备进行标定，得到主摄像设备的参数矩阵以及主摄像设备与副摄像设备之间的立体关系矩阵。

相应的，校正模块503，具体包括：第一校正单元和第二校正单元；

第一校正单元，用于根据主摄像设备的参数矩阵对第一图像进行一次校正，得到非失真的第一图像；

第二校正单元，用于根据立体关系矩阵对非失真的第一图像进行二次校正，得到与第二图像在同一水平位置上的第一校正图像。

进一步的，在上述实施例提供的人脸活体检测装置中，立体匹配模块504，具体用于利用图像处理器分别计算第一校正图像与第二图像中每个相同位置处的像素偏差，用于利用图像处理器对像素偏差进行处理，得到人脸图像距离主摄像设备的视差图。

更进一步的，在上述实施例提供的人脸活体检测装置中，拟合模块505，具体包括：第一拟合单元、第二拟合单元和第三拟合单元；

第一拟合单元，用于根据上述视差图和主摄像设备与副摄像设备之间的立体关系矩阵，计算出第一校正图像中每个像素点的三维坐标；

第二拟合单元，用于根据每个像素点的三维坐标，得到人脸图像关键点的三维坐标；

第三拟合单元，用于对人脸图像关键点的三维坐标进行线性拟合，得到人脸图像的拟合平面。

本发明上述实施例提供的人脸活体检测装置，具体可为中央处理器，可用于执行如图1至图4所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图6为本发明提供的人脸活体检测系统的结构示意图。如图6所示，本发明实施例提供的人脸活体检测系统，包括：图5所示的人脸活体检测装置601、主摄像设备602和副摄像设备603；并且，人脸活体检测装置601分别与主摄像设备602、副摄像设备603连接。

其中，主摄像设备602，用于采集第一图像；

副摄像设备603，用于采集第二图像；

人脸活体检测装置601，用于根据第一图像和第二图像检测该第一图像中的人脸图像是否来自活体人脸。

本发明实施例提供的人脸活体检测系统，通过主摄像设备采集第一图像，副摄像设备采集第二图像，利用人脸活体检测装置对第一图像和第二图像中的人脸图像进行检测，进而确定第一图像中的人脸图像是否来自活体人脸。本发明的技术方案，仅需两个相同的固定设置的摄像设备即可检测出图像中的人脸图像是否来自活体人脸，操作简单、抗外界干扰的能力强、精度高，避免了机器学习算法中的模型训练部分，进一步的，利用GPU来完成复杂算法的计算，显著提高了检测方法的运行速度。

值得说明的是，本发明提供的人脸活体检测系统可应用于考勤和门禁系统中、金融支付的密码验证系统中以及汽车的辅助驾驶技术中。例如，在汽辅助驾驶技术中的具体应用总结如下：在汽车上安装两个固定设置的摄像设备，采集汽车前方的场景。当检测到汽车前方的行人时，利用人脸活体检测系统判断行人和汽车的距离，同时对司机做出提醒，并当行人和汽车的距离小于安全距离时，启动紧急刹车装置，以保证行人和汽车的安全。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种人脸活体检测方法，其特征在于，包括：

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；

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；

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；

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；

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；

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；

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。

2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述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，具体包括：

根据所述主摄像设备的参数矩阵对所述第一图像进行一次校正，得到非失真的第一图像；

根据所述主摄像设备与所述副摄像设备之间的立体关系矩阵对所述非失真的第一图像进行二次校正，得到与所述第二图像在同一水平位置上的所述第一校正图像。

3.根据权利要求1所述的人脸活体检测方法，其特征在于，在所述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之前，还包括：

对所述主摄像设备和所述副摄像设备进行标定，得到所述主摄像设备的参数矩阵以及所述主摄像设备与所述副摄像设备之间的立体关系矩阵。

4.根据权利要求1所述的人脸活体检测方法，其特征在于，所述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，具体包括：

利用图像处理器GPU分别计算所述第一校正图像与所述第二图像中每个相同位置处的像素偏差；

利用图像处理器GPU对所述像素偏差进行处理，得到所述人脸图像距离所述主摄像设备的视差图。

5.根据权利要求4所述的人脸活体检测方法，其特征在于，所述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，具体包括：

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，计算出所述第一校正图像中每个像素点的三维坐标；

根据每个所述像素点的三维坐标，得到所述人脸图像关键点的三维坐标；

对所述人脸图像关键点的三维坐标进行线性拟合，得到所述人脸图像关键点的拟合平面。

6.一种人脸活体检测装置，其特征在于，包括：

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；

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；

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；

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；

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；

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；

判断模块，用于判断所述拟合偏差是否大于设定阈值；

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；

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。

7.根据权利要求6所述的人脸活体检测装置，其特征在于，还包括：标定模块；

所述标定模块，用于对所述主摄像设备和所述副摄像设备进行标定，得到所述主摄像设备的参数矩阵以及所述主摄像设备与所述副摄像设备之间的立体关系矩阵；

所述校正模块，具体包括：

第一校正单元，用于根据所述主摄像设备的参数矩阵对所述第一图像进行一次校正，得到非失真的第一图像；

第二校正单元，用于根据所述主摄像设备与所述副摄像设备之间的立体关系矩阵对所述非失真的第一图像进行二次校正，得到与所述第二图像在同一水平位置上的所述第一校正图像。

8.根据权利要求6所述的人脸活体检测装置，其特征在于，立体匹配模块，具体用于利用图像处理器GPU分别计算所述第一校正图像与所述第二图像中每个相同位置处的像素偏差，用于利用图像处理器GPU对所述像素偏差进行处理，得到所述人脸图像距离所述主摄像设备的视差图。

9.根据权利要求8所述的人脸活体检测装置，其特征在于，所述拟合模块，具体包括：

第一拟合单元，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，计算出所述第一校正图像中每个像素点的三维坐标；

第二拟合单元，用于根据每个所述像素点的三维坐标，得到所述人脸图像关键点的三维坐标；

第三拟合单元，用于对所述人脸图像关键点的三维坐标进行线性拟合，得到所述人脸图像的拟合平面。

10.一种人脸活体检测系统，其特征在于，包括：权利要求6～9任一项所述的人脸活体检测装置、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；

所述主摄像设备，用于采集第一图像；

所述副摄像设备，用于采集第二图像；

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。