CN105260731A - 一种基于光脉冲的人脸活体检测系统及方法 - Google Patents

Abstract

本发明实施例公开了一种基于光脉冲的人脸活体检测系统及方法，属于图像识别领域，所述系统包括：发光装置，所述发光装置以预设频率向待测对象发射不同信号强度的光信号；摄像装置，所述摄像装置用于获取所述待测对象在不同信号强度的光信号下产生的多个图像；以及检测装置，所述检测装置基于所述多个图像，检测所述待测对象是否为活体。应用本发明实施例提供的方案进行目标区域识别，能够避免他人用照片、视频等非活体对象冒充本人通过目标区域识别。

Description

一种基于光脉冲的人脸活体检测系统及方法

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于光脉冲的人脸活体检测的系统及方法。

背景技术

人脸检测和识别技术因其无接触性和无侵入性(用户无感知)等优点，广泛应用于身份识别和验证系统中。目前绝大部分系统都是采用基于图像的人脸识别技术，由于缺乏对图像来源的判断，无法确定当前的图片采集来自于真实的人，还是包含了人脸的静止图片，预先录制好的视频，或人脸面具。这些基于图像的人脸识别系缺少活体检测环节，无法区分人脸素材和真实的人，因此存在欺骗等潜在的危险。

为了克服此类问题，现有技术中的一些系统引入活体检测环节。这些系统可以分为两大类：基于纹理的、基于光流的和基于交互的活体检测。基于纹理的方法利用了拍摄真实人脸皮肤和拍摄纸张、显示屏的纹理的细微差别，通过纹理描述子和机器学习的模型训练出检测模型，但是这种方法容易受环境(例如光照等)影响，而且过拟合到训练样本，推广性不好；基于光流的方法通过建立光流场模型，获取真实人脸和纸张、显示屏的不同的三维结构在运动时的光流特点，缺点是需要用户有一定的运动，并且结果受光流算法的精度影响；基于交互的方法则通过在与用户的互动过程中，获取相关的反馈，从而确定是否为真实的人。比如，系统提示被检测对象完成指定动作，如转头、眨眼等，或者简单问答。预先制作的素材(静止图片或视频)无法预知所要执行的交互动作，无法提供实时反馈，基于此可以判定其为非活体。交互式方法是一种侵入式和非静默的检测方法，需要用户辅助操作，增加了用户额外的使用负担。对于一些频繁出入的门禁检测系统，大量的重复性操作降低了用户的使用体验。

发明内容

本发明实施例公开了一种基于光脉冲的人脸活体检测系统及方法，能够准确的判断出待检测对象是否为活体，与传统活体鉴别方法相比，简化了操作流程。

为达到上述目的，本发明实施例公开了一种基于光脉冲的人脸活体检测系统，所述系统包括：

发光装置，所述发光装置以预设频率向待测对象发射不同信号强度的光信号；

摄像装置，所述摄像装置用于获取所述待测对象在不同信号强度的光信号下产生的多个图像；以及

检测装置，所述检测装置基于所述多个图像，检测所述待测对象是否为活体。

作为本发明实施例的一种具体实施方式，所述检测装置包括：

提取装置，所述提取装置在多个图像上提取待测对象的目标区域，并获取所述目标区域的特征点信息；以及

判断装置，所述判断装置基于所述目标区域及所述特征点信息，判断所述待测对象是否为活体。

作为本发明实施例的一种具体实施方式，所述提取装置还用于：

计算所述摄像装置获取的当前图像上的所述目标区域与所述特征点之间的方差；

当所述方差是否低于第一阈值时，舍弃当前图像，再次从所述摄像装置上获取待测对象的图像。

作为本发明实施例的一种具体实施方式，所述提取装置还用于：

计算所述摄像装置获取的每幅图像上的所述目标区域的平均亮度值；

对平均亮度值大于第二阈值或低于第三阈值的图像进行舍弃处理。

作为本发明实施例的一种具体实施方式，所述提取装置还用于：

在预设亮度值范围内，选取关键点平均亮度值最低的图像作为第一图像，选取关键点平均亮度值最高的图像作为第二图像。

作为本发明实施例的一种具体实施方式，所述检测装置还包括：

预处理装置，用于对所述第一图像及第二图像进行图像预处理。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，包括：

分别对所述第一图像及第二图像的目标区域进行归一化处理，将所述特征点映射到统一的标准位置。

作为本发明实施例的一种具体实施方式，所述对所述目标区域进行归一化处理，将所述特征点映射到统一的标准位置，包括：

分别计算第一图像及第二图像上的目标区域关键点与预定的平均目标区域的变换矩阵，将目标区域关键点映射到标准位置。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

对归一化处理后的第一图像及第二图像进行差分处理，获得目标区域差分图。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

在差分图中提取离散傅里叶变换特征：

$F(k,l)=\underset{m=0}{\overset{N-1}{\Σ}}\underset{n=0}{\overset{N-1}{\Σ}}I(m,n)e^{-2\mathrm{\π}(km/N+\ln /N)i}$

其中e^ix＝cosx+sinx,I(m,n)为目标区域差分图的像素值，N为差分图尺寸。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

获取所述第一图像及第二图像的图形类型；以及

基于所述图像类型提取所述第一图像及第二图像的辅助特征。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

利用所述离散傅里叶变换特征及所述辅助特征构建特征向量；

将所述特征向量作为输入，通过基于机器学习建立的反光特性的分类器进行分析，判断所述待测目标是否为活体。

为达到上述目的，本发明实施例还公开了一种基于光脉冲的人脸活体检测方法，其特征在于，所述方法包括：

以预设频率向待测对象发射不同信号强度的光信号；

获取所述待测对象在不同信号强度的光信号下产生的多个图像；以及

基于所述多个图像，检测所述待测对象是否为活体。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，包括：

在多个图像上提取待测对象的目标区域，并获取所述目标区域的特征点信息；以及

基于所述目标区域及所述特征点信息，判断所述待测对象是否为活体。

作为本发明实施例的一种具体实施方式，所述获取所述待测对象在不同信号强度的光信号下产生的多个图像，包括：

计算所述摄像装置获取的当前图像上的所述目标区域与所述特征点之间的方差；

当所述方差是否低于第一阈值时，舍弃当前图像，再次从所述摄像装置上获取待测对象的图像。

作为本发明实施例的一种具体实施方式，所述获取所述待测对象在不同信号强度的光信号下产生的多个图像，还包括：

计算所述摄像装置获取的每幅图像上的所述目标区域的平均亮度值；

对平均亮度值大于第二阈值或低于第三阈值的图像进行舍弃处理。

作为本发明实施例的一种具体实施方式，所述获取所述待测对象在不同信号强度的光信号下产生的多个图像，还包括：

在预设亮度值范围内，选取关键点平均亮度值最低的图像作为第一图像，选取关键点平均亮度值最高的图像作为第二图像。

作为本发明实施例的一种具体实施方式，所述方法还包括：

对所述第一图像及第二图像进行图像预处理。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，包括：

分别对所述第一图像及第二图像的目标区域进行归一化处理，将所述特征点映射到统一的标准位置。

作为本发明实施例的一种具体实施方式，所述对所述目标区域进行归一化处理，将所述特征点映射到统一的标准位置，包括：

分别计算第一图像及第二图像上的目标区域关键点与预定的平均目标区域的变换矩阵，将目标区域关键点映射到标准位置。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

对归一化处理后的第一图像及第二图像进行差分处理，获得目标区域差分图。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

在差分图中提取离散傅里叶变换特征：

$F(k,l)=\underset{m=0}{\overset{N-1}{\Σ}}\underset{n=0}{\overset{N-1}{\Σ}}I(m,n)e^{-2\mathrm{\π}(km/N+\ln /N)i}$

其中e^ix＝cosx+sinx,I(m,n)为目标区域差分图的像素值，N为差分图尺寸。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

获取所述第一图像及第二图像的图形类型；以及

基于所述图像类型提取所述第一图像及第二图像的辅助特征。

作为本发明实施例的一种具体实施方式，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

利用所述离散傅里叶变换特征及所述辅助特征构建特征向量；

将所述特征向量作为输入，通过基于机器学习建立的反光特性的分类器进行分析，判断所述待测目标是否为活体。

由以上可见，本发明实施例提供的方案中，通过连续发射不规则的闪光脉冲，并实时采集人脸面部的反射，例如皮肤光泽的变化。由于图片、视频播放屏幕、以及面具等的反光性比较均匀，而真实的人脸由于皮肤的非均匀和表面的起伏变化，其反光特性呈现不均匀分布。通过比较在闪光和非闪光条件下的人脸反光变化，从而确定当前人脸是来自真实的人，还是来自预先制作的素材。由于目前的很多便携式设备，都自带了拍摄相机和手电筒等光源发射功能，通过拍摄相机和手电筒的闪光功能，即可满足所需功能，无需额外的设备，减少了系统的复杂性，提供友好的用户体验。同时，为了能够获取不同类型人脸的光照反射分布情况，并且准确区分人脸反光与静止图片、视频播放屏幕、面具等非人脸反光之间的差别，本专利还采用了机器学习技术，通过大量的人脸和非人脸训练素材(包括静止图片、手工制作的人脸形状图片、人脸视频，以及人脸面具)，建立人脸和非人脸的学习分类器，克服了当前其他方法存在的问题，从而准确的判定各种类型的活体人脸或非活体素材。

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；

图1为本发明实施例提供的另一种基于光脉冲的人脸活体检测系统的结构图；

图2为本发明实施例提供的一种基于光脉冲的人脸活体检测系统检测装置的结构图；

图3为本发明实施例提供的另一种基于光脉冲的人脸活体检测系统检测装置的结构图；

图4为本发明实施例提供的一种基于光脉冲的人脸活体检测方法流程图。

具体实施方式

下面将详细参考实施例，实施例的示例在附图2-3中示出。在下面的详细描述中，阐述了大量具体细节以提供对本发明的全面理解。但是，对于本领域技术人员而言显然的是，没有这些具体细节也可以实施本发明。在其它实例中，没有详细描述已知的方法、过程、部件、电路和网络，以免不必要地模糊实施例的各方面。

也应该理解，虽然这里可使用术语第一、第二等来描述各种元素，但是这些元素不应当局限于这些术语。这些术语仅仅用于将一个元素与另一元素区分开。例如，第一姿态可被称为第二姿态，并且类似地，第二姿态可被称为第一姿态，而不会脱离本发明的范围。

在此，在本发明的说明书中使用的术语仅仅是为了描述特定的实施例，而不是意图限制本发明。如在本发明的说明书和所附权利要求中所使用的，单数形式″一个″、″一种″和″该″意图也包括复数形式，除非上下文以别的方式清楚指明。还应该理解，这里所使用的术语″和/或″指的是、且包含相关列出项中的一个或多个的任何和所有可能的组合。还应该理解，术语″包括″和/或″包含″当用于该说明书时，表示存在所述的特征、整体(integer)、步骤、操作、元素、和/或部件，但是不排除存在或增加一个或多个其它特征、整体、步骤、操作、元素、部件、和/或其集合。

图1为本发明实施例提供的基于光脉冲的人脸活体检测系统结构示意图，该系统100包括：

发光装置101，所述发光装置以预设频率向待测对象发射不同信号强度的光信号。

具体的，发光装置可以是一个独立的可控光源，也可以是集成在设备上一体的光源。发光装置在短间距中采集的受可控光源照射的连续帧普通图像，本系统使用一秒内的连续20帧。

除了可见光之外，发光装置可以产生红外光等其他可以成像的射线。

摄像装置102，所述摄像装置用于获取所述待测对象在不同信号强度的光信号下产生的多个图像。

具体的，可以利用普通摄像机获取普通图像，普通图像可以包含但不限于灰度图像、彩色图像或红外图像，摄像装置102的来源包含但不限于网络摄像头、监控摄像头以及手机自带的摄像头。

检测装置103，所述检测装置基于所述多个图像，检测所述待测对象是否为活体。

具体的，检测装置103从摄像装置102拍摄的多张含有人脸的照片中选择成像质量较好、且反差较大的若干张图像，由于活体人脸的反光相比相片的反光更加发散，因此，通过比较上述照片的成像光亮度的差值即可判断待测对象是否为活体。

作为一种实施方式，检测装置103还包括提取装置1031。

提取装置1031对所有连续帧进行人脸检测，得到分别人脸出现的区域及人脸关键点。计算区域及关键点的方差，若低于某一阈值则拾弃并重新进行活体检测，否则计算一个平均人脸区域。

提取装置1031还用于计算每帧内平均人脸区域中的平均亮度。舍弃平均亮度高于上限阈值或低于下限阈值的帧。选择关键点变化在某阈值范围中平均亮度最低值及最高值两帧，记为I₁及I₂。

作为一种可选实施方式，检测装置103还包括预处理装置1033，对光暗两帧图像进行包括但不限于缩放、裁剪、去噪声、模糊化等。此预处理操作能大大提高最后判断的准确度。

作为一种可选实施方式，对识别出的人脸进行归一化处理，在人脸区域中人脸的大小尺寸并非固定，因此需要对其进行归一化处理，其方法包括以下步骤：计算I₁中的人脸关键点，并计算与预定的平均人脸的变换矩阵，将人脸关键点映射到标准位置，并人脸图像变换到标准大小。利用上述的矩阵对I₂进行同样变换。

作为一种可选实施方式，得到归一化后的高亮度及低亮度图像后，进行差分处理获得光暗人脸差分图。

具体的，在差分图中提取离散傅里叶变换特征：

$F\left(k,l\right)=\underset{m=0}{\overset{N-1}{\Σ}}\underset{n=0}{\overset{N-1}{\Σ}}I(m,n)e^{-2\mathrm{\π}(km/N+\ln /N)i}$

其中e^ix＝cosx+sinx,I(m,n)为目标区域差分图的像素值，N为差分图尺寸。

除了离散傅里叶变换特征之外，其他适用的特征包括但不限于：对整张脸或在某些关键点附近提取像素值、LBP、Gabor、梯度直方图换、SIFT、SURF等。

差分图能够很好地反映图像的材质信息，以及局部光照随时间变化的信息，但对于空间变化敏感度高，因此需要提取其他非关于空间变化的特征。若为彩色图像，在能够反映光照信息的通道提取更多辅助特征。通道包括HSV的V通道，YUV的Y通道，LAB的L通道及RGB三个通度的加权平均值；若为灰阶或红外图像，则使用其单通度值。在本实例中，在光暗两帧图像的人脸区域的已选通道上提取傅里叶变换特征，也可使用上述其他合适特征。

作为一种可选实施方式，串联离散傅里叶特征和辅助特征得到一个特征向量。利用机器学习的模型建立活体和非活体的随机森林分类器。本系统的模型利用大量在不同环境下采集的人脸和非人脸(如手机或平板电脑屏幕上的人脸、以不同材质打印的照片)数据(五十万组)进行训练。训练算法的输入为上述的特征向量和预期输出。其他合适的机器学习算法包含，但不限于人工神经网络、决策树、支持向量机、卷积神经网络等。利用分类器的得分作出判断，若大于等于阈值则判为活体，小于则为非活体。

图4为本发明实施例提供的基于光脉冲的人脸活体检测方法流程图，该方法包括：

S401，以预设频率向待测对象发射不同信号强度的光信号。

具体的，采用发光装置执行上述步骤S501，发光装置可以是一个独立的可控光源，也可以是集成在设备上一体的光源。发光装置在短间距中采集的受可控光源照射的连续帧普通图像，本系统使用一秒内的连续20帧。

除了可见光之外，发光装置可以产生红外光等其他可以成像的射线。

S402，获取所述待测对象在不同信号强度的光信号下产生的多个图像。

具体的，可以利用普通摄像机获取普通图像，普通图像可以包含但不限于灰度图像、彩色图像或红外图像，摄像装置的来源包含但不限于网络摄像头、监控摄像头以及手机自带的摄像头。

S403，基于所述多个图像，检测所述待测对象是否为活体。

具体的，从摄像装置拍摄的多张含有人脸的照片中选择成像质量较好、且反差较大的若干张图像，由于活体人脸的反光相比相片的反光更加发散，因此，通过比较上述照片的成像光亮度的差值即可判断待测对象是否为活体。

作为一种实施方式，对所有连续帧进行人脸检测，得到分别人脸出现的区域及人脸关键点。计算区域及关键点的方差，若低于某一阈值则拾弃并重新进行活体检测，否则计算一个平均人脸区域。计算每帧内平均人脸区域中的平均亮度。舍弃平均亮度高于上限阈值或低于下限阈值的帧。选择关键点变化在某阈值范围中平均亮度最低值及最高值两帧，记为I₁及I₂。

作为一种可选实施方式，该方法还包括预处理步骤，对光暗两帧图像进行包括但不限于缩放、裁剪、去噪声、模糊化等。此预处理操作能大大提高最后判断的准确度。

作为一种可选实施方式，对识别出的人脸进行归一化处理，在人脸区域中人脸的大小尺寸并非固定，因此需要对其进行归一化处理，其方法包括以下步骤：计算I₁中的人脸关键点，并计算与预定的平均人脸的变换矩阵，将人脸关键点映射到标准位置，并人脸图像变换到标准大小。利用上述的矩阵对I₂进行同样变换。

作为一种可选实施方式，得到归一化后的高亮度及低亮度图像后，进行差分处理获得光暗人脸差分图。

具体的，在差分图中提取离散傅里叶变换特征：

$F\left(k,l\right)=\underset{m=0}{\overset{N-1}{\Σ}}\underset{n=0}{\overset{N-1}{\Σ}}I(m,n)e^{-2\mathrm{\π}(km/N+\ln /N)i}$

其中e^ix＝cosx+sinx,I(m,n)为目标区域差分图的像素值，N为差分图尺寸。

除了离散傅里叶变换特征之外，其他适用的特征包括但不限于：对整张脸或在某些关键点附近提取像素值、LBP、Gabor、梯度直方图换、SIFT、SURF等。

差分图能够很好地反映图像的材质信息，以及局部光照随时间变化的信息，但对于空间变化敏感度高，因此需要提取其他非关于空间变化的特征。若为彩色图像，在能够反映光照信息的通道提取更多辅助特征。通道包括HSV的V通道，YUV的Y通道，LAB的L通道及RGB三个通度的加权平均值；若为灰阶或红外图像，则使用其单通度值。在本实例中，在光暗两帧图像的人脸区域的已选通道上提取傅里叶变换特征，也可使用上述其他合适特征。

作为一种可选实施方式，串联离散傅里叶特征和辅助特征得到一个特征向量。利用机器学习的模型建立活体和非活体的随机森林分类器。本系统的模型利用大量在不同环境下采集的人脸和非人脸(如手机或平板电脑屏幕上的人脸、以不同材质打印的照片)数据(五十万组)进行训练。训练算法的输入为上述的特征向量和预期输出。其他合适的机器学习算法包含，但不限于人工神经网络、决策树、支持向量机、卷积神经网络等。利用分类器的得分作出判断，若大于等于阈值则判为活体，小于则为非活体。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (24)

1.一种基于光脉冲的人脸活体检测系统，其特征在于，所述系统包括：

发光装置，所述发光装置以预设频率向待测对象发射不同信号强度的光信号；

摄像装置，所述摄像装置用于获取所述待测对象在不同信号强度的光信号下产生的多个图像；以及

检测装置，所述检测装置基于所述多个图像，检测所述待测对象是否为活体。

2.根据权利要求1所述的系统，其特征在于，优选的，所述检测装置包括：

提取装置，所述提取装置在多个图像上提取待测对象的目标区域，并获取所述目标区域的特征点信息；以及

判断装置，所述判断装置基于所述目标区域及所述特征点信息，判断所述待测对象是否为活体。

3.根据权利要求2所述的系统，其特征在于，所述提取装置还用于：

计算所述摄像装置获取的当前图像上的所述目标区域与所述特征点之间的方差；

当所述方差是否低于第一阈值时，舍弃当前图像，再次从所述摄像装置上获取待测对象的图像。

4.根据权利要求2所述的系统，其特征在于，所述提取装置还用于：

计算所述摄像装置获取的每幅图像上的所述目标区域的平均亮度值；

对平均亮度值大于第二阈值或低于第三阈值的图像进行舍弃处理。

5.根据权利要求4所述的系统，其特征在于，所述提取装置还用于：

在预设亮度值范围内，选取关键点平均亮度值最低的图像作为第一图像，选取关键点平均亮度值最高的图像作为第二图像。

6.根据权利要求5所述的系统，其特征在于，所述检测装置还包括：

预处理装置，用于对所述第一图像及第二图像进行图像预处理。

7.根据权利要求6所述的系统，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，包括：

分别对所述第一图像及第二图像的目标区域进行归一化处理，将所述特征点映射到统一的标准位置。

8.根据权利要求7所述的系统，其特征在于，所述对所述目标区域进行归一化处理，将所述特征点映射到统一的标准位置，包括：

分别计算第一图像及第二图像上的目标区域关键点与预定的平均目标区域的变换矩阵，将目标区域关键点映射到标准位置。

9.根据权利要求7或8所述的系统，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

对归一化处理后的第一图像及第二图像进行差分处理，获得目标区域差分图。

10.根据权利要求9所述的系统，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

在差分图中提取离散傅里叶变换特征：

$F\left(k,l\right)=\underset{m=0}{\overset{N-1}{\Σ}}\underset{n=0}{\overset{N-1}{\Σ}}I(m,n)e^{-2\mathrm{\π}(km/N+ln/N)i}$

其中e^ix＝cosx+sinx,I(m,n)为目标区域差分图的像素值，N为差分图尺寸。

11.根据权利要求10所述的系统，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

获取所述第一图像及第二图像的图形类型；以及

基于所述图像类型提取所述第一图像及第二图像的辅助特征。

12.根据权利要求11所述的系统，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

利用所述离散傅里叶变换特征及所述辅助特征构建特征向量；

将所述特征向量作为输入，通过基于机器学习建立的反光特性的分类器进行分析，判断所述待测目标是否为活体。

13.一种基于光脉冲的人脸活体检测方法，其特征在于，所述方法包括：

以预设频率向待测对象发射不同信号强度的光信号；

获取所述待测对象在不同信号强度的光信号下产生的多个图像；以及

基于所述多个图像，检测所述待测对象是否为活体。

14.根据权利要求13所述的方法，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，包括：

在多个图像上提取待测对象的目标区域，并获取所述目标区域的特征点信息；以及

基于所述目标区域及所述特征点信息，判断所述待测对象是否为活体。

15.根据权利要求14所述的方法，其特征在于，所述获取所述待测对象在不同信号强度的光信号下产生的多个图像，包括：

计算所述摄像装置获取的当前图像上的所述目标区域与所述特征点之间的方差；

当所述方差是否低于第一阈值时，舍弃当前图像，再次从所述摄像装置上获取待测对象的图像。

16.根据权利要求14所述的方法，其特征在于，所述获取所述待测对象在不同信号强度的光信号下产生的多个图像，还包括：

计算所述摄像装置获取的每幅图像上的所述目标区域的平均亮度值；

对平均亮度值大于第二阈值或低于第三阈值的图像进行舍弃处理。

17.根据权利要求16所述的方法，其特征在于，所述获取所述待测对象在不同信号强度的光信号下产生的多个图像，还包括：

在预设亮度值范围内，选取关键点平均亮度值最低的图像作为第一图像，选取关键点平均亮度值最高的图像作为第二图像。

18.根据权利要求17所述的方法，其特征在于，所述方法还包括：

对所述第一图像及第二图像进行图像预处理。

19.根据权利要求18所述的方法，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，包括：

分别对所述第一图像及第二图像的目标区域进行归一化处理，将所述特征点映射到统一的标准位置。

20.根据权利要求19所述的方法，其特征在于，所述对所述目标区域进行归一化处理，将所述特征点映射到统一的标准位置，包括：

分别计算第一图像及第二图像上的目标区域关键点与预定的平均目标区域的变换矩阵，将目标区域关键点映射到标准位置。

21.根据权利要求19或20所述的方法，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

对归一化处理后的第一图像及第二图像进行差分处理，获得目标区域差分图。

22.根据权利要求21所述的方法，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

在差分图中提取离散傅里叶变换特征：

$F\left(k,l\right)=\underset{m=0}{\overset{N-1}{\Σ}}\underset{n=0}{\overset{N-1}{\Σ}}I(m,n)e^{-2\mathrm{\π}(km/N+ln/N)i}$

其中e^ix＝cosx+sinx,I(m,n)为目标区域差分图的像素值，N为差分图尺寸。

23.根据权利要求22所述的方法，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

获取所述第一图像及第二图像的图形类型；以及

基于所述图像类型提取所述第一图像及第二图像的辅助特征。

24.根据权利要求23所述的方法，其特征在于，所述基于所述多个图像，检测所述待测对象是否为活体，还包括：

利用所述离散傅里叶变换特征及所述辅助特征构建特征向量；

将所述特征向量作为输入，通过基于机器学习建立的反光特性的分类器进行分析，判断所述待测目标是否为活体。