CN105740775A - 一种三维人脸活体识别方法及其装置 - Google Patents

Abstract

本发明提供了一种三维人脸活体识别方法及其装置，涉及人脸识别和图像处理技术邻域，所述方法包括：采集三维人脸图像；对所述三维人脸图像进行归一化处理；根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的深度直方图信息或相关系数；根据所述深度直方图信息或所述相关系数判断所述三维人脸图像是否来自于活体。本发明依据深度直方图信息或相关系数进行活体识别，使得识别结果的精确度高，具有鲁棒性和稳定性。

Description

一种三维人脸活体识别方法及其装置

技术领域

本发明涉及人脸识别和图像处理技术邻域，特别是涉及一种三维人脸活体识别方法及三维人脸活体识别装置。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。利用人脸识别技术可有效的加强安全和隐私，但现实中存在一个问题，就是利用打印的照片、手机或pad中的照片或视频等虚假的信息可以闯过人脸识别系统的安全防线，对安全和隐私构成威胁。

在人脸识别中引入活体识别技术，可以有效地防止非法用户利用合法用户的照片和视频等造假信息通过人脸识别系统，从而避免安全漏洞。现有技术中已经存在人脸活体识别方法。例如，申请号为201310133442.9的中国专利申请公开了一种真实人脸和图片人脸的区别方法和系统，该专利申请采用两个摄像头进行图像采集，实现人脸匹配，对相匹配的人脸，根据人脸特征点以及两个摄像头的投影矩阵建立人脸特征点的三维特征点坐标，获取三维特征点坐标中的特征点间的最大深度差值，通过将特征点间的最大深度差值与预先设定的深度阈值进行比较判断是否为真实人脸。

现有的人脸活体识别方法，仅用特征点间的最大深度差值进行判断，所依据的信息较为单一，判断方法简单，精确度不高，鲁棒性和稳定性较差。

发明内容

本发明所要解决的技术问题是如何能够提供一种三维人脸活体识别方法及三维人脸活体识别装置，以提高识别结果的精确度、鲁棒性和稳定性。

为了解决上述问题，本发明公开了一种三维人脸活体识别方法，包括：

采集三维人脸图像；

对所述三维人脸图像进行归一化；

根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的深度直方图信息或相关系数；

根据所述深度直方图信息或所述相关系数判断所述三维人脸图像是否来自于活体。

作为一个举例说明，所述根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的深度直方图信息，包括：

根据归一化的三维人脸图像的各个点的深度信息获得深度平均值；

计算各个点的深度信息与所述深度平均值之差，获得各个点的深度差值；

根据各个点的深度差值的数据分布，产生所述三维人脸图像的深度直方图信息。

作为一个举例说明，所述根据各个点的深度差值的数据分布，产生所述三维人脸图像的深度直方图信息，包括：

对各个点的深度差值进行归一化；

统计归一化后的各个点的深度差值的数据分布，获得所述三维人脸图像的深度直方图信息。

作为一个举例说明，所述根据所述深度直方图信息判断所述三维人脸图像是否来自于活体，包括：根据预置的由样本图像训练的分类器对所述深度直方图信息进行分类，根据分类结果判断所述三维人脸图像是否来自于活体。

作为一个举例说明，所述根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的相关系数，包括：

预设m个活体人脸模型的各个点的深度信息；其中，m≥2；

根据归一化的三维人脸图像的各个点的深度信息与m个活体人脸模型的各个点的深度信息，分别获得所述三维人脸图像与m个活体人脸模型的m个相关系数。

作为一个举例说明，所述根据所述相关系数判断所述三维人脸图像是否来自于活体包括：

计算所述m个相关系数的平均值；如果所述m个相关系数的平均值大于或者等于预置阈值，则判断所述三维人脸图像来自于活体；如果所述m个相关系数的平均值小于预置阈值，则判断所述三维人脸图像来自于非活体。

相应的，本发明还公开了一种三维人脸活体识别装置，包括：

采集模块，用于采集三维人脸图像；

处理模块，用于对所述三维人脸图像进行归一化；

计算模块，用于根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的深度直方图信息或相关系数；

判断模块，用于根据所述深度直方图信息或所述相关系数判断所述三维人脸图像是否来自于活体。

作为一个举例说明，所述计算模块包括：

平均值获取模块，用于根据归一化的三维人脸图像的各个点的深度信息获得深度平均值；

差值计算模块，用于计算各个点的深度信息与所述深度平均值之差，获得各个点的深度差值；

信息产生模块，用于根据各个点的深度差值的数据分布，产生所述三维人脸图像的深度直方图信息。

作为一个举例说明，所述信息产生模块包括：

归一化子模块，用于对各个点的深度差值进行归一化；

统计子模块，用于统计归一化后的各个点的深度差值的数据分布，获得所述三维人脸图像的深度直方图信息。

作为一个举例说明，所述判断模块用于根据预置的由样本图像训练的分类器对所述深度直方图信息进行分类，根据分类结果判断所述三维人脸图像是否来自于活体。

作为一个举例说明，所述计算模块包括：

模型预设模块，用于预设m个活体人脸模型的各个点的深度信息；其中，m≥2；

系数获取模块，用于根据归一化的三维人脸图像的各个点的深度信息与m个活体人脸模型的各个点的深度信息，分别获得所述三维人脸图像与m个活体人脸模型的m个相关系数。

作为一个举例说明，所述判断模块用于计算所述m个相关系数的平均值；如果所述m个相关系数的平均值大于或者等于预置阈值，则判断所述三维人脸图像来自于活体；如果所述m个相关系数的平均值小于预置阈值，则判断所述三维人脸图像来自于非活体。

与现有技术相比，本发明具有以下优点：

本发明根据归一化的三维人脸图像的各个点的深度信息，计算三维人脸图像的深度直方图信息或相关系数，然后，根据所述深度直方图信息或所述相关系数判断所述三维人脸图像是否来自于活体。将深度直方图信息或相关系数，作为活体相似性的度量，能够反映出活体和非活体之间立体形状的差别，得识别结果的精确度高，识别结果也具有鲁棒性和稳定性。

附图说明

图1是本发明一种三维人脸活体识别方法的实施例一的流程图；

图2是活体三维人脸图像的三维立体显示方式的示意图；

图3是活体三维人脸图像的二维平面显示方式的示意图；

图4是正常照片图像的三维立体显示方式的示意图；

图5是弯曲照片图像的三维立体显示方式的示意图；

图6是本发明一种三维人脸活体识别方法的实施例二的流程图；

图7是本发明一种三维人脸活体识别方法的实施例三的流程图；

图8是本发明一种三维人脸活体识别装置的实施例四的结构示意图；

图9是本发明一种三维人脸活体识别装置的实施例五的结构示意图；

图10是本发明一种三维人脸活体识别装置的实施例六的结构示意图；

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明一种三维人脸活体识别方法的实施例一的流程图，所述方法包括：

步骤101，采集三维人脸图像。

通常用三维数据采集模块采集三维人脸图像，所述三维数据采集模块可以包括：3D摄像头，用于采集三维人脸数据；数据处理模块，用于对三维人脸数据进行处理，产生三维人脸图像。与二维人脸图像不同的是，三维人脸图像包含人脸的深度信息，所述深度信息是指三维空间的距离数据。具体的，可以将3D摄像头的一个镜头作为三维空间的原点，建立三维坐标系，将3D摄像头面向人脸的方向作为z轴的正方向，x轴和y轴的正方向可以根据左手坐标系确定，那么，三维人脸数据即是人脸上的某个点在所述三维坐标系里的x、y、z坐标，其中，z坐标代表该点的深度信息。3D摄像头能够直接采集人脸上一些特定点的三维坐标，其他点的三维坐标可以通过已采集点的三维坐标计算得出。

作为一个举例说明，3D摄像头可以包括：红外激光发射器、第一红外传感器、第二红外传感器和色彩传感器，它模仿了人眼的视差原理，通过红外激光发射器打出一束红外光，以第一红外传感器和第二红外传感器追踪这束光的位置，然后用三角定位原理来计算出三维人脸图像中的深度信息。3D摄像头还可以有其它的实现形式，均属于现有技术的内容，本发明实施例在此不再赘述。

需要说明的是，三维人脸图像由数据点阵构成，一般的，如图2所示，三维人脸图像可以通过三维立体方式进行显示；另外，如图3所示，三维人脸图像还可以通过二维平面方式进行显示，其中，显示平面上的灰度代表了三维人脸图像上各个点的深度信息。

步骤102，对所述三维人脸图像进行归一化。

对图像进行归一是指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程。由于采集的三维人脸图像的大小不一，为了便于对各种大小的三维人脸图像进行统一处理，需要对所述三维人脸图像进行归一化，使之归一化到相同的大小。作为一个举例说明，对三维人脸图像作如下归一化处理：获得三维人脸图像中的鼻尖位置，以鼻尖为中心，通过横向、纵向不同比例的压缩或者拉伸，x、y方向统一变成100×100像素的大小。本发明对归一化的大小不做限定，还可以有其他实现方式。

步骤103，根据归一化的三维人脸图像的各个点的深度信息，计算三维人脸图像的深度直方图信息或相关系数。

分别观察活体人脸、照片以及弯曲照片三维人脸图像的三维显示，可以发现下面一些特点，如图2所示，活体三维人脸图像凸凹不平，且鼻子有明显的突起，眼睛有凹陷等；如图4所示，正常照片的图像显示为近似一个平面；如图5所示，弯曲照片的图像中间凸起，两侧弯曲，类似马鞍状。依据发明人的大量实验，发现通过三维人脸图像的直方图信息或者三维人脸图像间的相关系数，能够描述出活体和非活体之间立体形状的差别。

直方图又称质量分布图，是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况，一般用横轴表示数据类型，纵轴表示数据分布情况。相关系数是用以反映变量之间相关关系密切程度的统计指标，是按积差方法计算，以两个变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间的相关程度，又称皮尔逊相关系数。本步骤通过计算三维人脸图像的深度直方图信息或相关系数，作为活体相似性的度量。

步骤104，根据所述深度直方图信息或所述相关系数判断所述三维人脸图像是否来自于活体。

在本步骤中，可以预先设定识别标准，若根据所述深度直方图信息或所述相关系数判断符合该识别标准，则判断所述三维人脸图像来自于活体，否则，判断所述三维人脸图像来自于非活体。

在本发明实施例一中，根据归一化的三维人脸图像的各个点的深度信息，计算三维人脸图像的深度直方图信息或相关系数，然后，根据所述深度直方图信息或所述相关系数判断所述三维人脸图像是否来自于活体。将深度直方图信息或相关系数，作为活体相似性的度量，能够反映出活体和非活体之间立体形状的差别，得识别结果的精确度高，识别结果也具有鲁棒性和稳定性。

参照图6，示出了本发明一种三维人脸活体识别方法的实施例二的流程图，所述方法包括：

步骤601，采集三维人脸图像。

步骤602，对所述三维人脸图像进行归一化。

在本实施例二中，将所述三维人脸图像归一化为x、y方向上100×100像素的大小。

步骤603，根据归一化的三维人脸图像的各个点的深度信息获得深度平均值。

具体的，将各个点的深度信息相加，得到深度信息的总和，然后将深度信息的总和除以点的总个数10000，得到深度平均值。

步骤604，计算各个点的深度信息与所述深度平均值之差，获得各个点的深度差值。

将每个点的深度信息减去所述深度平均值，得到的差值就是与该点对应的深度差值，即，去平均值之后的深度值。

步骤605，根据各个点的深度差值的数据分布，产生所述三维人脸图像的深度直方图信息。

直方图的横轴表示深度差值，直方图的纵轴表示数据分布情况，即处于对应的深度差值的点的个数。则，所述三维人脸图像的深度直方图信息可以当作一个多维的表示人脸特征的特征向量，每一维度表示与该深度差值相对应的点的分布个数。

作为一个举例说明，所述步骤605包括：

步骤6051，对各个点的深度差值进行归一化。

深度差值归一化的目的是使各个点的深度差值处于预置差值范围内，具体的，为深度差值的区间规定预置差值范围，预置差值范围表示为[预置最小范围值,预置最大范围值]，在本实施例二中，预置差值范围取值为[-25，25]。可以理解的是，预置差值范围还可以有其他取值方式。如果所述深度差值小于预置最小范围值-25，则将所述深度差值修正为所述预置最小范围值-25；如果所述深度差值大于预置最大范围值25，则将所述深度差值修正为所述预置最大范围值25；其余点的深度差值则不变。

步骤6052，统计归一化后的各个点的深度差值的数据分布，获得所述三维人脸图像的深度直方图信息。

按照深度差值为1个刻度的区间(或其他刻度区间，如0.5个刻度)来统计预置差值范围内深度差值的数据分布，作为所述三维人脸图像的各个点的直方图信息，则，直方图信息是一个50维的表示人脸的特征向量[a1，a2，……，a49，a50]，其中，a1，a2，……，a49，a50分别表示深度差值处于区间[-25，-24)，[-24，23)，……，[23，24)，[24，25]的点的个数。

作为另一个举例说明，所述步骤605可以包括：

步骤6053，统计各个点的深度差值的数据分布。

步骤6054，获取预置差值范围内的深度差值的数据分布，作为所述三维人脸图像的各个点的直方图信息。

在本举例说明中，先不做归一化，统计各个点的深度差值的数据分布后，获取预置差值范围内的深度差值的数据分布，预置差值范围表示为[预置最小范围值,预置最大范围值]，处于预置差值范围外的深度差值可以有两种处理方式：忽略不考虑，或者，将所有小于预置最小范围值的深度差值统计到预置最小范围值的数据分布上，将所有大于预置最大范围值的深度差值统计到预置最大范围值的数据分布上。

步骤606，根据所述深度直方图信息判断所述三维人脸图像是否来自于活体。

在本实施例二中，根据预置的由样本图像训练的分类器对所述深度直方图信息进行分类，根据分类结果判断所述三维人脸图像是否来自于活体。

作为一个举例说明，预先采集并计算出大量(例如，近3万份)活体和非活体人脸图像的深度直方图信息，将其作为特征数据，用Matlab的SVM训练函数svmtrain来训练分类器。在这些特征数据中，例如，训练样本可以是16000份(其中，活体样本6000份，非活体样本10000份)，测试样本可以是12500份(其中，活体样本4000份、非活体样本8500份)，并且标记分类结果，活体样本(真人脸)为+1，非活体样本(假人脸)为－1。在训练时选取最佳的参数，在Matlab的SVM训练函数svmtrain的参数中，设定了采取高斯核函数，并设置sigma＝4。

然后，将步骤605获得的深度直方图信息，作为特征数据输入到预先已经训练好的SVM分类器中，根据输出的分类结果来判断三维人脸图像是否来自于活体。如果输出的分类结果是1，则判断所述三维人脸图像来自于活体；如果输出的结果是－1，则判断所述三维人脸图像来自于非活体。

在本实施例二中，对三维人脸图像的各个点的深度差值进行归一化，然后统计归一化后的各个点的深度差值的数据分布，获得所述三维人脸图像的深度直方图信息，根据预置的由样本图像训练的分类器对所述深度直方图信息进行分类，判断所述三维人脸图像是否来自于活体。只需要计算直方图信息，作为特征数据输入到预置的分类器中，此种方式识别方法简单、快速，识别结果的精确度高，具有鲁棒性和稳定性。

参照图7，示出了本发明一种三维人脸活体识别方法的实施例三的流程图，所述方法包括：

步骤701，采集三维人脸图像。

步骤702，对所述三维人脸图像进行归一化。

在本实施例三中，将所述三维人脸图像归一化为x、y方向上100×100像素的大小。

步骤703，预设m个活体人脸模型的各个点的深度信息。

具体的，可以通过如下方式预设m个活体人脸模型的各个点的深度信息：利用3D摄像头采集了一定样本数量的三维人脸图像，作为一个示例，采集120个活体人脸的1200个三维人脸图像，其中针对每个活体人脸采集10个三维人脸图像，之后将每一个三维人脸图像以鼻尖为中心，统一变成x、y方向上100×100像素的大小，并将各个点的深度信息按照一行一行的顺序变成一个10000维的特征向量，对于1200个三维人脸图像，共产生1200个特征向量。接着利用通用的PCA(PrincipalComponentAnalysis，主成分分析)方法对1200个特征向量进行分析，得到对应特征值最大的前m个特征向量(其中，m≥2，且小于采集的样本数量)，作为m个活体人脸模型的特征向量，每一个活体人脸模型的特征向量对应一个活体人脸模型的各个点的深度信息，每一个活体人脸模型的特征向量也都是10000维的。作为一个示例，m取值为90。

所述PCA方法是将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法，又称主分量分析。它将原来众多具有一定相关性的数据，重新组合成一组新的互相无关的综合数据来代替原来的数据。采用PCA方法对特征向量进行分析属于现有技术的内容，本发明在此不再赘述。

步骤704，根据归一化的三维人脸图像的各个点的深度信息与m个活体人脸模型的各个点的深度信息，分别获得三维人脸图像与m个活体人脸模型的m个相关系数。

归一化的三维人脸图像的各个点的深度信息可以当作一个多维的表示人脸特征的特征向量。作为一个举例说明，对于归一化的100×100像素的三维人脸图像，将各个点的深度信息依次按照一行一行的顺序变成一个10000维的特征向量α，并依次计算特征向量α与预设的m个表示活体人脸模型的特征向量β₁，β₂，……，β_m-1，β_m的m个相关系数r₁，r₂，……，r_m-1，r_m。

对于10000维的特征向量α和β，二者的相关系数r的计算方法如下所示：

$r_j=\frac{{\mathrm{n\Σ}}_{i=1}^{i=n}\left({\mathrm{\α}}_i{\mathrm{\β}}_{ji}\right)-{\mathrm{\Σ}}_{i=1}^{i=n}{\mathrm{\α}}_i{\Σ}_{i=1}^{i=n}{\mathrm{\β}}_{ji}}{\sqrt{{\mathrm{n\Σ}}_{i=1}^{i=n}{{\mathrm{\α}}_i}^2-{\left({\mathrm{\Σ}}_{i=1}^{i=n}{\mathrm{\α}}_i\right)}^2}*\sqrt{{\mathrm{n\Σ}}_{i=1}^{i=n}{{\mathrm{\β}}_{ji}}^2-{\left({\mathrm{\Σ}}_{i=1}^{i=n}{\mathrm{\β}}_{ji}\right)}^2}}$

其中，n＝10000；j＝1，2，……，m。

作为另一个举例说明，对于归一化的100×100像素的三维人脸图像，将各个点的深度信息依次按照一列一列的顺序变成一个10000维的特征向量α。则，对于活体人脸模型，同样将各个点的深度信息依次按照一列一列的顺序变成一个10000维的特征向量。

步骤705，根据所述m个相关系数判断所述三维人脸图像是否来自于活体。

在本发明实施例三中，所述步骤704包括如下子步骤：

步骤7041，计算所述m个相关系数的平均值；

步骤7042，如果所述m个相关系数的平均值大于或者等于预置阈值，则判断所述三维人脸图像来自于活体；如果所述m个相关系数的平均值小于预置阈值，则判断所述三维人脸图像来自于非活体。

在本实施例三中，根据归一化的三维人脸图像的各个点的深度信息与预设的m个活体人脸模型的各个点的深度信息，分别获得三维人脸图像与m个活体人脸模型的m个相关系数，并根据m个相关系数的平均值判断所述三维人脸图像来自于非活体。相关系数很好的反映了活体人脸图像之间的相似程度，此种方式识别方法简单、快速，识别结果的精确度高，具有鲁棒性和稳定性。

参照图8，示出了本发明一种三维人脸活体识别装置的实施例四的结构示意图，所述装置800包括：

采集模块801，用于采集三维人脸图像；

处理模块802，用于对所述三维人脸图像进行归一化；

计算模块803，用于根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的深度直方图信息或相关系数；

判断模块804，用于根据所述深度直方图信息或所述相关系数判断所述三维人脸图像是否来自于活体。

在本发明实施例四中，根据归一化的三维人脸图像的各个点的深度信息，计算三维人脸图像的深度直方图信息或相关系数，然后，根据所述深度直方图信息或所述相关系数判断所述三维人脸图像是否来自于活体。将深度直方图信息或相关系数，作为活体相似性的度量，能够反映出活体和非活体之间立体形状的差别，得识别结果的精确度高，识别结果也具有鲁棒性和稳定性。

参照图9，示出了本发明一种三维人脸活体识别装置的实施例五的结构示意图，所述装置900包括：

采集模块901，用于采集三维人脸图像；

处理模块902，用于对所述三维人脸图像进行归一化；

计算模块903，用于根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的深度直方图信息；

判断模块904，用于根据所述深度直方图信息判断所述三维人脸图像是否来自于活体。

其中，计算模块903包括：

平均值获取模块9031，用于根据归一化的三维人脸图像的各个点的深度信息获得深度平均值；

差值计算模块9032，用于计算各个点的深度信息与所述深度平均值之差，获得各个点的深度差值；

信息产生模块9033，用于根据各个点的深度差值的数据分布，产生所述三维人脸图像的深度直方图信息。

作为一个举例说明，所述信息产生模块9033包括：

归一化子模块，用于对各个点的深度差值进行归一化，使各个点的深度差值处于预置差值范围内；

统计子模块，用于统计归一化后的各个点的深度差值的数据分布，获得所述三维人脸图像的深度直方图信息。

作为一个举例说明，所述判断模块904用于根据预置的由样本图像训练的分类器对所述深度直方图信息进行分类，根据分类结果判断所述三维人脸图像是否来自于活体。

参照图10，示出了本发明一种三维人脸活体识别装置的实施例六的结构示意图，所述装置100包括：

采集模块1001，用于采集三维人脸图像；

处理模块1002，用于对所述三维人脸图像进行归一化；

计算模块1003，用于根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的相关系数；

判断模块1004，用于根据所述相关系数判断所述三维人脸图像是否来自于活体。

其中，所述计算模块1003包括：

模型预设模块10031，用于预设m个活体人脸模型的各个点的深度信息；其中，m≥2；

系数获取模块10032，用于根据归一化的三维人脸图像的各个点的深度信息与m个活体人脸模型的各个点的深度信息，分别获得三维人脸图像与m个活体人脸模型的m个相关系数。

作为一个举例说明，所述判断模块100用于计算所述m个相关系数的平均值；如果所述m个相关系数的平均值大于或者等于预置阈值，则判断所述三维人脸图像来自于活体；如果所述m个相关系数的平均值小于预置阈值，则判断所述三维人脸图像来自于非活体。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的一种三维人脸活体识别方法和一种三维人脸活体识别装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种三维人脸活体识别方法，其特征在于，包括：

采集三维人脸图像；

对所述三维人脸图像进行归一化；

根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的深度直方图信息或相关系数；

根据所述深度直方图信息或所述相关系数判断所述三维人脸图像是否来自于活体。

2.如权利要求1所述的方法，其特征在于，所述根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的深度直方图信息，包括：

根据归一化的三维人脸图像的各个点的深度信息获得深度平均值；

计算各个点的深度信息与所述深度平均值之差，获得各个点的深度差值；

根据各个点的深度差值的数据分布，产生所述三维人脸图像的深度直方图信息。

3.如权利要求2所述的方法，其特征在于，所述根据各个点的深度差值的数据分布，产生所述三维人脸图像的深度直方图信息，包括：

对各个点的深度差值进行归一化；

统计归一化后的各个点的深度差值的数据分布，获得所述三维人脸图像的深度直方图信息。

4.如权利要求3所述的方法，其特征在于，所述根据所述深度直方图信息判断所述三维人脸图像是否来自于活体，包括：

根据预置的由样本图像训练的分类器对所述深度直方图信息进行分类，根据分类结果判断所述三维人脸图像是否来自于活体。

5.如权利要求1所述的方法，其特征在于，所述根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的相关系数，包括：

预设m个活体人脸模型的各个点的深度信息；其中，m≥2；

根据归一化的三维人脸图像的各个点的深度信息与m个活体人脸模型的各个点的深度信息，分别获得所述三维人脸图像与m个活体人脸模型的m个相关系数。

6.如权利要求5所述的方法，其特征在于，所述根据所述相关系数判断所述三维人脸图像是否来自于活体包括：

计算所述m个相关系数的平均值；

如果所述m个相关系数的平均值大于或者等于预置阈值，则判断所述三维人脸图像来自于活体；如果所述m个相关系数的平均值小于预置阈值，则判断所述三维人脸图像来自于非活体。

7.一种三维人脸活体识别装置，其特征在于，包括：

采集模块，用于采集三维人脸图像；

处理模块，用于对所述三维人脸图像进行归一化；

计算模块，用于根据归一化的三维人脸图像的各个点的深度信息，计算所述三维人脸图像的深度直方图信息或相关系数；

判断模块，用于根据所述深度直方图信息或所述相关系数判断所述三维人脸图像是否来自于活体。

8.如权利要求7所述的装置，其特征在于，所述计算模块包括：

平均值获取模块，用于根据归一化的三维人脸图像的各个点的深度信息获得深度平均值；

差值计算模块，用于计算各个点的深度信息与所述深度平均值之差，获得各个点的深度差值；

信息产生模块，用于根据各个点的深度差值的数据分布，产生所述三维人脸图像的深度直方图信息。

9.如权利要求8所述的装置，其特征在于，所述信息产生模块包括：

归一化子模块，用于对各个点的深度差值进行归一化；

统计子模块，用于统计归一化后的各个点的深度差值的数据分布，获得所述三维人脸图像的深度直方图信息。

10.如权利要求9所述的装置，其特征在于，

所述判断模块用于根据预置的由样本图像训练的分类器对所述深度直方图信息进行分类，根据分类结果判断所述三维人脸图像是否来自于活体。

11.如权利要求7所述的装置，其特征在于，所述计算模块包括：

模型预设模块，用于预设m个活体人脸模型的各个点的深度信息；其中，m≥2；

系数获取模块，用于根据归一化的三维人脸图像的各个点的深度信息与m个活体人脸模型的各个点的深度信息，分别获得所述三维人脸图像与m个活体人脸模型的m个相关系数。

12.如权利要求11所述的装置，其特征在于，

所述判断模块用于计算所述m个相关系数的平均值；如果所述m个相关系数的平均值大于或者等于预置阈值，则判断所述三维人脸图像来自于活体；如果所述m个相关系数的平均值小于预置阈值，则判断所述三维人脸图像来自于非活体。