CN105930761A - 一种基于眼球跟踪的活体检测的方法、装置及系统 - Google Patents

Abstract

本发明提供一种基于眼球跟踪的活体检测的方法、装置以及系统，所述系统包括显示器、摄像头以及基于眼球跟踪的活体检测的装置，其中，装置包括运动轨迹输出模块，用于输出一运动轨迹；显示器用于接收并显示运动轨迹；摄像头用于拍摄当前用户注视运动轨迹时眼部的视频；装置还包括视频获取装置，用于获取所述的视频；活动轨迹确定装置，用于根据视频绘制用户眼球的活动轨迹；活体检测装置，用于将运动轨迹与活动轨迹进行匹配，输出活体检测结果。本发明解决了运动轨迹曲线在不同坐标系上的平移和尺度变换，适用于眼球轨迹的场景，且发明的易用性强，使用现有的人脸识别的设备，无需装载新的设备。

Description

一种基于眼球跟踪的活体检测的方法、装置及系统

技术领域

本发明关于生物特征识别技术领域，特别是关于人脸识别的技术，具体的讲是一种基于眼球跟踪的活体检测的方法、装置及系统。

背景技术

目前，人脸识别作为一种新型的身份确认方法，已成为金融技术发展的趋势，其可广泛应用于支付、转账等场景中。但随着人脸识别技术的迅速发展和广泛应用，其安全性也受到了严峻的挑战。现有技术中，在人脸识别领域主要的威胁一般来自于合法用户的照片、合法用户的视频或合法用户的3D模型。因此，如何检测活体是人脸识别过程中的一项非常重要的工作。

活体检测主要是证明一个活人处于镜头前，而不是一张照片、一段视频或3D模型。与真实的人脸相比，照片中的人脸是平面的，并且存在二次获取带来的质量损失、模糊等缺陷。视频中的人脸则由于视频播放器的缘故而存在LCD反光等现象。3D模型构成的人脸的运动是刚性的运动。活体检测可以有效地防止相关欺诈手段，提升基于人脸识别的身份验证的安全性和实用性。

现有技术中的活体检测方案，存在检测设备复杂(例如需要采用热图像传感器等设备)、检测成本高、准确度较低、用户体验不好等技术缺陷。因此，如何研究和开发出一种安全性高、用户体验佳的活体检测方案是本领域亟待解决的技术难题。

发明内容

为了克服现有技术存在的上述技术问题，本发明提供了一种基于眼球跟踪的活体检测的方法、装置及系统，显示器显示一个运动的小球，引导用户注视该小球，在用户注视期间，摄像头拍摄用户眼部的视频，然后，活体检测装置从视频中获取眼球的活动轨迹，并匹配运动小球的运动轨迹，进而生成活体匹配结果，由于运动轨迹与活动轨迹的匹配过程中结合轨迹曲线两个主要特性，即斜率和距离，进行维度分析，因此解决了运动轨迹曲线在不同坐标系上的平移和尺度变换，适用于眼球轨迹的场景。

本发明的目的之一是，提供一种基于眼球跟踪的活体检测的方法，所述方法包括：输出一运动轨迹，所述的运动轨迹是无规则的；获取当前用户注视所述运动轨迹时眼部的视频；根据所述的视频绘制用户眼球的活动轨迹；将所述的运动轨迹与所述的活动轨迹进行匹配，输出活体检测结果。

在本发明的优选实施方式中，所述的运动轨迹为一小球沿不同方向随机运动。

在本发明的优选实施方式中，根据所述的视频绘制用户眼球的活动轨迹包括：将所述的视频转换为多张图片；获取每张图片中用户眼球与眼睛的相对位置；根据所述的相对位置绘制用户眼球的活动轨迹。

在本发明的优选实施方式中，将所述的运动轨迹与所述的活动轨迹进行匹配，输出活体检测结果包括：根据所述的运动轨迹绘制运动曲线；根据所述的活动轨迹绘制活动曲线；确定所述运动曲线与所述活动曲线的匹配度；获取预先设定匹配度阈值；根据所述的匹配度以及匹配度阈值输出活体检测结果。

在本发明的优选实施方式中，确定所述运动曲线与所述活动曲线的匹配度包括：根据所述的运动曲线绘制第一曲线；根据所述的活动曲线绘制第二曲线；根据递归算法确定所述第一曲线与第二曲线的最长公共子序列长度；根据所述最长公共子序列长度确定所述第一曲线与第二曲线的匹配度。

在本发明的优选实施方式中，根据所述的运动曲线绘制第一曲线包括：获取预先设定的采样间隔；根据所述的采样间隔对所述的运动曲线进行采样，得到多个运动采样点；依次确定多个运动采样点两两之间的斜率，组成运动斜率序列；根据所述的运动斜率序列绘制第一曲线。

在本发明的优选实施方式中，根据所述的活动曲线绘制第二曲线包括：获取预先设定的采样间隔；根据所述的采样间隔对所述的活动曲线进行采样，得到多个活动采样点；依次确定多个活动采样点两两之间的斜率，组成活动斜率序列；根据所述的活动斜率序列绘制第二曲线。

在本发明的优选实施方式中，根据递归算法确定所述第一曲线与第二曲线的最长公共子序列长度通过如下公式进行：

$LS(m,n)=\left\{\begin{array}{c}0,ifmornisempty\\ 1+LS\left(Head\right(m),Head(n\left)\right),if\left|\right|m_a-n_b\left|\right|<\mathrm{\&epsiv;},\left|m-n\right|<\mathrm{\&eta;}\\ Max\left(LS\right(Head\left(m\right),n),LS(m,Head\left(n\right)\left)\right),otherwise\end{array}\right.$

其中，m为序列M中的元素，即M(m₁,m₂,...m_a)为运动斜率序列，a为运动斜率序列M的长度，n为序列N中的元素，即N(n₁,n₂,...n_b)为活动斜率序列，b为活动斜率序列N的长度，LS(m,n)为M和N的最长公共子序列长度，Head(m)为除去最后一项的M的子序列，即(m₁,m₂,...m_a-1)，Head(n)为除去最后一项的N的子序列，即(n₁,n₂,...n_b-1)，ε、η为预先设置的参数。

在本发明的优选实施方式中，根据所述最长公共子序列长度确定所述第一曲线与第二曲线的匹配度通过如下公式进行：

$S(m,n)=\frac{LS(m,n)}{min(m,n)}$

其中，S(m,n)为匹配度，min(m,n)为m、n中的最小值。

在本发明的优选实施方式中，根据所述的匹配度以及匹配度阈值输出活体检测结果包括：判断所述的匹配度是否大于匹配度阀值；当判断为是时，输出当前用户活体检测成功的活体检测结果；否则，输出当前用户活体检测失败的活体检测结果。

本发明的目的之一是，提供一种基于眼球跟踪的活体检测的装置，所述的装置包括：运动轨迹输出模块，用于输出一运动轨迹，所述的运动轨迹是无规则的；视频获取模块，用于获取当前用户注视所述运动轨迹时眼部的视频；活动轨迹确定模块，用于根据所述的视频绘制用户眼球的活动轨迹；轨迹匹配模块，用于将所述的运动轨迹与所述的活动轨迹进行匹配，输出活体检测结果。

在本发明的优选实施方式中，所述的运动轨迹为一小球沿不同方向随机运动。

在本发明的优选实施方式中，所述的活动轨迹确定模块包括：转换单元，用于将所述的视频转换为多张图片；相对位置获取单元，用于获取每张图片中用户眼球与眼睛的相对位置；活动轨迹绘制单元，用于根据所述的相对位置绘制用户眼球的活动轨迹。

在本发明的优选实施方式中，所述的轨迹匹配模块包括：运动曲线绘制单元，用于根据所述的运动轨迹绘制运动曲线；活动曲线绘制单元，用于根据所述的活动轨迹绘制活动曲线；匹配度确定单元，用于确定所述运动曲线与所述活动曲线的匹配度；阈值获取单元，用于获取预先设定匹配度阈值；检测结果输出单元，用于根据所述的匹配度以及匹配度阈值输出活体检测结果。

在本发明的优选实施方式中，所述的匹配度确定单元包括：第一曲线绘制单元，用于根据所述的运动曲线绘制第一曲线；第二曲线绘制单元，用于根据所述的活动曲线绘制第二曲线；最长公共子序列长度确定单元，用于根据递归算法确定所述第一曲线与第二曲线的最长公共子序列长度；匹配度确定子单元，用于根据所述最长公共子序列长度确定所述第一曲线与第二曲线的匹配度。

在本发明的优选实施方式中，所述的第一曲线绘制单元包括：第一采样间隔获取单元，用于获取预先设定的采样间隔；第一采样单元，用于根据所述的采样间隔对所述的运动曲线进行采样，得到多个运动采样点；第一斜率确定单元，用于依次确定多个运动采样点两两之间的斜率，组成运动斜率序列；第一曲线绘制子单元，用于根据所述的运动斜率序列绘制第一曲线。

在本发明的优选实施方式中，所述的第二曲线绘制单元包括：第二采样间隔获取单元，用于获取预先设定的采样间隔；第二采样单元，用于根据所述的采样间隔对所述的活动曲线进行采样，得到多个活动采样点；第二斜率确定单元，用于依次确定多个活动采样点两两之间的斜率，组成活动斜率序列；第二曲线绘制子单元，用于根据所述的活动斜率序列绘制第二曲线。

在本发明的优选实施方式中，所述的检测结果输出单元包括：判断单元，用于判断所述的匹配度是否大于匹配度阀值；第一检测结果输出单元，用于当判断单元判断为是时，输出当前用户活体检测成功的活体检测结果；第二检测结果输出单元，用于当判断单元判断为否时，输出当前用户活体检测失败的活体检测结果。

本发明的目的之一是，提供一种基于眼球跟踪的活体检测的系统，所述的系统包括显示器、摄像头以及基于眼球跟踪的活体检测的装置，其中，所述的基于眼球跟踪的活体检测的装置包括：运动轨迹输出模块，用于输出一运动轨迹，所述的运动轨迹是无规则的；所述的显示器，用于接收并显示所述的运动轨迹；所述的摄像头，用于拍摄当前用户注视所述运动轨迹时眼部的视频；所述的基于眼球跟踪的活体检测的装置还包括：视频获取装置，用于获取所述的视频；活动轨迹确定装置，用于根据所述的视频绘制用户眼球的活动轨迹；活体检测装置，用于将所述的运动轨迹与所述的活动轨迹进行匹配，输出活体检测结果。

本发明的有益效果在于，提供了一种基于眼球跟踪的活体检测的方法、装置以及系统，由显示器显示一个运动的小球，引导用户注视该小球，在用户注视期间，摄像头拍摄用户眼部的视频，然后，活体检测装置从视频中获取眼球的活动轨迹，并匹配运动小球的运动轨迹，进而生成活体匹配结果，由于运动轨迹与活动轨迹的匹配过程中结合轨迹曲线两个主要特性，即斜率和距离，进行维度分析，因此解决了运动轨迹曲线在不同坐标系上的平移和尺度变换，适用于眼球轨迹的场景，且本发明的易用性强，使用现有的人脸识别的设备，无需装载新的设备。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

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一种基于眼球跟踪的活体检测的方法的流程图；

图2为图1中的步骤S103的具体流程图；

图3为图1中的步骤S104的具体流程图；

图4为图3中的步骤S303的具体流程图；

图5为图4中的步骤S401的具体流程图；

图6为图4中的步骤S402的具体流程图；

图7为图3中的步骤S305的具体流程图；

图8为本发明实施例提供的一种基于眼球跟踪的活体检测的系统的结构示意图；

图9为本发明实施例提供的一种基于眼球跟踪的活体检测的装置的结构示意图；

图10为本发明实施例提供的一种基于眼球跟踪的活体检测的系统的结场景图；

图11为本发明实施例提供的一种基于眼球跟踪的活体检测的装置中活动轨迹确定模块30的结构框图；

图12为本发明实施例提供的一种基于眼球跟踪的活体检测的装置中轨迹匹配模块40的结构框图；

图13为本发明实施例提供的一种基于眼球跟踪的活体检测的装置中匹配度确定单元43的结构框图；

图14为本发明实施例提供的一种基于眼球跟踪的活体检测的装置中第一曲线绘制单元431的结构框图；

图15为本发明实施例提供的一种基于眼球跟踪的活体检测的装置中第二曲线绘制单元432的结构框图；

图16为本发明实施例提供的一种基于眼球跟踪的活体检测的装置中检测结果输出单元45的结构框图。

具体实施方式

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，所描述的实施例仅仅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做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。

活体检测主要是证明一个活人处在镜头前而不是一张照片或是视频。该项工作可以有效地防止相关欺诈手段，提升基于人脸识别的身份验证的安全性和实用性。眼球追踪主要是研究眼球运动信息的获取、建模和模拟。随着摄像头已广泛普及在ATM、手机、笔记本电脑、PC等设备中，眼球追踪已广泛用于汽车驾驶员疲劳检测、指令控制等场景中。

本发明提出了一种基于眼球跟踪的活体检测的系统，图10为基于眼球跟踪的活体检测的系统的结场景图，由图10可知，在做人脸识别期间中，人脸面对着显示屏，眼睛注视显示屏，显示屏端有一个摄像头能够清楚拍摄用户面部画面。

图8为本发明实施例提供的一种基于眼球跟踪的活体检测的系统的结构示意图，由图8可知，所述的系统包括显示器1、摄像头2以及基于眼球跟踪的活体检测的装置3。

图9为本发明实施例提供的一种基于眼球跟踪的活体检测的装置的结构示意图，由图9可知，所述的基于眼球跟踪的活体检测的装置3包括：运动轨迹输出模块10，用于输出一运动轨迹，所述的运动轨迹是无规则的。

所述的显示器1，用于接收并显示所述的运动轨迹，在具体的实施方式中，所述的运动轨迹可为一小球沿不同方向随机运动形成，即显示器中出现一个小球，小球以匀速或变速随机进行各个方向(如上下左右四个方向)的运动，运动轨迹是无规则的。

所述的摄像头2，用于拍摄当前用户注视所述运动轨迹时眼部的视频。即显示器显示运动轨迹期间，用户注视该小球，并且保持身体和头不动。摄像头拍摄用户眼部的视频。

由图9可知，所述的基于眼球跟踪的活体检测的装置还包括：

视频获取装置20，用于获取所述的视频；

活动轨迹确定装置30，用于根据所述的视频绘制用户眼球的活动轨迹，图11为活体检测的装置中活动轨迹确定模块30的结构框图。

活体检测装置40，用于将所述的运动轨迹与所述的活动轨迹进行匹配，输出活体检测结果。图12为轨迹匹配模块40的结构框图。

图11为本发明实施例提供的一种基于眼球跟踪的活体检测的装置中活动轨迹确定模块30的结构框图，由图11可知，所述的活动轨迹确定模块30包括：

转换单元31，用于将所述的视频转换为多张图片；

相对位置获取单元32，用于获取每张图片中用户眼球与眼睛的相对位置；

活动轨迹绘制单元33，用于根据所述的相对位置绘制用户眼球的活动轨迹。

图12为本发明实施例提供的一种基于眼球跟踪的活体检测的装置中轨迹匹配模块40的结构框图，由图12可知，所述的轨迹匹配模块40包括：

运动曲线绘制单元41，用于根据所述的运动轨迹绘制运动曲线；

活动曲线绘制单元42，用于根据所述的活动轨迹绘制活动曲线；

匹配度确定单元43，用于确定所述运动曲线与所述活动曲线的匹配度，图13为匹配度确定单元43的结构框图。

阈值获取单元44，用于获取预先设定匹配度阈值。匹配度阈值阀值是预先设置的参数，数值设置的越大，误识率会降低，但拒识率会上升，反之亦然。

检测结果输出单元45，用于根据所述的匹配度以及匹配度阈值输出活体检测结果，图16为检测结果输出单元45的结构框图。

图13为本发明实施例提供的一种基于眼球跟踪的活体检测的装置中匹配度确定单元43的结构框图，由图13可知，所述的匹配度确定单元43包括：

第一曲线绘制单元431，用于根据所述的运动曲线绘制第一曲线，图14为第一曲线绘制单元431的结构框图，由图14可知，所述的第一曲线绘制单元包括：

第一采样间隔获取单元4311，用于获取预先设定的采样间隔。在具体的实施方式中，对运动曲线、活动曲线进行采样，采样时间的间隔长度一致。时间间隔长度越短，最终的结果越是精确，同时，需要的计算量也越多。另外，运动曲线、活动曲线的起始点设置为相同的。如果获取的运动曲线、活动曲线采样数据是不同时间间隔采样而成，需要做归一化的处理。

第一采样单元4312，用于根据所述的采样间隔对所述的运动曲线进行采样，得到多个运动采样点；

第一斜率确定单元4313，用于依次确定多个运动采样点两两之间的斜率，组成运动斜率序列；

第一曲线绘制子单元4314，用于根据所述的运动斜率序列绘制第一曲线。在具体的实施方式中，把运动斜率序列以时间(或者序号)为横坐标，斜率为纵坐标，画出曲线，就在一个新的坐标系空间中得到第一曲线。

在本发明的其他实施方式中，对运动曲线做斜率的计算时，也可以每两点的斜率为参照，如将[0,180]度的斜率以每5度为单位，划分为36分，斜率处在[0,5)度范围之间，斜率值为0，[5,10)为1，[10,15)为2，以此类推。至此，获得了运动斜率序列M。把这些斜率划分后的数据以时间(或者序号)为横坐标，斜率区间所代表的值为纵坐标，画出曲线，就在一个新的坐标系空间中得到第衣曲线。

由图13可知，所述的匹配度确定单元43还包括：

第二曲线绘制单元432，用于根据所述的活动曲线绘制第二曲线，图15为第二曲线绘制单元432的结构框图。由图15可知，所述的第二曲线绘制单元包括：

第二采样间隔获取单元4321，用于获取预先设定的采样间隔。在具体的实施方式中，对运动曲线、活动曲线进行采样，采样时间的间隔长度一致。时间间隔长度越短，最终的结果越是精确，同时，需要的计算量也越多。另外，运动曲线、活动曲线的起始点设置为相同的。如果获取的运动曲线、活动曲线采样数据是不同时间间隔采样而成，需要做归一化的处理。

第二采样单元4322，用于根据所述的采样间隔对所述的活动曲线进行采样，得到多个活动采样点；

第二斜率确定单元4323，用于依次确定多个活动采样点两两之间的斜率，组成活动斜率序列；

第二曲线绘制子单元4324，用于根据所述的活动斜率序列绘制第二曲线。在具体的实施方式中，把运动斜率序列以时间(或者序号)为横坐标，斜率为纵坐标，画出曲线，就在一个新的坐标系空间中得到第二曲线。

在本发明的其他实施方式中，对活动曲线做斜率的计算时，也可以每两点的斜率为参照，如将[0,180]度的斜率以每5度为单位，划分为36分，斜率处在[0,5)度范围之间，斜率值为0，[5,10)为1，[10,15)为2，以此类推。至此，获得了活动斜率序列N。把这些斜率划分后的数据以时间(或者序号)为横坐标，斜率区间所代表的值为纵坐标，画出曲线，就在一个新的坐标系空间中得到第二曲线。

由图13可知，所述的匹配度确定单元43还包括：

最长公共子序列长度确定单元433，用于根据递归算法确定所述第一曲线与第二曲线的最长公共子序列长度。计算第一曲线与第二曲线的最长公共子序列长度，即两条曲线的重合程度。最长公共子序列的计算方法在具体的实施方式中可以是递归算法，如通过如下公式进行：

$LS(m,n)=\left\{\begin{array}{c}0,ifmornisempty\\ 1+LS\left(Head\right(m),Head(n\left)\right),if\left|\right|m_a-n_b\left|\right|<\mathrm{\&epsiv;},\left|m-n\right|<\mathrm{\&eta;}\\ Max\left(LS\right(Head\left(m\right),n),LS(m,Head\left(n\right)\left)\right),otherwise\end{array}\right.$

其中，m为序列M中的元素，即M(m₁,m₂,...m_a)为运动斜率序列，a为运动斜率序列M的长度，n为序列N中的元素，即N(n₁,n₂,...n_b)为活动斜率序列，b为活动斜率序列N的长度，LS(m,n)为M和N的最长公共子序列长度，Head(m)为除去最后一项的M的子序列，即(m₁,m₂,...m_a-1)，Head(n)为除去最后一项的N的子序列，即(n₁,n₂,...n_b-1)，ε、η为预先设置的参数。

也即，M(m₁,m₂,...m_a)为运动斜率序列，a为运动斜率序列M的长度，N(n₁,n₂,...n_b)为活动斜率序列，b为活动斜率序列N的长度。公式LS(m,n)表示序列M和序列N的最长公共子序列长度，是衡量两条曲线重合的程度。如果满足条件a与b的数值差别小于参数η，并且满足条件m_a和n_b的数值差别小于参数ε，则LS(m,n)的数值等于1+LS(Head(m),Head(n))；其中Head(m)表示除去最后一项的M的子序列，即(m₁,m₂,...m_a-1)，子序列的长度为a-1。Head(n)同理。如果，无法满足上述，在计算LS(m,n)之前，分别需要计算公式LS(Head(m),n)和公式LS(m,Head(n))的数值，取两者较大值作为LS(m,n)的数值；如果M和N中任意一个序列长度为0，则LS(m,n)为0。

匹配度确定子单元434，用于根据所述最长公共子序列长度确定所述第一曲线与第二曲线的匹配度。在具体的实施方式中，S(m,n)是把LS(m,n)的值除以M,N中点数的最小值，即S(m,n)等于LS(m,n)除以min(m,n)。S(m,n)的数值范围处于0至1，数值越靠近1，则表示两条曲线越相似，即通过如下公式进行：

$S(m,n)=\frac{LS(m,n)}{\min (m,n)}$

其中，S(m,n)为匹配度，min(m,n)为m、n中的最小值。

图16为本发明实施例提供的一种基于眼球跟踪的活体检测的装置中检测结果输出单元45的结构框图，由图16可知，所述的检测结果输出单元包括：

判断单元451，用于判断所述的匹配度是否大于匹配度阀值；

第一检测结果输出单元452，用于当判断单元判断为是时，输出当前用户活体检测成功的活体检测结果；

第二检测结果输出单元453，用于当判断单元判断为否时，输出当前用户活体检测失败的活体检测结果。

即如果匹配度大于匹配度阀值,则匹配成功，判断当前用户活体检测成功。否则，提示活体检测失败。

如上即是本发明提供的一种基于眼球跟踪的活体检测的装置以及系统，由显示器显示一个运动的小球，引导用户注视该小球，在用户注视期间，摄像头拍摄用户眼部的视频，然后，活体检测装置从视频中获取眼球的活动轨迹，并匹配运动小球的运动轨迹，进而生成活体匹配结果，由于运动轨迹与活动轨迹的匹配过程中结合轨迹曲线两个主要特性，即斜率和距离，进行维度分析，因此解决了运动轨迹曲线在不同坐标系上的平移和尺度变换，适用于眼球轨迹的场景，且本发明的易用性强，使用现有的人脸识别的设备，无需装载新的设备。

本发明还提供了一种基于眼球跟踪的活体检测的方法，图1为一种基于眼球跟踪的活体检测的方法的流程图，由图1可知，所述的基于眼球跟踪的活体检测的方法包括：

S101：输出一运动轨迹，所述的运动轨迹是无规则的。在具体的实施方式中，所述的运动轨迹可为一小球沿不同方向随机运动形成，即小球以匀速或变速随机进行各个方向(如上下左右四个方向)的运动，运动轨迹是无规则的。

S102：获取当前用户注视所述运动轨迹时眼部的视频。在具体的实施方式中，用户注视该小球，并且保持身体和头不动。

S103：根据所述的视频绘制用户眼球的活动轨迹，图2步骤S103的具体流程图。

S104：将所述的运动轨迹与所述的活动轨迹进行匹配，输出活体检测结果。图3为步骤S104的具体流程图。

图2为图1中的步骤S103的具体流程图，由图2可知，步骤S103包括：

S201：将所述的视频转换为多张图片；

S202：获取每张图片中用户眼球与眼睛的相对位置；

S203：根据所述的相对位置绘制用户眼球的活动轨迹。

图3为图1中的步骤S104的具体流程图，由图3可知，步骤S104包括：

S301：根据所述的运动轨迹绘制运动曲线；

S302：根据所述的活动轨迹绘制活动曲线；

S303：确定所述运动曲线与所述活动曲线的匹配度，图4为步骤S303的具体流程图。

S304：获取预先设定匹配度阈值。匹配度阈值阀值是预先设置的参数，数值设置的越大，误识率会降低，但拒识率会上升，反之亦然。

S305：根据所述的匹配度以及匹配度阈值输出活体检测结果，图7为步骤S305的具体流程图。

图4为图3中的步骤S303的具体流程图，由图4可知，步骤S303包括：

S401：根据所述的运动曲线绘制第一曲线，图5为步骤S401的具体流程图，由图5可知，步骤S401包括：

S501：获取预先设定的采样间隔。在具体的实施方式中，对运动曲线、活动曲线进行采样，采样时间的间隔长度一致。时间间隔长度越短，最终的结果越是精确，同时，需要的计算量也越多。另外，运动曲线、活动曲线的起始点设置为相同的。如果获取的运动曲线、活动曲线采样数据是不同时间间隔采样而成，需要做归一化的处理。

S502：根据所述的采样间隔对所述的运动曲线进行采样，得到多个运动采样点；

S503：依次确定多个运动采样点两两之间的斜率，组成运动斜率序列；

S504：根据所述的运动斜率序列绘制第一曲线。在具体的实施方式中，把运动斜率序列以时间(或者序号)为横坐标，斜率为纵坐标，画出曲线，就在一个新的坐标系空间中得到第一曲线。

在本发明的其他实施方式中，对运动曲线做斜率的计算时，也可以每两点的斜率为参照，如将[0,180]度的斜率以每5度为单位，划分为36分，斜率处在[0,5)度范围之间，斜率值为0，[5,10)为1，[10,15)为2，以此类推。至此，获得了运动斜率序列M。把这些斜率划分后的数据以时间(或者序号)为横坐标，斜率区间所代表的值为纵坐标，画出曲线，就在一个新的坐标系空间中得到第衣曲线。

由图4可知，步骤S303还包括：

S402：根据所述的活动曲线绘制第二曲线，图6为步骤S402的具体流程图。由图6可知，步骤S402包括：

S601：获取预先设定的采样间隔。在具体的实施方式中，对运动曲线、活动曲线进行采样，采样时间的间隔长度一致。时间间隔长度越短，最终的结果越是精确，同时，需要的计算量也越多。另外，运动曲线、活动曲线的起始点设置为相同的。如果获取的运动曲线、活动曲线采样数据是不同时间间隔采样而成，需要做归一化的处理。

S602：根据所述的采样间隔对所述的活动曲线进行采样，得到多个活动采样点；

S603：依次确定多个活动采样点两两之间的斜率，组成活动斜率序列；

S604：根据所述的活动斜率序列绘制第二曲线。在具体的实施方式中，把运动斜率序列以时间(或者序号)为横坐标，斜率为纵坐标，画出曲线，就在一个新的坐标系空间中得到第二曲线。

在本发明的其他实施方式中，对活动曲线做斜率的计算时，也可以每两点的斜率为参照，如将[0,180]度的斜率以每5度为单位，划分为36分，斜率处在[0,5)度范围之间，斜率值为0，[5,10)为1，[10,15)为2，以此类推。至此，获得了活动斜率序列N。把这些斜率划分后的数据以时间(或者序号)为横坐标，斜率区间所代表的值为纵坐标，画出曲线，就在一个新的坐标系空间中得到第二曲线。

由图4可知，步骤S303还包括：

S403：根据递归算法确定所述第一曲线与第二曲线的最长公共子序列长度。计算第一曲线与第二曲线的最长公共子序列长度，即两条曲线的重合程度。最长公共子序列的计算方法在具体的实施方式中可以是递归算法，如通过如下公式进行：

$LS(m,n)=\left\{\begin{array}{c}0,ifmornisempty\\ 1+LS\left(Head\right(m),Head(n\left)\right),if\left|\right|m_a-n_b\left|\right|<\mathrm{\&epsiv;},\left|m-n\right|<\mathrm{\&eta;}\\ Max\left(LS\right(Head\left(m\right),n),LS(m,Head\left(n\right)\left)\right),otherwise\end{array}\right.$

其中，m为序列M中的元素，即M(m₁,m₂,...m_a)为运动斜率序列，a为运动斜率序列M的长度，n为序列N中的元素，即N(n₁,n₂,...n_b)为活动斜率序列，b为活动斜率序列N的长度，LS(m,n)为M和N的最长公共子序列长度，Head(m)为除去最后一项的M的子序列，即(m₁,m₂,...m_a-1)，Head(n)为除去最后一项的N的子序列，即(n₁,n₂,...n_b-1)，ε、η为预先设置的参数。

也即，M(m₁,m₂,...m_a)为运动斜率序列，a为运动斜率序列M的长度，N(n₁,n₂,...n_b)为活动斜率序列，b为活动斜率序列N的长度。公式LS(m,n)表示序列M和序列N的最长公共子序列长度，是衡量两条曲线重合的程度。如果满足条件a与b的数值差别小于参数η，并且满足条件m_a和n_b的数值差别小于参数ε，则LS(m,n)的数值等于1+LS(Head(m),Head(n))；其中Head(m)表示除去最后一项的M的子序列，即(m₁,m₂,...m_a-1)，子序列的长度为a-1。Head(n)同理。如果，无法满足上述，在计算LS(m,n)之前，分别需要计算公式LS(Head(m),n)和公式LS(m,Head(n))的数值，取两者较大值作为LS(m,n)的数值；如果M和N中任意一个序列长度为0，则LS(m,n)为0。

S404：根据所述最长公共子序列长度确定所述第一曲线与第二曲线的匹配度。在具体的实施方式中，S(m,n)是把LS(m,n)的值除以M,N中点数的最小值，即S(m,n)等于LS(m,n)除以min(m,n)。S(m,n)的数值范围处于0至1，数值越靠近1，则表示两条曲线越相似，即通过如下公式进行：

$S(m,n)=\frac{LS(m,n)}{min(m,n)}$

其中，S(m,n)为匹配度，min(m,n)为m、n中的最小值。

图7为步骤S305的具体流程图，由图7可知，步骤S305包括：

S701：判断所述的匹配度是否大于匹配度阀值；

S702：当判断为是时，输出当前用户活体检测成功的活体检测结果；

S703：当判断为否时，输出当前用户活体检测失败的活体检测结果。

即如果匹配度大于匹配度阀值,则匹配成功，判断当前用户活体检测成功。否则，提示活体检测失败。

如上即是本发明提供的一种基于眼球跟踪的活体检测的方法，由显示器显示一个运动的小球，引导用户注视该小球，在用户注视期间，摄像头拍摄用户眼部的视频，然后，活体检测装置从视频中获取眼球的活动轨迹，并匹配运动小球的运动轨迹，进而生成活体匹配结果，由于运动轨迹与活动轨迹的匹配过程中结合轨迹曲线两个主要特性，即斜率和距离，进行维度分析，因此解决了运动轨迹曲线在不同坐标系上的平移和尺度变换，适用于眼球轨迹的场景。

下面结合具体的实施例，详细介绍本发明的技术方案。图10为本发明实施例提供的一种基于眼球跟踪的活体检测的系统的结场景图。本方案中首先，显示器中显示一个运动的小球，引导用户注视该小球，并且保持身体和头不动。在做人脸识别期间，人脸面对着显示器，眼睛注视显示器，显示器端有一个摄像头能够清楚拍摄用户面部画面。在用户注视期间，摄像头拍摄用户眼部的视频。然后，活体检测装置从视频中获取眼球运动轨迹，并匹配运动小球的运动路径，如果匹配成功，则判断当前用户活体检测成功。

具体的，1)、显示器提示用户接下来的操作规则，给用户充足时间进行准备，当用户了解完操作规则后，进行确认。

2)、显示器中出现一个小球，小球以匀速随机进行上下左右四个方向的运动，运动轨迹是无规则的。在此期间，引导用户注视该小球，并且保持身体和头不动。同时，摄像头拍摄用户眼部的视频。

3)、活体检测的装置接收到拍摄的视频，视频装换成若干张图片，根据眼球与眼睛的相对位置，绘制成用户眼球的活动轨迹，进而确定出活动轨迹曲线。

4)、活体检测的装置获取小球的运动轨迹，确定出运动轨迹曲线，匹配用户眼球的活动轨迹曲线。计算两条曲线的匹配度，如果匹配度大于匹配度阀值,则匹配成功，则判断当前用户活体检测成功。否则，提示活体检测失败。匹配度阀值是系统设置的参数，数值设置越大，误识率会降低，但拒识率会上升，反之亦然。

该步骤中计算两条轨迹曲线的匹配度过程较为复杂，以下将详细介绍。本发明的技术方案在计算曲线的匹配度的过程中结合了轨迹曲线两个主要特性，即斜率和距离，进行两个维度的分析。两条曲线如果斜率变化接近，则认为其相似；如果两条曲线重合地方比较多，则认为相似。两个维度结合起来可以提高其准确度，并解决了两曲线平移和尺度变化的问题，适用性更强。下面具体讲述一下其流程：

(1)、对两条曲线进行采样，采样时间间隔长度一致。时间间隔长度越短，相似度方法计算越是精确，同时，需要的计算量也越多；另外，两条曲线的起始点设置为相同的。如果系统获取的输入曲线采样数据是不同时间间隔采样而成，需要做归一化的处理。

(2)、对两条曲线分别做斜率的计算，以每两点的斜率为参照。将[0,180]度的斜率以每5度为单位，划分为36分，斜率处在[0,5)度范围之间，斜率值为0，[5,10)为1，[10,15)为2，以此类推。至此，系统获得了两条斜率值序列M、N；把这些斜率划分后的数据以时间(或者序号)为横坐标，斜率区间所代表的值为纵坐标，画出曲线，就在一个新的坐标系空间中得到两条曲线。

(3)、计算这两条斜率值序列的最长公共子序列长度，即两条曲线的重合程度。最长公共子序列的计算方法是递归算法。给定序列M(m₁,m₂,...m_a)和N(n₁,n₂,...n_b)，其中变量a和b表示序列M和N的长度。公式LS(m,n)表示序列M和序列N的最长公共子序列长度，是衡量两条曲线重合的程度。公式LS(m,n)的计算方法如下：如果满足条件1(a与b的数值差别小于参数η)，并且满足条件2(m_a和n_b的数值差别小于参数ε)，则LS(m,n)的数值等于1+LS(Head(m),Head(n))；其中Head(m)表示除去最后一项的M的子序列，即(m₁,m₂,...m_a-1)，子序列的长度为a-1。Head(n)同理；如果，无法满足条件1和条件2，在计算LS(m,n)之前，分别需要计算公式LS(Head(m),n)和公式LS(m,Head(n))的数值，取两者较大值作为LS(m,n)的数值；如果M和N中任意一个序列长度为0，则LS(m,n)为0；其中ε、η是系统预先设置的参数。

(4)、最后两条曲线的相似度S(m,n)是把LS(m,n)的值除以M,N中点数的最小值，即S(m,n)等于LS(m,n)除以min(m,n)。S(m,n)的数值范围处于0至1，数值越靠近1，则表示两条曲线越相似。

综上所述，本发明提供了的一种基于眼球跟踪的活体检测的方法、装置以及系统，由显示器显示一个运动的小球，引导用户注视该小球，在用户注视期间，摄像头拍摄用户眼部的视频，然后，活体检测装置从视频中获取眼球的活动轨迹，并匹配运动小球的运动轨迹，进而生成活体匹配结果。

本发明的有益效果在于：

1)、易用性强，使用现有的人脸识别的设备，无需装载新的设备。

2)、小球采用无规则运动，抗攻击能力强；

3)、运动轨迹匹配方法结合轨迹曲线两个主要特性，即斜率和距离，进行维度分析。解决了运动轨迹曲线在不同坐标系上的平移和尺度变换，适用于眼球轨迹的场景。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一般计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

本领域技术人员还可以了解到本发明实施例列出的各种功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明中应用了具体实施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 (21)

1.一种基于眼球跟踪的活体检测的方法，其特征是，所述的方法包括：

输出一运动轨迹，所述的运动轨迹是无规则的；

获取当前用户注视所述运动轨迹时眼部的视频；

根据所述的视频绘制用户眼球的活动轨迹；

将所述的运动轨迹与所述的活动轨迹进行匹配，输出活体检测结果。

2.根据权利要求1所述的方法，其特征是，所述的运动轨迹为一小球沿不同方向随机运动。

3.根据权利要求1所述的方法，其特征是，根据所述的视频绘制用户眼球的活动轨迹包括：

将所述的视频转换为多张图片；

获取每张图片中用户眼球与眼睛的相对位置；

根据所述的相对位置绘制用户眼球的活动轨迹。

4.根据权利要求1或3所述的方法，其特征是，将所述的运动轨迹与所述的活动轨迹进行匹配，输出活体检测结果包括：

根据所述的运动轨迹绘制运动曲线；

根据所述的活动轨迹绘制活动曲线；

确定所述运动曲线与所述活动曲线的匹配度；

获取预先设定匹配度阈值；

根据所述的匹配度以及匹配度阈值输出活体检测结果。

5.根据权利要求4所述的方法，其特征是，确定所述运动曲线与所述活动曲线的匹配度包括：

根据所述的运动曲线绘制第一曲线；

根据所述的活动曲线绘制第二曲线；

根据递归算法确定所述第一曲线与第二曲线的最长公共子序列长度；

根据所述最长公共子序列长度确定所述第一曲线与第二曲线的匹配度。

6.根据权利要求5所述的方法，其特征是，根据所述的运动曲线绘制第一曲线包括：

获取预先设定的采样间隔；

根据所述的采样间隔对所述的运动曲线进行采样，得到多个运动采样点；

依次确定多个运动采样点两两之间的斜率，组成运动斜率序列；

根据所述的运动斜率序列绘制第一曲线。

7.根据权利要求6所述的方法，其特征是，根据所述的活动曲线绘制第二曲线包括：

获取预先设定的采样间隔；

根据所述的采样间隔对所述的活动曲线进行采样，得到多个活动采样点；

依次确定多个活动采样点两两之间的斜率，组成活动斜率序列；

根据所述的活动斜率序列绘制第二曲线。

8.根据权利要求7所述的方法，其特征是，根据递归算法确定所述第一曲线与第二曲线的最长公共子序列长度通过如下公式进行：

$LS\left(m,n\right)=\left\{\begin{array}{c}0,ifmornisempty\\ 1+LS\left(Head\left(m\right),Head\left(n\right)\right),if\left|\right|m_a-n_b\left|\right|<\mathrm{\&epsiv;},|m-n|<\mathrm{\&eta;}\\ Max\left(LS\left(Head\left(m\right),n\right),LS\left(m,Head\left(n\right)\right)\right),otherwise\end{array}\right.$

其中，m为序列M中的元素，即M(m₁,m₂,...m_a)为运动斜率序列，a为运动斜率序列M的长度，n为序列N中的元素，即N(n₁,n₂,...n_b)为活动斜率序列，b为活动斜率序列N的长度，LS(m,n)为M和N的最长公共子序列长度，Head(m)为除去最后一项的M的子序列，即(m₁,m₂,...m_a-1)，Head(n)为除去最后一项的N的子序列，即(n₁,n₂,...n_b-1)，ε、η为预先设置的参数。

9.根据权利要求8所述的方法，其特征是，根据所述最长公共子序列长度确定所述第一曲线与第二曲线的匹配度通过如下公式进行：

$S(m,n)=\frac{LS(m,n)}{min(m,n)}$

其中，S(m,n)为匹配度，min(m,n)为m、n中的最小值。

10.根据权利要求4所述的方法，其特征是，根据所述的匹配度以及匹配度阈值输出活体检测结果包括：

判断所述的匹配度是否大于匹配度阀值；

当判断为是时，输出当前用户活体检测成功的活体检测结果；

否则，输出当前用户活体检测失败的活体检测结果。

11.一种基于眼球跟踪的活体检测的装置，其特征是，所述的装置包括：

运动轨迹输出模块，用于输出一运动轨迹，所述的运动轨迹是无规则的；

视频获取模块，用于获取当前用户注视所述运动轨迹时眼部的视频；

活动轨迹确定模块，用于根据所述的视频绘制用户眼球的活动轨迹；

轨迹匹配模块，用于将所述的运动轨迹与所述的活动轨迹进行匹配，输出活体检测结果。

12.根据权利要求11所述的装置，其特征是，所述的运动轨迹为一小球沿不同方向随机运动。

13.根据权利要求11所述的装置，其特征是，所述的活动轨迹确定模块包括：

转换单元，用于将所述的视频转换为多张图片；

相对位置获取单元，用于获取每张图片中用户眼球与眼睛的相对位置；

活动轨迹绘制单元，用于根据所述的相对位置绘制用户眼球的活动轨迹。

14.根据权利要求11或13所述的装置，其特征是，所述的轨迹匹配模块包括：

运动曲线绘制单元，用于根据所述的运动轨迹绘制运动曲线；

活动曲线绘制单元，用于根据所述的活动轨迹绘制活动曲线；

匹配度确定单元，用于确定所述运动曲线与所述活动曲线的匹配度；

阈值获取单元，用于获取预先设定匹配度阈值；

检测结果输出单元，用于根据所述的匹配度以及匹配度阈值输出活体检测结果。

15.根据权利要求14所述的装置，其特征是，所述的匹配度确定单元包括：

第一曲线绘制单元，用于根据所述的运动曲线绘制第一曲线；

第二曲线绘制单元，用于根据所述的活动曲线绘制第二曲线；

最长公共子序列长度确定单元，用于根据递归算法确定所述第一曲线与第二曲线的最长公共子序列长度；

匹配度确定子单元，用于根据所述最长公共子序列长度确定所述第一曲线与第二曲线的匹配度。

16.根据权利要求15所述的装置，其特征是，所述的第一曲线绘制单元包括：

第一采样间隔获取单元，用于获取预先设定的采样间隔；

第一采样单元，用于根据所述的采样间隔对所述的运动曲线进行采样，得到多个运动采样点；

第一斜率确定单元，用于依次确定多个运动采样点两两之间的斜率，组成运动斜率序列；

第一曲线绘制子单元，用于根据所述的运动斜率序列绘制第一曲线。

17.根据权利要求16所述的装置，其特征是，所述的第二曲线绘制单元包括：

第二采样间隔获取单元，用于获取预先设定的采样间隔；

第二采样单元，用于根据所述的采样间隔对所述的活动曲线进行采样，得到多个活动采样点；

第二斜率确定单元，用于依次确定多个活动采样点两两之间的斜率，组成活动斜率序列；

第二曲线绘制子单元，用于根据所述的活动斜率序列绘制第二曲线。

18.根据权利要求17所述的装置，其特征是，所述的最长公共子序列长度确定单元通过如下公式进行：

$LS\left(m,n\right)=\left\{\begin{array}{c}0,ifmornisempty\\ 1+LS\left(Head\left(m\right),Head\left(n\right)\right),if\left|\right|m_a-n_b\left|\right|<\mathrm{\&epsiv;},|m-n|<\mathrm{\&eta;}\\ Max\left(LS\left(Head\left(m\right),n\right),LS\left(m,Head\left(n\right)\right)\right),otherwise\end{array}\right.$

其中，m为序列M中的元素，即M(m₁,m₂,...m_a)为运动斜率序列，a为运动斜率序列M的长度，n为序列N中的元素，即N(n₁,n₂,...n_b)为活动斜率序列，b为活动斜率序列N的长度，LS(m,n)为M和N的最长公共子序列长度，Head(m)为除去最后一项的M的子序列，即(m₁,m₂,...m_a-1)，Head(n)为除去最后一项的N的子序列，即(n₁,n₂,...n_b-1)，ε、η为预先设置的参数。

19.根据权利要求18所述的装置，其特征是，所述的匹配度确定子单元通过如下公式进行：

$S(m,n)=\frac{LS(m,n)}{min(m,n)}$

其中，S(m,n)为匹配度，min(m,n)为m、n中的最小值。

20.根据权利要求14所述的装置，其特征是，所述的检测结果输出单元包括：

判断单元，用于判断所述的匹配度是否大于匹配度阀值；

第一检测结果输出单元，用于当判断单元判断为是时，输出当前用户活体检测成功的活体检测结果；

第二检测结果输出单元，用于当判断单元判断为否时，输出当前用户活体检测失败的活体检测结果。

21.一种基于眼球跟踪的活体检测的系统，其特征是，所述的系统包括显示器、摄像头以及如权利要求11至20任意一项所述的基于眼球跟踪的活体检测的装置，

其中，所述的基于眼球跟踪的活体检测的装置包括：运动轨迹输出模块，用于输出一运动轨迹，所述的运动轨迹是无规则的；

所述的显示器，用于接收并显示所述的运动轨迹；

所述的摄像头，用于拍摄当前用户注视所述运动轨迹时眼部的视频；

所述的基于眼球跟踪的活体检测的装置还包括：

视频获取装置，用于获取所述的视频；

活动轨迹确定装置，用于根据所述的视频绘制用户眼球的活动轨迹；

活体检测装置，用于将所述的运动轨迹与所述的活动轨迹进行匹配，输出活体检测结果。