CN106709458A - 一种人脸活体检测方法及装置 - Google Patents

Abstract

本发明实施例公开了一种人脸活体检测方法及装置，涉及图像处理领域，用于解决现有活体检测方法计算量大，耗时长的问题。本发明实施例方法包括：获取类别已知的第一样本图像，第一样本图像包括人脸活体图像和非人脸活体图象；对第一样本图像进行滤波，得到第二样本图像；根据第一样本图像和第二样本图像的差异计算第一样本图像的描述特征；根据第一样本图像的类别标识第一样本图像的描述特征所属的类别；利用机器学习算法对标识有类别的第一样本图像的描述特征进行学习，得到人脸活体分类器；利用人脸活体分类器确定待检测图像所属的类别。

Description

一种人脸活体检测方法及装置

技术领域

本发明涉及图像处理领域，具体涉及一种人脸活体检测方法及装置。

背景技术

随着图像处理与模式识别技术的快速进步及人脸识别的便捷性，基于视频图像处理的人脸识别系统得到广泛的运用，例如考勤、出入口控制、安全监控等领域都已经出现了人脸识别装置。然而，人脸识别装置在使用的过程中会受到外界使用者的恶意攻击，其中最为常见的是外界使用者使用人脸图片或包含人脸的视频来攻击人脸识别装置，使得人脸识别装置对这些非活体人脸产生响应，给人脸识别装置的使用安全带来极大的挑战。为防止这类恶意攻击行为，人脸活体检测方法及装置应运而生。

目前运用最为普遍的人脸活体检测方法是基于视频流交互式的验证，这类方法需要人们根据人脸活体检测装置的提示做出相应的回应，人脸活体检测装置再根据回应是否合理来判断检测对象是否包括人脸活体，例如人脸活体检测装置可以提示人们转动头部、张闭合嘴巴或眨动眼睛等。

但是，这种活体检测方法需要对连续的视频帧进行处理，计算量大，耗时长。

发明内容

本发明提供一种人脸活体检测方法及装置，用于解决现有活体检测方法计算量大，耗时长的问题。

本发明实施例的一方面提供了一种人脸活体检测方法，包括：

获取类别已知的第一样本图像，所述第一样本图像包括人脸活体图像和非人脸活体图象；

对所述第一样本图像进行滤波，得到第二样本图像；

根据所述第一样本图像和所述第二样本图像的差异计算所述第一样本图像的描述特征；

根据所述第一样本图像的类别标识所述第一样本图像的描述特征所属的类别；

利用机器学习算法对标识有类别的所述第一样本图像的描述特征进行学习，得到人脸活体分类器；

利用所述人脸活体分类器确定待检测图像所属的类别。

结合第一方面，在第一方面的第一种可能的实现方式中，所述根据所述第一样本图像和所述第二样本图像的差异计算所述第一样本图像的描述特征包括：

利用所述第一样本图像和所述第二样本图像的灰度计算图像质量评价指标；

将所述图像质量评价指标确定为所述第一样本图像的描述特征。

结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述图像质量评价指标包括均方差、峰值信噪比、信噪比、结构纹理、极大值差异、差异均值、归一化绝对差异、极大值差异均值、拉普拉斯均方差以及归一化相关系数中的一种或多种。

结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述均方差为：

所述峰值信噪比为：

所述信噪比为：

所述结构纹理为：

所述极大值差异为：MD(I,I')＝max|I_i,j-I′_i,j|；

所述差异均值为：

所述归一化绝对差异为：

所述极大值差异R均值为：

所述拉普拉斯均方差为：

所述归一化相关系数为：

其中，N和M分别表示图像的行数和列数，R为常数，I_i,j为所述第一样本图像第i行第j列像素的灰度，I′_i,j为所述第二样本图像第i行第j列像素的灰度，h(I_i,j)＝I_i-1,j+I_i+1,j+I_i,j-1+I_i,j+1-4I_i,j。

结合第一方面、第一方面的第一种可能的实现方式、第一方面的第二种可能的实现方式和第一方面的第三种可能的实现方式之中任意一种，在第一方面的第四种可能的实现方式中，所述对所述第一样本图像进行滤波包括：

利用高斯滤波器对所述第一样本图像进行高斯滤波；

所述机器学习算法为GBDT算法，或Adaboost算法，或SVM算法。

本发明实施例的第二方面提供了一种人脸活体检测装置，包括：

获取模块，用于获取类别已知的第一样本图像，所述第一样本图像包括人脸活体图像和非人脸活体图象；

滤波模块，用于对所述第一样本图像进行滤波，得到第二样本图像；

计算模块，用于根据所述第一样本图像和所述第二样本图像的差异计算所述第一样本图像的描述特征；

标识模块，用于根据所述第一样本图像的类别标识所述第一样本图像的描述特征所属的类别；

分类器训练模块，用于利用机器学习算法对标识有类别的所述第一样本图像的描述特征进行学习，得到人脸活体分类器；

类别确定模块，用于利用所述人脸活体分类器确定待检测图像所属的类别。

结合第二方面，在第二方面的第一种可能的实现方式中，所述计算模块包括：

计算单元，用于利用所述第一样本图像和所述第二样本图像的灰度计算图像质量评价指标；

确定单元，用于将所述计算单元计算得到的图像质量评价指标确定为所述第一样本图像的描述特征。

结合第二方面或者第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述图像质量评价指标包括均方差、峰值信噪比、信噪比、结构纹理、极大值差异、差异均值、归一化绝对差异、极大值差异均值、拉普拉斯均方差以及归一化相关系数中的一种或多种。

结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，所述均方差为：

所述峰值信噪比为：

所述信噪比为：

所述结构纹理为：

所述极大值差异为：MD(I,I')＝max|I_i,j-I′_i,j|；

所述差异均值为：

所述归一化绝对差异为：

所述极大值差异R均值为：

所述拉普拉斯均方差为：

所述归一化相关系数为：

其中，N和M分别表示图像的行数和列数，R为常数，I_i,j为所述第一样本图像第i行第j列像素的灰度，I′_i,j为所述第二样本图像第i行第j列像素的灰度，h(I_i,j)＝I_i-1,j+I_i+1,j+I_i,j-1+I_i,j+1-4I_i,j。

结合第二方面、第二方面的第一种可能的实现方式、第二方面的第二种可能的实现方式和第二方面的第三种可能的实现方式之中任意一种，在第二方面的第四种可能的实现方式中，所述滤波模块包括：

高斯滤波单元，用于利用高斯滤波器对所述第一样本图像进行高斯滤波；

所述机器学习算法为GBDT算法，或Adaboost算法，或SVM算法。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明通过对第一样本图像进行滤波，得到第二样本图像，并根据第一样本图像和第二样本图像的差异计算第一样本图像的描述特征，之后可以利用机器学习算法对标识有类别的第一样本图像的描述特征进行学习，得到人脸活体分类器，从而利用人脸活体分类器确定待检测图像所属的类别，本发明提供的方法为基于单帧图像的人脸活体检测方法，能够高效、准确的判断检测对象是否包括人脸活体，防止人脸识别装置被恶意攻击。

附图说明

图1是本发明人脸活体检测方法一个实施例示意图；

图2是本发明人脸活体检测方法另一个实施例示意图；

图3是本发明人脸活体检测装置一个实施例示意图；

图4是本发明人脸活体检测装置另一个实施例示意图。

具体实施方式

本发明实施例提供了一种人脸活体检测方法及装置，用于减少人脸活体检测的计算量，降低耗时。

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

随着图像处理与模式识别技术的快速进步及人脸识别的便捷性，基于视频图像处理的人脸识别系统得到广泛的运用，例如考勤、出入口控制、安全监控等领域都已经出现了人脸识别装置。然而，人脸识别装置在使用的过程中会受到外界使用者的恶意攻击，其中最为常见的是外界使用者使用攻击图像作为待检对象来攻击人脸识别装置，使得人脸识别装置对这些非活体人脸产生响应，给人脸识别装置的使用安全带来极大的挑战。需要说明的是，为了方便描述，这里将预先拍摄好的包含人脸的图片或视频称作攻击图像。为防止这类恶意攻击行为，人脸活体检测方法及装置应运而生。

目前运用最为普遍的人脸活体检测方法是基于视频流交互式的验证，这类方法需要人们根据人脸活体检测装置的提示做出相应的回应，人脸活体检测装置再根据回应是否合理来判断检测对象是否包括人脸活体，例如人脸活体检测装置可以提示人们转动头部、张闭合嘴巴或眨动眼睛等。但是，这种活体检测方法需要对连续的视频帧进行处理，计算量大，耗时长，而且需要检测对象主动配合，用户体验较差。

为解决上述问题，人们提出基于单帧图像的活体检测技术，目前有通过训练人脸活体和攻击图像的图像特征来判别检测对象是否为人脸活体，具体的方法为首先提取训练图像的某些特征，比如局部二值模式特征(LBP特征)、韦伯局部描述特征(WLD特征)等，然后通过机器学习算法训练一个人脸活体分类器，用于判断检测对象是否包括人脸活体。这类方法由于是基于单帧图像的活体检测方法，因此计算量较小、耗时短，但是由于用来描述检测对象的描述特征，其表述图像的能力有限，限制了训练出的人脸活体分类器的准确性。

基于上述情况，本发明提供一种基于单帧图像且高效、准确的人脸活体检测方法及装置，从构建区分人脸活体和攻击图像的描述特征的角度出发，基于这些特征训练出人脸活体分类器，判断检测对象是否包括人脸活体，防止人脸识别装置被恶意攻击。

为便于理解，下面对本发明实施例中的具体流程进行描述，请参阅图1，本发明实施例中人脸活体检测方法一个实施例包括：

101、获取类别已知的第一样本图像，第一样本图像包括人脸活体图像和非人脸活体图象；

人脸活体检测装置可以获取大量的第一样本图像，并且每个第一样本图像的类别均是已知的，第一样本图像的类别为人脸活体图像或者非人脸活体图像，即每个第一样本图像的类别要么是人脸活体图像，要么是非人脸活体图像。获取的大量第一样本图像中包括人脸活体图像和非人脸活体图像。

102、对第一样本图像进行滤波，得到第二样本图像；

人脸活体检测装置获取第一样本图像之后，可以对第一样本图像进行滤波处理，滤波后得到的图像称作第二样本图像。

103、根据第一样本图像和第二样本图像的差异计算第一样本图像的描述特征；

人脸活体检测装置得到第一样本图像和第二样本图像之后，人脸活体检测装置可以根据第一样本图像和第二样本图像的差异计算第一样本图象的描述特征，描述特征用以描述第一样本图像，用以将人脸活体图像和非人脸活体图像区分开。

104、根据第一样本图像的类别标识第一样本图像的描述特征所属的类别；

人脸活体检测装置计算得到第一样本图像的描述特征之后，可以根据第一样本图像的类别来标识第一样本图像的描述特征所属的类别。

105、利用机器学习算法对标识有类别的第一样本图像的描述特征进行学习，得到人脸活体分类器；

人脸活体检测装置对第一样本图像的描述特征进行标识之后，可以利用机器学习算法对标识有类别的第一样本图像的描述特征进行学习，得到人脸活体分类器。

106、利用人脸活体分类器确定待检测图像所属的类别。

人脸活体检测装置训练得到人脸活体分类器之后，可以利用人脸活体分类器确定待检测图像所属的类别，即确定待检测图像为人脸活体图像或者为非人脸活体图像。

本发明通过对第一样本图像进行滤波，得到第二样本图像，并根据第一样本图像和第二样本图像的差异计算第一样本图像的描述特征，之后可以利用机器学习算法对标识有类别的第一样本图像的描述特征进行学习，得到人脸活体分类器，从而利用人脸活体分类器确定待检测图像所属的类别，能够高效、准确的判断检测对象是否包括人脸活体，防止人脸识别装置被恶意攻击。

请参阅图2，本发明实施例中人脸活体检测方法另一个实施例包括：

一、人脸活体分类器的训练过程：

201、获取类别已知的第一样本图像，第一样本图像包括人脸活体图像和非人脸活体图像；

首先人脸活体检测装置进行样本图像的收集工作，收集大量的预设像素大小的样本图像，假设预设像素大小为(m*n)，m与n的比例需要参考人脸的长宽比例，并且，由于样本图像用于训练分类器，因此收集的样本图像需要同时包括人脸活体图像和非人脸活体图像，其中人脸活体图像是指直接对人脸活体进行拍摄得到的图像，非人脸活体图像是指对攻击图像进行拍摄得到的图像。在实际使用中，非人脸活体图像也可以包括不包含人脸的图像。

为了将此处所说的样本图像与之后经过滤波处理的样本图像区分开，将此处所说的获取到的样本图像称作第一样本图像，标记为I。

需要说明的是，获取的第一样本图像为灰度图像，或者若获取的第一样本图像为彩色图像，则需要将彩色图像转换为灰度图像。并且，需要将第一样本图像按照预设标准进行归一化处理，比如像素大小与预设标准相同，为m×n。

202、对第一样本图像进行高斯滤波，得到第二样本图像；

人脸活体检测装置获取第一样本图像之后，可以利用高斯滤波器对第一样本图像进行滤波，具体的，作为优选，可以采用σ＝0.5，尺度大小为5×5的高斯滤波器对第一样本图像进行高斯滤波，得到滤波后的图像，将滤波后的样本图像称作第二样本图像，标记为I'。

在实际使用中，高斯滤波器的σ以及尺度大小可以取其他值，比如可以根据训练出的人脸活体分类器的准确性来调整σ以及尺度大小的取值。

得到第二样本图像之后，可以计算第一样本图像和第二样本图像之间的差异，并根据计算得到的差异确定用于描述第二样本图像的特征，具体的，请参考如下步骤：

203、利用第一样本图像和第二样本图像的灰度，计算图像质量评价指标；

人脸活体检测装置得到第二样本图像之后，可以确定第一样本图像和第二样本图像中各个像素的灰度，为了方便描述，将第一样本图像第i行第j列像素的灰度记作I_i,j，将第二样本图像第i行第j列像素的灰度记作I′_i,j。利用第一样本图像和第二样本图像中各个像素的灰度，可以计算图像质量评价指标。

图像质量评价指标可以包括下述指标中的一个或多个，分别是：

(1)均方差：

(2)峰值信噪比：

(3)信噪比：

(4)结构纹理：

(5)极大值差异：MD(I,I')＝max|I_i,j-I′_i,j|

(6)差异均值：

(7)归一化绝对差异：

(8)极大值差异R均值：

(9)拉普拉斯均方差：

(10)归一化相关系数：

其中，N和M分别表示图像的行数和列数，R为一个固定值(例如R＝8)，h(I_i,j)＝I_i-1,j+I_i+1,j+I_i,j-1+I_i,j+1-4I_i,j。

为了提高人脸活体分类器的准确性，优选的，本实施例中计算的图像质量评价指标同时包括上述十项指标，即步骤203中需要计算上述十项图像质量评价指标的值。

204、将图像质量评价指标作为第一样本图像的描述特征；

人脸活体检测装置计算得到上述十项图像质量评价指标的取值之后，将图像质量评价指标作为第一样本图像的描述特征，那么第一样本图像的描述特征包括10个描述要素，分别为均方差、峰值信噪比、信噪比、结构纹理、极大值差异、差异均值、归一化绝对差异、极大值差异R均值、拉普拉斯均方差以及归一化相关系数的值，或者说，第一样本图像的描述特征为10维向量。

205、根据第一样本图像的类别为第一样本图像的描述特征标注类别标签；

人脸活体检测装置计算得到各个第一样本图像的描述特征之后，可以根据第一样本图像的类别对第一样本图像的描述特征进行标识，具体的，可以为描述特征标注类别标签，比如可以将人脸活体图像的描述特征标识为1，将非人脸活体图像的描述特征标识为0。在实际使用过程中，还可以通过其他方法标识描述特征所属的类别，此处不做具体限定。

206、利用机器学习算法对标识有类别标签的描述特征进行学习，得到人脸活体分类器；

人脸活体检测装置为描述特征标注类别标签之后，可以利用机器学习算法对标识有类别标签的描述特征进行学习，得到人脸活体分类器。现在已经有多种用于人脸识别的机器学习算法，常用的包括GBDT算法，Adaboost算法和SVM算法等。关于利用现有的机器学习算法对标识有类别标签的描述特征进行学习，训练得到分类器的过程，本领域技术人员可以参考现有技术，此处不再赘述。

二、通过上述方法训练得到的人脸活体分类器之后，可以利用人脸活体分类器对待检测图像进行分类，判断待检测图像是否为直接对人脸活体进行拍摄得到的图像，具体过程如下：

207、获取第一待检测图像；

人脸活体检测装置训练得到人脸活体分类器之后，可以获取待检测图像，即需要判断是否为直接对人脸活体进行拍摄得到的图像。为了将此处获取到的待检测图像与之后经过高斯滤波处理后的待检测图像区分开，将此处获取到的待检测图像称作第一待检测图像。

需要说明的是，获取的第一待检测图像为灰度图像，或者若获取的第一待检测图像为彩色图像，则需要将彩色图像转换为灰度图像。并且，需要将第一待检测图像按照预设标准进行归一化处理，比如使其像素大小与预设标准相同，为m×n。

208、对第一待检测图像进行高斯滤波，得到第二待检测图像；

对第一待检测图像进行归一化处理后，人脸活体检测装置可以对第一待检测图像进行高斯滤波，得到滤波后的第二待检测图像。具体的请参考步骤202。

209、利用第一待检测图像和第二待检测图像的灰度计算图像质量评价指标；

人脸活体检测装置得到第二待检测图像之后，可以利用第一待检测图像和第二待检测图像的灰度计算图像质量评价指标，图像质量评价指标以及其计算过程请参阅步骤203，此处不再赘述。

210、将计算得到的图像质量评价指标作为第一待检测图像的描述特征；

人脸活体检测装置计算得到10项图像质量评价指标的取值之后，将图像质量评价指标作为第一待检测图像的描述特征，那么第一待检测图像的描述特征包括10个描述要素，分别为均方差、峰值信噪比、信噪比、结构纹理、极大值差异、差异均值、归一化绝对差异、极大值差异R均值、拉普拉斯均方差以及归一化相关系数的值，或者说，第一待检测图像的描述特征为10维向量。

211、利用计算出的描述特征和训练好的人脸活体分类器确定第一待检测图像所属的类别。

人脸活体检测装置计算得到第一待检测图像的描述特征之后，可以将第一待检测图像的描述特征带入人脸活体分类器，若输出结果为1，则判定第一待检测图像为人脸活体图像，即直接对人脸活体进行拍摄得到的图像，若输出结果为0，则判定第一待检测图像为非人脸活体图像，即对攻击图像进行拍摄得到的图像。需要说明的是，若第一样本图像包括不包含人脸的图像，那么此处若输出结果为0，则可以判定第一待检测图像为对攻击图像进行拍摄得到的图像，或者为不包含人脸的图像。

上面对本发明实施例中的人脸活体检测方法进行了描述，下面对本发明实施例中人脸活体检测装置进行描述。

请参阅图3，本发明实施例中人脸活体检测装置一个实施例包括：

获取模块301，用于获取类别已知的第一样本图像，第一样本图像包括人脸活体图像和非人脸活体图象；

滤波模块302，用于对第一样本图像进行滤波，得到第二样本图像；

计算模块303，用于根据第一样本图像和第二样本图像的差异计算第一样本图像的描述特征；

标识模块304，用于根据第一样本图像的类别标识第一样本图像的描述特征所属的类别；

分类器训练模块305，用于利用机器学习算法对标识有类别的第一样本图像的描述特征进行学习，得到人脸活体分类器；

类别确定模块306，用于利用人脸活体分类器确定待检测图像所属的类别。

请参阅图4，本发明实施例中人脸活体检测装置另一个实施例包括：

获取模块401，用于获取类别已知的第一样本图像，第一样本图像包括人脸活体图像和非人脸活体图象；

滤波模块402，用于对第一样本图像进行滤波，得到第二样本图像；

计算模块403，用于根据第一样本图像和第二样本图像的差异计算第一样本图像的描述特征；

标识模块404，用于根据第一样本图像的类别标识第一样本图像的描述特征所属的类别；

分类器训练模块405，用于利用机器学习算法对标识有类别的第一样本图像的描述特征进行学习，得到人脸活体分类器；

类别确定模块406，用于利用人脸活体分类器确定待检测图像所属的类别。

计算模块403包括：

计算单元4031，用于利用第一样本图像和第二样本图像的灰度计算图像质量评价指标；

确定单元4032，用于将计算单元计算得到的图像质量评价指标确定为第一样本图像的描述特征。

滤波模块402包括：

高斯滤波单元4021，用于利用高斯滤波器对第一样本图像进行高斯滤波。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，以上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精神和范围。

Claims (10)

1.一种人脸活体检测方法，其特征在于，包括：

获取类别已知的第一样本图像，所述第一样本图像包括人脸活体图像和非人脸活体图象；

对所述第一样本图像进行滤波，得到第二样本图像；

根据所述第一样本图像和所述第二样本图像的差异计算所述第一样本图像的描述特征；

根据所述第一样本图像的类别标识所述第一样本图像的描述特征所属的类别；

利用机器学习算法对标识有类别的所述第一样本图像的描述特征进行学习，得到人脸活体分类器；

利用所述人脸活体分类器确定待检测图像所属的类别。

2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述根据所述第一样本图像和所述第二样本图像的差异计算所述第一样本图像的描述特征包括：

利用所述第一样本图像和所述第二样本图像的灰度计算图像质量评价指标；

将所述图像质量评价指标确定为所述第一样本图像的描述特征。

3.根据权利要求2所述的人脸活体检测方法，其特征在于，所述图像质量评价指标包括均方差、峰值信噪比、信噪比、结构纹理、极大值差异、差异均值、归一化绝对差异、极大值差异均值、拉普拉斯均方差以及归一化相关系数中的一种或多种。

4.根据权利要求3所述的人脸活体检测方法，其特征在于，所述均方差为：

所述峰值信噪比为：

所述信噪比为：

所述结构纹理为：

所述极大值差异为：MD(I,I')＝max|I_i,j-I_i'_,j|；

所述差异均值为：

所述归一化绝对差异为

所述极大值差异R均值为：

所述拉普拉斯均方差为：

所述归一化相关系数为：

其中，N和M分别表示图像的行数和列数，R为常数，I_i,j为所述第一样本图像第i行第j列像素的灰度，I′_i,j为所述第二样本图像第i行第j列像素的灰度，h(I_i,j)＝I_i-1,j+I_i+1,j+I_i,j-1+I_i,j+1-4I_i,j。

5.根据权利要求1至4中任一项所述的人脸活体检测方法，其特征在于，所述对所述第一样本图像进行滤波包括：

利用高斯滤波器对所述第一样本图像进行高斯滤波；

所述机器学习算法为GBDT算法，或Adaboost算法，或SVM算法。

6.一种人脸活体检测装置，其特征在于，包括：

获取模块，用于获取类别已知的第一样本图像，所述第一样本图像包括人脸活体图像和非人脸活体图象；

滤波模块，用于对所述第一样本图像进行滤波，得到第二样本图像；

计算模块，用于根据所述第一样本图像和所述第二样本图像的差异计算所述第一样本图像的描述特征；

标识模块，用于根据所述第一样本图像的类别标识所述第一样本图像的描述特征所属的类别；

分类器训练模块，用于利用机器学习算法对标识有类别的所述第一样本图像的描述特征进行学习，得到人脸活体分类器；

类别确定模块，用于利用所述人脸活体分类器确定待检测图像所属的类别。

7.根据权利要求6所述的人脸活体检测装置，其特征在于，所述计算模块包括：

计算单元，用于利用所述第一样本图像和所述第二样本图像的灰度计算图像质量评价指标；

确定单元，用于将所述计算单元计算得到的图像质量评价指标确定为所述第一样本图像的描述特征。

8.根据权利要求7所述的人脸活体检测装置，其特征在于，所述图像质量评价指标包括均方差、峰值信噪比、信噪比、结构纹理、极大值差异、差异均值、归一化绝对差异、极大值差异均值、拉普拉斯均方差以及归一化相关系数中的一种或多种。

9.根据权利要求8所述的人脸活体检测装置，其特征在于，所述均方差为：

所述峰值信噪比为：

所述信噪比为：

所述结构纹理为：

所述极大值差异为：MD(I,I')＝max|I_i,j-I′_i,j|；

所述差异均值为：

所述归一化绝对差异为：

所述极大值差异R均值为：

所述拉普拉斯均方差为：

所述归一化相关系数为：

其中，N和M分别表示图像的行数和列数，R为常数，I_i,j为所述第一样本图像第i行第j列像素的灰度，I′_i,j为所述第二样本图像第i行第j列像素的灰度，h(I_i,j)＝I_i-1,j+I_i+1,j+I_i,j-1+I_i,j+1-4I_i,j。

10.根据权利要求6至9中任一项所述的人脸活体检测装置，其特征在于，所述滤波模块包括：

高斯滤波单元，用于利用高斯滤波器对所述第一样本图像进行高斯滤波；

所述机器学习算法为GBDT算法，或Adaboost算法，或SVM算法。