CN107545248A - 生物特征活体检测方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供一种生物特征活体检测方法、装置、设备及存储介质，所述方法包括：获取生物特征数据；将所述生物特征数据输入预先生成的活体检测模型；基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据；其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。应用本公开实施例既可以实现对获取的生物特征数据是否从活体对象上采集，又能够极大地提高生物特征活体检测的准确率。

Description

生物特征活体检测方法、装置、设备及存储介质

技术领域

本申请涉及生物特征识别技术领域，尤其涉及生物特征活体检测方法、装置、设备及存储介质。

背景技术

生物特征识别在身份验证和授权领域中有重要应用，例如，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。人脸识别可以采用摄像机或摄像头等设备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识别。

然而，生物特征很容易取得，识别系统很容易受到一些非法用户的攻击。例如，对人脸识别系统的攻击主要有3类：照片攻击、视频攻击和3D模型攻击。非法分子或者假冒用户在获得合法用户的照片或视频后，使用合法用户的照片或视频作为伪造的人脸试图欺骗系统。为了区分真实人的生物特征以及照片、视频，如何自动地、高效地辨别采集到的生物特征数据是否来源于活体人以确保系统安全，已成为生物特征识别技术中一个迫切需要解决的问题。

发明内容

为克服相关技术中存在的问题，本公开提供了生物特征活体检测方法、装置、设备及存储介质。

根据本公开实施例的第一方面，提供一种生物特征活体检测方法，所述方法包括：

获取生物特征数据；

将所述生物特征数据输入预先生成的活体检测模型；

基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据；

其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。

在一个可选的实现方式中，所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数、个数、长和宽确定。

在一个可选的实现方式中，所述Gabor滤波器的卷积核的值确定过程包括：

基于预设的Gabor核函数，依次遍历Gabor滤波器的方向、Gabor滤波器的尺度以及利用所述卷积神经网络内卷积层中卷积核的长和宽将生物特征样本数据等分确定的等分点，获得与所述卷积层对应的四维卷积核，所述Gabor滤波器的方向基于所述卷积神经网络内卷积层中卷积核的通道数获得，所述Gabor滤波器的尺度基于所述卷积神经网络内卷积层中卷积核的个数获得。

在一个可选的实现方式中，所述活体检测模型的生成过程包括：

用Gabor滤波器的卷积核的值对所述卷积神经网络的卷积核的参数进行初始化；

以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练；

在满足预设的训练结束条件时，基于训练获得的参数获得所述活体检测模型。

在一个可选的实现方式中，所述以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练时，还包括：

利用正则化的代价函数对初始化后的卷积神经网络的参数进行正则化操作，所述正则化的代价函数基于将Gabor滤波器的卷积核的值作为正则化项添加至初始化后的卷积神经网络的初始代价函数获得。

在一个可选的实现方式中，所述生物特征数据包括人脸数据，所述卷积神经网络为深度卷积神经网络。

根据本公开实施例的第二方面，提供一种生物特征活体检测装置，所述装置包括：

数据获取模块，被配置为获取生物特征数据；

特征检测模块，被配置为将所述生物特征数据输入预先生成的活体检测模型；

活体判断模块，被配置为基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据；

其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。

在一个可选的实现方式中，所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数、个数、长和宽确定。

在一个可选的实现方式中，所述装置还包括值确定模块，被配置为：

基于预设的Gabor核函数，依次遍历Gabor滤波器的方向、Gabor滤波器的尺度以及利用所述卷积神经网络内卷积层中卷积核的长和宽将生物特征样本数据等分确定的等分点，获得与所述卷积层对应的四维卷积核，所述Gabor滤波器的方向基于所述卷积神经网络内卷积层中卷积核的通道数获得，所述Gabor滤波器的尺度基于所述卷积神经网络内卷积层中卷积核的个数获得。

在一个可选的实现方式中，所述装置还包括模型生成模块，被配置为：

用Gabor滤波器的卷积核的值对所述卷积神经网络的卷积核的参数进行初始化；

以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练；

在满足预设的训练结束条件时，基于训练获得的参数获得所述活体检测模型。

在一个可选的实现方式中，所述模型生成模块，还被配置为：

利用正则化的代价函数对初始化后的卷积神经网络的参数进行正则化操作，所述正则化的代价函数基于将Gabor滤波器的卷积核的值作为正则化项添加至初始化后的卷积神经网络的初始代价函数获得。

在一个可选的实现方式中，所述生物特征数据包括人脸数据，所述卷积神经网络为深度卷积神经网络。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取生物特征数据；

将所述生物特征数据输入预先生成的活体检测模型；

基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据；

其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开实施例通过获取生物特征数据，将生物特征数据输入预先生成的活体检测模型，并基于活体检测模型的输出结果确定生物特征数据是否为从活体对象上采集的生物特征数据。由于活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对所述卷积神经网络进行训练获得，并且，Gabor滤波器的卷积核基于该卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定，从而使得卷积神经网络能够模拟Gabor滤波器的卷积核，基于Gabor滤波器的卷积核的对称性以及卷积神经网络的深度抽象特征，可以生成识别率高的活体检测模型，利用该活体检测模型对生物特征数据进行活体检测，能够极大地提高生物特征活体检测的准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是本公开根据一示例性实施例示出的一种生物特征活体检测方法的流程图。

图2A是本公开根据一示例性实施例示出的一种活体检测模型的生成流程图。

图2B是本公开根据一示例性实施例示出的一种全连接和局部连接示意图。

图3是本公开根据一示例性实施例示出的一种生物特征活体检测装置的框图。

图4是本公开根据一示例性实施例示出的另一种生物特征活体检测装置的框图。

图5是本公开根据一示例性实施例示出的另一种生物特征活体检测装置的框图。

图6是本公开根据一示例性实施例示出的一种用于生物特征活体检测的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

生物特征识别在身份验证和授权领域中有重要应用，例如，生物特征可以是人脸数据、掌纹数据、指纹数据等。尤其是人脸数据，由于人脸数据的可复制可盗用等因素，某些假冒用户可能通过人脸面具、合法用户的照片、合法用户的视频等冒充合法用户的人脸，这将使得人脸识别存在隐患。鉴于此，如何自动地、高效地辨别采集到的生物特征数据是否来源于活体人以确保系统安全，已成为生物特征识别技术中一个迫切需要解决的问题。

鉴于此，本公开提供一种生物特征活体检测方法，通过获取生物特征数据；将生物特征数据输入预先生成的活体检测模型，并基于活体检测模型的输出结果确定生物特征数据是否为从活体对象上采集的生物特征数据。由于活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对所述卷积神经网络进行训练获得，并且，Gabor滤波器的卷积核基于该卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定，因此，可以利用活体检测模型判断所获取的生物特征数据是否为活体生物特征数据，同时，基于Gabor滤波器的卷积核的对称性以及卷积神经网络的深度抽象特征，可以生成识别率高的活体检测模型，利用该活体检测模型对生物特征数据进行活体检测，能够极大地提高生物特征活体检测的准确率。

接下来结合附图对本公开实施例进行示例说明。

如图1所示，图1是本公开根据一示例性实施例示出的一种生物特征活体检测方法的流程图，该方法可以用于电子设备中，可以包括以下步骤：

在步骤101中，获取生物特征数据。

在步骤102中，将所述生物特征数据输入预先生成的活体检测模型。

在步骤103中，基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据。

其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。

本公开实施例中，电子设备可以是智能手机、平板电脑、PDA(Personal DigitalAssistant，个人数字助理)、生物特征识别终端等等。

其中，生物特征数据可以是人脸数据，也可以是掌纹数据、指纹数据等生物特征数据。在本公开实施例中，主要以人脸数据为例进行示例说明。由于获取的生物特征数据，可能是从活体对象上采集获得，可以将从活体对象上采集的生物特征数据称为活体生物特征数据。活体对象可以是人类。例如，直接拍摄活体人脸获得的人脸图像数据可以为活体人脸数据。获取的生物特征数据，也可能不是从活体对象上采集获得，而是从包含有生物特征的图片、视频、面具等非活体对象上采集获得，可以将从非活体对象上采集的生物特征数据称为非活体生物特征数据。例如，对照片、视频短片等非活体对象进行拍摄获得的人脸数据可以为非活体人脸数据。

对非活体对象进行生物特征数据采集，会出现条带效应和摩尔纹等噪声现象。本公开实施例提供一种生物特征活体检测方案，结合Gabor滤波器的卷积核的对称性和卷积神经网络的深度抽象特征，预先训练获得活体检测模型，利用活体检测模型检测生物特征是否为活体生物特征，能够极大地提高生物特征活体检测的准确性。

在获取生物特征数据后，可以将生物特征数据输入预先生成的活体检测模型，基于活体检测模型的输出结果可以确定生物特征数据是否为从活体对象上采集的生物特征数据。

在一个例子中，活体检测模型可以为二分类器，可以预测两个类别的概率。例如，输出所获取的生物特征数据是活体生物特征数据的概率，或所获取的生物特征数据是非活体生物特征数据的概率，进而可以根据概率确定所获取的生物特征数据是否为从活体对象上采集的生物特征数据。

进一步的，在确定生物特征数据是否为从活体对象上采集的生物特征数据后，可以根据检测结果确定是否进行生物特征识别。例如，如果所获取的生物特征数据为从活体对象上采集的生物特征数据，即所获取的生物特征数据为活体生物特征数据，则执行生物特征识别操作；如果所获取的生物特征数据不是从活体对象上采集的生物特征数据，即所获取的生物特征数据为非活体生物特征数据，则可以忽略本次采集的生物特征数据，不执行生物特征识别操作，从而避免非法分子或者假冒用户在获得合法用户的照片或视频后，使用合法用户的照片或视频作为伪造的生物特征试图欺骗识别系统，而识别系统误以为是合法用户出现身份验证成功的情况，进而避免非法分子或者假冒用户进行安全攻击。

应当理解的是，生物特征识别可以采用相关技术中的生物特征识别算法进行识别，在此不做限制。

接下来对活体检测模型进行介绍。

活体检测模型可以由执行生物特征活体检测方法的电子设备生成，也可以由其他设备生成后传输给执行生物特征活体检测方法的电子设备，在此不做限制。

本公开实施例的活体检测模型可以基于Gabor滤波器的卷积核的值对卷积神经网络的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，从而使得卷积神经网络能够模拟Gabor滤波器的卷积核，实现结合了Gabor滤波器卷积核的对称性和卷积神经网络的深度抽象特征，能够极大地提高人脸活体检测的准确率。如图2A所示，图2A是本公开根据一示例性实施例示出的一种活体检测模型的生成流程图，包括：

在步骤201中，用Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化。

在步骤202中，以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练。

在步骤203中，在满足预设的训练结束条件时，基于训练结果获得所述活体检测模型。

其中，活体生物特征样本数据是从活体对象上采集获得的生物特征样本数据，非活体生物特征样本数据是从非活体对象上采集获得的生物特征样本数据。将活体生物特征样本数据和非活体生物特征样本数据作为训练卷积神经网络的样本数据。活体生物特征样本数据和非活体生物特征样本数据的数量可以根据需求设置。

接下来对Gabor滤波器和卷积神经网络进行简单介绍。

在图像处理中，Gabor滤波器可以是一个用于边缘提取的线性滤波器。在空间域中，一个二维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积，具有在空间域和频率域同时取得最优局部化的特性，与人类生物视觉特性很相似，因此能够很好地描述对应于空间频率(尺度)、空间位置及方向选择性的局部结构信息。Gabor核函数由一个高斯函数和一个余弦函数相乘得出，其中θ，φ，γ，λ，σ为参数。

x′＝x cosθ+y sinθ

y，＝-x sinθ+y cosθ

其中，θ可以表示Gabor核函数并行条纹的方向，有效值为从0～360度的实数。可以表示Gabor核函数中余弦函数的相位偏移，取值范围可以为-180度到180度。γ可以表示纵横比(长宽比)，可以称为空间纵横比，表示Gabor滤波器的椭圆度。当γ＝1时，形状是圆的。当γ<1时，形状随着平行条纹方向而拉长。λ可以表示Gabor核函数中余弦函数的波长参数，有效值可以大于2，以像素为单位。σ可以表示Gabor核函数中高斯函数的标准差，该参数决定了Gabor滤波核可接受区域的大小，σ可以与b(Bandwidth)和λ有关。

卷积神经网络(Convolutional Neural Network,CNN)是深度学习技术中极具代表的网络结构之一，在图像处理领域取得了很大的成功。CNN可以避免对图像复杂的前期预处理过程(提取人工特征等)，可以直接输入原始图像。

在CNN中，图像经过一系列的卷积层(convolution layer)、激活层(activationlayer)、池化层(pooling layer)、全连接层(fully connected layer)，输出结果为类别概率层(softmax layer)。该方法能够获取对平移、缩放和旋转不变的观测数据的显著特征，因为图像的局部感受区域允许神经元或者处理单元可以访问到最基础的特征，例如定向边缘或者角点。与其他深度学习结构相比，卷积神经网络在图像识别方面能够给出更优的结果。这一模型也可以使用反向传播算法进行训练。传统的神经网络都是采用全连接的方式，即输入层到隐藏层的神经元都是全部连接的，这样做将导致参数量巨大，使得网络训练耗时甚至难以训练，而CNN则通过局部连接、权值共享等方法避免这一困难，使得卷积神经网络需要估计的参数更少。卷积神经网络中每个神经元与图像中局部图像相邻，每个神经元中的所有参数可以称为卷积核。

以下进行举例说明。

如图2B所示，图2B是本公开根据一示例性实施例示出的一种全连接和局部连接示意图。对于一个1000×1000的输入图像而言，如果下一个隐藏层的神经元数目为10⁶个，采用全连接则有1000×1000×10⁶＝10¹²个权值参数，如此数目巨大的参数几乎难以训练；而采用局部连接，隐藏层的每个神经元仅与图像中10×10的局部图像相连接，那么此时的权值参数数量为10×10×10⁶＝10⁸，将直接减少4个数量级。

尽管减少了几个数量级，但参数数量依然较多。为了进一步减少，还可以进行权值共享。假设在局部连接中隐藏层的每一个神经元连接的是一个10×10的局部图像，因此有10×10个权值参数(也就是卷积核)，将这10×10个权值参数共享给其他神经元。由于本公开实施例中，不同层卷积层的卷积核通道数或个数可能不同，而Gabor滤波器的卷积核基于卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定，基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化，鉴于此，同层卷积层的卷积核可以共享，不同卷积层的卷积核可能不同。由于同层的卷积核可以共享，因此可以进一步减少所需训练的参数。

相关技术中，卷积神经网络的参数通过随机初始化，而本公开实施例用Gabor滤波器的卷积核的值初始化卷积神经网络的参数。Gabor卷积核的核函数，具有明确的方向性和尺度性，方向性指的是，对某些特定方向的图像纹理具有较强的响应，尺度性指的是，对某些特定大小的图像物体有较强的响应，Gabor卷积核的方向性和尺度性，使其适用于某些特定的图像物体识别应用。而卷积神经网络的卷积核，没有明确的方向性和尺度性，自由度非常高。鉴于此，利用Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化，实现卷积神经网络能够模拟Gabor滤波器的卷积核，又由于Gabor滤波器具有在空间域和频率域同时取得最优局部化的特性，与人类生物视觉特性很相似，因此能够很好地描述对应于空间频率(尺度)、空间位置及方向选择性的局部结构信息，进而可以提高训练获得的活体检测模型的识别率。

本公开实施例中，Gabor滤波器的卷积核基于卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。Gabor滤波器的卷积核可以为四维卷积核，可以基于所述卷积神经网络内卷积层中卷积核的通道数获得Gabor滤波器的方向，将Gabor滤波器的方向作为其中一维；可以基于所述卷积神经网络内卷积层中卷积核的个数获得Gabor滤波器的尺度，将Gabor滤波器的尺度作为另一维；剩余的两维数据可以任意指定。

进一步的，剩余的两维中其中一维的数据从第一数据范围取值，另一维的数据从第二数据范围取值。第一数据范围可以基于卷积层中卷积核的长的倍数确定，第二数据范围可以基于卷积层中卷积核的宽的倍数确定。

为了提高识别率，在一个可选的实现方式中，剩余两维数据可以基于卷积层中卷积核的长和宽获得，即所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数、个数、长和宽确定，从而提高生成的活体检测模型的识别率。

在一个可选的实现方式中，基于预设的Gabor核函数，依次遍历Gabor滤波器的方向、Gabor滤波器的尺度以及利用所述卷积神经网络内卷积层中卷积核的长和宽将生物特征样本数据等分确定的等分点，获得与所述卷积层对应的四维卷积核，所述Gabor滤波器的方向基于所述卷积神经网络内卷积层中卷积核的通道数获得，所述Gabor滤波器的尺度基于所述卷积神经网络内卷积层中卷积核的个数获得。

针对每层卷积层，需要确定用来初始化该层卷积层的卷积核的Gabor滤波器的卷积核，以目标卷积层为例，可以将目标卷积层内卷积核的通道数对应Gabor滤波器的方向，将目标卷积层内卷积核的个数对应Gabor滤波器的尺度。Gabor滤波器的方向可以利用角度表示，将360度除以目标卷积层内卷积核的通道数，实现角度等分，获得不同方向对应的角度值。将生物样本数据(例如，待训练图像，或者又可以称为样本图像)的大小除以卷积层内卷积核的个数，实现图像等分，获得等分图像。利用所述卷积神经网络内卷积层中卷积核的长和宽将生物特征样本数据等分确定的等分点，可以包括：利用所述卷积神经网络内卷积层中卷积核的长将生物特征样本数据的横向像素点等分确定的等分点，利用所述卷积神经网络内卷积层中卷积核的宽将生物特征样本数据的纵向像素等分确定的等分点。例如，基于目标卷积层中卷积核的长将待训练图像的长(横向像素点个数)等分，并根据等分点(等分数据)确定核函数中的x，基于目标卷积层中卷积核的宽将待识别/训练图像的宽(纵像素点个数)等分，并根据等分点(等分数据)确定核函数中的y。如，假设，图像大小为30x30，深度卷积神经网络中卷积核的大小为3x3，则基于卷积核的长获得的等分点为：10、20、30，基于卷积核的宽获得的等分点为：10、20、30，核函数中的x可以为10、20、30；y可以为10、20、30。然后，将所有的方向、尺度、x和y遍历一遍，输入到核函数中，每次输入计算后可以得到某个方向、某个尺度、某x、y上的值，遍历完成后，可获得一个四维的卷积核，将获得的四维卷积核初始化目标卷积层的卷积核的参数。

其中，卷积核的通道数和卷积核的个数在设计卷积神经网络时预先设定。在一个例子中，为了保证复杂度不变，以训练获得较好的模型，每层卷积层内卷积核的个数呈倍数增加。例如，第一层卷积层内卷积核的个数可以为64，第二层卷积层内卷积核的个数可以为128，第三层卷积层内卷积核的个数可以为256等。当前卷积层内卷积核的通道数等于上一卷积层内卷积核的个数。卷积核的长乘宽是卷积核的大小。

针对Gabor滤波器的核函数的其他参数可以基于样本参数确定或预先指定。例如，纵横比可以基于活体生物特征样本数据以及非活体生物特征样本数据中的长宽比确定，如设为1:1等。又如，相位偏移量可以为0等。鉴于此，在确定核函数参数后，可以基于Gabor核函数，获得Gabor滤波器的卷积核的值。

在获得Gabor滤波器的卷积核的值后，用Gabor滤波器的卷积核的值初始化卷积神经网络的参数，例如，将Gabor滤波器的卷积核的值添加到对应的卷积层的卷积核里，实现对卷积神经网络的参数进行初始化。

接下来，可以利用样本数据(活体生物特征样本数据以及非活体生物特征样本数据)对卷积神经网络进行训练，可以根据训练结果对卷积神经网络的参数进行调整。卷积神经网络中每层卷积层(Convolutional layer)由多个神经元组成，每个神经元的参数(每个神经元的卷积核包括该神经元的所有参数)可以通过反向传播算法(Backpropagation，BP)优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。

其中，反向传播算法可以是“误差反向传播算法”的简称，是一种与最优化方法(如梯度下降法)结合使用的，用来训练人工神经网络的方法。该方法对网络中所有权重计算损失函数(又可以称为代价函数)的梯度。这个梯度可以反馈给最优化方法，用来更新权值以最小化损失函数。反向传播算法要求有对每个输入值想得到的已知输出，来计算损失函数梯度。反向传播算法可以用链式法则对每次迭代计算梯度。反向传播要求人工神经元(或“节点”)的激励函数可微。反向传播算法可以包括两个阶段:激励传播与权重更新。

通过逐步对卷积神经网络的参数进行调整，可以实现参数优化。在满足预设的训练结束条件时，基于训练获得的参数获得所述活体检测模型。预设的训练结束条件可以是达到预设的迭代次数，也可以是误差在指定范围内等。

进一步的，卷积神经网络可以是深度卷积神经网络，采用深度卷积神经网络可以完成更复杂的学习任务，获得更完善的活体检测模型。

由于数据量的限制以及训练参数的增多，卷积神经网络可能面临过拟合的问题。在一个可选的实现方式中，可以将Gabor滤波器的卷积核的值作为正则化项添加至卷积神经网络中的代价函数，获得正则化后的代价函数；利用正则化后的代价函数对所述卷积神经网络的参数进行正则化操作。

其中，代价函数可以测量活体检测模型对样本的预测值与其真实值之间的误差，例如，最小化的求解一般使用梯度下降法(Gradient Decent)或其他与梯度有关的方法。本公开实施例将Gabor滤波器的卷积核的值作为正则化项添加至卷积神经网络中的代价函数，可以获得正则化后的代价函数，利用正则化后的代价函数对卷积神经网络的参数进行正则化操作。例如，每次迭代时，计算正则化后的代价函数的梯度，基于梯度更新卷积神经网络的参数，从而实现参数优化，避免过拟合。

由上述实施例可见，通过利用Gabor滤波器的卷积核的值初始化卷积神经网络的参数，并将Gabor滤波器的卷积核的值作为正则化项添加至卷积神经网络中的代价函数，以使每次更新的参数值无需远离初始化值太多，避免过拟合，能够提高算法的泛化能力和适应能力，并显著提高活体检测的准确率。

以上实施方式中的各种技术特征可以任意进行组合，只要特征之间的组合不存在冲突或矛盾，但是限于篇幅，未进行一一描述，因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。

与前述生物特征活体检测方法的实施例相对应，本公开还提供了生物特征活体检测装置、装置所应用的设备以及存储介质的实施例。

如图3所示，图3是本公开根据一示例性实施例示出的一种生物特征活体检测装置的框图，所述装置包括：

数据获取模块310，被配置为获取生物特征数据。

特征检测模块320，被配置为将所述生物特征数据输入预先生成的活体检测模型。

活体判断模块330，被配置为基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据。

其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。

在一个可选的实现方式中，所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数、个数、长和宽确定。

如图4所示，图4是本公开根据一示例性实施例示出的另一种生物特征活体检测装置的框图，该实施例在前述图3所示实施例的基础上，所述装置还包括值确定模块340，被配置为：

基于预设的Gabor核函数，依次遍历Gabor滤波器的方向、Gabor滤波器的尺度以及利用所述卷积神经网络内卷积层中卷积核的长和宽将生物特征样本数据等分确定的等分点，获得与所述卷积层对应的四维卷积核，所述Gabor滤波器的方向基于所述卷积神经网络内卷积层中卷积核的通道数获得，所述Gabor滤波器的尺度基于所述卷积神经网络内卷积层中卷积核的个数获得。

如图5所示，图5是本公开根据一示例性实施例示出的另一种生物特征活体检测装置的框图，该实施例在前述图3或图4所示实施例的基础上，所述装置还包括模型生成模块350，被配置为：

用Gabor滤波器的卷积核的值对所述卷积神经网络的卷积核的参数进行初始化；

以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练；

在满足预设的训练结束条件时，基于训练获得的参数获得所述活体检测模型。

在一个可选的实现方式中，所述模型生成模块，还被配置为：

利用正则化的代价函数对初始化后的卷积神经网络的参数进行正则化操作，所述正则化的代价函数基于将Gabor滤波器的卷积核的值作为正则化项添加至初始化后的卷积神经网络的初始代价函数获得。

在一个可选的实现方式中，所述生物特征数据包括人脸数据，所述卷积神经网络为深度卷积神经网络。

相应的，本公开还提供一种电子设备，所述设备包括有处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：

获取生物特征数据。

将所述生物特征数据输入预先生成的活体检测模型。

基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据。

其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。

相应的，本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

本公开可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述装置中各个模块的功能和作用的实现过程具体详情见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

如图6所示，图6是本公开根据一示例性实施例示出的一种用于生物特征活体检测的装置的框图。该装置600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。

处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。

多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到装置600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600中一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

其中，当所述存储介质中的指令由所述处理器执行时，使得装置600能够执行一种生物特征活体检测方法，包括：

获取生物特征数据。

将所述生物特征数据输入预先生成的活体检测模型。

基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据。

其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (14)

1.一种生物特征活体检测方法，其特征在于，所述方法包括：

获取生物特征数据；

将所述生物特征数据输入预先生成的活体检测模型；

基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据；

其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。

2.根据权利要求1所述的方法，其特征在于，所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数、个数、长和宽确定。

3.根据权利要求2所述的方法，其特征在于，所述Gabor滤波器的卷积核的值确定过程包括：

基于预设的Gabor核函数，依次遍历Gabor滤波器的方向、Gabor滤波器的尺度以及利用所述卷积神经网络内卷积层中卷积核的长和宽将生物特征样本数据等分确定的等分点，获得与所述卷积层对应的四维卷积核，所述Gabor滤波器的方向基于所述卷积神经网络内卷积层中卷积核的通道数获得，所述Gabor滤波器的尺度基于所述卷积神经网络内卷积层中卷积核的个数获得。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述活体检测模型的生成过程包括：

用Gabor滤波器的卷积核的值对所述卷积神经网络的卷积核的参数进行初始化；

以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练；

在满足预设的训练结束条件时，基于训练获得的参数获得所述活体检测模型。

5.根据权利要求4所述的方法，其特征在于，所述以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练时，还包括：

利用正则化的代价函数对初始化后的卷积神经网络的参数进行正则化操作，所述正则化的代价函数基于将Gabor滤波器的卷积核的值作为正则化项添加至所述初始化后的卷积神经网络的初始代价函数获得。

6.根据权利要求1至3任一项所述的方法，其特征在于，所述生物特征数据包括人脸数据，所述卷积神经网络为深度卷积神经网络。

7.一种生物特征活体检测装置，其特征在于，所述装置包括：

数据获取模块，被配置为获取生物特征数据；

特征检测模块，被配置为将所述生物特征数据输入预先生成的活体检测模型；

活体判断模块，被配置为基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据；

其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。

8.根据权利要求7所述的装置，其特征在于，所述Gabor滤波器的卷积核基于所述卷积神经网络内每层卷积层中卷积核的通道数、个数、长和宽确定。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括值确定模块，被配置为：

基于预设的Gabor核函数，依次遍历Gabor滤波器的方向、Gabor滤波器的尺度以及利用所述卷积神经网络内卷积层中卷积核的长和宽将生物特征样本数据等分确定的等分点，获得与所述卷积层对应的四维卷积核，所述Gabor滤波器的方向基于所述卷积神经网络内卷积层中卷积核的通道数获得，所述Gabor滤波器的尺度基于所述卷积神经网络内卷积层中卷积核的个数获得。

10.根据权利要求7至9任一项所述的装置，其特征在于，所述装置还包括模型生成模块，被配置为：

用Gabor滤波器的卷积核的值对所述卷积神经网络的卷积核的参数进行初始化；

以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练；

在满足预设的训练结束条件时，基于训练获得的参数获得所述活体检测模型。

11.根据权利要求10所述的装置，其特征在于，所述模型生成模块，还被配置为：

利用正则化的代价函数对初始化后的卷积神经网络的参数进行正则化操作，所述正则化的代价函数基于将Gabor滤波器的卷积核的值作为正则化项添加至所述初始化后的卷积神经网络的初始代价函数获得。

12.根据权利要求7至9任一项所述的装置，其特征在于，所述生物特征数据包括人脸数据，所述卷积神经网络为深度卷积神经网络。

13.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取生物特征数据；

将所述生物特征数据输入预先生成的活体检测模型；

基于所述活体检测模型的输出结果确定所述生物特征数据是否为从活体对象上采集的生物特征数据；

其中，所述活体检测模型基于Gabor滤波器的卷积核的值对卷积神经网络的卷积核的参数进行初始化、并以活体生物特征样本数据以及非活体生物特征样本数据对初始化后的卷积神经网络进行训练获得，所述Gabor滤波器的卷积核基于卷积神经网络内每层卷积层中卷积核的通道数和卷积核的个数确定。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。