CN108549886A - 一种人脸活体检测方法及装置 - Google Patents

一种人脸活体检测方法及装置 Download PDF

Info

Publication number
CN108549886A
CN108549886A CN201810712065.7A CN201810712065A CN108549886A CN 108549886 A CN108549886 A CN 108549886A CN 201810712065 A CN201810712065 A CN 201810712065A CN 108549886 A CN108549886 A CN 108549886A
Authority
CN
China
Prior art keywords
image
depth
facial image
coloured
corresponding normalization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810712065.7A
Other languages
English (en)
Inventor
彭菲
黄磊
刘昌平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hanwang Technology Co Ltd
Original Assignee
Hanwang Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hanwang Technology Co Ltd filed Critical Hanwang Technology Co Ltd
Priority to CN201810712065.7A priority Critical patent/CN108549886A/zh
Publication of CN108549886A publication Critical patent/CN108549886A/zh
Priority to PCT/CN2018/119758 priority patent/WO2020000908A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种人脸活体检测方法，属于人脸识别技术领域，解决了现有技术中人脸活体检测效率和准确率低的问题，该方法包括：获取待检测目标的彩色图像和深度图像，分别确定上述彩色图像和上述深度图像对应的归一化人脸图像，并通过对彩色图像的归一化人脸图像和深度图像对应的归一化人脸图像进行相关性分析，确定上述彩色图像和上述深度图像的关联性特征，以及通过对深度图像对应的归一化人脸图像进行深度一致性分析，确定深度图像的深度一致性特征，并根据上述关联性特征和上述深度一致性特征，对待检测目标进行人脸活体检测，上述方法通过结合待检测目标的图像中色彩信息和空间信息进行人脸活体检测，提升了活体检测的准确性。

Description

一种人脸活体检测方法及装置
技术领域
本申请涉及人脸识别技术领域，尤其涉及一种人脸活体检测方法及装置。
背景技术
人脸识别技术越来越广泛地应用于考勤机、门禁系统、电子支付系统等生物特征识别装置中，极大方便了人们的日常生活。
然而，随着人脸识别技术的广泛应用，人脸攻击检测的重要性日益凸显。常用的人脸攻击方法包括：通过利用伪造的人脸图像、人脸视频或人脸模具冒充真实人脸进行人脸识别。
通常通过对待识别图像进行人脸活体检测可以识别人脸攻击。现有技术中，常用的人脸活体检测方法有基于运动信息进行人脸活体检测、基于人脸自然光条件下采集的照片中的纹理特征分析进行人脸活体检测、结合语音信息和人脸图像特征进行人脸活体检测。
申请人在对现有技术的研究中发现，基于运动信息和结合语音等其他信息进行人脸活体检测需要花费较长的时间采集特征，检测效率较低；基于纹理特征进行人脸活体检测，在高清人脸图像上效果不佳。
综上，现有技术中的人脸活体检测方法还有待改进。
发明内容
本申请实施例旨在提供一种人脸活体检测方法，能够高效、准确地进行人脸活体检测。
第一方面，本申请实施例提供了一种人脸活体检测方法，包括：
获取待检测目标的彩色图像和深度图像；
分别确定所述彩色图像和所述深度图像对应的归一化人脸图像；
通过对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征；以及，
通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征；
根据所述关联性特征和所述深度一致性特征，对所述待检测目标进行人脸活体检测。
可选的，所述通过对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征，包括：
通过肤色模型对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行去噪处理，分别确定所述彩色图像对应的归一化人脸图像中的可信像素点和所述深度图像对应的归一化人脸图像中的可信像素点；
确定所述彩色图像对应的归一化人脸图像的灰度化人脸图像；
基于所述彩色图像对应的归一化人脸图像中的可信像素点，确定所述灰度化人脸图像的第一灰度直方图；以及，基于所述深度图像对应的归一化人脸图像中的可信像素点，确定所述深度图像的第二灰度直方图；
通过对所述第一灰度直方图和所述第二灰度直方图进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征。
可选的，所述通过肤色模型对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行去噪处理，分别确定所述彩色图像对应的归一化人脸图像中的可信像素点和所述深度图像对应的归一化人脸图像中的可信像素点，包括：
将所述彩色图像和所述深度图像各自对应的归一化人脸图像中像素坐标相同的每两个像素点，确定为一对像素点；
针对每一对像素点，确定其中彩色图像所对应的像素点的像素值属于所述肤色模型所定义的肤色范围，且其中深度图像所对应的像素点的像素值满足预设有效深度值条件时，将该对像素点中每个像素点分别标记为可信像素点。
可选的，所述通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征，包括：
将所述深度图像对应的归一化人脸图像划分为N*M个子区域，其中,N和M分别为大于等于3的整数；
根据所述深度图像的每个所述子区域中像素值满足预先定义的有效深度值条件的像素点，确定每个所述子区域的直方图；
通过计算任意两个所述直方图的交叉熵或散度，确定所述深度图像的深度一致性特征。
可选的，所述根据所述关联性特征和所述深度一致性特征，对所述待检测目标进行人脸活体检测，包括：
通过第一核函数对所述关联性特征进行分类识别，确定第一识别结果，以及，通过第二核函数对所述深度一致性特征进行分类识别，确定第二识别结果；
通过对所述第一识别结果和所述第二识别结果进行加权融合，确定对所述待检测目标进行人脸活体检测的结果。
可选的，所述分别确定所述彩色图像和所述深度图像对应的归一化人脸图像，包括：
通过椭圆形模板分别提取所述彩色图像和所述深度图像中人脸区域图像；
分别对所述彩色图像中的人脸区域图像和所述深度图像中的人脸区域图像进行归一化处理，得到所述彩色图像对应的归一化人脸图像、所述深度图像对应的归一化人脸图像。
可选的，所述分别确定所述彩色图像和所述深度图像对应的归一化人脸图像的步骤前，包括：
对所述彩色图像和所述深度图像进行像素对齐。
第二方面，本申请实施例还提供了一种人脸活体检测装置，包括：
图像获取模块，用于获取待检测目标的彩色图像和深度图像；
归一化模块，用于分别确定所述彩色图像和所述深度图像对应的归一化人脸图像；
第一特征确定模块，用于通过对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征；以及，
第二特征确定模块，用于通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征；
活体检测模块，用于根据所述第一特征确定模块确定的关联性特征和所述第二特征确定模块确定的深度一致性特征，对所述待检测目标进行人脸活体检测。
可选的，通过对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征时，所述第一特征确定模块用于：
通过肤色模型对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行去噪处理，分别确定所述彩色图像对应的归一化人脸图像中的可信像素点和所述深度图像对应的归一化人脸图像中的可信像素点；
确定所述彩色图像对应的归一化人脸图像的灰度化人脸图像；
基于所述彩色图像对应的归一化人脸图像中的可信像素点，确定所述灰度化人脸图像的第一灰度直方图；以及，基于所述深度图像对应的归一化人脸图像中的可信像素点，确定所述深度图像的第二灰度直方图；
通过对所述第一灰度直方图和所述第二灰度直方图进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征。
可选的，通过肤色模型对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行去噪处理，分别确定所述彩色图像对应的归一化人脸图像中的可信像素点和所述深度图像对应的归一化人脸图像中的可信像素点时，所述第一特征确定模块用于：
将所述彩色图像和所述深度图像各自对应的归一化人脸图像中像素坐标相同的每两个像素点，确定为一对像素点；
针对每一对像素点，确定其中彩色图像所对应的像素点的像素值属于所述肤色模型所定义的肤色范围，且其中深度图像所对应的像素点的像素值满足预设有效深度值条件时，将该对像素点中每个像素点分别标记为可信像素点。
可选的，通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征时，所述第二特征确定模块用于：
将所述深度图像对应的归一化人脸图像划分为N*M个子区域，其中,N和M分别为大于等于3的整数；
根据所述深度图像的每个所述子区域中像素值满足预先定义的有效深度值条件的像素点，确定每个所述子区域的直方图；
通过计算任意两个所述直方图的交叉熵或散度，确定所述深度图像的深度一致性特征。
可选的，根据所述关联性特征和所述深度一致性特征，对所述待检测目标进行人脸活体检测时，所述活体检测模块用于：
通过第一核函数对所述关联性特征进行分类识别，确定第一识别结果，以及，通过第二核函数对所述深度一致性特征进行分类识别，确定第二识别结果；
通过对所述第一识别结果和所述第二识别结果进行加权融合，确定对所述待检测目标进行人脸活体检测的结果。
可选的，分别确定所述彩色图像和所述深度图像对应的归一化人脸图像时，所述归一化模块用于：
通过椭圆形模板分别提取所述彩色图像和所述深度图像中人脸区域图像；
分别对所述彩色图像中的人脸区域图像和所述深度图像中的人脸区域图像进行归一化处理，得到所述彩色图像对应的归一化人脸图像、所述深度图像对应的归一化人脸图像。
第三方面，本申请实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的人脸活体检测方法。
第四方面，本申请实施例还提供了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本申请实施例所述的人脸活体检测的步骤。
这样，本申请实施例公开的人脸活体检测方法，通过获取待检测目标的彩色图像和深度图像；分别确定所述彩色图像和所述深度图像对应的归一化人脸图像；通过对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征；以及，通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征；根据所述关联性特征和所述深度一致性特征，对所述待检测目标进行人脸活体检测，解决了现有技术中存在的人脸活体检测效率低下和准确率低的问题。本申请实施例公开的人脸活体检测方法需要的彩色图像和深度图像无论是否同时采集，均能减少图像采集时间，提升了人脸活体检测效率。同时，通过结合待检测目标的图像中色彩信息和空间信息，对所述待检测目标进行人脸活体检测，提升了活体检测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一的人脸活体检测方法流程图；
图2a和2b是本申请实施例一中获取的彩色图像和深度图像示意图；
图3a和3b是本申请实施例一中确定的归一化人脸图像示意图；
图4是本申请实施例一中两幅归一化人脸图像中相同位置像素点示意图；
图5是本申请实施例一中深度图像对应的归一化人脸图像子区域划分示意图；
图6是本申请实施例二的人脸活体检测装置结构示意图之一。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一：
本实施例提供了一种人脸活体检测方法，如图1所示，所述方法包括：步骤11至步骤14。
步骤11，获取待检测目标的彩色图像和深度图像。
在本申请的一些实施例中，通过设置有自然光摄像头和深度摄像头的图像采集设备同时采集待检测目标的两幅图像，或者，在保持人脸姿态等人脸信息不变的状态下通过所述自然光摄像头和所述深度摄像头先后采集待检测目标的两幅图像。
例如，通过自然光摄像头采集待检测目标的彩色图像，同时通过深度摄像头采集待检测目标的深度图像。其中，自然光摄像头和深度摄像头在图像采集设备上的布设位置接近，以便于分别从相似的位置和角度采集待检测目标的图像。
在本申请的一些实施例中，可以使用Kinect设备对待检测目标拍摄一对RGB-D图像(彩色-深度图像)，其中含有一张彩色图像(如图2a所示)和一张“2.5D深度图像(如图2b所示)”或“伪深度图像”。
在本申请的一些实施例中，上述分别确定彩色图像和深度图像对应的归一化人脸图像之前，包括：对彩色图像和深度图像进行像素对齐。
在Kinect等设备中，拍摄彩色图像和伪深度图像的两个传感器之间具有一定的物理位置差异，因此我们需要使用摄像头相关参数对原始RGB-D图片进行双目图像校准。真实的深度图像需要特殊硬件设备(如激光设备)或者深度重建算法进行计算，其中，每个像素的像素值就是具体的深度信息。而本申请实施例中的“伪深度图像”或“2.5D深度图像”指的结构光摄像头拍摄得到的深度图像。本申请实施例中所述的深度图像包含的图像细节较少，且每个像素的像素值并不指具体的深度信息，只是像素间深度关系的一种表示。在本实施例中，获取的深度图像为转化后的得到的灰度图像。
在本申请的其他实施例中，如果通过深度图像采集设备采集到的图像深度信息集合，则需要将所述深度信息映射为灰度值，以得到灰度图像格式的深度图像。
步骤12，分别确定彩色图像和深度图像对应的归一化人脸图像。
对获取的彩色图像和深度图像，需要进一步执行人脸区域图像提取和归一化，以便后续进行人脸活体检测。
例如，可以首先通过人脸检测算法确定人眼位置；然后，通过椭圆形模板、圆形模板或矩形模板等几何形状模板分别从彩色图像和深度图像中提取人脸区域图像；最后，对从彩色图像中提取的人脸区域图像和从深度图像中提取的人脸区域图像，进行归一化处理，归一化到统一尺寸，得到所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像。
在本申请的一些优选实施例中，分别确定所述彩色图像和所述深度图像对应的归一化人脸图像，包括：通过椭圆形模板分别提取彩色图像和深度图像中人脸区域图像，并分别对彩色图像中的人脸区域图像和深度图像中的人脸区域图像进行归一化处理，得到彩色图像对应的归一化人脸图像和深度图像对应的归一化人脸图像。
例如，在校正后的RGB-D图像中，进一步使用OpenCV提供的Viola-Jones级联人脸检测器，或其他人脸检测算法对采集的彩色图像和深度图像进行人脸区域定位。
进一步的，为了尽量避免人脸周围的区域对纹理相关性分析的潜在影响，根据进行人脸区域定位时确定的人脸与双眼位置信息，使用一个椭圆形模板将输入的彩色图像和深度图像进行剪裁，提取所述彩色图像中人脸区域的图像(如图3a所示)和所述深度图像中人脸区域的图像(如图3b所示)。
由于获取的彩色图像和深度图像的设备不同，为了保证图像处理的一致性，进一步的，对提取的所述彩色图像中人脸区域的图像、提取的所述深度图像中人脸区域的图像分别进行归一化处理，以得到统一尺寸的所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像。对椭圆形人脸图像进行归一化处理的技术方案可以参照现有技术中对矩形人脸图像进行归一化处理的技术方案，本实施例不再赘述。
步骤13，通过对彩色图像对应的归一化人脸图像和深度图像对应的归一化人脸图像进行相关性分析，确定彩色图像和深度图像的关联性特征，以及，通过对深度图像对应的归一化人脸图像进行深度一致性分析，确定该深度图像的深度一致性特征。
在实际应用过程中，申请人发现，大多数人脸伪造攻击均使用照片或屏幕作为攻击媒介，尽管伪造人脸的彩色图像纹理信息与真实人脸较为接近，但深度图像与真实用户深度图有较明显的差异，因此，可以通过探索人脸区域的彩色图像和深度图像之间的关联特性以获取有效的活体检测线索。
然而，除了常见的屏幕或照片外，人脸面具或人头模型等攻击媒介也是活体检测系统将面临的挑战之一，面具伪造人脸的深度图像与真实人脸较为类似，因此，不能简单套用针对照片或屏幕伪造人脸的检测方式。
经过进一步研究，申请人发现，虽然人脸面具可以从彩色图与深度图像两方面模拟真实用户，但面具的尺寸在制作时就被固定，且与佩戴者的人脸大小无关。人脸面具的尺寸固定特性，会使得伪造人脸某些区域的彩色图与深度图相关性表现出较明显的不同，特别是在面具边缘与真实人脸贴合处，这个现象会更加明显。
因此，本申请实施例中基于人脸皮肤在彩色图像和深度图像的成像特性，分析色彩信息和空间信息之间的潜在关联。
本申请的一些实施例中，可以通过对彩色图像对应的归一化人脸图像和深度图像对应的归一化人脸图像进行相关性分析，确定上述彩色图像和上述深度图像的关联性特征，并通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定上述深度图像的深度一致性特征，然后，结合确定的关联性特征和深度一致性特征进行人脸活体检测。
在本申请的一些实施例中，通过对彩色图像和深度图像对应的归一化人脸图像进行一致性分析，确定彩色图像和深度图像的关联性特征，包括：子步骤S1至子步骤S5。
子步骤S1，通过肤色模型对彩色图像对应的归一化人脸图像和深度图像对应的归一化人脸图像进行去噪处理，分别确定所述彩色图像对应的归一化人脸图像中的可信像素点和所述深度图像对应的归一化人脸图像中的可信像素点。
真实人脸的大小各不相同，对于通过前述步骤得到的所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像，其中可能包括了许多非人脸皮肤部分，例如背景区域、头发等，在成像特性方面这些区域与人脸皮肤差异较大，会直接影响到后续的相关性分析。
因此，本申请的一些实施例中采用预先定义的肤色模型来虑除这些可能会产生干扰的非皮肤像素点。所述肤色模型通过YCbCr色彩空间，对肤色在光照无关的色度平面内进行聚类，使得所述肤色模型可以适用于不同光照和不同肤色等多种环境。肤色模型的建模方法参见现有技术，本申请的实施例中不再赘述。
在归一化人脸图像中，不仅彩色图像中存在非皮肤像素点的干扰，结构光深度摄像头受自身成像原理限制，捕捉到的深度图像中也可能存在一定的缺陷或盲区，即一些像素点对应的深度信息无法通过结构光顺利恢复出来，在深度图像中形成了一些深度值不存在的像素点。为了提高彩色图像与深度图像相关性分析的可靠性与稳定性，在进行后续的分析之前，需要排除这些非皮肤像素点和深度值不存在的像素点的干扰。
在本申请的一些实施例中，通过肤色模型对彩色图像对应的归一化人脸图像和深度图像对应的归一化人脸图像进行去噪处理，分别确定彩色图像对应的归一化人脸图像中的可信像素点和深度图像对应的归一化人脸图像中的可信像素点，包括：将彩色图像和深度图像各自对应的归一化人脸图像中像素坐标相同的每两个像素点，确定为一对像素点，针对每一对像素点，确定其中彩色图像所对应的像素点的像素值属于肤色模型所定义的肤色范围，且其中深度图像所对应的像素点的像素值满足预设有效深度值条件时，将该对像素点中每个像素点分别标记为可信像素点。
在将彩色图像和深度图像各自对应的归一化人脸图像中像素坐标相同的每两个像素点，确定为一对像素点时，可以首先确定所述彩色图像对应的归一化人脸图像中选定像素坐标位置的第一像素点，然后，再确定深度图像对应的归一化人脸图像中选定像素坐标位置的第二像素点，最后，将上述第一像素点和上述第二像素点确定为一对像素点。
例如，对于彩色图像对应的归一化人脸图像中像素点D1和深度图像对应的归一化人脸图像中的像素点D2，如图4所示，像素点D1和像素点D2对应待检测目标的同一成像位置，即像素点D1在彩色图像对应的归一化人脸图像中的像素位置与像素点D2在深度图像对应的归一化人脸图像中的像素位置相同，则当且仅当像素点D1和像素点D2满足以下两个条件时，像素点D1和像素点D2才可以作为可信像素点：第一个条件，像素点D1的像素值属于肤色模型所定义的肤色范围；第二个条件，像素点D2的像素值满足预先定义的有效深度值条件。其中，预先定义的有效深度值条件可以为像素值不等于255。由于结构光摄像头自身的缺陷，在采集深度信息时，有些像素点无法获取深度信息，在数据中可能表现为NaN或255，映射到深度图像中之后对应深度图像中最亮的白色。如果深度图像中像素点的像素值不为白色，则认为深度值就是有效的，即该像素点为可信像素点。
子步骤S2，确定彩色图像对应的归一化人脸图像的灰度化人脸图像。
具体实施时，可以通过对彩色图像对应的归一化人脸图像进行灰度化处理，以得到彩色图像对应的归一化人脸图像的灰度化人脸图像。也可以在获取到上述彩色图像之后，首先对获得的彩色图像进行灰度化处理，然后，通过椭圆形模板对灰度化处理后的彩色图像进行人脸区域图像提取和归一化处理，得到彩色图像对应的归一化人脸图像的灰度化人脸图像。
子步骤S3，基于彩色图像对应的归一化人脸图像中的可信像素点，确定灰度化人脸图像的第一灰度直方图。
由于深度图像受光照影响较小，因此，在结合深度图像进行相关性分析的情况下，可以在彩色图像中提取简单的纹理信息信息，本申请具体实施时，可以提取彩色人脸图像的灰度直方图，用于相关性分析，以提升计算效率，并且通用性较强。
具体实施时，提取彩色人脸图像的灰度直方图时，仅统计所述彩色图像对应的归一化人脸图像中的可信像素点的灰度分布，以得到所述灰度化人脸图像的第一灰度直方图。本实施例中，由灰度化后的彩色图像对应的归一化人脸图像生成的直方图记作Ci。
子步骤S4，基于深度图像对应的归一化人脸图像中的可信像素点，确定深度图像的第二灰度直方图。
具体实施时，为了提升相关性分析的准确性，本申请实施例中，基于可信像素点进行相关性分析。因此，首先确定深度图像对应的归一化人脸图像中的可信像素点。其中，上述深度图像对应的归一化人脸图像中的可信像素点为像素值满足预先定义的有效深度值条件。有效深度值条件的定义方法参见前面段落中的描述。然后，基于深度图像对应的归一化人脸图像中的可信像素点，确定上述深度图像的第二灰度直方图。本实施例中，由深度图像生成的直方图记作Di。
子步骤S5，通过对第一灰度直方图和第二灰度直方图进行相关性分析，确定彩色图像和深度图像的关联性特征。
在本申请的一些实施例中，可以采用典型相关分析(canonical correlationanalysis，CCA)对第一灰度直方图Ci和所述第二灰度直方图Di进行相关性分析。首先，定义第一灰度直方图Ci的投影方向和第二灰度直方图Di的投影方向然后，以最大化两个投影向量和的相关系数ρi为目标，求解最优投影方向和其中，相关系数ρi通过如下函数表示：
上述函数中，角标T是向量的转置，E[g]表示g的期望。
为了进一步化简这个等式，具体实施时，引入了类内协方差矩阵CCC和CDD，以及类间协方差矩阵CCD和CDC，由于所有特征向量均在较小的子区域图片上提取，通过针对类内协方差矩阵引入了正则化参数λ以避免产生过拟合等情况，上述目标函数优化后可以改写为：
上述优化后的目标函数可以由带有正则项的典型相关算法(RegularizedCanonical Correlation Analysis)求解，具体求解过程参见现有技术，本申请实施例中不再赘述。
通过纠结商户优化后的目标函数，可以得到两个最优投影方向和进一步的，可以确定所述第一灰度直方图在投影方向的特征向量和所述第二灰度直方图在投影方向的特征向量。
然后，根据所述第一灰度直方图和所述第二灰度直方图在各自的最优投影方向上的特征向量，构建所述彩色图像和所述深度图像的关联性特征。
例如，将所述第一灰度直方图在投影方向的特征向量和所述第二灰度直方图在投影方向的特征向量串联，将串联后得到的特征向量作为所述彩色图像和所述深度图像的关联性特征。
进一步的，所述通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征，包括：将所述深度图像对应的归一化人脸图像划分为N*M个子区域，其中,N和M分别为大于等于3的整数；根据所述深度图像的每个所述子区域中像素值满足预先定义的有效深度值条件的像素点，确定每个所述子区域的直方图；通过计算任意两个所述直方图的交叉熵或散度，确定所述深度图像的深度一致性特征。
优选的，将所述深度图像对应的归一化人脸图像均匀划分为N*M个子区域，其中，N等于M。
在实际活体检测过程中，申请人发现，仅从非精确的深度信息角度考量，照片、屏幕和面具等伪造人脸与真实人脸也有一些不同之处：屏幕伪造人脸图像显示在不可弯曲或折叠的显示屏上，具有相当明显的平面特性；照片伪造人脸图像尽管可以被旋转、弯曲或折叠，往往也会保持较为规则的深度模式，例如类似圆柱的弯曲表面或渐变的深度信息；面具伪造人脸图像尽管可以达到相对真实的深度效果，但是面具较难模仿某些深度变化非常复杂的特殊区域，如鼻翼、鼻唇沟等。因此，本申请的一些实施例中，将深度图像对应的归一化人脸图像沿水平和竖直方向平均划分成3*3个子区域，如图5所示。并按照从左往右、从上往下的顺序将这些区域分别记作p1,p2,...,p9。
然后，在深度图像对应的归一化人脸图像的每一个子区域pi中，进一步统计具有有效深度信息的像素点，即可信像素点，并使用直方图hi以大致度量该子区域的深度分布情况，可以有效的从空间信息维度进行活体进测。
在本申请的一些实施例中，可以通过子区域之间的散度度量子区域的深度分布情况。具体实施时，散度可以通过如下公式计算：
其中，hi(k)指的是在直方图hi中第k个元素，hj(k)指的是在直方图hj中第k个元素。
在本申请的一些优选实施例中，通过子区域之间的交叉熵度量子区域的深度分布情况。具体实施时，对于任意给定两个子区域对应的直方图hi和hj(1≤i≤9，1≤j≤9，i<j)，采用交叉熵来衡量它们之间的深度分布一致性，直方图hi和hj的交叉熵计算方式为：
其中，H(hi)是直方图hi的信息熵，DKL(hi||hj)是从hi到hj的KL散度，即hi相对于hj的相对熵。交叉熵的数值H(hi,hj)在信息论的角度可以理解为，当基于概率分布hj进行编码时，最终标识事件分布hi所需要的平均比特数。在具体的活体检测流程中，如果hi和hj对应的两个区域间具有相似的深度分布情况，例如它们来自弯折照片中折痕的同侧，或者属于同一深度的屏幕或面具时，该交叉熵的数值会相对较小；而对于真实人脸而言，由于人脸区域复杂的深度变化与遮挡情况，不同子区域间的交叉熵可能相对较大,因此，通过子区域间的交叉熵可以表示真实人脸或攻击人脸的特征。
本实施例中，将深度图像对应的归一化人脸图像按照一定顺序分为九个子区域之后，共可以得到个交叉熵数值，最终将这些数值串联起来，作为深度图像对应的的深度一致性特征。
具体实施时，根据数据集中的人脸图像大小确定N的取值，例如N还可以取值为5或7等奇数。鉴于三乘三网格独特的对称特性，即无论对于旋转的屏幕、沿水平竖直或对角线方向弯折的照片、深度细节较弱的面具等攻击媒介，在三乘三网格中很可能有一些子区域拥有相似的深度特性，优选的，N取值为3。
具体实施时，获取关联性特征和获取深度一致性特征的顺序可以调换，并不影响解决本申请的技术问题和达到同样的技术效果。
步骤14，根据关联性特征和深度一致性特征，对待检测目标进行人脸活体检测。
在本申请的一些实施例中，可以将关联性特征和深度一致性特征直接组合为待识别特征，并输入至预先训练的识别模型，以检测待检测目标是否为攻击人脸。
在本申请的另一些优选实施例中，所述根据所述关联性特征和所述深度一致性特征，对所述待检测目标进行人脸活体检测，包括：通过第一核函数对所述关联性特征进行分类识别，确定第一识别结果，以及，通过第二核函数对所述深度一致性特征进行分类识别，确定第二识别结果；通过对所述第一识别结果和所述第二识别结果进行加权融合，确定对所述待检测目标进行人脸活体检测的结果。
前述通过色彩特征和空间特征的投影方向向量构建的彩色图像与深度图像的关联性特征，和通过交叉熵构建的深度一致性特征，在物理含义与数学量纲等各方面均有很大不同，可能并不适合使用统一的分类器进行活体判别。
因此，针对已提取特征的不同特点，本申请的一些实施例中使用两个带有不同核函数的分类器分别进行活体检测，然后再对不同分类器的检测结果进行融合。
例如，对于根据投影方向向量构建的关联性特征，选用带有径向基核函数的支持向量机进行分类识别，确定第一识别结果；而对于根据交叉熵构建的深度一致性特征，选用带有卡方核函数的支持向量机进行分类识别，确定第二识别结果。最终分类器在得分层面进行加权融合，各个分类器的对应权值由验证过程确定，并且二者权值之和为1。例如，对于第一识别结果和第二识别结果进行加权融合，然后，基于融合结果进行分类识别，确定所述待检测目标是否为真实人脸。其中，第一识别结果和第二识别结果的融合权值根据上测试结果确定。
本申请实施例公开的人脸活体检测方法，通过获取待检测目标的彩色图像和深度图像；分别确定所述彩色图像和所述深度图像对应的归一化人脸图像；通过对所述彩色图像的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征；以及，通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征；根据所述关联性特征和所述深度特征，对所述待检测目标进行人脸活体检测，解决了现有技术中存在的人脸活体检测效率低下和准确率低的问题。本申请实施例公开的人脸活体检测方法需要的彩色图像和深度图像可以同时采集，因此减少了图像采集时间，提升了人脸活体检测效率，同时，由于色彩信息中蕴含着丰富的纹理信息，通过结合待检测目标的图像中色彩信息和空间信息，对所述待检测目标进行人脸活体检测，由于利用了互补特征，信息更全面，因此有助于提升活体检测的准确性。
实施例二：
相应的，本申请还公开了一种人脸活体检测装置，如图6所示，上述人脸活体检测装置包括：
图像获取模块610，用于获取待检测目标的彩色图像和深度图像；
归一化模块620，用于分别确定彩色图像和深度图像对应的归一化人脸图像；
第一特征确定模块630，用于通过对彩色图像的归一化人脸图像和深度图像对应的归一化人脸图像进行相关性分析，确定彩色图像和深度图像的关联性特征；以及，
第二特征确定模块640，用于通过对深度图像对应的归一化人脸图像进行深度一致性分析，确定深度图像的深度一致性特征；
活体检测模块650，用于根据第一特征确定模块630确定的关联性特征和第二特征确定模块640确定的深度一致性特征，对待检测目标进行人脸活体检测。
可选的，通过对彩色图像的归一化人脸图像和深度图像对应的归一化人脸图像进行相关性分析，确定彩色图像和深度图像的关联性特征时，第一特征确定模块630用于：
通过肤色模型对彩色图像对应的归一化人脸图像和深度图像对应的归一化人脸图像进行去噪处理，分别确定彩色图像对应的归一化人脸图像中的可信像素点和深度图像对应的归一化人脸图像中的可信像素点；
确定彩色图像对应的归一化人脸图像的灰度化人脸图像；
基于彩色图像对应的归一化人脸图像中的可信像素点，确定灰度化人脸图像的第一灰度直方图；以及，基于深度图像对应的归一化人脸图像中的可信像素点，确定深度图像的第二灰度直方图；
通过对第一灰度直方图和第二灰度直方图进行相关性分析，确定彩色图像和深度图像的关联性特征。
大多数人脸伪造攻击均使用照片或屏幕作为攻击媒介，尽管伪造人脸的彩色图像纹理信息与真实人脸较为接近，但深度图像与真实用户深度图有较明显的差异，因此，可以通过探索人脸区域的彩色图像和深度图像之间的关联特性以获取有效的活体检测线索。
可选的，通过肤色模型对彩色图像对应的归一化人脸图像和深度图像对应的归一化人脸图像进行去噪处理，分别确定彩色图像对应的归一化人脸图像中的可信像素点和深度图像对应的归一化人脸图像中的可信像素点时，第一特征确定模块630用于：
将彩色图像和深度图像各自对应的归一化人脸图像中像素坐标相同的每两个像素点，确定为一对像素点；
针对每一对像素点，确定其中彩色图像所对应的像素点的像素值属于肤色模型所定义的肤色范围，且其中深度图像所对应的像素点的像素值满足预设有效深度值条件时，将该对像素点中每个像素点分别标记为可信像素点。
可选的，通过对深度图像对应的归一化人脸图像进行深度一致性分析，确定深度图像的深度一致性特征时，第二特征确定模块640用于：
将深度图像对应的归一化人脸图像划分为N*M个子区域，其中,N和M分别为大于等于3的整数；
根据深度图像的每个子区域中像素值满足预先定义的有效深度值条件的像素点，确定每个子区域的直方图；
通过计算任意两个上述直方图的交叉熵或散度，确定深度图像的深度一致性特征。
屏幕伪造人脸图像显示在不可弯曲或折叠的显示屏上，具有相当明显的平面特性；照片伪造人脸图像尽管可以被旋转、弯曲或折叠，往往也会保持较为规则的深度模式，例如类似圆柱的弯曲表面或渐变的深度信息；面具伪造人脸图像尽管可以达到相对真实的深度效果，但是面具较难模仿某些深度变化非常复杂的特殊区域，如鼻翼、鼻唇沟等。
本申请的一些实施例中，将深度图像对应的归一化人脸图像沿水平和竖直方向平均划分成3*3个子区域，如图5所示。并按照从左往右、从上往下的顺序将这些区域分别记作p1,p2,...,p9。然后，在深度图像对应的归一化人脸图像的每一个子区域pi中，进一步统计具有有效深度信息的像素点，即可信像素点，并使用直方图hi以大致度量该子区域的深度分布情况，可以有效的从空间信息维度进行活体进测。
在归一化人脸图像中，不仅彩色图像中存在非皮肤像素点的干扰，结构光深度摄像头受自身成像原理限制，捕捉到的深度图像中也可能存在一定的缺陷或盲区，即一些像素点对应的深度信息无法通过结构光顺利恢复出来，在深度图像中形成了一些深度值不存在的像素点。在进行后续的分析之前，需要排除这些非皮肤像素点和深度值不存在的像素点的干扰，可以提高彩色图像与深度图像相关性分析的可靠性与稳定性。
可选的，根据第一特征确定模块630确定的关联性特征和所述第二特征确定模块640确定的深度一致性特征，对待检测目标进行人脸活体检测时，活体检测模块650用于：
通过第一核函数对上述关联性特征进行分类识别，确定第一识别结果，以及，通过第二核函数对深度一致性特征进行分类识别，确定第二识别结果；
通过对上述第一识别结果和上述第二识别结果进行加权融合，确定对该待检测目标进行人脸活体检测的结果。
可选的，分别确定彩色图像和深度图像对应的归一化人脸图像时，归一化模块620用于：
通过椭圆形模板分别提取所述彩色图像和所述深度图像中人脸区域图像；
分别对上述彩色图像中的人脸区域图像和上述深度图像中的人脸区域图像进行归一化处理，得到彩色图像对应的归一化人脸图像和深度图像对应的归一化人脸图像。
可选的，上述装置还包括：
像素对齐模块(图中未示出)，用于对所述彩色图像和所述深度图像进行像素对齐。
本申请实施例公开的人脸活体检测装置，通过获取待检测目标的彩色图像和深度图像；分别确定所述彩色图像和所述深度图像对应的归一化人脸图像；通过对所述彩色图像的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征；以及，通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征；根据所述关联性特征和所述深度特征，对所述待检测目标进行人脸活体检测，解决了现有技术中存在的人脸活体检测效率低下和准确率低的问题。本申请实施例公开的人脸活体检测装置需要的彩色图像和深度图像可以同时采集，因此减少了图像采集时间，提升了人脸活体检测效率，同时，由于色彩信息中蕴含着丰富的纹理信息，通过结合待检测目标的图像中色彩信息和空间信息，对所述待检测目标进行人脸活体检测，由于利用了互补特征，信息更全面，因此有助于提升活体检测的准确性。
相应的，本申请实施例还公开了一种电子设备，所述电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例一所述的人脸活体检测方法。所述电子设备可以为手机、PAD、平板电脑、人脸识别机等。
相应的，本申请实施例还提供了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本申请实施例一所述的人脸活体检测方法的步骤。
本申请的装置实施例与方法相对应，装置实施例中各模块和各单元的具体实现方式参见方法是实施例，此处不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解，在本申请所提供的实施例中，所述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，即可以位于一个地方，或者也可以分布到多个网络单元上。另外，在本申请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。
所述功能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，本申请的技术方案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)执行本申请各个实施例所述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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

Claims (15)

1.一种人脸活体检测方法，其特征在于，包括：
获取待检测目标的彩色图像和深度图像；
分别确定所述彩色图像和所述深度图像对应的归一化人脸图像；
通过对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征；以及，
通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征；
根据所述关联性特征和所述深度一致性特征，对所述待检测目标进行人脸活体检测。
2.根据权利要求1所述的方法，其特征在于，所述通过对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征的步骤，包括：
通过肤色模型对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行去噪处理，分别确定所述彩色图像对应的归一化人脸图像中的可信像素点和所述深度图像对应的归一化人脸图像中的可信像素点；
确定所述彩色图像对应的归一化人脸图像的灰度化人脸图像；
基于所述彩色图像对应的归一化人脸图像中的可信像素点，确定所述灰度化人脸图像的第一灰度直方图；以及，基于所述深度图像对应的归一化人脸图像中的可信像素点，确定所述深度图像的第二灰度直方图；
通过对所述第一灰度直方图和所述第二灰度直方图进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征。
3.根据权利要求2所述的方法，其特征在于，所述通过肤色模型对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行去噪处理，分别确定所述彩色图像对应的归一化人脸图像中的可信像素点和所述深度图像对应的归一化人脸图像中的可信像素点的步骤，包括：
将所述彩色图像和所述深度图像各自对应的归一化人脸图像中像素坐标相同的每两个像素点，确定为一对像素点；
针对每一对像素点，确定其中彩色图像所对应的像素点的像素值属于所述肤色模型所定义的肤色范围，且其中深度图像所对应的像素点的像素值满足预设有效深度值条件时，将该对像素点中每个像素点分别标记为可信像素点。
4.根据权利要求1所述的方法，其特征在于，所述通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征的步骤，包括：
将所述深度图像对应的归一化人脸图像划分为N*M个子区域，其中,N和M分别为大于等于3的整数；
根据所述深度图像的每个所述子区域中像素值满足预先定义的有效深度值条件的像素点，确定每个所述子区域的直方图；
通过计算任意两个所述直方图的交叉熵或散度，确定所述深度图像的深度一致性特征。
5.根据权利要求1所述的方法，其特征在于，所述根据所述关联性特征和所述深度一致性特征，对所述待检测目标进行人脸活体检测的步骤，包括：
通过第一核函数对所述关联性特征进行分类识别，确定第一识别结果，以及，通过第二核函数对所述深度一致性特征进行分类识别，确定第二识别结果；
通过对所述第一识别结果和所述第二识别结果进行加权融合，确定对所述待检测目标进行人脸活体检测的结果。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述分别确定所述彩色图像和所述深度图像对应的归一化人脸图像的步骤，包括：
通过椭圆形模板分别提取所述彩色图像和所述深度图像中人脸区域图像；
分别对所述彩色图像中的人脸区域图像和所述深度图像中的人脸区域图像进行归一化处理，得到所述彩色图像对应的归一化人脸图像、所述深度图像对应的归一化人脸图像。
7.根据权利要求6所述的方法，其特征在于，所述分别确定所述彩色图像和所述深度图像对应的归一化人脸图像的步骤之前，包括：
对所述彩色图像和所述深度图像进行像素对齐。
8.一种人脸活体检测装置，其特征在于，包括：
图像获取模块，用于获取待检测目标的彩色图像和深度图像；
归一化模块，用于分别确定所述彩色图像和所述深度图像对应的归一化人脸图像；
第一特征确定模块，用于通过对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征；以及，
第二特征确定模块，用于通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征；
活体检测模块，用于根据所述第一特征确定模块确定的关联性特征和所述第二特征确定模块确定的深度一致性特征，对所述待检测目标进行人脸活体检测。
9.根据权利要求8所述的装置，其特征在于，通过对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征时，所述第一特征确定模块用于：
通过肤色模型对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行去噪处理，分别确定所述彩色图像对应的归一化人脸图像中的可信像素点和所述深度图像对应的归一化人脸图像中的可信像素点；
确定所述彩色图像对应的归一化人脸图像的灰度化人脸图像；
基于所述彩色图像对应的归一化人脸图像中的可信像素点，确定所述灰度化人脸图像的第一灰度直方图；以及，基于所述深度图像对应的归一化人脸图像中的可信像素点，确定所述深度图像的第二灰度直方图；
通过对所述第一灰度直方图和所述第二灰度直方图进行相关性分析，确定所述彩色图像和所述深度图像的关联性特征。
10.根据权利要求9所述的装置，其特征在于，通过肤色模型对所述彩色图像对应的归一化人脸图像和所述深度图像对应的归一化人脸图像进行去噪处理，分别确定所述彩色图像对应的归一化人脸图像中的可信像素点和所述深度图像对应的归一化人脸图像中的可信像素点时，所述第一特征确定模块用于：
将所述彩色图像和所述深度图像各自对应的归一化人脸图像中像素坐标相同的每两个像素点，确定为一对像素点；
针对每一对像素点，确定其中彩色图像所对应的像素点的像素值属于所述肤色模型所定义的肤色范围，且其中深度图像所对应的像素点的像素值满足预设有效深度值条件时，将该对像素点中每个像素点分别标记为可信像素点。
11.根据权利要求8所述的装置，其特征在于，通过对所述深度图像对应的归一化人脸图像进行深度一致性分析，确定所述深度图像的深度一致性特征时，所述第二特征确定模块用于：
将所述深度图像对应的归一化人脸图像划分为N*M个子区域，其中,N和M分别为大于等于3的整数；
根据所述深度图像的每个所述子区域中像素值满足预先定义的有效深度值条件的像素点，确定每个所述子区域的直方图；
通过计算任意两个所述直方图的交叉熵或散度，确定所述深度图像的深度一致性特征。
12.根据权利要求8所述的装置，其特征在于，根据所述关联性特征和所述深度一致性特征，对所述待检测目标进行人脸活体检测时，所述活体检测模块用于：
通过第一核函数对所述关联性特征进行分类识别，确定第一识别结果，以及，通过第二核函数对所述深度一致性特征进行分类识别，确定第二识别结果；
通过对所述第一识别结果和所述第二识别结果进行加权融合，确定对所述待检测目标进行人脸活体检测的结果。
13.根据权利要求8至12任一项所述的装置，其特征在于，分别确定所述彩色图像和所述深度图像对应的归一化人脸图像时，所述归一化模块用于：
通过椭圆形模板分别提取所述彩色图像和所述深度图像中人脸区域图像；
分别对所述彩色图像中的人脸区域图像和所述深度图像中的人脸区域图像进行归一化处理，得到所述彩色图像对应的归一化人脸图像、所述深度图像对应的归一化人脸图像。
14.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任意一项所述的人脸活体检测方法。
15.一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7任意一项所述的人脸活体检测方法的步骤。
CN201810712065.7A 2018-06-29 2018-06-29 一种人脸活体检测方法及装置 Pending CN108549886A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810712065.7A CN108549886A (zh) 2018-06-29 2018-06-29 一种人脸活体检测方法及装置
PCT/CN2018/119758 WO2020000908A1 (zh) 2018-06-29 2018-12-07 一种人脸活体检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810712065.7A CN108549886A (zh) 2018-06-29 2018-06-29 一种人脸活体检测方法及装置

Publications (1)

Publication Number Publication Date
CN108549886A true CN108549886A (zh) 2018-09-18

Family

ID=63493326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810712065.7A Pending CN108549886A (zh) 2018-06-29 2018-06-29 一种人脸活体检测方法及装置

Country Status (2)

Country Link
CN (1) CN108549886A (zh)
WO (1) WO2020000908A1 (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325472A (zh) * 2018-11-01 2019-02-12 四川大学 一种基于深度信息的人脸活体检测方法
CN109711243A (zh) * 2018-11-01 2019-05-03 长沙小钴科技有限公司 一种基于深度学习的静态三维人脸活体检测方法
CN109711384A (zh) * 2019-01-09 2019-05-03 江苏星云网格信息技术有限公司 一种基于深度卷积神经网络的人脸识别方法
CN109977794A (zh) * 2019-03-05 2019-07-05 北京超维度计算科技有限公司 一种用深度神经网络进行人脸识别的方法
CN110111466A (zh) * 2019-05-08 2019-08-09 广东赛翼智能科技有限公司 一种基于人脸识别技术的门禁系统及控制方法
CN110232418A (zh) * 2019-06-19 2019-09-13 深圳前海达闼云端智能科技有限公司 一种语义识别方法、终端及计算机可读存储介质
CN110287796A (zh) * 2019-05-24 2019-09-27 北京爱诺斯科技有限公司 一种基于手机与外部设备的屈光筛查方法
CN110633691A (zh) * 2019-09-25 2019-12-31 北京紫睛科技有限公司 一种基于可见光和近红外相机的双目活体检测方法
WO2020000908A1 (zh) * 2018-06-29 2020-01-02 汉王科技股份有限公司 一种人脸活体检测方法及装置
CN110930547A (zh) * 2019-02-28 2020-03-27 上海商汤临港智能科技有限公司 车门解锁方法及装置、系统、车、电子设备和存储介质
CN111079606A (zh) * 2019-12-06 2020-04-28 北京爱笔科技有限公司 一种人脸防伪方法及装置
CN111310528A (zh) * 2018-12-12 2020-06-19 马上消费金融股份有限公司 一种图像检测方法、身份验证方法、支付方法及装置
CN111881706A (zh) * 2019-11-27 2020-11-03 马上消费金融股份有限公司 活体检测、图像分类和模型训练方法、装置、设备及介质
CN112651268A (zh) * 2019-10-11 2021-04-13 北京眼神智能科技有限公司 活体检测中排除黑白照片的方法、装置、电子设备
CN113627233A (zh) * 2021-06-17 2021-11-09 中国科学院自动化研究所 基于视觉语义信息的人脸伪造检测方法和装置
CN113780222A (zh) * 2021-09-17 2021-12-10 深圳市繁维科技有限公司 一种人脸活体检测方法、装置、电子设备和可读存储介质
CN114694266A (zh) * 2022-03-28 2022-07-01 广州广电卓识智能科技有限公司 一种静默活体检测方法、系统、设备及存储介质
CN114926890A (zh) * 2022-07-20 2022-08-19 北京远鉴信息技术有限公司 一种人脸真伪的区分方法、装置、电子设备及存储介质
WO2022226747A1 (zh) * 2021-04-26 2022-11-03 华为技术有限公司 眼球追踪方法、装置及存储介质

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222472B (zh) * 2020-01-09 2023-12-15 西安知象光电科技有限公司 一种基于结构光频域特征的人脸识别方法
CN111339958B (zh) * 2020-02-28 2023-08-29 南京鑫之派智能科技有限公司 一种基于单目视觉的人脸活体检测方法及系统
CN111444850B (zh) * 2020-03-27 2023-11-14 北京爱笔科技有限公司 一种图片检测的方法和相关装置
KR20210128274A (ko) 2020-04-16 2021-10-26 삼성전자주식회사 라이브니스 검사 방법 및 장치
CN111739046A (zh) * 2020-06-19 2020-10-02 百度在线网络技术（北京）有限公司 用于模型更新和检测图像的方法、装置、设备和介质
CN111797735A (zh) * 2020-06-22 2020-10-20 深圳壹账通智能科技有限公司 人脸视频识别方法、装置、设备及存储介质
CN111723761B (zh) * 2020-06-28 2023-08-11 杭州海康威视系统技术有限公司 异常人脸图像的确定方法、装置及存储介质
CN113807159A (zh) * 2020-12-31 2021-12-17 京东科技信息技术有限公司 人脸识别处理方法、装置、设备及其存储介质
CN113378715B (zh) * 2021-06-10 2024-01-05 北京华捷艾米科技有限公司 一种基于彩色人脸图像的活体检测方法及相关设备
CN114582003B (zh) * 2022-04-24 2022-07-29 慕思健康睡眠股份有限公司 一种基于云计算服务的睡眠健康管理系统
CN116311477B (zh) * 2023-05-15 2023-08-01 华中科技大学 一种面向跨身份一致性的面部运动单元检测模型构建方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102197393A (zh) * 2008-10-27 2011-09-21 微软公司 基于图像的语义距离
CN106372615A (zh) * 2016-09-19 2017-02-01 厦门中控生物识别信息技术有限公司 一种人脸防伪识别方法以及装置
CN107832677A (zh) * 2017-10-19 2018-03-23 深圳奥比中光科技有限公司 基于活体检测的人脸识别方法及系统
CN107918773A (zh) * 2017-12-13 2018-04-17 汉王科技股份有限公司 一种人脸活体检测方法、装置及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451510B (zh) * 2016-05-30 2023-07-21 北京旷视科技有限公司 活体检测方法和活体检测系统
CN108549886A (zh) * 2018-06-29 2018-09-18 汉王科技股份有限公司 一种人脸活体检测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102197393A (zh) * 2008-10-27 2011-09-21 微软公司 基于图像的语义距离
CN106372615A (zh) * 2016-09-19 2017-02-01 厦门中控生物识别信息技术有限公司 一种人脸防伪识别方法以及装置
CN107832677A (zh) * 2017-10-19 2018-03-23 深圳奥比中光科技有限公司 基于活体检测的人脸识别方法及系统
CN107918773A (zh) * 2017-12-13 2018-04-17 汉王科技股份有限公司 一种人脸活体检测方法、装置及电子设备

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000908A1 (zh) * 2018-06-29 2020-01-02 汉王科技股份有限公司 一种人脸活体检测方法及装置
WO2020088588A1 (zh) * 2018-11-01 2020-05-07 长沙小钴科技有限公司 一种基于深度学习的静态三维人脸活体检测方法
CN109711243A (zh) * 2018-11-01 2019-05-03 长沙小钴科技有限公司 一种基于深度学习的静态三维人脸活体检测方法
CN109325472A (zh) * 2018-11-01 2019-02-12 四川大学 一种基于深度信息的人脸活体检测方法
CN111310528B (zh) * 2018-12-12 2022-08-12 马上消费金融股份有限公司 一种图像检测方法、身份验证方法、支付方法及装置
CN111310528A (zh) * 2018-12-12 2020-06-19 马上消费金融股份有限公司 一种图像检测方法、身份验证方法、支付方法及装置
CN109711384A (zh) * 2019-01-09 2019-05-03 江苏星云网格信息技术有限公司 一种基于深度卷积神经网络的人脸识别方法
WO2020173155A1 (zh) * 2019-02-28 2020-09-03 上海商汤临港智能科技有限公司 车门解锁方法及装置、系统、车、电子设备和存储介质
CN110930547A (zh) * 2019-02-28 2020-03-27 上海商汤临港智能科技有限公司 车门解锁方法及装置、系统、车、电子设备和存储介质
CN109977794A (zh) * 2019-03-05 2019-07-05 北京超维度计算科技有限公司 一种用深度神经网络进行人脸识别的方法
CN110111466A (zh) * 2019-05-08 2019-08-09 广东赛翼智能科技有限公司 一种基于人脸识别技术的门禁系统及控制方法
CN110287796B (zh) * 2019-05-24 2020-06-12 北京爱诺斯科技有限公司 一种基于手机与外部设备的屈光筛查方法
CN110287796A (zh) * 2019-05-24 2019-09-27 北京爱诺斯科技有限公司 一种基于手机与外部设备的屈光筛查方法
CN110232418A (zh) * 2019-06-19 2019-09-13 深圳前海达闼云端智能科技有限公司 一种语义识别方法、终端及计算机可读存储介质
CN110633691A (zh) * 2019-09-25 2019-12-31 北京紫睛科技有限公司 一种基于可见光和近红外相机的双目活体检测方法
CN112651268B (zh) * 2019-10-11 2024-05-28 北京眼神智能科技有限公司 活体检测中排除黑白照片的方法、装置、电子设备
CN112651268A (zh) * 2019-10-11 2021-04-13 北京眼神智能科技有限公司 活体检测中排除黑白照片的方法、装置、电子设备
CN111881706A (zh) * 2019-11-27 2020-11-03 马上消费金融股份有限公司 活体检测、图像分类和模型训练方法、装置、设备及介质
CN111881706B (zh) * 2019-11-27 2021-09-03 马上消费金融股份有限公司 活体检测、图像分类和模型训练方法、装置、设备及介质
CN111079606B (zh) * 2019-12-06 2023-05-26 北京爱笔科技有限公司 一种人脸防伪方法及装置
CN111079606A (zh) * 2019-12-06 2020-04-28 北京爱笔科技有限公司 一种人脸防伪方法及装置
WO2022226747A1 (zh) * 2021-04-26 2022-11-03 华为技术有限公司 眼球追踪方法、装置及存储介质
CN113627233A (zh) * 2021-06-17 2021-11-09 中国科学院自动化研究所 基于视觉语义信息的人脸伪造检测方法和装置
CN113780222A (zh) * 2021-09-17 2021-12-10 深圳市繁维科技有限公司 一种人脸活体检测方法、装置、电子设备和可读存储介质
CN113780222B (zh) * 2021-09-17 2024-02-27 深圳市繁维科技有限公司 一种人脸活体检测方法、装置、电子设备和可读存储介质
CN114694266A (zh) * 2022-03-28 2022-07-01 广州广电卓识智能科技有限公司 一种静默活体检测方法、系统、设备及存储介质
CN114926890A (zh) * 2022-07-20 2022-08-19 北京远鉴信息技术有限公司 一种人脸真伪的区分方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
WO2020000908A1 (zh) 2020-01-02

Similar Documents

Publication Publication Date Title
CN108549886A (zh) 一种人脸活体检测方法及装置
US11775056B2 (en) System and method using machine learning for iris tracking, measurement, and simulation
Liu et al. Remote photoplethysmography correspondence feature for 3D mask face presentation attack detection
CN108319953B (zh) 目标对象的遮挡检测方法及装置、电子设备及存储介质
Han et al. Two-stage learning to predict human eye fixations via SDAEs
CN109583285B (zh) 对象识别方法
CN106056064B (zh) 一种人脸识别方法及人脸识别装置
Souza et al. How far did we get in face spoofing detection?
Barra et al. Web-shaped model for head pose estimation: An approach for best exemplar selection
US7715596B2 (en) Method for controlling photographs of people
US10002286B1 (en) System and method for face recognition robust to multiple degradations
Battisti et al. A feature-based approach for saliency estimation of omni-directional images
Faraji et al. Face recognition under varying illuminations using logarithmic fractal dimension-based complete eight local directional patterns
CN105989331B (zh) 脸部特征提取装置、脸部特征提取方法、图像处理设备和图像处理方法
CN108985210A (zh) 一种基于人眼几何特征的视线追踪方法及系统
CN111524080A (zh) 脸部皮肤特征的识别方法、终端及计算机设备
CN107330371A (zh) 3d脸部模型的脸部表情的获取方法、装置和存储装置
CN107958453A (zh) 乳腺图像病变区域的检测方法、装置及计算机存储介质
JP2011227704A (ja) 情報処理装置および方法ならびにプログラム
Haleem et al. Retinal area detector from scanning laser ophthalmoscope (SLO) images for diagnosing retinal diseases
JP2014211719A (ja) 情報処理装置およびその方法
CN107918773A (zh) 一种人脸活体检测方法、装置及电子设备
Xu et al. Identity-constrained noise modeling with metric learning for face anti-spoofing
Nikitin et al. Face anti-spoofing with joint spoofing medium detection and eye blinking analysis
Jingade et al. DOG-ADTCP: A new feature descriptor for protection of face identification system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180918

RJ01 Rejection of invention patent application after publication