CN109190528B - 活体检测方法及装置 - Google Patents

Abstract

本申请提供一种活体检测方法及装置，所述方法包括：获取待识别人脸图像，并识别所述待识别人脸图像上的多个面部特征；获取所述多个面部特征所在位置的深度信息得到待识别深度信息帧；根据连续时间段内获取到的多个所述待识别深度信息帧生成待识别变化向量矩阵；将所述待识别变化向量矩阵输入预先训练的机器学习模型进行检测，得到活体检测结果。通过采集待识别人脸图像上多个面部特征的深度信息，结合机器学习模型进行活体检测。如此，可以有效地提高活体检测的准确性和鲁棒性。

Description

活体检测方法及装置

技术领域

本申请涉及信息安全技术领域，具体而言，涉及一种活体检测方法及装置。

背景技术

随着信息技术的快速发展，对信息安全的要求越来越高。在很多安全认证场景中开始采用人脸识别技术进行身份认证。在人脸认证中，通常是根据图像采集装置采集到的图像中的五官特征信息进行身份识别，然后仅仅通过简单的图像识别技术安全系数较低，不法分子可以通过伪造高清的照片、视频频段、人脸模型等伪造正常用户的面部信息骗取认证通过。因此，判断当前采集的用户图像是否是真人活体对人脸识别技术尤为重要。现有技术中的活体识别技术中通常是要求用户在进行人脸识别时做出特定动作，如眨眼、点头、张嘴等动作来证明用户是真实的活体。但是这种方式活体检测方式需要用户做出预定动作，不方便用户使用，并且容易被预先的录制的伪造视频等方式骗过，安全系数不高。

发明内容

为了克服现有技术中的上述不足，本申请的目的在于提供一种活体检测方法，所述方法包括：

采集待识别人脸图像，并识别所述待识别人脸图像上的多个面部特征；

采集所述多个面部特征所在位置的深度信息得到待识别深度信息帧；

根据连续时间段内采集到的多个所述待识别深度信息帧生成待识别变化向量矩阵；

将所述待识别变化向量矩阵输入预先训练的机器学习模型进行检测，得到活体检测结果。

可选地，在上述方法中，所述根据连续时间段内采集到的多帧所述深度信息生成变化向量序列的步骤，包括：

计算相邻两个深度信息帧中每个所述面部特征的深度信息之间差值，得到变化向量；

根据多个变化向量生成所述待识别变化向量矩阵。

可选地，在上述方法中，所述方法还包括：

采集多个连续时间段内真人的面部特征的深度信息并计算得到真人变化向量矩阵；

采集多个连续时间段内非真人面部特征的深度信息并计算得到非真人变化向量矩阵；

将所述真人变化向量矩阵及非真人变化向量矩阵输入机器学习模型进行训练，得到训练完成的所述机器学习模型。

可选地，在上述方法中，所述采集所述多个面部特征所在位置的深度信息得到深度信息帧的步骤，包括：

确定所述多个面部特征的在所述待识别人脸图像上的位置，通过深度传感器采集相应位置的深度信息，得到所述深度信息帧。

可选地，在上述方法中，所述通过深度传感器采集相应位置的深度信息，得到所述深度信息帧的步骤，包括：

针对每个所述面部特征，根据所述深度传感器的采集位置及采集到的深度值得到该面部特征对应三维向量；

根据同一时间点多个所述面部特征对应的三维向量生成所述深度信息帧。

本申请还提供一种活体检测装置，所述装置包括：

图像获取模块，用于获取待识别人脸图像，并识别所述待识别人脸图像上的多个面部特征；

深度信息获取模块，用于获取所述多个面部特征所在位置的深度信息得到待识别深度信息帧；

深度信息处理模块，用于根据连续时间段内获取到的多个所述待识别深度信息帧生成待识别变化向量矩阵；

活体识别模块，用于将所述待识别变化向量矩阵输入预先训练的机器学习模型进行检测，得到活体检测结果。

可选地，在上述装置中，所述深度信息处理模块具体用于计算相邻两个深度信息帧中每个所述面部特征的深度信息之间差值，得到变化向量；并根据多个变化向量生成所述待识别变化向量矩阵。

可选地，在上述装置中，所述装置还包括：

训练模块，用于获取多个连续时间段内真人的面部特征的深度信息并计算得到真人变化向量矩阵；获取多个连续时间段内非真人面部特征的深度信息并计算得到非真人变化向量矩阵；将所述真人变化向量矩阵及非真人变化向量矩阵输入机器学习模型进行训练，得到训练完成的所述机器学习模型。

可选地，在上述装置中，所述深度信息获取模块具体用于确定所述多个面部特征的在所述待识别人脸图像上的位置，通过深度传感器采集相应位置的深度信息，得到所述深度信息帧。

可选地，在上述装置中，所述深度信息获取模块具体用于针对每个所述面部特征，根据所述深度传感器的采集位置及采集到的深度值得到该面部特征对应三维向量；根据同一时间点多个所述面部特征对应的三维向量生成所述深度信息帧。

相对于现有技术而言，本申请具有以下有益效果：

本申请实施例提供的活体检测方法及装置，通过采集待识别人脸图像上多个面部特征的深度信息，结合机器学习模型进行活体检测。如此，可以有效地提高活体检测的准确性和鲁棒性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的数据处理设备的方框示意图之一；

图2为本申请实施例提供的数据处理设备的方框示意图之二；

图3为本申请实施例提供的活体检测方法的流程示意图；

图4为本申请实施例提供的活体检测装置的功能模块示意图。

图标：100-数据处理设备；110-活体检测装置；111-图像获取模块；112-深度信息获取模块；113-深度信息处理模块；114-活体识别模块；120-存储器；130-处理器；140-图像采集单元；150-深度传感器；160-接口单元。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

请参照图1，图1本实施例提供的数据处理设备100的方框示意图。所述数据处理设备100至少包括活体检测装置110、存储器120及处理器130。

所述存储器120及处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述活体检测装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述数据处理设备100的操作系统(operating system，OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块，例如所述活体检测装置110所包括的软件功能模块及计算机程序等。

其中，所述存储器120可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。

请再次参照图1，在本实施例的一种实施方式中，所述数据处理设备100可以通过接口单元160与外部的图像采集单元140及深度传感器150连接。所述图像采集单元140用于采集人脸图像信息，所述深度传感器150用于深度信息。

请参照图2，在本实施例的另一种实施方式中，所述图像采集单元140及深度传感器150也可以为所述数据处理设备100的一部分。

请参照图3，图3为应用于图1或图2所示的数据处理设备100的一种活体检测方法的流程图，以下将对所述方法包括各个步骤进行详细阐述。

步骤S110，获取待识别人脸图像，并识别所述待识别人脸图像上的多个面部特征。

在本实施例中，所述数据处理设备100可以先通过所述图像采集单元140获取待识别人脸图像。

在获取到所述待识别人脸图像后，对所述待识别人脸图像上的面部特征进行识别，例如，从所述待识别人脸图像上识别眼、口、鼻、脸颊等面部特征。

步骤S120，获取所述多个面部特征所在位置的深度信息得到待识别深度信息帧。

在本实施例中，所述数据处理设备100可以根据步骤S110中识别出的所述多个面部特征确定各面部特征的在所述待识别人脸图像上的位置。其中，所述面部特征的位置可以通过一个点表示，例如，某个面部特征的中心点。

然后通过深度传感器150采集相应位置的深度信息，得到所述深度信息帧。具体地，在本实施例中，所述数据处理设备100可以针对每个所述面部特征，根据所述深度传感器150的采集位置及采集到的深度值得到该面部特征对应三维向量。针对每个面部特征。接着，所述数据处理设备100可以根据同一时间点多个所述面部特征对应的三维向量生成该时间点对应的所述深度信息帧。

步骤S130，根据连续时间段内获取到的多个所述待识别深度信息帧生成待识别变化向量矩阵。

在一段连续的时间内，可以通过步骤S120获取到多个时序上连续的深度信息帧。然后在步骤S130中，对这些深度特征信息帧进行处理。

经发明人研究发现，由于每个人相貌不同，直接使用各面部特征对应的深度信息进行识别可能参考性不强。但是在面部活动过程中，不同人各面部特征活动变化趋势都是大体相同的，故在本实施例中，将同一面部特征的深度信息在时序上的变化特点作为进行活体检测的特征，可以使识别的泛化性更强。

具体地，所述数据处理设备100计算相邻两个深度信息帧中每个所述面部特征的深度信息之间差值，得到变化向量，其中，每个所述变化向量可以表征两个时间点之间各面部特征深度信息变化的趋势。

然后所述数据处理设备100根据多个变化向量生成所述待识别变化向量矩阵，如此，所述待识别变化向量矩阵可以反映在一端连续时间段内各面部特征的深度信息变化的趋势。

步骤S140，将所述待识别变化向量矩阵输入预先训练的机器学习模型进行检测，得到活体检测结果。

在本实施例中，还可以包括预先对所述机器学习模型进行训练的步骤。

在训练步骤中，获取多个连续时间段内真人的面部特征的深度信息并计算得到真人变化向量矩阵，并获取多个连续时间段内非真人面部特征的深度信息并计算得到非真人变化向量矩阵。

然后将所述真人变化向量矩阵及非真人变化向量矩阵输入机器学习模型进行训练，得到训练完成的所述机器学习模型。例如，可以将所述真人变化向量矩阵及非真人变化向量矩阵输入二分类模型进行机器学习训练，得到训练完成的机器学习模型。

通过上述训练可以使所述机器学习模型可以学习到真人和非真人的面部特征深度信息变化的趋势特定。

将步骤S130中获得的所述待识别变化向量矩阵输入训练完成后的所述机器学习模型后，所述机器学习模型可以根据所述待识别变化向量矩阵中各面部特征深度信息的变化趋势判断该待识别变化向量矩阵中是否真人活体的面部特征深度信息的变化趋势，进而得出所述待识别人脸图像所采集的是否是真人活体的面部图像。

基于上述设计，本实施例提供的活体检测方法，通过结合深度信息的变化趋势进行活体检测，在检测过程中可以不需要用户完成特定动作，提高了用户体验，并且采用结合深度信息的检测，提高了检测维度，使得检测的准确性和鲁棒性更高。

请参照图4，本实施例还提供一种活体检测装置110，所述装置包括图像获取模块111、深度信息获取模块112、深度信息处理模块113及活体识别模块114。

所述图像获取模块111用于获取待识别人脸图像，并识别所述待识别人脸图像上的多个面部特征。

本实施例中，所述图像获取模块111可用于执行图3所示的步骤S110，关于所述图像获取模块111的具体描述可参对所述步骤S110的描述。

所述深度信息获取模块112。用于获取所述多个面部特征所在位置的深度信息得到待识别深度信息帧。

本实施例中，所述深度信息获取模块112可用于执行图2所示的步骤S120，关于所述深度信息获取模块112的具体描述可参对所述步骤S120的描述。

所述深度信息处理模块113。用于根据连续时间段内获取到的多个所述待识别深度信息帧生成待识别变化向量矩阵。

本实施例中，所述深度信息处理模块113可用于执行图2所示的步骤S130，关于所述深度信息处理模块113的具体描述可参对所述步骤S130的描述。

活体识别模块114，用于将所述待识别变化向量矩阵输入预先训练的机器学习模型进行检测，得到活体检测结果。

本实施例中，所述活体识别模块114可用于执行图2所示的步骤S140，关于所述活体识别模块114的具体描述可参对所述步骤S140的描述。

可选地，在本实施例中，所述深度信息处理模块113具体用于计算相邻两个深度信息帧中每个所述面部特征的深度信息之间差值，得到变化向量；并根据多个变化向量生成所述待识别变化向量矩阵。

可选地，在本实施例中，所述装置还包括训练模块。

所述训练模块用于获取多个连续时间段内真人的面部特征的深度信息并计算得到真人变化向量矩阵；获取多个连续时间段内非真人面部特征的深度信息并计算得到非真人变化向量矩阵；将所述真人变化向量矩阵及非真人变化向量矩阵输入机器学习模型进行训练，得到训练完成的所述机器学习模型。

可选地，在本实施例中，所述深度信息获取模块112具体用于确定所述多个面部特征的在所述待识别人脸图像上的位置，通过深度传感器150采集相应位置的深度信息，得到所述深度信息帧。

可选地，在本实施例中，所述深度信息获取模块112具体用于针对每个所述面部特征，根据所述深度传感器150的采集位置及采集到的深度值得到该面部特征对应三维向量；根据同一时间点多个所述面部特征对应的三维向量生成所述深度信息帧。

综上所述，本申请实施例提供的活体检测方法及装置，通过采集待识别人脸图像上多个面部特征的深度信息，结合机器学习模型进行活体检测。如此，可以有效地提高活体检测的准确性和鲁棒性。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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、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。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

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，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (6)

1.一种活体检测方法，其特征在于，所述方法包括：

获取待识别人脸图像，并识别所述待识别人脸图像上的多个面部特征；

获取所述多个面部特征所在位置的深度信息得到待识别深度信息帧；

根据连续时间段内获取到的多个所述待识别深度信息帧生成待识别变化向量矩阵；

将所述待识别变化向量矩阵输入预先训练的机器学习模型进行检测，得到活体检测结果；

其中，所述方法还包括：

获取多个连续时间段内真人的面部特征的深度信息并计算得到真人变化向量矩阵；

获取多个连续时间段内非真人面部特征的深度信息并计算得到非真人变化向量矩阵；

将所述真人变化向量矩阵及非真人变化向量矩阵输入机器学习模型进行训练，得到训练完成的所述机器学习模型；

其中，所述根据连续时间段内获取到的多帧所述深度信息生成变化向量序列的步骤，包括：

计算相邻两个深度信息帧中每个所述面部特征的深度信息之间差值，得到变化向量；

根据多个变化向量生成所述待识别变化向量矩阵。

2.根据权利要求1所述的方法，其特征在于，所述获取所述多个面部特征所在位置的深度信息得到深度信息帧的步骤，包括：

确定所述多个面部特征的在所述待识别人脸图像上的位置，通过深度传感器采集相应位置的深度信息，得到所述深度信息帧。

3.根据权利要求2所述的方法，其特征在于，所述通过深度传感器获取相应位置的深度信息，得到所述深度信息帧的步骤，包括：

针对每个所述面部特征，根据所述深度传感器的采集位置及采集到的深度值得到该面部特征对应三维向量；

根据同一时间点多个所述面部特征对应的三维向量生成所述深度信息帧。

4.一种活体检测装置，其特征在于，所述装置包括：

图像获取模块，用于获取待识别人脸图像，并识别所述待识别人脸图像上的多个面部特征；

深度信息获取模块，用于获取所述多个面部特征所在位置的深度信息得到待识别深度信息帧；

深度信息处理模块，用于根据连续时间段内获取到的多个所述待识别深度信息帧生成待识别变化向量矩阵；

活体识别模块，用于将所述待识别变化向量矩阵输入预先训练的机器学习模型进行检测，得到活体检测结果；

其中，所述装置还包括：

训练模块，用于获取多个连续时间段内真人的面部特征的深度信息并计算得到真人变化向量矩阵；获取多个连续时间段内非真人面部特征的深度信息并计算得到非真人变化向量矩阵；将所述真人变化向量矩阵及非真人变化向量矩阵输入机器学习模型进行训练，得到训练完成的所述机器学习模型；

其中，所述深度信息处理模块具体用于计算相邻两个深度信息帧中每个所述面部特征的深度信息之间差值，得到变化向量；并根据多个变化向量生成所述待识别变化向量矩阵。

5.根据权利要求4所述的装置，其特征在于，所述深度信息获取模块具体用于确定所述多个面部特征的在所述待识别人脸图像上的位置，通过深度传感器采集相应位置的深度信息，得到所述深度信息帧。

6.根据权利要求5所述的装置，其特征在于，所述深度信息获取模块具体用于针对每个所述面部特征，根据所述深度传感器的采集位置及采集到的深度值得到该面部特征对应三维向量；根据同一时间点多个所述面部特征对应的三维向量生成所述深度信息帧。

Images