CN112329572B - 一种基于边框和闪光点的快速静态活体检测方法及装置 - Google Patents

一种基于边框和闪光点的快速静态活体检测方法及装置 Download PDF

Info

Publication number
CN112329572B
CN112329572B CN202011162202.8A CN202011162202A CN112329572B CN 112329572 B CN112329572 B CN 112329572B CN 202011162202 A CN202011162202 A CN 202011162202A CN 112329572 B CN112329572 B CN 112329572B
Authority
CN
China
Prior art keywords
image
contour
area
detected
frame
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.)
Active
Application number
CN202011162202.8A
Other languages
English (en)
Other versions
CN112329572A (zh
Inventor
徐强
李凌
宋凯旋
喻辉
陈宇桥
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.)
Suzhou Zhongkehuaying Health Technology Co ltd
Suzhou Zhongke Advanced Technology Research Institute Co Ltd
Original Assignee
Suzhou Zhongkehuaying Health Technology Co ltd
Suzhou Zhongke Advanced Technology Research Institute 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 Suzhou Zhongkehuaying Health Technology Co ltd, Suzhou Zhongke Advanced Technology Research Institute Co Ltd filed Critical Suzhou Zhongkehuaying Health Technology Co ltd
Priority to CN202011162202.8A priority Critical patent/CN112329572B/zh
Publication of CN112329572A publication Critical patent/CN112329572A/zh
Application granted granted Critical
Publication of CN112329572B publication Critical patent/CN112329572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像识别技术领域，具体涉及一种基于边框和闪光点的快速静态活体检测方法及装置。该方法及装置通过对待检测图像进行边缘提取操作，得到提取出的边缘图像；对边缘图像进行边框检测，得到第一检测结果；若第一检测结果为检测到边框，则将待检测图像中的物体作为非活体；若第一检测结果为未检测到边框，则对未检测到边框的待检测图像进行闪光点轮廓检测，得到第二检测结果；若第二检测结果为未检测到闪光点，则将待检测图像中的物体确定为活体；若第二检测结果为检测到闪光点，则将闪光点对应的物体确定为活体，本发明基于边框和闪光点的快速静态活体检测方法及装置能够提高识别活体的效率。

Description

一种基于边框和闪光点的快速静态活体检测方法及装置
技术领域
本发明涉及图像识别技术领域，具体而言，涉及一种基于边框和闪光点的快速静态活体检测方法及装置。
背景技术
随着现代图像处理技术的发展，图像修改空间也在提高，人们在日常各种业务办理时越来越被要求图像数据的真实性，而目前现有的活体检测技术大多针对人体，且对参与活体检测的人员要求配合度高，例如眨眼，点头，读验证码等，需要经过一系列繁复的交互式的活体检测方式才能使得活体检测的准确率较高，在检测过程中还是会对一些比较明显的非活体图像进行繁复的检测，使用复杂度高，耗时长，检测效率低。
发明内容
本发明实施例提供了一种基于边框和闪光点的快速静态活体检测方法及装置，以至少解决传统活体识别技术方式识别效率不高的技术问题。
根据本发明的一实施例，提供了一种基于边框和闪光点的快速静态活体检测方法，包括以下步骤：
对待检测图像进行边缘提取操作，得到提取出的边缘图像；
对边缘图像进行边框检测，得到第一检测结果；
若第一检测结果为检测到边框，则将待检测图像中的物体作为非活体；
若第一检测结果为未检测到边框，则对未检测到边框的待检测图像进行闪光点轮廓检测，得到第二检测结果；
若第二检测结果为未检测到闪光点，则将待检测图像中的物体确定为活体；
若第二检测结果为检测到闪光点，则将闪光点对应的物体确定为活体。
进一步地，若第一检测结果为未检测到边框，则对未检测到边框的待检测图像进行闪光点轮廓检测，得到第二检测结果的步骤包括：
对待检测图像进行高亮区域分割操作，得到分割后的二值化图像；
对二值化图像进行轮廓提取，得到图像轮廓；
对图像轮廓进行闪光点轮廓筛选操作，得到的筛选后的第二检测结果。
进一步地，对图像轮廓进行闪光点轮廓筛选操作的步骤具体包括：
对图像轮廓进行面积计算，得到图像轮廓的轮廓面积；
将满足预设的面积条件的轮廓面积对应的图像轮廓，作为第一轮廓；
对第一轮廓进行最小外接圆面积以及最小外接椭圆面积的计算，得到第一轮廓分别对应的最小外接圆面积以及最小外接椭圆面积；
将满足预设的椭圆比较条件的最小外接椭圆面积对应的第一轮廓，作为基础轮廓；
针对每个基础轮廓，计算基础轮廓对应的最小外接椭圆面积与最小外接圆面积之间的第一面积比，计算基础轮廓对应的轮廓面积与最小外接椭圆面积之间的第二面积比，以及计算基础轮廓对应的轮廓面积与最小外接圆面积之间的第三面积比；
将满足预设的面积比条件的第一面积比、第二面积比以及第三面积比对应的基础轮廓，作为目标轮廓。
进一步地，对待检测图像进行边缘提取操作，得到提取出的边缘图像的步骤包括：
对待检测图像采用canny算子进行边缘提取操作，得到提取出的边缘图像。
进一步地，对边缘图像进行边框检测，得到第一检测结果的步骤包括：
对边缘图像进行滤波操作，得到滤波后的边缘滤波图像；
对边缘滤波图像进行直线检测处理，得到处理后的第一检测结果。
根据本发明的另一实施例，提供了一种基于边框和闪光点的快速静态活体检测装置，包括：
边缘提取模块，用于对待检测图像进行边缘提取操作，得到提取出的边缘图像；
边框检测模块，用于对边缘图像进行边框检测，得到第一检测结果；
非活体确定模块，用于若第一检测结果为检测到边框，则将待检测图像中的物体作为非活体；
闪光点检测模块，用于若第一检测结果为未检测到边框，则对未检测到边框的待检测图像进行闪光点轮廓检测，得到第二检测结果；
第一活体确定模块，用于若第二检测结果为未检测到闪光点，则将待检测图像中的物体确定为活体；
第二活体确定模块，用于若第二检测结果为检测到闪光点，则将闪光点对应的物体确定为活体。
进一步地，闪光点检测模块包括：
分割操作单元，用于对待检测图像进行高亮区域分割操作，得到分割后的二值化图像；
轮廓提取单元，用于对二值化图像进行轮廓提取，得到图像轮廓；
轮廓筛选单元，用于对图像轮廓进行闪光点轮廓筛选操作，得到的筛选后的第二检测结果。
进一步地，轮廓筛选单元包括：
轮廓面积计算子单元，用于对图像轮廓进行面积计算，得到图像轮廓的轮廓面积；
第一轮廓获取子单元，用于将满足预设的面积条件的轮廓面积对应的图像轮廓，作为第一轮廓；
最小面积计算子单元，用于对第一轮廓进行最小外接圆面积以及最小外接椭圆面积的计算，得到第一轮廓分别对应的最小外接圆面积以及最小外接椭圆面积；
基础轮廓获取子单元，用于将满足预设的椭圆比较条件的最小外接椭圆面积对应的第一轮廓，作为基础轮廓；
面积比计算子单元，用于针对每个基础轮廓，计算基础轮廓对应的最小外接椭圆面积与最小外接圆面积之间的第一面积比，计算基础轮廓对应的轮廓面积与最小外接椭圆面积之间的第二面积比，以及计算基础轮廓对应的轮廓面积与最小外接圆面积之间的第三面积比；
目标轮廓获取子单元，将满足预设的面积比条件的第一面积比、第二面积比以及第三面积比对应的基础轮廓作为目标轮廓，并将目标轮廓作为闪光点。
进一步地，边缘提取模块包括：
对待检测图像采用canny算子进行边缘提取操作，得到提取出的边缘图像。
进一步地，边框检测模块包括：
边缘滤波单元，用于对边缘图像进行滤波操作，得到滤波后的边缘滤波图像；
直线检测单元，用于对边缘滤波图像进行直线检测处理，得到处理后的第一检测结果。
本发明实施例中的基于边框和闪光点的快速静态活体检测方法及装置，通过对待检测图像进行边缘提取操作来获取边缘图像，能够有效剔除图像中的无关信息，并保留图像中重要的结构属性，实现对图像边缘的准确定位；再通过对边缘图像进行边框检测，当检测到边框时，则待检测图像中的物体作为非活体，实现对非活体的快速识别；然后，当未检测到边框时，则对未检测到边框的待检测图像进行闪光点轮廓检测，进而若未检测到闪光点，则将待检测图像中的物体确定为活体；若检测到闪光点，则将闪光点对应的物体确定为活体，能够实现对图像中的活体的快速准确的识别，本发明基于边框和闪光点的快速静态活体检测方法及装置能够提高识别活体的效率，以及准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于边框和闪光点的快速静态活体检测方法的流程图；
图2为本发明基于边框和闪光点的快速静态活体检测方法的闪光点检测的流程图；
图3为本发明基于边框和闪光点的快速静态活体检测方法的闪光点轮廓筛选的流程图；
图4为本发明基于边框和闪光点的快速静态活体检测方法的边框检测的流程图；
图5为本发明基于边框和闪光点的快速静态活体检测装置的模块图；
图6为本发明基于边框和闪光点的快速静态活体检测装置的闪光点检测的模块图；
图7为本发明基于边框和闪光点的快速静态活体检测装置的闪光点轮廓筛选的模块图；
图8为本发明基于边框和闪光点的快速静态活体检测装置的边框检测的模块图。
具体实施方式
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。
需要说明的是，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”等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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
实施例1
根据本发明一实施例，提供了一种基于边框和闪光点的快速静态活体检测方法，参见图1，包括以下步骤：
S1：对待检测图像进行边缘提取操作，得到提取出的边缘图像。
在本实施例中，边缘提取操作是用于通过图像中的属性的重要事件和变化来反映待检测图像属性中的显著变化，例如深度上的不连续、表面方向不连续、物质属性变化或场景照明变化等，可以理解为是用于标识待检测图像中亮度变化明显的点，以有效剔除图像中的无关信息，并保留图像中重要的结构属性，实现对图像亮度变化明显的点的准确定位，即实现图像边缘的准确定位。
具体地，本实施例对待检测图像进行边缘提取操作具体可以是通过采用多级边缘检测算法，如canny算子，或者是通过寻找图像一阶导数中的最大和最小值来检测边缘，通常是将边缘定位在梯度最大的方向，或者基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边缘，通常是Laplacian过零点或者非线性差分表示的过零点，还可以采用其他算法进行边缘提取，此处不作具体限制，在经过边缘提取操作后，能够有效剔除待检测图像中的无关信息，并保留待检测图像中重要的结构属性，实现对待检测图像亮度变化明显的点的准确定位，即实现图像边缘的准确定位，并将图像边缘的准确定位后生成的图像作为该边缘图像，以供后续对该边缘图像进行进一步地活体检测，能够在一定程度上提高对图像中的活体识别的效率以及准确率。
S2：对边缘图像进行边框检测，得到第一检测结果。
在本实施例中，为了能够保证检测边缘图像中的活体的效率以及准确率，本实施例通过对边缘图像进行边框检测，以边框为指标初步筛选边缘图像中的活体以及非活体。
其中，边框检测是用于对边缘图像进行平滑噪声以及特征提取等处理，以保护边缘信息，以及准确识别图像中的几何形状，并将符合边框指标的几何形状用来定义图像中的非活体，从而实现对边缘图像中的非活体以及活体的准确定位，其中，检测到的边框具体可以为显示器、手机边框等，非活体如翻拍图像。
具体地，本实施例通对边缘图像进行边框检测具体可以通过先对边缘图像进行去噪声处理，并对处理后的图像进行特征提取，进而识别提取出的特征对应的几何形状，然后，判断获取到的几何形状是否符合预设的边框条件，以获取第一检测结果，该获取第一检测结果具体可以包括若几何形状符合预设的边框条件，即可以理解为检测到边框，则将这些几何形状作为检测到的边框；若几何形状不符合预设的边框条件，即可以理解为未检测到边框，这些几何形状不能作为边框，以供后续能够以边框为指标来快速筛选出边缘图像中的活体以及非活体。
S21：若第一检测结果为检测到边框，则将待检测图像中的物体作为非活体。
具体地，根据步骤S2中本实施例通过判断获取到的几何形状是否符合预设的边框条件来获取第一检测结果，当几何形状符合预设的边框条件，即可以理解为第一检测结果为检测到边框，则可以将图像中这些几何形状作为检测到的边框，然后，通过将符合边框指标的几何形状用来定义图像中的非活体，即可以将检测出的边框对应的物体作为图像中的非活体，从而实现对边缘图像中的非活体的准确定位。
S22：若第一检测结果为未检测到边框，则对未检测到边框的待检测图像进行闪光点轮廓检测，得到第二检测结果。
在本实施例中，根据步骤S2中本实施例通过判断获取到的几何形状是否符合预设的边框条件来获取第一检测结果，当几何形状不符合预设的边框条件，即可以理解为第一检测结果为未检测到边框，则不能将图像中这些几何形状作为检测到的边框，然后，通过将符合边框指标的几何形状用来定义图像中的非活体，即图像中为检测到非活体。
进一步地，为了能够保证检测待检测图像中的活体的效率以及准确率，本实施例通过对未检测到边框的待检测图像进行闪光点轮廓检测，而轮廓是图像中非常重要的一个特征信息，通过对图像进行闪光点轮廓的操作，能够获取目标的大小、位置、方向等信息，即可以将闪光点定义为图像中的非活体，则其他轮廓可以定义为活体，因此本实施例可以通过采用闪光点为指标快速准确地筛选边缘图像中的活体以及非活体。
具体地，本实施例对未检测到边框的待检测图像进行闪光点轮廓检测具体可以是采用例如findContours()函数结合drawContours()函数的算法，或者采用形态学开运算以及腐蚀运算等算法来对待检测图像进行轮廓特征提取，进而根据提取出的轮廓特征进行轮廓绘制，以获取图像中的图像轮廓，然后，对这些图像轮廓案按照预设的筛选条件进行轮廓筛选，进一步地，判断筛选出的轮廓是否符合预设的闪光点条件，若轮廓不符合闪光点条件，即筛选出的轮廓不能作为闪光点，则检测结果为未检测到闪光点；若轮廓符合闪光点条件，即筛选出的轮廓可以作为闪光点，则检测结果为检测到闪光点，其中，闪光点如屏幕反光等。
S221：若第二检测结果为未检测到闪光点，则将待检测图像中的物体确定为活体。
具体地，根据步骤S22中本实施例通过判断筛选出的轮廓是否符合预设的闪光点条件来获取第二检测结果，当轮廓不符合闪光点条件，可以理解为即筛选出的轮廓不能作为闪光点，即检测结果为未检测到闪光点，则根据对闪光点的定义，可以将待检测图像中的物体确定为检测到的活体，从而实现对边缘图像中的活体的准确定位。
S222：若第二检测结果为检测到闪光点，则将闪光点对应的物体确定为活体。
具体地，根据步骤S22中本实施例通过判断筛选出的轮廓是否符合预设的闪光点条件来获取第二检测结果，当轮廓符合闪光点条件，可以理解为即筛选出的轮廓可以作为闪光点，即检测结果为检测到闪光点，则根据对闪光点的定义，可以将筛选出的轮廓确定为检测到的非活体，并可以将闪光点对应的物体确定为图像中的活体，从而实现对边缘图像中的活体以及非活体的准确定位。
本发明实施例中的基于边框和闪光点的快速静态活体检测方法，通过对待检测图像进行边缘提取操作来获取边缘图像，能够有效剔除图像中的无关信息，并保留图像中重要的结构属性，实现对图像边缘的准确定位；再通过对边缘图像进行边框检测，当检测到边框时，则将待检测图像中的物体作为非活体，实现对非活体的快速识别；然后，当未检测到边框时，则对未检测到边框的待检测图像进行闪光点轮廓检测，进而若未检测到闪光点，则将待检测图像中的物体确定为活体；若检测到闪光点，则将闪光点对应的物体定为活体，能够实现对图像中的活体的快速准确的识别，本发明基于边框和闪光点的快速静态活体检测方法能够提高识别活体的效率，以及准确率；本发明计算复杂度低，简便实用，成本低。
需要说明的是，本发明实施例中的基于边框和闪光点的快速静态活体检测方法，在使用的过程中，不需要其他辅助设备，如红外仪，深度相机等设备，能够实现节省成本。
作为优选的技术方案中，参见图2，步骤S22若第一检测结果为未检测到边框，则对未检测到边框的边缘图像对应的待检测图像进行闪光点轮廓检测，得到第二检测结果的步骤包括：
S201：对待检测图像进行高亮区域分割操作，得到分割后的二值化图像。
在本实施例中，对待检测图像进行高亮区域分割操作，是用于将待检测图像中的高亮区域进行前景和背景的分离，以避免因背景干扰而降低闪光点检测的准确率，从而保证后续能够快速准确地获取到的图像中的活体。
具体地，本实施例对待检测图像进行高亮区域分割处理，具体可以是采用训练好的区域分割模型、基于概率统计的分割方法或阈值分割法，还可以是其他分割方法，此处不作具体限制，使得待检测图像进行高亮区域前景以及灰暗区域背景的分离，能够避免因灰暗区域背景干扰而降低对闪光点检测的准确率，从而保证后续能够快速准确地获取到的图像中的活体。
进一步地，为了能够在一定程度上提高识别图像中的活体的效率，本实施例通过采用计算简单、运算效率较高、速度快的阈值分割法来对对待检测图像进行高亮区域分割操作，具体可以是通过采用最大类间阈值(OTSU)，其中，最大类间阈值是可以理解是通过计算能够使一张有色彩的图像过度为黑白的二值化图像的一个临界值，即最大类间阈值，以实现将待检测图像中的高亮区域的前景以及灰暗区域的背景进行准确分离。
具体地，本实施例通过采用统计学、最大类间方差计算出能够用于较为精确地分割待检测图像中的高亮区域的前景以及灰暗区域的背景的一个临界值，即最大类间阈值，然后，通过该最大类间阈值对待检测图像中的高亮区域的前景以及灰暗区域的背景进行准确分离，以实现有色彩的待检测图像转化为高亮区域的前景以及灰暗区域的背景分离的黑白的二值化图像。
S202：对二值化图像进行轮廓提取，得到图像轮廓。
具体地，为了能够快速准确地提取出图像中的轮廓，本实施例通过对二值化图像进行形态学的开运算计算，再进行形态学的腐蚀运算的膨胀，然后对经过形态学处理后的图像采用bwperim()函数进行轮廓提取，能够快速准确地获取二值化图像中的图像轮廓。
S203：对图像轮廓进行闪光点轮廓筛选操作，得到的筛选后的第二检测结果。
在本实施例中，为了能够保证检测待检测图像中的活体的效率以及准确率，本实施例通过对获取到的图像轮廓案按照预设的筛选条件进行闪光点轮廓筛选操作。
具体地，对图像轮廓进行闪光点轮廓筛选操作具体可以是判断筛选出的轮廓是否符合预设的闪光点条件，若轮廓不符合闪光点条件，即筛选出的轮廓不能作为闪光点，则第二检测结果为未检测到闪光点；若轮廓符合闪光点条件，即筛选出的轮廓可以作为闪光点，则第二检测结果为检测到闪光点。
作为优选的技术方案中，参见图3，对图像轮廓进行闪光点轮廓筛选操作的步骤具体包括：
S301：对图像轮廓进行面积计算，得到图像轮廓的轮廓面积。
在本实施例中，轮廓面积是在图像中所谓周长、面积等不是物体真实的周长面积，图像中的周长、面积都是以像素点为单位，周长就是轮廓点集合的个数，通常以1像素点为步长，面积就是轮廓所围的所有像素点个数，能够通过这些轮廓信息来直观反映图像中的活体以及非活体，从而保证后续能够快速准确地获取到的图像中的活体。
具体地，本实施例对图像轮廓进行面积计算具体可以是通过获取每个图像轮廓中包含多少个元素，其中，该元素为点，然后根据获取到的元素通过调用cvArcLength()函数进行计算，能够得到每个图像轮廓的周长，同时，还可以调用ContourArea()函数进行计算以得到每个图像轮廓的轮廓面积，以使后续能够进一步对该轮廓面积进行筛选分析，以保证能够快速准确地获取到的图像中的活体以及非活体。
S302：将满足预设的面积条件的轮廓面积对应的图像轮廓，作为第一轮廓。
在本实施例中，面积条件是用于衡量轮廓面积是否达到能够判断该轮廓面积对应的轮廓为闪光点的轮廓的初步标准，是能够保证对闪光点的准确获取，具体可以根据实际应用需求进行设置，此处不作具体限制。
具体地，假设面积条件为轮廓面积是否大于预设的面积阈值，则判断轮廓面积是否符合预设的面积条件，即将在步骤S301中获取到的轮廓面积与预设的面积阈值进行比较，从而判定轮廓面积是否符合预设的面积条件。
进一步地，根据轮廓面积与预设的面积阈值进行比较的比较结果，当结果为轮廓面积小于或等于预设的面积阈值，即轮廓面积不符合预设的面积条件，可以理解为轮廓面积对应的轮廓不满足对闪光点的初步筛选。
进一步地，根据轮廓面积与预设的面积阈值进行比较的比较结果，当结果为轮廓面积大于预设的面积阈值，即轮廓面积符合预设的面积条件，可以理解为轮廓面积对应的轮廓满足对闪光点的初步筛选，则可以将该满足预设的面积条件的轮廓面积对应的图像轮廓作为第一轮廓，以供后续对该第一轮廓进行进一步地筛选而准确获取闪光点，从而能够快速准确地获取到的图像中的活体以及非活体。
S303：对第一轮廓进行最小外接圆面积以及最小外接椭圆面积的计算，得到第一轮廓分别对应的最小外接圆面积以及最小外接椭圆面积。
在本实施例中，通过获取第一轮廓分别对应的最小外接圆面积以及最小外接椭圆面积，能够对不规则的第一轮廓进行进一步地轮廓精确提取，以实现对闪光点的进一步筛选。
具体地，本实施例对第一轮廓进行最小外接圆面积以及最小外接椭圆面积的计算，具体可以是通过获取到的每个第一轮廓中包含多少个元素，每个第一轮廓的周长，以及每个第一轮廓的轮廓面积，并使用minEnclosingCircle方法求取每个第一轮廓的最小外接圆面积，以及获取该最小外接圆的圆心和半径的信息，并在图像中的第一轮廓上绘制该最小外接圆；同时，还可以使用fitEllipse方法求每个第一轮廓的最小外接椭圆面积，以及获取该最小外接椭圆的长轴和短轴的信息，并在图像中的第一轮廓上绘制该最小外接椭圆。
S304：将满足预设的椭圆比较条件的最小外接椭圆面积对应的第一轮廓，作为基础轮廓。
在本实施例中，椭圆比较条件是用于衡量最小外接椭圆面积是否达到能够判断该最小外接椭圆面积对应的第一轮廓为闪光点的轮廓的进一步标准，是能够保证对闪光点的准确获取，具体可以根据实际应用需求进行设置，此处不作具体限制。
具体地，假设椭圆比较条件为最小外接椭圆面积中的长轴与短轴之间的比值是否大于预设的轴比阈值，则判断最小外接椭圆面积是否符合预设的椭圆比较条件，即将在步骤S303中获取到的最小外接椭圆面积中的长轴与短轴之间的比值与预设的轴比阈值进行比较，从而判定最小外接椭圆面积是否符合预设的椭圆比较条件。
进一步地，根据最小外接椭圆面积中的长轴与短轴之间的比值与预设的轴比阈值进行比较的比较结果，当结果为最小外接椭圆面积中的长轴与短轴之间的比值小于或等于预设的轴比阈值，即最小外接椭圆面积不符合预设的椭圆比较条件，可以理解为最小外接椭圆面积对应的第一轮廓不满足对闪光点的进一步筛选。
进一步地，根据最小外接椭圆面积中的长轴与短轴之间的比值与预设的轴比阈值进行比较的比较结果，当结果为最小外接椭圆面积中的长轴与短轴之间的比值大于预设的轴比阈值，即最小外接椭圆面积符合预设的椭圆比较条件，则可以将该满足预设的椭圆比较条件的最小外接椭圆面积对应的第一轮廓作为基础轮廓，以供后续对该基础轮廓进行进一步地筛选而准确获取闪光点，从而能够快速准确地获取到的图像中的活体以及非活体。
S305：针对每个基础轮廓，计算基础轮廓对应的最小外接椭圆面积与最小外接圆面积之间的第一面积比，计算基础轮廓对应的轮廓面积与最小外接椭圆面积之间的第二面积比，以及计算基础轮廓对应的轮廓面积与最小外接圆面积之间的第三面积比。
在本实施例中，通过获取基础轮廓对应的最小外接椭圆面积与最小外接圆面积之间的第一面积比，基础轮廓对应的轮廓面积与最小外接椭圆面积之间的第二面积比，以及计算基础轮廓对应的轮廓面积与最小外接圆面积之间的第三面积比，能够对不规则的基础轮廓进行进一步地轮廓精确提取，以实现对闪光点的目标筛选。
具体地，针对每个基础轮廓，本实施例计算基础轮廓对应的最小外接椭圆面积与最小外接圆面积之间的第一面积比，计算基础轮廓对应的轮廓面积与最小外接椭圆面积之间的第二面积比，以及计算基础轮廓对应的轮廓面积与最小外接圆面积之间的第三面积比，具体可以是根据面积比表达式进行计算该第一面积比、第二面积比以及第三面积比，表达式如下：
Figure GDA0003666071100000161
Figure GDA0003666071100000162
Figure GDA0003666071100000163
S306：将满足预设的面积比条件的第一面积比、第二面积比以及第三面积比对应的基础轮廓，作为目标轮廓。
在本实施例中，面积比条件是用于衡量第一面积比、第二面积比以及第三面积比是否达到能够判断该第一面积比、第二面积比以及第三面积比对应的基础轮廓为闪光点的轮廓的目标标准，是能够保证对闪光点的准确获取，具体可以根据实际应用需求进行设置，此处不作具体限制。
具体地，假设面积比条件为第一面积比是否大于预设的第一面积比阈值、第二面积比是否大于预设的第二面积比阈值，以及第三面积比是否大于预设的第三面积比阈值，则判断基础轮廓是否符合预设的面积比条件，即将在步骤S305中获取到的第一面积比、第二面积比以及第三面积比分别与预设的第一面积比阈值、第二面积比阈值以及第三面积比阈值进行比较，从而判定基础轮廓是否符合预设的面积比条件。
进一步地，根据第一面积比、第二面积比以及第三面积比分别与预设的第一面积比阈值、第二面积比阈值以及第三面积比阈值进行比较的比较结果，当结果为第一面积比小于或等于预设的第一面积比阈值，第二面积比小于或等于预设的第二面积比阈值，或第三面积比小于或等于预设的第三面积比阈值，满足三个条件中的任意一个，即第一面积比、第二面积比以及第三面积比不符合预设的面积比条件，可以理解为第一面积比、第二面积比以及第三面积比对应的基础轮廓不满足对闪光点的目标筛选，则根据对闪光点的定义，可以确认该基础轮廓为图像中的活体，从而实现对图像中的活体的准确识别。
进一步地，根据第一面积比、第二面积比以及第三面积比分别与预设的第一面积比阈值、第二面积比阈值以及第三面积比阈值进行比较的比较结果，当结果为第一面积比大于预设的第一面积比阈值，第二面积比大于预设的第二面积比阈值，以及第三面积比大于预设的第三面积比阈值，三个条件中均满足，即第一面积比、第二面积比以及第三面积比符合预设的面积比条件，可以理解为第一面积比、第二面积比以及第三面积比对应的基础轮廓满足对闪光点的目标筛选，则可以将该满足预设的面积条件的轮廓面积对应的图像轮廓作为目标轮廓，即该目标轮廓为闪光点，实现了对闪光点的准确获取，从而能够将该闪光点确认为图像中的非活体，同时将除该闪光点以外的提取到的其他轮廓作为图像中的活体，能够快速准确地获取到的图像中的活体以及非活体。
作为优选的技术方案中，对待检测图像进行边缘提取操作，得到提取出的边缘图像的步骤包括：
对待检测图像采用canny算子进行边缘提取操作，得到提取出的边缘图像。
在本实施例中，canny算子是John F.Canny于1986年开发出来的一个多级边缘检测算法，其不仅具备低错误率，可以在图像中标识出尽可能多的实际边缘，同时尽可能的减少噪声产生的误报；还具备高定位性，可以使得标识出的边缘与图像中的实际边缘尽可能接近；还具备最小响应，对图像中的边缘只能标识一次，因此，本实施例对待检测图像采用canny算子进行边缘提取操作，以获取标识出的边缘与图像中的实际边缘尽可能接近的边缘图像。
具体地，本实施例对待检测图像采用canny算子进行边缘提取操作，先通过对待检测图像采用使用高斯平滑滤波器卷积降噪进行消除噪声处理，进而对处理后的图像采用Sobel滤波器进行梯度幅值和方向的计算，然后，再对经过Sobel滤波器处理的图像进行非极大值抑制，能够排除非边缘像素，同时仅仅保留了一些细线条，如候选边缘，进一步地，对经过非极大值抑制处理后的图像进行滞后阈值的计算，以输出边缘清晰的边缘图像，其中，滞后阈值通过需要两个阈值，即高阈值以及低阈值。
需要说明的是，如果某一像素位置的幅值超过高阈值,则该像素被保留为边缘像素；如果某一像素位置的幅值小于低阈值,则该像素被排除；如果某一像素位置的幅值在两个阈值之间,则该像素仅仅在连接到一个高于高阈值的像素时被保留，其中，高低阈值比一般是在2:1到3:1之间。
作为优选的技术方案中，参见图4，步骤S2对边缘图像进行边框检测，得到第一检测结果的步骤包括：
S401：对边缘图像进行滤波操作，得到滤波后的边缘滤波图像。
在本实施例中，为了减少因图像中的噪声的干扰，而导致对活体的检测效率以及准确率的降低，本实施例通过对边缘图像进行滤波操作，以获取噪声平滑的边缘滤波图像。
具体地，本实施例通过采用中值滤波对边缘图像进行滤波操作，先通过从图像中的某个采样窗口取出奇数个数据进行排序，然后，用排序后的中值取代要处理的误差较大的数据，能够消除或平滑边缘图像中的噪声，以输出噪声平滑的边缘滤波图像。
其中，中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，而且，中值滤波对噪声有良好的滤除作用，特别是在滤除噪声的同时还能够保护图像的边缘，使之不被模糊，此外，中值滤波的算法计算复杂度低，能够在一定程度上提高对图像中的活体进行识别的效率。
S402：对边缘滤波图像进行直线检测处理，得到处理后的第一检测结果。
在本实施例中，为了实现对图像中的不规则形状的准确识别，从而准确获取图像中的边框，对边缘滤波图像进行直线检测处理，来准确识别图像中的边框。
具体地，本实施例对边缘滤波图像进行直线检测处理，具体可以是采用霍夫变换(Hough Transform)算法对边缘滤波图像进行直接检测，先获取边缘滤波图像的边缘信息；进而对边缘滤波图像中的每一个点，在k-b空间中画出一条直线；然后，对各直线上的点，采取“投票”(vote)的方法进行点的数值计算，即累加，当有直线经过这一点，对这一点的值进行加1；再遍历k-b空间，找出局部极大值点，并将这些点的坐标(k，b)作为图像中可能的直线的斜率和截距，以准确标识图像中的边框。
其中，霍夫变换算法是图像处理中的一种特征提取技术，应用于识别图像中的几何形状；它将图像空间中的特征点映射到参数空间进行投票，通过检测累计结果的局部极值点得到一个符合某特定形状的点的集合，霍夫变换算法的抗噪声、抗形变能力较强，以实现对图像中的边框的准确识别，在一定程度上提高对图像中的活体识别的效率以及准确率。
实施例2
根据本发明的另一实施例，提供了一种基于边框和闪光点的快速静态活体检测装置，参见图5，包括：
边缘提取模块51，用于对待检测图像进行边缘提取操作，得到提取出的边缘图像；
在本实施例中，边缘提取操作是用于通过图像中的属性的重要事件和变化来反映待检测图像属性中的显著变化，例如深度上的不连续、表面方向不连续、物质属性变化或场景照明变化等，可以理解为是用于标识待检测图像中亮度变化明显的点，以有效剔除图像中的无关信息，并保留图像中重要的结构属性，实现对图像亮度变化明显的点的准确定位，即实现图像边缘的准确定位。
具体地，本实施例对待检测图像进行边缘提取操作具体可以是通过采用多级边缘检测算法，如canny算子，或者是通过寻找图像一阶导数中的最大和最小值来检测边缘，通常是将边缘定位在梯度最大的方向，或者基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边缘，通常是Laplacian过零点或者非线性差分表示的过零点，还可以采用其他算法进行边缘提取，此处不作具体限制，在经过边缘提取操作后，能够有效剔除待检测图像中的无关信息，并保留待检测图像中重要的结构属性，实现对待检测图像亮度变化明显的点的准确定位，即实现图像边缘的准确定位，并将图像边缘的准确定位后生成的图像作为该边缘图像，以供后续对该边缘图像进行进一步地活体检测，能够在一定程度上提高对图像中的活体识别的效率以及准确率。
边框检测模块52，用于对边缘图像进行边框检测，得到第一检测结果；
在本实施例中，为了能够保证检测边缘图像中的活体的效率以及准确率，本实施例通过对边缘图像进行边框检测，以边框为指标初步筛选边缘图像中的活体以及非活体。
其中，边框检测是用于对边缘图像进行平滑噪声以及特征提取等处理，以保护边缘信息，以及准确识别图像中的几何形状，并将符合边框指标的几何形状用来定义图像中的非活体，从而实现对边缘图像中的非活体以及活体的准确定位，其中，检测到的边框具体可以为显示器、手机边框等，非活体如翻拍图像。
具体地，本实施例通对边缘图像进行边框检测具体可以通过先对边缘图像进行去噪声处理，并对处理后的图像进行特征提取，进而识别提取出的特征对应的几何形状，然后，判断获取到的几何形状是否符合预设的边框条件，以获取第一检测结果，该获取第一检测结果具体可以包括若几何形状符合预设的边框条件，即可以理解为检测到边框，则将这些几何形状作为检测到的边框；若几何形状不符合预设的边框条件，即可以理解为未检测到边框，这些几何形状不能作为边框，以供后续能够以边框为指标来快速筛选出边缘图像中的活体以及非活体。
非活体确定模块521，用于若第一检测结果为检测到边框，则将待检测图像中作为非活体；
具体地，根据边框检测模块52中本实施例通过判断获取到的几何形状是否符合预设的边框条件来获取第一检测结果，当几何形状符合预设的边框条件，即可以理解为第一检测结果为检测到边框，则可以将图像中这些几何形状作为检测到的边框，然后，通过将符合边框指标的几何形状用来定义图像中的非活体，即可以将检测出的边框对应的物体作为图像中的非活体，从而实现对边缘图像中的非活体的准确定位。
闪光点检测模块522，用于若第一检测结果为未检测到边框，则对未检测到边框的待检测图像进行闪光点轮廓检测，得到第二检测结果；
在本实施例中，根据边框检测模块52中本实施例通过判断获取到的几何形状是否符合预设的边框条件来获取第一检测结果，当几何形状不符合预设的边框条件，即可以理解为第一检测结果为未检测到边框，则不能将图像中这些几何形状作为检测到的边框，然后，通过将符合边框指标的几何形状用来定义图像中的非活体，即图像中为检测到非活体。
进一步地，为了能够保证检测待检测图像中的活体的效率以及准确率，本实施例通过对未检测到边框的待检测图像进行闪光点轮廓检测，而轮廓是图像中非常重要的一个特征信息，通过对图像进行闪光点轮廓的操作，能够获取目标的大小、位置、方向等信息，即可以将闪光点定义为图像中的非活体，则其他轮廓可以定义为活体，因此本实施例可以通过采用闪光点为指标快速准确地筛选边缘图像中的活体以及非活体。
具体地，本实施例对未检测到边框的待检测图像进行闪光点轮廓检测具体可以是采用例如findContours()函数结合drawContours()函数的算法，或者采用形态学开运算以及腐蚀运算等算法来对待检测图像进行轮廓特征提取，进而根据提取出的轮廓特征进行轮廓绘制，以获取图像中的图像轮廓，然后，对这些图像轮廓案按照预设的筛选条件进行轮廓筛选，进一步地，判断筛选出的轮廓是否符合预设的闪光点条件，若轮廓不符合闪光点条件，即筛选出的轮廓不能作为闪光点，则检测结果为未检测到闪光点；若轮廓符合闪光点条件，即筛选出的轮廓可以作为闪光点，则检测结果为检测到闪光点，其中，闪光点如屏幕反光等。
第一活体确定模块5221，用于若第二检测结果为未检测到闪光点，则将待检测图像中的物体确定为活体；
具体地，根据闪光点检测模块522中本实施例通过判断筛选出的轮廓是否符合预设的闪光点条件来获取第二检测结果，当轮廓不符合闪光点条件，可以理解为即筛选出的轮廓不能作为闪光点，即检测结果为未检测到闪光点，则根据对闪光点的定义，可以将待检测图像中的物体确定为检测到的活体，从而实现对边缘图像中的活体的准确定位。
第二活体确定模块5222，用于若第二检测结果为检测到闪光点，则将闪光点对应的物体确定为活体。
具体地，根据闪光点检测模块522中本实施例通过判断筛选出的轮廓是否符合预设的闪光点条件来获取第二检测结果，当轮廓符合闪光点条件，可以理解为即筛选出的轮廓可以作为闪光点，即检测结果为检测到闪光点，则根据对闪光点的定义，可以将筛选出的轮廓确定为检测到的非活体，并可以将闪光点对应的物体确定为图像中的活体，从而实现对边缘图像中的活体以及非活体的准确定位。
本发明实施例中的基于边框和闪光点的快速静态活体检测装置，通过对待检测图像进行边缘提取操作来获取边缘图像，能够有效剔除图像中的无关信息，并保留图像中重要的结构属性，实现对图像边缘的准确定位；再通过对边缘图像进行边框检测，当检测到边框时，则将待检测图像中的物体作为非活体，实现对非活体的快速识别；然后，当未检测到边框时，则对未检测到边框的待检测图像进行闪光点轮廓检测，进而若未检测到闪光点，则将待检测图像中的物体确定为活体；若检测到闪光点，则将闪光点对应的物体确定为活体，能够实现对图像中的活体的快速准确的识别，本发明基于边框和闪光点的快速静态活体检测方法及装置能够提高识别活体的效率，以及准确率；本发明计算复杂度低，简便实用，成本低。
需要说明的是，本发明实施例中的基于边框和闪光点的快速静态活体检测装置，在使用的过程中，不需要其他辅助设备，如红外仪，深度相机等设备，能够实现节省成本。
作为优选的技术方案中，参见图6，闪光点检测模块522包括：
分割操作单元601，用于对待检测图像进行高亮区域分割操作，得到分割后的二值化图像；
在本实施例中，对待检测图像进行高亮区域分割操作，是用于将待检测图像中的高亮区域进行前景和背景的分离，以避免因背景干扰而降低闪光点检测的准确率，从而保证后续能够快速准确地获取到的图像中的活体。
具体地，本实施例对待检测图像进行高亮区域分割处理，具体可以是采用训练好的区域分割模型、基于概率统计的分割方法或阈值分割法，还可以是其他分割方法，此处不作具体限制，使得待检测图像进行高亮区域前景以及灰暗区域背景的分离，能够避免因灰暗区域背景干扰而降低对闪光点检测的准确率，从而保证后续能够快速准确地获取到的图像中的活体。
进一步地，为了能够在一定程度上提高识别图像中的活体的效率，本实施例通过采用计算简单、运算效率较高、速度快的阈值分割法来对对待检测图像进行高亮区域分割操作，具体可以是通过采用最大类间阈值(OTSU)，其中，最大类间阈值是可以理解是通过计算能够使一张有色彩的图像过度为黑白的二值化图像的一个临界值，即最大类间阈值，以实现将待检测图像中的高亮区域的前景以及灰暗区域的背景进行准确分离。
具体地，本实施例通过采用统计学、最大类间方差计算出能够用于较为精确地分割待检测图像中的高亮区域的前景以及灰暗区域的背景的一个临界值，即最大类间阈值，然后，通过该最大类间阈值对待检测图像中的高亮区域的前景以及灰暗区域的背景进行准确分离，以实现有色彩的待检测图像转化为高亮区域的前景以及灰暗区域的背景分离的黑白的二值化图像。
轮廓提取单元602，用于对二值化图像进行轮廓提取，得到图像轮廓；
具体地，为了能够快速准确地提取出图像中的轮廓，本实施例通过对二值化图像进行形态学的开运算计算，再进行形态学的腐蚀运算的膨胀，然后对经过形态学处理后的图像采用bwperim()函数进行轮廓提取，能够快速准确地获取二值化图像中的图像轮廓。
轮廓筛选单元603，用于对图像轮廓进行闪光点轮廓筛选操作，得到的筛选后的第二检测结果。
在本实施例中，为了能够保证检测待检测图像中的活体的效率以及准确率，本实施例通过对获取到的图像轮廓案按照预设的筛选条件进行闪光点轮廓筛选操作。
具体地，对图像轮廓进行闪光点轮廓筛选操作具体可以是判断筛选出的轮廓是否符合预设的闪光点条件，若轮廓不符合闪光点条件，即筛选出的轮廓不能作为闪光点，则第二检测结果为未检测到闪光点；若轮廓符合闪光点条件，即筛选出的轮廓可以作为闪光点，则第二检测结果为检测到闪光点。
作为优选的技术方案中，参见图7，轮廓筛选单元603包括：
轮廓面积计算子单701，用于对图像轮廓进行面积计算，得到图像轮廓的轮廓面积；
在本实施例中，轮廓面积是在图像中所谓周长、面积等不是物体真实的周长面积，图像中的周长、面积都是以像素点为单位，周长就是轮廓点集合的个数，通常以1像素点为步长，面积就是轮廓所围的所有像素点个数，能够通过这些轮廓信息来直观反映图像中的活体以及非活体，从而保证后续能够快速准确地获取到的图像中的活体。
具体地，本实施例对图像轮廓进行面积计算具体可以是通过获取每个图像轮廓中包含多少个元素，其中，该元素为点，然后根据获取到的元素通过调用cvArcLength()函数进行计算，能够得到每个图像轮廓的周长，同时，还可以调用ContourArea()函数进行计算以得到每个图像轮廓的轮廓面积，以使后续能够进一步对该轮廓面积进行筛选分析，以保证能够快速准确地获取到的图像中的活体以及非活体。
第一轮廓获取子单元702，用于将满足预设的面积条件的轮廓面积对应的图像轮廓，作为第一轮廓；
在本实施例中，面积条件是用于衡量轮廓面积是否达到能够判断该轮廓面积对应的轮廓为闪光点的轮廓的初步标准，是能够保证对闪光点的准确获取，具体可以根据实际应用需求进行设置，此处不作具体限制。
具体地，假设面积条件为轮廓面积是否大于预设的面积阈值，则判断轮廓面积是否符合预设的面积条件，即将在轮廓面积计算子单701中获取到的轮廓面积与预设的面积阈值进行比较，从而判定轮廓面积是否符合预设的面积条件。
进一步地，根据轮廓面积与预设的面积阈值进行比较的比较结果，当结果为轮廓面积小于或等于预设的面积阈值，即轮廓面积不符合预设的面积条件，可以理解为轮廓面积对应的轮廓不满足对闪光点的初步筛选。
进一步地，根据轮廓面积与预设的面积阈值进行比较的比较结果，当结果为轮廓面积大于预设的面积阈值，即轮廓面积符合预设的面积条件，可以理解为轮廓面积对应的轮廓满足对闪光点的初步筛选，则可以将该满足预设的面积条件的轮廓面积对应的图像轮廓作为第一轮廓，以供后续对该第一轮廓进行进一步地筛选而准确获取闪光点，从而能够快速准确地获取到的图像中的活体以及非活体。
最小面积计算子单元703，用于对第一轮廓进行最小外接圆面积以及最小外接椭圆面积的计算，得到第一轮廓分别对应的最小外接圆面积以及最小外接椭圆面积；
在本实施例中，通过获取第一轮廓分别对应的最小外接圆面积以及最小外接椭圆面积，能够对不规则的第一轮廓进行进一步地轮廓精确提取，以实现对闪光点的进一步筛选。
具体地，本实施例对第一轮廓进行最小外接圆面积以及最小外接椭圆面积的计算，具体可以是通过获取到的每个第一轮廓中包含多少个元素，每个第一轮廓的周长，以及每个第一轮廓的轮廓面积，并使用minEnclosingCircle方法求取每个第一轮廓的最小外接圆面积，以及获取该最小外接圆的圆心和半径的信息，并在图像中的第一轮廓上绘制该最小外接圆；同时，还可以使用fitEllipse方法求每个第一轮廓的最小外接椭圆面积，以及获取该最小外接椭圆的长轴和短轴的信息，并在图像中的第一轮廓上绘制该最小外接椭圆。
基础轮廓获取子单元704，用于将满足预设的椭圆比较条件的最小外接椭圆面积对应的第一轮廓，作为基础轮廓；
在本实施例中，椭圆比较条件是用于衡量最小外接椭圆面积是否达到能够判断该最小外接椭圆面积对应的第一轮廓为闪光点的轮廓的进一步标准，是能够保证对闪光点的准确获取，具体可以根据实际应用需求进行设置，此处不作具体限制。
具体地，假设椭圆比较条件为最小外接椭圆面积中的长轴与短轴之间的比值是否大于预设的轴比阈值，则判断最小外接椭圆面积是否符合预设的椭圆比较条件，即将在最小面积计算子单元703中获取到的最小外接椭圆面积中的长轴与短轴之间的比值与预设的轴比阈值进行比较，从而判定最小外接椭圆面积是否符合预设的椭圆比较条件。
进一步地，根据最小外接椭圆面积中的长轴与短轴之间的比值与预设的轴比阈值进行比较的比较结果，当结果为最小外接椭圆面积中的长轴与短轴之间的比值小于或等于预设的轴比阈值，即最小外接椭圆面积不符合预设的椭圆比较条件，可以理解为最小外接椭圆面积对应的第一轮廓不满足对闪光点的进一步筛选。
进一步地，根据最小外接椭圆面积中的长轴与短轴之间的比值与预设的轴比阈值进行比较的比较结果，当结果为最小外接椭圆面积中的长轴与短轴之间的比值大于预设的轴比阈值，即最小外接椭圆面积符合预设的椭圆比较条件，则可以将该满足预设的椭圆比较条件的最小外接椭圆面积对应的第一轮廓作为基础轮廓，以供后续对该基础轮廓进行进一步地筛选而准确获取闪光点，从而能够快速准确地获取到的图像中的活体以及非活体。
面积比计算子单元705，用于针对每个基础轮廓，计算基础轮廓对应的最小外接椭圆面积与最小外接圆面积之间的第一面积比，计算基础轮廓对应的轮廓面积与最小外接椭圆面积之间的第二面积比，以及计算基础轮廓对应的轮廓面积与最小外接圆面积之间的第三面积比；
在本实施例中，通过获取基础轮廓对应的最小外接椭圆面积与最小外接圆面积之间的第一面积比，基础轮廓对应的轮廓面积与最小外接椭圆面积之间的第二面积比，以及计算基础轮廓对应的轮廓面积与最小外接圆面积之间的第三面积比，能够对不规则的基础轮廓进行进一步地轮廓精确提取，以实现对闪光点的目标筛选。
具体地，针对每个基础轮廓，本实施例计算基础轮廓对应的最小外接椭圆面积与最小外接圆面积之间的第一面积比，计算基础轮廓对应的轮廓面积与最小外接椭圆面积之间的第二面积比，以及计算基础轮廓对应的轮廓面积与最小外接圆面积之间的第三面积比，具体可以是根据面积比表达式进行计算该第一面积比、第二面积比以及第三面积比，表达式如下：
Figure GDA0003666071100000301
Figure GDA0003666071100000302
Figure GDA0003666071100000303
目标轮廓获取子单元706，将满足预设的面积比条件的第一面积比、第二面积比以及第三面积比对应的基础轮廓作为目标轮廓，并将目标轮廓作为闪光点。
在本实施例中，面积比条件是用于衡量第一面积比、第二面积比以及第三面积比是否达到能够判断该第一面积比、第二面积比以及第三面积比对应的基础轮廓为闪光点的轮廓的目标标准，是能够保证对闪光点的准确获取，具体可以根据实际应用需求进行设置，此处不作具体限制。
具体地，假设面积比条件为第一面积比是否大于预设的第一面积比阈值、第二面积比是否大于预设的第二面积比阈值，以及第三面积比是否大于预设的第三面积比阈值，则判断基础轮廓是否符合预设的面积比条件，即将在面积比计算子单元705中获取到的第一面积比、第二面积比以及第三面积比分别与预设的第一面积比阈值、第二面积比阈值以及第三面积比阈值进行比较，从而判定基础轮廓是否符合预设的面积比条件。
进一步地，根据第一面积比、第二面积比以及第三面积比分别与预设的第一面积比阈值、第二面积比阈值以及第三面积比阈值进行比较的比较结果，当结果为第一面积比小于或等于预设的第一面积比阈值，第二面积比小于或等于预设的第二面积比阈值，或第三面积比小于或等于预设的第三面积比阈值，满足三个条件中的任意一个，即第一面积比、第二面积比以及第三面积比不符合预设的面积比条件，可以理解为第一面积比、第二面积比以及第三面积比对应的基础轮廓不满足对闪光点的目标筛选，则根据对闪光点的定义，可以确认该基础轮廓为图像中的活体，从而实现对图像中的活体的准确识别。
进一步地，根据第一面积比、第二面积比以及第三面积比分别与预设的第一面积比阈值、第二面积比阈值以及第三面积比阈值进行比较的比较结果，当结果为第一面积比大于预设的第一面积比阈值，第二面积比大于预设的第二面积比阈值，以及第三面积比大于预设的第三面积比阈值，三个条件中均满足，即第一面积比、第二面积比以及第三面积比符合预设的面积比条件，可以理解为第一面积比、第二面积比以及第三面积比对应的基础轮廓满足对闪光点的目标筛选，则可以将该满足预设的面积条件的轮廓面积对应的图像轮廓作为目标轮廓，即该目标轮廓为闪光点，实现了对闪光点的准确获取，从而能够将该闪光点确认为图像中的非活体，同时将除该闪光点以外的提取到的其他轮廓作为图像中的活体，能够快速准确地获取到的图像中的活体以及非活体。
作为优选的技术方案中，边缘提取模块51包括：
对待检测图像采用canny算子进行边缘提取操作，得到提取出的边缘图像。
在本实施例中，canny算子是John F.Canny于1986年开发出来的一个多级边缘检测算法，其不仅具备低错误率，可以在图像中标识出尽可能多的实际边缘，同时尽可能的减少噪声产生的误报；还具备高定位性，可以使得标识出的边缘与图像中的实际边缘尽可能接近；还具备最小响应，对图像中的边缘只能标识一次，因此，本实施例对待检测图像采用canny算子进行边缘提取操作，以获取标识出的边缘与图像中的实际边缘尽可能接近的边缘图像。
具体地，本实施例对待检测图像采用canny算子进行边缘提取操作，先通过对待检测图像采用使用高斯平滑滤波器卷积降噪进行消除噪声处理，进而对处理后的图像采用Sobel滤波器进行梯度幅值和方向的计算，然后，再对经过Sobel滤波器处理的图像进行非极大值抑制，能够排除非边缘像素，同时仅仅保留了一些细线条，如候选边缘，进一步地，对经过非极大值抑制处理后的图像进行滞后阈值的计算，以输出边缘清晰的边缘图像，其中，滞后阈值通过需要两个阈值，即高阈值以及低阈值。
需要说明的是，如果某一像素位置的幅值超过高阈值,则该像素被保留为边缘像素；如果某一像素位置的幅值小于低阈值,则该像素被排除；如果某一像素位置的幅值在两个阈值之间,则该像素仅仅在连接到一个高于高阈值的像素时被保留，其中，高低阈值比一般是在2:1到3:1之间。
作为优选的技术方案中，参见图8，边框检测模块52包括：
边缘滤波单元801，用于对边缘图像进行滤波操作，得到滤波后的边缘滤波图像；
在本实施例中，为了减少因图像中的噪声的干扰，而导致对活体的检测效率以及准确率的降低，本实施例通过对边缘图像进行滤波操作，以获取噪声平滑的边缘滤波图像。
具体地，本实施例通过采用中值滤波对边缘图像进行滤波操作，先通过从图像中的某个采样窗口取出奇数个数据进行排序，然后，用排序后的中值取代要处理的误差较大的数据，能够消除或平滑边缘图像中的噪声，以输出噪声平滑的边缘滤波图像。
其中，中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，而且，中值滤波对噪声有良好的滤除作用，特别是在滤除噪声的同时还能够保护图像的边缘，使之不被模糊，此外，中值滤波的算法计算复杂度低，能够在一定程度上提高对图像中的活体进行识别的效率。
直线检测单元802，用于对边缘滤波图像进行直线检测处理，得到处理后的第一检测结果。
在本实施例中，为了实现对图像中的不规则形状的准确识别，从而准确获取图像中的边框，对边缘滤波图像进行直线检测处理，来准确识别图像中的边框。
具体地，本实施例对边缘滤波图像进行直线检测处理，具体可以是采用霍夫变换(Hough Transform)算法对边缘滤波图像进行直接检测，先获取边缘滤波图像的边缘信息；进而对边缘滤波图像中的每一个点，在k-b空间中画出一条直线；然后，对各直线上的点，采取“投票”(vote)的方法进行点的数值计算，即累加，当有直线经过这一点，对这一点的值进行加1；再遍历k-b空间，找出局部极大值点，并将这些点的坐标(k，b)作为图像中可能的直线的斜率和截距，以准确标识图像中的边框。
其中，霍夫变换算法是图像处理中的一种特征提取技术，应用于识别图像中的几何形状；它将图像空间中的特征点映射到参数空间进行投票，通过检测累计结果的局部极值点得到一个符合某特定形状的点的集合，霍夫变换算法的抗噪声、抗形变能力较强，以实现对图像中的边框的准确识别，在一定程度上提高对图像中的活体识别的效率以及准确率。
与现有的活体识别方法相比，本发明基于边框和闪光点的快速静态活体检测方法及装置的优点在于：
1.本实施例通过对待检测图像采用边框检测以及闪光点检测等方法对图像中的一些明显非活体的特征进行识别，从而能够快速区分明显的非活体以及活体，可以节省大量识别时间，提高对图像中的活体识别的效率以及准确率；
2.本实施例在使用的过程中，不需要其他辅助设备，如红外仪，深度相机等设备，能够实现节省成本。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于边框和闪光点的快速静态活体检测方法，其特征在于，包括以下步骤：
对待检测图像进行边缘提取操作，得到提取出的边缘图像；
对所述边缘图像进行边框检测，得到第一检测结果；
若所述第一检测结果为检测到边框，则将所述待检测图像中的物体作为非活体；
若所述第一检测结果为未检测到所述边框，则对未检测到所述边框的待检测图像进行闪光点轮廓检测，得到第二检测结果；
若所述第二检测结果为未检测到所述闪光点，则将所述待检测图像中的物体确定为活体；
若所述第二检测结果为检测到所述闪光点，则将所述闪光点对应的物体确定为所述活体；
其中，所述若所述第一检测结果为未检测到所述边框，则对未检测到所述边框的待检测图像进行闪光点轮廓检测，得到第二检测结果，包括：
对所述待检测图像进行高亮区域分割操作，得到分割后的二值化图像；
对所述二值化图像进行轮廓提取，得到图像轮廓；
对所述图像轮廓进行闪光点轮廓筛选操作，得到的筛选后的所述第二检测结果；
所述对所述图像轮廓进行闪光点轮廓筛选操作，具体包括：
对所述图像轮廓进行面积计算，得到所述图像轮廓的轮廓面积；
将满足预设的面积条件的轮廓面积对应的图像轮廓，作为第一轮廓；
对所述第一轮廓进行最小外接圆面积以及最小外接椭圆面积的计算，得到所述第一轮廓分别对应的最小外接圆面积以及最小外接椭圆面积；
将满足预设的椭圆比较条件的最小外接椭圆面积对应的第一轮廓，作为基础轮廓；
针对每个所述基础轮廓，计算所述基础轮廓对应的最小外接椭圆面积与最小外接圆面积之间的第一面积比，计算所述基础轮廓对应的轮廓面积与最小外接椭圆面积之间的第二面积比，以及计算所述基础轮廓对应的轮廓面积与最小外接圆面积之间的第三面积比；
将满足预设的面积比条件的第一面积比、第二面积比以及第三面积比对应的基础轮廓，作为目标轮廓。
2.根据权利要求1所述的基于边框和闪光点的快速静态活体检测方法，其特征在于，所述对待检测图像进行边缘提取操作，得到提取出的边缘图像的步骤包括：
对待检测图像采用canny算子进行边缘提取操作，得到提取出的边缘图像。
3.根据权利要求1所述的基于边框和闪光点的快速静态活体检测方法，其特征在于，所述对所述边缘图像进行边框检测，得到第一检测结果的步骤包括：
对所述边缘图像进行滤波操作，得到滤波后的边缘滤波图像；
对所述边缘滤波图像进行直线检测处理，得到处理后的所述第一检测结果。
4.一种基于边框和闪光点的快速静态活体检测装置，其特征在于，包括：
边缘提取模块，用于对待检测图像进行边缘提取操作，得到提取出的边缘图像；
边框检测模块，用于对所述边缘图像进行边框检测，得到第一检测结果；
非活体确定模块，用于若所述第一检测结果为检测到边框，则将所述待检测图像中的物体作为非活体；
闪光点检测模块，用于若所述第一检测结果为未检测到所述边框，则对未检测到所述边框的待检测图像进行闪光点轮廓检测，得到第二检测结果；
第一活体确定模块，用于若所述第二检测结果为未检测到闪光点，则将所述待检测图像中的物体确定为活体；
第二活体确定模块，用于若所述第二检测结果为检测到闪光点，则将所述闪光点对应的物体确定为所述活体；
其中，所述闪光点检测模块包括：
分割操作单元，用于对所述待检测图像进行高亮区域分割操作，得到分割后的二值化图像；
轮廓提取单元，用于对所述二值化图像进行轮廓提取，得到图像轮廓；
轮廓筛选单元，用于对所述图像轮廓进行闪光点轮廓筛选操作，得到的筛选后的所述第二检测结果；
所述轮廓筛选单元包括：
轮廓面积计算子单元，用于对所述图像轮廓进行面积计算，得到所述图像轮廓的轮廓面积；
第一轮廓获取子单元，用于将满足预设的面积条件的轮廓面积对应的图像轮廓，作为第一轮廓；
最小面积计算子单元，用于对所述第一轮廓进行最小外接圆面积以及最小外接椭圆面积的计算，得到所述第一轮廓分别对应的最小外接圆面积以及最小外接椭圆面积；
基础轮廓获取子单元，用于将满足预设的椭圆比较条件的最小外接椭圆面积对应的第一轮廓，作为基础轮廓；
面积比计算子单元，用于针对每个所述基础轮廓，计算所述基础轮廓对应的最小外接椭圆面积与最小外接圆面积之间的第一面积比，计算所述基础轮廓对应的轮廓面积与最小外接椭圆面积之间的第二面积比，以及计算所述基础轮廓对应的轮廓面积与最小外接圆面积之间的第三面积比；
目标轮廓获取子单元，将满足预设的面积比条件的第一面积比、第二面积比以及第三面积比对应的基础轮廓作为目标轮廓，并将所述目标轮廓作为所述闪光点。
5.根据权利要求4所述的基于边框和闪光点的快速静态活体检测装置，其特征在于，所述边缘提取模块包括：
对待检测图像采用canny算子进行边缘提取操作，得到提取出的边缘图像。
6.根据权利要求5所述的基于边框和闪光点的快速静态活体检测装置，其特征在于，所述边框检测模块包括：
边缘滤波单元，用于对所述边缘图像进行滤波操作，得到滤波后的边缘滤波图像；
直线检测单元，用于对所述边缘滤波图像进行直线检测处理，得到处理后的所述第一检测结果。
CN202011162202.8A 2020-10-27 2020-10-27 一种基于边框和闪光点的快速静态活体检测方法及装置 Active CN112329572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011162202.8A CN112329572B (zh) 2020-10-27 2020-10-27 一种基于边框和闪光点的快速静态活体检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011162202.8A CN112329572B (zh) 2020-10-27 2020-10-27 一种基于边框和闪光点的快速静态活体检测方法及装置

Publications (2)

Publication Number Publication Date
CN112329572A CN112329572A (zh) 2021-02-05
CN112329572B true CN112329572B (zh) 2022-07-22

Family

ID=74312337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011162202.8A Active CN112329572B (zh) 2020-10-27 2020-10-27 一种基于边框和闪光点的快速静态活体检测方法及装置

Country Status (1)

Country Link
CN (1) CN112329572B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693629A (zh) * 2022-03-25 2022-07-01 北京城市网邻信息技术有限公司 图像识别方法、装置、电子设备及可读介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3619201B2 (ja) * 2002-03-04 2005-02-09 アロカ株式会社 超音波診断装置
US10049272B2 (en) * 2015-09-24 2018-08-14 Microsoft Technology Licensing, Llc User authentication using multiple capture techniques
CN109870730B (zh) * 2018-12-28 2020-11-20 中国科学院重庆绿色智能技术研究院 一种用于x光机图像解析度测试体定检的方法及系统

Also Published As

Publication number Publication date
CN112329572A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN109816644B (zh) 一种基于多角度光源影像的轴承缺陷自动检测系统
CN115908269B (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
CN111612781A (zh) 一种屏幕缺陷检测方法、装置及头戴显示设备
CN106846339A (zh) 一种图像检测方法和装置
CN115205223B (zh) 透明物体的视觉检测方法、装置、计算机设备及介质
CN113449606B (zh) 一种目标对象识别方法、装置、计算机设备及存储介质
CN110415208A (zh) 一种自适应目标检测方法及其装置、设备、存储介质
CN111882568B (zh) 火灾图像边缘提取处理方法、终端及系统
CN113781406B (zh) 电子元器件的划痕检测方法、装置及计算机设备
CN109784322B (zh) 一种基于图像处理的vin码识别方法、设备及介质
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN106446921A (zh) 一种高压输电线障碍物识别方法及装置
CN116542982A (zh) 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN112669295A (zh) 一种基于二次阈值分割理论的锂电池极片缺陷检测方法
CN114066862A (zh) 一种基于色域和轮廓特征的指示器识别方法及系统
Kumar An efficient text extraction algorithm in complex images
CN112329572B (zh) 一种基于边框和闪光点的快速静态活体检测方法及装置
CN114581658A (zh) 一种基于计算机视觉的目标检测方法及装置
US20240320806A1 (en) Image processing method and apparatus, electronic device and computer readable storage medium
CN112926676B (zh) 一种虚假目标识别方法、装置及计算机设备
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
Cloppet et al. Adaptive fuzzy model for blur estimation on document images
CN113744200B (zh) 一种摄像头脏污检测方法、装置及设备
Abdusalomov et al. Robust shadow removal technique for improving image enhancement based on segmentation method
Singh Texture-based real-time character extraction and recognition in natural images

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
GR01 Patent grant
GR01 Patent grant