CN113822237A - 活体检测方法、主控设备及终端设备 - Google Patents

Abstract

本发明提供了一种活体检测方法，包括：利用红外摄像头获取目标图像；对目标图像进行处理以得到人脸图像，其中，人脸图像包括人脸；将人脸图像输入纹理模型并获取第一输出结果，其中，第一输出结果用于表示人脸图像中的人脸是否为活体；将目标图像输入边缘检测模型并获取第二输出结果，其中，第二输出结果用于表示目标图像是否存在包围人脸的闭合图形；以及，根据第一输出结果和第二输出结果判断目标是否为活体。此外，本发明还提供了一种主控设备以及终端设备。本发明技术方案具有良好的防伪效果。

Description

活体检测方法、主控设备及终端设备

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种活体检测方法、主控设备及终端设备。

背景技术

随着计算机技术的飞速发展，人脸识别技术在金融社保、智能家居、电子商务、人脸娱乐、医疗教育等领域得到了广泛的应用。但是，伪造人脸会对人脸识别系统的安全性造成冲击。其中，伪造人脸包括但不限于手机照片、视频、打印照片、三维人脸面具等。因此，用于区分活体人脸和伪造人脸的人脸活体检测技术成为提高人脸识别系统安全性的重点环节。进一步地，如何提高人脸识别系统的识别率是亟需解决的问题。

发明内容

本发明提供了一种活体检测方法、主控设备及终端设备，具有良好的防伪效果。

第一方面，本发明实施例提供一种活体检测方法，所述活体检测方法包括：

利用红外摄像头获取目标图像；

对所述目标图像进行处理以得到人脸图像，其中，所述人脸图像包括人脸；

将所述人脸图像输入纹理模型并获取第一输出结果，其中，所述第一输出结果用于表示所述人脸图像中的人脸是否为活体；

将所述目标图像输入边缘检测模型并获取第二输出结果，其中，所述第二输出结果用于表示所述目标图像是否存在包围所述人脸的闭合图形；以及，

根据所述第一输出结果和所述第二输出结果判断目标是否为活体。

第二方面，本发明实施例提供一种主控设备，所述主控设备包括：

存储器，用于存储程序指令；以及，

处理器，用于执行所述程序指令以实现如上所述的活体检测方法。

第三方面，本发明实施例提供一种终端设备，所述终端设备包括主体、红外摄像头以及如上所述的主控设备，所述红外摄像头和所述主控设备设置于所述主体。

上述活体检测方法、主控设备及终端设备，采用红外摄像头获取目标图像，利用预先训练好的纹理模型和边缘检测模型对目标图像进行判断，从而实现神经网络模型的人脸活体检测。其中，伪造人脸通常能够在可见光下做到以假乱真，但是，手机、电脑等通过电子屏幕显示的人脸图像在红外摄像头下无法成像。因此，基于红外摄像头依靠主动光源特定波段成像，对手机、电脑等电子屏幕显示的人脸图像的攻击具有很好的防伪效果。边缘检测模型对纸张等攻击方式具有良好的识别效果，纹理模型能够有效识别目标图像中的人脸是否为活体，从而能够方便、快捷地判断目标图像中人脸的真伪，具有高效性和高准确率等优点。同时，能够为人脸识别后续的应用提供信息，保证应用的安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明实施例提供的活体检测方法的流程图。

图2为本发明实施例提供的活体检测方法的第一子流程图。

图3为本发明实施例提供的活体检测方法的第二子流程图。

图4为本发明实施例提供的活体检测方法的第三子流程图。

图5为本发明实施例提供的活体检测方法的第四子流程图。

图6为本发明实施例提供的活体检测方法的第五子流程图。

图7为本发明实施例提供的活体检测模组的内部结构示意图。

图8为本发明实施例提供的主控设备的内部结构示意图。

图9为本发明实施例提供的终端设备的示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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，都属于本发明保护的范围。

本申请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)是用于区别类似的规划对象，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，换句话说，描述的实施例根据除了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，还可以包含其他内容，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只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。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

请结合参看图1和图7，图1为本发明实施例提供的活体检测方法的流程图，图7为本发明实施例提供的活体检测模组的内部结构示意图。活体检测模组100包括电性连接的红外摄像头20和主控设备10，红外摄像头20用于获取图像，主控设备10用于根据图像进行活体检测，判断图像中是否存在人脸以及当图像中存在人脸时，人脸是否为活体。其中，主控设备10和红外摄像头20可以一体设置，也可以分开设置。活体检测模组100包括但不限于应用于手机、电脑、门禁、闸机、支付设备等电子设备。活体检测方法具体包括如下步骤。

步骤S102，利用红外摄像头获取目标图像。红外摄像头20依靠自带的红外光源对目标进行照射并成像，从而得到目标图像。

步骤S104，对目标图像进行处理以得到人脸图像。其中，人脸图像包括人脸。对目标图像进行处理以得到人脸图像的具体过程将在下文进行详细描述。

步骤S106，将人脸图像输入纹理模型并获取第一输出结果。在本实施例中，纹理模型由第二神经网络模型训练得到，用于根据人脸图像中人脸的纹理判断人脸是否为活体。其中，第一输出结果用于表示人脸图像中的人脸是否为活体。纹理模型的训练过程、将人脸图像输入纹理模型并获取第一输出结果的具体过程将在下文进行详细描述。

步骤S108，将目标图像输入边缘检测模型并获取第二输出结果。在本实施例中，边缘检测模型由第一神经网络模型训练得到，用于检测目标图像是否存在包围人脸的闭合图形。其中，第二输出结果用于表示目标图像是否存在包围人脸的闭合图形。闭合图形包括但不限于闭合多边形、闭合椭圆形、闭合圆形等。边缘检测模型的训练过程、将目标图像输入边缘检测模型并获取第二输出结果的具体过程将在下文进行详细描述。

步骤S110，根据第一输出结果和第二输出结果判断目标是否为活体。在本实施例中，当第一输出结果表示人脸图像中的人脸为活体和第二输出结果表示目标图像不存在包围人脸的闭合图形时，判断目标为活体。即是说，当第一输出结果表示人脸图像中的人脸不为活体或者第二输出结果表示目标图像存在包围人脸的闭合图形时，判断目标不是活体。

上述实施例中，采用红外摄像头获取目标图像，利用预先训练好的纹理模型和边缘检测模型对目标图像进行判断，从而实现神经网络模型的人脸活体检测。其中，伪造人脸通常能够在可见光下做到以假乱真，但是，手机、电脑等通过电子屏幕显示的人脸图像在红外摄像头下无法成像。因此，基于红外摄像头依靠主动光源特定波段成像，对手机、电脑等电子屏幕显示的人脸图像的攻击具有很好的防伪效果。边缘检测模型对纸张等攻击方式具有良好的识别效果，纹理模型能够有效识别目标图像中的人脸是否为活体，从而能够方便、快捷地判断目标图像中人脸的真伪，具有高效性和高准确率等优点。同时，能够为人脸识别后续的应用提供信息，保证应用的安全性。

请结合参看图2，其为本发明实施例提供的活体检测方法的第一子流程图。步骤S104具体包括如下步骤。

步骤S202，判断目标图像中是否存在人脸。利用预先训练好的人脸检测器判断目标图像中是否存在人脸。其中，人脸检测器包括但不限于PFLD、BlazeFace等。当目标图像中存在人脸时，执行步骤S204；当目标图像中不存在人脸时，重新执行步骤S102。

步骤S204，获取人脸的关键点信息。利用人脸检测器获取人脸的关键点信息。其中，关键点包括但不限于在目标图像中用于表示眼睛轮廓、眉毛轮廓、嘴巴轮廓、鼻子轮廓、脸颊轮廓的点，关键点信息包括但不限于各关键点在目标图像中的坐标。

步骤S206，将目标图像和关键点信息进行对齐以得到对齐图像。根据关键点信息在目标图像中定位出关键点，以得到关键点与目标图像匹配的对齐图像。

步骤S208，裁切对齐图像以得到人脸图像。具体地，对对齐图像进行增强以得到增强图像。在本实施例中，随机对对齐图像进行变换以得到增强图像。其中，随机对对齐图像进行变换可以理解为，对齐图像可能会进行变换，也可能不会进行变换。变换包括但不限于水平翻转、对比度增强、加高斯噪声等。即是说，增强图像可能与对齐图像相同，增强图像也可能为对齐图像的变换图像，包括但不限于水平翻转的对齐图像、对比度增强的对齐图像、加了高斯噪声的对齐图像等。进行变换的对齐图像可以经过一种变换，也可以经过多种变换。举例来说，对齐图像可以经过对比度增强后还经过了水平翻转，对齐图像可以经过水平翻转之后加了高斯噪声。可以理解的是，若对齐图像经过多种变换，变换的类型以及变换的顺序也是随机的。获取增强图像中人脸的坐标信息。在本实施例中，人脸检测器可以对增强图像中的人脸进行检测，并设置一个矩形框用于表示人脸。相应地，人脸的坐标信息可以用矩形框在增强图像中的坐标信息表示。其中，矩形框的四个边邻近人脸轮廓的边缘。根据坐标信息计算中心点。在本实施例中，根据矩形框的坐标信息计算矩形框的中心点。根据中心点和坐标信息计算图像坐标。在本实施例中，以中心点为中心，矩形框的最长边的一定倍数为边长，形成一个正方形，并计算正方形在增强图像中的坐标为图像坐标。优选地，以矩形框最长边的0.9倍为正方形的边长。在一些可行的实施例中，还可以以矩形框最短边的一定倍数为边长形成正方形。根据图像坐标对增强图像进行裁切以得到人脸图像。在本实施例中，根据图像坐标，将增强图像中与正方形相对的区域保留为人脸图像，将增强图像中与正方形以外相对的区域裁剪去除。

上述实施例中，通过对目标图像进行是否存在人脸的判断，能够有效筛除掉没有人脸的目标图像。再对存在人脸的目标图像进行处理，得到人脸图像，使得纹理模型能够更快地对人脸图像进行检测，从而有效提高识别的检测速度。

请结合参看图3和图4，图3为本发明实施例提供的活体检测方法的第二子流程图，图4为本发明实施例提供的活体检测方法的第三子流程图。执行步骤S104之前，活体检测方法还包括如下步骤。

步骤S302，利用红外摄像头获取样本图像。在本实施例中，样本图像包括但不限于活体人脸图像、假体人脸图像、纸张图像等，活体人脸图像为真人人脸拍摄形成的图像，假体人脸图像为带有三维面具的人脸拍摄形成的图像，纸张图像为采用纸张打印出人脸拍摄形成的图像。其中，纸张包括不同材质、不同颜色以及不同形状。在一些可行的实施例中，纸张图像还包括采用布料等其它物品打印出人脸拍摄形成的图像。其中，布料包括不同材质、不同颜色以及不同形状。

步骤S304，对样本图像标注标签信息。在本实施例中，通过人工标注的方式对样本图像进行标注。其中，标签信息包括纸张、闭合图形、活体以及假体。可以理解的是，活体人脸图像的标签信息为活体，假体人脸图像的标签信息为假体，纸张图像的标签信息包括纸张、假体以及闭合图形。在本实施例中，只有样本图像中存在采用纸张打印形成人脸图像，即闭合图形包围人脸时，才对相应的样本图像标注闭合图形的标签信息。若是真人人脸或者假体人脸旁边存在的某一物体在样本图像中的成像为闭合图形，则不对该样本图像进行闭合图形的标注。

步骤S306，利用样本图像训练边缘检测模型。具体包括如下步骤。

步骤S3061，随机对样本图像进行变换以得到相对应的第一增强图像。其中，第一增强图像包括标签信息。在本实施例中，随机对样本图像进行变换可以理解为，样本图像可能会进行变换，也可能不会进行变换。进行变换的样本图像可以经过一种变换，也可以经过多种变换。其中，变换包括但不限于水平翻转、对比度增强、加高斯噪声等。举例来说，样本图像可以经过水平翻转后还经过了对比度增强，样本图像可以加了高斯噪声后还经过水平翻转。可以理解的是，若样本图像经过多种变换，变换的类型以及变换的顺序也是随机的。变换后的样本图像为第一增强图像，第一增强图像包括但不限于水平翻转的样本图像、对比度增强的样本图像、加了高斯噪声的样本图像等。其中，第一增强图像的标签信息与相对应的样本图像的标签信息相同。

步骤S3062，将样本图像以及第一增强图像构建为第一图像集。可以理解的是，第一图像集包括样本图像和第一增强图像。

步骤S3063，将第一图像集中的图像输入第一神经网络模型并获取第一预测结果。其中，第一预测结果用于表示第一图像集中的图像是否存在包围人脸的闭合图形。在本实施例中，将第一图像集中的图像输入第一神经网络模型后，第一神经网络模型输出一个矩阵。其中，矩阵包括若干范围在0-1之间的数值。对矩阵中的每一数值进行判断，若数值大于或者等于预设阈值，将该数值变换为1；若数值小于预设阈值，将该数值变换为0，从而得到一个新的矩阵。根据新的矩阵判断图像中是否存在闭合图形。其中，新的矩阵中，数值1表示边缘。当新的矩阵中存在数值1，则数值1相对应的部分构建成图形在图像中的位置，即拍摄到的纸张在图像中的位置；当新的矩阵中数值均为0时，则表示图像不存在闭合图形。当图像中不存在闭合图形时，得到第一预测结果为图像不存在包围人脸的闭合图形；当图像中存在闭合图形时，检测闭合图形内是否存在人脸。当闭合图形内存在人脸时，得到第一预测结果为图像存在包围人脸的闭合图形；当闭合图形内不存在人脸时，得到第一预测结果为图像不存在包围人脸的闭合图形。在一些可行的实施例中，可以将大于或者等于预设阈值的数值变换为0，将小于预设阈值的数值变换为1。相应地，新的矩阵中，数值0表示边缘。当新的矩阵中存在数值0，则数值0相对应的部分构建成图形在图像中的位置，即拍摄到的纸张在图像中的位置；当新的矩阵中数值均为1时，则表示图像不存在闭合图形。可以理解的是，当纸张为普通纸张或者纸张被裁剪成多边形时，纸张在图像中的成像为闭合多边形；当纸张被裁剪成椭圆形或者圆形时，纸张在图像中的成像为闭合椭圆形或者闭合圆形。

步骤S3064，判断第一预测结果和标签信息是否满足第一预设条件。当第一预测结果和标签信息满足第一预设条件时，输出第一神经网络模型为边缘检测模型；当第一预测结果和标签信息不满足第一预设条件时，将第一图像集中的下一图像输入第一神经网络，并继续对第一神经网络进行训练。在本实施例中，利用交叉熵函数对第一预测结果和标签信息进行计算，从而得到第一损失值。当第一损失值满足第一预设条件时，表示第一神经网络模型已满足要求，能够用于对图像进行边缘检测，则输出第一神经网络模型为边缘检测模型。其中，交叉熵函数为

。

表示第一损失值，

表示第

个图像，

表示第

个图像的第一预测结果，

表示第

个图像的标签信息，

表示指示函数，

表示第

个图像的标签信息为

的概率。第一预设条件为数值，当第一损失值大于或者等于第一预设条件时，表示第一预测结果和标签信息相同；当第一损失值小于第一预设条件时，表示第一预测结果和标签信息不相同。

将目标图像输入边缘检测模型并获取第二输出结果具体包括：将目标图像输入边缘检测模型，边缘检测模型输出一个矩阵。其中，矩阵包括若干范围在0-1之间的数值。若矩阵中的数值大于或者等于预设阈值时，将该数值变换为1；若矩阵中的数值小于预设阈值时，将该数值变换为0，从而得到一个新的矩阵。当新的矩阵中存在数值1时，则目标图像中存在闭合图形；若新的矩阵中数值均为0，则目标图像中不存在闭合图形。当目标图像中不存在闭合图形时，第二输出结果为目标图像不存在包围人脸的闭合图形；当目标图像中存在闭合图形时，检测闭合图形内是否存在人脸。当闭合图形内存在人脸时，第二输出结果为目标图像存在包围人脸的闭合图形；当闭合图形内不存在人脸时，第二输出结果为目标图像不存在包围人脸的闭合图形。

上述实施例中，利用样本图像对第一神经网络模型进行训练，从而得到边缘检测模型。其中，样本图像具有相应的标签信息，对样本图像进行变换得到第一增强图像，从而得到更丰富的训练样本，使得训练得到的边缘检测模型更加可靠。边缘检测模型用于检测图像中是否存在闭合图形，从而能够有效识别纸张等攻击方式，使得活体检测方法具有较高的安全性。

请结合参看图5和图6，图5为本发明实施例提供的活体检测方法的第四子流程图，图6为本发明实施例提供的活体检测方法的第五子流程图。执行步骤S108之前，活体检测方法还包括如下步骤。

步骤S502，利用红外摄像头获取样本图像。在本实施例中，样本图像包括但不限于活体人脸图像、假体人脸图像、纸张图像等，活体人脸图像为真人人脸拍摄形成的图像，假体人脸图像为带有三维面具的人脸拍摄形成的图像，纸张图像为采用纸张打印出人脸拍摄形成的图像。其中，纸张包括不同材质、不同颜色以及不同形状。

步骤S504，对样本图像标注标签信息。在本实施例中，通过人工标注的方式对样本图像进行标注。其中，标签信息包括纸张、活体以及假体。可以理解的是，活体人脸图像的标签信息为活体，假体人脸图像的标签信息为假体，纸张图像的标签信息包括纸张和假体。

步骤S506，裁切样本图像以得到轮廓图像。其中，轮廓图像为包括人脸以及人脸边缘的图像。在本实施例中，采用人工的方式裁切样本图像，将样本图像中人脸以及人脸边缘的一部分裁切下来，形成轮廓图像。可以理解的是，对所有的样本图像都进行裁切，轮廓图像包括相对应的标签信息。

步骤S508，利用轮廓图像训练纹理模型。具体包括如下步骤。

步骤S5081，随机对轮廓图像进行变换以得到相对应的第二增强图像。其中，第二增强图像包括标签信息。在本实施例中，随机对轮廓图像进行变换可以理解为，轮廓图像可能会进行变换，也可能不会进行变换。进行变换的轮廓图像可以经过一种变换，也可以经过多种变换。其中，变换包括但不限于水平翻转、对比度增强、加高斯噪声等。举例来说，轮廓图像可以经过水平翻转后还经过了对比度增强，轮廓图像可以加了高斯噪声后还经过水平翻转。可以理解的是，若轮廓图像经过多种变换，变换的类型以及变换的顺序也是随机的。变换后的轮廓图像为第二增强图像，第二增强图像包括但不限于水平翻转的轮廓图像、对比度增强的轮廓图像、加了高斯噪声的轮廓图像等。其中，第二增强图像的标签信息与相对应的轮廓图像的标签信息相同。

步骤S5082，将轮廓图像以及第二增强图像构建为第二图像集。可以理解的是，第二图像集包括轮廓图像和第二增强图像。

步骤S5083，将第二图像集中的图像输入第二神经网络模型并获取第二预测结果。其中，第二预测结果用于表示第二图像集中图像的人脸是否为活体。具体地，调整第二图像集中图像的分辨率。将第二图像集中的图像的分辨率均统一调整为相同的分辨率，例如，160*160。对调整分辨率后的图像进行归一化处理以得到标准图像，并将标准图像输入第二神经网络模型。在本实施例中，将标准图像输入第二神经网络模型后，第二神经网络模型输出一个用于表示标准图像中的人脸是否为活体的数值，从而得到第二预测结果。其中，当第二神经网络模型输出的数值为1时，第二预测结果表示标准图像中的人脸为活体；当第二神经网络模型输出的数值为0时，第二预测结果表示标准图像中的人脸不是活体。在一些可行的实施例中，可以设置为：第二神经网络模型输出的数值为1，第二预测结果表示标准图像中的人脸不是活体；第二神经网络模型输出的数值为0，第二预测结果表示标准图像中的人脸为活体。

步骤S5084，判断第二预测结果和标签信息是否满足第二预设条件。当第二预测结果和标签信息满足第二预设条件时，输出第二神经网络模型为纹理模型；当第二预测结果和标签信息不满足第二预设条件时，将下一标准图像输入第二神经网络模型，并继续对第二神经网络模型进行训练。在本实施例中，利用交叉熵函数对第二预测结果和标签信息进行计算，从而得到第二损失值。当第二损失值满足第二预设条件时，表示第二神经网络已满足要求，能够用于对图像进行活体检测，则输出第二神经网络模型为纹理模型。其中，交叉熵函数为

。

表示第二损失值，

表示第

个图像，

表示第

个图像的第二预测结果，

表示第

个图像的标签信息，

表示指示函数，

表示第

个图像的标签信息为

的概率。第二预设条件为数值，当第二损失值大于或者等于第二预设条件时，表示第二预测结果和标签信息相同；当第二损失值小于第二预设条件时，表示第二预测结果和标签信息不相同。

将人脸图像输入纹理模型并获取第一输出结果具体包括：将人脸图像输入纹理模型，纹理模型输出一个用于表示人脸图像中的人脸是否为活体的数值。当输出的数值为1时，第一输出结果表示人脸图像中的人脸为活体；当输出的数值为0时，第一输出结果表示人脸图像中的人脸不是活体。

上述实施例中，利用样本图像对第二神经网络模型进行训练，从而得到纹理模型。其中，样本图像具有相应的标签信息，对样本图像进行裁切得到包括人脸以及人脸边缘的轮廓图像，再对轮廓图像进行变换得到第二增强图像，从而得到更丰富的训练样本，使得训练得到的纹理模型更加可靠。纹理模型用于检测图像中的人脸是否为活体，能够快速地判断出真伪，使得活体检测方法具有高效性的优点。

请结合参看图8，其为本发明实施例提供的主控设备的内部结构示意图。主控设备10包括存储器11和处理器12。存储器11用于存储程序指令，处理器12用于执行程序指令以实现上述活体检测方法。

其中，处理器12在一些实施例中可以是一中央处理器（Central ProcessingUnit, CPU）、控制器、微控制器、微处理器或其它数据处理芯片，用于运行存储器11中存储的程序指令。

存储器11至少包括一种类型的可读存储介质，该可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘。存储器11在另一些实施例中也可以是外部计算机设备的存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。进一步地，存储器11还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于计算机设备的应用软件及各类数据，例如实现活体检测方法的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

请结合参看图9，其为本发明实施例提供的终端设备的示意图。终端设备200包括主体30、红外摄像头20以及主控设备10。其中，终端设备200包括但不限于手机、电脑、门禁、闸机、支付设备等。红外摄像头20和主控设备10设置于主体30。其中，红外摄像头20设置于主体30的正面，且红外摄像头20的视角朝向主体30的前方，用于拍摄位于主体30前方的目标的图像。主控设备10的具体结构参照上述实施例。由于终端设备200采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

以上所列举的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属于本发明所涵盖的范围。

Claims (10)

1.一种活体检测方法，其特征在于，所述活体检测方法包括：

利用红外摄像头获取目标图像；

对所述目标图像进行处理以得到人脸图像，其中，所述人脸图像包括人脸；

将所述人脸图像输入纹理模型并获取第一输出结果，其中，所述第一输出结果用于表示所述人脸图像中的人脸是否为活体；

将所述目标图像输入边缘检测模型并获取第二输出结果，其中，所述第二输出结果用于表示所述目标图像是否存在包围所述人脸的闭合图形；以及，

根据所述第一输出结果和所述第二输出结果判断目标是否为活体。

2.如权利要求1所述的活体检测方法，其特征在于，根据所述第一输出结果和所述第二输出结果判断目标是否为活体具体包括：

当所述第一输出结果表示所述人脸图像中的人脸为活体和所述第二输出结果表示所述目标图像不存在包围人脸的闭合图形时，判断所述目标为活体。

3.如权利要求1所述的活体检测方法，其特征在于，对所述目标图像进行处理以得到人脸图像具体包括：

判断所述目标图像中是否存在人脸；

当所述目标图像中存在人脸时，获取所述人脸的关键点信息；

将所述目标图像和所述关键点信息进行对齐以得到对齐图像；以及，

裁切所述对齐图像以得到所述人脸图像。

4.如权利要求3所述的活体检测方法，其特征在于，裁切所述对齐图像以得到所述人脸图像具体包括：

对所述对齐图像进行增强以得到增强图像；

获取所述增强图像中人脸的坐标信息；

根据所述坐标信息计算中心点；

根据所述中心点和所述坐标信息计算图像坐标；以及，

根据所述图像坐标对所述增强图像进行裁切以得到所述人脸图像。

5.如权利要求1所述的活体检测方法，其特征在于，将所述目标图像输入边缘检测模型之前，所述活体检测方法还包括：

利用红外摄像头获取样本图像；

对所述样本图像标注标签信息，其中，所述标签信息包括纸张、闭合图形、活体以及假体；以及，

利用所述样本图像训练所述边缘检测模型。

6.如权利要求5所述的活体检测方法，其特征在于，利用所述样本图像训练所述边缘检测模型具体包括：

随机对所述样本图像进行变换以得到相对应的第一增强图像，其中，所述第一增强图像包括标签信息；

将所述样本图像以及所述第一增强图像构建为第一图像集；

将所述第一图像集中的图像输入第一神经网络模型并获取第一预测结果，其中，所述第一预测结果用于表示所述第一图像集中的图像是否存在包围人脸的闭合图形；

判断所述第一预测结果和所述标签信息是否满足第一预设条件；以及，

当所述第一预测结果和所述标签信息满足第一预设条件时，输出所述第一神经网络模型为所述边缘检测模型。

7.如权利要求1所述的活体检测方法，其特征在于，将所述人脸图像输入纹理模型之前，所述活体检测方法还包括：

利用红外摄像头获取样本图像；

对所述样本图像标注标签信息，其中，所述标签信息包括纸张、活体以及假体；

裁切所述样本图像以得到轮廓图像，其中，所述轮廓图像为包括人脸以及人脸边缘的图像；以及，

利用所述轮廓图像训练所述纹理模型。

8.如权利要求7所述的活体检测方法，其特征在于，利用所述轮廓图像训练所述纹理模型具体包括：

随机对所述轮廓图像进行变换以得到相对应的第二增强图像，其中，所述第二增强图像包括标签信息；

将所述轮廓图像以及所述第二增强图像构建为第二图像集；

将所述第二图像集中的图像输入第二神经网络模型并获取第二预测结果，其中，所述第二预测结果用于表示所述第二图像集中图像的人脸是否为活体；

判断所述第二预测结果和所述标签信息是否满足第二预设条件；以及，

当所述第二预测结果和所述标签信息满足第二预设条件时，输出所述第二神经网络模型为所述纹理模型。

9.一种主控设备，其特征在于，所述主控设备包括：

存储器，用于存储程序指令；以及，

处理器，用于执行所述程序指令以实现如权利要求1至8中任一项所述的活体检测方法。

10.一种终端设备，其特征在于，所述终端设备包括主体、红外摄像头以及如权利要求9所述的主控设备，所述红外摄像头和所述主控设备设置于所述主体。

Images