CN113888500B - 基于人脸图像的炫光程度检测方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及人工智能技术，揭露了一种基于人脸图像的炫光程度检测方法，包括：响应于人脸图像的炫光程度检测指令，利用多种颜色组成的颜色序列对待认证目标对象进行炫光，得到多种颜色对应的多个炫光子视频；获取多个炫光子视频的关键帧图像，得到不同颜色的关键帧图像；确定基准关键帧图像；将不同颜色的关键帧图像与基准关键帧图像做帧差得到的多张帧差图合并；将合并得到的融合图输入深度学习模型，得到对待认证目标对象进行炫光后炫光程度是否合格的检测结果。此外，本发明还涉及区块链技术，检测结果可存储于区块链的节点。本发明还提出一种基于人脸图像的炫光程度检测装置、电子设备以及介质。本发明可以准确识别炫光程度是否达到炫光标准。

Description

基于人脸图像的炫光程度检测方法、装置、设备及介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人脸图像的炫光程度检测方法、装置、电子设备及计算机可读存储介质。

背景技术

随着技术的不断发展，基于手机端人脸识别技术的识别率已经得到质的提升，人脸活体检测技术与其他生物特征识别技术相比，在实际应用中具有天然独到的优势。但同时随着技术的发展，网络黑产的技术水平也越来越高，利用假人脸完成线上人脸识别的例子司空见惯。因此证明“你是真实的你”在各种业务(如银行业务)中成了至关重要的问题。

在现有技术的众多活体检测算法中，通过炫光进行检测无论在通过率和抗攻击能力上都有较突出的表现，然而，不同环境下的炫光程度不一样，将导致炫光检测效果也不同，例如，在不同光线强度下，炫光检测的准确率不一致，在光线很强的情况下，炫光准确率较低。因此，有必要对炫光程度进行检测。

发明内容

本发明提供一种基于人脸图像的炫光程度检测方法、装置及计算机可读存储介质，其主要目的在于准确识别炫光程度是否达到炫光标准。

为实现上述目的，本发明提供的一种基于人脸图像的炫光程度检测方法，包括：

响应于人脸图像的炫光程度检测指令，生成多种颜色组成的颜色序列；

利用所述颜色序列对待认证目标对象进行炫光，得到反光视频，所述反光视频包含所述多种颜色对应的多个炫光子视频；

获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像；

从所述不同颜色的关键帧图像中确定基准关键帧图像；

将所述不同颜色的关键帧图像与所述基准关键帧图像做帧差，得到多张帧差图；

将所述多张帧差图合并，将合并得到的融合图输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果。

可选地，所述获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像，包括：

分别从多个所述炫光子视频的预设位置开始获取图像帧；

判断获取到的图像帧是否包含所述待认证目标对象且所述待认证目标对象的大小是否满足预设大小；

若获取到的图像帧包含所述待认证目标对象且所述待认证目标对象的大小满足预设大小条件，确定获取到的图像帧为关键帧图像；

汇总从每个所述所述炫光子视频获取到的关键帧图像，得到不同颜色的关键帧图像。

可选地，所述确定获取到的图像帧为关键帧图像之后，所述方法还包括：

获取所述关键帧图像的中心区域，根据所述中心区域对所述关键帧图像进行裁剪。

可选地，所述不同颜色的关键帧图像包含白色的关键帧图像，所述从所述不同颜色的关键帧图像中确定基准关键帧图，包括：

确定所述白色的关键帧图像为基准关键帧图像。

可选地，所述不同颜色的关键帧图像包括至少两组不同颜色的关键帧图像，所述将所述不同颜色的关键帧图像与所述基准关键帧图像做帧差，得到多张帧差图，包括：

分别将每组不同颜色的关键帧图像中不同颜色的关键帧图像与每组不同颜色的关键帧图像中所述基准关键帧图像做帧差，得到多组帧差图，其中，每组帧差图中包含多张帧差图；

所述将所述多张帧差图合并，将合并得到的融合图输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果，包括：

将每组帧差图中多张帧差图进行合并，将合并得到的多张融合图分别输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的多个检测结果，根据所述多个检测结果确定对所述待认证目标对象进行炫光后炫光程度是否合格的最终检测结果。

可选地，所述得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果之后，所述方法还包括：

若所述检测结果为对所述待认证目标对象进行炫光后炫光程度不合格，则发送调整环境信息；

若所述检测结果为对所述待认证目标对象进行炫光后炫光程度合格，则通过所述反光视频对所述待认证目标对象进行认证。

可选地，所述深度学习模型为mobileNetV3模型。

为了解决上述问题，本发明还提供一种基于人脸图像的炫光程度检测装置，所述装置包括：

颜色序列生成模块，用于响应于人脸图像的炫光程度检测指令，生成多种颜色组成的颜色序列；

炫光模块，用于利用所述颜色序列对待认证目标对象进行炫光，得到反光视频，所述反光视频包含所述多种颜色对应的多个炫光子视频；

关键帧图像获取模块，用于获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像；

确定模块，用于从所述不同颜色的关键帧图像中确定基准关键帧图像；

帧差图获取模块，用于将所述不同颜色的关键帧图像与所述基准关键帧图像做帧差，得到多张帧差图；

检测结果获取模块，用于将所述多张帧差图合并，将合并得到的融合图输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于人脸图像的炫光程度检测方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于人脸图像的炫光程度检测方法。

本发明实施例通过响应于人脸图像的炫光程度检测指令，利用多种颜色组成的颜色序列对待认证目标对象进行炫光，得到反光视频，反光视频包含多种颜色对应的多个炫光子视频；获取多个炫光子视频的关键帧图像，得到不同颜色的关键帧图像；确定基准关键帧图像；将不同颜色的关键帧图像与基准关键帧图像做帧差，得到多张帧差图；将多张帧差图合并得到的融合图输入至深度学习模型，得到对待认证目标对象进行炫光后炫光程度是否合格的检测结果。从而能够识别炫光程度是否达到炫光标准，有利于提升炫光的准确性。因此本发明提出的基于人脸图像的炫光程度检测方法、装置、电子设备及计算机可读存储介质，可以实现准确识别炫光程度是否达到炫光标准的目的。

附图说明

图1为本发明第一方法实施例提供的基于人脸图像的炫光程度检测方法的流程示意图；

图2为本发明第二方法实施例提供的基于人脸图像的炫光程度检测方法的流程示意图；

图3为本发明一实施例提供的基于人脸图像的炫光程度检测装置的功能模块图；

图4为本发明一实施例提供的实现所述基于人脸图像的炫光程度检测方法的电子设备的结构示意图。

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

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于人脸图像的炫光程度检测方法。所述基于人脸图像的炫光程度检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人脸图像的炫光程度检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明第一方法实施例提供的基于人脸图像的炫光程度检测方法的流程示意图。在本实施例中，所述基于人脸图像的炫光程度检测方法包括：

S110，响应于人脸图像的炫光程度检测指令，生成多种颜色组成的颜色序列。

本发明实施例中，可以在接收到炫光程度检测指令之后，生成多种颜色组成的颜色序列。

人脸图像的炫光程度检测指令的触发方式可以有多种，例如，当用户点击移动终端的人脸识别按钮时，启动炫光检测，同时触发炫光程序检测指令，开始生成多种颜色组成的颜色序列。

本实施例中，多种颜色包括红橙黄绿青蓝紫白中的至少2种。

本实施例中，生成的颜色序列可以是一种标识不同颜色顺序的信息。例如，生成的颜色序列为{white,yellow,red,blue}，即标识颜色顺序为白色、黄色、红色、蓝色。

另一可选实施例中，生成多种颜色组成的颜色序列是指生成多种颜色组成的的序列图像，每种颜色为纯色，如纯白色的图像。

例如，生成包含白色以及红橙黄绿青蓝紫中任意三种颜色的颜色序列的图像，如，该颜色序列中依次包括，白色图像，黄色图像、绿色图像、蓝色图像。

S120，利用所述颜色序列对待认证目标对象进行炫光，得到反光视频，所述反光视频包含所述多种颜色对应的多个炫光子视频。

本实施例中，待认证目标对象可以为待认证目标对象的视频，例如，某人脸视频，或者包含某证件的视频。

本发明一实施例中，利用颜色序列对待认证目标对象进行炫光具体是将待认证目标对象的背景色按照颜色序列依次变换，例如，将某人脸视频按照时间顺序将视频的底色依次变换为白色、黄色、红色、蓝色(如在前5秒变为白色、5秒至10秒变为黄色、10秒至15秒变为红色、15秒至20秒变为蓝色)，此时得到的视频为反光视频。

本发明另一实施例中，利用颜色序列对待认证目标对象进行炫光具体是持续将不同颜色图像与待认证目标对象进行叠加，获取叠加后的视频为反光视频。例如，将白色图像，黄色图像、绿色图像、蓝色图像依次与待认证目标对象进行叠加，每个颜色图像进行叠加时持续一段时间(如5s)，此时得到的视频为反光视频。

本实施例中，反光视频中包含由颜色序列中不同颜色炫光的炫光子视频，例如，反光视频中包含一段由白色炫光的炫光子视频，该视频的底色为白色，持续时间为5秒、类似地，反光视频中还包含一段由黄色炫光的炫光子视频，由红色炫光的炫光子视频、由蓝色炫光的炫光子视频。

S130，获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像。

本实施例中，从每个炫光子视频中获取一帧图像为关键帧图像。

例如，多个炫光子视频分别为白色炫光子视频、黄色炫光子视频、红色炫光子视频、蓝色炫光子视频，则从白色炫光子视频、黄色炫光子视频、红色炫光子视频、蓝色炫光子视频中，分别获取一帧图像，得到白色的关键帧图像、黄色的关键帧图像、红色的关键帧图像、蓝色的关键帧图像，共4个颜色的关键帧图像。

进一步地，一可选实施例中，所述获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像，包括：

分别从多个所述炫光子视频的预设位置开始获取图像帧；

判断获取到的图像帧是否包含所述待认证目标对象且所述待认证目标对象的大小是否满足预设大小；

若获取到的图像帧包含所述待认证目标对象且所述待认证目标对象的大小满足预设大小条件，确定获取到的图像帧为关键帧图像；

汇总从每个所述所述炫光子视频获取到的关键帧图像，得到不同颜色的关键帧图像。

本实施例中，预设位置可以为第2帧，即从每个炫光子视频的第2帧开始获取图像帧。

或者，具体实施时，反光视频为S帧，包含4种颜色的炫光子视频，则每种颜色的炫光子视频有s_i＝S/4帧，则每种颜色从s_i/2开始获取图像帧。

本实施例中，每当获取到图像帧时，即对图像帧进行判断，确定该图像帧是否包含待认证目标对象和是否待认证目标对象的大小是否满足预设大小。

例如，当获取到第2帧为图像帧时，判断该图像帧中是否包含人脸，以及该人脸的大小是否满足预设大小。

本实施例中，预设大小的具体值可以为预设的，根据不同的待认证目标对象可以预设不同的预设大小。

本实施例中，通过在获取到图像帧之后对图像帧进行判断，可以提高获取到的关键帧图像的完整性和有效性，避免了关键帧图像中不存在待认证目标对象以及待认证目标对象的大小不符合要求的情况。

本实施例中，若获取到的图像帧不包含所述待认证目标对象或所述待认证目标对象的大小不满足预设大小条件，则从第预设帧之后开始获取图像帧，并再次执行所述判断获取到的图像帧是否包含所述待认证目标对象且所述待认证目标对象的大小是否满足预设大小条件的操作。

例如，从子炫光视频的第s_i/2+1帧，或者从第s_i/2+2帧开始获取图像帧，并再次判断获取到的图像帧是否包含待认证目标对象和是否待认证目标对象的大小是否满足预设大小，若此时包含待认证目标对象，且待认证目标对象的大小满足预设大小，则确定该图像为关键帧图像。

进一步地，一可选实施例中，所述确定获取到的图像帧为关键帧图像之后，所述方法还包括：

获取所述关键帧图像的中心区域，根据所述中心区域对所述关键帧图像进行裁剪。

本实施例中，关键帧图像的中心区域为待认证目标对象的中心区域，例如，人脸的中心区域。

接下来，以中心区域为人脸的中心区域为例进行说明如何获取中心区域。

(1)首先通过dlib算法获取人脸和人脸关键点landmark。

(2)再根据人脸关键点landmark来获取人脸最小矩形框左上角的点left_corner.x＝min(landmark.x),left_corner.y＝min(landmark.y)；

宽为w＝max(landmark.x)-min(landmark.x)；

高为：h＝max(landmark.y)-min(landmark.y)。

(3)根据一定的比例缩放来获取人脸中心区域。

人脸中心位置左上角坐标为：

face_center.x＝left_corner.x+0.15*left_corner.x；

face_center.y＝left_corner.y；

宽为：face_center_w＝0.8w；

高为：face_center_h＝0.8h。

本实施例中，得到不同颜色的关键帧图像为包含中心区域且去除了多余画面的图像(例如，剔除人脸两边多余和下面多余的背景的图像)，能够在保证准确性的情况下进一步提高检测的效率。

S140，从所述不同颜色的关键帧图像中确定基准关键帧图像。

本实施例中，可以选择不同颜色的关键帧图像中的任一关键帧图像为基准关键帧图像。

例如，存在白色的d关键帧图像、黄色的关键帧图像、红色的关键帧图像、蓝色的关键帧图像共四帧关键帧图像，则确定黄色的关键帧图像为基准关键帧图像。

进一步地，一可选实施例中，所述不同颜色的关键帧图像包含白色的关键帧图像，所述从所述不同颜色的关键帧图像中确定基准关键帧图，包括：

确定所述白色的关键帧图像为基准关键帧图像。

由于白色的关键帧图像是由白色对待认证目标对象炫光时得到的，白色对待认证目标对象炫光时得到的图像更大程度上客观体现待认证目标对象的本身颜色，有利于进一步进行图像比对。

S150，将所述不同颜色的关键帧图像与所述基准关键帧图像做帧差，得到多张帧差图。

本实施例中，具体将每种颜色的关键帧图像分别与基准关键帧图像做帧差。例如，将白色的关键帧图像与白色的关键帧图像做帧差，得到帧差图；将黄色的关键帧图像与白色的关键帧图像做帧差，得到又一帧差图；将红色的关键帧图像与白色的关键帧图像做帧差，得到又一帧差图；将蓝色的关键帧图像与白色的关键帧图像做帧差，得到另一帧差图。

具体的，在进行帧差时，可以取白颜色的关键帧图像C_w为基准关键帧图像并分离出该图像的R_w，G_w，B_w，3个通道的值。然后其他3种颜色的关键帧图像选取一种(例如红色)也分离出R_r，G_r，B_r3个通道，每个通道都与白色的关键帧图像的相对应通道两者做差得到ΔR_(w-r)，ΔG_(w-r)，ΔB_(w-r)，然后将得到的3个通道的差值进行合并成一张RGB的图像，从而得到红色的关键帧图像和白色的关键帧图像的帧差图。

本实施例中，通过将不同颜色的关键帧图像与基准关键帧图像做帧差，可以更好地获取这个炫光颜色变化的过程，将这些变化信息特征以这样的形式提取出来。

S160，将所述多张帧差图合并，将合并得到的融合图输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果。

本实施例中，由多张帧差图合并得到的图为融合图。例如，有四种颜色的关键帧图像，则将四种颜色的关键帧图像分别与基准关键帧图像之后得到四张帧差图，则将该四张帧差图进行合并，得到融合图。

本发明实施例中，深度学习模型输出的结果即为对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果，例如，输出的结果为y1，且当y1大于0.6时，表示对待认证目标对象进行炫光后炫光程度合格，即对待认证目标对象进行炫光后炫光程度符合炫光标准，当y1小于0.6时，表示对待认证目标对象进行炫光后炫光程度不合格，即对待认证目标对象进行炫光后炫光程度不符合炫光标准。

进一步地，一可选实施例中，所述深度学习模型为mobileNetV3模型。

本实施例中，所述mobileNetV3模型为轻量级深度神经网络。

本实施例中，由于mobileNetV3模型的运算速度快，因此，可以提高对炫光程度是否合格的检测效率，因此mobileNetV3模型适用于本发明实施例应用于移动端的情况。

本实施例中，在mobileNetV3模型的训练过程中可以采用adam优化器进行训练，同时在学习率调整的侧率上使用了余弦退火(CosineAnnealing)的策略来调整学习率。

在训练过程中和训练之后，可以通过拒识率(FRR)和误识率(FAR)对模型的准确度进行评价，具体的：

拒识率FRR＝FP/(TP+FP)

其中，FP表示真实炫光程度合格，但预测炫光程度不合格的数量，TP表示真实炫光程度合格，且预测炫光程度合格的数量。

误识率FAR＝FN/(FN+TN)

其中，FN表示真实炫光程度不合格，且预测炫光程度不合格的数量，TN表示真实炫光程序不合格，但预测炫光程度合格的数量。

进一步的，本发明实施例中，可以在mobileNetV3模型中添加CBAM(ConvolutionalBlock Attention Module)模块，所述CBAM模块包括：Channel attention module(通道注意力模块)和Spatial attention module(空间注意力模块)。通过在mobileNetV3模型中添加CBAM模块可以让算法更加关注重要信息。

进一步地，一可选实施例中，所述得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果之后，所述方法还包括：

若所述检测结果为对所述待认证目标对象进行炫光后炫光程度不合格，则发送调整环境信息；

若所述检测结果为对所述待认证目标对象进行炫光后炫光程度合格，则通过所述反光视频对所述待认证目标对象进行认证。

本实施例中，当炫光程度不合格时，表明待认证目标对象所处的环境光线需要调整，因此发送调整环境信息，例如，向用户发送更换环境的的提示信息。

本实施例中，当炫光程度不合格时，直接进行认证，从而实现基于炫光检测，由于此时炫光程度合格，因此炫光准确率高，提高炫光检测的准确性。

本发明实施例通过响应于人脸图像的炫光程度检测指令，利用多种颜色组成的颜色序列对待认证目标对象进行炫光，得到反光视频，反光视频包含多种颜色对应的多个炫光子视频；获取多个炫光子视频的关键帧图像，得到不同颜色的关键帧图像；确定基准关键帧图像；将不同颜色的关键帧图像与基准关键帧图像做帧差，得到多张帧差图；将多张帧差图合并得到的融合图输入至深度学习模型，得到对待认证目标对象进行炫光后炫光程度是否合格的检测结果。从而能够识别炫光程度是否达到炫光标准，有利于提升炫光的准确性。因此本发明提出的基于人脸图像的炫光程度检测方法，可以实现准确识别炫光程度是否达到炫光标准的目的。

参照图2所示，为本发明第二方法实施例提供的基于人脸图像的炫光程度检测方法的流程示意图。在本实施例中，所述基于人脸图像的炫光程度检测方法包括：

S210，响应于人脸图像的炫光程度检测指令，生成多种颜色组成的颜色序列。

本实施例中，S210与前述实施例中S110基本一致，详细请参见前述实施例中S110中相关描述。

S220，利用所述颜色序列对待认证目标对象进行炫光，得到反光视频，所述反光视频包含所述多种颜色对应的多个炫光子视频。

本实施例中，S220与前述实施例中S120基本一致，详细请参见前述实施例中S120中相关描述。

S230，获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像，其中，所述不同颜色的关键帧图像包括至少两组不同颜色的关键帧图像。

本实施例中，获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像与前述实施例中S130基本一致，详细请参见前述实施例中S110中相关描述。

本实施例中，每种不同颜色的关键帧图像获取至少两张，进而得到至少两组不同颜色的关键帧图像。

S240，从所述不同颜色的关键帧图像中确定基准关键帧图像。

本实施例中，S240与前述实施例中S140基本一致，详细请参见前述实施例中S140中相关描述。

S250，分别将每组不同颜色的关键帧图像中不同颜色的关键帧图像与每组不同颜色的关键帧图像中所述基准关键帧图像做帧差，得到多组帧差图，其中，每组帧差图中包含多张帧差图。

S260，将每组帧差图中多张帧差图进行合并，将合并得到的多张融合图分别输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的多个检测结果，根据所述多个检测结果确定对所述待认证目标对象进行炫光后炫光程度是否合格的最终检测结果。

本实施例中，为了防止一次获取的帧位置不准确而导致准确率不高的情况，分别在每种颜色第一次取帧后若干帧(如每种颜色第一次取帧后两帧)的地方再取一次帧，经过帧差方法并将多张帧差图合并，这样经过类似的方法获取了第二个帧差合并图，然后分别输入到深度学习模型中得到第二次的检测结果，再根据两次的检测结果确定最终检测结果。

例如，将第一次的检测结果和第二次的检测结果进行或的操作，即最终检测结果为：

Y＝y1 or y2

例如，第一组多张帧差图合并后得到的融合图输入至深度学习模型，得到的检测结果为炫光程度合格，即y1＝1，第二组多张帧差图合并后得到的融合图输入至深度学习模型，得到的检测结果为炫光程度不合格，即y2＝0，则最终的炫光程度是否合格为Y＝1，即炫光程度合格。

本实施例中，通过选取至少两组不同颜色的关键帧图像，得到至少两组帧差图，进而对每组帧差图的融合图分别预测，将不同融合图的预测结果进行综合判断，能够提高识别炫光程度是否达到炫光标准的准确性。

如图3所示，是本发明一实施例提供的基于人脸图像的炫光程度检测装置的功能模块图。

本发明所述基于人脸图像的炫光程度检测装置300可以安装于电子设备中。根据实现的功能，所述基于人脸图像的炫光程度检测装置300可以包括颜色序列生成模块301、炫光模块302、关键帧图像获取模块303、确定模块304、帧差图获取模块305及检测结果获取模块306。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

颜色序列生成模块301，用于响应于人脸图像的炫光程度检测指令，生成多种颜色组成的颜色序列；

炫光模块302，用于利用所述颜色序列对待认证目标对象进行炫光，得到反光视频，所述反光视频包含所述多种颜色对应的多个炫光子视频；

关键帧图像获取模块303，用于获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像；

确定模块304，用于从所述不同颜色的关键帧图像中确定基准关键帧图像；

帧差图获取模块305，用于将所述不同颜色的关键帧图像与所述基准关键帧图像做帧差，得到多张帧差图；

检测结果获取模块306，用于将所述多张帧差图合并，将合并得到的融合图输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果。

详细地，本发明实施例中所述基于人脸图像的炫光程度检测装置300中所述的各模块在使用时采用与上述图1或图2所述的基于人脸图像的炫光程度检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图4所示，是本发明一实施例提供的实现基于人脸图像的炫光程度检测方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于人脸图像的炫光程度检测程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于人脸图像的炫光程度检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、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。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于人脸图像的炫光程度检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于人脸图像的炫光程度检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：

响应于人脸图像的炫光程度检测指令，生成多种颜色组成的颜色序列；

利用所述颜色序列对待认证目标对象进行炫光，得到反光视频，所述反光视频包含所述多种颜色对应的多个炫光子视频；

获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像；

从所述不同颜色的关键帧图像中确定基准关键帧图像；

将所述不同颜色的关键帧图像与所述基准关键帧图像做帧差，得到多张帧差图；

将所述多张帧差图合并，将合并得到的融合图输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

响应于人脸图像的炫光程度检测指令，生成多种颜色组成的颜色序列；

利用所述颜色序列对待认证目标对象进行炫光，得到反光视频，所述反光视频包含所述多种颜色对应的多个炫光子视频；

获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像；

从所述不同颜色的关键帧图像中确定基准关键帧图像；

将所述不同颜色的关键帧图像与所述基准关键帧图像做帧差，得到多张帧差图；

将所述多张帧差图合并，将合并得到的融合图输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

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单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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实施例方案的目的。

另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于人脸图像的炫光程度检测方法，其特征在于，所述方法包括：

响应于人脸图像的炫光程度检测指令，生成多种颜色组成的颜色序列；

利用所述颜色序列对待认证目标对象进行炫光，得到反光视频，所述反光视频包含所述多种颜色对应的多个炫光子视频；

获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像；

从所述不同颜色的关键帧图像中确定基准关键帧图像；

将所述不同颜色的关键帧图像与所述基准关键帧图像做帧差，得到多张帧差图；

将所述多张帧差图合并，将合并得到的融合图输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果；

其中，所述不同颜色的关键帧图像包括至少两组不同颜色的关键帧图像，所述将所述不同颜色的关键帧图像与所述基准关键帧图像做帧差，得到多张帧差图，包括：分别将每组不同颜色的关键帧图像中不同颜色的关键帧图像与每组不同颜色的关键帧图像中所述基准关键帧图像做帧差，得到多组帧差图，其中，每组帧差图中包含多张帧差图；

所述将所述多张帧差图合并，将合并得到的融合图输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果，包括：将每组帧差图中多张帧差图进行合并，将合并得到的多张融合图分别输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的多个检测结果，根据所述多个检测结果确定对所述待认证目标对象进行炫光后炫光程度是否合格的最终检测结果。

2.如权利要求1所述的基于人脸图像的炫光程度检测方法，其特征在于，所述获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像，包括：

分别从多个所述炫光子视频的预设位置开始获取图像帧；

判断获取到的图像帧是否包含所述待认证目标对象且所述待认证目标对象的大小是否满足预设大小；

若获取到的图像帧包含所述待认证目标对象且所述待认证目标对象的大小满足预设大小条件，确定获取到的图像帧为关键帧图像；

汇总从每个所述所述炫光子视频获取到的关键帧图像，得到不同颜色的关键帧图像。

3.如权利要求2所述的基于人脸图像的炫光程度检测方法，其特征在于，所述确定获取到的图像帧为关键帧图像之后，所述方法还包括：

获取所述关键帧图像的中心区域，根据所述中心区域对所述关键帧图像进行裁剪。

4.如权利要求1所述的基于人脸图像的炫光程度检测方法，其特征在于，所述不同颜色的关键帧图像包含白色的关键帧图像，所述从所述不同颜色的关键帧图像中确定基准关键帧图像，包括：

确定所述白色的关键帧图像为基准关键帧图像。

5.如权利要求1至4中任一项所述的基于人脸图像的炫光程度检测方法，其特征在于，所述得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果之后，所述方法还包括：

若所述检测结果为对所述待认证目标对象进行炫光后炫光程度不合格，则发送调整环境信息；

若所述检测结果为对所述待认证目标对象进行炫光后炫光程度合格，则通过所述反光视频对所述待认证目标对象进行认证。

6.如权利要求1至4中任一项所述的基于人脸图像的炫光程度检测方法，其特征在于，所述深度学习模型为mobileNetV3模型。

7.一种基于人脸图像的炫光程度检测装置，用于实现如权利要求1至6中任意一项所述的基于人脸图像的炫光程度检测方法，其特征在于，所述装置包括：

颜色序列生成模块，用于响应于人脸图像的炫光程度检测指令，生成多种颜色组成的颜色序列；

炫光模块，用于利用所述颜色序列对待认证目标对象进行炫光，得到反光视频，所述反光视频包含所述多种颜色对应的多个炫光子视频；

关键帧图像获取模块，用于获取多个所述炫光子视频的关键帧图像，得到不同颜色的关键帧图像；

确定模块，用于从所述不同颜色的关键帧图像中确定基准关键帧图像；

帧差图获取模块，用于将所述不同颜色的关键帧图像与所述基准关键帧图像做帧差，得到多张帧差图；

检测结果获取模块，用于将所述多张帧差图合并，将合并得到的融合图输入至预训练的深度学习模型，得到对所述待认证目标对象进行炫光后炫光程度是否合格的检测结果。

8.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于人脸图像的炫光程度检测方法。

9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于人脸图像的炫光程度检测方法。