CN113989903A - 人脸活体检测方法、装置、电子设备及存储介质 - Google Patents

人脸活体检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113989903A
CN113989903A CN202111349810.4A CN202111349810A CN113989903A CN 113989903 A CN113989903 A CN 113989903A CN 202111349810 A CN202111349810 A CN 202111349810A CN 113989903 A CN113989903 A CN 113989903A
Authority
CN
China
Prior art keywords
image data
visible light
face
light image
living body
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.)
Granted
Application number
CN202111349810.4A
Other languages
English (en)
Other versions
CN113989903B (zh
Inventor
田昊
田飞
邹棹帆
胡伟东
陈龙
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111349810.4A priority Critical patent/CN113989903B/zh
Publication of CN113989903A publication Critical patent/CN113989903A/zh
Application granted granted Critical
Publication of CN113989903B publication Critical patent/CN113989903B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了人脸活体检测方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，人脸图像处理、人脸图像识别等场景。具体实现方案为：获取由近红外相机采集的近红外图像数据及由可见光相机采集的可见光图像数据；将近红外图像数据及可见光图像数据输入到预设高级应用程序接口的填充接口中；利用预设高级应用程序接口通过原子操作的方式对填充接口中的可见光图像数据及近红外图像数据进行处理，得到人脸活体检测结果。实现了人脸活体检测。

Description

人脸活体检测方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，人脸图像处理、人脸图像识别等场景。
背景技术
随着人工智能技术的发展，计算机视觉技术也得到了迅猛发展，计算机视觉技术的应用场景也越来越广泛。人脸活体检测是指在身份验证场景中利用用户的人脸特征，验证用户是否为真实活体。人脸活体检测可有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段，从而保障用户的安全。人脸活体检测技术在门禁、刷脸支付等场景中的应用场景越来越广泛，成为当前的热门研究技术。
发明内容
本公开提供了一种人脸活体检测方法、装置、电子设备及存储介质。
根据本公开的一方面，提供了一种人脸活体检测方法，所述方法包括：
获取由近红外相机采集的近红外图像数据及由可见光相机采集的可见光图像数据；
将所述近红外图像数据及所述可见光图像数据输入到预设高级应用程序接口的填充接口中；
利用所述预设高级应用程序接口通过原子操作的方式对所述填充接口中的可见光图像数据及近红外图像数据进行处理，得到人脸活体检测结果。
根据本公开的另一方面，提供了一种人脸活体检测装置，所述装置包括：
图像数据获取模块，用于获取由近红外相机采集的近红外图像数据及由可见光相机采集的可见光图像数据；
图像数据输入模块，用于将所述近红外图像数据及所述可见光图像数据输入到预设高级应用程序接口的填充接口中；
人脸活体检测模块，用于利用所述预设高级应用程序接口通过原子操作的方式对所述填充接口中的可见光图像数据及近红外图像数据进行处理，得到人脸活体检测结果。
根据本公开的另一方面，提供了一种电子设备，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指令，所述指令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本公开中任一所述的人脸活体检测方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一所述的人脸活体检测方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开中任一所述的人脸活体检测方法。
通过本公开实施例，实现了人脸活体检测。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是用来实现本公开实施例的人脸活体检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了实现人脸活体检测，本公开实施例提供了一种人脸活体检测方法，包括：获取由近红外相机采集的近红外图像数据及由可见光相机采集的可见光图像数据；将所述近红外图像数据及所述可见光图像数据输入到预设高级应用程序接口的填充接口中；利用所述预设高级应用程序接口通过原子操作的方式对所述填充接口中的可见光图像数据及近红外图像数据进行处理，得到人脸活体检测结果。在本公开实施例中，实现了人脸活体检测，并且利用预设高级应用程序接口通过原子操作的方式来得到人脸活体检测结果，相比于通过调用多个低级应用程序接口来得到人脸活体检测结果，只一次调用便可以实现人脸活体检测，能够降低人脸活体检测的开发成本和维护成本。
以下进行具体说明，在人脸活体检测技术中，需要对可见光图像数据及近红外图像数据进行多步处理后，才能得到人脸活体检测结果，则不同步骤的开发者所使用的SDK(Software Development Kit，软件开发工具包)往往是不同的，例如，可见光图像数据的处理由开发者1完成，开发者1使用的是SDK1，近红外图像数据由开发者2完成，开发者2使用的是SDK2，而实际场景中，可见光图像数据的处理及近红外图像数据的处理均会涉及多个步骤，设置会涉及到更多种类的SDK，从而导致出现多种SDK的情况。而不同SDK内部能力是独立的，不同的SDK原子API(Application Programming Interface，应用程序接口)的使用方式不同，集成开发成本和维护成本比较大。
参见图1，图1为本公开实施例的人脸活体检测方法的一种示意图，包括：
S101，获取由近红外相机采集的近红外图像数据及由可见光相机采集的可见光图像数据。
本公开实施例的中的人脸活体检测方法可以通过电子设备实现，该电子设备可以为智能终端(例如智能门禁、智能手机、扫脸支付终端等)或计算机等。一个例子中，该电子设备可以外接近红外相机及可见光相机，一个例子中，该电子设备中可以内置有近红外相机及可见光相机。近红外图像数据是指采集近红外光而生成的图像，可见光图像数据是指采集可见光而生产的图像。
S102，将所述近红外图像数据及所述可见光图像数据输入到预设高级应用程序接口的填充接口中。
预设Highlevel API的填充接口用于输入近红外图像数据及可见光图像数据。预设Highlevel API(Highlevel Application Programming Interface，高级应用程序接口)为预先针对人脸活体检测所设置的Highlevel API，Highlevel API无需用户自行管理各SDK的调用，Highlevel API可以通过指定工作例如zookeeper等自行管理各SDK的调用，也不需要管理处理过程中的分区、副本等情况，因此通过调用一次预设Highlevel API便可以实现利用可见光图像数据及近红外图像数据得到人脸活体检测结果，而无需用户管理多个SDK原子API的调用。
S103，利用所述预设高级应用程序接口通过原子操作的方式对所述填充接口中的可见光图像数据及近红外图像数据进行处理，得到人脸活体检测结果。
预设Highlevel API的填充接口对应有自动的Pipeline(管线)流程，通过Pipeline流程可以对填充接口中的近红外图像数据及可见光图像数据实现原子操作的处理方式，从而得到人脸活体检测结果。其中，原子操作指不会被线程调度机制打断的操作；原子操作可以包括一个操作步骤，也可以包括多个操作步骤，原子操作一旦开始，就一直运行到结束，是不可分割的，在执行完毕之前不会被其它任务或事件打断。
在本公开实施例中，利用可见光图像数据及近红外图像数据得到人脸活体检测结果，实现了人脸活体检测；并且通过预设Highlevel API的原子操作的方式来进行人脸活体检测，相比于多个SDK原子API的调用，能够降低集成开发成本和维护成本。
在一种可能的实施方式中，参见图2，所述利用所述预设高级应用程序接口通过原子操作的方式对所述填充接口中的可见光图像数据及近红外图像数据进行处理，得到人脸活体检测结果，包括：
利用所述预设高级应用程序接口通过原子操作的方式执行以下步骤：
S201，对所述填充接口中可见光图像数据及近红外图像数据进行非法数据的过滤，得到第一可见光图像数据及第一近红外图像数据。
非法数据是指不是可见光图像数据及近红外图像数据的数据。本公开实施例中的人脸活体检测方法是针对可见光图像数据及近红外图像数据进行分析，因此二者之外的数据视为非法数据。一个例子中，可以通过识别填充接口中数据的格式，来判断数据是否为非法数据；可见光图像数据及近红外图像数据均有对应的数据格式，若填充接口中的数据的格式与之不同，则判定为非法数据。
S202，对所述第一可见光图像数据进行可见光人脸活体检测，得到可见光人脸活体检测结果。
通过预设的可见光人脸活体检测技术，对第一可见光图像数据进行可见光人脸活体检测，得到可见光人脸活体检测结果。此处的可见光人脸活体检测技术可以参见相关技术中的可见光人脸活体检测技术，此处不做具体限定。
S203，对所述第一近红外图像数据进行近红外人脸活体检测，得到近红外人脸活体检测结果。
通过预设的近红外人脸活体检测，对第一近红外图像数据进行近红外人脸活体检测，得到近红外人脸活体检测结果。此处的近红外人脸活体检测技术可以参见相关技术中的近红外人脸活体检测技术，此处不做具体限定。
本公开实施例中，并不对S202及S203的执行顺序进行限定，可以先执行S202后S203，也可以先执行S203后S202，也可以同时执行S202及S203，均在本申请的保护范围内。
S204，根据所述可见光人脸活体检测结果及所述近红外人脸活体检测结果，得到人脸活体检测结果。
一个例子中，在可见光人脸活体检测结果及近红外人脸活体检测结果均为是活体人脸时，判定人脸活体检测结果为“是活体人脸”，否则判定人脸活体检测结果为“不是活体人脸”。一个例子中，可以对可见光人脸活体检测结果的置信度及近红外人脸活体检测的置信度进行加权平均，若得到的结果大于预设阈值，则判定人脸活体检测结果为“是活体人脸”，否则判定人脸活体检测结果为“不是活体人脸”。
在本公开实施例中，过滤了非法数据，能够保证人脸活体检测的顺利进行，结合可见光人脸活体检测结果及近红外人脸活体检测结果，来得到最终的人脸活体检测结果，相比于通过单一类型数据源来进行判断，能够增加人脸活体检测结果的准确性。
在一种可能的实施方式中，参见图3，所述对所述第一可见光图像数据进行可见光人脸活体检测，得到可见光人脸活体检测结果，包括：
S301，对所述第一可见光图像数据进行可见光人脸检测，得到包含人脸区域的第二可见光图像数据。
可以通过可见光人脸检测算法，例如，基于深度学习技术的可见光人脸检测模型等，对第一可见光图像数据进行可见光人脸检测，过滤掉不包含人脸区域的第一可见光图像数据，得到包含人脸区域的可见光图像数据称为第二可见光图像数据。
S302，对所述第二可见光图像数据的人脸区域进行人脸质量的检测，得到人脸区域的质量满足预设人脸质量标准的第三可见光图像数据。
人脸质量的检测的方式可以根据实际情况自定义设置，例如，可以通过检测人脸区域的大小、对比度等参数，来得到人脸区域的质量，当人脸区域的大小大于预设大小阈值、且人脸区域的对比度大于预设对比度阈值的情况下，判定人脸区域的质量满足预设人脸质量标准。
一个例子中，可以利用预先训练的深度学习打分模型，来对第二可见光图像数据的人脸区域进行人脸质量的打分，在人脸区域的质量得分大于预设分数阈值时，判定该人脸区域的质量满足预设人脸质量标准。一个例子中，深度学习打分模型可以通过标注有质量得分的人脸区域图像训练得到。
在一种可能的实施方式中，所述对所述第二可见光图像数据的人脸区域进行人脸质量的检测，得到人脸区域质量满足预设人脸质量标准的第三可见光图像数据，包括：
步骤一，对所述第二可见光图像数据的人脸区域进行人脸质量打分，得到所述第二可见光图像数据的人脸区域的人脸质量得分。
步骤二，选取人脸质量得分大于预设得分阈值的第二可见光图像数据，得到过滤后的第二可见光图像数据，并将过滤后的第二可见光图像数据存储到第一预设缓冲区中。
步骤三，在所述第一预设缓冲区中存储过滤后的第二可见光图像数据对应同一人员、且帧数达到预设第一帧数时，从所述第一预设缓冲区中获取人脸质量得分最高的第二可见光图像数据得到第三可见光图像数据，并清空所述第一预设缓冲区。
预设第一帧数可以根据实际情况自定义设置，例如可以设置为5、10、20、40等。一个例子中，在可见光人脸检测的过程中，还可以针对每个人员设置一个身份标识，例如人员ID，同一人员的第二可见光图像数据的身份标识相同，不同人员的第二可见光图像数据的身份标识不同。可以通过识别第二可见光图像数据的身份标识，来判断第二可见光图像数据对应的人员。
在本公开实施例中，在第一预设缓冲区中同一人员的多帧第二可见光图像数据中，选取人脸质量得分最高的第二可见光图像数据作为第三可见光图像数据，得到的第三可见光图像数据的人脸质量高，从而能够增加可见光人脸活体检测结果的准确度，最终增加人脸活体检测结果的准确度。
在一种可能的实施方式中，所述方法还包括：
在下一帧过滤后的第二可见光图像数据对应的人员发生变化时，清空所述第一预设缓冲区。
在本公开实施例中，若第一预设缓冲区中将要存储的下一帧过滤后的第二可见光图像数据对应的人员发生变化，则说明第一预设缓冲区中当前人员的第二可见光图像数据不足预设第一帧数，直接清空第一预设缓冲区，从而保证输出的第三可见光图像数据的人脸质量。
S303，对所述第三可见光图像数据的人脸区域进行人脸对齐，得到所述第三可见光图像数据的人脸关键点数据。
人脸对齐即根据输入的人脸区域图像，定位出人脸面部中例如眼睛、鼻尖、嘴角点、眉毛、轮廓点等关键点的过程，通过对第三可见光图像数据的人脸区域进行人脸对齐，可以得到第三可见光图像数据人脸区域中的人脸关键点数据。
S304，对所述第三可见光图像数据的人脸关键点数据进行人脸关键点质量的检测，得到人脸关键点数据的质量满足预设人脸关键点数据质量标准的第四可见光图像数据。
一个例子中，人脸关键点质量的检测可以包括模糊检测、遮挡检测、姿态检测、光照检测中的至少一种，例如，可以过滤掉模糊程度大于预设程度阈值、遮挡程度大于预设面积阈值、姿态角度大于预设角度阈值、光照亮度在阈值亮度区间外的图像数据，得到第四可见光图像数据。
在一种可能的实施方式中，所述对所述第三可见光图像数据的人脸关键点数据进行人脸关键点质量的检测，得到人脸关键点数据的质量满足预设人脸关键点数据质量标准的第四可见光图像数据，包括：
步骤一，在所述第三可见光图像数据中，过滤掉人脸关键点数据不符合真实人脸形态的图像数据，得到过滤后的第三可见光图像数据。
预先获取真实人脸形态，真实人脸形态表征真实人脸中各人脸关键点之间的相互位置关系，从而可以利用真实人脸形态过滤掉人脸关键点数据不符合真实人脸形态的图像数据，得到过滤后的第三可见光图像数据。
步骤二，按照预设指标参数对过滤后的第三可见光图像数据进行过滤，得到第四可见光图像数据，其中，所述预设指标参数包括模糊参数、遮挡参数、姿态参数及光照参数中的至少一种。
在本公开实施例中，通过真实人脸形态来过滤掉人脸关键点数据不符合真实人脸形态的图像数据，能够进一步增加过滤后的第四可见光图像数据的人脸质量，从而能够增加可见光人脸活体检测结果的准确度，最终增加人脸活体检测结果的准确度。
S305，对所述第四可见光图像数据进行人脸活体检测，得到可见光人脸活体检测结果。
基于可见光的人脸活体检测的具体方式可以参见相关技术中的可见光人脸活体检测技术，一个例子中，可以基于第四可见光图像数据中的人脸关键点数据来建立可见光人脸模型，通过比较可见光人脸模型与真实人脸模型的差异，来得到可见光人脸活体检测结果。
在本公开实施例中，第四可见光图像数据为多次过滤后的图像数据，第四可见光图像数据的人脸质量高，对包含高质量人脸的第四可见光图像数据进行人脸活体检测，得到的可见光人脸活体检测结果的准确度高，最终增加人脸活体检测结果的准确度。
在一种可能的实施方式中，所述对所述第四可见光图像数据进行人脸活体检测，得到可见光人脸活体检测结果，包括：
步骤一，对所述第四可见光图像数据进行人脸活体打分，得到所述第四可见光图像数据的人脸活体得分，并将所述第四可见光图像数据存储到第二预设缓冲区中。
一个例子中，可以利用预先训练的深度学习人脸活体打分模型，来对第四可见光图像数据进行人脸活体打分。其中，深度学习人脸活体打分模型可以通过标注有人脸活体得分的人脸图像训练得到。一个例子中，可基于第四可见光图像数据中的人脸关键点数据来建立可见光人脸模型，计算该可见光人脸模型与真实人脸模型的相似度，来作为人脸活体得分。
步骤二，在所述第二预设缓冲区中存储的第四可见光图像数据对应的人员不变，且帧数不小于预设第二帧数时，计算所述第二预设缓冲区最新存储的预设第二帧数的第四可见光图像数据中人脸活体得分大于预设人脸活体分数阈值的第四可见光图像数据的比例，得到第一比例。
例如，第二预设缓冲区中存储有X帧同一人员的第四可见光图像数据，预设第二帧数为N，且X大于N，则在第二预设缓冲区中选取最后存入的N帧第四可见光图像数据，计算选取的这N帧第四可见光图像数据中，人脸活体得分大于预设人脸活体分数阈值的图像数据的比例，得到第一比例。
步骤三，根据所述第一比例，得到当前人员的可见光人脸活体检测结果。
一个例子中，可以直接将第一比例作为当前人员的可见光人脸活体检测结果为“是活体人脸”的置信度。一个例子中，在第一比例大于预设比例阈值时，判断当前人员的可见光人脸活体检测结果为“是活体人脸”。
在本公开实施例中，结合预设第二帧数的第四可见光图像数据来得到当前人员的可见光人脸活体检测结果，能够减少单帧数据的偶然性，增加可见光人脸活体检测结果的可信度。
在实际场景中，可能会存在同一人员的第四可见光图像数据不足预设第二帧数的情况。在一种可能的实施方式中，所述方法还包括：
在所述第二预设缓冲区中存储的第四可见光图像数据不足预设第二帧数，且下一帧第四可见光图像数据对应的人员发生变化时，根据所述第二预设缓冲区中最新一帧第四可见光图像数据的人脸活体得分，确定当前人员的可见光人脸活体检测结果，并清空所述第二预设缓冲区。
根据第二预设缓冲区中最新一帧第四可见光图像数据的人脸活体得分，得到当前人员的可见光人脸活体检测结果，例如，可以直接将最新一帧第四可见光图像数据的人脸活体得分，作为当前人员的可见光人脸活体检测结果为“是活体人脸”的置信度；或者，可以在最新一帧第四可见光图像数据的人脸活体得分大于预设得分阈值时，判断当前人员的可见光人脸活体检测结果为“是活体人脸”。
在本公开实施例中，实现了同一人员的第四可见光图像数据不足预设第二帧数的情况下可见光人脸活体检测结果的输出。此外，根据第二预设缓冲区中最新一帧第四可见光图像数据的人脸活体得分，得到当前人员的可见光人脸活体检测结果，并清空第二预设缓冲区，能够保证第二预设缓冲区中仅存储同一人员的第四可见光图像数据，便于同一人员的人脸活体检测。
在一种可能的实施方式中，参见图4，所述对所述第一近红外图像数据进行近红外人脸活体检测，得到近红外人脸活体检测结果，包括：
S401，对所述第一近红外图像数据进行近红外人脸检测，得到包含人脸区域的第二近红外图像数据。
可以通过近红外人脸检测算法，例如，基于深度学习技术的近红外人脸检测模型等，对第一近红外图像数据进行近红外人脸检测，过滤掉不包含人脸区域的第一近红外图像数据，得到包含人脸区域的近红外图像数据称为第二近红外图像数据。
S402，对所述第二近红外图像数据的人脸区域进行人脸对齐，得到所述第二近红外图像数据的人脸关键点数据。
人脸对齐即根据输入的人脸区域图像，定位出人脸面部中例如眼睛、鼻尖、嘴角点、眉毛、轮廓点等关键点的过程，通过对第三可见光图像数据的人脸区域进行人脸对齐，可以得到第三可见光图像数据人脸区域中的人脸关键点数据。
S403，对所述第二近红外图像数据的人脸关键点数据进行人脸关键点质量的检测，得到人脸关键点数据的质量满足预设人脸关键点数据质量标准的第三近红外图像数据。
一个例子中，人脸关键点质量的检测可以包括模糊检测、遮挡检测、姿态检测、光照检测中的至少一种，例如，可以过滤掉模糊程度大于预设程度阈值、遮挡程度大于预设面积阈值、姿态角度大于预设角度阈值、光照亮度在阈值亮度区间外的图像数据，得到第三近红外图像数据。
S404，对所述第三近红外图像数据进行人脸活体检测，得到近红外人脸活体检测结果。
基于近红外的人脸活体检测的具体方式可以参见相关技术中的近红外人脸活体检测技术，一个例子中，可以基于第四近红外图像数据中的人脸关键点数据来建立近红外人脸模型，通过比较近红外人脸模型与真实人脸模型的差异，来得到近红外人脸活体检测结果。
在本公开实施例中，第三近红外图像数据为多次过滤后的图像数据，第三近红外图像数据的人脸质量高，对包含高质量人脸的第三近红外图像数据进行人脸活体检测，得到的近红外人脸活体检测结果的准确度高，最终增加人脸活体检测结果的准确度。
在一种可能的实施方式中，对所述第三近红外图像数据进行人脸活体检测，得到近红外人脸活体检测结果，包括：
步骤一，对所述第三近红外图像数据进行人脸活体打分，得到所述第三近红外图像数据的人脸活体得分，并将所述第三近红外图像数据存储到第三预设缓冲区中；
一个例子中，可以利用预先训练的深度学习人脸活体打分模型，来对第三近红外图像数据进行人脸活体打分。其中，深度学习人脸活体打分模型可以通过标注有人脸活体得分的人脸图像训练得到。一个例子中，可基于第三近红外图像数据中的人脸关键点数据来建立近红外人脸模型，计算该近红外人脸模型与真实人脸模型的相似度，来作为人脸活体得分。
步骤二，在所述第三预设缓冲区中存储的第三近红外图像数据对应的人员不变，且帧数不小于预设第二帧数时，计算所述第三预设缓冲区最新存储的预设第二帧数的第三近红外图像数据中人脸活体得分大于预设人脸活体分数阈值的第三近红外图像数据的比例，得到第二比例；
例如，第三预设缓冲区中存储有X帧同一人员的第三近红外图像数据，预设第二帧数为N，且X大于N，则在第三预设缓冲区中选取最后存入的N帧第三近红外图像数据，计算选取的这N帧第三近红外图像数据中，人脸活体得分大于预设人脸活体分数阈值的图像数据的比例，得到第二比例。
步骤三，根据所述第二比例，得到当前人员的近红外人脸活体检测结果。
一个例子中，可以直接将第一比例作为当前人员的近红外人脸活体检测结果为“是活体人脸”的置信度。一个例子中，在第一比例大于预设比例阈值时，判断当前人员的近红外人脸活体检测结果为“是活体人脸”。
在本公开实施例中，结合预设第二帧数的第三近红外图像数据来得到当前人员的近红外人脸活体检测结果，能够减少单帧数据的偶然性，增加近红外人脸活体检测结果的可信度。
在实际场景中，可能会存在同一人员的第三近红外图像数据不足预设第二帧数的情况。
在一种可能的实施方式中，所述方法还包括：
在所述第三预设缓冲区中存储的第三近红外图像数据不足预设第二帧数，且下一帧第三近红外图像数据对应的人员发生变化时，根据所述第三预设缓冲区中最新一帧第三近红外图像数据的人脸活体得分，确定当前人员的近红外人脸活体检测结果，并清空所述第三预设缓冲区。
根据第三预设缓冲区中最新一帧第三近红外图像数据的人脸活体得分，得到当前人员的近红外人脸活体检测结果，例如，可以直接将最新一帧第三近红外图像数据的人脸活体得分，作为当前人员的近红外人脸活体检测结果为“是活体人脸”的置信度；或者，可以在最新一帧第三近红外图像数据的人脸活体得分大于预设得分阈值时，判断当前人员的近红外人脸活体检测结果为“是活体人脸”。
在本公开实施例中，实现了同一人员的第三近红外图像数据不足预设第二帧数的情况下近红外人脸活体检测结果的输出。此外，根据第二预设缓冲区中最新一帧第三近红外图像数据的人脸活体得分，得到当前人员的近红外人脸活体检测结果，并清空第三预设缓冲区，能够保证第三预设缓冲区中仅存储同一人员的第三近红外图像数据，便于同一人员的人脸活体检测。
在一种可能的实施方式中，所述方法还包括：
步骤A，针对任一帧第三近红外图像数据，将该第三近红外图像数据对应的可见光图像数据中人员的身份标识作为该第三近红外图像数据中人员的身份标识，其中，同一时刻采集的可见光图像数据与近红外图像数据相互对应。
步骤B，当相邻的第三近红外图像数据中人员的身份标识不同时，判定人员发生变化。
近红外光中包含的数据量要小于可见光图像中包含的数据量，因此无法直接利用近红外图像数据来判定人员是否发生变化，在本公开实施例中，同一时刻采集的可见光图像数据与近红外图像数据相互对应，对应的可见光图像数据与近红外图像数据采集的为同一人员的图像，因此可以利用可见光图像数据中人员的身份标识，来判断对应的近红外图像数据中的人员是否发生变化。
本公开实施例提供了一种人脸活体检测装置，参见图5，所述装置包括：
图像数据获取模块501，用于获取由近红外相机采集的近红外图像数据及由可见光相机采集的可见光图像数据；
图像数据输入模块502，用于将所述近红外图像数据及所述可见光图像数据输入到预设高级应用程序接口的填充接口中；
人脸活体检测模块503，用于利用所述预设高级应用程序接口通过原子操作的方式对所述填充接口中的可见光图像数据及近红外图像数据进行处理，得到人脸活体检测结果。
在一种可能的实施方式中，所述人脸活体检测模块，包括：
高级应用程序接口子模块，用于通过原子操作的方式调用如下子模块：
非法数据过滤子模块，用于对所述填充接口中可见光图像数据及近红外图像数据进行非法数据的过滤，得到第一可见光图像数据及第一近红外图像数据；
可见光检测子模块，用于对所述第一可见光图像数据进行可见光人脸活体检测，得到可见光人脸活体检测结果；
近红外检测子模块，用于对所述第一近红外图像数据进行近红外人脸活体检测，得到近红外人脸活体检测结果；
人脸活体检测子模块，用于根据所述可见光人脸活体检测结果及所述近红外人脸活体检测结果，得到人脸活体检测结果。
在一种可能的实施方式中，所述可见光检测子模块，包括：
第一过滤单元，用于对所述第一可见光图像数据进行可见光人脸检测，得到包含人脸区域的第二可见光图像数据；
第二过滤单元，用于对所述第二可见光图像数据的人脸区域进行人脸质量的检测，得到人脸区域的质量满足预设人脸质量标准的第三可见光图像数据；
第三过滤单元，用于对所述第三可见光图像数据的人脸区域进行人脸对齐，得到所述第三可见光图像数据的人脸关键点数据；
第四过滤单元，用于对所述第三可见光图像数据的人脸关键点数据进行人脸关键点质量的检测，得到人脸关键点数据的质量满足预设人脸关键点数据质量标准的第四可见光图像数据；
可见光活体检测单元，用于对所述第四可见光图像数据进行人脸活体检测，得到可见光人脸活体检测结果。
在一种可能的实施方式中，所述第二过滤单元，具体用于：
对所述第二可见光图像数据的人脸区域进行人脸质量打分，得到所述第二可见光图像数据的人脸区域的人脸质量得分；
选取人脸质量得分大于预设得分阈值的第二可见光图像数据，得到过滤后的第二可见光图像数据，并将过滤后的第二可见光图像数据存储到第一预设缓冲区中；
在所述第一预设缓冲区中存储过滤后的第二可见光图像数据对应同一人员、且帧数达到预设第一帧数时，从所述第一预设缓冲区中获取人脸质量得分最高的第二可见光图像数据得到第三可见光图像数据，并清空所述第一预设缓冲区。
在一种可能的实施方式中，所述第二过滤单元，还用于：在下一帧过滤后的第二可见光图像数据对应的人员发生变化时，清空所述第一预设缓冲区。
在一种可能的实施方式中，所述第四过滤单元，具体用于：
在所述第三可见光图像数据中，过滤掉人脸关键点数据不符合真实人脸形态的图像数据，得到过滤后的第三可见光图像数据；
按照预设指标参数对过滤后的第三可见光图像数据进行过滤，得到第四可见光图像数据，其中，所述预设指标参数包括模糊参数、遮挡参数、姿态参数及光照参数中的至少一种。
在一种可能的实施方式中，所述活体检测单元，具体用于：
对所述第四可见光图像数据进行人脸活体打分，得到所述第四可见光图像数据的人脸活体得分，并将所述第四可见光图像数据存储到第二预设缓冲区中；
在所述第二预设缓冲区中存储的第四可见光图像数据对应的人员不变，且帧数不小于预设第二帧数时，计算所述第二预设缓冲区最新存储的预设第二帧数的第四可见光图像数据中人脸活体得分大于预设人脸活体分数阈值的第四可见光图像数据的比例，得到第一比例；
根据所述第一比例，得到当前人员的可见光人脸活体检测结果。
在一种可能的实施方式中，所述活体检测单元，具体用于：
在所述第二预设缓冲区中存储的第四可见光图像数据不足预设第二帧数，且下一帧第四可见光图像数据对应的人员发生变化时，根据所述第二预设缓冲区中最新一帧第四可见光图像数据的人脸活体得分，确定当前人员的可见光人脸活体检测结果，并清空所述第二预设缓冲区。
在一种可能的实施方式中，所述近红外检测子模块，包括：
第五过滤单元，用于对所述第一近红外图像数据进行近红外人脸检测，得到包含人脸区域的第二近红外图像数据；
第六过滤单元，用于对所述第二近红外图像数据的人脸区域进行人脸对齐，得到所述第二近红外图像数据的人脸关键点数据；
第七过滤单元，用于对所述第二近红外图像数据的人脸关键点数据进行人脸关键点质量的检测，得到人脸关键点数据的质量满足预设人脸关键点数据质量标准的第三近红外图像数据；
近红外活体检测单元，用于对所述第三近红外图像数据进行人脸活体检测，得到近红外人脸活体检测结果。
在一种可能的实施方式中，所述近红外活体检测单元，具体用于：
对所述第三近红外图像数据进行人脸活体打分，得到所述第三近红外图像数据的人脸活体得分，并将所述第三近红外图像数据存储到第三预设缓冲区中；
在所述第三预设缓冲区中存储的第三近红外图像数据对应的人员不变，且帧数不小于预设第二帧数时，计算所述第三预设缓冲区最新存储的预设第二帧数的第三近红外图像数据中人脸活体得分大于预设人脸活体分数阈值的第三近红外图像数据的比例，得到第二比例；
根据所述第二比例，得到当前人员的近红外人脸活体检测结果。
在一种可能的实施方式中，所述近红外活体检测单元，还用于：
在所述第三预设缓冲区中存储的第三近红外图像数据不足预设第二帧数，且下一帧第三近红外图像数据对应的人员发生变化时，根据所述第三预设缓冲区中最新一帧第三近红外图像数据的人脸活体得分，确定当前人员的近红外人脸活体检测结果，并清空所述第三预设缓冲区。
在一种可能的实施方式中，所述装置还包括：
身份标识生成模块，用于：针对任一帧第三近红外图像数据，将该第三近红外图像数据对应的可见光图像数据中人员的身份标识作为该第三近红外图像数据中人员的身份标识，其中，同一时刻采集的可见光图像数据与近红外图像数据相互对应；当相邻的第三近红外图像数据中人员的身份标识不同时，判定人员发生变化。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。需要说明的是，本实施例中的人脸模型并不是针对某一特定用户的人头模型，并不能反映出某一特定用户的个人信息。需要说明的是，本实施例中的人脸图像来自于公开数据集。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
其中，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指令，所述指令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本公开中任一所述的人脸活体检测方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一所述的人脸活体检测方法。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如人脸活体检测方法。例如，在一些实施例中，人脸活体检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的人脸活体检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人脸活体检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (27)

1.一种人脸活体检测方法，所述方法包括：
获取由近红外相机采集的近红外图像数据及由可见光相机采集的可见光图像数据；
将所述近红外图像数据及所述可见光图像数据输入到预设高级应用程序接口的填充接口中；
利用所述预设高级应用程序接口通过原子操作的方式对所述填充接口中的可见光图像数据及近红外图像数据进行处理，得到人脸活体检测结果。
2.根据权利要求1所述的方法，其中，所述利用所述预设高级应用程序接口通过原子操作的方式对所述填充接口中的可见光图像数据及近红外图像数据进行处理，得到人脸活体检测结果，包括：
利用所述预设高级应用程序接口通过原子操作的方式执行以下步骤：
对所述填充接口中可见光图像数据及近红外图像数据进行非法数据的过滤，得到第一可见光图像数据及第一近红外图像数据；
对所述第一可见光图像数据进行可见光人脸活体检测，得到可见光人脸活体检测结果；
对所述第一近红外图像数据进行近红外人脸活体检测，得到近红外人脸活体检测结果；
根据所述可见光人脸活体检测结果及所述近红外人脸活体检测结果，得到人脸活体检测结果。
3.根据权利要求2所述的方法，其中，所述对所述第一可见光图像数据进行可见光人脸活体检测，得到可见光人脸活体检测结果，包括：
对所述第一可见光图像数据进行可见光人脸检测，得到包含人脸区域的第二可见光图像数据；
对所述第二可见光图像数据的人脸区域进行人脸质量的检测，得到人脸区域的质量满足预设人脸质量标准的第三可见光图像数据；
对所述第三可见光图像数据的人脸区域进行人脸对齐，得到所述第三可见光图像数据的人脸关键点数据；
对所述第三可见光图像数据的人脸关键点数据进行人脸关键点质量的检测，得到人脸关键点数据的质量满足预设人脸关键点数据质量标准的第四可见光图像数据；
对所述第四可见光图像数据进行人脸活体检测，得到可见光人脸活体检测结果。
4.根据权利要求3所述的方法，其中，所述对所述第二可见光图像数据的人脸区域进行人脸质量的检测，得到人脸区域质量满足预设人脸质量标准的第三可见光图像数据，包括：
对所述第二可见光图像数据的人脸区域进行人脸质量打分，得到所述第二可见光图像数据的人脸区域的人脸质量得分；
选取人脸质量得分大于预设得分阈值的第二可见光图像数据，得到过滤后的第二可见光图像数据，并将过滤后的第二可见光图像数据存储到第一预设缓冲区中；
在所述第一预设缓冲区中存储过滤后的第二可见光图像数据对应同一人员、且帧数达到预设第一帧数时，从所述第一预设缓冲区中获取人脸质量得分最高的第二可见光图像数据得到第三可见光图像数据，并清空所述第一预设缓冲区。
5.根据权利要求4所述的方法，所述方法还包括：
在下一帧过滤后的第二可见光图像数据对应的人员发生变化时，清空所述第一预设缓冲区。
6.根据权利要求3所述的方法，其中，所述对所述第三可见光图像数据的人脸关键点数据进行人脸关键点质量的检测，得到人脸关键点数据的质量满足预设人脸关键点数据质量标准的第四可见光图像数据，包括：
在所述第三可见光图像数据中，过滤掉人脸关键点数据不符合真实人脸形态的图像数据，得到过滤后的第三可见光图像数据；
按照预设指标参数对过滤后的第三可见光图像数据进行过滤，得到第四可见光图像数据，其中，所述预设指标参数包括模糊参数、遮挡参数、姿态参数及光照参数中的至少一种。
7.根据权利要求3所述的方法，其中，所述对所述第四可见光图像数据进行人脸活体检测，得到可见光人脸活体检测结果，包括：
对所述第四可见光图像数据进行人脸活体打分，得到所述第四可见光图像数据的人脸活体得分，并将所述第四可见光图像数据存储到第二预设缓冲区中；
在所述第二预设缓冲区中存储的第四可见光图像数据对应的人员不变，且帧数不小于预设第二帧数时，计算所述第二预设缓冲区最新存储的预设第二帧数的第四可见光图像数据中人脸活体得分大于预设人脸活体分数阈值的第四可见光图像数据的比例，得到第一比例；
根据所述第一比例，得到当前人员的可见光人脸活体检测结果。
8.根据权利要求7所述的方法，所述方法还包括：
在所述第二预设缓冲区中存储的第四可见光图像数据不足预设第二帧数，且下一帧第四可见光图像数据对应的人员发生变化时，根据所述第二预设缓冲区中最新一帧第四可见光图像数据的人脸活体得分，确定当前人员的可见光人脸活体检测结果，并清空所述第二预设缓冲区。
9.根据权利要求2所述的方法，其中，所述对所述第一近红外图像数据进行近红外人脸活体检测，得到近红外人脸活体检测结果，包括：
对所述第一近红外图像数据进行近红外人脸检测，得到包含人脸区域的第二近红外图像数据；
对所述第二近红外图像数据的人脸区域进行人脸对齐，得到所述第二近红外图像数据的人脸关键点数据；
对所述第二近红外图像数据的人脸关键点数据进行人脸关键点质量的检测，得到人脸关键点数据的质量满足预设人脸关键点数据质量标准的第三近红外图像数据；
对所述第三近红外图像数据进行人脸活体检测，得到近红外人脸活体检测结果。
10.根据权利要求9所述的方法，其中，对所述第三近红外图像数据进行人脸活体检测，得到近红外人脸活体检测结果，包括：
对所述第三近红外图像数据进行人脸活体打分，得到所述第三近红外图像数据的人脸活体得分，并将所述第三近红外图像数据存储到第三预设缓冲区中；
在所述第三预设缓冲区中存储的第三近红外图像数据对应的人员不变，且帧数不小于预设第二帧数时，计算所述第三预设缓冲区最新存储的预设第二帧数的第三近红外图像数据中人脸活体得分大于预设人脸活体分数阈值的第三近红外图像数据的比例，得到第二比例；
根据所述第二比例，得到当前人员的近红外人脸活体检测结果。
11.根据权利要求10所述的方法，所述方法还包括：
在所述第三预设缓冲区中存储的第三近红外图像数据不足预设第二帧数，且下一帧第三近红外图像数据对应的人员发生变化时，根据所述第三预设缓冲区中最新一帧第三近红外图像数据的人脸活体得分，确定当前人员的近红外人脸活体检测结果，并清空所述第三预设缓冲区。
12.根据权利要求10或11所述的方法，所述方法还包括：
针对任一帧第三近红外图像数据，将该第三近红外图像数据对应的可见光图像数据中人员的身份标识作为该第三近红外图像数据中人员的身份标识，其中，同一时刻采集的可见光图像数据与近红外图像数据相互对应；
当相邻的第三近红外图像数据中人员的身份标识不同时，判定人员发生变化。
13.一种人脸活体检测装置，所述装置包括：
图像数据获取模块，用于获取由近红外相机采集的近红外图像数据及由可见光相机采集的可见光图像数据；
图像数据输入模块，用于将所述近红外图像数据及所述可见光图像数据输入到预设高级应用程序接口的填充接口中；
人脸活体检测模块，用于利用所述预设高级应用程序接口通过原子操作的方式对所述填充接口中的可见光图像数据及近红外图像数据进行处理，得到人脸活体检测结果。
14.根据权利要求13所述的装置，其中，所述人脸活体检测模块，包括：
高级应用程序接口子模块，用于通过原子操作的方式调用如下子模块：
非法数据过滤子模块，用于对所述填充接口中可见光图像数据及近红外图像数据进行非法数据的过滤，得到第一可见光图像数据及第一近红外图像数据；
可见光检测子模块，用于对所述第一可见光图像数据进行可见光人脸活体检测，得到可见光人脸活体检测结果；
近红外检测子模块，用于对所述第一近红外图像数据进行近红外人脸活体检测，得到近红外人脸活体检测结果；
人脸活体检测子模块，用于根据所述可见光人脸活体检测结果及所述近红外人脸活体检测结果，得到人脸活体检测结果。
15.根据权利要求14所述的装置，其中，所述可见光检测子模块，包括：
第一过滤单元，用于对所述第一可见光图像数据进行可见光人脸检测，得到包含人脸区域的第二可见光图像数据；
第二过滤单元，用于对所述第二可见光图像数据的人脸区域进行人脸质量的检测，得到人脸区域的质量满足预设人脸质量标准的第三可见光图像数据；
第三过滤单元，用于对所述第三可见光图像数据的人脸区域进行人脸对齐，得到所述第三可见光图像数据的人脸关键点数据；
第四过滤单元，用于对所述第三可见光图像数据的人脸关键点数据进行人脸关键点质量的检测，得到人脸关键点数据的质量满足预设人脸关键点数据质量标准的第四可见光图像数据；
可见光活体检测单元，用于对所述第四可见光图像数据进行人脸活体检测，得到可见光人脸活体检测结果。
16.根据权利要求15所述的装置，其中，所述第二过滤单元，具体用于：
对所述第二可见光图像数据的人脸区域进行人脸质量打分，得到所述第二可见光图像数据的人脸区域的人脸质量得分；
选取人脸质量得分大于预设得分阈值的第二可见光图像数据，得到过滤后的第二可见光图像数据，并将过滤后的第二可见光图像数据存储到第一预设缓冲区中；
在所述第一预设缓冲区中存储过滤后的第二可见光图像数据对应同一人员、且帧数达到预设第一帧数时，从所述第一预设缓冲区中获取人脸质量得分最高的第二可见光图像数据得到第三可见光图像数据，并清空所述第一预设缓冲区。
17.根据权利要求16所述的装置，所述第二过滤单元，还用于：在下一帧过滤后的第二可见光图像数据对应的人员发生变化时，清空所述第一预设缓冲区。
18.根据权利要求15所述的装置，其中，所述第四过滤单元，具体用于：
在所述第三可见光图像数据中，过滤掉人脸关键点数据不符合真实人脸形态的图像数据，得到过滤后的第三可见光图像数据；
按照预设指标参数对过滤后的第三可见光图像数据进行过滤，得到第四可见光图像数据，其中，所述预设指标参数包括模糊参数、遮挡参数、姿态参数及光照参数中的至少一种。
19.根据权利要求15所述的装置，其中，所述活体检测单元，具体用于：
对所述第四可见光图像数据进行人脸活体打分，得到所述第四可见光图像数据的人脸活体得分，并将所述第四可见光图像数据存储到第二预设缓冲区中；
在所述第二预设缓冲区中存储的第四可见光图像数据对应的人员不变，且帧数不小于预设第二帧数时，计算所述第二预设缓冲区最新存储的预设第二帧数的第四可见光图像数据中人脸活体得分大于预设人脸活体分数阈值的第四可见光图像数据的比例，得到第一比例；
根据所述第一比例，得到当前人员的可见光人脸活体检测结果。
20.根据权利要求19所述的装置，所述活体检测单元，具体用于：
在所述第二预设缓冲区中存储的第四可见光图像数据不足预设第二帧数，且下一帧第四可见光图像数据对应的人员发生变化时，根据所述第二预设缓冲区中最新一帧第四可见光图像数据的人脸活体得分，确定当前人员的可见光人脸活体检测结果，并清空所述第二预设缓冲区。
21.根据权利要求14所述的装置，其中，所述近红外检测子模块，包括：
第五过滤单元，用于对所述第一近红外图像数据进行近红外人脸检测，得到包含人脸区域的第二近红外图像数据；
第六过滤单元，用于对所述第二近红外图像数据的人脸区域进行人脸对齐，得到所述第二近红外图像数据的人脸关键点数据；
第七过滤单元，用于对所述第二近红外图像数据的人脸关键点数据进行人脸关键点质量的检测，得到人脸关键点数据的质量满足预设人脸关键点数据质量标准的第三近红外图像数据；
近红外活体检测单元，用于对所述第三近红外图像数据进行人脸活体检测，得到近红外人脸活体检测结果。
22.根据权利要求21所述的装置，其中，所述近红外活体检测单元，具体用于：
对所述第三近红外图像数据进行人脸活体打分，得到所述第三近红外图像数据的人脸活体得分，并将所述第三近红外图像数据存储到第三预设缓冲区中；
在所述第三预设缓冲区中存储的第三近红外图像数据对应的人员不变，且帧数不小于预设第二帧数时，计算所述第三预设缓冲区最新存储的预设第二帧数的第三近红外图像数据中人脸活体得分大于预设人脸活体分数阈值的第三近红外图像数据的比例，得到第二比例；
根据所述第二比例，得到当前人员的近红外人脸活体检测结果。
23.根据权利要求22所述的装置，所述近红外活体检测单元，还用于：
在所述第三预设缓冲区中存储的第三近红外图像数据不足预设第二帧数，且下一帧第三近红外图像数据对应的人员发生变化时，根据所述第三预设缓冲区中最新一帧第三近红外图像数据的人脸活体得分，确定当前人员的近红外人脸活体检测结果，并清空所述第三预设缓冲区。
24.根据权利要求22或23所述的装置，所述装置还包括：
身份标识生成模块，用于：针对任一帧第三近红外图像数据，将该第三近红外图像数据对应的可见光图像数据中人员的身份标识作为该第三近红外图像数据中人员的身份标识，其中，同一时刻采集的可见光图像数据与近红外图像数据相互对应；当相邻的第三近红外图像数据中人员的身份标识不同时，判定人员发生变化。
25.一种电子设备，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指令，所述指令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权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。
27.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。
CN202111349810.4A 2021-11-15 2021-11-15 人脸活体检测方法、装置、电子设备及存储介质 Active CN113989903B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111349810.4A CN113989903B (zh) 2021-11-15 2021-11-15 人脸活体检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111349810.4A CN113989903B (zh) 2021-11-15 2021-11-15 人脸活体检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113989903A true CN113989903A (zh) 2022-01-28
CN113989903B CN113989903B (zh) 2023-08-29

Family

ID=79748567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111349810.4A Active CN113989903B (zh) 2021-11-15 2021-11-15 人脸活体检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113989903B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378120A (zh) * 2019-07-17 2019-10-25 腾讯科技（深圳）有限公司 应用程序接口攻击检测方法、装置以及可读存储介质
CN110960857A (zh) * 2019-12-03 2020-04-07 米哈游科技（上海）有限公司 一种游戏数据监控方法、装置、电子设备及存储介质
CN111063079A (zh) * 2019-11-27 2020-04-24 深圳云天励飞技术有限公司 一种基于门禁系统的双目活体人脸检测方法及装置
CN112036277A (zh) * 2020-08-20 2020-12-04 浙江大华技术股份有限公司 一种人脸识别方法、电子设备以及计算机可读存储介质
CN112132046A (zh) * 2020-09-24 2020-12-25 天津锋物科技有限公司 一种静态活体检测方法及系统
CN112613471A (zh) * 2020-12-31 2021-04-06 中移（杭州）信息技术有限公司 人脸活体检测方法、装置及计算机可读存储介质
CN113642519A (zh) * 2021-08-31 2021-11-12 京东方科技集团股份有限公司 一种人脸识别系统和人脸识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378120A (zh) * 2019-07-17 2019-10-25 腾讯科技（深圳）有限公司 应用程序接口攻击检测方法、装置以及可读存储介质
CN111063079A (zh) * 2019-11-27 2020-04-24 深圳云天励飞技术有限公司 一种基于门禁系统的双目活体人脸检测方法及装置
CN110960857A (zh) * 2019-12-03 2020-04-07 米哈游科技（上海）有限公司 一种游戏数据监控方法、装置、电子设备及存储介质
CN112036277A (zh) * 2020-08-20 2020-12-04 浙江大华技术股份有限公司 一种人脸识别方法、电子设备以及计算机可读存储介质
CN112132046A (zh) * 2020-09-24 2020-12-25 天津锋物科技有限公司 一种静态活体检测方法及系统
CN112613471A (zh) * 2020-12-31 2021-04-06 中移（杭州）信息技术有限公司 人脸活体检测方法、装置及计算机可读存储介质
CN113642519A (zh) * 2021-08-31 2021-11-12 京东方科技集团股份有限公司 一种人脸识别系统和人脸识别方法

Also Published As

Publication number Publication date
CN113989903B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN111914628B (zh) 人脸识别模型的训练方法和装置
CN113221771B (zh) 活体人脸识别方法、装置、设备、存储介质及程序产品
CN113343826A (zh) 人脸活体检测模型的训练方法、人脸活体检测方法及装置
CN110705337A (zh) 一种针对眼镜遮挡的人脸识别方法及装置
CN113869429A (zh) 模型训练方法及图像处理方法
CN113361363A (zh) 人脸图像识别模型的训练方法、装置、设备及存储介质
CN113420681A (zh) 行为识别及模型训练的方法、设备、存储介质和程序产品
CN113569708A (zh) 活体识别方法、装置、电子设备以及存储介质
CN110390344A (zh) 备选框更新方法及装置
CN114037087A (zh) 模型训练方法及装置、深度预测方法及装置、设备和介质
CN114529962A (zh) 图像特征处理方法、装置、电子设备及存储介质
CN114387651B (zh) 一种人脸识别方法、装置、设备及存储介质
CN113989903A (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN115116111B (zh) 抗扰动人脸活体检测模型训练方法、装置及电子设备
CN114445898B (zh) 人脸活体检测方法、装置、设备、存储介质及程序产品
CN114415997B (zh) 显示参数设置方法、装置、电子设备及存储介质
CN115249281B (zh) 图像遮挡和模型训练方法、装置、设备以及存储介质
CN115116130A (zh) 一种通话动作识别方法、装置、设备以及存储介质
CN114842541A (zh) 模型的训练及人脸识别方法、装置、设备以及存储介质
CN113553905A (zh) 图像识别方法、装置及系统
CN114550269A (zh) 口罩佩戴检测方法、设备和介质
CN113850203A (zh) 粘连检测模型训练、粘连检测方法及相关装置
CN113793290B (zh) 一种视差确定方法、装置、设备、介质
CN113362218B (zh) 数据处理方法、装置、电子设备及存储介质
CN114387652A (zh) 图像识别方法、识别模型的训练方法、装置和电子设备

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