CN115761867A - 基于人脸图像的身份检测方法、装置、介质及设备 - Google Patents

Abstract

本申请实施例提供一种基于人脸图像的身份检测方法、装置、介质及设备，该方法包括：获取炫光视频；从炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；判断视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到炫光视频中的待检测人脸是否通过身份检测的第一判断结果。通过给待识别人脸录制一段在炫光环境下拍摄的炫光视频，并判断基于炫光视频构建的视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，进而判断炫光视频中的待检测人脸是否通过身份检测，能够避免有意图攻击人脸识别系统的人利用照片通过人脸识别系统的检测。

Description

基于人脸图像的身份检测方法、装置、介质及设备

技术领域

本申请涉及电子通信技术领域，尤其涉及一种数据更新技术领域，特别涉及一种基于人脸图像的身份检测方法、装置、介质及设备。

背景技术

随着技术的不断发展，人脸识别的应用场景越来越广泛，但同时网络黑产利用假人脸完成线上人脸识别造成客户损失的例子司空见惯。因此在各种业务场景下人脸识别的过程中对客户真实性、安全性和可信度的成了至关重要的问题。在市场中存在较多的活体识别产品，但目前这些产品都存在着较明显的不足，主要体现在只利用了人脸二维的信息，让有意图攻击人脸识别系统的人能够利用有权限的用户照片做伪装骗过人脸识别系统。

发明内容

本申请实施例提供一种基于人脸图像的身份检测方法、装置、介质及设备，利用本申请实施例提供的基于人脸图像的身份检测方法，通过给待识别人脸录制一段在炫光环境下拍摄的炫光视频，并判断基于炫光视频构建的视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，进而判断炫光视频中的待检测人脸是否通过身份检测。能够避免有意图攻击人脸识别系统的人利用照片通过人脸识别系统的检测。

本申请实施例一方面提供了一种基于人脸图像的身份检测方法，所述基于人脸图像的身份检测方法包括：

获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据；

从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；

判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

在本申请实施例所述的基于人脸图像的身份检测方法中，所述判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果，包括：

分别提取所述视频帧图像序列中各张视频帧图像的图像特征，构建具有时序信息的特征序列；

将所述特征序列输入训练好的时序模型中进行时序判断，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

在本申请实施例所述的基于人脸图像的身份检测方法中，所述将所述特征序列输入训练好的时序模型中进行时序判断，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果，包括：

将所述特征序列输入训练好的时序模型中，输出与所述特征序列对应的第一概率值；

根据所述第一概率值与第一预设阈值的差值大小确定所述炫光视频中的待检测人脸是否通过身份检测。

在本申请实施例所述的基于人脸图像的身份检测方法中，所述从所述炫光视频中选取若干张关键视频帧图像，包括：

从所述炫光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检测人脸且所述待检测人脸的大小是否满足预设大小；

若获取到的图像帧包含所述待检测人脸且所述待检测人脸的大小满足预设大小条件，则确定获取到的图像帧为关键视频帧图像。

在本申请实施例所述的基于人脸图像的身份检测方法中，在所述从所述炫光视频中选取若干张关键视频帧图像之后，所述方法还包括：

获取所述关键视频帧图像的中心区域，根据所述中心区域对所述关键视频帧图像进行裁剪。

在本申请实施例所述的基于人脸图像的身份检测方法中，在所述得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果之前，所述方法还包括：

将所述视频帧图像序列输入训练好的深度图神经网络模型中进行活体检测操作，得到所述炫光视频中的待检测人脸是否为活体的第二判断结果；

根据所述第一判断结果与第二判断结果综合判断所述炫光视频中的待检测人脸是否通过身份检测。

在本申请实施例所述的基于人脸图像的身份检测方法中，所述根据所述第一判断结果与第二判断结果综合判断所述炫光视频中的待检测人脸是否通过身份检测，包括：

将所述特征序列输入训练好的时序模型中，输出与所述特征序列对应的第一概率值；

获取深度图神经网络模型输出与所述特征序列对应的第二概率值；

将所述第二概率值与所述第一概率值进行加权计算得到综合概率值；

根据所述综合概率值与第二预设阈值的差值大小确定所述炫光视频中的待检测人脸是否通过身份检测。

相应的，本申请实施例另一方面还提供了一种基于人脸图像的身份检测装置，所述基于人脸图像的身份检测装置包括：

获取模块，用于获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据；

选取模块，用于从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；

判断模块，用于判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

相应的，本申请实施例另一方面还提供了一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行如上所述的基于人脸图像的身份检测方法。

相应的，本申请实施例另一方面还提供了一种终端设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器加载所述指令以执行如上所述的基于人脸图像的身份检测方法。

本申请实施例提供了一种基于人脸图像的身份检测方法、装置、介质及设备，该方法通过获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据；从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。利用本申请实施例提供的基于人脸图像的身份检测方法，通过给待识别人脸录制一段在炫光环境下拍摄的炫光视频，并判断基于炫光视频构建的视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，进而判断炫光视频中的待检测人脸是否通过身份检测，能够避免有意图攻击人脸识别系统的人利用照片通过人脸识别系统的检测。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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的附图。

图1为本申请实施例提供的基于人脸图像的身份检测方法的流程示意图。

图2为本申请实施例提供的基于人脸图像的身份检测方法中活体深度图的示意图。

图3为本申请实施例提供的基于人脸图像的身份检测方法中非活体深度图的示意图。

图4为本申请实施例提供的基于人脸图像的身份检测装置的结构示意图。

图5为本申请实施例提供的基于人脸图像的身份检测装置的另一结构示意图。

图6为本申请实施例提供的终端设备的结构示意图。

具体实施方式

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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。

需要说明的是，以下内容是对本方案背景做出的简单介绍：

本方案主要是围绕“目前基于人脸识别技术演变得到的身份检测方法存在准确性低的问题，难以分辨当前检测人脸是否属于本人且为活体，导致现有的身份检测方法抗攻击能力弱”这一技术问题开展的。可以理解的是，随着技术的不断发展，人脸识别的应用场景越来越广泛，但同时网络黑产利用假人脸完成线上人脸识别造成客户损失的例子司空见惯。因此在各种业务场景下人脸识别的过程中对客户真实性、安全性和可信度的成了至关重要的问题。在市场中存在较多的活体识别产品，但目前这些产品都存在着较明显的不足，主要体现在只利用了人脸二维的信息，让有意图攻击人脸识别系统的人能够利用有权限的用户照片做伪装骗过人脸识别系统。

为了解决上述技术问题，本申请实施例提供一种基于人脸图像的身份检测方法。利用本申请实施例提供的基于人脸图像的身份检测方法，通过给待识别人脸录制一段在炫光环境下拍摄的炫光视频，并判断基于炫光视频构建的视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，进而判断炫光视频中的待检测人脸是否通过身份检测。一方面能够避免有意图攻击人脸识别系统的人利用照片通过人脸识别系统的检测，另一方面也能够防止黑客提前录制好一段带炫光的伪制视频侵入人脸识别系统替换真实录制的炫光视频，从而骗过人脸识别系统。

请参阅图1，图1为本申请实施例提供的基于人脸图像的身份检测方法的流程示意图。所述基于人脸图像的身份检测方法，应用于终端设备中。可选地，该终端设备为终端或服务器。可选地，该服务器是独立的物理服务器，或者是多个物理服务器构成的服务器集群或者分布式系统，或者是提供云服务、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、CDN(Content Delivery Network，内容分发网络)、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。可选地，该终端是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能语音交互设备、智能家电及车载终端等，但并不局限于此。

在一实施例中，所述方法可以包括以下步骤：

步骤101，获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据。

其中，炫光视频为待检测人脸在炫光环境下录制的视频数据，在炫光过程中设计随机颜色，随机从5种颜色(例如红黄绿蓝紫)中挑选4种颜色进行排列组合能够得到5*4*3*2＝120种组合方式，从而加大黑客猜中真实颜色组合的难度。

步骤102，从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列。

其中，关键视频帧图像指的是包含待检测人脸，并且清晰度满足人脸识别系统检测的图像。

在一些实施例中，可以采用mediapipe方法从获取的炫光视频中选取20张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列。需要解释的是，mediapipe是一种能够自动检测出图像中是否包含目标对象的工具，利用mediapipe方式能够在预先配置好待测人脸的参数后便可以自动从众多视频帧图像中识别出带有待检测人脸的关键视频帧图像。

为了进一步提升人脸识别准确性，还可以通过以下步骤选取关键视频帧图像：

从炫光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待检测人脸且待检测人脸的大小是否满足预设大小，若获取到的图像帧包含待检测人脸且待检测人脸的大小满足预设大小条件，则确定获取到的图像帧为关键视频帧图像。

在一些实施例中，由于炫光主要是集中在人脸图像的中心区域，因此为了进一步提升人脸识别的准确性，可以选取关键视频帧图像的人脸中心区域，具体方式可以根据人脸关键点landmark来获取人脸最小矩形框。

首先通过dlib算法获取人脸和人脸关键点landmark。

再根据人脸关键点landma rk来获取人脸最小矩形框左上角的点lef t_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)。

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，关键视频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。

步骤103，判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果

在本实施例中，可以通过分别提取视频帧图像序列中各张视频帧图像的图像特征，构建具有时序信息的特征序列，将特征序列输入训练好的时序模型中进行时序判断，得到炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

具体地，通过将特征序列输入训练好的时序模型中，输出与特征序列对应的第一概率值，根据第一概率值与第一预设阈值的差值大小确定炫光视频中的待检测人脸是否通过身份检测。

需要说明的是，时序模型可以基于LSTM时序模型训练得到，示例性地，本方案中的图像特征包括：每帧人脸区域的R、G、B三个通道特征、R、G、B三个通道均值特征、整个人脸区域的均值特征、整个人脸区域方差特征，一共形成8维特征。所以20帧人脸图得到的特征维度维20*8。

本方案中的LSTM时序模型隐藏层设置为256，输入数据为20*8。类别为120类，每4个颜色组合为1个类别2-5、将20帧RGB的人脸区域提取到的特征(20*8维)中输入到LSTM时序模型得到第一概率值cls1，根据第一概率值与第一预设阈值(例如0.65)的差值大小确定炫光视频中的待检测人脸是否通过身份检测，当第一概率值与第一预设阈值大于0时说明炫光视频中的待检测人脸是否通过身份检测。

在一些实施例中，为了避免出现黑客录制的伪制炫光视频刚好与预设的录制背景灯开启顺序对应，从而通过人脸识别系统的检测。本方案还引入了另一种检测方案，具体如下：

将视频帧图像序列输入训练好的深度图神经网络模型中进行活体检测操作，得到炫光视频中的待检测人脸是否为活体的第二判断结果；

根据第一判断结果与第二判断结果综合判断炫光视频中的待检测人脸是否通过身份检测。

由于图像对应的深度图采集的是三维信息，利用这一点能够分辨出当前检测的人脸是否为活体，避免有意图攻击人脸识别系统的人利用录制好的视频试图欺骗人脸识别系统。在正常人做点头动作时会很清晰看到做摇头的人像，图2所示，而合成、翻拍等常用攻击手段的深度图只会看到一片，没有人像出现，如图3所示。因此本方案利用以上明显的特征会很有效的防御常见的人脸攻击。

但是由于利用深度图只能够检测当前检测人脸是否为活体，并不能防止有意图攻击人脸识别系统的人通过化妆的形式欺骗人脸识别系统。因此，深度图检测的方案需要结合炫光时序检测的方案才能够发挥作用。

具体地，通过将特征序列输入训练好的时序模型中，输出与特征序列对应的第一概率值cls1；获取深度图神经网络模型输出与特征序列对应的第二概率值cls2；将第二概率值与第一概率值进行加权计算得到综合概率值；根据综合概率值与第二预设阈值的差值大小确定炫光视频中的待检测人脸是否通过身份检测。

需要说明的是，第一概率值的权重值大于第二概率值的权重值，但具体数值可根据实际情况而定，在此不做限定。

在一些实施例中，由于深度图信息主要表现在人脸轮廓上，因此为了能够进一步提升深度图信息的获取精度，需要在获取待检测人脸的深度图信息之前扩大人脸检测区域，并将人脸轮廓集中在检测区域内。

在一些实施例中，深度图神经网络模型使用改进版的C3D时序模型，来提取特征和进行判断活体/非活体。在C3D时序模型的基础上进行改进，提高模型的鲁棒性和提高模型的运算效率。C3D实际上就是2D卷积的3D版，将2D卷积变成3D卷积，将输入B*H*W*C变成B*H*W*C*D。使用3D卷积可以将连续几张图片当成一份D，这样就方便提取时序的特征。

为了提高模型的准确率，改进版的C3D模型使用了残差结构，并对原始的C3D进行结构改造。同时为了更好获取一些细微的关键时序信息，本模型分别在convBR1a、convBR2a、convBR3a、convBR4a添加了注意力机制-3D_se_block。从深度图扩大人脸图中均匀抽取出10张人脸图为一组，然后将该组输入到注意力机制C3D时序模型中得到的最终结果为cls2。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

具体实施时，本申请不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。

由上可知，本申请实施例提供的基于人脸图像的身份检测方法通过获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据；从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。利用本申请实施例提供的基于人脸图像的身份检测方法，通过

本申请实施例还提供一种基于人脸图像的身份检测装置，所述基于人脸图像的身份检测装置可以集成在终端设备中。

请参阅图4，图4为本申请实施例提供的基于人脸图像的身份检测装置的结构示意图。基于人脸图像的身份检测装置30可以包括：

获取模块31，用于获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据；

选取模块32，用于从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；

判断模块33，用于判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

在一些实施例中，所述判断模块33，用于分别提取所述视频帧图像序列中各张视频帧图像的图像特征，构建具有时序信息的特征序列；将所述特征序列输入训练好的时序模型中进行时序判断，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

在一些实施例中，所述判断模块33，用于将所述特征序列输入训练好的时序模型中，输出与所述特征序列对应的第一概率值；根据所述第一概率值与第一预设阈值的差值大小确定所述炫光视频中的待检测人脸是否通过身份检测。

在一些实施例中，所述判断模块33，用于从所述炫光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检测人脸且所述待检测人脸的大小是否满足预设大小；若获取到的图像帧包含所述待检测人脸且所述待检测人脸的大小满足预设大小条件，则确定获取到的图像帧为关键视频帧图像。

在一些实施例中，所述装置还包括裁剪模块，用于获取所述关键视频帧图像的中心区域，根据所述中心区域对所述关键视频帧图像进行裁剪。

在一些实施例中，所述装置还包括唤醒模块，用于将用于处理所述卫星过境预测信息的主控模块的默认状态设置为休眠状态，待所述卫星过境预测任务执行完成并得到卫星过境预测信息时将所述主控模块从休眠状态中唤醒。

在一些实施例中，所述装置还包括活体检测模块，用于将所述视频帧图像序列输入训练好的深度图神经网络模型中进行活体检测操作，得到所述炫光视频中的待检测人脸是否为活体的第二判断结果；根据所述第一判断结果与第二判断结果综合判断所述炫光视频中的待检测人脸是否通过身份检测。

在一些实施例中，所述活体检测模块，用于将所述特征序列输入训练好的时序模型中，输出与所述特征序列对应的第一概率值；获取深度图神经网络模型输出与所述特征序列对应的第二概率值；将所述第二概率值与所述第一概率值进行加权计算得到综合概率值；根据所述综合概率值与第二预设阈值的差值大小确定所述炫光视频中的待检测人脸是否通过身份检测。

具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现。

由上可知，本申请实施例提供的基于人脸图像的身份检测装置30，其中获取模块31用于获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据；选取模块32用于从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；判断模块33用于判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

请参阅图5，图5为本申请实施例提供的基于人脸图像的身份检测装置的另一结构示意图，基于人脸图像的身份检测装置30包括存储器120、一个或多个处理器180、以及一个或多个应用程序，其中该一个或多个应用程序被存储于该存储器120中，并配置为由该处理器180执行；该处理器180可以包括获取模块31，选取模块32，及判断模块33。例如，以上各个部件的结构和连接关系可以如下：

存储器120可用于存储应用程序和数据。存储器120存储的应用程序中包含有可执行代码。应用程序可以组成各种功能模块。处理器180通过运行存储在存储器120的应用程序，从而执行各种功能应用以及基于人脸图像的身份检测。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器120还可以包括存储器控制器，以提供处理器180对存储器120的访问。

处理器180是装置的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器120内的应用程序，以及调用存储在存储器120内的数据，执行装置的各种功能和处理数据，从而对装置进行整体监控。可选的，处理器180可包括一个或多个处理核心；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等。

具体在本实施例中，处理器180会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行代码加载到存储器120中，并由处理器180来运行存储在存储器120中的应用程序，从而实现各种功能：

获取指令，用于获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据；

选取指令，用于从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；

判断指令，用于判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

在一些实施例中，所述判断指令，用于分别提取所述视频帧图像序列中各张视频帧图像的图像特征，构建具有时序信息的特征序列；将所述特征序列输入训练好的时序模型中进行时序判断，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

在一些实施例中，所述判断指令，用于将所述特征序列输入训练好的时序模型中，输出与所述特征序列对应的第一概率值；根据所述第一概率值与第一预设阈值的差值大小确定所述炫光视频中的待检测人脸是否通过身份检测。

在一些实施例中，所述判断指令，用于从所述炫光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检测人脸且所述待检测人脸的大小是否满足预设大小；若获取到的图像帧包含所述待检测人脸且所述待检测人脸的大小满足预设大小条件，则确定获取到的图像帧为关键视频帧图像。

在一些实施例中，所述程序还包括裁剪指令，用于获取所述关键视频帧图像的中心区域，根据所述中心区域对所述关键视频帧图像进行裁剪。

在一些实施例中，所述程序还包括唤醒指令，用于将用于处理所述卫星过境预测信息的主控模块的默认状态设置为休眠状态，待所述卫星过境预测任务执行完成并得到卫星过境预测信息时将所述主控模块从休眠状态中唤醒。

在一些实施例中，所述程序还包括活体检测指令，用于将所述视频帧图像序列输入训练好的深度图神经网络模型中进行活体检测操作，得到所述炫光视频中的待检测人脸是否为活体的第二判断结果；根据所述第一判断结果与第二判断结果综合判断所述炫光视频中的待检测人脸是否通过身份检测。

在一些实施例中，所述活体检测指令，用于将所述特征序列输入训练好的时序模型中，输出与所述特征序列对应的第一概率值；获取深度图神经网络模型输出与所述特征序列对应的第二概率值；将所述第二概率值与所述第一概率值进行加权计算得到综合概率值；根据所述综合概率值与第二预设阈值的差值大小确定所述炫光视频中的待检测人脸是否通过身份检测。

本申请实施例还提供一种终端设备。所述终端设备可以是服务器、智能手机、电脑、平板电脑等设备。

请参阅图6，图6示出了本申请实施例提供的终端设备的结构示意图，该终端设备可以用于实施上述实施例中提供的基于人脸图像的身份检测方法。该终端设备1200可以为智能手机或平板电脑。

如图6所示，终端设备1200可以包括RF(Radio Frequency，射频)电路110、包括有一个或一个以上(图中仅示出一个)计算机可读存储介质的存储器120、输入单元130、显示单元140、传感器150、音频电路160、传输模块170、包括有一个或者一个以上(图中仅示出一个)处理核心的处理器180以及电源190等部件。本领域技术人员可以理解，图6中示出的终端设备1200结构并不构成对终端设备1200的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

RF电路110用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。RF电路110可包括各种现有的用于执行这些功能的电路元件，例如，天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。RF电路110可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。

存储器120可用于存储软件程序以及模块，如上述实施例中基于人脸图像的身份检测方法对应的程序指令/模块，处理器180通过运行存储在存储器120内的软件程序以及模块，从而执行各种功能应用以及基于人脸图像的身份检测，可以根据终端设备所处的当前场景来自动选择振动提醒模式来进行数据更新，既能够保证会议等场景不被打扰，又能保证用户可以感知来电，提升了终端设备的智能性。存储器120可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器120可进一步包括相对于处理器180远程设置的存储器，这些远程存储器可以通过网络连接至终端设备1200。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入单元130可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元130可包括触敏表面131以及其他输入设备132。触敏表面131，也称为触控显示屏或者触控板，可收集用户在其上或附近的触控操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面131上或在触敏表面131附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面131可包括触控检测装置和触控控制器两个部分。其中，触控检测装置检测用户的触控方位，并检测触控操作带来的信号，将信号传送给触控控制器；触控控制器从触控检测装置上接收触控信息，并将它转换成触点坐标，再送给处理器180，并能接收处理器180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面131。除了触敏表面131，输入单元130还可以包括其他输入设备132。具体地，其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元140可用于显示由用户输入的信息或提供给用户的信息以及终端设备1200的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元140可包括显示面板141，可选的，可以采用LCD(Liquid CrystalDisplay，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板141。进一步的，触敏表面131可覆盖显示面板141，当触敏表面131检测到在其上或附近的触控操作后，传送给处理器180以确定触控事件的类型，随后处理器180根据触控事件的类型在显示面板141上提供相应的视觉输出。虽然在图6中，触敏表面131与显示面板141是作为两个独立的部件来实现输入和输出功能，但是在某些实施例中，可以将触敏表面131与显示面板141集成而实现输入和输出功能。

终端设备1200还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在终端设备1200移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端设备1200还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路160、扬声器161，传声器162可提供用户与终端设备1200之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一终端，或者将音频数据输出至存储器120以便进一步处理。音频电路160还可能包括耳塞插孔，以提供外设耳机与终端设备1200的通信。

终端设备1200通过传输模块170(例如Wi-Fi模块)可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了传输模块170，但是可以理解的是，其并不属于终端设备1200的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器180是终端设备1200的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行终端设备1200的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理核心；在一些实施例中，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。

终端设备1200还包括给各个部件供电的电源190，在一些实施例中，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理放电、以及功耗管理等功能。电源190还可以包括一个或一个以上的直流或交流电源、再充电系统、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。

尽管未示出，终端设备1200还可以包括摄像头(如前置摄像头、后置摄像头)、蓝牙模块等，在此不再赘述。具体在本实施例中，终端设备1200的显示单元140是触控屏显示器，终端设备1200还包括有存储器120，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器120中，且经配置以由一个或者一个以上处理器180执行一个或者一个以上程序包含用于进行以下操作的指令：

获取指令，用于获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据；

选取指令，用于从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；

判断指令，用于判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

在一些实施例中，所述判断指令，用于分别提取所述视频帧图像序列中各张视频帧图像的图像特征，构建具有时序信息的特征序列；将所述特征序列输入训练好的时序模型中进行时序判断，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

在一些实施例中，所述判断指令，用于将所述特征序列输入训练好的时序模型中，输出与所述特征序列对应的第一概率值；根据所述第一概率值与第一预设阈值的差值大小确定所述炫光视频中的待检测人脸是否通过身份检测。

在一些实施例中，所述判断指令，用于从所述炫光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检测人脸且所述待检测人脸的大小是否满足预设大小；若获取到的图像帧包含所述待检测人脸且所述待检测人脸的大小满足预设大小条件，则确定获取到的图像帧为关键视频帧图像。

在一些实施例中，所述程序还包括裁剪指令，用于获取所述关键视频帧图像的中心区域，根据所述中心区域对所述关键视频帧图像进行裁剪。

在一些实施例中，所述程序还包括唤醒指令，用于将用于处理所述卫星过境预测信息的主控模块的默认状态设置为休眠状态，待所述卫星过境预测任务执行完成并得到卫星过境预测信息时将所述主控模块从休眠状态中唤醒。

在一些实施例中，所述程序还包括活体检测指令，用于将所述视频帧图像序列输入训练好的深度图神经网络模型中进行活体检测操作，得到所述炫光视频中的待检测人脸是否为活体的第二判断结果；根据所述第一判断结果与第二判断结果综合判断所述炫光视频中的待检测人脸是否通过身份检测。

在一些实施例中，所述活体检测指令，用于将所述特征序列输入训练好的时序模型中，输出与所述特征序列对应的第一概率值；获取深度图神经网络模型输出与所述特征序列对应的第二概率值；将所述第二概率值与所述第一概率值进行加权计算得到综合概率值；根据所述综合概率值与第二预设阈值的差值大小确定所述炫光视频中的待检测人脸是否通过身份检测。

本申请实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，所述计算机执行上述任一实施例所述的基于人脸图像的身份检测方法。

需要说明的是，对本申请所述基于人脸图像的身份检测方法而言，本领域普通测试人员可以理解实现本申请实施例所述基于人脸图像的身份检测方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读存储介质中，如存储在终端设备的存储器中，并被该终端设备内的至少一个处理器执行，在执行过程中可包括如所述基于人脸图像的身份检测方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)等。

对本申请实施例的所述基于人脸图像的身份检测装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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，也可以存储在一个计算机可读存储介质中，所述存储介质譬如为只读存储器，磁盘或光盘等。

以上对本申请实施例所提供的基于人脸图像的身份检测方法、装置、介质及设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于人脸图像的身份检测方法，其特征在于，包括：

获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据；

从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；

判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

2.如权利要求1所述的身份检测方法，其特征在于，所述判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果，包括：

分别提取所述视频帧图像序列中各张视频帧图像的图像特征，构建具有时序信息的特征序列；

将所述特征序列输入训练好的时序模型中进行时序判断，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

3.如权利要求2所述的身份检测方法，其特征在于，所述将所述特征序列输入训练好的时序模型中进行时序判断，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果，包括：

将所述特征序列输入训练好的时序模型中，输出与所述特征序列对应的第一概率值；

根据所述第一概率值与第一预设阈值的差值大小确定所述炫光视频中的待检测人脸是否通过身份检测。

4.如权利要求2所述的身份检测方法，其特征在于，所述从所述炫光视频中选取若干张关键视频帧图像，包括：

从所述炫光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检测人脸且所述待检测人脸的大小是否满足预设大小；

若获取到的图像帧包含所述待检测人脸且所述待检测人脸的大小满足预设大小条件，则确定获取到的图像帧为关键视频帧图像。

5.如权利要求1所述的身份检测方法，其特征在于，在所述从所述炫光视频中选取若干张关键视频帧图像之后，所述方法还包括：

获取所述关键视频帧图像的中心区域，根据所述中心区域对所述关键视频帧图像进行裁剪。

6.如权利要求1所述的身份检测方法，其特征在于，在所述得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果之前，所述方法还包括：

将所述视频帧图像序列输入训练好的深度图神经网络模型中进行活体检测操作，得到所述炫光视频中的待检测人脸是否为活体的第二判断结果；

根据所述第一判断结果与第二判断结果综合判断所述炫光视频中的待检测人脸是否通过身份检测。

7.如权利要求6所述的身份检测方法，其特征在于，所述根据所述第一判断结果与第二判断结果综合判断所述炫光视频中的待检测人脸是否通过身份检测，包括：

将所述特征序列输入训练好的时序模型中，输出与所述特征序列对应的第一概率值；

获取深度图神经网络模型输出与所述特征序列对应的第二概率值；

将所述第二概率值与所述第一概率值进行加权计算得到综合概率值；

根据所述综合概率值与第二预设阈值的差值大小确定所述炫光视频中的待检测人脸是否通过身份检测。

8.一种基于人脸图像的身份检测装置，其特征在于，所述基于人脸图像的身份检测装置包括：

获取模块，用于获取包含待检测人脸的炫光视频，其中所述炫光视频为待检测人脸在炫光环境下录制的视频数据；

选取模块，用于从所述炫光视频中选取若干张关键视频帧图像，并按照录制时间先后顺序进行排列得到视频帧图像序列；

判断模块，用于判断所述视频帧图像序列中各张视频图像帧的背景灯颜色是否与预设的录制背景灯开启顺序对应，得到所述炫光视频中的待检测人脸是否通过身份检测的第一判断结果。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的基于人脸图像的身份检测方法。

10.一种终端设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器加载所述指令以执行权利要求1至7任一项所述的基于人脸图像的身份检测方法。

Images