CN116978130A - 图像处理方法、装置及计算机设备、存储介质、程序产品 - Google Patents
图像处理方法、装置及计算机设备、存储介质、程序产品 Download PDFInfo
- Publication number
- CN116978130A CN116978130A CN202310139769.0A CN202310139769A CN116978130A CN 116978130 A CN116978130 A CN 116978130A CN 202310139769 A CN202310139769 A CN 202310139769A CN 116978130 A CN116978130 A CN 116978130A
- Authority
- CN
- China
- Prior art keywords
- image
- biological object
- biological
- depth
- background
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 81
- 238000003672 processing method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 219
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 44
- 210000000988 bone and bone Anatomy 0.000 claims description 114
- 241000282376 Panthera tigris Species 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 17
- 239000002131 composite material Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000010801 machine learning Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 127
- 210000003811 finger Anatomy 0.000 description 56
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000001574 biopsy Methods 0.000 description 9
- 210000003813 thumb Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000001727 in vivo Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001145 finger joint Anatomy 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 210000004932 little finger Anatomy 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- 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
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例提供了一种图像处理方法、装置及计算机设备、存储介质、程序产品。该图像处理方法涉及人工智能领域的机器学习、计算机视觉等技术。该图像处理方法包括:获取活体检测场景中待检测的生物对象的拍摄图像;拍摄图像是采用拍摄设备对生物对象和生物对象所处的背景进行拍摄得到的;对拍摄图像进行景深分析,得到生物对象的景深信息和背景的景深信息;生物对象的景深信息用于指示生物对象与拍摄设备之间的距离;背景的景深信息用于指示背景与拍摄设备之间的距离;将生物对象的景深信息与背景的景深信息进行比较;根据比较结果确定生物对象的活体检测结果。这样可以有效抵抗活体检测过程中的视频播放攻击,提高活体检测的准确率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及活体检测技术领域,具体涉及一种图像处理方法、一种图像处理装置、一种计算机设备、一种计算机可读存储介质、以及一种计算机程序产品。
背景技术
随着计算机技术的快速发展,活体检测技术被广泛应用于需要进行身份验证的相关业务场景(即活体检测场景)中,例如,生物特征支付、生物特征解锁等场景中往往都需要进行活体检测。活体检测技术可以用于检测活体检测场景中的生物对象是否为真实的活体对象,例如,活体检测技术可以用于检测当前进行生物特征支付的生物对象是否为真实的活体对象,活体检测技术可以用于检测当前进行生物特征解锁的生物对象是否为真实的活体对象。
目前,活体检测技术容易遭受视频播放攻击,视频播放攻击是指在活体检测过程中,使用真实的活体对象的录制视频代替真实的活体对象进行活体检测的非法手段,录制视频中的活体对象能够按照活体检测的要求完成相应动作,从而视频播放攻击能够在一定程度上通过活体检测。可见,目前的活体检测技术的准确率不高。
发明内容
本申请实施例提供了一种图像处理方法、装置及计算机设备、存储介质、程序产品,可以有效抵抗活体检测过程中的视频播放攻击,提高活体检测的准确率。
一方面,本申请实施例提供了一种图像处理方法,该图像处理方法包括:
获取活体检测场景中待检测的生物对象的拍摄图像;拍摄图像是采用拍摄设备对生物对象和生物对象所处的背景进行拍摄得到的;
对拍摄图像进行景深分析,得到生物对象的景深信息和背景的景深信息;生物对象的景深信息用于指示生物对象与拍摄设备之间的距离;背景的景深信息用于指示背景与拍摄设备之间的距离;
将生物对象的景深信息与背景的景深信息进行比较;
根据比较结果确定生物对象的活体检测结果。
相应地,本申请实施例提供了一种图像处理装置,该图像处理装置包括:
获取单元,用于获取活体检测场景中待检测的生物对象的拍摄图像;拍摄图像是采用拍摄设备对生物对象和生物对象所处的背景进行拍摄得到的;
处理单元,用于对拍摄图像进行景深分析,得到生物对象的景深信息和背景的景深信息;生物对象的景深信息用于指示生物对象与拍摄设备之间的距离;背景的景深信息用于指示背景与拍摄设备之间的距离;
处理单元,还用于将生物对象的景深信息与背景的景深信息进行比较;
处理单元,还用于根据比较结果确定生物对象的活体检测结果。
在一种实现方式中,处理单元,用于对拍摄图像进行景深分析,得到生物对象的景深信息和背景的景深信息时,具体用于执行如下步骤:
在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像;
计算生物区域图像的图像模糊度,将生物区域图像的图像模糊度确定为生物对象的景深信息;
以及,计算背景区域图像的图像模糊度,将背景区域图像的图像模糊度确定为背景的景深信息。
在一种实现方式中,处理单元,用于在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像时,具体用于执行如下步骤:
对拍摄图像中的生物对象进行骨骼分析,得到生物对象的骨骼信息;
根据生物对象的骨骼信息,在拍摄图像中确定生物区域图像;
以及,根据生物对象的骨骼信息,在拍摄图像中确定背景区域图像。
在一种实现方式中,生物对象为手;处理单元,用于根据生物对象的骨骼信息,在拍摄图像中确定生物区域图像时,具体用于执行如下步骤:
生物对象的骨骼信息包括手指骨骼点在拍摄图像中的位置信息,根据手指骨骼点在拍摄图像中的位置信息,确定拍摄图像中的手指区域图像,将手指区域图像确定为生物区域图像;
或者,生物对象的骨骼信息包括全手骨骼点在拍摄图像中的位置信息,根据全手骨骼点在拍摄图像中的位置信息,确定拍摄图像中的全手区域图像,将全手区域图像确定为生物区域图像;
或者,生物对象的骨骼信息包括手掌骨骼点在拍摄图像中的位置信息,根据手掌骨骼点在拍摄图像中的位置信息,确定拍摄图像中的手掌区域图像,将手掌区域图像确定为生物区域图像。
在一种实现方式中,处理单元,用于根据生物对象的骨骼信息,在拍摄图像中确定背景区域图像时,具体用于执行如下步骤:
生物对象的骨骼信息还包括虎口骨骼点在拍摄图像中的位置信息,根据虎口骨骼点在拍摄图像中的位置信息,确定拍摄图像中的虎口区域图像,将虎口区域图像确定为背景区域图像;
或者,生物对象的骨骼信息还包括手边界骨骼点在拍摄图像中的位置信息,根据手边界骨骼点在拍摄图像的位置信息以及拍摄图像的图像边界位置信息,确定拍摄图像中的手边界区域图像,将手边界区域图像确定为背景区域图像。
在一种实现方式中,处理单元,用于计算生物区域图像的图像模糊度时,具体用于执行如下步骤:
获取拉普拉斯模板;
采用拉普拉斯模板对生物区域图像进行卷积处理,得到生物区域图像的卷积图像;
对生物区域图像的卷积图像中各个像素点的像素值进行统计计算,得到生物区域图像的图像模糊度。
在一种实现方式中,拍摄图像包括基准图像和调焦图像,基准图像是拍摄设备按照基准焦距对生物对象和生物对象所处的背景进行拍摄得到的,调焦图像是拍摄设备进行焦距调整后对生物对象和生物对象所处的背景进行拍摄得到的;
比较结果包括基准图像对应的比较结果和调焦图像对应的比较结果;基准图像对应的比较结果,是将基准图像的景深分析结果中的生物对象的景深信息和背景的景深信息进行比较得到的;调焦图像对应的比较结果,是将调焦图像的景深分析结果中的生物对象的景深信息和背景的景深信息进行比较得到的;
处理单元,用于根据比较结果确定生物对象的活体检测结果时,具体用于执行如下步骤:
根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果。
在一种实现方式中,调焦图像的数量为N张,N为大于1的整数;N张调焦图像是拍摄设备以生物对象或背景为基准进行N次焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次焦距调整拍摄得到一张调焦图像;
处理单元,用于根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果时,具体用于执行如下步骤:
统计基准图像对应的比较结果和N张调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的目标数量;
若目标数量大于或等于数量阈值,则生成活体检测失败的活体检测结果;若目标数量小于数量阈值,则生成活体检测成功的活体检测结果。
在一种实现方式中,调焦图像包括N张第一调焦图像和M张第二调焦图像,N和M均为大于1的整数;N张第一调焦图像是拍摄设备以生物对象为基准进行N次第一焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次第一焦距调整拍摄得到一张第一调焦图像;M张第二调焦图像是拍摄设备以背景为基准进行M次第二焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次第二焦距调整拍摄得到一张第二调焦图像;
处理单元,用于根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果时,具体用于执行如下步骤:
将基准图像对应的比较结果和N张第一调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的数量,确定为第一数量;
将基准图像对应的比较结果和M张第二调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的数量,确定为第二数量;
根据第一数量和第二数量计算综合数量;若综合数量大于或等于数量阈值,则生成活体检测失败的活体检测结果;若综合数量小于数量阈值,则生成活体检测成功的活体检测结果。
在一种实现方式中,处理单元,还用于执行如下步骤:
若生物对象的活体检测结果指示活体检测成功,则将拍摄图像存储至生物注册库中;
或者,若生物对象的活体检测结果指示活体检测成功,则提取拍摄图像中的生物对象的生物特征,将生物特征存储至生物注册库中。
在一种实现方式中,处理单元,还用于执行如下步骤:
若生物对象的活体检测结果指示活体检测成功,则将拍摄图像与生物注册库中的已注册图像进行匹配检测,在成功检测到与拍摄图像相匹配的生物对象的已注册图像时,确定对生物对象验证通过;
或者,若生物对象的活体检测结果指示活体检测成功,则将拍摄图像中的生物对象的生物特征与生物注册库中的已注册生物特征进行匹配检测,在成功检测到与拍摄图像中的生物特征相匹配的生物对象的已注册生物特征时,确定对生物对象验证通过。
相应地,本申请实施例提供一种计算机设备,该计算机设备包括:
处理器,适于实现计算机程序;
计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序适于由处理器加载并执行上述的图像处理方法。
相应地,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被计算机设备的处理器读取并执行时,使得计算机设备执行上述的图像处理方法。
相应地,本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述的图像处理方法。
本申请实施例中,可以获取活体检测场景中待检测的生物对象的拍摄图像,拍摄图像可以是采用拍摄设备对生物对象和生物对象所处的背景进行拍摄得到的;通过对拍摄图像进行景深分析,可以得到生物对象的景深信息和背景的景深信息,生物对象的景深信息用于指示生物对象与拍摄设备之间的距离,背景的景深信息用于指示背景与拍摄设备之间的距离;通过将生物对象的景深信息与背景的景深信息进行比较,可以判断生物对象的景深信息与背景的景深信息是否匹配,在视频播放攻击中生物对象的景深信息与背景的景深信息是匹配的,从而,通过将生物对象的景深信息与背景的景深信息进行比较,根据比较结果确定生物对象的活体检测结果,可以有效抵抗活体检测过程中的视频播放攻击,提高活体检测的准确率。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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获得其他的附图。
图1a是本申请实施例提供的一种活体检测的场景示意图;
图1b是本申请实施例提供的另一种活体检测的场景示意图;
图2a是本申请实施例提供的一种图像处理系统的架构示意图;
图2b是本申请实施例提供的一种活体检测场景的应用示意图;
图3是本申请实施例提供的一种图像处理方法的流程示意图;
图4是本申请实施例提供的一种图像预处理的示意图;
图5是本申请实施例提供的一种骨骼分析结果的示意图;
图6是本申请实施例提供的一种生物区域图像的确定方式示意图;
图7是本申请实施例提供的另一种生物区域图像的确定方式示意图;
图8是本申请实施例提供的另一种生物区域图像的确定方式示意图;
图9是本申请实施例提供的一种背景区域图像的确定方式示意图;
图10是本申请实施例提供的另一种背景区域图像的确定方式示意图;
图11是本申请实施例提供的一种图像模糊度的计算方式示意图;
图12是本申请实施例提供的另一种图像处理方法的流程示意图;
图13是本申请实施例提供的一种图像处理装置的结构示意图;
图14是本申请实施例提供的一种计算机设备的结构示意图。
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,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
活体检测技术是指在一些身份验证的相关业务场景(即活体检测场景,例如生物特征支付、生物特征解锁等场景)中,用于检测活体检测场景中的生物对象是否为真实的活体对象的技术,例如,用于检测当前进行生物特征支付的生物对象是否为真实的活体对象,用于检测当前进行生物特征解锁的生物对象是否为真实的活体对象,等等。其中,生物对象可以包括但不限于以下任一种:人脸、手、指纹、以及虹膜,等等;例如,图1a示出了一种对人脸进行活体检测的场景示意图,图1b示出了一种对手进行活体检测的场景示意图。
活体检测技术容易遭受视频播放攻击,视频播放攻击是指在活体检测过程中,使用真实的活体对象的录制视频代替真实的活体对象进行活体检测的非法手段,录制视频中的活体对象能够按照活体检测的要求完成相应动作,从而视频播放攻击能够在一定程度上通过活体检测。研究发现,视频播放攻击存在漏洞,该漏洞具体是视频播放攻击必须依托于带屏幕的设备来进行播放,在视频播放攻击过程中,对于拍摄设备而言,当前拍摄到的生物对象与生物对象所处背景处于一个平面,生物对象与拍摄设备之间的距离,和背景与拍摄设备之间的距离是相同的。而在活体检测过程中,为了使得拍摄设备能够清晰地拍摄到生物对象,生物对象与拍摄设备之间的距离比较近,也就是说,对于拍摄设备而言,生物对象与拍摄设备之间的距离较近,背景与拍摄设备之间的距离较远,当前拍摄到的生物对象与生物对象所处背景并非处于一个平面。
基于此,本申请实施例提出一种图像处理方法,该图像处理方法在获取到活体检测场景中待检测的生物对象的拍摄图像后,通过对拍摄图像进行景深分析,可以得到指示生物对象与拍摄设备之间的距离的生物对象的景深信息,以及可以得到指示背景与拍摄设备之间的距离的背景的景深信息;通过将生物对象的景深信息与背景的景深信息进行比较,可以判断生物对象与拍摄设备之间的距离,和背景与拍摄设备之间的距离是否相同,判断当前拍摄到的生物对象与生物对象所处背景是否处于一个平面,从而可以判断活体检测过程是否遭受到视频播放攻击。基于本申请实施例提出的图像处理方法,可以有效抵抗活体检测过程中的视频播放攻击,提高活体检测的准确率。
需要说明的是,本申请实施例提出的图像处理方法在对拍摄图像进行景深分析的过程中,可以涉及人工智能领域的机器学习、计算机视觉等技术。其中:
人工智能(Artificial Intelligence,AI)技术是指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。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。
机器学习(Machine Learning,ML)技术是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
计算机视觉(Computer Vision,CV)技术是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition,文字识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D(3-dimension,三维)技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术以及活体检测技术。
下面结合图2a对适于实现本申请实施例提供的图像处理方法的图像处理系统进行介绍。
如图2a所示,图像处理系统可以包括拍摄设备201和图像处理设备202。拍摄设备201可以用于对活体检测场景中待检测的生物对象以及生物对象所处背景进行拍摄,得到生物对象的拍摄图像。图像处理设备202可以用于对拍摄图像进行景深分析,将景深分析结果中生物对象的景深信息和背景的景深信息进行比较,根据比较结果确定生物对象的活体检测结果。
其中,拍摄设备201可以是包含具有焦距调节功能的摄像头的终端设备;终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能语音交互设备、智能手表、车载终端、智能家电、飞行器、照相机、以及摄像机等中的任一种,但并不局限于此。图像处理设备202可以是终端设备或服务器;终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能语音交互设备、智能手表、车载终端、智能家电、以及飞行器等中的任一种,但并不局限于此;服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、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、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,本申请实施例对此不进行限定。
需要说明的是,图2a所示实施例以拍摄设备201和图像处理设备202集成于不同的设备为例进行说明,例如,拍摄设备201可以是包含具有焦距调节功能的摄像头的智能手机,图像处理设备202可以是服务器;当拍摄设备201和图像处理设备202集成于不同的设备时,拍摄设备201和图像处理设备202之间可以通过有线通信的方式建立直接的通信连接,或者,拍摄设备201和图像处理设备202之间可以通过无线通信的方式建立间接的通信连接,本申请实施例对此不进行限定。或者,拍摄设备201和图像处理设备202可以集成于同一设备,例如,拍摄设备201和图像处理设备202可以均是包含具有焦距调节功能的摄像头的智能手机。
可以理解的是,本申请实施例描述的图像处理系统是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着系统架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
基于图2a所示的图像处理系统,生物对象的活体检测可以作为生物特征支付(例如,支付、乘车等场景)、生物特征解锁(例如,解除门禁)等场景中的前置安全验证流程,例如,可以作为注册的前置安全验证流程,作为生物识别的前置安全验证流程。具体来说:
如图2b中的黑色实线框和黑色虚线框所组成的流程图所示,生物对象的活体检测可以作为注册的前置安全验证流程:可以基于生物对象的拍摄图像(注册图像)对生物对象进行活体检测;若生物对象的活体检测结果指示活体检测成功,则可以将拍摄图像存储至生物注册库中,完成注册;或者,若生物对象的活体检测结果指示活体检测成功,则可以提取拍摄图像中的生物对象的生物特征,将生物特征存储至生物注册库中,完成注册;若生物对象的活体检测结果指示活体检测失败,则注册失败。通过将生物对象的活体检测作为注册的前置安全验证流程,可以提升注册流程的安全性,避免注册流程遭到非法视频播放攻击。
如图2b中的灰色实线框和黑色虚线框所组成的流程图所示,生物对象的活体检测可以作为生物识别的前置安全验证流程:生物识别可以用于识别当前拍摄到的生物对象的识别图像(或识别图像中提取到的生物特征),与该生物对象注册时的注册图像(或注册图像中提取到的生物特征)是否匹配;可以基于生物对象的拍摄图像(识别图像)对生物对象进行活体检测;若生物对象的活体检测结果指示活体检测成功,则可以将拍摄图像与生物注册库中的已注册图像进行匹配检测,在成功检测到与拍摄图像相匹配的该生物对象的已注册图像时,可以确定对生物对象验证通过,生物识别通过,生物对象可以进行后续支付动作,或为生物对象解除门禁;或者,若生物对象的活体检测结果指示活体检测成功,则可以将拍摄图像中的生物对象的生物特征与生物注册库中的已注册生物特征进行匹配检测,在成功检测到与拍摄图像中的生物对象的生物特征相匹配的该生物对象的已注册生物特征时,可以确定对生物对象验证通过,生物识别通过,生物对象可以进行后续支付动作,或为生物对象解除门禁;若生物对象的活体检测结果指示活体检测失败,则生物识别失败。通过将生物对象的活体检测作为生物识别的前置安全验证流程,可以提升生物识别流程的安全性,避免生物识别流程遭到非法视频播放攻击。
需要补充的是,在本申请的各个实施例中,涉及到采集生物对象的图像或视频等相关的数据,当本申请的各个实施例运用到具体产品或技术中时,需要获得生物对象的许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
下面结合附图对本申请实施例提供的图像处理方法进行更为详细地介绍。
本申请实施例提供一种图像处理方法,该图像处理方法主要介绍对生物对象的拍摄图像进行景深分析的过程。该图像处理方法可以由计算机设备执行,计算机设备可以是图像处理系统中的图像处理设备。如图3所示,该图像处理方法可以包括以下步骤S301-步骤S304:
S301,获取活体检测场景中待检测的生物对象的拍摄图像。
活体检测场景中待检测的生物对象的拍摄图像,可以是采用拍摄设备对生物对象和生物对象所处的背景进行拍摄得到的。并且,在拍摄设备对生物对象进行拍摄的过程中,生物对象可以按照活体检测的要求做出相应动作;例如,当生物对象是手时,可以按照活体检测的要求做出相应手势,又如,当生物对象是人脸时,可以按照活体检测的要求做出眨眼、张嘴、摇头、点头等动作。
S302,对拍摄图像进行景深分析,得到生物对象的景深信息和背景的景深信息。
在获取到活体检测场景中待检测的生物对象的拍摄图像后,可以对拍摄图像进行景深分析,景深分析是指通过对拍摄图像进行分析,得到生物对象的景深信息和背景的景深信息的过程;生物对象的景深信息可以用于指示生物对象与拍摄设备之间的距离;背景的景深信息可以用于指示背景与拍摄设备之间的距离。景深分析的过程,具体可以参见如下内容:
首先,可以在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像;然后,可以计算生物区域图像的图像模糊度,将生物区域图像的图像模糊度确定为生物对象的景深信息;以及,可以计算背景区域图像的图像模糊度,将背景区域图像的图像模糊度确定为背景的景深信息。针对上述景深分析过程,需要说明以下三点:
第一点,生物对象对应的生物区域图像是指拍摄图像中包含生物对象的图像区域,生物区域图像的图像内容可以全部是生物对象,或者,生物区域图像的图像内容中生物对象的占比远远高于背景;背景对应的背景区域图像是指拍摄图像中包含背景的图像区域,背景区域图像的图像内容可以全部是背景,或者,背景区域图像的图像内容中背景的占比远远高于生物对象;也就是说,可以分别提取生物区域图像和背景区域图像,分别基于生物区域图像对生物对象进行景深计算,基于背景区域图像对背景进行景深计算,这样可以提高生物对象和背景的景深计算准确率,提高景深分析的准确率。
第二点,在拍摄设备对生物对象进行拍摄的过程中,生物对象与拍摄设备之间的距离较近,背景与拍摄设备之间的距离较远,也就是说,生物对象的景深信息与背景的景深信息不相同,这样会导致拍摄图像中生物区域图像的图像模糊度与背景区域图像的图像模糊度不相同,图像模糊度是指图像模糊程度,图像模糊程度的计算成本较低;因此,本申请实施例采用图像模糊度表征景深信息,即采用生物区域图像的图像模糊度表征生物对象的景深信息,采用背景区域图像的图像模糊度表征背景的景深信息,这样可以提升景深的计算效率。
第三点,为了进一步提升在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像的效率,在获取到拍摄图像之后,可以对拍摄图像进行预处理;预处理的过程具体可以是通过机器学习、计算机视觉等技术中涉及的目标检测算法,确定生物对象在拍摄图像中所在的位置区域,如图4所示,以生物对象是手为例,生物对象在拍摄图像中所在的位置区域可以采用生物对象检测框401进行标示;然后,可以基于生物对象在拍摄图像中所在的位置区域,对拍摄图像进行裁剪,在裁剪得到的裁剪图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像,从而,可以提升在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像的效率。并且,在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像的过程,与在裁剪图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像的过程是相同的,本申请实施例主要介绍在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像的过程。
以上内容对景深分析的整体流程进行介绍,下面对景深分析的各个步骤的细化流程进行介绍。在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像的过程,具体可以包括:对拍摄图像中的生物对象进行骨骼分析,得到生物对象的骨骼信息,生物对象的骨骼信息可以包括生物对象的至少一个骨骼点在拍摄图像中的位置信息;骨骼分析可以是通过机器学习、计算机视觉等技术中涉及的回归器实现的;如图5所述,以生物对象是手为例,回归器对生物对象进行骨骼分析得到21个骨骼点。然后,可以根据生物对象的骨骼信息,在拍摄图像中确定生物区域图像;以及,可以根据生物对象的骨骼信息,在拍摄图像中确定背景区域图像。
其中,以生物对象是手为例,根据生物对象的骨骼信息,在拍摄图像中确定生物区域图像的方式,可以包括以下任一种:
(1)生物对象的骨骼信息可以包括手指骨骼点在拍摄图像中的位置信息,可以根据手指骨骼点在拍摄图像中的位置信息,确定拍摄图像中的手指区域图像,将手指区域图像确定为生物区域图像。
如图6中的子图(a)所示,为了防止指缝间漏出的背景影响景深计算,活体检测要求用户做出手指并拢的手势,可以选取标号为6-21的骨骼点作为手指骨骼点;可以根据手指骨骼点在拍摄图像中的位置信息计算手指包络框601,手指包络框601所包络的区域即为手指区域图像。手指包络框的计算方式可参见如下公式1:
如上述公式1所示:K表示手指骨骼点的总数量,k表示K个手指骨骼点中的第k个手指骨骼点,第k个手指骨骼点在拍摄图像中的位置信息,可以采用第k个手指骨骼点在拍摄图像中的坐标信息(xk,yk)进行表示;min(xk,yk)表示在K个手指骨骼点的坐标信息中选择的最小横坐标xmin和最小纵坐标ymin;max(xk,yk)表示在K个手指骨骼点的坐标信息中选择的最大横坐标xmax和最大纵坐标ymax;手指包络框可以是根据最小横坐标Xmin、最小纵坐标ymin、最大横坐标xmax和最大纵坐标ymax共同确定的,最小横坐标xmin可以用于确定手指包络框的左边界,最小纵坐标ymin可以用于确定手指包络框的上边界,最大横坐标xmax可以由用于确定手指包络框的右边界,最大纵坐标ymax可以用于确定手指包络框的下边界。需要说明的是,本申请实施例以水平向右的方向作为横坐标的正向,以垂直向下的方向作为纵坐标正向建立坐标系。
图6中的子图(a)所示的生物区域图像的确定方式,可以理解为是将除拇指外的其他四指的全手指区域图像,作为生物区域图像,但是这样的方式确定出的生物区域图像存在缺陷,由于手指长短不一,图6中的子图(a)所示的方式确定得到的生物区域图像中可能会包含部分背景,这样会影响生物区域图像的图像模糊度计算的准确率,从而影响生物对象的景深信息的准确率。基于此,可以将部分手指区域图像,作为生物区域图像,如图6中的子图(b)所示,可以选取标号为{10,11,14,15,18,19}的骨骼点作为手指骨骼点,可以根据手指骨骼点在拍摄图像中的位置信息计算手指包络框601,手指包络框601所包络的区域即为手指区域图像,图6的子图(b)中手指包络框的计算方式与图6的子图(a)中手指包络框的计算方式一致,具体可以参见上述图6的子图(a)中手指包络框的计算方式,在此不再赘述。
(2)生物对象的骨骼信息可以包括全手骨骼点在拍摄图像中的位置信息,可以根据全手骨骼点在拍摄图像中的位置信息,确定拍摄图像中的全手区域图像,将全手区域图像确定为生物区域图像。
如图7所示,可以将除位于拇指的骨骼点外的骨骼点作为全手骨骼点;可以根据全手骨骼点在拍摄图像中的位置信息计算全手包络框701,全手包络框701所包络的区域即为全手区域图像;全手包络框的计算方式与手指包络框的计算方式一致,具体可以参见上述手指包络框的计算方式,在此不再赘述。将全手区域图像确定为生物区域图像的好处是,生物区域图像中超过85%的图像内容都是生物对象,这样能够大大降低生物区域图像的图像内容中小于15%的背景对生物图像的景深信息的计算所带来的影响。
(3)生物对象的骨骼信息可以包括手掌骨骼点在拍摄图像中的位置信息,可以根据手掌骨骼点在拍摄图像中的位置信息,确定拍摄图像中的手掌区域图像,将手掌区域图像确定为生物区域图像。
如图8所示,可以选取标号为{1,2,6,10,14,18}的骨骼点作为手掌骨骼点,可以根据手掌骨骼点在拍摄图像中的位置信息计算手掌包络框801,手掌包络框801所包络的区域即为手掌区域图像;手掌包络框的计算方式与手指包络框的计算方式一致,具体可以参见上述手指包络框的计算方式,在此不再赘述。在将手掌区域图像确定为生物区域图像的方式,与将手指区域图像、全手区域图像确定为生物区域图像的方式之间进行比较,将手指区域图像、全手区域图像确定为生物区域图像的方式,均需要用户按照活体检测的要求做出相应手势,而对于任意手势,手掌区域是相对稳定的,因此,将手掌区域图像确定为生物区域图像的方式可以提升用户进行活体检测的便利性,用户可以摆出任意手势,而不需要按照活体检测的要求做出相应手势;并且,根据手掌区域图像确定的生物区域图像的图像内容全为生物对象,这样可以提升生物对象的景深信息的计算准确性。
其中,以生物对象是手为例,根据生物对象的骨骼信息,在拍摄图像中确定背景区域图像的方式,可以包括以下任一种:
(1)生物对象的骨骼信息还可以包括手边界骨骼点在拍摄图像中的位置信息,可以根据手边界骨骼点在拍摄图像的位置信息以及拍摄图像的图像边界位置信息,确定拍摄图像中的手边界区域图像,将手边界区域图像确定为背景区域图像。
如图9所示,可以选取标号为{1,18,19,20,21}的骨骼点作为手边界骨骼点,可以根据手边界骨骼点在拍摄图像中的位置信息和图像边界位置信息计算手边界包络框901,手边界包络框901所包络的区域即为手边界区域图像。其中,可以将标号为1的骨骼点的纵坐标确定手边界包络框的下边界,可以根据标号为{18,19,20,21}的骨骼点中的最大横坐标确定手边界包络框的左边界,可以根据标号为{18,19,20,21}的骨骼点中的最小纵坐标确定手边界包络框的上边界,可以根据拍摄图像的图像边界位置信息确定手边界包络框的右边界;也就是说,可以在小指与拍摄图像边缘的间隙提取背景区域图像。
(2)生物对象的骨骼信息还可以包括虎口骨骼点在拍摄图像中的位置信息,可以根据虎口骨骼点在拍摄图像中的位置信息,确定拍摄图像中的虎口区域图像,将虎口区域图像确定为背景区域图像。
上述将手边界区域图像确定为背景区域图像可能存在一个问题,当小指距离拍摄图像的边界太近时,确定的背景区域图像为空,基于此,提出了将虎口区域图像确定为背景区域图像的方式,该方式需要用户的轻度配合,确保拇指处于打开的状态,即可取到背景区域图像。如图10所示,可以选取标号为{3,4,5,6,7,8,9}的骨骼点作为虎口骨骼点,可以根据虎口骨骼点在拍摄图像中的位置信息计算虎口包络框1001,虎口包络框1001所包络的区域即为虎口区域图像;虎口包络框的计算方式可以参见如下描述:虎口骨骼点可以包括标号为{3,4,5}的拇指骨骼点和标号为{6,7,8,9}食指骨骼点;可以根据拇指骨骼点中的最高骨骼点的纵坐标(即各个拇指骨骼点的坐标信息中的最小纵坐标)确定虎口包络框的下边界;可以根据拇指骨骼点中最左边的骨骼点的横坐标(即各个拇指骨骼点的坐标信息中的最小横坐标)确定虎口包络框的左边界;可以根据食指骨骼点中的最高骨骼点的纵坐标(即各个食指骨骼点的坐标信息中的最小纵坐标)确定虎口包络框的上边界;可以根据食指骨骼点中最左边的骨骼点的横坐标(即各个食指骨骼点的坐标信息中的最小横坐标)确定虎口包络框的右边界。
以上内容介绍了在拍摄图像中确定生物区域图像和背景区域图像的方式,下面介绍生物区域图像的图像模糊度的计算方式与背景区域图像的图像模糊度的计算方式,生物区域图像的图像模糊度的计算方式与背景区域图像的图像模糊度的计算方式是相同的,在此介绍生物区域图像的图像模糊度的计算方式,背景区域图像的图像模糊度的计算方式可以参见生物区域图像的图像模糊度的计算方式,便不再赘述。生物区域图像的图像模糊度的计算方式,具体可以包括:可以获取拉普拉斯模板,可以采用拉普拉斯模板对生物区域图像进行卷积处理,得到生物区域图像的卷积图像,然后,可以对生物区域图像的卷积图像中各个像素点的像素值进行统计计算,得到生物区域图像的图像模糊度;此处的统计计算可以是指对生物区域图像的卷积图像中各个像素点的像素值进行方差计算,或者,对生物区域图像的卷积图像中各个像素点的像素值进行标准差计算,本申请实施例对此不进行限定。
其中,采用拉普拉斯模板对生物区域图像进行卷积处理的过程,可以参见如下公式2:
如上述公式2所示,f(x,y)表示生物区域图像中的当前像素点(x,y)的像素值,f(x+1,y)表示生物区域图像中位于当前像素点(x,y)右侧的右侧像素点(x+1,y)的像素值,f(x-1,y)表示生物区域图像中位于当前像素点(x,y)左侧的左侧像素点(x-1,y)的像素值,f(x,y+1)表示生物区域图像中位于当前像素点(x,y)下侧的下侧像素点(x,y+1)的像素值,f(x,y-1)表示生物区域图像中位于当前像素点(x,y)上侧的上侧像素点(x,y一1)的像素值,表示卷积图像中当前像素点(x,y)的像素值;也就是说,如图11所示,当前像素点在卷积图像中的像素值,可以是根据当前像素点在生物区域图像中的像素值,当前像素点的左侧像素点在生物区域图像中的像素值,当前像素点的右侧像素点在生物区域图像中的像素值,当前像素点的上侧像素点在生物区域图像中的像素值,以及当前像素点的下侧像素点在生物区域图像中的像素值计算得到的,具体可以是加权求和计算得到的,其中,拉普拉斯模板定义了各个像素点(即当前像素点,左侧像素点,右侧像素点、上侧像素点以及下侧像素点)的加权权重;从而,可以计算得到生物区域图像中的每个像素点在卷积图像中的像素值。
S303,将生物对象的景深信息与背景的景深信息进行比较。
S304,根据比较结果确定生物对象的活体检测结果。
步骤S303-步骤S304中,在得到生物对象的景深信息和背景的景深信息之后,可以将生物对象的景深信息与背景的景深信息进行比较,以判断生物对象和背景是否处于一个平面,以判断活体检测场景是否遭受视频播放攻击,从而,可以根据比较结果确定生物对象的活体检测结果。
本申请实施例中,可以在生物图像的拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像,可以保证生物区域图像的全部图像内容或大部分图像内容为生物对象,这样采用生物区域图像的图像模糊度可以较为准确地表征生物对象的景深信息,以及可以保证背景区域图像的全部图像内容或大部分图像内容为背景,这样采用背景区域图像的图像模糊度可以较为准确地表征背景的景深信息;从而,通过将生物对象的景深信息与背景的景深信息进行比较,根据比较结果可以较为准确地确定生物对象的活体检测结果,提升活体检测的准确性。
本申请实施例提供一种图像处理方法,该图像处理方法主要介绍对生物对象的景深信息与背景的景深信息的比较方式。该图像处理方法可以由计算机设备执行,计算机设备可以是图像处理系统中的图像处理设备。如图12所示,该图像处理方法可以包括以下步骤S1201-步骤S1204:
S1201,获取活体检测场景中待检测的生物对象的拍摄图像,拍摄图像包括基准图像和调焦图像。
活体检测场景中待检测的生物对象的拍摄图像,可以包括基准图像和调焦图像。其中,基准图像可以是拍摄设备按照基准焦距对生物对象和生物对象所处的背景进行拍摄得到的,调焦图像可以是拍摄设备进行焦距调整后对生物对象和生物对象所处的背景进行拍摄得到的。
S1202,对基准图像进行景深分析,得到基准图像中生物对象的景深信息和背景的景深信息;对调焦图像进行景深分析,得到调焦图像中生物对象的景深信息和背景的景深信息。
在步骤S1202中,对基准图像进行景深分析的过程,具体可以参见上述图3所示实施例的步骤S302中对拍摄图像进行景深分析的过程,对基准图像进行景深分析,可以得到基准图像中生物对象的景深信息和背景的景深信息;同样地,对调焦图像进行景深分析的过程,具体可以参见上述图3所示实施例的步骤S302中对拍摄图像进行景深分析的过程,对调焦图像进行景深分析,可以得到调焦图像中生物对象的景深信息和背景的景深信息。
S1203,将基准图像中生物对象的景深信息与背景的景深信息进行比较,得到基准图像对应的比较结果;将调焦图像中生物对象的景深信息与背景的景深信息进行比较,得到调焦图像对应的比较结果。
对于基准图像,将基准图像中生物对象的景深信息与背景的景深信息进行比较,可以得到基准图像对应的比较结果;基准图像对应的比较结果可以指示基准图像中生物对象的景深信息与背景的景深信息相匹配,或者,基准图像中生物对象的景深信息与背景的景深信息不匹配;其中,基准图像中生物对象的景深信息与背景的景深信息相匹配,可以是指,基准图像中生物对象的景深信息与背景的景深信息相同,或者,基准图像中生物对象的景深信息与背景的景深信息之间的差值的绝对值小于绝对值阈值;基准图像中生物对象的景深信息与背景的景深信息不匹配,可以是指,基准图像中生物对象的景深信息与背景的景深信息不相同,或者,基准图像中生物对象的景深信息与背景的景深信息之间的差值的绝对值大于或等于绝对值阈值。
类似地,对于调焦图像,将调焦图像中生物对象的景深信息与背景的景深信息进行比较,可以得到调焦图像对应的比较结果;调焦图像对应的比较结果可以指示调焦图像中生物对象的景深信息与背景的景深信息相匹配,或者,调焦图像中生物对象的景深信息与背景的景深信息不匹配;其中,调焦图像中生物对象的景深信息与背景的景深信息相匹配,可以是指,调焦图像中生物对象的景深信息与背景的景深信息相同,或者,调焦图像中生物对象的景深信息与背景的景深信息之间的差值的绝对值小于绝对值阈值;调焦图像中生物对象的景深信息与背景的景深信息不匹配,可以是指,调焦图像中生物对象的景深信息与背景的景深信息不相同,或者,调焦图像中生物对象的景深信息与背景的景深信息之间的差值的绝对值大于或等于绝对值阈值。
可以理解为,当生物对象的景深信息与背景的景深信息相同时,确定生物对象的景深信息与背景的景深信息相匹配,这样的匹配确定方式可以保证在生物对象的景深信息与背景的景深信息相匹配时,生物对象的景深信息与背景的景深信息绝对相同;或者,当生物对象的景深信息与背景的景深信息之间的差距较小时,确定生物对象的景深信息与背景的景深信息相匹配,这样的匹配确定方式可以保证在生物对象的景深信息与背景的景深信息相匹配时,生物对象的景深信息与背景的景深信息相对相同,允许一定的容错,可以避免在视频播放攻击时因计算误差,导致生物对象的景深信息与背景的景深信息不相同,从而判断出活体检测过程未遭受视频播放攻击的情况发生。
S1204,根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果。
在得到基准图像对应的比较结果和调焦图像对应的比较结果后,可以根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果。
在一种实现方式中,调焦图像的数量为N张,N为大于1的整数;N张调焦图像可以是拍摄设备以生物对象或背景为基准进行N次焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次焦距调整拍摄得到一张调焦图像;拍摄设备以生物对象为基准进行焦距调整,可以理解为,拍摄设备以改变生物对象对应的生物区域图像的图像模糊度为目标进行焦距调整,不考虑背景对应的背景区域图像的图像模糊度;拍摄设备以背景为基准进行焦距调整,可以理解为,拍摄设备以改变背景对应的背景区域图像的图像模糊度为目标进行焦距调整,不考虑生物对象对应的生物区域图像的图像模糊度。
在此情况下,根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果的过程,具体可以包括:可以统计基准图像对应的比较结果和N张调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的目标数量;若目标数量大于或等于数量阈值,则可以生成活体检测失败的活体检测结果;若目标数量小于数量阈值,则可以生成活体检测成功的活体检测结果。
更为详细地,以生物对象的景深信息与背景的景深信息相匹配是指生物对象的景深信息与背景的景深信息相同,生物对象的景深信息与背景的景深信息不匹配是指生物对象的景深信息与背景的景深信息不相同为例,可以理解为,针对基准图像对应的比较结果和N张调焦图像对应的比较结果,可以设置一个计数值;若当前比较结果中生物对象的景深信息与背景的景深信息相同,则可以认为生物对象的景深信息与背景的景深信息相匹配,则可以对计数值进行更新,更新方式可以是计数值=计数值+1;若当前比较结果中生物对象的景深信息与背景的景深信息不相同,则可以认为生物对象的景深信息与背景的景深信息不匹配,则可以保持计数值不变,具体可以参见如下公式3:
if Laplacianfront==Laplacianback,Numequal+=1 公式3
如上述公式3所示:Laplacianfront表示生物对象的景深信息,Laplacianback表示背景的景深信息;如果生物对象的景深信息与背景的景深信息相同,即如果Laplacianfront==Laplacianback,则可以对计数值Numequal进行更新;如果生物对象的景深信息与背景的景深信息不相同,即如果Laplacianfront≠Laplacianback,则可以保持计数值Numequal不变。
然后,可以依次对基准图像对应的比较结果和调焦图像对应的比较结果中的各个比较结果进行处理,当对基准图像对应的比较结果和N张调焦图像对应的比较结果中的最后一个比较结果处理完成后,得到的计数值即为基准图像对应的比较结果和N张调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的目标数量;若目标数量大于或等于数量阈值,则可以生成活体检测失败的活体检测结果,若目标数量小于数量阈值,则可以生成活体检测成功的活体检测结果,具体可以参见如下公式4:
如上述公式4所示:Numequaz表示基准图像对应的比较结果和N张调焦图像对应的比较结果处理完成后的计数值,即目标数量;Thresequal表示数量阈值,数量阈值可以是小于或等于N的正整数。
不难看出,在该实现方式中,可以比较每一次焦距调整后拍摄得到的图像中,生物对象的景深信息与背景的景深信息是否匹配,并根据多次焦距调整得到的比较结果综合分析生物对象是否通过活体检测;相比于根据单张图像的比较结果确定生物对象是否通过活体检测的方式,多次焦距调整的方式能够避免单张图像的比较结果出现错误,导致活体检测结果判断错误的情况发生,多次焦距调整的方式使得判断得到的活体检测结果更可靠,准确性更高。
在另一种实现方式中,调焦图像可以包括N张第一调焦图像和M张第二调焦图像,N和M均为大于1的整数。N张第一调焦图像可以是拍摄设备以生物对象为基准进行N次第一焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次第一焦距调整拍摄得到一张第一调焦图像;拍摄设备以生物对象为基准进行第一焦距调整,可以理解为,拍摄设备以改变生物对象对应的生物区域图像的图像模糊度为目标进行焦距调整,不考虑背景对应的背景区域图像的图像模糊度。M张第二调焦图像可以是拍摄设备以背景为基准进行M次第二焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次第二焦距调整拍摄得到一张第二调焦图像;拍摄设备以背景为基准进行第二焦距调整,可以理解为,拍摄设备以改变背景对应的背景区域图像的图像模糊度为目标进行焦距调整,不考虑生物对象对应的生物区域图像的图像模糊度。
在此情况下,根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果的过程,具体可以包括:可以将基准图像对应的比较结果和N张第一调焦图像对应的比较结果中,指示生物对象的景深信息与所述背景的景深信息匹配的比较结果的数量,确定为第一数量;以及,可以将基准图像对应的比较结果和M张第二调焦图像对应的比较结果中,指示生物对象的景深信息与所述背景的景深信息匹配的比较结果的数量,确定为第二数量;然后,可以根据第一数量和第二数量计算综合数量,例如,综合数量可以是对第一数量和第二数量进行加权求和的结果;若综合数量大于或等于数量阈值,则可以生成活体检测失败的活体检测结果;若综合数量小于数量阈值,则可以生成活体检测成功的活体检测结果。
在该实现方式中,多次焦距调整可以分别以生物对象为基准和以背景为基准进行,可以比较每一次焦距调整后拍摄得到的图像中,生物对象的景深信息与背景的景深信息是否匹配,并根据以生物对象为基准的焦距调整得到的比较结果和以背景为基准的焦距调整得到的比较结果,综合分析生物对象是否通过活体检测,相比于单独以生物对象或背景为基准进行焦距调整的方式,该实现方式中的焦距调整维度增加了,这样可以进一步提升活体检测结果的可靠性和准确性。
以上步骤S1201-步骤S1202的内容介绍了对拍摄设备进行多次焦距调整,在每一次焦距调整后,比较生物对象的景深信息与背景的景深信息是否匹配,并根据多次焦距调整下的比较结果综合分析生物对象是否通过活体检测。相比于多次进行焦距调整的比较方式,还可以存在更为简单的比较方式,具体来说,可以直接获取拍摄设备单次拍摄得到的单张拍摄图像,对拍摄图像进行景深分析,得到生物对象的景深信息和背景的景深信息;然后,可以将生物对象的景深信息和背景的景深信息进行比较,若生物对象的景深信息和背景的景深信息相匹配,则生成活体检测失败的活体检测结果,若生物对象的景深信息和背景的景深信息不匹配,则生成活体检测成功的活体检测结果。相比于多次进行焦距调整的比较方式,该方式的比较方式更为简单,可以提升活体检测效率。
本申请实施例中,通过比较每一次焦距调整后拍摄得到的图像中生物对象的景深信息与背景的景深信息是否匹配,可以根据多次焦距调整得到的比较结果,综合分析生物对象是否通过活体检测,相比于根据单张图像的比较结果确定生物对象是否通过活体检测的方式,活体检测结果的可靠性和准确性更高。而根据单张图像的比较结果确定生物对象是否通过活体检测的方式则更加简单,活体检测效率更高。
上述详细阐述了本申请实施例的方法,为了便于更好地实施本申请实施例的上述方案,相应地,下面提供了本申请实施例的装置。
请参见图13,图13是本申请实施例提供的一种图像处理装置的结构示意图,该图像处理装置可以设置于本申请实施例提供的计算机设备中,计算机设备可以是图2a所示实施例中的图像处理设备。图13所示的图像处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),该图像处理装置可以用于执行图3或图12所示的方法实施例中的部分或全部步骤。请参见图13,该图像处理装置可以包括如下单元:
获取单元1301,用于获取活体检测场景中待检测的生物对象的拍摄图像;拍摄图像是采用拍摄设备对生物对象和生物对象所处的背景进行拍摄得到的;
处理单元1302,用于对拍摄图像进行景深分析,得到生物对象的景深信息和背景的景深信息;生物对象的景深信息用于指示生物对象与拍摄设备之间的距离;背景的景深信息用于指示背景与拍摄设备之间的距离;
处理单元1302,还用于将生物对象的景深信息与背景的景深信息进行比较;
处理单元1302,还用于根据比较结果确定生物对象的活体检测结果。
在一种实现方式中,处理单元1302,用于对拍摄图像进行景深分析,得到生物对象的景深信息和背景的景深信息时,具体用于执行如下步骤:
在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像;
计算生物区域图像的图像模糊度,将生物区域图像的图像模糊度确定为生物对象的景深信息;
以及,计算背景区域图像的图像模糊度,将背景区域图像的图像模糊度确定为背景的景深信息。
在一种实现方式中,处理单元1302,用于在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像时,具体用于执行如下步骤:
对拍摄图像中的生物对象进行骨骼分析,得到生物对象的骨骼信息;
根据生物对象的骨骼信息,在拍摄图像中确定生物区域图像;
以及,根据生物对象的骨骼信息,在拍摄图像中确定背景区域图像。
在一种实现方式中,生物对象为手;处理单元1302,用于根据生物对象的骨骼信息,在拍摄图像中确定生物区域图像时,具体用于执行如下步骤:
生物对象的骨骼信息包括手指骨骼点在拍摄图像中的位置信息,根据手指骨骼点在拍摄图像中的位置信息,确定拍摄图像中的手指区域图像,将手指区域图像确定为生物区域图像;
或者,生物对象的骨骼信息包括全手骨骼点在拍摄图像中的位置信息,根据全手骨骼点在拍摄图像中的位置信息,确定拍摄图像中的全手区域图像,将全手区域图像确定为生物区域图像;
或者,生物对象的骨骼信息包括手掌骨骼点在拍摄图像中的位置信息,根据手掌骨骼点在拍摄图像中的位置信息,确定拍摄图像中的手掌区域图像,将手掌区域图像确定为生物区域图像。
在一种实现方式中,处理单元1302,用于根据生物对象的骨骼信息,在拍摄图像中确定背景区域图像时,具体用于执行如下步骤:
生物对象的骨骼信息还包括虎口骨骼点在拍摄图像中的位置信息,根据虎口骨骼点在拍摄图像中的位置信息,确定拍摄图像中的虎口区域图像,将虎口区域图像确定为背景区域图像;
或者,生物对象的骨骼信息还包括手边界骨骼点在拍摄图像中的位置信息,根据手边界骨骼点在拍摄图像的位置信息以及拍摄图像的图像边界位置信息,确定拍摄图像中的手边界区域图像,将手边界区域图像确定为背景区域图像。
在一种实现方式中,处理单元1302,用于计算生物区域图像的图像模糊度时,具体用于执行如下步骤:
获取拉普拉斯模板;
采用拉普拉斯模板对生物区域图像进行卷积处理,得到生物区域图像的卷积图像;
对生物区域图像的卷积图像中各个像素点的像素值进行统计计算,得到生物区域图像的图像模糊度。
在一种实现方式中,拍摄图像包括基准图像和调焦图像,基准图像是拍摄设备按照基准焦距对生物对象和生物对象所处的背景进行拍摄得到的,调焦图像是拍摄设备进行焦距调整后对生物对象和生物对象所处的背景进行拍摄得到的;
比较结果包括基准图像对应的比较结果和调焦图像对应的比较结果;基准图像对应的比较结果,是将基准图像的景深分析结果中的生物对象的景深信息和背景的景深信息进行比较得到的;调焦图像对应的比较结果,是将调焦图像的景深分析结果中的生物对象的景深信息和背景的景深信息进行比较得到的;
处理单元1302,用于根据比较结果确定生物对象的活体检测结果时,具体用于执行如下步骤:
根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果。
在一种实现方式中,调焦图像的数量为N张,N为大于1的整数;N张调焦图像是拍摄设备以生物对象或背景为基准进行N次焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次焦距调整拍摄得到一张调焦图像;
处理单元1302,用于根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果时,具体用于执行如下步骤:
统计基准图像对应的比较结果和N张调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的目标数量;
若目标数量大于或等于数量阈值,则生成活体检测失败的活体检测结果;若目标数量小于数量阈值,则生成活体检测成功的活体检测结果。
在一种实现方式中,调焦图像包括N张第一调焦图像和M张第二调焦图像,N和M均为大于1的整数;N张第一调焦图像是拍摄设备以生物对象为基准进行N次第一焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次第一焦距调整拍摄得到一张第一调焦图像;M张第二调焦图像是拍摄设备以背景为基准进行M次第二焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次第二焦距调整拍摄得到一张第二调焦图像;
处理单元1302,用于根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果时,具体用于执行如下步骤:
将基准图像对应的比较结果和N张第一调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的数量,确定为第一数量;
将基准图像对应的比较结果和M张第二调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的数量,确定为第二数量;
根据第一数量和第二数量计算综合数量;若综合数量大于或等于数量阈值,则生成活体检测失败的活体检测结果;若综合数量小于数量阈值,则生成活体检测成功的活体检测结果。
在一种实现方式中,处理单元1302,还用于执行如下步骤:
若生物对象的活体检测结果指示活体检测成功,则将拍摄图像存储至生物注册库中;
或者,若生物对象的活体检测结果指示活体检测成功,则提取拍摄图像中的生物对象的生物特征,将生物特征存储至生物注册库中。
在一种实现方式中,处理单元1302,还用于执行如下步骤:
若生物对象的活体检测结果指示活体检测成功,则将拍摄图像与生物注册库中的已注册图像进行匹配检测,在成功检测到与拍摄图像相匹配的生物对象的已注册图像时,确定对生物对象验证通过;
或者,若生物对象的活体检测结果指示活体检测成功,则将拍摄图像中的生物对象的生物特征与生物注册库中的已注册生物特征进行匹配检测,在成功检测到与拍摄图像中的生物特征相匹配的生物对象的已注册生物特征时,确定对生物对象验证通过。
根据本申请的另一个实施例,图13所示的图像处理装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其它实施例中,图像处理装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图3或图12所示的部分或全部方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图13中所示的图像处理装置,以及来实现本申请实施例的图像处理方法。计算机程序可以记载于例如计算机可读存储介质上,并通过计算机可读存储介质装载于上述计算设备中,并在其中运行。
本申请实施例中,可以获取活体检测场景中待检测的生物对象的拍摄图像,拍摄图像可以是采用拍摄设备对生物对象和生物对象所处的背景进行拍摄得到的;通过对拍摄图像进行景深分析,可以得到生物对象的景深信息和背景的景深信息,生物对象的景深信息用于指示生物对象与拍摄设备之间的距离,背景的景深信息用于指示背景与拍摄设备之间的距离;通过将生物对象的景深信息与背景的景深信息进行比较,可以判断生物对象的景深信息与背景的景深信息是否匹配,在视频播放攻击中生物对象的景深信息与背景的景深信息是匹配的,从而,通过将生物对象的景深信息与背景的景深信息进行比较,根据比较结果确定生物对象的活体检测结果,可以有效抵抗活体检测过程中的视频播放攻击,提高活体检测的准确率。
基于上述方法以及装置实施例,本申请实施例提供了一种计算机设备,该计算机设备可以是图2a所示的图像处理系统中的图像处理设备。请参见图14,图14是本申请实施例提供的一种计算机设备的结构示意图。图14所示的计算机设备至少包括处理器1401、输入接口1402、输出接口1403以及计算机可读存储介质1404。其中,处理器1401、输入接口1402、输出接口1403以及计算机可读存储介质1404可通过总线或其他方式连接。
计算机可读存储介质1404可以存储在计算机设备的存储器中,计算机可读存储介质1404用于存储计算机程序,计算机程序包括计算机指令,处理器1401用于执行计算机可读存储介质1404存储的程序指令。处理器1401(或称CPU(Central Processing Unit,中央处理器))是计算机设备的计算核心以及控制核心,其适于实现一条或多条计算机指令,具体适于加载并执行一条或多条计算机指令从而实现相应方法流程或相应功能。
本申请实施例还提供了一种计算机可读存储介质(Memory),计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了计算机设备的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或多条的计算机指令,这些计算机指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(Non-VolatileMemory),例如至少一个磁盘存储器;可选的还可以是至少一个位于远离前述处理器的计算机可读存储介质。
在一些实施例中,可由处理器1401加载并执行计算机可读存储介质1404中存放的一条或多条计算机指令,以实现上述有关图3或图12所示的图像处理方法的相应步骤。具体实现中,计算机可读存储介质1404中的计算机指令由处理器1401加载并执行如下步骤:
获取活体检测场景中待检测的生物对象的拍摄图像;拍摄图像是采用拍摄设备对生物对象和生物对象所处的背景进行拍摄得到的;
对拍摄图像进行景深分析,得到生物对象的景深信息和背景的景深信息;生物对象的景深信息用于指示生物对象与拍摄设备之间的距离;背景的景深信息用于指示背景与拍摄设备之间的距离;
将生物对象的景深信息与背景的景深信息进行比较;
根据比较结果确定生物对象的活体检测结果。
在一种实现方式中,计算机可读存储介质1404中的计算机指令由处理器1401加载并执行对拍摄图像进行景深分析,得到生物对象的景深信息和背景的景深信息时,具体用于执行如下步骤:
在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像;
计算生物区域图像的图像模糊度,将生物区域图像的图像模糊度确定为生物对象的景深信息;
以及,计算背景区域图像的图像模糊度,将背景区域图像的图像模糊度确定为背景的景深信息。
在一种实现方式中,计算机可读存储介质1404中的计算机指令由处理器1401加载并执行在拍摄图像中确定生物对象对应的生物区域图像和背景对应的背景区域图像时,具体用于执行如下步骤:
对拍摄图像中的生物对象进行骨骼分析,得到生物对象的骨骼信息;
根据生物对象的骨骼信息,在拍摄图像中确定生物区域图像;
以及,根据生物对象的骨骼信息,在拍摄图像中确定背景区域图像。
在一种实现方式中,生物对象为手;计算机可读存储介质1404中的计算机指令由处理器1401加载并执行根据生物对象的骨骼信息,在拍摄图像中确定生物区域图像时,具体用于执行如下步骤:
生物对象的骨骼信息包括手指骨骼点在拍摄图像中的位置信息,根据手指骨骼点在拍摄图像中的位置信息,确定拍摄图像中的手指区域图像,将手指区域图像确定为生物区域图像;
或者,生物对象的骨骼信息包括全手骨骼点在拍摄图像中的位置信息,根据全手骨骼点在拍摄图像中的位置信息,确定拍摄图像中的全手区域图像,将全手区域图像确定为生物区域图像;
或者,生物对象的骨骼信息包括手掌骨骼点在拍摄图像中的位置信息,根据手掌骨骼点在拍摄图像中的位置信息,确定拍摄图像中的手掌区域图像,将手掌区域图像确定为生物区域图像。
在一种实现方式中,计算机可读存储介质1404中的计算机指令由处理器1401加载并执行根据生物对象的骨骼信息,在拍摄图像中确定背景区域图像时,具体用于执行如下步骤:
生物对象的骨骼信息还包括虎口骨骼点在拍摄图像中的位置信息,根据虎口骨骼点在拍摄图像中的位置信息,确定拍摄图像中的虎口区域图像,将虎口区域图像确定为背景区域图像;
或者,生物对象的骨骼信息还包括手边界骨骼点在拍摄图像中的位置信息,根据手边界骨骼点在拍摄图像的位置信息以及拍摄图像的图像边界位置信息,确定拍摄图像中的手边界区域图像,将手边界区域图像确定为背景区域图像。
在一种实现方式中,计算机可读存储介质1404中的计算机指令由处理器1401加载并执行计算生物区域图像的图像模糊度时,具体用于执行如下步骤:
获取拉普拉斯模板;
采用拉普拉斯模板对生物区域图像进行卷积处理,得到生物区域图像的卷积图像;
对生物区域图像的卷积图像中各个像素点的像素值进行统计计算,得到生物区域图像的图像模糊度。
在一种实现方式中,拍摄图像包括基准图像和调焦图像,基准图像是拍摄设备按照基准焦距对生物对象和生物对象所处的背景进行拍摄得到的,调焦图像是拍摄设备进行焦距调整后对生物对象和生物对象所处的背景进行拍摄得到的;
比较结果包括基准图像对应的比较结果和调焦图像对应的比较结果;基准图像对应的比较结果,是将基准图像的景深分析结果中的生物对象的景深信息和背景的景深信息进行比较得到的;调焦图像对应的比较结果,是将调焦图像的景深分析结果中的生物对象的景深信息和背景的景深信息进行比较得到的;
计算机可读存储介质1404中的计算机指令由处理器1401加载并执行根据比较结果确定生物对象的活体检测结果时,具体用于执行如下步骤:
根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果。
在一种实现方式中,调焦图像的数量为N张,N为大于1的整数;N张调焦图像是拍摄设备以生物对象或背景为基准进行N次焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次焦距调整拍摄得到一张调焦图像;
计算机可读存储介质1404中的计算机指令由处理器1401加载并执行根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果时,具体用于执行如下步骤:
统计基准图像对应的比较结果和N张调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的目标数量;
若目标数量大于或等于数量阈值,则生成活体检测失败的活体检测结果;若目标数量小于数量阈值,则生成活体检测成功的活体检测结果。
在一种实现方式中,调焦图像包括N张第一调焦图像和M张第二调焦图像,N和M均为大于1的整数;N张第一调焦图像是拍摄设备以生物对象为基准进行N次第一焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次第一焦距调整拍摄得到一张第一调焦图像;M张第二调焦图像是拍摄设备以背景为基准进行M次第二焦距调整后,对生物对象和生物对象所处的背景进行拍摄得到的,一次第二焦距调整拍摄得到一张第二调焦图像;
计算机可读存储介质1404中的计算机指令由处理器1401加载并执行根据基准图像对应的比较结果和调焦图像对应的比较结果,确定生物对象的活体检测结果时,具体用于执行如下步骤:
将基准图像对应的比较结果和N张第一调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的数量,确定为第一数量;
将基准图像对应的比较结果和M张第二调焦图像对应的比较结果中,指示生物对象的景深信息与背景的景深信息匹配的比较结果的数量,确定为第二数量;
根据第一数量和第二数量计算综合数量;若综合数量大于或等于数量阈值,则生成活体检测失败的活体检测结果;若综合数量小于数量阈值,则生成活体检测成功的活体检测结果。
在一种实现方式中,计算机可读存储介质1404中的计算机指令由处理器1401加载并还用于执行如下步骤:
若生物对象的活体检测结果指示活体检测成功,则将拍摄图像存储至生物注册库中;
或者,若生物对象的活体检测结果指示活体检测成功,则提取拍摄图像中的生物对象的生物特征,将生物特征存储至生物注册库中。
在一种实现方式中,计算机可读存储介质1404中的计算机指令由处理器1401加载并还用于执行如下步骤:
若生物对象的活体检测结果指示活体检测成功,则将拍摄图像与生物注册库中的已注册图像进行匹配检测,在成功检测到与拍摄图像相匹配的生物对象的已注册图像时,确定对生物对象验证通过;
或者,若生物对象的活体检测结果指示活体检测成功,则将拍摄图像中的生物对象的生物特征与生物注册库中的已注册生物特征进行匹配检测,在成功检测到与拍摄图像中的生物特征相匹配的生物对象的已注册生物特征时,确定对生物对象验证通过。
本申请实施例中,可以获取活体检测场景中待检测的生物对象的拍摄图像,拍摄图像可以是采用拍摄设备对生物对象和生物对象所处的背景进行拍摄得到的;通过对拍摄图像进行景深分析,可以得到生物对象的景深信息和背景的景深信息,生物对象的景深信息用于指示生物对象与拍摄设备之间的距离,背景的景深信息用于指示背景与拍摄设备之间的距离;通过将生物对象的景深信息与背景的景深信息进行比较,可以判断生物对象的景深信息与背景的景深信息是否匹配,在视频播放攻击中生物对象的景深信息与背景的景深信息是匹配的,从而,通过将生物对象的景深信息与背景的景深信息进行比较,根据比较结果确定生物对象的活体检测结果,可以有效抵抗活体检测过程中的视频播放攻击,提高活体检测的准确率。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选方式中提供的图像处理方法。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (15)
1.一种图像处理方法,其特征在于,包括:
获取活体检测场景中待检测的生物对象的拍摄图像;所述拍摄图像是采用拍摄设备对所述生物对象和所述生物对象所处的背景进行拍摄得到的;
对所述拍摄图像进行景深分析,得到所述生物对象的景深信息和所述背景的景深信息;所述生物对象的景深信息用于指示所述生物对象与所述拍摄设备之间的距离;所述背景的景深信息用于指示所述背景与所述拍摄设备之间的距离;
将所述生物对象的景深信息与所述背景的景深信息进行比较;
根据比较结果确定所述生物对象的活体检测结果。
2.如权利要求1所述的方法,其特征在于,所述对所述拍摄图像进行景深分析,得到所述生物对象的景深信息和所述背景的景深信息,包括:
在所述拍摄图像中确定所述生物对象对应的生物区域图像和所述背景对应的背景区域图像;
计算所述生物区域图像的图像模糊度,将所述生物区域图像的图像模糊度确定为所述生物对象的景深信息;以及,
计算所述背景区域图像的图像模糊度,将所述背景区域图像的图像模糊度确定为所述背景的景深信息。
3.如权利要求2所述的方法,其特征在于,所述在所述拍摄图像中确定所述生物对象对应的生物区域图像和所述背景对应的背景区域图像,包括:
对所述拍摄图像中的所述生物对象进行骨骼分析,得到所述生物对象的骨骼信息;
根据所述生物对象的骨骼信息,在所述拍摄图像中确定所述生物区域图像;以及,
根据所述生物对象的骨骼信息,在所述拍摄图像中确定所述背景区域图像。
4.如权利要求3所述的方法,其特征在于,所述生物对象为手;所述根据所述生物对象的骨骼信息,在所述拍摄图像中确定所述生物区域图像,包括:
所述生物对象的骨骼信息包括手指骨骼点在所述拍摄图像中的位置信息,根据所述手指骨骼点在所述拍摄图像中的位置信息,确定所述拍摄图像中的手指区域图像,将所述手指区域图像确定为所述生物区域图像;或者,
所述生物对象的骨骼信息包括全手骨骼点在所述拍摄图像中的位置信息,根据所述全手骨骼点在所述拍摄图像中的位置信息,确定所述拍摄图像中的全手区域图像,将所述全手区域图像确定为所述生物区域图像;或者,
所述生物对象的骨骼信息包括手掌骨骼点在所述拍摄图像中的位置信息,根据所述手掌骨骼点在所述拍摄图像中的位置信息,确定所述拍摄图像中的手掌区域图像,将所述手掌区域图像确定为所述生物区域图像。
5.如权利要求4所述的方法,其特征在于,所述根据所述生物对象的骨骼信息,在所述拍摄图像中确定所述背景区域图像,包括:
所述生物对象的骨骼信息还包括虎口骨骼点在所述拍摄图像中的位置信息,根据所述虎口骨骼点在所述拍摄图像中的位置信息,确定所述拍摄图像中的虎口区域图像,将所述虎口区域图像确定为所述背景区域图像;或者,
所述生物对象的骨骼信息还包括手边界骨骼点在所述拍摄图像中的位置信息,根据所述手边界骨骼点在所述拍摄图像的位置信息以及所述拍摄图像的图像边界位置信息,确定所述拍摄图像中的手边界区域图像,将所述手边界区域图像确定为所述背景区域图像。
6.如权利要求2所述的方法,其特征在于,所述计算所述生物区域图像的图像模糊度,包括:
获取拉普拉斯模板;
采用所述拉普拉斯模板对所述生物区域图像进行卷积处理,得到所述生物区域图像的卷积图像;
对所述生物区域图像的卷积图像中各个像素点的像素值进行统计计算,得到所述生物区域图像的图像模糊度。
7.如权利要求1所述的方法,其特征在于,所述拍摄图像包括基准图像和调焦图像,所述基准图像是所述拍摄设备按照基准焦距对所述生物对象和所述生物对象所处的背景进行拍摄得到的,所述调焦图像是所述拍摄设备进行焦距调整后对所述生物对象和所述生物对象所处的背景进行拍摄得到的;
所述比较结果包括所述基准图像对应的比较结果和所述调焦图像对应的比较结果;所述基准图像对应的比较结果,是将所述基准图像的景深分析结果中的生物对象的景深信息和背景的景深信息进行比较得到的;所述调焦图像对应的比较结果,是将所述调焦图像的景深分析结果中的生物对象的景深信息和背景的景深信息进行比较得到的;
所述根据比较结果确定所述生物对象的活体检测结果,包括:
根据所述基准图像对应的比较结果和所述调焦图像对应的比较结果,确定所述生物对象的活体检测结果。
8.如权利要求7所述的方法,其特征在于,所述调焦图像的数量为N张,N为大于1的整数;N张调焦图像是所述拍摄设备以所述生物对象或所述背景为基准进行N次焦距调整后,对所述生物对象和所述生物对象所处的背景进行拍摄得到的,一次焦距调整拍摄得到一张调焦图像;
所述根据所述基准图像对应的比较结果和所述调焦图像对应的比较结果,确定所述生物对象的活体检测结果,包括:
统计所述基准图像对应的比较结果和所述N张调焦图像对应的比较结果中,指示所述生物对象的景深信息与所述背景的景深信息匹配的比较结果的目标数量;
若所述目标数量大于或等于数量阈值,则生成活体检测失败的活体检测结果;若所述目标数量小于数量阈值,则生成活体检测成功的活体检测结果。
9.如权利要求7所述的方法,其特征在于,所述调焦图像包括N张第一调焦图像和M张第二调焦图像,N和M均为大于1的整数;N张第一调焦图像是所述拍摄设备以所述生物对象为基准进行N次第一焦距调整后,对所述生物对象和所述生物对象所处的背景进行拍摄得到的,一次第一焦距调整拍摄得到一张第一调焦图像;M张第二调焦图像是所述拍摄设备以所述背景为基准进行M次第二焦距调整后,对所述生物对象和所述生物对象所处的背景进行拍摄得到的,一次第二焦距调整拍摄得到一张第二调焦图像;
所述根据所述基准图像对应的比较结果和所述调焦图像对应的比较结果,确定所述生物对象的活体检测结果,包括:
将所述基准图像对应的比较结果和所述N张第一调焦图像对应的比较结果中,指示所述生物对象的景深信息与所述背景的景深信息匹配的比较结果的数量,确定为第一数量;
将所述基准图像对应的比较结果和所述M张第二调焦图像对应的比较结果中,指示所述生物对象的景深信息与所述背景的景深信息匹配的比较结果的数量,确定为第二数量;
根据所述第一数量和所述第二数量计算综合数量;若所述综合数量大于或等于数量阈值,则生成活体检测失败的活体检测结果;若所述综合数量小于数量阈值,则生成活体检测成功的活体检测结果。
10.如权利要求1所述的方法,其特征在于,所述方法还包括:
若所述生物对象的活体检测结果指示活体检测成功,则将所述拍摄图像存储至生物注册库中;或者,
若所述生物对象的活体检测结果指示活体检测成功,则提取所述拍摄图像中的所述生物对象的生物特征,将所述生物特征存储至生物注册库中。
11.如权利要求1所述的方法,其特征在于,所述方法还包括:
若所述生物对象的活体检测结果指示活体检测成功,则将所述拍摄图像与生物注册库中的已注册图像进行匹配检测,在成功检测到与所述拍摄图像相匹配的所述生物对象的已注册图像时,确定对所述生物对象验证通过;或者,
若所述生物对象的活体检测结果指示活体检测成功,则将所述拍摄图像中的所述生物对象的生物特征与生物注册库中的已注册生物特征进行匹配检测,在成功检测到与所述拍摄图像中的生物特征相匹配的所述生物对象的已注册生物特征时,确定对所述生物对象验证通过。
12.一种图像处理装置,其特征在于,包括:
获取单元,用于获取活体检测场景中待检测的生物对象的拍摄图像;所述拍摄图像是采用拍摄设备对所述生物对象和所述生物对象所处的背景进行拍摄得到的;
处理单元,用于对所述拍摄图像进行景深分析,得到所述生物对象的景深信息和所述背景的景深信息;所述生物对象的景深信息用于指示所述生物对象与所述拍摄设备之间的距离;所述背景的景深信息用于指示所述背景与所述拍摄设备之间的距离;
所述处理单元,还用于将所述生物对象的景深信息与所述背景的景深信息进行比较;
所述处理单元,还用于根据比较结果确定所述生物对象的活体检测结果。
13.一种计算机设备,其特征在于,包括:
处理器,适于实现计算机程序;
计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-11任一项所述的图像处理方法。
14.一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计算机程序,所述计算机程序适于由处理器加载并执行如权利要求1-11任一项所述的图像处理方法。
15.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机指令,所述计算机指令被处理器执行时实现如权利要求1-11任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310139769.0A CN116978130A (zh) | 2023-02-13 | 2023-02-13 | 图像处理方法、装置及计算机设备、存储介质、程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310139769.0A CN116978130A (zh) | 2023-02-13 | 2023-02-13 | 图像处理方法、装置及计算机设备、存储介质、程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116978130A true CN116978130A (zh) | 2023-10-31 |
Family
ID=88480349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310139769.0A Pending CN116978130A (zh) | 2023-02-13 | 2023-02-13 | 图像处理方法、装置及计算机设备、存储介质、程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116978130A (zh) |
-
2023
- 2023-02-13 CN CN202310139769.0A patent/CN116978130A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3916627A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN110569731B (zh) | 一种人脸识别方法、装置及电子设备 | |
CN111738735B (zh) | 一种图像数据处理方法、装置和相关设备 | |
CN111680672B (zh) | 人脸活体检测方法、系统、装置、计算机设备和存储介质 | |
CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
CN111914775B (zh) | 活体检测方法、装置、电子设备及存储介质 | |
Smith-Creasey et al. | Continuous face authentication scheme for mobile devices with tracking and liveness detection | |
CN112215043A (zh) | 一种人脸活体检测方法 | |
CN113298158A (zh) | 数据检测方法、装置、设备及存储介质 | |
CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
CN113837006A (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
CN110688878B (zh) | 活体识别检测方法、装置、介质及电子设备 | |
CN116188956A (zh) | 一种深度伪造人脸图像检测的方法及相关设备 | |
CN116958306A (zh) | 图像合成方法和装置、存储介质及电子设备 | |
CN116978130A (zh) | 图像处理方法、装置及计算机设备、存储介质、程序产品 | |
CN113989870A (zh) | 一种活体检测方法、门锁系统及电子设备 | |
CN111598144B (zh) | 图像识别模型的训练方法和装置 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN116597500B (zh) | 虹膜识别方法、装置、设备及存储介质 | |
CN117079336B (zh) | 样本分类模型的训练方法、装置、设备及存储介质 | |
Dameron | Real vs Fake Faces: DeepFakes and Face Morphing | |
Huy | Improving Security in Facial Biometrics: Views from both Attacker Side and Defender Side | |
CN117011920A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
Zingarini et al. | M3Dsynth: A dataset of medical 3D images with AI-generated local manipulations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |