本發(fā)明涉及屬于生物識(shí)別技術(shù)領(lǐng)域，特別是涉及一種活體檢測(cè)方法及裝置。

背景技術(shù)：

隨著人工智能技術(shù)的進(jìn)一步飛躍，人工智能產(chǎn)品越來越多的運(yùn)用于生活實(shí)際，如人臉識(shí)別和人臉認(rèn)證技術(shù)廣泛的運(yùn)用于安防、金融等領(lǐng)域。在人臉認(rèn)證技術(shù)中，特別是遠(yuǎn)程人臉認(rèn)證技術(shù)，活體檢測(cè)是其關(guān)鍵技術(shù)之一和重要組成部分，是保證人臉認(rèn)證結(jié)果安全可信的重要手段?；铙w檢測(cè)目的即正確區(qū)分真實(shí)人臉和攻擊人臉，其中攻擊人臉包括人臉照片攻擊、人臉視屏回放攻擊、3d人臉面具攻擊等多種攻擊手段。

然而，當(dāng)前主流的動(dòng)作活體檢測(cè)也能預(yù)防一部分的人臉照片攻擊，但是針對(duì)扣嘴扣眼人臉照片和3d人臉面具攻防較差，因此，需要一款具有上述適應(yīng)能力的活體檢測(cè)方法及裝置。

技術(shù)實(shí)現(xiàn)要素：

鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種活體檢測(cè)方法及裝置，用于解決現(xiàn)有技術(shù)中待檢測(cè)對(duì)象是否活體的問題。

為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種活體檢測(cè)方法，包括：

獲取待檢測(cè)對(duì)象的人臉圖像；

提取所述人臉圖像的生命體征信號(hào)；

將提取到的所有生命體征信號(hào)進(jìn)行相關(guān)運(yùn)算，計(jì)算得到特征向量；

將特征向量輸入到預(yù)先訓(xùn)練的分類模型，根據(jù)輸出判決類別與分?jǐn)?shù)判別對(duì)象是否為活體。

本發(fā)明的另一目的在于提供一種活體檢測(cè)裝置，包括：

獲取模塊，用于獲取待檢測(cè)對(duì)象的人臉圖像；

提取模塊，用于提取所述人臉圖像的生命體征信號(hào)；

計(jì)算模塊，用于將提取到的所有生命體征信號(hào)進(jìn)行相關(guān)運(yùn)算，計(jì)算得到特征向量；

檢測(cè)模塊，用于將特征向量輸入到預(yù)先訓(xùn)練的分類模型，根據(jù)輸出判決類別與分?jǐn)?shù)判別對(duì)象是否為活體。

如上所述，本發(fā)明的活體檢測(cè)方法及裝置，具有以下有益效果：

本發(fā)明提供一種靜默活體檢測(cè)技術(shù)，通過在待檢測(cè)的人臉圖像中提取生命體征信號(hào)，能夠區(qū)分真實(shí)人臉與攻擊人臉，解決了預(yù)防扣嘴扣眼人臉照片與3d面具攻擊困難的問題；通過訓(xùn)練分類器，可提高活體檢測(cè)的準(zhǔn)確性。

附圖說明

圖1顯示為本發(fā)明提供的一種活體檢測(cè)方法的流程圖；

圖2顯示為本發(fā)明提供的一種活體檢測(cè)方法中步驟s2的流程圖；

圖3顯示為本發(fā)明提供的一種活體檢測(cè)方法步驟s4的流程圖；

圖4顯示為本發(fā)明提供的一種活體檢測(cè)裝置的結(jié)構(gòu)框圖；

圖5顯示為本發(fā)明提供的一種活體檢測(cè)裝置中提取模塊結(jié)構(gòu)框圖；

圖6顯示為本發(fā)明提供的一種活體檢測(cè)裝置中檢測(cè)模塊結(jié)構(gòu)框圖。

元件標(biāo)號(hào)說明：

1獲取模塊

2提取模塊

3計(jì)算模塊

4檢測(cè)模塊

21提取單元

22生成單元

31計(jì)算單元

41檢測(cè)單元

42第一執(zhí)行單元

43第二執(zhí)行單元

具體實(shí)施方式

以下通過特定的具體實(shí)例說明本發(fā)明的實(shí)施方式，本領(lǐng)域技術(shù)人員可由本說明書所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)點(diǎn)與功效。本發(fā)明還可以通過另外不同的具體實(shí)施方式加以實(shí)施或應(yīng)用，本說明書中的各項(xiàng)細(xì)節(jié)也可以基于不同觀點(diǎn)與應(yīng)用，在沒有背離本發(fā)明的精神下進(jìn)行各種修飾或改變。需說明的是，在不沖突的情況下，以下實(shí)施例及實(shí)施例中的特征可以相互組合。

需要說明的是，以下實(shí)施例中所提供的圖示僅以示意方式說明本發(fā)明的基本構(gòu)想，遂圖式中僅顯示與本發(fā)明中有關(guān)的組件而非按照實(shí)際實(shí)施時(shí)的組件數(shù)目、形狀及尺寸繪制，其實(shí)際實(shí)施時(shí)各組件的型態(tài)、數(shù)量及比例可為一種隨意的改變，且其組件布局型態(tài)也可能更為復(fù)雜。

請(qǐng)參閱圖1，為本發(fā)明提供的一種活體檢測(cè)方法的流程圖，包括：

步驟s1，獲取待檢測(cè)對(duì)象的人臉圖像；

其中，獲取輸入圖像為以下任意格式中bmp、jpg、tiff、gif、pcx、tga、exif、fpx、svg、psd、cdr、pcd、dxf、ufo、eps、ai、raw一種，且為無壓縮的圖片，采用人臉檢測(cè)算法獲取到包含對(duì)象人臉位置的人臉圖像。

步驟s2，提取所述人臉圖像的生命體征信號(hào)；

其中，生命體征信號(hào)包含人體心率、呼吸率、血氧濃度等體征信息；同時(shí)，提取生命體征信號(hào)受環(huán)境光影響，需要在訓(xùn)練時(shí)將每種目標(biāo)在不同環(huán)境光下采集數(shù)據(jù)，所包含的人臉圖像必須具有完整人臉，包含額頭與左右臉頰不被遮擋。

步驟s3，將提取到的所有生命體征信號(hào)進(jìn)行相關(guān)運(yùn)算，計(jì)算得到特征向量；

其中，利用遠(yuǎn)程光學(xué)體積描記術(shù)計(jì)算生命體征信號(hào)，將所得的生命體征信號(hào)兩兩進(jìn)行運(yùn)算，得到一維特征向量。

步驟s4，將特征向量輸入到預(yù)先訓(xùn)練的分類模型，根據(jù)輸出判決類別與分?jǐn)?shù)判別對(duì)象是否為活體。

其中，所述分類模型可基于svm網(wǎng)絡(luò)或神經(jīng)網(wǎng)絡(luò)對(duì)分類模型進(jìn)行訓(xùn)練，得到分類模型。

在本實(shí)施例中，通過在待檢測(cè)的人臉圖像中提取生命體征信號(hào)，能夠區(qū)分真實(shí)人臉與攻擊人臉，解決了預(yù)防扣嘴扣眼人臉照片與3d面具攻擊困難的問題；通過訓(xùn)練分類器，可提高活體檢測(cè)的準(zhǔn)確性。

在上述實(shí)施例中，將訓(xùn)練集中所有特征向量與其對(duì)應(yīng)的數(shù)據(jù)標(biāo)定送入支撐向量機(jī)，所述訓(xùn)練集包含照片人臉、3d面具人臉、真實(shí)人臉，根據(jù)非活體對(duì)象并無生命體征信號(hào)區(qū)分待檢測(cè)對(duì)象是否為活體，訓(xùn)練生成分類模型。

具體地，用戶通過各種途徑采集到的包含有人臉的圖片按照訓(xùn)練集的預(yù)設(shè)規(guī)則對(duì)圖片中人臉位置區(qū)域的特征向量與其對(duì)應(yīng)的類別、分?jǐn)?shù)進(jìn)行標(biāo)定，如：訓(xùn)練時(shí)基于支撐向量機(jī)(svm)進(jìn)行訓(xùn)練，其中，svm核函數(shù)為徑向基函數(shù)(rbf)，可以通過訓(xùn)練分類模型，提高其泛化能力與判決準(zhǔn)確性。

請(qǐng)參閱圖2，為本發(fā)明提供的一種活體檢測(cè)方法中步驟s2的流程圖，包括：

步驟s201，提取所述人臉圖像的人臉關(guān)鍵點(diǎn)，根據(jù)人臉關(guān)鍵點(diǎn)將所述人臉的額頭與左右臉頰劃分成多個(gè)不重疊的小區(qū)域；

步驟s202，采用光學(xué)體積描記術(shù)檢測(cè)整個(gè)人臉圖像，計(jì)算每個(gè)小區(qū)域的生命體征信號(hào)。

在本實(shí)施例中，依據(jù)心臟搏血能力使得皮膚表面毛細(xì)血管中血紅蛋白含量呈周期性變化，從而使得人臉反射光強(qiáng)度具有周期變化特性；在人臉區(qū)域，額頭和左右臉頰為毛細(xì)血管分布最豐富區(qū)域，根據(jù)人臉檢測(cè)和關(guān)鍵點(diǎn)檢測(cè)結(jié)果將額頭和左右臉頰分為多個(gè)不重疊的小區(qū)域，對(duì)每個(gè)小區(qū)域分別計(jì)算生命體征信號(hào)si(i＝1,2,...,n)，相對(duì)于全臉提取，提升了采集的生命體征信號(hào)的準(zhǔn)確度。

在上述實(shí)施例中，將所有生命體征信號(hào)做兩兩相關(guān)運(yùn)算，其中，所有生命體征信號(hào)包含每個(gè)小區(qū)域的生命體征信號(hào)；根據(jù)相關(guān)運(yùn)算中最大峰值與最大頻率分量組成一維的體征向量。

具體地，計(jì)算si和sj相關(guān)運(yùn)算的最大峰值(pi,j)和最大的頻率分量(fi,j)級(jí)聯(lián)組成一維特征向量：v＝[p1,1,p1,2,...,p1,n,...,pn,1,pn,2,...,pn,n,f1,1,f1,2,...,f1,n,...,fn,1,fn,2,...,fn,n]，式中，n為分析區(qū)域個(gè)數(shù)，即，提取到的生命體征信號(hào)個(gè)數(shù)；特征向量v有個(gè)元素，可避免單個(gè)區(qū)域提取生命體征信號(hào)所帶來的噪聲干擾，從而提高活體判斷的準(zhǔn)確度。

請(qǐng)參閱圖3，為本發(fā)明提供的一種活體檢測(cè)方法步驟s4的流程圖，包括：

步驟s401，將特征向量輸入到分類模型，根據(jù)輸入的特征向量輸出的待檢測(cè)對(duì)象的類別、以及所述待檢測(cè)對(duì)象生命體征信號(hào)所對(duì)應(yīng)的分?jǐn)?shù)判斷待檢測(cè)對(duì)象是否為活體；

步驟s402，如果所述待檢測(cè)對(duì)象有對(duì)應(yīng)類別且分?jǐn)?shù)在預(yù)設(shè)范圍內(nèi)，則待檢測(cè)對(duì)象為活體，

步驟s403，如果所述待檢測(cè)對(duì)象有對(duì)應(yīng)類別且分?jǐn)?shù)在預(yù)設(shè)范圍外，則待檢測(cè)對(duì)象非活體。

在本實(shí)施例中，特征向量輸入到提前訓(xùn)練的分類模型，根據(jù)分類模型輸出的待檢測(cè)對(duì)象的判別的類別與其對(duì)應(yīng)生物特征分?jǐn)?shù)，即可進(jìn)行判斷，例如，類別分為：真實(shí)人臉、3d人臉、照片人臉，如果不是真實(shí)人臉，即為攻擊人臉；同時(shí)，只有真實(shí)人臉才具有生物特征分?jǐn)?shù)，其它的3d人臉、照片人臉均不具有生物特征分?jǐn)?shù)，或則，它們所對(duì)應(yīng)的生物特征分?jǐn)?shù)不在預(yù)設(shè)范圍內(nèi)。另外，步驟s402與步驟s403只能夠選擇一條進(jìn)行執(zhí)行。

請(qǐng)參閱圖4，為本發(fā)明提供的一種活體檢測(cè)裝置的結(jié)構(gòu)框圖，包括：

獲取模塊1，用于獲取待檢測(cè)對(duì)象的人臉圖像；

提取模塊2，用于提取所述人臉圖像的生命體征信號(hào)；

計(jì)算模塊3，用于將提取到的所有生命體征信號(hào)進(jìn)行相關(guān)運(yùn)算，計(jì)算得到特征向量；

檢測(cè)模塊4，用于將特征向量輸入到預(yù)先訓(xùn)練的分類模型，根據(jù)輸出判決類別與分?jǐn)?shù)判別對(duì)象是否為活體。

在本實(shí)施例中，解決了傳統(tǒng)扣嘴扣眼人臉照片與3d面具攻擊防御低的問題。

分類模型，將訓(xùn)練集中所有特征向量與其對(duì)應(yīng)的數(shù)據(jù)標(biāo)定送入支撐向量機(jī)，所述訓(xùn)練集包含照片人臉、3d面具人臉、真實(shí)人臉，根據(jù)非活體對(duì)象并無生命體征信號(hào)區(qū)分待檢測(cè)對(duì)象是否為活體，訓(xùn)練生成分類模型。

在本實(shí)施例中，提前將訓(xùn)練集各種人臉進(jìn)行訓(xùn)練，使其具有自動(dòng)識(shí)別的功能。

請(qǐng)參閱圖5，為本發(fā)明提供的一種活體檢測(cè)裝置中提取模塊的結(jié)構(gòu)框圖，包括：

提取單元21，用于提取所述人臉圖像的人臉關(guān)鍵點(diǎn)，根據(jù)人臉關(guān)鍵點(diǎn)將所述人臉的額頭與左右臉頰劃分成多個(gè)不重疊的小區(qū)域；

生成單元22，采用光學(xué)體積描記術(shù)檢測(cè)整個(gè)人臉圖像，生成每個(gè)小區(qū)域的生命體征信號(hào)。

在本實(shí)施例中，分區(qū)域重點(diǎn)采集，縮減了采集的數(shù)據(jù)量與工作量。

具體地，計(jì)算單元，用于將所有生命體征信號(hào)做兩兩相關(guān)運(yùn)算，其中，所有生命體征信號(hào)包含每個(gè)小區(qū)域的生命體征信號(hào)；根據(jù)相關(guān)運(yùn)算中最大峰值與最大頻率分量組成一維的體征向量。

在本實(shí)施例中，生成一維體征向量，避免了單個(gè)區(qū)域提取生命體征信號(hào)所帶來的噪聲干擾，從而提高活體判斷的準(zhǔn)確度。

請(qǐng)參閱圖6，為本發(fā)明提供的一種活體檢測(cè)裝置中檢測(cè)模塊結(jié)構(gòu)框圖，包括：

檢測(cè)單元41，用于將特征向量輸入到分類模型，根據(jù)輸入的特征向量輸出的待檢測(cè)對(duì)象的類別、以及所述待檢測(cè)對(duì)象生命體征信號(hào)所對(duì)應(yīng)的分?jǐn)?shù)判斷待檢測(cè)對(duì)象是否為活體；

第一執(zhí)行單元42，用于如果所述待檢測(cè)對(duì)象有對(duì)應(yīng)類別且分?jǐn)?shù)在預(yù)設(shè)范圍內(nèi)，則待檢測(cè)對(duì)象為活體，

第而執(zhí)行單元43，用于檢測(cè)單元，用于如果所述待檢測(cè)對(duì)象有對(duì)應(yīng)類別且分?jǐn)?shù)在預(yù)設(shè)范圍外，則待檢測(cè)對(duì)象非活體。

在本實(shí)施例中，通過分類模型自動(dòng)識(shí)別輸入的人臉圖像，根據(jù)輸出的類別以及分?jǐn)?shù)判斷待檢測(cè)對(duì)象是否為活體，提高活體檢測(cè)的準(zhǔn)確性。

綜上所述，本發(fā)明提供一種靜默活體檢測(cè)技術(shù)，通過在待檢測(cè)的人臉圖像中提取生命體征信號(hào)，能夠區(qū)分真實(shí)人臉與攻擊人臉，解決了預(yù)防扣嘴扣眼人臉照片與3d面具攻擊困難的問題；通過訓(xùn)練分類器，可提高活體檢測(cè)的準(zhǔn)確性。所以，本發(fā)明有效克服了現(xiàn)有技術(shù)中的種種缺點(diǎn)而具高度產(chǎn)業(yè)利用價(jià)值。

上述實(shí)施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟悉此技術(shù)的人士皆可在不違背本發(fā)明的精神及范疇下，對(duì)上述實(shí)施例進(jìn)行修飾或改變。因此，舉凡所屬技術(shù)領(lǐng)域中具有通常知識(shí)者在未脫離本發(fā)明所揭示的精神與技術(shù)思想下所完成的一切等效修飾或改變，仍應(yīng)由本發(fā)明的權(quán)利要求所涵蓋。