本發(fā)明涉及人臉識別技術，具體涉及一種活體驗證方法及設備。

背景技術：

現(xiàn)有的被動活體驗證方法主要分為三類：基于運動的方法、基于設備的方法以及基于紋理的方法。其中，基于運動的方法主要是通過分析圖像背景或者用戶無意識的行為判斷是否存在三維深度變化，從而區(qū)分照片還是真人?；谠O備的方法通過不同光源或光強度下采集的人臉圖像來檢測真實人臉與照片/視頻圖像的差異。這類方法是基于真實人臉對光源的反光程度、與照片/視頻對光源的反光程度不同?；诩y理的方法是通過分析圖像的某一類圖像特征直接進行分類。

上述三類方法均有一些不足之處：基于運動的方法仍然需要用戶做出一些轉頭或側臉動作才可以，并不是完全的被動驗證，而且對于視頻無法區(qū)分?；谠O備的方法雖然能夠取得較好的效果，但嚴重依賴于設備，可擴展性不強。基于圖像紋理的方法采用單一的圖像特征很難描述不同的攻擊樣本。比如頻域分析對于高清圖像無效，反光度對于暗光下拍攝的無反光圖像無效等等。

技術實現(xiàn)要素：

為解決現(xiàn)有存在的技術問題，本發(fā)明實施例提供一種活體驗證方法及設備。

為達到上述目的，本發(fā)明實施例的技術方案是這樣實現(xiàn)的：

本發(fā)明實施例提供了一種活體驗證方法，所述方法包括：

獲得第一圖像數(shù)據，解析所述第一圖像數(shù)據，獲得所述第一圖像數(shù)據的紋理特征；所述紋理特征表征以下屬性特征的至少之一：所述第一圖像數(shù)據的模糊特征、所述第一圖像數(shù)據的反光特征、所述第一圖像數(shù)據的邊框特征；

基于分類模型獲得所述紋理特征對應的第一類參數(shù)；以及，

基于統(tǒng)計處理方式獲得所述第一圖像數(shù)據中與所述紋理特征對應的第二類參數(shù)；所述第二類參數(shù)與所述第一類參數(shù)不同；

當所述第一類參數(shù)大于第一類閾值、且所述第二類參數(shù)大于第二類閾值時，基于所述第一類參數(shù)和所述第二類參數(shù)確定融合參數(shù)；

當所述融合參數(shù)大于第三類閾值時，確定活體驗證通過。

上述方案中，所述方法還包括：判定所述第一類參數(shù)不大于所述第一類閾值、或所述第二類參數(shù)不大于所述第二類閾值、或所述融合參數(shù)不大于所述第三類閾值時，確定活體驗證不通過。

上述方案中，所述獲得所述第一圖像數(shù)據的紋理特征，包括：

分別獲得所述第一圖像數(shù)據的第一紋理特征、第二紋理特征和第三紋理特征；所述第一紋理特征表征所述第一圖像數(shù)據的模糊特征；所述第二紋理特征表征所述第一圖像數(shù)據的反光特征；所述第三紋理特征表征所述第一圖像數(shù)據的邊框特征；

所述基于預先配置的分類模型獲得所述紋理特征對應的第一類參數(shù)，包括：基于預先配置的第一分類模型獲得所述第一紋理特征對應的第一參數(shù)，基于預先配置的第二分類模型獲得所述第二紋理特征對應的第二參數(shù)，基于預先配置的第三分類模型獲得所述第三紋理特征對應的第三參數(shù)。

所述統(tǒng)計所述第一圖像數(shù)據中與所述紋理特征對應的第二類參數(shù)，包括：

統(tǒng)計所述第一圖像數(shù)據中與所述第一紋理特征對應的第四參數(shù)、與所述第二紋理特征對應的第五參數(shù)以及所述第三紋理特征對應的第六參數(shù)。

上述方案中，所述判定所述第一類參數(shù)大于第一類閾值、且所述第二類參數(shù)大于第二類閾值時，基于所述第一類參數(shù)和所述第二類參數(shù)確定融合參數(shù)，包括：

判定所述第一參數(shù)大于第一閾值、且所述第二參數(shù)大于第二閾值、且所述第三參數(shù)大于第三閾值、且所述第四參數(shù)大于第四閾值、且所述第五參數(shù)大于第五閾值、且所述第六參數(shù)大于第六閾值時，基于所述第一參數(shù)、所述第二參數(shù)、所述第三參數(shù)、所述第四參數(shù)、所述第五參數(shù)和所述第六參數(shù)確定融合參數(shù)。

上述方案中，所述判定所述第一類參數(shù)不大于所述第一類閾值、或所述第二類參數(shù)不大于所述第二類閾值、或所述融合參數(shù)不大于所述第三類閾值時，確定活體驗證不通過，包括：

判定所述第一參數(shù)不大于所述第一閾值、或所述第二參數(shù)不大于所述第二閾值、或所述第三參數(shù)不大于所述第三閾值、或所述第四參數(shù)不大于所述第四閾值、或所述第五參數(shù)不大于所述第五閾值、或所述第六參數(shù)不大于所述第六閾值時，或所述融合參數(shù)不大于所述第三類閾值時，確定活體驗證不通過。

上述方案中，所述獲得所述第一圖像數(shù)據的第一紋理特征，包括：

將所述第一圖像數(shù)據轉換為色相飽和度(hsv，huesaturationvalue)模型數(shù)據；對所述hsv模型數(shù)據進行局部二值模式(lbp，localbinarypatterns)處理，分別獲得對應于色調數(shù)據的第一lbp特征數(shù)據、對應于飽和度數(shù)據的第二lbp特征數(shù)據和對應于明度數(shù)據的第三lbp特征數(shù)據，將所述第一lbp特征數(shù)據、所述第二lbp特征數(shù)據和所述第三lbp特征數(shù)據作為所述第一紋理特征。

上述方案中，獲得所述第一圖像數(shù)據的第二紋理特征，包括：

提取所述第一圖像數(shù)據的反光特征，以及提取所述第一圖像數(shù)據的顏色直方圖特征，將所述反光特征和顏色直方圖特征作為所述第二紋理特征；

其中，所述提取所述第一圖像數(shù)據的反光特征，包括：獲得所述第一圖像數(shù)據的反射率圖像，基于所述第一圖像數(shù)據以及所述反射率圖像獲得反光圖像；對所述反射率圖像進行分塊處理，獲得圖像分塊灰度統(tǒng)計參數(shù)作為所述反光特征。

上述方案中，獲得所述第一圖像數(shù)據的第三紋理特征，包括：

對所述第一圖像數(shù)據進行濾波處理，獲得所述第一圖像數(shù)據的第一邊緣圖像數(shù)據；

對所述第一邊緣圖像數(shù)據進行l(wèi)bp處理，獲得表征所述第三紋理特征的第四lbp特征數(shù)據。

上述方案中，所述統(tǒng)計所述第一圖像數(shù)據中與所述第一紋理特征對應的第四參數(shù)，包括：

對所述第一圖像數(shù)據進行高斯濾波處理，獲得所述第一圖像數(shù)據的高斯圖像數(shù)據；

基于所述第一圖像數(shù)據與所述高斯圖像數(shù)據獲得差分圖像數(shù)據，獲得所述差分圖像數(shù)據的梯度信息作為所述第四參數(shù)。

上述方案中，統(tǒng)計所述第一圖像數(shù)據中與所述第二紋理特征對應的第五參數(shù)，包括：

獲得所述第一圖像數(shù)據的反光圖像；對所述反光圖像進行二值化處理，基于二值化處理后的圖像對所述反光圖像進行分塊，統(tǒng)計每個分塊圖像中亮度滿足預設閾值的區(qū)域在相應分塊圖像中的第一比例關系，計算所有分塊圖像對應的第一比例關系的總和作為所述第五參數(shù)。

上述方案中，統(tǒng)計所述第一圖像數(shù)據中與所述第三紋理特征對應的第六參數(shù)，包括：

識別所述第一圖像數(shù)據中的人臉所在區(qū)域；

對所述第一圖像數(shù)據進行邊緣檢測處理，獲得第二邊緣圖像數(shù)據，識別出所述第二邊緣圖像數(shù)據中長度滿足第一預設條件的第一直線；

抽取所述第一直線中位置在所述人臉所在區(qū)域以外、且斜率滿足第二預設條件的第二直線，統(tǒng)計所述第二直線的數(shù)量作為所述第六參數(shù)。

上述方案中，所述基于所述第一參數(shù)、所述第二參數(shù)、所述第三參數(shù)、所述第四參數(shù)、所述第五參數(shù)和所述第六參數(shù)確定融合參數(shù)，包括：

預先采用機器學習算法分別獲得所述第一參數(shù)對應的第一權重系數(shù)、所述第二參數(shù)對應的第二權重系數(shù)、所述第三參數(shù)對應的第三權重系數(shù)、所述第四參數(shù)對應的第四權重系數(shù)、所述第五參數(shù)對應的第五權重系數(shù)和所述第六參數(shù)對應的第六權重系數(shù)；

獲得所述第一參數(shù)與所述第一權重系數(shù)的第一乘積、所述第二參數(shù)與所述第二權重系數(shù)的第二乘積、所述第三參數(shù)與所述第三權重系數(shù)的第三乘積、所述第四參數(shù)與所述第四權重系數(shù)的第四乘積、所述第五參數(shù)與所述第五權重系數(shù)的第五乘積、以及所述第六參數(shù)與所述第六權重系數(shù)的第六乘積；

將所述第一乘積、所述第二乘積、所述第三乘積、所述第四乘積、所述第五乘積和所述第六乘積相加后獲得所述融合參數(shù)。

本發(fā)明實施例還提供了一種活體驗證設備，所述設備包括：解析單元、分類單元、統(tǒng)計單元和融合單元；其中，

所述解析單元，用于獲得第一圖像數(shù)據，解析所述第一圖像數(shù)據；

所述分類單元，用于獲得所述第一圖像數(shù)據的紋理特征；所述紋理特征表征以下屬性特征的至少之一：所述第一圖像數(shù)據的模糊特征、所述第一圖像數(shù)據的反光特征、所述第一圖像數(shù)據的邊框特征；基于分類模型獲得所述紋理特征對應的第一類參數(shù)；

所述統(tǒng)計單元，用于基于統(tǒng)計處理方式獲得所述第一圖像數(shù)據中與所述紋理特征對應的第二類參數(shù)；所述第二類參數(shù)與所述第一類參數(shù)不同；

所述融合單元，用于判斷所述第一類參數(shù)是否大于第一類閾值，以及判斷所述第二類參數(shù)是否大于第二閾值；當所述第一類參數(shù)大于第一類閾值、且所述第二類參數(shù)大于第二類閾值時，基于所述第一類參數(shù)和所述第二類參數(shù)確定融合參數(shù)；當所述融合參數(shù)大于第三類閾值時，確定活體驗證通過。

上述方案中，所述融合單元，還用于判定所述第一類參數(shù)不大于所述第一類閾值、或所述第二類參數(shù)不大于所述第二類閾值、或所述融合參數(shù)不大于所述第三類閾值時，確定活體驗證不通過。

上述方案中，所述分類單元，用于分別獲得所述第一圖像數(shù)據的第一紋理特征、第二紋理特征和第三紋理特征；所述第一紋理特征表征所述第一圖像數(shù)據的模糊程度；所述第二紋理特征表征所述第一圖像數(shù)據的反光程度；所述第三紋理特征表征所述第一圖像數(shù)據是否包含有邊框；還用于基于預先配置的第一分類模型獲得所述第一紋理特征對應的第一參數(shù)，基于預先配置的第二分類模型獲得所述第二紋理特征對應的第二參數(shù)，基于預先配置的第三分類模型獲得所述第三紋理特征對應的第三參數(shù)；

所述統(tǒng)計單元，用于統(tǒng)計所述第一圖像數(shù)據中與所述第一紋理特征對應的第四參數(shù)、與所述第二紋理特征對應的第五參數(shù)以及所述第三紋理特征對應的第六參數(shù)。

上述方案中，所述融合單元，用于判定所述第一參數(shù)大于第一閾值、且所述第二參數(shù)大于第二閾值、且所述第三參數(shù)大于第三閾值、且所述第四參數(shù)大于第四閾值、且所述第五參數(shù)大于第五閾值、且所述第六參數(shù)大于第六閾值時，基于所述第一參數(shù)、所述第二參數(shù)、所述第三參數(shù)、所述第四參數(shù)、所述第五參數(shù)和所述第六參數(shù)確定融合參數(shù)。

上述方案中，所述融合單元，還用于判定所述第一參數(shù)不大于所述第一閾值、或所述第二參數(shù)不大于所述第二閾值、或所述第三參數(shù)不大于所述第三閾值、或所述第四參數(shù)不大于所述第四閾值、或所述第五參數(shù)不大于所述第五閾值、或所述第六參數(shù)不大于所述第六閾值時，或所述融合參數(shù)不大于所述第三類閾值時，確定活體驗證不通過。

上述方案中，所述分類單元，用于將所述第一圖像數(shù)據轉換為hsv模型數(shù)據；對所述hsv模型數(shù)據進行l(wèi)bp處理，分別獲得對應于色調數(shù)據的第一lbp特征數(shù)據、對應于飽和度數(shù)據的第二lbp特征數(shù)據和對應于明度數(shù)據的第三lbp特征數(shù)據，將所述第一lbp特征數(shù)據、所述第二lbp特征數(shù)據和所述第三lbp特征數(shù)據作為所述第一紋理特征。

上述方案中，所述分類單元，用于提取所述第一圖像數(shù)據的反光特征，以及提取所述第一圖像數(shù)據的顏色直方圖特征，將所述反光特征和顏色直方圖特征作為所述第二紋理特征；

其中，所述分類單元，用于獲得所述第一圖像數(shù)據的反射率圖像，基于所述第一圖像數(shù)據以及所述反射率圖像獲得反光圖像；對所述反射率圖像進行分塊處理，獲得圖像分塊灰度統(tǒng)計參數(shù)作為所述反光特征。

上述方案中，所述分類單元，用于對所述第一圖像數(shù)據進行濾波處理，獲得所述第一圖像數(shù)據的第一邊緣圖像數(shù)據；對所述第一邊緣圖像數(shù)據進行l(wèi)bp處理，獲得表征所述第三紋理特征的第四lbp特征數(shù)據。

上述方案中，所述統(tǒng)計單元，用于對所述第一圖像數(shù)據進行高斯濾波處理，獲得所述第一圖像數(shù)據的高斯圖像數(shù)據；基于所述第一圖像數(shù)據與所述高斯圖像數(shù)據獲得差分圖像數(shù)據，獲得所述差分圖像數(shù)據的梯度信息作為所述第四參數(shù)。

上述方案中，所述統(tǒng)計單元，用于獲得所述第一圖像數(shù)據的反光圖像；對所述反光圖像進行二值化處理，基于二值化處理后的圖像對所述反光圖像進行分塊，統(tǒng)計每個分塊圖像中亮度滿足預設閾值的區(qū)域在相應分塊圖像中的第一比例關系，計算所有分塊圖像對應的第一比例關系的總和作為所述第五參數(shù)。

上述方案中，所述統(tǒng)計單元，用于識別所述第一圖像數(shù)據中的人臉所在區(qū)域；對所述第一圖像數(shù)據進行邊緣檢測處理，獲得第二邊緣圖像數(shù)據，識別出所述第二邊緣圖像數(shù)據中長度滿足第一預設條件的第一直線；抽取所述第一直線中位置在所述人臉所在區(qū)域以外、且斜率滿足第二預設條件的第二直線，統(tǒng)計所述第二直線的數(shù)量作為所述第六參數(shù)。

上述方案中，所述融合單元，用于預先采用機器學習算法分別獲得所述第一參數(shù)對應的第一權重系數(shù)、所述第二參數(shù)對應的第二權重系數(shù)、所述第三參數(shù)對應的第三權重系數(shù)、所述第四參數(shù)對應的第四權重系數(shù)、所述第五參數(shù)對應的第五權重系數(shù)和所述第六參數(shù)對應的第六權重系數(shù)；獲得所述第一參數(shù)與所述第一權重系數(shù)的第一乘積、所述第二參數(shù)與所述第二權重系數(shù)的第二乘積、所述第三參數(shù)與所述第三權重系數(shù)的第三乘積、所述第四參數(shù)與所述第四權重系數(shù)的第四乘積、所述第五參數(shù)與所述第五權重系數(shù)的第五乘積、以及所述第六參數(shù)與所述第六權重系數(shù)的第六乘積；將所述第一乘積、所述第二乘積、所述第三乘積、所述第四乘積、所述第五乘積和所述第六乘積相加后獲得所述融合參數(shù)。

本發(fā)明實施例提供的活體驗證方法及設備，所述方法包括：獲得第一圖像數(shù)據，以及解析所述第一圖像數(shù)據；獲得所述第一圖像數(shù)據的紋理特征；所述紋理特征表征以下屬性特征的至少之一：所述第一圖像數(shù)據的模糊程度、所述第一圖像數(shù)據的反光程度、所述第一圖像數(shù)據是否包含有邊框；基于預先配置的分類模型獲得所述紋理特征對應的第一類參數(shù)；以及，統(tǒng)計所述第一圖像數(shù)據中與所述紋理特征對應的第二類參數(shù)；判定所述第一類參數(shù)大于第一類閾值、且所述第二類參數(shù)大于第二類閾值時，基于所述第一類參數(shù)和所述第二類參數(shù)確定融合參數(shù)；當所述融合參數(shù)大于第三類閾值時，確定活體驗證通過。采用本發(fā)明實施例的技術方案，提取多種紋理特征，一方面通過分類模型聚類的方式獲得第一類參數(shù)并進行閾值判斷，另一方面通過特征分布統(tǒng)計的方式統(tǒng)計圖像數(shù)據中與紋理特征對應的第二類參數(shù)并進行閾值判斷，最后通過融合第一類參數(shù)和第二類參數(shù)的方式實現(xiàn)活體驗證，本發(fā)明實施例的技術方案從圖像數(shù)據觸發(fā)，不依賴用戶和設備，多模態(tài)融合使得算法通過率大幅提升，有效的防御了打印照片、顯示屏顯示的圖像等不同類型的攻擊，大大提升了身份驗證的準確率。

附圖說明

圖1為本發(fā)明實施例的活體驗證方法的總體流程示意圖；

圖2為本發(fā)明實施例的活體驗證方法的流程示意圖一；

圖3a至圖3d分別為現(xiàn)有的活體攻擊來源示意圖；

圖4a至圖4c分別為本發(fā)明實施例的活體驗證方法中第一紋理特征的處理過程示意圖；

圖5a和圖5b分別為本發(fā)明實施例的活體驗證方法中第一紋理特征的示意圖；

圖6a和圖6b分別為本發(fā)明實施例的活體驗證方法中第二紋理特征的示意圖；

圖7為本發(fā)明實施例的活體驗證方法中第三紋理特征的示意圖；

圖8為本發(fā)明實施例的活體驗證方法的流程示意圖二；

圖9為本發(fā)明實施例的活體驗證方法的效果曲線示意圖；

圖10為本發(fā)明實施例的活體驗證設備的組成結構示意圖；

圖11為本發(fā)明實施例的活體驗證設備作為硬件的組成結構示意圖。

具體實施方式

下面結合附圖及具體實施例對本發(fā)明作進一步詳細的說明。

在對本發(fā)明實施例的活體驗證方法進行詳細描述之前，首先對本發(fā)明實施例的活體驗證方案的總體實現(xiàn)方式進行說明。圖1為本發(fā)明實施例的活體驗證方法的總體流程示意圖；如圖1所示，本發(fā)明實施例的活體驗證方法可包括以下幾個階段：

階段1：輸入視頻流，也即活體驗證設備獲得圖像數(shù)據。

階段2：活體驗證設備進行人臉檢測。

階段3：活體檢測，在檢測結果表明是活體后，進入階段4：將圖像數(shù)據發(fā)送至后臺進行人臉驗證；在檢測結果表明不是活體后，重新進入活體檢測階段。其中，活體檢測的具體實現(xiàn)過程可參照后續(xù)本發(fā)明實施例提供的活體驗證方法的描述所示。

本發(fā)明實施例提供了一種活體驗證方法。圖2為本發(fā)明實施例的活體驗證方法的流程示意圖一；如圖2所示，所述方法包括：

步驟101：獲得第一圖像數(shù)據，解析所述第一圖像數(shù)據，獲得所述第一圖像數(shù)據的紋理特征；所述紋理特征表征以下屬性特征的至少之一：所述第一圖像數(shù)據的模糊特征、所述第一圖像數(shù)據的反光特征、所述第一圖像數(shù)據的邊框特征。

步驟102：基于分類模型獲得所述紋理特征對應的第一類參數(shù)。

步驟103：基于統(tǒng)計處理方式獲得所述第一圖像數(shù)據中與所述紋理特征對應的第二類參數(shù)；所述第二類參數(shù)與所述第一類參數(shù)不同。

步驟104：當所述第一類參數(shù)大于第一類閾值、且所述第二類參數(shù)大于第二類閾值時，基于所述第一類參數(shù)和所述第二類參數(shù)確定融合參數(shù)。

步驟105：當所述融合參數(shù)大于第三類閾值時，確定活體驗證通過。

作為一種實施方式，所述方法還包括：判定所述第一類參數(shù)不大于所述第一類閾值、或所述第二類參數(shù)不大于所述第二類閾值時，確定活體驗證不通過。

本發(fā)明實施例的活體驗證方法應用于活體驗證設備中。所述活體驗證設備具體可以是具有圖像采集單元的電子設備，以通過所述圖像采集單元獲得圖像數(shù)據；所述電子設備具體可以是手機、平板電腦等移動設備，也可以是個人計算機、配置有門禁系統(tǒng)(所述門禁系統(tǒng)具體為對出入口通道進行管制的系統(tǒng))的門禁設備等等；其中，所述圖像采集單元具體可以是設置在電子設備上的攝像頭。

本實施例中，活體驗證設備(在本發(fā)明以下各實施例中，所述活體驗證設備簡稱為設備)在通過圖像采集單元獲得圖像數(shù)據后，解析所述圖像數(shù)據，獲得所述第一圖像數(shù)據的紋理特征；其中，所獲得的圖像數(shù)據包括多幀圖像。

通常情況下，冒充活體人臉以通過活體驗證(該方式可稱為攻擊)的來源主要包括：打印照片、顯示器/顯示屏顯示的照片、顯示的視頻等等。圖3a至圖3d分別為現(xiàn)有的活體攻擊來源示意圖；具體可如圖3a至圖3d所示，分析這幾類圖像，可歸納出上述不同類型的圖像具有不同的特性，例如打印照片通常會包含邊框；顯示屏或顯示器顯示的圖像通常會具有摩爾紋，清晰程度也會比包含有真人的圖像的低，并且顯示屏或顯示器顯示的圖像都會存在反光等等。當然，上述特性并不限于唯一的攻擊樣本來源。因此，本實施例基于上述幾種攻擊特性獲得所述第一圖像數(shù)據的紋理特征。

作為一種實施方式，所述獲得所述第一圖像數(shù)據的紋理特征，包括：分別獲得所述第一圖像數(shù)據的第一紋理特征、第二紋理特征和第三紋理特征；所述第一紋理特征表征所述第一圖像數(shù)據的模糊特征；所述第二紋理特征表征所述第一圖像數(shù)據的反光特征；所述第三紋理特征表征所述第一圖像數(shù)據的邊框特征；相應的，所述基于預先配置的分類模型獲得所述紋理特征對應的第一類參數(shù)，包括：基于預先配置的第一分類模型獲得所述第一紋理特征對應的第一參數(shù)，基于預先配置的第二分類模型獲得所述第二紋理特征對應的第二參數(shù)，基于預先配置的第三分類模型獲得所述第三紋理特征對應的第三參數(shù)。相應的，所述統(tǒng)計所述第一圖像數(shù)據中與所述紋理特征對應的第二類參數(shù)，包括：統(tǒng)計所述第一圖像數(shù)據中與所述第一紋理特征對應的第四參數(shù)、與所述第二紋理特征對應的第五參數(shù)以及所述第三紋理特征對應的第六參數(shù)。

具體的，本實施例中，所述獲得所述第一圖像數(shù)據的第一紋理特征，包括：將所述第一圖像數(shù)據轉換為hsv模型數(shù)據；對所述hsv模型數(shù)據進行l(wèi)bp處理，分別獲得對應于色調數(shù)據的第一lbp特征數(shù)據、對應于飽和度數(shù)據的第二lbp特征數(shù)據和對應于明度數(shù)據的第三lbp特征數(shù)據，將所述第一lbp特征數(shù)據、所述第二lbp特征數(shù)據和所述第三lbp特征數(shù)據作為所述第一紋理特征。

本實施例中，所述第一紋理特征表征所述第一圖像數(shù)據的模糊特征；所述模糊特征具體可以是表示所述第一圖像數(shù)據的模糊程度的特征，也即所述模糊特征具體可以是所述第一圖像數(shù)據中的紋理以及邊界的清晰程度未達到預設要求時呈現(xiàn)的特征；在一種實施方式中，所述模糊特征具體可通過lbp特征表示。

具體的，所述第一圖像數(shù)據具體可以為紅綠藍(rgb)圖像數(shù)據；則將rgb數(shù)據轉換為hsv模型數(shù)據，可分別獲得表示色調的h模型數(shù)據、表示飽和度的s模型數(shù)據和表示明度的v模型數(shù)據。分別對所述h模型數(shù)據、s模型數(shù)據和v模型數(shù)據進行l(wèi)bp處理，從而獲得h模型數(shù)據、s模型數(shù)據和v模型數(shù)據中的圖像梯度信息。以h模型數(shù)據為例，則將所述h模型數(shù)據進行灰度處理，獲得所述h模型數(shù)據的灰度圖像，進一步確定所述灰度圖像中的每個特征點與相鄰的八個特征點之間的相對灰度關系，如圖4a所示，為三乘三的特征點矩陣的灰度圖像，每個特征點的灰度例如圖4a中所示；將每個特征點的灰度值進行數(shù)值化表示，具體可參照圖4b所示。進一步地，將相鄰八個特征點的灰度與中心特征點的灰度進行比較，若相鄰特征點的灰度大于中心特征點的灰度，則將所述相鄰特征點的值記為1；反之，若相鄰特征點的灰度小于等于中心特征點的灰度，則將所述相鄰特征點的值記為0，具體可參見圖4c所示。進一步地，將相鄰特征點的值串聯(lián)得到8位的二進制字符串，所述二進制字符串可以理解為分布在(0，255)的灰度值。在具體實施過程中，可參照圖4c所示，若以左上角第一個特征點作為起始特征點，按照順時針方向排列，則獲得的8位的字符串為10001111。由此可獲得所述過程圖像中每個特征點(即中心特征點)對應的二進制字符串。進一步地，為了去除冗余，統(tǒng)計每個特征點對應的二進制字符串中、0和1變化小于2的二進制字符串；例如，字符串為10001111中，第一位和第二位0和1變化1次，第四位和第五位0和1變化1次，總計變化兩次，不滿足“0和1變化小于2”的條件。又例如，字符串為00001111中，僅由第四位和第五位0和1變化1次，滿足“0和1變化小于2”的條件。然后，將統(tǒng)計后的二進制字符串映射到(0，58)范圍內，映射后的數(shù)據可作為對應于色調數(shù)據的第一lbp特征數(shù)據；這樣也會大大減少數(shù)據處理量。

上述處理過程具體可通過以下表達式實現(xiàn)：

lbp＝[code0，code1，……，code7](1)

code(m，n)＝img(y+m，x+n)>img(y，x)？1:0(2)

其中，表達式(1)中l(wèi)bp表示第一圖像數(shù)據中的某一特征點的顯示參數(shù)與相鄰特征點的顯示參數(shù)的相對關系；所述特征點為所述第一圖像數(shù)據中的任一特征點；code0，code1，……，code7分別表示所述特征點相鄰的特征點的顯示參數(shù)；作為一種實施方式，所述顯示參數(shù)具體可以是灰度值，當然，也可以是其他顯示參數(shù)。表達式(2)表示將特征點(y+m，x+n)的灰度值與特征點(y，x)的灰度值進行比較，若特征點(y+m，x+n)的灰度值大于特征點(y，x)的灰度值，則將特征點(m，n)的二進制字符串code(m，n)記為1，否則記為0。

同理，對于第二lbp特征數(shù)據和第三lbp特征數(shù)據也可采用上述數(shù)據方式獲得，這里不再贅述。進一步地，將獲得的所述第一lbp特征數(shù)據、第二lbp特征數(shù)據和第三lbp特征數(shù)據串接后作為所述第一紋理特征，可以理解為將三個59維的lbp特征數(shù)據(包括第一lbp特征數(shù)據、第二lbp特征數(shù)據和第三lbp特征數(shù)據)依次串接。圖5a和圖5b分別為本發(fā)明實施例的活體驗證方法中第一紋理特征的示意圖；圖5a為預先判定為活體人臉的圖像數(shù)據提取出的第一紋理特征；圖5b為預先判定為非活體人臉的圖像數(shù)據提取出的第一紋理特征。

本實施例中，獲得所述第一圖像數(shù)據的第二紋理特征，包括：提取所述第一圖像數(shù)據的反光特征，以及提取所述第一圖像數(shù)據的顏色直方圖特征，將所述反光特征和顏色直方圖特征作為所述第二紋理特征；其中，所述提取所述第一圖像數(shù)據的反光特征，包括：獲得所述第一圖像數(shù)據的反射率圖像，基于所述第一圖像數(shù)據以及所述反射率圖像獲得反光圖像；對所述反射率圖像進行分塊處理，獲得圖像分塊灰度統(tǒng)計參數(shù)作為所述反光特征。

本實施例中，所述第二紋理特征表征所述第一圖像數(shù)據的反光特征；所述反光特征具體可以是表示所述第一圖像數(shù)據中高亮區(qū)域分布和圖像色度分布的特征。具體的，表征反光特征的第二紋理特征包括兩類：一類是描述圖像的高亮區(qū)域分布的特征，其中，所述高亮區(qū)域可以為亮度參數(shù)達到預設閾值的區(qū)域；另一類則對應圖像反射率不同導致的顏色色度分布，即顏色直方圖特征。由于二次拍攝時圖像(例如非活體人臉的攻擊方式中所包括的打印照片、顯示器/顯示屏顯示的圖像等均可以理解為二次拍攝)近似為平面，材質也與真實人臉不同，因此很容易造成顏色的變化。具體的，作為rgb圖像的第一圖像數(shù)據，在rgb顏色空間下，獲得所述第一圖像數(shù)據的反射率圖像，基于所述第一圖像數(shù)據以及所述反射率圖像獲得反光圖像；具體的，反光圖像為所述第一圖像數(shù)據與其反射率圖像的差值。其中，反射率圖像可參照以下表達式所示獲取：

spect(y,x)＝(1-max(max(r(y,x)*t,g(y,x)*t),b(y,x)*t))*255(3)

t＝1.0/(r(y,x)+g(y,x)+b(y,x))(4)

其中，spect(y,x)表示所述第一圖像數(shù)據中特征點(y,x)的反射率數(shù)據；r(y,x)表示特征點(y,x)在rgb顏色空間中對應于紅色通道的數(shù)據；g(y,x)表示特征點(y,x)在rgb顏色空間中對應于綠色通道的數(shù)據；b(y,x)表示特征點(y,x)在rgb顏色空間中對應于藍色通道的數(shù)據。

進一步地，對反光圖像進行分塊處理，選取圖像分塊的均值(mean)和方差(delta)作為反光特征；由于反光圖像具體是灰度圖像，則所述圖像方塊的mean和delta具體通過灰度值的mean和delta表示。圖6a和圖6b分別為本發(fā)明實施例的活體驗證方法中第二紋理特征的示意圖；圖6a左圖為采集到的非活體人臉對應的圖像數(shù)據，右圖為該圖像數(shù)據處理后獲得的反光圖像；圖6b左圖為采集到的活體人臉對應的圖像數(shù)據，右圖為該圖像數(shù)據處理后獲得的反光圖像。

對于顏色直方圖特征，將所述的第一圖像數(shù)據hsv模型數(shù)據，可分別獲得表示色調的h模型數(shù)據、表示飽和度的s模型數(shù)據和表示明度的v模型數(shù)據。分別將h模型數(shù)據、s模型數(shù)據和v模型數(shù)據投影到32維空間，得到32768維顏色直方圖。選取顏色直方圖分量最高的100維特征作為所述第一圖像數(shù)據的顏色直方圖特征。

本實施例中，獲得所述第一圖像數(shù)據的第三紋理特征，包括：對所述第一圖像數(shù)據進行濾波處理，獲得所述第一圖像數(shù)據的第一邊緣圖像數(shù)據；對所述第一邊緣圖像數(shù)據進行l(wèi)bp處理，獲得表征所述第三紋理特征的第四lbp特征數(shù)據。

本實施例中，所述第三紋理特征表征所述第一圖像數(shù)據的邊框特征；所述邊框特征具體可以是表征所述第一圖像數(shù)據中是否具有邊框的特征；所述邊框特征具體可以為所述第一圖像數(shù)據中在人臉所在區(qū)域以外的區(qū)域呈現(xiàn)的直線特征。

具體的，為了獲得所述第一圖像數(shù)據中的邊框特征，首先對所述第一圖像數(shù)據進行濾波處理，獲得所述第一圖像數(shù)據對應的第一邊緣圖像。作為一種實施方式，可采用索貝爾(sobel)算子(具體可包括用于橫向邊緣檢測以及縱向邊緣檢測的兩組矩陣)與所述第一圖像數(shù)據中的像素值作平面卷積，獲得所述第一圖像數(shù)據對應的第一邊緣圖像。進一步地，對所述第一邊緣圖像進行灰度處理，獲得所述第一邊緣圖像對應的灰度圖像，確定所述灰度圖像中的每個特征點與相鄰的八個特征點之間的相對灰度關系，例如三乘三的特征點矩陣的灰度圖像，將每個特征點的灰度值進行數(shù)值化表示，將相鄰八個特征點的灰度與中心特征點的灰度進行比較，若相鄰特征點的灰度大于中心特征點的灰度，則將所述相鄰特征點的值記為1；反之，若相鄰特征點的灰度小于等于中心特征點的灰度，則將所述相鄰特征點的值記為0；進一步地，將相鄰特征點的值串聯(lián)得到8位的二進制字符串，所述二進制字符串可以理解為分布在(0，255)的灰度值。在具體實施過程中，參照圖4c所示，若以左上角第一個特征點作為起始特征點，按照順時針方向排列，則獲得的8位的字符串為10001111。由此可獲得所述過程圖像中每個特征點(即中心特征點)對應的二進制字符串。進一步地，為了去除冗余，統(tǒng)計每個特征點對應的二進制字符串中、0和1變化小于2的二進制字符串；例如，字符串為10001111中，第一位和第二位0和1變化1次，第四位和第五位0和1變化1次，總計變化兩次，不滿足“0和1變化小于2”的條件。又例如，字符串為00001111中，僅由第四位和第五位0和1變化1次，滿足“0和1變化小于2”的條件。然后，將統(tǒng)計后的二進制字符串映射到(0，58)范圍內，映射后的數(shù)據可作為對應于所述第三紋理特征的第四lbp特征數(shù)據；這樣也會大大減少數(shù)據處理量。由于濾除了其他平滑部分，所述第一邊緣圖像對應的第四lbp特征數(shù)據能夠突出圖像中的邊緣部分，描述圖像的邊框特征。

上述技術方案是基于三種特性對所述第一圖像數(shù)據進行紋理特征提取。本實施例中，預先采集大量樣本數(shù)據，所述樣本數(shù)據具體可以包括采用上述紋理特征提取方式提取的第一紋理特征以及對應的類型(即模糊類型)、和/或第二紋理特征以及對應的類型(即反光類型)、和/或第三紋理特征以及對應的類型(即邊框類型)，以及樣本數(shù)據可包括上述三種紋理特征中的至少一種紋理特征以及對應的類型。對于每種類型的紋理特征進行機器學習訓練，獲得每種類型的紋理特征對應的分類模型。具體的，對應于模糊類型，獲得對應的第一分類模型。例如可如圖5b所示，對于預先標記為模糊類型的圖像數(shù)據獲得的第一紋理特征，均具有條紋特征，例如圖5b中第一張圖像和第三張圖像中的斜條紋，第二章圖像中的近似的橫條紋等等；則可基于對應于模糊類型的第一紋理特征種的共有特征(例如條紋特征)進行機器學習訓練，獲得所述第一紋理特征對應的第一分類模型。對應于反光類型，獲得對應的第二分類模型。對應于邊框類型，獲得對應的第三分類模型。

則本實施例中，將獲得的紋理特征(包括以下紋理特征的至少之一：第一紋理特征、第二紋理特征、第三紋理特征)輸入至對應類型的分類模型中，獲得相應的第一類參數(shù)。例如，將獲得的第一紋理特征輸入至對應于模糊類型的第一分類模型中，獲得所述第一紋理特征對應的第一參數(shù)，所述第一參數(shù)表征所述第一圖像數(shù)據的模糊程度；將獲得的第二紋理特征輸入至對應于反光類型的第二分類模型中，獲得所述第二紋理特征對應的第二參數(shù)，所述第二參數(shù)表征所述第一圖像數(shù)據的反光程度；將獲得的第三紋理特征輸入至對應于邊框類型的第三分類模型中，獲得所述第三紋理特征對應的第三參數(shù)，所述第三參數(shù)表征所述第一圖像數(shù)據是否包含有邊框。進一步地，對應于每個分類模型對應配置一閾值，當獲得的參數(shù)不大于對應閾值時，確定所述第一圖像數(shù)據中包含的人是非活體，即確定活體驗證不通過；相應的，當獲得的參數(shù)大于對應閾值時，進一步結合以下三種特性的統(tǒng)計分類結果進行后續(xù)的融合判定。例如，當所述第一參數(shù)不大于第一閾值、或第二參數(shù)不大于第二閾值、或第三參數(shù)不大于第三閾值時，確定所述第一圖像數(shù)據中包含的人是非活體，即確定活體驗證不通過。

本實施例中，所述統(tǒng)計所述第一圖像數(shù)據中與所述第一紋理特征對應的第四參數(shù)，包括：對所述第一圖像數(shù)據進行高斯濾波處理，獲得所述第一圖像數(shù)據的高斯圖像數(shù)據；基于所述第一圖像數(shù)據與所述高斯圖像數(shù)據獲得差分圖像數(shù)據，獲得所述差分圖像數(shù)據的梯度信息作為所述第四參數(shù)。

具體的，對所述第一圖像數(shù)據進行高斯濾波處理，獲得高斯圖像數(shù)據；統(tǒng)計所述第一圖像數(shù)據與所述高斯圖像數(shù)據的差分圖像的梯度信息作為所述第四參數(shù)。上述過程具體可通過以下表達式實現(xiàn)：

gx(y,x)＝img(y,x+1)-img(y,x-1)(5)

bx(y,x)＝img(y,x+kernel)-img(y,x-kernel)(6)

vx(y,x)＝max(0,gx(y,x)-bx(y,x))(7)

gy(y,x)＝img(y+1,x)-img(y-1,x)(8)

by(y,x)＝img(y+kernel,x)-img(y-kernel,x)(9)

vy(y,x)＝max(0,gy(y,x)-by(y,x))(10)

blur＝max(sum(gx)-sum(vx),sum(gy)-sum(vy))(11)

其中，gx(y，x)表示特征點(y，x)在x軸上的梯度；bx(y,x)表示離特征點(y，x)橫向距離為kenel的左右兩個像素的差值；其中，kernel表示可變化的距離。vx(y,x)表示gx(y,x)與bx(y,x)之間的差值與0之間取最大值的運算結果；gy(y，x)表示特征點(y，x)在y軸上的梯度；by(y,x)表示離特征點(y，x)縱向距離為kenel的上下兩個像素的差值；vy(y,x)表示gy(y,x)與by(y,x)之間的差值與0之間取最大值的運算結果；blur表示所述第一圖像數(shù)據的模糊程度的第四參數(shù)；其中，sum(gx)表示所述第一圖像數(shù)據中每個特征點在x軸上的梯度的和；sum(gy)表示所述第一圖像數(shù)據中每個特征點在y軸上的梯度的和；sum(vx)表示所述第一圖像數(shù)據中每個特征點對應的vx的和；sum(vy)表示所述第一圖像數(shù)據中每個特征點對應的vy的和。

本實施例中，統(tǒng)計所述第一圖像數(shù)據中與所述第二紋理特征對應的第五參數(shù)，包括：獲得所述第一圖像數(shù)據的反光圖像；對所述反光圖像進行二值化處理，基于二值化處理后的圖像對所述反光圖像進行分塊，統(tǒng)計每個分塊圖像中亮度滿足預設閾值的區(qū)域在相應分塊圖像中的第一比例關系，計算所有分塊圖像對應的第一比例關系的總和作為所述第五參數(shù)。上述處理過程具體可通過以下表達式實現(xiàn)：

spec＝sum(count(rect(y,x)＝1)/count(rect))(12)

其中，spec表示所述第一圖像數(shù)據的反光程度的第五參數(shù)；rect(y,x)表示二值化反光圖像的分塊圖像中的像素值。count(rect)表示反光圖像的分塊圖像中所有特征點的數(shù)目。

本實施例中，統(tǒng)計所述第一圖像數(shù)據中與所述第三紋理特征對應的第六參數(shù)，包括：識別所述第一圖像數(shù)據中的人臉所在區(qū)域；對所述第一圖像數(shù)據進行邊緣檢測處理，獲得第二邊緣圖像數(shù)據，識別出所述第二邊緣圖像數(shù)據中長度滿足第一預設條件的第一直線；抽取所述第一直線中位置在所述人臉所在區(qū)域以外、且斜率滿足第二預設條件的第二直線，統(tǒng)計所述第二直線的數(shù)量作為所述第六參數(shù)。

具體的，對所述第一圖像數(shù)據進行邊緣檢測；作為一種實施方式，可采用canny邊緣檢測算法對所述第一圖像數(shù)據進行邊緣檢測，具體可以包括：首先將所述第一圖像數(shù)據(具體可以為rgb圖像數(shù)據)轉換為灰度圖像，對所述灰度圖像進行高斯濾波處理，以去除圖像噪聲；進一步計算圖像梯度信息，根據該圖像梯度信息計算圖像邊緣幅值與方向；對圖像邊緣幅值應用非極大值抑制，只保留幅值局部變化最大的點，生成細化的邊緣；采用雙閾值邊緣檢測并連接邊緣，使提取的邊緣點更具有魯棒性，從而生成第二邊緣圖像數(shù)據。進一步地，對所述第二邊緣圖像數(shù)據進行霍夫(hough)變換，以找到所述第二邊緣圖像數(shù)據中的直線；進一步地，識別所有直線中長度滿足第一預設條件的第一直線；其中，作為一種實施方式，所述識別所有直線中長度滿足第一預設條件的第一直線，包括：識別所有直線中長度超過所述第一圖像數(shù)據的寬度一半的直線作為第一直線。另一方面，對所述第一圖像數(shù)據進行解析過程中，對所述第一圖像數(shù)據中的人臉進行檢測，獲得人臉所在區(qū)域，所述人臉所在區(qū)域的邊緣可通過輸出的人臉框表示。則進一步對所述第一直線進行識別，獲得所述第一直線中在所述人臉所在區(qū)域以外、且斜率滿足第二預設條件的直線作為第二直線；其中，所述斜率滿足第二預設條件的第二直線，包括：所述第一直線中在所述人臉所在區(qū)域以外、且與所述人臉所在區(qū)域的邊緣所在直線之間的角度不超過預設角度的直線作為所述第二直線；作為一種示例，所述預設角度例如30度，當然，不限于上述所列舉的示例。則獲得的第二直線的示意可如圖7中所示。上述第二直線的獲得過程可通過以下表達式實現(xiàn)：

line＝sum(count(canny(y,x))(13)

其中，line表示第二直線的數(shù)量；sum表示加和運算；canny(y,x)表示穿過canny邊緣檢測算法處理后的邊緣像素點(y，x)的直線；count表示統(tǒng)計穿過邊緣像素點(y，x)的直線的數(shù)目。

本實施例中，所述基于所述第一參數(shù)、所述第二參數(shù)、所述第三參數(shù)、所述第四參數(shù)、所述第五參數(shù)和所述第六參數(shù)確定融合參數(shù)，包括：預先采用機器學習算法分別獲得所述第一參數(shù)對應的第一權重系數(shù)、所述第二參數(shù)對應的第二權重系數(shù)、所述第三參數(shù)對應的第三權重系數(shù)、所述第四參數(shù)對應的第四權重系數(shù)、所述第五參數(shù)對應的第五權重系數(shù)和所述第六參數(shù)對應的第六權重系數(shù)；獲得所述第一參數(shù)與所述第一權重系數(shù)的第一乘積、所述第二參數(shù)與所述第二權重系數(shù)的第二乘積、所述第三參數(shù)與所述第三權重系數(shù)的第三乘積、所述第四參數(shù)與所述第四權重系數(shù)的第四乘積、所述第五參數(shù)與所述第五權重系數(shù)的第五乘積、以及所述第六參數(shù)與所述第六權重系數(shù)的第六乘積；將所述第一乘積、所述第二乘積、所述第三乘積、所述第四乘積、所述第五乘積和所述第六乘積相加后獲得所述融合參數(shù)。

具體的，采用上述處理方式獲得的第一參數(shù)表示為blur_s，第二參數(shù)表示為spec_s，第三參數(shù)表示為line_s，第四參數(shù)表示為blur，第五參數(shù)表示為spec，第六參數(shù)表示為line。進一步地，可采用機器學習算法進行權重值的機器學習，針對上述六維分量分別擬合，獲得的融合參數(shù)滿足以下表達式：

live＝a1*blur_s+a2*spec_s+a3*line_s+a4*blur+a5*spec+a6*line(14)

進一步地，將獲得的融合參數(shù)與預設的第三類閾值進行比較，當所述融合參數(shù)小于所述第三類閾值時，判定為非活體人臉，即確定活體驗證不通過；相應的，當所述融合參數(shù)不小于所述第三類閾值時，判定為活體人臉，即確定活體驗證通過。

基于前述描述，圖1中所示的階段3、也即活體驗證過程可參照圖8所示，包括三種紋理特征的分類處理流程以及所述三種紋理特征的統(tǒng)計處理流程；當然，在其他實施方式中，不限于是在本發(fā)明示例中列舉的模糊特征、反光特征以及邊框特征，其他攻擊應用場景中所涉及的紋理特征也在本發(fā)明實施例的保護范圍之內。具體的，在對圖像數(shù)據中的人臉檢測完成后，分別將所述圖像數(shù)據進行相應的處理，包括：對圖像數(shù)據中的模糊紋理特征進行提取，將模糊紋理特征輸入至模糊分類器，獲得第一參數(shù)；將所述第一參數(shù)與第一閾值進行比較，當所述第一參數(shù)小于所述第一閾值時，判定為非活體人臉，當所述的一參數(shù)不小于所述第一閾值時，將所述第一參數(shù)送入參數(shù)融合流程；對圖像數(shù)據中的反光紋理特征進行提取，將反光紋理特征輸入至反光分類器，獲得第二參數(shù)；將所述第二參數(shù)與第二閾值進行比較，當所述第二參數(shù)小于所述第二閾值時，判定為非活體人臉，當所述第二參數(shù)不大于所述第二閾值時，將所述第二參數(shù)送入參數(shù)融合流程；對圖像數(shù)據中的邊框紋理特征進行提取，將邊框紋理特征輸入邊框分類器，獲得第三參數(shù)；將所述第三參數(shù)與第三閾值進行比較，當所述第三參數(shù)小于所述第三閾值時，判定為非活體人臉，當所述第三參數(shù)不小于所述第三閾值時，將所述第三參數(shù)送入參數(shù)融合流程；對圖像數(shù)據中的模糊參數(shù)(即第四參數(shù))進行統(tǒng)計，將所述第四參數(shù)與第四閾值進行比較，當所述第四參數(shù)小于所述第四閾值時，判定為非活體人臉，當所述第四參數(shù)不小于所述第四閾值時，將所述第四參數(shù)送入參數(shù)融合流程；對圖像數(shù)據中的反光參數(shù)(即第五參數(shù))進行統(tǒng)計，將所述第五參數(shù)與第五閾值進行比較，當所述第五參數(shù)小于所述第五閾值時，判定為非活體人臉，當所述第五參數(shù)不小于所述第五閾值時，將所述第五參數(shù)送入參數(shù)融合流程；對圖像數(shù)據中的邊框參數(shù)(即第六參數(shù))進行統(tǒng)計，將所述第六參數(shù)與第六閾值進行比較，當所述第六參數(shù)小于所述第六閾值時，判定為非活體人臉，當所述第六參數(shù)不小于所述第六閾值時，將所述第六參數(shù)送入參數(shù)融合流程。進一步地，將上述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)、第五參數(shù)和第六參數(shù)進行參數(shù)融合，融合參數(shù)進一步與相應的閾值進行比較，當融合參數(shù)小于該閾值時，判定為非活體人臉，當所述融合參數(shù)不小于該閾值時，判定為活體人臉，進一步進入階段4，將圖像數(shù)據發(fā)送至后臺進行人臉驗證。

本發(fā)明實施例的活體驗證方案不限于被動判斷，而是可以作為主動活體融合判斷的補充。由于該方法與主動活體沒有任何沖突，被動活體在用戶體驗上也對本發(fā)明沒有負面干擾，因此與主動活體判斷可以更好的實現(xiàn)活體驗證。在主動與被動結合的活體驗證中，該發(fā)明可以用于主動動作判斷的預處理，即只有先被動判斷出是真人前提下，才進行后續(xù)動作判斷，也可以兩者同時處理，即即使用戶動作正確，但仍有可能被判斷為攻擊者。這可以更有效防止視頻的攻擊。

圖9為本發(fā)明實施例的活體驗證方法的效果曲線示意圖；圖9中給出了采用不同算法的受試者工作特性(roc，receiveroperatingcharacteristic)曲線；圖9所示的roc曲線中，橫軸表示誤通過率，縱軸表示準確率?？梢钥闯?，經過本發(fā)明實施例的活體驗證方法即對應于融合(combine)后的roc曲線，在很低誤通過時，準確率大幅提升到0.8左右，這使得本實施例提供的技術方案能夠很好的防住不同類型攻擊樣本的攻擊，同時真實人臉也能完成驗證，對用戶體驗不會帶來影響。本發(fā)明不依賴于任何設備和用戶交互，對計算復雜程度也幾乎沒有影響，屬于完全無干擾的方案。而其他采用單一的分類算法或統(tǒng)計算法的活體驗證方法，例如圖9中所示，采用模糊分類算法獲得的roc曲線為blurs對應的曲線；采用反光分類算法獲得的roc曲線為specs對應的曲線；采用邊框分類算法獲得的roc曲線為lines對應的曲線；采用模糊統(tǒng)計算法獲得的roc曲線為blur對應的曲線；采用反光統(tǒng)計算法獲得的roc曲線為spec對應的曲線；采用邊框統(tǒng)計算法獲得的roc曲線為line對應的曲線；而上述六種方式的準確率遠遠小于采用融合方式的準確率。

本發(fā)明實施例還提供了一種活體驗證設備。圖10為本發(fā)明實施例的活體驗證設備的組成結構示意圖；如圖10所示，所述設備包括：解析單元31、分類單元32、統(tǒng)計單元33和融合單元34；其中，

所述解析單元31，用于獲得第一圖像數(shù)據，解析所述第一圖像數(shù)據；

所述分類單元32，用于獲得所述第一圖像數(shù)據的紋理特征；所述紋理特征表征以下屬性特征的至少之一：所述第一圖像數(shù)據的模糊特征、所述第一圖像數(shù)據的反光特征、所述第一圖像數(shù)據的邊框特征；基于分類模型獲得所述紋理特征對應的第一類參數(shù)；

所述統(tǒng)計單元33，用于基于統(tǒng)計處理方式獲得所述第一圖像數(shù)據中與所述紋理特征對應的第二類參數(shù)；所述第二類參數(shù)與所述第一類參數(shù)不同；

所述融合單元34，用于判斷所述第一類參數(shù)是否大于第一類閾值，以及判斷所述第二類參數(shù)是否大于第二閾值；當所述第一類參數(shù)大于第一類閾值、且所述第二類參數(shù)大于第二類閾值時，基于所述第一類參數(shù)和所述第二類參數(shù)確定融合參數(shù)；當所述融合參數(shù)大于第三類閾值時，確定活體驗證通過。

作為一種實施方式，所述融合單元34，還用于判定所述第一類參數(shù)不大于所述第一類閾值、或所述第二類參數(shù)不大于所述第二類閾值、或所述融合參數(shù)不大于所述第三類閾值時，確定活體驗證不通過。

具體的，作為一種實施方式，所述分類單元32，用于分別獲得所述第一圖像數(shù)據的第一紋理特征、第二紋理特征和第三紋理特征；所述第一紋理特征表征所述第一圖像數(shù)據的模糊特征；所述第二紋理特征表征所述第一圖像數(shù)據的反光特征；所述第三紋理特征表征所述第一圖像數(shù)據的邊框特征；還用于基于預先配置的第一分類模型獲得所述第一紋理特征對應的第一參數(shù)，基于預先配置的第二分類模型獲得所述第二紋理特征對應的第二參數(shù)，基于預先配置的第三分類模型獲得所述第三紋理特征對應的第三參數(shù)；

所述統(tǒng)計單元33，用于統(tǒng)計所述第一圖像數(shù)據中與所述第一紋理特征對應的第四參數(shù)、與所述第二紋理特征對應的第五參數(shù)以及所述第三紋理特征對應的第六參數(shù)。

進一步地，所述融合單元34，用于判定所述第一參數(shù)大于第一閾值、且所述第二參數(shù)大于第二閾值、且所述第三參數(shù)大于第三閾值、且所述第四參數(shù)大于第四閾值、且所述第五參數(shù)大于第五閾值、且所述第六參數(shù)大于第六閾值時，基于所述第一參數(shù)、所述第二參數(shù)、所述第三參數(shù)、所述第四參數(shù)、所述第五參數(shù)和所述第六參數(shù)確定融合參數(shù)。

作為一種實施方式，所述融合單元34，還用于判定所述第一參數(shù)不大于所述第一閾值、或所述第二參數(shù)不大于所述第二閾值、或所述第三參數(shù)不大于所述第三閾值、或所述第四參數(shù)不大于所述第四閾值、或所述第五參數(shù)不大于所述第五閾值、或所述第六參數(shù)不大于所述第六閾值時，或所述融合參數(shù)不大于所述第三類閾值時，確定活體驗證不通過。

具體的，本實施例中，所述分類單元32，用于將所述第一圖像數(shù)據轉換為hsv模型數(shù)據；對所述hsv模型數(shù)據進行l(wèi)bp處理，分別獲得對應于色調數(shù)據的第一lbp特征數(shù)據、對應于飽和度數(shù)據的第二lbp特征數(shù)據和對應于明度數(shù)據的第三lbp特征數(shù)據，將所述第一lbp特征數(shù)據、所述第二lbp特征數(shù)據和所述第三lbp特征數(shù)據作為所述第一紋理特征。

具體的，所述第一圖像數(shù)據具體可以為rgb圖像數(shù)據；則將rgb數(shù)據轉換為hsv模型數(shù)據，可分別獲得表示色調的h模型數(shù)據、表示飽和度的s模型數(shù)據和表示明度的v模型數(shù)據。分別對所述h模型數(shù)據、s模型數(shù)據和v模型數(shù)據進行l(wèi)bp處理，從而獲得h模型數(shù)據、s模型數(shù)據和v模型數(shù)據中的圖像梯度信息。以h模型數(shù)據為例，則將所述h模型數(shù)據進行灰度處理，獲得所述h模型數(shù)據的灰度圖像，進一步確定所述灰度圖像中的每個特征點與相鄰的八個特征點之間的相對灰度關系，如圖4a所示，為三乘三的特征點矩陣的灰度圖像，每個特征點的灰度例如圖4a中所示；將每個特征點的灰度值進行數(shù)值化表示，具體可參照圖4b所示。進一步地，將相鄰八個特征點的灰度與中心特征點的灰度進行比較，若相鄰特征點的灰度大于中心特征點的灰度，則將所述相鄰特征點的值記為1；反之，若相鄰特征點的灰度小于等于中心特征點的灰度，則將所述相鄰特征點的值記為0，具體可參見圖4c所示。進一步地，將相鄰特征點的值串聯(lián)得到8位的二進制字符串，所述二進制字符串可以理解為分布在(0，255)的灰度值。在具體實施過程中，可參照圖4c所示，若以左上角第一個特征點作為起始特征點，按照順時針方向排列，則獲得的8位的字符串為10001111。由此可獲得所述過程圖像中每個特征點(即中心特征點)對應的二進制字符串。進一步地，為了去除冗余，統(tǒng)計每個特征點對應的二進制字符串中、0和1變化小于2的二進制字符串；例如，字符串為10001111中，第一位和第二位0和1變化1次，第四位和第五位0和1變化1次，總計變化兩次，不滿足“0和1變化小于2”的條件。又例如，字符串為00001111中，僅由第四位和第五位0和1變化1次，滿足“0和1變化小于2”的條件。然后，將統(tǒng)計后的二進制字符串映射到(0，58)范圍內，映射后的數(shù)據可作為對應于色調數(shù)據的第一lbp特征數(shù)據；這樣也會大大減少數(shù)據處理量。

同理，對于第二lbp特征數(shù)據和第三lbp特征數(shù)據也可采用上述數(shù)據方式獲得，這里不再贅述。進一步地，將獲得的所述第一lbp特征數(shù)據、第二lbp特征數(shù)據和第三lbp特征數(shù)據串接后作為所述第一紋理特征，可以理解為將三個59維的lbp特征數(shù)據(包括第一lbp特征數(shù)據、第二lbp特征數(shù)據和第三lbp特征數(shù)據)依次串接。圖5a為預先判定為活體人臉的圖像數(shù)據提取出的第一紋理特征；圖5b為預先判定為非活體人臉的圖像數(shù)據提取出的第一紋理特征。

本實施例中，所述分類單元32，用于提取所述第一圖像數(shù)據的反光特征，以及提取所述第一圖像數(shù)據的顏色直方圖特征，將所述反光特征和顏色直方圖特征作為所述第二紋理特征；其中，所述分類單元32，用于獲得所述第一圖像數(shù)據的反射率圖像，基于所述第一圖像數(shù)據以及所述反射率圖像獲得反光圖像；對所述反射率圖像進行分塊處理，獲得圖像分塊灰度統(tǒng)計參數(shù)作為所述反光特征。

具體的，表征反光特征的第二紋理特征包括兩類：一類是描述圖像的高亮區(qū)域，即反光特征；另一類則對應圖像反射率不同導致的顏色色度變化，即顏色直方圖特征。由于二次拍攝時圖像(例如非活體人臉的攻擊方式中所包括的打印照片、顯示器/顯示屏顯示的圖像等均可以理解為二次拍攝)近似為平面，材質也與真實人臉不同，因此很容易造成顏色的變化。具體的，作為rgb圖像的第一圖像數(shù)據，在rgb顏色空間下，獲得所述第一圖像數(shù)據的反射率圖像，基于所述第一圖像數(shù)據以及所述反射率圖像獲得反光圖像；具體的，反光圖像為所述第一圖像數(shù)據與其反射率圖像的差值。進一步地，對反光圖像進行分塊處理，選取圖像分塊的mean和delta作為反光特征；由于反光圖像具體是灰度圖像，則所述圖像方塊的mean和delta具體通過灰度值的mean和delta表示。圖6a左圖為采集到的非活體人臉對應的圖像數(shù)據，右圖為該圖像數(shù)據處理后獲得的反光圖像；圖6b左圖為采集到的活體人臉對應的圖像數(shù)據，右圖為該圖像數(shù)據處理后獲得的反光圖像。

對于顏色直方圖特征，將所述的第一圖像數(shù)據hsv模型數(shù)據，可分別獲得表示色調的h模型數(shù)據、表示飽和度的s模型數(shù)據和表示明度的v模型數(shù)據。分別將h模型數(shù)據、s模型數(shù)據和v模型數(shù)據投影到32維空間，得到32768維顏色直方圖。選取顏色直方圖分量最高的100維特征作為所述第一圖像數(shù)據的顏色直方圖特征。

本實施例中，所述分類單元32，用于對所述第一圖像數(shù)據進行濾波處理，獲得所述第一圖像數(shù)據的第一邊緣圖像數(shù)據；對所述第一邊緣圖像數(shù)據進行l(wèi)bp處理，獲得表征所述第三紋理特征的第四lbp特征數(shù)據。

具體的，為了獲得所述第一圖像數(shù)據中的邊框特征，首先對所述第一圖像數(shù)據進行濾波處理，獲得所述第一圖像數(shù)據對應的第一邊緣圖像。作為一種實施方式，可采用sobel算子(具體可包括用于橫向邊緣檢測以及縱向邊緣檢測的兩組矩陣)與所述第一圖像數(shù)據中的像素值作平面卷積，獲得所述第一圖像數(shù)據對應的第一邊緣圖像。進一步地，對所述第一邊緣圖像進行灰度處理，獲得所述第一邊緣圖像對應的灰度圖像，確定所述灰度圖像中的每個特征點與相鄰的八個特征點之間的相對灰度關系，例如三乘三的特征點矩陣的灰度圖像，將每個特征點的灰度值進行數(shù)值化表示，將相鄰八個特征點的灰度與中心特征點的灰度進行比較，若相鄰特征點的灰度大于中心特征點的灰度，則將所述相鄰特征點的值記為1；反之，若相鄰特征點的灰度小于等于中心特征點的灰度，則將所述相鄰特征點的值記為0；進一步地，將相鄰特征點的值串聯(lián)得到8位的二進制字符串，所述二進制字符串可以理解為分布在(0，255)的灰度值。在具體實施過程中，參照圖4c所示，若以左上角第一個特征點作為起始特征點，按照順時針方向排列，則獲得的8位的字符串為10001111。由此可獲得所述過程圖像中每個特征點(即中心特征點)對應的二進制字符串。進一步地，為了去除冗余，統(tǒng)計每個特征點對應的二進制字符串中、0和1變化小于2的二進制字符串；例如，字符串為10001111中，第一位和第二位0和1變化1次，第四位和第五位0和1變化1次，總計變化兩次，不滿足“0和1變化小于2”的條件。又例如，字符串為00001111中，僅由第四位和第五位0和1變化1次，滿足“0和1變化小于2”的條件。然后，將統(tǒng)計后的二進制字符串映射到(0，58)范圍內，映射后的數(shù)據可作為對應于所述第三紋理特征的第四lbp特征數(shù)據；這樣也會大大減少數(shù)據處理量。由于濾除了其他平滑部分，所述第一邊緣圖像對應的第四lbp特征數(shù)據能夠突出圖像中的邊緣部分，描述圖像的邊框特征。

上述技術方案是基于三種特性對所述第一圖像數(shù)據進行紋理特征提取。本實施例中，所述分類單元32預先采集大量樣本數(shù)據，所述樣本數(shù)據具體可以包括采用上述紋理特征提取方式提取的第一紋理特征以及對應的類型(即模糊類型)、和/或第二紋理特征以及對應的類型(即反光類型)、和/或第三紋理特征以及對應的類型(即邊框類型)，以及樣本數(shù)據可包括上述三種紋理特征中的至少一種紋理特征以及對應的類型。對于每種類型的紋理特征進行機器學習訓練，獲得每種類型的紋理特征對應的分類模型。具體的，對應于模糊類型，獲得對應的第一分類模型。例如可如圖5b所示，對于預先標記為模糊類型的圖像數(shù)據獲得的第一紋理特征，均具有條紋特征，例如圖5b中第一張圖像和第三張圖像中的斜條紋，第二章圖像中的近似的橫條紋等等；則可基于對應于模糊類型的第一紋理特征種的共有特征(例如條紋特征)進行機器學習訓練，獲得所述第一紋理特征對應的第一分類模型。對應于反光類型，獲得對應的第二分類模型。對應于邊框類型，獲得對應的第三分類模型。

則本實施例中，所述分類單元32將獲得的紋理特征(包括以下紋理特征的至少之一：第一紋理特征、第二紋理特征、第三紋理特征)輸入至對應類型的分類模型中，獲得相應的第一類參數(shù)。例如，將獲得的第一紋理特征輸入至對應于模糊類型的第一分類模型中，獲得所述第一紋理特征對應的第一參數(shù)，所述第一參數(shù)表征所述第一圖像數(shù)據的模糊程度；將獲得的第二紋理特征輸入至對應于反光類型的第二分類模型中，獲得所述第二紋理特征對應的第二參數(shù)，所述第二參數(shù)表征所述第一圖像數(shù)據的反光程度；將獲得的第三紋理特征輸入至對應于邊框類型的第三分類模型中，獲得所述第三紋理特征對應的第三參數(shù)，所述第三參數(shù)表征所述第一圖像數(shù)據是否包含有邊框。進一步地，對應于每個分類模型對應配置一閾值，當獲得的參數(shù)不大于對應閾值時，確定所述第一圖像數(shù)據中包含的人是非活體，即確定活體驗證不通過；相應的，當獲得的參數(shù)大于對應閾值時，進一步結合以下三種特性的統(tǒng)計分類結果進行后續(xù)的融合判定。例如，當所述第一參數(shù)不大于第一閾值、或第二參數(shù)不大于第二閾值、或第三參數(shù)不大于第三閾值時，確定所述第一圖像數(shù)據中包含的人是非活體，即確定活體驗證不通過。

本實施例中，所述統(tǒng)計單元33，用于對所述第一圖像數(shù)據進行高斯濾波處理，獲得所述第一圖像數(shù)據的高斯圖像數(shù)據；基于所述第一圖像數(shù)據與所述高斯圖像數(shù)據獲得差分圖像數(shù)據，獲得所述差分圖像數(shù)據的梯度信息作為所述第四參數(shù)。

具體的，對所述第一圖像數(shù)據進行高斯濾波處理，獲得高斯圖像數(shù)據；統(tǒng)計所述第一圖像數(shù)據與所述高斯圖像數(shù)據的差分圖像的梯度信息作為所述第四參數(shù)。

本實施例中，所述統(tǒng)計單元33，用于獲得所述第一圖像數(shù)據的反光圖像；對所述反光圖像進行二值化處理，基于二值化處理后的圖像對所述反光圖像進行分塊，統(tǒng)計每個分塊圖像中亮度滿足預設閾值的區(qū)域在相應分塊圖像中的第一比例關系，計算所有分塊圖像對應的第一比例關系的總和作為所述第五參數(shù)。

本實施例中，所述統(tǒng)計單元33，用于識別所述第一圖像數(shù)據中的人臉所在區(qū)域；對所述第一圖像數(shù)據進行邊緣檢測處理，獲得第二邊緣圖像數(shù)據，識別出所述第二邊緣圖像數(shù)據中長度滿足第一預設條件的第一直線；抽取所述第一直線中位置在所述人臉所在區(qū)域以外、且斜率滿足第二預設條件的第二直線，統(tǒng)計所述第二直線的數(shù)量作為所述第六參數(shù)。

具體的，所述統(tǒng)計單元33對所述第一圖像數(shù)據進行邊緣檢測；作為一種實施方式，可采用canny邊緣檢測算法對所述第一圖像數(shù)據進行邊緣檢測，具體可以包括：首先將所述第一圖像數(shù)據(具體可以為rgb圖像數(shù)據)轉換為灰度圖像，對所述灰度圖像進行高斯濾波處理，以去除圖像噪聲；進一步計算圖像梯度信息，根據該圖像梯度信息計算圖像邊緣幅值與方向；對圖像邊緣幅值應用非極大值抑制，只保留幅值局部變化最大的點，生成細化的邊緣；采用雙閾值邊緣檢測并連接邊緣，使提取的邊緣點更具有魯棒性，從而生成第二邊緣圖像數(shù)據。進一步地，對所述第二邊緣圖像數(shù)據進行hough變換，以找到所述第二邊緣圖像數(shù)據中的直線；進一步地，識別所有直線中長度滿足第一預設條件的第一直線；其中，作為一種實施方式，所述識別所有直線中長度滿足第一預設條件的第一直線，包括：識別所有直線中長度超過所述第一圖像數(shù)據的寬度一半的直線作為第一直線。另一方面，對所述第一圖像數(shù)據進行解析過程中，對所述第一圖像數(shù)據中的人臉進行檢測，獲得人臉所在區(qū)域，所述人臉所在區(qū)域的邊緣可通過輸出的人臉框表示。則進一步對所述第一直線進行識別，獲得所述第一直線中在所述人臉所在區(qū)域以外、且斜率滿足第二預設條件的直線作為第二直線；其中，所述斜率滿足第二預設條件的第二直線，包括：所述第一直線中在所述人臉所在區(qū)域以外、且與所述人臉所在區(qū)域的邊緣所在直線之間的角度不超過預設角度的直線作為所述第二直線；作為一種示例，所述預設角度例如30度，當然，不限于上述所列舉的示例。

本實施例中，所述融合單元34，用于預先采用機器學習算法分別獲得所述第一參數(shù)對應的第一權重系數(shù)、所述第二參數(shù)對應的第二權重系數(shù)、所述第三參數(shù)對應的第三權重系數(shù)、所述第四參數(shù)對應的第四權重系數(shù)、所述第五參數(shù)對應的第五權重系數(shù)和所述第六參數(shù)對應的第六權重系數(shù)；獲得所述第一參數(shù)與所述第一權重系數(shù)的第一乘積、所述第二參數(shù)與所述第二權重系數(shù)的第二乘積、所述第三參數(shù)與所述第三權重系數(shù)的第三乘積、所述第四參數(shù)與所述第四權重系數(shù)的第四乘積、所述第五參數(shù)與所述第五權重系數(shù)的第五乘積、以及所述第六參數(shù)與所述第六權重系數(shù)的第六乘積；將所述第一乘積、所述第二乘積、所述第三乘積、所述第四乘積、所述第五乘積和所述第六乘積相加后獲得所述融合參數(shù)。

具體的，采用上述處理方式獲得的第一參數(shù)表示為blur_s，第二參數(shù)表示為spec_s，第三參數(shù)表示為line_s，第四參數(shù)表示為blur，第五參數(shù)表示為spec，第六參數(shù)表示為line。進一步地，可采用機器學習算法進行權重值的機器學習，針對上述六維分量分別擬合，獲得的融合參數(shù)滿足前述表達式(14)所示；進一步地，將獲得的融合參數(shù)與預設的第三類閾值進行比較，當所述融合參數(shù)小于所述第三類閾值時，判定為非活體人臉，即確定活體驗證不通過；相應的，當所述融合參數(shù)不小于所述第三類閾值時，判定為活體人臉，即確定活體驗證通過。

本發(fā)明實施例中，所述活體驗證設備中的解析單元31、分類單元32、統(tǒng)計單元33和融合單元34，在實際應用中均可由所述終端中的中央處理器(cpu，centralprocessingunit)、數(shù)字信號處理器(dsp，digitalsignalprocessor)、微控制單元(mcu，microcontrollerunit)或可編程門陣列(fpga，field－programmablegatearray)實現(xiàn)。

本發(fā)明實施例還提供了一種活體驗證設備，活體驗證設備作為硬件實體一個示例如圖11所示。所述設備包括處理器61、存儲介質62、攝像頭65以及至少一個外部通信接口63；所述處理器61、存儲介質62、攝像頭65以及外部通信接口63均通過總線64連接。

本發(fā)明實施例的活體驗證方法可通過算法以及任意格式的算法庫形式集成在所述活體驗證設備中；具體可集成在所述活體驗證設備中可運行的客戶端中。在實際應用中，算法可與客戶端封裝在一起，用戶激活客戶端，即開啟活體驗證功能時，客戶端調用算法庫，并啟動攝像頭，通過攝像頭采集的圖像數(shù)據作為源數(shù)據，根據采集的源數(shù)據進行活體判定。

在本申請所提供的幾個實施例中，應該理解到，所揭露的設備和方法，可以通過其它的方式實現(xiàn)。以上所描述的設備實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，如：多個單元或組件可以結合，或可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另外，所顯示或討論的各組成部分相互之間的耦合、或直接耦合、或通信連接可以是通過一些接口，設備或單元的間接耦合或通信連接，可以是電性的、機械的或其它形式的。

上述作為分離部件說明的單元可以是、或也可以不是物理上分開的，作為單元顯示的部件可以是、或也可以不是物理單元，即可以位于一個地方，也可以分布到多個網絡單元上；可以根據實際的需要選擇其中的部分或全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各實施例中的各功能單元可以全部集成在一個處理單元中，也可以是各單元分別單獨作為一個單元，也可以兩個或兩個以上單元集成在一個單元中；上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用硬件加軟件功能單元的形式實現(xiàn)。

本領域普通技術人員可以理解：實現(xiàn)上述方法實施例的全部或部分步驟可以通過程序指令相關的硬件來完成，前述的程序可以存儲于一計算機可讀取存儲介質中，該程序在執(zhí)行時，執(zhí)行包括上述方法實施例的步驟；而前述的存儲介質包括：移動存儲設備、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質。

或者，本發(fā)明上述集成的單元如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質中?；谶@樣的理解，本發(fā)明實施例的技術方案本質上或者說對現(xiàn)有技術做出貢獻的部分可以以軟件產品的形式體現(xiàn)出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機、服務器、或者網絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分。而前述的存儲介質包括：移動存儲設備、rom、ram、磁碟或者光盤等各種可以存儲程序代碼的介質。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應以所述權利要求的保護范圍為準。