本發(fā)明涉及生物特征識別領(lǐng)域，尤其涉及一種人臉活體檢測方法及裝置。

背景技術(shù)：

生物特征識別技術(shù)廣泛應(yīng)用于生活中的各個領(lǐng)域，其中，人臉識別技術(shù)因其特征采集方便、衛(wèi)生等特點，應(yīng)用最為廣泛，例如，人臉識別應(yīng)用于安防、門禁領(lǐng)域。隨著人臉識別應(yīng)用領(lǐng)域的擴(kuò)展，也出現(xiàn)了越來越多的攻擊人臉識別的方法。常見的攻擊方法包括使用人臉照片、視頻和3D面具模型等介質(zhì)模擬人臉在人臉識別設(shè)備前對人臉識別進(jìn)行攻擊。可見，現(xiàn)有技術(shù)中對人臉識別進(jìn)行攻擊采用的大多數(shù)是非活體介質(zhì)，因此，對待識別的人臉進(jìn)行活體檢測，以抵御對識別進(jìn)行攻擊，是一個急待解決的問題。

現(xiàn)有技術(shù)中，進(jìn)行人臉活體檢測的方法主要分為三類:基于紋理特征的方法、基于運動特征的方法和基于其他特征方法?，F(xiàn)有技術(shù)中的人臉活體檢測方法中基于運動特征的人臉活體檢測方法在以視頻做攻擊媒介的情況下識別準(zhǔn)確率較低；基于紋理特征或其他特征的人臉活體檢測方法受光照影響較大，識別準(zhǔn)確率不穩(wěn)定。

綜上，現(xiàn)有技術(shù)中的人臉活體檢測方法至少存在適用攻擊媒介受限，且人臉活體檢測識別準(zhǔn)確率低的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供一種人臉活體檢測方法及裝置，以解決現(xiàn)有的人臉活體檢測方法識別準(zhǔn)確率低的問題。

第一方面，本發(fā)明實施例提供了一種人臉活體檢測方法，應(yīng)用于具有主動光源的電子設(shè)備，所述方法包括：

獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像；

獲取所述第一圖像和所述第二圖像各自待檢測區(qū)域之間的差分圖像；

從所述差分圖像中提取待識別特征，進(jìn)行人臉活體檢測；

其中，所述第一圖像為在啟動所述主動光源的環(huán)境下采集的圖像，所述第二圖像為在關(guān)閉所述主動光源的環(huán)境下采集的圖像。

第二方面，本發(fā)明實施例還提供了一種人臉活體檢測裝置，應(yīng)用于具有主動光源的電子設(shè)備，所述裝置包括：：

圖像獲取模塊，用于獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像；

差分圖像獲取模塊，用于獲取所述第一圖像和所述第二圖像各自待檢測區(qū)域之間的差分圖像；

人臉活體檢測模塊，用于從所述差分圖像中提取待識別特征，進(jìn)行人臉活體檢測；

其中，所述第一圖像為在啟動所述主動光源的環(huán)境下采集的圖像，所述第二圖像為在關(guān)閉所述主動光源的環(huán)境下采集的圖像。

第三方面，本發(fā)明實施例還提供了一種電子設(shè)備，包括主動光源，所述電子設(shè)備還包括本發(fā)明實施例中的人臉活體檢測裝置。

這樣，本發(fā)明實施例公開的人臉活體檢測方法，通過獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像，其中，所述第一圖像為在啟動所述主動光源的環(huán)境下采集的圖像，所述第二圖像為在關(guān)閉所述主動光源的環(huán)境下采集的圖像；然后，獲取所述第一圖像和所述第二圖像各自待檢測區(qū)域之間的差分圖像；從所述差分圖像中提取待識別特征；最后，將所述待識別特征輸入至預(yù)設(shè)的分類器，進(jìn)行人臉活體檢測，解決了現(xiàn)有技術(shù)中的人臉活體檢測方法識別準(zhǔn)確率低的問題。通過根據(jù)兩幅圖像的差分圖像中包括人臉和人臉周圍背景的待檢測區(qū)域提取的特征進(jìn)行活體檢測，有效地提高了人臉活體檢測的準(zhǔn)確率。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對本發(fā)明實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實施例一的人臉活體檢測方法流程圖；

圖2是本發(fā)明實施例二的人臉活體檢測方法流程圖；

圖3是本發(fā)明實施例二中確定的待檢測區(qū)域示意圖；

圖4是本發(fā)明實施例二中差分圖像內(nèi)人臉部區(qū)域和非人臉部區(qū)域示意圖；

圖5是本發(fā)明實施例三的人臉活體檢測方法流程圖；

圖6是本發(fā)明實施例四的人臉活體檢測方法流程圖；

圖7是本發(fā)明實施例五的人臉活體檢測裝置結(jié)構(gòu)圖；

圖8是本發(fā)明實施例六的人臉活體檢測裝置結(jié)構(gòu)圖之一；

圖9是本發(fā)明實施例六的人臉活體檢測裝置一個模塊的結(jié)構(gòu)圖；

圖10是本發(fā)明實施例七的人臉活體檢測裝置結(jié)構(gòu)圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

實施例一：

本實施例提供了一種人臉活體檢測方法，應(yīng)用于具有主動光源的電子設(shè)備，如圖1所示，所述方法包括：步驟10至步驟12。

步驟10，獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像。

具體實施時，所述主動光源可以為主動紅外光光源，如紅外LED補(bǔ)光燈，或者主動可見光光源，如發(fā)光波長在可見光范圍內(nèi)的LED燈。

進(jìn)行人臉識別的電子設(shè)備的前面板通常設(shè)置有采集待識別人臉圖像的攝像頭，本發(fā)明應(yīng)用的電子設(shè)備還設(shè)置有主動光源。當(dāng)進(jìn)行人臉識別時，電子設(shè)備會啟動主動光源對待采集的人臉進(jìn)行補(bǔ)光，以提高采集的待識別人臉圖像的質(zhì)量。

首先，在預(yù)設(shè)時間內(nèi)，通過所述攝像頭采集包括待檢測人臉的第一圖像和第二圖像。其中，所述第一圖像為在啟動所述主動光源的環(huán)境下采集的圖像，所述第二圖像為在關(guān)閉所述主動光源的環(huán)境下采集的圖像。具體實施時，可以先采集第一圖像，也可以先采集第二圖像，本發(fā)明對此不做限定。采集第一圖像和采集第二圖像的時間差要求在預(yù)設(shè)時長內(nèi)，如500毫秒，這樣，若電子設(shè)備采集的是活體人臉的圖像，所述第一圖像和第二圖像之間會有一定差異，但差異不大。具體實施時，可以對采集的圖像進(jìn)行初步人臉檢測，如果采集的第一圖像或第二圖像中不包含人臉，則將兩張圖片一起丟棄，重新進(jìn)行圖像采集。

步驟11，獲取所述第一圖像和所述第二圖像各自待檢測區(qū)域之間的差分圖像。

首先，分別確定所述第一圖像和所述第二圖像中的待檢測區(qū)域。

所述待檢測區(qū)域以所述待檢測人臉為中心，包括所述待檢測人臉以及所述待檢測人臉周圍的部分背景。具體實施時，所述待檢測區(qū)域為以人臉區(qū)域為中心且包括人臉周圍部分背景的矩形區(qū)域。對于采集的所述第一圖像和所述第二圖像，使用人臉區(qū)域檢測算法，定位出人臉和雙眼的坐標(biāo)，以雙眼坐標(biāo)為基準(zhǔn)點，以雙眼距離的像素值作為單位長度；將圖片適當(dāng)旋轉(zhuǎn)使得雙眼連線處于水平狀態(tài)，以左眼向左一個單位長度的位置作為左邊界，以右眼向右一個單位長度的位置作為右邊界，上邊界以雙眼基準(zhǔn)點向上一個單位長度的位置作為上邊界，以雙眼向下兩個單位長度的位置作為下邊界，確定一個最小矩形區(qū)域，作為人臉區(qū)域。然后，將定位出的人臉區(qū)域分別沿上、下、左、右四個方向向外圍擴(kuò)展預(yù)設(shè)像素，以確定一個以人臉區(qū)域(即包含人眼的最小矩形區(qū)域)為中心且包括人臉周圍部分背景的較大矩形區(qū)域作為待檢測區(qū)域。其中，所述預(yù)設(shè)像素根據(jù)所述第一圖像和所述第二圖像的像素尺寸，以及所述人臉區(qū)域的像素尺寸確定，例如，所述預(yù)設(shè)像素可以取值為所述第一圖像的像素寬度減去所述人臉區(qū)域的像素寬度的四分之一。具體實施時，可以采用人臉模板匹配法確定圖像中的人臉區(qū)域，也可以采用Haar-l ike特征的Ada Boos t算法檢測出人臉區(qū)域。定位圖像中的人臉區(qū)域時，可以采用現(xiàn)有技術(shù)中的方案，此處不再贅述。

然后，獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像。

對于不同批次、不同距離下采集的人臉圖片，由于前一步驟確定的所述第一圖像和第二圖像中的待檢測區(qū)域尺寸可能不同，因此，首先將采集到的所有圖像中的待檢測區(qū)域歸一化到預(yù)先設(shè)定的相同尺寸。然后，獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像。

步驟12，從所述差分圖像中提取待識別特征，進(jìn)行人臉活體檢測。

首先，從所述差分圖像中提取待識別特征。從獲取的所述差分圖像中提取待識別特征可以為，從差分圖像中提取的預(yù)設(shè)維度的人臉上下文特征、紋理特征或者光照特征之一。其中，所述人臉上下文特征可以為，由基于所述差分圖像中人臉部區(qū)域和所述差分圖像中非人臉部區(qū)域提取的信息熵組成的特征。紋理特征為，如LBP(Local Binary Pattern,局部二值模式)特征、DCT(Di screte Cos ine Transform,離散余弦變換)特征、Gabor特性等。光照特征為，差分圖像中包含人臉區(qū)域的光照的統(tǒng)計分布信息的統(tǒng)計特征。

為了進(jìn)一步提高活體檢測的準(zhǔn)確率，從獲取的所述差分圖像中提取待識別特征還可以包括將上下文特征或紋理特征結(jié)合光照特征，進(jìn)行人臉活體檢測。

在提取到待識別特征之后，將所述待識別特征輸入至預(yù)設(shè)的分類器，進(jìn)行人臉活體檢測。在進(jìn)行人臉活體檢測之前，首先要訓(xùn)練分類器。

具體實施時，首先要基于搜集的正樣本(即人臉活體圖像)和負(fù)樣本(即人臉照片、視頻、面具模型等的圖像)，組成樣本集合；然后，分別提取樣本集合中的樣本的待識別特征，如步驟13中所述的人臉上下文特征、光照特征或者上下文特結(jié)合光照特征等；最后，基于提取的特征訓(xùn)練分類器，如支持向量機(jī)SVM分類器。

在進(jìn)行人臉活體檢測時，將從所述差分圖像中提取待識別特征輸入至預(yù)先訓(xùn)練得到的分類器，進(jìn)行人臉活體檢測。分類器對輸入的特征進(jìn)行識別，得出圖像中是人臉活體或非人臉活體的結(jié)果。

本發(fā)明實施例公開的人臉活體檢測方法，通過獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像，其中，所述第一圖像為在啟動所述主動光源的環(huán)境下采集的圖像，所述第二圖像為在關(guān)閉所述主動光源的環(huán)境下采集的圖像；然后，獲取所述第一圖像和所述第二圖像各自待檢測區(qū)域之間的差分圖像；從所述差分圖像中提取待識別特征進(jìn)行人臉活體檢測，解決了現(xiàn)有技術(shù)中的人臉活體檢測方法識別準(zhǔn)確率低的問題。通過根據(jù)兩幅圖像的差分圖像中包括人臉和人臉周圍背景的待檢測區(qū)域提取的特征進(jìn)行活體檢測，有效地提高了人臉活體檢測的準(zhǔn)確率。

實施例二：

參見圖2，本發(fā)明另一個實施例中公開的人臉活體檢測方法，應(yīng)用于具有主動光源的電子設(shè)備，所述方法包括步驟20至步驟24。

步驟20，獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像。

其中，所述第一圖像為在啟動所述主動光源的環(huán)境下采集的圖像，所述第二圖像為在關(guān)閉所述主動光源的環(huán)境下采集的圖像。具體實施時，所述主動光源可以為主動紅外光光源，本實施例中以主動光源為主動紅外光光源為例對人臉活體檢測方法進(jìn)行詳細(xì)說明，所述第一圖像為在啟動所述主動紅外光光源的環(huán)境下采集的圖像。本實施例中，所述電子設(shè)備設(shè)置有紅外光攝像頭，所述紅外光攝像頭的分辨率為1280×720像素，并在所述攝像頭紅外光攝像頭周圍加裝主動紅外光光源，如：近紅外LED光源的波長為850nm。在通過所述電子設(shè)備人臉識別時，人臉距離攝像頭為30至80厘米。

通常情況下，所述主動紅外光光源處于關(guān)閉狀態(tài)，因此，可以首先控制攝像頭采集第二圖像，即在關(guān)閉所述主動光源的環(huán)境下采集一幅圖像。然后，啟動所述主動紅外光光源，控制攝像頭采集第一圖像，即在啟動所述主動光源的環(huán)境下采集一幅圖像。采集第一圖像和采集第二圖像之間有預(yù)設(shè)時間間隔。

步驟21，分別確定所述第一圖像和所述第二圖像中的待檢測區(qū)域。

所述待檢測區(qū)域為以人臉區(qū)域為中心且包括人臉周圍部分背景的矩形區(qū)域。具體實施時，對于采集的所述第一圖像和所述第二圖像，可以采用現(xiàn)有技術(shù)中的方法分別確定所述第一圖像和所述第二圖像中的人臉區(qū)域?，F(xiàn)有技術(shù)中定位人臉區(qū)域的方法定位的人臉區(qū)域是包括人眼的最小矩形區(qū)域。然后，將定位出的人臉區(qū)域分別沿上、下、左、右四個方向向外圍擴(kuò)展預(yù)設(shè)像素，以確定一個以人臉區(qū)域(即包含人眼的最小矩形區(qū)域)為中心且包括人臉周圍部分背景的較大矩形區(qū)域作為待檢測區(qū)域。其中，所述預(yù)設(shè)像素根據(jù)所述第一圖像和所述第二圖像的像素尺寸，以及所述人臉區(qū)域的像素尺寸確定，例如，所述預(yù)設(shè)像素可以取值為所述第一圖像的像素寬度減去所述人臉區(qū)域的像素寬度的四分之一。

所述待檢測區(qū)域為以人臉區(qū)域為中心且包括人臉周圍部分背景的矩形區(qū)域。分別確定所述第一圖像和所述第二圖像中的待檢測區(qū)域包括：分別確定所述第一圖像和所述第二圖像中的人臉區(qū)域；將所述人臉區(qū)域向四周擴(kuò)展預(yù)設(shè)尺寸，得到待檢測區(qū)域。對于采集的所述第一圖像和所述第二圖像，可以采用現(xiàn)有技術(shù)中的方法分別確定所述第一圖像和所述第二圖像中的人臉區(qū)域?，F(xiàn)有技術(shù)中定位人臉區(qū)域的方法定位的人臉區(qū)域是包括人眼的最小矩形區(qū)域。例如：使用OpenCV的Viola-Jones檢測器對第一圖像和第二圖像進(jìn)行人臉檢測，并定位出人眼睛的位置；然后，進(jìn)一步根據(jù)定位出的人眼位置確定人臉區(qū)域，通常人臉區(qū)域為包括人眼的最小矩形區(qū)域，如圖3中的301。對于采集的所述第一圖像和所述第二圖像，還可采用現(xiàn)有技術(shù)中的其他方法分別確定所述第一圖像中和所述第二圖像中的人臉區(qū)域，此處不再贅述。

具體實施時，為了提高人眼定位的準(zhǔn)確性，所述對所述第一圖像和所述第二圖像分別進(jìn)行人眼定位包括：對所述第一圖像和所述第二圖像分別進(jìn)行伽瑪變換，以調(diào)整所述第一圖像和所述第二圖像的光照；對調(diào)整光照后的所述第一圖像和所述第二圖像的光照分別進(jìn)行人臉定位。在大多數(shù)情況下，在沒有開啟主動光源的環(huán)境下采集的圖像會比較灰暗，在開啟主動光源的環(huán)境下采集的圖像會比較亮，因此，在進(jìn)行人眼定位時，可以通過自動光照調(diào)整算法對采集的圖像進(jìn)行預(yù)處理，對于較暗的第二圖像使用伽馬壓縮，對于較亮的第一圖像使用伽馬展開，以方便人臉檢測與定位。對伽瑪變換后的圖像使用OpenCV的Viola-Jones檢測器進(jìn)行人臉檢測，并定位出人眼睛的位置。然后，進(jìn)一步根據(jù)定位出的人眼位置確定人臉區(qū)域，通常人臉區(qū)域為包括人眼的最小矩形區(qū)域。之后，根據(jù)定位得到的人臉區(qū)域的位置確定所述第一圖像和所述第二圖像中人臉區(qū)域的位置。

然后，將定位出的人臉區(qū)域分別沿上、下、左、右四個方向向外圍擴(kuò)展預(yù)設(shè)像素，以確定一個以人臉區(qū)域為中心且包括人臉周圍部分背景的較大矩形區(qū)域作為人臉區(qū)域，如圖3中的302。其中，所述預(yù)設(shè)像素根據(jù)所述第一圖像和所述第二圖像的像素尺寸，以及所述包括人臉區(qū)域的像素尺寸確定，例如，所述預(yù)設(shè)像素可以取值為所述第一圖像的像素寬度減去所述人臉區(qū)域的像素寬度的四分之一。如果人臉區(qū)域相對于其所在的第一圖像或第二圖像的尺寸較小，如小于其所在的第一圖像或第二圖像的尺寸的1/2，則可以將所述預(yù)設(shè)像素設(shè)置為人臉部矩形區(qū)域的像素寬度的1/2。

步驟22，獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像。

所述獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像，包括：分別將所述第一圖像和所述第二圖像中的所述待檢測區(qū)域內(nèi)的圖像進(jìn)行歸一化處理；根據(jù)歸一化處理后的所述待檢測區(qū)域內(nèi)的圖像，獲得所述第一圖像和所述第二圖像中待檢測區(qū)域的差分圖像。對于不同批次、不同距離下采集的人臉圖片，由于前一步驟確定的所述第一圖像和第二圖像中的待檢測區(qū)域尺寸可能不同，因此，首先將采集到的圖像中的待檢測區(qū)域歸一化到預(yù)先設(shè)定的相同尺寸。然后，獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像。

根據(jù)朗伯光照反射模型，將實驗環(huán)境抽象，得出以下光照假設(shè)：

a)在人臉附近有一個主要外界光源，該光源主要由日光燈(fluorescent lamp)發(fā)出，且發(fā)出的光線主要為自然光組成，記為I₁；

b)在人臉正前方有一個主動紅外光光源，該光源的功率相對I₁較小，衰減較快，記為I₂；

c)包括顯示器屏幕、太陽光等其他遠(yuǎn)處的光源，一起記為環(huán)境光I_a。

由反射模型可知，攝像頭接收到的人臉反射光主要分為漫反射光和鏡面反射光，即對于攝像頭采集的圖像中每一個像素點x，人臉圖像I的像素值I(x)可以表示為：

其中，I_i,d為第i個光源所造成的漫反射光分量；I_i,s為第i個光源所造成的鏡面反射光分量；f(d_i)是以光源與人臉距離d_i為自變量的的衰減函數(shù)。

根據(jù)前述光照假設(shè)，光源I₂會迅速衰減，而光源I₁會衰減較慢。

在本實施例中，所述第一圖像為在啟動所述主動光源的環(huán)境下采集的圖像，將第一圖像中的待檢測區(qū)域的圖像記為I^(L)；所述第二圖像為在關(guān)閉所述主動光源的環(huán)境下采集的圖像，將第二圖像中的待檢測區(qū)域的圖像記為I。根據(jù)朗伯光照反射模型，第一圖像中的待檢測區(qū)域的圖像I^(L)和第二圖像中的待檢測區(qū)域的圖像I均含有I_a，I_1,d，I_1,s光源的反射分量，且第一圖像中的待檢測區(qū)域的圖像I^(L)同時有I_2,d和I_2,s光源的反射分量，即：

I＝I_a+f(d₁)·(I_1,d+I_1,s)；

I^(L)＝I_a+f(d₁)·(I_1,d+I_1,s)+f(d₂)·(I_2,d+I_2,s)。

由于采集第一圖像和第二圖像的時間間隔在預(yù)設(shè)時間之內(nèi)，如100毫秒，因此，在兩幅圖像中人頭部姿態(tài)的變化可以近似忽略不計。由于頭部姿態(tài)變化不大，日光燈I₁所造成的反射分量也基本保持不變；環(huán)境光I_a與主動紅外光光源I₂無關(guān)，可以被認(rèn)為是一個常數(shù)。將第一圖像中的待檢測區(qū)域I^(L)減去第二圖像中的待檢測區(qū)域I，可以從下式得到待檢測區(qū)域的差分圖像I^D：I^D＝I^(L)-I＝f(d₂)·(I_2,d+I_2,s)。

使用主動紅外光光源可以減小環(huán)境光線變化、側(cè)光等外界光照因素對人臉識別等模式識別問題的影響，同時，近紅外光譜可以讓圖像的畫質(zhì)更好，例如圖像像素不至于飽和甚至過度曝光。因此，使用主動紅外光光源進(jìn)行人臉活體檢測，可以獲得更準(zhǔn)確的檢測效果。

具體實施時，主動紅外光光源I₂也可以替換為主動可見光光源，差分圖像的計算方式類似，此處不再贅述。步驟23，從所述差分圖像中提取人臉上下文特征。

由于每種人臉攻擊方法都需要一個攻擊媒介，如人臉照片。因此，所述電子設(shè)備采集的圖像中人臉周圍的“非人臉區(qū)域”中，有一些“背景像素”其實并不屬于真正的背景，而是屬于攻擊媒介。在真實人臉圖像中，非人臉區(qū)域的像素點大多是屬于背景像素點。對于攝像頭采集的真實人臉圖像中的背景像素點與攝像頭的距離比人臉與攝像頭距離更遠(yuǎn)，因此，光照衰減函數(shù)f(d)的數(shù)值相對會小得多。即攝像頭采集的真實人臉圖像中非人臉區(qū)域中像素點的像素值，在開啟主動紅外光源前后變化也會相對較小。在用于人臉攻擊的照片中，人臉區(qū)域和非人臉區(qū)域離攝像頭距離相同，人臉區(qū)域和非人臉區(qū)域?qū)τ诠庹盏姆瓷涮匦韵嘟Ｒ虼?，通過分析差分圖像中人臉區(qū)域和非人臉區(qū)域的像素分布情況，可以進(jìn)行活體判斷。

本實施例中，所述待識別特征包括人臉上下文特征，從獲取的所述差分圖像中提取待識別特征包括：從所述差分圖像中提取人臉上下文特征。所述人臉上下文特征可以為，由基于所述差分圖像中人臉部區(qū)域和所述差分圖像中非人臉部區(qū)域提取的信息熵組成的特征。其中，所述從所述差分圖像中分別提取人臉上下文特征，包括：確定所述差分圖像中的人臉部區(qū)域和非人臉部區(qū)域；獲取人臉部區(qū)域直方圖，以及非人臉部區(qū)域直方圖；根據(jù)人臉部區(qū)域直方圖和非人臉部區(qū)域直方圖生成差異直方圖；從所述人臉部區(qū)域直方圖、非人臉部區(qū)域直方圖、差異直方圖中分別提取信息熵。

具體實施時，首先通過橢圓模型確定差分圖像中的人臉部區(qū)域(如圖4中的401)和非人臉部區(qū)域(如圖4中的402)。

然后，分別計算人臉部區(qū)域401的像素直方圖H_face′和非人臉部區(qū)域402的像素直方圖H_nonface′。由于人臉部區(qū)域和非人臉部區(qū)域的像素數(shù)目可能不同，需要對兩個直方圖H_face′和H_nonface′執(zhí)行規(guī)范化處理，如L1規(guī)范化(L1-normlization)，即讓每個的統(tǒng)計直方圖中，所有分量的和為1。這樣，可以消除因為總像素個數(shù)不同造成的直方圖差異，得到規(guī)范化后的人臉部區(qū)域401的像素直方圖H_face和非人臉部區(qū)域402的像素直方圖H_nonface。

根據(jù)人臉部區(qū)域直方圖H_face和非人臉部區(qū)域直方圖H_nonface生成差異直方圖H_diff。由于人臉并不是標(biāo)準(zhǔn)的橢圓形，因此在通過橢圓模型確定差分圖像中的人臉部區(qū)域時，設(shè)定的橢圓形人臉部區(qū)域會涵蓋一些非人臉區(qū)域的像素點。為了避免由于人臉部區(qū)域包含背景像素點而導(dǎo)致的檢測誤差，通過將H_face和H_nonface，構(gòu)造另一個差異直方圖H_diff。具體公式為：

H_diff(i)＝max(H_face(i)-H_nonface(i),0)； (公式2)

其中，i代表灰度值，取值范圍為0至255；H_diff(i)是當(dāng)灰度值為i時的差異直方圖的數(shù)值；H_face(i)為歸一化后人臉部區(qū)域灰度值為i時的直方圖數(shù)值；H_nonface(i)為歸一化后非人臉部區(qū)域灰度值為i時的直方圖數(shù)值。

最后，從所述人臉部區(qū)域直方圖H_face、非人臉部區(qū)域直方圖H_nonface、差異直方圖H_diff中分別提取信息熵作為待識別特征。通過計算三個直方圖的信息熵，得到一個三維的人臉上下文特征向量，如(entropy(H_face)，entropy(H_nonface)，entropy(H_diff))，其中，每一維度對應(yīng)一個直方圖的信息熵。具體實施時，直方圖的信息熵的計算方法為：

entropy(H)＝-∑(H(i)×log(H(i)))； (公式3)

其中，H(i)為直方圖H中灰度值為i的數(shù)值。

由于大衣領(lǐng)口、長發(fā)、帽子或者其他裝飾物與人臉距離比較近，在反射特性上也類似于攻擊介質(zhì)，采集的圖像中前述背景會影響非人臉區(qū)域的直方圖，容易造成誤判，因此，具體實施時，通過分塊模型進(jìn)一步提取附加人臉上下文特征。從獲取的所述差分圖像中提取待識別特征還包括：將所述差分圖像劃分為多個相鄰圖像塊；分別確定每個所述圖像塊中的人臉部區(qū)域和非人臉部區(qū)域；針對每個圖像塊，分別獲取該圖像塊中人臉部區(qū)域直方圖，以及非人臉部區(qū)域直方圖；針對每個圖像塊，分別根據(jù)該圖像塊的人臉部區(qū)域直方圖和非人臉區(qū)域直方圖生成差異直方圖；針對每個圖像塊，分別從該圖像塊的人臉部區(qū)域直方圖、非人臉部區(qū)域直方圖、差異直方圖中提取信息熵。

具體實施時，可以將所述差分圖像沿著水平方向和豎直方向，各等分為兩份，因此整個圖像被平均分為四個相鄰的圖像塊，如P1、P2、P3和P4。然后，分別確定每個所述圖像塊中的人臉部區(qū)域和非人臉部區(qū)域。針對每個圖像塊，分別獲取該圖像塊中人臉部區(qū)域直方圖，以及非人臉部區(qū)域直方圖，可以得到：圖像塊P1的人臉部區(qū)域直方圖H_{P1_face}′和非人臉部區(qū)域直方圖H_{P1_nonface}′、圖像塊P2的人臉部區(qū)域直方圖H_{P2_face}′和非人臉部區(qū)域直方圖H_{P2_nonface}′、圖像塊P3的人臉部區(qū)域直方圖H_{P3_face}′和非人臉部區(qū)域直方圖H_{P3_nonface}′、圖像塊P4的人臉部區(qū)域直方圖H_{P4_face}′和非人臉部區(qū)域直方圖H_{P4_nonface}′。然后，對每個圖像塊的直方圖進(jìn)行規(guī)范化處理，得到規(guī)范化后的直方圖H_{P1_face}、H_{P1_nonface}、H_{P2_face}、H_{P2_nonface}、H_{P3_face}、H_{P3_nonface}、H_{P4_face}、H_{P4_nonface}。針對每個圖像塊，采用公式2生成差異直方圖的方法分別根據(jù)該圖像塊的人臉部區(qū)域直方圖和非人臉區(qū)域直方圖生成差異直方圖，可以得到四個差異直方圖H_{p1_diff}、H_{p2_diff}、H_{p3_diff}和H_{p4_diff}。針對每個圖像塊，通過公式3分別從該圖像塊的人臉部區(qū)域直方圖、非人臉部區(qū)域直方圖、差異直方圖中提取信息熵，得到12個信息熵，具體如下：圖像塊P1的信息熵entropy(H_{p1_face})，entropy(H_{p1_nonface})，entropy(H_{p1_diff})、圖像塊P2的信息熵entropy(H_p2face)，entropy(H_{p2_nonface})，entropy(H_{p2_diff})、圖像塊P3的信息熵

entropy(H_{p3_face})，entropy(H_{p3_nonface})，entropy(H_{p3_diff})和圖像塊P4的信息熵

entropy(H_{p4_face})，entropy(H_{p4_nonface})，entropy(H_{p4_diff})。最后，將所述差分圖像的信息熵和所述差分圖像的各圖像塊的信息熵按照預(yù)設(shè)規(guī)則組合得到一個多維的人臉上下文特征向量，作為待識別特征。

在本方案中，使用信息熵(公式3)作為待識別特征來分析人臉區(qū)域和非人臉區(qū)域的圖像像素分布情況：如果圖像像素值在人臉區(qū)域和非人臉區(qū)域中有較高的一致性，則其有很大可能是一張攻擊人臉；反之，如果一致性較低，則認(rèn)為人臉周圍并沒有攻擊介質(zhì)的存在，很可能是一張真實人臉。在另一個具體實施方式中，所述從所述差分圖像中提取待識別特征的，還可以為：從所述差分圖像中提取紋理特征。所述紋理特征可以為：LBP(Local Binary Pattern,局部二值模式)特征、DCT(Discrete Cosine Transform,離散余弦變換)特征、Gabor特性等中的任意一種。提取紋理特征的具體方法參見現(xiàn)有技術(shù)，此處不再贅述。

步驟24，根據(jù)所述人臉上下文特征，進(jìn)行人臉活體檢測。

在進(jìn)行人臉活體檢測之前，首先要訓(xùn)練分類器。

具體實施時，首先要基于搜集的正樣本(即人臉活體圖像)和負(fù)樣本(即人臉照片、視頻、面具模型等的圖像)，組成樣本集合，并設(shè)置正、負(fù)樣本標(biāo)簽；然后，分別提取樣本集合中的樣本的人臉上下文特征；最后，基于提取的特征訓(xùn)練分類器，如支持向量機(jī)SVM分類器。

在進(jìn)行人臉活體檢測時，將步驟23中從所述差分圖像中提取的人臉上下文特征輸入至預(yù)先訓(xùn)練得到的分類器，進(jìn)行人臉活體檢測。分類器對輸入的特征進(jìn)行識別，得出圖像中是人臉活體或非人臉活體的結(jié)果。

具體實施時，還可以采用其他的方式根據(jù)提取的所述光照特征，進(jìn)行人臉活體檢測，如利用預(yù)先訓(xùn)練的識別模型進(jìn)行人臉活體檢測，此處不再贅述。

本發(fā)明實施例公開的人臉活體檢測方法，通過獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像；分別確定所述第一圖像和所述第二圖像中的待檢測區(qū)域；獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像，并從所述差分圖像中提取人臉上下文特征；最后，將所述人臉上下文特征輸入至預(yù)設(shè)的分類器，進(jìn)行人臉活體檢測，解決了現(xiàn)有技術(shù)中攻擊媒介面積較大或者離攝像頭很近、在照片中完全沒有攻擊介質(zhì)的邊框的信息情況下的人臉活體檢測方法識別準(zhǔn)確率低的問題。通過根據(jù)兩幅圖像的差分圖像中包括人臉和人臉周圍背景的待檢測區(qū)域提取的人臉上下文特征進(jìn)行活體檢測，有效地提高了人臉活體檢測的準(zhǔn)確率。

其中，在以圖像的信息熵作為人臉上下文特征時，通過對差分圖像進(jìn)行分塊，并提取每一塊的信息熵與差分圖像的信息熵，并與所述差分圖像的信息熵進(jìn)行組合，構(gòu)成人臉上下文特征，有效避免了由于衣領(lǐng)、頭發(fā)、飾物等對檢測準(zhǔn)確率的影響，進(jìn)一步提高了人臉活體檢測的準(zhǔn)確率。

實施例三：

參見圖5，本發(fā)明人臉活體檢測方法的另一個實施例中，所述方法包括步驟50至步驟55。

步驟50，獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像。

在預(yù)設(shè)時間內(nèi)，通過所述攝像頭采集包括待檢測人臉的第一圖像和第二圖像的具體實施方式參見實施例二，此處不再贅述。

步驟51，分別確定所述第一圖像和所述第二圖像中的待檢測區(qū)域。

分別確定所述第一圖像和所述第二圖像中的待檢測區(qū)域的具體實施方式參見實施例二，此處不再贅述。

步驟52，獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像。

獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像的具體實施方式參見實施例二，此處不再贅述。

步驟53，從所述差分圖像中提取人臉上下文特征。

從所述差分圖像中提取人臉上下文特征的具體實施方式參見實施例二，此處不再贅述。

本步驟中，從所述差分圖像中提取人臉上下文特征可以為從差分圖像整體提取的信息熵，也可以是由從所述差分圖像中提取的信息熵和從所述差分圖像劃分得到的圖像塊中提取的信息熵組合得到的人臉上下文特征特征。

為了進(jìn)一步提高人臉活體檢測的準(zhǔn)確率，從獲取的所述差分圖像中提取待識別特征還可以包括：從所述差分圖像中的人臉部區(qū)域提取光照特征。然后將人臉上下文特征和所述光照特征組合成待識別特征，共同進(jìn)行人臉活體檢測。

步驟54，從所述差分圖像中的人臉部區(qū)域提取光照特征。

前文提出的上下文一致性特征對于攻擊媒介接近攝像頭、攻擊媒介邊框無法被檢測的場景依然有效，但是如果攻擊媒介被蓄意剪裁、僅僅留下人臉區(qū)域，或者真實人臉在各個方向均有密集的飾物在人臉周圍，該方法的效果就會受到影響。因此，，在這里我們針對幾種攻擊方式，分析了不同攻擊媒介的反射特性，提出了光照特征輔助進(jìn)行活體檢測。

由于人臉到攝像頭的距離，會遠(yuǎn)遠(yuǎn)大于人臉本身的深度，因此可以認(rèn)為光照衰弱函數(shù)在人臉區(qū)域中基本為一個確定的數(shù)值，或者僅僅是平滑變化。本實施例繼續(xù)基于紅外差分圖像進(jìn)行分析?；诶什瓷淠Ｐ?，紅外差分圖像可以簡化表示為：

I^D(x)＝k_d·ω_d(x)·E+k_s·ω_s(x)·E；

其中，E是光照強(qiáng)度，在人臉區(qū)域的各個像素點中為恒定值；ω_d(x),ω_s(x)分別是與漫反射、鏡面反射有關(guān)的人臉表面幾何特征因子；而k_d和k_s分別是漫反射與鏡面反射的權(quán)重因子，包含了衰減系數(shù)、材料反射參數(shù)等。材料反射參數(shù)與材料、像素點位置、入射光角度等因素均相關(guān)，但是對于從正面入射到不透明材料的反射場景來說，這些參數(shù)也可以被視為定值。

基于差分圖像，簡要分析下真實人臉和三種攻擊人臉的主要反射特征。

a)真實人臉：鏡面反射高光區(qū)域主要集中在一些特定位置，例如鼻尖、臉頰、前額和眼鏡等地方。人臉表面幾何因素比較復(fù)雜，漫反射在各個區(qū)域都有所不同，且差分圖像中存在較為明顯的陰影區(qū)域。

b)普通A4紙打印的照片：鏡面反射很弱，幾乎沒有高光區(qū)域。即使A4紙經(jīng)過折疊，整個人臉表面還是比較光滑，因此漫反射可能會出現(xiàn)漸變特性。

c)樹脂材料打印的照片：樹脂照片表面很光滑，且有著拋光表面，因此可能會出現(xiàn)較多的鏡面反射分量。另外，樹脂照片表面的光澤油墨層會讓相片在近紅外光譜下產(chǎn)生劇烈散射，因此樹脂相片產(chǎn)生的漫反射也會被增強(qiáng)。

d)屏幕上展示的照片：顯示屏不能被隨意折疊，且不會有幾何上的彎折，因此各個像素的法向量基本相同；在顯示屏上經(jīng)常會出現(xiàn)規(guī)則的鏡面反射分量。顯示屏主要由自身發(fā)光，收到主動紅外光照的影響較少，同時也會影響到上面的漫反射分量。

根據(jù)上述分析，在漫反射和鏡面反射分量上，真實人臉和各類攻擊人臉均有很大的不同。另外鏡面反射可以在小范圍內(nèi)大幅增加像素的灰度值，增加整幅圖的像素數(shù)值方差；而漫反射會小幅度增加大面積像素的灰度值，在一定程度上減弱圖片的邊緣信息。在差分圖片中，以上差異會很大影響到像素灰度值，以及整幅圖的像素分布情況。而圖像中任何的顏色分布均可以用它的矩來表示。因此，為了進(jìn)一步提高活體檢測的準(zhǔn)確率，從獲取的差分圖像中提取待識別特征還可以包括，從差分圖像中的人臉部區(qū)域提取光照特征。由于顏色分布信息主要集中在低階矩中，因此，僅采用顏色的一階矩(平均值mean)、二階矩(標(biāo)準(zhǔn)差variance)和三階矩(斜度skewness)就足以表達(dá)圖像的顏色分布。因此，將人臉區(qū)域所有像素的數(shù)值統(tǒng)計后，可以提取圖像像素值的平均值、標(biāo)準(zhǔn)差、斜度中的一項或多項作為光照特征。當(dāng)然，也可以提取其他的能夠包含人臉區(qū)域的光照的統(tǒng)計分布信息的統(tǒng)計特征作為光照特征。然后將人臉上下文特征結(jié)合光照特征，共同進(jìn)行人臉活體檢測。

本實施例中，具體實施時，將差分圖像的人臉部區(qū)域內(nèi)像素值記為x_i,i＝1,...,N，分別提取人臉不區(qū)域內(nèi)的圖像像素值的平均值、標(biāo)準(zhǔn)差和方差作為光照特征。其中，平均值μ的計算公式為：標(biāo)準(zhǔn)差σ的計算公式為：(c)斜度γ的計算公式為：

步驟55，根據(jù)所述人臉上下文特征和所述光照特征組合得到的待識別特征，進(jìn)行人臉活體檢測。

然后，將提取到的人臉上下文特征和光照特征按照預(yù)設(shè)方式進(jìn)行組合，得到一個多維特征向量，輸入至預(yù)設(shè)的分類器，進(jìn)行人臉活體檢測。

在進(jìn)行人臉活體檢測之前，首先要訓(xùn)練分類器。具體實施時，首先要基于搜集的正樣本(即人臉活體圖像)和負(fù)樣本(即人臉照片、視頻、面具模型等的圖像)，組成樣本集合，并設(shè)置正、負(fù)樣本標(biāo)簽；然后，分別提取樣本集合中的樣本的人臉上下文特征和光照特征；最后，基于提取的特征訓(xùn)練分類器，如訓(xùn)練支持向量機(jī)SVM分類器。

在進(jìn)行人臉活體檢測時，將步驟53中從所述差分圖像中提取的人臉上下文特征和步驟54中從所述差分圖像中的人臉部區(qū)域提取的光照特征按照預(yù)設(shè)規(guī)則組合成待識別特征，例如將人臉上下文特征和光照特征按順序串聯(lián)起來組合成待識別特征，輸入至預(yù)先訓(xùn)練得到的分類器，進(jìn)行人臉活體檢測。分類器對輸入的特征進(jìn)行識別，得出圖像中是人臉活體或非人臉活體的結(jié)果。

本發(fā)明實施例公開的人臉活體檢測方法，通過獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像；分別確定所述第一圖像和所述第二圖像中的待檢測區(qū)域；獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像，并從所述差分圖像中提取人臉上下文特征，再從所述差分圖像中的人臉部區(qū)域提取光照特征；最后，將所述人臉上下文特征和所述光照特征組合得到的待識別特征輸入至預(yù)設(shè)的分類器，進(jìn)行人臉活體檢測，解決了現(xiàn)有技術(shù)中的人臉活體檢測方法識別準(zhǔn)確率低的問題。

通過根據(jù)兩幅圖像的差分圖像中包括人臉和人臉周圍背景的待檢測區(qū)域提取的人臉上下文特征進(jìn)行活體檢測，有效地提高了人臉活體檢測的準(zhǔn)確率。在以圖像的信息熵作為人臉上下文特征時，通過對差分圖像進(jìn)行分塊，并提取每一塊的信息熵與差分圖像的信息熵，并與所述差分圖像的信息熵進(jìn)行組合，構(gòu)成人臉上下文特征，有效避免了由于衣領(lǐng)、頭發(fā)、飾物等對檢測準(zhǔn)確率的影響，進(jìn)一步提高了人臉活體檢測的準(zhǔn)確率。

并通過人臉上下文特征結(jié)合人臉部區(qū)域的光照特征進(jìn)行人臉活體檢測，可以在攻擊媒介被蓄意剪裁、僅僅留下人臉區(qū)域，或者真實人臉在各個方向均有密集的飾物在人臉周圍時對人臉活體檢測造成的影響，有效的保證了人臉活體檢測的準(zhǔn)確率。

實施例四：

本發(fā)明人臉活體檢測方法的另一個實施例中，所述方法包括步驟60至步驟64。

步驟60，獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像。

在預(yù)設(shè)時間內(nèi)，通過所述攝像頭采集包括待檢測人臉的第一圖像和第二圖像的具體實施方式參見實施例二，此處不再贅述。

步驟61，分別確定所述第一圖像和所述第二圖像中的待檢測區(qū)域。

分別確定所述第一圖像和所述第二圖像中的待檢測區(qū)域的具體實施方式參見實施例二，此處不再贅述。

步驟62，獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像。

獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像的具體實施方式參見實施例二，此處不再贅述。

步驟63，從所述差分圖像中的人臉部區(qū)域提取光照特征。

從所述差分圖像中的人臉部區(qū)域提取光照特征的具體實施方式參見實施例三，此處不再贅述。

將人臉區(qū)域所有像素的數(shù)值統(tǒng)計后，可以提取圖像像素值的平均值、標(biāo)準(zhǔn)差、斜度中的一項或多項作為光照特征。當(dāng)然，也可以提取其他的能夠包含人臉區(qū)域的光照的統(tǒng)計分布信息的統(tǒng)計特征作為光照特征。然后利用提取的光照特征進(jìn)行人臉活體檢測。

本實施例中，具體實施時，將差分圖像的人臉部區(qū)域內(nèi)像素值記為x_i,i＝1,...,N，分別提取人臉不區(qū)域內(nèi)的圖像像素值的平均值、標(biāo)準(zhǔn)差和方差作為光照特征。其中，平均值μ的計算公式為：標(biāo)準(zhǔn)差σ的計算公式為：(c)斜度γ的計算公式為：

步驟64，根據(jù)所述光照特征，進(jìn)行人臉活體檢測。

然后，將提取到的光照特征輸入至預(yù)設(shè)的分類器，進(jìn)行人臉活體檢測。

在進(jìn)行人臉活體檢測之前，首先要訓(xùn)練分類器。具體實施時，首先要基于搜集的正樣本(即人臉活體圖像)和負(fù)樣本(即人臉照片、視頻、面具模型等的圖像)，組成樣本集合，并設(shè)置正、負(fù)樣本標(biāo)簽；然后，分別提取樣本集合中的樣本的光照特征；最后，基于提取的特征訓(xùn)練分類器，如訓(xùn)練支持向量機(jī)SVM分類器。

在進(jìn)行人臉活體檢測時，將步驟63中從所述差分圖像中提取的光照特征輸入至預(yù)先訓(xùn)練得到的分類器，進(jìn)行人臉活體檢測。分類器對輸入的特征進(jìn)行識別，得出圖像中是人臉活體或非人臉活體的結(jié)果。

具體實施時，還可以采用其他的方式根據(jù)提取的所述光照特征，進(jìn)行人臉活體檢測，如利用預(yù)先訓(xùn)練的識別模型進(jìn)行人臉活體檢測，此處不再贅述。

本發(fā)明實施例公開的人臉活體檢測方法，通過獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像；分別確定所述第一圖像和所述第二圖像中的待檢測區(qū)域；獲取所述第一圖像和所述第二圖像中所述待檢測區(qū)域的差分圖像，并從所述差分圖像中提取光照特征；最后，將所述光照特征輸入至預(yù)設(shè)的分類器，進(jìn)行人臉活體檢測，解決了現(xiàn)有技術(shù)中的人臉活體檢測方法識別準(zhǔn)確率低的問題。通過根據(jù)兩幅圖像的差分圖像中的人臉部提取的光照特征進(jìn)行活體檢測，在攻擊媒介被蓄意剪裁、僅僅留下人臉區(qū)域，或者離攝像頭很近時，可以有效地提高人臉活體檢測的準(zhǔn)確率。

實施例五：

相應(yīng)的，如圖7所示，本發(fā)明還公開了一種人臉活體檢測裝置，應(yīng)用于具有主動光源的電子設(shè)備，所述裝置包括：

圖像獲取模塊70，用于獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像；

差分圖像獲取模塊71，用于獲取所述第一圖像和所述第二圖像各自待檢測區(qū)域之間的差分圖像；

人臉活體檢測模塊72，用于從所述差分圖像獲取模塊71獲取的差分圖像中提取待識別特征，進(jìn)行人臉活體檢測；

其中，所述第一圖像為在啟動所述主動光源的環(huán)境下采集的圖像，所述第二圖像為在關(guān)閉所述主動光源的環(huán)境下采集的圖像。

本發(fā)明實施例公開的人臉活體檢測裝置，通過獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像，其中，所述第一圖像為在啟動所述主動光源的環(huán)境下采集的圖像，所述第二圖像為在關(guān)閉所述主動光源的環(huán)境下采集的圖像；然后，獲取所述第一圖像和所述第二圖像各自待檢測區(qū)域之間的差分圖像；從所述差分圖像中提取待識別特征；最后，將所述待識別特征輸入至預(yù)設(shè)的分類器，進(jìn)行人臉活體檢測，解決了現(xiàn)有技術(shù)中的人臉活體檢測方法識別準(zhǔn)確率低的問題。通過根據(jù)兩幅圖像的差分圖像中包括人臉和人臉周圍背景的待檢測區(qū)域提取的特征進(jìn)行活體檢測，有效地提高了人臉活體檢測的準(zhǔn)確率。

實施例六：

如圖8所示，基于實施例五，在本發(fā)明的一個具體實施例中，可選的，所述待檢測區(qū)域以所述待檢測人臉為中心，包括所述待檢測人臉以及所述待檢測人臉周圍的部分背景；所述人臉活體檢測模塊72包括：第一特征提取單元721，用于從所述差分圖像中提取人臉上下文特征，所述人臉上下文特征由基于所述差分圖像中人臉部區(qū)域和所述差分圖像中非人臉部區(qū)域提取的信息熵組成。

所述待檢測區(qū)域為以人臉區(qū)域為中心且包括人臉周圍部分背景的矩形區(qū)域。具體實施時，對于采集的所述第一圖像和所述第二圖像，可以采用現(xiàn)有技術(shù)中的方法分別確定所述第一圖像和所述第二圖像中的人臉區(qū)域。現(xiàn)有技術(shù)中定位人臉區(qū)域的方法定位的人臉區(qū)域是包括人眼的最小矩形區(qū)域。

可選的，如圖9所示，所述第一特征提取單元721包括：

第一人臉部區(qū)域確定子單元7210，用于確定所述差分圖像中的人臉部區(qū)域和非人臉部區(qū)域；

第一直方圖獲取子單元7211，用于獲取人臉部區(qū)域直方圖，以及非人臉部區(qū)域直方圖；

第二直方圖獲取子單元7212，用于根據(jù)人臉部區(qū)域直方圖和非人臉部區(qū)域直方圖生成差異直方圖；

第一特征提取子單元7213，用于從所述人臉部區(qū)域直方圖、非人臉部區(qū)域直方圖、差異直方圖中分別提取信息熵。

在本發(fā)明的另一個優(yōu)選實施例中，可選的，所述第一特征提取單元721還包括：

圖像塊劃分子單元7214，用于將所述差分圖像劃分為多個相鄰圖像塊；

第二人臉部區(qū)域確定子單元7215，用于分別確定每個所述圖像塊中的人臉部區(qū)域和非人臉部區(qū)域；

第三直方圖獲取子單元7216，用于針對每個圖像塊，分別獲取該圖像塊中人臉部區(qū)域直方圖，以及非人臉部區(qū)域直方圖；

第四直方圖獲取子單元7217，用于針對每個圖像塊，分別根據(jù)該圖像塊的人臉部區(qū)域直方圖和非人臉區(qū)域直方圖生成差異直方圖；

第二特征提取子單元7218，用于針對每個圖像塊，分別從該圖像塊的人臉部區(qū)域直方圖、非人臉部區(qū)域直方圖、差異直方圖中提取信息熵。

本發(fā)明實施例公開的人臉活體檢測裝置，通過獲取采集時間間隔小于預(yù)設(shè)時長的包含待檢測人臉的第一圖像和第二圖像；獲取所述第一圖像和所述第二圖像各自待檢測區(qū)域之間的差分圖像，并從所述差分圖像中提取人臉上下文特征，進(jìn)行人臉活體檢測，解決了現(xiàn)有技術(shù)中攻擊媒介面積較大或者離攝像頭很近、在照片中完全沒有攻擊介質(zhì)的邊框的信息情況下的的人臉活體檢測方法識別準(zhǔn)確率低的問題。通過根據(jù)兩幅圖像的差分圖像中包括人臉和人臉周圍背景的待檢測區(qū)域提取的人臉上下文特征進(jìn)行活體檢測，有效地提高了人臉活體檢測的準(zhǔn)確率。

在以圖像的信息熵作為人臉上下文特征時，通過對差分圖像進(jìn)行分塊，并提取每一塊的信息熵與差分圖像的信息熵，并與所述差分圖像的信息熵進(jìn)行組合，構(gòu)成人臉上下文特征，有效避免了由于衣領(lǐng)、頭發(fā)、飾物等對檢測準(zhǔn)確率的影響，進(jìn)一步提高了人臉活體檢測的準(zhǔn)確率。

實施例七：

基于實施例六，在本發(fā)明的另一具體實施例中，如圖10所示，所述人臉活體檢測模塊72還包括：

第二特征提取單元722，用于從所述差分圖像中的人臉部區(qū)域提取光照特征?？蛇x的，所述光照特征至少包括圖像像素值的平均值、標(biāo)準(zhǔn)差、斜度。

通過人臉上下文特征結(jié)合人臉部區(qū)域的光照特征進(jìn)行人臉活體檢測，可以在攻擊媒介被蓄意剪裁、僅僅留下人臉區(qū)域，或者真實人臉在各個方向均有密集的飾物在人臉周圍時對人臉活體檢測造成的影響，有效的保證了人臉活體檢測的準(zhǔn)確率。

具體實施時，所述人臉活體檢測模塊72還可以只包括第二特征提取單元722?？梢栽诠裘浇楸恍钜饧舨?、僅僅留下人臉區(qū)域時，有效的保證人臉活體檢測的準(zhǔn)確率。

相應(yīng)的，本發(fā)明實施例還公開了一種電子設(shè)備，所述電子設(shè)備包括主動光源，所述電子設(shè)備還包括實施例四和實施例五所述的人臉活體檢測裝置。所述電子設(shè)備可以為手機(jī)、PAD、平板電腦、人臉識別機(jī)等。

本發(fā)明的裝置實施例與方法相對應(yīng)，裝置實施例中各模塊和各單元的具體實現(xiàn)方式參見方法是實施例，此處不再贅述。

本領(lǐng)域普通技術(shù)人員可以意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計算機(jī)軟件和電子硬件的結(jié)合來實現(xiàn)。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

本領(lǐng)域普通技術(shù)人員可以理解，在本申請所提供的實施例中，所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上。另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、ROM、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

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(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，不經(jīng)過創(chuàng)造性勞動想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求的保護(hù)范圍為準(zhǔn)。