本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種人臉活體檢測方法及裝置。

背景技術(shù)：

隨著圖像處理與模式識(shí)別技術(shù)的快速進(jìn)步及人臉識(shí)別的便捷性，基于視頻圖像處理的人臉識(shí)別系統(tǒng)得到廣泛的運(yùn)用，例如考勤、出入口控制、安全監(jiān)控等領(lǐng)域都已經(jīng)出現(xiàn)了人臉識(shí)別裝置。然而，人臉識(shí)別裝置在使用的過程中會(huì)受到外界使用者的惡意攻擊，其中最為常見的是外界使用者使用人臉圖片或包含人臉的視頻來攻擊人臉識(shí)別裝置，使得人臉識(shí)別裝置對(duì)這些非活體人臉產(chǎn)生響應(yīng)，給人臉識(shí)別裝置的使用安全帶來極大的挑戰(zhàn)。為防止這類惡意攻擊行為，人臉活體檢測方法及裝置應(yīng)運(yùn)而生。

目前運(yùn)用最為普遍的人臉活體檢測方法是基于視頻流交互式的驗(yàn)證，這類方法需要人們根據(jù)人臉活體檢測裝置的提示做出相應(yīng)的回應(yīng)，人臉活體檢測裝置再根據(jù)回應(yīng)是否合理來判斷檢測對(duì)象是否包括人臉活體，例如人臉活體檢測裝置可以提示人們轉(zhuǎn)動(dòng)頭部、張閉合嘴巴或眨動(dòng)眼睛等。

但是，這種活體檢測方法需要對(duì)連續(xù)的視頻幀進(jìn)行處理，計(jì)算量大，耗時(shí)長。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種人臉活體檢測方法及裝置，用于解決現(xiàn)有活體檢測方法計(jì)算量大，耗時(shí)長的問題。

本發(fā)明實(shí)施例的一方面提供了一種人臉活體檢測方法，包括：

獲取類別已知的第一樣本圖像，所述第一樣本圖像包括人臉活體圖像和非人臉活體圖象；

對(duì)所述第一樣本圖像進(jìn)行濾波，得到第二樣本圖像；

根據(jù)所述第一樣本圖像和所述第二樣本圖像的差異計(jì)算所述第一樣本圖像的描述特征；

根據(jù)所述第一樣本圖像的類別標(biāo)識(shí)所述第一樣本圖像的描述特征所屬的類別；

利用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別的所述第一樣本圖像的描述特征進(jìn)行學(xué)習(xí)，得到人臉活體分類器；

利用所述人臉活體分類器確定待檢測圖像所屬的類別。

結(jié)合第一方面，在第一方面的第一種可能的實(shí)現(xiàn)方式中，所述根據(jù)所述第一樣本圖像和所述第二樣本圖像的差異計(jì)算所述第一樣本圖像的描述特征包括：

利用所述第一樣本圖像和所述第二樣本圖像的灰度計(jì)算圖像質(zhì)量評(píng)價(jià)指標(biāo)；

將所述圖像質(zhì)量評(píng)價(jià)指標(biāo)確定為所述第一樣本圖像的描述特征。

結(jié)合第一方面的第一種可能的實(shí)現(xiàn)方式，在第一方面的第二種可能的實(shí)現(xiàn)方式中，所述圖像質(zhì)量評(píng)價(jià)指標(biāo)包括均方差、峰值信噪比、信噪比、結(jié)構(gòu)紋理、極大值差異、差異均值、歸一化絕對(duì)差異、極大值差異均值、拉普拉斯均方差以及歸一化相關(guān)系數(shù)中的一種或多種。

結(jié)合第一方面的第二種可能的實(shí)現(xiàn)方式，在第一方面的第三種可能的實(shí)現(xiàn)方式中，所述均方差為：

所述峰值信噪比為：

所述信噪比為：

所述結(jié)構(gòu)紋理為：

所述極大值差異為：MD(I,I')＝max|I_i,j-I′_i,j|；

所述差異均值為：

所述歸一化絕對(duì)差異為：

所述極大值差異R均值為：

所述拉普拉斯均方差為：

所述歸一化相關(guān)系數(shù)為：

其中，N和M分別表示圖像的行數(shù)和列數(shù)，R為常數(shù)，I_i,j為所述第一樣本圖像第i行第j列像素的灰度，I′_i,j為所述第二樣本圖像第i行第j列像素的灰度，h(I_i,j)＝I_i-1,j+I_i+1,j+I_i,j-1+I_i,j+1-4I_i,j。

結(jié)合第一方面、第一方面的第一種可能的實(shí)現(xiàn)方式、第一方面的第二種可能的實(shí)現(xiàn)方式和第一方面的第三種可能的實(shí)現(xiàn)方式之中任意一種，在第一方面的第四種可能的實(shí)現(xiàn)方式中，所述對(duì)所述第一樣本圖像進(jìn)行濾波包括：

利用高斯濾波器對(duì)所述第一樣本圖像進(jìn)行高斯濾波；

所述機(jī)器學(xué)習(xí)算法為GBDT算法，或Adaboost算法，或SVM算法。

本發(fā)明實(shí)施例的第二方面提供了一種人臉活體檢測裝置，包括：

獲取模塊，用于獲取類別已知的第一樣本圖像，所述第一樣本圖像包括人臉活體圖像和非人臉活體圖象；

濾波模塊，用于對(duì)所述第一樣本圖像進(jìn)行濾波，得到第二樣本圖像；

計(jì)算模塊，用于根據(jù)所述第一樣本圖像和所述第二樣本圖像的差異計(jì)算所述第一樣本圖像的描述特征；

標(biāo)識(shí)模塊，用于根據(jù)所述第一樣本圖像的類別標(biāo)識(shí)所述第一樣本圖像的描述特征所屬的類別；

分類器訓(xùn)練模塊，用于利用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別的所述第一樣本圖像的描述特征進(jìn)行學(xué)習(xí)，得到人臉活體分類器；

類別確定模塊，用于利用所述人臉活體分類器確定待檢測圖像所屬的類別。

結(jié)合第二方面，在第二方面的第一種可能的實(shí)現(xiàn)方式中，所述計(jì)算模塊包括：

計(jì)算單元，用于利用所述第一樣本圖像和所述第二樣本圖像的灰度計(jì)算圖像質(zhì)量評(píng)價(jià)指標(biāo)；

確定單元，用于將所述計(jì)算單元計(jì)算得到的圖像質(zhì)量評(píng)價(jià)指標(biāo)確定為所述第一樣本圖像的描述特征。

結(jié)合第二方面或者第二方面的第一種可能的實(shí)現(xiàn)方式，在第二方面的第二種可能的實(shí)現(xiàn)方式中，所述圖像質(zhì)量評(píng)價(jià)指標(biāo)包括均方差、峰值信噪比、信噪比、結(jié)構(gòu)紋理、極大值差異、差異均值、歸一化絕對(duì)差異、極大值差異均值、拉普拉斯均方差以及歸一化相關(guān)系數(shù)中的一種或多種。

結(jié)合第二方面的第二種可能的實(shí)現(xiàn)方式，在第二方面的第三種可能的實(shí)現(xiàn)方式中，所述均方差為：

所述峰值信噪比為：

所述信噪比為：

所述結(jié)構(gòu)紋理為：

所述極大值差異為：MD(I,I')＝max|I_i,j-I′_i,j|；

所述差異均值為：

所述歸一化絕對(duì)差異為：

所述極大值差異R均值為：

所述拉普拉斯均方差為：

所述歸一化相關(guān)系數(shù)為：

其中，N和M分別表示圖像的行數(shù)和列數(shù)，R為常數(shù)，I_i,j為所述第一樣本圖像第i行第j列像素的灰度，I′_i,j為所述第二樣本圖像第i行第j列像素的灰度，h(I_i,j)＝I_i-1,j+I_i+1,j+I_i,j-1+I_i,j+1-4I_i,j。

結(jié)合第二方面、第二方面的第一種可能的實(shí)現(xiàn)方式、第二方面的第二種可能的實(shí)現(xiàn)方式和第二方面的第三種可能的實(shí)現(xiàn)方式之中任意一種，在第二方面的第四種可能的實(shí)現(xiàn)方式中，所述濾波模塊包括：

高斯濾波單元，用于利用高斯濾波器對(duì)所述第一樣本圖像進(jìn)行高斯濾波；

所述機(jī)器學(xué)習(xí)算法為GBDT算法，或Adaboost算法，或SVM算法。

從以上技術(shù)方案可以看出，本發(fā)明實(shí)施例具有以下優(yōu)點(diǎn)：

本發(fā)明通過對(duì)第一樣本圖像進(jìn)行濾波，得到第二樣本圖像，并根據(jù)第一樣本圖像和第二樣本圖像的差異計(jì)算第一樣本圖像的描述特征，之后可以利用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別的第一樣本圖像的描述特征進(jìn)行學(xué)習(xí)，得到人臉活體分類器，從而利用人臉活體分類器確定待檢測圖像所屬的類別，本發(fā)明提供的方法為基于單幀圖像的人臉活體檢測方法，能夠高效、準(zhǔn)確的判斷檢測對(duì)象是否包括人臉活體，防止人臉識(shí)別裝置被惡意攻擊。

附圖說明

圖1是本發(fā)明人臉活體檢測方法一個(gè)實(shí)施例示意圖；

圖2是本發(fā)明人臉活體檢測方法另一個(gè)實(shí)施例示意圖；

圖3是本發(fā)明人臉活體檢測裝置一個(gè)實(shí)施例示意圖；

圖4是本發(fā)明人臉活體檢測裝置另一個(gè)實(shí)施例示意圖。

具體實(shí)施方式

本發(fā)明實(shí)施例提供了一種人臉活體檢測方法及裝置，用于減少人臉活體檢測的計(jì)算量，降低耗時(shí)。

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)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(shí)施例僅僅是本發(fā)明一部分的實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”、“第三”、“第四”等(如果存在)是用于區(qū)別類似的對(duì)象，而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)情況下可以互換，以便這里描述的實(shí)施例能夠以除了在這里圖示或描述的內(nèi)容以外的順序?qū)嵤?。此外，術(shù)語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

隨著圖像處理與模式識(shí)別技術(shù)的快速進(jìn)步及人臉識(shí)別的便捷性，基于視頻圖像處理的人臉識(shí)別系統(tǒng)得到廣泛的運(yùn)用，例如考勤、出入口控制、安全監(jiān)控等領(lǐng)域都已經(jīng)出現(xiàn)了人臉識(shí)別裝置。然而，人臉識(shí)別裝置在使用的過程中會(huì)受到外界使用者的惡意攻擊，其中最為常見的是外界使用者使用攻擊圖像作為待檢對(duì)象來攻擊人臉識(shí)別裝置，使得人臉識(shí)別裝置對(duì)這些非活體人臉產(chǎn)生響應(yīng)，給人臉識(shí)別裝置的使用安全帶來極大的挑戰(zhàn)。需要說明的是，為了方便描述，這里將預(yù)先拍攝好的包含人臉的圖片或視頻稱作攻擊圖像。為防止這類惡意攻擊行為，人臉活體檢測方法及裝置應(yīng)運(yùn)而生。

目前運(yùn)用最為普遍的人臉活體檢測方法是基于視頻流交互式的驗(yàn)證，這類方法需要人們根據(jù)人臉活體檢測裝置的提示做出相應(yīng)的回應(yīng)，人臉活體檢測裝置再根據(jù)回應(yīng)是否合理來判斷檢測對(duì)象是否包括人臉活體，例如人臉活體檢測裝置可以提示人們轉(zhuǎn)動(dòng)頭部、張閉合嘴巴或眨動(dòng)眼睛等。但是，這種活體檢測方法需要對(duì)連續(xù)的視頻幀進(jìn)行處理，計(jì)算量大，耗時(shí)長，而且需要檢測對(duì)象主動(dòng)配合，用戶體驗(yàn)較差。

為解決上述問題，人們提出基于單幀圖像的活體檢測技術(shù)，目前有通過訓(xùn)練人臉活體和攻擊圖像的圖像特征來判別檢測對(duì)象是否為人臉活體，具體的方法為首先提取訓(xùn)練圖像的某些特征，比如局部二值模式特征(LBP特征)、韋伯局部描述特征(WLD特征)等，然后通過機(jī)器學(xué)習(xí)算法訓(xùn)練一個(gè)人臉活體分類器，用于判斷檢測對(duì)象是否包括人臉活體。這類方法由于是基于單幀圖像的活體檢測方法，因此計(jì)算量較小、耗時(shí)短，但是由于用來描述檢測對(duì)象的描述特征，其表述圖像的能力有限，限制了訓(xùn)練出的人臉活體分類器的準(zhǔn)確性。

基于上述情況，本發(fā)明提供一種基于單幀圖像且高效、準(zhǔn)確的人臉活體檢測方法及裝置，從構(gòu)建區(qū)分人臉活體和攻擊圖像的描述特征的角度出發(fā)，基于這些特征訓(xùn)練出人臉活體分類器，判斷檢測對(duì)象是否包括人臉活體，防止人臉識(shí)別裝置被惡意攻擊。

為便于理解，下面對(duì)本發(fā)明實(shí)施例中的具體流程進(jìn)行描述，請(qǐng)參閱圖1，本發(fā)明實(shí)施例中人臉活體檢測方法一個(gè)實(shí)施例包括：

101、獲取類別已知的第一樣本圖像，第一樣本圖像包括人臉活體圖像和非人臉活體圖象；

人臉活體檢測裝置可以獲取大量的第一樣本圖像，并且每個(gè)第一樣本圖像的類別均是已知的，第一樣本圖像的類別為人臉活體圖像或者非人臉活體圖像，即每個(gè)第一樣本圖像的類別要么是人臉活體圖像，要么是非人臉活體圖像。獲取的大量第一樣本圖像中包括人臉活體圖像和非人臉活體圖像。

102、對(duì)第一樣本圖像進(jìn)行濾波，得到第二樣本圖像；

人臉活體檢測裝置獲取第一樣本圖像之后，可以對(duì)第一樣本圖像進(jìn)行濾波處理，濾波后得到的圖像稱作第二樣本圖像。

103、根據(jù)第一樣本圖像和第二樣本圖像的差異計(jì)算第一樣本圖像的描述特征；

人臉活體檢測裝置得到第一樣本圖像和第二樣本圖像之后，人臉活體檢測裝置可以根據(jù)第一樣本圖像和第二樣本圖像的差異計(jì)算第一樣本圖象的描述特征，描述特征用以描述第一樣本圖像，用以將人臉活體圖像和非人臉活體圖像區(qū)分開。

104、根據(jù)第一樣本圖像的類別標(biāo)識(shí)第一樣本圖像的描述特征所屬的類別；

人臉活體檢測裝置計(jì)算得到第一樣本圖像的描述特征之后，可以根據(jù)第一樣本圖像的類別來標(biāo)識(shí)第一樣本圖像的描述特征所屬的類別。

105、利用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別的第一樣本圖像的描述特征進(jìn)行學(xué)習(xí)，得到人臉活體分類器；

人臉活體檢測裝置對(duì)第一樣本圖像的描述特征進(jìn)行標(biāo)識(shí)之后，可以利用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別的第一樣本圖像的描述特征進(jìn)行學(xué)習(xí)，得到人臉活體分類器。

106、利用人臉活體分類器確定待檢測圖像所屬的類別。

人臉活體檢測裝置訓(xùn)練得到人臉活體分類器之后，可以利用人臉活體分類器確定待檢測圖像所屬的類別，即確定待檢測圖像為人臉活體圖像或者為非人臉活體圖像。

本發(fā)明通過對(duì)第一樣本圖像進(jìn)行濾波，得到第二樣本圖像，并根據(jù)第一樣本圖像和第二樣本圖像的差異計(jì)算第一樣本圖像的描述特征，之后可以利用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別的第一樣本圖像的描述特征進(jìn)行學(xué)習(xí)，得到人臉活體分類器，從而利用人臉活體分類器確定待檢測圖像所屬的類別，能夠高效、準(zhǔn)確的判斷檢測對(duì)象是否包括人臉活體，防止人臉識(shí)別裝置被惡意攻擊。

請(qǐng)參閱圖2，本發(fā)明實(shí)施例中人臉活體檢測方法另一個(gè)實(shí)施例包括：

一、人臉活體分類器的訓(xùn)練過程：

201、獲取類別已知的第一樣本圖像，第一樣本圖像包括人臉活體圖像和非人臉活體圖像；

首先人臉活體檢測裝置進(jìn)行樣本圖像的收集工作，收集大量的預(yù)設(shè)像素大小的樣本圖像，假設(shè)預(yù)設(shè)像素大小為(m*n)，m與n的比例需要參考人臉的長寬比例，并且，由于樣本圖像用于訓(xùn)練分類器，因此收集的樣本圖像需要同時(shí)包括人臉活體圖像和非人臉活體圖像，其中人臉活體圖像是指直接對(duì)人臉活體進(jìn)行拍攝得到的圖像，非人臉活體圖像是指對(duì)攻擊圖像進(jìn)行拍攝得到的圖像。在實(shí)際使用中，非人臉活體圖像也可以包括不包含人臉的圖像。

為了將此處所說的樣本圖像與之后經(jīng)過濾波處理的樣本圖像區(qū)分開，將此處所說的獲取到的樣本圖像稱作第一樣本圖像，標(biāo)記為I。

需要說明的是，獲取的第一樣本圖像為灰度圖像，或者若獲取的第一樣本圖像為彩色圖像，則需要將彩色圖像轉(zhuǎn)換為灰度圖像。并且，需要將第一樣本圖像按照預(yù)設(shè)標(biāo)準(zhǔn)進(jìn)行歸一化處理，比如像素大小與預(yù)設(shè)標(biāo)準(zhǔn)相同，為m×n。

202、對(duì)第一樣本圖像進(jìn)行高斯濾波，得到第二樣本圖像；

人臉活體檢測裝置獲取第一樣本圖像之后，可以利用高斯濾波器對(duì)第一樣本圖像進(jìn)行濾波，具體的，作為優(yōu)選，可以采用σ＝0.5，尺度大小為5×5的高斯濾波器對(duì)第一樣本圖像進(jìn)行高斯濾波，得到濾波后的圖像，將濾波后的樣本圖像稱作第二樣本圖像，標(biāo)記為I'。

在實(shí)際使用中，高斯濾波器的σ以及尺度大小可以取其他值，比如可以根據(jù)訓(xùn)練出的人臉活體分類器的準(zhǔn)確性來調(diào)整σ以及尺度大小的取值。

得到第二樣本圖像之后，可以計(jì)算第一樣本圖像和第二樣本圖像之間的差異，并根據(jù)計(jì)算得到的差異確定用于描述第二樣本圖像的特征，具體的，請(qǐng)參考如下步驟：

203、利用第一樣本圖像和第二樣本圖像的灰度，計(jì)算圖像質(zhì)量評(píng)價(jià)指標(biāo)；

人臉活體檢測裝置得到第二樣本圖像之后，可以確定第一樣本圖像和第二樣本圖像中各個(gè)像素的灰度，為了方便描述，將第一樣本圖像第i行第j列像素的灰度記作I_i,j，將第二樣本圖像第i行第j列像素的灰度記作I′_i,j。利用第一樣本圖像和第二樣本圖像中各個(gè)像素的灰度，可以計(jì)算圖像質(zhì)量評(píng)價(jià)指標(biāo)。

圖像質(zhì)量評(píng)價(jià)指標(biāo)可以包括下述指標(biāo)中的一個(gè)或多個(gè)，分別是：

(1)均方差：

(2)峰值信噪比：

(3)信噪比：

(4)結(jié)構(gòu)紋理：

(5)極大值差異：MD(I,I')＝max|I_i,j-I′_i,j|

(6)差異均值：

(7)歸一化絕對(duì)差異：

(8)極大值差異R均值：

(9)拉普拉斯均方差：

(10)歸一化相關(guān)系數(shù)：

其中，N和M分別表示圖像的行數(shù)和列數(shù)，R為一個(gè)固定值(例如R＝8)，h(I_i,j)＝I_i-1,j+I_i+1,j+I_i,j-1+I_i,j+1-4I_i,j。

為了提高人臉活體分類器的準(zhǔn)確性，優(yōu)選的，本實(shí)施例中計(jì)算的圖像質(zhì)量評(píng)價(jià)指標(biāo)同時(shí)包括上述十項(xiàng)指標(biāo)，即步驟203中需要計(jì)算上述十項(xiàng)圖像質(zhì)量評(píng)價(jià)指標(biāo)的值。

204、將圖像質(zhì)量評(píng)價(jià)指標(biāo)作為第一樣本圖像的描述特征；

人臉活體檢測裝置計(jì)算得到上述十項(xiàng)圖像質(zhì)量評(píng)價(jià)指標(biāo)的取值之后，將圖像質(zhì)量評(píng)價(jià)指標(biāo)作為第一樣本圖像的描述特征，那么第一樣本圖像的描述特征包括10個(gè)描述要素，分別為均方差、峰值信噪比、信噪比、結(jié)構(gòu)紋理、極大值差異、差異均值、歸一化絕對(duì)差異、極大值差異R均值、拉普拉斯均方差以及歸一化相關(guān)系數(shù)的值，或者說，第一樣本圖像的描述特征為10維向量。

205、根據(jù)第一樣本圖像的類別為第一樣本圖像的描述特征標(biāo)注類別標(biāo)簽；

人臉活體檢測裝置計(jì)算得到各個(gè)第一樣本圖像的描述特征之后，可以根據(jù)第一樣本圖像的類別對(duì)第一樣本圖像的描述特征進(jìn)行標(biāo)識(shí)，具體的，可以為描述特征標(biāo)注類別標(biāo)簽，比如可以將人臉活體圖像的描述特征標(biāo)識(shí)為1，將非人臉活體圖像的描述特征標(biāo)識(shí)為0。在實(shí)際使用過程中，還可以通過其他方法標(biāo)識(shí)描述特征所屬的類別，此處不做具體限定。

206、利用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別標(biāo)簽的描述特征進(jìn)行學(xué)習(xí)，得到人臉活體分類器；

人臉活體檢測裝置為描述特征標(biāo)注類別標(biāo)簽之后，可以利用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別標(biāo)簽的描述特征進(jìn)行學(xué)習(xí)，得到人臉活體分類器。現(xiàn)在已經(jīng)有多種用于人臉識(shí)別的機(jī)器學(xué)習(xí)算法，常用的包括GBDT算法，Adaboost算法和SVM算法等。關(guān)于利用現(xiàn)有的機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別標(biāo)簽的描述特征進(jìn)行學(xué)習(xí)，訓(xùn)練得到分類器的過程，本領(lǐng)域技術(shù)人員可以參考現(xiàn)有技術(shù)，此處不再贅述。

二、通過上述方法訓(xùn)練得到的人臉活體分類器之后，可以利用人臉活體分類器對(duì)待檢測圖像進(jìn)行分類，判斷待檢測圖像是否為直接對(duì)人臉活體進(jìn)行拍攝得到的圖像，具體過程如下：

207、獲取第一待檢測圖像；

人臉活體檢測裝置訓(xùn)練得到人臉活體分類器之后，可以獲取待檢測圖像，即需要判斷是否為直接對(duì)人臉活體進(jìn)行拍攝得到的圖像。為了將此處獲取到的待檢測圖像與之后經(jīng)過高斯濾波處理后的待檢測圖像區(qū)分開，將此處獲取到的待檢測圖像稱作第一待檢測圖像。

需要說明的是，獲取的第一待檢測圖像為灰度圖像，或者若獲取的第一待檢測圖像為彩色圖像，則需要將彩色圖像轉(zhuǎn)換為灰度圖像。并且，需要將第一待檢測圖像按照預(yù)設(shè)標(biāo)準(zhǔn)進(jìn)行歸一化處理，比如使其像素大小與預(yù)設(shè)標(biāo)準(zhǔn)相同，為m×n。

208、對(duì)第一待檢測圖像進(jìn)行高斯濾波，得到第二待檢測圖像；

對(duì)第一待檢測圖像進(jìn)行歸一化處理后，人臉活體檢測裝置可以對(duì)第一待檢測圖像進(jìn)行高斯濾波，得到濾波后的第二待檢測圖像。具體的請(qǐng)參考步驟202。

209、利用第一待檢測圖像和第二待檢測圖像的灰度計(jì)算圖像質(zhì)量評(píng)價(jià)指標(biāo)；

人臉活體檢測裝置得到第二待檢測圖像之后，可以利用第一待檢測圖像和第二待檢測圖像的灰度計(jì)算圖像質(zhì)量評(píng)價(jià)指標(biāo)，圖像質(zhì)量評(píng)價(jià)指標(biāo)以及其計(jì)算過程請(qǐng)參閱步驟203，此處不再贅述。

210、將計(jì)算得到的圖像質(zhì)量評(píng)價(jià)指標(biāo)作為第一待檢測圖像的描述特征；

人臉活體檢測裝置計(jì)算得到10項(xiàng)圖像質(zhì)量評(píng)價(jià)指標(biāo)的取值之后，將圖像質(zhì)量評(píng)價(jià)指標(biāo)作為第一待檢測圖像的描述特征，那么第一待檢測圖像的描述特征包括10個(gè)描述要素，分別為均方差、峰值信噪比、信噪比、結(jié)構(gòu)紋理、極大值差異、差異均值、歸一化絕對(duì)差異、極大值差異R均值、拉普拉斯均方差以及歸一化相關(guān)系數(shù)的值，或者說，第一待檢測圖像的描述特征為10維向量。

211、利用計(jì)算出的描述特征和訓(xùn)練好的人臉活體分類器確定第一待檢測圖像所屬的類別。

人臉活體檢測裝置計(jì)算得到第一待檢測圖像的描述特征之后，可以將第一待檢測圖像的描述特征帶入人臉活體分類器，若輸出結(jié)果為1，則判定第一待檢測圖像為人臉活體圖像，即直接對(duì)人臉活體進(jìn)行拍攝得到的圖像，若輸出結(jié)果為0，則判定第一待檢測圖像為非人臉活體圖像，即對(duì)攻擊圖像進(jìn)行拍攝得到的圖像。需要說明的是，若第一樣本圖像包括不包含人臉的圖像，那么此處若輸出結(jié)果為0，則可以判定第一待檢測圖像為對(duì)攻擊圖像進(jìn)行拍攝得到的圖像，或者為不包含人臉的圖像。

上面對(duì)本發(fā)明實(shí)施例中的人臉活體檢測方法進(jìn)行了描述，下面對(duì)本發(fā)明實(shí)施例中人臉活體檢測裝置進(jìn)行描述。

請(qǐng)參閱圖3，本發(fā)明實(shí)施例中人臉活體檢測裝置一個(gè)實(shí)施例包括：

獲取模塊301，用于獲取類別已知的第一樣本圖像，第一樣本圖像包括人臉活體圖像和非人臉活體圖象；

濾波模塊302，用于對(duì)第一樣本圖像進(jìn)行濾波，得到第二樣本圖像；

計(jì)算模塊303，用于根據(jù)第一樣本圖像和第二樣本圖像的差異計(jì)算第一樣本圖像的描述特征；

標(biāo)識(shí)模塊304，用于根據(jù)第一樣本圖像的類別標(biāo)識(shí)第一樣本圖像的描述特征所屬的類別；

分類器訓(xùn)練模塊305，用于利用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別的第一樣本圖像的描述特征進(jìn)行學(xué)習(xí)，得到人臉活體分類器；

類別確定模塊306，用于利用人臉活體分類器確定待檢測圖像所屬的類別。

請(qǐng)參閱圖4，本發(fā)明實(shí)施例中人臉活體檢測裝置另一個(gè)實(shí)施例包括：

獲取模塊401，用于獲取類別已知的第一樣本圖像，第一樣本圖像包括人臉活體圖像和非人臉活體圖象；

濾波模塊402，用于對(duì)第一樣本圖像進(jìn)行濾波，得到第二樣本圖像；

計(jì)算模塊403，用于根據(jù)第一樣本圖像和第二樣本圖像的差異計(jì)算第一樣本圖像的描述特征；

標(biāo)識(shí)模塊404，用于根據(jù)第一樣本圖像的類別標(biāo)識(shí)第一樣本圖像的描述特征所屬的類別；

分類器訓(xùn)練模塊405，用于利用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)識(shí)有類別的第一樣本圖像的描述特征進(jìn)行學(xué)習(xí)，得到人臉活體分類器；

類別確定模塊406，用于利用人臉活體分類器確定待檢測圖像所屬的類別。

計(jì)算模塊403包括：

計(jì)算單元4031，用于利用第一樣本圖像和第二樣本圖像的灰度計(jì)算圖像質(zhì)量評(píng)價(jià)指標(biāo)；

確定單元4032，用于將計(jì)算單元計(jì)算得到的圖像質(zhì)量評(píng)價(jià)指標(biāo)確定為第一樣本圖像的描述特征。

濾波模塊402包括：

高斯濾波單元4021，用于利用高斯濾波器對(duì)第一樣本圖像進(jìn)行高斯濾波。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)，裝置和單元的具體工作過程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過程，在此不再贅述。

所述的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的系統(tǒng)，裝置和方法，可以通過其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的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，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

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，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)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(gè)實(shí)施例方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、移動(dòng)硬盤、只讀存儲(chǔ)器(ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上，以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。