一種人臉活體檢測方法及裝置與流程
技術(shù)特征：
1.一種人臉活體檢測方法，其特征在于，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；
對所述第一樣本圖像進行濾波，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識所述第一樣本圖像的描述特征所屬的類別；
利用機器學習算法對標識有類別的所述第一樣本圖像的描述特征進行學習，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。
2.根據(jù)權(quán)利要求1所述的人臉活體檢測方法，其特征在于，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算圖像質(zhì)量評價指標；
將所述圖像質(zhì)量評價指標確定為所述第一樣本圖像的描述特征。
3.根據(jù)權(quán)利要求2所述的人臉活體檢測方法，其特征在于，所述圖像質(zhì)量評價指標包括均方差、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。
4.根據(jù)權(quán)利要求3所述的人臉活體檢測方法，其特征在于，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|Ii,j-Ii',j|；
所述差異均值為：
所述歸一化絕對差異為
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)，Ii,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(Ii,j)＝Ii-1,j+Ii+1,j+Ii,j-1+Ii,j+1-4Ii,j。
5.根據(jù)權(quán)利要求1至4中任一項所述的人臉活體檢測方法，其特征在于，所述對所述第一樣本圖像進行濾波包括：
利用高斯濾波器對所述第一樣本圖像進行高斯濾波；
所述機器學習算法為GBDT算法，或Adaboost算法，或SVM算法。
6.一種人臉活體檢測裝置，其特征在于，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，用于對所述第一樣本圖像進行濾波，得到第二樣本圖像；
計算模塊，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算所述第一樣本圖像的描述特征；
標識模塊，用于根據(jù)所述第一樣本圖像的類別標識所述第一樣本圖像的描述特征所屬的類別；
分類器訓練模塊，用于利用機器學習算法對標識有類別的所述第一樣本圖像的描述特征進行學習，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。
7.根據(jù)權(quán)利要求6所述的人臉活體檢測裝置，其特征在于，所述計算模塊包括：
計算單元，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算圖像質(zhì)量評價指標；
確定單元，用于將所述計算單元計算得到的圖像質(zhì)量評價指標確定為所述第一樣本圖像的描述特征。
8.根據(jù)權(quán)利要求7所述的人臉活體檢測裝置，其特征在于，所述圖像質(zhì)量評價指標包括均方差、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。
9.根據(jù)權(quán)利要求8所述的人臉活體檢測裝置，其特征在于，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|Ii,j-I′i,j|；
所述差異均值為：
所述歸一化絕對差異為：
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)，Ii,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(Ii,j)＝Ii-1,j+Ii+1,j+Ii,j-1+Ii,j+1-4Ii,j。
10.根據(jù)權(quán)利要求6至9中任一項所述的人臉活體檢測裝置，其特征在于，所述濾波模塊包括：
高斯濾波單元，用于利用高斯濾波器對所述第一樣本圖像進行高斯濾波；
所述機器學習算法為GBDT算法，或Adaboost算法，或SVM算法。
- 還沒有人留言評論。精彩留言會獲得點贊！