活体检测方法及装置与流程

本发明涉及属于生物识别技术领域，特别是涉及一种活体检测方法及装置。

背景技术：

随着人工智能技术的进一步飞跃，人工智能产品越来越多的运用于生活实际，如人脸识别和人脸认证技术广泛的运用于安防、金融等领域。在人脸认证技术中，特别是远程人脸认证技术，活体检测是其关键技术之一和重要组成部分，是保证人脸认证结果安全可信的重要手段。活体检测目的即正确区分真实人脸和攻击人脸，其中攻击人脸包括人脸照片攻击、人脸视屏回放攻击、3d人脸面具攻击等多种攻击手段。

然而，当前主流的动作活体检测也能预防一部分的人脸照片攻击，但是针对扣嘴扣眼人脸照片和3d人脸面具攻防较差，因此，需要一款具有上述适应能力的活体检测方法及装置。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种活体检测方法及装置，用于解决现有技术中待检测对象是否活体的问题。

为实现上述目的及其他相关目的，本发明提供一种活体检测方法，包括：

获取待检测对象的人脸图像；

提取所述人脸图像的生命体征信号；

将提取到的所有生命体征信号进行相关运算，计算得到特征向量；

将特征向量输入到预先训练的分类模型，根据输出判决类别与分数判别对象是否为活体。

本发明的另一目的在于提供一种活体检测装置，包括：

获取模块，用于获取待检测对象的人脸图像；

提取模块，用于提取所述人脸图像的生命体征信号；

计算模块，用于将提取到的所有生命体征信号进行相关运算，计算得到特征向量；

检测模块，用于将特征向量输入到预先训练的分类模型，根据输出判决类别与分数判别对象是否为活体。

如上所述，本发明的活体检测方法及装置，具有以下有益效果：

本发明提供一种静默活体检测技术，通过在待检测的人脸图像中提取生命体征信号，能够区分真实人脸与攻击人脸，解决了预防扣嘴扣眼人脸照片与3d面具攻击困难的问题；通过训练分类器，可提高活体检测的准确性。

附图说明

图1显示为本发明提供的一种活体检测方法的流程图；

图2显示为本发明提供的一种活体检测方法中步骤s2的流程图；

图3显示为本发明提供的一种活体检测方法步骤s4的流程图；

图4显示为本发明提供的一种活体检测装置的结构框图；

图5显示为本发明提供的一种活体检测装置中提取模块结构框图；

图6显示为本发明提供的一种活体检测装置中检测模块结构框图。

元件标号说明：

1获取模块

2提取模块

3计算模块

4检测模块

21提取单元

22生成单元

31计算单元

41检测单元

42第一执行单元

43第二执行单元

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，为本发明提供的一种活体检测方法的流程图，包括：

步骤s1，获取待检测对象的人脸图像；

其中，获取输入图像为以下任意格式中bmp、jpg、tiff、gif、pcx、tga、exif、fpx、svg、psd、cdr、pcd、dxf、ufo、eps、ai、raw一种，且为无压缩的图片，采用人脸检测算法获取到包含对象人脸位置的人脸图像。

步骤s2，提取所述人脸图像的生命体征信号；

其中，生命体征信号包含人体心率、呼吸率、血氧浓度等体征信息；同时，提取生命体征信号受环境光影响，需要在训练时将每种目标在不同环境光下采集数据，所包含的人脸图像必须具有完整人脸，包含额头与左右脸颊不被遮挡。

步骤s3，将提取到的所有生命体征信号进行相关运算，计算得到特征向量；

其中，利用远程光学体积描记术计算生命体征信号，将所得的生命体征信号两两进行运算，得到一维特征向量。

步骤s4，将特征向量输入到预先训练的分类模型，根据输出判决类别与分数判别对象是否为活体。

其中，所述分类模型可基于svm网络或神经网络对分类模型进行训练，得到分类模型。

在本实施例中，通过在待检测的人脸图像中提取生命体征信号，能够区分真实人脸与攻击人脸，解决了预防扣嘴扣眼人脸照片与3d面具攻击困难的问题；通过训练分类器，可提高活体检测的准确性。

在上述实施例中，将训练集中所有特征向量与其对应的数据标定送入支撑向量机，所述训练集包含照片人脸、3d面具人脸、真实人脸，根据非活体对象并无生命体征信号区分待检测对象是否为活体，训练生成分类模型。

具体地，用户通过各种途径采集到的包含有人脸的图片按照训练集的预设规则对图片中人脸位置区域的特征向量与其对应的类别、分数进行标定，如：训练时基于支撑向量机(svm)进行训练，其中，svm核函数为径向基函数(rbf)，可以通过训练分类模型，提高其泛化能力与判决准确性。

请参阅图2，为本发明提供的一种活体检测方法中步骤s2的流程图，包括：

步骤s201，提取所述人脸图像的人脸关键点，根据人脸关键点将所述人脸的额头与左右脸颊划分成多个不重叠的小区域；

步骤s202，采用光学体积描记术检测整个人脸图像，计算每个小区域的生命体征信号。

在本实施例中，依据心脏搏血能力使得皮肤表面毛细血管中血红蛋白含量呈周期性变化，从而使得人脸反射光强度具有周期变化特性；在人脸区域，额头和左右脸颊为毛细血管分布最丰富区域，根据人脸检测和关键点检测结果将额头和左右脸颊分为多个不重叠的小区域，对每个小区域分别计算生命体征信号si(i＝1,2,...,n)，相对于全脸提取，提升了采集的生命体征信号的准确度。

在上述实施例中，将所有生命体征信号做两两相关运算，其中，所有生命体征信号包含每个小区域的生命体征信号；根据相关运算中最大峰值与最大频率分量组成一维的体征向量。

具体地，计算si和sj相关运算的最大峰值(pi,j)和最大的频率分量(fi,j)级联组成一维特征向量：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为分析区域个数，即，提取到的生命体征信号个数；特征向量v有个元素，可避免单个区域提取生命体征信号所带来的噪声干扰，从而提高活体判断的准确度。

请参阅图3，为本发明提供的一种活体检测方法步骤s4的流程图，包括：

步骤s401，将特征向量输入到分类模型，根据输入的特征向量输出的待检测对象的类别、以及所述待检测对象生命体征信号所对应的分数判断待检测对象是否为活体；

步骤s402，如果所述待检测对象有对应类别且分数在预设范围内，则待检测对象为活体，

步骤s403，如果所述待检测对象有对应类别且分数在预设范围外，则待检测对象非活体。

在本实施例中，特征向量输入到提前训练的分类模型，根据分类模型输出的待检测对象的判别的类别与其对应生物特征分数，即可进行判断，例如，类别分为：真实人脸、3d人脸、照片人脸，如果不是真实人脸，即为攻击人脸；同时，只有真实人脸才具有生物特征分数，其它的3d人脸、照片人脸均不具有生物特征分数，或则，它们所对应的生物特征分数不在预设范围内。另外，步骤s402与步骤s403只能够选择一条进行执行。

请参阅图4，为本发明提供的一种活体检测装置的结构框图，包括：

获取模块1，用于获取待检测对象的人脸图像；

提取模块2，用于提取所述人脸图像的生命体征信号；

计算模块3，用于将提取到的所有生命体征信号进行相关运算，计算得到特征向量；

检测模块4，用于将特征向量输入到预先训练的分类模型，根据输出判决类别与分数判别对象是否为活体。

在本实施例中，解决了传统扣嘴扣眼人脸照片与3d面具攻击防御低的问题。

分类模型，将训练集中所有特征向量与其对应的数据标定送入支撑向量机，所述训练集包含照片人脸、3d面具人脸、真实人脸，根据非活体对象并无生命体征信号区分待检测对象是否为活体，训练生成分类模型。

在本实施例中，提前将训练集各种人脸进行训练，使其具有自动识别的功能。

请参阅图5，为本发明提供的一种活体检测装置中提取模块的结构框图，包括：

提取单元21，用于提取所述人脸图像的人脸关键点，根据人脸关键点将所述人脸的额头与左右脸颊划分成多个不重叠的小区域；

生成单元22，采用光学体积描记术检测整个人脸图像，生成每个小区域的生命体征信号。

在本实施例中，分区域重点采集，缩减了采集的数据量与工作量。

具体地，计算单元，用于将所有生命体征信号做两两相关运算，其中，所有生命体征信号包含每个小区域的生命体征信号；根据相关运算中最大峰值与最大频率分量组成一维的体征向量。

在本实施例中，生成一维体征向量，避免了单个区域提取生命体征信号所带来的噪声干扰，从而提高活体判断的准确度。

请参阅图6，为本发明提供的一种活体检测装置中检测模块结构框图，包括：

检测单元41，用于将特征向量输入到分类模型，根据输入的特征向量输出的待检测对象的类别、以及所述待检测对象生命体征信号所对应的分数判断待检测对象是否为活体；

第一执行单元42，用于如果所述待检测对象有对应类别且分数在预设范围内，则待检测对象为活体，

第而执行单元43，用于检测单元，用于如果所述待检测对象有对应类别且分数在预设范围外，则待检测对象非活体。

在本实施例中，通过分类模型自动识别输入的人脸图像，根据输出的类别以及分数判断待检测对象是否为活体，提高活体检测的准确性。

综上所述，本发明提供一种静默活体检测技术，通过在待检测的人脸图像中提取生命体征信号，能够区分真实人脸与攻击人脸，解决了预防扣嘴扣眼人脸照片与3d面具攻击困难的问题；通过训练分类器，可提高活体检测的准确性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。