CN106203305B - 人脸活体检测方法和装置 - Google Patents

Abstract

本发明提供了一种人脸活体检测方法和装置，该人脸活体检测方法包括：获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像；基于未补光图像和多张补光图像计算人脸对象的无高光图像和高光图像；将无高光图像和高光图像合并成多通道图像，并将多通道图像输入训练好的卷积神经网络；以及基于卷积神经网络的输出确定人脸对象是否为活体对象。根据本发明实施例的人脸活体检测方法和装置利用真实活体人脸与面具、屏幕等的高光特性的不同，将真实活体人脸与面具、屏幕等区分开来，实现人脸活体检测。

Description

人脸活体检测方法和装置

技术领域

本发明涉及人脸识别技术领域，更具体地涉及一种人脸活体检测方法和装置。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别通常采用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别。

人脸识别已在各种领域得到广泛应用。然而，由于人脸信息的可复制可盗用等因素，某些冒名人员可能通过人脸面具、屏幕人脸等冒充真人人脸，这将使人脸识别存在隐患。尤其是随着人脸识别越来越多地应用于安防、金融领域需要身份验证的场景，如银行远程开户、门禁系统、远程交易操作验证等，在这些高安全级别的应用领域，需要防范人脸面具等安全攻击。

发明内容

考虑到上述问题而提出了本发明。本发明提供了一种人脸活体检测方法和装置，其基于未补光图像和多组光源补光下所采集的多张图像(补光图像)合成无高光图像和高光图像，以无高光图像和高光图像形成多通道图像(该多通道图像包括有高光成分)，利用真实活体人脸与面具、屏幕等的高光特性的不同，将真实活体人脸与面具、屏幕等区分开来。

根据本发明一方面，提供了人脸活体检测方法，所述人脸活体检测方法包括：获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像；基于所述未补光图像和所述多张补光图像计算所述人脸对象的无高光图像和高光图像；将所述无高光图像和所述高光图像合并成多通道图像，并将所述多通道图像输入训练好的卷积神经网络；以及基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象。

在本发明的一个实施例中，所述多组光源中的一些和另一些分别处于相对于所述人脸对象的不同角度范围，并且所述基于所述未补光图像和所述多张补光图像计算所述人脸对象的无高光图像和高光图像包括：基于所有补光图像中任一相同位置处的最小像素值与所述未补光图像在对应位置处的像素值之差计算所述人脸对象的无高光图像；以及基于在相同角度范围内的多组光源补光情况下的多张补光图像中任一相同位置处的最大像素值与最小像素值之差计算所述人脸对象的高光图像。

示例性地，所述基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象包括：当所述卷积神经网络的输出大于预定阈值时，确定所述人脸对象为活体对象；当所述卷积神经网络的输出小于或等于所述预定阈值时，确定所述人脸对象为非活体对象。

在本发明的一个实施例中，所述人脸活体检测方法还包括：在获取所述未补光图像和所述多张补光图像后，将所述多张补光图像与所述未补光图像对齐，并且所述计算所述人脸对象的无高光图像和高光图像基于所述未补光图像和经对齐后的多张补光图像。

示例性地，所述将所述多张补光图像与所述未补光图像对齐包括：对所述未补光图像和所述多张补光图像进行人脸检测和人脸关键点检测；以及基于人脸关键点的位置将所述多张补光图像与所述未补光图像对齐。

另一方面，本发明还提供一种人脸活体检测装置，所述人脸活体检测装置包括：获取模块，用于获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像；计算模块，用于基于所述未补光图像和所述多张补光图像计算所述人脸对象的无高光图像和高光图像；合成模块，用于将所述无高光图像和所述高光图像合并成多通道图像，并将所述多通道图像输入训练好的卷积神经网络；以及分析模块，用于基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象。

在本发明的一个实施例中，所述多组光源中的一些和另一些分别处于相对于所述人脸对象的不同角度范围，并且所述计算模块进一步用于：基于所有补光图像中任一相同位置处的最小像素值与所述未补光图像在对应位置处的像素值之差计算所述人脸对象的无高光图像；以及基于在相同角度范围内的多组光源补光情况下的多张补光图像中任一相同位置处的最大像素值与最小像素值之差计算所述人脸对象的高光图像。

示例性地，所述分析模块进一步用于：当所述卷积神经网络的输出大于预定阈值时，确定所述人脸对象为活体对象；当所述卷积神经网络的输出小于或等于所述预定阈值时，确定所述人脸对象为非活体对象。

在本发明的一个实施例中，所述人脸活体检测装置还包括：对齐模块，用于将所述获取模块所获取的所述多张补光图像与所述未补光图像对齐，并且所述计算模块用于基于所述未补光图像和经对齐后的多张补光图像计算所述人脸对象的无高光图像和高光图像。

示例性地，所述对齐模块进一步用于：对所述未补光图像和所述多张补光图像进行人脸检测和人脸关键点检测；以及基于人脸关键点的位置将所述多张补光图像与所述未补光图像对齐。

根据本发明实施例的人脸活体检测方法和装置基于未补光图像和多组光源补光下所采集的多张图像合成无高光图像和高光图像，以无高光图像和高光图像形成多通道图像(该多通道图像包括有高光成分)，利用真实活体人脸与面具、屏幕等的高光特性的不同，将真实活体人脸与面具、屏幕等区分开来，实现人脸活体检测。

附图说明

通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是用于实现根据本发明实施例的人脸活体检测方法和装置的示例电子设备的示意性框图；

图2是根据本发明实施例的人脸活体检测方法的示意性流程图；

图3是用于根据本发明实施例的人脸活体检测方法的图像采集设备及分布在其周围的光源的示意图；

图4是根据本发明另一实施例的人脸活体检测方法的示意性流程图；

图5是根据本发明实施例的人脸活体检测装置的示意性框图；

图6是根据本发明另一实施例的人脸活体检测装置的示意性框图；以及

图7是根据本发明实施例的人脸活体检测系统的示意性框图。

具体实施方式

为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。

在一定的光照环境下，通过光线的反射可形成的光学图像经常会出现局部的高光反射区域，例如人脸表面由于角质层的存在，会反射高光成分。物理表面材质的不同会导致高光成分的强度与角度响应范围的不同。因此，可以基于真实活体人脸与仿真面具、屏幕人脸等的高光特性的不同，将真实活体人脸与面具、屏幕等区分开来。本发明正是基于该原理提供人脸活体检测的方法和装置等，以防范在高安全级别应用领域的人脸识别系统遭受人脸面具攻击等问题。下面，参照附图描述本发明的各实施例。

首先，参照图1来描述用于实现本发明实施例的人脸活体检测方法和装置的示例电子设备100。

如图1所示，电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108以及图像传感器110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。

所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。

所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。

所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。

所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。

所述图像传感器110可以拍摄用户期望的图像(例如照片、视频等)，并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。

示例性地，用于实现根据本发明实施例的人脸活体检测方法和装置的示例电子设备可以被实现为诸如智能手机、平板电脑、门禁系统的图像采集端等。

下面，将参考图2描述根据本发明实施例的人脸活体检测方法200。

在步骤S210，获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像。

在一个示例中，可以从图像采集设备获取图像，该图像采集设备例如可以包括手机、IPAD等智能设备上的图像采集设备，例如摄像头等。

图像采集设备可以在未补光的情况下采集关于待检测人脸对象的图像，即未补光图像，例如表示为I0；此外，图像采集设备可以在亮度接近(例如，每组光源的亮度差小于预设阈值，或者通过人眼判断亮度是否接近)的多组光源分别补光情况下采集多张补光图像。

在一个示例中，图像采集设备在四组光源的分别补光下(例如如图3所示)采集四张图像。在图3中，虽然将图像采集设备示出为摄像头，但本领域普通技术人员可以理解，还可以采用其他的图像采集设备。在图3中，第一组光源包括发光装置(例如发光二极管)LED_1_1和LED_1_2，第二组光源包括发光装置LED_2_1和LED_2_2，第三组光源包括发光装置LED_3_1和LED_3_2，第四组光源包括发光装置LED_4_1和LED_4_2。在一个简单的示例中，该四组光源包括相同数目的(均包括两个)发光装置，且每个发光装置的亮度相同。此外，该四组光源中每组光源所包括的发光装置相对于摄像头的平均位置接近(即每组光源的两个发光装置连线中心接近甚至重合)，所有发光装置相对于摄像头分布发散。在一个示例中，第一组光源和第二组光源的发光装置交叉排列，第三组光源和第四组光源亦然。

本领域普通技术人员可以理解，虽然在图3中示出了四组光源，但是可以根据需要设置适当数目的光源组。此外，在图3中示出的发光装置相对于摄像头的分布仅是示例性的，在该分布下可以采集到便于后续计算和处理的图像，也可以根据需要或空间情况设置其他分布。

基于上述示例，图像采集设备在第一组光源的补光下采集待检测人脸对象的补光图像I1，在第二组光源的补光下采集待检测人脸对象的补光图像I2，在第三组光源的补光下采集待检测人脸对象的补光图像I3，在第四组光源的补光下采集待检测人脸对象的补光图像I4。

在该示例中，在步骤S210可获取关于待检测对象的未补光图像I0以及补光图像I1、I2、I3和I4。

在步骤S220，基于所获取的未补光图像和多张补光图像计算所述人脸对象的无高光图像和高光图像。

在一个示例中，对于人脸对象的无高光图像，可以基于所有补光图像中任一相同位置处最小像素值与未补光图像在对应位置处的像素值之差来计算。接着上面的示例，例如将待计算的无高光图像表示为S0，则S0＝min(I1,I2,I3,I4)-I0。对于人脸对象的高光图像，则可以基于在相同角度范围内的多组光源补光情况下的多张补光图像中任一相同位置处的最大像素值与最小像素值之差来计算。这样做的目的是为了得到关于该待测人脸对象不同角度响应范围的高光成分。例如，在上面的示例中，第一组光源和第二组光源的发光装置相对于待测人脸对象处于相同的角度范围，类似地，第三组光源和第四组光源的发光装置相对于待测人脸对象处于相同的角度范围。因此，可以得到高光图像S1和S2，其中S1＝max(I1,I2)-min(I1,I2)，S2＝max(I3,I4)-min(I3,I4)。高光图像S1和S2分别得到了不同角度响应范围的高光成分(例如角膜和鼻尖的高光成分在高光图像S1和S2中的比例就会不一样)。

在步骤S230，将计算得到的无高光图像和高光图像合并成多通道图像，并将多通道图像输入训练好的卷积神经网络。

在该步骤，将关于待测人脸对象的无高光图像和高光图像合并成多通道图像，在该多通道图像中，每个像素点都由多个值来表示(例如，将上面示例中的S0、S1和S2合并成三通道图像，在该三通道图像中，每个像素点都由3个值(例如，R、G、B三个颜色通道分别对应的值)来表示)。示例性地，该多通道图像包括有高光成分。基于将该多通道图像输入训练好的卷积神经网络，可以基于多通道图像中的高光成分完整地分析待测人脸对象是否是活体人脸。其中，该卷积神经网络是基于大量经标注的图像样本训练得到的，这些图像样本例如根据图像中的高光成分的分布情况被标注为人脸、面具等。

在步骤S240，基于该卷积神经网络的输出确定所述人脸对象是否为活体对象。

在一个示例中，该卷积神经网络的输出可以为0～1之间的值。当卷积神经网络的输出大于预定阈值(例如0.5)时，确定所述人脸对象为活体对象；反之，当卷积神经网络的输出小于或等于所述预定阈值时，确定所述人脸对象为非活体对象。

上述根据本发明实施例的人脸活体检测方法200基于未补光图像和多组光源补光下所采集的多张图像合成无高光图像和高光图像，以无高光图像和高光图像形成多通道图像(该多通道图像包括有高光成分)，利用真实活体人脸与面具、屏幕等的高光特性的不同，将真实活体人脸与面具、屏幕等区分开来，实现人脸活体检测。

示例性地，根据本发明实施例的人脸活体检测方法可以在具有存储器和处理器的设备、装置或者系统中实现。

根据本发明实施例的人脸活体检测方法可以部署在人脸图像采集端处，例如，在安防应用领域，可以部署在门禁系统的图像采集端；在金融应用领域，可以部署在个人终端处，诸如智能电话、平板电脑、个人计算机等。

替代地，根据本发明实施例的人脸活体检测方法还可以分布地部署在服务器端(或云端)和个人终端处。

例如，可以在个人终端处采集未补光图像和多张补光图像，由个人终端将所采集的图像传递到服务器端(或云端)；在服务器端(或云端)基于未补光图像和多张补光图像计算人脸对象的无高光图像和高光图像、将无高光图像和高光图像合并成多通道图像、并将多通道图像输入训练好的卷积神经网络、以及基于卷积神经网络的输出确定人脸对象是否为活体对象。

再例如，可以在个人终端处采集未补光图像和多张补光图像、基于未补光图像和多张补光图像计算人脸对象的无高光图像和高光图像以及将无高光图像和高光图像合并成多通道图像，由个人终端将多通道图像传递到服务器端(或云端)，在服务器端(或云端)将多通道图像输入训练好的卷积神经网络、并基于卷积神经网络的输出确定人脸对象是否为活体对象。

下面，将参考图4描述根据本发明另一实施例的人脸活体检测方法400。

在步骤S410，获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像。

该实施例中的步骤S410与结合图2所描述的人脸活体检测方法200中的步骤S210相似，为了简洁，此处不再赘述。

在步骤S420，将所述多张补光图像与所述未补光图像对齐。

将所述多张补光图像与所述未补光图像对齐可以更有效提高后续处理的效率和准确度。在一个示例中，该对齐的步骤可以进一步包括：对所述未补光图像和所述多张补光图像进行人脸检测和人脸关键点检测；以及基于人脸关键点的位置将所述多张补光图像与所述未补光图像对齐。将图像进行对齐处理，使各图像中人脸对象上各像素的坐标都相同，从而可以减少后续处理运算的复杂度，提高运算速度。

例如，可以从未补光图像和多张补光图像中检测出人脸，然后利用训练好的神经网络对人脸图像进行特征提取、并基于所提取的特征求得关键点的位置，基于人脸关键点的位置将多张补光图像与未补光图像对齐。例如可以使用KLT(Kanade-Lucas-Tomasi)追踪器得到各补光图像I1、I2、I3、I4相对I0的相对偏移量，然后相应地把I1、I2、I3、I4进行平移操作使得其脸部的图像与I0是对齐的。对齐后的多张补光图像用于后续处理。

应该理解，本发明不受具体采用的人脸检测和人脸关键点检测方法的限制，无论是现有的人脸检测和人脸关键点检测方法还是将来开发的人脸检测和人脸关键点检测方法，都可以应用于根据本发明实施例的人脸活体检测方法中，并且也应包括在本发明的保护范围内。

在步骤S430，基于未补光图像和对齐后的多张补光图像计算所述人脸对象的无高光图像和高光图像。

在步骤S440，将计算得到的无高光图像和高光图像合并成多通道图像，并将多通道图像输入训练好的卷积神经网络。

在步骤S450，基于该卷积神经网络的输出确定所述人脸对象是否为活体对象。

上述步骤S430、S440和S450与结合图2所描述的人脸活体检测方法200中的步骤S220、S230和S240相似，为了简洁，此处不再赘述。

上述根据本发明实施例的人脸活体检测方法400未补光图像和基于多组光源补光下所采集的多张图像合成无高光图像和高光图像，以无高光图像和高光图像形成多通道图像(该多通道图像包括有高光成分)，利用真实活体人脸与面具、屏幕等的高光特性的不同，将真实活体人脸与面具、屏幕等区分开来，实现人脸活体检测。此外，在获取未补光图像和多张补光图像后将多张补光图像与未补光图像对齐，可以更有效提高后续处理的效率和准确度。

图5示出了根据本发明实施例的人脸活体检测装置500的示意性框图。

如图5所示，根据本发明实施例的人脸活体检测装置500包括获取模块510、计算模块520、合成模块530以及分析模块540。

获取模块510用于获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像。

在一个示例中，获取模块510可以从图像采集设备获取图像，该图像采集设备例如可以包括手机、IPAD等智能设备上的图像采集设备，例如摄像头等。图像采集设备可以在未补光的情况下采集关于待检测人脸对象的图像，即未补光图像，例如表示为I0；此外，图像采集设备可以在亮度接近的多组光源分别补光情况下采集多张补光图像。在一个示例中，图像采集设备在四组光源的分别补光下(例如如图3所示)采集四张图像。具体地，图像采集设备在第一组光源的补光下采集待检测人脸对象的补光图像I1，在第二组光源的补光下采集待检测人脸对象的补光图像I2，在第三组光源的补光下采集待检测人脸对象的补光图像I3，在第四组光源的补光下采集待检测人脸对象的补光图像I4。

计算模块520用于基于所述未补光图像和所述多张补光图像计算所述人脸对象的无高光图像和高光图像。

在一个示例中，对于人脸对象的无高光图像，计算模块520可以基于所有补光图像中任一相同位置处的最小像素值与所述未补光图像在对应位置处的像素值之差来计算。接着上面的示例，例如将待计算的无高光图像表示为S0，则S0＝min(I1,I2,I3,I4)-I0。对于人脸对象的高光图像，计算模块520可以基于在相同角度范围内的多组光源补光情况下的多张补光图像中任一相同位置处的最大像素值与最小像素值之差来计算。这样做的目的是为了得到关于该待测人脸对象不同角度响应范围的高光成分。例如，在如图3所示的上面的示例中，第一组光源和第二组光源的发光装置相对于待测人脸对象处于相同的角度范围，类似地，第三组光源和第四组光源的发光装置相对于待测人脸对象处于相同的角度范围。因此，计算模块520可以计算得到高光图像S1和S2，其中S1＝max(I1,I2)-min(I1,I2)，S2＝max(I3,I4)-min(I3,I4)。高光图像S1和S2分别得到了不同角度响应范围的高光成分(例如角膜和鼻尖的高光成分在高光图像S1和S2中的比例就会不一样)。

合成模块530用于将所述无高光图像和所述高光图像合并成多通道图像，并将所述多通道图像输入训练好的卷积神经网络。

合成模块530将关于待测人脸对象的无高光图像和高光图像合并成多通道图像，在该多通道图像中，每个像素点都由多个值来表示(例如，将上面示例中的S0、S1和S2合并成三通道图像，在该三通道图像中，每个像素点都由3个值(例如，R、G、B三个颜色通道的值)来表示)。示例性地，该多通道图像包括有高光成分。将该多通道图像输入训练好的卷积神经网络，分析模块540可以基于该多通道图像中的高光成分完整地分析待测人脸对象是否是活体人脸。

分析模块540用于基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象。

在一个示例中，该卷积神经网络的输出可以为0～1之间的值。分析模块540在卷积神经网络的输出大于预定阈值(例如0.5)时，确定所述人脸对象为活体对象；反之，在卷积神经网络的输出小于或等于所述预定阈值时，确定所述人脸对象为非活体对象。

上述根据本发明实施例的人脸活体检测装置500基于未补光图像和多组光源补光下所采集的多张图像合成无高光图像和高光图像，以无高光图像和高光图像形成多通道图像(该多通道图像包括有高光成分)，利用真实活体人脸与面具、屏幕等的高光特性的不同，将真实活体人脸与面具、屏幕等区分开来，实现人脸活体检测。

获取模块510、计算模块520、合成模块530以及分析模块540均可以由图1所示的电子设备中的处理器102运行存储装置104中存储的程序指令来实现。

下面，将参考图6描述根据本发明另一实施例的人脸活体检测装置600。

如图6所示，根据本发明实施例的人脸活体检测装置600包括获取模块610、对齐模块620、计算模块630、合成模块640以及分析模块650。

获取模块610用于获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像。获取模块610与结合图5所描述的人脸活体检测装置500中的获取模块510相似，为了简洁，此处不再赘述。

对齐模块620用于将获取模块610所获取的多张补光图像与未补光图像对齐。

对齐模块620将多张补光图像与未补光图像对齐可以更有效提高后续处理的效率和准确度。在一个示例中，对齐模块620进一步用于对未补光图像和多张补光图像进行人脸检测和人脸关键点检测；以及基于人脸关键点的位置将多张补光图像与未补光图像对齐。

在一个示例中，对齐模块620可以从未补光图像和多张补光图像中检测出人脸，然后利用训练好的神经网络对人脸图像进行特征提取、并基于所提取的特征求得关键点的位置，基于人脸关键点的位置将多张补光图像与未补光图像对齐。例如，对齐模块620可以使用KLT(Kanade-Lucas-Tomasi)追踪器得到各补光图像I1、I2、I3、I4相对I0的相对偏移量，然后相应地把I1、I2、I3、I4进行平移操作使得其脸部的图像与I0是对齐的。对齐后的多张补光图像用于后续处理。

计算模块630用于基于未补光图像和经对齐后的多张补光图像计算人脸对象的无高光图像和高光图像。计算模块630与结合图5所描述的人脸活体检测装置500中的计算模块520相似，只是计算所基于的多张补光图像替换为对齐后的多张补光图像，为了简洁，此处不再赘述。

合成模块640用于将无高光图像和高光图像合并成多通道图像，并将多通道图像输入训练好的卷积神经网络。

分析模块650用于基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象。

合成模块640和分析模块650分别与结合图5所描述的人脸活体检测装置500中的合成模块530和分析模块540相似，为了简洁，此处不再赘述。

获取模块610、对齐模块620、计算模块630、合成模块640以及分析模块650均可以由图1所示的电子设备中的处理器102运行存储装置104中存储的程序指令来实现。

上述根据本发明实施例的图像高光装置600基于未补光图像和多组光源补光下所采集的多张图像合成无高光图像和高光图像，以无高光图像和高光图像形成多通道图像(该多通道图像包括有高光成分)，利用真实活体人脸与面具、屏幕等的高光特性的不同，将真实活体人脸与面具、屏幕等区分开来，实现人脸活体检测。此外，在获取模块610获取未补光图像和多张补光图像后由对齐模块620将多张补光图像与未补光图像对齐，可以更有效提高后续处理的效率和准确度。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

图7示出了根据本发明实施例的人脸活体检测系统700的示意性框图。人脸活体检测系统700包括图像采集设备710、存储装置720、以及处理器730。

其中，图像采集设备710用于采集图像。存储装置720存储用于实现根据本发明实施例的人脸活体检测方法中的相应步骤的程序代码。处理器730用于运行存储装置720中存储的程序代码，以执行根据本发明实施例的人脸活体检测方法的相应步骤，并且用于实现根据本发明实施例的人脸活体检测装置中的相应模块。

在一个实施例中，在所述程序代码被处理器730运行时执行以下步骤：获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像；基于所述未补光图像和所述多张补光图像计算所述人脸对象的无高光图像和高光图像；将所述无高光图像和所述高光图像合并成多通道图像，并将所述多通道图像输入训练好的卷积神经网络；以及基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象。

示例性地，所述多组光源中的一些和另一些分别处于相对于所述人脸对象的不同角度范围，并且所述计算包括：基于所有补光图像中任一相同位置处的最小像素值与所述未补光图像在对应位置处的像素值之差计算所述人脸对象的无高光图像；以及基于在相同角度范围内的多组光源补光情况下的多张补光图像中任一相同位置处的最大像素值与最小像素值之差计算所述人脸对象的高光图像。

示例性地，所述基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象包括：当所述卷积神经网络的输出大于预定阈值时，确定所述人脸对象为活体对象；当所述卷积神经网络的输出小于或等于所述预定阈值时，确定所述人脸对象为非活体对象。

此外，在一个实施例中，在所述程序代码被所述处理器730运行时还执行以下步骤：在获取所述未补光图像和所述多张补光图像后，将所述多张补光图像与所述未补光图像对齐，并且所述计算所述人脸对象的无高光图像和高光图像基于所述未补光图像和经对齐后的多张补光图像。

示例性地，所述将所述多张补光图像与所述未补光图像对齐包括：对所述未补光图像和所述多张补光图像进行人脸检测和人脸关键点检测；以及基于人脸关键点的位置将所述多张补光图像与所述未补光图像对齐。

此外，根据本发明实施例，还提供了一种存储介质，在所述存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行本发明实施例的人脸活体检测方法的相应步骤，并且用于实现根据本发明实施例的人脸活体检测装置中的相应模块。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。

在一个实施例中，所述计算机程序指令在被计算机或处理器运行时可以实现根据本发明实施例的人脸活体检测装置的各个功能模块，并且/或者可以执行根据本发明实施例的人脸活体检测方法。

在一个实施例中，所述计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤：获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像；基于所述未补光图像和所述多张补光图像计算所述人脸对象的无高光图像和高光图像；将所述无高光图像和所述高光图像合并成多通道图像，并将所述多通道图像输入训练好的卷积神经网络；以及基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象。

示例性地，所述多组光源中的一些和另一些分别处于相对于所述人脸对象的不同角度范围，并且所述计算包括：基于所有补光图像中任一相同位置处的最小像素值与所述未补光图像在对应位置处的像素值之差计算所述人脸对象的无高光图像；以及基于在相同角度范围内的多组光源补光情况下的多张补光图像中任一相同位置处的最大像素值与最小像素值之差计算所述人脸对象的高光图像。

示例性地，所述基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象包括：当所述卷积神经网络的输出大于预定阈值时，确定所述人脸对象为活体对象；当所述卷积神经网络的输出小于或等于所述预定阈值时，确定所述人脸对象为非活体对象。

此外，在一个实施例中，所述计算机程序指令在被计算机或处理器运行时还使计算机或处理器执行以下步骤：在获取所述未补光图像和所述多张补光图像后，将所述多张补光图像与所述未补光图像对齐，并且所述计算所述人脸对象的无高光图像和高光图像基于所述未补光图像和经对齐后的多张补光图像。

示例性地，所述将所述多张补光图像与所述未补光图像对齐包括：对所述未补光图像和所述多张补光图像进行人脸检测和人脸关键点检测；以及基于人脸关键点的位置将所述多张补光图像与所述未补光图像对齐。

根据本发明实施例的人脸活体检测装置中的各模块可以通过根据本发明实施例的人脸活体检测的电子设备的处理器运行在存储器中存储的计算机程序指令来实现，或者可以在根据本发明实施例的计算机程序产品的计算机可读存储介质中存储的计算机指令被计算机运行时实现。

根据本发明实施例的人脸活体检测方法、装置、系统以及存储介质基于未补光图像和多组光源补光下所采集的多张图像合成无高光图像和高光图像，以无高光图像和高光图像形成多通道图像(该多通道图像包括有高光成分)，利用真实活体人脸与面具、屏幕等的高光特性的不同，将真实活体人脸与面具、屏幕等区分开来，实现人脸活体检测。此外，在获取未补光图像和多张补光图像后将多张补光图像与未补光图像对齐，可以更有效提高后续处理的效率和准确度。

尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的物品分析设备中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种人脸活体检测方法，其特征在于，所述人脸活体检测方法包括：

获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像，所述多组光源中的一些和另一些分别处于相对于所述人脸对象的不同角度范围；

基于所述未补光图像和所述多张补光图像计算所述人脸对象的无高光图像和高光图像，所述基于所述未补光图像和所述多张补光图像计算所述人脸对象的无高光图像和高光图像包括：

基于所有补光图像中任一相同位置处的最小像素值与所述未补光图像在对应位置处的像素值之差计算所述人脸对象的无高光图像；以及

基于在相同角度范围内的多组光源补光情况下的多张补光图像中任一相同位置处的最大像素值与最小像素值之差计算所述人脸对象的高光图像；

将所述无高光图像和所述高光图像合并成多通道图像，并将所述多通道图像输入训练好的卷积神经网络；以及

基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象。

2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象包括：

当所述卷积神经网络的输出大于预定阈值时，确定所述人脸对象为活体对象；

当所述卷积神经网络的输出小于或等于所述预定阈值时，确定所述人脸对象为非活体对象。

3.根据权利要求1所述的人脸活体检测方法，其特征在于，所述人脸活体检测方法还包括：

在获取所述未补光图像和所述多张补光图像后，将所述多张补光图像与所述未补光图像对齐，并且

所述计算所述人脸对象的无高光图像和高光图像基于所述未补光图像和经对齐后的多张补光图像。

4.根据权利要求3所述的人脸活体检测方法，其特征在于，所述将所述多张补光图像与所述未补光图像对齐包括：

对所述未补光图像和所述多张补光图像进行人脸检测和人脸关键点检测；以及

基于人脸关键点的位置将所述多张补光图像与所述未补光图像对齐。

5.一种人脸活体检测装置，其特征在于，所述人脸活体检测装置包括：

获取模块，用于获取关于待检测人脸对象在未补光情况下所采集的未补光图像、以及在亮度接近的多组光源分别补光情况下所采集的多张补光图像，所述多组光源中的一些和另一些分别处于相对于所述人脸对象的不同角度范围；

计算模块，用于基于所述未补光图像和所述多张补光图像计算所述人脸对象的无高光图像和高光图像，所述基于所述未补光图像和所述多张补光图像计算所述人脸对象的无高光图像和高光图像包括：

基于所有补光图像中任一相同位置处的最小像素值与所述未补光图像在对应位置处的像素值之差计算所述人脸对象的无高光图像；以及

基于在相同角度范围内的多组光源补光情况下的多张补光图像中任一相同位置处的最大像素值与最小像素值之差计算所述人脸对象的高光图像；

合成模块，用于将所述无高光图像和所述高光图像合并成多通道图像，并将所述多通道图像输入训练好的卷积神经网络；以及

分析模块，用于基于所述卷积神经网络的输出确定所述人脸对象是否为活体对象。

6.根据权利要求5所述的人脸活体检测装置，其特征在于，所述分析模块进一步用于：

当所述卷积神经网络的输出大于预定阈值时，确定所述人脸对象为活体对象；

当所述卷积神经网络的输出小于或等于所述预定阈值时，确定所述人脸对象为非活体对象。

7.根据权利要求5所述的人脸活体检测装置，其特征在于，所述人脸活体检测装置还包括：

对齐模块，用于将所述获取模块所获取的所述多张补光图像与所述未补光图像对齐，并且

所述计算模块用于基于所述未补光图像和经对齐后的多张补光图像计算所述人脸对象的无高光图像和高光图像。

8.根据权利要求7所述的人脸活体检测装置，其特征在于，所述对齐模块进一步用于：

对所述未补光图像和所述多张补光图像进行人脸检测和人脸关键点检测；以及

基于人脸关键点的位置将所述多张补光图像与所述未补光图像对齐。

Images