CN111881729A - 基于热成像的活体流向甄别方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种基于热成像的活体流向甄别方法、装置、设备及存储介质。所述方法包括：获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；根据所述多张目标图像，确定目标特征向量；将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别；获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。本发明确定了多张目标图像的活体流向，避免了泄露隐私的问题，具有较强的泛化能力。

Description

基于热成像的活体流向甄别方法、装置、设备及存储介质

技术领域

本发明涉及图像甄别技术领域，尤其涉及一种基于热成像的活体流向甄别方法、装置、设备及存储介质。

背景技术

交通、安防、公共安全等领域对检测活体流向有广泛的应用需求。但是传统的活体流向检测都是建立在二维或三维视觉图像之上，对活体流向检测设备的运算性能要求高，导致设备成本高，而且二维或三维视觉图像存在泄露隐私的问题。

发明内容

基于此，有必要针对上述问题，提出了一种基于热成像的活体流向甄别方法、装置、设备及存储介质。

第一方面，本发明提出了一种基于热成像的活体流向甄别方法，所述方法包括：

获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；

根据所述多张目标图像，确定目标特征向量；

将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别；

获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。

第二方面，本发明还提出了一种基于热成像的活体流向甄别装置，所述装置包括：

图像获取模块，用于获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；

向量提取模块，用于根据所述多张目标图像，确定目标特征向量；

活体流向甄别模块，用于将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别，获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。

第三方面，本发明还提出了一种存储介质，存储有计算机指令程序，所述计算机指令程序被处理器执行时，使得所述处理器执行第一方面任一项所述方法的步骤。

第四方面，本发明还提出了一种计算机设备，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行第一方面任一项所述方法的步骤。

实施本发明实施例，将具有如下有益效果：

本发明提出了一种基于热成像的活体流向甄别方法、装置、设备及存储介质，首先获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；然后根据所述多张目标图像，确定目标特征向量；最后将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别；获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。由于在无活体的时候，场景中的温度值相对较低，而在有活体的时候，场景中活体所在区域的温度值相对较高，因此，基于温度值形成的目标图像可以确定目标图像是否存在活体，然后根据连续的多个时刻的多张目标图像可以确定场景中活体的流向。由于整个活体流向甄别过程是基于多张目标图像，多张目标图像的像素点的表述的是温度值，相对传统的二维或三维视觉图像存在泄露隐私的问题，基于温度值的活体流向甄别可以避免泄露隐私的问题。而且采用活体流向甄别模型对活体流向进行甄别，具有较强的泛化能力。因此，本发明确定了多张目标图像的活体流向，避免了泄露隐私的问题，具有较强的泛化能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为一个实施例中基于热成像的活体流向甄别方法的流程图；

图2为图1的基于热成像的活体流向甄别方法的确定活体流向甄别模型的流程图；

图3为图2的基于热成像的活体流向甄别方法的卷积神经网络的结构示意图；

图4为图2的基于热成像的活体流向甄别方法的确定预测特征向量的流程图；

图5为图4的基于热成像的活体流向甄别方法的确定预测特征向量的流程图；

图6为图1的基于热成像的活体流向甄别方法的确定多张目标图像的流程图；

图7为一个实施例中基于热成像的活体流向甄别装置的结构框图；

图8为一个实施例中计算机设备的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了解决基于传统的二维或三维视觉图像进行活体流向甄别存在泄露隐私的问题，本发明提出了一种基于热成像的活体流向甄别方法，该方法应用于热成像图像甄别技术领域，该方法的执行主体为能够实现基于热成像的活体流向甄别方法的设备，该设备与包括但不限于终端和服务器。其中，终端包括台式终端和移动终端，台式终端包括但不限于台式电脑、工控机、车载电脑，移动终端包括但不限于手机、平板电脑、笔记本电脑、智能手表和其他穿戴设备；服务器包括高性能计算机和高性能计算机集群。

如图1所示，在一个实施例中，所述基于热成像的活体流向甄别方法包括：

S102、获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；

其中，多张目标图像，为需要甄别活体流向的图像。

其中，活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值，活体检测图像为反映场景中温度情况的图像。也就是说，目标图像，也为反映场景中温度情况的图像，具体的，目标图像的各个像素点的像素值为温度值。当场景中不存在活体的时候，对应的目标图像的各个像素点的温度值较低，目标图像整体呈现为深色；当场景中存在活体的时候，活体所在区域对应的目标图像的图像区域的温度值较高，这些图像区域的颜色将偏向浅色，甚至是白色。目标图像中的每个像素点都有一个坐标位置，该坐标位置为像素点在目标图像中的位置，坐标位置可以表述为(x，y)，其中，x表述横坐标点的值，y表述纵坐标的值，横坐标和纵坐标垂直设置。

目标图像可以根据热成像设备的拍摄结果确定。热成像设备可以将场景中的温度情况拍摄成热成像图像(也就是活体检测图像)，根据热成像图像确定目标图像；热成像设备还可以将场景中的温度情况拍摄成热成像视频，将热成像视频中某一帧的图像作为目标图像。热成像设备包括但不限于被动红外设备PIT(Passive Infrared Thermal)。

所述多张目标图像的图像数量与所述连续的多个时刻的时刻数量相同。

其中，时刻，是指具体的时间点。连续的多个时刻，是指热成像设备进行连续检测的多个检测时间。检测时间，是一个具体的时间点。

可选的，当所述多张目标图像是基于热成像视频确定时，将0.25秒的热成像视频中的图像数量作为所述多张目标图像的图像数量，可以避免时间过长出现多个活体流动，也可以避免时间太短无法确定活体流动的方向。比如，热成像视频的帧率是16帧/秒时，则将0.25秒的热成像视频中的图像数量，也就是4作为所述多张目标图像的图像数量，也就是说，此时所述多张目标图像包括4张目标图像，在此举例不做具体限定。

其中，目标位置，是需要检测活体流向的场景。可以理解的是，目标位置一般是两个空间的连接处，比如，目标位置为门所在位置。

S104、根据所述多张目标图像，确定目标特征向量；

其中，根据所述目标图像的各个像素点的像素值，构建与每张所述目标图像对应的图像矩阵，其中，与每张所述目标图像对应的图像矩阵的每个向量元素表述目标图像中的一个像素点，与每张所述目标图像对应的图像矩阵的向量元素的值表述的是目标图像中像素点的像素值，也就是说，与每张所述目标图像对应的图像矩阵的向量元素的值表述的是温度值。然后将所有与每张所述目标图像对应的图像矩阵进行通道拼接，得到目标特征向量，也就是说目标特征向量的向量元素的值表述的是温度值。所述通道拼接是指在通道维度上进行拼接，拼接得到的目标特征向量的通道数量与所有与每张所述目标图像对应的图像矩阵的矩阵数量相同比如，4个与每张所述目标图像对应的图像矩阵进行通道拼接，得到的目标特征向量的通道数为4个。而且，目标特征向量每个通道的特征向量的规格与所述与每张所述目标图像对应的图像矩阵的规格相同，也就是说，目标特征向量的第一维度的维度数量与所述与每张所述目标图像对应的图像矩阵的第一维度的维度数量相同，目标特征向量的第二维度的维度数量与所述与每张所述目标图像对应的图像矩阵的第二维度的维度数量相同。

其中，第一维度为高度，第二维度为宽度。比如，与每张所述目标图像对应的图像矩阵24×32×1(1为通道数量)，与每张所述目标图像对应的图像矩阵的第一维度为每个通道中横向向量元素的数量，与每张所述目标图像对应的图像矩阵的第二维度为每个通道中纵向向量元素的数量，则与每张所述目标图像对应的图像矩阵的第一维度为24，与每张所述目标图像对应的图像矩阵的第二维度为32。

S106、将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别；

其中，将所述目标特征向量输入活体流向甄别模型进行活体流向甄别，活体流向甄别模型完成甄别将输出方向甄别结果值，方向甄别结果值用于确定多张目标图像中活体的流向，其中，目标特征向量的表述方式是符合输入活体流向甄别模型要求的表述方式。

可选的，活体流向甄别模型是基于卷积神经网络训练得到的。其中，采用多个图像特征向量样本训练卷积神经网络，一个图像特征向量样本对应同一位置连续的多个时刻的多张图像样本；每个图像特征向量样本的生成规则与目标特征向量的生成规则是相同的，以使每个图像特征向量样本的向量元素的数量与目标特征向量的数量相同，使每个图像特征向量样本的向量元素的含义与目标特征向量的含义相同。可以理解的是，含义相同是指向量元素对应的场景相对坐标位置相同，而且对应图像顺序相同，比如，图像特征向量样本的第一行第二列的向量元素与目标特征向量的第一行第二列的向量元素，都是场景相对坐标位置(0.001cm，0.002cm)提取出的向量元素，都是第一张图像(也就是，图像特征向量样本中第一张图像样本，所述多张目标图像中的第一张目标图像)，在此举例不做具体限定。基于卷积神经网络训练得到活体流向甄别模型，充分利用了机器学习算法对新鲜样本的适应能力，因此，活体流向甄别模型具有较强的泛化能力。

S108、获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。

获取将所述目标特征向量输入活体流向甄别模型进行活体流向甄别得到的方向甄别结果值。

可选的，方向甄别结果是两个数值，方向甄别结果的其中一个数值表述活体流向是第一方向的概率，方向甄别结果的另一个数值表述活体流向是第二方向的概率，第一方向的概率和第二方向的概率都是0到1的概率值，根据第一方向的概率和第二方向的概率的大小可以对所述多张目标图像的活体流向进行甄别。

可选的，当第一方向的概率大于第二方向的概率时，则说明活体往第一方向流动的可能性更大，因此可以确定所述目标位置在所述连续的多个时刻的活体流向为第一方向；当第一方向的概率小于第二方向的概率时，则说明活体往第二方向流动的可能性更大，因此可以确定所述目标位置在所述连续的多个时刻的活体流向为第二方向；当第一方向的概率和第二方向的概率都为0时，说明所述多张目标图像中不存在活体；当第一方向的概率和第二方向的概率相等，并且，第一方向的概率和第二方向的概率都不为0，说明活体流向甄别出现异常，将生成活体流向甄别异常提醒信号，所述活体流向甄别异常提醒信号用于提醒用户活体流向甄别异常，方便用户及时分析问题，提高了对多张目标图像进行活体流向甄别的效率。

可选的，当第一方向的概率同时大于第二方向的概率及流向概率阈值时，则说明活体往第一方向流动的可能性更大，因此可以确定所述目标位置在所述连续的多个时刻的活体流向为第一方向；当第二方向的概率同时大于第一方向的概率及流向概率阈值时，则说明活体往第二方向流动的可能性更大，因此可以确定所述目标位置在所述连续的多个时刻的活体流向为第二方向。流向概率阈值是一个0到1之间的具体数值，通过设置流向概率阈值可以避免误判，进一步提高了活体流向甄别的准确性。

可选的，所述流向概率阈值大于0.5，比如，所述流向概率阈值可以是0.55、0.6、0.65、0.7、0.75、0.8，在此举例不做具体限定。

当进行持续活体流向甄别时，相邻两次活体流向甄别采用的所述多张目标图像的检测时间可以部分重叠，也可以不重叠。不重叠可以是相连关系，还可以是间隔关系。比如，第一次活体流向甄别采用的所述多张目标图像的检测时间位于12:00至12:05时间段，第二次活体流向甄别采用的所述多张目标图像的检测时间位于12:03至12:08时间段，则存在12:05至12:08的重叠时间段，第一次活体流向甄别采用的所述多张目标图像的检测时间和第二次活体流向甄别采用的所述多张目标图像的检测时间部分重叠，在此举例不做具体限定。又比如，第一次活体流向甄别采用的所述多张目标图像的检测时间位于12:00至12:05时间段，第二次活体流向甄别采用的所述多张目标图像的检测时间位于12:05至12:10时间段，则第一次活体流向甄别采用的所述多张目标图像的检测时间和第二次活体流向甄别采用的所述多张目标图像的检测时间存在相连关系；第一次活体流向甄别采用的所述多张目标图像的检测时间位于12:00至12:05时间段，第二次活体流向甄别采用的所述多张目标图像的检测时间位于12:08至12:13时间段，12:05至12:08时间段热成像设备进行了检测，则第一次活体流向甄别采用的所述多张目标图像的检测时间和第二次活体流向甄别采用的所述多张目标图像的检测时间存在间隔关系，在此举例不做具体限定。

本实施例通过首先获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；然后根据所述多张目标图像，确定目标特征向量；最后将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别；获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。由于在无活体的时候，场景中的温度值相对较低，而在有活体的时候，场景中活体所在区域的温度值相对较高，因此，基于温度值形成的目标图像可以确定目标图像是否存在活体，然后根据连续的多个时刻的多张目标图像可以确定场景中活体的流向。由于整个活体流向甄别过程是基于多张目标图像，多张目标图像的像素点的表述的是温度值，相对传统的二维或三维视觉图像存在泄露隐私的问题，基于温度值的活体流向甄别可以避免泄露隐私的问题。而且采用活体流向甄别模型对活体流向进行甄别，具有较强的泛化能力。

如图2所示，在一个实施例中，所述方法还包括：

S202、获取多个图像特征向量样本，一个图像特征向量样本对应同一位置连续的多个时刻的多张图像样本，所述图像特征向量样本为多通道二维矩阵，所述图像特征向量样本的通道数量等于所述多张图像样本的数量；

其中，所述图像特征向量样本的通道数量等于所述多张图像样本的数量，包括：所述图像特征向量样本的特征向量的通道数量等于所述多张图像样本中图像样本的数量。

其中，多个图像特征向量样本，为用于卷积神经网络的样本。所述多个图像特征向量样本中图像特征向量样本的数量可以是500个、1000个、2000个、3000个、5000个、6000个，在此举例不做具体限定。

图像样本的各个像素点的像素值为温度值。

每个图像特征向量样本携带一个活体流向标定值。活体流向标定值是包含2个向量元素的向量，活体流向标定值的其中一个向量元素表述活体流向是第一方向的标定值，活体流向标定值的另一个数值表述活体流向是第二方向的标定值。

可选的，当图像样本存在有活体的图像区域时，有活体的图像区域是一个连续的区域，有活体的图像区域的像素点的像素值大于预设像素值，其中，有活体的图像区域在高度方向的像素点数量大于第一预设数量且在宽度方向的像素点数量大于第二预设数量。通过限定有活体的图像区域的尺寸，从而剔除无效的数据，有利于提高活体流向甄别模型输出的方向甄别结果值的准确性。

可选的，第一预设数量小于或等于第二预设数量。比如，第一预设数量为10个像素点，第二预设数量为12个像素点，在此举例不做具体限定。

可以理解的是，活体流向标定值可以独立放在数据列表中且与图像特征向量样本分开存储，也可以由每个图像特征向量样本携带且与图像特征向量样本一起存储。

S204、将所述多个图像特征向量样本输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，所述预测特征向量用于指示所述图像特征向量样本对应的预测活体流向，所述预测特征向量的向量元素个数为2；

其中，将所述多个图像特征向量样本依次输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，也就是说，每个图像特征向量样本对应一个预测特征向量。

其中，所述预测特征向量的其中一个向量元素用于指示预测活体流向是第一方向的概率，所述预测特征向量的另一个向量元素用于指示预测活体流向是第二方向的概率。

S206、根据所述与每个所述图像特征向量样本对应的预测特征向量、每个所述图像特征向量样本对应的活体流向标定值，对所述卷积神经网络进行训练，得到所述活体流向甄别模型，所述图像特征向量样本对应的活体流向标定值用于指示所述图像特征向量样本对应的真实活体流向。

具体而言，根据所述与每个所述图像特征向量样本对应的预测特征向量、每个所述图像特征向量样本对应的活体流向标定值进行损失计算，以及根据所述损失对所述卷积神经网络进行参数更新，训练结束时，将训练得到的所述卷积神经网络作为活体流向甄别模型。

可选的，也可以采用机器学习平台构建基于卷积神经网络的活体流向甄别模型。比如，机器学习平台可以采用Tensorflow(面向所有人的端到端开源机器学习平台)或者Keras，在此举例不做具体限定。

Keras由Python(跨平台的计算机程序设计语言)编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK(是一个非常强大的命令行系统,可以创建神经网络预测系统)和Theano(是一个Python库,用来定义、优化和模拟数学表达式计算)的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。

本实施例实现了基于卷积神经网络训练出活体流向甄别模型，由于卷积神经网络具有较强的图像理解能力，因此训练出的活体流向甄别模型能够准确的甄别出多张目标图像中的活体流向；由于卷积神经网络需要的参数相对传统神经网络需要的参数少，因此采用少量的图像特征向量样本即可训练出活体流向甄别模型，提高了训练效率；由于借助卷积神经网络的深度学习能力，无需采用人工对图像进行低阶特征的提取，简化了活体流向甄别的步骤，提高了活体流向甄别的效率。

如图3所示，在一个实施例中，所述卷积神经网络包括依次连接的卷积层、池化层及抽象压缩模块。

如图4所示，在一个实施例中，所述将所述多个图像特征向量样本输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，包括：

S402、将所述多个图像特征向量样本输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量；

其中，将所述多个图像特征向量样本依次输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量，也就是说，所述与每个所述图像特征向量样本对应的第一特征向量的数量为多个，每个所述图像特征向量样本对应一个所述与每个所述图像特征向量样本对应的第一特征向量。

通过提取第一特征向量，同时实现了通道的扩充以及抽象特征的提取。

其中，抽象特征，为图像特征向量样本的抽象特征，是对图像特征向量样本中的活体对象和背景进行深层推理得到的语义。

其中，通道扩充，是指提取得到的第一特征向量的通道数量大于图像特征向量样本的通道数量，也就是说，所述卷积神经网络的卷积层的卷积通道的数量大于图像特征向量样本的通道数量。比如，图像特征向量样本的通道数量为4时，通过卷积神经网络的卷积层的通道扩充，使第一特征向量的通道数量可以为32个通道、64个通道、128个通道中的任一个，在此举例不做具体限定。

S404、将所述与每个所述图像特征向量样本对应的第一特征向量输入所述卷积神经网络的池化层进行最大池化，得到与每个所述图像特征向量样本对应的第二特征向量；

将所有所述与每个所述图像特征向量样本对应的第一特征向量依次输入所述卷积神经网络的池化层进行最大池化，以去掉第一特征向量中的冗余信息，从而进一步将图像特征向量样本的抽象特征提取出来，同时实现了降维。

可选的，所述卷积神经网络的池化层采用预设池化矩阵、预设步长、不重叠的池化方式对第一特征向量在第一维度和第二维度进行最大池化，得到与每个所述图像特征向量样本对应的第二特征向量。可以理解的是，所述卷积神经网络的池化层的预设池化矩阵可以采用2×2的矩阵、3×3的矩阵、4×4的矩阵、5×5的矩阵中的任一种。

其中，第一维度为高度，第二维度为宽度。比如，第一特征向量24×32×64(64为通道数量)，第一特征向量的第一维度为每个通道中横向向量元素的数量，第一特征向量的第二维度为每个通道中纵向向量元素的数量，则第一特征向量的第一维度为24，第一特征向量的第二维度为32。又比如，图像特征向量样本为24×32×4(4为通道数量)，图像特征向量样本的第一维度为每个通道中横向向量元素的数量，图像特征向量样本的第二维度为每个通道中纵向向量元素的数量，则图像特征向量样本的第一维度为24，图像特征向量样本的第二维度为32。

比如，第一特征向量为24×32×64(其中，24为第一维度，32为第二维度，64为通道数量)，所述卷积神经网络的池化层采用3×3的矩阵、步长为3、不重叠的池化方式对第一特征向量在第一维度和第二维度进行最大池化，得到8×10×64(其中，8为第一维度，10为第二维度，64为通道数量)的特征向量，也就是说，此时与每个所述图像特征向量样本对应的第一特征向量为24×32×64，与每个所述图像特征向量样本对应的第二特征向量为8×10×64的特征向量，在此举例不做具体限定。

S406、将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的抽象压缩模块进行抽象压缩处理，得到与每个所述图像特征向量样本对应的预测特征向量。

其中，抽象压缩处理，是对第二特征向量进一步进行抽象特征提取，同时实现了降维和降通道。降维，是降低第二特征向量的第一维度和第二维度的数量。降通道，是降低第二特征向量的通道数量。

本实施例实现了采用卷积神经网络的卷积层、池化层、抽象压缩模块对图像特征向量样本进行抽象特征提取、降维、压缩，得到与每个所述图像特征向量样本对应的预测特征向量。

如图3所示，所述抽象压缩模块包括依次连接的第一丢弃层(也称为Dropout层)、压缩层、第一全连接层、第二丢弃层及第二全连接层，其中，第一丢弃层和第二丢弃层都是丢弃层。第一全连接层和第二全连接层都是全连接层，丢弃层也称为Dropout层，压缩层也称为Flatten层。

如图5所示，在一个实施例中，所述将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的抽象压缩模块进行抽象压缩处理，得到与每个所述图像特征向量样本对应的预测特征向量，包括：

S502、将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的第一丢弃层进行随机丢弃，得到与每个所述图像特征向量样本对应的第三特征向量；

将所有所述与每个所述图像特征向量样本对应的第二特征向量依次输入所述卷积神经网络的第一丢弃层进行随机丢弃，用于增加基于卷积神经网络训练出的活体流向甄别模型的稳定性和抗过拟合能力。

其中，所述随机丢弃，是指随机选择一部分输入所述卷积神经网络的第一丢弃层的数据(也就是所述与每个所述图像特征向量样本对应的第二特征向量)的输出作为丢弃元素，把丢弃元素乘以0。

其中，所述卷积神经网络的第一丢弃层采用第一预设丢弃率随机丢弃所述与每个所述图像特征向量样本对应的第二特征向量中的数据。

其中，第一预设丢弃率，是预设的丢弃率。第一预设丢弃率可以是0.15至0.5的数值。比如，第一预设丢弃率可以是0.15、0.2、0.25、0.3、0.35、0.4、0.45、0.5，在此举例不做具体限定。丢弃率是丢弃数据比例，将丢弃数据数量除以总数据得到丢弃率，比如，输入所述卷积神经网络的第一丢弃层的数据为8×10×64(8为第一维度，10为第二维度，64是通道数量)，在第一维度和第二维度上进行丢弃，丢弃的数据的总个数除以8×10×64得到丢弃率。

可选的，第一预设丢弃率的数值可以根据输入所述卷积神经网络的第一丢弃层的数据的尺寸和需要所述卷积神经网络的第一丢弃层输出的数据的尺寸确定。

可选的，当图像特征向量样本为24×32×4(24是图像特征向量样本的第一维度时，所述卷积神经网络的第一丢弃层采用0.2的丢弃率随机丢弃与每个所述图像特征向量样本对应的第二特征向量中的数据，从而避免丢弃数据不足，也避免过渡丢弃的问题。

S504、将所述与每个所述图像特征向量样本对应的第三特征向量输入所述卷积神经网络的压缩层进行一维向量转换，得到与每个所述图像特征向量样本对应的第四特征向量；

其中，将所有所述与每个所述图像特征向量样本对应的第三特征向量依次输入所述卷积神经网络的压缩层进行一维向量转换，所述卷积神经网络的压缩层将所述与每个所述图像特征向量样本对应的第三特征向量转换成一维向量，也就是说，与每个所述图像特征向量样本对应的第四特征向量是一维向量。

其中，所述卷积神经网络的压缩层将所述与每个所述图像特征向量样本对应的第三特征向量转换成一维向量，包括：将所述与每个所述图像特征向量样本对应的第三特征向量先转换为单通道，得到单通道特征向量；然后在单通道特征向量的第二维度上进行一维向量转换，得到与每个所述图像特征向量样本对应的第四特征向量，也就是说，与每个所述图像特征向量样本对应的第四特征向量的第一维度的维度数量为1,与每个所述图像特征向量样本对应的第四特征向量的第二维度的维度数量与所述与每个所述图像特征向量样本对应的第三特征向量的向量元素数量相同，与每个所述图像特征向量样本对应的第四特征向量的通道数量为1。

S506、将所述与每个所述图像特征向量样本对应的第四特征向量输入所述卷积神经网络的第一全连接层进行抽象压缩，得到与每个所述图像特征向量样本对应的第五特征向量；

其中，将所有所述与每个所述图像特征向量样本对应的第四特征向量依次输入所述卷积神经网络的第一全连接层进行抽象压缩，其中，所述卷积神经网络的第一全连接层按第一预设压缩维数对所述与每个所述图像特征向量样本对应的第四特征向量进行抽象特征提取并进行维度压缩，也就是说，与每个所述图像特征向量样本对应的第五特征向量的维数与所述第一预设压缩维数相同。

其中，第一预设压缩维数，是预先设置的维数，比如，第一预设压缩维数可以是16维、32维、64维、128维，在此举例不做具体限定。

可选的，当图像特征向量样本为24×32×4(24是图像特征向量样本的第一维度，32是图像特征向量样本的第二维度，4为通道数量)时，第一预设压缩维数采用32维。

S508、将所述与每个所述图像特征向量样本对应的第五特征向量输入所述卷积神经网络的第二丢弃层进行随机丢弃，得到与每个所述图像特征向量样本对应的第六特征向量；

将所有所述与每个所述图像特征向量样本对应的第五特征向量依次输入所述卷积神经网络的第二丢弃层进行随机丢弃，用于进一步增加基于卷积神经网络训练出的活体流向甄别模型的稳定性和抗过拟合能力。

其中，所述卷积神经网络的第二丢弃层采用第二预设丢弃率随机丢弃所述与每个所述图像特征向量样本对应的第五特征向量中的数据。

其中，所述随机丢弃，是指随机选择一部分输入所述卷积神经网络的第一丢弃层的数据(也就是所述与每个所述图像特征向量样本对应的第二特征向量)的输出作为丢弃元素，把丢弃元素乘以0。

其中，第二预设丢弃率，是预设的丢弃率。第二预设丢弃率可以是0.15至0.5的数值，比如，第二预设丢弃率可以是0.15、0.2、0.25、0.3、0.35、0.4、0.45、0.5，在此举例不做具体限定。

可选的，第二预设丢弃率的数值可以根据输入所述卷积神经网络的第二丢弃层的数据的尺寸和需要所述卷积神经网络的第二丢弃层输出的数据的尺寸确定。

可选的，当图像特征向量样本为24×32×4(24是图像特征向量样本的第一维度时，所述卷积神经网络的第二丢弃层采用0.25的丢弃率随机丢弃所述与每个所述图像特征向量样本对应的第五特征向量中的数据，从而避免丢弃数据不足，也避免过渡丢弃的问题。

S510、将所述与每个所述图像特征向量样本对应的第六特征向量输入所述卷积神经网络的第二全连接层进行抽象压缩，得到与每个所述图像特征向量样本对应的预测特征向量。

其中，将所有所述与每个所述图像特征向量样本对应的第六特征向量依次输入所述卷积神经网络的第二全连接层进行抽象压缩，其中，所述卷积神经网络的第二全连接层按第二预设压缩维数对所述与每个所述图像特征向量样本对应的第六特征向量进行抽象特征提取并进行维度压缩，也就是说，与每个所述图像特征向量样本对应的预测特征向量的维数与所述第二预设压缩维数相同。

其中，第二预设压缩维数，是预先设置的维数。

可选的，当图像特征向量样本为24×32×4(24是图像特征向量样本的第一维度，32是图像特征向量样本的第二维度，4为通道数量)时，活体流向甄别得到的方向甄别结果值是两个结果值(也就是第一方向的概率和第二方向的概率)时，第二预设压缩维数采用2维。

本实施例通过丢弃、抽象压缩的方式，将所述与每个所述图像特征向量样本对应的第二特征向量处理成活体流向甄别的两个结果值(也就是第一方向的概率和第二方向的概率)，从而得到了所述图像特征向量样本对应的预测活体流向。

在一个实施例中，所述将所述多个图像特征向量样本输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量，包括：

将所述多个图像特征向量样本分别输入至所述卷积神经网络的卷积层中的多个卷积通道，将所述多个卷积通道各自对应的卷积核与所述多个图像特征向量样本进行卷积运算，得到与每个所述图像特征向量样本对应的第一特征向量，所述卷积通道的数量大于所述图像特征向量样本的通道数量。

其中，将所述多个图像特征向量样本分别输入至所述卷积神经网络的卷积层中的多个卷积通道，是指每次只输入一个图像特征向量样本；将所述多个卷积通道各自对应的卷积核对每次输入的图像特征向量样本的所有通道进行多维卷积运算，得到与每个所述卷积通道对应的卷积结果，所述与每个所述卷积通道对应的卷积结果是单通道矩阵，将同一所述图像特征向量样本对应的卷积结果在通道上进行组合，得到与每个所述图像特征向量样本对应的第一特征向量。也就是说，与每个所述图像特征向量样本对应的第一特征向量的通道数量与所述多个卷积通道的卷积通道的数量相同。可以理解的是，每个卷积通道对应一组卷积核，每组卷积核可以包括至少一个卷积核。比如，将尺寸为24×32×4的图像特征向量样本(24第一维度，32是第二维度，4是通道数量，图像特征向量样本的每个通道对应一个图像样本)分别输入至所述卷积神经网络的卷积层中的64个卷积通道；每个卷积通道中的所有卷积核对所述图像特征向量样本的4个通道进行4维卷积计算，得到一个尺寸为24×32×1(24是第一维度，32是第二维度，1为通道数量)的与每个所述卷积通道对应的卷积结果，也就是说，对于每个图像特征向量样本，64个卷积通道进行4维卷积运算后得到64个所述与每个所述卷积通道对应的卷积结果；将64个所述与每个所述卷积通道对应的卷积结果在通道维度上进行组合，得到规格为24×32×64(24是第一维度，32是第二维度，64为通道数量)的所述与每个所述图像特征向量样本对应的第一特征向量。又比如，对于尺寸为24×32×4的图像特征向量样本，所述卷积神经网络的卷积层的n1卷积通道，将n1卷积通道的所有卷积核对所述图像特征向量样本的4个通道进行4维卷积计算，得到每维卷积计算结果，也就是说4维卷积计算得到4个所述每维卷积计算结果，将4个所述每维卷积计算结果按对应位置相加(指将4个每维卷积计算结果中处于目标位置的4个值相加，得到该目标位置的值，其中，目标位置为卷积计算结果中的任一位置)，得到一个卷积通道对应的单通道矩阵，从而得到与所述n1卷积通道对应的单通道矩阵，将与所述n1卷积通道对应的单通道矩阵作为n1卷积通道对所述图像特征向量样本的卷积结果(也就是与每个所述卷积通道对应的卷积结果)。可选的，所述多个卷积通道的数量可以是32、64、128中的任意一个。

可选的，当图像特征向量样本为24×32×4(24是图像特征向量样本的第一维度，32是图像特征向量样本的第二维度，4为通道数量)时，所述多个卷积通道包括64个卷积通道，此时与每个所述图像特征向量样本对应的第一特征向量的通道数量为64。

可选的，所述多个卷积通道各自对应的卷积核的规格相同，比如，卷积核的规格可以是2×2、3×3、4×4、5×5中的任一个。可选的，当图像特征向量样本为24×32×4(24是图像特征向量样本的第一维度，32是图像特征向量样本的第二维度，4为通道数量)时，卷积核的规格采用5×5。

可选的，将所述多个卷积通道各自对应的卷积核与所述多个图像特征向量样本进行卷积运算时，还采用边缘补0的填充方式，从而使得到的与每个所述图像特征向量样本对应的第一特征向量的第一维度的维度数与图像特征向量样本第一维度的维度数相同，与每个所述图像特征向量样本对应的第一特征向量的第二维度的维度数与图像特征向量样本第二维度的维度数相同，从而实现了保持图像特征向量样本第一维度和第二维度的尺寸。

可选的，将所述多个卷积通道各自对应的卷积核与所述多个图像特征向量样本进行卷积运算时还采用ReLU激活函数，对于线性函数而言，ReLU激活函数的表达能力更强，不存在梯度消失问题，从而使基于卷积层采用ReLU激活函数的卷积神经网络训练得到的活体流向甄别模型的收敛速度维持在一个稳定状态。

在一个实施例中，所述根据所述与每个所述图像特征向量样本对应的预测特征向量、每个所述图像特征向量样本对应的活体流向标定值，对所述卷积神经网络进行训练，得到所述活体流向甄别模型，包括：

根据所述与每个所述图像特征向量样本对应的预测特征向量、每个所述图像特征向量样本对应的活体流向标定值，计算卷积神经网络的损失；根据所述损失更新所述卷积神经网络中的参数，更新后的所述卷积神经网络的参数被用于下一次计算所述与每个所述图像特征向量样本对应的预测特征向量；重复执行上述方法步骤直至所述损失达到第一收敛条件或迭代次数达到第二收敛条件，将损失达到第一收敛条件或迭代次数达到第二收敛条件的所述卷积神经网络确定为所述活体流向甄别模型。

其中，将所述与每个所述图像特征向量样本对应的预测特征向量和每个所述图像特征向量样本对应的活体流向标定值输入所述预设损失函数，计算卷积神经网络的损失。将所述卷积神经网络的损失输入预设参数更新函数，计算得到所述卷积神经网络的参数的待更新值，所述卷积神经网络的参数的待更新值包括：卷积层的参数的待更新值、池化层的参数的待更新值、第一丢弃层的参数的待更新值、压缩层的参数的待更新值、第一全连接层的参数的待更新值、第二丢弃层的参数的待更新值及第二全连接层的参数的待更新值：用待更新值更新所述卷积神经网络的参数。重复执行迭代计算，直至，当所述卷积神经网络的损失达到第一收敛条件或者计算所述与每个所述图像特征向量样本对应的预测特征向量的迭代次数达到第二收敛条件时训练结束，将训练结束后的所述卷积神经网络作为活体流向甄别模型。

所述第一收敛条件包括：连续两次计算出的所述卷积神经网络的损失的大小满足lipschitz条件(利普希茨连续条件)。

第二收敛条件，是一个预设的自然数。

可选的，预设损失函数J(θ)为：

其中，m为所述多个图像特征向量样本中所述图像特征向量样本的个数，y是所述多个图像特征向量样本中的第i个所述图像特征向量样本对应的预测特征向量，y⁽ⁱ⁾是所述多个图像特征向量样本中的第i个所述图像特征向量样本对应的活体流向标定值，预设损失函数J(θ)输出值为所述卷积神经网络的损失。

可选的，预设更新函数z_j为：

其中，预设更新函数z_j的输出值为卷积神经网络的参数的待更值，θ_j为卷积神经网络的第j个参数，

是指计算卷积神经网络的预设损失函数J(θ)的偏导数，

是指计算卷积神经网络的第j个参数的偏导数；α是指机器学习的学习率。

本实施例训练时更新所述卷积神经网络的参数，从而每一次迭代计算使所述与每个所述图像特征向量样本对应的预测特征向量更接近与每个图像特征向量样本对应的活体流向标定值；通过设定第一收敛条件、第二收敛条件其中任一个作为训练结束条件，提高了训练效率。

如图6所示，在一个实施例中，所述获取多张目标图像，包括：

S602、获取各采样周期对应的待清洗图像，一个采样周期对应的待清洗图像为在一个采样周期内采集到的热成像图像；

具体而言，热成像设备根据采样周期进行检测，得到各采样周期对应的待清洗图像。

所述采样周期是一个数值，比如，1秒、2秒、3秒、10秒、20秒，在此举例不做具体限定。

比如，当采样周期为1秒时，所述热成像设备按采集时间0秒(0秒是开始采集的时间)至采集时间1秒(第一个采样周期)、采集时间1秒至采集时间2秒(第二个采样周期)、采集时间2秒至采集时间3秒(第三个采样周期)对所述目标位置进行检测，其中，采集时间0秒至采集时间1秒不包括0秒且包括1秒、采集时间1秒至采集时间2秒不包括1秒且包括2秒、采集时间2秒至采集时间3秒不包括2秒且包括3秒，在此举例不做具体限定。

可选的，当所述热成像设备得到的是热成像视频时，采样周期为1秒，每秒采集16张(视频的帧率为16帧)活体检测图像，在此举例不做具体限定。

S604、若目标采样周期对应的待清洗图像的数量小于预设图像阈值，或者，目标采样周期对应的待清洗图像中存在像素点数量少于预设像素点阈值的活体检测图像，则丢弃所述目标采样周期对应的待清洗图像，否则则将所述目标采样周期对应的待清洗图像作为备选图像，所述目标采样周期为任一采样周期；

其中，若目标采样周期对应的待清洗图像的数量小于预设图像阈值，或者，目标采样周期对应的任一待清洗图像存在像素点数量少于预设像素点阈值时，则将所述目标采样周期对应的所有待清洗图像丢弃。

S606、根据所述连续的多个时刻从所述备选图像中，确定所述多张目标图像。

将所有所述备选图像中检测时间与所述连续的多个时刻相同的备选图像作为目标图像。

本实施例实现了丢弃不符合条件的目标采样周期对应的所有待清洗图像，有利于提高备选图像的质量，从而提高目标图像的质量，进一步提高了活体流向甄别模型输出甄别结果的准确性。

在一个实施例中，所述根据所述多张目标图像，确定目标特征向量，包括：根据所述多张目标图像，获取与每张所述目标图像对应的图像矩阵；将所有所述与每张所述目标图像对应的图像矩阵在通道上进行拼接，得到所述目标特征向量，所述目标特征向量的通道数量与所述多张目标图像的数量相同。

其中，与每张所述目标图像对应的图像矩阵是一通道二维矩阵，与每张所述目标图像对应的图像矩阵的向量元素的值表述目标图像的像素点的像素值。比如，与每张所述目标图像对应的图像矩阵第3行第5列的向量元素表述的是目标图像的第3行第5列的像素点的像素值。

将所有与每张所述目标图像对应的图像矩阵在通道上进行拼接，也就是说，所述目标特征向量的通道数是所有与每张所述目标图像对应的图像矩阵的通道数之和。比如，所述多张目标图像包括4张目标图像，与每张所述目标图像对应的图像矩阵是一通道二维矩阵，所有与每张所述目标图像对应的图像矩阵的通道数之和为4，则所述目标特征向量的通道数为4。又比如，与每张所述目标图像对应的图像矩阵为24×32×1(24是与每张所述目标图像对应的图像矩阵的第一维度，32是与每张所述目标图像对应的图像矩阵的第二维度，1为与每张所述目标图像对应的图像矩阵的通道数量)，经过在通道上进行拼接，得到尺寸为24×32×4的所述目标特征向量(24是所述目标特征向量的第一维度，32是所述目标特征向量的第二维度，4为所述目标特征向量的通道数量)。

本实施例通过在通道上进行拼接，将多个一通道二维矩阵转换成了一个多通道二维矩阵。

在一个实施例中，所述根据所述多张目标图像，确定目标特征向量，还包括：对所述多张目标图像分别进行活体甄别，得到与每个目标图像对应的活体甄别结果；判断所有与每个目标图像对应的活体甄别结果是否满足预设甄别结果条件，当满足所述预设甄别结果条件时，所述根据所述多张目标图像，确定目标特征向量。

其中，对所述多张目标图像的每张所述目标图像进行活体甄别，得到与每个目标图像对应的活体甄别结果。

可选的，预设甄别结果条件，是指至少一张目标图像上存在活体。

可选的，当所有与每个目标图像对应的活体甄别结果不满足所述预设甄别结果条件时，则确定活体流向甄别结果为无活体。

本实施例通过在确定确定目标特征向量进行活体甄别，从而避免基于不满足预设甄别结果条件的所述多张目标图像进行活体流向甄别，提高了本发明的基于热成像的活体流向甄别方法的活体流向甄别效率。

在一个实施例中，所述活体流向甄别模型的卷积层接收所述目标特征向量；

所述活体流向甄别模型的卷积层对所述目标特征向量进行特征通道扩充及抽象特征提取，得到与所述多张目标图像对应的第一特征向量，并且将与所述目标图像对应的第一特征向量输入所述活体流向甄别模型的池化层；

所述活体流向甄别模型的池化层对与所述多张目标图像对应的第一特征向量进行最大池化，得到与所述多张目标图像对应的第二特征向量，将与所述多张目标图像对应的第二特征向量发送给所述活体流向甄别模型的第一丢弃层；

所述活体流向甄别模型的第一丢弃层对与所述多张目标图像对应的第二特征向量进行随机丢弃，得到与所述多张目标图像对应的第三特征向量，将与所述多张目标图像对应的第三特征向量输入所述活体流向甄别模型的压缩层；

所述活体流向甄别模型的压缩层对与所述多张目标图像对应的第三特征向量进行一维向量转换，得到与所述多张目标图像对应的第四特征向量，将与所述多张目标图像对应的第四特征向量输入所述活体流向甄别模型的第一全连接层；

所述活体流向甄别模型的第一全连接层对与所述多张目标图像对应的第四特征向量进行抽象压缩，得到与所述多张目标图像对应的第五特征向量，将与所述多张目标图像对应的第五特征向量输入所述活体流向甄别模型的第二丢弃层；

所述活体流向甄别模型的第二丢弃层对与所述多张目标图像对应的第五特征向量进行随机丢弃，得到与所述多张目标图像对应的第六特征向量，将与所述多张目标图像对应的第六特征向量输入所述活体流向甄别模型的第二全连接层；

所述活体流向甄别模型的第二全连接层对与所述多张目标图像对应的第六特征向量进行抽象压缩，得到与所述多张目标图像对应的第七特征向量，将与所述多张目标图像对应的第七特征向量作为所述方向甄别结果值。

如图7所示，在一个实施例中，提出了一种基于热成像的活体流向甄别装置，所述装置包括：

图像获取模块702，用于获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；

向量提取模块704，用于根据所述多张目标图像，确定目标特征向量；

活体流向甄别模块706，用于将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别，获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。

本实施例通过图像获取模块702获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；通过向量提取模块704根据所述多张目标图像，确定目标特征向量；通过活体流向甄别模块706将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别，获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。由于在无活体的时候，场景中的温度值相对较低，而在有活体的时候，场景中活体所在区域的温度值相对较高，因此，基于温度值形成的目标图像可以确定目标图像是否存在活体，然后根据连续的多个时刻的多张目标图像可以确定场景中活体的流向。由于整个活体流向甄别过程是基于多张目标图像，多张目标图像的像素点的表述的是温度值，相对传统的二维或三维视觉图像存在泄露隐私的问题，基于温度值的活体流向甄别可以避免泄露隐私的问题。而且采用活体流向甄别模型对活体流向进行甄别，具有较强的泛化能力。

图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于热成像的活体流向甄别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于热成像的活体流向甄别方法。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的一种基于热成像的活体流向甄别方法可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成的一种基于热成像的活体流向甄别装置的各个程序模板。比如，图像获取模块702、向量提取模块704、活体流向甄别模块706。

在一个实施例中，提出了一种存储介质，存储有计算机指令程序，所述计算机指令程序被处理器执行时，使得所述处理器执行时实现如下方法步骤：获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；根据所述多张目标图像，确定目标特征向量；将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别；获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：获取多个图像特征向量样本，一个图像特征向量样本对应同一位置连续的多个时刻的多张图像样本，所述图像特征向量样本为多通道二维矩阵，所述图像特征向量样本的通道数量等于所述多张图像样本的数量；将所述多个图像特征向量样本输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，所述预测特征向量用于指示所述图像特征向量样本对应的预测活体流向，所述预测特征向量的向量元素个数为2；根据所述与每个所述图像特征向量样本对应的预测特征向量、每个所述图像特征向量样本对应的活体流向标定值，对所述卷积神经网络进行训练，得到所述活体流向甄别模型，所述图像特征向量样本对应的活体流向标定值用于指示所述图像特征向量样本对应的真实活体流向。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：所述卷积神经网络包括依次连接的卷积层、池化层及抽象压缩模块；所述将所述多个图像特征向量样本输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，包括：将所述多个图像特征向量样本输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量；将所述与每个所述图像特征向量样本对应的第一特征向量输入所述卷积神经网络的池化层进行最大池化，得到与每个所述图像特征向量样本对应的第二特征向量；将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的抽象压缩模块进行抽象压缩处理，得到与每个所述图像特征向量样本对应的预测特征向量。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：所述抽象压缩模块包括依次连接的第一丢弃层、压缩层、第一全连接层、第二丢弃层及第二全连接层；所述将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的抽象压缩模块进行抽象压缩处理，得到与每个所述图像特征向量样本对应的预测特征向量，包括：将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的第一丢弃层进行随机丢弃，得到与每个所述图像特征向量样本对应的第三特征向量；将所述与每个所述图像特征向量样本对应的第三特征向量输入所述卷积神经网络的压缩层进行一维向量转换，得到与每个所述图像特征向量样本对应的第四特征向量；将所述与每个所述图像特征向量样本对应的第四特征向量输入所述卷积神经网络的第一全连接层进行抽象压缩，得到与每个所述图像特征向量样本对应的第五特征向量；将所述与每个所述图像特征向量样本对应的第五特征向量输入所述卷积神经网络的第二丢弃层进行随机丢弃，得到与每个所述图像特征向量样本对应的第六特征向量；将所述与每个所述图像特征向量样本对应的第六特征向量输入所述卷积神经网络的第二全连接层进行抽象压缩，得到与每个所述图像特征向量样本对应的预测特征向量。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：所述将所述多个图像特征向量样本输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量，包括：将所述多个图像特征向量样本分别输入至所述卷积神经网络的卷积层中的多个卷积通道，将所述多个卷积通道各自对应的卷积核与所述多个图像特征向量样本进行卷积运算，得到与每个所述图像特征向量样本对应的第一特征向量，所述卷积通道的数量大于所述图像特征向量样本的通道数量。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：所述获取多张目标图像，包括：获取各采样周期对应的待清洗图像，一个采样周期对应的待清洗图像为在一个采样周期内采集到的热成像图像；若目标采样周期对应的待清洗图像的数量小于预设图像阈值，或者，目标采样周期对应的待清洗图像中存在像素点数量少于预设像素点阈值的活体检测图像，则丢弃所述目标采样周期对应的待清洗图像，否则则将所述目标采样周期对应的待清洗图像作为备选图像，所述目标采样周期为任一采样周期；根据所述连续的多个时刻从所述备选图像中，确定所述多张目标图像。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：所述根据所述多张目标图像，确定目标特征向量，包括：根据所述多张目标图像，获取与每张所述目标图像对应的图像矩阵；将所有所述与每张所述目标图像对应的图像矩阵在通道上进行拼接，得到所述目标特征向量，所述目标特征向量的通道数量与所述多张目标图像的数量相同。

在一个实施例中，本发明还提出了一种计算机设备，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行时实现如下方法步骤：获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；根据所述多张目标图像，确定目标特征向量；将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别；获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：获取多个图像特征向量样本，一个图像特征向量样本对应同一位置连续的多个时刻的多张图像样本，所述图像特征向量样本为多通道二维矩阵，所述图像特征向量样本的通道数量等于所述多张图像样本的数量；将所述多个图像特征向量样本输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，所述预测特征向量用于指示所述图像特征向量样本对应的预测活体流向，所述预测特征向量的向量元素个数为2；根据所述与每个所述图像特征向量样本对应的预测特征向量、每个所述图像特征向量样本对应的活体流向标定值，对所述卷积神经网络进行训练，得到所述活体流向甄别模型，所述图像特征向量样本对应的活体流向标定值用于指示所述图像特征向量样本对应的真实活体流向。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：所述卷积神经网络包括依次连接的卷积层、池化层及抽象压缩模块；所述将所述多个图像特征向量样本输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，包括：将所述多个图像特征向量样本输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量；将所述与每个所述图像特征向量样本对应的第一特征向量输入所述卷积神经网络的池化层进行最大池化，得到与每个所述图像特征向量样本对应的第二特征向量；将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的抽象压缩模块进行抽象压缩处理，得到与每个所述图像特征向量样本对应的预测特征向量。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：所述抽象压缩模块包括依次连接的第一丢弃层、压缩层、第一全连接层、第二丢弃层及第二全连接层；所述将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的抽象压缩模块进行抽象压缩处理，得到与每个所述图像特征向量样本对应的预测特征向量，包括：将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的第一丢弃层进行随机丢弃，得到与每个所述图像特征向量样本对应的第三特征向量；将所述与每个所述图像特征向量样本对应的第三特征向量输入所述卷积神经网络的压缩层进行一维向量转换，得到与每个所述图像特征向量样本对应的第四特征向量；将所述与每个所述图像特征向量样本对应的第四特征向量输入所述卷积神经网络的第一全连接层进行抽象压缩，得到与每个所述图像特征向量样本对应的第五特征向量；将所述与每个所述图像特征向量样本对应的第五特征向量输入所述卷积神经网络的第二丢弃层进行随机丢弃，得到与每个所述图像特征向量样本对应的第六特征向量；将所述与每个所述图像特征向量样本对应的第六特征向量输入所述卷积神经网络的第二全连接层进行抽象压缩，得到与每个所述图像特征向量样本对应的预测特征向量。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：所述将所述多个图像特征向量样本输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量，包括：将所述多个图像特征向量样本分别输入至所述卷积神经网络的卷积层中的多个卷积通道，将所述多个卷积通道各自对应的卷积核与所述多个图像特征向量样本进行卷积运算，得到与每个所述图像特征向量样本对应的第一特征向量，所述卷积通道的数量大于所述图像特征向量样本的通道数量。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：所述获取多张目标图像，包括：获取各采样周期对应的待清洗图像，一个采样周期对应的待清洗图像为在一个采样周期内采集到的热成像图像；若目标采样周期对应的待清洗图像的数量小于预设图像阈值，或者，目标采样周期对应的待清洗图像中存在像素点数量少于预设像素点阈值的活体检测图像，则丢弃所述目标采样周期对应的待清洗图像，否则则将所述目标采样周期对应的待清洗图像作为备选图像，所述目标采样周期为任一采样周期；根据所述连续的多个时刻从所述备选图像中，确定所述多张目标图像。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于：所述根据所述多张目标图像，确定目标特征向量，包括：根据所述多张目标图像，获取与每张所述目标图像对应的图像矩阵；将所有所述与每张所述目标图像对应的图像矩阵在通道上进行拼接，得到所述目标特征向量，所述目标特征向量的通道数量与所述多张目标图像的数量相同。

需要说明的是，上述一种基于热成像的活体流向甄别方法、一种基于热成像的活体流向甄别装置、存储介质及计算机设备属于一个总的发明构思，一种基于热成像的活体流向甄别方法、一种基于热成像的活体流向甄别装置、存储介质及计算机设备实施例中的内容可相互适用。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于热成像的活体流向甄别方法，所述方法包括：

获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；

根据所述多张目标图像，确定目标特征向量；

将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别；

获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。

2.根据权利要求1所述的基于热成像的活体流向甄别方法，其特征在于，所述方法还包括：

获取多个图像特征向量样本，一个图像特征向量样本对应同一位置连续的多个时刻的多张图像样本，所述图像特征向量样本为多通道二维矩阵，所述图像特征向量样本的通道数量等于所述多张图像样本的数量；

将所述多个图像特征向量样本输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，所述预测特征向量用于指示所述图像特征向量样本对应的预测活体流向，所述预测特征向量的向量元素个数为2；

根据所述与每个所述图像特征向量样本对应的预测特征向量、每个所述图像特征向量样本对应的活体流向标定值，对所述卷积神经网络进行训练，得到所述活体流向甄别模型，所述图像特征向量样本对应的活体流向标定值用于指示所述图像特征向量样本对应的真实活体流向。

3.根据权利要求2所述的基于热成像的活体流向甄别方法，其特征在于，所述卷积神经网络包括依次连接的卷积层、池化层及抽象压缩模块；

所述将所述多个图像特征向量样本输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，包括：

将所述多个图像特征向量样本输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量；

将所述与每个所述图像特征向量样本对应的第一特征向量输入所述卷积神经网络的池化层进行最大池化，得到与每个所述图像特征向量样本对应的第二特征向量；

将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的抽象压缩模块进行抽象压缩处理，得到与每个所述图像特征向量样本对应的预测特征向量。

4.根据权利要求3所述的基于热成像的活体流向甄别方法，其特征在于，所述抽象压缩模块包括依次连接的第一丢弃层、压缩层、第一全连接层、第二丢弃层及第二全连接层；

所述将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的抽象压缩模块进行抽象压缩处理，得到与每个所述图像特征向量样本对应的预测特征向量，包括：

将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的第一丢弃层进行随机丢弃，得到与每个所述图像特征向量样本对应的第三特征向量；

将所述与每个所述图像特征向量样本对应的第三特征向量输入所述卷积神经网络的压缩层进行一维向量转换，得到与每个所述图像特征向量样本对应的第四特征向量；

将所述与每个所述图像特征向量样本对应的第四特征向量输入所述卷积神经网络的第一全连接层进行抽象压缩，得到与每个所述图像特征向量样本对应的第五特征向量；

将所述与每个所述图像特征向量样本对应的第五特征向量输入所述卷积神经网络的第二丢弃层进行随机丢弃，得到与每个所述图像特征向量样本对应的第六特征向量；

将所述与每个所述图像特征向量样本对应的第六特征向量输入所述卷积神经网络的第二全连接层进行抽象压缩，得到与每个所述图像特征向量样本对应的预测特征向量。

5.根据权利要求3所述的基于热成像的活体流向甄别方法，其特征在于，所述将所述多个图像特征向量样本输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量，包括：

将所述多个图像特征向量样本分别输入至所述卷积神经网络的卷积层中的多个卷积通道，将所述多个卷积通道各自对应的卷积核与所述多个图像特征向量样本进行卷积运算，得到与每个所述图像特征向量样本对应的第一特征向量，所述卷积通道的数量大于所述图像特征向量样本的通道数量。

6.根据权利要求1至5任一项所述的基于热成像的活体流向甄别方法，其特征在于，所述获取多张目标图像，包括：

获取各采样周期对应的待清洗图像，一个采样周期对应的待清洗图像为在一个采样周期内采集到的热成像图像；

若目标采样周期对应的待清洗图像的数量小于预设图像阈值，或者，目标采样周期对应的待清洗图像中存在像素点数量少于预设像素点阈值的活体检测图像，则丢弃所述目标采样周期对应的待清洗图像，否则则将所述目标采样周期对应的待清洗图像作为备选图像，所述目标采样周期为任一采样周期；

根据所述连续的多个时刻从所述备选图像中，确定所述多张目标图像。

7.根据权利要求1至5任一项所述的基于热成像的活体流向甄别方法，其特征在于，所述根据所述多张目标图像，确定目标特征向量，包括：

根据所述多张目标图像，获取与每张所述目标图像对应的图像矩阵；

将所有所述与每张所述目标图像对应的图像矩阵在通道上进行拼接，得到所述目标特征向量，所述目标特征向量的通道数量与所述多张目标图像的数量相同。

8.一种基于热成像的活体流向甄别装置，其特征在于，所述装置包括：

图像获取模块，用于获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；

向量提取模块，用于根据所述多张目标图像，确定目标特征向量；

活体流向甄别模块，用于将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别，获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。

9.一种存储介质，存储有计算机指令程序，其特征在于，所述计算机指令程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。

10.一种计算机设备，其特征在于，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。

Images