CN106372629A - 一种活体检测方法和装置 - Google Patents

Abstract

本发明提供了一种活体检测方法和装置，该方法包括：通过不同的摄像头分别获取待检测对象的左视图图像和右视图图像；对所述左视图图像和所述右视图图像进行处理，得到融合灰度图像；对所述融合灰度图像进行纹理特征提取，得到平面纹理特征；基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像，利用双目重建算法进行三维重建，得到3D人脸特征；根据所述平面纹理特征和所述3D人脸特征，确定所述待检测对象是否为活体对象。本发明还公开相应的活体检测装置。

Description

一种活体检测方法和装置

技术领域

本发明涉及生物特征识别领域，具体而言，涉及一种活体检测方法和装置。

背景技术

随着人脸检测系统被广泛地应用于各种场景，人脸识别中的活体检测功能受到越来越多的关注与重视。常见的攻击形式包括照片、视频播放和3D模型，当前的活体检测算法主要分为四类：基于运动的方法、基于纹理的方法、基于3D结构的方法和基于其他特征方法。

基于运动的方法主要检测人类对指令的回应，或者是人类的生理活动，例如眨眼、头部摆动和嘴部运动。这些方法主要用到了帧与帧之间的信息，通常可以达到比其他方法更好的效果。但是这类方法采集图片往往需要一段时间，并且可能需要用户的配合，也会被特意准备的视频播放方式攻击。

由于攻击图片与真实人脸相比，在图片质量、模糊度、光照情况等多方面会有所不同，基于纹理的活体检测方法往往分析皮肤、光照反射和其他纹理特性来进行判别，例如反射信息、图像条纹特征、频谱信息、多尺度特征以及其他纹理信息。该类方法可以达到不错的效果，但是它没有利用到帧间信息，对于高清图片或者纹理的判别效果也会较为不理想。

基于3D结构的活体检测方法使用到了深度信息，用照片或视频的攻击人脸，和真实人脸相比，3D结构很明显有所不同。例如，使用一个双目系统，通过计算共面点的百分比来分析是否为攻击人脸，该方法对于折叠过的照片攻击无效。或者基于传统单目摄像头，通过一段视频序列获取人脸的三维深度信息，进行活体判别，该方法在不同的设备上均有不错的效果，然是需要较长的时间进行深度恢复步骤。同时很多使用3D结构的方法往往忽视了输入图片的其他特征，例如纹理信息。

发明内容

有鉴于此，本发明的目的在于提供一种活体检测方法和装置，提高活体检测的效率和准确率。

第一方面，本发明提供一种活体检测方法，该方法包括：

通过不同的摄像头分别获取待检测对象的左视图图像和右视图图像；

对所述左视图图像和所述右视图图像进行处理，得到融合灰度图像；

对所述融合灰度图像进行纹理特征提取，得到平面纹理特征；

基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像，利用双目重建算法进行三维重建，得到3D人脸特征；

根据所述平面纹理特征和所述3D人脸特征，确定所述待检测对象是否为活体对象。

可选地，在根据本发明的活体检测方法中，所述对所述左视图图像和所述右视图图像进行处理，得到融合灰度图像，包括：

分别提取所述左视图图像和所述右视图图像的特征描述子，计算具有相同坐标的像素点的左视图图像特征描述子和右视图图像特征描述子的相似度，得到所述融合灰度图像。

可选地，在根据本发明的活体检测方法中，所述对所述左视图图像和所述右视图图像进行处理，得到融合灰度图像，进一步，包括：

利用关键点检测算法分别对所述左视图图像和所述右视图图像中的所述待检测对象进行关键点检测，得到第一处理图像和第二处理图像；

利用高斯滤波器分别对所述第一处理图像和所述第二处理图像进行平滑处理，得到左视图处理图像和右视图处理图像；

利用相似度特征点描述算法分别在所述左视图处理图像和所述右视图处理图像中提取每一像素点的特征描述子，得到左视图图像特征描述子和右视图图像特征描述子；

利用海明距离计算具有相同坐标的所述像素点的所述左视图图像特征描述子和所述右视图图像特征描述子的相似度，得到所述融合灰度图像。

可选地，在根据本发明的活体检测方法中，所述在所述融合灰度图像中对待检测对象进行纹理特征提取，得到所述平面纹理特征，包括：

在所述融合灰度图像中选择第一预定数目的第一感兴趣区域；

利用伽柏滤波器在所述融合灰度图像中的每一个所述第一感兴趣区域中进行纹理特征提取，得到纹理特征向量；

利用主成分分析算法对所述纹理特征向量进行降维处理，得到所述平面纹理特征。

可选地，在根据本发明的活体检测方法中，所述基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像，利用双目重建算法进行三维重建，得到3D人脸特征，包括：

基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像，利用双目重建算法进行三维重建，获取所述人脸深度信息；

在所述人脸深度信息中选择第二预定数目的第二感兴趣区域；

基于所述人脸深度信息提取每一个所述第二感兴趣区域的直方图特征，得到3D人脸特征。

可选地，在根据本发明的活体检测方法中，所述根据所述平面纹理特征和所述3D人脸特征，确定所述待检测对象是否为活体对象，包括：

将所述平面纹理特征和所述3D人脸特征进行组合，得到人脸特征；

根据所述人脸特征，利用机器学习算法确定所述待检测对象是否为所述活体对象。

第二方面，本发明提供一种活体检测装置，该装置包括：

获取单元，用于通过不同的摄像头分别获取待检测对象的左视图图像和右视图图像；

处理单元，用于对所述左视图图像和所述右视图图像进行处理，得到融合灰度图像；

第一特征提取单元，用于对所述融合灰度图像进行纹理特征提取，得到平面纹理特征；

第二特征提取单元，用于基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像对所述待检测对象进行深度信息提取，得到3D人脸特征；

活体检测单元，用于根据所述平面纹理特征和所述3D人脸特征，确定所述待检测对象是否为活体对象。

可选地，在根据本发明的活体检测装置中，所述处理单元还用于：

分别提取所述左视图图像和所述右视图图像的特征描述子，计算具有相同坐标的像素点的左视图图像特征描述子和右视图图像特征描述子的相似度，得到所述融合灰度图像。

可选地，在根据本发明的活体检测装置中，所述处理单元还用于：

利用关键点检测算法分别对所述左视图图像和所述右视图图像中的所述待检测对象进行关键点检测，得到第一处理图像和第二处理图像；

利用高斯滤波器分别对所述第一处理图像和所述第二处理图像进行平滑处理，得到左视图处理图像和右视图处理图像；

利用相似度特征点描述算法分别在所述左视图处理图像和所述右视图处理图像中提取每一像素点的特征描述子，得到左视图图像特征描述子和右视图图像特征描述子；

利用海明距离计算具有相同坐标的所述像素点的所述左视图图像特征描述子和所述右视图图像特征描述子的相似度，得到所述融合灰度图像。

可选地，在根据本发明的活体检测装置中，还包括：区域选择单元，

所述区域选择单元，用于在所述融合灰度图像中选择第一预定数目的第一感兴趣区域；

所述第一特征提取单元，还用于利用伽柏滤波器在所述融合灰度图像中的每一个所述第一感兴趣区域中进行纹理特征提取，得到纹理特征向量，利用主成分分析算法对所述纹理特征向量进行降维处理，得到所述平面纹理特征。

可选地，在根据本发明的活体检测装置中，所述第二特征提取单元，还用于基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像，利用双目重建算法进行三维重建，获取所述人脸深度信息；

所述区域选择单元，还用于在所述人脸深度信息中选择第二预定数目的第二感兴趣区域；

所述第二特征提取单元，还用于基于所述人脸深度信息提取每一个所述第二感兴趣区域的直方图特征，得到3D人脸特征。

可选地，在根据本发明的活体检测装置中，所述活体检测单元还用于：

将所述平面纹理特征和所述3D人脸特征进行组合，得到人脸特征；

根据所述人脸特征，利用机器学习算法确定所述待检测对象是否为所述活体对象。

根据本发明的技术方案，使用不同的摄像头获取待检测对象的图像，根据获取的图像，分别提取待检测对象的平面纹理特征和3D人脸特征，通过平面纹理特征和3D人脸特征相结合判定待检测对象是否为活体对象，判别过程自动完成，不需要用户配合，在提高活体检测效率和准确率的同时，提高了用户体验。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本发明实施例所提供的一种活体检测方法的流程图；

图2A-2B分别示出了本发明实施例所提供的左视图图像和右视图图像的示意图；

图3A-3B分别示出了本发明实施例所提供的左视图处理图像和右视图处理图像的示意图；

图4示出了本发明实施例所提供的融合灰度图像的示意图；

图5示出了本发明实施例所提供的第一感兴趣区域划分示意图；

图6示出了本发明实施例所提供的第二感兴趣区域划分示意图；

图7示出了本发明实施例所提供的uvw坐标系的示意图；

图8示出了本发明实施例所提供的活体检测装置的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

图1示出了根据本发明的一个实施例的活体检测方法的示意图。如图1所示，该方法始于步骤S110。

在步骤S110中，通过不同的摄像头分别获取待检测对象的左视图图像和右视图图像。

在具体实施过程中，可以通过如两个不同的摄像头，获取不同视角时待检测对象的图像，如，从待检测对象的左侧进行拍摄时获取左视图图像，从待检测对象的右侧进行拍摄时获取右视图图像。其中，待检测对象可以是但不限于人类、动物、静态物体等，下文以人类为例进行说明。摄像头可以是但不限于深度摄像机、具有摄像功能的移动终端、具有摄像功能的便携式设备等等。

在获取待检测对象的图像之前，对每个摄像头进行标定，例如，将两个摄像头位置固定，使两个摄像头朝向相同，使两个摄像头的间距为3-5厘米，摄像头的间距应以实际情况为准，上述示例仅仅是示意性的。不过应当理解，上述对摄像头的标定仅仅是示意性的，具体的标定过程应以实际标定参数为准。应当理解，所有可以实现对摄像标定的实施方法都在本发明的保护范围内。

图2A-图2B分别示出了根据本发明实施例的左视图图像和右视图图像的示意图。

图3A-图3B分别示出了根据本发明实施例的左视图处理图像和右视图处理图像的示意图。

在步骤S120中，对左视图图像和右视图图像进行处理，得到融合灰度图像。

在对左视图图像和右视图图像进行处理时，可以分别提取左视图图像和右视图图像的特征描述子，计算具有相同坐标的像素点的左视图图像特征描述子和右视图图像特征描述子的相似度，得到融合灰度图像。具体如下。

在实施过程中，使用开源计算机视觉库(Open Source Computer VisionLibrary，OpenCV)中的级联检测器(如Viola-Jones检测器)对左视图图像和右视图图像(参考图2A和图2B)中的待检测对象进行人脸检测。

随后，利用关键点检测算法分别对左视图图像和右视图图像中的待检测对象进行关键点检测，得到第一处理图像和第二处理图像。其中，使用关键点检测算法(如ASM、AAM、SDM等算法)分别对左视图图像和右视图图像中的人脸关键点如人脸轮廓点、眼睛、鼻子等进行定位，并将左视图图像和右视图图像进行归一化处理，即裁剪为标准的人脸图像，使得人脸区域出现在图像中间，得到第一处理图像和第二处理图像，其中，第一处理图像和第二处理图像大小一般一致，例如，上述两个图像的大小都可以为64*64像素。进一步，为了减少噪声对图像的干扰，利用如参数为σ的高斯滤波器分别对第一处理图像和第二处理图像进行平滑处理，得到左视图处理图像和右视图处理图像(参考图3A和图3B)。

此处应当理解，进行人脸检测、人脸关键点检测和图像平滑处理的算法均为现有技术，此处不再进行详细叙述。所有可以实现对人脸检测、人脸关键点检测和图像平滑处理的算法都在本发明的保护范围。

在得到上述左视图处理图像和右视图处理图像后，利用相似度特征点描述算法分别在左视图处理图像和右视图处理图像中提取每一像素点的特征描述子，得到左视图图像特征描述子和右视图图像特征描述子。

特征点描述算法(BRIEF算法)一般是在关键点周围提取特征，基于BRIEF算法的启发，本发明提出相似度特征点描述算法(M-BRIEF算法)，该算法不仅仅可以在关键点周围提取特征，也可以在图像中的每一个像素点提取特征。具体过程如下。

首先，以左视图处理图像为例进行说明，假设左视图处理图像中的像素点坐标为p＝(a,b)，其中，像素点的坐标可以为行向量或者列向量，在此不做具体的限定。在每个像素点周围划分出一个子区域P，在该区域提取对应像素点的特征描述子，在该子区域P中随机选择像素点x。对于右视图处理图像采用同样的处理过程，右视图处理图像中像素点坐标为p‘＝(a,b)，在每个像素点周围划分出与上述子区域P大小相同的子区域P，在该右视图处理图像中的子区域P中随机选择像素点y，像素点y与像素点x的坐标不一定相同。在子区域P上定义相似度度量函数τ，表达式如下：

$T(P;x,y)=\left\{\begin{array}{cc}1,& \begin{array}{cc}if& sum\left(x\right)<sum\left(y\right)\end{array}\\ 0,& otherwise\end{array}\right.$

其中，sum(x)是像素点x与其周围8个临近像素点的亮度值之和,sum(y)像素点y与其周围8个临近像素点的亮度值之和，以达到尽量减小双目图向矫正与人脸关键点检测过程中误差的干扰的目的。

在左视图处理图像中子区域P中随机选择n_d个像素点x，在右视图处理图像中随机选择n_d个像素点y，将n_d个(x，y)像素点对记录下来，得到了n_d个相似度度量函数，每个像素点p＝(a,b)的M-BRIEF特征描述子表达式为：

$M-BRIEF\left(p\right)=\underset{1\&le;i\&le;n_d}{\mathrm{\&Sigma;}}{2}^{i-1}\mathrm{\&tau;}(P;x_i,y_i)$

其中，i为正整数，n_d可以设置为256。

利用海明距离计算具有相同坐标的像素点的左视图图像特征描述子和右视图图像特征描述子的相似度。首先，计算具有相同坐标的像素点的左视图图像特征描述子和右视图图像特征描述子之间的海明距离，将计算得到的距离归一化到0到1的范围内，D(a,b)∈[0,1]，相似度与海明距离负相关。从而得到一个基于相似度的融合灰度图像(参考图4),该图像S(a,b)可表示为：S(a,b)＝floor(D(a,b)*255)，其中，floor为向下取整，即直接取按照数轴上最接近要求的值左边的值。不过应当理解，所有可以用于计算相似度的计算方法都在本发明的保护范围内。

在上述融合灰度图像中，像素点代表左视角处理图像和右视图处理图像中的相似度，像素点越白，即灰度图中数值越大，意味着在左视图图像和右视图图像中，与上述像素点相同坐标的像素点周围的差异越大。而在双目成像系统中，在距离摄像头比较近、深度变化明显的地方才会有较大的差别，因此对于真实人脸而言，深度变化情况较为复杂，高亮的白色像素可能会更多。

在步骤S130中，对融合灰度图像进行纹理特征提取，得到平面纹理特征。

在具体实施过程中，以手工方式在融合灰度图像中选择第一预定数目的第一感兴趣区域。第一感兴趣区域一般是人脸图像中深度变化较为复杂的区域，更可能含有区分信息的区域，如，五官周围的一些区域，鼻子、嘴巴、眼睛和耳朵等区域，如图5所示，其中，第一感兴趣区域的大小不一定相同，应以具体情况为准，此处不做具体限定。

利用五个尺度和八个方向上的伽柏(Gabor)滤波器，分别在融合灰度图像中的每一个第一感兴趣区域中进行纹理特征提取。在进行纹理特征提取时，根据不同大小的第一感兴趣选择适合的Gabor滤波器。例如，针对某个第一感兴趣区域选择并设计出合适当前第一感兴趣区域大小的一组Gabor滤波器，每一组滤波器分别针对5个不同的尺度和8个不同的方向(共计40个滤波器)进行特征提取。这一组滤波器应用于该第一感兴趣区域时，得到该第一感兴趣区域对应的40个滤波后的融合灰度图像，将上述图像拉伸为一维特征向量后水平串联起来，利用参数为64的下采样算法对上述得到的水平串联的一维特征向量进行采样，将得到的特征向量作为该第一感兴趣区域的纹理特征，其他第一感兴趣区域的特征提取过程与上述示例相同，此处不再进行叙述。最后，将每个第一感兴趣区域对应的纹理特征水平串联起来，组成纹理特征向量。

随后，利用主成分分析算法(PCA)对纹理特征向量进行降维处理，以减少纹理特征向量的维度，保留特征中的主要成分，最终得到平面纹理特征。其中，主成分分析算法在现有技术中已有详细介绍，此处不做过多叙述。不过应当理解，上述示例算法为示意性的，具体实施过程中，应以实际情况为准。所有可以用于对特征向量进行降维处理的算法都在本发明的保护范围内。

在步骤S140中，基于不同的摄像头的摄像参数、左视图图像和右视图图像，利用双目重建算法进行三维重建，得到3D人脸特征。

在步骤S110中，对摄像头进行标定时，可以通过标定算法获得每个摄像头的摄像参数。例如，摄像参数可以包括摄像头内参数和摄像头外参数，摄像头内参数包括：摄像头焦距f_c(包括x方向焦距和y方向焦距),图像主点坐标c_c(x轴数值c_x，y轴数值c_y)，斜度α_c，镜头畸变k_c等等，其中，图像主点坐标为摄像头镜头的光心在最终图像中对应的位置。摄像头外参数包括：摄像头与待检测对象之间的关系参数，一般会有6个参数，3个表示摄像头在空间中相对于原始方向的旋转角度R(分别绕着xyz轴的旋转角度)，3个表示摄像头在空间中相对于空间原点的平移距离t(分别沿xyz三方向的平移距离)。

首先，使用双目重建算法，通过上述摄像头参数以及步骤S110中得到左视图图像和右视图图像，进行三维重建,从而可以得到左右视图图像的每一个像素点(a,b)对应的深度数值c,一系列的点(a,b,c)即构成了“点云”。这些点云组成了人脸深度信息。

在获取的人脸深度信息中选择第二预定数目的第二感兴趣区域。在选择第二感兴趣区域时，选择对深度变化比较敏感的区域，如，眼睛、鼻子和嘴巴等区域。人脸轮廓、嘴唇上面的点，特别是轮廓，深度变化也很明显，但在对它们定位时易存在误差，会直接影响上述人脸深度信息的获取，因此本实施例没有使用，如图6所示，本实施例选择左眼、右眼和鼻子加部分嘴巴三个区域作为第二感兴趣区域。

对每个第二感兴趣区域内的点集取任意一对点(p_s，p_t)，这两个点p_s和p_t各自对应的法向量分别为n_s、n_t。根据法向量和点的位置关系，建立uvw坐标系(u＝n_s,v＝(p_t-p_s)×u,w＝u×v)，具体参考图7。对于每两个点，提取三个初始特征f1、f2、f3，其中，

f₁＝v·n_t

f₂＝w·n_t

$f_3=\frac{u\&CenterDot;(p_t-p_s)}{\left|p_t-p_s\right|}$

根据上述初始特征，可以计算出3D人脸特征中的各个类别的标号idx为：

$idx=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{2}^{i-1}\&CenterDot;step({\mathrm{thre}}_i,f_i)$

其中，thre_i为每个初始特征对应的阈值；i为正整数。

当thre_i>f_i时，step(thre_i，f_i)为1，否则为0。

在上述计算过程中，对每一对点(p_s，p_t)，通过对三个初始特征分别设定三个合适的阈值，由idx的计算公式，我们可以得到八个不同的idx数值作为不同的类别，即idx的值为0-7的整数。其中类别为idx的直方图单元条的值代表了落入该类别的点对的数目占点对数目的百分比；这八个百分比数值组成了每个第二感兴趣区域的直方图特征。

在上述计算过程中，对于每个第二感兴趣区域，均可以得到8维包含了深度信息的直方图；本发明设置了3个第二感兴趣区域，最终得到24维的3D人脸特征。

在步骤S150中，根据平面纹理特征和3D人脸特征，确定待检测对象是否为活体对象。

将平面纹理特征和3D人脸特征进行组合，如，将平面纹理特征和3D人脸特征进行水平串联，得到如M维的人脸特征，维度应以实际情况为准，此处不做任何限定。根据人脸特征，利用机器学习算法确定待检测对象是否为活体对象。

机器学习算法(例如SVM算法、LR回归分析、神经网络等)可以用来进行模式识别、分类、以及回归分析等。在本发明中通常会获取大量的图像对，图像对中包括左视图图像和右视图图像，假如图像对的数目为N，最终可以得到N个M维图像特征，根据机器学习算法、上述图像特征和各个图像特征对应的标签(一般为活体和非活体)，得到一个训练模型。

通过摄像头获取了一对标签未知的待检测对象的图像，提取该标签未知图像的M维特征。根据上文得到的训练模型与标签未知图像的特征M，可以判断待检测图像是否为活体对象。

根据本发明的技术方案，使用不同的摄像头获取待检测对象的图像，根据获取的图像，分别提取待检测对象的平面纹理特征和3D人脸特征，通过平面纹理特征和3D人脸特征相结合判定待检测对象是否为活体对象，判别过程自动完成，不需要用户配合，在提高活体检测效率和准确率的同时，提高了用户体验。

图8示出了根据本发明实施例提供的活体检测装置的结构图。如图8所示，该装置包括：获取单元810、处理单元820、第一特征处提取单元830、第二特征提取单元840、活体检测单元850和区域选择单元860。

获取单元810通过不同的摄像头分别获取待检测对象的左视图图像和右视图图像。其中，获取单元810还用于获取每个摄像头的摄像参数。

处理单元820对所述左视图图像和所述右视图图像进行处理，得到融合灰度图像。

根据一种实施方式，处理单元820分别提取左视图图像和右视图图像的特征描述子，计算具有相同坐标的像素点的左视图图像特征描述子和右视图图像特征描述子的相似度，得到融合灰度图像。具体为：处理单元820利用关键点检测算法分别对所述左视图图像和所述右视图图像中的所述待检测对象进行关键点点检测，得到第一处理图像和第二处理图像。利用高斯滤波器分别对所述第一处理图像和所述第二处理图像进行平滑处理，得到左视图处理图像和右视图处理图像。利用相似度特征点描述算法分别在所述左视图处理图像和所述右视图处理图像中提取每一像素点的特征描述子，得到左视图图像特征描述子和右视图图像特征描述子。利用海明距离计算具有相同坐标的像素点的所述左视图图像特征描述子和所述右视图图像特征描述子的相似度，得到所述融合灰度图像。

第一特征提取单元830对融合灰度图像进行纹理特征提取，得到平面纹理特征。

根据一种实施方式，区域选择单元860在所述融合灰度图像中选择第一预定数目的第一感兴趣区域。第一特征提取单元830利用伽柏滤波器在所述融合灰度图像中的每一个所述第一感兴趣区域中进行纹理特征提取，得到纹理特征向量，利用主成分分析算法对所述纹理特征向量进行降维处理，得到所述平面纹理特征。

第二特征提取单元840基于不同的摄像头的摄像参数、左视图图像和右视图图像对所述待检测对象进行深度信息提取，得到3D人脸特征。

根据一种实施方式，第二特征提取单元840还用于基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像，利用双目重建算法进行三维重建，获取所述人脸深度信息。区域选择单元860在人脸深度信息中选择第二预定数目的第二感兴趣区域。第二特征提取单元840基于所述人脸深度信息提取每一个所述第二感兴趣区域的直方图特征，得到3D人脸特征。

活体检测单元850根据所述平面纹理特征和所述3D人脸特征，确定所述待检测对象是否为活体对象。根据一种实施方式，活体检测单元850将所述平面纹理特征和所述3D人脸特征进行组合，得到人脸特征。根据所述人脸特征，利用支持向量机算法确定所述待检测对象是否为所述活体对象。

根据本发明的装置，使用不同的摄像头获取待检测对象的图像，根据获取的图像，分别提取待检测对象的平面纹理特征和3D人脸特征，通过平面纹理特征和3D人脸特征相结合判定待检测对象是否为活体对象，判别过程自动完成，不需要用户配合，在提高活体检测效率和准确率的同时，提高了用户体验。

本发明实施例所提供的一种活体检测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种活体检测方法，其特征在于，该方法包括：

通过不同的摄像头分别获取待检测对象的左视图图像和右视图图像；

对所述左视图图像和所述右视图图像进行处理，得到融合灰度图像；

对所述融合灰度图像进行纹理特征提取，得到平面纹理特征；

基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像，利用双目重建算法进行三维重建，得到3D人脸特征；

根据所述平面纹理特征和所述3D人脸特征，确定所述待检测对象是否为活体对象。

2.如权利要求1所述的方法，其特征在于，所述对所述左视图图像和所述右视图图像进行处理，得到融合灰度图像，包括：

分别提取所述左视图图像和所述右视图图像的特征描述子，计算具有相同坐标的像素点的左视图图像特征描述子和右视图图像特征描述子的相似度，得到所述融合灰度图像。

3.如权利要求2所述的方法，其特征在于，所述对所述左视图图像和所述右视图图像进行处理，得到融合灰度图像，进一步，包括：

利用关键点检测算法分别对所述左视图图像和所述右视图图像中的所述待检测对象进行关键点检测，得到第一处理图像和第二处理图像；

利用高斯滤波器分别对所述第一处理图像和所述第二处理图像进行平滑处理，得到左视图处理图像和右视图处理图像；

利用相似度特征点描述算法分别在所述左视图处理图像和所述右视图处理图像中提取每一像素点的特征描述子，得到左视图图像特征描述子和右视图图像特征描述子；

利用海明距离计算具有相同坐标的所述像素点的所述左视图图像特征描述子和所述右视图图像特征描述子的相似度，得到所述融合灰度图像。

4.如权利要求1所述的方法，其特征在于，所述在所述融合灰度图像中对待检测对象进行纹理特征提取，得到所述平面纹理特征，包括：

在所述融合灰度图像中选择第一预定数目的第一感兴趣区域；

利用伽柏滤波器在所述融合灰度图像中的每一个所述第一感兴趣区域中进行纹理特征提取，得到纹理特征向量；

利用主成分分析算法对所述纹理特征向量进行降维处理，得到所述平面纹理特征。

5.如权利要求1所述的方法，其特征在于，所述基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像，利用双目重建算法进行三维重建，得到3D人脸特征，包括：

基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像，利用双目重建算法进行三维重建，获取所述人脸深度信息；

在所述人脸深度信息中选择第二预定数目的第二感兴趣区域；

基于所述人脸深度信息提取每一个所述第二感兴趣区域的直方图特征，得到3D人脸特征。

6.如权利要求1所述的方法，其特征在于，所述根据所述平面纹理特征和所述3D人脸特征，确定所述待检测对象是否为活体对象，包括：

将所述平面纹理特征和所述3D人脸特征进行组合，得到人脸特征；

根据所述人脸特征，利用机器学习算法确定所述待检测对象是否为所述活体对象。

7.一种活体检测装置，其特征在于，该装置包括：

获取单元，用于通过不同的摄像头分别获取待检测对象的左视图图像和右视图图像；

处理单元，用于对所述左视图图像和所述右视图图像进行处理，得到融合灰度图像；

第一特征提取单元，用于对所述融合灰度图像进行纹理特征提取，得到平面纹理特征；

第二特征提取单元，用于基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像对所述待检测对象进行深度信息提取，得到3D人脸特征；

活体检测单元，用于根据所述平面纹理特征和所述3D人脸特征，确定所述待检测对象是否为活体对象。

8.如权利要求7所述的装置，其特征在于，所述处理单元还用于：

分别提取所述左视图图像和所述右视图图像的特征描述子，计算具有相同坐标的像素点的左视图图像特征描述子和右视图图像特征描述子的相似度，得到所述融合灰度图像。

9.如权利要求8所述的装置，其特征在于，所述处理单元还用于：

利用关键点检测算法分别对所述左视图图像和所述右视图图像中的所述待检测对象进行关键点检测，得到第一处理图像和第二处理图像；

利用高斯滤波器分别对所述第一处理图像和所述第二处理图像进行平滑处理，得到左视图处理图像和右视图处理图像；

利用相似度特征点描述算法分别在所述左视图处理图像和所述右视图处理图像中提取每一像素点的特征描述子，得到左视图图像特征描述子和右视图图像特征描述子；

利用海明距离计算具有相同坐标的所述像素点的所述左视图图像特征描述子和所述右视图图像特征描述子的相似度，得到所述融合灰度图像。

10.如权利要求7所述的装置，其特征在于，还包括：区域选择单元，

所述区域选择单元，用于在所述融合灰度图像中选择第一预定数目的第一感兴趣区域；

所述第一特征提取单元，还用于利用伽柏滤波器在所述融合灰度图像中的每一个所述第一感兴趣区域中进行纹理特征提取，得到纹理特征向量，利用主成分分析算法对所述纹理特征向量进行降维处理，得到所述平面纹理特征。

11.如权利要求7所述的装置，其特征在于，

所述第二特征提取单元，还用于基于所述不同的摄像头的摄像参数、所述左视图图像和所述右视图图像，利用双目重建算法进行三维重建，获取所述人脸深度信息；

所述区域选择单元，还用于在所述人脸深度信息中选择第二预定数目的第二感兴趣区域；

所述第二特征提取单元，还用于基于所述人脸深度信息提取每一个所述第二感兴趣区域的直方图特征，得到3D人脸特征。

12.如权利要求7所述的装置，其特征在于，所述活体检测单元还用于：

将所述平面纹理特征和所述3D人脸特征进行组合，得到人脸特征；

根据所述人脸特征，利用机器学习算法确定所述待检测对象是否为所述活体对象。