[发明专利]基于双目深度和图片结构的活体检测方法、装置及介质

说明书

本发明涉及计算机视觉技术领域，公开了一种基于双目深度和图片结构信息的活体检测方法、装置和存储介质，通过扣取不同人脸占比区域的图像，分别计算图像中M个对应人脸特征的关键点与N个参考点的深度信息均值差，判断是否为活体，若为非活体，图像数据输入训练完成的卷积神经网络，判断是否包含边界信息；若包含边界信息，则为非活体，否则为活体。本发明可以自动标定相机，利于量产；通过选取参考点与人脸关键点处深度信息进行比对，可以更有效区分活体与非活体，通过融合边界信息与深度信息可以实现更精准的判断。通过不同人脸占比区域共享CNN网络，降低模型复杂度，同时两块区域特征互相融合，提升了判断活体精度。

技术领域

本发明涉及计算机视觉技术领域，特别是指一种基于双目深度信息和图片结构信息的活体检测方法、装置及存储介质。

背景技术

目前人脸识别技术已经广泛应用于考勤系统、门禁系统、闸机、金融等领域。但人脸识别系统在实际的应用中存在一些问题，由于人脸容易获取，使得人脸容易被一些人用照片、面具、视频等方式复制，从而对人脸识别系统进行攻击。针对人脸识别系统的这个缺陷，一系列的人脸识别防假或活体检测方法被提出，以解决人脸识别系统容易被照片、面具或者视频攻击的缺陷。

目前人脸活体检测的方法主要有2大类，即额外硬件和使用软件。

额外硬件，使用额外硬件的方法一般是外加可以探测到活体生物信息的硬件来判断识别对象是否为真实活人的人脸，比如3D结构光和TOF立体成像技术，可以探测到人脸3维信息，但是其成像距离、分辨率、帧率等均有限制，且成本较高，不经济实用。

使用软件的方法则是基于数字图像处理，分析图像、视频或者视频帧的特征来区分识别对象是照片、面具、视频还是真实人脸，具体包括如下几种方式：。

1.主动配合式：通过检测待检测者是否点头，摇头，眨眼，张嘴等方式，来判断目标是否是活体。该方法主要缺点在于：a、需要待检测者主动配合；b、完成这些动作需要一定时间。因此广泛应用在支付、金融等领域，但在门禁，考勤等对时间比较敏感的领域使用很少。

2.由于纸张、手机成像与真人成像在纹理，颜色，非刚性物体形变，材质等特征存在差别，通过这些差别进行活体判断：主要是通过svm或深度学习等机器学习的方法对活体、非活体样本训练，自动学习这些特征，建立特征模型。最后通过特征模型对目标进行活体判断。这种方法容易受到光线，环境等因素的影响，存在一定概率的漏判(非活体判断为活体)和误判(活体误判为非活体)，在实际使用中使客户产生负面印象。

3.基于人脸深度信息的深度学习方法：该方法主要通过深度学习的方法对人脸图像和对应的人脸深度图像进行训练，让深度神经网络自动学习人脸深度信息。在实际使用中通过深度神经网络给出对应网络的深度信息，通过这些深度信息判断目标是否为活体，该方法存在以下弊端：a、模型训练难度大，样本标注难度大，现有样本少；b、计算量大，难以满足实时性要求；c、对深度信息精度要求高。

发明内容

本发明提出一种基于双目深度信息的活体检测方法、装置及存储介质，解决了现有技术中通过人脸图像进行活体检测体验不佳的问题。

本发明的技术方案是这样实现的：一种基于双目深度信息和图片结构信息的活体检测方法，包括以下步骤：

通过左右摄像头采集检测对象的原始人脸图像，分别从所述原始人脸图像中获取若干个对应人脸特征的关键点；利用左右摄像头采集的人脸图像及其关键点标定相机；

通过人脸检测框扣取人脸占比区域，所述人脸占比区域内包含M个对应人脸特征的关键点；从所述人脸检测框向外扩设定倍数得到以参考框为边界扣取的参考区域，所述参考框内包含N个参考点；分别计算M个对应人脸特征的关键点与N个参考点的深度信息值，并计算二者的深度信息均值差，若深度信息均值差大于设定阈值，则检测对象为活体；否则，