[发明专利]基于立体视觉的活体检测方法和相关设备

说明书

本发明公开了一种基于立体视觉的活体检测方法和相关设备，所述方法包括：获取针对同一拍摄对象拍摄的双红外图，其中，所述双红外图包括第一红外图和第二红外图；基于预设的人脸信息，对所述第一红外图或所述第二红外图进行人脸识别，得到与所述双红外图对应的识别结果；当所述识别结果为目标用户时，根据所述第一红外图和所述第二红外图，计算所述双红外图对应的深度图；根据所述深度图和所述双红外图，进行活体分类，得到与所述双红外图对应的目标分类结果；基于所述目标分类结果，确定所述拍摄对象是否为目标活体。本发明提高了活体检测的效率，在门锁等场景中，本发明提高了对用户身份认证的可靠性和准确性。

技术领域

本发明涉及生物识别，特别涉及一种基于立体视觉的活体检测方法和相关设备。

背景技术

随着技术的发展和进步，基于人脸识别的身份验证设备越来越多。例如基于人脸识别的门禁系统、开机系统等等。其主要原理是通过对环境进行图像采集，然后通过一定的人脸识别算法或者人脸识别模型，提取采集后图像的人脸特征并与预先保存的标准图像进行比对，从而验证环境中的人身份。

目前市面上应用广泛的门禁等身份验证装置的摄像头模组，主要的组合方式是RGB(Red Green Blue)摄像头+红外摄像头，或者是RGB摄像头+深度摄像头。这种摄像头模组在白天以及天气晴朗、光线充足的环境下，能够拍摄到清晰的图像，以用于进行身份识别以及活体检测。但是到光线较暗的环境下，例如晚上或者阴雨天，RGB画面中的人脸模糊，且具备较大的噪点大，这种RGB图像会造成后续识别困难。

同时，门锁大多处于楼道间，光线暗淡，若采用该摄像头模组会造成身份识别以及活体检测的困难，难以开门。而单纯依靠红外摄像头做活体，对3D的假人头的识别精度不佳；单纯依靠深度摄像头做活体检测，对打印纸张的识别精度较低，此外，深度摄像头造价昂贵，提高了入门门槛，降低产品的普及率。

发明内容

本发明要解决的技术问题在于由于光线等不利环境因素的影响，活体检测识别精度不高，针对现有技术的不足，提供一种基于立体视觉的活体检测方法。

为了解决上述技术问题，本发明所采用的技术方案如下：

一种基于立体视觉的活体检测方法，所述方法包括：

获取针对同一拍摄对象拍摄的双红外图，其中，所述双红外图包括第一红外图和第二红外图；

基于预设的人脸信息，对所述第一红外图或所述第二红外图进行人脸识别，得到与所述双红外图对应的识别结果；

当所述识别结果为目标用户时，根据所述第一红外图和所述第二红外图，计算所述双红外图对应的深度图；

根据所述深度图和所述双红外图，进行活体分类，得到与所述双红外图对应的目标分类结果；

基于所述目标分类结果，确定所述拍摄对象是否为目标活体。

可选地，其中，所述基于预设的人脸信息，对所述第一红外图或所述第二红外图进行人脸识别，得到与所述双红外图对应的识别结果，具体包括：

对所述第一红外图或所述第二红外图进行人脸提取，得到识别人脸图像；

将所述识别人脸图像输入已训练的人脸识别模型中，并基于所述人脸信息，控制所述人脸识别模型对所述识别人脸图像进行人脸识别，确定所述双红外图是否包含目标用户；

当确定所述双红外图包含目标用户时，确定所述识别结果为目标用户。

可选地，其中，所述人脸识别模型包括特征提取网络和分类器；所述特征提取网络的网络架构为深度学习网络的网络架构，所述特征提取网络的通道扩展数量小于或等于所述深度学习网络的默认扩展倍数，所述特征提取网络的全连接层的特征维度数小于所述深度学习网络的默认全连接层维度数。