【
技术领域：
：】本申请涉及计算机视觉
技术领域：
：，尤其涉及一种活体检测方法、装置和电子设备。
背景技术：
：：近红外活体检测技术是支撑人脸识别系统的重要技术之一。近红外活体检测技术可根据待检测对象的近红外图像，判断待检测对象是否为活体，从而抵御照片、视频、面具等非法攻击，提高人脸识别系统的可靠性。目前应用较多的近红外活体检测方法之一是光流法。光流法的具体实现方式是，采集待检测对象的多帧图像，通过分析各帧图像各个像素的变化情况，来确定待检测对象是否为活体。但是，此方法需要结合多帧图像的信息进行判断，耗时较长，不利于提高检测效率。技术实现要素：本申请实施例提供了一种活体检测方法、装置和电子设备，可利用单帧图像实现活体检测，在保证检测的准确性的基础上，能够进一步提高活体检测效率。第一方面，本申请实施例提供一种活体检测方法，包括：采集待检测对象的待检测图像；将所述待检测图像的人眼图像输入人眼神经网络模型，得到人眼识别结果；如果所述人眼识别结果为具备真实人眼特征，则将所述待检测图像的人脸图像输入人脸神经网络模型，得到人脸识别结果；如果所述人脸识别结果为真实人脸，则确定所述待检测对象为活体对象。其中一种可能的实现方式中，具备真实人眼特征包括：具备以下任意一项或多项真实人眼特征：正常真实人眼特征；清晰度异常人眼特征；亮度异常人眼特征；完整性异常人眼特征。其中一种可能的实现方式中，所述方法还包括：根据所述人眼识别结果和/或所述人脸识别结果，确定所述待检测对象为非活体对象。其中一种可能的实现方式中，根据所述人眼识别结果和/或所述人脸识别结果，确定所述待检测对象为非活体对象，包括：如果所述人眼识别结果为伪人眼，则确定所述待检测对象为非活体对象；或者，如果所述人脸识别结果为伪人脸，则确定所述待检测对象为非活体对象。其中一种可能的实现方式中，所述方法还包括：采集多个非活体对象以及活体对象的待训练图像；获取各个所述待训练图像的人眼训练图像和人脸训练图像；分别利用各个所述人眼训练图像和人脸训练图像对原始模型进行训练，得到所述人眼神经网络模型和所述人脸神经网络模型。其中一种可能的实现方式中，分别利用各个所述人眼训练图像和人脸训练图像对原始模型进行训练，得到所述人眼神经网络模型和所述人脸神经网络模型，包括：分别将各个所述人眼训练图像以及对应的人眼特征标签输入第一原始模型进行训练，得到所述人眼神经网络模型；分别将各个所述人脸训练图像以及对应的人脸特征标签输入第二原始模型进行训练，得到所述人脸神经网络模型；其中，所述人眼特征标签包括正常真实人眼、清晰度异常人眼、亮度异常人眼、完整性异常人眼以及伪人眼；所述人脸特征标签包括真实人脸以及伪人脸。第二方面，本申请实施例提供一种活体检测装置，包括：第一采集模块，用于采集待检测对象的待检测图像；第一输入模块，用于将所述待检测图像的人眼图像输入人眼神经网络模型，得到人眼识别结果；第二输入模块，用于当所述人眼识别结果为具备真实人眼特征时，将所述待检测图像的人脸图像输入人脸神经网络模型，得到人脸识别结果；确定模块，用于当所述人脸识别结果为真实人脸时，确定所述待检测对象为活体对象。其中一种可能的实现方式中，所述装置还包括：第二采集模块，用于采集多个非活体对象以及活体对象的待训练图像；获取模块，用于获取各个所述待训练图像的人眼训练图像和人脸训练图像；训练模块，用于分别利用各个所述人眼训练图像和人脸训练图像对原始模型进行训练，得到所述人眼神经网络模型和所述人脸神经网络模型。第三方面，本申请实施例提供一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上所述的方法。第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上所述的方法。以上技术方案中，首先，采集待检测对象的待检测图像。然后，将待检测图像的人眼图像输入人眼神经网络模型，得到人眼识别结果。如果人眼识别结果为具备真实人眼特征，则将待检测图像的人脸图像输入人脸神经网络模型，得到人脸识别结果。最后，如果人脸识别结果为真实人脸，则确定待检测对象为活体对象。本申请提供的活体检测方法可利用单帧图像实现活体检测，在保证检测的准确性的基础上，可进一步提高活体检测效率。【附图说明】为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它的附图。图1为本申请实施例提供的一种活体检测方法的流程图；图2为本申请实施例提供的另一种活体检测方法的流程图；图3为本申请实施例提供的一种活体检测装置的结构示意图；图4为本申请实施例提供的另一种活体检测装置的结构示意图图5为本申请实施例提供的一种电子设备的结构示意图。【具体实施方式】为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。本申请实施例提供的活体检测方法可应用于任意一种活体检测设备。通过执行本申请实施例提供的活体检测方法，可更加快速、准确地判断待检测对象是否为活体对象。在人脸识别相关场景中，本申请实施例提供的活体检测方法能够有效抵御照片、视频、面具等非法攻击，提高人脸识别的可靠性。图1为本申请实施例提供的一种活体检测方法的流程图，如图1所示，上述活体检测方法可以包括：步骤101，采集待检测对象的待检测图像。本申请实施例中，可利用近红外摄像头，采集待检测对象的待检测图像。进而，可根据采集到的待检测图像，确定待检测对象是否为活体对象。需要说明的是，本申请实施例中，采集的待检测图像的数量可以为单帧。步骤102，将待检测图像的人眼图像输入人眼神经网络模型，得到人眼识别结果。本申请实施例中，为提高检测速度，可先对待检测图像中一个较小的区域进行预检测。示例性的，本申请实施例可取待检测图像的人眼区域进行预检测。具体的，首先，可对待检测图像进行预处理，以获取待检测图像中的人眼图像。示例性的，预处理具体可包括：人眼区域识别、特征点定位以及图像裁剪等。然后，可将人眼图像输入预先训练好的人眼神经网络模型。人眼神经网络模型可对人眼图像进行学习，输出对应的人眼识别结果。步骤103，判断人眼识别结果是否为具备真实人眼特征。如果是，执行步骤104；否则执行步骤107。根据待检测对象的差异，人眼识别结果可以为具备真实人眼特征，还可以为伪人眼。其中，具备真实人眼特征可以包括：具备正常真实人眼特征、具备清晰度异常人眼特征、具备亮度异常人眼特征以及具备完整性异常人眼特征。伪人眼可包括：rgb格式图像人眼、抠眼面具人眼等。抠眼面具人眼指的是，在真实人脸上覆盖不遮挡人眼区域的人脸面具。具体来说，一种可能的情况下，待检测的人眼图像可以是成像效果正常的图像。此时，如果人眼神经网络模型识别到人眼图像具备近红外成像特征，那么，可输出识别结果为具备正常真实人眼特征。相反的，如果人眼神经网络模型识别到人眼图像不具备近红外成像特征，那么，可输出识别结果为伪人眼。另一种可能的情况下，待检测的人眼图像可以是成像效果异常的图像。示例性的，可以是清晰度异常、亮度过亮或过暗、眼镜反光、闭眼、眼部不完整等。此时，人眼神经网络模型可能无法清晰识别到人眼图像的近红外成像特征。为避免将真实人眼误识别为伪人眼，人眼神经网络模型可默认对应的人眼图像具备真实人眼特征。那么，根据异常场景的不同，对应输出的人眼识别结果可以为：具备清晰度异常人眼特征，或具备亮度异常人眼特征，或具备完整性异常人眼特征。本申请实施例中，如果人眼识别结果为具备真实人眼特征，此时，由于人眼区域面积较小，包含的特征较少，因此，人眼神经网络模型输出的人眼识别结果可能存在误差。尤其是在人眼清晰度异常、亮度异常等异常情况下，仅凭人眼区域很难准确判定待检测对象是否为活体对象。基于此，为提高活体检测的准确性，当人眼识别结果为具备真实人眼特征时，本申请实施例将继续执行步骤104，实现进一步检测。为方便理解，以具体的场景为例进行说明。假设待检测对象为活体对象的近红外图像。近红外图像指的是，由近红外摄像头拍摄的图像。此时，待检测对象的成像特征与活体对象的成像特征相似度较高，仅凭人眼区域很难实现准确判断。因此，人眼神经网络模型可能会将待检测对象的人眼误识别为具备真实人眼特征。如果人眼识别结果为伪人眼，那么，为提高检测速度，可省略后续的检测过程，执行步骤107，确定待检测对象为非活体对象。步骤104，将待检测图像的人脸图像输入人脸神经网络模型，得到人脸识别结果。具体的，首先，可对待检测图像进行预处理，以获取待检测图像中的人脸图像。然后，可将人脸图像输入预先训练好的人脸神经网络模型。人脸神经网络模型可对人脸图像进行学习，输出对应的人脸识别结果。本申请实施例中，由于人脸区域较人眼区域面积更大、包含的特征更多，因此，利用人脸神经网络模型作进一步检测可在很大程度上提高活体检测的可靠性。步骤105，确定人脸识别结果是否为真实人脸。如果是，执行步骤106；否则执行步骤107。步骤106，确定待检测对象为活体对象。本申请实施例中，如果人脸神经网络模型输出的人脸识别结果为真实人脸，那么可确定待检测对象为活体对象。步骤107，确定待检测对象为非活体对象。本申请实施例中，如果人眼神经网络模型输出的人眼识别结果为伪人眼，或者，如果人脸神经网络模型输出的人脸识别结果为伪人脸，那么可确定待检测对象为非活体对象。其中，上述伪人脸可以包括：rgb格式图像人脸以及近红外图像人脸等。本申请实施例中，首先，可采集待检测对象的待检测图像。然后，可将待检测图像的人眼图像输入人眼神经网络模型，得到人眼识别结果。如果人眼识别结果为具备真实人眼特征，则将待检测图像的人脸图像输入人脸神经网络模型，得到人脸识别结果。最后，如果人脸识别结果为真实人脸，则确定待检测对象为活体对象。本申请提供的活体检测方法可利用单帧图像实现活体检测，在保证检测的准确性的基础上，可进一步提高活体检测效率。图2为本申请实施例提供的另一种活体检测方法的流程图，如图2所示，本申请实施例还可以包括：步骤201，采集多个非活体对象以及活体对象的待训练图像。本申请实施例中，可利用近红外摄像头，采集大量活体对象以及非活体对象的待训练图像。采集的待训练图像可包含各种不同的类型。例如可包括：活体对象的正常图像、清晰度异常的图像、亮度异常的图像、完整性异常的图像、非活体对象如rgb格式图像、近红外图像以及抠眼面具的图像等。步骤202，获取各个待训练图像的人眼训练图像和人脸训练图像。本申请实施例中，可对各个待训练图像进行预处理，获取其中的人眼区域作为人眼训练图像，以及获取其中的人脸区域作为人脸训练图像。步骤203，分别利用各个人眼训练图像和人脸训练图像对原始模型进行训练，得到人眼神经网络模型和人脸神经网络模型。本申请实施例中，首先，可根据各个人眼训练图像和人脸训练图像的成像特点，分别确定各个人眼训练图像和人脸训练图像的特征标签。然后，可分别将各个人眼训练图像以及对应的人眼特征标签输入第一原始模型，对第一原始模型进行训练。第一原始模型可对输入的人眼训练图像以及对应的人眼特征标签进行学习，得到人眼神经网络模型。以及，可分别将各个人脸训练图像以及对应的人脸特征标签输入第二原始模型，对第二原始模型进行训练。第二原始模型可对输入的人脸训练图像以及对应的人脸特征标签进行学习，得到人脸神经网络模型。本申请实施例中，上述人眼特征标签例如可包括：正常真实人眼、清晰度异常人眼、亮度异常人眼、完整性异常人眼以及伪人眼等。上述人脸特征标签例如可包括：真实人脸以及伪人脸等。本申请实施例中，可利用多种类别的人眼训练图像对原始模型进行训练，得到人眼神经网络模型。以及，利用多种类别的人脸训练图像对原始模型进行训练，得到人脸神经网络模型。本申请实施例的两种神经网络模型可准确识别多种类型的待检测图像，能够有效提高近红外活体检测精度，提升对照片、视频、面具等非法攻击的防御能力。图3为本申请实施例提供的一种活体检测装置的结构示意图。本实施例中的活体检测装置可以作为活体检测设备实现本申请实施例提供的活体检测方法。如图3所示，上述活体检测装置可以包括：第一采集模块31、第一输入模块32、第二输入模块33以及确定模块34。第一采集模块31，用于采集待检测对象的待检测图像。第一输入模块32，用于将待检测图像的人眼图像输入人眼神经网络模型，得到人眼识别结果。第二输入模块33，用于当人眼识别结果为具备真实人眼特征时，将待检测图像的人脸图像输入人脸神经网络模型，得到人脸识别结果。确定模块34，用于当人脸识别结果为真实人脸时，确定待检测对象为活体对象。一种具体的实现方式中，具备真实人眼特征包括：具备以下任意一项或多项真实人眼特征：正常真实人眼特征；清晰度异常人眼特征；亮度异常人眼特征；完整性异常人眼特征。一种具体的实现方式中，确定模块34还用于根据人眼识别结果和/或人脸识别结果，确定待检测对象为非活体对象。一种具体的实现方式中，确定模块34具体用于在人眼识别结果为伪人眼时，确定待检测对象为非活体对象。以及，在人脸识别结果为伪人脸时，确定待检测对象为非活体对象。本申请实施例中，首先，第一采集模块31可采集待检测对象的待检测图像。然后，第一输入模块32可将待检测图像的人眼图像输入人眼神经网络模型，得到人眼识别结果。如果人眼识别结果为具备真实人眼特征，则第二输入模块33可将待检测图像的人脸图像输入人脸神经网络模型，得到人脸识别结果。最后，如果人脸识别结果为真实人脸，则确定模块34可确定待检测对象为活体对象。本申请提供的活体检测方法可利用单帧图像实现活体检测，在保证检测的准确性的基础上，可进一步提高活体检测效率。图4为本申请实施例提供的另一种活体检测装置的结构示意图。本实施例中的活体检测装置还可以包括：第二采集模块35、获取模块36以及训练模块37。第二采集模块35，用于采集多个非活体对象以及活体对象的待训练图像。获取模块36，用于获取各个待训练图像的人眼训练图像和人脸训练图像。训练模块37，用于分别利用各个人眼训练图像和人脸训练图像对原始模型进行训练，得到人眼神经网络模型和人脸神经网络模型。一种具体的实现方式中，训练模块37具体用于：分别将各个人眼训练图像以及对应的人眼特征标签输入第一原始模型进行训练，得到人眼神经网络模型。分别将各个人脸训练图像以及对应的人脸特征标签输入第二原始模型进行训练，得到人脸神经网络模型。其中，人眼特征标签包括正常真实人眼、清晰度异常人眼、亮度异常人眼、完整性异常人眼以及伪人眼。人脸特征标签包括真实人脸以及伪人脸。本申请实施例中，首先，第二采集模块35可采集多个非活体对象以及活体对象的待训练图像。然后，获取模块36可获取各个待训练图像的人眼训练图像和人脸训练图像。最后，可由训练模块37分别利用各个人眼训练图像和人脸训练图像对原始模型进行训练，得到人眼神经网络模型和人脸神经网络模型。本申请实施例得到的两种神经网络模型可准确识别多种类型的待检测图像，能够有效提高近红外活体检测精度，提升对照片、视频、面具等非法攻击的防御能力。图5为本申请实施例提供的一种电子设备的结构示意图。如图5所示，上述电子设备可以包括至少一个处理器；以及与上述处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，上述处理器调用上述程序指令能够执行本申请实施例提供的活体检测方法。其中，上述电子设备可以为活体检测设备，本实施例对上述电子设备的具体形态不作限定。图5示出了适于用来实现本申请实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。如图5所示，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器410，存储器430，连接不同系统组件(包括存储器430和处理器410)的通信总线440。通信总线440表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industrystandardarchitecture；以下简称：isa)总线，微通道体系结构(microchannelarchitecture；以下简称：mac)总线，增强型isa总线、视频电子标准协会(videoelectronicsstandardsassociation；以下简称：vesa)局域总线以及外围组件互连(peripheralcomponentinterconnection；以下简称：pci)总线。电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。存储器430可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(randomaccessmemory；以下简称：ram)和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(compactdiscreadonlymemory；以下简称：cd-rom)、数字多功能只读光盘(digitalvideodiscreadonlymemory；以下简称：dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与通信总线440相连。存储器430可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。具有一组(至少一个)程序模块的程序/实用工具，可以存储在存储器430中，这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本申请所描述的实施例中的功能和/或方法。电子设备也可以与一个或多个外部设备(例如键盘、指向设备、显示器等)通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过通信接口420进行。并且，电子设备还可以通过网络适配器(图5中未示出)与一个或者多个网络(例如局域网(localareanetwork；以下简称：lan)，广域网(wideareanetwork；以下简称：wan)和/或公共网络，例如因特网)通信，上述网络适配器可以通过通信总线440与电子设备的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(redundantarraysofindependentdrives；以下简称：raid)系统、磁带驱动器以及数据备份存储系统等。处理器410通过运行存储在存储器430中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例提供的活体检测方法。本申请实施例还提供一种计算机可读存储介质，上述计算机可读存储介质存储计算机指令，上述计算机指令使上述计算机执行本申请实施例提供的活体检测方法。上述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(readonlymemory；以下简称：rom)、可擦式可编程只读存储器(erasableprogrammablereadonlymemory；以下简称：eprom)或闪存、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属
技术领域：
：的技术人员所理解。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。需要说明的是，本申请实施例中所涉及的终端可以包括但不限于个人计算机(personalcomputer；以下简称：pc)、个人数字助理(personaldigitalassistant；以下简称：pda)、无线手持设备、平板电脑(tabletcomputer)、手机、mp3播放器、mp4播放器等。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，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，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。另外，在本申请各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。当前第1页12当前第1页12