本技術(shù)涉及圖像處理，尤其涉及活體檢測方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、活體檢測技術(shù)常用于身份驗(yàn)證場景，是一種用于確定對象真實(shí)生理特征的技術(shù)，可有效抵御照片、視頻、換臉、面具、遮擋以及屏幕翻拍等常見的攻擊手段，從而幫助用戶甄別欺詐行為，保障用戶的利益。

2、當(dāng)前，隨著人臉信息獲取技術(shù)以及人臉偽造技術(shù)的發(fā)展，活體檢測技術(shù)面臨著更多的挑戰(zhàn)，一方面現(xiàn)有的活體檢測方案中從檢測圖像中獲取的信息比較局限，另一方面是假體攻擊者會采取多樣化策略如不斷調(diào)整距離、姿態(tài)進(jìn)行持續(xù)攻擊，這一過程中可能會出現(xiàn)假體攻破現(xiàn)象，導(dǎo)致活體檢測判斷出錯(cuò)。

3、綜上，如何提高活體檢測的判斷準(zhǔn)確性，以提升防假體攻擊能力，儼然已成為本領(lǐng)域亟需解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種活體檢測方法、裝置、電子設(shè)備及存儲介質(zhì)，旨在提高活體檢測的判斷準(zhǔn)確性，以提升防假體攻擊能力。

2、為實(shí)現(xiàn)上述目的，本技術(shù)提出一種活體檢測方法，活體檢測方法包括：

3、將測試圖像輸入至預(yù)設(shè)的全景圖像活體判斷模型中，得到全景活體得分；

4、將所述測試圖像中人臉區(qū)域的人臉圖像輸入至預(yù)設(shè)的人臉圖像活體判斷模型中，得到人臉活體得分；

5、分別對所述全景活體得分和所述人臉活體得分進(jìn)行均值濾波處理，得到目標(biāo)全景活體得分和目標(biāo)人臉活體得分；

6、根據(jù)所述目標(biāo)全景活體得分和所述目標(biāo)人臉活體得分確定所述測試圖像的活體檢測結(jié)果。

7、在一實(shí)施例中，所述將測試圖像輸入至預(yù)設(shè)的全景圖像活體判斷模型中，得到全景活體得分的步驟之前，還包括：

8、獲取第一全景訓(xùn)練樣本，其中，所述第一全景訓(xùn)練樣本包括已標(biāo)注活體標(biāo)簽的第一全景圖像和已標(biāo)注假體標(biāo)簽的第二全景圖像；

9、從所述第一全景訓(xùn)練樣本中獲取第一人臉訓(xùn)練樣本，其中，所述第一人臉訓(xùn)練樣本包括已標(biāo)注活體標(biāo)簽的第一人臉圖像和已標(biāo)注假體標(biāo)簽的第二人臉圖像；

10、對所述第一全景訓(xùn)練樣本進(jìn)行人臉檢測和人臉關(guān)鍵點(diǎn)檢測，得到標(biāo)注人臉框位置標(biāo)簽、人臉關(guān)鍵點(diǎn)標(biāo)簽和/或人體關(guān)鍵點(diǎn)標(biāo)簽的第二全景訓(xùn)練樣本；

11、對所述第一人臉訓(xùn)練樣本進(jìn)行人臉檢測和人臉關(guān)鍵點(diǎn)檢測，得到標(biāo)注人臉關(guān)鍵點(diǎn)標(biāo)簽的第二人臉訓(xùn)練樣本；

12、基于所述第二全景訓(xùn)練樣本對第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的全景圖像活體判斷模型；

13、基于所述第二人臉訓(xùn)練樣本對第二神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的人臉圖像活體判斷模型。

14、在一實(shí)施例中，所述將所述測試圖像中人臉區(qū)域的人臉圖像輸入至預(yù)設(shè)的人臉圖像活體判斷模型中，得到人臉活體得分的步驟之前還包括：

15、對所述測試圖像進(jìn)行人臉檢測和人臉關(guān)鍵點(diǎn)檢測，得到人臉檢測結(jié)果和人臉關(guān)鍵點(diǎn)檢測結(jié)果；

16、根據(jù)所述人臉檢測結(jié)果和所述人臉關(guān)鍵點(diǎn)檢測結(jié)果從所述測試圖像中獲取人臉圖像。

17、在一實(shí)施例中，所述將測試圖像輸入至預(yù)設(shè)的全景圖像活體判斷模型中，得到全景活體得分的步驟之前，還包括：

18、對待測試圖像依次進(jìn)行人臉檢測、亮度檢測、遮擋檢測、面部表情檢測和人臉姿態(tài)檢測，以確定所述待測試圖像是否滿足預(yù)設(shè)的活體檢測條件；

19、在所述待測試圖像滿足所述活體檢測條件時(shí)，將所述待測試圖像確定為測試圖像。

20、在一實(shí)施例中，所述分別對所述全景活體得分和所述人臉活體得分進(jìn)行均值濾波處理，得到目標(biāo)全景活體得分和目標(biāo)人臉活體得分的步驟，包括：

21、針對所述全景活體得分，將所述全景活體得分添加至第一得分隊(duì)列中；

22、若所述第一得分隊(duì)列中包含歷史全景活體得分，則將所述全景活體得分與所述歷史全景活體得分進(jìn)行均值濾波處理后，得到目標(biāo)全景活體得分；

23、若所述第一得分隊(duì)列中未包含所述歷史全景活體得分，則將所述全景活體得分作為所述目標(biāo)全景活體得分。

24、在一實(shí)施例中，所述分別對所述全景活體得分和所述人臉活體得分進(jìn)行均值濾波處理，得到目標(biāo)全景活體得分和目標(biāo)人臉活體得分的步驟，包括：

25、針對所述人臉活體得分，將所述人臉活體得分添加至第二得分隊(duì)列中；

26、若所述第二得分隊(duì)列中包含歷史人臉活體得分，則將所述人臉活體得分與所述歷史人臉活體得分進(jìn)行均值濾波處理后，得到目標(biāo)人臉活體得分；

27、若所述第二得分隊(duì)列中未包含所述歷史人臉活體得分，則將所述人臉活體得分作為所述目標(biāo)人臉活體得分。

28、在一實(shí)施例中，所述根據(jù)所述目標(biāo)全景活體得分和所述目標(biāo)人臉活體得分確定所述測試圖像的活體檢測結(jié)果的步驟，包括：

29、將所述目標(biāo)全景活體得分與預(yù)設(shè)的第一閾值進(jìn)行比較，將所述目標(biāo)人臉活體得分與預(yù)設(shè)的第二閾值進(jìn)行比較；

30、在所述目標(biāo)全景活體得分超過所述第一閾值，且所述目標(biāo)人臉活體得分超過所述第二閾值時(shí)，確定所述測試圖像的活體檢測結(jié)果為活體。

31、在一實(shí)施例中，所述根據(jù)所述目標(biāo)全景活體得分和所述目標(biāo)人臉活體得分確定所述測試圖像的活體檢測結(jié)果的步驟，還包括：

32、在所述目標(biāo)全景活體得分未超過所述第一閾值，和/或，所述目標(biāo)人臉活體得分未超過所述第二閾值時(shí)，獲取所述第一得分隊(duì)列和所述第二得分隊(duì)列各自的隊(duì)列長度；

33、若所述第一得分隊(duì)列的隊(duì)列長度和所述第二得分隊(duì)列的隊(duì)列長度未超過預(yù)設(shè)的長度閾值，則獲取下一幀測試圖像進(jìn)行活體檢測；

34、若所述第一得分隊(duì)列的隊(duì)列長度和/或所述第二得分隊(duì)列的隊(duì)列長度超過所述長度閾值，則確定所述測試圖像的活體檢測結(jié)果為假體。

35、在一實(shí)施例中，所述根據(jù)所述目標(biāo)全景活體得分和所述目標(biāo)人臉活體得分確定所述測試圖像的活體檢測結(jié)果的步驟，還包括：

36、在所述目標(biāo)全景活體得分未超過所述第一閾值，和/或，所述目標(biāo)人臉活體得分未超過所述第二閾值時(shí)，獲取當(dāng)前檢測時(shí)長；

37、若所述當(dāng)前檢測時(shí)長未超過預(yù)設(shè)的時(shí)長閾值，則獲取下一幀測試圖像進(jìn)行活體檢測；

38、若所述當(dāng)前檢測時(shí)長超過所述時(shí)長閾值，則確定所述測試圖像的活體檢測結(jié)果為假體。

39、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提出一種活體檢測裝置，活體檢測裝置包括：

40、全景判斷模塊，用于將測試圖像輸入至預(yù)設(shè)的全景圖像活體判斷模型中，得到全景活體得分；

41、人臉判斷模塊，用于將所述測試圖像中人臉區(qū)域的人臉圖像輸入至預(yù)設(shè)的人臉圖像活體判斷模型中，得到人臉活體得分；

42、濾波模塊，用于分別對所述全景活體得分和所述人臉活體得分進(jìn)行均值濾波處理，得到目標(biāo)全景活體得分和目標(biāo)人臉活體得分；

43、活體檢測模塊，用于根據(jù)所述目標(biāo)全景活體得分和所述目標(biāo)人臉活體得分確定所述測試圖像的活體檢測結(jié)果。

44、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提出一種電子設(shè)備，設(shè)備包括：存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，計(jì)算機(jī)程序配置為實(shí)現(xiàn)如上文的活體檢測方法的步驟。

45、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提出一種存儲介質(zhì)，存儲介質(zhì)為計(jì)算機(jī)可讀存儲介質(zhì)，存儲介質(zhì)上存儲有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文的活體檢測方法的步驟。

46、本技術(shù)提出了一種活體檢測方法，本技術(shù)首先將測試圖像輸入至預(yù)設(shè)的全景圖像活體判斷模型中，通過該模型計(jì)算出測試圖像的全景活體得分，以此初步判斷圖像是否來源于真實(shí)場景下的活體，同時(shí)，從同一測試圖像中提取出人臉圖像，并將其送入人臉圖像活體判斷模型中，通過該模型計(jì)算出人臉圖像的人臉活體得分，進(jìn)一步驗(yàn)證人臉的真實(shí)性；然后，為了增強(qiáng)判定的穩(wěn)健性和抗噪性，分別對全景活體得分和人臉活體得分進(jìn)行均值濾波處理，通過平滑處理減少隨機(jī)噪聲的干擾，得到更為穩(wěn)定的目標(biāo)全景活體得分和目標(biāo)人臉活體得分；最后，基于這兩個(gè)經(jīng)過優(yōu)化的得分，綜合評估確定測試圖像的活體檢測結(jié)果，從而實(shí)現(xiàn)對真實(shí)用戶與假體攻擊(如照片、視頻回放、3d打印面具等)的精準(zhǔn)區(qū)分。

47、綜上可知，本技術(shù)通過同時(shí)分析全景圖像與人臉圖像，綜合利用了圖像的全局與局部信息，實(shí)現(xiàn)了從環(huán)境到個(gè)體的全面考量，有效彌補(bǔ)了單一模態(tài)檢測可能存在的盲區(qū)，提高了活體檢測的全面性和準(zhǔn)確性；同時(shí)，對得分進(jìn)行均值濾波處理，確保了得分的穩(wěn)定性和可靠性，同時(shí)降低了持續(xù)假體攻擊可能導(dǎo)致的偶然攻破現(xiàn)象，進(jìn)一步提升了活體檢測的精確度和魯棒性，從而提高了防御假體攻擊的能力。