用于活性检测的方法和设备与流程

用于活性检测的方法和设备
1.本技术要求于2020年7月27日在韩国知识产权局提交的第10-2020-0093137号韩国专利申请以及于2020年12月18日在韩国知识产权局提交的第10-2020-0178770号韩国专利申请的权益，所述韩国专利申请的全部公开出于所有目的通过引用包含于此。
技术领域
2.下面的描述涉及用于活性检测的方法和设备。


背景技术：

3.生物特征识别可用于安全验证，以通过使用用户的指纹、虹膜、面部特征、血管或其他生物特性来验证用户。由于在这样的验证中使用的潜在生物特性在用户的一生中很少会改变，因此它们旨在对于每个用户是唯一的。这样的生物特性还造成盗窃或仿造的低风险，通常提供可靠的安全验证。作为一种类型的生物特征识别的面部识别或验证可用于基于静止图像或者运动图像(或视频)中的面部来确定用户是否是有效用户。面部识别或验证可具有的优点在于：面部识别或验证的目标可在面部识别或验证的目标与装置之间没有物理接触的情况下被验证。由于面部识别或验证的方便性和有效性，它可被用于各种技术领域(包括例如安全验证、移动验证和多媒体数据搜索)。


技术实现要素：

4.提供本发明内容以简化的形式介绍在以下具体实施方式中进一步描述的构思的选择。本发明内容不意在确定要求保护的主题的关键特征或必要特征，也不意在用于帮助确定要求保护的主题的范围。
5.在一个总体方面，一种处理器实现的具有活性检测的方法包括：接收不同相位的多个相位图像；通过对不同相位的所述多个相位图像执行包括边缘增强处理的预处理来生成多个预处理后的相位图像；基于所述多个预处理后的相位图像来生成多个差分图像；基于所述多个差分图像生成比所述多个差分图像具有更低的分辨率的多个低分辨率差分图像；基于所述多个低分辨率差分图像生成最小图图像；和基于最小图图像对所述多个相位图像中的对象执行活性检测。
6.执行预处理的步骤可包括：从所述多个相位图像去除噪声，并且边缘增强处理可包括：增强所述多个相位图像中的每个中的对象的边缘区域。
7.执行边缘增强处理的步骤可包括：向所述多个相位图像中的每个应用sobel滤波器、各向异性滤波器、拉普拉斯滤波器、canny边缘滤波器和神经网络处理中的任何一个或多个。
8.生成所述多个低分辨率差分图像的步骤可包括：从所述多个差分图像中的差分图像提取所述差分图像中的多个区块区域中的每个的最大像素值；和基于提取的最大像素值生成所述多个低分辨率差分图像中的低分辨率差分图像。
9.生成所述多个低分辨率差分图像的步骤可包括：确定所述多个差分图像中的差分
图像中的多个区块区域中的每个的像素区域中的像素值的平均值；和基于与所述多个区块区域对应的平均值来生成低分辨率差分图像。
10.所述多个预处理后的相位图像可包括第一预处理后的相位图像和第二预处理后的相位图像，并且生成所述多个差分图像的步骤可包括：通过将第二预处理后的相位图像移位不同的移位位移来生成多个移位后的第二相位图像；和生成所述多个差分图像，所述多个差分图像包括：各自指示所述多个移位后的第二相位图像中的相应的一个与第一预处理后的相位图像之间的像素值的差的多个差分图像、以及指示第二预处理后的相位图像与第一预处理后的相位图像之间的像素值的差的差分图像。
11.生成最小图图像的步骤可包括：识别所述多个低分辨率差分图像之间的对应区域的差值之中的最小差值；和基于识别的最小差值确定最小图图像的像素值。
12.最小图图像的像素值可对应于以下中的任意一个：所述最小差值；和与包括所述最小差值的低分辨率差分图像对应的移位位移的索引。
13.执行活性检测的步骤可包括：通过将最小图图像和所述多个相位图像应用于基于神经网络的活性检测模型来获得活性检测的结果。
14.应用于活性检测模型的所述多个相位图像的分辨率可被调整为与最小图图像的分辨率对应。
15.可使用多相检测传感器获得所述多个相位图像。
16.所述方法可包括：执行使用多相检测传感器获得所述多个相位图像的步骤。
17.所述方法可包括：基于执行的活性检测的结果，控制对电子设备的一个或多个功能的访问。
18.一种非暂时性计算机可读存储介质可存储指令，所述指令在由处理器执行时，将处理器配置为执行所述方法。
19.在另一总体方面，一种具有活性检测的设备包括：处理器，被配置为：通过对不同相位的多个相位图像执行包括边缘增强处理的预处理来生成多个预处理后的相位图像；基于所述多个预处理后的相位图像来生成多个差分图像；基于所述多个差分图像生成比所述多个差分图像具有更低的分辨率的多个低分辨率差分图像；基于所述多个低分辨率差分图像生成最小图图像；和基于生成的最小图图像对所述多个相位图像中的对象执行活性检测。
20.处理器可被配置为：为了执行预处理，从所述多个相位图像去除噪声，并且为了边缘增强处理，增强所述多个相位图像中的每个中的对象的边缘区域。
21.为了生成所述多个低分辨率差分图像，处理器可被配置为：从所述多个差分图像中的差分图像提取所述差分图像中的多个区块区域中的每个的最大像素值；和基于提取的最大像素值生成所述多个低分辨率差分图像中的低分辨率差分图像。
22.为了生成所述多个低分辨率差分图像，处理器可被配置为：确定所述多个差分图像中的差分图像中的多个区块区域中的每个的像素区域中的像素值的平均值；和基于与所述多个区块区域对应的平均值来生成低分辨率差分图像。
23.为了生成最小图，处理器可被配置为：识别所述多个低分辨率差分图像之间的对应区域的差值之中的最小差值；和基于识别的最小差值确定最小图图像的像素值。
24.为了执行活性检测，处理器可被配置为：通过将最小图图像和所述多个相位图像
应用于基于神经网络的活性检测模型来获得活性检测的结果，并且应用于活性检测模型的所述多个相位图像的分辨率被调整为与最小图图像的分辨率对应。
25.所述设备可包括：存储器，存储指令，所述指令在由处理器执行时，将处理器配置为执行以下步骤：生成所述多个预处理后的相位图像、生成所述多个差分图像、生成所述多个低分辨率差分图像、生成最小图图像和执行活性检测。
26.所述设备可以是包括被配置为使用多个传感器像素获得所述多个相位图像的多相检测传感器的电子设备。
27.在另一总体方面，一种电子设备包括：多相检测传感器，被配置为获得不同相位的多个相位图像；和处理器，被配置为：通过对所述多个相位图像执行包括边缘增强处理的预处理来生成多个预处理后的相位图像；基于所述多个预处理后的相位图像生成比所述多个预处理后的相位图像具有更低的分辨率的多个低分辨率差分图像；基于所述多个低分辨率差分图像生成最小图图像；和基于最小图图像对所述多个相位图像中的对象执行活性检测。
28.处理器可被配置为：为了执行预处理，从所述多个相位图像去除噪声；为了边缘增强处理，增强所述多个相位图像中的每个中的对象的边缘区域；和为了生成所述多个低分辨率差分图像，基于所述多个预处理后的相位图像生成多个差分图像；从所述多个差分图像中的差分图像提取所述差分图像中的多个区块区域中的每个的最大像素值，并且基于提取的最大像素值生成所述多个低分辨率差分图像中的低分辨率差分图像。
29.为了生成所述多个低分辨率差分图像，处理器可被配置为：基于所述多个预处理后的相位图像的预处理后的相位图像中的多个区块区域中每个的像素区域中的像素值的最大值或平均值，生成低分辨率的预处理后的相位图像；和基于生成的低分辨率的预处理后的相位图像，生成所述多个低分辨率差分图像的低分辨率差分图像。
30.在另一总体方面，一种处理器实现的具有活性检测的方法包括：基于相位图像中的对象的边缘区域来对不同相位的相位图像进行预处理；降低基于预处理后的相位图像生成的差分图像的分辨率；基于降低分辨率的差分图像生成最小图图像；和基于最小图图像对对象执行活性检测。
31.预处理的步骤可包括：从相位图像去除排除边缘区域之外的区域的噪声；和增强去除噪声的相位图像的边缘区域。
32.降低分辨率的步骤可包括：对差分图像执行池化运算。
33.池化运算可以是最大池化运算和平均池化运算中的任意一个。
34.在另一总体方面，一种处理器实现的具有活性检测的方法包括：基于相位图像中的对象的边缘区域对第一相位图像和第二相位图像进行预处理；通过将第二预处理后的相位图像移位相应的移位位移来生成移位图像；基于第一预处理后的相位图像与相应的移位图像之间的差来生成差分图像；降低差分图像的分辨率；基于降低分辨率的差分图像来生成最小图图像；和基于最小图图像对对象执行活性检测。
35.生成移位图像的步骤可包括：通过将第二相位图像中的基本区域沿一个或多个方向移位相应的移位位移来生成移位区域。
36.生成差分图像的步骤可包括：确定第一预处理后的相位图像中的基本区域与移位区域之间的差。
37.所述方法可包括：基于执行的活性检测的结果来控制对电子设备的一个或多个功能的访问。
38.从下面的具体实施方式、附图和权利要求，其他特征和方面将是清楚的。
附图说明
39.图1和图2示出活性检测和生物特征验证的示例。
40.图3示出多相检测传感器的示例。
41.图4示出通过相位图像可检测的二维(2d)图像与三维(3d)图像之间的差异的示例。
42.图5示出活性检测方法的示例。
43.图6示出活性检测方法的示例。
44.图7示出边缘增强处理(edge enhancement processing)的示例。
45.图8和图9示出生成最小图图像(minimum map image)的示例。
46.图10a和图10b示出使相位图像移位的示例。
47.图11a和图11b示出确定最小图图像的像素值的示例。
48.图12示出具有活性检测的设备的示例。
49.图13示出具有活性检测的设备的示例。
50.贯穿附图和具体实施方式，除非另外描述或提供，否则相同的附图参考标号将被理解为表示相同的元件、特征和结构。附图可不按比例，并且为了清楚、说明和方便，附图中的元件的相对大小、比例和描绘可被夸大。
具体实施方式
51.提供下面的具体实施方式以帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而，在理解本技术的公开之后，在此描述的方法、设备和/或系统的各种改变、修改和等同物将是清楚的。例如，在此描述的操作顺序仅是示例，并不限于在此阐述的那些顺序，而是除了必须以特定次序发生的操作之外，可如在理解本技术的公开之后将是清楚的那样被改变。此外，为了更加清楚和简明，可省略在理解本技术的公开之后已知的特征的描述。
52.在此描述的特征可以以不同的形式被实现，而不应被解释为限于在此描述的示例。相反，在此描述的示例已被提供，以仅示出在理解本技术的公开之后将是清楚的实现在此描述的方法、设备和/或系统的许多可行方式之中的一些可行方式。
53.在此使用的术语仅用于描述各种示例，而不应用于限制公开。如在此使用的，除非上下文另外清楚地指示，否则单数形式也意在包括复数形式。如在此使用的，术语“和/或”包括相关所列项中的任何一个和任何两个或更多个的任何组合。如在此使用的，术语“包括”、“包括”和“具有”表明存在陈述的特征、数量、操作、构件、元件和/或它们的组合，但不排除存在或添加一个或多个其他特征、数量、操作、构件、元件和/或它们的组合。如在此使用的，针对示例或实施例的术语“可”的使用(例如，针对示例或实施例可包括或实现什么)表示存在包括或实现这样的特征的至少一个示例或实施例，而所有示例不限于此。
54.此外，在此可使用诸如第一、第二、a、b、(a)、(b)等的术语来描述根据示例实施例
的组件。这些术语中的每个不用于限定对应组件的本质、次序或顺序，而是仅用于将对应组件与一个或多个其他组件区分开。尽管在此使用术语“第一”或“第二”来描述各种构件、组件、区域、层或部分，但是这些构件、组件、区域、层或部分不应受这些术语限制。相反，这些术语仅用于将一个构件、组件、区域、层或部分与另一构件、组件、区域、层或部分区分开。因此，在不脱离示例的教导的情况下，在此描述的示例中所称的第一构件、第一组件、第一区域、第一层或第一部分也可被称为第二构件、第二组件、第二区域、第二层或第二部分。
55.贯穿说明书，当元件(诸如，层、区域或基底)被描述为“在”另一元件“上”、“连接到”或“结合到”另一元件时，该元件可直接“在”所述另一元件“上”、“连接到”或“结合到”所述另一元件，或者可存在介于它们之间的一个或多个其他元件。相反，当元件被描述为“直接在”另一元件“上”、“直接连接到”或“直接结合到”另一元件时，可不存在介于它们之间的其他元件。同样地，例如“在
……
之间”与“紧接在
……
之间”以及“邻近”与“紧邻”的表达也可如前所述的那样被解释。
56.除非另外定义，否则在此使用的所有术语(包括技术术语和科学术语)具有与本公开所属领域的普通技术人员通常理解的含义以及在理解本公开之后通常理解的含义相同的含义。除非在此明确地如此定义，否则术语(诸如，在通用词典中定义的术语)将被解释为具有与它们在相关领域和本公开的上下文中的含义一致的含义，并且将不以理想化或过于形式化的含义进行解释。
57.此外，在示例实施例的描述中，当认为在理解本技术的公开之后由此已知的结构或功能的详细描述可能导致示例实施例的模糊解释时，可省略这样的描述。
58.在下文中，将参照附图详细描述示例，并且附图中的相同的参考标号始终表示相同的元件。
59.图1和图2示出活性(也称为活体)检测和生物特征验证的示例。
60.生物特征识别(biometrics)是使用个人生物信息(包括例如个体的指纹、虹膜、面部、静脉(vein)和皮肤)的用户验证方法之一。在用户验证方法之中，面部验证方法可用于当用户尝试使用他的/她的面部来执行面部验证以解锁装置、登录装置、执行支付服务以及执行访问控制操作(作为各种示例)时，基于用户的面部的信息来确定用户是否是有效用户和/或不是有效用户。
61.参照图1，电子设备120(例如，图13的具有活性检测的设备(或称为活性检测设备)1300)可通过生物特征验证(例如，面部验证)，来确定是否验证(或认证)尝试连接到电子设备120的对象110(例如，用户)。电子设备120可使用图像传感器130(例如，图3的两相检测(2pd)传感器310或图12的多相检测传感器1240)获得对象110的图像数据，分析获得的图像数据，并确定验证的结果。这样的生物特征验证可包括从图像数据提取特征，将提取的特征与有效对象的注册特征进行比较，以及基于比较的结果确定验证是否成功。例如，当在电子设备120处于锁定状态时确定对象110的验证成功时，电子设备120的锁定状态可被取消和/或改变为解锁状态。相反，当确定对象110的验证不成功时，电子设备120可继续在锁定状态下进行操作。作为非限制性示例，电子设备120可以是智能电话、可穿戴装置、平板计算机、上网本、膝上型计算机、台式计算机、个人数字助理(pda)、机顶盒、家用电器、生物特征识别门锁、安全装置和/或车辆启动装置。
62.在一个示例中，有效用户可通过注册处理预先在电子设备120中注册他的/她的生
物特性，并且电子设备120可在存储装置或云存储装置中存储将要用于识别有效用户的信息。在这个示例中，有效用户的面部图像或从面部图像提取的面部特征可被存储为有效用户的注册的生物特性。
63.在这样的生物特征验证中，可执行活性检测或测试。可执行活性检测以确定作为用于活性检测的目标的测试对象(例如，对象110)是否是活的。也就是说，可执行活性检测以确定用于验证的方法或生物特征特性是否是真实的。例如，活性检测可被执行以确定通过图像传感器130捕获的图像中的面部是真实面部还是假冒面部。可执行活性检测以使用捕获的一个或多个图像来区分无生命的对象(例如，作为假冒机制或形式的照片、图像、纸张、视频和复制品)和有生命的对象(例如，有生命的人类的面部)。电子设备120可执行活性检测和生物特征验证之一、或者活性检测和生物特征验证两者。
64.图2示出假冒面部210的示例和真实面部220的示例。电子设备120可通过活性检测来识别图像数据中的真实面部220。此外，电子设备120可识别测试对象图像中的假冒面部210，该测试对象图像通过捕获在智能电话的屏幕或个人计算机(pc)的屏幕上显示的有效用户的真实面部的图像、打印的纸张、或者模仿用户的真实面部的复制品的图像而获得。
65.无效用户可能尝试使用欺骗技术来尝试获得生物特征验证系统的错误接受。例如，无效用户可向图像传感器130呈现有效用户的面部在其中出现的图像、视频、复制品等，以获得面部验证中的错误接受。一个或多个实施例的活性检测可用于通过滤除或阻止对基于使用这种替代物的这样的欺骗技术进行的验证的尝试，来防止这样的错误接受。当验证对象被确定为无生命的对象作为活性检测的结果时，可以不允许验证对象继续进行将验证对象与注册对象进行比较以验证验证对象是否与注册对象匹配的用户验证，或者可不管用户验证的结果如何而最终确定用户验证不成功。
66.图像传感器130可将对象(例如，图1的对象110)的视觉信息表示为多个相位的图像数据。图像传感器130可检测多个相位的视觉信息，并且生成与多个相位中的每个的视觉信息相关联的图像数据。图像传感器130可以是包括例如被配置为检测两种类型的相位的两相检测(2pd)传感器和被配置为检测四种类型的相位的四相检测(qpd)传感器中的任意一个的多相检测传感器。然而，图像传感器130可检测或感测的相位的数量不限于前述示例，并且图像传感器130可检测各种数量的不同相位。尽管为了便于描述，将在图像传感器130对应于2pd传感器的假设下描述下面的示例，但是示例不限于此。下面的描述也适用于图像传感器130是不同类型的多相检测传感器的可用示例。
67.图3示出多相检测传感器的示例(例如，作为多相检测传感器的示例的2pd传感器310的结构)。参照图3，2pd传感器310可包括感测作为两个不同相位的红色、绿色、蓝色(rgb)颜色值的多个传感器像素315。在图3的示例中，参考标号320指示每个传感器像素315的放大。传感器像素315可包括用于感测绿色颜色值的多个传感器子像素332、342、336和346、用于感测红色颜色值的多个传感器子像素334和344、以及用于感测蓝色颜色值的多个传感器子像素338和348。在这个示例中，传感器子像素332、334、336和338可对应于第一相位(例如，左(l))，并且传感器子像素342、344、346和348可对应于第二相位(例如，右(r))。图3中示出的2pd传感器310的结构可仅作为示例被提供，并且传感器像素315的布置的结构不限于图3中示出的示例结构。
68.包括在2pd传感器310中的每个传感器子像素可感测第一相位和第二相位之一的
视觉信息。传感器子像素332、334、336、338、342、344、346和348中的每个可包括接收外部光并基于外部光输出电信号值的光电二极管。通过提取与第一相位对应的传感器子像素332、334、336和338的光电二极管的输出值，可获得第一相位的第一相位图像350。通过提取与第二相位对应的传感器子像素342、344、346和348的光电二极管的输出值，可获得第二相位的第二相位图像360。
69.在第一相位图像350与第二相位图像360之间可能存在视差(disparity)。这样的视差可用于一个或多个实施例的对象(例如，对象110)的活性检测，由此提高活性检测的准确性。视差可表示对象的立体(或三维(3d))信息，因此使用视差可有效地区分以使用照片或纸张的二维实现的假冒对象或欺骗对象。图4示出通过相位图像可检测的2d对象与3d对象之间的差异的示例。参照图4，在通过2pd传感器310捕获2d对象的图像的情况下，可能无法通过第一相位图像和第二相位图像检测视差。例如，当通过2pd传感器310捕获其上打印有面部的照片时，照片中的面部区域与背景区域之间可能没有深度差，并且面部部位之间可能没有深度差。因此，可能无法通过第一相位图像和第二相位图像来检测视差。相比之下，在通过2pd传感器310捕获3d对象的图像的情况下，可通过第一相位图像和第二相位图像来检测视差。在这个示例中，当通过2pd传感器310捕获实际人脸的图像时，可通过将第一相位图像与第二相位图像进行比较来检测面部轮廓和/或鼻子中的视差。
70.返回参照图1，可通过经由图像传感器130获得的相位图像，来提取与对象110的对应于2d信息的形状、颜色、纹理和上下文相关联的信息。除了相位图像之外，一个或多个实施例的电子设备120还可使用从相位图像得到的视差信息用于活性检测，并且可应用对象110的3d结构的特征，从而提高活性检测的准确性。可从各自指示相位图像之间的像素值的差的多个差分图像(differential image)获得视差信息。
71.用于活性检测的计算量和活性检测的准确性可具有矛盾关系。可通过基于相位图像的全分辨率的信息执行活性检测，来实现高水平的准确性。然而，当相位图像具有全分辨率(例如，百万像素分辨率)时，大量的时间和资源可能被用于处理全分辨率的相位图像。因此，针对具有有限资源的移动平台，可能难以处理全分辨率的相位图像。因此，为了提高用于活性检测的处理速度并降低用于活性检测的资源(例如，存储器)的量，一个或多个实施例的电子设备120可通过将相位图像转换为低分辨率而不是使用在没有改变的情况下的通过图像传感器130获得的原始相位图像，来执行活性检测。将相位图像转换为低分辨率可对应于降低相位图像的大小。当电子设备120是移动装置(诸如，智能电话)时，可存在对计算量和资源量的显著约束，因此减轻活性检测可允许活性检测在电子设备120上有效地执行。减轻可包括例如将相位图像转换为低分辨率。然而，将相位图像转换为低分辨率可导致相位图像中的与视差相关的信息的丢失，降低这样的视差信息的准确性和/或降低活性检测的准确性。此外，通过图像传感器130获得的相位图像可包括由电子设备120的移动引起的大量噪声。一些噪声可能阻碍获取准确的视差信息，从而活性检测的准确性可能降低。
72.通过执行边缘增强处理(edge enhancement processing)以增强或加强相位图像中的对象的边缘分量或区域并且通过从差分图像有效地提取主像素，将在下文中描述的一个或多个实施例的活性检测方法可使得即使根据低分辨率也能够获取准确的视差信息。准确的视差信息可提高活性检测的准确性，因此一个或多个实施例的活性检测方法可有效地防止或阻止可能通过欺骗技术获得的错误接受。在移动平台(诸如，智能电话)中执行活性
检测的情况下，在此描述的一个或多个实施例的活性检测方法可降低活性检测所需的计算量或运算量以及资源量，并且可彻底实现实时处理。此外，一个或多个实施例的活性检测方法可通过针对各种欺骗攻击鲁棒地执行活性检测，来提高准确性。在下文中，将更详细地描述活性检测方法。
73.图5示出活性检测方法的示例。
74.参照图5，在操作510中，活性检测设备(例如，图12的具有活性检测的设备1200)可接收不同相位的多个相位图像(包括例如第一相位的第一相位图像和第二相位的第二相位图像)。可使用多相检测传感器(例如，图12的多相检测传感器1240)来获得相位图像。
75.在操作520中，活性检测设备可通过对相位图像执行包括边缘增强处理的预处理，来生成多个预处理后的相位图像(包括例如第一预处理后的相位图像和第二预处理后的相位图像)。在预处理中，活性检测设备可从相位图像去除噪声，并且执行用于增强(或加强)每个相位图像中的对象的边缘区域的边缘增强处理。例如，活性检测设备可通过将索贝尔(sobel)滤波器应用于每个相位图像来执行边缘增强处理。然而，示例不限于使用sobel滤波器来执行边缘增强处理的前述示例。对于另一示例，可通过使用各向异性滤波器、拉普拉斯滤波器和坎尼(canny)边缘滤波器中的任何一个或多个、或者通过使用神经网络，来执行边缘增强处理。在一个示例中，可通过向每个相位图像应用sobel滤波器、各向异性滤波器、拉普拉斯滤波器、canny边缘滤波器和神经网络处理中的任何一个或多个，来执行边缘增强处理。为了匹配相位图像，与通过典型的活性检测方法对平坦区域(例如，面部的脸颊和/或排除边缘区域之外的区域)执行的比较相比，一个或多个实施例的活性检测方法可对边缘区域(例如，面部的轮廓)更容易和更准确地执行比较。因此，与边缘区域相关联的信息可以是重要的并且可被用于获得准确的视差信息。通过边缘增强处理，可增强或加强相位图像中的边缘区域，并且可去除对象的形状中的平坦区域的噪声。
76.例如，在操作520中，活性检测设备可在执行边缘增强处理之前对相位图像执行伽马校正，并且可对通过执行伽马校正获得的相位图像执行边缘增强处理。伽马校正可使用非线性传递函数来校正相位图像的亮度值，并且可以以低计算(或运算)量来执行。活性检测设备还可在执行边缘增强处理之前执行去噪以从相位图像去除噪声。
77.在操作530中，活性检测设备可基于预处理后的相位图像生成多个差分图像。在此描述的差分图像可表示指示相位图像之间的对应像素区域的像素值的差的图像。例如，当预处理后的相位图像包括第一预处理后的相位图像和第二预处理后的相位图像时，活性检测设备可通过将第二预处理后的相位图像移位不同的移位位移(例如，其中，移位位移对应于沿一个方向(例如，向右或向左)移位多个像素)，来生成多个移位后的第二相位图像。在这个示例中，活性检测设备可生成各自指示移位后的第二相位图像中的相应的一个与第一预处理后的相位图像之间的像素值的差的差分图像。活性检测设备可计算第一预处理后的相位图像与移位后的第二相位图像之间的对应区域的像素值的差，移位后的第二相位图像通过在第一预处理后的相位图像被固定的同时使第二预处理后的相位图像移位而获得。活性检测设备还可生成指示第一预处理后的相位图像与未移位的第二预处理后的相位图像之间的像素值的差的差分图像。
78.在操作540中，活性检测设备可生成比差分图像具有更低的分辨率的多个低分辨率差分图像。活性检测设备可通过从差分图像中的对应差分图像提取主像素，来生成各自
具有减小的大小的低分辨率差分图像中的每个。在此描述的主像素表示包括每个差分图像中的像素之中的重要信息或核心信号的像素。在一个示例中，与不是主像素的像素的信号或信息相比，重要的信息或核心信号包括更能确定图像的对象的活性的信息。例如，活性检测设备可通过最大池化从差分图像提取每个区块区域(patch region)的最大像素值，并且基于提取的最大像素值生成低分辨率差分图像。在这个示例中，低分辨率差分图像可由从区块区域提取的最大像素值组成。对于另一示例，活性检测设备可通过平均池化来确定差分图像中的每个区块区域的像素区域中的像素值的平均值，并且基于确定的与每个区块区域对应的平均值来生成低分辨率差分图像。在这个示例中，低分辨率差分图像可由针对区块区域确定的平均值组成。然而，示例不限于使用最大池化和平均池化的前述示例，并且其他方法也可适用。在一个示例中，可以在执行操作530之前执行操作540。也就是说，活性检测设备可基于每个预处理后的相位图像中的多个区块区域中每个的像素区域中的像素值的最大值或平均值，生成低分辨率的预处理后的相位图像，然后，活性检测设备可基于生成的低分辨率的预处理后的相位图像，生成多个差分图像。
79.在操作550中，活性检测设备可基于低分辨率差分图像生成最小图图像(minimum map image)。类似于视差图，在此描述的最小图图像可表示包括对象的3d信息的提示(例如，3d提示信号)的图像。活性检测设备可识别低分辨率差分图像之间的对应区域的差值中的最小差值。活性检测设备可基于识别的最小差值确定最小图图像的像素值。最小图图像中的对应区域的像素值可对应于选择的最小差值，或者对应于与差分图像之中的包括最小差值的低分辨率差分图像对应的移位位移的索引。移位位移的索引可表示相位图像被移位的位移值。例如，在向右移位两个像素的情况下，移位位移的索引可以是 2，并且在向右移位一个像素的情况下，移位位移的索引可以是 1。当不存在移位时，移位位移的索引可以是0。此外，在向左移位两个像素的情况下，移位位移的索引可以是-2，并且在向左移位一个像素的情况下，移位位移的索引可以是-1。
80.在操作560中，活性检测设备可基于最小图图像对相位图像中的对象执行活性检测。活性检测设备可通过将最小图图像和相位图像应用于基于神经网络的活性检测模型(例如，图6的活性检测模型670)，来获得活性检测的结果。这里，将被应用于活性检测模型的相位图像的分辨率可被调整为与最小图图像的分辨率对应。相同分辨率的最小图图像和相位图像可组成活性检测模型的输入区块。可连接(concatenate)最小图图像和相位图像以形成活性检测模型的输入通道。
81.包括在输入区块中的相位图像可对应于原始相位图像的完整区域或包括感兴趣区域(roi)(例如，面部区域)的部分区域。
82.活性检测模型可包括被预先训练以基于输入区块检测对象的活性的至少一个神经网络。神经网络可响应于输入数据而输出由内部参数计算的值。神经网络的至少一部分可由包括神经处理器的硬件、或软件和硬件的组合来实现。神经网络可以是包括例如全连接网络、深度卷积网络和/或循环神经网络等的深度神经网络(dnn)。dnn可包括多个层。所述多个层可包括输入层、一个或多个隐藏层以及输出层。神经网络可被训练以通过基于深度学习映射处于非线性关系的输入数据和输出数据来执行给定操作。深度学习可以是应用于根据大数据集解决给定问题的机器学习方法。深度学习可以是神经网络的优化处理，优化处理用于在使用提供的训练数据被训练的同时寻找能量被最小化的点。
83.神经网络可响应于输入数据而输出活性分数。活性分数可表示作为确定对象是否是有生命的的参考的值。活性分数可被表示为表示对象是真实对象还是假冒对象的值、概率值或特征值。活性检测设备可基于活性分数是否满足预设条件来确定对象的活性。例如，当活性分数大于预设阈值时，活性检测设备可将对象确定为有生命的真实对象。当活性分数小于或等于阈值时，活性检测设备可将对象确定为无生命的假冒对象。
84.如上所述，对于活性检测，通过生成并使用低分辨率相位图像而不是使用通过多相检测传感器获得的原始相位图像，一个或多个实施例的活性检测设备可降低用于活性检测的计算复杂度和资源量，从而实现实时处理。此外，通过活性检测中的在此提出的例如预处理(例如，包括边缘增强处理)和生成低分辨率差分图像(例如，包括池化)，一个或多个实施例的活性检测设备可通过在生成低分辨率最小图图像的同时减小3d信息的损失来提高最小图图像的准确性(或置信度)。例如，一个或多个实施例的活性检测设备可通过有效地滤除2d欺骗攻击，来提高活性检测的准确性。
85.此外，活性检测设备可响应于对对象的活性检测的结果而执行控制操作。例如，当确定对象是真实对象时，活性检测设备可请求执行用户验证过程。然而，当确定对象是假冒对象时，活性检测设备可阻止由用户的访问，而不请求执行用户验证过程。
86.图6示出活性检测方法的示例。
87.参照图6，可从多相检测传感器(诸如，2pd传感器310)获得第一相位图像350和第二相位图像360。活性检测设备(例如，图12的具有活性检测的设备1200)可通过分别对第一相位图像350和第二相位图像360执行包括边缘增强处理的预处理来生成第一预处理后的相位图像610和第二预处理后的相位图像620。边缘增强处理可包括向第一相位图像350和第二相位图像360中的每个应用增强或加强对象的边缘区域的滤波器(诸如，以sobel滤波器和/或各向异性滤波器为例)。根据示例，预处理可包括伽马校正和/或去噪。
88.活性检测设备可基于第一预处理后的相位图像610和第二预处理后的相位图像620生成多个差分图像630。活性检测设备可通过将第二预处理后的相位图像620移位不同的移位位移来生成移位后的第二相位图像，并且可生成各自指示第一预处理后的相位图像610与移位后的第二相位图像中的相应的一个之间的像素值的差的多个差分图像630。差分图像630还可包括指示第一预处理后的相位图像610与未移位的第二预处理后的相位图像620之间的像素值的差的差分图像。
89.活性检测设备可通过减小差分图像630的大小，来生成多个低分辨率差分图像640。例如，活性检测设备可通过使用最大池化从每个差分图像630提取主像素，来生成低分辨率差分图像640。
90.活性检测设备可基于低分辨率差分图像640生成最小图图像650。活性检测设备可识别低分辨率差分图像640之间的对应区域的差值之中的最小差值，并且基于最小差值确定最小图图像650的像素值。活性检测设备可将最小差值确定为最小图图像650的像素值，或者将具有最小差值的低分辨率差分图像的移位索引确定为最小图图像650的像素值。
91.活性检测设备可通过分别降低第一相位图像350的分辨率和第二相位图像360的分辨率，来生成第一低分辨率相位图像660和第二低分辨率相位图像665。然后，活性检测设备可将第一低分辨率相位图像660、第二低分辨率相位图像665和最小图图像650应用于基于神经网络的活性检测模型670，以执行活性检测。可分析具有降低的分辨率的第一低分辨
率相位图像660、第二低分辨率相位图像665和最小图图像650，而不是分析从2pd传感器310获得的具有全分辨率的第一相位图像350和第二相位图像360。因此，通过生成并使用具有降低的分辨率的图像，一个或多个实施例的活性检测设备可使用减轻的神经网络作为活性检测模型670。
92.将要输入到活性检测模型670的第一低分辨率相位图像660、第二低分辨率相位图像665和最小图图像650可具有相同的分辨率。第一低分辨率相位图像660、第二低分辨率相位图像665和最小图图像650可形成将要通过活性检测模型670的输入层输入到活性检测模型670的输入通道。在另一示例中，可减小最小图图像650的图像大小，使得最小图图像650在被输入到活性检测模型670时具有定义的或预定的分辨率。在这样的示例中，还可减小第一相位图像350和第二相位图像360的图像大小，使得它们在被输入到活性检测模型670时具有与最小图图像650的分辨率相同的分辨率。
93.活性检测模型670可响应于输入数据而输出活性分数。当活性分数满足预定条件(例如，大于阈值)时，活性检测设备可将对象确定为真实对象。当活性分数不满足条件(例如，小于或等于阈值)时，活性检测设备可将对象确定为假冒对象。
94.图7示出边缘增强处理(例如，预处理)的示例。
95.参照图7，活性检测设备(例如，图12的具有活性检测的设备1200)可对第一相位图像350和第二相位图像360中的每个执行边缘增强处理。活性检测设备可通过将sobel滤波器710应用于第一相位图像350来执行预处理，以增强第一相位图像350中的对象的边缘区域。此外，活性检测设备可通过将sobel滤波器710应用于第二相位图像360来执行预处理，以增强第二相位图像360中的对象的边缘区域。通过这样的预处理，可获得具有减少的噪声和增强的边缘区域的第一预处理后的相位图像610和第二预处理后的相位图像620。根据示例，可使用其他边缘增强滤波器(诸如，各向异性滤波器、拉普拉斯滤波器和/或canny边缘滤波器)。一个或多个实施例的边缘增强处理可使得能够在对象的边缘区域中检测到更准确的视差信息。
96.图8示出生成最小图图像的示例。
97.参照图8，当执行包括边缘增强处理的预处理时，可基于第一预处理后的相位图像610和第二预处理后的相位图像620生成差分图像630。在一个示例中，活性检测设备(例如，图12的具有活性检测的设备1200)可生成各自指示第一预处理后的相位图像610与通过将第二预处理后的相位图像620移位不同的移位位移而获得的移位后的第二相位图像中的相应的一个之间的像素值的差的差分图像630。在这个示例中，如所示出的，差分图像630包括第一差分图像812、第二差分图像814、第三差分图像816、第四差分图像818和第五差分图像820。在一个示例中，第一差分图像812可指示第一预处理后的相位图像610与通过将第二预处理后的相位图像620向左移位两个像素而获得的移位后的第二相位图像之间的像素值的差，第二差分图像814可指示第一预处理后的相位图像610与通过将第二预处理后的相位图像620向左移位一个像素而获得的移位后的第二相位图像之间的像素值的差，第三差分图像816可指示第一预处理后的相位图像610与未移位的第二预处理后的相位图像620之间的像素值的差，第四差分图像818可指示第一预处理后的相位图像610与通过将第二预处理后的相位图像620向右移位一个像素而获得的移位后的第二相位图像之间的像素值的差，并且第五差分图像820可指示第一预处理后的相位图像610与通过将第二预处理后的相位图
像620向右移位两个像素而获得的移位后的第二相位图像之间的像素值的差。然而，生成差分图像630的示例不限于使第二预处理后的相位图像620移位的前述示例。在另一示例中，可通过将第一预处理后的相位图像610移位不同的移位位移来生成移位后的第一相位图像，并且可生成各自指示第二预处理后的相位图像620与移位后的第一相位图像中的每个之间的像素值的差的差分图像。
98.当差分图像630被生成时，活性检测设备可生成比差分图像630具有更低的分辨率的低分辨率差分图像640。在这个示例中，活性检测设备可通过分别对第一差分图像812、第二差分图像814、第三差分图像816、第四差分图像818和第五差分图像820应用最大池化来生成第一低分辨率差分图像832、第二低分辨率差分图像834、第三低分辨率差分图像836、第四低分辨率差分图像838和第五低分辨率差分图像840。然后，活性检测设备可基于低分辨率差分图像640之间的对应区域的像素值的差值之中的最小差值来生成最小图图像650。最小图图像650可具有作为像素值的最小差值或包括最小差值的低分辨率差分图像的移位位移的索引。
99.图9示出生成最小图图像的示例。
100.参照图9，在操作910中，活性检测设备可使相位图像移位。活性检测设备可在第一相位图像(例如，第一预处理后的相位图像)被固定的同时使xn相位图像(例如，第二预处理后的相位图像)移位。在图9的示例中，每个相位图像的每个像素中的数字可指示像素值。在xn相位图像中，x指示水平方向上的相位特性，并且n指示相位的数量。例如，在使用通过2pd传感器生成的第一相位图像和第二相位图像的情况下，第二相位图像可被指示为x2相位图像。在下文中，将在假设xn相位图像对应于第二相位图像的情况下描述这个示例。在这个示例中，活性检测设备可在第一相位图像中设置基本区域(basic region)，并且在第二相位图像中设置一个或多个移位区域。例如，活性检测设备可在第二相位图像中设置移位区域(例如，x-1、x0和x 1)。在这个示例中，x0指示未被执行移位的基本区域。
101.第一相位图像中的基本区域也可被称为第一基本区域，并且第二相位图像中的基本区域也可被称为第二基本区域。第一基本区域和第二基本区域可在位置方面彼此对应。在x-1和x 1中，-和 指示各自的移位方向，1指示参考移位值。移位区域可基于参考移位值被设置。例如，在参考移位值为r的情况下，通过将基本区域沿预设方向移位r而获得的移位区域可被设置。
102.活性检测设备可通过将第二基本区域(例如，移位区域x0)沿移位方向移位参考移位值(例如，1)，来设置一个或多个移位区域(例如，移位区域x-1和x 1)。参考移位值可被设置为各种值，并且与参考移位值对应的移位区域的数量可被设置。可基于参考移位值和移位方向的数量来确定移位区域的数量。
103.例如，在参考移位值为1且移位方向的数量为2(例如，向左和向右)的情况下，可存在三个移位区域(即，2
×
1 1＝3)。三个移位区域可包括x-1、x0和x 1。对于另一示例，在参考移位值为5且移位方向的数量为2(例如，向左和向右)的情况下，可存在11个移位区域(即，2
×
5 1＝11)。11个移位区域可包括x-5至x-1、x0和x 1至x 5。对于另一示例，在参考移位值为1且移位方向的数量为4(例如，向左、向右、向上和向下)的情况下，可存在五个移位区域(即，2
×
1 2
×
1 1＝5)。五个移位区域可包括x-1、y-1、xy0、x 1和y 1。
104.在使用多相检测传感器(诸如，qpd传感器)的情况下，可识别除了水平方向之外的
不同方向上的相位特性。例如，如图10a中所示，活性检测设备可沿qpd传感器的水平方向和垂直方向对相位图像执行移位，并且分别确定相位图像的移位区域。在xn相位图像的情况下，可通过如关于以上参照图9描述的图像移位910所描述的水平方向上的移位来确定移位区域(例如，x-1、x0和x 1)。在yn相位图像的情况下，可通过垂直方向上的移位来确定移位区域(例如，y-1、y0和y 1)。
105.在前述情况下，在xn和yn中，x指示水平方向上的相位特性，y指示垂直方向上的相位特性，n指示相位的数量。尽管相同数量的相位被用于水平方向和垂直方向，但是不同数量的相位也可被用于水平方向和垂直方向中的每个。可基于可通过传感器识别的相位的数量来确定n。在qpd传感器的情况下，n可以是2(n＝2)。在图10a的示例中，可存在第一相位图像、x2相位图像和y2相位图像。
106.对于另一示例，如图10b中所示，活性检测设备可沿qpd传感器的水平方向、垂直方向和对角线方向对相位图像执行移位，并且分别确定相位图像的移位区域。在xn相位图像的情况下，可通过沿水平方向的移位来确定移位区域(例如，x-1、x0和x 1)。在yn相位图像的情况下，可通过沿垂直方向的移位来确定移位区域(y-1、y0和y 1)。在zn相位图像的情况下，可通过沿对角线方向的移位来确定移位区域(例如，z-1、z0和z 1)。在zn中，z指示对角线方向上的相位特性，n指示相位的数量。例如，在n是2(n＝2)的情况下，可在图10b的示例中使用第一相位图像、x2相位图像、y2相位图像和z2相位图像。
107.返回参照图9，在操作920中，当如上所述确定移位区域时，活性检测设备可计算基本区域的图像与每个移位区域的图像之间的差。例如，活性检测设备可基于固定图像(例如，第一基本区域的图像)与每个移位图像(例如，移位区域的图像)之间的差来生成差分图像，然后基于差分图像生成最小图图像。例如，活性检测设备可基于第一基本区域的图像与移位区域x-1的图像之间的差来生成第一差分图像，基于第一基本区域的图像与移位区域x0的图像之间的差来生成第二差分图像，并且基于第一基本区域的图像与移位区域x 1的图像之间的差来生成第三差分图像。活性检测设备可将索引值分配给每个差分图像。例如，活性检测设备可以以x-1、x0和x 1的顺序分配索引值。在图9的示例中，索引值0被分配给第一差分图像，索引值1被分配给第二差分图像，索引值2被分配给第三差分图像。然而，示例不限于示出的示例，并且在各种示例中可以以各种顺序分配索引值。
108.然后，活性检测设备可使用仅选择像素的一部分的池化方法分别从第一差分图像、第二差分图像和第三差分图像生成第一低分辨率差分图像、第二低分辨率差分图像和第三低分辨率差分图像。在一个示例中，在操作930中示出的索引0、索引1和索引2的图像可分别对应于第一低分辨率差分图像、第二低分辨率差分图像和第三低分辨率差分图像。
109.在操作930中，活性检测设备生成最小图图像。例如，活性检测设备可识别低分辨率差分图像中的对应区域的对应差值之中的最小差值，并且基于识别的最小差值来确定最小图图像的像素值。在图9的示例中，位置(1,1)处的对应差值是1、0和6。其中，0是最小差值，因此0可被选择。此外，位置(2,2)处的对应差值为25、33和30。在这些对应差值之中，25可作为最小差值而被选择。如上所述，可从低分辨率差分图像之间的对应差值之中选择最小差值，并且可基于选择的最小差值来确定最小图图像的像素值。
110.最小图图像的像素值可对应于最小差值或者对应于低分辨率差分图像之中的包括最小差值的低分辨率差分图像的索引。包括最小差值的最小图图像也可被称为最小差值
图图像(例如，934)，并且包括包含最小差值的低分辨率差分图像的索引的最小图图像也可被称为最小索引图图像(例如，932)。在前述示例中，0被选择作为位置(1,1)处的最小差值，并且包括0的低分辨率差分图像的索引为1。因此，最小差值图图像934中的(1,1)处的像素值为0，并且最小索引图图像932中的(1,1)处的像素值为1。此外，25被选择作为位置(2,2)处的最小差值，并且包括25的低分辨率差分图像的索引为0。因此，最小差值图图像934中的(2,2)处的像素值为25，并且最小索引图图像932中的(2,2)处的像素值为0。
111.可针对每个相位图像生成一组差分图像。在图10a和图10b的示例中，当存在不同方向上的相位图像时，可基于针对每个相位图像的一组差分图像来生成针对每个相位图像的最小图图像。在图10a的示例中，可针对xn相位图像和yn相位图像中的每个生成最小图图像。在图10b的示例中，可针对xn相位图像、yn相位图像和zn相位图像中的每个生成最小图图像。
112.图11a和图11b示出确定最小图图像的像素值的示例。
113.参照图11a，第一低分辨率差分图像832中的区域1132、第二低分辨率差分图像834中的区域1134、第三低分辨率差分图像836中的区域1136、第四低分辨率差分图像838中的区域1138和第五低分辨率差分图像840中的区域1140为对应区域。活性检测设备可识别由区域1132、1134、1136、1138和1140指示的差值之中的最小差值。例如，在区域1134的差值小于其他区域1132、1136、1138和1140的各自的差值的情况下，活性检测设备可将区域1134的差值确定为最小图图像650中的与区域1134对应的区域1150的像素值。可选地，活性检测设备可将与包括区域1134的第二低分辨率差分图像834对应的移位索引(例如，-1)确定为最小图图像650中的区域1150的像素值。
114.参照图11b，第一低分辨率差分图像832中的区域1162、第二低分辨率差分图像834中的区域1164、第三低分辨率差分图像836中的区域1166、第四低分辨率差分图像838中的区域1168和第五低分辨率差分图像840中的区域1170为对应区域。活性检测设备可以以上面参照图11a描述的类似方式识别由区域1162、1164、1166、1168和1170指示的差值之中的最小差值。例如，在区域1168的差值小于其他区域1162、1164、1166和1170的各自的差值的情况下，活性检测设备可将区域1168的差值确定为最小图图像650中的与区域1168对应的区域1180的像素值。可选地，活性检测设备可将与包括区域1168的第四低分辨率差分图像838对应的移位索引(例如， 1)确定为最小图图像650中的区域1180的像素值。
115.活性检测设备可通过对低分辨率差分图像640中的所有对应区域执行前述操作来确定最小图图像650。通过使用最小差值确定最小图图像650的像素值，可生成最小差值图图像(例如，图9的最小差值图图像934)。通过使用移位索引确定最小图图像650的像素值，可生成最小索引图图像(例如，图9的最小索引图图像932)。当最小图图像650被确定时，最小图图像650和分辨率被调整为与最小图图像650的分辨率相同的分辨率的相位图像可被输入到活性检测模型。
116.图12示出具有活性检测的设备的示例。
117.参照图12，具有活性检测的设备1200可包括处理器1210(例如，一个或多个处理器)和存储器1220(例如，一个或多个存储器)。存储器1220可连接到处理器1210以存储可由处理器1210执行的指令、将要由处理器1210处理的数据以及由处理器1210处理的数据。存储器1220可包括高速随机存取存储器(ram)和/或非易失性计算机可读存储介质(例如，闪
存)。
118.处理器1210可执行用于执行上面参照图1至图11b描述的操作或方法中的一个或多个或者全部的指令。在一个示例中，处理器1210可接收由多相检测传感器1240获得的不同相位的多个相位图像，并且通过对相位图像执行包括边缘增强处理的预处理来生成多个预处理后的相位图像。例如，处理器1210可从相位图像去除噪声，并且增强每个相位图像中的对象的边缘区域。处理器1210可基于预处理后的相位图像生成多个差分图像，并且生成多个低分辨率差分图像，每个低分辨率差分图像比每个差分图像具有更低的分辨率。例如，处理器1210可从差分图像针对每个区块区域提取最大像素值，并且基于提取的最大像素值生成低分辨率差分图像。对于另一示例，处理器1210可确定差分图像中的每个区块区域的像素区域中的像素值的平均值，并且基于确定的与每个区块区域对应的平均值来生成低分辨率差分图像。
119.处理器1210可基于低分辨率差分图像生成最小图图像。例如，处理器1210可识别低分辨率差分图像之间的对应区域的差值之中的最小差值，并且基于识别的最小差值来确定最小图图像的像素值。最小图图像的像素值可对应于选择的最小差值，或者对应于与差分图像之中的包括最小差值的低分辨率差分图像对应的移位位移的索引。处理器1210可基于最小图图像对相位图像中的对象执行活性检测。处理器1210可通过将最小图图像和相位图像应用于基于神经网络的活性检测模型(例如，图6的活性检测模型670)，来获得活性检测的结果。将要应用于活性检测模型的相位图像的分辨率可被调整为与最小图图像的分辨率对应。活性检测模型可输出活性分数作为活性检测的结果。然后，处理器1210可将活性分数与阈值进行比较，并且基于比较的结果来确定对象是真实对象还是假冒对象。
120.图13示出电子设备的示例的示图。
121.具有活性检测的设备1300(例如，图1的电子设备120)可生成通过捕获对象的图像获得的输入图像，并对输入图像中的对象执行活性检测。具有活性检测的设备1300可基于对对象执行的活性检测的结果来执行生物特征验证(例如，面部验证和虹膜验证)。具有活性检测的设备1300可执行图12的具有活性检测的设备1200的操作或功能。
122.参照图13，具有活性检测的设备1300可包括处理器1310(例如，一个或多个处理器)、存储器1320(例如，一个或多个存储器)、图像传感器1330、存储装置1350、输入装置1360、输出装置1370和通信装置1380。处理器1310、存储器1320、图像传感器1330、存储装置1350、输入装置1360、输出装置1370和通信装置1380可通过通信总线1390彼此通信。在一个非限制性示例中，具有活性检测的设备1300可包括图12的具有活性检测的设备1200，处理器1310可对应于处理器1210，存储器1320可对应于存储器1220，图像传感器1330可对应于多相检测传感器1240。
123.处理器1310可执行将要在具有活性检测的设备1300中执行的功能和指令。处理器1310可处理存储在存储器1320或存储装置1350中的指令。处理器1310可执行上面参照图1至图12描述的操作或方法中的一个或多个或者全部。在一个示例中，处理器1310可通过对通过图像传感器1330获得的不同相位的相位图像执行包括边缘增强处理的预处理来生成预处理后的相位图像，并且基于预处理后的相位图像生成差分图像。处理器1310可生成比差分图像具有更低的分辨率的低分辨率差分图像，并且基于低分辨率差分图像生成最小图图像。然后，处理器1310可基于最小图图像对相位图像中的对象执行活性检测。处理器1310
可通过将最小图图像和相位图像应用于基于神经网络的活性检测模型(例如，图6的活性检测模型670)来获得活性分数，并且基于将活性分数与阈值进行比较的结果来确定活性检测的结果。
124.存储器1320可存储用于执行活性检测的数据。存储器1320可存储将要由处理器1310执行的指令以及用于执行活性检测和/或生物特征验证的信息。
125.图像传感器1330可通过捕获对象的图像来生成图像。图像传感器1330可包括被配置为获得不同相位的相位图像的多相检测传感器(例如，2pd传感器、qpd传感器等)。
126.存储装置1350可包括计算机可读存储介质或计算机可读存储装置。存储装置1350可比存储器1320存储更大量的信息，并且将信息存储相对长的时间段。作为非限制性示例，存储装置1350可包括磁性硬盘、光盘、闪存和软盘。
127.作为非限制性示例，输入装置1360可接收来自用户的输入：触觉输入、视频输入、音频输入和触摸输入。作为非限制性示例，输入装置1360可包括键盘、鼠标、触摸屏、麦克风以及被配置为检测来自用户的输入并将检测到的输入传送到具有活性检测的设备1300的其他装置。
128.输出装置1370可通过视觉通道、音频通道或触觉通道向用户提供具有活性检测的设备1300的输出。作为非限制性示例，输出装置1370可包括显示器、触摸屏、扬声器、振动生成器以及被配置为向用户提供输出的其他装置。通信装置1380可通过有线网络或无线网络与外部装置通信。
129.在此针对图1至图13描述的电子设备、图像传感器、2pd传感器、传感器像素、传感器子像素、具有活性检测的设备、处理器、存储器、多相检测传感器、存储装置、输入装置、输出装置、通信装置、通信总线、电子设备120、图像传感器130、2pd传感器310、传感器像素315、传感器子像素332、334、336、338、342、344、346、348、具有活性检测的设备1200、处理器1210、存储器1220、多相检测传感器1240、具有活性检测的设备1300、处理器1310、存储器1320、图像传感器1330、存储装置1350、输入装置1360、输出装置1370、通信装置1380、通信总线1390以及其他设备、装置、单元、模块和组件由硬件组件实现或代表。可用于执行在本技术中描述的操作的硬件组件的示例在适当的情况下包括：控制器、传感器、生成器、驱动器、存储器、比较器、算术逻辑单元、加法器、减法器、乘法器、除法器、积分器、以及被配置为执行在本技术中描述的操作的任何其他电子组件。在其他示例中，通过计算硬件(例如，通过一个或多个处理器或计算机)来实现执行在本技术中描述的操作的硬件组件中的一个或多个硬件组件。处理器或计算机可由一个或多个处理元件(诸如，逻辑门阵列、控制器和算术逻辑单元、数字信号处理器、微型计算机、可编程逻辑控制器、现场可编程门阵列、可编程逻辑阵列、微处理器、或者被配置为以限定的方式响应并执行指令以实现期望的结果的任何其他装置或装置的组合)来实现。在一个示例中，处理器或计算机包括或者连接到存储由处理器或计算机执行的指令或软件的一个或多个存储器。由处理器或计算机实现的硬件组件可执行用于执行在本技术中描述的操作的指令或软件(诸如，操作系统(os)和在os上运行的一个或多个软件应用)。硬件组件还可响应于指令或软件的执行来访问、操控、处理、创建和存储数据。为了简明，单数术语“处理器”或“计算机”可用于在本技术中描述的示例的描述中，但是在其他示例中，多个处理器或计算机可被使用，或者处理器或计算机可包括多个处理元件、或多种类型的处理元件、或两者。例如，单个硬件组件、或者两个或更多个硬件
组件可由单个处理器、或者两个或更多个处理器、或者处理器和控制器来实现。一个或多个硬件组件可由一个或多个处理器、或者处理器和控制器来实现，并且一个或多个其他硬件组件可由一个或多个其他处理器、或者另外的处理器和另外的控制器来实现。一个或多个处理器、或者处理器和控制器可实现单个硬件组件、或者两个或更多个硬件组件。硬件组件可具有不同的处理配置中的任何一个或多个，不同的处理配置的示例包括：单个处理器、独立处理器、并行处理器、单指令单数据(sisd)多处理、单指令多数据(simd)多处理、多指令单数据(misd)多处理和多指令多数据(mimd)多处理。
130.图1至图13中示出的执行本技术中描述的操作的方法由计算硬件(例如，由一个或多个处理器或计算机)来执行，计算硬件被实现为如上所述执行指令或软件以执行在本技术中描述的由所述方法执行的操作。例如，单个操作、或者两个或更多个操作可由单个处理器、或者两个或更多个处理器、或者处理器和控制器来执行。一个或多个操作可由一个或多个处理器、或者处理器和控制器来执行，并且一个或多个其他操作可由一个或多个其他处理器、或者另外的处理器和另外的控制器来执行。一个或多个处理器、或者处理器和控制器可执行单个操作、或者两个或更多个操作。
131.用于控制计算硬件(例如，一个或多个处理器或计算机)以实现硬件组件并执行如上所述的方法的指令或软件可被编写为计算机程序、代码段、指令或它们的任何组合，以单独地或共同地指示或配置一个或多个处理器或计算机作为机器或专用计算机进行操作，以执行由如上所述的硬件组件和方法执行的操作。在一个示例中，指令或软件包括由一个或多个处理器或计算机直接执行的机器代码(诸如，由编译器产生的机器代码)。在另一示例中，指令或软件包括由一个或多个处理器或计算机使用解释器执行的高级代码。可基于附图中示出的框图和流程图以及说明书中的相应描述使用任何语言编写指令或软件，附图中示出的框图和流程图以及说明书中的相应描述公开了用于执行由如上所述的硬件组件和方法执行的操作的算法。
132.用于控制计算硬件(例如，一个或多个处理器或计算机)以实现硬件组件并执行如上所述的方法的指令或软件以及任何相关联的数据、数据文件和数据结构可被记录、存储或固定在一个或多个非暂时性计算机可读存储介质中，或者可被记录、存储或固定在一个或多个非暂时性计算机可读存储介质上。非暂时性计算机可读存储介质的示例包括：只读存储器(rom)、随机存取可编程只读存储器(prom)、电可擦除可编程只读存储器(eeprom)、随机存取存储器(ram)、动态随机存取存储器(dram)、静态随机存取存储器(sram)、闪存、非易失性存储器、cd-rom、cd-r、cd r、cd-rw、cd rw、dvd-rom、dvd-r、dvd r、dvd-rw、dvd rw、dvd-ram、bd-rom、bd-r、bd-r lth、bd-re、蓝光或光盘存储装置、硬盘驱动器(hdd)、固态驱动器(ssd)、卡式存储器(诸如，多媒体卡或微型卡(例如，安全数字(sd)或极限数字(xd)))、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置，任何其他装置被配置为以非暂时性方式存储指令或软件以及任何相关联的数据、数据文件和数据结构并将指令或软件以及任何相关联的数据、数据文件和数据结构提供给一个或多个处理器或计算机，使得一个或多个处理器或计算机能够执行指令。在一个示例中，指令或软件以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上，使得指令或软件以及任何相关联的数据、数据文件和数据结构被一个或多个处理器或计算机以分布式方式存储、访问和执行。
133.虽然本公开包括特定示例，但是在理解本技术的公开之后将清楚的是，在不脱离权利要求及其等同物的精神和范围的情况下，可在这些示例中进行形式和细节上的各种改变。在此描述的示例应仅被认为是描述性的，而不是出于限制的目的。每个示例中的特征或方面的描述应被认为可适用于其他示例中的类似特征或方面。如果描述的技术以不同的次序被执行，和/或如果描述的系统、架构、装置或电路中的组件以不同的方式被组合、和/或由其他组件或其等同物替代或补充，则可实现合适的结果。
134.因此，公开的范围不是由具体实施方式限定，而是由权利要求及其等同物限定，并且在权利要求及其等同物的范围内的所有变化应被解释为包括在公开中。