活体检测方法、装置、检测器、介质及智能设备与流程

1.本发明涉及机器视觉技术领域，特别是涉及一种活体检测方法、装置、检测器、介质及智能设备。


背景技术：

2.在人脸识别领域，为防止伪造人脸攻击，通常需要进行基于人脸识别的活体检测，即判断当前出现的人脸是否真实。
3.基于人脸识别的活体检测分为配合式活体检测和静默活体检测。配合式活体检测需要用户根据指令完成指定动作，用户体验差，速度慢。静默活体检测是不需要用户配合的情况下完成无感式活体检测。
4.目前，静默活体检测的方式一般有两种，一种是采用双目相机、立体相机、rgb-d(深度)相机等采集到目标三维信息，可完成对2d媒介的假脸攻击(打印的照片、显示屏幕等)，但硬件成本较高。另一种是使用单目相机采集图像进行活体检测，通常采用深度网络对采集的图像进行深度估计、甄别2d假脸，但其计算量大，且需要大量的数据进行模型训练，实现难度大。


技术实现要素：

5.本发明要解决的技术问题是：现有技术中静默活体检测的硬件成本高、实现难度大导致实现成本高的问题。
6.为解决上述技术问题，本发明提供了一种活体检测方法、装置、检测器、介质及智能设备。
7.一种活体检测方法，包括：
8.获取拍摄对象的第一二维人脸图像和第二二维人脸图像；
9.提取所述第一二维人脸图像和所述第二二维人脸图像的特征点；
10.根据所述特征点进行位姿估计，求取所述特征点的三维信息；
11.基于所述三维信息分析是否满足预设条件；
12.若满足所述预设条件，则得到所述拍摄对象为非活体的结果；
13.若不满足所述预设条件，则得到所述拍摄对象为活体的结果。
14.在其中一个实施例中，所述获取拍摄对象的第一二维人脸图像和第二二维人脸图像，包括：
15.从拍摄对象的二维人脸图像中，选取一帧二维人脸图像得到所述第一二维人脸图像；
16.选取与所述第一二维人脸图像的人脸中心相对位移在预设范围内的二维人脸图像作为所述第二二维人脸图像。
17.在其中一个实施例中，所述根据所述特征点进行位姿估计，求取所述特征点的三维信息，包括：
18.对所述第一二维人脸图像和所述第二二维人脸图像中的特征点进行匹配，找到匹配点对；
19.基于所述匹配点对进行重投影误差分析，得到误差评估值；
20.根据所述误差评估值计算置信度；
21.若所述置信度大于或等于预设值，则得到所述拍摄对象为非活体的结果；
22.若所述置信度小于所述预设值，则求取所述特征点的三维信息。
23.在其中一个实施例中，所述误差评估值包括第一误差评估值和第二误差评估值；所述基于所述匹配点对进行重投影误差分析，得到误差评估值，包括：
24.采用迭代算法，多次以预设数目的匹配点对为最小数据集、解算各最小数据集的单应性矩阵和基础矩阵；
25.每一次迭代，计算匹配点对在单应性矩阵变换下的重投影误差并评分得到第一误差评估值；
26.每一次迭代，计算匹配点对在基础矩阵变换下的重投影误差并评分得到第二误差评估值；
27.从多次迭代的第一误差评估值中选取最大的第一误差评估值，从多次迭代的第二误差评估值中选取最大的第二误差评估值。
28.在其中一个实施例中，所述计算匹配点对在单应性矩阵变换下的重投影误差并评分得到第一误差评估值，包括：
29.基于所述匹配点对所对应的单应性矩阵，计算所述匹配点对从所述第一二维人脸图像到所述第二二维人脸图像投影后的位移平方误差，得到所述匹配点对从所述第一二维人脸图像到所述第二二维人脸图像的第一误差项；
30.基于所述匹配点对所对应的单应性矩阵，计算所述匹配点对从所述第二二维人脸图像到所述第一二维人脸图像投影后的位移平方误差，得到所述匹配点对从所述第二二维人脸图像到所述第一二维人脸图像的第一误差项；
31.将各匹配点对的第一误差项与第一预设阈值进行比较，选取小于所述第一预设阈值的第一误差项；
32.计算所述第一预设阈值与选取的第一误差项的差值得到第一误差得分；
33.累加各第一误差得分，得到所述第一误差评估值。
34.在其中一个实施例中，所述计算匹配点对在基础矩阵变换下的重投影误差并评分得到第二误差评估值，包括：
35.所述匹配点对从所述第一二维人脸图像到所述第二二维人脸图像经所述基础矩阵变换为第一极线，计算所述匹配点对中所述第二二维人脸图像中的特征点到所述第一极线的距离，得到所述匹配点对从所述第一二维人脸图像到所述第二二维人脸图像的第二误差项；
36.所述匹配点对从所述第二二维人脸图像到所述第一二维人脸图像经所述基础矩阵变换为第二极线，计算所述匹配点对中所述第一二维人脸图像中的特征点到所述第二极线的距离，得到所述匹配点对从所述第二二维人脸图像到所述第一二维人脸图像的第二误差项；
37.将各匹配点对的第二误差项与第二预设阈值进行比较，选取小于所述第二预设阈
值的第二误差项；
38.计算第一预设阈值与选取的第二误差项的差值得到第二误差得分；
39.累加各第二误差得分，得到所述第二误差评估值。
40.在其中一个实施例中，所述对所述第一二维人脸图像和所述第二二维人脸图像中的特征点进行匹配，找到匹配点对之后，所述基于所述匹配点对进行重投影误差分析，得到误差评估值之前，还包括：
41.确定所述匹配点对的数目；
42.若所述数目小于预设数目，则返回所述获取拍摄对象的第一二维人脸图像和第二二维人脸图像的步骤。
43.在其中一个实施例中，所述求取所述特征点的三维信息，包括：
44.基于所述特征点求取旋转矩阵和平移矩阵；
45.基于所述旋转矩阵和平移矩阵，运用三角测量法获取所述特征点的三维信息。
46.在其中一个实施例中，所述基于所述三维信息分析是否满足预设条件，包括：
47.基于所述特征点的三维信息，求取最佳拟合平面以及各特征点到所述最佳拟合平面的距离平方和；
48.将所述距离平方和与第一预设阈值进行比较，统计小于或等于所述第一预设阈值的距离平方和的数量；
49.计算统计的数量占所述特征点的总数目的比例；
50.根据各特征点的三维信息计算归一化方差；
51.若所述比例大于预设比例且所述归一化方差大于预设方差，则满足预设条件。
52.一种活体检测装置，包括：
53.图像获取模块，用于获取拍摄对象的第一二维人脸图像和第二二维人脸图像；
54.特征点提取模块，用于提取所述第一二维人脸图像和所述第二二维人脸图像的特征点；
55.三维信息求取模块，用于根据所述特征点进行位姿估计，求取所述特征点的三维信息；
56.条件分析模块，用于基于所述三维信息分析是否满足预设条件；若满足所述预设条件，则得到所述拍摄对象为非活体的结果；若不满足所述预设条件，则得到所述拍摄对象为活体的结果。
57.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
58.获取拍摄对象的第一二维人脸图像和第二二维人脸图像；
59.提取所述第一二维人脸图像和所述第二二维人脸图像的特征点；
60.根据所述特征点进行位姿估计，求取所述特征点的三维信息；
61.基于所述三维信息分析是否满足预设条件；
62.若满足所述预设条件，则得到所述拍摄对象为非活体的结果；
63.若不满足所述预设条件，则得到所述拍摄对象为活体的结果。
64.一种检测器，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
65.获取拍摄对象的第一二维人脸图像和第二二维人脸图像；
66.提取所述第一二维人脸图像和所述第二二维人脸图像的特征点；
67.根据所述特征点进行位姿估计，求取所述特征点的三维信息；
68.基于所述三维信息分析是否满足预设条件；
69.若满足所述预设条件，则得到所述拍摄对象为非活体的结果；
70.若不满足所述预设条件，则得到所述拍摄对象为活体的结果。
71.一种智能设备，包括设备本体、摄像头和上述的检测器，所述检测器连接所述设备本体。
72.在其中一个实施例中，所述摄像头为单目摄像头。
73.与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
74.采用拍摄对象的两张二维人脸图像进行位姿估计、求取三维信息，基于三维信息分析拍摄对象是否为活体，实现静默活体检测；一方面，采集二维人脸图像，使用成本低的摄像头进行拍摄即可，相较于现有技术中采用双目相机、立体相机、rgb-d(深度)相机的方案，硬件成本更低；另一方面，通过位姿估计、求取三维信息、基于三维信息完成活体检测，不需要使用深度网络、不需要大量数据训练模型，相较于现有技术中采用深度网络的方案，实现难度大大降低，因此，可以降低活体检测的实现成本。
附图说明
75.通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是：
76.图1为一个实施例中活体检测方法的流程示意图；
77.图2为另一个实施例中活体检测方法的流程示意图；
78.图3为一个实施例中活体检测装置的结构框图。
具体实施方式
79.为使本发明的目的、技术方案和优点更加清楚，以下将结合附图及实施例来详细说明本发明的实施方法，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
80.在一个实施例中，提供了一种活体检测方法，如图1所示，该方法包括如下步骤：
81.s110：获取拍摄对象的第一二维人脸图像和第二二维人脸图像。
82.拍摄对象是指需要进行活体检测的对象，比如人脸。第一二维人脸图像和第二二维人脸图像是对拍摄对象进行拍摄得到的二维图像；具体地，第一二维人脸图像和第二二维人脸图像之间具有一定位移。
83.可以采用拍摄二维图像的摄像头/相机对拍摄对象进行拍摄得到二维人脸图像，例如单目摄像头；在人脸靠近单目摄像头时，连续进行图像采集，从采集的图像中选择具有一定位移的两帧二维人脸图像，得到第一二维人脸图像和第二二维人脸图像。
84.s120：提取第一二维人脸图像和第二二维人脸图像的特征点。
85.特征点为图像中比较显著的关键点；对应于二维人脸图像，提取的特征点为人脸
特征点。具体地，采用特征点提取方法，提取第一二维人脸图像的特征点，以及提取第二二维人脸图像的特征点。
86.s130：根据特征点进行位姿估计，求取特征点的三维信息。
87.其中，三维信息包括三维空间坐标。
88.s140：基于三维信息分析是否满足预设条件。
89.其中，预设条件是位于同一平面的特征点达到的条件，可以根据实际需要进行设置。若基于三维信息分析满足预设条件，则执行步骤s150；若基于三维信息分析不满足预设条件，则执行步骤s160。
90.s150：得到拍摄对象为非活体的结果。
91.s160：得到拍摄对象为活体的结果。
92.步骤s150和步骤s160后，可以通过信息输出装置输出活体检测的结果。
93.上述活体检测方法，采用拍摄对象的两张二维人脸图像进行位姿估计、求取三维信息，基于三维信息分析拍摄对象是否为活体，实现静默活体检测；一方面，采集二维人脸图像，使用成本低的摄像头进行拍摄即可，相较于现有技术中采用双目相机、立体相机、rgb-d(深度)相机的方案，硬件成本更低；另一方面，通过位姿估计、求取三维信息、基于三维信息完成活体检测，不需要使用深度网络、不需要大量数据训练模型，相较于现有技术中采用深度网络的方案，实现难度大大降低，因此，可以降低活体检测的实现成本。
94.在其中一个实施例中，步骤s110包括：从拍摄对象的二维人脸图像中，选取一帧二维人脸图像得到第一二维人脸图像；选取与第一二维人脸图像的人脸中心相对位移在预设范围内的二维人脸图像作为第二二维人脸图像。
95.其中，预设范围可以根据实际需求预先设置。例如，预设范围可以为[0.05，0.1]，即大于等于0.05小于0.1的区间。采集到二维人脸图像后，可以得到二维人脸图像的人脸中心的坐标，计算与第一二维人脸图像的人脸中心的相对位移，选取相对位移在预设范围内的一帧二维人脸图像作为第二二维人脸图像。通过选取人脸中心相对位移在预设范围内的两张二维人脸图像，确保第一二维人脸图像和第二二维人脸图像之间有一定位移，提高检测的准确性。
[0096]
例如，在单目摄像头首次检测到人脸后，开始采集用于活体检测的图像，连续记录包含人脸的图像帧，并记录人脸中心的坐标；选取首次检测到人脸的二维人脸图像为第一二维人脸图像i1，选取与i1人脸中心相对位移在[0.05，0.1]的二维人脸图像作为第二二维人脸图像i2，并对两帧图像进行灰度图转化，获取灰度图。
[0097]
在其中一个实施例中，选取与第一二维人脸图像的人脸中心相对位移在预设范围内的二维人脸图像作为第二二维人脸图像，包括：计算第一二维人脸图像的人脸中心与之后采集到的二维人脸图像的人脸中心之间的相对位移，若相对位移在预设范围内，则选取对应的二维人脸图像作为第二二维人脸图像。
[0098]
其中，计算第一二维人脸图像的人脸中心与之后采集到的二维人脸图像的人脸中心之间的相对位移；包括：
[0099][0100]
其中，第一二维人脸图像i1的人脸中心坐标为(x1，y1)，第二二维人脸图像i2的人
脸中心坐标为(x2，y2)，w为人脸边界的宽，h为人脸边界的高。
[0101]
在其中一个实施例中，步骤s120包括：分别对第一二维人脸图像和第二二维人脸图像的人脸区域进行orb(oriented fast and rotated brief)特征提取，得到第一二维人脸图像和第二二维人脸图像的特征点。
[0102]
通过orb特征提取，处理速度快。可以理解，在其他实施例中，还可以采用其他方式实现特征提取，提取到的特征点满足尺度变换不变性和旋转变换不变性即可，例如进行surf特征提取。
[0103]
在其中一个实施例中，s130包括步骤(a1)至步骤(a5)。
[0104]
步骤(a1)：对第一二维人脸图像和第二二维人脸图像中的特征点进行匹配，找到匹配点对。
[0105]
在快速获取人脸区域的特征点时，还获取其特征描述；根据两张二维人脸图像的特征点描述，对其特征点进行匹配，找到两张二维人脸图像中的匹配点对[keypoints1，keypoints2]。例如，可以使用opencv中orb检测和关键点匹配模块实现。
[0106]
步骤(a2)：基于匹配点对进行重投影误差分析，得到误差评估值。
[0107]
步骤(a3)：根据误差评估值计算置信度。
[0108]
若置信度大于或等于预设值，则执行步骤(a4)，否则，若若置信度小于预设值，执行步骤(a5)。
[0109]
步骤(a4)：得到拍摄对象为非活体的结果。
[0110]
步骤(a5)：求取特征点的三维信息。
[0111]
通过重投影误差分析得到的误差评估值、计算置信度，根据置信度对活体检测进行初步判断，提高活体检测的准确性。若置信度大于或等于预设值，则表明特征点在同一平面，即可判断为非活体，若置信度小于预设值，则继续下一步判断，求取三维信息。其中，预设值可以根据实际情况进行预先设置。比如，预设值可以为0.7。
[0112]
在其中一个实施例中，误差评估值包括第一误差评估值和第二误差评估值。步骤(a2)包括步骤(a21)至步骤(a24)。
[0113]
步骤(a21)：采用迭代算法，多次以预设数目的匹配点对为最小数据集、解算各最小数据集的单应性矩阵和基础矩阵。
[0114]
具体地，每一次迭代，均以预设数目的匹配点对为最小数据集、解算各最小数据集的单应性矩阵和基础矩阵。其中，预设数目可以根据实际需要进行具体设置。比如，预设数目可以为8；从所有匹配点对中随机选取八点作为最小数据集，采用八点法解算人脸位姿变化的单应性矩阵h和基础矩阵f。
[0115]
步骤(a22)：每一次迭代，计算匹配点对在单应性矩阵变换下的重投影误差并评分得到第一误差评估值。
[0116]
具体地，根据匹配点对和匹配点对所属数据集所对应的单应性矩阵，计算重投影误差并评分，得到当次迭代的第一误差评估值sh。例如，可以采用卡方检验对重投影误差评分。
[0117]
步骤(a23)：每一次迭代，计算匹配点对在基础矩阵变换下的重投影误差并评分得到第二误差评估值。
[0118]
具体地，根据匹配点对和匹配点对所属数据集所对应的基础矩阵，计算重投影误
差并评分，得到当次迭代的第二误差评估值sf。
[0119]
步骤(a24)：从多次迭代的第一误差评估值中选取最大的第一误差评估值，从多次迭代的第二误差评估值中选取最大的第二误差评估值。
[0120]
通过采用迭代算法，每次取预设数目的匹配点对为数据集，每个数据集都能计算得到一组单应性矩阵h和基础矩阵f，然后对所有匹配点对计算第一误差评估值sh、第二误差评估值sf，直至最大迭代次数(比如默认取200次)，最后在所有迭代得到的sh中取一个最大值，作为最终的sh；在所有迭代得到的sf中取一个最大值，作为最终的sf；如此，可以求解得到最佳的单应性矩阵和基础矩阵、以及对应最佳的第一误差评估值sh、第二误差评估值sf。例如，可以采用ransac(random sample consensus)迭代算法进行迭代求解。
[0121]
在其中一个实施例中，步骤(a22)计算匹配点对在单应性矩阵变换下的重投影误差并评分得到第一误差评估值，包括步骤(a221)至步骤(a225)。
[0122]
步骤(a221)：基于匹配点对所对应的单应性矩阵，计算匹配点对从第一二维人脸图像到第二二维人脸图像投影后的位移平方误差，得到匹配点对从第一二维人脸图像到第二二维人脸图像的第一误差项。
[0123]
匹配点对所对应的单应性矩阵，即匹配点对所属数据集所对应的单应性矩阵。位移平方误差体现匹配点对的投影误差。例如，假设从第一二维人脸图像i1到第二二维人脸图像i2的变换矩阵为h
12
(则i2到i1的变换矩阵为inv(h
12
)，即h
12
的逆)，对每一对i1和i2的匹配点对(p1(i)，p2(i))，i表示第i对匹配点对，先计算匹配点对从i1到i2投影后的位移平方误差，即||p2(i)-p1(i)*h
12||2
，得到匹配点对从i1到i2的第一误差项。
[0124]
步骤(a222)：基于匹配点对所对应的单应性矩阵，计算匹配点对从第二二维人脸图像到第一二维人脸图像投影后的位移平方误差，得到匹配点对从第二二维人脸图像到第一二维人脸图像的第一误差项。
[0125]
步骤(a223)：将各匹配点对的第一误差项与第一预设阈值进行比较，选取小于第一预设阈值的第一误差项。
[0126]
具体地，将匹配点对从i1到i2的第一误差项与第一预设阈值比较，以及将匹配点对从i2到i1的第一误差项与第一预设阈值比较，从中选取小于第一预设阈值的第一误差项。其中，第一预设阈值可以预先设置。比如，第一预设阈值为自由度为2的卡方分布、显著性水平为0.05对应的临界阈值，具体地为5.991。
[0127]
步骤(a224)：计算第一预设阈值与选取的第一误差项的差值得到第一误差得分。
[0128]
具体地，计算第一预设阈值减去选取的第一误差项的差值得到第一误差得分。
[0129]
步骤(a225)：累加各第一误差得分，得到第一误差评估值。
[0130]
例如，针对单应性矩阵h，从i1到i2：通过卡方检验对所有匹配点对进行区分，第一误差项(error1)大于第一预设阈值th(自由度为2的卡方分布、显著性水平为0.05对应的临界阈值)的表明其是外点(即不符合该变换模型)，第一误差项小于第一预设阈值的是内点(符合该变换模型)，采用内点计算第一误差得分(th-error1)；同理，计算从i2到i1的第一误差得分。遍历所有匹配点对，累积所有第一误差得分，最后输出第一误差评估值sh。通过单应性矩阵h，进行两帧图像的双向投影误差分析并评分，准确性高。
[0131]
在其中一个实施例中，步骤(a23)计算匹配点对在基础矩阵变换下的重投影误差并评分得到第二误差评估值，包括步骤(a231)至步骤(a235)。
[0132]
步骤(a231)：匹配点对从第一二维人脸图像到第二二维人脸图像经基础矩阵变换为第一极线，计算匹配点对中第二二维人脸图像中的特征点到第一极线的距离，得到匹配点对从第一二维人脸图像到第二二维人脸图像的第二误差项。
[0133]
步骤(a232)：匹配点对从第二二维人脸图像到第一二维人脸图像经基础矩阵变换为第二极线，计算匹配点对中第一二维人脸图像中的特征点到第二极线的距离，得到匹配点对从第二二维人脸图像到第一二维人脸图像的第二误差项。
[0134]
步骤(a233)：将各匹配点对的第二误差项与第二预设阈值进行比较，选取小于第二预设阈值的第二误差项。
[0135]
具体地，将匹配点对从i1到i2的第二误差项与第二预设阈值比较，以及将匹配点对从i2到i1的第二误差项与第二预设阈值比较，从中选取小于第二预设阈值的第二误差项。比如，第二预设阈值为自由度为1的卡方分布、显著性水平为0.05对应的临界阈值，具体为3.841。
[0136]
步骤(a234)：计算第一预设阈值与选取的第二误差项的差值得到第二误差得分。
[0137]
具体地，计算第一预设阈值减去选取的第二误差项的差值得到第二误差得分。第一预设阈值为5.991。
[0138]
步骤(a235)：累加各第二误差得分，得到第二误差评估值。
[0139]
例如，针对基础矩阵f，计算特征点到极线的距离：假设从i1到i2的变换矩阵为f
12
(则i2到i1的变换矩阵为inv(f
12
)，即f
12
的逆)，对每一对i1和i2的匹配点对(p1(i)，p2(i))，i表示第i对匹配点对，匹配点对从i1到i2经f变换为极线l2，计算p2(i)到该极线的距离：
[0140][0141]
通过卡方检验对所有匹配点进行区分，第二误差项(error2)大于第二预设阈值的表明其是外点(即不符合该变换模型)、小于第二预设阈值的是内点(符合该变换模型)，采用内点计算第二误差得分。同理，计算从i2到i1的第二误差得分。遍历所有匹配点对，累积所有第二误差得分，最后输出第二误差评估值sf。通过基础矩阵f，进行两帧图像的双向投影误差分析并评分，准确性高。
[0142]
在其中一个实施例中，步骤(a1)之后、步骤(a2)之前，还包括：确定匹配点对的数目；若数目小于预设数目，则返回步骤s110。
[0143]
通过对匹配点对的数目进行统计分析，在小于预设数目时返回步骤s110以重新选择第一二维人脸图像和第二二维人脸图像，确保匹配点对不小于预设数目，以保证后续重投影误差分析。
[0144]
在其中一个实施例中，步骤(a3)包括：
[0145][0146]
conf表示置信度，sh为第一误差评估值，sf为第二误差评估值；conf≥0.7表明特征点在同一平面，即可判断为非活体。
[0147]
在其中一个实施例中，求取特征点的三维信息的步骤包括：基于特征点求取旋转矩阵和平移矩阵；基于旋转矩阵和平移矩阵，运用三角测量法获取特征点的三维信息。
[0148]
具体地，可以是根据匹配点对的基础矩阵f求取旋转矩阵r和平移矩阵t，结合匹配点对根据三角测量法可计算出i1上特征点在同一尺度上的三维信息。例如，可以采用opencv中的projectionsfromfundamental()完成三维信息的获取。
[0149]
在其中一个实施例中，步骤s140包括步骤(b1)至步骤(b5)。
[0150]
步骤(b1)：基于特征点的三维信息，求取最佳拟合平面以及各特征点到最佳拟合平面的距离平方和。
[0151]
具体地，基于第一二维人脸图像的特征点的三维信息求取最佳拟合平面，或者基于第二二维人脸图像的特征点的三维信息求取最佳拟合平面。求取最佳拟合平面得到一个平面方程。具体地，可以采用ransac迭代法求取最佳平面拟合，每次随机选取3个不共线的点可以确定一个平面方程，计算一个二维人脸图像上所有特征点到平面方程的距离平方和；选取多次迭代中距离平方和最小的平面方程，对应为最佳拟合平面。
[0152]
步骤(b2)：将距离平方和与第一预设阈值进行比较，统计小于或等于第一预设阈值的距离平方和的数量。
[0153]
以每个特征点到最佳拟合平面的距离平方和作为误差值，以自由度为2的卡方分布、显著性水平为0.05对应的临界阈值作为第一预设阈值与误差值进行比较，从而进行内点判断。如果误差值大于第一预设阈值即为外点，小于等于第一预设阈值为内点。
[0154]
步骤(b3)：计算统计的数量占特征点的总数目的比例。
[0155]
特征点的总数目是一个二维人脸图像上特征点的总数目。
[0156]
步骤(b4)：根据各特征点的三维信息计算归一化方差。
[0157]
步骤(b5)：若比例大于预设比例且归一化方差大于预设方差，则满足预设条件。
[0158]
其中，预设比例可以为0.7，预设方差为1。如果内点的数量占总数目的比例r＞0.7且归一化方差＞1，表明特征点在同一平面上，即拍摄对象为非活体，否则为活体。通过进行内点数量占比分析和归一化方差计算分析，进行活体判断，准确性高。
[0159]
在其中一个实施例中，步骤(b4)包括：对各特征点的三维信息进行归一化，基于归一化后的值计算归一化方差。
[0160]
具体地，归一化到[-1，1]之间，对点(xi，yi，zi)得到归一化后的点(x
′i，y’i
，z
′i)，xi’归一化的计算如下：
[0161]
x
max
＝max(x1，x2，...，xn)
[0162]
x
min
＝min(x1，x2，...，xn)
[0163][0164][0165]
同理可得y’i
，z’i
。
[0166]
使用归一化后的内点计算归一化方差：
[0167][0168]
[0169][0170][0171]
通过归一化处理，简化计算。
[0172]
如图2所示，为一个详细实施例的实施流程图。
[0173]
应该理解的是，虽然图1-图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0174]
在一个实施例中，如图3所示，提供了一种活体检测装置，包括：
[0175]
图像获取模块310用于获取拍摄对象的第一二维人脸图像和第二二维人脸图像；特征点提取模块320用于提取第一二维人脸图像和第二二维人脸图像的特征点；三维信息求取模块330用于根据特征点进行位姿估计，求取特征点的三维信息；条件分析模块340用于基于三维信息分析是否满足预设条件；若满足预设条件，则得到拍摄对象为非活体的结果；若不满足预设条件，则得到拍摄对象为活体的结果。
[0176]
上述活体检测装置，采用拍摄对象的两张二维人脸图像进行位姿估计、求取三维信息，基于三维信息分析拍摄对象是否为活体，实现静默活体检测；一方面，采集二维人脸图像，使用成本低的摄像头进行拍摄即可，相较于现有技术中采用双目相机、立体相机、rgb-d(深度)相机的方案，硬件成本更低；另一方面，通过位姿估计、求取三维信息、基于三维信息完成活体检测，不需要使用深度网络、不需要大量数据训练模型，相较于现有技术中采用深度网络的方案，实现难度大大降低，因此，可以降低活体检测的实现成本。
[0177]
关于活体检测装置的具体限定可以参见上文中对于活体检测方法的限定，在此不再赘述。上述活体检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于检测器中的处理器中，也可以以软件形式存储于检测器中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本技术实施例中对模块的划分是示意性的，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。
[0178]
在一个实施例中，提供了一种检测器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各实施例中方法的步骤。
[0179]
上述检测器，由于可以实现上述各实施例中方法的步骤，同理，可以降低活体检测的实现成本。
[0180]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各实施例中方法的步骤。
[0181]
上述计算机可读存储介质，由于可以实现上述各实施例中方法的步骤，同理，可以降低活体检测的实现成本。
[0182]
一种智能设备，包括设备本体、摄像头和上述实施例中的检测器，检测器连接设备本体。
[0183]
在其中一个实施例中，摄像头为单目摄像头。
[0184]
上述智能设备，由于采用了前述实施例中的检测器，同理，活体检测的实现成本低。
[0185]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0186]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实
[0187]
施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0188]
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。