活体检测方法和系统与流程

1.本公开主要涉及活体检测，尤其涉及基于生理信号分析的活体检测。


背景技术：

2.在金融支付、身份验证等应用场景，活体检测一般嵌套在人脸检测和人脸识别的模块中，用于验证待检测用户是否为真实用户本人。
3.对于大多数生物识别认证和访问控制系统来说，面部欺骗攻击已经成为一种重大威胁，其中攻击样本被提交给生物识别系统并试图进行身份验证。具体而言，面部欺骗攻击是试图通过使用照片、视频或授权人脸的不同替代品来获取其他人的访问权限。
4.虽然现有的反欺骗技术能够检测出大多数面部欺骗攻击，但切除部分照片的遮挡攻击以及由橡胶等材质制成的面罩攻击在一定程度上难以防御。
5.有鉴于此，期望提供一种改进的活体检测方法和系统。


技术实现要素：

6.以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在标识出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是以简化形式给出一个或多个方面的一些概念以作为稍后给出的更详细描述之序言。
7.本公开提出了一种活体检测方法，包括：采集待检测对象的连续多帧图像；基于该连续多帧图像获取该待检测对象的生理信号；将该连续多帧图像中的每一帧图像按位置分割成多个图像块，并将该连续多帧图像中相同位置的图像块构成网格序列，以获取多个网格序列；确定该生理信号跨该多个网格序列的一致性；以及基于该生理信号的一致性来判断该待检测对象是否为活体。
8.在本公开的一实施例中，基于该生理信号的一致性来判断该待检测对象是否为活体进一步包括：如果该生理信号的一致性达到一致性阈值，则确定该待检测对象为活体；如果该生理信号的一致性未达到该一致性阈值，则确定该待检测对象不是活体。
9.在本公开的一实施例中，确定该生理信号跨该多个网格序列的一致性进一步包括：基于该多个图像块和该多个网格序列来构建该生理信号的特征矩阵；对该特征矩阵进行奇异值分解以获得奇异值矩阵；计算该奇异值矩阵中的最大奇异值，以确定该生理信号跨该多个网格序列的一致性。
10.在本公开的一实施例中，每个图像块对应于该特征矩阵中的一个元素，并且每个图像块的像素均值构成该特征矩阵中的对应元素的值。
11.在本公开的一实施例中，该方法进一步包括：基于该多个网格序列来计算该生理信号的频率和振幅；基于该生理信号的频率、振幅和一致性的组合来判断该待检测对象是否为活体。
12.在本公开的一实施例中，基于该生理信号的频率、振幅和一致性的组合来判断该
待检测对象是否为活体进一步包括：如果该生理信号的频率、振幅和一致性均达到各自相应的阈值，则确定该待检测对象是活体；如果该生理信号的频率、振幅和一致性均未达到各自相应的阈值，则确定该待检测对象不是活体。
13.在本公开的一实施例中，基于该生理信号的频率、振幅和一致性的组合来判断该待检测对象是否为活体进一步包括：基于该生理信号的频率、振幅和一致性中的任一者或两者未达到各自相应的阈值，对该生理信号的频率、振幅和一致性进行加权组合以获得组合值；如果该组合值达到预设阈值，则确定该待检测对象是活体；以及如果该组合值未达到该预设阈值，则确定该待检测对象不是活体。
14.在本公开的一实施例中，该生理信号包括光电容积描记（ppg）信号。
15.在本公开的一实施例中，该连续多帧图像包括rgb图像，并且采集待检测对象的连续多帧图像进一步包括：选择该rgb图像中的绿色通道图像。
16.本公开还提出了一种活体检测装置，包括：图像采集模块，采集待检测对象的连续多帧图像；信号获取模块，基于该连续多帧图像获取该待检测对象的生理信号；图像分割模块，将该连续多帧图像中的每一帧图像按位置分割成多个图像块，并将该连续多帧图像中相同位置的图像块构成网格序列，以获取多个网格序列；信号特征模块，确定该生理信号跨该多个网格序列的一致性；以及判断模块，基于该生理信号的一致性来判断该待检测对象是否为活体。
17.在本公开的一实施例中，该判断模块进一步被配置成：如果该生理信号的一致性达到一致性阈值，则确定该待检测对象为活体；如果该生理信号的一致性未达到该一致性阈值，则确定该待检测对象不是活体。
18.在本公开的一实施例中，该信号特征模块进一步被配置成：基于该多个图像块和该多个网格序列来构建该生理信号的特征矩阵；对该特征矩阵进行奇异值分解以获得奇异值矩阵；计算该奇异值矩阵中的最大奇异值，以确定该生理信号跨该多个网格序列的一致性。
19.在本公开的一实施例中，每个图像块对应于该特征矩阵中的一个元素，并且每个图像块的像素均值构成该特征矩阵中的对应元素的值。
20.在本公开的一实施例中，该信号特征模块被进一步配置成：基于该多个网格序列来计算该生理信号的频率和振幅，并且该判断模块被进一步配置成：基于该生理信号的频率、振幅和一致性的组合来判断该待检测对象是否为活体。
21.在本公开的一实施例中，该判断模块被进一步配置成：如果该生理信号的频率、振幅和一致性均达到各自相应的阈值，则确定该待检测对象是活体；如果该生理信号的频率、振幅和一致性均未达到各自相应的阈值，则确定该待检测对象不是活体。
22.在本公开的一实施例中，该判断模块被进一步配置成：基于该生理信号的频率、振幅和一致性中的任一者或两者未达到各自相应的阈值，对该生理信号的频率、振幅和一致性进行加权组合以获得组合值；如果该组合值达到预设阈值，则确定该待检测对象是活体；以及如果该组合值未达到该预设阈值，则确定该待检测对象不是活体。
23.在本公开的一实施例中，该生理信号包括光电容积描记（ppg）信号。
24.在本公开的一实施例中，该连续多帧图像包括rgb图像，并且该图像采集模块被进一步配置成：选择该rgb图像中的绿色通道图像。
25.本公开还提出了一种计算机可读存储介质，其存储计算机程序，该计算机程序能被处理器执行以执行前述活体检测方法。
26.本公开的技术方案通过对人脸图像的分割，计算不同部位的生理信号（例如ppg信号）的一致性，能够有效检测任何遮挡物和仿生的攻击。同时，通过监测生理信号模式来区分目标对象的材质并比较人脸不同部位的生理信号一致性，降低了人脸欺骗攻击的风险。
附图说明
27.结合附图理解下面阐述的详细描述时，本公开的特征、本质和优点将变得更加明显。在附图中，相同附图标记始终作相应标识。要注意，所描述的附图只是示意性的并且是非限制性的。在附图中，一些部件的尺寸可放大并且出于解说性的目的不按比例绘制。
28.图1示出了本公开一实施例的活体检测的系统示意图。
29.图2示出了本公开一实施例的活体检测方法的示例性流程图。
30.图3示出了本公开一实施例的基于生理信号的频率、振幅和一致性的组合来进行活体检测的示例性方法的流程图。
31.图4示出了使用本公开的活体检测方法来进行活体检测的示例性过程。
32.图5示出了本公开一实施例的活体检测装置的框图。
33.图6示出了本公开一实施例的包括活体检测装置的设备框图。
具体实施方式
34.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图对本公开进一步详细说明。在以下详细描述中，阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。然而，对于本领域技术人员显而易见的是，可以在没有这些具体细节中的一些或全部的情况下实践所描述的实施例。在其它示例性实施例中，没有详细描述公知的结构，以避免不必要地模糊本公开的概念。应当理解，本文所描述的具体实施例仅仅用以解释本公开，并不用于限定本公开。同时，在不冲突的情况下，实施例所描述的各个方面可以任意组合。
35.对于大多数生物识别认证和访问控制系统来说，面部欺骗攻击已经成为一种重大的威胁。目前存在许多不同类型的面部欺骗攻击方法：（1）打印攻击：将他人的照片打印或显示在数字设备上。
36.（2）切眼照片攻击：将打印照片的眼睛区域切掉，以便攻击者能够展示眨眼行为。
37.（3）包裹式照片攻击（wrapped photo attack）：攻击者将打印的照片向任意方向混合以模拟面部运动。
38.（4）重放/视频攻击：攻击者设法检索他人面部的循环视频，以使行为和面部运动比仅仅拿着他人照片看起来更“自然”。
39.（5）3d面罩攻击（3d mask attack）：攻击者使用3d面罩。这是一种更加复杂的攻击，除了自然的面部运动之外，3d面罩攻击还可以提供一些额外的保护层。
40.早期的反欺骗技术通常采用人工特征，使用单帧输入，通过计算镜面反射、图像质量失真、颜色等统计量特征来区分活体和非活体。后续出现了通过多帧的深度学习来进行活体检测。目前常见的反欺骗技术如下：
（1）形状检测：形状检测是基于数码设备截图与真人面部不同，即在手机截图或打印照片中可以清楚地看到相框。这种检测方式能较好地适用于打印攻击，但对3d面罩或者视频重放攻击的效果一般。
41.（2）运动检测：通过对摄像机捕获的多个人脸图像帧的深度分析来检测人脸变化，例如眨眼、鼠标发展、头部旋转等。运动检测能较好地适用于打印攻击，但对3d面罩或者切眼照片攻击的效果一般。
42.（3）莫尔纹检测：数码设备中会出现莫尔条纹，这可以作为辨别真伪的线索。莫尔纹检测能较好地适用于打印攻击，但对3d面罩或者高分辨率的照片攻击效果一般。
43.（4）反光对比：冒名顶替者和真实人脸在不同的光照条件（例如不同的灯光颜色）下表现不同。反光对比对打印、视频和普通材质的3d面罩效果较好，但对橡胶3d面罩或者仿生攻击的效果一般。
44.可以看到，现有的反欺骗技术已经涵盖了对大多数欺骗攻击的检测。这些方法主要针对形状检测、运动检测、莫尔纹检测、反光对比等相关的静态特征进行提取和判定，对于打印、视频和普通材质的3d面罩的检测效果较好。然而，切除部分照片的遮挡攻击、由橡胶制成的3d面罩或者仿生攻击在某种程度上难以防御。
45.ppg（photoplethysmography）特征可以检测活体的生理属性，这是其他非生命材质所不具有的。然而，简单的ppg特征很容易被一些部分遮挡所攻破。
46.对于真实人脸，血液流动和心跳等生理属性在人脸的不同区域应当是一致的。相比之下，非真实人脸无法伪造出在不同区域一致的血液流动和心跳等生理属性。有鉴于此，本公开提出了一种基于生理信号分析的活体检测方案，通过对人脸的多个区域进行划分以及奇异值分解来判断人脸各部位的生理信号（例如，ppg信号）是否一致。通过判断人脸各个区域的生理信号的一致性，可以判断人脸各个区域的生理属性的一致性，从而确定待检测对象是否为真实人脸。
47.本公开的技术方案能够检测上面提及的所有形式的攻击，尤其是使用高级仿生的攻击和切除部分部位的人脸照片或面罩攻击，进一步提高了对抗人脸欺骗攻击的能力。
48.图1示出了本公开一实施例的活体检测的系统示意图100。为方便解说起见，本公开的各方面在大部分描述中是结合生理信号为ppg信号的场景来进行描述的。但应注意，本公开的技术可以应用于生理信号为其他信号（诸如心冲击描记（ballistocardiogram，bcg）信号或血氧饱和度（）信号等）的场景。
49.如图1所示，首先通过人脸检测识别出待检测人脸区域，并采集连续m帧人脸图像。
50.随后，对所采集的人脸图像进行网格分割，并提取图像中的绿色通道。
51.接着提取每一网格中的像素均值，得到生理信号（诸如ppg信号）的特征矩阵，其中每个网格中的像素均值可以作为特征矩阵中的对应元素的值。如图1所示，对于m帧人脸图像，可以得到特征矩阵。
52.在获得特征矩阵之后，对特征矩阵进行奇异值分解，以确定生理信号的一致性。最后可以基于生理信号的一致性来判断待检测人脸图像是否是活体（即，真实人脸图像）。
53.光电容积描记（photoplethysmography，简称ppg）是以光学方式取得的容积描记图，通常通过将光照进皮肤并测量因血液流动而产生的光吸收变化来实现。具体而言，ppg利用反射光来测量皮肤的细微亮度变化，其中皮肤的细微亮度变化是由于血液流动引起
的。在一定波长的光束照射到皮肤表面的情况下，心跳引起的血管收缩和扩张会影响光的吸收。当光线透过皮肤组织然后再反射到光敏传感器时，光照会有一定的衰减。诸如肌肉、骨骼、静脉等组织对光的吸收是基本不变的。而动脉里有血液的脉动，因此动脉对光的吸收会有所变化。由于动脉对光的吸收有变化而其他组织对光的吸收基本不变，得到的ppg信号就能够反应出血液流动的特点。可见，ppg信号能够反映人体的心跳、血液流动等生理属性。
54.如图1所示，如果是真实人脸（即，活体），则会有部分环境光穿过皮层到达血管，然后再反射回相机，因此相机能够监测到血液流动导致的细微亮度变化。而对于非真实人脸（即，非活体），由于材料不同，因此不存在这种由于血液流动引起的亮度变化。这种微弱的亮度变化虽然不能被人眼观察到，但是可以通过相机采集和后续图像处理来捕获。因此，可以利用ppg来进行活体检测。
55.本公开利用ppg信号在人脸不同部位的一致性来进行活体检测。具体而言，ppg信号在真实人脸的不同部位应当是一致的。相比之下，对于使用各种人脸欺骗技术的非真实人脸，所得到的ppg信号在不同部位是不一致的。本公开通过计算奇异值得出人脸不同部位的ppg信号一致性，从而判断目标对象是真实人脸还是非真实人脸。这种方式能够有效地对抗切除部分照片的遮挡攻击以及各种材质的面罩攻击，提高活体检测的准确性和普适性。
56.在本公开中，利用奇异值分解来获得ppg信号的一致性。通过对人脸网格序列特征矩阵进行奇异值分解得到奇异值矩阵。在奇异值矩阵中各个奇异值按照从大到小排列。由于人脸的ppg信号具有一致性，其主成分只有一个，因此奇异值矩阵中的第一个奇异值（即，最大奇异值）会占全部奇异值之和非常大的比例。因此，可以用最大的1个奇异值和对应的左右奇异向量来近似描述特征矩阵。关于奇异值分解的具体方法在本领域中是众所周知的，在此不再赘述。
57.在本公开中，可以通过将特征矩阵分解后得到的奇异值矩阵中的最大奇异值来确定ppg信号的一致性。
58.在简单实现中，ppg信号的一致性可以用二元值（例如，0或1）表示。例如，可以将最大奇异值与奇异值阈值进行比较，如果最大奇异值大于奇异值阈值，则可以认为ppg信号一致（即，ppg信号的一致性为1）。如果最大奇异值小于奇异值阈值，则可以认为ppg信号不一致（即，ppg信号的一致性为0）。举例而言，假设所得到的最大奇异值为14.1，而奇异值阈值为12，则可以认为ppg信号一致。奇异值阈值可以根据经验设定、通过理论计算设定、或通过训练或学习来设定。
59.在其他实现中，可以通过百分比形式来表示ppg信号的一致性。例如，可以计算奇异值矩阵中最大奇异值与全部奇异值之和的比率。比率越大，则说明ppg信号的一致性越高。反之，比率越小，则说明ppg信号的一致性越低。举例而言，假设所得到的最大奇异值为10.5，而全部奇异值之和为15.0，则ppg信号一致性可以为10.5/15.0=70%。
60.应注意，上述ppg信号一致性的定义仅是示例性的而非限制性的。在实际实现中，本领域技术人员可以根据实际需要采用不同的方式来定义ppg信号的一致性。
61.图2示出了本公开一实施例的活体检测方法200的示例性流程图。
62.方法200开始于步骤202。在步骤202，采集待检测对象的连续多帧图像。
63.在本公开的一实施例中，该连续多帧图像包括rgb图像，并且采集待检测对象的连续多帧图像进一步包括：选择该rgb图像中的绿色通道图像。
64.由于人体对绿光的吸收率较高，且环境光对绿光的影响较小，因此在采集图像时通常选择绿色通道中的数据。
65.应注意，虽然在本公开中采用了rgb图像中的绿色通道数据，但这仅是示例性的而非限制性的。在不同实现中，可以采用其他格式（诸如yuv）图像，且可以采用多个颜色通道的图像，例如可以选取多个颜色通道的图像数据的加权组合。
66.在步骤204，基于该连续多帧图像获取该待检测对象的生理信号。举例而言，可以通过对原始图像信号进行滤波或者变换处理等方式来获得生理信号。
67.生理信号是指与待检测对象的生理功能（例如，呼吸、心跳、血液流动等等）相对应的信号。可以通过对所采集的原始图像信号进行滤波或者变换处理等方式来获得与期望生理功能相对应的生理信号。关于从视频/连续多帧图像中获取生理信号（诸如ppg信号）的方法在生物医学和信号处理领域是众所周知的，在此不再赘述。
68.在步骤206，将该连续多帧图像中的每一帧图像按位置分割成多个图像块，并将该连续多帧图像中相同位置的图像块构成网格序列，以获取多个网格序列。
69.如图1中所示，将每一帧人脸图像按位置均匀分割成个大小相同的图像块（在图1的示例中，n=4）。由此可以获得16个网格序列，其中每个网格序列包括m个相同位置的图像块，m表示连续采集的图像帧数。应注意，图1的图像分割（即，正方形分割）仅是示例性的而非限制性的。在不同实现中，可以采用其他图像分割方式。在一些实现中，可以将图像分割成个大小相同的图像块，其中n不等于p（即，矩形分割）。在其他一些实现中，可以将图像分割成多个大小不同的图像块（即，非均匀分割）。例如，对于容易遭受篡改的人脸区域，可以进行较细粒度的分割以获得较小的图像块；而对于其他人脸区域，可以进行较粗粒度的分割以获得较大的图像块。在实践中，本领域技术人员可以根据需要采用不同的分割方式。
70.在步骤208，确定该生理信号跨该多个网格序列的一致性。
71.在本公开的一实施例中，确定该ppg信号跨该多个网格序列的一致性进一步包括：基于该多个图像块和该多个网格序列来构建该生理信号的特征矩阵；对该特征矩阵进行奇异值分解以获得奇异值矩阵；计算该奇异值矩阵中的最大奇异值，以确定该生理信号跨该多个网格序列的一致性。
72.如上文所述，在均匀分割的情况下，可以得到特征矩阵。由此可见，通过对该特征矩阵进行奇异值分解来确定的该生理信号的一致性实质上体现了该生理信号跨同一帧图像的不同网格序列（即，不同的人脸部位）以及同一网格序列内的不同图像块（即，在不同时间采集的同一人脸部位）的一致性。换言之，以此方式得到的生理信号的一致性体现了该生理信号在人脸不同区域（个图像块）之间以及不同时间（连续m帧）之间的一致性。
73.在本公开的一实施例中，每个图像块对应于该特征矩阵中的一个元素，并且每个图像块的像素均值构成该特征矩阵中的对应元素的值。
74.注意，在本公开中，特征矩阵的元素可以表示特征矩阵中的单个数值，也可以表示特征矩阵的一部分。例如，在对图像进行单次分割的情形中，得到的图像块可以对应于特征矩阵的单个数值。而在对图像进行嵌套分割（例如，二次分割）的情形中，初始分割后得到的
每个图像块可以对应于特征矩阵的一部分。在对图像块进行再次分割时，得到的图像子块可以对应于特征矩阵的单个数值。
75.在步骤210，基于该生理信号的一致性来判断该待检测对象是否为活体。
76.对于真实人脸，生理属性（诸如血液流动、心跳等）跨人脸的不同部位应当是一致的。此外，同一部位的生理属性跨不同时间也应当是一致的。而非真实人脸无法伪造出在不同区域以及不同时间一致的生理属性。由此可以通过生理信号的一致性来判断待检测对象是否为活体。
77.在本公开的一实施例中，基于该生理信号的一致性来判断该待检测对象是否为活体进一步包括：如果该生理信号的一致性达到一致性阈值，则确定该待检测对象为活体；如果该生理信号的一致性未达到一致性阈值，则确定该待检测对象不是活体。
78.在生理信号的一致性采用二元值（例如，0或1）的实施例中，一致性阈值可以取处于二元值之间的任意值（例如，0.5）。在此类实施例中，如果生理信号的一致性为1（大于0.5），则可以确定待检测对象是活体。反之，如果生理信号的一致性为0（小于0.5），则可以确定待检测对象不是活体。
79.在生理信号的一致性采用百分比形式的实施例中，如果生理信号的一致性达到预设的百分比阈值，则可以确定待检测对象为活体。反之，如果生理信号的一致性小于预设的百分比阈值，则可以确定待检测对象不是活体。举例而言，当预设的百分比阈值为60%时，如果所得到的最大奇异值为10.5而全部奇异值之和为15.0，则生理信号的一致性为10.5/15.0=70%（大于60%），此时可以确定待检测对象是活体。
80.应注意，虽然在本文中采用奇异值分解来确定生理信号的一致性，但这仅是示例性的而非限制性的。在实际实现中，本领域技术人员可以构想采用其他方式来确定生理信号的一致性。
81.除了基于生理信号的一致性来进行活体检测之外，还可以借助于生理信号的其他特征来协助活体检测。在本公开的一些实施例中，可以计算生理信号的频率和振幅，并基于生理信号的频率、振幅和一致性的组合来进行活体检测。通过利用生理信号的频率和振幅来协助进行活体检测，可以进一步提高活体检测的准确性。关于利用生理信号的频率、振幅和一致性的组合来进行活体检测的细节将在图3中进一步描述。
82.图3示出了本公开一实施例的基于生理信号的频率、振幅和一致性的组合来进行活体检测的示例性方法的流程图。
83.如图3所示，除了通过对特征矩阵进行奇异值分解以确定生理信号（诸如ppg信号）的一致性之外，还可以通过频域分析来计算生理信号的频率和振幅。
84.具体而言，对于每个网格序列，可以通过频域分析算法来计算生理信号的频率和振幅。在一些实施例中，可以根据实际需要对每个网格序列的频率和振幅进行加权求和、取平均、取最大值等等，以得到针对所有网格序列的频率和振幅。
85.以ppg信号为例，在实践中，活体的ppg信号频率一般在60-100hz之间，而非活体的频率一般都是高频噪声。振幅是参考值，一般根据实验确定非活体的振幅范围，而活体的ppg信号振幅高于非活体。
86.在计算出生理信号的频率、振幅、一致性这些特征值之后，在302处，可以判断这些特征值是否均达到各自相应的阈值。
87.具体而言，可以判断生理信号的频率是否达到频率阈值、生理信号的振幅是否达到振幅阈值、生理信号的一致性是否达到一致性阈值。在具体实现中，频率阈值、振幅阈值、一致性阈值可以根据经验设定、通过训练或实验过程设定、或通过理论计算来设定。应注意，上述这些阈值可以是单个特定的数值，也可以是特定的范围。本领域技术人员可以根据需要选择合适的阈值类型。在阈值为特定数值的实施例中，生理信号的频率、振幅、一致性均达到各自相应的阈值可以是指生理信号的频率满足单个频率阈值（例如，低于该频率阈值）、生理信号的振幅满足单个振幅阈值（例如，高于该振幅阈值）、生理信号的一致性满足单个一致性阈值（例如，高于该一致性阈值）。在阈值为特定范围的实施例中，生理信号的频率、振幅、一致性均达到各自相应的阈值可以是指生理信号的频率处于期望的频率范围内、生理信号的振幅处于期望的振幅范围内、生理信号的一致性处于期望的一致性范围内。
88.如果生理信号的频率、振幅、一致性均达到各自相应的阈值（判断框302处为“是”），则可以确定待检测对象是活体（304）。
89.如果生理信号的频率、振幅、一致性并非均达到各自相应的阈值（判断框302处为“否”），则可以进一步判断这些特征值是否均未达到各自相应的阈值（判断框306）。如果这些特征值均未达到各自相应的阈值（判断框306处为“是”），则可以确定待检测对象不是活体（308）。
90.如果生理信号的频率、振幅、一致性中的一者或两者未达到各自相应的阈值（框306处为“否”，即，有若干特征值未达到阈值而其他特征值达到阈值），则可以对生理信号的频率、振幅、一致性进行加权组合以获得组合值（310）。
91.在本公开的一实施例中，在进行活体判断时，可以将生理信号的一致性作为主要考量因素，而将生理信号的频率和振幅作为次要考量因素。例如，对生理信号的一致性可以指派较大权重（例如，60%），对生理信号的频率和振幅可以指派较小权重（例如，各自指派20%的权重）。随后可以对生理信号的一致性、频率和振幅进行加权求和以获得组合值。应注意，上述权重指派仅是示例性的而非限制性的。在实际实现中，可以采用各种不同的权重指派。
92.随后，可以确定组合值是否达到预设阈值（判断框312）。如果组合值达到预设阈值（判断框312处为“是”），则可以确定待检测对象是活体（314），否则可以确定待检测对象不是活体（316）。
93.图3示出了利用生理信号的一致性协同生理信号的频率和振幅来进行活体检测，这与仅利用生理信号的一致性进行活体检测相比进一步提高了准确性和可靠性。在实际实现中，还可以利用生理信号的一致性与其他特征或其他检测手段的组合来进行活体检测。
94.图4示出了使用本公开的活体检测方法来进行活体检测的示例性过程。为了便于解说，结合生理信号为ppg信号的场景来描述图4。但应注意，类似的过程可以应用于生理信号为其他信号的场景。
95.如图4所示，首先打开摄像头开始拍摄（402）。例如，可以打开图像采集设备的摄像头来拍摄待检测的人脸图像。
96.对于相机拍摄的每一帧人脸图像，可以通过特定的人脸检测算法进行人脸检测（404），以识别当前图像帧是否满足要求（例如，姿势正确、不模糊、不过度曝光等）。一旦识别出合格的人脸图像帧（判断框406处为“是”），则可以在特定的持续时间（例如，2-5秒）后
进入本公开的活体检测部分。如果所拍摄的图像帧不合格（判断框406处为“否”）（例如，姿势不正确、太模糊等等），则可以提示用户进行相应调整（例如，调整姿势、相机设置等等），并重新进行人脸检测（404）。
97.在活体检测部分，对每一帧人脸图像进行的网格分割（408），然后选取rgb中的绿色通道（410），计算每一个网格内的像素均值（412）作为特征矩阵中的一个特征。每个网格的多帧特征形成一个序列。
98.随后，对人脸网格序列特征矩阵进行奇异值分解以确定ppg信号的一致性（414）。
99.对于每一个网格序列，还可以通过频域分析算法来计算ppg信号的频率和振幅（416），通过频率和振幅来协助进行活体检测。
100.接着，可以综合ppg信号的一致性、频率和振幅，进行相应的阈值比较，从而得到活体判定的结果。具体而言，可以将ppg信号的一致性、频率和振幅与各自的阈值进行比较（418），根据比较结果来判断待检测对象是否为活体（420）。
101.如果确定待检测对象是活体（判断框420处为“是”），则可以输出活体检测结果（即，“活体”）并且活体检测结束（424）。如果确定待检测对象不是活体（判断框420处为“否”），则可以进一步判断是否需要重新采集（422）。如果要进行重新采集（判断框422处为“是”），则过程400返回到404。如果不进行重新采集（判断框422处为“否”），则可以输出活体检测结果（即，“非活体”）并且活体检测结束（424）。
102.在上述活体检测过程中接收到的信号是非常特殊和独特的（即，皮肤、血液的材料有其独特的透射率）。在本公开的方案中，使用人脸检测和人脸的多个区域划分，能够确保人脸各部位的活体检测效果。此外，通过奇异值分解，能判定人脸各部位的特征是否一致，这能有效对抗切除部分照片的遮挡攻击以及各种材质的面罩攻击，具有更准确的活体判断结果。
103.应注意，图4中所示出的过程400仅是作为示例来提供的，并非旨在限制本公开。在不同实现中，可以按不同于所描述的次序来执行过程400中的各个步骤。例如，选取绿色通道（410）可以在人脸图像分割（408）之前执行。此外，还可以恰适地省略、替代、或组合过程400中的各个步骤，或者向过程400添加附加的步骤。
104.图5示出了本公开一实施例的活体检测装置500的框图。
105.参见图5，装置500可以包括图像采集模块502、信号获取模块504、图像分割模块506、信号特征模块508、以及判断模块510。这些模块中的每一者可在一条或多条总线512上直接或间接地彼此连接或通信。
106.图像采集模块502可以采集待检测对象的连续多帧图像。
107.在本公开的一实施例中，该连续多帧图像包括rgb图像，并且图像采集模块502还被配置成：选择rgb图像中的绿色通道图像。
108.信号获取模块504可以基于该连续多帧图像获取该待检测对象的生理信号。
109.在本公开的一实施例中，该生理信号包括ppg信号。
110.图像分割模块506可以将该连续多帧图像中的每一帧图像按位置分割成多个图像块，并将该连续多帧图像中相同位置的图像块构成网格序列，以获取多个网格序列。
111.信号特征模块508可以确定该生理信号跨该多个网格序列的一致性。
112.在本公开的一实施例中，信号特征模块508还被配置成：基于该多个图像块和该多
个网格序列来构建该生理信号的特征矩阵；对该特征矩阵进行奇异值分解以获得奇异值矩阵；计算该奇异值矩阵中的最大奇异值，以确定该生理信号跨该多个网格序列的一致性。在此类实施例中，每个图像块对应于特征矩阵中的一个元素，并且每个图像块的像素均值构成该特征矩阵中的对应元素的值。
113.判断模块510可以基于该生理信号的一致性来判断待检测对象是否为活体。
114.在本公开的一实施例中，判断模块510还被配置成：如果该生理信号的一致性达到一致性阈值，则确定该待检测对象为活体；如果该生理信号的一致性未达到该一致性阈值，则确定该待检测对象不是活体。
115.在本公开的一实施例中，信号特征模块508还被配置成：基于该多个网格序列来计算该生理信号的频率和振幅，并且判断模块510还被配置成：基于该生理信号的频率、振幅和一致性的组合来判断该待检测对象是否为活体。
116.在本公开的一实施例中，判断模块510还被配置成：如果该生理信号的频率、振幅和一致性均达到各自相应的阈值，则确定该待检测对象是活体；如果该生理信号的频率、振幅和一致性均未达到各自相应的阈值，则确定该待检测对象不是活体。
117.在本公开的一实施例中，判断模块510还被配置成：基于该生理信号的频率、振幅和一致性中的任一者或两者未达到各自相应的阈值，对该生理信号的频率、振幅和一致性进行加权组合以获得组合值；如果该组合值达到预设阈值，则确定该待检测对象是活体；以及如果该组合值未达到该预设阈值，则确定该待检测对象不是活体。
118.虽然图5中示出了装置500的特定模块，但应理解，这些模块仅是示例性的而非限制性的。在不同的实现中，可以组合、拆分、移除这些模块中的一个或多个模块，或者添加另外的模块。例如，在一些实现中，图像采集模块502和图像分割模块506可以被合并成单个模块。在一些实现中，信号特征模块508可以被拆分成信号一致性模块、信号频率模块和信号振幅模块（图5中未示出）。在一些实现中，装置500还可以包括附加的模块。
119.图6示出了本公开一实施例的包括活体检测装置的设备600的框图。
120.该设备示出了一般硬件环境，可在其中根据本公开的示例性实施例应用本公开。
121.现在将参照图6描述设备600，其是可以应用于本公开的各方面的硬件设备的示例性实施例。设备600可以是被配置为执行处理和/或计算的任何机器，可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数字助理（pda）、智能电话、或其任何组合。
122.设备600可包括可以经由一个或多个接口与总线612连接或与总线612通信的组件。例如，设备600可包括总线612、处理器602、存储器604、输入设备608、以及输出设备610等等。
123.处理器602可以是任何类型的处理器，并且可包括但不限于通用处理器和/或专用处理器（例如特殊处理芯片）、智能硬件设备（例如，通用处理器、dsp、cpu、微控制器、asic、fpga、可编程逻辑器件、分立的门或晶体管逻辑组件、分立的硬件组件、或其任何组合）。在一些情形中，处理器602可被配置成使用存储器控制器来操作存储器阵列。在其它情形中，存储器控制器（未示出）可被集成到处理器602中。处理器602可以负责管理总线和一般性处理，包括执行存储在存储器上的软件。处理器602还可以被配置成执行本文中所描述的与活体检测相关的各种功能。例如，处理器602可被配置成：采集待检测对象的连续多帧图像；基
于该连续多帧图像获取该待检测对象的生理信号；将该连续多帧图像中的每一帧图像按位置分割成多个图像块，并将该连续多帧图像中相同位置的图像块构成网格序列，以获取多个网格序列；确定该生理信号跨该多个网格序列的一致性；以及基于该生理信号的一致性来判断该待检测对象是否为活体。
124.存储器604可以是可实现数据存储的任何存储设备。存储器604可包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、软盘、硬盘、磁带或任何其它磁介质、光盘或任何其它光学介质、rom（只读存储器）、ram（随机存取存储器）、高速缓冲存储器和/或任何其它存储器芯片或盒、和/或计算机可从其读取数据、指令和/或代码的任何其它介质。存储器604可存储包括计算机可读指令的计算机可执行软件606，这些指令在被执行时使得处理器执行本文中所描述的与活体检测相关的各种功能。
125.输入设备608可以是可以用于输入信息的任何类型的设备。
126.输出设备610可以是用于输出信息的任何类型的设备。在一种情形中，输出设备610可以是可显示信息的任何类型的输出设备。
127.本公开的技术方案通过构造人脸分割矩阵，提取人脸不同部位的生理信号（诸如ppg信号）变化，通过计算奇异值得出人脸不同部位的生理信号一致性，从而识别目标对象是否是完整的真实人脸。通过识别人脸不同部位的生理信号，可以有效检测简单的打印、视频重放攻击，同时，通过确定生理信号的一致性，能够检测切除部分照片的遮挡攻击以及各种材质的面罩攻击，更具有普适性。
128.以上结合附图阐述的详细说明描述了示例而不代表可被实现或者落在权利要求的范围内的所有示例。术语“示例”和“示例性”在本说明书中使用时意指“用作示例、实例或解说”，并不意指“优于或胜过其它示例”。
129.贯穿本说明书引述的“一个实施例”或“一实施例”意指结合该实施例描述的特定特征、结构或特性是包含在本公开的至少一个实施例中的。因此，这些短语的使用可以不仅仅指代一个实施例。此外，所描述的特征，结构或特性可以在一个或多个实施例中以任何合适的方式组合。
130.提供之前的描述是为了使本领域任何技术人员均能够实践本文中所描述的各种方面。对这些方面的各种修改将容易为本领域技术人员所明白，并且在本文中所定义的普适原理可被应用于其它方面。因此，权利要求并非旨在被限定于本文中所示的方面，而是应被授予与语言上的权利要求相一致的全部范围，其中对要素的单数形式的引述除非特别声明，否则并非旨在表示“有且仅有一个”，而是“一个或多个”。除非特别另外声明，否则术语“一些”指的是一个或多个。本公开通篇描述的各个方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此，且旨在被权利要求所涵盖。
131.还应注意，这些实施例可能是作为被描绘为流程图、流图、结构图、或框图的过程来描述的。尽管流程图可能会把诸操作描述为顺序过程，但是这些操作中有许多操作能够并行或并发地执行。另外，这些操作的次序可被重新安排。
132.虽然已经说明和描述了各种实施例，但是应该理解，实施例不限于上述精确配置和组件。可以在本文公开的设备的布置、操作和细节上作出对本领域技术人员显而易见的各种修改、替换和改进而不脱离权利要求的范围。