一种皮肤区域识别方法、活体检测方法及相关装置与流程

1.本技术属于多光谱检测技术领域，尤其涉及一种皮肤区域识别方法、活体检测方法、皮肤区域识别装置、活体检测装置、终端设备及计算机可读存储介质。


背景技术：

2.目前皮肤区域识别方法多基于rgb彩色图像进行识别，rgb彩色图像的rgb数据处于预设范围的图像区域即为皮肤区域。但是，由于rgb三通道响应有限，且每个通道的响应均为宽波段响应，可能存在较多非皮肤对象，其颜色值和皮肤区域的颜色值重合，导致皮肤识别的正确率较低。


技术实现要素：

3.本技术实施例提供了一种皮肤区域识别方法、活体检测方法、皮肤区域识别装置、活体检测装置、终端设备及计算机可读存储介质，可以解决上述问题。
4.第一方面，本技术实施例提供了一种皮肤区域识别方法，包括：获取目标多光谱图像，并提取目标多光谱图像中每个像素点对应的第一多光谱数据；其中，第一多光谱数据包括至少4个不同波段的光谱数据；从预设皮肤光谱数据库中寻找最接近第一多光谱数据的第二多光谱数据；计算第一多光谱数据和第二多光谱数据的光谱相似度；根据光谱相似度识别第一多光谱数据对应的像素点为皮肤像素点或非皮肤像素点，并根据识别到的皮肤像素点确定目标多光谱图像中的皮肤区域。
5.在一些实施例中，从预设皮肤光谱数据库中寻找得到多个第二多光谱数据，计算第一多光谱数据和第二多光谱数据的光谱相似度，包括：分别计算第一多光谱数据和每个第二多光谱数据的光谱相似度，得到多个光谱相似度；计算多个光谱相似度的均值，并将均值作为第一多光谱数据和多个第二多光谱数据的平均光谱相似度。
6.在一些实施例中，分别计算第一多光谱数据和每个第二多光谱数据的相似度，包括：根据第一多光谱数据中每个波段的光谱数据和每个第二多光谱数据中每个波段的光谱数据，计算每个波段的单一光谱相似度；根据每个波段的单一光谱相似度，计算第一多光谱数据和每个第二多光谱数据之间的光谱相似度。在另一些实施例中，分别计算第一多光谱数据和每个第二多光谱数据之间的相似度，包括：分别计算第一多光谱数据和每个第二多光谱数据的夹角余弦或相关系数，得到第一多光谱数据和每个第二多光谱数据的光谱相似度。
7.在一些实施例中，根据光谱相似度识别第一多光谱数据对应的像素点为皮肤像素点或非皮肤像素点，并根据皮肤像素点确定目标多光谱图像中的皮肤区域，包括：当光谱相似度满足预设条件时，判定第一多光谱数据对应的像素点为皮肤像素点；根据识别到的所有皮肤像素点，确定目标多光谱图像中的皮肤区域。
8.第二方面，本技术实施例提供了一种活体检测方法，包括：获取目标多光谱图像；识别目标多光谱图像中的皮肤区域；统计皮肤区域内像素点的数量；判断像素点的数量是
否大于预设阈值；若是，对目标多光谱图像进行活体检测，得到活体检测结果；其中，识别目标多光谱图像中的皮肤区域，包括：提取目标多光谱图像中每个像素点的第一多光谱数据，第一多光谱数据包括至少4个不同波段的光谱数据；从预设皮肤光谱数据库中寻找最接近第一多光谱数据的第二多光谱数据；计算第一多光谱数据和第二多光谱数据的光谱相似度；根据光谱相似度识别第一多光谱数据对应的像素点为皮肤像素点或非皮肤像素点，并根据识别到的皮肤像素点确定目标多光谱图像中的皮肤区域。
9.在一些实施例中，还包括：若所述皮肤区域中的皮肤像素点的数量小于所述预设阈值，判定所述目标多光谱图像对应的被测目标为假体。在一些实施例中，对目标多光谱图像进行活体检测，得到活体检测结果，包括：根据皮肤区域将目标多光谱图像中的非皮肤区域的像素点的值置零，得到纯人脸图像；对纯人脸图像进行活体检测，得到活体检测结果。
10.第三方面，本技术实施例提供了一种皮肤区域识别装置，包括获取单元、寻找单元、计算单元及识别单元：获取单元用于获取目标多光谱图像，并提取目标多光谱图像中每个像素点对应的第一多光谱数据；其中，第一多光谱数据包括至少4个不同波段的光谱数据；寻找单元用于从预设皮肤光谱数据库中寻找最接近第一多光谱数据的第二多光谱数据；计算单元用于计算第一多光谱数据和第二多光谱数据的光谱相似度；识别单元用于根据光谱相似度识别第一多光谱数据对应的像素点为皮肤像素点或非皮肤像素点，并根据识别到的皮肤像素点确定目标多光谱图像中的皮肤区域。
11.第四方面，本技术实施例提供了一种活体检测装置，包括获取单元、识别单元、统计单元、判断单元及活体检测单元。获取单元用于获取目标多光谱图像；识别单元用于识别目标多光谱图像中的皮肤区域；统计单元用于统计皮肤区域内像素点的数量；判断单元，用于判断像素点的数量是否大于预设阈值；活体检测单元，用于当像素点的数量大于预设阈值时，对目标多光谱图像进行活体检测，得到活体检测结果。其中，识别单元具体用于：提取目标多光谱图像中每个像素点的第一多光谱数据，第一多光谱数据包括至少4个不同波段的光谱数据；从预设皮肤光谱数据库中寻找最接近第一多光谱数据的第二多光谱数据；计算第一多光谱数据和第二多光谱数据的光谱相似度；根据光谱相似度识别第一多光谱数据对应的像素点为皮肤像素点或非皮肤像素点，并根据识别到的皮肤像素点确定目标多光谱图像中的皮肤区域。
12.第五方面，本技术实施例提供了一种终端设备，包括处理器及多光谱相机，多光谱相机用于采集多光谱图像。在一些实施例中，处理器接收多光谱图像后执行如上述第一方面的皮肤区域方法。在另一些实施例中，处理器接收多光谱图像后执行如上述第二方面的活体检测方法。
13.第六方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序。在一些实施例中，计算机程序被处理器执行时实现如上述第一方面述的皮肤区域方法。在另一些实施例中，计算机程序被处理器执行时实现如上述第二方面的活体检测方法。
14.本技术实施例中，一方面，首先获取目标多光谱图像，并提取目标多光谱图像中每个像素点对应的第一多光谱数据；然后从预设皮肤光谱数据库中寻找最接近第一多光谱数据的第二多光谱数据；进一步计算第一多光谱数据和第二多光谱数据之间的光谱相似度；进而根据光谱相似度识别对应的像素点是否为皮肤像素点，并根据皮肤像素点确定目标多
光谱图像中的皮肤区域。由此，根据多光谱数据识别皮肤像素点及皮肤区域，由于多光谱数据中包括至少四种不同波段的光谱数据，波长维度上分辨率较高，并且对不同材质的分辨效果更好，可以更准确地识别皮肤，提升了皮肤区域识别的精度。
15.另一方面，获取到目标多光谱图像后，识别目标多光谱图像中的皮肤区域，并统计皮肤区域内像素点的数量，当皮肤区域中的皮肤像素点的数量大于预设阈值时，对目标多光谱图像进行活体检测，如此，可以提升活体检测的精度及效率。
附图说明
16.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
17.图1是本技术第一实施例提供的一种终端设备的示意图；
18.图2是本技术第二实施例提供的一种活体检测方法的流程示意图；
19.图3是本技术第二实施例提供的一种活体检测方法的一种场景示意图；
20.图4是本技术第二实施例提供的一种活体检测方法的另一种场景示意图；
21.图5是本技术第三实施例提供的一种皮肤识别方法的流程示意图；
22.图6是本技术第四实施例提供的皮肤区域识别装置的示意图；
23.图7是本技术第五实施例提供的活体检测装置的示意图。
具体实施方式
24.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
25.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
26.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
27.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0028]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0029]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0030]
图1是本技术第一实施例提供的终端设备的示意图。该实施例的终端设备1包括：处理器11、存储器12、多光谱相机13以及存储在存储器12中并可在处理器11上运行的计算机程序14，处理器11与多光谱相机13连接，处理器11可控制多光谱相机13采集多光谱图像，并接收来自多光谱相机13所采集到的多光谱图像，处理器11与存储器12连接并能调用存储器内的计算机程序14，以执行对多光谱图像进行活体检测或者皮肤区域识别等指令。
[0031]
需要说明的是，终端设备1可包括但不仅限于处理器11、存储器12及多光谱相机13。本领域技术人员可以理解，图1仅仅是终端设备1的示例，并不构成对终端设备1的限定，终端设备1可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，终端设备1也可不包括存储器12，存储器12为一外部存储设备，或存储器12为云存储器，计算机程序14存储于云存储器中；再例如，终端设备1还可以包括输入输出接口、网络接入接口、总线等。其中，终端设备1可以是智能门锁、手机、笔记本电脑、支付设备等，在此不一一列举。
[0032]
处理器11可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0033]
存储器12可以是终端设备1的内部存储单元，例如终端设备1的硬盘或内存。存储器12也可以是终端设备1的外部存储设备，例如终端设备1上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，终端设备1还可以既包括终端设备1的内部存储单元也包括外部存储设备。存储器12用于存储计算机程序以及终端设备1所需的其他程序和数据，存储器12还可以用于暂时地存储已经输出或者将要输出的数据。
[0034]
多光谱相机13用于采集被检测对象的多光谱图像，采集到的多光谱图像可存储在存储器12内，也可直接传输至处理器11。多光谱相机13可接收至少4个不同波段的光线然后生成多光谱图像，例如，多光谱相机13可接收4个、5个、6个、7个、8个、9个、16个或更多个不同波段的光线然后生成图像。相较于普通的rgb彩色图像而言，多光谱图像中包括更多波段的数据，进而在多光谱图像中非皮肤对象的颜色值与皮肤对象的颜色值不容易重合。例如，以多光谱相机13能接收9个不同波段的光线为例进行说明，则对应生成的多光谱图像可称之为9通道多光谱图像。通过将9通道多光谱图像中每个像素点对应的一通道数据提取出来得到的图像为一通道图像，同理可得到二通道图像至九通道图像，共可得到九张图像。
[0035]
在一些实施例中，多光谱相机13可接收可见光及红外光，进而从多光谱图像中可提取得到彩色图像和红外图像。进一步地，可见光可包括红光、绿光、蓝光等，红外光可包括多个不同波段的近红外光，如此，从多光谱图像中可以分别提取得到红光、绿光、蓝光、及多个不同波段的近红外光对应的子图像。在一个实施例中，多光谱相机可接收的光线对应的
波段均为窄波段，例如，波段宽度小于50nm的窄波段，窄波段相较于宽波段而言，可以更多地抓取到真人皮肤和假体皮肤的材质差异特征，提高活体检测及皮肤识别的精度。
[0036]
计算机程序14存储在存储器12内，计算机程序14包括活体检测程序及皮肤区域识别程序等程序，活体检测程序可被处理器11调用以执行相关的活体检测指令，例如实现图2所示的活体检测方法；皮肤区域识别程序可被处理器11调用以执行皮肤区域识别指令，例如实现图3所示的皮肤区域识别方法。在一个实施例中，活体检测程序包括皮肤区域识别程序，可以理解，皮肤区域识别程序为活体检测程序的一个子程序，在执行活体检测程序过程中会执行皮肤区域识别程序。
[0037]
图2是本技术第二实施例的活体检测方法的流程示意图，活体检测方法包括以下步骤：
[0038]
s201：获取目标多光谱图像。
[0039]
目标多光谱图像可以是多光谱相机拍摄被测目标得到的多光谱图像，也可以是预先存储在存储器中的多光谱图像；目标多光谱图像还可以是从原始多光谱图像中截取部分后得到的图像。目标多光谱图像中一般包括人脸，此处的人脸不限制是活体或者假体。
[0040]
s202：识别目标多光谱图像中的皮肤区域。
[0041]
识别目标多光谱图像中的皮肤区域的具体内容可参见图5所示的步骤，识别到的皮肤区域和非皮肤区域可分别用两种不同的颜色表示，例如白色和黑色，进而可得到目标多光谱图像对应的皮肤区域分布图，如此，可以较清楚地分辨皮肤区域和非皮肤区域。
[0042]
s203：统计皮肤区域内像素点的数量；
[0043]
s204：判断像素点的数量是否大于预设阈值；
[0044]
s205：当像素点的数量大于预设阈值时，对目标多光谱图像进行活体检测；
[0045]
s206：当像素点的数量小于预设阈值时，判定目标多光谱图像对应的被测目标为假体。
[0046]
识别目标多光谱图像中皮肤区域后，统计皮肤区域内像素点的数量，进而根据像素点的数量判断是否需要采用活体检测模型来对人脸框图像进行活体检测，通过判断即可判定目标多光谱图像对应的被测目标为假体时，则无需采用活体检测模型。这样，可以快速的排除掉大部分非常容易判断的假体，提升活体检测效率。
[0047]
具体地，在一些实施例中，可判断皮肤区域内像素点的数量是否大于预设阈值，当皮肤区域中的像素点的数量小于或者等于预设阈值时，说明当前皮肤区域在目标多光谱图像占比较小，直接判定被测目标为假体，则无需再通过活体检测模型对目标多光谱图像进行活体检测。例如，当皮肤区域中的皮肤像素点的数量为0时，即，目标多光谱图像中不存在皮肤区域，则直接判断被测目标为假体。当皮肤区域中的像素点的数量大于预设阈值时，说明皮肤区域在多光谱图像中的占比较大，例如占比超过50％，表示目标多光谱图像对应的被测目标不是明显的假体，但也可能是高精度假体，需对目标多光谱图像进行活体检测。具体可通过活体检测模型对目标多光谱图像进行活体检测，进而判定被测目标是假体还是活体。本实施例中，对于活体检测模型不做具体的限定，只要可以进行活体检测即可。其中，活体检测模型训练时选取的样本假体可为高精度的假体，进而该模型学习到区分真人和高精度假体的更加精细的特征，增加了活体检测的准确性，高精度的假体指的是非常接近真人的假体。
[0048]
进一步地，在一个实施例中，考虑到拍摄距离等因素，被测目标在目标多光谱图像中的占比会存在一定的差异，可根据目标多光谱图像中被测目标的比例自动调整预设阈值，以使判断结果更加准确，可以理解，被测目标占比越大，则预设阈值越大，被测目标占比越小，则预设阈值越小。还在一个实施例中，考虑到多光谱相机成像时的分辨率不同会导致像素点数量不同，可根据目标多光谱图像的分辨率自动调整预设阈值，分辨率越高，预设阈值越大，分辨率越小，预设阈值越小。
[0049]
在一个实施例中，存储器内存储或多光谱相机拍摄的原始多光谱图像中可能会包括人脸、身躯和背景，先检测原始多光谱图像中的人脸，识别人脸框在目标多光谱图像中的位置坐标，然后从目标多光谱图像中截取该人脸框得到人脸框图像，并将人脸框图像作为目标多光谱图像，再识别人脸框图像中的皮肤区域及统计皮肤区域内像素点的数量，判断皮肤区域内像素点的数量是否大于预设阈值，当大于预设阈值时对人脸框图像进行活体检测，当小于预设阈值时判定目标多光谱图像对应的被测目标为假体。如此，先从原始多光谱图像获取人脸框图像，缩小了活体检测时的检测范围，减少了计算量，提升了检测效率。
[0050]
在一些实施例中，如图3所示，图3中的图p1为进行皮肤区域识别后得到的皮肤区域分布图，图p1中白色区域为皮肤区域，黑色区域为非皮肤区域；图p2为图p1对应的目标多光谱图像，该目标多光谱图像可从初始多光谱图像中截取得到。通过皮肤区域识别得到图3中的图p1后，统计图p1中皮肤区域内的像素点数量，并判断皮肤区域内像素点的数量是否大于预设阈值，图p1中皮肤区域内的像素点的数量大于预设阈值，说明被测目标不是明显的假体，则将图3中图p2输入活体检测模型进行活体检测。本实施例中，直接将整个人脸框图像输入活体检测模型进行活体检测，由于人脸框图像中不仅包括人脸还包括背景等其他特征，当背景这些特征未知时，背景这些特征可能也被活体检测模型用来区分活体和假体，进而导致活体检测效率较低甚至得到的识别结果容易出现偏差。
[0051]
在另一些实施例中，当目标多光谱图像为人脸框图像时，确定需要通过活体检测模型进行活体检测时，可根据识别到的皮肤区域确定人脸框图像中的人脸区域，然后对人脸框图像进行处理后得到纯人脸图像，纯人脸图像即为只有人脸的图像，去除了除人脸以外的其他信息(例如背景区域)。
[0052]
具体地，在一个实施例中，如图4所示，图4中图p3为进行皮肤区域识别后得到的皮肤区域分布图，图p3中白色区域为皮肤区域，黑色区域为非皮肤区域，图4中的图p4为图p3对应的目标多光谱图像处理后得到的纯人脸图像。在得到图p3后，对应图p3将目标多光谱图像中非皮肤像素点置零，去除目标多光谱图像中除人脸以外的其他图像信息，得到图p4，图p4中黑色区域为将非皮肤像素点置零后的显示效果，然后将图p4输入活体检测模型进行活体检测，以得到对应的活体检测结果。本实施例中，在识别到皮肤区域后，对目标多光谱图像中的非皮肤区域去除后再输入活体检测模型进行活体检测，避免了非皮肤区域被活体检测模型来区分活体和假体，提升了活体检测效率及精度。
[0053]
本实施例的活体检测方法中，获取到目标多光谱图像后，识别目标多光谱图像中的皮肤区域，然后统计皮肤区域内像素点的数量，当皮肤区域中的像素点的数量大于预设阈值时，对目标多光谱进行活体检测，如此，可以提升活体检测的精度及效率。
[0054]
请参见图3，在一些实施例中，上述步骤s202，即，识别目标多光谱图像中的皮肤区域，包括以下步骤：
[0055]
s2021：提取目标多光谱图像中每个像素点对应的第一多光谱数据。
[0056]
在获取到目标多光谱图像后，可以提取目标多光谱图像中每个像素点对应的第一多光谱数据，第一多光谱数据包括至少四个不同波段的光谱数据，第一多光谱数据以向量的形式表示。
[0057]
以目标多光谱图像为9通道多光谱图像为例进行说明，可分别提取9通道多光谱图像中一通道图像至九通道图像中的a像素点的数据，则可以得到a像素点的第一多光谱数据，可以表示为向量a(x1，x2，x3，x4，x5，x6，x7，x8，x9)，其中，x1、x2、x3、x4、x5、x6、x7、x8及x9分别是9个波段的光谱数据。若目标多光谱图像由m行、n列的像素点组成，则目标多光谱图像中共有m*n个像素点，则可得到m*n个第一多光谱数据。其中，在一个例子中，9个波段可包括一个红色波段、两个不同的绿色波段、一个蓝色波段及五个不同的近红外波段，如此，第一多光谱数据既包括可见光数据，又包括多个红外光数据，增加了皮肤区域识别的准确性。
[0058]
s2022：从预设皮肤光谱数据库中寻找最接近第一多光谱数据的第二多光谱数据。
[0059]
具体地，存储器内预先存储有预设皮肤光谱数据库，预设皮肤光谱数据库中包括多个皮肤样本对应的多光谱数据。继续以9通道的多光谱为例，每一个皮肤样本的多光谱数据都以一个向量表示，当有n个皮肤样本时，则该预设皮肤光谱数据库里共包括n个向量。建立预设皮肤光谱数据库时，可以先通过多光谱相机获取各个皮肤样本对应的样本多光谱图像，然后提取样本多光谱图像中的1通道图像至9通道图像，通过用户手动选取等方式确定样本多光谱图像中的皮肤区域，然后分别计算1通道图像至9通道图像中，该皮肤区域内的所有像素点的平均值，每个通道图像在该皮肤区域中所有像素点的平均值即是皮肤样本在该通道的光谱数据，进而得到皮肤样本对应的多光谱数据，如此，相较于以单一像素点的多光谱数据作为皮肤样本的多光谱数据而言，本实施例的皮肤样本的多光谱数据更加准确。
[0060]
在一个实施例中，为了保证皮肤样本的多样化，使得皮肤区域识别的应用范围更大，皮肤区域识别更加精确，采集皮肤样本时可以采集来自于不同人种、不同年龄、不同性别的人对应的皮肤，进而使得皮肤光谱数据库中包含有不同人种、不同年龄、不同性别的皮肤的多光谱数据。
[0061]
在获取第一多光谱数据后，可以将该第一多光谱数据与预设皮肤光谱数据库中的每一个皮肤样本对应的多光谱数据进行适配，从预设皮肤光谱数据库中寻找最接近第一多光谱数据的多光谱数据，即第二多光谱数据。或者，可以将该像素点的第一多光谱数据放入预设皮肤光谱数据库中，然后寻找预设皮肤光谱数据库中位于第一多光谱数据的附近的皮肤样本多光谱数据，这些多光谱数据即为第二多光谱数据，在找到第二多光谱数据后将第一多光谱数据从预设皮肤数据库中去除。
[0062]
可从预设皮肤光谱数据库中寻找一个或多个第二多光谱数据，可预设或者用户自定义要寻找到的第二多光谱数据的数量。也就是说，预设皮肤光谱数据库中最接近第一多光谱数据的皮肤样本的数量可以为一个或多个。相较于直接使用预设的一种皮肤样本的方式而言，预设皮肤光谱数据库及从预设皮肤光谱数据库中寻找与第一多光谱数据接近的第二多光谱数据的方式，找到的第二多光谱数据更加准确，更加接近第一多光谱数据，提升了后续皮肤识别的准确性。
[0063]
在一个实施例中，第二多光谱数据可以通过knn分类模型寻找得到，通过knn分类
模型可以测算第一多光谱数据与预设皮肤光谱数据库中的每一个皮肤样本对应的多光谱数据之间的欧氏距离，然后取欧氏距离最小的k个多光谱数据，该k个多光谱数据均为第二多光谱数据，即，第二多光谱数据有k个。其中，k是可以人为划定的近邻取舍个数，可以是1、2、3、4、5、6、7、8或更多数值，当k大于等于2时，皮肤区域识别的准确性更高。当然，寻找第二多光谱数据的方式并不限于knn分类模型，还可以是其它方式，在此不做限制。需要说明的是，最接近可以指的是第二多光谱数据与第一多光谱数据之间的差值或者距离小于预设值，并非只表示最小值。
[0064]
s2023：计算第一多光谱数据和第二多光谱数据的光谱相似度。
[0065]
具体地，在一些实施例中，第一多光谱数据和第二多光谱数据均是向量，可以计算第一多光谱数据和第二多光谱数据的夹角余弦，夹角余弦可表征两者的光谱相似度。第一多光谱数据o1和第二多光谱数据p1之间的夹角余弦的具体计算公式为：
[0066][0067]
其中，m指的是多光谱图像中光谱通道(即，波段)的数量，p1k指的是第二多光谱数据中k通道的值，o1k指的是第一多光谱数据中k通道的数值。根据第一多光谱数据和第二多光谱数据中第一通道至第m通道的数值计算夹角余弦，计算得到的夹角余弦的值越大，光谱相似度的值越大，即第二多光谱数据和第一多光谱数据越接近。
[0068]
在另一些实施方式中，也可以计算第一多光谱数据和第二多光谱数据之间的相关系数，通过相关系数来表征光谱相似度。计算第一多光谱数据o1和第二多光谱数据p1之间的相关系数的具体公式为：
[0069][0070]
其中，m指的是多光谱图像中光谱通道的数量，p1k指的是第二多光谱数据中k通道的值，o1k指的是第一多光谱数据中k通道的数值，指的是第二多光谱数据m个通道的均值，指的是第一多光谱数据m个通道的均值。根据第一多光谱数据和第二多光谱数据中第一通道至第m通道的数值计算相关系数，相关系数的值越大，光谱相似度的值越大，即第二多光谱数据和第一多光谱数据越接近。
[0071]
在又一些实施方式中，可以根据第一多光谱数据中每个波段的光谱数据和第二多光谱数据中每个波段的光谱数据，计算第一多光谱数据和第二多光谱数据中每个波段的单一光谱相似度；然后根据每个光谱的单一光谱相似度，计算第一多光谱数据和第二多光谱数据之间的光谱相似度。具体地，可以计算第一多光谱数据和第二多光谱数据中相应的每个波段的光谱数据之间的差值，然后将差值除以第二多光谱数据中对应波段的光谱数据，得到该波段的单一光谱相似度，然后计算多个波段对应的单一光谱相似度的平均值或方差，得到第一多光谱数据和第二多光谱数据之间的光谱相似度。
[0072]
上述通过计算夹角余弦、或计算相关系数、或单一光谱相似度的方式来得到光谱相似度，均考虑到像素点中多个不同波段的数据，进而计算得到的相似度更加准确，增加了后续皮肤识别的准确性。
[0073]
进一步地，为了提高识别精度，在步骤s2023中从预设皮肤光谱数据库中寻找得到多个第二多光谱数据，则在计算光谱相似度时，需要计算第一多光谱数据和每个第二多光谱数据之间的光谱相似度，可计算得到多个光谱相似度，然后计算多个光谱相似度的均值，并将该均值作为第一多光谱数据和多个第二多光谱数据之间的平均光谱相似度，然后可根据该平均光谱相似度判断对应的像素点是否为皮肤像素点。
[0074]
s2024：根据光谱相似度识别第一多光谱数据对应的像素点为皮肤像素点或非皮肤像素点，并根据识别到的皮肤像素点确定目标多光谱图像中的皮肤区域。
[0075]
可预先设置根据光谱相似度识别像素点为皮肤像素点或非皮肤像素点的判断策略，根据预设的判断策略可以判断对应的像素点为皮肤像素点或非皮肤像素点，进而可根据识别到的所有的皮肤像素点确定目标多光谱图像中的皮肤区域。
[0076]
一种实施方式中，存储器内预先存储有预设条件，预设条件用于判断像素点是否为皮肤像素点。当光谱相似度满足预设条件时，则判定第一多光谱数据对应的像素点为皮肤像素点，并将该像素点标记为1；当光谱相似度不满足预设条件时，则判定第一多光谱数据对应的像素点为非皮肤像素点，并将该像素点标记为0；根据标记的所有皮肤像素点，可以确定目标多光谱图像中的皮肤区域。或者，将目标多光谱图像中的皮肤像素点修改为第一颜色显示，非皮肤像素点修改为第二颜色显示，例如，第一颜色为白色，第二颜色为黑色，然后得到目标多光谱图像对应的皮肤区域分布图，通过皮肤区域分布图可较清楚地识别到目标多光谱图像中的皮肤区域(即第一颜色区域)。
[0077]
举例来说，当光谱相似度大于预设相似度阈值时，则判定第一多光谱数据对应的像素点为皮肤像素点；当光谱相似度小于预设相似度阈值时，则判定第一多光谱数据对应的像素点为非皮肤像素点；其中，相似度阈值可通过多次实验计算得到。需要说明的是，当第二多光谱数据的数量为多个时，需计算多个光谱相似度及多个光谱相似度的均值，当多个光谱相似度的均值大于预设阈值时，判定第一多光谱数据对应的像素点为皮肤像素点，反之则为非皮肤像素点。
[0078]
本技术第三实施例提供了一种皮肤区域识别方法，皮肤区域识别方法可包括上述步骤s201、s2021、s2022、s2023及s2024及其对应的子步骤。
[0079]
本技术实施例提供的皮肤区域识别方法，首先获取目标多光谱图像，并提取目标多光谱图像中每个像素点对应的第一多光谱数据；然后从预设皮肤光谱数据库中寻找最接近第一多光谱数据的第二多光谱数据；进一步计算第一多光谱数据和第二多光谱数据之间的光谱相似度；进而根据光谱相似度识别对应的像素点是否为皮肤像素点，并根据皮肤像素点确定目标多光谱图像中的皮肤区域。由此，根据多光谱数据识别皮肤像素点及皮肤区域，由于多光谱数据中包括至少四种不同波段的光谱数据，波长维度上分辨率较高，并且对不同材质的分辨效果更好，可以更准确地识别皮肤，提升了皮肤区域识别的精度。
[0080]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0081]
请参见图6，图6是本技术第四实施例提供的活体检测装置的示意图。包括的各单元用于执行活体检测方法对应的实施例中的各步骤，具体请参阅活体检测方法对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。
[0082]
在一个实施例中，参见图6，活体检测装置6包括获取单元610、识别单元620、统计单元630、判断单元640及活体检测单元630。获取单元610用于获取目标多光谱图像；识别单元620用于识别目标多光谱图像中的皮肤区域；统计单元630用于统计皮肤区域内像素点的数量；判断单元640用于判断像素点的数量是否大于预设阈值；活体检测单元650用于当皮肤区域中的皮肤像素点的数量大于预设阈值时，对目标多光谱图像进行活体检测，得到活体检测结果。
[0083]
请参见图7，图7是本技术第五实施例提供的皮肤区域识别装置的示意图。包括的各单元用于执行皮肤区域识别方法对应的实施例中的各步骤，具体请参阅皮肤区域识别方法对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。
[0084]
在一个实施例中，参见图7，皮肤区域识别装置7包括获取单元710、寻找单元720、计算单元730及识别单元740。获取单元710用于获取目标多光谱图像，并提取目标多光谱图像中每个像素点对应的第一多光谱数据；其中，第一多光谱数据包括至少4个不同波段的光谱数据；寻找单元720用于从预设皮肤光谱数据库中寻找最接近第一多光谱数据的第二多光谱数据；计算单元730用于计算第一多光谱数据和第二多光谱数据的光谱相似度；识别单元740用于根据光谱相似度识别第一多光谱数据对应的像素点为皮肤像素点或非皮肤像素点，并根据识别到的皮肤像素点确定目标多光谱图像中的皮肤区域。
[0085]
在一个实施例中，皮肤区域识别装置7可集成在活体检测装置6中。
[0086]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0087]
本技术实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个方法实施例中的步骤。
[0088]
本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0089]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行实现上述各个方法实施例中的步骤。
[0090]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者
光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0091]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0092]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0093]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。