[发明专利]一种基于深度图像的生物特征活体识别检测方法、装置

权利要求书

1.一种基于深度图像的生物特征活体识别检测方法，其特征在于，该方法包括，

获取当前包含有生物特征的被检测目标的深度图像，

基于训练后的机器学习模型，对所述当前深度图像进行活体识别，

其中，

所述机器学习模型的训练包括，

获取包含生物特征的深度图像样本，

基于深度图像样本，计算深度图像中像素点的梯度，得到表征图像深度值变化程度的图像梯度特征，其中，图像梯度特征包括梯度幅值和梯度方向；

根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图；其中，子区域图像为所述深度图像中不同区域的图像，直方图中容器bin在纵轴的高度与所述梯度幅值有关；

将所有子区域梯度方向直方图串接起来，得到提取的图像特征；其中，图像特征的向量维数为所串接的直方图中容器bin的个数之和；

将所述图像特征作为所述机器学习模型的样本，对所述机器学习模型进行训练；

所述根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图，包括：

对于任一子区域图像中的任一像素点，

根据该像素点的梯度方向确定对应的bin，

根据梯度方向确定两个相邻的bin的最小中心点值，分别计算所述梯度方向与第一中心点的第一距离、以及第二中心点与所述梯度方向的第二距离，其中，第一中心点值大于第二中心点值，

将所述第一距离在第一中心点值与第二中心点值之间距离中所占的比例，作为分配至第二中心点的bin的权重，将该权重加权梯度幅值，得到该像素点的梯度幅值在该bin的分配，

将所述第二距离在第一中心点值与第二中心点值之间距离中所占的比例，作为分配至第一中心点的bin的权重，将该权重加权梯度幅值，得到该像素点的梯度幅值在梯度方向的分配；

统计该子区域中的所有像素点的梯度幅值在梯度方向的分配，得到该子区域梯度方向直方图。

2.如权利要求1所述的方法，其特征在于，所述获取包含生物特征的深度图像样本包括，

如果深度图像中包括一个以上生物特征图像，则选取图像面积最大的生物特征；

基于选取的生物特征图像，裁剪出生物特征区域的深度图像；

对于深度值获取失败的位置点，使用位置点周围邻域的像素点的深度值按照插值来进行修复；对于深度值获取失败的区域，则按照插值，先修复该区域边缘的深度值，再逐渐向区域中心修复；

对所述深度图像进行归一化处理。

3.如权利要求2所述的方法，其特征在于，所述基于深度图像样本，计算深度图像中像素点的梯度，包括，

对于深图图像中的任一像素点，

分别计算水平方向和垂直方向的深度导数，

根据计算水平和垂直方向的深度导数，分别计算梯度的幅值和方向，得到深度图像的各像素点的图像梯度。

4.如权利要求3所述的方法，其特征在于，所述子区域为：将深度图像所分成的大小相同的子区域。

5.如权利要求4所述的方法，其特征在于，所述将所有子区域梯度方向直方图串接起来，得到提取的图像特征，包括，

根据任一子区域梯度方向直方图，得到该子区域的B维图像特征，

将所有子区域梯度方向直方图沿梯度方向串接，得到N×B维的图像特征向量；

其中，图像的大小为W×H，子区域大小为w×h，

6.如权利要求4所述的方法，其特征在于，所述子区域为：以滑动步长所确定的子区域，其中，滑动步长用于控制相邻子区域是否重合，包括水平方向步长和垂直方向步长。

7.如权利要求6所述的方法，其特征在于，将所有子区域梯度方向直方图串接起来，得到提取的图像特征，包括，

根据任一子区域梯度方向直方图，得到该子区域的B维图像特征，

将所有子区域梯度方向直方图沿梯度方向串接，得到N×B维的图像特征向量；

其中，图像的大小为W×H，子区域大小为w×h，水平方向滑动步长为s，竖直方向滑动步长为t，