[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

说明书

本申请公开了一种基于深度图像的生物特征活体识别检测方法，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，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；根据所述图像梯度特征，获取至少一个子区域图像的梯度幅值在其梯度方向分布的子区域梯度方向直方图；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；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。本申请算法简洁，响应时间短，实现了呈现攻击检测，提高识别设备的安全性。

技术领域

本发明涉及图像识别检测领域，特别地，涉及一种基于深度图像的生物特征活体识别检测方法。

背景技术

活体识别检测主要是通过识别活体上的生物特征信息来进行，它把生物特征信息作为生命特征来区分用照片、硅胶、塑料等非生命物质伪造的生物特征。通俗地讲，就是在识别检测的过程中确定被检测目标确实是个“活体”，不是照片、视频或其他什么。

以人脸活体的识别检测为例。单一的基于可见光的人脸识别容易被照片和视频中的人脸攻破，不具备防假功能，安全性很低。目前，人脸活体检测技术主要有交互式动作、3D成像(多目成像、结构光、TOF等)、热红外和多光谱等，其中，

交互式动作其要求用户配合指令完成相应的动作，如眨眼、微笑、朗读等，根据判别得到的动作状态的变化情况来区分照片和活体人脸，需要用户配合，用户体验差，一旦获取所有交互指令可针对性地录制视频，从而难以防备视频攻击；

热红外识别检测技术通过热红外仪器采集被检测目标的红外图像来进行识别检测，由于热红外仪器成本昂贵且易受温度影响，检测效率以及准确性都欠理想；

多光谱识别检测技术利用不同材料在某些波段的光谱下成像效果不同，提取图片纹理特征，采用机器学习的方法判断是否为活体，该技术易受光照影响，且对特殊材质防攻击效果较差。

3D成像别检测技术基于深成的深度图像进行识别检测，受物体材质和光照影响较小，可以很好的区分真假人脸。

现有的基于深度图像的生物特征活体识别检测方法，使用卷积神经网络提取深度图像特征，计算量大，对硬件的计算性能要求高，响应时间长；而使用深度图像原始像素值降维作为图像特征，图像特征较为简单，鲁棒性较差。

发明内容

本发明提供了基于深度图像的生物特征活体识别检测方法，以兼顾检测的鲁棒性和效率。

本发明提供的一种基于深度图像的生物特征活体识别检测方法，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。

较佳地，所述获取包含生物特征的深度图像样本包括，