1.本技术涉及图像处理技术领域，特别是涉及一种活体检测的方法、装置及计算机可读存储介质。
背景技术：2.数字技术的发展将人类社会带入了人工智能时代，各种生物识别技术被广泛应用到人们的日常生活中。随之基于人脸的生物识别技术被广泛应用于闸机通行、手机解锁、考勤签到等系统的用户身份认证。然而这些人脸识别认证系统存在着巨大的安全问题，比如当用户的人脸信息被盗取后，被投放到手机屏幕、打印成照片或者制作成面具伪装用户人脸进行识别认证，对身份认证系统进行攻击。如果人脸认证系统对伪装的人脸信息没有准确检测，会给用户带来不可估量的损失，因此针对待认证的人脸进行活体检测很有必要。
3.人脸活体检测技术是一种通过人脸图像信息分析，从而确定相机获取的人脸是伪装攻击的人脸，还是真实活体的人脸。但是目前的人脸活体检测技术存在检测速度慢、检测效率低下等问题。
技术实现要素：4.本技术提供一种活体检测的方法、装置及计算机可读存储介质，能够提高活体检测的速度。
5.本技术实施例第一方面提供一种活体检测的方法，所述方法包括：获取目标对象的热成像图像，并将所述热成像图像划分为多个区域；分别确定所述热成像图像中每个所述区域的区域温度；基于多个所述区域的所述区域温度进行特征提取，得到所述目标对象的温度分布特征；基于所述目标对象的所述温度分布特征进行活体检测，以确定所述目标对象是否为活体。
6.本技术实施例第二方面提供一种活体检测装置，所述活体检测装置包括：获取模块，用于获取目标对象的热成像图像，并将所述热成像图像划分为多个区域；确定模块，与所述获取模块连接，用于分别确定所述热成像图像中每个所述区域的区域温度；提取模块与所述确定模块连接，用于基于多个所述区域的所述区域温度进行特征提取，得到所述目标对象的温度分布特征；检测模块与所述提取模块连接，用于基于所述目标对象的所述温度分布特征进行活体检测，以确定所述目标对象是否为活体。
7.本技术实施例第三方面提供一种活体检测装置，所述活体检测装置包括处理器、存储器以及通信电路，所述处理器分别耦接所述存储器、所述通信电路，所述存储器中存储有程序数据，所述处理器通过执行所述存储器内的所述程序数据以实现上述方法中的步骤。
8.本技术实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序能够被处理器执行以实现上述方法中的步骤。
9.有益效果是：本技术将热成像图像划分为多个区域后，基于多个区域的区域温度，
提取目标对象的温度分布特征，在处理过程中通过对热成像图像进行区域的划分而实现对图像数据进行降采样处理，从而可以减少后续的计算量，能够提高活体检测的速度。
附图说明
10.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的前提下，还可以根据这些附图获得其它的附图，其中：
11.图1是本技术活体检测的方法一实施方式的流程示意图；
12.图2是图1中步骤s120的流程示意图；
13.图3是图1中步骤s140的流程示意图；
14.图4是图1活体检测的方法在一应用场景中的框架示意图；
15.图5是本技术活体检测装置一实施方式的结构示意图；
16.图6是本技术活体检测装置另一实施方式的结构示意图；
17.图7是本技术计算机可读存储介质一实施方式的结构示意图。
具体实施方式
18.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
19.参阅图1，图1是本技术活体检测的方法一实施方式的流程示意图，该方法包括：
20.s110：获取目标对象的热成像图像，并将热成像图像划分为多个区域。
21.热成像图像包括目标对象，活体检测的目的就是确定该热成像图像中的目标对象是否是活体，也就是说，目标对象是待进行活体认证的对象。其中，目标对象的热成像图像是热成像红外摄像头对目标对象进行拍摄而得到的。其中，在热成像红外摄像头对目标对象进行拍摄后，既可以直接将热成像红外摄像头输出的图像作为目标对象的热成像图像，也可以在热成像图像中确定框住目标对象的检测框，然后将检测框内的图像作为目标对象的热成像图像，其中，在热成像图像中确定框住目标对象的检测框的过程可参见下文。
22.在本实施方式中，为了减少计算量，提高活体检测的速率，将热成像图像划分为多个区域，以对热成像图像的图像数据进行降采样处理。
23.其中，多个区域的尺寸可以相同，也可以不同，但是在本实施方式中，设置多个区域的尺寸相同，也就是说，步骤s110在进行划分区域时，将热成像图像等分为多个尺寸相同的区域。其中，每个区域的长、宽可以相同，也可以不同，在此不做限制。
24.在一应用场景中，将热成像图像划分为i行i列个区域，例如，将热成像图像划分为9个区域(即3行3列个区域)、16个区域(即4行4列个区域)或者25个区域(即5行5列个区域)。
25.s120：分别确定热成像图像中每个区域的区域温度。
26.其中，热成像图像携带有温度信息，因为在划分区域之后，可以确定每个区域的区域温度。
27.参阅图2，在本实施方式中，步骤s120确定每个区域的区域温度的步骤，包括：
28.s121：分别确定每个区域的像素点的平均温度值。
29.具体地，在热成像图像中，每个像素点都有一个温度值，因此在划分好区域后，对于每个区域而言，都利用如下公式计算像素点的平均温度值t：
30.其中，n为区域中像素点的个数，ti表示区域中第i个像素点的温度值。
31.s122：分别将每个区域的平均温度值，确定为每个区域各自的区域温度。
32.具体地，在经过步骤s121后，每个区域都有一个对应的平均温度值，从而分别将每个区域的平均温度值，确定为每个区域各自的区域温度。
33.也就是说，在本实施方式中，将区域的像素点的平均温度值确定为区域的区域温度，但是本技术并不限制于此，在其他实施方式中，也可以将区域的像素点的最大温度值、最小温度值或者中位温度值等温度值，确定为区域温度。总而言之，本技术对于确定区域的区域温度的具体过程不做限制。
34.s130：基于多个区域的区域温度进行特征提取，得到目标对象的温度分布特征。
35.具体地，在经过上述步骤后，每个区域都有一个区域温度，然后基于所有区域的区域温度进行特征提取，得到目标对象的温度分布特征。
36.在本实施方式中，步骤s130具体包括：基于多个区域的区域温度，对热成像图像进行卷积操作，得到目标对象的温度分布特征。
37.其中，可以将热成像图像输入卷积神经网络，卷积神经网络基于所有区域的区域温度进行卷积操作，从而提取到热成像图像高维的温度特征，即目标对象的温度分布特征。
38.s140：基于目标对象的温度分布特征进行活体检测，以确定目标对象是否为活体。
39.在一应用场景中，当目标对象的温度分布特征符合活体的温度分布特征时，确定目标对象是活体，否则确定目标对象是非活体。
40.在另一应用场景中，如图3所示，步骤s140具体包括：
41.s141：分别对至少一个目标图像进行活体检测特征提取，得到目标对象的活体检测特征，其中，至少一个目标图像包括目标对象的彩色图像、近红外图像以及热成像图像中的至少一个，且目标对象的活体检测特征与目标对象的温度分布特征不同。
42.具体地，目标对象的活体检测特征与上述目标对象的温度分布特征不同指的是，目标对象的活体检测特征不是对目标对象进行温度特征提取而得到的，例如，当对近红外图像进行活体检测特征提取而得到目标对象的活体检测特征时，由于近红外图像并不能展现目标对象的温度信息，因此提取到的活体检测特征自然不能包含温度信息，进而得到的活体检测特征自然与上述的温度分布特征不同。
43.或者，目标对象的活体检测特征是对目标对象进行温度特征提取而得到的，但是此时目标对象的活体检测特征的提取过程与上述得到温度分布特征的过程不同。例如，当对热成像图像进行活体检测特征提取时，设置对热成像图像进行活体检测特征提取的过程与上述得到温度分布特征的过程不同，从而保证活体检测特征与温度分布特征不同。
44.其中，目标对象的活体检测特征能够表征目标对象是活体的置信度。在相关技术中，直接基于目标对象的活体检测特征进行活体检测，就可以确定目标对象是否是活体，但
是在本实施方式中，为了提高活体检测的准确率，并不是直接基于目标对象的活体检测特征进行活体检测，后续还需要将目标对象的活体检测特征与上述得到的温度分布特征进行融合，具体可参见下文。
45.其中，目标对象的彩色图像是通过白光摄像头对目标对象进行拍摄而得到的，近红外图像是通过近红外摄像头对目标对象进行拍摄而得到的。
46.在一应用场景中，确定目标对象的彩色图像、近红外图像、热成像图像的步骤，包括：
47.(a)分别获取白光摄像头、近红外摄像头以及热成像红外摄像头对目标对象进行拍摄而得到的第一图像、第二图像以及第三图像。
48.(b)对第一图像进行目标识别，得到目标对象在第一图像中的第一位置，并根据第一位置，从第一图像中提取目标对象的彩色图像。
49.具体地，第一图像是利用白光摄像头进行拍摄而得到的，第一图像的清晰度较高，因此对其进行目标识别的准确率较高。
50.其中，目标对象在第一图像中的第一位置可以是，目标对象的检测框在第一图像中的位置，例如，第一位置包括目标对象的检测框的左上顶点、右下顶点在第一图像中的坐标。
51.其中，最终得到的目标对象的彩色图像的尺寸小于第一图像的尺寸，且目标对象在最终彩色图像中的占比大于目标对象在第一图像中的占比。
52.(c)根据第一位置，分别在第二图像以及第三图像中标定目标对象的近红外图像以及热成像图像。
53.具体地，根据目标对象在第一图像中的第一位置以及白光摄像头、近红外摄像头之间的相对安装位置，可以确定目标对象在第二图像中的第二位置，进而根据该第二位置，可以从第二图像中抠取目标对象的近红外图像。可以理解的是，此时在最终得到的近红外图像中，目标对象的占比大于目标对象在第二图像中的占比。其中，目标对象在第二图像中的位置可以是框选目标对象的检测框在第二图像中的位置。
54.同样地，根据目标对象在第一图像中的第一位置以及白光摄像头、热成像红外摄像头之间的相对安装位置，可以确定目标对象在第三图像中的第三位置，进而根据该第三位置，可以从第三图像中抠取目标对象的热成像图像。可以理解的是，此时在最终得到的热成像图像中，目标对象的占比大于目标对象在第三图像中的占比。其中，目标对象在第三图像中的位置可以是框选目标对象的检测框在第三图像中的位置。
55.在上述方案中，一方面考虑到对白光摄像头拍摄得到的第一图像进行目标识别的准确率高，因此基于目标对象在第一图像中的位置，分别从第二图像、第三图像中提取目标对象的近红外图像以及热成像图像的准确率较高，另一方面直接根据第一位置，分别从第二图像、第三图像中提取目标对象的近红外图像以及热成像图像，无需再单独对第二图像、第三图像进行目标识别，可以减少算法的计算量，进而提高整个检测方法的速度。
56.需要说明的是，在其他实施方式中，也可以是直接对第二图像进行目标识别，确定目标对象的位置，然后基于目标对象的位置，从第二图像中提取目标对象的近红外图像，类似地，也可以直接对第三图像进行目标识别，确定目标对象的位置，然后基于目标对象的位置，从第三图像中提取目标对象的近热成像图像。
57.或者，在其他实施方式中，还可以是仅对第二图像或者第三图像进行目标识别，例如，仅对第二图像进行目标识别，确定目标对象在第二图像中的第二位置，然后根据第二位置，从第二图像中提取目标对象的近红外图像，同时基于第二位置，分别在第一图像、第三图像中标定目标对象的彩色图像、热成像图像。
58.或者，在其他实施方式中，也可以是直接将第一图像作为目标对象的彩色图像，或者直接将第二图像作为目标对象的近红外图像，或者直接将第三图像作为目标对象的热成像图像。
59.总而言之，本技术对于确定目标对象的彩色图像、近红外图像以及热成像图像的具体过程不做限制。
60.继续参阅图3，在步骤s141中，可以是对彩色图像、近红外图像以及热成像图像中的一个进行活体检测特征提取，直接得到目标对象的活体检测特征，例如，对近红外图像进行活体检测特征提取，得到目标对象的活体检测特征。
61.或者在步骤s141中，也可以是对彩色图像、近红外图像以及热成像图像中的多个(例如两个或者三个)分别进行活体检测特征提取，然后得到目标对象的活体检测特征。例如，分别对彩色图像、近红外图像进行活体检测特征提取，得到目标对象的活体检测特征。
62.在一应用场景中，当对彩色图像、近红外图像以及热成像图像中的多个进行活体检测特征提取后，得到每个图像各自的活体检测特征，然后将所有图像对应的活体检测特征进行融合处理，最终得到目标对象的活体检测特征。其中，可以采用现有技术中任一项融合技术，将所有图像对应的活体检测特征进行融合处理，此处对于融合处理的具体过程不做详述。
63.也就是说，步骤s141包括：分别对至少一个目标图像进行活体检测特征提取，得到每个目标图像各自对应的活体检测特征；将所有目标图像对应的活体检测特征进行融合处理，得到目标对象的活体检测特征。可以理解的是，当只对一个目标图像进行活体检测特征提取时，直接将目标图像的活体检测特征作为目标对象的活体检测特征，当对多个目标图像进行活体检测特征提取时，得到每个目标图像各自的活体检测特征，然后将多个目标图像对应的活体检测特征进行融合处理，得到目标对象的活体检测特征。
64.其中，对目标图像进行活体检测特征提取的过程包括：利用预先训练的活体检测网络对目标图像进行特征提取，得到目标图像的活体检测特征。
65.具体地，利用活体检测网络对目标图像进行特征提取时，不同类型的图像使用不同的活体检测网络，例如，对彩色图像进行活体检测特征提取所使用的活体检测网络，对近红外图像进行活体检测特征提取所使用的活体检测网络以及对热成像图像进行活体检测特征提取所使用的活体检测网络是三种不同的活体检测网络，分别将这三个活体检测网络定义为第一活体检测网络，第二活体检测网络以及第三活体检测网络。在训练阶段，在对第一活体检测网络进行训练时，所使用的样本图像为白光摄像头拍摄的图像，在对第二活体检测网络进行训练时，所使用的样本图像为近红外摄像头拍摄的图像，在对第三活体检测网络进行训练时，所使用的样本图像为热成像摄像头拍摄的图像。
66.s142：将温度分布特征与活体检测特征进行融合处理，得到融合特征。
67.在一应用场景中，将温度分布特征与活体检测特征进行拼接处理，得到融合特征，例如，温度分布特征的尺寸为1*10*9*9(1表示维度，10为通道数)，活体检测特征的尺寸为
1*12*9*9(1表示维度，12为通道数)，在进行拼接处理后，得到尺寸为1*(10+12)*9*9(1表示维度)的融合特征。
68.其中，可以采用现有技术中的任一种融合手段将温度分布特征与活体检测特征进行融合处理，得到融合特征。关于该融合处理的具体过程，在此不做详述。
69.s143：基于融合特征进行活体检测，以确定目标对象是否是活体。
70.具体地，由于融合特征既包含了目标对象的温度分布特征，也包括目标对象的活体检测特征，因此相比较于只基于目标对象的温度分布特征进行活体检测，或者只基于目标对象的活体检测特征进行活体检测，本实施方式可以提高活体检测的准确率。
71.在一应用场景中，为了进一步提高检测的准确率以及速度，利用预先训练好的神经网络进行活体检测，具体地，将融合特征输入该神经网络，从而确定目标对象是否是活体。
72.在相关技术中，一般直接基于热成像图像中所有像素点的温度值，提取热成像图像的温度分布特征，而本实施方式将热成像图像划分为多个区域后，基于多个区域的区域温度而提取目标对象的温度分布特征，在处理过程中通过对热成像图像进行区域的划分而实现对图像数据进行降采样处理，从而可以减少后续的计算量，能够提高活体检测的速度。
73.为了更好地理解本技术的方案，下面结合图4的应用场景对本技术的方案进行详细的阐述：
74.首先分别获取白光摄像头、近红外摄像头以及热成像红外摄像头对目标对象进行拍摄而得到的第一图像、第二图像以及第三图像，接着对第一图像进行目标识别，得到目标对象在第一图像中的第一位置，然后根据第一位置，分别在第二图像以及第三图像中标定目标对象的近红外图像以及热成像图像。
75.接着将近红外图像(在图4中，目标对象的近红外图像用标号101表示)输入预先训练好的活体检测网络，得到目标对象的活体检测特征(在图4中，目标对象的活体检测特征用标号201表示)。
76.以及将热成像图像(图4中，热成像图像用标号102表示)划分为多个区域，并分别确定每个区域的像素点的平均温度值，最终将每个区域的像素点的平均温度值，确定为每个区域各自的区域温度。
77.基于多个区域的区域温度，对热成像图像进行卷积操作，得到目标对象的温度分布特征(在图4中，目标对象的温度分布特征用标号202表示)。
78.接着将目标对象的活体检测特征和温度分布特征进行融合处理，得到融合特征(在图4中，融合特征用标号20表示)。
79.最后基于融合特征进行活体检测，确定目标对象是否是活体。例如，将融合特征融入预先训练好的神经网络的全接层进行计算，得到目标对象是否是活体。
80.参阅图5，图5是本技术活体检测装置一实施方式的结构示意图。该活体检测装置200包括处理器210、存储器220以及通信电路230，处理器210分别耦接存储器220、通信电路230，存储器220中存储有程序数据，处理器210通过执行存储器220内的程序数据以实现上述任一项实施方式方法中的步骤，其中详细的步骤可参见上述实施方式，在此不再赘述。
81.其中，活体检测装置200可以是电脑、手机等任一项具有图像处理能力的装置，在此不做限制。
82.参阅图6，图6是本技术活体检测装置一实施方式的结构示意图。该活体检测装置300包括获取模块310、确定模块320、提取模块330以及检测模块340。
83.获取模块310用于获取目标对象的热成像图像，并将热成像图像划分为多个区域。
84.确定模块320与获取模块310连接，用于分别确定热成像图像中每个区域的区域温度。
85.提取模块330与确定模块320连接，用于基于多个区域的区域温度进行特征提取，得到目标对象的温度分布特征。
86.检测模块340与提取模块330连接，用于基于目标对象的温度分布特征进行活体检测，以确定目标对象是否为活体。
87.其中，活体检测装置300在工作时执行上述任一项实施方式中活体检测的方法中的步骤，详细的步骤可参见上述相关内容，在此不再赘述。
88.其中，活体检测装置300可以是电脑、手机等任一项具有图像处理能力的装置，在此不做限制。
89.参阅图7，图7是本技术计算机可读存储介质一实施方式的结构示意图。该计算机可读存储介质400存储有计算机程序410，计算机程序410能够被处理器执行以实现上述任一项方法中的步骤。
90.其中，计算机可读存储介质400具体可以为u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等可以存储计算机程序410的装置，或者也可以为存储有该计算机程序410的服务器，该服务器可将存储的计算机程序410发送给其他设备运行，或者也可以自运行该存储的计算机程序410。
91.以上所述仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本技术的专利保护范围内。
技术特征：1.一种活体检测的方法，其特征在于，所述方法包括：获取目标对象的热成像图像，并将所述热成像图像划分为多个区域；分别确定所述热成像图像中每个所述区域的区域温度；基于多个所述区域的所述区域温度进行特征提取，得到所述目标对象的温度分布特征；基于所述目标对象的所述温度分布特征进行活体检测，以确定所述目标对象是否为活体。2.根据权利要求1所述的方法，其特征在于，所述分别确定所述热成像图像中每个所述区域的区域温度的步骤，包括：分别确定每个所述区域的像素点的平均温度值；分别将每个所述区域的所述平均温度值，确定为每个所述区域各自的所述区域温度。3.根据权利要求1所述的方法，其特征在于，多个所述区域的尺寸相同。4.根据权利要求1所述的方法，其特征在于，所述基于多个所述区域的所述区域温度进行特征提取，得到所述目标对象的温度分布特征的步骤，包括：基于多个所述区域的所述区域温度，对所述热成像图像进行卷积操作，得到所述目标对象的所述温度分布特征。5.根据权利要求1所述的方法，其特征在于，所述基于所述目标对象的所述温度分布特征进行活体检测，以确定所述目标对象是否为活体的步骤，包括：分别对至少一个目标图像进行活体检测特征提取，得到所述目标对象的活体检测特征，其中，至少一个所述目标图像包括所述目标对象的彩色图像、近红外图像以及所述热成像图像中的至少一个，且所述目标对象的活体检测特征与所述目标对象的温度分布特征不同；将所述温度分布特征与所述活体检测特征进行融合处理，得到融合特征；基于所述融合特征进行活体检测，以确定所述目标对象是否是活体。6.根据权利要求5所述的方法，其特征在于，当至少一张所述目标图像包括所述目标对象的所述近红外图像时，在所述获取目标对象的热成像图像之前，所述方法还包括：分别获取白光摄像头、近红外摄像头以及热成像红外摄像头对所述目标对象进行拍摄而得到的第一图像、第二图像以及第三图像；对所述第一图像进行目标识别，得到所述目标对象在所述第一图像中的第一位置；根据第一位置，分别在所述第二图像以及所述第三图像中标定所述目标对象的所述近红外图像以及所述热成像图像。7.根据权利要求5所述的方法，其特征在于，所述分别对至少一个目标图像进行活体检测特征提取，得到所述目标对象的活体检测特征的步骤，包括：分别对至少一个所述目标图像进行活体检测特征提取，得到每个所述目标图像各自对应的活体检测特征；将所有所述目标图像对应的活体检测特征进行融合处理，得到所述目标对象的活体检测特征。8.一种活体检测装置，其特征在于，所述活体检测装置包括：获取模块，用于获取目标对象的热成像图像，并将所述热成像图像划分为多个区域；
确定模块，与所述获取模块连接，用于分别确定所述热成像图像中每个所述区域的区域温度；提取模块与所述确定模块连接，用于基于多个所述区域的所述区域温度进行特征提取，得到所述目标对象的温度分布特征；检测模块与所述提取模块连接，用于基于所述目标对象的所述温度分布特征进行活体检测，以确定所述目标对象是否为活体。9.一种活体检测装置，其特征在于，所述活体检测装置包括处理器、存储器以及通信电路，所述处理器分别耦接所述存储器、所述通信电路，所述存储器中存储有程序数据，所述处理器通过执行所述存储器内的所述程序数据以实现如权利要求1-7任一项所述方法中的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序能够被处理器执行以实现如权利要求1-7任一项所述方法中的步骤。
技术总结本申请公开了一种活体检测的方法、装置及计算机可读存储介质，该活体检测的方法包括：获取目标对象的热成像图像，并将热成像图像划分为多个区域；分别确定热成像图像中每个区域的区域温度；基于多个区域的区域温度进行特征提取，得到目标对象的温度分布特征；基于目标对象的温度分布特征进行活体检测，以确定目标对象是否为活体。本申请所提供的方法可以减少活体检测过程中的算法计算量，提高活体检测的速度。速度。速度。
技术研发人员：李永凯 王宁波 朱树磊 郝敬松
受保护的技术使用者：浙江大华技术股份有限公司
技术研发日：2022.06.20
技术公布日：2022/11/1
