人脸识别方法、装置、计算机设备及计算机可读存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及一种人脸识别方法、装置、计算机设备及计算机可读存储介质。

背景技术

随着人们对安全信息的重视，活体检测也扮演着比较重要的角色。其中目前比较主流的活体检测是基于RGB、红外、深度图3幅图像融合判断得到结果的，这种方法需要的硬件成本较高，而且安装需要占大块的地方，用在小型机器人端显得不太合适。另外还有基于配合式的活体检测，让用户配合眨眨眼或说段话进行活体检测，这种方法需要用户大量配合，运用起来显得不太智能。实际上我们肉眼是可以看出待检测的人脸是否为活体，因此我们想基于单帧RGB来做活体检测。简单地把活体检测当做分类任务，在屏幕靠的比较近或者打印人脸纸张靠的比较近，训练的分类器很难区分这种情况。

可见，现有的图像识别方法存在难以准确识别真假人脸的技术问题。

发明内容

为了解决上述技术问题，本申请实施例提供了一种人脸识别方法、装置、计算机设备及计算机可读存储介质。

第一方面，本申请实施例提供了一种人脸识别方法，所述方法包括：

获取目标对象的人脸图像；

提取所述人脸图像的高频信息，并判断所述高频信息的分布是否满足预设分布规则；

若所述高频信息的分布满足预设分布规则，则判定所述目标对象包括活体真脸；

若所述高频信息的分布不满足预设分布规则，则判定所述目标对象包括假脸。

根据本申请的一种具体实施方式，预设的分布规则包括：

从图像的中心向外呈发散状。

根据本申请的一种具体实施方式，所述提取所述人脸图像的高频信息，并判断所述高频信息的分布是否满足预设分布规则的步骤，包括：

将所述人脸图像输入预先训练好的真假脸检测模型；

获取所述真假脸检测模型对于所述人脸的高频信息的分布是否满足预设分布规则的判定结果。

根据本申请的一种具体实施方式，所述真假脸检测模型对应的基础卷积神经网络的功能层从输入至输出依次包括：

一个3*3的第一基础卷积层、一个3*3深度可分离卷积层、五个瓶颈层、一个3*3的第二基础卷积层、一个8*8线性GD卷积层和一个1*1线性卷积层。

根据本申请的一种具体实施方式，五个瓶颈层中，第一个、第三个和第五个瓶颈层的转置放大因子均为2，第二个和第四个瓶颈层的转置放大因子均为4；

和/或，

第一基础卷积层、深度可分离卷积层和第一个瓶颈层的卷积核通道数均为32，第二个、第三个、第四个和第五个瓶颈层的卷积核通道数为64，第二基础卷积层和线性GD卷积层的卷积核通道数均为256，线性卷积层的通道数为3。

根据本申请的一种具体实施方式，所述真假脸检测模型的训练步骤，包括：

获取预设数量的样本图片，其中，所述样本图片包括活体真脸的第一类样本图片和假脸的第二类样本图片；

将样本图片分别执行第一类特征提取操作得到第一类高频特征，以及输入基础卷积神经网络进行第二类特征提取操作得到第二类高频特征，并利用第一类高频特征和第二类高频特征的监督比对结果反向迭代训练所述基础卷积神经网络，直至所述基础卷积神经网络的损失函数满足预设条件时为止，将训练得到的基础卷积神经网络作为所述真假脸检测模型，其中，所述第一套特征提取操作依次包括傅里叶变换处理、归一化处理、尺寸调整处理和特征量化处理。

根据本申请的一种具体实施方式，获取利用第一类高频特征和第二类高频特征的监督比对结果所采用的监督损失函数guideLoss为均方差MSELoss，所述卷积神经网络的迭代损失函数Softmax Loss为交叉熵CrossEntropyLoss，其中，训练过程中总的损失函数total_loss＝0.5×SoftmaxLoss+0.5×guideLoss。

第二方面，本申请实施例提供了一种人脸识别装置，所述人脸识别装置包括：

获取模块，用于获取目标对象的人脸图像；

判断模块，用于：

提取所述人脸图像的高频信息，并判断所述高频信息的分布是否满足预设分布规则；

若所述高频信息的分布满足预设分布规则，则判定所述目标对象包括活体真脸；

若所述高频信息的分布不满足预设分布规则，则判定所述目标对象包括假脸。

第三方面，本申请实施例提供了一种计算机设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的人脸识别方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的人脸识别方法。

上述本申请提供的人脸识别方法、装置、计算机设备及计算机可读存储介质，结合活体人脸的高频信息与假脸的高频信息在分布上的区别，提出一种准确的人脸识别方案。通过在对目标对象进行人脸识别时，可以通过提取该目标对象的人脸图像中的高频信息，并以此来判断所述高频信息的分布是否满足预设分布规则，将若所述高频信息的分布满足预设分布规则，则判定所述目标对象包括活体真脸，否则判定所述目标对象包括假脸。利用真假脸的高频信息分布差异进行真假脸识别区分，提升了活体分类的准确度。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对本申请保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

图1示出了本申请实施例提供的一种人脸识别方法的流程示意图；

图2示出了本申请实施例提供的人脸识别方法所涉及的人脸及高频信息分布示意图；

图3示出了本申请实施例提供的人脸识别方法所涉及的另一种人脸及高频信息分布示意图；

图4示出了本申请实施例提供的人脸识别方法所涉及的另一种人脸及高频信息分布示意图；

图5示出了本申请实施例提供的人脸识别方法所涉及的另一种人脸及高频信息分布示意图；

图6示出了本申请实施例提供的一种人脸识别装置的模块框图；

图7示出了本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

在下文中，可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，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。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。

实施例1

参见图1，为本申请实施例提供的一种人脸识别方法的流程示意图。如图1所示，所述方法主要包括：

步骤S101，获取目标对象的人脸图像；

本实施例提供的人脸识别方法，基于单帧图像进行人脸识别，主要识别是活体真脸还是假脸，此处的假脸可以包括屏幕假脸、打印假脸等，应用于考勤机等计算机设备端的人脸识别验证等场景，提高机器端人脸识别应用的可靠性，以应对可能存在的假脸攻击。

具体实施时，将待识别的对象定义为目标对象，利用摄像头采集目标对象的人脸图像。具体采集时，可以直接获取摄像头朝向的预设区域的整体区域图像，再从整体区域图像中裁剪出包含待目标对象的人脸图像，当然也可以仅采集预设区域内包含人脸特征的部分区域的图像作为目标对象的人脸图像。摄像头对准的预设区域内的目标对象，可能是一个真实的人脸即活体真脸，也可能是屏幕播放的人脸或者图片中的人脸即假脸，这就需要在后续的人脸识别过程中区分是活体真脸还是假脸。

步骤S102，提取所述人脸图像的高频信息，并判断所述高频信息的分布是否满足预设分布规则；

若所述高频信息的分布满足预设分布规则，则执行步骤S103，判定所述目标对象包括活体真脸；

若所述高频信息的分布不满足预设分布规则，则执行步骤S104，判定所述目标对象包括假脸。

如图2所示，a为活体真脸对应的人脸图像，b为假脸对应的人脸图像，c为a中活体真脸对应的真脸频域图，d为b中假脸对应的假脸频域图。通过对比可知，活体真脸与假脸在频域分布上存在明显差异。

如图3所示，e为活体真脸对应的人脸图像，f为e对应的频域图，g为纸质照片对应的人脸图像，h为g对应的频域图，i为电子屏幕对应的人脸图像，j为i对应的频域图。通过对比也可得到，活体真脸与纸质照片和电子屏幕等假脸在频域分布上存在明显差异。

经过上述图2和图4，以及多次实验对比可知，活体真脸和假脸对应的人脸图像在经过傅里叶变换后，活体假脸的高频信息分布比较单一，通常呈现沿水平和垂直方向分布，而活体真脸的高频信息则通常同图像的中心向外呈发射状。基于此，本实施例提供的方案，通过分析人脸图像的高频特征信息的分布，来区分人脸图像的目标对象是活体真脸还是假脸。

预先设定一种用于区分活体真脸和假脸的预设分布分布规则，可选的，预设的分布规则包括：

从图像的中心向外呈发散状。

在依据前述步骤获取目标对象的人脸图像后，即可提取该人脸图像的高频信息，以此来分析高频信息的分布是否满足预设分布规则。

需要说明的是，判断高频信息的分布是否满足从中心向外呈发射状的方式可以有多种，例如，可以先绘制从图像中心点向其他区域的辐射线，判断辐射线的分布除了水平方向和垂直方向外，是否还有其他方向。或者，将方向的人脸图像沿水平方向和垂直方向的中轴划分为四个区域，判断四个区域内是否存在较多的高频信息，当然也可以有其他判断高频信息是否从中心向外呈发射状的方式均可适用于本实施例，例如，将人脸图像输入预先训练好的具备高频信息分布识别功能的基础卷积神经网络进行识别等，不作限定。

依据上述步骤对目标对象的人脸图像进行分析判断，若人脸图像的高频信息的分布满足预设分布规则，则判定目标对象包括活体真脸，人脸图像的高频信息的分布不满足预设规则，则判定目标对象的包括假脸。

在得出以上结果之后，计算机设备可以通过文字或者语音的方式输出上述判定结果。当然，若计算机设备为具备存储和处理功能的考勤机，在识别出目标对象为活体真脸之后，计算机设备也可以将目标对象的人脸图像与预存人脸库中的参考人脸进行比对，判断目标对象的人脸是否为预存人脸库中的人脸，若是的话则输出考勤通过的指示信息。若识别出目标对象为假脸，或者目标对象的人脸为活体人脸但不为预存人脸库中的人脸，则输出考勤不通过的指示信息。当然，更进一步的，还可以将目标对象为假脸时也将之与预存人脸库中的人脸进行比对，并将最接近的参考人脸的身份信息提取出来，提示该身份信息对应的用户可能存在作假考勤的结果等，不作限定。

上述本申请实施例提供的人脸识别方法，结合活体人脸的高频信息与假脸的高频信息在分布上的区别，提出一种准确的人脸识别方案。通过在对目标对象进行人脸识别时，可以通过提取该目标对象的人脸图像中的高频信息，并以此来判断所述高频信息的分布是否满足预设分布规则，将若所述高频信息的分布满足预设分布规则，则判定所述目标对象包括活体真脸，否则判定所述目标对象包括假脸。利用真假脸的高频信息分布差异进行真假脸识别区分，提升了活体分类的准确度。

在上述实施例的基础上，本申请的一种具体实施方式进一步限定了通过神经网络进行识别的方案。具体的，所述提取所述人脸图像的高频信息，并判断所述高频信息的分布是否满足预设分布规则的步骤，可以具体包括：

将所述人脸图像输入预先训练好的真假脸检测模型；

获取所述真假脸检测模型对于所述人脸的高频信息的分布是否满足预设分布规则的判定结果。

本实施方式中，预先训练基础卷积神经网络具备真假脸检测功能，得到真假脸检测模型。将目标对象的人脸图像输入预先训练好的真假脸检测模型，使得该真假脸检测模型对于高频信息的分布进行分析判断后，输出对应的判定结果。通过监督学习的真假脸检测模型进行人脸识别的方式，进一步提高了人脸识别的准确性和自动化程度。

在一种具体实施方式中，所述真假脸检测模型对应的基础卷积神经网络的功能层从输入至输出依次可以包括：

一个3*3的第一基础卷积层、一个3*3深度可分离卷积层、五个瓶颈层、一个3*3的第二基础卷积层、一个8*8线性GD卷积层和一个1*1线性卷积层。

根据本申请的一种具体实施方式，五个瓶颈层中，第一个、第三个和第五个瓶颈层的转置放大因子均为2，第二个和第四个瓶颈层的转置放大因子均为4；

和/或，

第一基础卷积层、深度可分离卷积层和第一个瓶颈层的卷积核通道数均为32，第二个、第三个、第四个和第五个瓶颈层的卷积核通道数为64，第二基础卷积层和线性GD卷积层的卷积核通道数均为256，线性卷积层的通道数为3。

如下表1所示为基础卷积神经网络的功能层分布及参数示意：

表1

其中，Input为各功能的输入图片的尺寸参数，Operator为各功能层，主要包括基础卷积层conv、深度可分离卷积层Depthwise conv、瓶颈层bottleneck、线性GD卷积层Linear Gdconv和线性卷积层Linear conv。t代表bottleneck里面的转置放大因子，c代表卷积核通道数，n代表Operator重复的次数，s代表stride。如表1所示，输入RGB格式的人脸图像为80x80x3,最后获得活体三分类结果。

此外，根据本申请的一种具体实施方式，对真假脸检测模型的训练方案也做了进一步限定。上述实施例中所述真假脸检测模型的训练步骤，可以具体包括：

获取预设数量的样本图片，其中，所述样本图片包括活体真脸的第一类样本图片和假脸的第二类样本图片；

将样本图片分别执行第一类特征提取操作得到第一类高频特征，以及输入基础卷积神经网络进行第二类特征提取操作得到第二类高频特征，并利用第一类高频特征和第二类高频特征的监督比对结果反向迭代训练所述基础卷积神经网络，直至所述基础卷积神经网络的损失函数满足预设条件时为止，将训练得到的基础卷积神经网络作为所述真假脸检测模型，其中，所述第一套特征提取操作依次包括傅里叶变换处理、归一化处理、尺寸调整处理和特征量化处理。

如图4所示，为对应真假脸模型的训练过程的流程概述，其中主要包括第一类特征提取操作(如图4中所示的L1)和第二类特征提取操作(如图4中所示的L2)，第一类特征提取操作为融入傅里叶监督的特征提取，依次通过傅里叶变换处理、归一化处理、尺寸调整处理Resize和特征量化处理Featuremap-ft提取出第一类高频特征。第二类特征提取操作则是通过基础卷积神经网络提取出第二类高频特征，再通过监督损失函数guideLoss训练过程中辅助挖掘真假脸的特征，带动活体真假脸的学习，进而将挖掘到的真假脸的特征比对结果反向迭代训练所述基础卷积神经网络，多次优化直至得到满足要求的真假脸检测模型。

根据本申请的一种具体实施方式，获取利用第一类高频特征和第二类高频特征的监督比对结果所采用的监督损失函数guideLoss为均方差MSELoss，所述卷积神经网络的迭代损失函数Softmax Loss为交叉熵CrossEntropyLoss，其中，训练过程中总的损失函数total_loss＝0.5×SoftmaxLoss+0.5×guideLoss。

上述训练过程中，监督部分信息设计在10*10的featuremap层，图4中L3区域是辅助特征提取层，设计了3个3*3的卷积进行辅助特征，将得到的featuremap和傅里叶分支的featuremap_ft进行guide_loss的计算，帮助整体的分类网络去学习到傅里叶相关的强特征。通过傅里叶分支的监督训练，有效地提高了活体检测的准确率。

此外，在上述各实施方式的基础上，还可以增设提升准确性的优化设计，例如引入多视角的网络来进行补充判断，多视角输入设计为了捕捉非活体的边缘介质特征。如图5所示，如果是基于打印人脸和屏幕人脸的母校对象，其纸的边缘信息和屏幕的边缘信息会在scale2.7和scale4的图像中被捕捉到，这些非活体的假脸的强特征非常有助于活体检测的正确判断。其中scale2.7的意思是以人脸为中心，按原来框的大小向外扩充2.7倍，同理scale4为扩充4倍。

分别在不同scale用Mobileface-cut进行训练，训练时scale1加入傅里叶监督，而scale2.7和scale4无需加入傅里叶监督，因为背景信息干扰后辅助信息反而对分类任务有所破坏。在多个scale完成训练后，决策时做多模型融合，有助于整体提高活体检测的准确度。

另外，考虑到真实数据包含了强光、暗光、背光、弱光、阴阳脸等各种各样的复杂情况，还可以对输入图像的brightness、contrast、saturation、hue进行了随机扰动，此外，也有用到了随机裁剪、随机旋转和随机左右翻转等数据增强手段，让数据更加丰富多样了，相当于产生了N倍的数据出来，小幅度提升模型算法的泛化能力。

实施例2

参见图6，为本申请实施例提供的一种人脸识别装置的模块框图。如图6所示，所述人脸识别装置600主要包括：

获取模块601，用于获取目标对象的人脸图像；

判断模块602，用于：

提取所述人脸图像的高频信息，并判断所述高频信息的分布是否满足预设分布规则；

若所述高频信息的分布满足预设分布规则，则判定所述目标对象包括活体真脸；

若所述高频信息的分布不满足预设分布规则，则判定所述目标对象包括假脸。

此外，本申请实施例提供了一种计算机设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行上述实施例提供的人脸识别方法。

另外，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行上述实施例提供的人脸识别方法。

具体的，如图7所示，本实施例提供的计算机设备700包括：

射频单元701、网络模块702、音频输出单元703、输入单元704、传感器705、显示单元706、用户输入单元707、接口单元708、存储器709、处理器710、以及电源711等部件。本领域技术人员可以理解，图7中示出的计算机设备结构并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本申请实施例中，计算机设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载计算机设备、可穿戴设备、以及计步器等。

应理解的是，本申请实施例中，射频单元701可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器710处理；另外，将上行的数据发送给基站。通常，射频单元701包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元701还可以通过无线通信系统与网络和其他设备通信。

计算机设备通过网络模块702为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。

音频输出单元703可以将射频单元701或网络模块702接收的或者在存储器709中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元703还可以提供与计算机设备700执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元703包括扬声器、蜂鸣器以及受话器等。

输入单元704用于接收音频或视频信号。输入单元704可以包括图形处理器(Graphics Processing Unit，GPU)7041和麦克风7042，图形处理器7041对在视频捕获模式或图像捕获模式中由图像捕获计算机设备(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以视频播放在显示单元706上。经图形处理器7041处理后的图像帧可以存储在存储器709(或其它存储介质)中或者经由射频单元701或网络模块702进行发送。麦克风7042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元701发送到移动通信基站的格式输出。

计算机设备700还包括至少一种传感器705，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板7061的亮度，接近传感器可在计算机设备700移动到耳边时，关闭显示面板7061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别计算机设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器705还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。

显示单元706用于视频播放由用户输入的信息或提供给用户的信息。显示单元706可包括显示面板7061，可以采用液晶视频播放器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板7061。

用户输入单元707可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元707包括触控面板7071以及其他输入设备7072。触控面板7071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板7071上或在触控面板7071附近的操作)。触控面板7071可包括触摸检测计算机设备和触摸控制器两个部分。其中，触摸检测计算机设备检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测计算机设备上接收触摸信息，并将它转换成触点坐标，再送给处理器710，接收处理器710发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板7071。除了触控面板7071，用户输入单元707还可以包括其他输入设备7072。具体地，其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

进一步的，触控面板7071可覆盖在显示面板7061上，当触控面板7071检测到在其上或附近的触摸操作后，传送给处理器710以确定触摸事件的类型，随后处理器710根据触摸事件的类型在显示面板7061上提供相应的视觉输出。虽然在图7中，触控面板7071与显示面板7061是作为两个独立的部件来实现计算机设备的输入和输出功能，但是在某些实施例中，可以将触控面板7071与显示面板7061集成而实现计算机设备的输入和输出功能，具体此处不做限定。

接口单元708为外部计算机设备与计算机设备700连接的接口。例如，外部计算机设备可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的计算机设备的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元708可以用于接收来自外部计算机设备的输入(例如，数据信息、电力等等)并且将接收到的输入传输到计算机设备700内的一个或多个元件或者可以用于在计算机设备700和外部计算机设备之间传输数据。

存储器709可用于存储软件程序以及各种数据。存储器709可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器709可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器710是计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器709内的软件程序和/或模块，以及调用存储在存储器709内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。处理器710可包括一个或多个处理单元；优选的，处理器710可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器710中。

计算机设备700还可以包括给各个部件供电的电源711(比如电池)，优选的，电源711可以通过电源管理系统与处理器710逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

另外，计算机设备700包括一些未示出的功能模块，在此不再赘述。

本实施例提供的人脸识别装置、计算机设备及计算机可读存储介质，结合活体人脸的高频信息与假脸的高频信息在分布上的区别，提出一种准确的人脸识别方案。通过在对目标对象进行人脸识别时，可以通过提取该目标对象的人脸图像中的高频信息，并以此来判断所述高频信息的分布是否满足预设分布规则，将若所述高频信息的分布满足预设分布规则，则判定所述目标对象包括活体真脸，否则判定所述目标对象包括假脸。利用真假脸的高频信息分布差异进行真假脸识别区分，提升了活体分类的准确度。所提供的人脸识别装置、计算机设备及计算机可读存储介质的具体实施过程，可以参见前述人脸识别方法的具体实施过程，在此不再一一赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。