图像处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种图像处理方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术和人工智能技术的发展，为了更准确、便捷地鉴定用户身份，出现了活体检测技术。活体检测技术能够利用生物特征信息验证用户是否为真实活体操作，可有效抵御照片、换脸、面具、遮挡等常见的攻击手段，活体检测包括人脸活体检测、掌纹活体检测、虹膜活体检测，等等。

目前，由于实际生活中可能存在许多不同种类的攻击类型，有的攻击图像的纹理特征并不那么明显，甚至是肉眼都难以根据攻击图像的纹理进行区分，使得仅靠单一的图像纹理信息进行活体检测的方式在不同类型的攻击图像上的泛化性较差，检测准确率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提升活体检测的泛化性和准确性的图像处理方法、装置、计算机设备和存储介质。

一种图像处理方法，其特征在于，所述方法包括：

获取待检测图像，所述待检测图像包括待检测对象的生物特征；

对所述待检测图像对应的全局频域图与所述待检测图像融合获得的全局融合图像进行活体检测，获得所述待检测图像对应的第一检测结果；

当所述第一检测结果表示所述待检测图像属于屏幕翻拍图像时，则直接确定所述待检测图像未通过活体检测；

当所述第一检测结果表示所述待检测图像不属于屏幕翻拍图像时，则基于所述待检测图像中的生物特征获得生物特征图像，对将所述生物特征图像对应的局部频域图与所述生物特征图像融合获得的局部融合图像进行活体检测，获得所述待检测图像对应的第二检测结果，并根据所述第一检测结果与所述第二检测结果，确定所述待检测图像对应的活体检测结果。

一种活体检测模型的处理方法，所述方法包括：

获取第一样本集合中的第一样本图像，通过基于神经网络的第一模型对将所述第一样本图像对应的全局频域图与所述第一样本图像融合获得的全局融合图像进行活体检测，获得所述第一样本图像对应的第一检测结果，并根据基于所述第一检测结果与所述第一样本图像的标注类别所确定的第一损失调整所述第一模型的模型参数后返回所述获取第一样本集合中的第一样本图像的步骤继续训练，直至训练结束时获得所述全局检测网络；

获取第二样本集合中的第二样本图像，根据所述第二样本图像的生物特征获得样本生物特征图像，通过基于神经网络的第二模型对将所述样本生物特征图像对应的局部频域图与所述样本生物特征图像融合获得的局部融合图像进行活体检测，获得所述第二样本图像对应的第二检测结果，并根据基于所述第二检测结果与所述第二样本图像的标注类别所确定的第二损失调整所述第二模型的模型参数后返回所述获取第二样本集合中的第二样本图像的步骤继续训练，直至训练结束时获得所述局部检测网络；

根据所述全局检测网络与所述局部检测网络，获得用于对图像进行活体检测的活体检测模型。

一种图像处理装置，所述装置包括：

获取模块，用于获取待检测图像，所述待检测图像包括待检测对象的生物特征；

全局检测模块，用于对将所述待检测图像对应的全局频域图与所述待检测图像融合获得的全局融合图像进行活体检测，获得所述待检测图像对应的第一检测结果；当所述第一检测结果表示所述待检测图像属于屏幕翻拍图像时，则直接确定所述待检测图像未通过活体检测；

局部检测模块，用于当所述第一检测结果表示所述待检测图像不属于屏幕翻拍图像时，则基于所述待检测图像中的生物特征获得生物特征图像，对将所述生物特征图像对应的局部频域图与所述生物特征图像融合获得的局部融合图像进行活体检测，获得所述待检测图像对应的第二检测结果；

确定模块，用于根据所述第一检测结果与所述第二检测结果，确定所述待检测图像对应的活体检测结果。

在一个实施例中，所述图像处理装置还包括融合模块，用于对所述待检测图像进行频域变换处理，获得所述全局频域图；将所述待检测图像与所述全局频域图融合，获得所述全局融合图像。

在一个实施例中，所述全局检测模块还用于将所述全局融合图像输入训练好的活体检测模型；通过所述活体检测模型中的全局检测网络，提取所述全局融合图像的图像特征，并基于所述图像特征输出所述待检测图像属于屏幕翻拍图像的概率，作为第一检测结果。

在一个实施例中，所述局部检测模块还用于对所述待检测图像进行生物特征检测，确定所述待检测图像中的生物特征区域；按所述生物特征区域裁剪所述待检测图像，获得所述生物特征图像。

在一个实施例中，所述图像处理装置还包括融合模块，用于对所述生物特征图像进行频域变换处理，获得所述局部频域图；将所述生物特征图像与所述局部频域图融合，获得所述局部融合图像。

在一个实施例中，所述局部检测模块还用于将所述全局融合图像输入训练好的活体检测模型；通过所述活体检测模型中的局部检测网络，提取所述局部融合图像的图像特征，并基于所述图像特征输出所述待检测图像属于纸片翻拍图像的概率，作为第二检测结果。

在一个实施例中，所述确定模块还用于当所述第一检测结果表示所述待检测对象的生物特征属于屏幕翻拍图像中的生物特征的第一概率，且所述第一概率小于第一阈值时，则获取所述第二检测结果，所述第二检测结果表示所述待检测对象的生物特征属于纸片翻拍图像中的生物特征的第二概率；当所述第二概率小于第二阈值时，确定所述待检测图像通过活体检测。

在上一个实施例中，所述确定模块还用于当所述第一概率大于第一阈值时，则确定所述待检测对象的生物特征为屏幕翻拍图像中的生物特征；当所述第二概率大于第二阈值时，则确定所述待检测对象的生物特征为纸片翻拍图像中的生物特征。

在一个实施例中，所述图像处理装置还包括图像获取模块，用于获取原始的采集图像；将所述采集图像调整至第一预设尺寸，得到所述待检测图像；对所述采集图像进行生物特征检测，确定所述采集图像中的生物特征区域；从所述采集图像中裁剪出所述生物特征区域后，将所述生物特征区域调整至第二预设尺寸，得到所述生物特征图像。

在一个实施例中，所述图像处理装置还包括训练模块，所述训练模块包括样本图像获取单元，全局检测网络训练单元和局部检测网络训练单元；

所述样本图像获取单元用于获取第一样本集合和第二样本集合，所述第一样本集合与所述第二样本集合中的样本图像包括掌纹；

所述全局检测网络训练单元用于使用所述第一样本集合中的第一样本图像对基于神经网络的第一模型进行模型训练，得到全局检测网络；

所述局部检测网络训练单元用于根据所述第二样本集合中第二样本图像的生物特征获得样本生物特征图像，使用所述样本生物特征图像对基于神经网络的第二模型进行模型训练，得到局部检测网络。

在一个实施例中，所述全局检测网络训练单元具体用于通过所述第一模型对将所述第一样本图像对应的全局频域图与所述第一样本图像融合获得的全局融合图像进行活体检测，获得所述第一样本图像对应的第一检测结果；根据所述第一检测结果与所述第一样本图像的标注类别确定第一损失；根据所述第一损失调整所述第一模型的模型参数后继续训练，直至训练结束时获得所述全局检测网络。

在一个实施例中，所述局部检测网络训练单元具体用于通过所述第二模型对将所述样本生物特征图像对应的局部频域图与所述样本生物特征图像融合获得的局部融合图像进行活体检测，获得所述第二样本图像对应的第二检测结果；根据所述第二检测结果与所述第二样本图像的标注类别确定第二损失；根据所述第二损失调整所述第二模型的模型参数后继续训练，直至训练结束时获得所述局部检测网络。

在一个实施例中，所述图像处理装置还包括掌纹识别模块，用于当所述活体检测结果指示所述待检测图像通过活体检测时，则对所述待检测图像中的生物特征进行识别，获得识别结果；根据所述识别结果对所述待检测对象进行身份认证。

一种活体检测模型的处理装置，所述装置包括：

全局检测网络获取模块，用于获取第一样本集合中的第一样本图像，通过基于神经网络的第一模型对将所述第一样本图像对应的全局频域图与所述第一样本图像融合获得的全局融合图像进行活体检测，获得所述第一样本图像对应的第一检测结果，并根据基于所述第一检测结果与所述第一样本图像的标注类别所确定的第一损失调整所述第一模型的模型参数后返回所述获取第一样本集合中的第一样本图像的步骤继续训练，直至训练结束时获得所述全局检测网络；

局部检测网络获取模块，用于获取第二样本集合中的第二样本图像，根据所述第二样本图像的生物特征获得样本生物特征图像，通过基于神经网络的第二模型对将所述样本生物特征图像对应的局部频域图与所述样本生物特征图像融合获得的局部融合图像进行活体检测，获得所述第二样本图像对应的第二检测结果，并根据基于所述第二检测结果与所述第二样本图像的标注类别所确定的第二损失调整所述第二模型的模型参数后返回所述获取第二样本集合中的第二样本图像的步骤继续训练，直至训练结束时获得所述局部检测网络；

检测模型获取模块，用于根据所述全局检测网络与所述局部检测网络，获得用于对图像进行活体检测的活体检测模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述图像处理方法或活体检测模型的处理方法的步骤。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述图像处理方法或活体检测模型的处理方法的步骤。

一种计算机程序，所述计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中，计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行上述图像处理方法或活体检测模型的处理方法的步骤。

上述图像处理方法、装置、计算机设备和存储介质中，一方面，通过图像频域信息与图像本身的纹理信息融合后获得的融合图像进行活体检测，结合这两种不同的图像信息使得检测准确性更高，能适应多种不同的场景，并且待检测图像的采集也不需要特定的硬件设备，在不同的光照环境下都可以具有良好的性能，因此具有更高的普适性；另一方面，为克服不同攻击类型的翻拍图像的特点不同，导致单个模型无法适应不同攻击类型的问题，采用了两级检测，也就是，针对整个图像的全局检测与针对生物特征区域的局部检测，这样针对不同的攻击类型都能够具备较好的检测效果，此外，还可以对其中任意一个检测过程进行定向优化而不影响另一个检测过程的检测效果。

附图说明

图1为一个实施例中图像处理方法的应用环境图；

图2为一个实施例中图像处理方法的流程示意图；

图3为另一个实施例中图像处理方法的流程的示意图；

图4为一个实施例中获得待检测图像中掌纹的第一检测结果的流程示意图；

图5为一个实施例中获得待检测图像中掌纹的第二检测结果的流程示意图；

图6为一个实施例中掌纹活体检测过程的框架示意图；

图7为一个实施例中全局检测网络的训练步骤的流程示意图；

图8为一个实施例中局部检测网络的训练步骤的流程示意图；

图9为一个实施例中活体检测模型的处理方法的流程示意图；

图10为一个具体的实施例中活体检测模型训练过程的框架示意图；

图11为一个实施例中图像处理装置的结构框图；

图12为一个实施例中活体检测模型的处理练装置的结构框图；

图13为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的图像处理方法、活体检测模型的处理方法，通过使用人工智能技术(Artificial Intelligence, AI)中的计算机视觉技术以及机器学习技术，实现了活体检测。

计算机视觉技术(Computer Vision, CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。可以理解，本申请中根据待检测图像进行活体检测的处理，就属于使用计算机视觉技术中的生物特征识别技术，实现活体检测。

机器学习(Machine Learning, ML)，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，该学科专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。人工神经网络是一门重要的机器学习技术，在系统辨识、模式识别、智能控制等领域有着广泛的应用前景。可以理解，本申请通过使用机器学习技术，训练并使用活体检测模型。本申请中的生物特征数据可以存储于区块链网络上，以防止篡改。

本申请各实施例中提及的待检测图像是待进行活体检测的图像。活体检测是确定待检测对象的真实生物特征的过程。待检测图像包括待检测对象的生物特征，该生物特征可唯一确认待检测对象，包括生理特征或行为特征，生理特征包括掌纹、指纹、人脸、虹膜、手形、视网膜、耳廓，等等，行为特征包括步态、笔迹，等等。

本申请各实施例中，待检测对象的生物特征可以是上述生物特征中的任意一种或多种。在一个实施例中，计算机设备获取待检测图像，所述待检测图像包括待检测对象的生物特征；对所述待检测图像对应的全局频域图与所述待检测图像融合获得的全局融合图像进行活体检测，获得所述待检测图像对应的第一检测结果；当所述第一检测结果表示所述待检测图像属于屏幕翻拍图像时，则直接确定所述待检测图像未通过活体检测；当所述第一检测结果表示所述待检测图像不属于屏幕翻拍图像时，则基于所述待检测图像中的生物特征获得生物特征图像，对将所述生物特征图像对应的局部频域图与所述生物特征图像融合获得的局部融合图像进行活体检测，获得所述待检测图像对应的第二检测结果，并根据所述第一检测结果与所述第二检测结果，确定所述待检测图像对应的活体检测结果。

下文将主要以生物特征为掌纹来对本申请实施例提供的方法进行说明。

本申请提供的图像处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与活体检测服务器104进行通信。具体地，终端102可以获取待检测图像，所述待检测图像包括待检测对象的掌纹；对将待检测图像对应的全局频域图与待检测图像融合获得的全局融合图像进行活体检测，获得待检测图像中掌纹的第一检测结果；当所述第一检测结果表示所述待检测图像属于屏幕翻拍图像时，则直接确定所述待检测图像未通过活体检测；当所述第一检测结果表示所述待检测图像不属于屏幕翻拍图像时，则基于待检测图像中的掌纹区域获得掌纹图像；对将掌纹图像对应的局部频域图与掌纹图像融合获得的局部融合图像进行活体检测，获得待检测图像中掌纹的第二检测结果；根据第一检测结果与第二检测结果，确定待检测对象的掌纹的活体检测结果。

在一些实施例中，终端102可以获取待检测图像；将待检测图像发送至活体检测服务器104，通过活体检测服务器104对将待检测图像对应的全局频域图与待检测图像融合获得的全局融合图像进行活体检测，获得待检测图像中掌纹的第一检测结果；当所述第一检测结果表示所述待检测图像属于屏幕翻拍图像时，则直接确定所述待检测图像未通过活体检测；当所述第一检测结果表示所述待检测图像不属于屏幕翻拍图像时，则基于待检测图像中的掌纹区域获得掌纹图像；对将掌纹图像对应的局部频域图与掌纹图像融合获得的局部融合图像进行活体检测，获得待检测图像中掌纹的第二检测结果；根据第一检测结果与第二检测结果，确定待检测对象的掌纹的活体检测结果，并向终端102返回掌纹活体检测结果。

终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，活体检测服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，基于人工神经网络的活体检测模型可以通过计算机设备训练得到，计算机设备可以获取第一样本集合中的第一样本图像，通过基于神经网络的第一模型对将第一样本图像对应的全局频域图与第一样本图像融合获得的全局融合图像进行活体检测，获得第一样本图像中掌纹的第一检测结果，并根据基于第一检测结果与第一样本图像的标注类别所确定的第一损失调整第一模型的模型参数后返回获取第一样本集合中的第一样本图像的步骤继续训练，直至训练结束时获得全局检测网络；获取第二样本集合中的第二样本图像，根据第二样本图像的掌纹区域获得样本掌纹图像，通过基于神经网络的第二模型对将样本掌纹图像对应的局部频域图与样本掌纹图像融合获得的局部融合图像进行活体检测，获得第二样本图像中掌纹的第二检测结果，并根据基于第二检测结果与第二样本图像的标注类别所确定的第二损失调整第二模型的模型参数后返回获取第二样本集合中的第二样本图像的步骤继续训练，直至训练结束时获得局部检测网络；根据全局检测网络与局部检测网络，获得用于对图像进行掌纹活体检测的活体检测模型。用于训练活体检测模型的计算机设备可以是终端或服务器。

在一个具体的应用场景中，当掌纹验证设备需要对用户进行身份认证时，可以采集用户的掌纹图像，并通过训练好的活体检测模型中的全局检测网络对将待检测图像对应的全局频域图与待检测图像融合获得的全局融合图像进行活体检测，获得待检测图像中掌纹的第一检测结果，通过训练好的活体检测模型中的局部检测网络基于待检测图像中的掌纹区域获得掌纹图像；对将掌纹图像对应的局部频域图与掌纹图像融合获得的局部融合图像进行活体检测，获得待检测图像中掌纹的第二检测结果，最后根据第一检测结果与第二检测结果，确定待检测对象的掌纹的活体检测结果；当活体检测结果指示待检测图像中的掌纹为活体掌纹时，则对待检测图像中的掌纹进行掌纹识别，获得掌纹识别结果；根据掌纹识别结果对待检测对象进行身份认证。其中，掌纹验证设备可以是手机、掌纹验证机或者带有图像采集装置的其它设备。

在一个实施例中，如图2所示，提供了一种图像处理方法，以该方法应用于图1中的计算机设备（终端102或服务器104）为例进行说明，包括以下步骤：

步骤202，获取待检测图像，待检测图像包括待检测对象的掌纹。

其中，待检测图像是待进行掌纹活体检测的图像，待检测图像包括待检测对象的掌纹，待检测图像中的掌纹可以是待检测对象的掌纹的一部分，也可以是待检测对象的掌纹的全部。掌纹活体检测是根据图像中的掌纹来鉴定该图像是否为对真实活体的待检测对象采集的图像的方法，通常用于确定该待检测对象是否包括真实活体，较多地应用于身份验证场景中，可有效抵御翻拍图像的攻击。

具体地，计算机设备可以通过本地的图像采集装置即时采集图像，将采集的图像作为待检测图像，例如上述图1中的终端102通过摄像头采集的用户的手掌图像，作为待检测图像。待检测图像也可以是计算机设备从本地导出的图像，将该图像作为待检测图像，本地导出的图像可以是事先拍摄好包括掌纹的照片或存储的包括掌纹的照片，但可以理解的是，本地导出的图像通常不会通过掌纹活体检测。可选地，计算机设备采集的待检测图像可以是专注于手掌外部特征的图像，手掌外部特征如手掌线条、褶皱等，待检测图像也可以是专注于手掌结构和内部特征的图像，手掌结构和内部特征如静脉、骨骼、软组织等。

在一个实施例中，活体掌纹的待检测图像可以是非接触式采集得到的，例如，用户隔空伸出手掌，计算机设备通过摄像头隔空扫描并采集手掌图像，得到待检测图像。在另一些实施例中，待检测图像可以是接触式采集得到的，例如，掌纹验证设备设置有掌纹采集触摸屏，用户可以将手掌放置在该掌纹采集触摸屏上，掌纹验证设备可对该手掌采集图像，作为待检测图像。

步骤204，对将待检测图像对应的全局频域图与待检测图像融合获得的全局融合图像进行活体检测，获得待检测图像中掌纹的第一检测结果。

其中，待检测图像是反应图像在空间域（也称时域）上的纹理分布特性的图像，是表示待检测图像在空间域上的灰度分布特性的数据，待检测图像包括三个通道的灰度信息，每个通道可以用待检测图像在每个像素点处的灰度或强度表示。具体地，待检测图像为RGB 图像，RGB图像是一个三通道的彩色像素图，该三个通道的彩色像素图分别对应该 RGB图像中每个像素点的红色分量、绿色分量和蓝色分量。

频域变换是将待检测图像从灰度分布转换到频域分布的过程，得到的全局频域图表示的是整个待检测图像在频域的特性。频域变换可以是快速傅里叶变换、小波变换或拉普拉斯变换等。

全局频域图是反应待检测图像整体的频域分布特性的特征图，将待检测图像从灰度分布转化到频域分布，可以从整体的频域分布来观察待检测图像的特征。全局表示的是整个待检测图像的图像信息，以示区分，下文提到的待检测图像中的掌纹区域是待检测图像中局部的图像信息。全局频域图是对整个待检测图像进行频域变换获得的频域图。其中，全局频域图中的高频分量表示的是待检测图像中灰度值发生突变的部分，对应了待检测图像中的细节信息，低频分量表示的是待检测图像中灰度值较为平均的部分，对应了待检测图像中的轮廓信息。全局融合图像是将待检测图像与全局频域图融合后获得的多通道图像，全局融合图像携带了待检测图像在空间域与频域上的图像特性。

由于高清翻拍图像的纹理特征不那么明显，例如高清屏幕翻拍掌纹图像和高清纸片翻拍掌纹图像，如果仅依靠对图像本身的细微的纹理和材质进行捕捉从而进行分类，连肉眼都难以区分开，所以这种方式仅能对一些纹理特征比较明显的图像进行检测，检测效果是有限的。对于一些纹理特征明不明显的高清翻拍掌纹图像，在空间域上对这些图像进行处理难以获得较好的效果，而在频域上对这些图像进行检测就可以获得很好的效果。此外，还有一些通过硬件设备可以直接地或者间接地获得掌纹的深度图像，然后通过深度图像来判断当前的掌纹图像是活体掌纹还是一些翻拍图像中的掌纹，然而这种方式的缺点在于采用3D深度信息非常依赖于硬件设备，相对于传统的相机成本较高，且采用结构光传感器容易受到周围光线环境的影响。

在本申请实施例中，通过融合待检测图像本身的纹理信息与待检测图像的频域信息，获得的全局融合图像后再进行活体检测，结合这两种不同的图像信息使得检测准确性更高，能适应多种不同的场景，并且待检测图像的采集也不需要特定的硬件设备，只需要一张待检测图像即可实现很好的检测效果。

此外，不同攻击类型的翻拍图像具有不同的特点，例如，高清屏幕翻拍掌纹图像的纹理特征，如摩尔纹，存在于前景与背景中，因此对整个图像进行处理能够关注到图像的全局信息。而对于高清纸片翻拍掌纹图像，它与活体掌纹图像在掌纹区域的差异较大，因此，需要更加关注待检测图像在裁剪后的掌纹区域的局部信息，才能获得更准确的与真人掌纹的纹理差异，这部分将在下文进行介绍。

在一个实施例中，计算机设备对待检测图像进行频域变换处理，获得全局频域图；将待检测图像与全局频域图融合，获得全局融合图像。

频域变换可以是快速傅里叶变换、小波变换或拉普拉斯变换等。例如，计算机设备可以对待检测图像进行快速傅里叶变换，得到全局频域图，然后再将三通道的待检测图像与全局频域图按通道融合，获得四通道图像，作为全局融合图像。

在一个实施例中，计算机设备获取到原始的采集图像，将采集图像调整至第一预设尺寸，得到待检测图像，再对该待检测图像进行频域变换处理，获得全局频域图。

在一个具体的实施例中，计算机设备将原始的采集图像缩放至预设尺寸，例如，预设尺寸可以是224*224*3，得到待检测图像，然后对该待检测图像进行快速傅里叶变换处理，获得全局频域图，再将待检测图像与其对应的全局频域图融合到一起形成一个四通道图像，作为全局融合图像。

在一个实施例中，计算机设备可以利用训练好的基于神经网络的全局检测网络，对全局融合图像进行活体检测，获得待检测图像中掌纹的第一检测结果。第一检测结果为该待检测图像通过掌纹活体检测与未通过掌纹活体检测中的一种，也就是待检测图像中待检测对象的掌纹是否为活体掌纹。

由于全局融合图像携带了待检测图像本身的全部纹理信息以及待检测图像全局在频域的特性，结合这两种不同的图像信息使得检测准确性更高，能适应多种不同的场景，尤其是高清的屏幕翻拍图像都可以具备很好的检测效果。

步骤206，当第一检测结果表示待检测图像属于屏幕翻拍图像时，则直接确定待检测图像未通过活体检测。

步骤208，当第一检测结果表示待检测图像不属于屏幕翻拍图像时，则基于待检测图像中的掌纹区域获得掌纹图像，对将掌纹图像对应的局部频域图与掌纹图像融合获得的局部融合图像进行活体检测，获得待检测图像中掌纹的第二检测结果，根据第一检测结果与第二检测结果，确定待检测对象的掌纹的活体检测结果。

活体检测的攻击类型大致可以分为两类，一类是前文已经提到的高清屏幕翻拍图像，可以基于待检测图像的全局信息进行判断，另一类是高清纸片翻拍图像。纸片翻拍掌纹图像的掌纹区域与活体掌纹有较大的纹理差异，基于此，为了能够应对不同类型的攻击类型，计算机设备设置两级检测，当第一检测结果表示待检测图像不属于屏幕翻拍掌纹图像时，通过进一步对待检测图像中的掌纹区域进行处理，以更加关于待检测图像中的局部信息，也就是掌纹所在区域的图像信息。

其中，掌纹区域是掌纹所在的区域，掌纹所在区域可以是整个手掌所在的区域，也可以是掌心所在的区域，根据掌纹区域获得的掌纹图像可以是对包围待检测图像中的掌纹的矩形区域进行缩放处理得到的。具体地，计算机设备可以在获取到待检测图像后，提取出待检测图像中的掌纹区域，按该掌纹区域裁剪待检测图像，获得掌纹图像。

在一个实施例中，计算机设备可以利用掌纹提取工具对待检测图像进行抠图处理，获得掌纹区域，再将掌纹区域缩放到预设尺寸，获得掌纹图像。

在一个实施例中，计算机设备可以对待检测图像进行掌纹检测，确定待检测图像中的掌纹区域；按掌纹区域裁剪待检测图像，获得掌纹图像。

在一个实施例中，计算机设备可以获取原始的采集图像，对采集图像进行掌纹检测，确定采集图像中的掌纹区域；从采集图像中裁剪出掌纹区域后，将掌纹区域调整至第二预设尺寸，得到掌纹图像。

其中，掌纹图像是反应掌纹在空间域（也称时域）上的纹理分布特性的图像，是表示掌纹图像在空间域上的灰度分布特性的数据，掌纹图像包括三个通道的灰度信息，每个通道可以用掌纹图像在每个像素点处的灰度或强度表示。具体地，掌纹图像为RGB 图像，RGB图像是一个三通道的彩色像素图，该三个通道的彩色像素图分别对应该 RGB 图像中每个像素点的红色分量、绿色分量和蓝色分量。

频域变换是将掌纹图像从灰度分布转换到频域分布的过程，得到的全局频域图表示的是整个掌纹图像在频域的特性。频域变换可以是快速傅里叶变换、小波变换或拉普拉斯变换等。

掌纹区域是待检测图像中局部的图像信息，所以局部频域图是反应待检测图像中掌纹区域的频域分布特性的特征图，将基于待检测图像中的掌纹区域获得的掌纹图像从灰度分布转化到频域分布，可以从整体的频域分布来观察掌纹图像的特征。局部频域图是对掌纹图像进行频域变换获得的频域图。其中，局部频域图中的高频分量表示的是掌纹图像中灰度值发生突变的部分，对应了掌纹图像中的细节信息，低频分量表示的是掌纹图像中灰度值较为平均的部分，对应了掌纹图像中的轮廓信息。局部融合图像是将掌纹图像与局部频域图融合后获得的多通道图像，局部融合图像携带了掌纹图像在空间域与频域上的图像特性。

类似地，对于一些纹理特征明不明显的高清翻拍掌纹图像，在空间域上对这些图像进行处理难以获得较好的效果，而在频域上对这些图像进行检测就可以获得很好的效果，为此，计算机设备通过融合掌纹图像本身的纹理信息与掌纹图像的频域信息，获得的局部融合图像后再进行掌纹活体的检测，结合这两种不同的图像信息使得检测准确性更高，能适应多种不同的场景。

在一个实施例中，计算机设备对掌纹图像进行频域变换处理，获得局部频域图；将掌纹图像与局部频域图融合，获得局部融合图像。

其中，频域变换可以是快速傅里叶变换、小波变换或拉普拉斯变换等。例如，计算机设备可以对掌纹图像进行快速傅里叶变换，得到局部频域图，然后再将三通道的掌纹图像与局部频域图按通道融合，获得四通道图像，作为局部融合图像。

在一个实施例中，计算机设备获取到原始的采集图像，从采集图像中裁剪出掌纹区域后，将掌纹区域调整至第二预设尺寸，例如，第二预设尺寸可以是122*122*4，从而得到掌纹图像，再将掌纹图像与其对应的局部频域图融合到一起形成一个四通道图像，作为局部融合图像。

在一个实施例中，计算机设备可以利用训练好的基于神经网络的局部检测网络，对局部融合图像进行活体检测，获得待检测图像中掌纹的第二检测结果。第二检测结果为该掌纹图像通过掌纹活体检测与未通过掌纹活体检测中的一种，也就是待检测图像中待检测对象的掌纹是否为活体掌纹。

由于局部融合图像携带了待检测图像中掌纹的纹理信息以及待检测图像中掌纹在频域的特性，结合这两种不同的图像信息使得检测准确性更高，能适应多种不同的场景，尤其是高清的纸片翻拍图像都可以具备很好的检测效果。

需要说明的是，步骤204与步骤208是两个独立的步骤，其执行顺序可以调换，也可以并行执行。

经过前文的介绍可知，计算机设备获得的第一检测结果是利用待检测图像的全局信息进行活体检测得到的检测结果，第二检测结果是利用更加关注到待检测图像中的局部信息进行活体检测得到的检测结果，结合这两个检测结果共同确定待检测图像中掌纹的活体检测结果，更为准确。其中，第一检测结果与第二检测结果均表示待检测图像中的掌纹属于翻拍图像中的掌纹的概率，第一检测结果与第二检测结果可以均表示待检测图像中的掌纹属于活体掌纹的概率。

在一个实施例中，根据第一检测结果与第二检测结果，确定待检测对象的掌纹的活体检测结果，包括：当第一检测结果表示待检测对象的掌纹属于屏幕翻拍掌纹图像中的掌纹的第一概率，且第一概率小于第一阈值时，则获取第二检测结果，第二检测结果表示待检测对象的掌纹属于纸片翻拍掌纹图像中的掌纹的第二概率；当第二概率小于第二阈值时，确定待检测对象的掌纹为活体掌纹。

由于屏幕翻拍掌纹图像的纹理不够明显，当第一检测结果表示待检测图像中的掌纹属于屏幕翻拍掌纹图像中的掌纹的第一概率小于第一阈值时，说明该待检测图像不属于屏幕翻拍图像，可能是活体掌纹图像，进一步根据更加关注到局部信息进行活体检测获得的第二检测结果，当第二检测结果表示待检测图像中的掌纹属于纸片翻拍掌纹图像中的掌纹的第二概率小于第二阈值时，就能更加肯定待检测图像中的掌纹为活体掌纹，待检测图像通过活体检测。其中，第一阈值与第二阈值可以是相同的数值，也可以是不同的数值，例如，第一阈值与第二阈值均可以取0.4。

在一个实施例中，上述方法还包括：当第一概率大于第一阈值时，则确定待检测对象的掌纹为屏幕翻拍掌纹图像中的掌纹；当第二概率大于第二阈值时，则确定待检测对象的掌纹为纸片翻拍掌纹图像中的掌纹。

本实施例中，当第一概率大于第一阈值时，则可直接确定待检测图像中的掌纹为屏幕翻拍掌纹图像中的掌纹，待检测图像不能通过活体检测，当第一概率小于第一阈值时，则进一步根据更加关注到局部信息进行活体检测获得的第二检测结果，当第二检测结果表示待检测图像中的掌纹属于纸片翻拍掌纹图像中的掌纹的第二概率大于第二阈值时，确定待检测对象的掌纹为纸片翻拍掌纹图像中的掌纹，待检测图像未能通过活体检测。

在一个实施例中，根据第一检测结果与第二检测结果，确定待检测对象的掌纹的活体检测结果，包括：当第一检测结果表示待检测对象的掌纹属于活体掌纹的第一概率，第二检测结果表示待检测对象的掌纹属于活体掌纹的第二概率时，若第一概率小于第一阈值时，则直接确定待检测图像为翻拍掌纹图像，若第一概率大于第一阈值则进一步检查第二概率是否大于第二阈值，若第二概率小于第二阈值，则直接确定待检测图像为翻拍掌纹图像，若第二概率也大于第二阈值，则最终确定待检测图像为活体掌纹图像。

如图3所示，为一个实施例中图像处理方法的流程示意图。参照图3，

计算机设备获得待检测图像后，利用待检测图像获得掌纹图像，分为两路并行地对待检测图像与掌纹图像进行活体检测，分别得到各自对应的频域图，再将每一路的输入图像与对应的频域图融合后再进行活体检测，获得各自对应的检测结果，再利用各自的检测结果确定待检测图像最终的掌纹活体检测结果。

在一个实施例中，上述方法还包括：当活体检测结果指示待检测图像中的掌纹为活体掌纹时，则对待检测图像中的掌纹进行掌纹识别，获得掌纹识别结果；根据掌纹识别结果对待检测对象进行身份认证。

待检测图像可以是待进行掌纹识别的图像，本申请实施例提供的掌纹活体检测的步骤可以直接部署于掌识别步骤之前，当待检测图像通过掌纹活体检测之后，再进入到后续的掌纹识别流程中，当掌纹识别通过时则确定待检测图像通过身份认证；当待检测图像没有通过掌纹活体检测时，可以进行报错并提示重试。该掌纹活体检测可以应用到线上掌纹支付、线下掌纹支付、掌纹门禁解锁系统、手机掌纹识别以及自动掌纹识别等场景中。

上述图像处理方法，一方面，通过图像频域信息与图像本身的纹理信息融合后获得的融合图像进行活体检测，结合这两种不同的图像信息使得检测准确性更高，能适应多种不同的场景，并且待检测图像的采集也不需要特定的硬件设备，在不同的光照环境下都可以具有良好的性能，因此具有更高的普适性；另一方面，为克服不同攻击类型的翻拍图像的特点不同，导致单个模型无法适应不同攻击类型的问题，采用了两级检测，也就是，针对整个图像的全局检测与针对掌纹区域的局部检测，这样针对不同的攻击类型都能够具备较好的检测效果，此外，还可以对其中任意一个检测过程进行定向优化而不影响另一个检测过程的检测效果。

在一个实施例中，如图4所示，对将待检测图像对应的全局频域图与待检测图像融合获得的全局融合图像进行活体检测，获得待检测图像中掌纹的第一检测结果，包括：

步骤402，将全局融合图像输入训练好的活体检测模型。

其中，活体检测模型是计算机设备事先通过多个样本图像进行学习，从而具备对图像进行掌纹活体检测能力的机器学习模型。用于训练的计算机设备可以是终端，也可以是服务器。该活体检测模型可以采用神经网络模型，例如卷积神经网络模型实现。

活体检测模型包括全局检测网络和局部检测网络。通过将待检测图像的全局特征与掌纹区域特征相结合采用两级网络进行判断，两级网络分别对屏幕翻拍掌纹图像进行防御以及纸片翻拍掌纹图像进行防御。需要说明的是，这两级检测网络的检测先后顺序可以是任意的，本申请实施例不作限制。

在一个实施例中，计算机设备可以事先设置两级网络各自的模型结构，得到各自的初始神经网络模型，再通过样本图像及对应的标注类别，对该初始神经网络模型进行训练，得到各自训练好的模型参数。这样，在需要对待检测图像进行掌纹活体检测时，计算机设备就可以获取事先训练好各自的模型参数，将该模型参数导入事先设置各自的神经网络模型的模型结构后，根据该两级检测网络得到活体检测模型。

步骤404，通过活体检测模型中的全局检测网络，提取全局融合图像的图像特征，并基于图像特征输出待检测图像中待检测对象的掌纹属于屏幕翻拍掌纹图像中的掌纹的概率，作为第一检测结果。

在本实施例中，活体检测模型包括全局检测网络和局部检测网络。全局检测网络与局部检测网络可以均是基于卷积神经网络实现的网络结构。全局检测网络与局部检测网络由于处理的图像的尺寸不同，因此是分开训练得到的。全局检测网络用于对待检测图像进行掌纹活体检测，得到待检测图像对应的第一检测结果，局部检测网络用于对从待检测图像中抠出的掌纹图像进行掌纹活体检测，得到待检测图像对应的第二检测结果。

图像特征是图像区别于其他图像的特点或特性， 或是这些特点和特性的集合，是用于描述一副图像的图像描述量。对于图像而言，每一幅图像都具有能够区别于其他类图像的自身特征，如亮度、边缘、纹理和色彩等，有些则是需要通过变换或处理才能得到的，如频谱、直方图以及主成份等。全局融合图像是待检测图像与其对应的全局频域图融合得到的四通道图像，全局融合图像的图像特征就隐藏在这四通道矩阵中，计算机设备可以通过全局检测网络从待检测图像中提取图像特征，提取的图像特征不仅要能够很好地描述原始的待检测图像，还需要能够很好地区分该待检测图像与其他图像。就提取的图像特征而言，活体掌纹图像之间差异较小，而活体掌纹图像与翻拍掌纹图像之间差异较大。

需要说明的是，本申请实施例对全局检测网络及局部检测网络内部的网络结构不作限制，设计人员可以按照实际需求进行设置，只要全局检测网络和局部检测网络能够实现对图像进行掌纹活体检测即可。例如，全局检测网络与局部检测网络均可以采用Resnet18作为网络主干，Resnet18具有良好的分类性能，同时其不太深的网络层数也保证了前向推理（forward inference）的时效性。

在一个实施例中，如图5所示，对将掌纹图像对应的局部频域图与掌纹图像融合获得的局部融合图像进行活体检测，获得待检测图像中掌纹的第二检测结果，包括：

步骤502，将局部融合图像输入训练好的活体检测模型。

如前文，局部融合图像是待检测图像的掌纹图像与掌纹图像对应的局部频域图融合得到的图像，是更加关注待检测图像中掌纹区域的局部信息的图像。计算机设备可以将其输入训练好的活体检测模型，活体检测模型中的局部检测网络，对其进行活体检测，实现对待检测图像的二级检测。

步骤504，通过活体检测模型中的局部检测网络，提取局部融合图像的图像特征，并基于图像特征输出待检测图像中待检测对象的掌纹属于纸片翻拍掌纹图像中的掌纹的概率，作为第二检测结果。

在一个具体的实施例中，计算机设备可以通过设置基于神经网络的第一模型与第二模型，在通过样本图像分别对第一模型与第二模型进行模型训练后，分别获得训练好的全局检测网络与局部检测网络，级联后获得训练好的掌纹活体检测。

在一个实施例中，如图6所示，为一个实施例中图像处理方法的框架示意图，参照图6，计算机设备获取待进行掌纹活体检测的待检测图像，将其调整至224*224*3的尺寸大小的RGB图像后对其进行频域变换获得对应的全局频域图，再将待检测图像的RGB图像和全局频域图连接到一起形成一个224*224*4的4通道图，即全局融合图像，输入至全局检测网络获得该待检测图像通过掌纹活体检测的第一检测结果，同时，计算机设备对待检测图像进行掌纹区域抠图后获得掌纹区域，将其调整至122*122*3的尺寸大小获得掌纹图像，对其进行频域变换获得对应的局部频域图，再将掌纹图像与局部频域图连接到一起形成一个122*122*4的4通道图，即局部融合图像，输入至局部检测网络获得该待检测图像通过掌纹活体检测的第二检测结果，该待检测图像通过掌纹活体检测的最终判断逻辑如下：如果第一检测结果<0.4则直接判定该待检测图像为翻拍掌纹图像，若第一检测结果大于0.4则检查第二检测结果是否小于0.4，若是则直接判定该待检测图像为翻拍掌纹图像；若第二检测结果也大于0.4，则最终确定待检测图像为活体掌纹图像。

在一个实施例中，在步骤202之前，上述图像处理方法还包括模型的训练步骤，具体包括：获取第一样本集合和第二样本集合，第一样本集合与第二样本集合中的样本图像包括掌纹；使用第一样本集合中的第一样本图像对基于神经网络的第一模型进行模型训练，得到全局检测网络；根据第二样本集合中第二样本图像的掌纹区域获得样本掌纹图像，使用样本掌纹图像对基于神经网络的第二模型进行模型训练，得到局部检测网络。

其中，第一模型与第二模型是事先设置的模型结构，其模型参数是初始的模型参数，初始的模型参数经过不断地训练得到更新，从而得到训练好的模型参数，将训练好的模型参数导入同样框架的模型就得到了具备掌纹活体检测能力的全局检测网络与局部检测网络，从而得到活体检测模型。需要说明的是，全局检测网络与局部检测网络可以部署在同一个计算机设备上，也可用分开部署，这样可以对待检测图像进行并行检测，提高检测效率。

在一个实施例中，第一样本集合中第一样本图像的标注类别为活体掌纹图像和屏幕翻拍掌纹图像中的一种，第二样本集合中第二样本图像的标注类别为活体掌纹图像和纸片翻拍掌纹图像中的一种。

在一个实施例中，计算机设备可以先对第二样本图像进行掌纹检测，确定第二样本图像中的掌纹区域；按掌纹区域裁剪第二样本图像，获得样本掌纹图像。

具体地，计算机设备可以获取第一样本集合与第二样本集合，利用第一样本集合中的第一样本图像对第一模型的模型参数进行调整，该第一样本集合中的每个训练样本包含一个第一样本图像及该第一样本图像对应的标注类别。在进行模型训练时，依次将每个第一样本图像及对应的标注类别作为输入，第一样本图像输入至第一模型中进行处理，根据当前模型输出的处理结果与第一样本图像的标注类别所构建的损失调整模型参数，再基于调整后的模型参数处理下一个训练样本，不断重复，直至得到训练好的全局检测网络。

类似地，利用第二样本集合中的第二样本图像对第二模型的模型参数进行调整，该第二样本集合中的每个训练样本包含一个第二样本图像及该第二样本图像对应的标注类别，在进行模型训练时，依次将每个第二样本图像及对应的标注类别作为输入，根据第二样本图像获得样本掌纹图像，样本掌纹图像输入至第二模型中进行处理，根据当前模型输出的处理结果与第二样本图像的标注类别所构建的损失调整模型参数，再基于调整后的模型参数处理下一个训练样本，不断重复，直至得到训练好的局部检测网络。

在一个实施例中，如图7所示，全局检测网络的训练步骤包括步骤702至步骤706：

步骤702，通过第一模型对将第一样本图像对应的全局频域图与第一样本图像融合获得的全局融合图像进行活体检测，获得第一样本图像中掌纹的第一检测结果。

可选地，计算机设备可以对第一样本图像进行频域变换处理，获得第一样本图像对应的全局频域图；将第一样本图像与全局频域图融合，获得全局融合图像。计算机设备通过第一模型对该全局融合图像进行活体检测，获得第一样本图像中掌纹的第一检测结果。

可选地，计算机设备可以通过第一模型，提取全局融合图像的图像特征，并基于图像特征输出第一样本图像中掌纹属于屏幕翻拍掌纹图像中的掌纹的概率，作为第一检测结果。

可选地，计算机设备可以将第一样本图像调整至第一预设尺寸后，再对调整后的图像进行频域变换处理，获得全局频域图，并将调整后的图像与全局频域图融合，获得全局融合图像。

步骤704，根据第一检测结果与第一样本图像的标注类别确定第一损失。

第一样本图像的标注类别为活体掌纹与非活体掌纹中的一种，可以用0或1 表示，例如当第一样本图像中的掌纹，属于屏幕翻拍掌纹图像中掌纹时，对应的标注类别可以用1表示，当第一样本图像中的掌纹，属于活体掌纹时，对应的标注类别可以用0表示。第一检测结果可以是第一样本图像中掌纹属于屏幕翻拍掌纹图像中的掌纹的概率，终端可以获取第一样本图像的标注类别与通过第一模型进行活体检测得到的第一检测结果，基于这二者之间的差异确定第一损失。第一损失可以是交叉熵损失。

步骤706，根据第一损失调整第一模型的模型参数后继续训练，直至训练结束时获得全局检测网络。

其中，第一损失用于将第一模型往减小第一样本图像的标注类别与第一检测结果之间的差异的方向调整，这样才能保证训练得到的全局检测网络具备对待检测图像进行掌纹活体检测的准确性。

具体地，终端在得到第一损失后，在调整模型参数时，可以采用随机梯度下降算法，将模型参数往减小第一样本图像对应的标注类别与第一检测结果之间的差异的方向进行调整，这样经过多次调整之后就可以得到能够准确进行活体检测的全局检测网络。

在一个实施例中，如图8所示，局部检测网络的训练步骤包括步骤802至步骤806：

步骤802，通过第二模型对将样本掌纹图像对应的局部频域图与样本掌纹图像融合获得的局部融合图像进行活体检测，获得第二样本图像中掌纹的第二检测结果。

可选地，计算机设备可以对样本掌纹图像进行频域变换处理，获得对应的局部频域图；将样本掌纹图像与局部频域图融合，获得局部融合图像。计算机设备通过第二模型对该局部融合图像进行活体检测，获得第二样本图像中掌纹的第二检测结果。

可选地，计算机设备可以通过第二模型，提取局部融合图像的图像特征，并基于图像特征输出第二样本图像中掌纹属于纸片翻拍掌纹图像中的掌纹的概率，作为第二检测结果。

可选地，计算机设备可以将样本掌纹图像调整至第二预设尺寸后，再对调整后的图像进行频域变换处理，获得全局频域图，并将调整后的图像与全局频域图融合，获得全局融合图像。

步骤804，根据第二检测结果与第二样本图像的标注类别确定第二损失。

其中，第二样本图像的标注类别为活体掌纹与非活体掌纹中的一种，可以用0或1表示，例如当第二样本图像中的掌纹，属于纸片翻拍掌纹图像中掌纹时，对应的标注类别可以用1表示，当第二样本图像中的掌纹，属于活体掌纹时，对应的标注类别可以用0表示。第二检测结果可以是第二样本图像中掌纹属于纸片翻拍掌纹图像中的掌纹的概率，终端可以获取第二样本图像的标注类别与通过第二模型进行活体检测得到的第二检测结果，基于这二者之间的差异确定第二损失。第二损失可以是交叉熵损失。

步骤806，根据第二损失调整第二模型的模型参数后继续训练，直至训练结束时获得局部检测网络。

其中，第二损失用于将第二模型往减小第二样本图像的标注类别与第二检测结果之间的差异的方向调整，这样才能保证训练得到的局部检测网络具备对待检测图像进行掌纹活体检测的准确性。

具体地，终端在得到第二损失后，在调整模型参数时，可以采用随机梯度下降算法，将模型参数往减小第二样本图像对应的标注类别与第二检测结果之间的差异的方向进行调整，这样经过多次调整之后就可以得到能够准确进行活体检测的局部检测网络。

在一个实施例中，如图9所示，提供了一种活体检测模型的处理方法，以该方法应用于计算机设备为例进行说明，包括以下步骤：

步骤902，获取第一样本集合中的第一样本图像，通过基于神经网络的第一模型对将第一样本图像对应的全局频域图与第一样本图像融合获得的全局融合图像进行活体检测，获得第一样本图像中掌纹的第一检测结果，并根据基于第一检测结果与第一样本图像的标注类别所确定的第一损失调整第一模型的模型参数后返回获取第一样本集合中的第一样本图像的步骤继续训练，直至训练结束时获得全局检测网络。

步骤904，获取第二样本集合中的第二样本图像，根据第二样本图像的掌纹区域获得样本掌纹图像，通过基于神经网络的第二模型对将样本掌纹图像对应的局部频域图与样本掌纹图像融合获得的局部融合图像进行活体检测，获得第二样本图像中掌纹的第二检测结果，并根据基于第二检测结果与第二样本图像的标注类别所确定的第二损失调整第二模型的模型参数后返回获取第二样本集合中的第二样本图像的步骤继续训练，直至训练结束时获得局部检测网络。

步骤906，根据全局检测网络与局部检测网络，获得用于对图像进行掌纹活体检测的活体检测模型。

关于上述步骤的具体实施例可参考前文关于模型训练的实施例中的描述。

上述活体检测模型的处理方法中，基于神经网络的活体检测模型中的全局检测网络与局部检测网络经过独立训练得到，全局检测网络能够对将图像频域信息与图像本身的纹理信息融合后获得的融合图像进行掌纹活体的检测，结合这两种不同的图像全局信息使得检测准确性更高，能适应多种不同的场景，如屏幕翻拍掌纹图像的检测；局部检测网络能够对将图像掌纹区域的频域信息与图像掌纹区域本身的纹理信息融合后获得的融合图像进行掌纹活体的检测，由于更加关注了图像局部信息，能够进一步提升检测准确性。

如图10所示，为一个具体的实施例中活体检测模型的训练过程的框架示意图。参照图10，计算机设备设置CNN1与CNN2，在模型训练阶段，对CNN1来说，输入尺寸为224*224*4，具体实现方式为：首先调整样本图像（包括真人活体掌纹图像与高清屏幕翻拍图像）到224*224*3，然后利用快速傅里叶变换分别计算各自对应的频域图，大小为224*224*1，分别将它们的RGB图和频域图连接到一起形成一个224*224*4的4通道图，由于CNN1的主要任务是对真人活体掌纹图像和高清屏幕翻拍掌纹图像进行分类，为了使得CNN1能够很好的对这两种图像进行判别，采用二分类的交叉熵损失函数约束CNN1的输出值：如果输入的样本为真人活体掌纹图像，那么CNN1的输出应该是一个靠近1的概率值；而如果输入的样本为高清屏幕翻拍图像，CNN1的输出应该是一个靠近0的概率值。训练过程中，不断的给CNN1添加真人活体掌纹图像与高清屏幕翻拍图像，通过优化器，不断的降低交叉熵损失，当交叉熵损失降低到一定程度不再有大的波动时，就认为CNN1的训练已经收敛。

类似地，对于CNN2来说，它和CNN1训练过程中的差别就在于输入的数据，在模型训练阶段，对于CNN_2来说，输入尺寸为122*122*4，具体实现方式为：首先利用掌纹检测工具分别对样本图像（包括真人活体掌纹图像和纸片翻拍掌纹图像）进行掌纹检测，然后根据检测结果在样本图像的RGB原图上抠出掌纹区域，对抠出来的掌纹区域进行调整122*122*3，并利用快速傅里叶变换分别计算各自对应的频域图，大小为122*122*1，最后分别将RGB图和频域图连接到一起形成一个122*122*4的4通道图。由于CNN2主要是针对真人活体掌纹图像和纸片翻拍掌纹图像进行二分类，训练完毕以后，CNN2会对输入的纸片翻拍掌纹图像输出一个靠近0的概率值。训练过程中，不断的给CNN2添加真人活体掌纹图像与纸片翻拍掌纹图像，通过优化器，不断的降低交叉熵损失，当交叉熵损失降低到一定程度不再有大的波动时，就认为CNN2的训练已经收敛。

在模型测试阶段，需要对测试图片进行两种尺寸（224*224*4和122*122*4）的处理，然后将所得到的结果分别输入到CNN1和CNN2中进行分数的计算。假设现在传来了一张待检测图像，类型未知，采用和训练同样的方式获取四通道的大图数据（即尺寸为224*224*4），同时对RGB三通道的待检测图像进行掌纹检测和抠图，将抠图得到的掌纹图像调整至122*122*3大小，并计算对应的频域图获取四通道的小图数据（即尺寸为122*122*4）。把大图数据送入CNN1，小图数据送入CNN2，分别计算对应的概率值，记为分数1和分数2，均为0~1之间的小数。活体掌纹图像与翻拍掌纹图像的判断逻辑如下：如果分数1<0.4类型直接判断为翻拍掌纹图像并退出，否则查看分数2的值；如果分数2<0.4，则类型判为翻拍掌纹图像；如果分数2 >= 0.4，则类型判为活体掌纹图像。

在上述实施例中，通过采用频域和RGB信息融合的图像进行掌纹活体的判断，结合两种不同的信息源去解决掌纹活体问题，相对于普遍采用单源图像信息进行检测更加鲁棒。此外，针对不同的的攻击类型，设置了两级检测网络，可以在对应的某一级进行定向优化而不影响另一级的检测效果，避免了采用单个模型优化困难的情况，而且耗时较短，提高了用户体验。

在一个具体的实施例中，图像处理方法包括以下步骤：

1、获取第一样本集合和第二样本集合，第一样本集合与第二样本集合中的样本图像包括掌纹，第一样本集合中第一样本图像的标注类别为活体掌纹图像和屏幕翻拍掌纹图像中的一种，第二样本集合中第二样本图像的标注类别为活体掌纹图像和纸片翻拍掌纹图像中的一种；

2、通过第一模型对将第一样本图像对应的全局频域图与第一样本图像融合获得的全局融合图像进行活体检测，获得第一样本图像中掌纹的第一检测结果；

3、根据第一检测结果与第一样本图像的标注类别确定第一损失；

4、根据第一损失调整第一模型的模型参数后继续训练，直至训练结束时获得全局检测网络；

5、通过第二模型对将样本掌纹图像对应的局部频域图与样本掌纹图像融合获得的局部融合图像进行活体检测，获得第二样本图像中掌纹的第二检测结果；

6、根据第二检测结果与第二样本图像的标注类别确定第二损失；

7、根据第二损失调整第二模型的模型参数后继续训练，直至训练结束时获得局部检测网络；

8、获取待检测图像，待检测图像包括待检测对象的掌纹；

9、对待检测图像进行频域变换处理，获得全局频域图；

将待检测图像与全局频域图融合，获得全局融合图像；

10、通过全局检测网络，提取全局融合图像的图像特征，并基于图像特征输出待检测图像中待检测对象的掌纹属于屏幕翻拍掌纹图像中的掌纹的概率，作为第一检测结果；

11、对待检测图像进行掌纹检测，确定待检测图像中的掌纹区域；

12、按掌纹区域裁剪待检测图像，获得掌纹图像；

13、对掌纹图像进行频域变换处理，获得局部频域图；

14、将掌纹图像与局部频域图融合，获得局部融合图像；

15、通过局部检测网络，提取局部融合图像的图像特征，并基于图像特征输出待检测图像中待检测对象的掌纹属于纸片翻拍掌纹图像中的掌纹的概率，作为第二检测结果；

16、当第一检测结果表示待检测对象的掌纹属于屏幕翻拍掌纹图像中的掌纹的第一概率，且第一概率小于第一阈值时，则获取第二检测结果，第二检测结果表示待检测对象的掌纹属于纸片翻拍掌纹图像中的掌纹的第二概率；当第二概率小于第二阈值时，确定待检测对象的掌纹为活体掌纹；

17、当活体检测结果指示待检测图像中的掌纹为活体掌纹时，则对待检测图像中的掌纹进行掌纹识别，获得掌纹识别结果；根据掌纹识别结果对待检测对象进行身份认证。

应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图11所示，提供了一种图像处理装置1100，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块1102、全局检测模块1104、局部检测模块1106和确定模块1108，其中：

获取模块1102，用于获取待检测图像，所述待检测图像包括待检测对象的生物特征；

全局检测模块1104，用于对将所述待检测图像对应的全局频域图与所述待检测图像融合获得的全局融合图像进行活体检测，获得所述待检测图像对应的第一检测结果；当所述第一检测结果表示所述待检测图像属于屏幕翻拍图像时，则直接确定所述待检测图像未通过活体检测；

局部检测模块1106，用于当所述第一检测结果表示所述待检测图像不属于屏幕翻拍图像时，则基于所述待检测图像中的生物特征获得生物特征图像，对将所述生物特征图像对应的局部频域图与所述生物特征图像融合获得的局部融合图像进行活体检测，获得所述待检测图像对应的第二检测结果；

确定模块1108，用于根据所述第一检测结果与所述第二检测结果，确定所述待检测图像对应的活体检测结果。

在一个实施例中，以生物特征为掌纹为例，该装置具体包括：

获取模块1102，用于获取待检测图像，待检测图像包括待检测对象的掌纹；

全局检测模块1104，用于对将待检测图像对应的全局频域图与待检测图像融合获得的全局融合图像进行活体检测，获得待检测图像中掌纹的第一检测结果，当第一检测结果表示待检测图像属于屏幕翻拍图像时，则直接确定所述待检测图像未通过活体检测；

局部检测模块1106，用于当第一检测结果表示待检测图像不属于屏幕翻拍图像时，则基于所述待检测图像中的掌纹获得掌纹图像，对将掌纹图像对应的局部频域图与掌纹图像融合获得的局部融合图像进行活体检测，获得所述待检测图像对应的第二检测结果；

确定模块1108，用于根据第一检测结果与第二检测结果，确定待检测对象的掌纹的活体检测结果。

在一个实施例中，图像处理装置1100还包括融合模块，用于对待检测图像进行频域变换处理，获得全局频域图；将待检测图像与全局频域图融合，获得全局融合图像。

在一个实施例中，全局检测模块1104还用于将全局融合图像输入训练好的活体检测模型；通过活体检测模型中的全局检测网络，提取全局融合图像的图像特征，并基于图像特征输出待检测图像中待检测对象的掌纹属于屏幕翻拍掌纹图像中的掌纹的概率，作为第一检测结果。

在一个实施例中，局部检测模块1106还用于对待检测图像进行掌纹检测，确定待检测图像中的掌纹区域；按掌纹区域裁剪待检测图像，获得掌纹图像。

在一个实施例中，图像处理装置还包括融合模块，用于对掌纹图像进行频域变换处理，获得局部频域图；将掌纹图像与局部频域图融合，获得局部融合图像。

在一个实施例中，局部检测模块1106还用于将全局融合图像输入训练好的活体检测模型；通过活体检测模型中的局部检测网络，提取局部融合图像的图像特征，并基于图像特征输出待检测图像中待检测对象的掌纹属于纸片翻拍掌纹图像中的掌纹的概率，作为第二检测结果。

在一个实施例中，确定模块1108还用于当第一检测结果表示待检测对象的掌纹属于屏幕翻拍掌纹图像中的掌纹的第一概率，且第一概率小于第一阈值时，则获取第二检测结果，第二检测结果表示待检测对象的掌纹属于纸片翻拍掌纹图像中的掌纹的第二概率；当第二概率小于第二阈值时，确定待检测对象的掌纹为活体掌纹。

在上一个实施例中，确定模块1108还用于当第一概率大于第一阈值时，则确定待检测对象的掌纹为屏幕翻拍掌纹图像中的掌纹；当第二概率大于第二阈值时，则确定待检测对象的掌纹为纸片翻拍掌纹图像中的掌纹。

在一个实施例中，图像处理装置还包括图像获取模块，用于获取原始的采集图像；将采集图像调整至第一预设尺寸，得到待检测图像；对采集图像进行掌纹检测，确定采集图像中的掌纹区域；从采集图像中裁剪出掌纹区域后，将掌纹区域调整至第二预设尺寸，得到掌纹图像。

在一个实施例中，图像处理装置还包括训练模块，训练模块包括样本图像获取单元，全局检测网络训练单元和局部检测网络训练单元；

样本图像获取单元用于获取第一样本集合和第二样本集合，第一样本集合与第二样本集合中的样本图像包括掌纹；

全局检测网络训练单元用于使用第一样本集合中的第一样本图像对基于神经网络的第一模型进行模型训练，得到全局检测网络；

局部检测网络训练单元用于根据第二样本集合中第二样本图像的掌纹区域获得样本掌纹图像，使用样本掌纹图像对基于神经网络的第二模型进行模型训练，得到局部检测网络。

在一个实施例中，全局检测网络训练单元具体用于通过第一模型对将第一样本图像对应的全局频域图与第一样本图像融合获得的全局融合图像进行活体检测，获得第一样本图像中掌纹的第一检测结果；根据第一检测结果与第一样本图像的标注类别确定第一损失；根据第一损失调整第一模型的模型参数后继续训练，直至训练结束时获得全局检测网络。

在一个实施例中，局部检测网络训练单元具体用于通过第二模型对将样本掌纹图像对应的局部频域图与样本掌纹图像融合获得的局部融合图像进行活体检测，获得第二样本图像中掌纹的第二检测结果；根据第二检测结果与第二样本图像的标注类别确定第二损失；根据第二损失调整第二模型的模型参数后继续训练，直至训练结束时获得局部检测网络。

在一个实施例中，图像处理装置还包括掌纹识别模块，用于当活体检测结果指示待检测图像中的掌纹为活体掌纹时，则对待检测图像中的掌纹进行掌纹识别，获得掌纹识别结果；根据掌纹识别结果对待检测对象进行身份认证。

在一个实施例中，如图12所示，提供了一种活体检测模型的处理装置1200，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：全局检测网络训练模块1202、局部检测网络训练模块1204和检测模型获取模块1206，其中：

全局检测网络获取模块1202，用于获取第一样本集合中的第一样本图像，通过基于神经网络的第一模型对将所述第一样本图像对应的全局频域图与所述第一样本图像融合获得的全局融合图像进行活体检测，获得所述第一样本图像对应的第一检测结果，并根据基于所述第一检测结果与所述第一样本图像的标注类别所确定的第一损失调整所述第一模型的模型参数后返回所述获取第一样本集合中的第一样本图像的步骤继续训练，直至训练结束时获得所述全局检测网络；

局部检测网络获取模块1204，用于获取第二样本集合中的第二样本图像，根据所述第二样本图像的生物特征获得样本生物特征图像，通过基于神经网络的第二模型对将所述样本生物特征图像对应的局部频域图与所述样本生物特征图像融合获得的局部融合图像进行活体检测，获得所述第二样本图像对应的第二检测结果，并根据基于所述第二检测结果与所述第二样本图像的标注类别所确定的第二损失调整所述第二模型的模型参数后返回所述获取第二样本集合中的第二样本图像的步骤继续训练，直至训练结束时获得所述局部检测网络；

检测模型获取模块1206，用于根据所述全局检测网络与所述局部检测网络，获得用于对图像进行活体检测的活体检测模型。

在一个实施例中，以生物特征为掌纹为例，该装置具体包括：

全局检测网络训练模块1202，用于获取第一样本集合中的第一样本图像，通过基于神经网络的第一模型对将第一样本图像对应的全局频域图与第一样本图像融合获得的全局融合图像进行活体检测，获得第一样本图像中掌纹的第一检测结果，并根据基于第一检测结果与第一样本图像的标注类别所确定的第一损失调整第一模型的模型参数后返回获取第一样本集合中的第一样本图像的步骤继续训练，直至训练结束时获得全局检测网络；

局部检测网络训练模块1204，用于获取第二样本集合中的第二样本图像，根据第二样本图像的掌纹区域获得样本掌纹图像，通过基于神经网络的第二模型对将样本掌纹图像对应的局部频域图与样本掌纹图像融合获得的局部融合图像进行活体检测，获得第二样本图像中掌纹的第二检测结果，并根据基于第二检测结果与第二样本图像的标注类别所确定的第二损失调整第二模型的模型参数后返回获取第二样本集合中的第二样本图像的步骤继续训练，直至训练结束时获得局部检测网络；

检测模型获取模块1206，用于根据全局检测网络与局部检测网络，获得用于对图像进行掌纹活体检测的活体检测模型。

关于图像处理装置1100及活体检测模型的处理装置1200的具体限定可以参见上文中对于图像处理方法及活体检测模型的处理方法的限定，在此不再赘述。

上述图像处理装置及活体检测模型的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端或服务器，其内部结构图可以如图13所示。当该计算机设备为终端时，还可以包括图像采集装置，如摄像头等。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的其他计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法和/或活体检测模型的处理方法。

本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。