活体检测方法、装置、电子设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种活体检测方法、装置、电子设备及计算机可读存储介质。

背景技术

人脸防伪、活体检测是人脸识别应用中最重要的一环，在保护人脸识别系统免受恶意攻击方面发挥重要作用。由于存在成本低、方便等特点，目前大量的不法分子通过电子屏翻拍的方式来对人脸识别系统进行攻击从而牟利。所述电子屏翻拍是指用手机拍摄别的电子屏上的照片，电子屏可以是手机屏幕、IPAD屏幕、电脑屏幕。目前常用的活体检测方法包括基于RGB图像的活体检测。该方法利用深度学习模型对RGB图像进行特征提取，将提取的特征经过二类分类器得到活体和非活体的概率。由于电子屏翻拍与活体相似度比较高，单单使用RGB特征是很难区分，因此，基于RGB图像的活体检测的活体检测率不高。

发明内容

本发明提供一种活体检测方法、装置及计算机可读存储介质，其主要目的在于解决活体检测准确率较低的问题。

为实现上述目的，本发明提供的一种活体检测方法，包括：

获取原始人脸图像，对所述原始人脸图像进行频域转化，得到频域图像；

对所述原始人脸图像进行人脸区域检测，并对检测到的人脸区域进行截图、转换操作，得到标准图像；

利用预构建的特征提取模型对所述频域图像进行特征提取并分类，得到第一概率；

利用预构建的细粒度分类模型对所述标准图像进行特征提取，得到第二概率；

根据所述第一概率及所述第二概率得到最终活体概率，将所述最终活体概率和预设的阈值进行比较，得到活体检测结果。

可选地，所述对所述原始人脸图像进行频域转化，得到频域图像，包括：

利用下述变换函数对所述原始人脸图像进行频率转换，得到频域图像：。

其中，x、y表示频率转换之前的像素点坐标，u、v表示频率转换之后的像素点坐标，M、N表示原始人脸图像的长和宽，j为固定参数。

可选地，所述对所述原始人脸图像进行人脸区域检测，并对检测到的人脸区域进行截图、转换操作，得到标准图像，包括：

利用预设的人脸检测器对所述原始人脸图像进行人脸区域检测，得到一个或者多个人脸检测框；

根据所述人脸检测框对所述原始人脸图像进行截图，得到人脸区域图像；

将所述人脸区域图像转换成预设尺寸，得到所述标准图像。

可选地，所述利用预构建的特征提取模型对所述频域图像进行特征提取并分类，得到第一概率，包括：

利用所述特征提取模型中的改进网络及隔层叠加机制对所述频域图像集中的图像进行特征提取，得到关键特征；

根据所述特征提取模型中的分类函数对所述关键特征进行分类及所述分类的概率计算，得到所述第一概率。

可选地，所述利用预构建的细粒度分类模型对所述标准图像进行特征提取，得到第二概率，包括：

利用所述细粒度分类模型中的特征提取模型提取所述标准图像中的图像特征，得到特征图；

提取所述特征图中的峰值高响应部分，并对所述峰值高响应部分进行聚类处理，得到聚类图；

将所述聚类图进行归一化处理，得到标准特征图集，并输出所述标准特征图集中每个标准特征图的活体概率；

利用预设的平均公式对所述活体概率进行平均值计算，得到所述第二概率。

可选地，所述根据所述第一概率及所述第二概率得到最终活体概率，将所述最终活体概率和预设的阈值进行比较，得到活体检测结果，包括：

利用预设的加权公式对所述第一概率及所述第二概率进行计算，得到所述最终活体概率；

将所述最终活体概率与预设的阈值进行比较；

当所述最终活体概率大于所述预设的阈值时，则得到预测电子屏翻拍结果；

当所述最终活体概率小于等于所述预设的阈值时，则得到预测非电子屏翻拍结果。

可选地，所述得到活体检测结果之后，还包括：

根据所述活体检测结果与实际电子屏翻拍结果计算拒识率；

根据所述活体检测结果与实际非电子屏翻拍活体计算误识率；

利用所述拒识率及所述误识率对所述活体检测结果进行可信度评估。

为了解决上述问题，本发明还提供一种活体检测装置，所述装置包括：

频域转化模块，用于获取原始人脸图像，对所述原始人脸图像进行频域转化，得到频域图像；

人脸检测模块，用于对所述原始人脸图像进行人脸区域检测，并对检测到的人脸区域进行截图、转换操作，得到标准图像；

第一概率计算模块，用于利用预构建的特征提取模型对所述频域图像进行特征提取并分类，得到第一概率；

第二概率计算模块，用于利用预构建的细粒度分类模型对所述标准图像进行特征提取，得到第二概率；

活体检测模块，用于根据所述第一概率及所述第二概率得到最终活体概率，将所述最终活体概率和预设的阈值进行比较，得到活体检测结果。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的活体检测方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的活体检测方法。

本发明对所述原始人脸图像进行频域转化，得到频域图像，并利用预构建的特征提取模型对所述频域图像进行特征提取并分类，得到第一概率，同时对所述原始人脸图像进行人脸检测，并对检测到人脸的图像进行截图、转换操作，得到标准图像，并利用预构建的细粒度分类模型对所述标准图像进行特征提取，得到第二概率。其中，对所述原始人脸图像进行两种不同的处理方法，得到所述第一概率及第二概率，并利用所述第一概率及第二概率得到所述活体检测结果。针对不同的图像采用不同模型进行处理，提高了活体检测的准确率及检测效率。因此本发明提出的活体检测方法、装置、电子设备及计算机可读存储介质，可以解决活体检测准确率较低的问题。

附图说明

图1为本发明一实施例提供的活体检测方法的流程示意图；

图2为图1中其中一个步骤的详细实施流程示意图；

图3为图1中另一个步骤的详细实施流程示意图；

图4为图1中另一个步骤的详细实施流程示意图；

图5为图1中另一个步骤的详细实施流程示意图；

图6为拒识率及误识率的计算方法示意图；

图7为本发明一实施例提供的活体检测装置的功能模块图；

图8为本发明一实施例提供的实现所述活体检测方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种活体检测方法。所述活体检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述活体检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的活体检测方法的流程示意图。在本实施例中，所述活体检测方法包括：

S1、获取原始人脸图像，对所述原始人脸图像进行频域转化，得到频域图像。

在本发明的至少一个实施例中，所述原始人脸图像可以是通过对真人进行拍摄得到的真人图像也可以是对电子屏上显示图像进行翻拍得到的电子屏翻拍图像等。本发明实施例将所述原始人脸图像进行频域转化后，可以使得真人图像及电子屏翻拍图像的高频信息部分体现出较大的差异。真人图像经过频域转化后，图像中的高频信息从中心往外发散，而电子屏翻拍图像经过频域转化后，图像中的高频信息分布则沿着水平和垂直方向延伸。根据真人图像与电子屏翻拍图像高频信息的不同，利用预构建的特征提取模型可以准确的进行活体识别。

较佳地，所述对所述原始人脸图像进行频域转化，得到频域图像，包括：

利用下述变换函数对所述原始人脸图像进行频率转换，得到频域图像：。

其中，x、y表示频率转换之前的像素点坐标，u、v表示频率转换之后的像素点坐标，M、N表示原始人脸图像的长和宽，j为固定参数。

本发明实施例将原始人脸图像转换为频域图像，根据所述频域图像中真人图像与电子屏翻拍图像高频信息的不同，可以提高活体检测的效率。

S2、对所述原始人脸图像进行人脸区域检测，并对检测到的人脸区域进行截图、转换操作，得到标准图像。

参照图2所示，本发明实施例中，所述S2包括：

S20、利用预设的人脸检测器对所述原始人脸图像进行人脸区域检测，得到一个或者多个人脸检测框；

S21、根据所述人脸检测框对所述原始人脸图像进行截图，得到人脸区域图像；

S22、将所述人脸区域图像转换成预设尺寸，得到所述标准图像。

本发明实施例中，所述预设的人脸检测器可以为centerface人脸检测器。所述centerface人脸检测器是一种轻量级人脸检测器，可以减少对计算资源的占用。本发明实施例中，所述人脸检测框可以设置三种不同的比例(scale)，分别为：1，2.5及4。根据所述三种不同的比例，所述人脸检测框可以包括第一人脸检测框patch1、第二人脸检测框patch2及第三人脸检测框patch3。其中，所述第一人脸检测框patch1的区域范围包括：左上角坐标(face_box.x,face_box.y)、框宽face_box_w及框高face_box_h。；所述第二人脸检测框patch2的区域范围包括：左上角坐标

本发明实施例中，所述预设尺寸可以设置为224*224。

本发明实施例通过对所述原始人脸图像进行人脸区域检测，并对检测到的人脸区域进行截图操作，可以从所述原始人脸图像中获取更明显的信息特征，提高活体检测的准确率。

S3、利用预构建的特征提取模型对所述频域图像进行特征提取并分类，得到第一概率。

本发明实施中，所述预构建的特征提取模型可以为Mini_SE_ResNet网络。所述Mini_SE_ResNet网络基于ResNet34网络进行改进，并且包括softmax分类函数。ResNet34网络主要是由

较佳地，参照图3所示，所述S3包括：

S30、利用所述特征提取模型中的改进网络及隔层叠加机制对所述频域图像集中的图像进行特征提取，得到关键特征；

S31、根据所述特征提取模型中的分类函数对所述关键特征进行分类及所述分类的概率计算，得到所述第一概率。

本发明实施例通过所述预构建的特征提取模型可以使模型更加聚焦在关键特征信息上面，提高活体检测的准确度。

S4、利用预构建的细粒度分类模型对所述标准图像进行特征提取，得到第二概率。

本发明实施例中，所述预构建的细粒度分类模型可以为改进的MA-CNN(learningmuilt-attention convolution neural network)分类模型。所述细粒度分类模型包括上述S3中相同的特征提取模型(Mini_SE_ResNet网络)、局部注意层、sigmoid函数、FC全联接层和softmax。其中，所述Mini_SE_ResNet网络作为基础部分以提取所述标准图像中的图像特征，得到特征图。所述局部注意层用于获取所述特征图中的峰值高响应部分并进行聚类，产生类似定位的过程。其中，所述峰值高响应部分是指所述标准图像中峰值较高的响应部分。

对一张图像进行特征提取会形成不同的特征通道数，而每个特征通道都会关注图像的某个特征，而且不一样通道所关注的信息是不同，峰值响应区域也不一样，本发明实施例通过聚类的方法将响应区域相近的通道聚在一起，得到局部注意区域(partattentions)。所述sigmoid函数用来将得到的所述局部注意区域归一化到[0-1]之间，形成对应的标记，并将所述标记(mask)与得到的特征图进行点乘得到标准特征图，将所述标准特征图经过FC全联接层和softmax函数进行概率计算，输出活体概率。

详细地，参照图4所示，所述S4包括：

S40、利用所述细粒度分类模型中的特征提取模型提取所述标准图像中的图像特征，得到特征图；

S41、提取所述特征图中的峰值高响应部分，并对所述峰值高响应部分进行聚类处理，得到聚类图；

S42、将所述聚类图进行归一化处理，得到标准特征图集，并输出所述标准特征图集中每个标准特征图的活体概率；

S43、利用预设的平均公式对所述活体概率进行平均值计算，得到所述第二概率。

其中，所述预设的平均公式可以为：

其中，MA

本发明实施例中，通过所述细粒度分类模型可以更加准确的对所述标准图像集中的图像进行特征提取和活体概率预测，提高了活体检测的准确率。

S5、根据所述第一概率及所述第二概率得到最终活体概率，将所述最终活体概率和预设的阈值进行比较，得到活体检测结果。

详细地，参照图5所示，所述S5包括：

S50、利用预设的加权公式对所述第一概率及所述第二概率进行计算，得到所述最终活体概率；

S51、将所述最终活体概率与预设的阈值进行比较；

当所述最终活体概率大于所述预设的阈值时，则得到S52、预测电子屏翻拍结果；

当所述最终活体概率小于等于所述预设的阈值时，则得到S53、预测非电子屏翻拍结果。

详细地，所述预设的加权公式可以为：

P(cls)＝ω*MA

其中，ω为加权阈值，本发明中可以为0.6，P(cls)为所述最终活体概率，MA

本发明实施例中，所述预设的阈值可以为：

其中，y为所述活体检测结果。

进一步地，所述得到活体检测结果之后，还包括：

根据所述活体检测结果与实际电子屏翻拍结果计算拒识率；

根据所述活体检测结果与实际非电子屏翻拍活体计算误识率；

利用所述拒识率及所述误识率对所述活体检测结果进行可信度评估。

本发明实施例中，所述拒识率(FRR)及误识率(FAR)的计算方法如图6所示，其中，

进一步地，本发明实施通过所述第一概率及所述第二概率得到活体概率，根据所述活体概率进行活体判断，提高了活体检测的准确率，同时对所述活体检测有较好的可信度评估方法。

本发明对所述原始人脸图像进行频域转化，得到频域图像，并利用预构建的特征提取模型对所述频域图像进行特征提取并分类，得到第一概率，同时对所述原始人脸图像进行人脸检测，并对检测到人脸的图像进行截图、转换操作，得到标准图像，并利用预构建的细粒度分类模型对所述标准图像进行特征提取，得到第二概率。其中，对所述原始人脸图像进行两种不同的处理方法，得到所述第一概率及第二概率，并利用所述第一概率及第二概率得到所述活体检测结果。针对不同的图像采用不同模型进行处理，提高了活体检测的准确率及检测效率。因此本发明提出的实施例可以解决活体检测准确率较低的问题。

如图7所示，是本发明一实施例提供的活体检测装置的功能模块图。

本发明所述活体检测装置100可以安装于电子设备中。根据实现的功能，所述活体检测装置100可以包括频域转化模块101、人脸检测模块102、第一概率计算模块103、第二概率计算模块104及活体检测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述频域转化模块101，用于获取原始人脸图像，对所述原始人脸图像进行频域转化，得到频域图像。

在本发明的至少一个实施例中，所述原始人脸图像可以是通过对真人进行拍摄得到的真人图像也可以是对电子屏上显示图像进行翻拍得到的电子屏翻拍图像等。本发明实施例将所述原始人脸图像进行频域转化后，可以使得真人图像及电子屏翻拍图像的高频信息部分体现出较大的差异。真人图像经过频域转化后，图像中的高频信息从中心往外发散，而电子屏翻拍图像经过频域转化后，图像中的高频信息分布则沿着水平和垂直方向延伸。根据真人图像与电子屏翻拍图像高频信息的不同，利用预构建的特征提取模型可以准确的进行活体识别。

较佳地，所述频域转化模块101通过下述操作得到频域图像：

利用下述变换函数对所述原始人脸图像进行频率转换，得到频域图像：。

其中，x、y表示频率转换之前的像素点坐标，u、v表示频率转换之后的像素点坐标，M、N表示原始人脸图像的长和宽，j为固定参数。

本发明实施例将原始人脸图像转换为频域图像，根据所述频域图像中真人图像与电子屏翻拍图像高频信息的不同，可以提高活体检测的效率。

所述人脸检测模块102，用于对所述原始人脸图像进行人脸区域检测，并对检测到的人脸区域进行截图、转换操作，得到标准图像。

本发明实施例中，所述人脸检测模块102通过下述操作得到得到标准图像：

利用预设的人脸检测器对所述原始人脸图像进行人脸区域检测，得到一个或者多个人脸检测框；

根据所述人脸检测框对所述原始人脸图像进行截图，得到人脸区域图像；

将所述人脸区域图像转换成预设尺寸，得到所述标准图像。

本发明实施例中，所述预设的人脸检测器可以为centerface人脸检测器。所述centerface人脸检测器是一种轻量级人脸检测器，可以减少对计算资源的占用。本发明实施例中，所述人脸检测框可以设置三种不同的比例(scale)，分别为：1，2.5及4。根据所述三种不同的比例，所述人脸检测框可以包括第一人脸检测框patch1、第二人脸检测框patch2及第三人脸检测框patch3。其中，所述第一人脸检测框patch1的区域范围包括：左上角坐标(face_box.x,face_box.y)、框宽face_box_w及框高face_box_h。；所述第二人脸检测框patch2的区域范围包括：左上角坐标

本发明实施例中，所述预设尺寸可以设置为224*224。

本发明实施例通过对所述原始人脸图像进行人脸区域检测，并对检测到的人脸区域进行截图操作，可以从所述原始人脸图像中获取更明显的信息特征，提高活体检测的准确率。

所述第一概率计算模块103，用于利用预构建的特征提取模型对所述频域图像进行特征提取并分类，得到第一概率。

本发明实施中，所述预构建的特征提取模型可以为Mini_SE_ResNet网络。所述Mini_SE_ResNet网络基于ResNet34网络进行改进，并且包括softmax分类函数。ResNet34网络主要是由

较佳地，所述第一概率计算模块103通过下述操作得到所述第一概率：

利用所述特征提取模型中的改进网络及隔层叠加机制对所述频域图像集中的图像进行特征提取，得到关键特征；

根据所述特征提取模型中的分类函数对所述关键特征进行分类及所述分类的概率计算，得到所述第一概率。

本发明实施例通过所述预构建的特征提取模型可以使模型更加聚焦在关键特征信息上面，提高活体检测的准确度。

所述第二概率计算模块104，用于利用预构建的细粒度分类模型对所述标准图像进行特征提取，得到第二概率。

本发明实施例中，所述预构建的细粒度分类模型可以为改进的MA-CNN(learningmuilt-attention convolution neural network)分类模型。所述细粒度分类模型包括上述S3中相同的特征提取模型(Mini_SE_ResNet网络)、局部注意层、sigmoid函数、FC全联接层和softmax。其中，所述Mini_SE_ResNet网络作为基础部分以提取所述标准图像中的图像特征，得到特征图。所述局部注意层用于获取所述特征图中的峰值高响应部分并进行聚类，产生类似定位的过程。其中，所述峰值高响应部分是指所述标准图像中峰值较高的响应部分。

对一张图像进行特征提取会形成不同的特征通道数，而每个特征通道都会关注图像的某个特征，而且不一样通道所关注的信息是不同，峰值响应区域也不一样，本发明实施例通过聚类的方法将响应区域相近的通道聚在一起，得到局部注意区域(partattentions)。所述sigmoid函数用来将得到的所述局部注意区域归一化到[0-1]之间，形成对应的标记，并将所述标记(mask)与得到的特征图进行点乘得到标准特征图，将所述标准特征图经过FC全联接层和softmax函数进行概率计算，输出活体概率。

较佳地，所述第二概率计算模块104通过下述操作得到所述第二概率：

利用所述细粒度分类模型中的特征提取模型提取所述标准图像中的图像特征，得到特征图；

提取所述特征图中的峰值高响应部分，并对所述峰值高响应部分进行聚类处理，得到聚类图；

将所述聚类图进行归一化处理，得到标准特征图集，并输出所述标准特征图集中每个标准特征图的活体概率；

利用预设的平均公式对所述活体概率进行平均值计算，得到所述第二概率。

其中，所述预设的平均公式可以为：

其中，MA

本发明实施例中，通过所述细粒度分类模型可以更加准确的对所述标准图像集中的图像进行特征提取和活体概率预测，提高了活体检测的准确率。

所述活体检测模块105，用于根据所述第一概率及所述第二概率得到最终活体概率，将所述最终活体概率和预设的阈值进行比较，得到活体检测结果。

较佳地，所述电子印章验证模块105通过下述操作得到活体检测结果：

利用预设的加权公式对所述第一概率及所述第二概率进行计算，得到所述最终活体概率；

将所述最终活体概率与预设的阈值进行比较；

当所述最终活体概率大于所述预设的阈值时，则得到预测电子屏翻拍结果；

当所述最终活体概率小于等于所述预设的阈值时，则得到预测非电子屏翻拍结果。

进一步地，本发明实施例中，也可以根据实际业务需求对上述验证方法做出调整，比如，只比较所述二维码信息中的部分文件信息(文件摘要等)及所述印章记录中部分文件信息(文件摘要等)是否一致，通过减少对比信息的数量，可以提高整体的验证速度。

详细地，所述预设的加权公式可以为：

P(cls)＝ω*MA

其中，ω为加权阈值，本发明中可以为0.6，P(cls)为所述最终活体概率，MA

本发明实施例中，所述预设的阈值可以为：

其中，y为所述活体检测结果。

进一步地，所述得到活体检测结果之后，还包括：

根据所述活体检测结果与实际电子屏翻拍结果计算拒识率；

根据所述活体检测结果与实际非电子屏翻拍活体计算误识率；

利用所述拒识率及所述误识率对所述活体检测结果进行可信度评估。

本发明实施例中，所述拒识率(FRR)及误识率(FAR)的计算方法如图6所示，其中，

如图8所示，是本发明一实施例提供的实现活体检测方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如活体检测程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如活体检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如活体检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图8仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图8示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的活体检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

获取原始人脸图像，对所述原始人脸图像进行频域转化，得到频域图像；

对所述原始人脸图像进行人脸区域检测，并对检测到的人脸区域进行截图、转换操作，得到标准图像；

利用预构建的特征提取模型对所述频域图像进行特征提取并分类，得到第一概率；

利用预构建的细粒度分类模型对所述标准图像进行特征提取，得到第二概率；

根据所述第一概率及所述第二概率得到最终活体概率，将所述最终活体概率和预设的阈值进行比较，得到活体检测结果。

具体地，所述处理器10对上述指令的具体实现方法可参考图1至图6对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取原始人脸图像，对所述原始人脸图像进行频域转化，得到频域图像；

对所述原始人脸图像进行人脸区域检测，并对检测到的人脸区域进行截图、转换操作，得到标准图像；

利用预构建的特征提取模型对所述频域图像进行特征提取并分类，得到第一概率；

利用预构建的细粒度分类模型对所述标准图像进行特征提取，得到第二概率；

根据所述第一概率及所述第二概率得到最终活体概率，将所述最终活体概率和预设的阈值进行比较，得到活体检测结果。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。