人脸静默活体检测方法、装置、计算机设备及存储介质

技术领域

本发明涉及活体检测方法，更具体地说是指人脸静默活体检测方法、装置、计算机设备及存储介质。

背景技术

活体检测是在一些身份验证场景确定对象真实生理特征的方法，在人脸识别应用中，活体检测能通过眨眼、张嘴、摇头、点头等组合动作，使用人脸关键点定位和人脸追踪等技术，验证用户是否为真实活体本人操作。可有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段，从而帮助用户甄别欺诈行为，保障用户的利益。

人脸活体检测方法主要包括基于红外图像的人脸活体检测方法/基于3D结构光的人脸活体检测方法以及基于单目/双目的RGB图像人脸检测方法。其中，基于单目RGB图像的人脸检测方法又可分为静默活体检检测以及动态活体检测，而基于单目RGB图像的静默活体检测最难，且其安全等级也最低，但是在应用成本上，其最低廉，有其应用市场价值；基于单目RGB图像的静默活体检测，是通过人脸活体与非活体的在单帧图像上体现的细微差异来设计特征，再通过分类器进行分类，活体与非活体的主要差异有颜色纹理，非刚性运动形变，材质不同如皮肤、纸质、镜面等、图像质量等。根据其差异特征，学术界提出了很多相关算法，取得了一定的成就，但是在实际应用过程中，也遇到了很多难点；如果用超高清的图片进行人脸活体检测的攻击，这使得活体与非活体的纹理特征以及质量上差别很小，从而很难区分活体与非活体；在实际应用过程中，能够允许一小部分的活体被判为非活体，但是绝不能忍受非活体被判为活体；但是再好的算法也并不能保证每一帧都能判别正确，特别是图像攻击时，无法限制将攻击体弄成各种姿态，也不能限制光照环境，而恰恰姿态与光照对判别结果影响最大，从而导致活体检测的准确率很低。

因此，有必要设计一种新的方法，实现提高活体检测的准确率。

发明内容

本发明的目的在于克服现有技术的缺陷，提供人脸静默活体检测方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：人脸静默活体检测方法，包括：

获取待检测视频；

对所述待检测视频的当前帧图像进行人脸检测，并判断所述待检测视频的当前帧图像是否存在人脸；

若所述待检测视频的当前帧图像存在人脸，则获取人脸矩形框；

对所述人脸矩形框对应的人脸图像进行质量评估，以得到分值；

判断所述分值是否超过阈值；

若所述分值超过阈值，则对所述人脸图像进行预处理，以得到处理结果；

根据所述处理结果计算活体可信度以及非活体可信度，并确定所述人脸图像对应的人脸是否是活体，以得到判别结果；

基于目标跟踪方法对每张所述人脸图像进行跟踪，以得到跟踪信息；

根据所述跟踪信息以及所述判别结果综合判别所述人脸图像对应的人脸是否是活体，以得到检测结果。

其进一步技术方案为：所述对所述人脸矩形框对应的人脸图像进行质量评估，以得到分值，包括：

对所述人脸矩形框对应的人脸图像进行人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例的评分，以得到对应的分数；

根据人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例对应的权值与对应的分数进行加权求和，以得到分值。

其进一步技术方案为：所述根据所述处理结果计算活体可信度以及非活体可信度，并确定所述人脸图像对应的人脸是否是活体，以得到判别结果，包括：

将所述处理结果输入至已训练的卷积神经网络，以获取活体可信度以及非活体可信度；

判断所述活体可信度是否超过活体对应的阈值；

若所述活体可信度超过活体对应的阈值，则确定所述人脸图像对应的人脸是活体，以得到判别结果；

若所述活体可信度不超过活体对应的阈值，则确定所述人脸图像对应的人脸不是活体，以得到判别结果。

其进一步技术方案为：所述基于目标跟踪方法对每张所述人脸图像进行跟踪，以得到跟踪信息，包括：

利用所述人脸矩形框与单目标跟踪算法相结合对每张所述人脸图像进行跟踪，以得到跟踪信息。

其进一步技术方案为：所述利用所述人脸矩形框与单目标跟踪算法相结合对每张所述人脸图像进行跟踪，以得到跟踪信息，包括：

根据所述人脸矩形框遍历所有人脸图像对应的跟踪轨迹；

判断所述跟踪轨迹是否能匹配到新的人脸；

若所述跟踪轨迹不能匹配到新的人脸，则开始累计时间，如果在规定的时间内没有匹配到新的人脸，删除所述跟踪轨迹；

若所述跟踪轨迹能匹配到新的人脸，则对新的人脸设定ID号；

更新所述跟踪轨迹，以得到跟踪信息。

其进一步技术方案为：所述跟踪信息包括人脸ID、每张所述人脸图像被判为活体的累计次数、每张所述人脸图像被判为非活体的累计次数以及当前帧面积最大的人脸矩形框的人脸图像对应的ID号。

其进一步技术方案为：所述根据所述跟踪信息以及所述判别结果综合判别所述人脸图像对应的人脸是否是活体，以得到检测结果，包括：

当所述处理结果为活体、所述人脸图像被判为活体的累计次数大于所述人脸图像被判为非活体的累计次数且所述人脸图像被判为活体的累计次数大于第一阈值，判别所述人脸图像对应的人脸是活体，以得到检测结果；

当所述处理结果为非活体、所述人脸图像被判为非活体的累计次数大于所述人脸图像被判为活体的累计次数且所述人脸图像被判为非活体的累计次数大于第二阈值，判别所述人脸图像对应的人脸不是活体，以得到检测结果；

当所述处理结果为活体、所述人脸图像被判为活体累计数目除以所述人脸图像被判为活体与非活体累计数目总和的比值大于第三阈值，则所述人脸图像对应的人脸是活体以得到检测结果；

当所述处理结果为非活体或所述人脸图像被判为活体累计数目除以所述人脸图像被判为非活体累计数目的比值不大于第三阈值，判别所述人脸图像对应的人脸不是活体，以得到检测结果。

本发明还提供了人脸静默活体检测装置，包括：

视频获取单元，用于获取待检测视频；

检测单元，用于对所述待检测视频的当前帧图像进行人脸检测，并判断所述待检测视频的当前帧图像是否存在人脸；

矩形框获取单元，用于若所述待检测视频的当前帧图像存在人脸，则获取人脸矩形框；

评估单元，用于对所述人脸矩形框对应的人脸图像进行质量评估，以得到分值；

分值判断单元，用于判断所述分值是否超过阈值；

预处理单元，用于若所述分值超过阈值，则对所述人脸图像进行预处理，以得到处理结果；

第一判别单元，用于根据所述处理结果计算活体可信度以及非活体可信度，并确定所述人脸图像对应的人脸是否是活体，以得到判别结果；

跟踪单元，用于基于目标跟踪方法对每张所述人脸图像进行跟踪，以得到跟踪信息；

第二判别单元，用于根据所述跟踪信息以及所述判别结果综合判别所述人脸图像对应的人脸是否是活体，以得到检测结果。

本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

本发明还提供了一种存储介质，所述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可实现上述的方法。

本发明与现有技术相比的有益效果是：本发明通过对待检测视频的当前帧图像进行人脸检测后，对人脸矩形框内的人脸图像进行多个特征的融合评估，筛选不符合要求的图像，仅对符合的人脸图像进行基于目标跟踪方法的检测，通过跟踪的多帧逻辑判断使得最终的检测结果在实际应用非常稳定，提高了准确率。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

为了更清楚地说明本发明实施例技术方案，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，下面描述中的附图是本发明的一些实施例，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他的附图。

图1为本发明实施例提供的人脸静默活体检测方法的应用场景示意图；

图2为本发明实施例提供的人脸静默活体检测方法的流程示意图；

图3为本发明实施例提供的人脸静默活体检测方法的子流程示意图；

图4为本发明实施例提供的人脸静默活体检测方法的子流程示意图；

图5为本发明实施例提供的人脸静默活体检测方法的子流程示意图；

图6为本发明实施例提供的人脸静默活体检测装置的示意性框图；

图7为本发明实施例提供的人脸静默活体检测装置的评估单元的示意性框图；

图8为本发明实施例提供的人脸静默活体检测装置的第一判别单元的示意性框图；

图9为本发明实施例提供的人脸静默活体检测装置的跟踪单元的示意性框图；

图10为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的人脸静默活体检测方法的应用场景示意图。图2为本发明实施例提供的人脸静默活体检测方法的示意性流程图。该人脸静默活体检测方法应用于服务器中。该服务器与摄像头以及终端进行数据交互，从摄像头获取到所应用的场地的视频后，由服务器进行人脸检测并结合活体可信度以及非活体可信度判别是否为活体，再基于目标跟踪方法进行二次判别，并将最终检测结果反馈至终端。

图2是本发明实施例提供的人脸静默活体检测方法的流程示意图。如图2所示，该方法包括以下步骤S110至S190。

S110、获取待检测视频。

在本实施例中，待检测视频是指需要进行人脸活体检测的视频，可由摄像头安装在指定的位置进行拍摄获取。

S120、对所述待检测视频的当前帧图像进行人脸检测，并判断所述待检测视频的当前帧图像是否存在人脸。

若所述待检测视频的当前帧图像不存在人脸，则执行步骤S180。

在跟踪过程中当前帧没有检测到人脸，还是要进行跟踪的，因为是通过单目标跟踪，单目标跟踪是指通过上一帧的矩形框获得人脸特征，在当前帧的周围找相似特征，从而确定人脸矩形框，跟人脸检测没有关系。

在本实施例中，RetinaFace人脸检测方法对当前帧图像进行人脸检测，在检测到人脸时，输出多张人脸矩形框。

S130、若所述待检测视频的当前帧图像存在人脸，则获取人脸矩形框。

在本实施例中，人脸矩形框是指经过人脸检测方法检测到的人脸后由人脸的边缘线构成的矩形框。

当然，于其他实施例，还可以通过利用多张带有人脸矩形框标签的图像作为样本集训练深度学习模型后，利用已训练的深度学习模型对待检测视频的当前帧图像进行人脸检测。

S140、对所述人脸矩形框对应的人脸图像进行质量评估，以得到分值。

在本实施例中，分值是指对人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例进行加权求和得到的数值。

在一实施例中，请参阅图3，上述的步骤S140可包括步骤S141～S142。

S141、对所述人脸矩形框对应的人脸图像进行人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例的评分，以得到对应的分数。

在本实施例中，人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例的评分是依据设定好的分数值表格来确定的，预先设定好一个分数值，比如人脸尺寸在某个范围内所对应的分数，一个模糊程度对应一个分数值。

S142、根据人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例对应的权值与对应的分数进行加权求和，以得到分值。

在本实施例中，通过不同权值给出最终评分

具体地，对人脸尺寸进行评分时，首先计算人脸面积，如果人脸面积过小，即小于阈值minA，或者眼睛区域位置超出了人脸方框，则其评分直接为0；如果人脸面积大小达到一定的大小即大于阈值maxA，则其评分直接为1；除上两种条件外，当前的人脸大小a的评分score1为：score1＝(a-min A)/(max A-min A)。

对人脸姿态进行评分时，人脸姿态的评分分为三个方向，即pitch(抬头低头)、roll(水平内旋转)、yaw(左右摆头)。对pitch进行评分，如果pitch角度小于阈值Pmax，则其评分直接为1；如果pitch角度大于阈值Pmin，则其评分直接为-1；这里设为-1的目的是当偏转角度过大时，使得总分数快速降低；此外，当前的人脸姿态pitch角度为p的评分s1为：s1＝1-(p-P min)/(P max-P min)，同理可获得roll的评分s2，yaw评分s3。最终评分返回他们的最小值.

对人脸对称性进行评分，人脸对称性主要是通过将对齐后的人脸分成左右两部分，分别对两部分进行LBP(局部二值模式，Local Binary Pattern)特征提取，再对LBP特征求其直方图，对归一化后的直方图求相似度，相似度越大，则说明越对称。

对人脸尺寸比例评分时，根据人脸矩形框，计算人脸的长宽比R；如果人脸长宽比过大或者过小即小于阈值minR或者大于maxR，则其评分直接为0；否则，当前的人脸大小R的评分score4为：score4＝1-|R-(max R-thre)|/thre,其中，thre＝(max R-min R)/2。

对人脸清晰度进行评分，基于RFSIM人脸清晰度评分方法，首先对人脸图像进行尺寸归一化处理，然后对归一化后的图像进行高斯模糊化，作为模糊检测的参考图像，最后对尺寸归一化的图像以及高斯模糊化后的图像求RFSIM相似度。

根据相似度进行评分，步骤如下：如果距离大于阈值Tmax，则其评分直接为1；如果距离小于阈值Tmin，则其评分直接为-1；除上两种条件外，当前的人脸清晰度d的评分score5为：score5＝(d-T min)/(T max-T min)。

对于上述的评分后与对应的权值进行加权求和，便可得到对应的分值。

S150、判断所述分值是否超过阈值；

若所述分值未超过阈值，则执行步骤S180；

S160、若所述分值超过阈值，则对所述人脸图像进行预处理，以得到处理结果。

只有在分值超过设定的阈值时，才可以进行人脸活体的检测，将不同特征融合使得远距离人脸以及近距离人脸活体判别更加准确，使得单帧下的人脸活体检测的准确率有很大的提高，通过人脸图像质量评估和检测去除人脸图像质量不好、姿态不好的图像，大大提高了准确率。

在本实施例中，处理结果是指经过裁剪后的人脸矩形框对应的人脸图像。

具体地，对同一张人脸图像根据不同的尺寸裁剪出多张人脸，用于人脸活体判断的输入。根据不同的尺寸裁剪出多张人脸图像即多个新矩形框是指以最初的人脸矩形框的中心为中心，新矩形框的宽与高分别为最初的人脸矩形框的宽与高的n倍。其中n>1。且新矩形框不能超过人脸图像的尺寸。

S170、根据所述处理结果计算活体可信度以及非活体可信度，并确定所述人脸图像对应的人脸是否是活体，以得到判别结果。

在本实施例中，判别结果是指根据图像进行活体检测后得到的结果。

在一实施例中，请参阅图4，上述的步骤S170可包括步骤S171～S174。

S171、将所述处理结果输入至已训练的卷积神经网络，以获取活体可信度以及非活体可信度。

在本实施例中，活体可信度是指该处理结果是活体的概率；非活体可信度是指该处理结果不是活体的概率。

具体地，已训练的卷积神经网络类似于一个分类器，会自动归类好处理结果是属于活体还是非活体，直接输出这两个结果的概率。

S172、判断所述活体可信度是否超过活体对应的阈值；

S173、若所述活体可信度超过活体对应的阈值，则确定所述人脸图像对应的人脸是活体，以得到判别结果；

S174、若所述活体可信度不超过活体对应的阈值，则确定所述人脸图像对应的人脸不是活体，以得到判别结果。

获得的预处理人脸分别进行活体检测判断，获得活体的可信度cl

对检测到的每张人脸图像作为输入，提取特征，再通过分类器进行判别当前人脸是否为活体。本实施用例中采用深度学习的方法进行人脸活体判断。首先将人脸大小缩放到80*80*3，输入卷积神经网络，获得二维的可信度，即活体类的可信度与非活体类的可信度。如果活体的可行度大于阈值，本实施用例中阈值设为0.9，则判为活体，否则为非活体。

S180、基于目标跟踪方法对每张所述人脸图像进行跟踪，以得到跟踪信息。

在本实施例中，所述跟踪信息包括人脸ID、每张所述人脸图像被判为活体的累计次数、每张所述人脸图像被判为非活体的累计次数以及当前帧面积最大的人脸矩形框的人脸图像对应的ID号。

具体地，利用所述人脸矩形框与单目标跟踪算法相结合对每张所述人脸图像进行跟踪，以得到跟踪信息。

在一实施例中，请参阅图5，上述的步骤S180可包括步骤S181～S185。

S181、根据所述人脸矩形框遍历所有人脸图像对应的跟踪轨迹；

S182、判断所述跟踪轨迹是否能匹配到新的人脸；

S183、若所述跟踪轨迹不能匹配到新的人脸，则开始累计时间，如果在规定的时间内没有匹配到新的人脸，删除所述跟踪轨迹。

遍历所有人脸图像对应的跟踪轨迹，如果该跟踪轨迹长时间没有找到新目标匹配对象，则删除该轨迹。进一步长时间没有找到新目标匹配对象，即统计该轨迹没有找到新的匹配目标的帧数大于阈值，本实施用例中为20帧，则删除该轨迹。

S184、若所述跟踪轨迹能匹配到新的人脸，则对新的人脸设定ID号。

所述跟踪轨迹能匹配到新的人脸，则表明检测有新目标，则给与新目标新的ID号。进一步检测是否有新目标是指计算当前帧的每一张人脸矩形框a分别与每一条轨迹的最近帧矩形框b的重叠面积，如果重叠面积除以人脸矩形框a与最近帧矩形框b中最小值的比值大于阈值，本实施用例中的阈值设为0.1，则说明当前帧的当前人脸矩形框与该跟踪轨迹匹配，如果当前帧的当前人脸与所有的跟踪轨迹都不能匹配上，则说明此人脸是新目标。如果匹配上则更新对应的跟踪轨迹的活体与非活体状态的累计数目，即当前匹配上的人脸如果是活体，则对应跟踪轨迹的活体累计数目加1，反之，对应跟踪轨迹的非活体累计数目加1。

S185、更新所述跟踪轨迹，以得到跟踪信息。

遍历所有人脸的跟踪轨迹，对每条轨迹进行单目标跟踪。在本实施用例中单目标跟踪方法为Staple。通过单目标跟踪获得当前帧的人脸矩形框。并将此人脸人脸矩形框的信息包括人脸ID等所在存入轨迹列表中，便可对跟踪轨迹进行更新，更新后便可从所有的跟踪轨迹中得到对应的跟踪信息。通过跟踪的多帧逻辑判断使得最终结果在实际应用非常稳定且大大提高了准确率。

S190、根据所述跟踪信息以及所述判别结果综合判别所述人脸图像对应的人脸是否是活体，以得到检测结果。

在本实施例中，检测结果是指经过人脸活体检测以及基于目标跟踪方法跟踪后确认人脸图像是否为活体的结果。

具体地，当所述处理结果为活体、所述人脸图像被判为活体的累计次数大于所述人脸图像被判为非活体的累计次数且所述人脸图像被判为活体的累计次数大于第一阈值，判别所述人脸图像对应的人脸是活体，以得到检测结果；后期可根据跟踪ID号，找到对应的人脸，其判断结果也为活体，不再进行人脸活体检测步骤。

当所述处理结果为非活体、所述人脸图像被判为非活体的累计次数大于所述人脸图像被判为活体的累计次数且所述人脸图像被判为非活体的累计次数大于第二阈值，判别所述人脸图像对应的人脸不是活体，以得到检测结果；后期可根据跟踪ID号，找到对应的人脸，其判断结果也为非活体，不再进行人脸活体检测步骤。

当所述处理结果为活体、所述人脸图像被判为活体累计数目除以所述人脸图像被判为活体与非活体累计数目总和的比值大于第三阈值，则所述人脸图像对应的人脸是活体以得到检测结果；

当所述处理结果为非活体或所述人脸图像被判为活体累计数目除以所述人脸图像被判为非活体累计数目的比值不大于第三阈值，判别所述人脸图像对应的人脸不是活体，以得到检测结果。

在本实施例中，跟踪轨迹中活体的累计数目是指所述人脸图像被判为活体的累计次数；跟踪轨迹中非活体的累计数目是指人脸图像被判为非活体的累计次数。

具体地，如果当前跟踪的人脸ID号长时间被判为活体，则此目标在后序过程中都被判为活体，同样，如果当前跟踪的人脸ID号长时间被判为非活体，则此目标在后序过程中都被判为非活体。

在本实施用例中长时间被判为活体或者非活体是指如果跟踪轨迹中活体的累计数目大于跟踪轨迹中非活体的累计数目，且跟踪轨迹中活体的累计数目大于阈值，本实施用例中取20帧，则认为是长时间被判为活体。同理，如果跟踪轨迹中非活体的累计数目大于跟踪轨迹中活体的累计数目，且跟踪轨迹中非活体的累计数目大于阈值，本实施用例中取20帧，则认为是长时间被判为非活体。

在规定时间内，被判为活体的数目远大于被判为非活体的数目，且当前帧的判别结果为活体。则当前帧的当前人脸输出为活体。在规定时间内，被判为活体的数目远大于被判为非活体的数目，是指统计轨迹的规定时间内(不能超过20帧)的活体累计数目以及非活体累计数目如果活体累计数目除以非活体累计数目的比值大于阈值，本实施用例中为0.95，则认为是在规定时间内，被判为活体的数目远大于被判为非活体的数目。

最终的检测结果可以根据需求输出当前帧所有人脸图像的活体检测结果，也可以根据当前帧最大人脸ID号，输出当前帧最大人脸ID号的人脸图像的活体检测结果。

上述的人脸静默活体检测方法，通过对待检测视频的当前帧图像进行人脸检测后，对人脸矩形框内的人脸图像进行多个特征的融合评估，筛选不符合要求的图像，仅对符合的人脸图像进行基于目标跟踪方法的检测，通过跟踪的多帧逻辑判断使得最终的检测结果在实际应用非常稳定，提高了准确率。

图6是本发明实施例提供的一种人脸静默活体检测装置300的示意性框图。如图6所示，对应于以上人脸静默活体检测方法，本发明还提供一种人脸静默活体检测装置300。该人脸静默活体检测装置300包括用于执行上述人脸静默活体检测方法的单元，该装置可以被配置于服务器中。具体地，请参阅图6，该人脸静默活体检测装置300包括视频获取单元301、检测单元302、矩形框获取单元303、评估单元304、分值判断单元305、预处理单元306、第一判别单元307、跟踪单元308以及第二判别单元309。

视频获取单元301，用于获取待检测视频；检测单元302，用于对所述待检测视频的当前帧图像进行人脸检测，并判断所述待检测视频的当前帧图像是否存在人脸；矩形框获取单元303，用于若所述待检测视频的当前帧图像存在人脸，则获取人脸矩形框；评估单元304，用于对所述人脸矩形框对应的人脸图像进行质量评估，以得到分值；分值判断单元305，用于判断所述分值是否超过阈值；预处理单元306，用于若所述分值超过阈值，则对所述人脸图像进行预处理，以得到处理结果；第一判别单元307，用于根据所述处理结果计算活体可信度以及非活体可信度，并确定所述人脸图像对应的人脸是否是活体，以得到判别结果；跟踪单元308，用于基于目标跟踪方法对每张所述人脸图像进行跟踪，以得到跟踪信息；第二判别单元309，用于根据所述跟踪信息以及所述判别结果综合判别所述人脸图像对应的人脸是否是活体，以得到检测结果。

在一实施例中，如图7所示，所述评估单元304包括评分子单元3041以及加权求和子单元3042。

评分子单元3041，用于对所述人脸矩形框对应的人脸图像进行人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例的评分，以得到对应的分数；加权求和子单元3042，用于根据人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例对应的权值与对应的分数进行加权求和，以得到分值。

在一实施例中，如图8所示，所述第一判别单元307包括可信度获取子单元3071、可信度判断子单元3072、第一确定子单元3073以及第二确定子单元3074。

可信度获取子单元3071，用于将所述处理结果输入至已训练的卷积神经网络，以获取活体可信度以及非活体可信度；可信度判断子单元3072，用于判断所述活体可信度是否超过活体对应的阈值；第一确定子单元3073，用于若所述活体可信度超过活体对应的阈值，则确定所述人脸图像对应的人脸是活体，以得到判别结果；第二确定子单元3074，用于若所述活体可信度不超过活体对应的阈值，则确定所述人脸图像对应的人脸不是活体，以得到判别结果。

在一实施例中，所述跟踪单元308，用于利用所述人脸矩形框与单目标跟踪算法相结合对每张所述人脸图像进行跟踪，以得到跟踪信息。

在一实施例中，如图9所示，所述跟踪单元308包括遍历子单元3081、匹配判断子单元3082、删除子单元3083、设定子单元3084以及更新子单元3085。

遍历子单元3081，用于根据所述人脸矩形框遍历所有人脸图像对应的跟踪轨迹；匹配判断子单元3082，用于判断所述跟踪轨迹是否能匹配到新的人脸；删除子单元3083，用于若所述跟踪轨迹不能匹配到新的人脸，则开始累计时间，如果在规定的时间内没有匹配到新的人脸，删除所述跟踪轨迹；设定子单元3084，用于若所述跟踪轨迹能匹配到新的人脸，则对新的人脸设定ID号；更新子单元3085，用于更新所述跟踪轨迹，以得到跟踪信息。

在一实施例中，所述第二判别单元309，用于当所述处理结果为活体、所述人脸图像被判为活体的累计次数大于所述人脸图像被判为非活体的累计次数且所述人脸图像被判为活体的累计次数大于第一阈值，判别所述人脸图像对应的人脸是活体，以得到检测结果；当所述处理结果为非活体、所述人脸图像被判为非活体的累计次数大于所述人脸图像被判为活体的累计次数且所述人脸图像被判为非活体的累计次数大于第二阈值，判别所述人脸图像对应的人脸不是活体，以得到检测结果；当所述处理结果为活体、所述人脸图像被判为活体累计数目除以所述人脸图像被判为活体与非活体累计数目总和的比值大于第三阈值，则所述人脸图像对应的人脸是活体以得到检测结果；当所述处理结果为非活体或所述人脸图像被判为活体累计数目除以所述人脸图像被判为非活体累计数目的比值不大于第三阈值，判别所述人脸图像对应的人脸不是活体，以得到检测结果。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述人脸静默活体检测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述人脸静默活体检测装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。

请参阅图10，图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种人脸静默活体检测方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种人脸静默活体检测方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图10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500的限定，具体的计算机设备500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。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：

获取待检测视频；对所述待检测视频的当前帧图像进行人脸检测，并判断所述待检测视频的当前帧图像是否存在人脸；若所述待检测视频的当前帧图像存在人脸，则获取人脸矩形框；对所述人脸矩形框对应的人脸图像进行质量评估，以得到分值；判断所述分值是否超过阈值；若所述分值超过阈值，则对所述人脸图像进行预处理，以得到处理结果；根据所述处理结果计算活体可信度以及非活体可信度，并确定所述人脸图像对应的人脸是否是活体，以得到判别结果；基于目标跟踪方法对每张所述人脸图像进行跟踪，以得到跟踪信息；根据所述跟踪信息以及所述判别结果综合判别所述人脸图像对应的人脸是否是活体，以得到检测结果。

在一实施例中，处理器502在实现所述对所述人脸矩形框对应的人脸图像进行质量评估，以得到分值步骤时，具体实现如下步骤：

对所述人脸矩形框对应的人脸图像进行人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例的评分，以得到对应的分数；根据人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例对应的权值与对应的分数进行加权求和，以得到分值。

在一实施例中，处理器502在实现所述根据所述处理结果计算活体可信度以及非活体可信度，并确定所述人脸图像对应的人脸是否是活体，以得到判别结果步骤时，具体实现如下步骤：

将所述处理结果输入至已训练的卷积神经网络，以获取活体可信度以及非活体可信度；判断所述活体可信度是否超过活体对应的阈值；若所述活体可信度超过活体对应的阈值，则确定所述人脸图像对应的人脸是活体，以得到判别结果；若所述活体可信度不超过活体对应的阈值，则确定所述人脸图像对应的人脸不是活体，以得到判别结果。

在一实施例中，处理器502在实现所述基于目标跟踪方法对每张所述人脸图像进行跟踪，以得到跟踪信息步骤时，具体实现如下步骤：

利用所述人脸矩形框与单目标跟踪算法相结合对每张所述人脸图像进行跟踪，以得到跟踪信息。

在一实施例中，处理器502在实现所述利用所述人脸矩形框与单目标跟踪算法相结合对每张所述人脸图像进行跟踪，以得到跟踪信息步骤时，具体实现如下步骤：

根据所述人脸矩形框遍历所有人脸图像对应的跟踪轨迹；判断所述跟踪轨迹是否能匹配到新的人脸；若所述跟踪轨迹不能匹配到新的人脸，则开始累计时间，如果在规定的时间内没有匹配到新的人脸，删除所述跟踪轨迹；若所述跟踪轨迹能匹配到新的人脸，则对新的人脸设定ID号；更新所述跟踪轨迹，以得到跟踪信息。

其中，所述跟踪信息包括人脸ID、每张所述人脸图像被判为活体的累计次数、每张所述人脸图像被判为非活体的累计次数以及当前帧面积最大的人脸矩形框的人脸图像对应的ID号。

在一实施例中，处理器502在实现所述根据所述跟踪信息以及所述判别结果综合判别所述人脸图像对应的人脸是否是活体，以得到检测结果步骤时，具体实现如下步骤：

当所述处理结果为活体、所述人脸图像被判为活体的累计次数大于所述人脸图像被判为非活体的累计次数且所述人脸图像被判为活体的累计次数大于第一阈值，判别所述人脸图像对应的人脸是活体，以得到检测结果；

当所述处理结果为非活体、所述人脸图像被判为非活体的累计次数大于所述人脸图像被判为活体的累计次数且所述人脸图像被判为非活体的累计次数大于第二阈值，判别所述人脸图像对应的人脸不是活体，以得到检测结果；

当所述处理结果为活体、所述人脸图像被判为活体累计数目除以所述人脸图像被判为活体与非活体累计数目总和的比值大于第三阈值，则所述人脸图像对应的人脸是活体以得到检测结果；

当所述处理结果为非活体或所述人脸图像被判为活体累计数目除以所述人脸图像被判为非活体累计数目的比值不大于第三阈值，判别所述人脸图像对应的人脸不是活体，以得到检测结果。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：

获取待检测视频；对所述待检测视频的当前帧图像进行人脸检测，并判断所述待检测视频的当前帧图像是否存在人脸；若所述待检测视频的当前帧图像存在人脸，则获取人脸矩形框；对所述人脸矩形框对应的人脸图像进行质量评估，以得到分值；判断所述分值是否超过阈值；若所述分值超过阈值，则对所述人脸图像进行预处理，以得到处理结果；根据所述处理结果计算活体可信度以及非活体可信度，并确定所述人脸图像对应的人脸是否是活体，以得到判别结果；基于目标跟踪方法对每张所述人脸图像进行跟踪，以得到跟踪信息；根据所述跟踪信息以及所述判别结果综合判别所述人脸图像对应的人脸是否是活体，以得到检测结果。

在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述人脸矩形框对应的人脸图像进行质量评估，以得到分值步骤时，具体实现如下步骤：

对所述人脸矩形框对应的人脸图像进行人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例的评分，以得到对应的分数；根据人脸尺寸、模糊程度、人脸姿态、人脸位置、人脸长宽比例对应的权值与对应的分数进行加权求和，以得到分值。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述处理结果计算活体可信度以及非活体可信度，并确定所述人脸图像对应的人脸是否是活体，以得到判别结果步骤时，具体实现如下步骤：

将所述处理结果输入至已训练的卷积神经网络，以获取活体可信度以及非活体可信度；判断所述活体可信度是否超过活体对应的阈值；若所述活体可信度超过活体对应的阈值，则确定所述人脸图像对应的人脸是活体，以得到判别结果；若所述活体可信度不超过活体对应的阈值，则确定所述人脸图像对应的人脸不是活体，以得到判别结果。

在一实施例中，所述处理器在执行所述计算机程序而实现所述基于目标跟踪方法对每张所述人脸图像进行跟踪，以得到跟踪信息步骤时，具体实现如下步骤：

利用所述人脸矩形框与单目标跟踪算法相结合对每张所述人脸图像进行跟踪，以得到跟踪信息。

在一实施例中，所述处理器在执行所述计算机程序而实现所述利用所述人脸矩形框与单目标跟踪算法相结合对每张所述人脸图像进行跟踪，以得到跟踪信息步骤时，具体实现如下步骤：

根据所述人脸矩形框遍历所有人脸图像对应的跟踪轨迹；判断所述跟踪轨迹是否能匹配到新的人脸；若所述跟踪轨迹不能匹配到新的人脸，则开始累计时间，如果在规定的时间内没有匹配到新的人脸，删除所述跟踪轨迹；若所述跟踪轨迹能匹配到新的人脸，则对新的人脸设定ID号；更新所述跟踪轨迹，以得到跟踪信息。

其中，所述跟踪信息包括人脸ID、每张所述人脸图像被判为活体的累计次数、每张所述人脸图像被判为非活体的累计次数以及当前帧面积最大的人脸矩形框的人脸图像对应的ID号。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述跟踪信息以及所述判别结果综合判别所述人脸图像对应的人脸是否是活体，以得到检测结果步骤时，具体实现如下步骤：

当所述处理结果为活体、所述人脸图像被判为活体的累计次数大于所述人脸图像被判为非活体的累计次数且所述人脸图像被判为活体的累计次数大于第一阈值，判别所述人脸图像对应的人脸是活体，以得到检测结果；当所述处理结果为非活体、所述人脸图像被判为非活体的累计次数大于所述人脸图像被判为活体的累计次数且所述人脸图像被判为非活体的累计次数大于第二阈值，判别所述人脸图像对应的人脸不是活体，以得到检测结果；当所述处理结果为活体、所述人脸图像被判为活体累计数目除以所述人脸图像被判为活体与非活体累计数目总和的比值大于第三阈值，则所述人脸图像对应的人脸是活体以得到检测结果；当所述处理结果为非活体或所述人脸图像被判为活体累计数目除以所述人脸图像被判为非活体累计数目的比值不大于第三阈值，判别所述人脸图像对应的人脸不是活体，以得到检测结果。

所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，各个单元的划分，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。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元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，也可以是两个或两个以上单元集成在一个单元中。

该集成的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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。