CN106599872A - 用于验证活体人脸图像的方法和设备 - Google Patents

Abstract

一种用于验证活体人脸图像的方法和设备，该方法包括：获取人脸图像中至少一个特征区域的图像；判断每个特征区域的图像中是否包括攻击特征；统计包括攻击特征的特征区域的图像的数量；当包括攻击特征的特征区域的图像的数量大于预设数量时，判断人脸图像不是活体人脸图像，当包括攻击特征的特征区域的图像的数量小于等于预设数量时，判断人脸图像是活体人脸图像。该用于验证活体人脸图像的方法和设备不需要用户做出特定的动作，提高了用户体验，并且可以更有效地防御面具、照片、翻拍或电脑合成等针对活体人脸识别的攻击。

Description

用于验证活体人脸图像的方法和设备

技术领域

本公开的实施例涉及一种用于验证活体人脸图像的方法和设备。

背景技术

当前基于活体人脸的身份验证系统已经在例如安防领域得到广泛应用。随着基于活体人脸的身份验证系统的推广，已经衍生出一些恶意攻击活体人脸身份验证的方法。

在一种基于活体人脸的身份验证系统中，可以基于当前拍摄的人脸图像与预先存储的人脸照片之间的比对，来进行身份验证。然而，当将被仿冒者本人的照片置于这种基于活体人脸的身份验证系统中的摄像头前时，这种基于活体人脸的身份验证系统可以通过用户身份验证。换言之，恶意用户可以使用被仿冒者的照片来进行恶意攻击(即，照片攻击)，这种基于活体人脸的身份验证系统不能抵抗照片攻击。

针对上述照片攻击，已经对上述基于活体人脸的身份验证系统进行了改进。在改进的基于活体人脸的身份验证系统中，通过检查人脸是否有精细动作来有效地应对上述照片攻击。更进一步，可以要求用户进行指定动作，从而增强基于活体人脸的身份验证系统的抗攻击性。然而，要求用户做出指定动作配合身份验证使得用户体验较差而且浪费时间。更进一步，已经出现可以模拟人脸表情的软件，因此，传统的基于活体人脸的身份验证系统易受到攻击。

发明内容

本公开的实施例提供一种用于验证活体人脸图像的方法，包括：获取人脸图像中至少一个特征区域的图像；判断每个所述特征区域的图像中是否包括攻击特征；统计包括所述攻击特征的特征区域的图像的数量；当包括所述攻击特征的特征区域的图像的数量大于预设数量时，判断所述人脸图像不是活体人脸图像，当包括所述攻击特征的特征区域的图像的数量小于等于预设数量时，判断所述人脸图像是活体人脸图像。

例如，在本公开实施例提供的用于验证活体人脸图像的方法中，所述攻击特征包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合。

例如，在本公开实施例提供的用于验证活体人脸图像的方法中，所述人脸图像中至少一个特征区域的图像根据先验知识选取和/或随机选取。

例如，在本公开实施例提供的用于验证活体人脸图像的方法中，所述判断每个所述特征区域的图像中是否包括攻击特征包括：将每个所述特征区域的图像正则化编码为特征向量；利用已训练的神经网络判断所述特征向量中是否包括攻击特征向量。

例如，在本公开实施例提供的用于验证活体人脸图像的方法中，所述已训练的神经网络通过如下操作获得：获取包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合的训练图像；将所述训练图像正则化编码为训练特征向量；利用所述训练特征向量训练所述神经网络。

例如，在本公开实施例提供的用于验证活体人脸图像的方法中，所述利用已训练的神经网络判断所述特征向量中是否包括攻击特征向量包括：利用所述已训练的神经网络确定所述特征向量中包括所述攻击特征向量的概率；当所述概率大于预设概率时，判断所述特征向量中包括所述攻击特征向量。

例如，在本公开实施例提供的用于验证活体人脸图像的方法中，在获取人脸图像中至少一个特征区域的图像之前，还包括获取所述人脸图像。

例如，本公开实施例提供的用于验证活体人脸图像的方法，还包括输出活体人脸图像验证结果。

本公开的实施例还提供一种用于验证活体人脸图像的设备，包括：一个或多个处理器；一个或多个存储器；以及存储在所述存储器中的计算机程序指令，在所述计算机程序指令被所述处理器运行时执行以下步骤：获取人脸图像中至少一个特征区域的图像；判断每个所述特征区域的图像中是否包括攻击特征；统计包括所述攻击特征的特征区域的图像的数量；当包括所述攻击特征的特征区域的图像的数量大于预设数量时，判断所述人脸图像不是活体人脸图像，当包括所述攻击特征的特征区域的图像的数量小于等于预设数量时，判断所述人脸图像是活体人脸图像。

例如，在本公开实施例提供的用于验证活体人脸图像的设备中，所述攻击特征包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合。

例如，在本公开实施例提供的用于验证活体人脸图像的设备中，所述人脸图像中至少一个特征区域的图像根据先验知识选取和/或随机选取。

例如，在本公开实施例提供的用于验证活体人脸图像的设备中，所述判断每个所述特征区域的图像中是否包括攻击特征包括：将所述特征区域的图像正则化编码为特征向量；利用已训练的神经网络判断所述特征向量中是否包括攻击特征向量。

例如，在本公开实施例提供的用于验证活体人脸图像的设备中，所述已训练的神经网络通过如下操作获得：获取包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合的训练图像；将所述训练图像正则化编码为训练特征向量；利用所述训练特征向量训练所述神经网络。

例如，在本公开实施例提供的用于验证活体人脸图像的设备中，所述利用已训练的神经网络判断所述特征向量中是否包括攻击特征向量包括：利用所述已训练的神经网络确定所述特征向量中包括所述攻击特征向量的概率；当所述概率大于预设概率时，判断所述特征向量中包括所述攻击特征向量。

例如，本公开实施例提供的用于验证活体人脸图像的设备，还包括图像获取装置，被配置为在获取人脸图像中至少一个特征区域的图像之前，获取所述人脸图像。

例如，本公开实施例提供的用于验证活体人脸图像的设备，还包括输出装置，被配置为输出活体人脸图像验证结果。

本公开的实施例还提供一种用于验证活体人脸图像的设备，包括：特征区域提取装置，被配置为获取人脸图像中至少一个特征区域的图像；攻击特征判断装置，被配置为判断每个所述特征区域的图像中是否包括攻击特征；以及统计及判断装置，被配置为统计包括所述攻击特征的特征区域的图像的数量，当包括所述攻击特征的特征区域的图像的数量大于预设数量时，判断所述人脸图像不是活体人脸图像，当包括所述攻击特征的特征区域的图像的数量小于等于预设数量时，判断所述人脸图像是活体人脸图像。

例如，本公开实施例提供的用于验证活体人脸图像的方法和设备不需要用户做出特定的动作，提高了用户体验，并且可以更有效地防御面具、照片、翻拍或电脑合成等针对活体人脸识别的攻击。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例或相关技术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涉及本公开的一些实施例，并非对本公开的限制。

图1示出了用于实现本公开实施例的用于验证活体人脸图像的方法和设备的示例性电子设备的示意性框图；

图2是根据本公开实施例的用于验证活体人脸图像的方法的示意性流程图；

图3是图2所示的用于验证活体人脸图像的方法中判断每个特征区域的图像中是否包括攻击特征的示意性流程图；

图4是图3所示的利用已训练的神经网络判断特征向量中是否包括攻击特征向量的示意性流程图；

图5是根据本公开实施例的用于验证活体人脸图像的设备的示意性框图；以及

图6是图5中攻击特征判断装置的示意性框图。

具体实施方式

下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述参考在附图中示出并在以下描述中详述的非限制性示例实施例，更加全面地说明本公开的示例实施例和它们的多种特征及有利细节。应注意的是，图中示出的特征不是必须按照比例绘制。本公开省略了已知材料、组件和工艺技术的描述，从而不使本公开的示例实施例模糊。所给出的示例仅旨在有利于理解本公开示例实施例的实施，以及进一步使本领域技术人员能够实施示例实施例。因而，这些示例不应被理解为对本公开的实施例的范围的限制。

除非另外特别定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。此外，在本公开各个实施例中，相同或类似的参考标号表示相同或类似的构件。

本公开实施例提供的用于验证活体人脸图像的方法和设备不需要用户做出特定的动作，提高了用户体验，并且可以更有效地防御面具、照片、翻拍或电脑合成等针对活体人脸识别的攻击。

首先，参照图1来描述用于实现本公开实施例的用于实现验证活体人脸图像的方法和设备的示例性电子设备100。

例如，如图1所示，电子设备100包括一个或多个处理器102、一个或多个存储装置104、图像获取装置106以及输出装置108，这些组件通过总线系统110和/或其它形式的连接机构(例如无线通讯系统，图1中未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，电子设备也可以具有其他组件和结构。

例如，处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备100中的其它组件以执行期望的功能；该CPU例如可以是单核或多核CPU等，例如可以是基于X86架构或ARM架构等，例如可以是并行计算方式或串行计算方式等，本公开的实施例不限于此。

例如，存储装置104可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行程序指令，以实现下文的本公开实施例中(由处理器实现)的功能以及/或者其它期望的功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据，例如人脸图像以及应用程序使用和/或产生的各种数据等。

例如，图像获取装置106可以拍摄用户期望的图像(例如照片、视频等)，并且将所拍摄的图像存储在存储装置104中以供其它组件使用。图像获取装置106可以是可见光或红外图像获取装置，其获取的图像包括但不局限于灰度图像、彩色图像或红外图像等。例如，图像获取装置106可以包括一个或多个图像传感器，例如，当图像获取装置106包括两个图像传感器时，一个可以用于获取彩色图像而另一个可以获取黑白图像，或者一个用于收集图像色彩信息而另一个负责收集亮度、轮廓等细节信息等。图像获取装置106例如为高清图像获取装置，所获取的图像中可以包括更多的细节信息。

图像获取装置106可以与处理器102和存储装置104布置在一起(例如用于构成同一个设备，例如移动终端)，或者可以与处理器102和存储装置104分离地布置，例如处理器102和存储装置104可以实现为服务器，例如集中式服务器或分布式服务器，抑或云服务器。

例如，输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。

例如，电子设备100还可以包括输入装置(图1中未示出)，输入装置可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。指令例如是使用图像获取装置106拍摄图像的指令，或者使用电子设备100进行身份验证的请求指令。

例如，用于实现验证活体人脸图像的方法和设备的电子设备100可以被实现为诸如智能手机、平板电脑、穿戴设备等移动终端，可以被应用于安防领域的门禁系统或金融领域的支付系统。然而，本公开的实施例不限于此，电子设备100中的部分组件可以是固定的，例如图像获取装置106可以被固定在预定的位置，处理器102、存储装置104和输出装置108可以被安装在一起并且可以作为独立的固定终端或移动终端，固定终端可以包括台式计算机等通常不移动位置的电子设备。图像获取装置106和独立的固定终端或移动终端可以通过有线或无线方式通信。

例如，用于实现本公开实施例的用于实现验证活体人脸图像的方法和设备的电子设备100也可以不包括图像获取装置，而是接收其它设备采集的图像并进行后续处理。

下面，参照图2来描述根据本公开实施例的用于实现验证活体人脸图像的方法。

例如，本公开的实施例提供一种用于验证活体人脸图像的方法，如图2所示，该方法包括如下步骤：

步骤S220：获取人脸图像中至少一个特征区域的图像；

步骤S230：判断每个特征区域的图像中是否包括攻击特征；

步骤S240：统计包括攻击特征的特征区域的图像的数量；

步骤S250：当包括攻击特征的特征区域的图像的数量大于预设数量时，转入步骤S260，当包括攻击特征的特征区域的图像的数量小于等于预设数量时，转入步骤S260’；

步骤S260：判断人脸图像不是活体人脸图像；

步骤S260’：判断人脸图像是活体人脸图像。

例如，如图2所示，本公开的实施例提供的用于验证活体人脸图像的方法，在获取人脸图像中至少一个特征区域的图像之前(步骤S220)，还可以包括步骤S210：获取人脸图像。

例如，在步骤S210中获取的人脸图像不局限于一个人的脸部图像，也可以是多个人的脸部图像。

例如，如图2所示，本公开的实施例提供的用于验证活体人脸图像的方法，还可以包括步骤S270：输出活体人脸图像验证结果。

例如，图2中的虚线框表示步骤S210和步骤S270为可选的步骤。

例如，在本公开实施例提供的用于验证活体人脸图像的方法的步骤S220中，人脸图像中至少一个特征区域的图像可以根据先验知识选取和/或随机选取。例如，特征区域的图像包括但不局限于额头图像、眼睛图像、面颊图像、鼻子图像、嘴唇图像等。例如，先验知识可以通过前期试验获取，根据先验知识选取特征区域的图像可以提高识别率，例如，鼻子图像用于判断是否存在阴影缺失的识别率较高。例如，一部分特征区域的图像可以根据先验知识选取，另一部分特征区域的图像可以随机选取，这样可以防止针对根据先验知识选取的特征图像区域的攻击。

例如，在本公开实施例提供的用于验证活体人脸图像的方法的步骤S230中，攻击特征包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合。需要说明的是，本公开实施例的攻击特征包括但不局限于上述特征。

例如，如图3所示，在本公开实施例提供的用于验证活体人脸图像的方法中，判断每个特征区域的图像中是否包括攻击特征(图2中的步骤S230)包括如下步骤：

步骤S231：将每个特征区域的图像正则化编码为特征向量；

步骤S232：利用已训练的神经网络判断特征向量中是否包括攻击特征向量。

例如，在步骤S231中，利用正则化编码可以削弱不重要的图像特征，从多个图像特征中生成重要的特征向量，减小特征向量的数据量。

例如，在步骤S232中，已训练的神经网络可以通过如下操作获得：获取包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合的训练图像；将训练图像正则化编码为训练特征向量；以及利用训练特征向量训练神经网络。

例如，神经网络例如为深度神经网络。又例如，神经网络为卷积神经网络。该神经网络可以具有但不限于以下结构：输入层，接收特征向量；卷积层，对输入的特征向量进行平滑和提取特征；反馈层，对输入的特征进行进一步提取；全连接层，用于对特征进行抽象；输出层，用于输出最终的判断结果。

例如，对于已知的攻击人脸以及真实人脸，使用神经网络对其中包含大量细节信息的区域进行学习。对于人脸上同样的位置，真实人脸的细节信息非常真实丰富，而攻击人脸的细节信息会存在部分缺失从而体现出攻击特征。神经网络可以对这种区别进行有效的捕捉，将这些信息使用复杂的数学公式进行深层次的描述，并在接收到新的图片时不断修正这个数学公式以加强其对于细节区域的表达能力。学习出的数学公式可以同时表达所有的攻击人脸的细节特征，从而得到针对真实人脸/攻击人脸细节的神经网络分类器，以判断每个特征区域的图像对应的特征向量中是否包括攻击特征向量。

例如，如图4所示，利用已训练的神经网络判断特征向量中是否包括攻击特征向量(图3中的步骤S232)包括如下步骤：

步骤S2321：利用已训练的神经网络确定特征向量中包括攻击特征向量的概率；

步骤S2322：当概率大于预设概率时，转入步骤S2323，当概率小于等于预设概率时，转入步骤S2323’；

步骤S2323：判断特征向量中包括攻击特征向量(即该特征区域的图像包括攻击特征)；

步骤S2323’：判断特征向量中未包括攻击特征向量(即该特征区域的图像不包括攻击特征)。

例如，在步骤S2321中，利用已训练的神经网络对特征向量应用非线性变换进行建模和识别，以确定特征向量中包括攻击特征向量的概率。

例如，预设概率可以根据安全等级的实际需要灵活调节，从而使虚警率和识别率被均衡以满足用户需求、提高用户体验。

例如，回到图2，在接下来的步骤S240、S250、S260和S260’中，统计包括攻击特征的特征区域的图像的数量，当包括攻击特征的特征区域的图像的数量大于预设数量时，判断人脸图像不是活体人脸图像(即未通过活体验证)；当包括攻击特征的特征区域的图像的数量小于等于预设数量(阈值)时，判断人脸图像是活体人脸图像(即通过活体验证)。

例如，步骤S240和S250中的预设数量可以根据安全等级的实际需要灵活调节，使虚警率和识别率被均衡以满足用户需求、提高用户体验。

例如，在步骤S270中，可以输出活体人脸图像验证的结果，也就是说将步骤S260或S260’的结果输出，输出的形式可以包括但不局限于图像和声音，例如图像或语音“验证通过”或“验证未通过”。这样可以使用户获知验证的反馈信息，提高用户体验。

例如，本公开的实施例提供的用于验证活体人脸图像的方法，不局限于对一张人脸进行验证，也可以对多张人脸一起进行验证。也就是说，可以在步骤S220中获取多个人脸图像中的多个特征区域的图像用于后续步骤的处理。当对多张人脸一起进行验证时，为了提高验证的准确性，可以适当提高步骤S220中选取的特征区域的数量，同时在步骤S250中相应提高预设数量。

下面，将参考图5描述根据本公开实施例的用于验证活体人脸图像的设备。用于验证活体人脸图像的设备可以执行上述方法。由于用于验证活体人脸图像的设备执行的各个操作的细节与在上文中描述的方法基本相同，因此为了避免重复，在下文中仅对用于验证活体人脸图像的设备进行简要的描述，而省略对相同细节的描述。

例如，如图5所示，根据本公开实施例的用于验证活体人脸图像的设备500包括特征区域提取装置520、攻击特征判断装置530、统计及判断装置540和存储装置550。例如，如图5所示，在一个示例中，用于验证活体人脸图像的设备500还可以包括图像获取装置510以及输出装置560。例如，图像获取装置510可以由图1所示的图像获取装置106实现；特征区域提取装置520、攻击特征判断装置530、统计及判断装置540可以由图1所示的处理器102实现；存储装置550可以由图1所示的存储装置104实现；输出装置560可以由图1所示的输出装置108实现。各装置的具体结构和实现方式可以采用现有的各种可行的方案，在此并不进行限定。

例如，图像获取装置510被配置为执行图2中的步骤S210，即在获取人脸图像中至少一个特征区域的图像之前，获取人脸图像，图像获取装置可以是可见光或红外图像获取装置，其获取的图像包括但不局限于灰度图像、彩色图像或红外图像。

例如，特征区域提取装置520被配置为执行图2中的步骤S220，即获取人脸图像中至少一个特征区域的图像。

例如，在本公开实施例提供的用于验证活体人脸图像的设备中，人脸图像中至少一个特征区域的图像根据先验知识选取和/或随机选取。

例如，攻击特征判断装置530被配置为执行图2中的步骤S230，即判断每个特征区域的图像中是否包括攻击特征。

例如，在本公开实施例提供的用于验证活体人脸图像的设备中，攻击特征包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合。

例如，如图6所示，攻击特征判断装置530包括正则化编码模块531和神经网络判断模块532。例如，正则化编码模块531被配置为执行图3中的步骤S231，即将每个特征区域的图像正则化编码为特征向量；神经网络判断模块532被配置为执行图3中的步骤S232，即利用已训练的神经网络判断特征向量中是否包括攻击特征向量。

例如，在本公开实施例提供的用于验证活体人脸图像的设备中，已训练的神经网络通过如下操作获得：获取包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合的训练图像；将训练图像正则化编码为训练特征向量；利用训练特征向量训练神经网络。

例如，在训练神经网络时可以把训练特征向量和该特征向量对应的攻击特征(例如毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合)作为神经网络的输入，使神经网络通过大量学习(例如数千或数万组数据)提高识别率。

例如，在本公开实施例提供的用于验证活体人脸图像的设备中，利用已训练的神经网络判断特征向量中是否包括攻击特征向量包括：利用已训练的神经网络确定特征向量中包括攻击特征向量的概率；当概率大于预设概率时，判断特征向量中包括攻击特征向量。

例如，如图5所示，统计及判断装置540被配置为执行图2中的步骤S240、S250、S260、S260’，即统计包括攻击特征的特征区域的图像的数量，当包括攻击特征的特征区域的图像的数量大于预设数量时，判断人脸图像不是活体人脸图像，当包括攻击特征的特征区域的图像的数量小于等于预设数量时，判断人脸图像是活体人脸图像。

例如，存储装置550被配置为存储人脸图像、特征区域的图像以及图像处理过程中的中间数据。此外，存储装置550还被配置为存储用于实现根据本公开实施例的用于验证活体人脸图像的方法的计算机程序代码。

例如，输出装置560被配置为执行图2中的步骤S270，即输出活体人脸图像验证结果。

此外，根据本公开实施例，还提供了一种计算机程序产品，其包括计算机可读存储介质，在所述计算机可读存储介质上存储了计算机程序指令。所述计算机程序指令在被计算机运行时可以实现根据本公开实施例的用于验证活体人脸图像的方法，并且/或者可以实现根据本公开实施例的用于验证活体人脸图像的设备中的特征区域提取装置、攻击特征判断装置以及统计及判断装置的全部或部分功能。

本公开实施例提供的用于验证活体人脸图像的方法和设备不需要用户做出特定的动作，提高了用户体验，并且可以更有效地防御面具、照片、翻拍或电脑合成等针对活体人脸识别的攻击。

虽然上文中已经用一般性说明及具体实施方式，对本公开作了详尽的描述，但在本公开实施例基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本公开精神的基础上所做的这些修改或改进，均属于本公开要求保护的范围。

Claims (19)

1.一种用于验证活体人脸图像的方法，包括：

获取人脸图像中至少一个特征区域的图像；

判断每个所述特征区域的图像中是否包括攻击特征；

统计包括所述攻击特征的特征区域的图像的数量；

当包括所述攻击特征的特征区域的图像的数量大于预设数量时，判断所述人脸图像不是活体人脸图像，当包括所述攻击特征的特征区域的图像的数量小于等于预设数量时，判断所述人脸图像是活体人脸图像。

2.根据权利要求1所述的用于验证活体人脸图像的方法，其中，所述攻击特征包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合。

3.根据权利要求1所述的用于验证活体人脸图像的方法，其中，所述人脸图像中至少一个特征区域的图像根据先验知识选取和/或随机选取。

4.根据权利要求1-3任一项所述的用于验证活体人脸图像的方法，其中，所述判断每个所述特征区域的图像中是否包括攻击特征包括：

将每个所述特征区域的图像正则化编码为特征向量；

利用已训练的神经网络判断所述特征向量中是否包括攻击特征向量。

5.根据权利要求4所述的用于验证活体人脸图像的方法，其中，所述已训练的神经网络通过如下操作获得：

获取包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合的训练图像；

将所述训练图像正则化编码为训练特征向量；

利用所述训练特征向量训练所述神经网络。

6.根据权利要求4所述的用于验证活体人脸图像的方法，其中，所述利用已训练的神经网络判断所述特征向量中是否包括攻击特征向量包括：

利用所述已训练的神经网络确定所述特征向量中包括所述攻击特征向量的概率；

当所述概率大于预设概率时，判断所述特征向量中包括所述攻击特征向量。

7.根据权利要求1-3任一项所述的用于验证活体人脸图像的方法，在获取人脸图像中至少一个特征区域的图像之前，还包括获取所述人脸图像。

8.根据权利要求1-3任一项所述的用于验证活体人脸图像的方法，还包括输出活体人脸图像验证结果。

9.一种用于验证活体人脸图像的设备，包括：

一个或多个处理器；

一个或多个存储器；以及

存储在所述存储器中的计算机程序指令，在所述计算机程序指令被所述处理器运行时执行以下步骤：

获取人脸图像中至少一个特征区域的图像；

判断每个所述特征区域的图像中是否包括攻击特征；

统计包括所述攻击特征的特征区域的图像的数量；

当包括所述攻击特征的特征区域的图像的数量大于预设数量时，判断所述人脸图像不是活体人脸图像，当包括所述攻击特征的特征区域的图像的数量小于等于预设数量时，判断所述人脸图像是活体人脸图像。

10.根据权利要求9所述的用于验证活体人脸图像的设备，其中，所述攻击特征包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合。

11.根据权利要求9所述的用于验证活体人脸图像的设备，其中，所述人脸图像中至少一个特征区域的图像根据先验知识选取和/或随机选取。

12.根据权利要求9-11任一项所述的用于验证活体人脸图像的设备，其中，所述判断每个所述特征区域的图像中是否包括攻击特征包括：

将所述特征区域的图像正则化编码为特征向量；

利用已训练的神经网络判断所述特征向量中是否包括攻击特征向量。

13.根据权利要求12所述的用于验证活体人脸图像的设备，其中，所述已训练的神经网络通过如下操作获得：

获取包括毛孔缺失、皱纹缺失、阴影缺失、非自然反光、活体人脸无法做出的肌肉动作、马赛克、锯齿和摩尔纹中的一种或其组合的训练图像；

将所述训练图像正则化编码为训练特征向量；

利用所述训练特征向量训练所述神经网络。

14.根据权利要求12所述的用于验证活体人脸图像的设备，其中，所述利用已训练的神经网络判断所述特征向量中是否包括攻击特征向量包括：

利用所述已训练的神经网络确定所述特征向量中包括所述攻击特征向量的概率；

当所述概率大于预设概率时，判断所述特征向量中包括所述攻击特征向量。

15.根据权利要求9-11任一项所述的用于验证活体人脸图像的设备，还包括图像获取装置，被配置为在获取人脸图像中至少一个特征区域的图像之前，获取所述人脸图像。

16.根据权利要求9-11任一项所述的用于验证活体人脸图像的设备，还包括输出装置，被配置为输出活体人脸图像验证结果。

17.一种用于验证活体人脸图像的设备，包括：

特征区域提取装置，被配置为获取人脸图像中至少一个特征区域的图像；

攻击特征判断装置，被配置为判断每个所述特征区域的图像中是否包括攻击特征；以及

统计及判断装置，被配置为统计包括所述攻击特征的特征区域的图像的数量，当包括所述攻击特征的特征区域的图像的数量大于预设数量时，判断所述人脸图像不是活体人脸图像，当包括所述攻击特征的特征区域的图像的数量小于等于预设数量时，判断所述人脸图像是活体人脸图像。

18.根据权利要求17所述的用于验证活体人脸图像的设备，还包括：图像获取装置，被配置为在获取人脸图像中至少一个特征区域的图像之前，获取所述人脸图像。

19.根据权利要求17或18所述的用于验证活体人脸图像的设备，还包括：输出装置，被配置为输出活体人脸图像验证结果。