本技术涉及图像处理，具体涉及一种用于人脸识别的活体检测方法以及用于人脸识别的活体检测装置。
背景技术：
1、现有技术中进行人脸识别的活体检测时，有基于概率决策神经网络pbdnn，该方法将输入的人脸图像与每个已知人脸的特征进行比较，使用的是局部二值模式(lbp)特征和haar-like特征，计算它们之间的概率距离，并将其与一个阈值进行比较来进行分类。另一种早期的方法使用自组织映射(som)和卷积神经网络结合的方式。自组织映射(som)是一种无监督学习算法，可以将高维空间的数据映射到二维(或三维)空间中。som的基本思想是将高维空间的输入向量映射到一个低维空间的网格中，使得相似的输入向量在映射后在网格上的位置相邻。这样就可以将高维数据在低维空间中进行可视化，并且可以将其用于聚类和分类等任务。将som和cnn相结合，可以得到一种具有优异性能的图像分类算法。在这种方法中，som用于对输入图像进行编码，将图像编码成一个向量，然后将这个向量作为输入送入cnn进行分类。这种方法可以有效地提取图像的高层次特征，同时可以减小输入数据的维度，加快计算速度。在使用som和cnn进行图像分类时，首先使用som对训练集中的图像进行编码，然后使用cnn对编码后的图像进行分类。在测试时，使用som对测试图像进行编码，然后使用训练好的cnn对编码后的图像进行分类。这种方法可以有效地提高图像分类的准确性和计算效率。以上两种都不是端对端的人脸识别算法，端对端的人脸识别网络使用了使用对比损失函数训练的孪生架构。对比损失主要思想是将同一类别的样本拉近，不同类别的样本推远。由于网络深度和计算量小，数据集也不够完善和丰富，以上网络相较传统方法仍未取得突破性的进展。
2、在实际研究中发现，通过利用不同颜色的照射，人脸皮肤会反射相对应的不同颜色的反应，而不同肤色的人在进行不同颜色的光照射时，也会出现不同的情况，而现有技术中通过神经网络进行活体识别时，没有考虑不同颜色的光以及不同肤色特征所提供的信息量。
技术实现思路
1、本发明的目的在于提供一种用于人脸识别的活体检测方法来至少解决上述的一个技术问题。
2、本发明的一个方面，提供一种用于人脸识别的活体检测方法，所述用于人脸识别的活体检测方法包括：
3、获取第一次拍摄的图像信息；
4、获取活体检测分类器数据库，所述活体检测分类器数据库包括至少一组三元组，一组三元组包括一个预设人脸基因种类、一种预设光颜色以及一个经过训练的活体识别神经网络；
5、根据第一次拍摄的图像信息获取人脸基因特征；
6、获取与所述第一次拍摄的图像信息所获取的人脸基因特征相同的各个三元组作为待使用三元组；
7、获取第二次拍摄的图像组，所述图像组包括多张具有不同颜色的光射至人脸的人脸图像；
8、为每个人脸图像进行如下操作：
9、获取待使用三元组中与射至该人脸图像的光颜色相同的预设光颜色所在的三元组中的经过训练的活体识别神经网络；
10、提取所述人脸图像的人脸特征；
11、将所述人脸特征输入至所述经过训练的活体识别神经网络，从而获取活体识别判断结果。
12、可选地，所述活体识别神经网络包括svr神经网络模型网络、cnn深度学习训练模型网络、resnet-18深度残差网络训练模型网络。
13、可选地，所述每组三元组中的经过训练的活体识别神经网络采用如下方法进行训练：
14、获取训练数据集，所述训练数据集包括至少一个训练用图像数据，每个训练用图像数据的预设人脸基因种类均为该三元组中的预设人脸基因种类，每个训练用图像数据的预设光颜色均为该三元组中的预设光颜色；
15、获取测试集，所述测试集包括至少一个测试用图像数据，每个测试用图像数据的预设人脸基因种类均为该三元组中的预设人脸基因种类，每个测试用图像数据的预设光颜色均为该三元组中的预设光颜色；
16、构建svr神经网络模型网络、cnn深度学习训练模型网络、resnet-18深度残差网络训练模型网络；
17、通过训练数据集分别对svr神经网络模型网络、cnn深度学习训练模型网络、resnet-18深度残差网络训练模型网络进行训练并通过测试集进行测试，从而获取svr神经网络模型网络、cnn深度学习训练模型网络、resnet-18深度残差网络训练模型网络中评价效果最好的一个作为该三元组中的经过训练的活体识别神经网络。
18、可选地，所述评价效果采用tpr测试、fpr测试、tnr测试、fnr测试中的一种或者多种进行评价。
19、可选地，所述活体识别判断结果包括结果为活体；
20、当所述结果为活体时，所述用于人脸识别的活体检测方法进一步包括：
21、生成活体对象动作语音提示；
22、获取所述活体对象在所述活体对象根据语音指示进行动作过程中同时进行炫彩测试并获取整个炫彩测试过程中的待检测图像帧组；
23、根据待检测图像帧组对所述活体对象进行动态动作活体检测；
24、根据待检测图像帧组对所述活体对象进行静态炫彩活体检测。
25、可选地，所述动作过程为往复动作过程，每个往复动作过程均包括两个行程，其中一个行程为初始行程，另一个行程为初始行程的倒放行程；
26、在所述活体对象进行一次所述往复动作过程中，所能够获取的待检测图像帧组中，至少有两帧的图像信息中，特定位置的图像特征相似度超过预设阈值。
27、可选地，所述在所述活体对象根据语音指示进行动作过程中同时进行炫彩测试并获取整个炫彩测试过程中的待检测图像帧组包括：
28、根据所述语音指示获取动作过程中往复动作过程次数，所述往复动作过程次数至少为两次；
29、在进行首次往复动作过程且位于初始行程过程中，以预设时间间隔在白色屏幕背景下采集活体对象位于所述往复动作中不同位置的标准比对图像；
30、在首次往复动作过程中的初始行程过程之后的其他每次初始行程以及倒放行程中，以所述预设时间间隔在不同的屏幕色彩背景下采集活体对象位于所述往复动作中不同位置的第一色彩图像，其中，位于同一行程内的屏幕色彩背景相同，位于不同行程内的屏幕色彩背景不同；其中，
31、根据各个所述标准比对图像、各个第一色彩图像组成所述待检测图像帧组。
32、可选地，所述根据待检测图像帧组对所述活体对象进行静态炫彩活体检测包括：
33、根据所述语音指示获取动作种类；
34、获取动作种类预设区域数据库，所述动作种类预设区域数据库包括至少一个预设动作种类以及每个预设动作种类所对应的特征比对区域；
35、根据所述动作种类获取所述动作种类预设区域数据库内与该动作种类相同的预设动作种类所对应的特征比对区域；
36、所述为每个标准比对图像进行如下操作：
37、提取所述标准标准比对图像的特征比对区域；
38、分别提取各个第一色彩图像的特征比对区域；
39、将所述标准比对图像的特征比对区域分别与各个第一色彩图像的特征比对区域进行相似度比对，从而获取相似度超过第二预设相似度阈值的第一色彩图像，该标准比对图像以及与该标准比对图像的相似度超过第一预设相似度阈值的第一色彩图像组成一组待检测图像帧组；
40、根据各组待检测图像帧组进行静态炫彩活体检测。
41、可选地，当获取的待检测图像帧组的数量为一组时，所述根据各组待检测图像帧组进行静态炫光检测并获取静态炫光检测结果包括：
42、对每组待检测图像帧组进行如下操作：
43、根据标准比对图像分别对每个与该标准比对图像位于同一组的第一色彩图像进行颜色识别，从而获取每个第一色彩图像的颜色信息；
44、分别为每个获取颜色信息的第一色彩图像进行如下操作：
45、获取拍摄该第一色彩图像时的屏幕色彩背景的背景颜色信息；
46、判断各个第一色彩图像的颜色信息是否与自身的背景颜色信息相同，若是，则判断静态炫光活体检测成功。
47、本技术还提供了一种用于人脸识别的活体检测装置，所述用于人脸识别的活体检测装置包括：
48、图像信息获取模块，所述图像信息获取模块用于获取第一次拍摄的图像信息；
49、活体检测分类器数据库获取模块，所述活体检测分类器数据库获取模块用于获取活体检测分类器数据库，所述活体检测分类器数据库包括至少一组三元组，一组三元组包括一个预设人脸基因种类、一种预设光颜色以及一个经过训练的活体识别神经网络；
50、人脸基因特征获取模块，所述人脸基因特征获取模块用于根据第一次拍摄的图像信息获取人脸基因特征；
51、待使用三元组获取模块，所述待使用三元组获取模块用于获取与所述第一次拍摄的图像信息所获取的人脸基因特征相同的各个三元组作为待使用三元组；
52、图像组获取模块，所述图像组获取模块用于获取第二次拍摄的图像组，所述图像组包括多张具有不同颜色的光射至人脸的人脸图像；
53、活体识别判断模块，所述活体识别判断模块用于为每个人脸图像进行如下操作：
54、获取待使用三元组中与射至该人脸图像的光颜色相同的预设光颜色所在的三元组中的经过训练的活体识别神经网络；
55、提取所述人脸图像的人脸特征；
56、将所述人脸特征输入至所述经过训练的活体识别神经网络，从而获取活体识别判断结果。
57、有益效果
58、本技术的用于人脸识别的活体检测方法优点在于：
59、1、在进行神经网络的选择时，通过训练神经网络并进行评价从而获取每种人脸基因种类(在本技术中，人脸基因种类表示人种肤色，例如，肤色比较白的人、肤色比较黑的人以及肤色比较黄的人)以及每种光颜色所最为合适的神经网络，并通过将待检测图像输入至最为合适的神经网络中，从而获取分类结果，这样能够使得获取的结果充分考虑肤色以及色彩的信息，从而使得结果更为准确。
60、2、在进行完人脸图像的神经网络的识别后，本技术还进行通过动态以及静态两种识别方式同时进行活体的识别，从而使得本技术的方法可以同时克服动态活体检测的缺点以及静态活体检测的缺点，例如，动态活体检测的缺点在于可通过合成技术合成视频，但是这种确定会被静态炫光活体检测所弥补，因为静态炫光活体检测会在活体运动过程中给与不同炫光颜色，从而使得合成技术所合成的视频在进行静态炫光检测时无法通过，相对的，本技术的方法也能够通过在进行静态炫光活体检测同时进行动态活体检测的方式解决单独进行静态炫光检测时所带来的缺点。
1.一种用于人脸识别的活体检测方法，其特征在于，所述用于人脸识别的活体检测方法包括：
2.如权利要求1所述的用于人脸识别的活体检测方法，其特征在于，所述活体识别神经网络包括svr神经网络模型网络、cnn深度学习训练模型网络、resnet-18深度残差网络训练模型网络。
3.如权利要求2所述的用于人脸识别的活体检测方法，其特征在于，所述每组三元组中的经过训练的活体识别神经网络采用如下方法进行训练：
4.如权利要求3所述的用于人脸识别的活体检测方法，其特征在于，所述评价效果采用tpr测试、fpr测试、tnr测试、fnr测试中的一种或者多种进行评价。
5.如权利要求4所述的用于人脸识别的活体检测方法，其特征在于，所述活体识别判断结果包括结果为活体；
6.如权利要求5所述的用于人脸识别的活体检测方法，其特征在于，所述动作过程为往复动作过程，每个往复动作过程均包括两个行程，其中一个行程为初始行程，另一个行程为初始行程的倒放行程；
7.如权利要求6所述的用于人脸识别的活体检测方法，其特征在于，所述在所述活体对象根据语音指示进行动作过程中同时进行炫彩测试并获取整个炫彩测试过程中的待检测图像帧组包括：
8.如权利要求7所述的用于人脸识别的活体检测方法，其特征在于，所述根据待检测图像帧组对所述活体对象进行静态炫彩活体检测包括：
9.如权利要求8所述的用于人脸识别的活体检测方法，其特征在于，当获取的待检测图像帧组的数量为一组时，所述根据各组待检测图像帧组进行静态炫光检测并获取静态炫光检测结果包括：
10.一种用于人脸识别的活体检测装置，其特征在于，所述用于人脸识别的活体检测装置包括：
