多光谱图像预处理方法、活体检测方法、设备及存储介质与流程

多光谱图像预处理方法、活体检测方法、设备及存储介质
【技术领域】
1.本技术涉及生物识别技术领域，尤其涉及一种多光谱图像预处理方法、活体检测方法、设备及存储介质。


背景技术：

2.相关技术中，多光谱相机相较于rgb(红、绿、蓝三色)相机和ir(红外)相机，能够获得更加丰富的光谱信息，可以反映出物体本质的反射特性，即物体在不同波段下的反射率仅与物体的组成成分及结构相关。
3.但是，多光谱相机获取多光谱图像时，多光谱相机接收物体的反射辐亮度并经过数字信号转化之后，会以dn值(digital number，数字量化值)的形式记录下来从而形成相应的多光谱图像，若外界光源的光照强度或者方向发生变化，所呈现出的多光谱图像也会随之发生变化，这就导致对于组成成分相同的物体，本该获得相近的反射率曲线，但受光照强度或光照方向变化的影响，所获得的反射率曲线却相差较大，很难反映出物体本质的反射特性。


技术实现要素：

4.本技术提供了一种多光谱图像预处理方法、活体检测方法、设备及存储介质，旨在解决相关技术中多光谱图像受光照强度或方向变化的影响而导致反射率差异的技术问题。
5.为了解决相关技术中所存在的上述技术问题，本技术实施例第一方面提供了一种多光谱图像预处理方法，包括：获取多光谱图像；根据多光谱图像中每个像素的各个通道的数字量化值，计算每个像素的各个通道的等效反射率，其中，数字量化值指示反射辐亮度，等效反射率指示对应通道的反射辐亮度占像素的反射总辐亮度的比例值；根据每个像素的各个通道的等效反射率，生成多光谱反射率图像。
6.在一些实施例中，根据多光谱图像中每个像素的各个通道的数字量化值，计算每个像素的各个通道的等效反射率，包括：根据每个像素的各个通道的数字量化值，计算每个像素的反射辐亮度模值；根据每个像素的反射辐亮度模值及各个通道的数字量化值，计算每个像素的各个通道的等效反射率。在一些实施例中，反射辐亮度模值的计算公式如下：其中，a
norm
为像素的反射辐亮度模值，dn1为像素的第一个通道的数字量化值，dn2为像素的第二个通道的数字量化值，dnn为像素的第n个通道的数字量化值，n为大于3的正整数。在一些实施例中，等效反射率的计算公式如下：pi＝dni/a
norm
；其中，pi为像素的第i个通道的等效反射率，1≤i≤n，dni为像素的第i个通道的数字量化值。
7.本技术实施例第二方面提供了一种活体检测方法，包括：获取待识别人脸的多光谱图像；根据本技术实施例第一方面所述的多光谱图像预处理方法，对多光谱图像进行预处理，得到多光谱反射率图像；识别多光谱反射率图像中待识别人脸的多个特征区域，并获取每个特征区域的反射率曲线；根据各个特征区域的反射率曲线，检测待识别人脸是否为活体。
8.在一些实施例中，获取每个特征区域的反射率曲线，包括：计算每个特征区域的各个通道的平均反射率，其中，平均反射率为特征区域中所有像素在对应通道的反射率的平均值；根据各个通道的平均反射率绘制对应的特征区域的反射率曲线。在一些实施例中，根据各个特征区域的反射率曲线，检测待识别人脸是否为活体，包括：将各个特征区域的反射率曲线输入预设的活体检测模型，得到人脸生物特征；根据人脸生物特征判断待识别人脸是否为活体。在一些实施例中，多个特征区域包括额头区域、脸颊区域、嘴唇区域及鼻子区域中的至少两个。
9.本技术实施例第三方面提供了一种电子设备，其包括多光谱相机以及处理器；多光谱相机用于获取待识别人脸的多光谱图像；处理器用于接收多光谱图像，并执行本技术实施例第一方面所述的多光谱图像预处理方法，或执行本技术实施例第二方面所述的活体检测方法。
10.本技术实施例第四方面提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当计算机程序被处理器调用时执行本技术实施例第一方面所述的多光谱图像预处理方法，或执行本技术实施例第二方面所述的活体检测方法。
11.本技术中，通过计算多光谱图像中每个像素的各个通道的等效反射率，进而实现将各个通道的反射辐亮度归一化，当外界光源的光照强度或方向发生变化时，虽然每个像素的各个通道的数字量化值会随之发生变化，但各个通道的等效反射率不会发生较大的变化，使得多光谱图像中组成成分相同的物体之间始终具有相近的反射率曲线，从而有效地消除了光照强度或方向对多光谱图像造成的影响，提高了后续的活体检测的精度。
【附图说明】
12.为了更清楚地说明相关技术或本技术实施例中的技术方案，下面将对相关技术或本技术实施例的描述中所需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是本技术的一些实施例，而并非是全部实施例，对于本领域的普通技术人员来讲，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。
13.图1为本技术实施例提供的电子设备的结构示意图；
14.图2为本技术实施例提供的活体检测方法的流程示意图；
15.图3为本技术实施例提供的不同材质的人脸的四个部位的反射率曲线；
16.图4为本技术实施例提供的多光谱相机的四个通道的光谱响应曲线；
17.图5为本技术实施例提供的利用关键点模型提取特征区域的示意图；
18.图6为本技术实施例提供的多光谱图像预处理方法的流程示意图；
19.图7为本技术实施例提供的多光谱图像预处理方法的验证结果图；
20.图8为本技术实施例提供的处理器的模块框图。
【具体实施方式】
21.为了使本技术的目的、技术方案及优点更加的明显、易懂，下面将结合本技术实施例以及相应的附图，对本技术进行清楚、完整地描述，其中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。应当理解的是，下面所描述的本技术的各个实施例仅用以解释本技术，并不用于限定本技术，即基于本技术的各个实施例，本领
域的普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。此外，下面所描述的本技术的各个实施例中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
22.请参阅图1，其为本技术实施例提供的电子设备的结构示意图，电子设备100包括多光谱相机110及处理器120，多光谱相机110用于采集待识别人脸的多光谱图像，处理器120用于接收多光谱图像并对其进行一系列的处理，比如本技术实施例于下文中所提供的多光谱图像预处理及进行活体检测等，从而达到相应的目的。
23.需要说明的是，本技术实施例中的电子设备100泛指本领域内常见的具有刷脸功能的设备，比如智能门锁、平板电脑、手机、支付设备及智能穿戴设备等。以智能门锁为例，其获取待识别人脸的多光谱图像，并根据多光谱图像检测待识别人脸是否为活体，以及在待识别人脸为活体时，进一步根据多光谱图像检测待识别人脸是否为合法人脸，并在检测到待识别人脸为合法人脸时，对智能门锁的锁体进行开锁操作；具体可以将多光谱图像中待识别人脸的人脸与预设人脸数据库进行匹配，若匹配成功，则确定待识别人脸属于合法人脸，而若匹配失败，则确定待识别人脸不属于合法人脸。
24.作为其中的一种实施例，多光谱相机110具有多个通道，分别采集待识别人脸反射的多种波段的光束，从而生成多光谱图像；处理器120接收多光谱图像，并根据多光谱图像检测待识别人脸是否属于活体。采用多光谱图像进行活体检测相较于普通的彩色图像(如rgb图像)或红外图像，多光谱图像能够获得更多的光谱信息，通过这些信息可以更准确地检测是否为活体，而不容易受到2d打印、图片以及高精度头模等攻击。
25.在本实施例的一些实施方式中，处理器120由集成电路所组成，其可以由单个封装的集成电路所组成，也可以由多个相同功能或不同功能封装的集成电路所组成，其包括中央处理器(cpu)、微处理器、神经网络芯片、数字处理芯片、图形处理器及各种控制芯片中的任意一种或多种的组合；此外，当电子设备100被集成到诸如手机、电视、电脑等智能终端中时，智能终端中的处理电路即可作为处理器120的至少一部分。可以理解的是，处理器120是电子设备100的控制核心，其利用各种接口和线路连接整个电子设备100的各个部件，并通过运行或执行计算机程序或模块以及调用数据，来实现电子设备100的各种功能和数据处理，比如实现本技术实施例于下文中将要提供的多光谱图像预处理方法及活体检测方法。
26.作为其中的一种实施例，电子设备100除了包括多光谱相机110及处理器120以外，还可以包括存储器130，存储器130至少包括一种类型的计算机可读存储介质，该计算机可读存储介质可以包括但不限于闪存、移动硬盘、多媒体卡、卡型存储器(比如sd存储器、dx存储器等)、磁性存储器、磁盘和光盘。在本实施例的一些实现方式中，存储器130可以是电子设备100的内部存储单元(比如电子设备100的移动硬盘)，也可以是电子设备100的外部存储设备，比如电子设备100上配备的插接式移动硬盘、智能存储卡(smc)、安全数字(sd)卡及闪存卡等，甚至还可以同时是电子设备100的内部存储单元和外部存储设备；进一步地，存储器130不仅可以用于存储安装于电子设备100的应用软件、各类数据及计算机程序(比如实现多光谱图像预处理功能、活体检测功能、身份鉴定功能的代码等)，还可以用于暂时地存储已经输出或者将要输出的数据；在实际的应用中，处理器120可以调取并运行存储器130中存储的计算机程序，从而实现活体检测、多光谱图像预处理等功能。
27.在一些实施例中，电子设备100还包括宽光谱光源(图未示)，用于向待识别人脸投
射宽光谱光束(例如400nm-1000nm的光束)，多光谱相机110的多个通道位于宽光谱光束对应的波段内，以提高多光谱图像的清晰度及活体检测的精度。
28.本技术实施例提供了一种多光谱图像预处理方法、及基于该预处理方法的活体检测方法，通过预处理方法使得在不同光照亮度及光照方向下，在多光谱图像中组成成分相同的物体之间具有相近的反射率，如此也可以提升活体检测方法的准确度；实际上，本技术实施例提供的多光谱图像预处理方法、及基于该预处理方法的活体检测方法均是存储在存储器130上的计算机程序，这些计算机程序均可以被处理器120调用，使得处理器120可以执行这些计算机程序，从而实现相应的功能，比如多光谱图像的预处理功能、待识别人脸的活体检测功能等。
29.请参阅图2，其为本技术实施例提供的活体检测方法的流程示意图，在一些实施例中，该活体检测方法包括如下步骤201至204。
30.步骤201、获取待识别人脸的多光谱图像。
31.在步骤201中，可通过多光谱相机110采集待识别人脸反射的多种不同波段的光束生成多光谱图像。在一些实施例中，设有宽光谱光源，在进行活体检测时宽光谱光源用于向待识别人脸投射宽光谱光束(例如400nm-1000nm的光束)。
32.步骤202、根据多光谱图像预处理方法，对多光谱图像进行预处理，得到多光谱反射率图像。
33.多光谱反射率图像中包括每个像素的各个通道的等效反射率，利用多光谱图像预处理方法对多光谱图像进行预处理后，可以消除光照强度或方向对多光谱图像造成的影响，提高了后续的活体检测的精度，多光谱图像预处理方法的具体内容将在下文的实施例中进行详细说明。
34.步骤203、识别多光谱反射率图像中待识别人脸中的多个特征区域，并获取每个特征区域的反射率曲线。
35.由于不同材质的物体在光谱维度会呈现出迥异的吸收特性，故而会形成不同的反射率曲线，进而物体在光谱维度的反射率曲线可以反映物体的材质特征，对于人脸即为生物特征。请参阅图3，其为本技术实施例提供的不同材质的人脸的四个部位的反射率曲线，其中，图3(1)对应于真人人脸，图3(2)对应于硅胶人脸，图3(3)对应于树脂人脸，图3(4)对应于塑料人脸；图3(1)～(4)中的曲线a均对应于额头区域、曲线b均对应于脸颊区域、曲线c均对应于嘴唇区域、曲线d均对应于鼻子区域。本技术实施例预先通过采集四种人脸的高光谱图像，从中分析不同材质的人脸的四个特征部位(即额头、脸颊、嘴唇及鼻子)在400～1000nm的反射特性，从图3中可以明显地看出，真人人脸在450nm、500nm、750nm及920nm处与硅胶人脸、树脂人脸及塑料人脸相比存在明显的吸收特征，即反射率很低。在一些实施例中，多光谱相机具有中心波长为450nm、500nm、750nm及920nm四个通道，使得多光谱相机110在450nm、500nm、750nm及920nm处具有较高的响应，从而基于多光谱图像进行活体检测时可以较准确地区分真人与假体。在一个实施例中，这四个通道的滤光曲线可以参见图4，图4中的曲线s1、s2、s3及s4分别为中心波长为450nm、500nm、750nm及920nm的四个通道对应的滤光曲线。并且，高光谱图像波段较多且数据冗余，不利于直接用于活体检测的输入，因此，依据真人人脸与其它假体人脸在各个特征部位对光谱的响应差异，可为多光谱相机110设计合理的滤光通道，则通过多光谱图像可以更好地反映真人人脸本质的反射特征(即生物特
征)。
36.在一些实施例中，步骤203中的多个特征区域，优选为额头、脸颊、嘴唇及鼻子这四个特征区域，并获取每个特征区域的反射率曲线。作为其中的一种实施例，获取每个特征区域的反射率曲线时，实际上获取的是每个特征区域的各个通道的平均反射率，即，对特征区域中所有像素在每个通道的等效反射率进行求取平均值，得到特征区域中各个通道的平均反射率，然后根据各个通道的平均反射率绘制反射率曲线，反射率曲线中包括各个通道的平均反射率，如此，后续活体检测时可避免单一像素的等效反射率进行识别的误差，提高活体检测精度。
37.作为其中的一种实施例，采用如图5所示的人脸98关键点模型从多光谱反射率图像或多光谱图像中确定出额头、脸颊、嘴唇及鼻子这四个特征区域。具体地，先从多光谱反射率图像或多光谱图像中待识别人脸的人脸部分获得相应的关键点，再依据各关键点之间的位置关系，大致获得额头、脸颊、嘴唇及鼻子这四个特征区域的位置坐标，最后再从多光谱反射率图像中获取额头、脸颊、嘴唇及鼻子这四个特征区域各自的反射率曲线。需要说明的是，本技术并不限于额头、脸颊、嘴唇及鼻子四个特征区域，也可以是其中的两个或三个，或者其它特征区域，在此不做具体限制。
38.步骤204、根据各个特征区域的反射率曲线检测待识别人脸是否为活体。
39.虽然人脸上各个区域均为皮肤，但不同特征区域对于同一波段的光束的反射率可能会存在一定的差异，联合多个特征区域的反射率曲线进行活体检测，可以提高活体检测的精度。具体地，将各个特征区域的反射率曲线按照一定的顺序连接并输入预设的活体检测模型，活体检测模型对各个特征区域的反射率曲线进行识别，输出对应的人脸生物特征，再根据人脸生物特征确定待识别人脸是否为活体。活体检测模型的检测原理是“不同材质的物体具有不同的反射率曲线”，当各个特征区域的反射率曲线对应于真人人脸时，活体检测模型所输出的人脸生物特征所表征的材质必然属于真人人脸，此时即可判定待识别人脸为活体；当各个特征区域的反射率曲线对应于硅胶人脸时，活体检测模型所输出的人脸生物特征所表征的材质必然属于硅胶，此时即可判定待识别人脸不属于活体。需要说明的是，活体检测模型在投入使用之前需要经过大量的训练，通过输入大量的真人及其它不同材质的人脸的不同特征区域的反射率曲线对其进行训练，使其可以根据反射率曲线识别相对应的材质。
40.通过本技术提供的活体检测方法，首先对获取到的多光谱图像进行预处理，得到多光谱反射率图像，消除了光照强度和方向对光谱曲线的影响，然后根据多光谱反射率图像中的多个特征区域的反射率曲线进行活体检测，结合了不同特征区域的反射特性，提高了活体检测的精度。
41.请参阅图6，其为本技术实施例提供的多光谱图像预处理方法的流程示意图，在一些实施例中，该预处理方法可以应用于上述活体检测方法中的步骤202内，以消除光照强度或方向对活体检测造成的影响，该预处理方法包括如下步骤601至603。
42.步骤601、获取多光谱图像。
43.步骤601与上述步骤201类似或相同，可以参考上述步骤201的相关陈述，在此不做赘述。
44.步骤602、根据多光谱图像中每个像素的各个通道的数字量化值，计算每个像素的
各个通道的等效反射率。
45.假设多光谱相机110具有n(n为大于3的正整数)个滤光通道，则多光谱图像为n通道多光谱图像，其每个像素均具有n个数字量化值，这n个数字量化值分别指示n个通道的反射辐亮度。在步骤602时，获取多光谱图像中每个像素中n个通道的数值化量值，并根据每个像素的n个通道的数字量化值，计算每个像素的n个通道的等效反射率，该等效反射率指示像素中对应通道的反射辐亮度占该像素的反射总辐亮度的比例值。
46.步骤603、根据每个像素的各个通道的等效反射率，生成多光谱反射率图像。
47.在一个实施例中，将多光谱图像中每个像素的各个通道的数字量化值分别替换为各个通道的等效反射率所生成的图像为多光谱反射率图像。在另一个实施例中，依据所有像素的各个通道的等效反射率，对应生成新的多光谱反射率图像。
48.本技术的多光谱图像预处理方法，通过计算多光谱图像中每个像素的各个通道的等效反射率，进而将各个通道的反射辐亮度进行了归一化，当外界光源的光照强度或方向发生变化时，虽然每个像素的各个通道的数字量化值会随之发生变化，但各个通道的等效反射率不会发生较大的变化，使得多光谱图像中组成成分相同的物体之间始终具有相近的反射率曲线，从而有效地消除了光照强度或方向对多光谱图像造成的影响，提高了基于多光谱图像进行活体检测的精度。
49.如图7所示，图7(1)示出了多光谱图像(未经预处理)中待识别人脸脸颊亮光区域与暗光区域的数字量化值曲线，由于待识别人脸脸颊的组成成分是相同的，理论上亮光区域与暗光区域的数字量化值曲线相同或十分相近，但是受光照方向的影响，亮光区域与暗光区域的数字量化值曲线却相差很大，依据多光谱图像直接计算的反射率在亮光区域和暗光区域差异较大，如果直接用多光谱图像进行活体检测，容易存在较大的误差，降低活体检测的准确度；图7(2)示出了对多光谱图像进行预处理后得到的多光谱反射率图像中待识别人脸脸颊亮光区域与暗光区域的反射率曲线，可见亮光区域和暗光区域的反射率曲线十分相近，说明多光谱图像预处理方法对于消除光照强度或方向所带来的影响是十分有效的，有利于提高活体检测的精度。
50.作为其中的一种实施例，步骤602包括：根据每个像素的各个通道的数字量化值，计算每个像素的反射辐亮度模值；根据每个像素的反射辐亮度模值及各个通道的数字量化值，计算每个像素的各个通道的等效反射率。在本实施例的一些实现方式中，反射辐亮度模值的计算公式为：其中，a
norm
为像素的反射辐亮度模值，dn1为像素的第一个通道的数字量化值，dn2为像素的第二个通道的数字量化值，dnn为像素的第n个通道的数字量化值，n为大于3的正整数。在本实施例的一些实现方式中，等效反射率的计算公式为：pi＝dni/a
norm
；其中，pi为像素的第i个通道的等效反射率，1≤i≤n，dni为像素的第i个通道的数字量化值。
51.示例性地，以9通道多光谱图像为例进行说明，其中一个像素的反射辐亮度模值像素第1个通道的等效反射率p1＝dn1/a
norm
、第2个通道的等效反射率p2＝dn2/a
norm
、第3个通道的等效反射率p3＝dn3/a
norm
、第4个通道的等效反射率p4＝dn4/a
norm
、第5个通道的等效反射率p5＝dn5/a
norm
、第6个通道的等效反射率p6＝dn6/a
norm
、第7个通道的等效反射率p7＝dn7/a
norm
、第8个
通道的等效反射率p8＝dn8/a
norm
、第9个通道的等效反射率p9＝dn9/a
norm
；之后，将像素9个通道的数字量化值dn1、dn2、dn3、dn4、dn5、dn6、dn7、dn8、dn9分别更新为9个通道各自的等效反射率p1、p2、p3、p4、p5、p6、p7、p8、p9，并对多光谱图像中所有的像素均执行类似的操作，即可得到相应的多光谱反射率图像。
52.请参阅图8，其为本技术实施例提供的处理器120的模块框图，在一些实施例中，处理器120包括多光谱图像预处理模块121及活体检测模块122，其中，多光谱图像预处理模块121用于执行本技术实施例提供的多光谱图像预处理方法，而活体检测模块122则用于执行本技术实施例提供的活体检测方法。作为其中的一种实施例，多光谱图像预处理模块121包括获取单元1211、计算单元1212及生成单元1213；其中，获取单元1211用于获取待识别人脸的多光谱图像；计算单元1212用于根据多光谱图像中每个像素的各个通道的数字量化值，计算每个像素的各个通道的等效反射率；生成单元1213用于根据每个像素的各个通道的等效反射率，生成多光谱反射率图像。作为其中的一种实施例，活体检测模块122包括提取单元1221以及检测单元1222；其中，提取单元1221用于识别多光谱反射率图像中待识别人脸的人脸部分中的多个特征区域，并获取每个特征区域的反射率曲线；检测单元1222用于根据各反射率曲线检测待识别人脸是否为活体。在一些实施例中，活体检测模块122包括多光谱图像预处理模块121，以在活体检测时对多光谱图像进行预处理。
53.以上实施例仅作为本技术的优选实现，它们并非是对所描述内容的唯一限定；对此，本领域技术人员可以在这些实施例的基础上，根据实际应用场景进行灵活设定。
54.综上所述，本技术实施例提供了一种多光谱图像预处理方法、及基于该预处理方法的活体检测方法，本技术实施例先通过多光谱图像预处理方法对待识别人脸的多光谱图像进行预处理，从而得到多光谱反射率图像，有效地消除了光照强度或方向的变化对多光谱图像造成的影响，使得多光谱图像中组成成分相同的物体之间能够具有相近的反射率曲线。之后，本技术实施例通过活体检测方法从多光谱反射率图像中获取了待识别人脸上不同特征区域的反射率曲线，这些反射率曲线能够反映人脸本质的反射特征(即生物特征)，提升了活体检测的准确度，并且通过联合多特征区域进行活体检测，进一步提高了活体检测的精度。
55.结合本文中所公开的实施例所描述的方法或算法的步骤，其可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
56.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(如同轴电缆、光纤、数字用户线)或无线(如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服
务器、数据中心等数据存储设备。可用介质可以是磁性介质(如软盘、硬盘、磁带)、光介质(如dvd)、或者半导体介质(如固态硬盘solid state disk)等。
57.需要说明的是，本技术内容中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于产品类实施例而言，由于其与方法类实施例相似，所以描述的比较简单，相关之处参见方法类实施例的部分说明即可。
58.还需要说明的是，在本技术内容中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
59.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术内容。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本技术内容中所定义的一般原理可以在不脱离本技术内容的精神或范围的情况下，在其它实施例中实现。因此，本技术内容将不会被限制于本技术内容所示的这些实施例，而是要符合与本技术内容所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种多光谱图像预处理方法，其特征在于，包括：获取多光谱图像；根据所述多光谱图像中每个像素的各个通道的数字量化值，计算每个像素的各个通道的等效反射率；其中，所述数字量化值指示反射辐亮度，所述等效反射率指示对应通道的反射辐亮度占对应像素的反射总辐亮度的比例值；根据每个像素的各个通道的等效反射率，生成所述多光谱图像对应的多光谱反射率图像。2.根据权利要求1所述的多光谱图像预处理方法，其特征在于，所述根据所述多光谱图像中每个像素的各个通道的数字量化值，计算每个像素的各个通道的等效反射率，包括：根据每个像素的各个通道的数字量化值，计算每个像素的反射辐亮度模值；根据每个像素的反射辐亮度模值及各个通道的数字量化值，计算每个像素的各个通道的等效反射率。3.根据权利要求2所述的多光谱图像预处理方法，其特征在于，所述反射辐亮度模值的计算公式如下：其中，a
norm
为像素的反射辐亮度模值，dn1为像素的第一个通道的数字量化值，dn2为像素的第二个通道的数字量化值，dn
n
为像素的第n个通道的数字量化值，n为大于3的正整数。4.根据权利要求3所述的多光谱图像预处理方法，其特征在于，所述等效反射率的计算公式如下：p
i
＝dn
i
/a
norm
；其中，p
i
为像素的第i个通道的等效反射率，1≤i≤n，dn
i
为像素的第i个通道的数字量化值。5.一种活体检测方法，其特征在于，包括：获取待识别人脸的多光谱图像；根据权利要求1～4任一项所述的多光谱图像预处理方法，对所述多光谱图像进行预处理，得到多光谱反射率图像；识别所述多光谱反射率图像中所述待识别人脸的多个特征区域，并获取各个所述特征区域的反射率曲线；根据各个所述特征区域的反射率曲线，检测所述待识别人脸是否为活体。6.根据权利要求5所述的活体检测方法，其特征在于，所述获取各个所述特征区域的反射率曲线，包括：计算每个所述特征区域的各个通道的平均反射率；其中，所述平均反射率为所述特征区域中所有像素在对应通道的反射率的平均值；根据各个通道的平均反射率绘制对应的所述特征区域的所述反射率曲线。7.根据权利要求6所述的活体检测方法，其特征在于，所述根据各个所述特征区域的反射率曲线，检测所述待识别人脸是否为活体，包括：将各个所述特征区域的所述反射率曲线输入预设的活体检测模型，得到人脸生物特征；
根据所述人脸生物特征判断所述待识别人脸是否为活体。8.根据权利要求5所述的活体检测方法，其特征在于，所述多个特征区域包括额头区域、脸颊区域、嘴唇区域及鼻子区域中的至少两个。9.一种电子设备，其特征在于，包括：多光谱相机，用于获取待识别人脸的多光谱图像；处理器，用于接收所述多光谱图像，并执行权利要求1～4任一项所述的多光谱图像预处理方法，或执行权利要求5～8任一项所述的活体检测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器调用时执行权利要求1～4任一项所述的多光谱图像预处理方法，或执行权利要求5～8任一项所述的活体检测方法。

技术总结
本申请提供了一种多光谱图像预处理方法、活体检测方法、设备及存储介质。其中，多光谱图像预处理方法包括：获取多光谱图像；根据所获取的多光谱图像中每个像素的各个通道的数字量化值，计算每个像素的各个通道的等效反射率；根据每个像素的各个通道的等效反射率，生成多光谱反射率图像。活体检测方法包括：识别多光谱反射率图像中待识别人脸的多个特征区域，并获取各个特征区域的反射率曲线；根据各个特征区域的反射率曲线，检测待识别人脸是否为活体。本申请通过对多光谱图像进行预处理，消除了采集多光谱图像时，光照强度或方向对反射率的影响，提高了活体检测的精度。提高了活体检测的精度。提高了活体检测的精度。


技术研发人员：邓可望 刘敏 龚冰冰 蔡万源 师少光 刘庆龙
受保护的技术使用者：奥比中光科技集团股份有限公司
技术研发日：2023.05.26
技术公布日：2023/10/19