人脸炫光程度的检测方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种人脸炫光程度的检测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着科技的不断发展，基于手机等移动终端的人脸识别技术也不断发展，如炫光活体检测。所述炫光活体检测可以有效防止图片、屏幕翻拍和人脸合成的攻击，同时其通过率和用户体验良好，但是炫光对环境光线比较敏感，如果在光线强的情况下，会影响炫光活体检测的效果。因此，在执行炫光活体检测时需要检测环境光强度。
3.传统的环境光强度检测是通过在环境光下拍摄图像，并通过图像处理的方法统计所述图像中像素值均值，最后通过阈值判断该图像是不是光线过强。但这种方法仅仅能判断某个图像的光线强度，却忽略了炫光过程中的颜色变化，同时这种方式是基于图像的，忽略了相机参数，对人脸炫光的程度判断准确率较低。


技术实现要素：

4.本发明提供一种人脸炫光程度的检测方法、装置及计算机可读存储介质，其主要目的在于解决人脸炫光程度检测时的准确度较低的问题。
5.为实现上述目的，本发明提供的一种人脸炫光程度的检测方法，包括：
6.对移动终端的相机参数进行间隔采样；
7.利用预构建的分类模型对所述相机参数进行分类预测，得到第一炫光检测结果；
8.发射随机光线生成炫光视频，并从所述炫光视频中抽取预设数量的关键帧图像；
9.基于人脸检测算法从每张所述关键帧图像中获取人脸中间区域，得到预设数量的人脸图像；
10.利用预设的颜色类别检测模型对每张所述人脸图像进行颜色分类检测，得到第二炫光检测结果；
11.根据所述第一炫光检测结果和所述第二炫光检测结果，得到最终检测结果。
12.可选地，所述对移动终端的相机参数进行间隔采样，包括：
13.按照预设的时间间隔对移动终端的相机的感光度和曝光时间进行采样；
14.将所述感光度和曝光时间拼接成多维数据。
15.可选地，所述利用预构建的分类模型对所述相机参数进行分类检测，得到第一炫光检测结果，包括：
16.将所述相机参数输入到预构建的分类模型中，得到所述分类模型输出的预测类别概率值；
17.利用下述公式和所述预测类别概率值判断人脸炫光程度是否合格的第一炫光检测结果：
[0018][0019]
其中，y(ml)是第一炫光检测结果，p(ml)是所述分类模型输出的预测类别概率值。
[0020]
可选地，所述发射随机光线生成炫光视频，并从所述炫光视频中抽取预设数量的关键帧图像，包括：
[0021]
在人脸视频检测时发射随机颜色序列的光线生成炫光视频；
[0022]
根据所述随机颜色序列将所述炫光视频划分为n个颜色视频帧序列；
[0023]
从每个所述颜色视频帧序列的中间帧开始依次选择其中一帧作为当前帧，并判断所述当前帧是否满足人脸大小条件；
[0024]
若所述当前帧满足人脸大小条件，则将所述当前帧作为所述颜色视频帧序列的关键帧；
[0025]
汇总每个颜色视频帧序列的关键帧，得到n张关键帧图像。
[0026]
可选地，所述基于人脸检测算法从每张所述关键帧图像中获取人脸中间区域，得到预设数量的人脸图像，包括：
[0027]
通过人脸检测算法获取每张所述关键帧图像的人脸关键点；
[0028]
根据所述人脸关键点计算人脸矩形框的位置，其中，所述人脸矩形框的位置包括人脸矩形框的宽、高和左上角坐标；
[0029]
根据预设的确定比例对所述人脸矩形框的位置进行缩放，得到人脸中心位置，并根据所述人脸中心位置对所述关键帧图像进行裁剪，得到人脸图像。
[0030]
可选地，所述利用预设的颜色类别检测模型对每张所述人脸图像进行颜色分类检测，得到第二炫光检测结果，包括：
[0031]
将每张所述人脸图像输入至所述颜色类别检测模型中进行颜色分类检测，得到所述颜色类别检测模型输出的颜色类别结果；
[0032]
根据预设变化规则和所述颜色类别结果判断人脸炫光程度，得到第二炫光检测结果。
[0033]
可选地，所述根据所述第一炫光检测结果和所述第二炫光检测结果，得到最终检测结果，包括：
[0034]
对所述第一炫光检测结果和所述第二炫光检测结果进行判断；
[0035]
若所述第一炫光检测结果和所述第二炫光检测结果均为合格时，最终检测结果为合格；
[0036]
若所述第一炫光检测结果与所述第二炫光检测结果中有一个为不合格时，最终检测结果为不合格；
[0037]
在所述最终检测结果为不合格时向检测用户发送提示信息。
[0038]
为了解决上述问题，本发明还提供一种人脸炫光程度的检测装置，所述装置包括：
[0039]
采样模块，用于对移动终端的相机参数进行间隔采样；
[0040]
分类预测模块，用于利用预构建的分类模型对所述相机参数进行分类预测，得到第一炫光检测结果；
[0041]
关键帧获取模块，用于发射随机光线生成炫光视频，并从所述炫光视频中抽取预
设数量的关键帧图像；
[0042]
人脸图像获取模块，用于基于人脸检测算法从每张所述关键帧图像中获取人脸中间区域，得到预设数量的人脸图像；
[0043]
颜色检测模块，用于利用预设的颜色类别检测模型对每张所述人脸图像进行颜色分类检测，得到第二炫光检测结果；
[0044]
检测结果模块，用于根据所述第一炫光检测结果和所述第二炫光检测结果，得到最终检测结果。
[0045]
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：
[0046]
至少一个处理器；以及，
[0047]
与所述至少一个处理器通信连接的存储器；其中，
[0048]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的人脸炫光程度的检测方法。
[0049]
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计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的人脸炫光程度的检测方法。
[0050]
本发明实施例通过对相机参数进行间隔采样，结合了移动终端的硬件数据来辅助判断人脸炫光程度，增加了有效的信息，可以提高检测结果的准确率；发射随机光线生成炫光视频，并从所述炫光视频中抽取预设数量的关键帧图像可以有效提取炫光视频中光线颜色变化的时序信息，并据此对人脸炫光程度进行判断，联合了多种颜色信息，提高检测结果的准确率；将相机参数的检测结果与图像信息的检测结果综合判断最终检测结果，确保检测结果的全面性。因此本发明提出的人脸炫光程度的检测方法、装置、电子设备及计算机可读存储介质，可以解决人脸炫光程度检测时的准确度较低的问题。
附图说明
[0051]
图1为本发明一实施例提供的人脸炫光程度的检测方法的流程示意图；
[0052]
图2为本发明一实施例提供的人脸图像获取的流程示意图；
[0053]
图3为本发明一实施例提供的人脸炫光程度的检测装置的功能模块图；
[0054]
图4为本发明一实施例提供的实现所述人脸炫光程度的检测方法的电子设备的结构示意图。
[0055]
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
[0056]
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。
[0057]
本技术实施例提供一种人脸炫光程度的检测方法。所述人脸炫光程度的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技术实施例提供的该方法的电子设备中的至少一种。换言之，所述人脸炫光程度的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。所述服务器可以是独立的服务
器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0058]
参照图1所示，为本发明一实施例提供的人脸炫光程度的检测方法的流程示意图。在本实施例中，所述人脸炫光程度的检测方法包括：
[0059]
s1、对移动终端的相机参数进行间隔采样。
[0060]
本发明实施例中所述相机参数包括感光度(international standardization organization，iso)及曝光时间(exposure time)等。
[0061]
所述感光度和曝光时间在光线强和正常光线这两种场景下区别较大。因此，可以根据感光度和曝光时间判断光线强弱，从而判断炫光程度。
[0062]
详细地，所述对移动终端的相机参数进行间隔采样，包括：
[0063]
按照预设的时间间隔对移动终端的相机的感光度和曝光时间进行采样；
[0064]
将所述感光度和曝光时间拼接成多维数据。
[0065]
例如：规定整个炫光过程时间维持2s，则每隔100ms作为一个采样点采集一次感光度和曝光时间，则2s内存在20个采样点，可以采集到20组的感光度和曝光时间数据，将所述20组的感光度和曝光时间数据拼接得到40维的特征。
[0066]
s2、利用预构建的分类模型对所述相机参数进行分类预测，得到第一炫光检测结果。
[0067]
本发明实施例中所述分类模型是一种基于机器学习的算法，可用于二分类的分类模型，如基于支持向量机(support vector machine，svm)算法的线性回归模型、逻辑回归(logistic)模型、softmax回归模型等
[0068]
可选地，在利用预构建的分类模型对所述相机参数进行分类预测之前，还包括：
[0069]
从数据库中获取历史参数数据，并根据实际炫光结果为所述历史参数数据添加标签；
[0070]
通过所述分类模型对所述历史参数数据进行分类预测，得到预测类别及类别概率；
[0071]
计算所述预测类别与所述标签之前的误差损失；
[0072]
并根据所述误差损失调整所述分类模型的参数，返回上述通过所述分类模型对所述历史参数数据进行分类预测的步骤，直到所述误差损失不再下降，得到训练完成的所述分类模型。
[0073]
详细地，所述利用预构建的分类模型对所述相机参数进行分类检测，得到第一炫光检测结果，包括：
[0074]
将所述相机参数输入到预构建的分类模型中，得到所述分类模型输出的预测类别概率值；
[0075]
利用下述公式和所述预测类别概率值判断人脸炫光程度是否合格的第一炫光检测结果：
[0076]
[0077]
其中，y(ml)是第一炫光检测结果，p(ml)是所述分类模型输出的预测类别概率值。
[0078]
本发明实施例中所述分类模型是采用了linear核的svm作为分类器。为了提高模型的准确率，本发明实施例中对所述分类模型进行权重设定，将类别概率值的权值设定为0.6/0.4，使分类结果偏向于炫光程度合格。
[0079]
s3、发射随机光线生成炫光视频，并从所述炫光视频中抽取预设数量的关键帧图像。
[0080]
本发明实施例中利用所述移动终端的相机发射随机颜色序列的光线，如：从颜色为红橙黄绿青蓝紫白中，随机挑选n种颜色生成包含n种不同颜色的随机颜色序列。
[0081]
所述炫光视频是根据所述随机颜色序列，生成不同颜色的光线照射在人脸上的过程中拍摄到的人脸视频。
[0082]
可选地，为进一步保证所述炫光视频的安全性和隐秘性，所述炫光视频还可以存储于一区块链的节点中。
[0083]
详细地，所述发射随机光线生成炫光视频，并从所述炫光视频中抽取预设数量的关键帧图像，包括：
[0084]
在人脸视频检测时发射随机颜色序列的光线生成炫光视频；
[0085]
根据所述随机颜色序列将所述炫光视频划分为n个颜色视频帧序列；
[0086]
从每个所述颜色视频帧序列的中间帧开始依次选择其中一帧作为当前帧，并判断所述当前帧是否满足人脸大小条件；
[0087]
若所述当前帧满足人脸大小条件，则将所述当前帧作为所述颜色视频帧序列的关键帧；
[0088]
汇总每个颜色视频帧序列的关键帧，得到n张关键帧图像。
[0089]
本发明实施例中，所述人脸大小条件是指人脸检测区域的面积至少占整张图面积的70％。
[0090]
如：一段视频总有s帧，4种炫光颜色，那么每种颜色就有s_i＝s/4帧，对每种颜色的关键帧都从sample＝(s_i)/2开始取，直到取到一张满足人脸大小条件的关键帧，这样就可以获取到4张不同颜色的人脸图像。
[0091]
s4、基于人脸检测算法从每张所述关键帧图像中获取人脸中间区域，得到预设数量的人脸图像。
[0092]
详细地，参照图2所示，所述s4，包括：
[0093]
s41、通过人脸检测算法获取每张所述关键帧图像的人脸关键点；
[0094]
s42、根据所述人脸关键点计算人脸矩形框的位置，其中，所述人脸矩形框的位置包括人脸矩形框的宽、高和左上角坐标；
[0095]
s43、根据预设的确定比例对所述人脸矩形框的位置进行缩放，得到人脸中心位置，并根据所述人脸中心位置对所述关键帧图像进行裁剪，得到人脸图像。
[0096]
其中，所述人脸检测算法可以使用dlib算法。所述人脸关键点是所述关键帧图像中人脸区域内的点，由68个点组成，每个点是由坐标(x，y)组成。
[0097]
进一步地，所述根据所述人脸关键点计算人脸矩形框的位置，包括：
[0098]
left_corner.x＝min(landmark.x)，left_corner.y＝max(landmark.y)
[0099]
w＝max(landmark.x)
‑
min(landmark.x)
[0100]
h＝max(landmark.y)
‑
min(landmark.y)
[0101]
其中，left_corner.x是所述人脸矩形框左上角的横坐标，left_corner.y是所述人脸矩形框左上角的纵坐标，w是所述人脸矩形框的宽，h是所述人脸矩形框的高，landmark.x是所述人脸关键点中一个点的横坐标，landmark.y是所述人脸关键点中一个点的纵坐标。
[0102]
s5、利用预设的颜色类别检测模型对每张所述人脸图像进行颜色分类检测，得到第二炫光检测结果。
[0103]
本发明实施例中所述颜色类别检测模型是一种基于图像识别算法的卷积神级网络，可以是一种基于resnet18与ca注意力机制结合的网络结构。所述ca注意力机制能够捕获跨通道的信息，并捕获方向感知和位置感知的信息，可以有效提高模型定位和识别出颜色特征的精准度。
[0104]
所述颜色类别检测模型包括包括卷积层、池化层、和全连接层。本发明实施例在利用预设的颜色类别检测模型对每张所述人脸图像进行颜色分类检测之前，还包括对所述颜色类别检测模型进行训练：从数据库中获取训练已分类的人脸图像，得到样本(x，y)，对若干个x利用所述颜色类别检测模型求出预测值y
′
；计算y
′
与对应的真实值y的差值，并将所述差值作为优化器的目标函数；求解所述目标函数的梯度值，并使用所述梯度值更新所述颜色类别检测模型的参数，直到停止条件达到为止。其中，所述停止条件是指所述梯度值不再下降。
[0105]
详细地，所述利用预设的颜色类别检测模型对每张所述人脸图像进行颜色分类检测，得到第二炫光检测结果，包括：
[0106]
将每张所述人脸图像输入至所述颜色类别检测模型中进行颜色分类检测，得到所述颜色类别检测模型输出的颜色类别结果；
[0107]
根据预设变化规则和所述颜色类别结果判断人脸炫光程度，得到第二炫光检测结果。
[0108]
其中，所述变化规则是指颜色类别是否为同一类别。
[0109]
例如：将获取到的4张人脸图像分别输入到颜色类别检测模型中，得到了4个颜色类别，然后检测人脸是否有光变化，若所述颜色类别检测模型将分别在4个颜色段抽取出来的人脸图像判断为同一种颜色，表示人脸没有光的变化，则检测结果为人脸炫光程度不合格，若所述有颜色类别检测模型判断出两种以上的颜色，就表示人脸有光的变化，检测结果为人脸炫光程度合格。
[0110]
s6、根据所述第一炫光检测结果和所述第二炫光检测结果，得到最终检测结果。
[0111]
本发明实施例将通过分类模型检测得到第一炫光检测结果与通过颜色类别检测模型检测得到的第二炫光检测结果综合起来得到最终检测结果，即人脸炫光程度合格/不合格结果。
[0112]
详细地，所述根据所述第一炫光检测结果和所述第二炫光检测结果，得到最终检测结果，包括：
[0113]
对所述第一炫光检测结果和所述第二炫光检测结果进行判断；
[0114]
若所述第一炫光检测结果和所述第二炫光检测结果均为合格时，最终检测结果为合格；
[0115]
若所述第一炫光检测结果与所述第二炫光检测结果中有一个为不合格时，最终检测结果为不合格；
[0116]
在所述最终检测结果为不合格时向检测用户发送提示信息。
[0117]
其中，所述检测用户是指正在做炫光检测的用户。
[0118]
本发明实施例是采用移动终端相机相机参数和图像信息两者结合，同时也利用炫光过程中颜色变化的时序信息一起来完成人脸炫光程度检测。
[0119]
本发明实施例通过对相机参数进行间隔采样，结合了移动终端的硬件数据来辅助判断人脸炫光程度，增加了有效的信息，可以提高检测结果的准确率；发射随机光线生成炫光视频，并从所述炫光视频中抽取预设数量的关键帧图像可以有效提取炫光视频中光线颜色变化的时序信息，并据此对人脸炫光程度进行判断，联合了多种颜色信息，提高检测结果的准确率；将相机参数的检测结果与图像信息的检测结果综合判断最终检测结果，确保检测结果的全面性。因此本发明提出的人脸炫光程度的检测方法、装置、电子设备及计算机可读存储介质，可以解决人脸炫光程度检测时的准确度较低的问题。
[0120]
如图3所示，是本发明一实施例提供的人脸炫光程度的检测装置的功能模块图。
[0121]
本发明所述人脸炫光程度的检测装置100可以安装于电子设备中。根据实现的功能，所述人脸炫光程度的检测装置100可以包括采样模块101、分类预测模块102、关键帧获取模块103、人脸图像获取模块104、颜色检测模块105及检测结果模块106。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。
[0122]
在本实施例中，关于各模块/单元的功能如下：
[0123]
所述采样模块101，用用于对移动终端的相机参数进行间隔采样；
[0124]
所述分类预测模块102，用于利用预构建的分类模型对所述相机参数进行分类预测，得到第一炫光检测结果；
[0125]
所述关键帧获取模块103，用于发射随机光线生成炫光视频，并从所述炫光视频中抽取预设数量的关键帧图像；
[0126]
所述人脸图像获取模块104，用于基于人脸检测算法从每张所述关键帧图像中获取人脸中间区域，得到预设数量的人脸图像；
[0127]
所述颜色检测模块105，用于利用预设的颜色类别检测模型对每张所述人脸图像进行颜色分类检测，得到第二炫光检测结果；
[0128]
所述检测结果模块106，用于用于根据所述第一炫光检测结果和所述第二炫光检测结果，得到最终检测结果。
[0129]
详细地，本发明实施例中所述人脸炫光程度的检测装置100中所述的各模块在使用时采用与上述图1至图2中所述的人脸炫光程度的检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0130]
如图4所示，是本发明一实施例提供的实现人脸炫光程度的检测方法的电子设备的结构示意图。
[0131]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，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，如人脸炫光程度的检测程序。
[0132]
其中，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(例如执行人脸炫光程度的检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0133]
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的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，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的应用软件及各类数据，例如人脸炫光程度的检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0134]
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称pci)总线或扩展工业标准结构(extended industry standardarchitecture，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。
[0135]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。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与其他电子设备之间建立通信连接。所述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中处理的信息以及用于显示可视化的用户界面。
[0136]
图4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4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。
[0137]
例如，尽管未示出，所述电子设备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。
[0138]
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。
[0139]
所述电子设备1中的所述存储器11存储的人脸炫光程度的检测程序是多个指令的
组合，在所述处理器10中运行时，可以实现：
[0140]
对移动终端的相机参数进行间隔采样；
[0141]
利用预构建的分类模型对所述相机参数进行分类预测，得到第一炫光检测结果；
[0142]
发射随机光线生成炫光视频，并从所述炫光视频中抽取预设数量的关键帧图像；
[0143]
基于人脸检测算法从每张所述关键帧图像中获取人脸中间区域，得到预设数量的人脸图像；
[0144]
利用预设的颜色类别检测模型对每张所述人脸图像进行颜色分类检测，得到第二炫光检测结果；
[0145]
根据所述第一炫光检测结果和所述第二炫光检测结果，得到最终检测结果。
[0146]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0147]
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)。
[0148]
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：
[0149]
对移动终端的相机参数进行间隔采样；
[0150]
利用预构建的分类模型对所述相机参数进行分类预测，得到第一炫光检测结果；
[0151]
发射随机光线生成炫光视频，并从所述炫光视频中抽取预设数量的关键帧图像；
[0152]
基于人脸检测算法从每张所述关键帧图像中获取人脸中间区域，得到预设数量的人脸图像；
[0153]
利用预设的颜色类别检测模型对每张所述人脸图像进行颜色分类检测，得到第二炫光检测结果；
[0154]
根据所述第一炫光检测结果和所述第二炫光检测结果，得到最终检测结果。
[0155]
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。
[0156]
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。
[0157]
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。
[0158]
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。
[0159]
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。
[0160]
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。
[0161]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0162]
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。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0163]
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。