CN108182409A - 活体检测方法、装置、设备及存储介质 - Google Patents
活体检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN108182409A CN108182409A CN201711468206.7A CN201711468206A CN108182409A CN 108182409 A CN108182409 A CN 108182409A CN 201711468206 A CN201711468206 A CN 201711468206A CN 108182409 A CN108182409 A CN 108182409A
- Authority
- CN
- China
- Prior art keywords
- action
- vivo detection
- deep learning
- response
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001574 biopsy Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 99
- 238000001727 in vivo Methods 0.000 claims abstract description 58
- 230000009471 action Effects 0.000 claims abstract description 44
- 238000013135 deep learning Methods 0.000 claims abstract description 41
- 230000004044 response Effects 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 20
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 210000000744 eyelid Anatomy 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种活体检测方法、装置、设备及存储介质，该活体检测方法包括：生成用于提醒用户进行张嘴和/或眨眼动作的随机提示信息；对用户响应的动作进行智能判断，判断响应的动作是否准确；若否，则判定活体检测失败；若是，则执行深度学习活体检测判断；深度学习活体检测的步骤判断包括：从响应的动作中选取至少两帧图像；通过神经网络判断至少两帧图像是否为活体，仅当每帧图像均为活体时，判定活体检测成功，否则，判定活体检测失败。本发明使得交互检测技术与深度学习检测技术有机结合，有效增强了活体检测的准确性及抵御攻击的性能，且减少了硬件开销，活体检测的可靠性得到有效提高，具有广泛的推广应用价值。
Description
技术领域
本发明涉及人脸识别领域，特别地，涉及一种活体检测方法、装置、设备及存储介质。
背景技术
人脸识别已经广泛应用到各种身份认证的场景中，例如考生身份认证、社保养老金领取、安检过闸机、银行自助开户、其他金融业务实名认证等。在这些业务中，活体识别又成为重中之重，即如何判别摄像头采集到的图像数据是用户本人而不是用户的照片或是用户拍摄的一段视频。
IphoneX的上市也带来了一股手机人脸活体检测的浪潮。IphoneX通过多个传感器，深度摄像头和红外摄像头相结合的方式来解决活体识别问题，这种方式效果比较好，不过随之而来需要比较高的硬件开销。国内手机厂商如小米、锤子也在最新的机型上推出了人脸活体解锁技术，在目前的评测中，效果并不是特别理想。
现有学术上关于人脸活体检测的方法主要集中在图像特征表达结合分类的方法。《Face Spoofing Detection Through Visual Codebooks of Spectral Temporal Cubes》将连续帧的图像频谱特征进行编码，然后使用SVM进行分类。《Face Liveness DetectionFrom a Single Image via Diffusion Speed Model》提出一种从单张图片检测出图像扩散速度判断的方法，用于判断活体和非活体。这两种方法以及其他类似的图像特征表达的方法存在一个共性的缺点：在某一单一数据集上会有很不错的效果，然而在跨数据集上表现很差。
基于人机交互的活体也是人脸活体检测比较常用的一种方法。通常会采用抬头、低头、左右转头、眨眼、张嘴、微笑等交互动作。为了取得较高的防伪效果，一般会采用随机连续几个动作的结合，这对用户来说体验不是很好；此外，黑客通过使用视频或视频模拟软件可以攻击过此类人机交互活体检测方法。
因此，现有的活体检测方法要么依赖于多个传感器导致硬件开销高、要么在跨数据集上表现较差或者容易遭受视频攻击，亟待设计一种可靠性高的活体检测方案。
发明内容
本发明提供了一种活体检测方法、装置、设备及存储介质，以解决现有的活体检测存在硬件开销高、跨数据集检测性能差及容易遭受攻击的技术问题。
本发明采用的技术方案如下：
根据本发明的一个方面，提供一种活体检测方法，本发明活体检测方法包括：
生成用于提醒用户进行张嘴和/或眨眼动作的随机提示信息；
对用户响应的动作进行智能判断，判断响应的动作是否准确；若否，则判定活体检测失败；若是，则执行深度学习活体检测判断；
深度学习活体检测的步骤判断包括：
从响应的动作中选取至少两帧图像；
通过神经网络判断至少两帧图像是否为活体，仅当每帧图像均为活体时，判定活体检测成功，否则，判定活体检测失败。
进一步地，对用户响应的动作进行智能判断，判断响应的动作是否准确的步骤采用关键点检测算法定位到人脸上相应区域，并采用与分类相结合的方式，通过关键点位置分析、区域分类、上下多帧结合的方法来判断用户当前的响应动作是否准确。
进一步地，关键点检测算法采用多模板的关键点检测算法，包括第一阶段训练对应的第一关键点模型和第二阶段训练对应的第二关键点模型。
进一步地，神经网络为多输入的深度学习网络，每帧图像转换为人脸区域、人脸区域四周外扩、人脸区域左侧外扩、人脸区域右侧外扩、全图五个模式输入深度学习网络。
进一步地，每帧图像输入至深度学习网络，输出得到两个归一化的得分S1、S2，其中，S1、S2分别表示输入活体、非活体的得分，S1+S2＝1，当S1>0.5时判定是活体，否则为非活体。
进一步地，至少两帧图像包括响应的动作中对应检测到的第一帧图像和动作判别通过的那一帧图像。
进一步地，生成用于提醒用户进行张嘴和/或眨眼动作的随机提示信息的步骤之前，本发明活体检测方法还包括：
判断环境光照条件是否满足设定条件，若是，则执行后续步骤；若否，则生成更换场景的提示信息。
根据本发明的另一方面，还提供一种活体检测装置，包括：
提示模块，用于生成用于提醒用户进行张嘴和/或眨眼动作的随机提示信息；
交互动作检测模块，用于对用户响应的动作进行智能判断，判断响应的动作是否准确；若否，则判定活体检测失败；若是，则执行深度学习活体检测判断；
深度学习检测模块，用于执行深度学习活体检测；深度学习检测模块包括：
接收单元，用于从响应的动作中选取至少两帧图像；
判断单元，用于通过神经网络判断至少两帧图像是否为活体，仅当每帧图像均为活体时，判定活体检测成功，否则，判定活体检测失败。
根据本发明的另一方面，还提供一种活体设备，包括处理器，处理器用于运行程序，程序运行时执行本发明的活体检测方法。
根据本发明的另一方面，还提供一种存储介质，存储介质包括存储的程序，程序运行时控制存储介质所在的设备执行本发明的活体检测方法。
本发明具有以下有益效果：
本发明活体检测方法、装置、设备及存储介质，在前端通过交互动作来快速进行活体判断，并在交互动作检测通过后通过深度学习活体检测对交互动作中的至少两帧图像进行活体检测，使得交互检测技术与深度学习检测技术有机结合，有效增强了活体检测的准确性及抵御攻击的性能，且减少了硬件开销，活体检测的可靠性得到有效提高，具有广泛的推广应用价值。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例活体检测方法的步骤示意图；
图2是本发明优选实施例中交互检测中关键点的位置示意图；
图3是本发明优选实施例中深度学习活体检测的步骤示意图；
图4是本发明优选实施例中活体检测装置的原理方框示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明提出了一种基于前端交互和后端防伪的活体检测方法。在前端(譬如手机App端)，通过随机采用张嘴或眨眼中的一个动作，让用户能友好快速的通过前端活体检测，也防御了一部分简单的攻击模式，例如照片攻击。前端通过关键点检测得到眼睛和嘴巴区域位置，然后由Adaboost方法训练好模型结合关键点判断是否张嘴或眨眼。在后端(如远程服务器端)，本发明采用相对较为复杂的深度学习分类模型，通过少量前端传输给后端的照片来分析是否为活体。
参照图1，本发明的优选实施例提供了一种活体检测方法，本实施例活体检测方法包括：
步骤S100、生成用于提醒用户进行张嘴和/或眨眼动作的随机提示信息；
步骤S200、对用户响应的动作进行智能判断，判断响应的动作是否准确；若否，执行步骤S600；若是，则执行深度学习活体检测判断的步骤；
本实施例中，深度学习活体检测判断的步骤包括：
步骤S300、从响应的动作中选取至少两帧图像；
步骤S400、通过神经网络判断至少两帧图像是否为活体，当且仅当每帧图像均为活体时，执行步骤S500，否则，执行步骤S600；
步骤S500、活体检测成功；进而可以触发后续应用。
步骤S600、活体检测失败。优选地，活体检测失败后还可以生成提示用户是否进入下一次活体检测的提示信息。
本实施例在前端通过交互动作来快速进行活体判断，并在交互动作检测通过后通过深度学习活体检测对交互动作中的至少两帧图像进行活体检测，使得交互检测技术与深度学习检测技术有机结合，有效增强了活体检测的准确性及抵御攻击的性能，且减少了硬件开销，活体检测的可靠性得到有效提高，具有广泛的推广应用价值。
本实施例中，对用户响应的动作进行智能判断，判断响应的动作是否准确的步骤(即步骤S200)采用关键点检测算法定位到人脸上相应区域，并采用与分类相结合的方式，通过关键点位置分析、区域分类、上下多帧结合的方法来判断用户当前的响应动作是否准确。
以眨眼判断为例，其包括以下步骤：
1、对输入图像检测人脸，检测到人脸则进入下一步；
2、对输入图像预测关键点位置；
3、记录上一帧和当前帧的关键点信息；
4、当且仅当上一帧是睁眼(上下眼皮距离大于双眼外眼角距离的0.05)，当前帧是闭眼(上下眼皮距离小于双眼外眼角距离的0.02)进入下一步判断；
5、根据眼睛坐标得到眼睛区域，使用训练好的模型对齐分类，仅当上一帧分类结果为睁眼下一帧分类结果为闭眼，认定一次眨眼动作响应。
张嘴判断的流程与眨眼判断的类似，在此不做赘述。
本实施例活体检测方法在应用之前，还需要对活体检测对应的检测网络进行训练，采用训练后的检测网络进行人脸识别的活体检测。本实施例训练的步骤具体如下：
1、选取训练数据；
本实施例在训练阶段，除了收集公开的数据集例如NUAA、CASIA等，还自行使用不同设备在不同环境下，采集不同人的真实视频和攻击视频千余段。将这些数据分为训练集、测试集、验证集；
2、关键点训练；
本实施例采用一种多模板的关键点检测方法。将关键点分为两个阶段，第一阶段训练五个点的关键点模型，第二阶段训练21个点的关键点模型。在准备数据的时候，通过聚类得到21点的100个初始形状模板。5点模型预测完成后，计算五点模型与这100个21点模板的最小距离作为21点训练的初始值。为了计算的效率，本实施例优选采用点差特征，另一方面为了提高点差特征的鲁棒性，本实施例对点差特征进行归一化处理。也就是两点像素值的差除以两点像素值之和。图2示出了本发明优选实施例中交互检测中关键点的位置示意图。
3、张口、闭口、睁眼、闭眼训练；
在得到准确的眼睛和嘴巴位置后，本实施例将眼睛和嘴巴区域提取出来，并使用Adaboost方法，从该区域中选取lbp、hog特征将睁眼、闭眼有效的区分开，张口、闭口同理。
4、深度学习活体训练；
本实施例采用多种输入方式。输入包括人脸区域、人脸区域四周外扩、人脸区域左侧外扩、人脸区域右侧外扩、全图，将这些图像统一resize到96*96的大小，也就是输入数据是5*3＝15个通道。在实验中，发明人发现多输入相结合的效果要优于单输入的方式。
本实施例中，优选地，深度学习采用的网络结构是Resnet18层的网络结构和googleinception v4相结合的方式，在保证网络分类能力的同时有效降低模型的大小，利于减小计算量。
本实施例中，采用在人脸识别数据集上进行预训练的方式。对比在imagenet上预训练和在人脸识别训练集上预训练，在人脸数据集上预训练的方式要优于在imagenet上预训练。
优选地，在顶层损失函数的选择上，本实施例采用large margin softmax与softmax相结合的方式，先由large margin softmax训练来拉开正负样本之间的距离，学习出区分度更高的特征，再由softmax对学习出来的特征进行分类处理。本实施例中，初始学习率为0.01，每遍历完整个训练数据10遍以后，学习率降为之前的10％，可进一步分类准确率；将训练数据遍历30遍后训练完成。
本实施例中，步骤S400中的神经网络为多输入的深度学习网络，每帧图像转换为人脸区域、人脸区域四周外扩、人脸区域左侧外扩、人脸区域右侧外扩、全图五个模式输入深度学习网络。图3示出了本发明优选实施例中深度学习活体检测的步骤示意图，包括以下步骤：
a、前端交互活体检测通过后，从前端发送到后端两张图像，当且仅当这两张图像都是活体时，返回活体检测成功，否则活体检测失败；
b、对每帧返回的图像，获取人脸区域、人脸区域上下左右各自扩大50％(对应人脸区域四周外扩模式)、人脸区域左扩100％上下扩50％(对应人脸区域左侧外扩模式)、人脸区域右扩100％上下扩50％(对应人脸区域右侧外扩模式)、全图，这五个区域归一化到96*96的大小，每个区域都是3通道，一共15个通道。
c、将步骤b作为深度学习网络的输入，深度学习网络输出经过softmax函数处理后得到两个归一化的得分S1、S2，其中，S1、S2分别表示输入活体、非活体的得分。S1+S2＝1，当S1>0.5时判定是活体，否则为非活体。
本实施例中，优选地，至少两帧图像包括响应的动作中对应检测到人脸的第一帧图像和动作判别通过的那一帧图像。检测到人脸的第一帧确保整个流程开始就是活体在操作，动作判别的那一帧来保证前后端判断的一致性，即用户响应了动作的时刻是活体行为，进一步增强了抵御攻击的可靠性。
优选地，本实施例中，在执行步骤S100之前，本实施例活体检测方法还包括：
判断环境光照条件是否满足设定条件，若是，则执行后续步骤；若否，则生成更换场景的提示信息。
在一个优选实施例中，活体检测方法包括以下步骤：
1、对环境光照进行判断，若光照不符合条件则提示用户更换场景。
2、在光照符合的条件下，随机提示让用户张嘴或是眨眼；
3、对用户响应的动作进行判断，如果判断用户响应该动作成功，则从动作中选取两帧图像发送到后台(可以为远程服务器)，进行活体分类检测；如果响应失败，则提示活体检测失败。
4、后台收到两帧图像后，按照与训练一致的方式获取输入，经过深度学习网络判断该帧是真人还是攻击，仅当两帧都判断为真人时，活体成功，否则活体失败。
本实施例活体检测方法，将前端交互和后端分类相结合，将深度学习技术引入到人脸活体分类方法；采用一种多输入的深度学习方法，有效提高了活体的表达能力，此外，将关键点结合Adaboost分类方法，进一步提高了张嘴和/或眨眼判断的准确性，从而有效提高了活体检测的准确性及抵御攻击的性能，且减少了硬件开销，活体检测的可靠性得到有效提高，具有广泛的推广应用价值。
根据本发明的另一方面，还提供一种活体检测装置，参见图4，本实施例活体检测装置可以执行上述实施例活体检测方法，本实施例活体检测装置包括：
提示模块100，用于生成用于提醒用户进行张嘴和/或眨眼动作的随机提示信息；
交互动作检测模块200，用于对用户响应的动作进行智能判断，判断响应的动作是否准确；若否，则判定活体检测失败；若是，则执行深度学习活体检测判断；
深度学习检测模块300，用于执行深度学习活体检测；深度学习检测模块300包括：
接收单元310，用于从响应的动作中选取至少两帧图像；
判断单元320，用于通过神经网络判断至少两帧图像是否为活体，仅当每帧图像均为活体时，判定活体检测成功，否则，判定活体检测失败。
本实施例活体检测装置的具体实现过程参照上述实施例方法，在此不做赘述。
根据本发明的另一方面，还提供一种活体设备，包括处理器，处理器用于运行程序，程序运行时执行本发明实施例的活体检测方法。
根据本发明的另一方面，还提供一种存储介质，存储介质包括存储的程序，程序运行时控制存储介质所在的设备执行本发明实施例的活体检测方法。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例方法所述的功能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，可以存储在一个或者多个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该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设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)，磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种活体检测方法，其特征在于，包括：
生成用于提醒用户进行张嘴和/或眨眼动作的随机提示信息；
对用户响应的动作进行智能判断，判断所述响应的动作是否准确；若否，则判定活体检测失败；若是，则执行深度学习活体检测判断；
所述深度学习活体检测的步骤判断包括：
从所述响应的动作中选取至少两帧图像；
通过神经网络判断所述至少两帧图像是否为活体，仅当每帧图像均为活体时，判定活体检测成功，否则，判定活体检测失败。
2.根据权利要求1所述的活体检测方法，其特征在于，
所述对用户响应的动作进行智能判断，判断所述响应的动作是否准确的步骤采用关键点检测算法定位到人脸上相应区域，并采用与分类相结合的方式，通过关键点位置分析、区域分类、上下多帧结合的方法来判断用户当前的响应动作是否准确。
3.根据权利要求2所述的活体检测方法，其特征在于，
所述关键点检测算法采用多模板的关键点检测算法，包括第一阶段训练对应的第一关键点模型和第二阶段训练对应的第二关键点模型。
4.根据权利要求1所述的活体检测方法，其特征在于，
所述神经网络为多输入的深度学习网络，每帧图像转换为人脸区域、人脸区域四周外扩、人脸区域左侧外扩、人脸区域右侧外扩、全图五个模式输入所述深度学习网络。
5.根据权利要求4所述的活体检测方法，其特征在于，
每帧图像输入至所述深度学习网络，输出得到两个归一化的得分S1、S2，其中，S1、S2分别表示输入活体、非活体的得分，S1+S2＝1，当S1>0.5时判定是活体，否则为非活体。
6.根据权利要求1所述的活体检测方法，其特征在于，
所述至少两帧图像包括所述响应的动作中对应检测到的第一帧图像和动作判别通过的那一帧图像。
7.根据权利要求1所述的活体检测方法，其特征在于，
所述生成用于提醒用户进行张嘴和/或眨眼动作的随机提示信息的步骤之前，还包括：
判断环境光照条件是否满足设定条件，若是，则执行后续步骤；若否，则生成更换场景的提示信息。
8.一种活体检测装置，包括：
提示模块，用于生成用于提醒用户进行张嘴和/或眨眼动作的随机提示信息；
交互动作检测模块，用于对用户响应的动作进行智能判断，判断所述响应的动作是否准确；若否，则判定活体检测失败；若是，则执行深度学习活体检测判断；
深度学习检测模块，用于执行深度学习活体检测；所述深度学习检测模块包括：
接收单元，用于从所述响应的动作中选取至少两帧图像；
判断单元，用于通过神经网络判断所述至少两帧图像是否为活体，仅当每帧图像均为活体时，判定活体检测成功，否则，判定活体检测失败。
9.一种活体设备，包括处理器，所述处理器用于运行程序，其特征在于，所述程序运行时执行如权利要求1至7任一所述的活体检测方法。
10.一种存储介质，所述存储介质包括存储的程序，其特征在于，所述程序运行时控制所述存储介质所在的设备执行如权利要求1至7任一所述的活体检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711468206.7A CN108182409B (zh) | 2017-12-29 | 2017-12-29 | 活体检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711468206.7A CN108182409B (zh) | 2017-12-29 | 2017-12-29 | 活体检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108182409A true CN108182409A (zh) | 2018-06-19 |
| CN108182409B CN108182409B (zh) | 2020-11-10 |
Family
ID=62548672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711468206.7A Active CN108182409B (zh) | 2017-12-29 | 2017-12-29 | 活体检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108182409B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145986A (zh) * | 2018-08-21 | 2019-01-04 | 佛山市南海区广工大数控装备协同创新研究院 | 一种大规模人脸识别方法 |
| CN109376704A (zh) * | 2018-11-30 | 2019-02-22 | 高新兴科技集团股份有限公司 | 一种人脸活体检测方法 |
| CN109460733A (zh) * | 2018-11-08 | 2019-03-12 | 北京智慧眼科技股份有限公司 | 基于单摄像头的人脸识别活体检测方法及系统、存储介质 |
| CN109492585A (zh) * | 2018-11-09 | 2019-03-19 | 联想(北京)有限公司 | 一种活体检测方法和电子设备 |
| CN109685018A (zh) * | 2018-12-26 | 2019-04-26 | 深圳市捷顺科技实业股份有限公司 | 一种人证校验方法、系统及相关设备 |
| CN109919010A (zh) * | 2019-01-24 | 2019-06-21 | 北京三快在线科技有限公司 | 图像处理方法及装置 |
| CN110032970A (zh) * | 2019-04-11 | 2019-07-19 | 深圳市华付信息技术有限公司 | 高准确率的活体检测方法、装置、计算机设备及存储介质 |
| CN110334637A (zh) * | 2019-06-28 | 2019-10-15 | 百度在线网络技术（北京）有限公司 | 人脸活体检测方法、装置及存储介质 |
| CN110399780A (zh) * | 2019-04-26 | 2019-11-01 | 努比亚技术有限公司 | 一种人脸检测方法、装置及计算机可读存储介质 |
| CN110472519A (zh) * | 2019-07-24 | 2019-11-19 | 杭州晟元数据安全技术股份有限公司 | 一种基于多模型的人脸活体检测方法 |
| CN111242090A (zh) * | 2020-01-22 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 基于人工智能的人脸识别方法、装置、设备及介质 |
| CN111885128A (zh) * | 2020-07-08 | 2020-11-03 | 佛山市海协科技有限公司 | 基于区块链的身份管理方法 |
| CN111967289A (zh) * | 2019-05-20 | 2020-11-20 | 高新兴科技集团股份有限公司 | 一种非配合式人脸活体检测方法及计算机存储介质 |
| CN112002041A (zh) * | 2020-09-02 | 2020-11-27 | 赵辛 | 一种智能会议门禁系统 |
| CN113255529A (zh) * | 2021-05-28 | 2021-08-13 | 支付宝(杭州)信息技术有限公司 | 一种生物特征的识别方法、装置及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140310803A1 (en) * | 2013-04-15 | 2014-10-16 | Omron Corporation | Authentication device, authentication method and non-transitory computer-readable recording medium |
| CN104751110A (zh) * | 2013-12-31 | 2015-07-01 | 汉王科技股份有限公司 | 一种活体检测方法和装置 |
| CN105426815A (zh) * | 2015-10-29 | 2016-03-23 | 北京汉王智远科技有限公司 | 活体检测方法及装置 |
| CN106599772A (zh) * | 2016-10-31 | 2017-04-26 | 北京旷视科技有限公司 | 活体验证方法和装置及身份认证方法和装置 |
| CN106874857A (zh) * | 2017-01-19 | 2017-06-20 | 腾讯科技（上海）有限公司 | 一种基于视频分析的活体判别方法及系统 |
| CN107066942A (zh) * | 2017-03-03 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种活体人脸识别方法及系统 |
-
2017
- 2017-12-29 CN CN201711468206.7A patent/CN108182409B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140310803A1 (en) * | 2013-04-15 | 2014-10-16 | Omron Corporation | Authentication device, authentication method and non-transitory computer-readable recording medium |
| CN104751110A (zh) * | 2013-12-31 | 2015-07-01 | 汉王科技股份有限公司 | 一种活体检测方法和装置 |
| CN105426815A (zh) * | 2015-10-29 | 2016-03-23 | 北京汉王智远科技有限公司 | 活体检测方法及装置 |
| CN106599772A (zh) * | 2016-10-31 | 2017-04-26 | 北京旷视科技有限公司 | 活体验证方法和装置及身份认证方法和装置 |
| CN106874857A (zh) * | 2017-01-19 | 2017-06-20 | 腾讯科技（上海）有限公司 | 一种基于视频分析的活体判别方法及系统 |
| CN107066942A (zh) * | 2017-03-03 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种活体人脸识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 袁超等: "基于多模板匹配的自动人脸检测", 《电子学报》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145986A (zh) * | 2018-08-21 | 2019-01-04 | 佛山市南海区广工大数控装备协同创新研究院 | 一种大规模人脸识别方法 |
| CN109145986B (zh) * | 2018-08-21 | 2021-12-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种大规模人脸识别方法 |
| CN109460733A (zh) * | 2018-11-08 | 2019-03-12 | 北京智慧眼科技股份有限公司 | 基于单摄像头的人脸识别活体检测方法及系统、存储介质 |
| CN109492585A (zh) * | 2018-11-09 | 2019-03-19 | 联想(北京)有限公司 | 一种活体检测方法和电子设备 |
| CN109492585B (zh) * | 2018-11-09 | 2023-07-25 | 联想(北京)有限公司 | 一种活体检测方法和电子设备 |
| CN109376704A (zh) * | 2018-11-30 | 2019-02-22 | 高新兴科技集团股份有限公司 | 一种人脸活体检测方法 |
| CN109685018A (zh) * | 2018-12-26 | 2019-04-26 | 深圳市捷顺科技实业股份有限公司 | 一种人证校验方法、系统及相关设备 |
| CN109919010A (zh) * | 2019-01-24 | 2019-06-21 | 北京三快在线科技有限公司 | 图像处理方法及装置 |
| CN110032970A (zh) * | 2019-04-11 | 2019-07-19 | 深圳市华付信息技术有限公司 | 高准确率的活体检测方法、装置、计算机设备及存储介质 |
| CN110399780A (zh) * | 2019-04-26 | 2019-11-01 | 努比亚技术有限公司 | 一种人脸检测方法、装置及计算机可读存储介质 |
| CN110399780B (zh) * | 2019-04-26 | 2023-09-29 | 努比亚技术有限公司 | 一种人脸检测方法、装置及计算机可读存储介质 |
| CN111967289A (zh) * | 2019-05-20 | 2020-11-20 | 高新兴科技集团股份有限公司 | 一种非配合式人脸活体检测方法及计算机存储介质 |
| CN110334637A (zh) * | 2019-06-28 | 2019-10-15 | 百度在线网络技术（北京）有限公司 | 人脸活体检测方法、装置及存储介质 |
| CN110472519A (zh) * | 2019-07-24 | 2019-11-19 | 杭州晟元数据安全技术股份有限公司 | 一种基于多模型的人脸活体检测方法 |
| CN110472519B (zh) * | 2019-07-24 | 2021-10-29 | 杭州晟元数据安全技术股份有限公司 | 一种基于多模型的人脸活体检测方法 |
| CN111242090A (zh) * | 2020-01-22 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 基于人工智能的人脸识别方法、装置、设备及介质 |
| WO2021147434A1 (zh) * | 2020-01-22 | 2021-07-29 | 腾讯科技（深圳）有限公司 | 基于人工智能的人脸识别方法、装置、设备及介质 |
| CN111885128A (zh) * | 2020-07-08 | 2020-11-03 | 佛山市海协科技有限公司 | 基于区块链的身份管理方法 |
| CN112002041A (zh) * | 2020-09-02 | 2020-11-27 | 赵辛 | 一种智能会议门禁系统 |
| CN113255529A (zh) * | 2021-05-28 | 2021-08-13 | 支付宝(杭州)信息技术有限公司 | 一种生物特征的识别方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108182409B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108182409A (zh) | 活体检测方法、装置、设备及存储介质 | |
| US11393206B2 (en) | Image recognition method and apparatus, terminal, and storage medium | |
| CN106951867A (zh) | 基于卷积神经网络的人脸识别方法、装置、系统及设备 | |
| CN108304788A (zh) | 基于深度神经网络的人脸识别方法 | |
| CN108009528A (zh) | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 | |
| WO2016172872A1 (zh) | 用于验证活体人脸的方法、设备和计算机程序产品 | |
| KR20200000824A (ko) | 중심 분산 손실 함수를 활용한 딥 러닝 모델 기반의 얼굴 표정 인식 방법 | |
| CN106778496A (zh) | 活体检测方法及装置 | |
| CN106326857A (zh) | 基于人脸图像的性别识别方法及装置 | |
| Xu et al. | Bio-inspired deep attribute learning towards facial aesthetic prediction | |
| CN113537027B (zh) | 基于面部划分的人脸深度伪造检测方法及系统 | |
| CN107944398A (zh) | 基于深度特征联合表示图像集人脸识别方法、装置和介质 | |
| CN109977867A (zh) | 一种基于机器学习多特征融合的红外活体检测方法 | |
| Wang et al. | Learning to augment expressions for few-shot fine-grained facial expression recognition | |
| Boncolmo et al. | Gender Identification Using Keras Model Through Detection of Face | |
| CN114550270A (zh) | 一种基于双注意力机制的微表情识别方法 | |
| Goud et al. | Smart attendance notification system using SMTP with face recognition | |
| Kadhim et al. | A multimodal biometric database and case study for face recognition based deep learning | |
| CN113205044B (zh) | 一种基于表征对比预测学习的深度伪造视频检测方法 | |
| CN115457374A (zh) | 基于推理模式评估深伪图像检测模型泛化性方法及装置 | |
| Yee et al. | Apex frame spotting using attention networks for micro-expression recognition system | |
| Parashar | Representation and interpretation of manual and non-manual information for automated American Sign Language recognition | |
| Mequanint et al. | Weakly-supervised degree of eye-closeness estimation | |
| CN111898473A (zh) | 一种基于深度学习的司机状态实时监测方法 | |
| Fang et al. | (Retracted) Face recognition technology in classroom environment based on ResNet neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 100097 Beijing Haidian District Kunming Hunan Road 51 C block two floor 207. Applicant after: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD. Address before: 100193 4, 403, block A, 14 building, 10 East North Road, Haidian District, Beijing. Applicant before: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 410205 14 Changsha Zhongdian Software Park Phase I, 39 Jianshan Road, Changsha High-tech Development Zone, Yuelu District, Changsha City, Hunan Province Applicant after: Wisdom Eye Technology Co.,Ltd. Address before: 100097 2nd Floor 207, Block C, 51 Hunan Road, Kunming, Haidian District, Beijing Applicant before: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: In vivo detection method, device, equipment and storage medium Effective date of registration: 20221205 Granted publication date: 20201110 Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch Pledgor: Wisdom Eye Technology Co.,Ltd. Registration number: Y2022430000107 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20231220 Granted publication date: 20201110 Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch Pledgor: Wisdom Eye Technology Co.,Ltd. Registration number: Y2022430000107 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| CP03 | Change of name, title or address |
Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000 Patentee after: Wisdom Eye Technology Co.,Ltd. Address before: 410205 building 14, phase I, Changsha Zhongdian Software Park, No. 39, Jianshan Road, Changsha high tech Development Zone, Yuelu District, Changsha City, Hunan Province Patentee before: Wisdom Eye Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address |