CN110309767A - 活体检测设备、识别方法、装置及存储介质 - Google Patents
活体检测设备、识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110309767A CN110309767A CN201910575059.6A CN201910575059A CN110309767A CN 110309767 A CN110309767 A CN 110309767A CN 201910575059 A CN201910575059 A CN 201910575059A CN 110309767 A CN110309767 A CN 110309767A
- Authority
- CN
- China
- Prior art keywords
- identified
- distance
- value
- facial image
- vivo 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种活体检测设备,包括:图像传感器,用于获取待识别对象的人脸图像。距离传感器,用于获取所述待识别对象与所述图像传感器之间的距离。主控单元,用于对所述人脸图像进行处理,得到初步活体检测结果;以及将所述距离与预设距离值进行比较,得到比较结果;若所述初步活体检测结果为活体人脸,且所述待识别对象于所述图像传感器之间的距离大于所述预设距离值时,则判定所述待识别对象为活体。
Description
技术领域
本发明涉及识别领域,尤其涉及活体检测设备、识别方法、装置及存储介质。
背景技术
在生物识别系统中,为防止恶意者伪造和窃取他人的生物特征用于身份认证,生物识别系统需具有活体检测功能,即判断提交的生物特征是否来自有生命的个体。其中常见的就是人脸活体识别技术。目前,在人脸活体识别技术中,传统的做法是采用摄像头获取用户面部图像,同时指示用户做出指定动作,比如摇头、张嘴或者眨眼等动作,结合面部图像和用户动作进行活体识别。这种方法需要用户配合,用户体验很差。
发明内容
基于此,有必要针对上述人脸活体识别需要用户配合的技术问题,提供一种活体检测设备、识别方法、装置以及存储介质。
本发明实施例提供一种活体检测设备,包括:
图像传感器,用于获取待识别对象的人脸图像;
距离传感器,用于获取待识别对象与图像传感器之间的距离;
主控单元,用于对人脸图像进行处理,得到初步活体检测结果;以及将距离与预设距离值进行比较,得到比较结果;若初步活体检测结果为活体人脸,且待识别对象与图像传感器之间的距离大于预设距离值时,则判定待识别对象为活体。
在其中一个实施例中,距离传感器为红外对管传感器。
在其中一个实施例中,图像传感器为可见光摄像头。
本发明实施例还提供一种活体识别方法,包括以下步骤:
获取图像传感器传输的待识别对象的人脸图像;
获取待识别对象与图像传感器之间的距离;
对人脸图像进行处理,得到初步活体检测结果;
将距离与预设距离值进行比较,得到比较结果;
若初步活体检测结果为活体人脸,且待识别对象与图像传感器之间的距离大于预设距离值时,则判定待识别对象为活体。
在其中一个实施例中,对人脸图像进行人脸处理,得到初步活体检测结果的过程,包括步骤:
对人脸图像输入端算法模型,得到置信度值与分类结果;
若分类结果为活体且置信度值大于预设置信度阈值,则初步活体检测结果为活体人脸。
在其中一个实施例中,对人脸图像输入到算法模型,得到置信度值与分类结果的过程,包括步骤:
对人脸图像进行处理,得到若干个分类特征值;
对分类特征值进行归一化处理,得到对应的概率值;
提取概率值中的最大值作为置信度值。
在其中一个实施例中,对人脸图像进行处理,得到若干个分类特征值的过程,包括步骤:
采用卷积神经网络算法对人脸图像进行处理,得到若干个特征值结果。
在其中一个实施例中,对分类特征值进行归一化处理的过程,包括步骤:
采用归一化指数函数对分类特征进行处理。
本发明实施例还提供一种活体识别装置,包括:
图像获取模块,用于获取图像传感器传输的待识别对象的人脸图像;
距离获取模块,用于获取待识别对象与图像传感器之间的距离;
处理模块,用于对人脸图像进行处理,得到初步活体检测结果;以及将距离与预设距离值进行比较,得到比较结果;若初步活体检测结果为活体人脸,且待识别对象与图像传感器之间的距离大于预设距离值时,则判定待识别对象为活体。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项方法实施例的步骤。
上述活体检测设备,通过配置图像传感器采集待识别对象的人脸图像,配置距离传感器采集待识别对象与图像传感器之间的距离,再通过主控单元对人脸图像进行识别,结合距离对待识别对象进行分析,当人脸图像识别为活体人脸,且待识别对象与图像传感器之间的距离大于预设距离值时,判定待识别对象是为活体。这样,不需要用户配合做出指定动作,提高了识别效率,也提高了用户体验。
上述活体识别方法,通过获取图像传感器传输的待识别对象的人脸图像,以及获取待识别对象与图像传感器之间的距离,进而对人脸图像进行识别,以及对距离进行判断,若初步活体检测结果为活体人脸,且距离大于预设距离值,则判定待识别对象为活体。这种活体识别方法,不需要用户配合做出指定动作,识别效率高,节省时间,提高了用户体验。
附图说明
图1为本发明一个实施例活体检测设备的组成框图;
图2为本发明一个实施例活体识别方法的流程示意图;
图3为本发明一个实施例中FeatherNets神经网络的流程框图;
图4为本发明另一个实施例活体识别方法的流程框图;
图5为本发明一个实施例活体识别装置的模块示意图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图和实施例对本发明进行进一步讲解说明。同时声明,以下所描述的实施例仅用于解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供一种活体检测设备,包括图像传感器1、距离传感器2以及主控单元3。其中,图像传感器1是能够获取图像的任意设备,图像传感器1用于获取待识别对象的人脸图像,比如红外摄像头或者可见光摄像头等,只要能够获取人脸图像即可。距离传感器2是能够获取距离的任意设备。距离传感器2用于获取待识别对象与图像传感器之间的距离。主控单元3是可以对数据进行处理的任意单元,比如微处理芯片、单片机等。
图像传感器将获取的待识别对象的人脸图像传输至主控单元,主控单元对人脸图像进行识别,得到人脸识别结果。距离传感器将待识别对象与图像传感器之间的距离传输至主控单元,主控单元将该距离与预设距离值进行比较,得到比较结果。若通过图像分析得到的初步活体检测结果为活体人脸,并且待识别对象与图像传感器之间的距离大于预设距离值,则判定待识别对象为活体。
可选地,主控单元对人脸图像进行识别的方式有多种,可以通过算法对人脸图像进行处理。比如,可以采用基于神经网络进行识别的算法对人脸图像进行处理,得到人脸活体识别结果,判定人脸图像是否为活体人脸。可选地,可以采用多分类算法进行人脸活体识别。再比如,可以采用基于人脸特征点的识别算法,对人脸图像进行识别,对人脸特征进行提取,进而判定人脸图像是否为活体人脸。再比如,还可以通过图像传感器连续采集多张待识别对象的图像,采用基于视频图像的识别算法对待识别对象的图像进行处理,进而得到人脸活体识别结果。能够得到人脸识别结果的算法有很多种,只要能够对图像传感器采集的图像进行处理,得到人脸识别结果即可,在此不再赘述。
可选地,距离传感器获取待识别对象与图像传感器之间的距离,可以是直接获取两者之间的距离,也可以间接获取两者之间的距离。其中,间接获取两者之间的距离,即通过中间量的转换获取两者之间的距离,比如,配置一个与待识别对象和图像传感器处在同一直线上的参考物,分别获取参考物与待识别对象的距离、参考物与图像传感器之间的距离,将两个距离值传输至主控单元进行处理了,进而得到待识别对象与图像传感器之间的距离。
本发明实施例通过图像传感器获取待识别对象的人脸图像,通过距离传感器获取待识别对象与图像传感器之间的距离,再通过主控单元对人脸图像进行识别,并对待识别对象与图像传感器之间的距离进行判断,从而判定待识别对象是否为活体。当对人脸图像的初步检测识别结果为活体人脸,并且待识别对象与图像传感器之间的距离大于预设距离值时,则判定待识别对象为活体。本发明实施例提供的活体检测设备在人脸活体识别过程中,不需要待识别对象配合做出指定动作,因此也比传统的人脸识别设备更省时间,识别效率高。
在其中一个实施例中,距离传感器为红外对管传感器。红外对管是红外线发射管与光敏接收管,或者红外线接收管,或者红外线接收头配合在一起使用时候的总称。可选地,红外对管可以作为距离传感器使用。可选地,主控单元为微处理芯片,微处理芯片与红外对管连接,用于接收红外对管的信息。可选地,可以通过I2C(Inter-IntegratedCircuit,两线式串行总线)通讯读取微处理芯片的距离寄存器值和移位寄存器值,则通过以下表达式得到待识别对象与图像传感器的距离值:
距离=距离寄存器值÷16÷2移位寄存器值。
本发明实施例采用红外对管作为距离传感器,相比传统的距离传感器,电路结构相对简单,节约了硬件成本。而且传统的距离传感器往往采用了较为精密的电子元件,抗干扰能力差,而本发明实施例采用红外对管获取距离,干扰源相对较少,抗干扰能力强。
在其中一个实施例中,图像传感器为可见光摄像头。其中,可见光摄像头是通过接收可见光在待识别对象上的散射和反射光线进行成像的设备,可见光摄像头接收光信号,内部传感元件将光信号转换为电信号,再经模数转换,最终得到可被主控单元处理的数字图像信号。在传统的活体检测设备中,通常采用红外摄像头对待识别对象进行人脸图像获取。红外摄像头是通过自带红外点阵发出红外光,红外光照射到物体,经过漫反射而被红外像头接收,其内部传感元件将红外光转换为电信号,经数模转换最终形成可被主控单元处理的数字图像信号。因此,与传统的活体检测设备相比,本发明实施例采用可见光摄像头,能够节约硬件成本。
参考图2所示,本发明实施例还提供一种活体识别方法,包括以下步骤:
步骤S1:获取图像传感器传输的待识别对象的人脸图像。
步骤S2:获取待识别对象与图像传感器之间的距离。
其中,图像传感器可以是可见光传感器,也可以是红外光传感器。获取待识别对象与图像传感器之间的距离有多种方式实现。比如,可以采用距离传感器进行距离获取。当然,也可以采用采用人工测距的方式得到待识别对象与图像传感器之间的距离。
步骤S3:对人脸图像进行处理,得到初步活体检测结果。
其中对人脸图像进行处理,是为了对人脸图像是否为活体进行初步判定,得到初步活体检测结果。对人脸图像进行处理的方式也有多种,比如采用人工神经网络算法识别人脸。其中,人工神经网络由大量的简单基本元件,即神经元相互联接而成,是自适应非线性动态系统。每个神经元能够实现简单的功能,而大量神经元组合产生的系统行为则可以处理庞大和复杂的信息,能够自身适应环境、总结规律、完成某种运算、识别或过程控制。人工神经网络也有多种类型,可选地,可以采用卷积神经网络方法进行人脸识别,由于卷积神经网络中集成了相邻像素之间的相关性知识,从而在一定程度上获得了对图像平移、旋转和局部变形的不变性,因此得到非常理想的识别结果。可选地,也可以采用基于概率决策的神经网络方法(Probabilistic Decision Based Neural Network,PDBNN),其主要是采用虚拟样本进行强化和反强化学习,从而得到较为理想的概率估计结果,并采用模块化的网络结构(One-Class-One-Net,OCON)加快网络的学习,从而得到良好的人脸识别效果。
对人脸图像进行处理,还有其他方式,比如,基于几何特征的方法。人脸由眼睛、鼻子、嘴巴、下巴等部件构成,正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别,因此对这些部件的形状和结构关系的几何描述,可以做为人脸识别的重要特征。基于集合特征方法进行人脸识别是根据侧面轮廓曲线确定若干显著点,并由这些显著点导出一组用于识别的特征度量如距离、角度等,提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,对人脸图像进行识别。还有其他对人脸图像进行识别的方式,只要能够对人脸图像进行识别,初步判断人脸活体情况即可,在此不一一赘述。
步骤S4,将待识别对象与图像传感器之间的距离与预设距离进行比较,得到比较结果。其中,当待识别对象与图像传感器之间的距离小于预设值时,则应怀疑欺诈行为;当待识别对象与图像传感器之间的距离大于预设距离值时,则可以结合人脸图像识别的结果对待识别对象进行进一步的活体识别。
步骤S5:若初步活体检测结果为活体人脸,且待识别对象与图像传感器之间的距离大于预设距离值时,则判定待识别对象为活体。
在其中一个实施例中,对人脸图像进行人脸识别,得到初步活体检测结果的过程,包括以下步骤:
步骤S30:对人脸图像输入到算法模型,得到置信度值与分类结果。
步骤S31:若分类结果为活体且置信度值大于预设置信度值,则初步活体检测结果为活体人脸。
可选地,对人脸图像输入到算法模型,可以采用分类算法进行处理,得到若干个分类特征值,并对分类特征值进行归一化处理,得到对应的概率值,提取概率值中最大值作为置信度值。
其中,分类算法就是根据图像的特征或属性,划分到已有的类别中。可选地,分类算法可以采用神经网络分类算法。在神经网络模型中,大量的节点之间相互联接构成网络,即神经网络,以达到处理信息的目的。由于神经网络通常可以进行训练,训练的过程就是神经网络进行学习的过程。训练改变了网络节点的连接权的值使其具有分类的功能,经过训练的网络就可用于对象的识别。
可选地,分类算法还可以采用决策树模型。决策树是一种用于对实例进行分类的树形结构。一种依托于策略抉择而建立起来的树。决策树由节点和有向边组成。节点包括内部节点和叶子节点。其中,内部节点表示一个特征或属性的测试条件,用于分开具有不同特性的记录,叶子节点表示一个分类。决策树算法模型在处理时,从根节点开始,对待处理对象的某一特征进行测试,根据测试结果将待处理对象分配到其子节点,即选择适当的分支;沿着该分支可能达到叶子节点或者到达另一个内部节点时,那么就使用新的测试条件递归执行下去,直到抵达一个叶子节点。当到达叶子节点时,我们便得到了最终的分类结果。
分类算法还可以采用其他模型,只要能够对人脸图像进行处理,以得到若干个分类特征值,以便最终得到置信度值即可,这是本领域技术人员了解并能够实现的,在此不再赘述。
对分类特征值进行归一化处理,是对得到的若干个分类特征值映射到0到1范围之内,便于处理。由于若干个分类特征值经过归一化处理后都处于0到1的范围内,因而也可以看作概率值。
在其中一个实施例中,分类算法采用卷积神经网络算法(Convolutional NeuralNetworks,CNN)。卷积神经网络算法是一类包含卷积计算且具有深度结构的前馈神经网络。进一步地,可以采用FeatherNets神经网络对人脸图像进行处理,其处理过程如图3所示,为FeatherNets神经网络大致处理过程:获取图像,对图像进行特征提取(Resize),得到新的特征图。对新的特征图采用神经网络算法进行卷积计算提取特征(CNNstem),得到进一步的特征图。再对进一步的特征图进行深度卷积计算(DWConv),得到深度特征向量。最后对深度特征向量进行平化(flatten),得到多个浮点数,即分类特征值。
在其中一个实施例中,对分类特征值进行归一化处理,可以采用归一化指数函数,即Softmax函数,对若干个分类特征值进行处理,得到与每个分类特征值相对应的概率值。其中,Softmax函数能将一个含任意实数的K维向量“压缩”到另一个K维实向量中,使得每一个元素的范围都在0到1之间,并且所有元素的和为1。其中,Softmax函数的表达式为其中a为待处理的K维向量的元素,即各个分类特征值。Sj为算法输出结果,即最终得到的概率值。j=1,2,...,K。
在其中一个实施例中,参考图4所示,为人脸活体识别的流程示意图,下面结合可见光传感器和红外对管,对人脸活体识别的过程进行说明。本发明实施例通过可见光摄像头获取可见光图像,经主控单元采用FeatherNets神经网络算法进行处理,得到256个浮点数,即分类特征值。当然,这里,256个浮点数是由算法的设置决定的,可以根据需要调整。将获得的256个浮点数经Softmax函数处理,得到256个对应的概率值。从所得的概率值中,选取最大的概率值作为初步分类结果C1,即置信度值。将初步分类结果C1进行置信度阈值判断,若初步分类结果C1的置信度值大于预设置信度阈值,则初步判定待识别对象为初步活体人脸,得到初步判断结果C2。在得到初步活体人脸的初步判断结果后,获取红外对管测量所测量的待识别对象与可见光摄像头之间的距离,进行距离阈值判断。若此时待识别对象与可见光摄像头之间的距离大于预设距离值,则判定待识别对象为活体。与传统方案相比,本发明实施例不需要用户进行任何形式的配合,不需要用户进行如摇头、张嘴、眨眼等配合操作,也不需要耗费大量的时间。而跟传统方案相比,本发明实施例采用红外对管获取待识别对象与可见光摄像头之间的距离,能够较大幅度降低硬件成本。
参考图5所示,本发明实施例还提供一种活体识别装置,包括:
图像获取模块10,用于获取图像传感器传输的待识别对象的人脸图像。
距离获取模块20,用于获取待识别对象与图像传感器之间的距离。
处理模块30,用于对人脸图像进行处理,得到初步活体检测结果;以及将待识别对象与图像传感器之间的距离与预设距离值进行比较,得到比较结果;若初步活体检测结果为活体人脸,且待识别对象与图像传感器之间的距离大于预设距离值,则判定待识别对象为活体。
需要说明的是,上述本实施例各个模块的功能分别对应于活体识别方法实施例中的各个步骤,在此不再赘述。
本发明实施例还提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。本领域普通技术人员可以理解实现上述活体识别方法实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一种计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory:ROM)或随机存储记忆体(Random Access Memory:RAM)等。上述计算机可读存储介质用于存储本发明实施例所提供的显示面板检测方法的程序(指令),其中执行该程序可以执行本发明实施例所提供的显示面板检测方法的步骤,具备执行方法相应有益效果。可参照上述方法实施例中的描述,此处不再进行赘述。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种活体检测设备,其特征在于,包括:
图像传感器,用于获取待识别对象的人脸图像;
距离传感器,用于获取所述待识别对象与所述图像传感器之间的距离;
主控单元,用于对所述人脸图像进行处理,得到初步活体检测结果;以及将所述距离与预设距离值进行比较,得到比较结果;若所述初步活体检测结果为活体人脸,且所述待识别对象与所述图像传感器之间的距离大于所述预设距离值时,则判定所述待识别对象为活体。
2.根据权利要求1所述的活体检测设备,其特征在于,所述距离传感器为红外对管传感器。
3.根据权利要求1所述的活体检测设备,其特征在于,所述图像传感器为可见光摄像头。
4.一种活体识别方法,其特征在于,包括以下步骤:
获取图像传感器传输的待识别对象的人脸图像;
获取所述待识别对象与所述图像传感器之间的距离;
对所述人脸图像进行处理,得到初步活体检测结果;
将所述距离与预设距离值进行比较,得到比较结果;
若所述初步活体检测结果为活体人脸,且所述待识别对象与图像传感器之间的距离大于所述预设距离值时,则判定所述待识别对象为活体。
5.根据权利要求4所述的活体识别方法,其特征在于,所述对所述人脸图像进行人脸处理,得到初步活体检测结果的过程,包括步骤:
对所述人脸图像输入端算法模型,得到置信度值与分类结果;
若所述分类结果为活体且所述置信度值大于预设置信度阈值,则所述初步活体检测结果为活体人脸。
6.根据权利要求5所述的活体识别方法,其特征在于,对所述人脸图像输入到算法模型,得到置信度值与分类结果的过程,包括步骤:
对所述人脸图像进行处理,得到若干个分类特征值;
对所述分类特征值进行归一化处理,得到对应的概率值;
提取所述概率值中的最大值作为所述置信度值。
7.根据权利要求6所述的活体识别方法,其特征在于,所述对所述人脸图像进行处理,得到若干个分类特征值的过程,包括步骤:
采用卷积神经网络算法对所述人脸图像进行处理,得到若干个特征值结果。
8.根据权利要求6所述的活体识别方法,其特征在于,所述对所述分类特征值进行归一化处理的过程,包括步骤:
采用归一化指数函数对所述分类特征进行处理。
9.一种活体识别装置,其特征在于,包括:
图像获取模块,用于获取图像传感器传输的待识别对象的人脸图像;
距离获取模块,用于获取所述待识别对象与所述图像传感器之间的距离;
处理模块,用于对所述人脸图像进行处理,得到初步活体检测结果;以及将所述距离与预设距离值进行比较,得到比较结果;若所述初步活体检测结果为活体人脸,且所述待识别对象与所述图像传感器之间的距离大于所述预设距离值时,则判定所述待识别对象为活体。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求4-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910575059.6A CN110309767A (zh) | 2019-06-28 | 2019-06-28 | 活体检测设备、识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910575059.6A CN110309767A (zh) | 2019-06-28 | 2019-06-28 | 活体检测设备、识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309767A true CN110309767A (zh) | 2019-10-08 |
Family
ID=68077976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910575059.6A Pending CN110309767A (zh) | 2019-06-28 | 2019-06-28 | 活体检测设备、识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309767A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160299A (zh) * | 2019-12-31 | 2020-05-15 | 上海依图网络科技有限公司 | 活体识别方法及装置 |
CN111368681A (zh) * | 2020-02-27 | 2020-07-03 | 深圳数联天下智能科技有限公司 | 基于多点定位的活体甄别方法、装置、设备及存储介质 |
CN111914626A (zh) * | 2020-06-18 | 2020-11-10 | 北京迈格威科技有限公司 | 活体识别/阈值调节方法、装置、电子设备及存储介质 |
CN113111750A (zh) * | 2021-03-31 | 2021-07-13 | 智慧眼科技股份有限公司 | 人脸活体检测方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964056A (zh) * | 2010-10-26 | 2011-02-02 | 徐勇 | 一种具有活体检测功能的双模态人脸认证方法和系统 |
CN104766072A (zh) * | 2015-04-29 | 2015-07-08 | 深圳市保千里电子有限公司 | 一种活体人脸识别的装置及其使用方法 |
CN107077608A (zh) * | 2014-11-13 | 2017-08-18 | 英特尔公司 | 图像生物特征识别中的面部活体检测 |
CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技(深圳)有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
WO2018151229A1 (ja) * | 2017-02-20 | 2018-08-23 | 株式会社東海理化電機製作所 | 生体状態推定装置 |
CN108921041A (zh) * | 2018-06-06 | 2018-11-30 | 深圳神目信息技术有限公司 | 一种基于rgb和ir双目摄像头的活体检测方法及装置 |
-
2019
- 2019-06-28 CN CN201910575059.6A patent/CN110309767A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964056A (zh) * | 2010-10-26 | 2011-02-02 | 徐勇 | 一种具有活体检测功能的双模态人脸认证方法和系统 |
CN107077608A (zh) * | 2014-11-13 | 2017-08-18 | 英特尔公司 | 图像生物特征识别中的面部活体检测 |
CN104766072A (zh) * | 2015-04-29 | 2015-07-08 | 深圳市保千里电子有限公司 | 一种活体人脸识别的装置及其使用方法 |
WO2018151229A1 (ja) * | 2017-02-20 | 2018-08-23 | 株式会社東海理化電機製作所 | 生体状態推定装置 |
CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技(深圳)有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
CN108921041A (zh) * | 2018-06-06 | 2018-11-30 | 深圳神目信息技术有限公司 | 一种基于rgb和ir双目摄像头的活体检测方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160299A (zh) * | 2019-12-31 | 2020-05-15 | 上海依图网络科技有限公司 | 活体识别方法及装置 |
CN111368681A (zh) * | 2020-02-27 | 2020-07-03 | 深圳数联天下智能科技有限公司 | 基于多点定位的活体甄别方法、装置、设备及存储介质 |
CN111368681B (zh) * | 2020-02-27 | 2023-09-01 | 深圳数联天下智能科技有限公司 | 基于多点定位的活体甄别方法、装置、设备及存储介质 |
CN111914626A (zh) * | 2020-06-18 | 2020-11-10 | 北京迈格威科技有限公司 | 活体识别/阈值调节方法、装置、电子设备及存储介质 |
CN113111750A (zh) * | 2021-03-31 | 2021-07-13 | 智慧眼科技股份有限公司 | 人脸活体检测方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309767A (zh) | 活体检测设备、识别方法、装置及存储介质 | |
Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN108629306B (zh) | 人体姿态识别方法及装置、电子设备、存储介质 | |
CN105426870B (zh) | 一种人脸关键点定位方法及装置 | |
CN103902961B (zh) | 一种人脸识别方法及装置 | |
CN106980852B (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
WO2020048140A1 (zh) | 活体检测方法和装置、电子设备、计算机可读存储介质 | |
CN110046631A (zh) | 用于自动推断时空图像的变化的系统和方法 | |
CN107122744A (zh) | 一种基于人脸识别的活体检测系统及方法 | |
CN105303150B (zh) | 实现图像处理的方法和系统 | |
CN107133612A (zh) | 基于图像处理与语音识别技术的智能病房及其运行方法 | |
CN106056064A (zh) | 一种人脸识别方法及人脸识别装置 | |
CN112016527B (zh) | 基于深度学习的大熊猫行为识别方法、系统、终端及介质 | |
CN108734283A (zh) | 神经网络系统 | |
CN108881710A (zh) | 图像处理方法、装置和系统及存储介质 | |
CN105243386A (zh) | 人脸活体判断方法以及系统 | |
JP7036401B2 (ja) | 学習用サーバ、不足学習用画像収集支援システム、及び不足学習用画像推定プログラム | |
US7643674B2 (en) | Classification methods, classifier determination methods, classifiers, classifier determination devices, and articles of manufacture | |
CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
CN107590473A (zh) | 一种人脸活体检测方法、介质和相关装置 | |
CN104091173A (zh) | 一种基于网络摄像机的性别识别方法及装置 | |
CN112307984B (zh) | 基于神经网络的安全帽检测方法和装置 | |
CN116343284A (zh) | 基于注意力机制的多特征户外环境情绪识别方法 | |
Niu et al. | Automatic localization of optic disc based on deep learning in fundus images |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |