CN105654028A - 一种真假人脸识别方法及装置 - Google Patents
一种真假人脸识别方法及装置 Download PDFInfo
- Publication number
- CN105654028A CN105654028A CN201510631277.9A CN201510631277A CN105654028A CN 105654028 A CN105654028 A CN 105654028A CN 201510631277 A CN201510631277 A CN 201510631277A CN 105654028 A CN105654028 A CN 105654028A
- Authority
- CN
- China
- Prior art keywords
- facial image
- face
- visible ray
- passage
- effective
- 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
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种真假人脸识别方法及装置,用于有效地识别出真实人脸和假体人脸,以提高人脸识别的安全性。本发明实施例方法包括:采集人脸对象获得近红外人脸图像和可见光人脸图像;对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像,所述可见光人脸通道图像与所述通道一一对应;采用深度卷积网络对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到处理结果;根据所述处理结果,对所述人脸对象进行真假识别。
Description
技术领域
本发明涉及生物特征识别技术领域,具体涉及一种真假人脸识别方法及装置。
背景技术
人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别,随着其技术的成熟和社会认同度的提高,人脸识别被应用在很多领域,例如,人脸识别门禁考勤系统,人脸识别防盗门,公安、司法和刑侦中用于搜捕逃犯等。近年来,在人脸识别技术的发展过程中,出现了人脸假体的欺骗行为,例如打印人脸图像到纸张上,或者使用投影、液晶显示屏(LiquidCrystalDisplay,简称LCD)等播放设备显示在屏幕上,或者制作人脸的3维立体模型,然后将纸张上的人脸图像或者投影人脸图像或者3维立体模型的假体人脸放置于人脸识别系统的采集装置前,会得到各种人脸图像,这些人脸图像跟真实的人脸图像有很大的相似性,容易被系统当成真实的人脸进行识别,成为人脸识别系统中的不安全因素。然而,在人脸识别系统中,特别是无人值守或高安全性场合,防止人使用人脸假体欺骗系统是非常重要的。因此,如何在人脸识别技术中进行真假人脸识别成为目前的研究课题之一。
发明内容
本发明实施例提供了一种真假人脸识别方法及装置,用于有效地识别出真实人脸和假体人脸,以提高人脸识别的安全性。
本发明第一方面提供了一种真假人脸识别方法,可包括:
采集人脸对象获得近红外人脸图像和可见光人脸图像;
从所述近红外人脸图像中提取有效近红外人脸图像,从所述可见光人脸图像中提取有效可见光人脸图像;
对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像,所述可见光人脸通道图像与所述通道一一对应;
采用深度卷积网络对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到处理结果;
根据所述处理结果,对所述人脸对象进行真假识别。
本发明第二方面提供了一种真假人脸识别装置,可包括:
采集模块,用于采集人脸对象获得近红外人脸图像和可见光人脸图像;
处理模块,用于从所述近红外人脸图像中提取有效近红外人脸图像,从所述可见光人脸图像中提取有效可见光人脸图像;对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像,所述可见光人脸通道图像与所述通道一一对应;采用深度卷积网络对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到处理结果;根据所述处理结果,对所述人脸对象进行真假识别。
从以上技术方案可以看出,本发明实施例中可以通过采集人脸对象获得近红外人脸图像和可见光人脸图像,从近红外人脸图像中提取有效近红外人脸图像,以及从所述可见光人脸图像中提取有效可见光人脸图像,然后对有效可见光人脸图像进行分解,得到至少一个通道一一对应的可见光人脸通道图像,然后将有效近红外人脸图像和所有可见光人脸通道图像作为深度卷积网络的输入,经过深度卷积网络的卷积处理,得到处理结果,最后根据处理结果识别出人脸对象的真假。本发明实施例能够有效地识别出真实人脸和假体人脸,以提高人脸识别的安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要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发明的一些实施例,对于本领域普通技术人员来讲,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。
图1a为本发明实施例提供的真假人脸识别方法的流程示意图;
图1b为本发明实施例提供的从假体人脸采集到的可见光人脸图像示意图;
图1c为本发明实施例提供的从真实人脸采集到的可见光人脸图像示意图;
图2为本发明实施例提供的深度卷积网络应用示意图;
图3为本发明实施例提供的真假人脸识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种真假人脸识别方法,有效地识别出真实人脸和假体人脸,以提高人脸识别的安全性。本发明实施例相应地提供了一种真假人脸识别装置。
本发明实施例应用于人脸识别系统中,在根据人脸进行身份识别之前,先确认人脸的真假。所谓人脸真假是指人脸是真实人脸还是假体人脸。
其中,假体人脸可以包括:一些简单使用喷墨打印机打印的彩色人脸图像、使用投影、LCD等显示在屏幕上的人脸图像、或者采用硅胶或者其它材料制作出来的3维立体模型。若是将这些假体人脸作为人脸对象进行采集,采集得到的人脸图像与真实的人脸图像有着很大的相似性,人脸识别系统容易将这些假体人脸当成真实的人脸。
因此,本发明实施例主要用于识别被识别的人脸对象是真实的人脸还是假体人脸。
简述本发明实施例中能够识别出人脸对象为真实人脸或假体人脸的依据与原理:例如假体人脸为使用喷墨打印机打印的彩色人脸图像,由于各种颜色的打印墨水对近红外光谱的吸收率是一样的,因此在近红外光感应的摄像头下,则难以拍摄出假体人脸中的人脸图像;再例如采用硅胶或者其它材料制作出来的3维立体模型,制作材料与真实人脸的肤质村存在很大区别,具体体现在人脸一些特征上是不相同的,而且不同材料的假体人脸,与人脸本身的表面材质也存在差别,因此,在可见光人脸图像中也可以提取到一些反映材质的特征,作为真实人脸和假体人脸的识别依据,因此,本发明实施例能够结合近红外人脸图像和可见光人脸图像中的人脸特征有效地、准确地识别出人脸对象的真假,以提高人脸识别的安全性。
基于上述介绍,请参阅图1a~图1c,其中,图1a为本发明实施例提供的真假人脸识别方法的流程示意图;图1b为本发明实施例提供的从假体人脸采集到的可见光人脸图像示意图;图1c为本发明实施例提供的从真实人脸采集到的可见光人脸图像示意图;如图1a所示,本发明实施例提供了一种真假人脸识别方法,如图1a所示,该真假人脸识别方法可以包括:
101、采集人脸对象获得近红外人脸图像和可见光人脸图像;
结合图1b和图1c,在人脸识别系统中,设置双摄像头。人脸识别系统发射近红外线照射人脸对象,其中一个摄像头采集到近红外人脸图像,然后人脸识别系统关闭近红外线,另一个摄像头采集可见光人脸图像。
需要说明,本发明实施例中的人脸对象可以是上述介绍的真实人脸也可以是假体人脸。
102、从所述近红外人脸图像中提取有效近红外人脸图像,从所述可见光人脸图像中提取有效可见光人脸图像;
103、对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像,所述可见光人脸通道图像与所述通道一一对应;
104、采用深度卷积网络对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到处理结果;
本发明实施例提供的深度卷积网络可以直接对多通道的图像进行处理,在本发明实施例中对于有效可见光人脸图像,对其进行分解,得到至少一个通道一一对应的可见光人脸通道图像,而有效近红外人脸图像本身只有一个颜色通道。
105、根据所述处理结果,对所述人脸对象进行真假识别。
可以看出,本发明实施例中可以通过采集人脸对象获得近红外人脸图像和可见光人脸图像,从近红外人脸图像中提取有效近红外人脸图像,以及从所述可见光人脸图像中提取有效可见光人脸图像,然后对有效可见光人脸图像进行分解,得到至少一个通道一一对应的可见光人脸通道图像,然后将有效近红外人脸图像和所有可见光人脸通道图像和作为深度卷积网络的输入,经过深度卷积网络的卷积处理,得到处理结果,最后根据处理结果识别出人脸对象的真假。本发明实施例能够有效地识别出真实人脸和假体人脸,以提高人脸识别的安全性。
在本发明一些实施例中,上述步骤103中对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像包括:根据RGB颜色空间对所述有效可见光人脸图像进行分解,得到R通道、G通道和B通道分别对应的所述可见光人脸通道图像。
其中,在对有效可见光人脸图像进行分解时,可以根据RGB颜色空间进行分解。RGB代表红(R)、绿(G)、蓝(B)三个通道的颜色,其它颜色是由这三个颜色通道的变化以及它们相互之间的叠加得到。在本发明实施例中,将有效可见光人脸图像按照这三个通道进行分解,那么将得到三个通道分别对应的可见光人脸分解。
在本发明另一些实施例中,上述步骤103中对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像包括:根据YUV颜色空间对所述有效可见光人脸图像进行分解,得到Y通道、U通道和V通道分别对应的所述可见光人脸通道图像。
其中,YUV代表明亮度(Y)、色彩(U)、饱和度(V),可以根据这三个通道进行转换,得到Y、U和V通道分别对应的可见光人脸通道图像。
在本发明一些可实施的方式中,在执行步骤103之前还可以对所述有效近红外人脸图像进行正规化处理得到正规化的有效近红外人脸图像,以及对所述有效可见光人脸图像进行正规化处理得到正规化的有效可见光人脸图像。
具体地,在本发明实施例中,可以通过获取近红外人脸图像中人脸区域的位置和大小等信息,根据这些信息,从近红外人脸图像中提取有效近红外人脸图像,进一步将有效近红外人脸图像缩放到固定尺寸,如144x144,得到正规化的有效近红外人脸图像。
同样,可以通过获取可见光人脸图像中人脸区域的位置和大小等信息,根据这些信息,从可见光人脸图像中提取有效可见光人脸图像。进一步将有效可见光人脸图像缩放到固定尺寸,如144x144,得到正规化的有效可见光人脸图像。
然后对正规化的有效可见光人脸图像按照R通道、G通道和B通道,可以将正规化的有效可见光人脸图像分解成三个通道分别对应的图像,分别为R通道对应的可见光人脸通道图像、G通道对应的可见光人脸通道图像和B通道对应的可见光人脸通道图像。正规化的有效近红外人脸图像只有一个通道,因此,一共得到4个通道的图像作为深度卷积网络的输入。
进一步地,上述步骤104中采用深度卷积网络对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到处理结果包括:采用第一卷积层对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到L1个通道的第一矩阵图层;对所述第一矩阵图层进行降维处理,得到所述L1个通道的第二矩阵图层,其中,所述第二矩阵图层的尺寸小于所述第一矩阵图层;采用第二卷积层对所述第二矩阵图层进行卷积处理,得到L2个通道的第三矩阵图层;对所述第三卷积图层进行降维处理,得到所述L2个通道的第四矩阵图层,其中,所述第四矩阵图层的尺寸小于所述第三矩阵图层;根据所述L2个通道的第四矩阵图层,得到N维向量;将所述N维向量输入逻辑回归器,得到所述处理结果。
本发明实施例提供的深度卷积网络包括第一卷积层、第二卷积层和逻辑回归器。举例来说,如图2所示,将上述4通道144x144的图像,包括R通道对应的可见光人脸通道图像、G通道对应的可见光人脸通道图像、B通道对应的可见光人脸通道图像和正规化的有效近红外人脸图像作为第一卷积层的输入,第一卷积层采用80个3x3核对区域集进行卷积,得到80个通道48x48的图层,紧接着用一个ReLU层的零截线性激活函数(RectifiedLinearUnits)对80个通道48x48的图层进行降维处理(包括图2中ReLU和maxpooling4x4),得到80通道12x12的图层。80通道12x12的图层作为第二卷积层的输入,在第二卷积层用150个3x3核进行卷积,得到150通道4x4图层,在此使用ReLU层零截线性激活函数对150通道4x4图层进行降维处理(包括图2中ReLU和maxpooling2x2),得到150通道2x2图层,然后,根据150通道2x2可以得到600维的向量,作为逻辑回归分类器(如图2中的Logistic分类器)的输入,逻辑回归分类器的输出则为处理结果。
可以理解,还可以对150通道2x2图层进行Dropout处理防止过拟合,然后再根据150通道2x2可以得到600维的向量。
在本发明一些实施例中,步骤104中的根据所述处理结果,对所述人脸对象进行真假识别包括:当所述处理结果小于预设值时,确定所述人脸对象为真实人脸;当所述处理结果大于所述预设值时,确定所述人脸对象为假体人脸;当所述处理结果等于所述预设值时,确定所述人脸对象为真实人脸或假体人脸。
本发明实施例提供的深度卷积网络经过多次训练得到,具体训练方法如下:优选至少一对训练对象,所谓一对训练对象是指一个真实人脸和该真实人脸的假体人脸,分别从真实人脸和真实人脸的假体人脸采集人脸图像样本进行训练,具体训练得到如上述介绍中的第一卷积层、第二卷积层和逻辑回归分类器的参数,如第一卷积层涉及的80个3x3核等参数。为了提高的深度卷积网络能够正确地进行人脸对象真假的识别,在训练深度卷积网络时,尽可能对更多的真实人脸图像样本和假体人脸图像样本进行训练,可以采集10000对(共20000个图像样本(包括真实人脸图像样本和假体人脸图像样本))图像样本进行训练,而且在采集真实人脸图像样本和假体人脸图像样本,可以通过改变真实人脸和真实人脸的假体人脸的位置和姿态,以采集到更多不一样角度和光照条件的真实人脸图像样本和假体人脸图像样本。
其中,假体人脸通过以下方式获取:例如使用打印机打印彩色和灰度的人脸图像到各种显示材质上(普通复印纸、光面照相纸等)作为假体人脸图像样本,以及采用手机、相机等摄像设备拍摄的图像,这些图像在某一个显示屏幕上显示,作为假体人脸图像样本。然后按照通过其中一个摄像头采集假体人脸图像样本的近红外人脸图像样本,其中一个摄像头采集假体人脸图像样本的可见光人脸图像样本,分别为本发明实施例的第二近红外人脸图像样本和第二可见光人脸图像样本。
真实人脸图像样本包括近红外人脸图像样本和可见光人脸图像样本,假体人脸图像样本同样包括近红外人脸图像样本和可见光人脸图像样本。从近红外人脸图像样本中提取有效近红外人脸图像样本,和从可见光人脸图像样本中提取有效可见光人脸图像样本,再将每一个有效可见光人脸图像样本按照通道进行分解(例如,根据R通道、G通道和B通道进行分解,每一个有效可见光人脸图像样本分解成3个通道分别对应的可见光人脸通道图像样本)得到每个通道分别对应的可见光人脸通道图像样本,将所有可见光人脸通道图像样本和有效近红外人脸图像样本集合起来得到人脸区域样本集,其中,该人脸区域样本集表示如下:
S={(xi,yi)|i∈(1,N)}|(公式3)
其中,xi为第i个人脸区域样本,N表示人脸区域样本集中人脸区域样本的总数,人脸区域样本为上述提供的可见光人脸通道图像样本和/或有效近红外人脸图像样本中的任意一个,yi为xi对应的标签,该标签表示第i个人脸区域样本来源于真实人脸图像样本或者假体人脸图像样本,例如,若标签取值为0表示来源于假体人脸图像样本,若标签取值为1表示来源于真实人脸图像样本。
利用上述N个人脸区域样本进行训练,得到本发明实施例提供的深度卷积网络的参数。具体地,利用上述人脸区域样本集,使用随机梯度下降算法训练得到上述的深度卷积网络,即深度卷积网络中的参数。
请参阅图3,图3为本发明实施例提供的一种真假人脸识别装置的结构示意图;如图3所示,一种真假人脸识别方法对应的装置可包括:
采集模块310,用于采集人脸对象获得近红外人脸图像和可见光人脸图像;
处理模块320,用于从所述近红外人脸图像中提取有效近红外人脸图像,从所述可见光人脸图像中提取有效可见光人脸图像;对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像,所述可见光人脸通道图像与所述通道一一对应;采用深度卷积网络对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到处理结果;根据所述处理结果,对所述人脸对象进行真假识别。
可以看出,本发明实施例中通过采集模块310采集人脸对象获得近红外人脸图像和可见光人脸图像,然后由处理模块320从近红外人脸图像中提取有效近红外人脸图像,以及从所述可见光人脸图像中提取有效可见光人脸图像,对有效可见光人脸图像进行分解,得到至少一个通道一一对应的可见光人脸通道图像,然后将有效近红外人脸图像和所有可见光人脸通道图像作为深度卷积网络的输入,经过深度卷积网络的卷积处理,得到处理结果,最后根据处理结果识别出人脸对象的真假。本发明实施例能够有效地识别出真实人脸和假体人脸,以提高人脸识别的安全性。
在本发明一些实施例中,上述处理模块320具体用于,根据RGB颜色空间对所述有效可见光人脸图像进行分解,得到R通道、G通道和B通道分别对应的所述可见光人脸通道图像。
在本发明一些实施例中,上述处理模块320具体用于,根据YUV颜色空间对所述有效可见光人脸图像进行分解,得到Y通道、U通道和V通道分别对应的所述可见光人脸通道图像。
在本发明一些实施例中,上述处理模块320具体用于,采用第一卷积层对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到L1个通道的第一矩阵图层;对所述第一矩阵图层进行降维处理,得到所述L1个通道的第二矩阵图层,其中,所述第二矩阵图层的尺寸小于所述第一矩阵图层;采用第二卷积层对所述第二矩阵图层进行卷积处理,得到L2个通道的第三矩阵图层;对所述第三卷积图层进行降维处理,得到所述L2个通道的第四矩阵图层,其中,所述第四矩阵图层的尺寸小于所述第三矩阵图层;根据所述L2个通道的第四矩阵图层,得到N维向量;将所述N维向量输入逻辑回归器,得到所述处理结果。
上述处理模块320具体用于,当所述处理结果小于预设值时,确定所述人脸对象为真实人脸;当所述处理结果大于所述预设值时,确定所述人脸对象为假体人脸;当所述处理结果等于所述预设值时,确定所述人脸对象为真实人脸或假体人脸。
在一些可实施的方式中,上述处理模块320具体还用于,在对所述有效可见光人脸图像进行分解之前,对所述有效近红外人脸图像进行正规化处理得到正规化的有效近红外人脸图像,以及对所述有效可见光人脸图像进行正规化处理得到正规化的有效可见光人脸图像。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
所述集成的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取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机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机设备(可以是个人计算机,服务器,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,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明所提供的一种真假人脸识别方法及装置进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种真假人脸识别方法,其特征在于,包括:
采集人脸对象获得近红外人脸图像和可见光人脸图像;
从所述近红外人脸图像中提取有效近红外人脸图像,从所述可见光人脸图像中提取有效可见光人脸图像;
对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像,所述可见光人脸通道图像与所述通道一一对应;
采用深度卷积网络对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到处理结果;
根据所述处理结果,对所述人脸对象进行真假识别。
2.根据权利要求1所述的方法,其特征在于,所述对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像包括:
根据RGB颜色空间对所述有效可见光人脸图像进行分解,得到R通道、G通道和B通道分别对应的可见光人脸通道图像。
3.根据权利要求1所述的方法,其特征在于,所述对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像包括:
根据YUV颜色空间对所述有效可见光人脸图像进行分解,得到Y通道、U通道和V通道分别对应的可见光人脸通道图像。
4.根据权利要求1~3任一项所述的方法,其特征在于,所述采用深度卷积网络对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到处理结果包括:
采用第一卷积层对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到L1个通道的第一矩阵图层;
对所述第一矩阵图层进行降维处理,得到所述L1个通道的第二矩阵图层,其中,所述第二矩阵图层的尺寸小于所述第一矩阵图层;
采用第二卷积层对所述第二矩阵图层进行卷积处理,得到L2个通道的第三矩阵图层;
对所述第三卷积图层进行降维处理,得到所述L2个通道的第四矩阵图层,其中,所述第四矩阵图层的尺寸小于所述第三矩阵图层;
根据所述L2个通道的第四矩阵图层,得到N维向量;
将所述N维向量输入逻辑回归器,得到所述处理结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述处理结果,对所述人脸对象进行真假识别包括:
当所述处理结果小于预设值时,确定所述人脸对象为真实人脸;
当所述处理结果大于所述预设值时,确定所述人脸对象为假体人脸;
当所述处理结果等于所述预设值时,确定所述人脸对象为真实人脸或假体人脸。
6.根据权利要求4所述的方法,其特征在于,所述对所述有效可见光人脸图像进行分解之前包括:
对所述有效近红外人脸图像进行正规化处理得到正规化的有效近红外人脸图像,以及对所述有效可见光人脸图像进行正规化处理得到正规化的有效可见光人脸图像。
7.一种真假人脸识别装置,其特征在于,包括:
采集模块,用于采集人脸对象获得近红外人脸图像和可见光人脸图像;
处理模块,用于从所述近红外人脸图像中提取有效近红外人脸图像,从所述可见光人脸图像中提取有效可见光人脸图像;对所述有效可见光人脸图像进行分解,得到至少一个通道对应的可见光人脸通道图像,所述可见光人脸通道图像与所述通道一一对应;采用深度卷积网络对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到处理结果;根据所述处理结果,对所述人脸对象进行真假识别。
8.根据权利要求7所述的装置,其特征在于,
所述处理模块具体用于,根据RGB颜色空间对所述有效可见光人脸图像进行分解,得到R通道、G通道和B通道分别对应的所述可见光人脸通道图像。
9.根据权利要求7所述的装置,其特征在于,
所述处理模块具体用于,根据YUV颜色空间对所述有效可见光人脸图像进行分解,得到Y通道、U通道和V通道分别对应的所述可见光人脸通道图像。
10.根据权利要求7~9任一项所述的装置,其特征在于,
所述处理模块具体用于,采用第一卷积层对所述有效近红外人脸图像和所有所述可见光人脸通道图像进行卷积处理,得到L1个通道的第一矩阵图层;对所述第一矩阵图层进行降维处理,得到所述L1个通道的第二矩阵图层,其中,所述第二矩阵图层的尺寸小于所述第一矩阵图层;采用第二卷积层对所述第二矩阵图层进行卷积处理,得到L2个通道的第三矩阵图层;对所述第三卷积图层进行降维处理,得到所述L2个通道的第四矩阵图层,其中,所述第四矩阵图层的尺寸小于所述第三矩阵图层;根据所述L2个通道的第四矩阵图层,得到N维向量;将所述N维向量输入逻辑回归器,得到所述处理结果。
11.根据权利要求10所述的装置,其特征在于,
所述处理模块具体用于,当所述处理结果小于预设值时,确定所述人脸对象为真实人脸;当所述处理结果大于所述预设值时,确定所述人脸对象为假体人脸;当所述处理结果等于所述预设值时,确定所述人脸对象为真实人脸或假体人脸。
12.根据权利要求6所述的装置,其特征在于,
所述处理模块还用于,在对所述有效可见光人脸图像进行分解之前,对所述有效近红外人脸图像进行正规化处理得到正规化的有效近红外人脸图像,以及对所述有效可见光人脸图像进行正规化处理得到正规化的有效可见光人脸图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510631277.9A CN105654028A (zh) | 2015-09-29 | 2015-09-29 | 一种真假人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510631277.9A CN105654028A (zh) | 2015-09-29 | 2015-09-29 | 一种真假人脸识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105654028A true CN105654028A (zh) | 2016-06-08 |
Family
ID=56481742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510631277.9A Pending CN105654028A (zh) | 2015-09-29 | 2015-09-29 | 一种真假人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654028A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203305A (zh) * | 2016-06-30 | 2016-12-07 | 北京旷视科技有限公司 | 人脸活体检测方法和装置 |
CN106372615A (zh) * | 2016-09-19 | 2017-02-01 | 厦门中控生物识别信息技术有限公司 | 一种人脸防伪识别方法以及装置 |
CN107454335A (zh) * | 2017-08-31 | 2017-12-08 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和移动终端 |
CN107590430A (zh) * | 2017-07-26 | 2018-01-16 | 百度在线网络技术(北京)有限公司 | 活体检测方法、装置、设备及存储介质 |
CN107766863A (zh) * | 2016-08-19 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 图像表征方法和服务器 |
CN108363939A (zh) * | 2017-01-26 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 特征图像的获取方法及获取装置、用户认证方法 |
CN109543640A (zh) * | 2018-11-29 | 2019-03-29 | 中国科学院重庆绿色智能技术研究院 | 一种基于图像转换的活体检测方法 |
CN109558840A (zh) * | 2018-11-29 | 2019-04-02 | 中国科学院重庆绿色智能技术研究院 | 一种特征融合的活体检测方法 |
CN109753934A (zh) * | 2019-01-09 | 2019-05-14 | 中控智慧科技股份有限公司 | 一种识别图像真伪的方法以及识别装置 |
CN109840475A (zh) * | 2018-12-28 | 2019-06-04 | 深圳奥比中光科技有限公司 | 人脸识别方法及电子设备 |
CN109961025A (zh) * | 2019-03-11 | 2019-07-02 | 烟台市广智微芯智能科技有限责任公司 | 一种基于图像偏斜度的真假脸部识别检测方法和检测系统 |
CN110008783A (zh) * | 2018-01-04 | 2019-07-12 | 杭州海康威视数字技术股份有限公司 | 基于神经网络模型的人脸活体检测方法、装置及电子设备 |
CN111079606A (zh) * | 2019-12-06 | 2020-04-28 | 北京爱笔科技有限公司 | 一种人脸防伪方法及装置 |
CN111126265A (zh) * | 2019-12-24 | 2020-05-08 | 杭州魔点科技有限公司 | 活体检测方法、装置、电子设备及介质 |
CN111767868A (zh) * | 2020-06-30 | 2020-10-13 | 创新奇智(北京)科技有限公司 | 人脸检测方法、装置、电子设备及存储介质 |
CN111767868B (zh) * | 2020-06-30 | 2024-06-11 | 创新奇智(北京)科技有限公司 | 人脸检测方法、装置、电子设备及存储介质 |
Citations (10)
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 |
CN103136516A (zh) * | 2013-02-08 | 2013-06-05 | 上海交通大学 | 可见光与近红外信息融合的人脸识别方法及系统 |
CN103544705A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 一种基于深度卷积神经网络的图像质量测试方法 |
CN103605972A (zh) * | 2013-12-10 | 2014-02-26 | 康江科技(北京)有限责任公司 | 一种基于分块深度神经网络的非限制环境人脸验证方法 |
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN104361328A (zh) * | 2014-11-21 | 2015-02-18 | 中国科学院重庆绿色智能技术研究院 | 一种基于自适应多列深度模型的人脸图像正规化方法 |
US20150055887A1 (en) * | 2013-08-23 | 2015-02-26 | Brother Kogyo Kabushiki Kaisha | Image Processing Apparatus and Storage Medium |
CN104463172A (zh) * | 2014-12-09 | 2015-03-25 | 中国科学院重庆绿色智能技术研究院 | 基于人脸特征点形状驱动深度模型的人脸特征提取方法 |
CN104484658A (zh) * | 2014-12-30 | 2015-04-01 | 中科创达软件股份有限公司 | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 |
CN104866810A (zh) * | 2015-04-10 | 2015-08-26 | 北京工业大学 | 一种深度卷积神经网络的人脸识别方法 |
-
2015
- 2015-09-29 CN CN201510631277.9A patent/CN105654028A/zh active Pending
Patent Citations (10)
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 |
CN103136516A (zh) * | 2013-02-08 | 2013-06-05 | 上海交通大学 | 可见光与近红外信息融合的人脸识别方法及系统 |
US20150055887A1 (en) * | 2013-08-23 | 2015-02-26 | Brother Kogyo Kabushiki Kaisha | Image Processing Apparatus and Storage Medium |
CN103544705A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 一种基于深度卷积神经网络的图像质量测试方法 |
CN103605972A (zh) * | 2013-12-10 | 2014-02-26 | 康江科技(北京)有限责任公司 | 一种基于分块深度神经网络的非限制环境人脸验证方法 |
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN104361328A (zh) * | 2014-11-21 | 2015-02-18 | 中国科学院重庆绿色智能技术研究院 | 一种基于自适应多列深度模型的人脸图像正规化方法 |
CN104463172A (zh) * | 2014-12-09 | 2015-03-25 | 中国科学院重庆绿色智能技术研究院 | 基于人脸特征点形状驱动深度模型的人脸特征提取方法 |
CN104484658A (zh) * | 2014-12-30 | 2015-04-01 | 中科创达软件股份有限公司 | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 |
CN104866810A (zh) * | 2015-04-10 | 2015-08-26 | 北京工业大学 | 一种深度卷积神经网络的人脸识别方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203305B (zh) * | 2016-06-30 | 2020-02-04 | 北京旷视科技有限公司 | 人脸活体检测方法和装置 |
CN106203305A (zh) * | 2016-06-30 | 2016-12-07 | 北京旷视科技有限公司 | 人脸活体检测方法和装置 |
CN107766863B (zh) * | 2016-08-19 | 2022-03-04 | 阿里巴巴集团控股有限公司 | 图像表征方法和服务器 |
CN107766863A (zh) * | 2016-08-19 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 图像表征方法和服务器 |
CN106372615A (zh) * | 2016-09-19 | 2017-02-01 | 厦门中控生物识别信息技术有限公司 | 一种人脸防伪识别方法以及装置 |
CN108363939A (zh) * | 2017-01-26 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 特征图像的获取方法及获取装置、用户认证方法 |
US10699103B2 (en) | 2017-07-26 | 2020-06-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Living body detecting method and apparatus, device and storage medium |
CN107590430A (zh) * | 2017-07-26 | 2018-01-16 | 百度在线网络技术(北京)有限公司 | 活体检测方法、装置、设备及存储介质 |
CN107454335A (zh) * | 2017-08-31 | 2017-12-08 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和移动终端 |
CN110008783A (zh) * | 2018-01-04 | 2019-07-12 | 杭州海康威视数字技术股份有限公司 | 基于神经网络模型的人脸活体检测方法、装置及电子设备 |
US11321963B2 (en) | 2018-01-04 | 2022-05-03 | Hangzhou Hikvision Digital Technology Co., Ltd. | Face liveness detection based on neural network model |
CN109543640A (zh) * | 2018-11-29 | 2019-03-29 | 中国科学院重庆绿色智能技术研究院 | 一种基于图像转换的活体检测方法 |
CN109558840A (zh) * | 2018-11-29 | 2019-04-02 | 中国科学院重庆绿色智能技术研究院 | 一种特征融合的活体检测方法 |
CN109543640B (zh) * | 2018-11-29 | 2022-06-17 | 中国科学院重庆绿色智能技术研究院 | 一种基于图像转换的活体检测方法 |
CN109840475A (zh) * | 2018-12-28 | 2019-06-04 | 深圳奥比中光科技有限公司 | 人脸识别方法及电子设备 |
CN109753934A (zh) * | 2019-01-09 | 2019-05-14 | 中控智慧科技股份有限公司 | 一种识别图像真伪的方法以及识别装置 |
CN109961025A (zh) * | 2019-03-11 | 2019-07-02 | 烟台市广智微芯智能科技有限责任公司 | 一种基于图像偏斜度的真假脸部识别检测方法和检测系统 |
CN111079606A (zh) * | 2019-12-06 | 2020-04-28 | 北京爱笔科技有限公司 | 一种人脸防伪方法及装置 |
CN111126265A (zh) * | 2019-12-24 | 2020-05-08 | 杭州魔点科技有限公司 | 活体检测方法、装置、电子设备及介质 |
CN111767868A (zh) * | 2020-06-30 | 2020-10-13 | 创新奇智(北京)科技有限公司 | 人脸检测方法、装置、电子设备及存储介质 |
CN111767868B (zh) * | 2020-06-30 | 2024-06-11 | 创新奇智(北京)科技有限公司 | 人脸检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654028A (zh) | 一种真假人脸识别方法及装置 | |
CN105069448A (zh) | 一种真假人脸识别方法及装置 | |
Bayar et al. | Design principles of convolutional neural networks for multimedia forensics | |
CN104766063B (zh) | 一种活体人脸识别方法 | |
CN108229376B (zh) | 用于检测眨眼的方法及装置 | |
CN101908137B (zh) | 静脉认证装置和模板登记方法 | |
CN112215180B (zh) | 一种活体检测方法及装置 | |
CN108710865A (zh) | 一种基于神经网络的司机异常行为检测方法 | |
CN112016464A (zh) | 检测人脸遮挡的方法、装置、电子设备及存储介质 | |
CN106919921B (zh) | 结合子空间学习与张量神经网络的步态识别方法及系统 | |
Tan et al. | Legitimate adversarial patches: Evading human eyes and detection models in the physical world | |
CN105574509B (zh) | 一种基于光照的人脸识别系统回放攻击检测方法及应用 | |
CN104281839A (zh) | 一种人体姿势识别方法和装置 | |
CN105095882A (zh) | 手势识别的识别方法和装置 | |
CN106372595A (zh) | 遮挡人脸识别方法及装置 | |
Ding et al. | Real-time estimation for the parameters of Gaussian filtering via deep learning | |
CN106650670A (zh) | 活体人脸视频的检测方法及装置 | |
WO2020159437A1 (en) | Method and system for face liveness detection | |
CN110399820A (zh) | 一种公路路边景物视觉识别分析方法 | |
CN108628993A (zh) | 电子地图自适应分类方法、装置、设备及存储介质 | |
CN106709458A (zh) | 一种人脸活体检测方法及装置 | |
CN107886110A (zh) | 人脸检测方法、装置及电子设备 | |
CN109101925A (zh) | 活体检测方法 | |
CN104318224B (zh) | 一种人脸识别方法及监控设备 | |
DE112016006921T5 (de) | Schätzung der menschlichen Ausrichtung in Bildern unter Verwendung von Tiefeninformationen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20170824 Address after: 361008, Xiamen three software park, Fujian Province, 8 North Street, room 2001 Applicant after: Xiamen Central Intelligent Information Technology Co., Ltd. Address before: 361000 Fujian province Xiamen software park two sunrise Road No. 32 403 unit 02 District Applicant before: XIAMEN ZHONGKONG BIOLOGICAL RECOGNITION INFORMATION TECHNOLOGY CO., LTD. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160608 |