CN105868733A - 一种人脸活体验证方法及装置 - Google Patents

一种人脸活体验证方法及装置 Download PDF

Info

Publication number
CN105868733A
CN105868733A CN201610252267.9A CN201610252267A CN105868733A CN 105868733 A CN105868733 A CN 105868733A CN 201610252267 A CN201610252267 A CN 201610252267A CN 105868733 A CN105868733 A CN 105868733A
Authority
CN
China
Prior art keywords
face
live body
characteristic point
combination
homography matrix
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
Application number
CN201610252267.9A
Other languages
English (en)
Inventor
鲍冠伯
李季檩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201610252267.9A priority Critical patent/CN105868733A/zh
Publication of CN105868733A publication Critical patent/CN105868733A/zh
Priority to PCT/CN2017/080376 priority patent/WO2017181899A1/zh
Priority to EP17785384.3A priority patent/EP3447679A4/en
Priority to KR1020187021514A priority patent/KR102120241B1/ko
Priority to JP2018538712A priority patent/JP2019509545A/ja
Priority to US16/024,117 priority patent/US10796179B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/45—Structures or tools for the administration of authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Abstract

本发明公开了一种人脸活体验证方法及装置，其中该方法包括:获取至少两个摄像头捕获到的人脸图像；按照预设人脸特征点，对人脸图像进行特征点配准，得到相应的特征点组合；利用预设算法拟合出特征点组合之间的单应矩阵；基于单应矩阵，计算特征点组合的变换误差，得到误差计算结果，并根据误差计算结果进行人脸活体验证。本发明实施例无需对摄像头进行标定，即消除了标定误差，直接对捕获到的人脸图像进行特征点匹配，并拟合出单应矩阵，因此可以降低活体判别算法计算量；并且，摄像头可摆放自由，从而可提高活体判别的灵活性和便利性。

Description

一种人脸活体验证方法及装置
技术领域
本发明属于人脸识别技术领域，尤其涉及一种人脸活体验证方法及装置。
背景技术
随着生物识别技术的发展，人脸识别技术已经趋于成熟，对于一些诸如门禁、登录等系统的人脸识别系统而言，用户可以凭借照片等非法手段欺骗系统。因此，实现活体检测成为这类系统安全性的保障手段。
现有的多摄像头的活体检测技术一般采用左右水平配置的双目摄像头，在进行双目标定后进行左右两幅图像的立体匹配(Stereo matching)，恢复出人脸区域的深度信息，根据人脸区域有规则的深度信息来区分真人的人脸与平面型攻击样例(如手机或者平板等移动设备上播放的照片、视频或者打印的人脸纸片)。
在对现有技术的研究和实践过程中，本发明的发明人发现，现有技术中相机需要事先进行标定，由于标定会带来一定的标定误差，因此活体判别算法计算量大；并且，两个镜头处于同一水平基线上，且两个镜头之间必须存在一定距离的水平间距，才能计算出足够的视差，来区分真人与纸片，因此会导致活体判别的灵活性和便利性较低。
发明内容
本发明的目的在于提供一种人脸活体验证方法及装置，旨在提高人脸活体验证的灵活性和便利性。
为解决上述技术问题，本发明实施例提供以下技术方案：
一种人脸活体验证方法，其中包括：
获取至少两个摄像头捕获到的人脸图像；
按照预设人脸特征点，对所述人脸图像进行特征点配准，得到相应的特征点组合；
利用预设算法拟合出所述特征点组合之间的单应矩阵；
基于所述单应矩阵，计算所述特征点组合的变换误差，得到误差计算结果，并根据所述误差计算结果进行人脸活体验证。
为解决上述技术问题，本发明实施例还提供以下技术方案：
一种人脸活体验证装置，其中包括：
获取单元，用于获取至少两个摄像头捕获到的人脸图像；
特征点配准单元，用于按照预设人脸特征点，对所述人脸图像进行特征点配准，得到相应的特征点组合；
拟合单元，用于利用预设算法拟合出所述特征点组合之间的单应矩阵；
计算单元，用于基于所述单应矩阵，计算所述特征点组合的变换误差，得到误差计算结果；
验证单元，用于根据所述误差计算结果进行人脸活体验证。
相对于现有技术，本发明实施例，在至少两个摄像头捕获到人脸图像时，首先按照预设人脸特征点，对该人脸图像进行特征点配准，得到相应的特征点组合；然后，利用预设算法拟合出特征点组合之间的单应矩阵；最后，基于该单应矩阵，计算这些特征点组合的变换误差，从而根据误差计算结果进行人脸活体验证；本发明实施例无需对摄像头进行标定，即消除了标定误差，直接对捕获到的人脸图像进行特征点匹配，并拟合出单应矩阵，因此可以降低活体判别算法计算量；并且，摄像头可摆放自由，从而可提高活体判别的灵活性和便利性。
附图说明
下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。
图1a是本发明实施例提供的人脸活体验证方法的场景示意图；
图1b是本发明第一实施例提供的人脸活体验证方法的流程示意图；
图2a为本发明第二实施例提供的人脸活体验证方法的流程示意图；
图2b为本发明第二实施例提供的人脸活体验证方法中特征点配准示意图；
图3a为本发明第三实施例提供的人脸活体验证装置的结构示意图；
图3b为本发明第三实施例提供的人脸活体验证装置的另一结构示意图；
图4为本发明第四实施例提供的服务器的结构示意图。
具体实施方式
请参照图式，其中相同的组件符号代表相同的组件，本发明的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本发明具体实施例，其不应被视为限制本发明未在此详述的其它具体实施例。
在以下的说明中，本发明的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本发明原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本文所使用的术语「模块」可看做为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的装置及方法优选的以软件的方式进行实施，当然也可在硬件上进行实施，均在本发明保护范围之内。
本发明实施例提供一种人脸活体验证方法及装置。
参见图1a，该图为本发明实施例所提供的人脸活体验证方法的场景示意图，该场景可以包括人脸活体验证装置，可简称人脸验证装置，具体可以集成在服务器中，主要用于获取至少两个摄像头捕获到的人脸图像，如获取摄像头A以及摄像头B捕获到的人脸图像，其后，按照预设人脸特征点，对所述人脸图像进行特征点配准，得到相应的特征点组合，比如，对该人脸图像进行五官配准；接着，利用预设算法拟合出所述特征点组合之间的单应矩阵，最后基于该单应矩阵，计算特征点组合的变换误差，得到误差计算结果，并根据该误差计算结果进行人脸活体验证，比如，若该误差计算结果满足预设阈值，则可以确定该人脸活体验证的结果为通过，等等。
此外，该场景还可以包括多个摄像装置(即摄像头)，主要用于捕获图像数据，并在捕获到人脸图像时将该人脸图像发送至人脸验证装置，以确定人脸活体验证是否通过。
以下将分别进行详细说明。
第一实施例
在本实施例中，将从人脸活体验证装置的角度进行描述，该人脸活体验证装置具体可以集成在服务器等网络设备中。
一种人脸活体验证方法，包括：获取至少两个摄像头捕获到的人脸图像；按照预设人脸特征点，对所述人脸图像进行特征点配准，得到相应的特征点组合；利用预设算法拟合出所述特征点组合之间的单应矩阵；基于所述单应矩阵，计算所述特征点组合的变换误差，得到误差计算结果，并根据所述误差计算结果进行人脸活体验证。
请参阅图1b，图1b是本发明第一实施例提供的人脸活体验证方法的流程示意图。所述方法包括：
在步骤S101中，获取至少两个摄像头捕获到的人脸图像。
可以理解的是，在本发明实施例中，人脸活体验证装置获取至少两个摄像头捕获到的人脸图像的步骤可以具体包括：
步骤1、获取至少两个摄像头捕获到的图像数据。
步骤2、对所述图像数据进行人脸检测，得到人脸检测结果。
步骤3、当所述人脸检测结果指示检测到人脸图像时，获取所述人脸图像。
其中，人脸检测(Face Detection)是自动人脸识别系统中的一个关键环节，是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态。容易想到的是，本实施例可以采用现有人脸检测算法对获取到的图像数据进行分析和识别，此处对人脸检测的过程不作具体限定。
也就是说，多个摄像头(两个或两个以上)对图像数据进行收集，并实时将图像数据发送至人脸活体验证装置，人脸活体验证装置对接收到的图像数据进行人脸检测，当确定检测到人脸图像时，获取该人脸图像，以进行活体验证。
在某些实施方式中，也可以由摄像头直接对收集到的图像数据进行人脸检测，在检测到人脸图像时，获取该人脸图像，并将该人脸图像发送至人脸活体验证装置，以进行活体验证。
在步骤S102中，按照预设人脸特征点，对该人脸图像进行特征点配准，得到相应的特征点组合。
比如，人脸活体验证装置按照预设人脸特征点的个数以及位置，对该人脸图像进行特征点配准，即对该人脸图像进行五官配准，从而可以得到相应的特征点组合。
又比如，如果摄像头为两个，人脸活体验证装置可以在获取到两个摄像头捕获到的人脸图像后，按照预设人脸特征点，对这两幅人脸图像进行特征点配准，从而得到多个特征点组合，也称为特征点对。
其中，本发明实施例中，特征点配准(registration)是指将多个摄像头在同一区域内以不同成像手段所获得的多幅人脸图像进行匹配、叠加的过程，包括几何纠正、投影变换与统一比例尺等处理。
进一步的，若摄像头为两个，则人脸活体验证装置配准过程可以如下：首先对两幅人脸图像进行特征提取，得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像配准。其中，可以采用现有特征提取算法对图像进行特征点配准，此处不作具体描述。
在步骤S103中，利用预设算法拟合出该特征点组合之间的单应矩阵。
优选的，人脸活体验证装置可利用预设的随机采样一致性算法以及最小二乘法，对所述特征点组合进行拟合，生成单应矩阵。
其中，本发明实施例中随机采样一致性算法(Ransac算法)基本假设是样本中包含正确数据(inliers，可以被模型描述的数据)，也包含异常数据(outliers，偏离正常范围很远、无法适应数学模型的数据)，即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时Ransac算法也假设，给定一组正确的数据，存在可以计算出符合这些数据的模型参数的方法。
最小二乘法(又称最小平方法)是通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。
也就是说，人脸活体验证装置通过随机采样一致性算法以及最小二乘法，计算并拟合出符合特征点组合模型，即单应矩阵；进一步的，对所述特征点组合进行拟合，生成单应矩阵的步骤可以具体包括：
步骤a、以齐次坐标的形式，对特征点组合中的两两特征点对进行标示；
步骤b、建立矩阵模型，并通过所述矩阵模型确定两两特征点对之间的对应关系式；
步骤c、对所述对应关系式进行齐次变换，生成齐次形式的对应关系式；
步骤d、基于所述齐次形式的对应关系式，对所述特征点组合进行拟合，生成单应矩阵。
其中，齐次坐标就是将一个原本是n维的向量用一个n+1维向量来表示；比如，摄像头设置有两个，假定P1与P2分别是两幅人脸图像中的一对对应的特征点对的齐次坐标，并建立单应矩阵的矩阵模型H，则通过单应矩阵H，P1与P2二者的对应关系式可以为P2＝H*P1。
进一步的，比如，单应矩阵的矩阵模型H为3x3的矩阵，为了归一化，矩阵模型H中的h33＝1(即最后一个元素)，则将H*P1变换为齐次形式的对应关系式；由于一对特征点对可以生成两个方程(齐次变换前及齐次变换后)，因此，确定矩阵模型H的8个未知参数至少需要4对特征点对。从而，可以使用Ransac算法和最小二乘法对各特征点对来拟合矩阵模型H，得到矩阵模型H对应的单应矩阵。
在步骤S104中，基于该单应矩阵，计算特征点组合的变换误差，得到误差计算结果，并根据该误差计算结果进行人脸活体验证。
可以理解的是，人脸活体验证装置基于所述单应矩阵，计算所述特征点组合的变换误差，得到误差计算结果可以具体包括：
步骤A、对于每一特征点组合，基于所述单应矩阵计算相应的变换误差。
步骤B、根据每一特征点组合相应的变换误差进行平均值计算，得到平均误差，并将所述平均误差确定为误差计算结果。
比如，人脸活体验证装置对于每一特征点组合，基于所述单应矩阵计算相应的变换误差，其中，该变换误差为特征点组合基于单应矩阵齐次变换前及齐次变换后得到的误差，若预先设置有50个特征点，则相应的特征点组合为50组，则针对这50组特征点组合的变换误差进行平均值计算，得到平均误差。
进一步的，比如，若特征点组合中包含两个特征点，则每一特征点对对应一变换误差，若预先设置有50个特征点，则相应的特征点对为50个，则针对这50个特征点对的变换误差进行平均值计算，得到平均误差。
可以理解的是，若特征点组合中包含三个特征点，则以中间摄像头为对比，每特征点组合可以存在有两个误差；在一些较为精确的场合中，可以多设置误差进行对比，如，若特征点组合中包含三个特征点，两两特征点对之间存在一变换误差，则每特征点组合可存在有三个误差，此处不作具体限定。
更进一步的，根据所述误差计算结果进行人脸活体验证，可以具体包括：
步骤一、若所述误差计算结果指示的平均误差小于或等于预设阈值，则确定人脸活体验证的结果为通过；
步骤二、若所述误差计算结果指示的平均误差大于所述预设阈值，则确定人脸活体验证的结果为不通过。
也就是说，在计算出变换误差的平均误差后，将该平均误差与预设阈值进行比较，如果该平均误差小于或等于预设阈值，则可以认为人脸活体验证的结果为通过，即获取到的人脸图像为真人，进而再进行人脸识别；如果该平均误差大于预设阈值，则可以认为人脸活体验证的结果为不通过，即获取到的人脸图像为假体。
由上述可知，本发明实施例提供的人脸活体验证方法，在至少两个摄像头捕获到人脸图像时，首先按照预设人脸特征点，对该人脸图像进行特征点配准，得到相应的特征点组合；然后，利用预设算法拟合出特征点组合之间的单应矩阵；最后，基于该单应矩阵，计算这些特征点组合的变换误差，从而根据误差计算结果进行人脸活体验证；本发明实施例无需对摄像头进行标定，即消除了标定误差，直接对捕获到的人脸图像进行特征点匹配，并拟合出单应矩阵，因此可以降低活体判别算法计算量；并且，摄像头可摆放自由，从而可提高活体判别的灵活性和便利性。
第二实施例
根据第一实施例所描述的方法，以下将举例作进一步详细说明。
本方法提供的人脸活体验证方法，主要应用于办公室门禁系统。在进行人脸识别前，首先使用本方法进行活体验证，当人脸的活体验证通过时再进行人脸识别；本方法采用自由摆放的两个或者两个以上的摄像头，通过分析多摄像头同时拍摄的多张人脸图像中的五官点的三维几何关系，利用平面解析几何中的特征点对的单应性，无需用户配合来进行人脸的活体验证。
以下以两个摄像头为例对人脸活体验证方法进行详细说明，其中，两个摄像头分别配置在门框侧，一般是上下摆放，以节省空间。
请参阅图2a，图2a为本发明第二实施例提供的人脸活体验证方法的流程示意图。所述方法包括：
在步骤S201中，人脸活体验证装置同时捕获两个摄像头中的图像。
比如，摄像头A和摄像头B分别配置在门框侧，摆放自由，不仅支持左右水平摆放或者上下竖直摆放，也允许摄像头间存在一定的水平或者垂直的偏移和夹角，在实际部署中方便灵活。可以理解的是，摄像头A和摄像头B一般是上下摆放，以节省空间。
在步骤S202中，人脸活体验证装置对两个摄像头中的图像进行人脸检测。
比如，摄像头A和摄像头B将捕获到的图像发送至人脸活体验证装置，人脸活体验证装置对接收到的图像进行人脸检测，即检测图像中是否存在有人脸，其中，人脸检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，容易想到的是，本实施例可以采用现有人脸检测算法对获取到的图像数据进行分析和识别，此处对人脸检测的过程不作具体限定。
在步骤S203中，人脸活体验证装置在确定两个摄像头的图像中均检测到人脸时，进行特征点配准，得到特征点对。
比如，摄像头A和摄像头B均检测到人脸时，人脸活体验证装置会对这两个人脸图像进行特征点配准，即五官点配准。本实施例中，人脸活体验证装置中预先设置有90个特征点，这两组特征点点对一一对应，可如图2b所示分别是上下配置的摄像头A和摄像头B同时捕获的两幅人脸图像，人脸上标示的点为配准的五官特征点。
在步骤S204中，人脸活体验证装置根据特征点对，使用随机采样一致性Ransac算法拟合出特征点对的单应矩阵。
可具体的，首先，假定P1(x1,y1,1)T与P2(x2,y2,1)T分别是两幅人脸图像中的一对对应的特征点对的齐次坐标，建立单应矩阵的矩阵模型H如下，则通过单应矩阵的矩阵模型H，P1和P2二者的对应关系为P2＝H*P1。
其中H为3x3的矩阵：
H = h 11 h 12 h 13 h 21 h 22 h 23 h 31 h 32 h 33 ;
其中为了归一化，设定单应矩阵H中的h33＝1。由H*P1变换后的坐标为：
H * P 1 = h 11 h 12 h 13 h 21 h 22 h 23 h 31 h 32 1 x 1 y 1 1 = x 1 h 11 + y 1 h 12 + h 13 x 1 h 21 + y 1 h 22 + h 23 x 1 h 31 + y 1 h 32 + 1 - - - ( 1 ) ;
将H*P1进行齐次变换，变成齐次形式可得：
x 1 h 11 + y 1 h 12 + h 13 x 1 h 31 + y 1 h 32 + 1 x 1 h 21 + y 1 h 22 + h 23 x 1 h 31 + y 1 h 32 + 1 1 = x 2 y 2 1 ⇒ x 1 h 11 + y 1 h 12 + h 13 - x 2 x 1 h 31 - x 2 y 1 h 32 - x 2 = 0 x 1 h 21 + y 1 h 22 + h 23 - x 1 y 2 h 31 - y 1 y 2 h 32 - y 2 = 0 - - - ( 2 ) ;
即：
x 2 y 2 = x 1 y 1 1 0 0 0 - x 1 x 2 - x 2 y 1 0 0 0 x 1 y 1 1 - x 1 y 2 - y 1 y 2 h 11 h 12 h 13 h 21 h 22 h 23 h 31 h 32 1 - - - ( 3 ) ;
由于一对特征点对可以生成两个方程(齐次变换前及齐次变换后)，因此，确定矩阵模型H的8个未知参数至少需要4对特征点对。本实施例中，比如，可以使用Ransac算法和最小二乘法对这90对特征点对来拟合矩阵模型H，得到矩阵模型H对应的单应矩阵。
在步骤S205中，人脸活体验证装置计算特征点对在该单应矩阵的变换前后的误差。
比如，人脸活体验证装置计算这90对特征点对在该单应矩阵的进行齐次变换前后的误差，即将90对特征点对分别带入(1)和(2)中，从而可以计算出齐次变换前后的欧式距离的误差e＝||H*P1-P2||2，其中，欧氏距离(Euclideandistance)也称欧几里得距离，是一个通常采用的距离定义，它是在m维空间中两个点之间的真实距离。
在步骤S206中，人脸活体验证装置根据特征点对在该单应矩阵的变换前后的误差，计算平均误差。
比如，人脸活体验证装置预先设置有90个特征点，则相应的特征点对为90对，则针对这90对特征点对的变换误差进行平均值计算，得到平均误差。
在步骤S207a中，若平均误差小于或等于预设阈值，则人脸活体验证装置确定人脸活体验证通过。
在步骤S207b中，若平均误差大于预设阈值，则人脸活体验证装置确定人脸活体验证不通过。
最后，人脸活体验证装置比较平均误差与预设阈值h来判断是真人还是假体，如果平均误差小于或等于预设阈值，确定人脸活体验证通过，即图像为真人，当人脸的活体验证通过时再进行人脸识别，当人脸识别通过时，则门打开，当人脸识别未通过时，则门不打开；如果平均误差大于预设阈值，确定人脸活体验证不通过，即图像为假体，门不打开。
本方法采用自由摆放的两个或者两个以上的摄像头，通过分析多摄像头同时拍摄的多张人脸图像中的五官点的三维几何关系，利用平面解析几何中的特征点对的单应性，无需相机进行标定，也无需用户配合，多摄像头拍摄的画面直接进行人脸的特征点对匹配来进行人脸的活体验证。该方法可以在未对摄像头进行标定的情况下有效地将真人的人脸与平面型攻击样例(如手机或者平板等移动设备上播放的照片、视频或者打印的人脸纸片)区分开。该方法中多摄像头的摆放自由度高，不仅支持左右水平摆放或者上下竖直，也允许摄像头间存在一定的水平或者垂直的偏移和夹角，在双目系统的实际部署中更加方便灵活。
即首先同时捕获两个摄像头中的图像，进行人脸检测，如果两个摄像头都检测到人脸，则进行人脸的五官点配准，计算出人脸的90个特征点，这两组特征点对一一对应，则获得90组特征点对如图2b所示，之后根据这90组特征点对，使用Ransac算法拟合出点对间的单应矩阵，计算90组特征点在单应矩阵的变换前后的误差，如果误差大于某一阈值，则判定为平面假体，否则是真人。该方法也可以扩展到多个摄像头。
可以理解的是，本方法主要应用于办公室门禁系统，也可以应用于其他系统中。在进行人脸识别前，首先使用本方法进行活体验证，当人脸的活体验证通过时再进行人脸识别，此处不作具体限定。
由上述可知，本发明实施例提供的人脸活体验证方法，在至少两个摄像头捕获到人脸图像时，首先按照预设人脸特征点，对该人脸图像进行特征点配准，得到相应的特征点组合；然后，利用预设算法拟合出特征点组合之间的单应矩阵；最后，基于该单应矩阵，计算这些特征点组合的变换误差，从而根据误差计算结果进行人脸活体验证；本发明实施例无需对摄像头进行标定，即消除了标定误差，直接对捕获到的人脸图像进行特征点匹配，并拟合出单应矩阵，因此可以降低活体判别算法计算量；并且，摄像头可摆放自由，从而可提高活体判别的灵活性和便利性。
第三实施例
为便于更好的实施本发明实施例提供的人脸活体验证方法，本发明实施例还提供一种基于上述人脸活体验证方法的装置。其中名词的含义与上述人脸活体验证的方法中相同，具体实现细节可以参考方法实施例中的说明。
请参阅图3a，图3a为本发明实施例提供的人脸活体验证装置的结构示意图，可以包括获取单元301、特征点配准单元302、拟合单元303、计算单元304以及验证单元305。
其中所述获取单元301，用于获取至少两个摄像头捕获到的人脸图像；所述特征点配准单元302，用于按照预设人脸特征点，对所述人脸图像进行特征点配准，得到相应的特征点组合。
所述拟合单元303，用于利用预设算法拟合出所述特征点组合之间的单应矩阵；所述计算单元304，用于基于所述单应矩阵，计算所述特征点组合的变换误差，得到误差计算结果；所述验证单元305，用于根据所述误差计算结果进行人脸活体验证。
请一并参阅图3b，图3b为本发明实施例提供的人脸活体验证装置的另一结构示意图，所述获取单元301可以包括：
图像获取子单元3011，用于获取至少两个摄像头捕获到的图像数据。
检测子单元3012，用于对所述图像数据进行人脸检测，得到人脸检测结果。
人脸获取子单元3013，用于当所述人脸检测结果指示检测到人脸图像时，获取所述人脸图像。
其中，人脸检测是自动人脸识别系统中的一个关键环节，是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态。容易想到的是，本实施例可以采用现有人脸检测算法对获取到的图像数据进行分析和识别，此处对人脸检测的过程不作具体限定。
也就是说，多个摄像头(两个或两个以上)对图像数据进行收集，并实时将图像数据发送至人脸活体验证装置，人脸活体验证装置对接收到的图像数据进行人脸检测，当确定检测到人脸图像时，获取该人脸图像，以进行活体验证。
在某些实施方式中，也可以由摄像头直接对收集到的图像数据进行人脸检测，在检测到人脸图像时，获取该人脸图像，并将该人脸图像发送至人脸活体验证装置，以进行活体验证。
其后，所述特征点配准单元302，可以用于按照预设人脸特征点，对所述人脸图像进行特征点配准，得到相应的特征点组合。
比如，人脸活体验证装置按照预设人脸特征点的个数以及位置，对该人脸图像进行特征点配准，即对该人脸图像进行五官配准，从而可以得到相应的特征点组合。
又比如，如果摄像头为两个，人脸活体验证装置可以在获取到两个摄像头捕获到的人脸图像后，按照预设人脸特征点，对这两幅人脸图像进行特征点配准，从而得到多个特征点组合，也称为特征点对。
其中，本发明实施例中，特征点配准(registration)是指将多个摄像头在同一区域内以不同成像手段所获得的多幅人脸图像进行匹配、叠加的过程，包括几何纠正、投影变换与统一比例尺等处理。
进一步的，若摄像头为两个，则人脸活体验证装置配准过程可以如下：首先对两幅人脸图像进行特征提取，得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像配准。其中，可以采用现有特征提取算法对图像进行特征点配准，此处不作具体描述。
接着，所述拟合单元303可以具体用于：利用预设的随机采样一致性算法以及最小二乘法，对所述特征点组合进行拟合，生成单应矩阵。
其中，本发明实施例中随机采样一致性算法(Ransac算法)基本假设是样本中包含正确数据，也包含异常数据，即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时Ransac算法也假设，给定一组正确的数据，存在可以计算出符合这些数据的模型参数的方法。
最小二乘法是通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。
也就是说，人脸活体验证装置通过随机采样一致性算法以及最小二乘法，计算并拟合出符合特征点组合模型，即单应矩阵；进一步的，所述拟合单元303可以具体包括：
标示子单元3031，用于以齐次坐标的形式，对特征点组合中的两两特征点对进行标示。
确定子单元3032，用于建立矩阵模型，并通过所述矩阵模型确定两两特征点对之间的对应关系式。
变换子单元3033，用于对所述对应关系式进行齐次变换，生成齐次形式的对应关系式。
拟合子单元3034，用于基于所述齐次形式的对应关系式，对所述特征点组合进行拟合，生成单应矩阵。
其中，齐次坐标就是将一个原本是n维的向量用一个n+1维向量来表示；比如，摄像头设置有两个，假定P1与P2分别是两幅人脸图像中的一对对应的特征点对的齐次坐标，并建立单应矩阵的矩阵模型H，则通过单应矩阵H，P1与P2二者的对应关系式可以为P2＝H*P1。
进一步的，比如，单应矩阵的矩阵模型H为3x3的矩阵，为了归一化，矩阵模型H中的h33＝1(即最后一个元素)，则将H*P1变换为齐次形式的对应关系式；由于一对特征点对可以生成两个方程(齐次变换前及齐次变换后)，因此，确定矩阵模型H的8个未知参数至少需要4对特征点对。从而，可以使用Ransac算法和最小二乘法对各特征点对来拟合矩阵模型H，得到矩阵模型H对应的单应矩阵。
可以理解的是，所述计算单元304可以具体用于：对于每一特征点组合，基于所述单应矩阵计算相应的变换误差，根据每一特征点组合相应的变换误差进行平均值计算，得到平均误差，并将所述平均误差确定为误差计算结果。
比如，人脸活体验证装置对于每一特征点组合，基于所述单应矩阵计算相应的变换误差，其中，该变换误差为特征点组合基于单应矩阵齐次变换前及齐次变换后得到的误差，若预先设置有50个特征点，则相应的特征点组合为50组，则针对这50组特征点组合的变换误差进行平均值计算，得到平均误差。
进一步的，比如，若特征点组合中包含两个特征点，则每一特征点对对应一变换误差，若预先设置有50个特征点，则相应的特征点对为50个，则针对这50个特征点对的变换误差进行平均值计算，得到平均误差。
又比如，若特征点组合中包含三个特征点，则以中间摄像头为对比，每特征点组合可以存在有两个误差；在一些较为精确的场合中，可以多设置误差进行对比，如，若特征点组合中包含三个特征点，两两特征点对之间存在一变换误差，则每特征点组合可存在有三个误差，此处不作具体限定。
更进一步的，所述验证单元305可以具体用于：若所述误差计算结果指示的平均误差小于或等于预设阈值，则确定人脸活体验证的结果为通过；若所述误差计算结果指示的平均误差大于所述预设阈值，则确定人脸活体验证的结果为不通过。
也就是说，在计算出变换误差的平均误差后，将该平均误差与预设阈值进行比较，如果该平均误差小于或等于预设阈值，则可以认为人脸活体验证的结果为通过，即获取到的人脸图像为真人，进而再进行人脸识别；如果该平均误差大于预设阈值，则可以认为人脸活体验证的结果为不通过，即获取到的人脸图像为假体。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
该人脸活体验证装置具体可以集成在服务器等网络设备中。
由上述可知，本发明实施例提供的人脸活体验证装置，在至少两个摄像头捕获到人脸图像时，首先按照预设人脸特征点，对该人脸图像进行特征点配准，得到相应的特征点组合；然后，利用预设算法拟合出特征点组合之间的单应矩阵；最后，基于该单应矩阵，计算这些特征点组合的变换误差，从而根据误差计算结果进行人脸活体验证；本发明实施例无需对摄像头进行标定，即消除了标定误差，直接对捕获到的人脸图像进行特征点匹配，并拟合出单应矩阵，因此可以降低活体判别算法计算量；并且，摄像头可摆放自由，从而可提高活体判别的灵活性和便利性。
第四实施例
本发明实施例还提供一种服务器，其中可以集成本发明实施例的人脸活体验证装置，如图4所示，其示出了本发明实施例所涉及的服务器的结构示意图，具体来讲：
该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、射频(Radio Frequency，RF)电路403、电源404、输入单元405、以及显示单元406等部件。本领域技术人员可以理解，图4中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
RF电路403可用于收发信息过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器401处理；另外，将涉及上行的数据发送给基站。通常，RF电路403包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此外，RF电路403还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GSM，Global System of Mobilecommunication)、通用分组无线服务(GPRS，General Packet Radio Service)、码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband Code Division Multiple Access)、长期演进(LTE，Long TermEvolution)、电子邮件、短消息服务(SMS，Short Messaging Service)等。
服务器还包括给各个部件供电的电源404(比如电池)，优选的，电源可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源404还可以包括一个或一个以上的直流或交流电源、再充电系统、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。
该服务器还可包括输入单元405，该输入单元405可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该服务器还可包括显示单元406，该显示单元406可用于显示由用户输入的信息或提供给用户的信息以及服务器的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元406可包括显示面板，可选的，可以采用液晶显示器(LCD，Liquid Crystal Display)、有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。
具体在本实施例中，服务器中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取至少两个摄像头捕获到的人脸图像；
按照预设人脸特征点，对所述人脸图像进行特征点配准，得到相应的特征点组合；
利用预设算法拟合出所述特征点组合之间的单应矩阵；
基于所述单应矩阵，计算所述特征点组合的变换误差，得到误差计算结果，并根据所述误差计算结果进行人脸活体验证。
优选的，所述处理器401还可以用于，获取至少两个摄像头捕获到的图像数据；对所述图像数据进行人脸检测，得到人脸检测结果；当所述人脸检测结果指示检测到人脸图像时，获取所述人脸图像。
优选的，所述处理器401还可以用于，利用预设的随机采样一致性算法以及最小二乘法，对所述特征点组合进行拟合，生成单应矩阵。
优选的，所述处理器401还可以用于，以齐次坐标的形式，对特征点组合中的两两特征点对进行标示；建立矩阵模型，并通过所述矩阵模型确定两两特征点对之间的对应关系式；对所述对应关系式进行齐次变换，生成齐次形式的对应关系式；基于所述齐次形式的对应关系式，对所述特征点组合进行拟合，生成单应矩阵。
优选的，所述处理器401还可以用于，对于每一特征点组合，基于所述单应矩阵计算相应的变换误差；根据每一特征点组合相应的变换误差进行平均值计算，得到平均误差，并将所述平均误差确定为误差计算结果。
优选的，所述处理器401还可以用于，若所述误差计算结果指示的平均误差小于或等于预设阈值，则确定人脸活体验证的结果为通过；若所述误差计算结果指示的平均误差大于所述预设阈值，则确定人脸活体验证的结果为不通过。
由上述可知，本发明实施例提供的服务器中，在至少两个摄像头捕获到人脸图像时，首先按照预设人脸特征点，对该人脸图像进行特征点配准，得到相应的特征点组合；然后，利用预设算法拟合出特征点组合之间的单应矩阵；最后，基于该单应矩阵，计算这些特征点组合的变换误差，从而根据误差计算结果进行人脸活体验证；本发明实施例无需对摄像头进行标定，即消除了标定误差，直接对捕获到的人脸图像进行特征点匹配，并拟合出单应矩阵，因此可以降低活体判别算法计算量；并且，摄像头可摆放自由，从而可提高活体判别的灵活性和便利性。
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，可以参见上文针对人脸活体验证方法的详细描述，此处不再赘述。
本发明实施例提供的所述人脸活体验证装置，譬如为计算机、平板电脑、具有触摸功能的手机等等，所述人脸活体验证装置与上文实施例中的人脸活体验证方法属于同一构思，在所述人脸活体验证装置上可以运行所述人脸活体验证方法实施例中提供的任一方法，其具体实现过程详见所述人脸活体验证方法实施例，此处不再赘述。
需要说明的是，对本发明所述人脸活体验证方法而言，本领域普通测试人员可以理解实现本发明实施例所述人脸活体验证方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读取存储介质中，如存储在终端的存储器中，并被该终端内的至少一个处理器执行，在执行过程中可包括如所述人脸活体验证方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)等。
对本发明实施例的所述人脸活体验证装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，所述存储介质譬如为只读存储器，磁盘或光盘等。
以上对本发明实施例所提供的一种人脸活体验证方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，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)

1.一种人脸活体验证方法，其特征在于，包括：
获取至少两个摄像头捕获到的人脸图像；
按照预设人脸特征点，对所述人脸图像进行特征点配准，得到相应的特征点组合；
利用预设算法拟合出所述特征点组合之间的单应矩阵；
基于所述单应矩阵，计算所述特征点组合的变换误差，得到误差计算结果，并根据所述误差计算结果进行人脸活体验证。
2.根据权利要求1所述的人脸活体验证方法，其特征在于，所述获取至少两个摄像头捕获到的人脸图像包括：
获取至少两个摄像头捕获到的图像数据；
对所述图像数据进行人脸检测，得到人脸检测结果；
当所述人脸检测结果指示检测到人脸图像时，获取所述人脸图像。
3.根据权利要求1所述的人脸活体验证方法，其特征在于，所述利用预设算法拟合出所述特征点组合之间的单应矩阵，包括：
利用预设的随机采样一致性算法以及最小二乘法，对所述特征点组合进行拟合，生成单应矩阵。
4.根据权利要求3所述的人脸活体验证方法，其特征在于，所述对所述特征点组合进行拟合，生成单应矩阵包括：
以齐次坐标的形式，对特征点组合中的两两特征点对进行标示；
建立矩阵模型，并通过所述矩阵模型确定两两特征点对之间的对应关系式；
对所述对应关系式进行齐次变换，生成齐次形式的对应关系式；
基于所述齐次形式的对应关系式，对所述特征点组合进行拟合，生成单应矩阵。
5.根据权利要求1所述的人脸活体验证方法，其特征在于，所述基于所述单应矩阵，计算所述特征点组合的变换误差，得到误差计算结果包括：
对于每一特征点组合，基于所述单应矩阵计算相应的变换误差；
根据每一特征点组合相应的变换误差进行平均值计算，得到平均误差，并将所述平均误差确定为误差计算结果。
6.根据权利要求5所述的人脸活体验证方法，其特征在于，所述根据所述误差计算结果进行人脸活体验证，包括：
若所述误差计算结果指示的平均误差小于或等于预设阈值，则确定人脸活体验证的结果为通过；
若所述误差计算结果指示的平均误差大于所述预设阈值，则确定人脸活体验证的结果为不通过。
7.一种人脸活体验证装置，其特征在于，包括：
获取单元，用于获取至少两个摄像头捕获到的人脸图像；
特征点配准单元，用于按照预设人脸特征点，对所述人脸图像进行特征点配准，得到相应的特征点组合；
拟合单元，用于利用预设算法拟合出所述特征点组合之间的单应矩阵；
计算单元，用于基于所述单应矩阵，计算所述特征点组合的变换误差，得到误差计算结果；
验证单元，用于根据所述误差计算结果进行人脸活体验证。
8.根据权利要求7所述的人脸活体验证装置，其特征在于，所述获取单元包括：
图像获取子单元，用于获取至少两个摄像头捕获到的图像数据；
检测子单元，用于对所述图像数据进行人脸检测，得到人脸检测结果；
人脸获取子单元，用于当所述人脸检测结果指示检测到人脸图像时，获取所述人脸图像。
9.根据权利要求7所述的人脸活体验证装置，其特征在于，所述拟合单元用于：利用预设的随机采样一致性算法以及最小二乘法，对所述特征点组合进行拟合，生成单应矩阵。
10.根据权利要求9所述的人脸活体验证装置，其特征在于，所述拟合单元包括：
标示子单元，用于以齐次坐标的形式，对特征点组合中的两两特征点对进行标示；
确定子单元，用于建立矩阵模型，并通过所述矩阵模型确定两两特征点对之间的对应关系式；
变换子单元，用于对所述对应关系式进行齐次变换，生成齐次形式的对应关系式；
拟合子单元，用于基于所述齐次形式的对应关系式，对所述特征点组合进行拟合，生成单应矩阵。
11.根据权利要求7所述的人脸活体验证装置，其特征在于，所述计算单元用于：对于每一特征点组合，基于所述单应矩阵计算相应的变换误差，根据每一特征点组合相应的变换误差进行平均值计算，得到平均误差，并将所述平均误差确定为误差计算结果。
12.根据权利要求11所述的人脸活体验证装置，其特征在于，所述验证单元用于：若所述误差计算结果指示的平均误差小于或等于预设阈值，则确定人脸活体验证的结果为通过；若所述误差计算结果指示的平均误差大于所述预设阈值，则确定人脸活体验证的结果为不通过。
CN201610252267.9A 2016-04-21 2016-04-21 一种人脸活体验证方法及装置 Pending CN105868733A (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201610252267.9A CN105868733A (zh) 2016-04-21 2016-04-21 一种人脸活体验证方法及装置
PCT/CN2017/080376 WO2017181899A1 (zh) 2016-04-21 2017-04-13 一种人脸活体验证方法及装置
EP17785384.3A EP3447679A4 (en) 2016-04-21 2017-04-13 METHOD AND DEVICE FOR FACIAL VERIFICATION IN VIVO
KR1020187021514A KR102120241B1 (ko) 2016-04-21 2017-04-13 얼굴 생체 검증 방법 및 장치
JP2018538712A JP2019509545A (ja) 2016-04-21 2017-04-13 生きた人の顔検証方法およびデバイス
US16/024,117 US10796179B2 (en) 2016-04-21 2018-06-29 Living face verification method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610252267.9A CN105868733A (zh) 2016-04-21 2016-04-21 一种人脸活体验证方法及装置

Publications (1)

Publication Number Publication Date
CN105868733A true CN105868733A (zh) 2016-08-17

Family

ID=56632933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610252267.9A Pending CN105868733A (zh) 2016-04-21 2016-04-21 一种人脸活体验证方法及装置

Country Status (6)

Country Link
US (1) US10796179B2 (zh)
EP (1) EP3447679A4 (zh)
JP (1) JP2019509545A (zh)
KR (1) KR102120241B1 (zh)
CN (1) CN105868733A (zh)
WO (1) WO2017181899A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017181899A1 (zh) * 2016-04-21 2017-10-26 腾讯科技（深圳）有限公司 一种人脸活体验证方法及装置
CN107316029A (zh) * 2017-07-03 2017-11-03 腾讯科技（深圳）有限公司 一种活体验证方法及设备
CN110636276A (zh) * 2019-08-06 2019-12-31 RealMe重庆移动通信有限公司 视频拍摄方法、装置、存储介质及电子设备
CN111079470A (zh) * 2018-10-18 2020-04-28 杭州海康威视数字技术股份有限公司 人脸活体检测的方法和装置
CN111209870A (zh) * 2020-01-09 2020-05-29 杭州涂鸦信息技术有限公司 一种双目活体摄像头快速配准方法及其系统和装置
CN111339958A (zh) * 2020-02-28 2020-06-26 山东笛卡尔智能科技有限公司 一种基于单目视觉的人脸活体检测方法及系统
CN111860055A (zh) * 2019-04-29 2020-10-30 北京眼神智能科技有限公司 人脸静默活体检测方法、装置、可读存储介质及设备
CN112424841A (zh) * 2017-07-28 2021-02-26 纽诺有限公司 用于自主车辆递送的个人验证的系统和方法
CN113128258A (zh) * 2019-12-30 2021-07-16 杭州海康威视数字技术股份有限公司 活体检测方法、装置、电子设备及存储介质
CN113553990A (zh) * 2021-08-09 2021-10-26 深圳智必选科技有限公司 多人脸跟踪识别的方法、装置、计算机设备及存储介质
US11341771B2 (en) * 2017-10-18 2022-05-24 Sony Semiconductor Solutions Corporation Object identification electronic device

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108156161A (zh) * 2017-12-27 2018-06-12 百度在线网络技术（北京）有限公司 验证方法和装置
KR102123835B1 (ko) * 2018-09-11 2020-06-17 한국산업기술대학교 산학협력단 적응적 분류에 기반한 영상정합 시스템 및 방법
CN111046703B (zh) * 2018-10-12 2023-04-18 杭州海康威视数字技术股份有限公司 人脸防伪检测方法、装置及多目相机
CN111291586A (zh) * 2018-12-06 2020-06-16 北京市商汤科技开发有限公司 活体检测方法、装置、电子设备及计算机可读存储介质
CN110059590B (zh) * 2019-03-29 2023-06-30 努比亚技术有限公司 一种人脸活体验证方法、装置、移动终端及可读存储介质
US10997396B2 (en) 2019-04-05 2021-05-04 Realnetworks, Inc. Face liveness detection systems and methods
CN110751017B (zh) * 2019-09-03 2021-03-02 上海交通大学 一种基于强化学习的在线非监督的人群组分割方法及终端
CN111079587B (zh) * 2019-12-03 2023-09-22 北京迈格威科技有限公司 人脸的识别方法、装置、计算机设备及可读存储介质
CN111079684B (zh) * 2019-12-24 2023-04-07 陕西西图数联科技有限公司 一种基于粗糙-精细拟合的三维人脸检测方法
CN113536844B (zh) * 2020-04-16 2023-10-31 中移(成都)信息通信科技有限公司 人脸对比方法、装置、设备及介质
CN111581411B (zh) * 2020-06-09 2023-08-22 腾讯科技（深圳）有限公司 高精度人脸形状库的构建方法、装置、设备及存储介质
CN111780673B (zh) * 2020-06-17 2022-05-31 杭州海康威视数字技术股份有限公司 一种测距方法、装置及设备
CN112287798A (zh) * 2020-10-23 2021-01-29 深圳市商汤科技有限公司 测温方法及装置、电子设备及存储介质
CN112418021A (zh) * 2020-11-10 2021-02-26 上海臻面智能信息科技有限公司 一种单rgb-ir摄像头的安全模组的实现方法及装置
CN112598716B (zh) * 2020-12-01 2024-04-05 浙江大华技术股份有限公司 一种多模态图像的配准方法、装置及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923641A (zh) * 2010-09-09 2010-12-22 北京交通大学 一种改进的人脸识别方法
CN103679118A (zh) * 2012-09-07 2014-03-26 汉王科技股份有限公司 一种人脸活体检测方法及系统
CN105023010A (zh) * 2015-08-17 2015-11-04 中国科学院半导体研究所 一种人脸活体检测方法及系统
CN105205458A (zh) * 2015-09-16 2015-12-30 北京邮电大学 人脸活体检测方法、装置及系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100851981B1 (ko) * 2007-02-14 2008-08-12 삼성전자주식회사 비디오 영상에서 실 객체 판별 방법 및 장치
WO2009004916A1 (ja) * 2007-06-29 2009-01-08 Nec Corporation なりすまし検知システム、なりすまし検知方法およびなりすまし検知用プログラム
US8448859B2 (en) * 2008-09-05 2013-05-28 Datalogic ADC, Inc. System and method for preventing cashier and customer fraud at retail checkout
CN102197412B (zh) 2008-10-28 2014-01-08 日本电气株式会社 伪装检测系统和伪装检测方法
US8553982B2 (en) * 2009-12-23 2013-10-08 Intel Corporation Model-based play field registration
US9396539B2 (en) * 2010-04-02 2016-07-19 Nokia Technologies Oy Methods and apparatuses for face detection
US8675926B2 (en) * 2010-06-08 2014-03-18 Microsoft Corporation Distinguishing live faces from flat surfaces
CN102065313B (zh) * 2010-11-16 2012-10-31 上海大学 平行式相机阵列的未标定多视点图像校正方法
US9342886B2 (en) * 2011-04-29 2016-05-17 Qualcomm Incorporated Devices, methods, and apparatuses for homography evaluation involving a mobile device
KR101373397B1 (ko) * 2012-06-11 2014-03-13 인하대학교 산학협력단 증강현실의 호모그래피 정확도 향상을 위한 ｃｓｐ 기반의 ｒａｎｓａｃ 샘플링 방법
CN103971400B (zh) * 2013-02-06 2018-02-02 阿里巴巴集团控股有限公司 一种基于标识码的三维交互的方法和系统
CN104573682A (zh) * 2015-02-15 2015-04-29 四川川大智胜软件股份有限公司 一种基于人脸相似度的人脸防伪方法
CN105868733A (zh) * 2016-04-21 2016-08-17 腾讯科技（深圳）有限公司 一种人脸活体验证方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923641A (zh) * 2010-09-09 2010-12-22 北京交通大学 一种改进的人脸识别方法
CN103679118A (zh) * 2012-09-07 2014-03-26 汉王科技股份有限公司 一种人脸活体检测方法及系统
CN105023010A (zh) * 2015-08-17 2015-11-04 中国科学院半导体研究所 一种人脸活体检测方法及系统
CN105205458A (zh) * 2015-09-16 2015-12-30 北京邮电大学 人脸活体检测方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王岚等: "基于随机抽样一致性算法的运动平面上点的视觉测量及其应用", 《中国科技体育》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017181899A1 (zh) * 2016-04-21 2017-10-26 腾讯科技（深圳）有限公司 一种人脸活体验证方法及装置
US10796179B2 (en) 2016-04-21 2020-10-06 Tencent Technology (Shenzhen) Company Limited Living face verification method and device
CN107316029A (zh) * 2017-07-03 2017-11-03 腾讯科技（深圳）有限公司 一种活体验证方法及设备
CN107316029B (zh) * 2017-07-03 2018-11-23 腾讯科技（深圳）有限公司 一种活体验证方法及设备
CN112424841A (zh) * 2017-07-28 2021-02-26 纽诺有限公司 用于自主车辆递送的个人验证的系统和方法
US11341771B2 (en) * 2017-10-18 2022-05-24 Sony Semiconductor Solutions Corporation Object identification electronic device
CN111079470B (zh) * 2018-10-18 2023-08-22 杭州海康威视数字技术股份有限公司 人脸活体检测的方法和装置
CN111079470A (zh) * 2018-10-18 2020-04-28 杭州海康威视数字技术股份有限公司 人脸活体检测的方法和装置
CN111860055A (zh) * 2019-04-29 2020-10-30 北京眼神智能科技有限公司 人脸静默活体检测方法、装置、可读存储介质及设备
CN111860055B (zh) * 2019-04-29 2023-10-24 北京眼神智能科技有限公司 人脸静默活体检测方法、装置、可读存储介质及设备
CN110636276B (zh) * 2019-08-06 2021-12-28 RealMe重庆移动通信有限公司 视频拍摄方法、装置、存储介质及电子设备
CN110636276A (zh) * 2019-08-06 2019-12-31 RealMe重庆移动通信有限公司 视频拍摄方法、装置、存储介质及电子设备
CN113128258A (zh) * 2019-12-30 2021-07-16 杭州海康威视数字技术股份有限公司 活体检测方法、装置、电子设备及存储介质
CN113128258B (zh) * 2019-12-30 2022-10-04 杭州海康威视数字技术股份有限公司 活体检测方法、装置、电子设备及存储介质
CN111209870A (zh) * 2020-01-09 2020-05-29 杭州涂鸦信息技术有限公司 一种双目活体摄像头快速配准方法及其系统和装置
CN111339958A (zh) * 2020-02-28 2020-06-26 山东笛卡尔智能科技有限公司 一种基于单目视觉的人脸活体检测方法及系统
CN111339958B (zh) * 2020-02-28 2023-08-29 南京鑫之派智能科技有限公司 一种基于单目视觉的人脸活体检测方法及系统
CN113553990A (zh) * 2021-08-09 2021-10-26 深圳智必选科技有限公司 多人脸跟踪识别的方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
KR20180098367A (ko) 2018-09-03
JP2019509545A (ja) 2019-04-04
EP3447679A1 (en) 2019-02-27
US20180307928A1 (en) 2018-10-25
KR102120241B1 (ko) 2020-06-08
US10796179B2 (en) 2020-10-06
WO2017181899A1 (zh) 2017-10-26
EP3447679A4 (en) 2019-04-24

Similar Documents

Publication Publication Date Title
CN105868733A (zh) 一种人脸活体验证方法及装置
EP3693890A1 (en) Regionalized change detection using digital fingerprints
US7554575B2 (en) Fast imaging system calibration
KR101773885B1 (ko) 이미지 인증을 이용한 증강현실 객체 제공 방법 및 제공 서버
CN106296617B (zh) 人脸图像的处理方法及装置
CN105956518A (zh) 一种人脸识别方法、装置和系统
CN105283905A (zh) 使用点和线特征的稳健跟踪
CN112528831B (zh) 多目标姿态估计方法、多目标姿态估计装置及终端设备
CN109584307A (zh) 改进摄像机固有参数校准的系统和方法
US11321855B2 (en) Multi-camera homogeneous object trajectory alignment
CN110648363A (zh) 相机姿态确定方法、装置、存储介质及电子设备
CN106537908A (zh) 相机标定
CN103299342A (zh) 提供用于姿势识别的机制的方法和装置
CN102902943A (zh) 一种二维码扫描的方法、处理装置及终端
CN108399401B (zh) 用于检测人脸图像的方法和装置
WO2019017178A1 (en) METHOD AND APPARATUS FOR DYNAMICALLY IDENTIFYING A USER OF AN ACCOUNT FOR DISPLAYING IMAGES
US11238563B2 (en) Noise processing method and apparatus
Traumann et al. Accurate 3D measurement using optical depth information
Botterill et al. New Conditional Sampling Strategies for Speeded-Up RANSAC.
CN110458870B (zh) 一种图像配准、融合、遮挡检测方法、装置和电子设备
CN115393423A (zh) 目标检测方法和装置
CN105808663B (zh) 一种图像分类的方法、装置及电子设备
CN108376255A (zh) 一种图像处理方法、装置及存储介质
CN111223139B (zh) 目标定位方法及终端设备
US10600192B1 (en) Multi-camera homogeneous object alignment

Legal Events

Date Code Title Description
C06 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20160817