CN105956572A - 一种基于卷积神经网络的活体人脸检测方法 - Google Patents
一种基于卷积神经网络的活体人脸检测方法 Download PDFInfo
- Publication number
- CN105956572A CN105956572A CN201610320416.0A CN201610320416A CN105956572A CN 105956572 A CN105956572 A CN 105956572A CN 201610320416 A CN201610320416 A CN 201610320416A CN 105956572 A CN105956572 A CN 105956572A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- convolutional
- max
- face
- 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
-
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
-
- 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
Abstract
一种基于卷积神经网络的活体人脸检测方法,涉及机器学习以及模式识别领域。本发明是面向人脸识别中的欺骗问题提出的。传统的人脸识别技术很容易被攻击,攻击者经常采用照片、视频以及3D模型等方法对合法用户的人脸进行复制。如果人脸识别系统不能有效地区分真实人脸和假冒人脸,入侵者就很容易以假冒身份通过识别系统。基于这个问题,本发明提出了一种针基于卷积神经网络的活体人脸检测方法。本发明所提出的方法中的卷积神经网络是基于cuda_convnet框架实现的,网络结构包括四个卷积层,两个max‑pooling层,以及一个全连接层和一个soft‑max层,soft‑max层包括两个神经元,用来预测真假人脸的概率分布。
Description
技术领域
本发明涉及机器学习和模式识别领域,具体涉及一种基于卷积神经网络的活体人脸检测的研究和实现。
背景技术
人脸识别是生物特征技术的一项热门的研究领域,与其他生物特征技术相比,人脸识别技术具有非接触性、友好性等优势。人脸识别系统已经在越来越多的场合进行使用,例如移动终端解锁系统、电脑开机登录系统、门禁系统。另外,人脸识别还应用在刑事侦查,监控系统等领域。但是,在人脸识别技术迅速发展的背后,存在着巨大的安全隐患。人脸识别系统可以判别人脸的真实身份,但是却无法判别摄像头前的人脸图像是来自合法用户还是非法用户。因为,非法用户可以使用合法用户的照片,视频,或者3D模型来欺骗人脸识别系统。国际知名的信息安全会议Black Hat指出,目前大部分的人脸识别系统都可以被一张彩色的打印照片所攻击。所以人脸识别技术目前还存在严重的安全隐患。针对上述人脸识别技术遇到的这一挑战,人脸活体检测技术应运而生。并且人脸活体检测技术的研究已经成为生物认证领域的一个研究热点。人脸识别技术的主要攻击包括:照片,视频,以及3D模型。人脸假冒欺骗手段的多样化给人脸欺骗检测技术的研究带来了极大的挑战。
真实人脸与假冒人脸两者的主要区别主要来自一下三个方面:(1)图像纹理:假冒的人脸图像经过了二次采集甚至更多次采集。经过多次采集之后,图像的纹理信息会发生变化。(2)三维结构:真实人脸是三维结构,而照片人脸以及视频人脸都是二维结构。(3)运动模式:运动模式包括两方面,一方面是人脸自身的运动,这种运动模式多种多样,例如眨眼运动,嘴唇运动以及表情的变化等等。照片人脸很难模拟出这样的运动,而视频可以通过人机交互将其区分开。二是人脸与背景间的相对运动。人脸照片或者屏幕往往比人脸区域要大,这一区域与人脸具有相同的运动模式,真实人脸与背景的运动模式是不相同的。因此可以通过人脸以及背景的运动模式进行比较来区分真实人脸与假冒人脸。本发明主要以图像纹理的区别来判断真实人脸以及假冒人脸。
发明内容
本发明提供了一种基于卷积神经网络的活体人脸检测方法。该方法可以判断人脸图像是活体的还是非活体的,从而防止非法用户使用合法用户的照片、视频进行欺骗。传统的活体人脸检测算法都是基于手工特征提取的,一种有效的手工特征需要经过很多实验以及改进算法,也需要经过很长时间才能设计出来,而卷积神经网络不需要手工设计特征,只需要设计网络结构,训练参数即可。
该方法主要步骤包括:
A、对摄像头采集的视频进行分帧采样;
B、对样本图像进行预处理,包括两种处理方法:1.对样本图像进行人脸检测,所使用的检测方法是基于adaboost的人脸检测算法,检测到人脸之后将人脸区域裁剪出来,并将所有人脸图像归一化到X*X像素;2.不进行人脸检测,直接将整幅图像(包括人脸区域以及背景区域)归一化到X*X像素。
C、利用卷积神经网络对归一化后的图像进行特征提取;
进一步,所述步骤C具体包括:
C1、设计卷积神经网络的网络结构。该网络结构包括一个输入层,4个卷积层一个全连接层以及一个soft-max层。输入层的图像大小是X*X,包括RGB三个通道,所以输入为X*X*3。输入层的图像在进行卷积神经网络处理前需要进行预处理,将X*X像素的图像的四个角进行裁剪,并将图像再以中心为基准进行裁剪,裁剪后总共得到5幅大小为S*S像素(S<X)的图像,然后将5幅图像进行水平翻转。这样一幅图像经过裁剪以及翻转后可得到10幅图像。第一个卷积层与第二个卷积层的是权值共享的,它们分别包括64个卷积核,每个卷积核的大小为5*5。在第一个卷积层与第二个卷积层后面分别连接了一个max-pooling层,max-pooling层的大小为3*3。一幅S*S像素的图像经过第一个卷积层后可得到64个S*S的图像块,即特征图。经过第一个max-pooling层后,得到64个S1*S1像素(S1=S/2)的特征图,特征图的大小变为原来的一半,也就是说经过max-pooling层后进行了降维,特征向量的维数变为原来的一半。这样,经过第二个卷积层与第二个max-pooling层后,特征图的大小为S2*S2像素(S2=S1/2),又缩减为原来的一半。第三个卷积层与第四个卷积层没有权值共享,它们分别包括32个卷积核,每个卷积核的大小为3*3。全连接层由n个神经元组成,它与第四个卷积层是全连接状态,所以,经过全连接层后,就可得到一个n维的特征向量。最后一层是soft-max层,包括两个神经元,这两个神经元就对应着一幅图像在真实人脸与及假冒人脸的二分类上的概率分布。
C2、网络结构设计完成之后,需要对网络进行训练,但是在训练网络之前需要把数据库中的图像转换成卷积网络可读的文件类型,而且需要把训练集分成m(m>1)个batch。
C3、使用前m-1个batch进行训练,第m个batch进行验证,学习率为10-2,迭代次数为1000-1500;
C4、m个batch一起进行训练,仍然使用第m个batch进行验证,学习率为10-3,再迭代1000-1500次;
C5、学习率降低为10-4,最后再迭代500-100次。
D、统计测试集中每幅人脸图像的概率分布,将一段视频中所有样本人脸图像的概率最大值所对应的类别作为该视频的分类结果。
进一步,所述步骤D具体包括:
D1、对测试集的图像经过步骤A,B的处理后生成batch文件,并将batch文件作为卷积网络的输入,进行特征提取以及真假概率分布的计算。
D2、将测试集中每段视频的所有样本人脸图像的概率最大值所对应的类别作为该视频的分类结果。
附图说明:
图1是基于卷积神经网络的活体人脸检测框架示意图。
图2是卷积神经网络的网络结构示意图。
图3是网络(人脸图像作为输入)第一层滤波器可视化示意图
图4是网络(整幅图像作为输入)第一层滤波器可视化示意图
图5是在Replay-attack数据库的实验结果示意图。
图6是在CASIA-FASD数据库的实验结果示意图。
具体实施方式:
下面将结合附图及实施案例对本发明的技术方案进行更详细的说明。
本发明的整体框架如说明书附图1所示,分为人脸检测,特征提取以及分类三个部分。
A、对摄像头采集的视频进行分帧采样,视频总共有270帧,每隔10帧采一张样本图像;
B、对样本图像进行预处理,包括两种处理方法:1.对样本图像进行人脸检测,所使用的检测方法是基于adaboost的人脸检测算法,检测到人脸之后将人脸区域裁剪出来,并将所有人脸图像归一化到32*32像素;2.不进行人脸检测,直接将整幅图像(包括人脸区域以及背景区域)归一化到32*32像素。
C、利用卷积神经网络对归一化后的图像进行特征提取,卷积神经网络的网络结构如说明书附图2所示;
进一步,所述步骤C具体包括:
C1、设计卷积神经网络的网络结构。该网络结构包括一个输入层,4个卷积层一个全连接层以及一个soft-max层。输入层的图像大小是32*32,包括RGB三个通道,所以输入为32*32*3。输入层的图像在进行卷积神经网络处理前需要进行预处理,将32*32的图像的四个角进行裁剪,并将图像再以中心为基准进行裁剪,总共得到5幅大小为24*24像素的图像,然后将5幅图像进行水平翻转。这样一幅图像经过裁剪以及翻转后可得到10幅图像。第一个卷积层与第二个卷积层的是权值共享的,它们分别包括64个卷积核,每个卷积核的大小为5*5。在第一个卷积层与第二个卷积层后面分别连接了一个max-pooling层,max-pooling层的大小为3*3。一幅24*24像素的图像经过第一个卷积层后可得到64个24*24的图像块,即特征图。经过第一个max-pooling层后,得到64个12*12的特征图,特征图的大小变为原来的一半,也就是说经过max-pooling层后进行了降维,特征向量的维数变为原来的一半。这样,经过第二个卷积层与第二个max-pooling层后,特征图的大小为6*6,又缩减为原来的一半。第三个卷积层与第四个卷积层没有权值共享,它们分别包括32个卷积核,每个卷积核的大小为3*3。全连接层由160个神经元组成,它与第四个卷积层是全连接状态,所以,经过全连接层后,就可得到一个160维的特征向量。最后一层是soft-max层,包括两个神经元,这两个神经元就对应着一幅图像在真实人脸与及假冒人脸的二分类上的概率分布。
C2、网络结构设计完成之后,需要对网络进行训练,但是在训练网络之前需要把数据库中的图像转换成卷积网络可读的文件类型,而且需要把训练集分成4个batch。
C3、使用前3个batch进行训练,第4个batch进行验证,学习率为10-3,迭代次数为1200;
C4、4个batch一起进行训练,仍然使用第4个batch进行验证,学习率为10-3,再迭代1300次;
C5、学习率降低为10-4,最后再迭代600次。训练结束后第一个卷积层的的64个卷积核的可视化特征图如附图3和图4所示。
D、统计测试集中每幅人脸图像的概率分布,将一段视频中所有样本人脸图像的概率最大值所对应的类别作为该视频的分类结果。
进一步,所述步骤D具体包括:
D1、对测试集的图像经过步骤A,B的处理后生成一个batch文件,并将batch文件作为卷积网络的输入,进行特征提取以及真假概率分布的计算。
D2、将测试集中每段视频的所有样本人脸图像的概率最大值所对应的类别作为该视频的分类结果。在本实例中,我们分别使用CASIA-FASD数据库与Replay-attack进行测试,并将本方法与现有的种方法进行比较,分别是:(1)基于LBP的活体人脸检测算法,(2)基于DMD+LBP+SVM的活体人脸检测算法,(3)基于Non-Rigid Detection(NRD)的活体人脸检测算法,(4)基于Face-Background Consistency(FBC)的活体人脸检测算法,(5)基于Fusion ofFBC and NRD的活体人脸检测算法,(6)基于LBP+LDA活体人脸检测算法等等。实验结果对比图如说明书附图5和附图6所示。只用人脸区域进行实验的方法用LFDNetF来表示,用整幅图像进行实验的方法用LFDNetW来表示。比较的基准包括检测正确率以及HTER(Half-Total Error Rate),HTER是错误拒绝率与错误接受率之和的一半。这里的错误拒绝率是指将真实人脸错判为假冒人脸的概率,错误接受率是指将假冒人脸错判为真实人脸的概率。从检测率以及HTER的结果可以看出,我们的算法性能与其他算法相比有所提高,而且使用整幅图像的识别率高于只使用人脸区域的方法,这是因为背景区域也同样包含真假信息,可以作为判别依据。
Claims (2)
1.一种基于卷积神经网络的活体人脸检测方法,其特征在于,包括以下步骤:
A、对摄像头采集的视频进行分帧采样;
B、对样本图像进行归一化;
C、利用卷积神经网络对归一化后的图像进行特征提取;
步骤C具体包括:
C1、设计卷积神经网络的网络结构;
该网络结构包括一个输入层,4个卷积层一个全连接层以及一个soft-max层;输入层的图像大小是X*X,包括RGB三个通道,所以输入为X*X*3;输入层的图像在进行卷积神经网络处理前需要进行预处理,将X*X像素的图像的四个角进行裁剪,并将图像再以中心为基准进行裁剪,裁剪后总共得到5幅大小为S*S像素(S<X)的图像,然后将5幅图像进行水平翻转;这样一幅图像经过裁剪以及翻转后得到10幅图像;第一个卷积层与第二个卷积层的是权值共享的,它们分别包括64个卷积核,每个卷积核的大小为5*5;在第一个卷积层与第二个卷积层后面分别连接了一个max-pooling层,max-pooling层的大小为3*3;一幅S*S像素的图像经过第一个卷积层后得到64个S*S的图像块,即特征图;经过第一个max-pooling层后,得到64个S1*S1像素的特征图,S1=S/2,特征图的大小变为原来的一半,也就是说经过max-pooling层后进行了降维,特征向量的维数变为原来的一半;这样,经过第二个卷积层与第二个max-pooling层后,特征图的大小为S2*S2像素,S2=S1/2又缩减为原来的一半;第三个卷积层与第四个卷积层没有权值共享,它们分别包括32个卷积核,每个卷积核的大小为3*3;全连接层由n个神经元组成,它与第四个卷积层是全连接状态,所以,经过全连接层后,就得到一个n维的特征向量;最后一层是soft-max层,包括两个神经元,这两个神经元就对应着一幅图像在真实人脸与及假冒人脸的二分类上的概率分布;
C2、网络结构设计完成之后,把数据库中的图像转换成卷积网络可读的文件类型,而且需要把训练集分成m个batch,m>1;
C3、使用前m-1个batch进行训练,第m个batch进行验证,学习率为10-2,迭代次数为1000-1500;
C4、m个batch一起进行训练,仍然使用第m个batch进行验证,学习率为10-3,再迭代1000-1500次;
C5、学习率降低为10-4,最后再迭代500-100次;
D、统计测试集中每幅人脸图像的概率分布,将一段视频中所有样本人脸图像的概率最大值所对应的类别作为该视频的分类结果。
2.根据权利要求1所述的一种基于卷积神经网络的活体人脸检测方法,其特征在于,所述步骤D具体包括:
D1、对测试集的图像经过步骤A,B的处理后生成batch文件,并将batch文件作为卷积网络的输入,进行特征提取以及真假概率分布的计算;
D2、将测试集中每段视频的所有样本人脸图像的概率最大值所对应的类别作为该视频的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610320416.0A CN105956572A (zh) | 2016-05-15 | 2016-05-15 | 一种基于卷积神经网络的活体人脸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610320416.0A CN105956572A (zh) | 2016-05-15 | 2016-05-15 | 一种基于卷积神经网络的活体人脸检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105956572A true CN105956572A (zh) | 2016-09-21 |
Family
ID=56912513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610320416.0A Pending CN105956572A (zh) | 2016-05-15 | 2016-05-15 | 一种基于卷积神经网络的活体人脸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956572A (zh) |
Cited By (60)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599907A (zh) * | 2016-11-29 | 2017-04-26 | 北京航空航天大学 | 多特征融合的动态场景分类方法与装置 |
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 |
CN107122709A (zh) * | 2017-03-17 | 2017-09-01 | 上海云从企业发展有限公司 | 活体检测方法及装置 |
CN107122744A (zh) * | 2017-04-28 | 2017-09-01 | 武汉神目信息技术有限公司 | 一种基于人脸识别的活体检测系统及方法 |
CN107194376A (zh) * | 2017-06-21 | 2017-09-22 | 北京市威富安防科技有限公司 | 面具造假卷积神经网络训练方法及人脸活体检测方法 |
CN107220635A (zh) * | 2017-06-21 | 2017-09-29 | 北京市威富安防科技有限公司 | 基于多造假方式的人脸活体检测方法 |
CN107292267A (zh) * | 2017-06-21 | 2017-10-24 | 北京市威富安防科技有限公司 | 照片造假卷积神经网络训练方法及人脸活体检测方法 |
CN107301396A (zh) * | 2017-06-21 | 2017-10-27 | 北京市威富安防科技有限公司 | 视频造假卷积神经网络训练方法及人脸活体检测方法 |
CN107358157A (zh) * | 2017-06-07 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种人脸活体检测方法、装置以及电子设备 |
CN107464238A (zh) * | 2017-08-07 | 2017-12-12 | 秦玲 | 纺织品测试系统验证平台 |
CN107633198A (zh) * | 2017-07-25 | 2018-01-26 | 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 |
CN107886070A (zh) * | 2017-11-10 | 2018-04-06 | 北京小米移动软件有限公司 | 人脸图像的验证方法、装置及设备 |
CN107909687A (zh) * | 2017-11-07 | 2018-04-13 | 惠州市瑞时智控科技有限公司 | 一种基于机器学习的智能门控系统及其控制方法 |
CN107944416A (zh) * | 2017-12-06 | 2018-04-20 | 成都睿码科技有限责任公司 | 一种通过视频进行真人验证的方法 |
CN107992842A (zh) * | 2017-12-13 | 2018-05-04 | 深圳云天励飞技术有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
CN107992833A (zh) * | 2017-12-08 | 2018-05-04 | 北京小米移动软件有限公司 | 图像识别方法、装置及存储介质 |
CN108171250A (zh) * | 2016-12-07 | 2018-06-15 | 北京三星通信技术研究有限公司 | 目标检测方法及装置 |
CN108268885A (zh) * | 2017-01-03 | 2018-07-10 | 京东方科技集团股份有限公司 | 特征点检测方法、设备和计算机可读存储介质 |
CN108363944A (zh) * | 2017-12-28 | 2018-08-03 | 杭州宇泛智能科技有限公司 | 人脸识别终端双摄防伪方法、装置及系统 |
CN108416324A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术(北京)有限公司 | 用于检测活体的方法和装置 |
CN108509781A (zh) * | 2018-03-27 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 用于解锁的方法及装置 |
CN108537152A (zh) * | 2018-03-27 | 2018-09-14 | 百度在线网络技术(北京)有限公司 | 用于检测活体的方法和装置 |
CN108549854A (zh) * | 2018-03-28 | 2018-09-18 | 中科博宏(北京)科技有限公司 | 一种人脸活体检测方法 |
WO2018184187A1 (en) * | 2017-04-07 | 2018-10-11 | Intel Corporation | Methods and systems for advanced and augmented training of deep neural networks using synthetic data and innovative generative networks |
CN108664843A (zh) * | 2017-03-27 | 2018-10-16 | 北京三星通信技术研究有限公司 | 活体对象识别方法、设备和计算机可读存储介质 |
CN108764069A (zh) * | 2018-05-10 | 2018-11-06 | 北京市商汤科技开发有限公司 | 活体检测方法及装置 |
CN108898112A (zh) * | 2018-07-03 | 2018-11-27 | 东北大学 | 一种近红外人脸活体检测方法及系统 |
CN108985134A (zh) * | 2017-06-01 | 2018-12-11 | 重庆中科云丛科技有限公司 | 基于双目摄像机的人脸活体检测及刷脸交易方法及系统 |
CN108985200A (zh) * | 2018-07-02 | 2018-12-11 | 中国科学院半导体研究所 | 一种基于终端设备的非配合式的活体检测算法 |
CN109101999A (zh) * | 2018-07-16 | 2018-12-28 | 华东师范大学 | 基于支持向量机的协神经网络可信决策方法 |
WO2019000445A1 (en) * | 2017-06-30 | 2019-01-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR VERIFYING THE AUTHENTICITY OF AN IDENTIFICATION PHOTO |
CN109243030A (zh) * | 2018-09-13 | 2019-01-18 | 浙江工业大学 | 一种夜间非接触式门禁系统的控制方法及系统 |
CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
CN109409322A (zh) * | 2018-11-09 | 2019-03-01 | 北京京东尚科信息技术有限公司 | 活体检测方法、装置及人脸识别方法和人脸检测系统 |
CN109508694A (zh) * | 2018-12-10 | 2019-03-22 | 上海众源网络有限公司 | 一种人脸识别方法及识别装置 |
WO2019085331A1 (zh) * | 2017-11-02 | 2019-05-09 | 平安科技(深圳)有限公司 | 欺诈可能性分析方法、装置及存储介质 |
CN109902667A (zh) * | 2019-04-02 | 2019-06-18 | 电子科技大学 | 基于光流引导特征块和卷积gru的人脸活体检测方法 |
CN109948408A (zh) * | 2017-12-21 | 2019-06-28 | 三星电子株式会社 | 活性测试方法和设备 |
CN109977839A (zh) * | 2019-03-20 | 2019-07-05 | 北京字节跳动网络技术有限公司 | 信息处理方法和装置 |
CN110222647A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于卷积神经网络的人脸活体检测方法 |
CN110245645A (zh) * | 2019-06-21 | 2019-09-17 | 北京字节跳动网络技术有限公司 | 人脸活体识别方法、装置、设备及存储介质 |
CN110298295A (zh) * | 2019-06-26 | 2019-10-01 | 中国海洋大学 | 基于人脸识别的移动端在线学习监督方法 |
CN110516576A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于深度神经网络的近红外活体人脸识别方法 |
CN110674759A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市捷顺科技实业股份有限公司 | 一种基于深度图的单目人脸活体检测方法、装置及设备 |
CN110674800A (zh) * | 2019-12-04 | 2020-01-10 | 图谱未来(南京)人工智能研究院有限公司 | 一种人脸活体检测方法、装置、电子设备及存储介质 |
CN110774583A (zh) * | 2019-10-25 | 2020-02-11 | 上海轩林信息技术有限公司 | 用于彩色3d打印辅助遗体面部整形的建模方法及其应用 |
CN110852134A (zh) * | 2018-07-27 | 2020-02-28 | 北京市商汤科技开发有限公司 | 活体检测方法、装置及系统、电子设备和存储介质 |
CN110929617A (zh) * | 2019-11-14 | 2020-03-27 | 北京神州绿盟信息安全科技股份有限公司 | 一种换脸合成视频检测方法、装置、电子设备及存储介质 |
CN110956055A (zh) * | 2018-09-26 | 2020-04-03 | 北京中科虹星科技有限公司 | 一种人脸图像活体检测方法及系统 |
CN111488764A (zh) * | 2019-01-26 | 2020-08-04 | 天津大学青岛海洋技术研究院 | 一种面向ToF图像传感器的人脸识别算法 |
CN111967344A (zh) * | 2020-07-28 | 2020-11-20 | 南京信息工程大学 | 一种面向人脸伪造视频检测的精细化特征融合方法 |
WO2020248780A1 (zh) * | 2019-06-13 | 2020-12-17 | 北京迈格威科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
US10930010B2 (en) | 2018-05-10 | 2021-02-23 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting living body, system, electronic device, and storage medium |
CN112507986A (zh) * | 2021-02-03 | 2021-03-16 | 长沙小钴科技有限公司 | 基于神经网络的多通道人脸活体检测方法及装置 |
CN112598614A (zh) * | 2019-09-17 | 2021-04-02 | 南京大学 | 一种基于深度神经网络的司法图像质量度量方法 |
CN113221655A (zh) * | 2021-04-12 | 2021-08-06 | 重庆邮电大学 | 基于特征空间约束的人脸欺骗检测方法 |
US11176392B2 (en) | 2017-03-27 | 2021-11-16 | Samsung Electronics Co., Ltd. | Liveness test method and apparatus |
US11321963B2 (en) | 2018-01-04 | 2022-05-03 | Hangzhou Hikvision Digital Technology Co., Ltd. | Face liveness detection based on neural network model |
WO2024027052A1 (zh) * | 2022-08-03 | 2024-02-08 | 中国银联股份有限公司 | 一种基于光流分析的人脸操控检测方法及其检测装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400122A (zh) * | 2013-08-20 | 2013-11-20 | 江苏慧视软件科技有限公司 | 一种活体人脸的快速识别方法 |
CN104866829A (zh) * | 2015-05-25 | 2015-08-26 | 苏州大学 | 一种基于特征学习的跨年龄人脸验证方法 |
CN105320965A (zh) * | 2015-10-23 | 2016-02-10 | 西北工业大学 | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 |
CN105426827A (zh) * | 2015-11-09 | 2016-03-23 | 北京市商汤科技开发有限公司 | 活体验证方法、装置和系统 |
CN105518713A (zh) * | 2015-02-15 | 2016-04-20 | 北京旷视科技有限公司 | 活体人脸验证方法及系统、计算机程序产品 |
-
2016
- 2016-05-15 CN CN201610320416.0A patent/CN105956572A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400122A (zh) * | 2013-08-20 | 2013-11-20 | 江苏慧视软件科技有限公司 | 一种活体人脸的快速识别方法 |
CN105518713A (zh) * | 2015-02-15 | 2016-04-20 | 北京旷视科技有限公司 | 活体人脸验证方法及系统、计算机程序产品 |
CN104866829A (zh) * | 2015-05-25 | 2015-08-26 | 苏州大学 | 一种基于特征学习的跨年龄人脸验证方法 |
CN105320965A (zh) * | 2015-10-23 | 2016-02-10 | 西北工业大学 | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 |
CN105426827A (zh) * | 2015-11-09 | 2016-03-23 | 北京市商汤科技开发有限公司 | 活体验证方法、装置和系统 |
Non-Patent Citations (2)
Title |
---|
HINTON G E等: ""ImageNet classification with deep convolutional neural networks"", 《INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
JIANWEI YANG等: ""Learn Convolutional Neural Network for face Anti-Spoofing"", 《COMPUTER SCIENCE》 * |
Cited By (90)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599907A (zh) * | 2016-11-29 | 2017-04-26 | 北京航空航天大学 | 多特征融合的动态场景分类方法与装置 |
CN106599907B (zh) * | 2016-11-29 | 2019-11-29 | 北京航空航天大学 | 多特征融合的动态场景分类方法与装置 |
CN108171250A (zh) * | 2016-12-07 | 2018-06-15 | 北京三星通信技术研究有限公司 | 目标检测方法及装置 |
CN108268885B (zh) * | 2017-01-03 | 2020-06-30 | 京东方科技集团股份有限公司 | 特征点检测方法、设备和计算机可读存储介质 |
WO2018126638A1 (zh) * | 2017-01-03 | 2018-07-12 | 京东方科技集团股份有限公司 | 检测图像中的特征点的方法、设备和计算机可读存储介质 |
CN108268885A (zh) * | 2017-01-03 | 2018-07-10 | 京东方科技集团股份有限公司 | 特征点检测方法、设备和计算机可读存储介质 |
US10579862B2 (en) | 2017-01-03 | 2020-03-03 | Boe Technology Group Co., Ltd. | Method, device, and computer readable storage medium for detecting feature points in an image |
WO2018133791A1 (zh) * | 2017-01-19 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 一种基于视频分析的活体判别方法、系统及存储介质 |
CN106874857B (zh) * | 2017-01-19 | 2020-12-01 | 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 |
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 |
CN107122709A (zh) * | 2017-03-17 | 2017-09-01 | 上海云从企业发展有限公司 | 活体检测方法及装置 |
US11721131B2 (en) | 2017-03-27 | 2023-08-08 | Samsung Electronics Co., Ltd. | Liveness test method and apparatus |
CN108664843A (zh) * | 2017-03-27 | 2018-10-16 | 北京三星通信技术研究有限公司 | 活体对象识别方法、设备和计算机可读存储介质 |
CN108664843B (zh) * | 2017-03-27 | 2023-04-07 | 北京三星通信技术研究有限公司 | 活体对象识别方法、设备和计算机可读存储介质 |
US11176392B2 (en) | 2017-03-27 | 2021-11-16 | Samsung Electronics Co., Ltd. | Liveness test method and apparatus |
WO2018184187A1 (en) * | 2017-04-07 | 2018-10-11 | Intel Corporation | Methods and systems for advanced and augmented training of deep neural networks using synthetic data and innovative generative networks |
US11341368B2 (en) | 2017-04-07 | 2022-05-24 | Intel Corporation | Methods and systems for advanced and augmented training of deep neural networks using synthetic data and innovative generative networks |
CN107122744A (zh) * | 2017-04-28 | 2017-09-01 | 武汉神目信息技术有限公司 | 一种基于人脸识别的活体检测系统及方法 |
CN107122744B (zh) * | 2017-04-28 | 2020-11-10 | 武汉神目信息技术有限公司 | 一种基于人脸识别的活体检测系统及方法 |
CN108985134A (zh) * | 2017-06-01 | 2018-12-11 | 重庆中科云丛科技有限公司 | 基于双目摄像机的人脸活体检测及刷脸交易方法及系统 |
US10671870B2 (en) | 2017-06-07 | 2020-06-02 | Alibaba Group Holding Limited | Determining user authenticity with face liveness detection |
CN113095124A (zh) * | 2017-06-07 | 2021-07-09 | 创新先进技术有限公司 | 一种人脸活体检测方法、装置以及电子设备 |
CN113095124B (zh) * | 2017-06-07 | 2024-02-06 | 创新先进技术有限公司 | 一种人脸活体检测方法、装置以及电子设备 |
CN107358157A (zh) * | 2017-06-07 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种人脸活体检测方法、装置以及电子设备 |
CN107301396A (zh) * | 2017-06-21 | 2017-10-27 | 北京市威富安防科技有限公司 | 视频造假卷积神经网络训练方法及人脸活体检测方法 |
CN107194376A (zh) * | 2017-06-21 | 2017-09-22 | 北京市威富安防科技有限公司 | 面具造假卷积神经网络训练方法及人脸活体检测方法 |
CN107220635A (zh) * | 2017-06-21 | 2017-09-29 | 北京市威富安防科技有限公司 | 基于多造假方式的人脸活体检测方法 |
CN107292267A (zh) * | 2017-06-21 | 2017-10-24 | 北京市威富安防科技有限公司 | 照片造假卷积神经网络训练方法及人脸活体检测方法 |
WO2019000445A1 (en) * | 2017-06-30 | 2019-01-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR VERIFYING THE AUTHENTICITY OF AN IDENTIFICATION PHOTO |
US11003895B2 (en) | 2017-06-30 | 2021-05-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for verifying authenticity of ID photo |
CN107633198A (zh) * | 2017-07-25 | 2018-01-26 | 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 |
CN107464238B (zh) * | 2017-08-07 | 2018-07-17 | 三阳纺织有限公司 | 纺织品测试系统验证平台 |
CN107464238A (zh) * | 2017-08-07 | 2017-12-12 | 秦玲 | 纺织品测试系统验证平台 |
WO2019085331A1 (zh) * | 2017-11-02 | 2019-05-09 | 平安科技(深圳)有限公司 | 欺诈可能性分析方法、装置及存储介质 |
CN107909687A (zh) * | 2017-11-07 | 2018-04-13 | 惠州市瑞时智控科技有限公司 | 一种基于机器学习的智能门控系统及其控制方法 |
CN107886070A (zh) * | 2017-11-10 | 2018-04-06 | 北京小米移动软件有限公司 | 人脸图像的验证方法、装置及设备 |
CN107944416A (zh) * | 2017-12-06 | 2018-04-20 | 成都睿码科技有限责任公司 | 一种通过视频进行真人验证的方法 |
CN107992833A (zh) * | 2017-12-08 | 2018-05-04 | 北京小米移动软件有限公司 | 图像识别方法、装置及存储介质 |
CN107992842B (zh) * | 2017-12-13 | 2020-08-11 | 深圳励飞科技有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
CN107992842A (zh) * | 2017-12-13 | 2018-05-04 | 深圳云天励飞技术有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
CN109948408B (zh) * | 2017-12-21 | 2023-08-29 | 三星电子株式会社 | 活性测试方法和设备 |
CN109948408A (zh) * | 2017-12-21 | 2019-06-28 | 三星电子株式会社 | 活性测试方法和设备 |
CN108363944A (zh) * | 2017-12-28 | 2018-08-03 | 杭州宇泛智能科技有限公司 | 人脸识别终端双摄防伪方法、装置及系统 |
US11321963B2 (en) | 2018-01-04 | 2022-05-03 | Hangzhou Hikvision Digital Technology Co., Ltd. | Face liveness detection based on neural network model |
CN108537152B (zh) * | 2018-03-27 | 2022-01-25 | 百度在线网络技术(北京)有限公司 | 用于检测活体的方法和装置 |
CN108416324B (zh) * | 2018-03-27 | 2022-02-25 | 百度在线网络技术(北京)有限公司 | 用于检测活体的方法和装置 |
CN108537152A (zh) * | 2018-03-27 | 2018-09-14 | 百度在线网络技术(北京)有限公司 | 用于检测活体的方法和装置 |
CN108509781A (zh) * | 2018-03-27 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 用于解锁的方法及装置 |
CN108416324A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术(北京)有限公司 | 用于检测活体的方法和装置 |
CN108549854A (zh) * | 2018-03-28 | 2018-09-18 | 中科博宏(北京)科技有限公司 | 一种人脸活体检测方法 |
US10930010B2 (en) | 2018-05-10 | 2021-02-23 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting living body, system, electronic device, and storage medium |
CN108764069A (zh) * | 2018-05-10 | 2018-11-06 | 北京市商汤科技开发有限公司 | 活体检测方法及装置 |
CN108764069B (zh) * | 2018-05-10 | 2022-01-14 | 北京市商汤科技开发有限公司 | 活体检测方法及装置 |
CN108985200A (zh) * | 2018-07-02 | 2018-12-11 | 中国科学院半导体研究所 | 一种基于终端设备的非配合式的活体检测算法 |
CN108898112A (zh) * | 2018-07-03 | 2018-11-27 | 东北大学 | 一种近红外人脸活体检测方法及系统 |
CN109101999B (zh) * | 2018-07-16 | 2021-06-25 | 华东师范大学 | 基于支持向量机的协神经网络可信决策方法 |
CN109101999A (zh) * | 2018-07-16 | 2018-12-28 | 华东师范大学 | 基于支持向量机的协神经网络可信决策方法 |
CN110852134A (zh) * | 2018-07-27 | 2020-02-28 | 北京市商汤科技开发有限公司 | 活体检测方法、装置及系统、电子设备和存储介质 |
CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
CN109255322B (zh) * | 2018-09-03 | 2019-11-19 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
CN109243030A (zh) * | 2018-09-13 | 2019-01-18 | 浙江工业大学 | 一种夜间非接触式门禁系统的控制方法及系统 |
CN109243030B (zh) * | 2018-09-13 | 2021-02-26 | 浙江工业大学 | 一种夜间非接触式门禁系统的控制方法及系统 |
CN110956055A (zh) * | 2018-09-26 | 2020-04-03 | 北京中科虹星科技有限公司 | 一种人脸图像活体检测方法及系统 |
CN109409322A (zh) * | 2018-11-09 | 2019-03-01 | 北京京东尚科信息技术有限公司 | 活体检测方法、装置及人脸识别方法和人脸检测系统 |
CN109409322B (zh) * | 2018-11-09 | 2020-11-24 | 北京京东尚科信息技术有限公司 | 活体检测方法、装置及人脸识别方法和人脸检测系统 |
CN109508694B (zh) * | 2018-12-10 | 2020-10-27 | 上海众源网络有限公司 | 一种人脸识别方法及识别装置 |
CN109508694A (zh) * | 2018-12-10 | 2019-03-22 | 上海众源网络有限公司 | 一种人脸识别方法及识别装置 |
CN111488764A (zh) * | 2019-01-26 | 2020-08-04 | 天津大学青岛海洋技术研究院 | 一种面向ToF图像传感器的人脸识别算法 |
CN109977839A (zh) * | 2019-03-20 | 2019-07-05 | 北京字节跳动网络技术有限公司 | 信息处理方法和装置 |
CN109902667A (zh) * | 2019-04-02 | 2019-06-18 | 电子科技大学 | 基于光流引导特征块和卷积gru的人脸活体检测方法 |
CN110222647B (zh) * | 2019-06-10 | 2022-05-10 | 大连民族大学 | 一种基于卷积神经网络的人脸活体检测方法 |
CN110222647A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于卷积神经网络的人脸活体检测方法 |
WO2020248780A1 (zh) * | 2019-06-13 | 2020-12-17 | 北京迈格威科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
CN110245645B (zh) * | 2019-06-21 | 2021-06-08 | 北京字节跳动网络技术有限公司 | 人脸活体识别方法、装置、设备及存储介质 |
CN110245645A (zh) * | 2019-06-21 | 2019-09-17 | 北京字节跳动网络技术有限公司 | 人脸活体识别方法、装置、设备及存储介质 |
CN110298295A (zh) * | 2019-06-26 | 2019-10-01 | 中国海洋大学 | 基于人脸识别的移动端在线学习监督方法 |
CN110516576B (zh) * | 2019-08-20 | 2022-12-06 | 西安电子科技大学 | 基于深度神经网络的近红外活体人脸识别方法 |
CN110516576A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于深度神经网络的近红外活体人脸识别方法 |
CN112598614A (zh) * | 2019-09-17 | 2021-04-02 | 南京大学 | 一种基于深度神经网络的司法图像质量度量方法 |
CN110674759A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市捷顺科技实业股份有限公司 | 一种基于深度图的单目人脸活体检测方法、装置及设备 |
CN110774583A (zh) * | 2019-10-25 | 2020-02-11 | 上海轩林信息技术有限公司 | 用于彩色3d打印辅助遗体面部整形的建模方法及其应用 |
CN110929617A (zh) * | 2019-11-14 | 2020-03-27 | 北京神州绿盟信息安全科技股份有限公司 | 一种换脸合成视频检测方法、装置、电子设备及存储介质 |
CN110674800A (zh) * | 2019-12-04 | 2020-01-10 | 图谱未来(南京)人工智能研究院有限公司 | 一种人脸活体检测方法、装置、电子设备及存储介质 |
CN110674800B (zh) * | 2019-12-04 | 2020-05-19 | 图谱未来(南京)人工智能研究院有限公司 | 一种人脸活体检测方法、装置、电子设备及存储介质 |
CN111967344A (zh) * | 2020-07-28 | 2020-11-20 | 南京信息工程大学 | 一种面向人脸伪造视频检测的精细化特征融合方法 |
CN111967344B (zh) * | 2020-07-28 | 2023-06-20 | 南京信息工程大学 | 一种面向人脸伪造视频检测的精细化特征融合方法 |
CN112507986A (zh) * | 2021-02-03 | 2021-03-16 | 长沙小钴科技有限公司 | 基于神经网络的多通道人脸活体检测方法及装置 |
CN113221655A (zh) * | 2021-04-12 | 2021-08-06 | 重庆邮电大学 | 基于特征空间约束的人脸欺骗检测方法 |
WO2024027052A1 (zh) * | 2022-08-03 | 2024-02-08 | 中国银联股份有限公司 | 一种基于光流分析的人脸操控检测方法及其检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956572A (zh) | 一种基于卷积神经网络的活体人脸检测方法 | |
US10176377B2 (en) | Iris liveness detection for mobile devices | |
Chakraborty et al. | An overview of face liveness detection | |
WO2018086543A1 (zh) | 活体判别方法、身份认证方法、终端、服务器和存储介质 | |
WO2016084072A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
CN110516616A (zh) | 一种基于大规模rgb以及近红外数据集的双重认证人脸防伪方法 | |
CN110414350A (zh) | 基于注意力模型的双路卷积神经网络的人脸防伪检测方法 | |
CN109858375B (zh) | 活体人脸检测方法、终端及计算机可读存储介质 | |
CN105844206A (zh) | 身份认证方法及设备 | |
US11804071B2 (en) | Method for selecting images in video of faces in the wild | |
WO2018082011A1 (zh) | 活体指纹识别方法及装置 | |
CN106991448A (zh) | 一种人像比对处理方法 | |
CN113205002A (zh) | 非受限视频监控的低清人脸识别方法、装置、设备及介质 | |
Sedik et al. | An efficient cybersecurity framework for facial video forensics detection based on multimodal deep learning | |
CN107480628B (zh) | 一种人脸识别方法及装置 | |
Boncolmo et al. | Gender Identification Using Keras Model Through Detection of Face | |
Peng et al. | Face morphing attack detection and attacker identification based on a watchlist | |
Hassan et al. | Facial image detection based on the Viola-Jones algorithm for gender recognition | |
Akshay et al. | Face matching in indian citizens using cnn | |
Maphisa et al. | Face Anti-spoofing based on Convolutional Neural Networks | |
Priyanka et al. | Genuine selfie detection algorithm for social media using image quality measures | |
Rusia et al. | Deep architecture-based face spoofing identification in real-time application | |
Merkle et al. | Face morphing detection: issues and challenges | |
KR102318051B1 (ko) | 사용자 인증 시스템에서 여백을 포함한 얼굴영역 이미지를 이용한 라이브니스 검사방법 | |
Rajan et al. | Fusion of iris & fingerprint biometrics for gender classification using neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160921 |