CN107122744B - 一种基于人脸识别的活体检测系统及方法 - Google Patents
一种基于人脸识别的活体检测系统及方法 Download PDFInfo
- Publication number
- CN107122744B CN107122744B CN201710292967.5A CN201710292967A CN107122744B CN 107122744 B CN107122744 B CN 107122744B CN 201710292967 A CN201710292967 A CN 201710292967A CN 107122744 B CN107122744 B CN 107122744B
- Authority
- CN
- China
- Prior art keywords
- face
- classification model
- living body
- result
- picture
- 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.)
- Active
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于人脸识别系统的活体检测系统及方法,通过采用卷积神经网络进行训练得到相应的分类模型,然后将待识别的图片输入到分类模型中得到识别结果的方式对待识别的人脸图片进行活体或非活体判断,该方法不需要人工对图片进行特征分析,不需要采用特定的指令动作配合,即可实现活体检测,用户体验好,而且在使用过程中仅需一台具有拍照功能的设备例如手机等智能终端进行不同距离的人脸图片采集,即可实现活体检测,使用范围广,而且相对于光流法活体检测,本方法仅需按照由远及近的方法采集若干张图片,而无需采集连续的视频帧,需要处理的目标数据量远小于光流法活体检测,计算量小,在实时性和实用性具有较大的优势。
Description
技术领域
本发明涉及人脸识别技术领域,具体涉及一种基于人脸识别的活体检测系统及其方法。
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。
一般生物特征的活体检测技术利用的是人们的生理特征,例如活体指纹检测可以基于手指的温度、排汗、导电性能等信息,活体人脸检测可以基于头部的移动、呼吸、红眼效应等信息,活体虹膜检测可以基于虹膜振颤特性、睫毛和眼皮的运动信息、瞳孔对可见光源强度的收缩扩张反应特性等。
随着人脸识别技术日趋成熟,商业化应用愈加广泛,然而人脸极易用照片、视频等方式进行复制,因此对合法用户人脸的假冒是人脸识别与认证系统安全的重要威胁。
目前,人脸识别技术通行的活体检测技术主要包括以下几种方法:
采用指令动作配合的方式,如人脸左转、右转、张嘴、眨眼等,指令配合错误则认为是伪造欺骗。该种方法需要用户配合,认证时间长,识别后需要重新认证几率高,用户体验不好。
根据光流法,利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”,从图像序列中得到各个像素点的运行信息,采用高斯差分滤波器、LBP特征和支持向量机进行数据统计分析。同时,光流场对物体运动比较敏感,利用光流场可以统一检测眼球移动和眨眼。这种活体检测方式可以在用户无配合的情况下实现盲测。但是如果使用3D打印出来的人脸模型进行伪造欺骗时,该方法具有较高的误判率,而且在利用该方法进行运动物体检测时,计算量加大,无法保证实时性和实用性。
3D人脸检活,利用3D摄像头拍摄人脸,得到相应的人脸区域的3D数据,并基于这些数据做进一步的分析,最终判断出这个人脸是来自活体还是非活体。这里非活体的来源是比较广泛的,包括手机和Pad等介质的照片和视频、各种打印的不同材质的照片(这里包含各种情形的弯曲、折叠、剪裁、挖洞等情形)等。该方法在检测时至少需要两个摄像头进行人脸图像采集,设备成本较高,使用场合受到严重的制约。
发明内容
针对现有技术的问题,本发明提出一种基于人脸识别的活体检测方法及系统,实现在人脸识别的过程中对被识别的人脸进行活体检测,该方法通过在不同距离拍摄不同的照片,然后利用深度学习卷积神经网络来自动提取活体和非活体的区分特征,这种方法具有很强的学习性和部署的灵活性。
作为本发明的第一方面,提供一种基于人脸识别的活体检测方法,包括以下步骤:
S1,分别对活体人脸和照片人脸由远及近拍摄多张图片,然后通过卷积神经网络进行训练得到分类模型;
S2,采集待识别人脸图片,并输入到上述分类模型,得到识别结果。
优选地,所述步骤S1包括以下子步骤:
S11,针对训练集中的每一训练对象,对活体人脸由远及近采集若干张图片,同时针对活体人脸对应的照片人脸以相同的采集规则由远及近采集相同张数图片;
S12,将活体人脸对应的若干张图片和照片人脸对应的若干张图片分别进行归一化处理并组合,生成活体人脸对应的组合图片和照片人脸对应的组合图片;
S13,配置具有多个迭代参数的卷积神经网络,并配置所述卷积神经网络结构计算的图片分类模型预测结果;
S14,将步骤S12中得到的两张组合图片输入到所述卷积神经网络结构进行迭代计算,得到图片分类模型实际结果;
S15,计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值;
S16,判断所述差值是否在误差允许范围内,当所述差值在所述误差允许范围内时,确定所述图片分类模型实际结果作为所述分类模型;当所述差值不在所述误差允许范围内时,反馈调节所述卷积神经网络结构的迭代参数,重复进行迭代计算。
优选地,所述步骤S14包括以下子步骤:
S141,将步骤S12中得到的两张组合图片的图片大小和亮度通过数据均值归一化处理得到归一化数据;
S142,将所述归一化数据进行Max Pooling ReLu非线性化计算得到第一次卷积结果;
S143,将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果;
S144,将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果;
S145,将所述第三次卷积结果,通过ReLu非线性化计算得到全连层结果;
S146,将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。
优选地,步骤S11中所述的采集规则为:在由远及近采集活体人脸图片时,当脸部轮廓完全处于图像采集范围内时,以脸部轮廓进行定位,随着镜头拉近,图像采集范围小于脸部轮廓时,则以鼻子轮廓进行定位,实现人脸图片的采集;同理,在由远及近采集照片人脸图片时,依照相同的规则采集相同数量的人脸图片。
优选地,所述步骤S2中在采集待识别人脸图片时,按照步骤S11中所述的采集规则,采集多张待识别人脸图片,并通过归一化处理后组合成一张图片。
作为本发明的第二方面,提供一种基于人脸识别的活体检测系统,包括:
分类模型训练装置,用于对分别对活体人脸和照片人脸由远及近拍摄多张图片,然后通过卷积神经网络进行训练得到分类模型;
识别结果输出装置,与分类模型训练装置连接,用于将待识别的人脸图片输入到所述分类模型,得到识别结果。
优选地,所述分类模型训练装置包括:
采集单元,用于按照预定的采集规则采集同一人脸对应的多张活体人脸图片和照片人脸图片并通过归一化处理后将多张活体人脸图片和多张照片人脸图片分别进行组合生成活体人脸组合图片和照片人脸组合图片;
配置单元,与所述采集单元连接,用于配置具有多个参数的卷积神经网络结构,并配置所述卷积神经网络结构计算的图片分类模型预测结果;
迭代计算单元,与配置单元连接,用于将所述活体人脸组合图片和照片人脸组合图片输入到卷积神经网络结构畸形迭代计算得到分类模型实际结果;
差值计算单元,分别与配置单元和迭代计算单元连接,用于计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值;
判断单元,与所述差值计算单元连接,用于判断所述差值是否在误差允许范围内;
确定单元,与所述判断单元连接,用于当所述差值在所述误差允许范围内时,确定所述图片分类模型实际结果作为所述分类模型;
反馈调节单元,与判断单元连接,用于当所述差值不在所述误差允许范围内时,反馈调节所述卷积神经网络结构的迭代参数,重复进行迭代计算。
优选地,所述迭代计算单元包括:
数据归一化模块,用于将所述标记图片的图片大小和亮度通过数据均值归一化处理得到归一化数据;
第一卷积模块,与所述数据归一化模块连接,用于将所述归一化数据进行MaxPoolingReLu非线性化计算得到第一次卷积结果;
第二卷积模块,与所述第一卷积模块连接,用于将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果;
第三卷积模块,与所述第二卷积模块连接,用于将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果;
全连层模块,与所述第三卷积模块连接,用于将所述第三次卷积结果通过ReLu非线性化计算得到全连层结果;
Softmax计算模块,所述Softmax计算模块与所述全连层模块连接,用于将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。
本发明的有益效果是:
本发明提供的活体检测方法及系统,通过采用卷积神经网络进行训练得到相应的分类模型,然后将待识别的图片输入到分类模型中得到识别结果的方式对待识别的人脸图片进行活体或非活体判断,该方法不需要人工对图片进行特征分析,不需要采用特定的指令动作配合,即可实现活体检测,用户体验好,而且在使用过程中仅需一台具有拍照功能的设备例如手机等智能终端进行不同距离的人脸图片采集,即可实现活体检测,使用范围广,而且相对于光流法活体检测,本方法仅需按照由远及近的方法采集若干张图片,而无需采集连续的视频帧,需要处理的目标数据量远小于光流法活体检测,计算量小,在实时性和实用性具有较大的优势。
附图说明
图1为本发明提供的活体检测方法流程图;
图2为本发明提供的活体检测方法中分类模型获得的流程图;
图3为本发明提供的活体检测方法中获得图片分类模型实际结果的流程图
图4为本发明提供的活体检测系统的结构示意图;
图5为本发明提供的分类模型训练装置的机构示意图;
图6为本发明提供的迭代计算单元的结构示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步说明。
如图1所示,作为本发明的第一方面,提供一种基于人脸识别的活体检测方法,包括以下步骤:
S1,分别对活体人脸和照片人脸由远及近拍摄多张图片,然后通过卷积神经网络进行训练得到分类模型;
具体地,为了实现在人脸识别过程中实现活体检测,首先需要对活体人脸和照片人脸进行训练,得到哪种是活体人脸,哪种是照片人脸的分类模型。
S2,采集待识别人脸图片,并输入到上述分类模型,得到识别结果。
具体地,在得到分类模型后,采集待识别人脸的图片输入到所述分类模型中,所述分类模型能够对所述待识别人脸的图片做出判断,输出判断记过,即得到该待识别的人脸图片是活体人脸还是照片人脸。
本发明提供的活体检测方法,通过采集不同距离的人脸图片,采用卷积神经网络进行训练得到相应的分类模型,然后将待识别的图片输入到分类模型中得到识别结果的方式对活体或非活体进行判断,该方法不需要人工对图片的特征进行分析等,减少了识别时间,增强了使用效果。
为了获得分类模型,作为所述活体检测方法的一种具体实施方式,如图2所示,所述步骤S1包括以下子步骤:
S11,针对训练集中的每一训练对象,对活体人脸由远及近采集若干张图片,同时针对活体人脸对应的照片人脸以相同的采集规则由远及近采集相同张数图片;
S12,将活体人脸对应的若干张图片和照片人脸对应的若干张图片分别进行归一化处理并组合,生成活体人脸对应的组合图片和照片人脸对应的组合图片;
S13,配置具有多个迭代参数的卷积神经网络,并配置所述卷积神经网络结构计算的图片分类模型预测结果;
S14,将步骤S12中得到的两张组合图片输入到所述卷积神经网络结构进行迭代计算,得到图片分类模型实际结果;
S15,计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值;
S16,判断所述差值是否在误差允许范围内,当所述差值在所述误差允许范围内时,确定所述图片分类模型实际结果作为所述分类模型;当所述差值不在所述误差允许范围内时,反馈调节所述卷积神经网络结构的迭代参数,重复进行迭代计算。
具体地,在获得所述分类模型时,首先需要采集大量的活体人脸图片和照片人脸图片,照片人脸图片即非活体样本的采集方法具体为使用采集装置对着照片人脸,由远及近采集四张图片,当脸部轮廓完全处于图像采集范围内时,以脸部轮廓进行定位,随着镜头拉近,图像采集范围小于脸部轮廓时,则以鼻子轮廓进行定位,实现人脸图片的采集;同理,在由远及近采集活体人脸图片时,依照相同的规则采集相同数量的人脸图片。然后将活体人脸对应的四张图片和照片人脸对应的四张图片分别进行归一化处理并组合,生成活体人脸对应的组合图片和照片人脸对应的组合图片,同构卷积神经网络对活体组合图片和照片人脸图片进行迭代计算。
通过上述方式获得的图片分类模型具有较高的准确率。
进一步具体地,如图3所示,所述步骤S14包括以下子步骤:
S141,将步骤S12中得到的两张组合图片的图片大小和亮度通过数据均值归一化处理得到归一化数据;
S142,将所述归一化数据进行Max Pooling ReLu非线性化计算得到第一次卷积结果;
S143,将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果;
S144,将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果;
S145,将所述第三次卷积结果,通过ReLu非线性化计算得到全连层结果;
S146,将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。
优选地,所述步骤S2中在采集待识别人脸图片时,按照步骤S11中所述的采集规则,采集多张待识别人脸图片,并通过归一化处理后组合成一张图片。
需要说明的是,所述卷积神经网络的分类模型训练好以后,可以将这个分类模型进行保存,后面有新的活体人脸出现时,只要在训练好的所述分类模型里面进行前向传播,就可以对这个新的活体人脸进行判断。
作为本发明的第二方面,提供一种基于人脸识别的活体检测系统,如图4所示,该系统10包括:
分类模型训练装置100,用于对分别对活体人脸和照片人脸由远及近拍摄多张图片,然后通过卷积神经网络进行训练得到分类模型;
识别结果输出装置200,与分类模型训练装置连接,用于将待识别的人脸图片输入到所述分类模型,得到识别结果。
具体的,如图5所示,所述分类模型训练装置100包括:
采集单元101,用于按照预定的采集规则采集同一人脸对应的多张活体人脸图片和照片人脸图片并通过归一化处理后将多张活体人脸图片和多张照片人脸图片分别进行组合生成活体人脸组合图片和照片人脸组合图片;
配置单元102,与所述采集单元连接,用于配置具有多个参数的卷积神经网络结构,并配置所述卷积神经网络结构计算的图片分类模型预测结果;
迭代计算单元103,与配置单元连接,用于将所述活体人脸组合图片和照片人脸组合图片输入到卷积神经网络结构畸形迭代计算得到分类模型实际结果;
差值计算单元104,分别与配置单元和迭代计算单元连接,用于计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值;
判断单元105,与所述差值计算单元连接,用于判断所述差值是否在误差允许范围内;
确定单元106,与所述判断单元连接,用于当所述差值在所述误差允许范围内时,确定所述图片分类模型实际结果作为所述分类模型;
反馈调节单元107,与判断单元连接,用于当所述差值不在所述误差允许范围内时,反馈调节所述卷积神经网络结构的迭代参数,重复进行迭代计算。
进一步,如图6所示,所述迭代计算单元103包括:
数据归一化模块1031,用于将所述标记图片的图片大小和亮度通过数据均值归一化处理得到归一化数据;
第一卷积模块1032,与所述数据归一化模块连接,用于将所述归一化数据进行MaxPooling ReLu非线性化计算得到第一次卷积结果;
第二卷积模块1033,与所述第一卷积模块连接,用于将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果;
第三卷积模块1034,与所述第二卷积模块连接,用于将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果;
全连层模块1035,与所述第三卷积模块连接,用于将所述第三次卷积结果通过ReLu非线性化计算得到全连层结果;
Softmax计算模块1036,所述Softmax计算模块与所述全连层模块连接,用于将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。
说明书中未阐述的部分均为现有技术或公知常识。本实施例仅用于说明该发明,而不用于限制本发明的范围,本领域技术人员对于本发明所做的等价置换等修改均认为是落入该发明权利要求书所保护范围内。
Claims (7)
1.一种基于人脸识别的活体检测方法,其特征在于:包括以下步骤:
S1,分别对活体人脸和照片人脸由远及近拍摄多张图片,然后通过卷积神经网络进行训练得到分类模型;
S2,采集待识别人脸图片,并输入到上述分类模型,得到识别结果;
所述步骤S1具体包括以下子步骤:
S11,针对训练集中的每一训练对象,对活体人脸由远及近采集若干张图片,同时针对活体人脸对应的照片人脸以相同的采集规则由远及近采集相同张数图片;
S12,将活体人脸对应的若干张图片和照片人脸对应的若干张图片分别进行归一化处理并组合,生成活体人脸对应的组合图片和照片人脸对应的组合图片;
S13,配置具有多个迭代参数的卷积神经网络,并配置所述卷积神经网络结构计算的图片分类模型预测结果;
S14,将步骤S12中得到的两张组合图片输入到所述卷积神经网络结构进行迭代计算,得到图片分类模型实际结果;
S15,计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值;
S16,判断所述差值是否在误差允许范围内,当所述差值在所述误差允许范围内时,确定所述图片分类模型实际结果作为所述分类模型;当所述差值不在所述误差允许范围内时,反馈调节所述卷积神经网络结构的迭代参数,重复进行迭代计算。
2.根据权利要求1所述的一种基于人脸识别的活体检测方法,其特征在于:所述步骤S14具体包括以下子步骤:
S141,将步骤S12中得到的两张组合图片的图片大小和亮度通过数据均值归一化处理得到归一化数据;
S142,将所述归一化数据进行Max Pooling ReLu非线性化计算得到第一次卷积结果;
S143,将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果;
S144,将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果;
S145,将所述第三次卷积结果,通过ReLu非线性化计算得到全连层结果;
S146,将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。
3.根据权利要求2所述的一种基于人脸识别的活体检测方法,其特征在于:步骤S11中所述的采集规则为:在由远及近采集活体人脸图片时,当脸部轮廓完全处于图像采集范围内时,以脸部轮廓进行定位,随着镜头拉近,图像采集范围小于脸部轮廓时,则以鼻子轮廓进行定位,实现人脸图片的采集;同理,在由远及近采集照片人脸图片时,依照相同的规则采集相同数量的人脸图片。
4.根据权利要求3所述的一种基于人脸识别的活体检测方法,其特征在于:所述步骤S2中在采集待识别人脸图片时,按照步骤S11中所述的采集规则,采集多张待识别人脸图片,并通过归一化处理后组合成一张图片。
5.一种基于人脸识别的活体检测系统,其特征在于:包括
分类模型训练装置,用于对分别对活体人脸和照片人脸由远及近拍摄多张图片,然后通过卷积神经网络进行训练得到分类模型;
识别结果输出装置,与分类模型训练装置连接,用于将待识别的人脸图片输入到所述分类模型,得到识别结果。
6.根据权利要求5所述的一种基于人脸识别的活体检测系统,其特征在于:所述分类模型训练装置包括:
采集单元,用于按照预定的采集规则采集同一人脸对应的多张活体人脸图片和照片人脸图片并通过归一化处理后将多张活体人脸图片和多张照片人脸图片分别进行组合生成活体人脸组合图片和照片人脸组合图片;
配置单元,与所述采集单元连接,用于配置具有多个参数的卷积神经网络结构,并配置所述卷积神经网络结构计算的图片分类模型预测结果;
迭代计算单元,与配置单元连接,用于将所述活体人脸组合图片和照片人脸组合图片输入到卷积神经网络结构畸形迭代计算得到分类模型实际结果;
差值计算单元,分别与配置单元和迭代计算单元连接,用于计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值;
判断单元,与所述差值计算单元连接,用于判断所述差值是否在误差允许范围内;
确定单元,与所述判断单元连接,用于当所述差值在所述误差允许范围内时,确定所述图片分类模型实际结果作为所述分类模型;
反馈调节单元,与判断单元连接,用于当所述差值不在所述误差允许范围内时,反馈调节所述卷积神经网络结构的迭代参数,重复进行迭代计算。
7.根据权利要求6所述的一种基于人脸识别的活体检测系统,其特征在于:所述迭代计算单元包括:
数据归一化模块,用于将所述两张组合图片的图片大小和亮度通过数据均值归一化处理得到归一化数据;
第一卷积模块,与所述数据归一化模块连接,用于将所述归一化数据进行Max PoolingReLu非线性化计算得到第一次卷积结果;
第二卷积模块,与所述第一卷积模块连接,用于将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果;
第三卷积模块,与所述第二卷积模块连接,用于将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果;
全连层模块,与所述第三卷积模块连接,用于将所述第三次卷积结果通过ReLu非线性化计算得到全连层结果;
Softmax计算模块,所述Softmax计算模块与所述全连层模块连接,用于将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710292967.5A CN107122744B (zh) | 2017-04-28 | 2017-04-28 | 一种基于人脸识别的活体检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710292967.5A CN107122744B (zh) | 2017-04-28 | 2017-04-28 | 一种基于人脸识别的活体检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107122744A CN107122744A (zh) | 2017-09-01 |
CN107122744B true CN107122744B (zh) | 2020-11-10 |
Family
ID=59725464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710292967.5A Active CN107122744B (zh) | 2017-04-28 | 2017-04-28 | 一种基于人脸识别的活体检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107122744B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875497B (zh) * | 2017-10-27 | 2021-04-27 | 北京旷视科技有限公司 | 活体检测的方法、装置及计算机存储介质 |
CN107832735A (zh) * | 2017-11-24 | 2018-03-23 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
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 |
CN108108676A (zh) * | 2017-12-12 | 2018-06-01 | 北京小米移动软件有限公司 | 人脸识别方法、卷积神经网络生成方法及装置 |
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 |
CN107992864A (zh) * | 2018-01-15 | 2018-05-04 | 武汉神目信息技术有限公司 | 一种基于图像纹理的活体识别方法及装置 |
CN108363987A (zh) * | 2018-03-07 | 2018-08-03 | 北京上古视觉科技有限公司 | 一种内容播放终端和系统 |
CN108509888B (zh) * | 2018-03-27 | 2022-01-28 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
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 |
CN110956056A (zh) * | 2018-09-26 | 2020-04-03 | 北京中科虹星科技有限公司 | 一种人脸活体检测方法及系统 |
CN109460733A (zh) * | 2018-11-08 | 2019-03-12 | 北京智慧眼科技股份有限公司 | 基于单摄像头的人脸识别活体检测方法及系统、存储介质 |
CN109492601A (zh) * | 2018-11-21 | 2019-03-19 | 泰康保险集团股份有限公司 | 人脸比对方法及装置、计算机可读介质和电子设备 |
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 |
CN112052706B (zh) * | 2019-06-06 | 2022-07-29 | 鸿富锦精密工业(武汉)有限公司 | 电子装置及人脸识别方法 |
US11669607B2 (en) | 2019-08-29 | 2023-06-06 | PXL Vision AG | ID verification with a mobile device |
CN111091112B (zh) * | 2019-12-30 | 2021-10-15 | 支付宝实验室(新加坡)有限公司 | 活体检测方法及装置 |
CN111222434A (zh) * | 2019-12-30 | 2020-06-02 | 深圳市爱协生科技有限公司 | 基于局部二值模式和深度学习的合成人脸图像取证方法 |
CN112036386A (zh) * | 2020-11-05 | 2020-12-04 | 中科创达软件股份有限公司 | Tee环境下使用相机相近帧进行活体检测的方法及装置 |
CN112364832B (zh) * | 2020-12-02 | 2023-02-03 | 华戎信息产业有限公司 | 一种基于欧拉影像放大的人脸识别方法和系统 |
CN117935810A (zh) * | 2023-10-30 | 2024-04-26 | 天津引辉科技有限公司 | 语音智能识别方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116763A (zh) * | 2013-01-30 | 2013-05-22 | 宁波大学 | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 |
CN104766063A (zh) * | 2015-04-08 | 2015-07-08 | 宁波大学 | 一种活体人脸识别方法 |
CN105184246A (zh) * | 2015-08-28 | 2015-12-23 | 北京旷视科技有限公司 | 活体检测方法和活体检测系统 |
CN105956572A (zh) * | 2016-05-15 | 2016-09-21 | 北京工业大学 | 一种基于卷积神经网络的活体人脸检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6988995B2 (en) * | 2002-09-30 | 2006-01-24 | Carl Zeiss Meditec, Inc. | Method and system for detecting the effects of Alzheimer's disease in the human retina |
-
2017
- 2017-04-28 CN CN201710292967.5A patent/CN107122744B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116763A (zh) * | 2013-01-30 | 2013-05-22 | 宁波大学 | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 |
CN104766063A (zh) * | 2015-04-08 | 2015-07-08 | 宁波大学 | 一种活体人脸识别方法 |
CN105184246A (zh) * | 2015-08-28 | 2015-12-23 | 北京旷视科技有限公司 | 活体检测方法和活体检测系统 |
CN105956572A (zh) * | 2016-05-15 | 2016-09-21 | 北京工业大学 | 一种基于卷积神经网络的活体人脸检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107122744A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122744B (zh) | 一种基于人脸识别的活体检测系统及方法 | |
US11188734B2 (en) | Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices | |
Li et al. | In ictu oculi: Exposing ai generated fake face videos by detecting eye blinking | |
KR102174595B1 (ko) | 비제약형 매체에 있어서 얼굴을 식별하는 시스템 및 방법 | |
KR20190094352A (ko) | 모바일 디바이스를 사용하여 캡처된 화상을 사용하여 지문 기반 사용자 인증을 수행하기 위한 시스템 및 방법 | |
JP2008146539A (ja) | 顔認証装置 | |
CN112232155B (zh) | 非接触指纹识别的方法、装置、终端及存储介质 | |
CN112232163B (zh) | 指纹采集方法及装置、指纹比对方法及装置、设备 | |
CN112016525A (zh) | 非接触式指纹采集方法和装置 | |
CN112380512B (zh) | 卷积神经网络动态手势认证方法、装置、存储介质及设备 | |
CN113298158B (zh) | 数据检测方法、装置、设备及存储介质 | |
CN112232159B (zh) | 指纹识别的方法、装置、终端及存储介质 | |
Zhang et al. | Masked face recognition with mask transfer and self-attention under the COVID-19 pandemic | |
WO2015131571A1 (zh) | 一种实现图片排序的方法及终端 | |
CN112232157B (zh) | 指纹区域检测方法、装置、设备、存储介质 | |
John et al. | Real time blink recognition from various head pose using single eye | |
WO2021047453A1 (zh) | 图像质量确定方法、装置及设备 | |
Ohki et al. | Efficient spoofing attack detection against unknown sample using end-to-end anomaly detection | |
CN112232152B (zh) | 非接触式指纹识别方法、装置、终端和存储介质 | |
Tsai et al. | Intelligent attendance monitoring system with spatio-temporal human action recognition | |
Gupta et al. | Unsupervised biometric anti-spoofing using generative adversarial networks | |
CN111274898A (zh) | 基于深度学习的视频流中群体情绪与凝聚力检测方法及装置 | |
CN116665283B (zh) | 一种课堂面部数据集的构建方法及系统 | |
CN212569821U (zh) | 非接触式指纹采集装置 | |
Dixit et al. | SIFRS: Spoof Invariant Facial Recognition System (A Helping Hand for Visual Impaired People) |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |