CN107392089A - 一种眉毛运动检测方法和装置及活体识别方法和系统 - Google Patents
一种眉毛运动检测方法和装置及活体识别方法和系统 Download PDFInfo
- Publication number
- CN107392089A CN107392089A CN201710406492.8A CN201710406492A CN107392089A CN 107392089 A CN107392089 A CN 107392089A CN 201710406492 A CN201710406492 A CN 201710406492A CN 107392089 A CN107392089 A CN 107392089A
- Authority
- CN
- China
- Prior art keywords
- eyebrow
- face
- video
- measured
- frame
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种眉毛运动检测方法,包括:从待测人脸视频中抽取若干视频帧;获取抽取的每一所述视频帧的眉毛的若干关键点位置;基于抽取的每一所述视频帧的每一眉毛的若干关键点位置获取对应的眉毛曲线;通过计算每一所述眉毛曲线的预设关键点位置处的曲率获取对应的眉毛的特征值;基于每一抽取的所述视频帧的所述眉毛的特征值判断所述待测人脸视频的眉毛运动的情况。相应的,本发明还公开了一种眉毛运动检测装置。本发明公开的眉毛运动检测方法和装置计算简单效率高,对硬件设备要求低。
Description
技术领域
本发明涉及人脸识别领域,尤其涉及一种眉毛运动检测方法和装置、活体识别方法和系统。
背景技术
随着人脸识别技术的发展,越来越多的场景需要用到人脸检测去快速的识别一个人的身份。但是有不法份子会利用图片或者视频代替真人去进行人脸识别,这样整个人脸识别系统的安全性就得不到保证。而人脸活体识别可以检测出当前待测人脸是活体人脸而非照片或者视频中的人脸,从而保证了人脸识别系统的安全性。在进行人脸识别时,可以通过对待测人脸的眉毛运动的检测有助于识别人脸是否为活体。为实现在人体识别时,能实现高效简单地识别人脸是否活体,因而需要一种高效简单的眉毛运动检测技术方案。
发明内容
本发明实施例的目的是提供一种眉毛运动检测方法,计算简单,效率高。
为实现上述目的,本发明实施例提供了一种眉毛运动检测方法,包括步骤:
从待测人脸视频中抽取若干视频帧;
获取从所述待测人脸视频中抽取的每一所述视频帧的眉毛的若干关键点位置;其中,所述眉毛的若干关键点包括左眉毛的若干关键点和右眉毛的若干关键点;
基于抽取的每一所述视频帧中每一眉毛的若干关键点位置获取对应的眉毛曲线;
通过计算每一所述眉毛曲线的预设关键点位置处的曲率获取对应的眉毛的特征值;其中,每一抽取的所述视频帧的所述眉毛的特征值包括左眉毛的特征值和右眉毛的特征值;
基于每一抽取的所述视频帧的所述眉毛的特征值判断所述待测人脸视频的眉毛运动的情况。
进一步的,所述基于每一抽取的所述视频帧的比值判断所述待测人脸视频的眉毛运动的情况包括:
计算所述抽取的每一所述视频帧中所述左眉毛的特征值和所述右眉毛的特征值的平均特征值;
判断每一抽取的所述视频帧的所述平均特征值是否小于预设特征值,若是,则对应的所述视频帧的待测人脸为非抖眉状态,若否,则对应的所述视频帧的待测人脸为抖眉状态;
当抽取若干所述视频帧中同时包括的待测人脸为非抖眉状态的视频帧和待测人脸为抖眉状态的视频帧,则判断所述待测人脸的待测人脸的眉毛有运动。
进一步的,所述获取从所述待测人脸视频中抽取的每一所述视频帧的眉毛的若干关键点位置包括:
对从所述待测人脸视频中抽取的每一所述视频帧用dlib库做人脸检测和人脸关键点位置检测,获取待测人脸的若干关键点位置;
从每一抽取的所述视频帧的所述待测人脸的若干关键点位置中获所述取眉毛的若干关键点位置。
进一步的,所述根据抽取的每一所述视频帧中每一眉毛的若干关键点位置获取对应的眉毛曲线包括:
采用插值方法对抽取的每一所述视频帧中每一眉毛的若干关键点位置进行拟合,从而获取对应的眉毛曲线。
与现有技术相比,本发明实施例公开的一种眉毛运动检测方法通过首先从待测人脸视频中获取若干视频帧,然后根据从抽取的每一视频帧中确定待测人脸的眉毛的若干关键点位置,接着,基于眉毛的若干关键点位置获取每一眉毛曲线,并在每一眉毛的预设关键点位置获取眉毛的曲率作为对应眉毛的特征值;最后,根据抽取的每一视频帧的特征值来判断待测人脸视频的眉毛是否有运动的方案,检测过程计算简单高效,任何普通摄像头或者移动端手机的摄像头均可作为待测人脸视频的输入硬件,对硬件要求简单。
相应的,本发明实施例提供一种眉毛运动检测装置,包括:
视频帧抽取单元,用于从待测人脸视频中抽取若干视频帧;
眉毛关键点位置获取单元,用于获取从所述待测人脸视频中抽取的每一所述视频帧的眉毛的若干关键点位置;其中,所述眉毛的若干关键点包括左眉毛的若干关键点和右眉毛的若干关键点;
眉毛曲线获取单元,用于基于抽取的每一所述视频帧中每一眉毛的若干关键点位置获取对应的眉毛曲线;
特征值获取单元,用于通过计算每一所述眉毛曲线的预设关键点位置处的曲率获取对应的眉毛的特征值;其中,每一抽取的所述视频帧的所述眉毛的特征值包括左眉毛的特征值和右眉毛的特征值;
眉毛运动判断单元,用于基于每一抽取的所述视频帧的所述眉毛的特征值判断所述待测人脸视频的眉毛运动的情况。
与现有技术相比,本发明实施例公开的一种眉毛运动检测装置首先通过视频帧抽取单元从待测人脸视频中获取若干视频帧,然后通过眉毛关键点位置获取单元根据从抽取的每一视频帧中确定待测人脸的眉毛的若干关键点位置,接着,通过眉毛曲线获取单元基于眉毛的若干关键点位置获取每一眉毛曲线,并通过特征值获取单元在每一眉毛的预设关键点位置获取眉毛的曲率作为对应眉毛的特征值;最后,通过眉毛运动判断单元根据抽取的每一视频帧的特征值来判断待测人脸视频的眉毛是否有运动的方案,该装置的计算简单,检测效率高,可以采用任何普通摄像头或者移动端手机的摄像头均可作为待测人脸视频的输入硬件,硬件要求简单。
进一步的,所述眉毛运动判断单元包括:
平均特征值计算模块,用于计算所述抽取的每一所述视频帧中所述左眉毛的特征值和所述右眉毛的特征值的平均特征值;
抖眉状态判断模块,用于判断每一抽取的所述视频帧的所述平均特征值是否小于预设特征值,若是,则对应的所述视频帧的待测人脸为非抖眉状态,若否,则对应的所述视频帧的待测人脸为抖眉状态;
眉毛运动判断模块,用于当抽取若干所述视频帧中同时包括的待测人脸为非抖眉状态的视频帧和待测人脸为抖眉状态的视频帧,则判断所述待测人脸的待测人脸的眉毛有运动。
进一步的,所述眉毛关键点位置获取单元包括:
人脸关键点位置检测模块,用于对从所述待测人脸视频中抽取的每一所述视频帧用dlib库做人脸检测和人脸关键点位置检测,获取待测人脸的若干关键点位置;
眉毛关键点位置获取模块,用于从每一抽取的所述视频帧的所述待测人脸的若干关键点位置中获取所述眉毛的若干关键点位置。
进一步的,所述眉毛曲线获取单元,具体用于采用插值方法对抽取的每一所述视频帧中每一眉毛的若干关键点位置进行拟合,从而获取对应的眉毛曲线。
相应的,本发明实施例还提供一种活体识别方法,包括步骤:
检测待测人脸视频中的待测人脸的眉毛运动的情况和其它至少一个部位运动的情况,其中,采用本发明提供的一种眉毛运动检测方法检测待测人脸视频中的待测人脸的眉毛运动的情况;
基于部位运动的情况获取所述待测人脸的每一部位运动对应的运动分值;
计算每一所述部位运动对应的运动分值加权后的总和,并将计算得到的所述总和作为活体识别分值;其中,每一所述部位运动已预设相应的权值;
判断所述活体识别分值不小于预设阈值的所述待测人脸为活体。
与现有技术相比,本发明实施例公开的一种活体识别方法,采用本发明公开的眉毛运动检测方法检测待测人脸视频的待测人脸的眉毛运动的情况,以及通过检测待测人脸的其他部位的运动情况,获取对应的部位运动的运动分值,对部位运动分值进行加权后求和作为活体识别分值,利用活体识别分值作为所述待测人脸是否为活体的判断标准的技术方案;其中,眉毛运动检测方法计算过程简单高效,设备硬件要求简单;采用检测眉毛运动和其他至少一个部位运动解决了现有技术中算法单一,安全性不高的问题,可扩展性强,且基于人脸部位运动的检测可以通过二维图像实现,对硬件要求不高;另外,采用对不同部位运动加权再进行分数融合,活体识别准确度高,本活体识别方法准确率高、硬件要求低和安全性高。
相应的,本发明实施例还提供一种活体识别系统,包括:
至少2个人脸部位运动检测装置,每一所述人脸部位运动检测装置用于检测待测人脸对应的部位运动的情况,其中一人脸部位运动检测装置为本发明提供的一种眉毛运动检测装置;
部位运动分值获取装置,用于基于每一所述部位运动的情况获取所述待测人脸的每一部位运动对应的运动分值;
活体识别分值计算装置,用于计算每一所述部位运动对应的运动分值加权后的总和,并将计算得到的所述总和作为活体识别分值;其中,所述活体识别分值计算装置已预设与每一所述部位运动相对应的权值;
活体判断装置,用于判定所述活体识别分值不小于预设阈值的所述待测人脸为活体。
与现有技术相比,本发明实施例公开的一种活体识别系统通过至少2个人脸部位运动检测装置获取所述待测人脸上的至少两个部位的运动分值,其中,一人脸部位运动检测装置采用本发明的眉毛运动检测装置;通过活体识别分值计算装置对部位运动分值进行加权后求和作为活体识别分值,通过活体判断装置利用活体识别分值作为所述待测人脸是否为活体的判断标准的技术方案;眉毛运动检测装置计算简单高效,设备硬件要求简单;采用检测至少2个部位运动装置检测至少两种部位的运动情况解决了现有技术中算法单一,安全性不高的问题,可扩展性强,且基于人脸部位运动的检测可以通过二维图像实现,对硬件要求不高,另外,通过活体识别分值计算装置对不同部位运动加权再进行分数融合,活体识别准确度高,获得了活体识别准确率高、硬件要求低和安全性高的有益效果。
附图说明
图1是本发明实施例1提供的一种眉毛运动检测方法的流程示意图;
图2是本发明实施例1提供的一种眉毛运动检测方法的步骤S15的流程示意图;
图3是本发明实施例1提供的一种眉毛运动检测方法的步骤S12的流程示意图;
图4是待测人脸的68个关键点的模型示意图;
图5是本发明实施例2提供的一种眉毛运动检测装置的结构示意图;
图6是本发明实施例3提供的一种活体识别方法的流程示意图;
图7是本发明实施例3提供的一种活体识别方法的步骤S24流程示意图;
图8是本发明实施例4提供的一种活体识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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1提供的一种眉毛运动检测方法,参见图1,图1是本实施例的流程示意图,包括步骤:
S11、从待测人脸视频中抽取若干视频帧;
S12、获取从待测人脸视频中抽取的每一视频帧的眉毛的若干关键点位置;其中,眉毛的若干关键点包括左眉毛的若干关键点和右眉毛的若干关键点;
S13、基于抽取的每一视频帧中每一眉毛的若干关键点位置获取对应的眉毛曲线;
S14、通过计算每一眉毛曲线的预设关键点位置处的曲率获取对应的眉毛的特征值;其中,每一抽取的视频帧的所述眉毛的特征值包括左眉毛的特征值和右眉毛的特征值;
S15、基于每一抽取的视频帧的眉毛的特征值判断待测人脸视频的眉毛运动的情况。
通常,眉毛作为人脸的一个部位,可以受到人脸控制而发生变化,眉毛的形状会发生变化,眉毛曲线的曲率随之发生变化;通常,人脸的眉毛在正常状态下,眉毛曲线较平滑,眉毛曲线的曲率较小,当人脸抖动眉毛时,眉毛曲线的曲率会随着眉毛的形状变化曲率变大,基于该现象,本实施例定义当待测人脸的眉毛的曲率超过预设标准的眉毛状态为抖眉状态。本发明提供的其它实施例均可参照上述对抖眉的定义标准的说明,不再赘述。
所以优选,本实施例通过判断每一抽取的视频帧中待测人脸的眉毛曲率,获取每一眉毛的预设位置点的曲率作为该眉毛的特征值,根据特征值来判断对应视频帧的人脸的眉毛的状态,若待测人脸视频帧中包括了非抖眉状态的视频帧和抖眉状态的视频帧,则可以说明待测人脸的眉毛有运动,参见图2,图2是本实施例步骤S15的流程示意图,步骤S15对应包括的步骤具体如下:
S151、计算抽取的每一视频帧中左眉毛的特征值和右眉毛的特征值的平均特征值;
S152、判断每一抽取的视频帧的平均特征值是否小于预设特征值,若是,则对应的视频帧的待测人脸为非抖眉状态,若否,则对应的视频帧的待测人脸为抖眉状态;其中,预设特征值根据实际准确度要求进行设定。
S153、当抽取若干视频帧中同时包括的待测人脸为非抖眉状态的视频帧和待测人脸为抖眉状态的视频帧,则判定待测人脸的待测人脸的眉毛有运动。
参见图3,图3是本实施例步骤S12的流程示意图,步骤S12具体包括:
S121、对从待测人脸视频中抽取的每一视频帧用dlib库做人脸检测和人脸关键点位置检测,获取待测人脸的若干关键点位置。
dlib库指的是一个使用C++技术编写的跨平台的通用库。
参见图4,图4是采用dlib库做人脸检测和人脸关键点检测获取的待测人脸的68点模型图;步骤S121中获取的若干人脸关键点位置即为图4中关键点1~关键点68所示的关键点位置。
S122、从每一抽取的视频帧的待测人脸的若干关键点位置中获取眉毛的若干关键点位置。
图4中,步骤S122获取的眉毛的若干关键点位置为关键点18~关键点27这10个关键点所示的位置,具体的,左眉毛的若干关键点位置为关键点18~关键点22这5个关键点所示的位置,右眉毛的若干关键点位置为关键点23~关键点27这5个关键点所示的位置。
步骤S13中获取眉毛曲线的方法具体包括:采用插值方法对抽取的每一视频帧中每一眉毛的若干关键点位置进行拟合,从而获取对应的眉毛曲线。对于插值方法本实施优选采用自然样条的插值方法对表示每一眉毛的五个关键点位置进行拟合,以从而获取对应的眉毛曲线。
由于步骤S13中采用了插值方法进行曲线拟合,则获取的眉毛曲线会经过对应的五个关键点位置;对应的,为了更好的体现眉毛特征,参见图4,本实施例步骤S14中用于获取眉毛曲率的预设关键点位置优选为:关键点20所示的关键点位置为左眉毛获取眉毛曲率的预设关键点位置;关键点25所示的关键点位置为右眉毛获取眉毛曲率的预设关键点位置。左眉毛曲线获取的眉毛曲率为左眉毛的特征值,右眉毛曲线获取的眉毛曲率为右眉毛的特征值。
在本实施例中,步骤S15优选采用步骤S151和步骤S152计算左眉毛的特征值和右眉毛的特征值的平均特征值来判断每一视频帧判断待测人脸是否为抖眉状态的实施方式;除此之外,基于本实施例的原理基础上,步骤S15中还可以采用对每一视频帧分别判断左眉毛的特征值和右眉毛的特征值:若左眉毛的特征值和右眉毛的特征值满足均大于预设特征值,则对应的视频帧的待测人脸为抖眉状态,否则为对应的视频帧的待测人脸为非抖眉状态;或,若左眉毛的特征值或右眉毛的特征值大于预设特征值,则对应的视频帧的待测人脸为抖眉状态,否则为对应的视频帧的待测人脸为非抖眉状态。替换上述实施方式也在保护范围之内。
具体实施时,本实施例首先从待测人脸视频中获取若干视频帧,然后根据从抽取的每一视频帧中确定待测人脸的眉毛的若干关键点位置,包括左眉毛的关键点位置和右眉毛的关键点位置;接着,采用自然样条对每一眉毛的五个关键点进行拟合,从而获取每一眉毛曲线,并在每一眉毛的预设关键点位置获取眉毛的曲率作为对应眉毛的特征值;最后,计算抽取的每一视频帧左眉毛的特征值和右眉毛的特征值的平均特征值;判断平均特征值是否小于预设特征值,若是,对应的视频帧的待测人脸为非抖眉状态,若否,对应的视频帧的待测人脸为抖眉状态;若抽取的若干视频帧中同时包括待测人脸为抖眉状态的视频帧和待测人脸为非抖眉状态的视频帧,则判定待测人脸视频的眉毛有运动。
与现有技术相比,本实施例的眉毛运动检测方法获取抽取的视频帧的眉毛关键点位置来获取眉毛曲线,并根据眉毛曲率来判断对应的待测人脸的状态,进而判断待测人脸视频的眉毛是否有运动;检测过程计算简单高效,任何普通摄像头或者移动端手机的摄像头均可作为待测人脸视频的输入硬件,对硬件要求简单。
本发明实施例2提供的一种眉毛运动检测装置,参见图5,图5是本实施例的结构示意图,包括:
视频帧抽取单元11,用于从待测人脸视频中抽取若干视频帧;
眉毛关键点位置获取单元12,用于获取从待测人脸视频中抽取的每一视频帧的眉毛的若干关键点位置;其中,眉毛的若干关键点包括左眉毛的若干关键点和右眉毛的若干关键点;
眉毛曲线获取单元13,用于基于抽取的每一视频帧中每一眉毛的若干关键点位置获取对应的眉毛曲线;
特征值获取单元14,用于通过计算每一眉毛曲线的预设关键点位置处的曲率获取对应的眉毛的特征值;其中,每一抽取的视频帧的眉毛的特征值包括左眉毛的特征值和右眉毛的特征值;
眉毛运动判断单元15,用于基于每一抽取的视频帧的眉毛的特征值判断待测人脸视频的眉毛运动的情况。
眉毛运动判断单元15包括:
平均特征值计算模块151,用于计算抽取的每一视频帧中左眉毛的特征值和右眉毛的特征值的平均特征值;
抖眉状态判断模块152,用于判断每一抽取的视频帧的平均特征值是否小于预设特征值,若是,则对应的视频帧的待测人脸为非抖眉状态,若否,则对应的视频帧的待测人脸为抖眉状态;
眉毛运动判断模块153,用于当抽取若干视频帧中同时包括的待测人脸为非抖眉状态的视频帧和待测人脸为抖眉状态的视频帧,则判定待测人脸的待测人脸的眉毛有运动。
其中,抖眉状态判断模块152中用于判断待测人脸的状态的预设特征值通常根据实际准确度要求进行设定。
眉毛关键点位置获取单元12包括:
人脸关键点位置检测模块121,用于对从待测人脸视频中抽取的每一视频帧用dlib库做人脸检测和人脸关键点位置检测,获取待测人脸的若干关键点位置;
dlib库指的是一个使用C++技术编写的跨平台的通用库。
参见图4,图4是采用dlib库做人脸检测和人脸关键点检测获取的待测人脸的68点模型图;通过人脸关键点位置检测模块121获取的若干人脸关键点位置即为图4中关键点1~关键点68所示的关键点位置。
眉毛关键点位置获取模块122,用于从每一抽取的视频帧的待测人脸的若干关键点位置中获取眉毛的若干关键点位置。
图4中,通过眉毛关键点位置获取模块122获取的眉毛的若干关键点位置为关键点18~关键点27这10个关键点所示的位置,具体的,左眉毛的若干关键点位置为关键点18~关键点22这5个关键点所示的位置,右眉毛的若干关键点位置为关键点23~关键点27这5个关键点所示的位置。
眉毛曲线获取单元13,具体用于采用插值方法对抽取的每一视频帧中每一眉毛的若干关键点位置进行拟合,从而获取对应的眉毛曲线。对于插值方法本实施优选通过眉毛曲线获取单元13采用自然样条的插值方法对表示每一眉毛的五个关键点位置进行拟合,以从而获取对应的眉毛曲线。
通过眉毛曲线获取单元13获取的眉毛曲线经过对应的眉毛的五个关键点位置;对应的,为了更好的体现眉毛特征,参见图4,本实施例眉毛曲线获取单元13用于获取眉毛曲率的预设关键点位置优选为:关键点20所示的关键点位置为左眉毛获取眉毛曲率的预设关键点位置;关键点25所示的关键点位置为右眉毛获取眉毛曲率的预设关键点位置。左眉毛曲线获取的眉毛曲率为左眉毛的特征值,右眉毛曲线获取的眉毛曲率为右眉毛的特征值。
在本实施例中,眉毛运动判断单元15具体用于通过计算左眉毛的特征值和右眉毛的特征值的平均特征值来判断每一视频帧判断待测人脸是否为抖眉状态的实施方式;除此之外,基于本实施例的原理基础上,眉毛运动判断单元15还可以具体通过对每一视频帧分别判断左眉毛的特征值和右眉毛的特征值:若左眉毛的特征值和右眉毛的特征值满足均大于预设特征值,则对应的视频帧的待测人脸为抖眉状态,否则为对应的视频帧的待测人脸为非抖眉状态;或,若左眉毛的特征值或右眉毛的特征值大于预设特征值,则对应的视频帧的待测人脸为抖眉状态,否则为对应的视频帧的待测人脸为非抖眉状态。替换上述实施方式也在保护范围之内。
具体实施时,本实施例首先通过视频帧抽取单元11从待测人脸视频中获取若干视频帧,然后通过眉毛关键点位置获取单元12根据从抽取的每一视频帧中确定待测人脸的眉毛的若干关键点位置,包括左眉毛的关键点位置和右眉毛的关键点位置;接着,通过眉毛曲线获取单元13采用自然样条对每一眉毛的五个关键点进行拟合,从而获取每一眉毛曲线,并通过特征值获取单元14在每一眉毛的预设关键点位置获取眉毛的曲率作为对应眉毛的特征值;最后,通过眉毛运动判断单元15计算抽取的每一视频帧左眉毛的特征值和右眉毛的特征值的平均特征值;判断平均特征值是否小于预设特征值,若是,对应的视频帧的待测人脸为非抖眉状态,若否,对应的视频帧的待测人脸为抖眉状态;若抽取的若干视频帧中同时包括待测人脸为抖眉状态的视频帧和待测人脸为非抖眉状态的视频帧,则判定待测人脸视频的眉毛有运动。
与现有技术相比,本实施例的眉毛运动检测装置获取抽取的视频帧的眉毛关键点位置来获取眉毛曲线,并根据眉毛曲率来判断对应的待测人脸的状态,进而判断待测人脸视频的眉毛是否有运动;该装置检测过程计算简单高效,可以采用任何普通摄像头或者移动端手机的摄像头均可作为待测人脸视频的输入硬件,该装置硬件要求简单。
本发明实施例3提供的一种活体识别方法,参见图6,图6是本实施例的流程示意图,其中,本实施例具体包括步骤:
S21、检测待测人脸视频中的待测人脸的眉毛运动的情况和其它至少一个部位运动的情况,其中,采用本发明实施例1提供的一种眉毛运动检测方法检测待测人脸视频中的待测人脸的眉毛运动的情况;检测眉毛运动的具体过程可以参见本发明一种眉毛运动检测方法提供的实施例,此处不做赘述;
S22、基于部位运动的情况获取待测人脸的每一部位运动对应的运动分值;
S23、计算每一部位运动对应的运动分值加权后的总和,并将计算得到的总和作为活体识别分值;其中,每一部位运动已预设相应的权值;
S24、判定活体识别分值不小于预设阈值的待测人脸为活体。
示例,本实施例步骤S21中的检测待测人脸的其它至少一个部位运动为嘴部运动、眼部运动、头部运动、面部运动和额头运动中的至少一种;通常来说,嘴部运动包括嘴部是否张闭动作,或,嘴部运动包括微笑动作,即嘴角的移动程度超过预设标准;眼部运动包括眼睛是否有睁闭动作;头部运动包括头部是否转动;额头运动包括额头是否有皱纹变化;面部运动包括人脸部位的整体变化,如鬼脸动作,人脸的眼部和嘴部的整体变化程度超过预设条件;通常来说,人脸的嘴部运动、眼部运动和头部运动运动程度明显,有利于进行检测,可以优选选择检测嘴部运动、眼部运动和头部运动中的至少一种。
示例,步骤S21中检测待测人脸的其它至少一个部位运动具体包括:检测待测人脸的人脸视频每隔预设帧数所抽取的每一视频帧检测部位运动对应的部位关键点位置,通过抽取的每一视频帧的部位关键点位置的变化程度来确定部位运动的情况;或者,检测待测人脸每隔预设帧数所抽取的每一视频帧检测部位运动对应的部位灰度值特征,通过抽取的每一视频帧的部位的灰度值的变化程度来确定部位运动的情况。上述实施方法仅为检测其它至少一个部位运动的示例;基于本实施例的活体识别方法的原理基础上,通过其它具体的实施方式实现对另外至少一部位运动的运动检测,也在本实施例的保护范围之内。
本实施例的步骤S23中设定每一部位运动相对应的权值的优选实施方式为根据每一部位运动的明显度设定。示例,当步骤S21检测待测人脸视频中的待测人脸的部位运动为眉毛运动、眼部运动和嘴部运动;嘴部运动比较明显,故权重最大,眼部次之,眉毛运动最小,那么,对应设置部位运动的权重策略为:嘴部运动>眼部运动>眉毛运动;
或,步骤S23中设定每一部位运动相对应的权值的另一优选实施方式为根据不同应用场景自动进行部位运动的权值调整而设定的,具体做法:在某一种场景下,收集待测人脸的各种部位运动的正常输入视频作为正样本,攻击视频作为负样本,取(正样本通过数+负样本拒绝数)/(正样本总数+负样本总数)作为该部位运动的准确率,然后把每一部位运动的准确率按照从大到小的顺序进行排序,每一部位运动的权重也按照此顺序从大到小,重新调整每一部位运动的权重。重新调整后的权重用以计算活体识别分值,该识别结果可以自适应不同场景下的部位运动检测的准确率,增加本实施例的活体识别结果的准确率。
上述两种设定每一部位运动相对应的权值的任一种优选实施方式均在本实施例的保护范围内。
具体地,参见图7,图7是步骤S24的流程示意图,包括步骤:
S241、通过活体识别分值占活体识别总分的比值计算待测人脸的活体识别置信度;
S242、当活体识别置信度不小于预设值时,确定活体识别分值不小于预设阈值;
S243、判定活体识别分值不小于预设阈值的待测人脸为活体。
具体地,在步骤S241中,活体识别总分即为本实施例对待测人脸进行识别后能获得的最大值,待测人脸的活体识别置信度通过下述公式计算:
f=(s/s_max)*100%
其中,s_max表示活体识别总分,f表示活体识别置信度,且0<f<1;
用e表示预设值,当f≥e,即活体识别置信度不小于预设值时,则确定活体识别分值不小于预设阈值,判定活体识别分值不小于预设阈值的待测人脸为活体;当f<e,即活体识别置信度小于预设值时,则确定活体识别分值小于预设阈值,判定活体识别分值小于预设阈值的待测人脸为非活体。
利用活体识别分值所获得的活体识别置信度,还可以进一步扩展,用于本实施例建立分级制度进行活体判断和活体分级,以获得丰富的活体识别结果。
步骤S22基于部位运动的情况获取待测人脸的每一部位运动对应的运动分值包括:
基于眉毛运动的运动情况获取对应的运动分值:当步骤S21中的检测待测人脸的眉毛有运动,则获取的眉毛运动的运动分值为1分;否则获取的眉毛运动的运动分值为0分。
类似的,基于其它至少一个部位运动的运动情况获取对应的运动分值:当步骤S21中的检测待测人脸的对应运动情况为待测人脸的对应部位有运动,则获取的对应部位运动的运动分值为1分;否则获取的运动分值为0分。
除了通过有无运动的判断获取对应的运动分值,若在步骤S21中所获取的部位运动的运动情况为部位运动的运动程度,还可以根据其运动程度在分值区间中获取对应的运动分值,如设定分数分为10级,取值在0到1之间。
具体实施时,先从待测人脸视频中抽取若干视频帧,并对所抽取的每一视频帧检测部位运动从而获得对应的部位的运动情况,其中,包括检测待测人脸的眉毛运动:先获取待测人脸的68点关键点,然后从中获取眉毛的关键点位置,并根据眉毛的关键点位置获取眉毛曲线,计算眉毛曲线的预设位置点处的曲率从而获取眉毛的特征值,基于每一视频帧的眉毛的特征值来判断待测人脸视频的待测人脸的眉毛是否有运动。根据每一部位运动的情况获取对应的运动分值,具体为该部位运动有运动,则获取的运动分值为1分,否则获取的运动分值为0分;接着计算上述得到每一部位运动分值进行加权后的总和,该总和表示活体识别分值;最后用该活体识别分值占活体识别总分的比值计算活体识别置信度,其中,当活体识别置信度不小于预设值时,确定活体识别分值不小于预设阈值,从而判定待测人脸为活体;否则,判定待测人脸为非活体。
本实施例可运用于多种设备端,此处以运用于移动手机端的实施场景为例进行说明:在手机端活体识别时,随机出现一种活体动作要求顺序,例如为要求待测人脸分别进行张嘴、眨眼和抖眉的活体动作;此时若预设的部位运动的权重为:张嘴对应的嘴部运动的权重w1=3,眨眼对应的眼部运动的权重w2=2,抖眉对应的眉毛运动的权重w3=1;计算活体识别总分,即活体识别最高分s_max为3*1+2*1+1*1=6分。假设检测出张嘴得分为1分,眨眼得分为1分,抖眉得分为0分,活体识别分值s为每一部位运动加权后的总和,代入上述部位运动的运动分值,计算活体识别分值s=3*1+2*1+1*0=5分;最后,计算活体识别置信度f=s/s_max=5/6=83.33%。若设定此时设定值e为80%,则判定该待测人脸为活体,且活体置信度为83.33%。
本实施例解决了现有技术中算法单一,安全性不高的问题,可扩展性强;对于待测人脸的眉毛运动检测方法计算简单高效,对设备的硬件要求不高;另外,在本实施例中采用对多个部位运动的检测来进行活体识别,并对不同部位运动加权再进行分数融合,活体识别准确度高,且有利于提高安全性。
本发明实施例4提供的一种活体识别系统,参见图8,图8为本实施例的结构示意图,本实施例包括:
至少2个人脸部位运动检测装置1,每一人脸部位运动检测装置1用于检测待测人脸对应的部位运动的情况;图8中的人脸部位运动检测装置1a和人脸部位运动检测装置1b表示检测两不同部位运动的两人脸部位运动检测装置1;其中一人脸部位运动检测装置1为本发明实施例2提供的一种眉毛运动检测装置,可参见图5,此处不做赘述。
需要说明的是,图8仅以包括2个人脸部位运动检测装置1为示例,本实施例还可以包括2个以上的人脸部位运动检测装置1。
部位运动分值获取装置2,用于基于每一部位运动的情况获取待测人脸的每一部位运动对应的运动分值;
活体识别分值计算装置3,用于计算每一部位运动对应的运动分值加权后的总和,并将计算得到的总和作为活体识别分值;其中,活体识别分值计算装置3已预设与每一部位运动相对应的权值;
活体判断装置4,用于判定活体识别分值不小于预设阈值的待测人脸为活体。
示例,除眉毛运动检测装置1外的至少一部位运动检测单元1对应检测的至少一部位运动包括嘴部运动、眼部运动、头部运动、额头运动和面部运动中的至少一部位运动;嘴部运动包括嘴部是否张闭,或,嘴部运动包括人脸是否有微笑动作,即嘴角的移动程度超过预设标准;眼部运动包括眼睛是否有睁闭动作;头部运动包括头部是否转动;额头运动包括额头是否有皱纹变化;面部运动包括人脸部位的整体变化,如鬼脸动作,人脸的眼部和嘴部的整体变化程度超过预设条件;通常来说,人脸的嘴部运动、眼部运动和头部运动的程度明显,有利于进行检测,可以优选选择检测嘴部运动、眼部运动和头部运动中的至少一种。
示例,另外至少一人脸部位运动检测装置1具体用于检测待测人脸的人脸视频每隔预设帧数所抽取的每一视频帧检测部位运动对应的部位关键点位置,通过抽取的每一视频帧的部位关键点位置的变化程度来确定部位运动的情况;或者,人脸部位运动检测装置1还可以具体用于检测待测人脸每隔预设帧数所抽取的每一视频帧检测部位运动对应的部位灰度值特征,通过抽取的每一视频帧的部位的灰度值的变化程度来确定部位运动的情况,该实施方式通常适用于人脸部位运动检测装置1检测的部位运动为眼部运动或额头运动。上述实施方法仅为另外至少一人脸部位运动检测装置1检测部位运动的示例,当人脸部位运动检测装置1通过其他实施方式实现对另外至少一部位运动的运动检测,也在本实施例的保护范围之内。
部位运动分值获取装置2具体用于基于眉毛运动的运动情况获取对应的运动分值:待测人脸的运动情况为眉毛有运动,则获取的眉毛运动的运动分值为1分;否则获取的眉毛运动的运动分值为0分。部位运动分值获取装置2具体还用于基于其它至少一个部位运动的运动情况获取对应的运动分值:当待测人脸的对应的部位运动情况为有运动,则获取的对应部位运动的运动分值为1分;否则获取的运动分值为0分。
除上述部位运动分值获取装置2用于基于每一部位运动的是否有运动的情况而直接获得一个是否有运动的运动分值的实施方式,当通过人脸部位运动检测装置1中获取的部位运动的运动情况包括部位运动的运动程度,还可以通过部位运动分值获取装置2基于运动程度而获取一个在0到1之间的运动分值,如设定运动分值分为10级,取值在0到1之间,该替代实施方式不仅能表示是否有运动,还能体现运动的程度。
活体识别分值计算装置3中与每一部位运动相对应的权值为根据每一部位运动的明显度设定;如检测的部位运动为眉毛运动、眼部运动和嘴部运动时,此时,嘴部运动比较明显,故权重最大,眼部运动次之,眉毛运动权重最小,部位运动的权重策略对应为:嘴部运动>眼部运动>眉毛运动。
或,活体识别分值计算装置3中与每一部位运动相对应的权值为根据不同应用场景自动进行部位运动的权值调整而设定的,具体做法:在某一种场景下,收集待测人脸的各种部位运动的正常输入视频作为正样本,攻击视频作为负样本,取(正样本通过数+负样本拒绝数)/(正样本总数+负样本总数)作为该部位运动的准确率,然后把每一部位运动的准确率按照从大到小的顺序进行排序,每一部位运动的权重也按照此顺序从大到小,重新调整每一部位运动的权重。
上述两种设定每一部位运动相对应的权值的任一种优选实施方式均在本实施例的保护范围内。
活体判断装置4包括:
活体识别置信度计算单元41,用于通过活体识别分值占活体识别总分的比值计算待测人脸的活体识别置信度;
其中,活体识别总分即为通过活体识别分值计算装置3所能够获取的所有部位运动对应的运动分值加权后的总和的最大值,活体识别总分用s_max表示;f表示活体识别置信度,且0<f<1;活体识别置信度计算单元41通过下述公式计算待测人脸的活体识别置信度:
f=(s/s_max)*100%
活体判断单元42,用于当活体识别置信度不小于预设值时,确定活体识别分值不小于预设阈值,判定活体识别分值不小于预设阈值的待测人脸为活体。
其中,用e表示预设值,通过活体判断单元42判断:当f≥e,即活体识别置信度不小于预设值时,则确定活体识别分值不小于预设阈值,判定活体识别分值不小于预设阈值的待测人脸为活体;当f<e,即活体识别置信度小于预设值时,则确定活体识别分值小于预设阈值,判定活体识别分值小于预设阈值的待测人脸为非活体。
通过活体识别置信度计算单元41所获得的活体识别置信度,还可以进一步扩展,用于本实施例活体识别系统建立分级制度进行活体判断和活体分级,以获得丰富的活体识别结果。
具体实施时,首先,通过每一人脸部位运动检测装置1获取对应的部位运动的运动情况,其中,一人脸部位运动检测装置1为本发明一种眉毛运动检测装置的实施例;并通过部位运动分值获取装置2基于部位运动的运动情况获取对应的运动分值;然后,通过活体识别分值计算装置3对获取的每一部位运动的运动分值进行加权后求和作为活体识别分值,最后,通过活体判断装置4的活体识别置信度计算单元41利用活体识别分值占活体识别总分的比值计算待测人脸的活体识别置信度,并通过活体判断单元42判定当计算所得的活体识别置信度不小于预设阈值的待测人脸为活体。
本实施例采用检测至少2个人脸部位运动检测装置解决了现有技术中算法单一,安全性不高的问题,可扩展性强,且采用的眉毛运动检测装置对硬件要求不高;另外,通过活体识别分值计算装置对不同部位运动加权再进行分数融合,活体识别准确度高,获得了活体识别准确率高、硬件要求低和安全性高的有益效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种眉毛运动检测方法,其特征在于,所述眉毛运动检测方法包括步骤:
从待测人脸视频中抽取若干视频帧;
获取从所述待测人脸视频中抽取的每一所述视频帧的眉毛的若干关键点位置;其中,所述眉毛的若干关键点包括左眉毛的若干关键点和右眉毛的若干关键点;
基于抽取的每一所述视频帧中每一眉毛的若干关键点位置获取对应的眉毛曲线;
通过计算每一所述眉毛曲线的预设关键点位置处的曲率获取对应的眉毛的特征值;其中,每一抽取的所述视频帧的所述眉毛的特征值包括左眉毛的特征值和右眉毛的特征值;
基于每一抽取的所述视频帧的所述眉毛的特征值判断所述待测人脸视频的眉毛运动的情况。
2.如权利要求1所述的一种眉毛运动检测方法,其特征在于,所述基于每一抽取的所述视频帧的比值判断所述待测人脸视频的眉毛运动的情况包括:
计算所述抽取的每一所述视频帧中所述左眉毛的特征值和所述右眉毛的特征值的平均特征值;
判断每一抽取的所述视频帧的所述平均特征值是否小于预设特征值,若是,则对应的所述视频帧的待测人脸为非抖眉状态,若否,则对应的所述视频帧的待测人脸为抖眉状态;
当抽取若干所述视频帧中同时包括的待测人脸为非抖眉状态的视频帧和待测人脸为抖眉状态的视频帧,则判断所述待测人脸的待测人脸的眉毛有运动。
3.如权利要求2所述的一种眉毛运动检测方法,其特征在于,所述获取从所述待测人脸视频中抽取的每一所述视频帧的眉毛的若干关键点位置包括:
对从所述待测人脸视频中抽取的每一所述视频帧用dlib库做人脸检测和人脸关键点位置检测,获取待测人脸的若干关键点位置;
从每一抽取的所述视频帧的所述待测人脸的若干关键点位置中获所述取眉毛的若干关键点位置。
4.如权利要求2所述的一种眉毛运动检测方法,其特征在于,所述根据抽取的每一所述视频帧中每一眉毛的若干关键点位置获取对应的眉毛曲线包括:
采用插值方法对抽取的每一所述视频帧中每一眉毛的若干关键点位置进行拟合,从而获取对应的眉毛曲线。
5.一种眉毛运动检测装置,其特征在于,包括:
视频帧抽取单元,用于从待测人脸视频中抽取若干视频帧;
眉毛关键点位置获取单元,用于获取从所述待测人脸视频中抽取的每一所述视频帧的眉毛的若干关键点位置;其中,所述眉毛的若干关键点包括左眉毛的若干关键点和右眉毛的若干关键点;
眉毛曲线获取单元,用于基于抽取的每一所述视频帧中每一眉毛的若干关键点位置获取对应的眉毛曲线;
特征值获取单元,用于通过计算每一所述眉毛曲线的预设关键点位置处的曲率获取对应的眉毛的特征值;其中,每一抽取的所述视频帧的所述眉毛的特征值包括左眉毛的特征值和右眉毛的特征值;
眉毛运动判断单元,用于基于每一抽取的所述视频帧的所述眉毛的特征值判断所述待测人脸视频的眉毛运动的情况。
6.如权利要求5所述的一种眉毛运动检测装置,其特征在于,所述眉毛运动判断单元包括:
平均特征值计算模块,用于计算所述抽取的每一所述视频帧中所述左眉毛的特征值和所述右眉毛的特征值的平均特征值;
抖眉状态判断模块,用于判断每一抽取的所述视频帧的所述平均特征值是否小于预设特征值,若是,则对应的所述视频帧的待测人脸为非抖眉状态,若否,则对应的所述视频帧的待测人脸为抖眉状态;
眉毛运动判断模块,用于当抽取若干所述视频帧中同时包括的待测人脸为非抖眉状态的视频帧和待测人脸为抖眉状态的视频帧,则判断所述待测人脸的待测人脸的眉毛有运动。
7.如权利要求6所述的一种眉毛运动检测装置,其特征在于,所述眉毛关键点位置获取单元包括:
人脸关键点位置检测模块,用于对从所述待测人脸视频中抽取的每一所述视频帧用dlib库做人脸检测和人脸关键点位置检测,获取待测人脸的若干关键点位置;
眉毛关键点位置获取模块,用于从每一抽取的所述视频帧的所述待测人脸的若干关键点位置中获取所述眉毛的若干关键点位置。
8.如权利要求6所述的一种眉毛运动检测装置,其特征在于,所述眉毛曲线获取单元,具体用于采用插值方法对抽取的每一所述视频帧中每一眉毛的若干关键点位置进行拟合,从而获取对应的眉毛曲线。
9.一种活体识别方法,其特征在于,所述活体识别方法包括步骤:
检测待测人脸视频中的待测人脸的眉毛运动的情况和其它至少一个部位运动的情况,其中,采用如权利要求1~4任一项所述的眉毛运动检测方法检测待测人脸视频中的待测人脸的眉毛运动的情况;
基于部位运动的情况获取所述待测人脸的每一部位运动对应的运动分值;
计算每一所述部位运动对应的运动分值加权后的总和,并将计算得到的所述总和作为活体识别分值;其中,每一所述部位运动已预设相应的权值;
判断所述活体识别分值不小于预设阈值的所述待测人脸为活体。
10.一种活体识别系统,其特征在于,所述活体识别系统包括:
至少2个人脸部位运动检测装置,每一所述人脸部位运动检测装置用于检测待测人脸对应的部位运动的情况,其中一人脸部位运动检测装置为如权利要求5~8任一项所述的一种眉毛运动检测装置;
部位运动分值获取装置,用于基于每一所述部位运动的情况获取所述待测人脸的每一部位运动对应的运动分值;
活体识别分值计算装置,用于计算每一所述部位运动对应的运动分值加权后的总和,并将计算得到的所述总和作为活体识别分值;其中,所述活体识别分值计算装置已预设与每一所述部位运动相对应的权值;
活体判断装置,用于判断所述活体识别分值不小于预设阈值的所述待测人脸为活体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710406492.8A CN107392089A (zh) | 2017-06-02 | 2017-06-02 | 一种眉毛运动检测方法和装置及活体识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710406492.8A CN107392089A (zh) | 2017-06-02 | 2017-06-02 | 一种眉毛运动检测方法和装置及活体识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392089A true CN107392089A (zh) | 2017-11-24 |
Family
ID=60333020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710406492.8A Pending CN107392089A (zh) | 2017-06-02 | 2017-06-02 | 一种眉毛运动检测方法和装置及活体识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392089A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921138A (zh) * | 2018-08-03 | 2018-11-30 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN109697416A (zh) * | 2018-12-14 | 2019-04-30 | 腾讯科技(深圳)有限公司 | 一种视频数据处理方法和相关装置 |
CN109784302A (zh) * | 2019-01-28 | 2019-05-21 | 深圳风豹互联网科技有限公司 | 一种人脸活体检测方法及人脸识别设备 |
CN110298326A (zh) * | 2019-07-03 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 一种图像处理方法及装置、存储介质与终端 |
CN110363787A (zh) * | 2018-03-26 | 2019-10-22 | 北京市商汤科技开发有限公司 | 信息获取方法和系统、电子设备、程序和介质 |
CN112257512A (zh) * | 2020-09-25 | 2021-01-22 | 福建天泉教育科技有限公司 | 间接型眼部状态检测方法及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440479A (zh) * | 2013-08-29 | 2013-12-11 | 湖北微模式科技发展有限公司 | 一种活体人脸检测方法与系统 |
CN104036254A (zh) * | 2014-06-20 | 2014-09-10 | 成都凯智科技有限公司 | 一种人脸识别方法 |
CN104951743A (zh) * | 2015-03-04 | 2015-09-30 | 苏州大学 | 基于主动形状模型算法分析人脸表情的方法 |
-
2017
- 2017-06-02 CN CN201710406492.8A patent/CN107392089A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440479A (zh) * | 2013-08-29 | 2013-12-11 | 湖北微模式科技发展有限公司 | 一种活体人脸检测方法与系统 |
CN104036254A (zh) * | 2014-06-20 | 2014-09-10 | 成都凯智科技有限公司 | 一种人脸识别方法 |
CN104951743A (zh) * | 2015-03-04 | 2015-09-30 | 苏州大学 | 基于主动形状模型算法分析人脸表情的方法 |
Non-Patent Citations (2)
Title |
---|
AVINASH KUMAR SINGH: "Face Recognition with Liveness Detection using Eye and Mouth Movement", 《2014 INTERNATIONAL CONFERENCE ON SIGNAL PROPAGATION AND COMPUTER TECHNOLOGY》 * |
酷漫联盟: "《超级漫画入门讲座》", 31 March 2010 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363787A (zh) * | 2018-03-26 | 2019-10-22 | 北京市商汤科技开发有限公司 | 信息获取方法和系统、电子设备、程序和介质 |
CN108921138A (zh) * | 2018-08-03 | 2018-11-30 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN109697416A (zh) * | 2018-12-14 | 2019-04-30 | 腾讯科技(深圳)有限公司 | 一种视频数据处理方法和相关装置 |
CN109697416B (zh) * | 2018-12-14 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 一种视频数据处理方法和相关装置 |
CN109784302A (zh) * | 2019-01-28 | 2019-05-21 | 深圳风豹互联网科技有限公司 | 一种人脸活体检测方法及人脸识别设备 |
CN109784302B (zh) * | 2019-01-28 | 2023-08-15 | 深圳信合元科技有限公司 | 一种人脸活体检测方法及人脸识别设备 |
CN110298326A (zh) * | 2019-07-03 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 一种图像处理方法及装置、存储介质与终端 |
CN112257512A (zh) * | 2020-09-25 | 2021-01-22 | 福建天泉教育科技有限公司 | 间接型眼部状态检测方法及计算机可读存储介质 |
CN112257512B (zh) * | 2020-09-25 | 2023-04-28 | 福建天泉教育科技有限公司 | 间接型眼部状态检测方法及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392089A (zh) | 一种眉毛运动检测方法和装置及活体识别方法和系统 | |
CN106295522B (zh) | 一种基于多角度人脸和环境信息的两级防欺骗检测方法 | |
JP5010905B2 (ja) | 顔認証装置 | |
CN100592322C (zh) | 照片人脸与活体人脸的计算机自动鉴别方法 | |
Majhi et al. | Novel features for off-line signature verification | |
CN107330370A (zh) | 一种额头皱纹动作检测方法和装置及活体识别方法和系统 | |
CN107330914B (zh) | 人脸部位运动检测方法和装置及活体识别方法和系统 | |
CN107358152B (zh) | 一种活体识别方法和系统 | |
TW201627917A (zh) | 人臉活體檢測方法和裝置 | |
CN107451510A (zh) | 活体检测方法和活体检测系统 | |
CN110321873A (zh) | 基于深度学习卷积神经网络的敏感图片识别方法及系统 | |
CN107358155A (zh) | 一种鬼脸动作检测方法和装置及活体识别方法和系统 | |
CN105528584B (zh) | 一种正脸图像的检测方法和装置 | |
CN107358154A (zh) | 一种头部运动检测方法和装置及活体识别方法和系统 | |
CN109117755A (zh) | 一种人脸活体检测方法、系统和设备 | |
CN107368777A (zh) | 一种微笑动作检测方法和装置及活体识别方法和系统 | |
CN107316029A (zh) | 一种活体验证方法及设备 | |
CN109858375A (zh) | 活体人脸检测方法、终端及计算机可读存储介质 | |
CN107665361A (zh) | 一种基于人脸识别的客流计数方法 | |
CN109271941A (zh) | 一种基于防屏摄攻击的活体检测方法 | |
CN107832730A (zh) | 提高人脸识别准确率的方法和人脸识别系统 | |
CN104008364A (zh) | 人脸识别方法 | |
CN109815797A (zh) | 活体检测方法和装置 | |
CN106886763A (zh) | 实时检测人脸的系统及其方法 | |
CN107358153A (zh) | 一种嘴部运动检测方法和装置及活体识别方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |
|
RJ01 | Rejection of invention patent application after publication |