CN107392142B - 一种真伪人脸识别方法及其装置 - Google Patents

一种真伪人脸识别方法及其装置 Download PDF

Info

Publication number
CN107392142B
CN107392142B CN201710591420.5A CN201710591420A CN107392142B CN 107392142 B CN107392142 B CN 107392142B CN 201710591420 A CN201710591420 A CN 201710591420A CN 107392142 B CN107392142 B CN 107392142B
Authority
CN
China
Prior art keywords
lbp
face
processing segment
frames
image
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.)
Expired - Fee Related
Application number
CN201710591420.5A
Other languages
English (en)
Other versions
CN107392142A (zh
Inventor
廖廷波
武垚欣
陈玮
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710591420.5A priority Critical patent/CN107392142B/zh
Publication of CN107392142A publication Critical patent/CN107392142A/zh
Application granted granted Critical
Publication of CN107392142B publication Critical patent/CN107392142B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • 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

Abstract

本发明公开了一种真伪人脸识别方法及其装置，包括获取多帧人脸图像，并按照图像序列的顺序依次将连续N帧图像作为一个处理片段；最后不足N帧的部分舍弃；N为正整数；计算每个处理片段的LBP局部二值模式特征值，得到动态纹理特征；将动态纹理特征带入静态小波关系式中，得到融合纹理特征；采用分类识别装置对融合纹理特征进行识别，确认人脸图像的真伪。本发明能够捕捉图像场景的变化模式，进而区分真伪人脸图像，实现真伪人脸的识别，提高人脸识别系统的安全性。

Description

一种真伪人脸识别方法及其装置
技术领域
本发明涉及人脸识别技术领域，特别是涉及一种真伪人脸识别方法及其装置。
背景技术
随着人脸识别技术的发展，人脸识别系统已经被广泛应用，如门禁系统、登录系统等。
然而，目前人脸识别的研究着重于对用户个体的识别，人脸识别系统通过拍摄的人脸图像确定用户身份，仅关注了静态特征的提取，忽略了动态信息，提取特征单一，无法应对视频欺骗这一问题，即没有办法真伪人脸的区分，导致模仿用户人脸特征的伪造人脸可以骗过识别系统，人脸识别系统的安全性低。
因此，如何提供一种安全性高的真伪人脸识别方法及其装置是本领域技术人员目前需要解决的问题。
发明内容
本发明的目的是提供一种真伪人脸识别方法及其装置，能够捕捉图像场景的变化模式，进而区分真伪人脸图像，实现真伪人脸的识别，提高人脸识别系统的安全性。
为解决上述技术问题，本发明提供了一种真伪人脸识别方法，包括：
获取多帧人脸图像，并按照图像序列的顺序依次将连续N帧图像作为一个处理片段；最后不足N帧的部分舍弃；N为正整数；
计算每个所述处理片段的LBP局部二值模式特征值，得到动态纹理特征；
将所述动态纹理特征带入静态小波关系式中，得到融合纹理特征；
采用分类识别装置对融合纹理特征进行识别，确认所述人脸图像的真伪。
优选地，所述计算每个所述处理片段的LBP特征值之前还包括：
将每个所述处理片段划分为n×n个相同大小的区域，并分别计算每个区域的LBP特征值，n为正整数。
优选地，所述计算每个所述处理片段的LBP特征值的过程具体为：
计算每个所述处理片段中对应像素点的一阶离散导数；
Figure GDA0001428694440000021
其中，t表示帧序号，s为步长；
依据所述一阶离散导数以及LBP描述子关系式，得到每个所述处理片段的LBP特征值；所述LBP描述子关系式为：
Figure GDA0001428694440000022
Figure GDA0001428694440000023
其中，(xc,yc)为圆形邻域的中心像素，(xp,yp)为像素采样点，r为圆形邻域的半径，p表示像素的采样数。
优选地，n为6。
优选地，所述静态小波关系式具体为：
Figure GDA0001428694440000024
Figure GDA0001428694440000025
Figure GDA0001428694440000026
其中，
Figure GDA0001428694440000027
为二维小波滤波器函数，
Figure GDA0001428694440000028
为空域像素坐标，||·||为向量二范数；σ为二维小波滤波器的空域窗口大小与波长的比例，exp(-σ2/2)为直流分量，δu为二维小波滤波器方向，kmax为最大中心频率，v为尺度。
优选地，所述v取4或5。
为解决上述技术问题，本发明还提供了一种真伪人脸识别装置，包括：
图像获取模块，用于获取多帧人脸图像，并按照图像序列的顺序依次将连续N帧图像作为一个处理片段；最后不足N帧的部分舍弃；N为正整数；
动态计算模块，用于计算每个所述处理片段的LBP特征值，得到动态纹理特征；
融合模块，用于将所述动态纹理特征带入静态小波关系式中，得到融合纹理特征；
识别模块，用于采用分类识别装置对融合纹理特征进行识别，确认所述人脸图像的真伪。
优选地，所述图像获取模块还包括：
区域划分单元，用于将每个所述处理片段划分为n×n个相同大小的区域，并分别计算每个区域的LBP特征值，n为正整数。
优选地，所述动态计算模块具体包括：
离散导数计算单元，用于计算每个所述处理片段中对应像素点的一阶离散导数；
Figure GDA0001428694440000031
其中，t表示帧序号，s为步长；
LBP计算单元，用于依据所述一阶离散导数以及LBP描述子关系式，得到每个所述处理片段的LBP特征值；所述LBP描述子关系式为：
Figure GDA0001428694440000032
Figure GDA0001428694440000033
其中，(xc,yc)为圆形邻域的中心像素，(xp,yp)为像素采样点，r为圆形邻域的半径，p表示像素的采样数。
本发明提供了一种真伪人脸识别方法及其装置，将多帧人脸图像进行分组，每连续N帧作为一个处理片段，之后提取处理片段的动态纹理特征，之后将动态纹理特征带入静态小波关系式中，进行静态特征与动态特征的融合，依据融合纹理特征即可识别人脸图像的真伪。可以理解的是，由于真实人脸图像与伪人脸图像的区别一般为人脸与背景的运动相关性不同，即多帧连续人脸图像中，真伪图像的图像场景的变化模式不同，故本发明通过获取动态纹理特征，能够捕捉图像场景的变化模式，进而区分真伪人脸图像，实现真伪人脸的识别，提高人脸识别系统的安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种真伪人脸识别方法的过程的流程图；
图2为本发明提供的一种真伪人脸识别装置的结构示意图。
具体实施方式
本发明的核心是提供一种真伪人脸识别方法及其装置，能够捕捉图像场景的变化模式，进而区分真伪人脸图像，实现真伪人脸的识别，提高人脸识别系统的安全性。
为使本发明实施例的目的、技术方案和优点更加清楚，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做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。
本发明提供了一种真伪人脸识别方法，参见图1所示，图1为本发明提供的一种真伪人脸识别方法的过程的流程图；该方法包括：
步骤s1：获取多帧人脸图像，并按照图像序列的顺序依次将连续N帧图像作为一个处理片段；最后不足N帧的部分舍弃；N为正整数；
可以理解的是，计算动态纹理特征是为了确定人脸图像中人脸与背景的相对运动变化模式，因此动态纹理特征需要依据连续的、多帧人脸图像来获取。但是为了减少运算量以及提高计算准确性，需将获取的多帧图像分为多个处理片段分别动态纹理特征的计算。
步骤s2：计算每个处理片段的LBP(Local Binary Pattern，局部二值模式)特征值，得到动态纹理特征；
步骤s3：将动态纹理特征带入静态小波关系式中，得到融合纹理特征；
步骤s4：采用分类识别装置对融合纹理特征进行识别，确认人脸图像的真伪。
可以理解的是，LBP作为局部纹理描述子，具有灰度不变性和旋转不变性等优点，在图像处理尤其是人脸识别领域被广泛使用。较常用的LBP描述子为圆形邻域LBP描述子，它可以指定任意采样邻域内任意多个采样点。
采样过程中，LBP描述子将指定邻域像素与中心像素比较，得到像素的二进制表达，并转换为十进制数，图像的LBP特征值就是由局部的十进制数统计直方图连接形成。考虑到各种伪造人脸和场景的变化模式与真实情况并不相同，本发明利用多帧人脸图像的一阶离散导数描述图像变化，采用LBP描述子对局部导数值进行直方图统计，并以此统计信息作为动态纹理特征。
具体的，步骤s2的过程具体为：
计算每个处理片段中对应像素点的一阶离散导数；
Figure GDA0001428694440000051
其中，t表示帧序号，s为步长；hx,y为对应像素点的值；
依据一阶离散导数以及LBP描述子关系式，得到每个处理片段的LBP特征值；LBP描述子关系式为：
Figure GDA0001428694440000052
Figure GDA0001428694440000053
其中，(xc,yc)为圆形邻域的中心像素，(xp,yp)为像素采样点，r为圆形邻域的半径，p表示像素的采样数。
在一种具体实施例中，N取12，前后相邻的两个处理片段共用6帧图像。当然，本发明不限定N的具体数值以及前后相邻的两个处理片段共用的图像帧数；
此时，一阶离散导数为：
Figure GDA0001428694440000054
其中，i表示各处理片段中的第一帧图像在整体帧序列中的编号，
Figure GDA0001428694440000055
表示向下取整。
作为优选地，步骤s2之前还包括：
将每个处理片段划分为n×n个相同大小的区域，并分别计算每个区域的LBP特征值，n为正整数。
在优选实施例中，通过实验可知，n为6，即将图像划分为6×6区域时所提取的特征较更少或更多区域下所得特征的识别率明显提高。因此，本文采用采用6×6的图像区域划分方式，优选地，LBP描述子邻域半径为2，采样数为8。当然，本发明不限定图像划分的区域个数以及LBP描述子的邻域半径和采样个数。
其中，步骤s3中的静态小波关系式具体为：
Figure GDA0001428694440000061
Figure GDA0001428694440000062
Figure GDA0001428694440000063
其中，
Figure GDA0001428694440000064
为二维小波滤波器函数，
Figure GDA0001428694440000065
为空域像素坐标，||·||为向量二范数；σ为二维小波滤波器的空域窗口大小与波长的比例，exp(-σ2/2)为直流分量，δu为二维小波滤波器方向，kmax为最大中心频率，v为尺度。
可以理解的是，对LBP特征值进行卷积处理的过程也即为二维离散信号的Gabor小波变换过程，可以得到不同二维小波函数下的变换系数,表征图像不同方向和尺度下的纹理特征。由于小波变换具有良好的时频局部化特性且对光照变化不敏感，小波特征同时具备了较高的时域、频域分辨率，且对光照具有一定的鲁棒性小波特征也因此被广泛应用于图像处理和模式识别领域。一般σ取值稍大，以去除该项影响，以此增强Gabor滤波器对光照的鲁棒性；而通过条件滤波器的方向以及尺度可以获得一组不同尺度和方向下的Gabor滤波器，进而与LBPp,r进行卷积处理,得到不同尺度下的融合纹理特征。
进一步可知，尺度个数以及方向个数相乘即为二维小波滤波器的个数，由于整体尺度特征维数较高时，会导致运算比较耗时。故根据实验结果可知，在4、5尺度时的识别准确率较高，故本发明融合4和5尺度的特征，来兼顾识别率和运算效率，即此时静态小波关系式中的二维小波滤波器的尺度包括4和5，同时控制LBP特征值的尺度与二维小波滤波器的尺度保持相同。
本发明提供了一种真伪人脸识别方法，将多帧人脸图像进行分组，每连续N帧作为一个处理片段，之后提取处理片段的动态纹理特征，之后将动态纹理特征带入静态小波关系式中，进行静态特征与动态特征的融合，依据融合纹理特征即可识别人脸图像的真伪。可以理解的是，由于真实人脸图像与伪人脸图像的区别一般为人脸与背景的运动相关性不同，即多帧连续人脸图像中，真伪图像的图像场景的变化模式不同，故本发明通过获取动态纹理特征，能够捕捉图像场景的变化模式，进而区分真伪人脸图像，实现真伪人脸的识别，提高人脸识别系统的安全性。
本发明还提供了一种真伪人脸识别装置，参见图2所示，图2为本发明提供的一种真伪人脸识别装置的结构示意图。该装置包括：
图像获取模块1，用于获取多帧人脸图像，并按照图像序列的顺序依次将连续N帧图像作为一个处理片段；最后不足N帧的部分舍弃；N为正整数；
动态计算模块2，用于计算每个处理片段的LBP特征值，得到动态纹理特征；
融合模块3，用于将动态纹理特征带入静态小波关系式中，得到融合纹理特征；
识别模块4，用于采用分类识别装置对融合纹理特征进行识别，确认人脸图像的真伪。
作为优选地，图像获取模块1还包括：
区域划分单元，用于将每个处理片段划分为n×n个相同大小的区域，并分别计算每个区域的LBP特征值，n为正整数。
作为优选地，动态计算模块2具体包括：
离散导数计算单元，用于计算每个处理片段中对应像素点的一阶离散导数；
Figure GDA0001428694440000081
其中，t表示帧序号，s为步长；
LBP计算单元，用于依据一阶离散导数以及LBP描述子关系式，得到每个处理片段的LBP特征值；LBP描述子关系式为：
Figure GDA0001428694440000082
Figure GDA0001428694440000083
其中，(xc,yc)为圆形邻域的中心像素，(xp,yp)为像素采样点，r为圆形邻域的半径，p表示像素的采样数。
本发明提供了一种真伪人脸识别装置，将多帧人脸图像进行分组，每连续N帧作为一个处理片段，之后提取处理片段的动态纹理特征，之后将动态纹理特征带入静态小波关系式中，进行静态特征与动态特征的融合，依据融合纹理特征即可识别人脸图像的真伪。可以理解的是，由于真实人脸图像与伪人脸图像的区别一般为人脸与背景的运动相关性不同，即多帧连续人脸图像中，真伪图像的图像场景的变化模式不同，故本发明通过获取动态纹理特征，能够捕捉图像场景的变化模式，进而区分真伪人脸图像，实现真伪人脸的识别，提高人脸识别系统的安全性。
以上的几种具体实施方式仅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，这些改进也应视为本发明的保护范围。
还需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种真伪人脸识别方法，其特征在于，包括：
获取多帧人脸图像，并按照图像序列的顺序依次将连续N帧图像作为一个处理片段；最后不足N帧的部分舍弃；N为正整数；
计算每个所述处理片段的LBP局部二值模式特征值，得到动态纹理特征；
将所述动态纹理特征带入静态小波关系式中，得到融合纹理特征；
采用分类识别装置对融合纹理特征进行识别，确认所述人脸图像的真伪；
所述计算每个所述处理片段的LBP特征值的过程具体为：
计算每个所述处理片段中对应像素点的一阶离散导数；
Figure FDA0002506638410000011
其中，t表示帧序号，s为步长；
依据所述一阶离散导数以及LBP描述子关系式，得到每个所述处理片段的LBP特征值；所述LBP描述子关系式为：
Figure FDA0002506638410000012
Figure FDA0002506638410000013
其中，(xc,yc)为圆形邻域的中心像素，(xp,yp)为像素采样点，r为圆形邻域的半径，p表示像素的采样数。
2.根据权利要求1所述的方法，其特征在于，所述计算每个所述处理片段的LBP特征值之前还包括：
将每个所述处理片段划分为n×n个相同大小的区域，并分别计算每个区域的LBP特征值，n为正整数。
3.根据权利要求2所述的方法，其特征在于，n为6。
4.根据权利要求3所述的方法，其特征在于，所述静态小波关系式具体为：
Figure FDA0002506638410000014
Figure FDA0002506638410000021
其中，
Figure FDA0002506638410000022
为二维小波滤波器函数，
Figure FDA0002506638410000023
为空域像素坐标，||·||为向量二范数；σ为二维小波滤波器的空域窗口大小与波长的比例，exp(-σ2/2)为直流分量，δu为二维小波滤波器方向，kmax为最大中心频率，v为尺度。
5.根据权利要求4所述的方法，其特征在于，所述v取4或5。
6.一种真伪人脸识别装置，其特征在于，包括：
图像获取模块，用于获取多帧人脸图像，并按照图像序列的顺序依次将连续N帧图像作为一个处理片段；最后不足N帧的部分舍弃；N为正整数；
动态计算模块，用于计算每个所述处理片段的LBP特征值，得到动态纹理特征；
融合模块，用于将所述动态纹理特征带入静态小波关系式中，得到融合纹理特征；
识别模块，用于采用分类识别装置对融合纹理特征进行识别，确认所述人脸图像的真伪；
所述动态计算模块具体包括：
离散导数计算单元，用于计算每个所述处理片段中对应像素点的一阶离散导数；
Figure FDA0002506638410000024
其中，t表示帧序号，s为步长；
LBP计算单元，用于依据所述一阶离散导数以及LBP描述子关系式，得到每个所述处理片段的LBP特征值；所述LBP描述子关系式为：
Figure FDA0002506638410000025
Figure FDA0002506638410000026
其中，(xc,yc)为圆形邻域的中心像素，(xp,yp)为像素采样点，r为圆形邻域的半径，p表示像素的采样数。
7.根据权利要求6所述的装置，其特征在于，所述图像获取模块还包括：
区域划分单元，用于将每个所述处理片段划分为n×n个相同大小的区域，并分别计算每个区域的LBP特征值，n为正整数。
CN201710591420.5A 2017-07-19 2017-07-19 一种真伪人脸识别方法及其装置 Expired - Fee Related CN107392142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710591420.5A CN107392142B (zh) 2017-07-19 2017-07-19 一种真伪人脸识别方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710591420.5A CN107392142B (zh) 2017-07-19 2017-07-19 一种真伪人脸识别方法及其装置

Publications (2)

Publication Number Publication Date
CN107392142A CN107392142A (zh) 2017-11-24
CN107392142B true CN107392142B (zh) 2020-11-13

Family

ID=60335707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710591420.5A Expired - Fee Related CN107392142B (zh) 2017-07-19 2017-07-19 一种真伪人脸识别方法及其装置

Country Status (1)

Country Link
CN (1) CN107392142B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108304708A (zh) * 2018-01-31 2018-07-20 广东欧珀移动通信有限公司 移动终端、人脸解锁方法及相关产品
CN109086728B (zh) * 2018-08-14 2022-03-08 成都智汇脸卡科技有限公司 活体检测方法
CN110136124A (zh) * 2019-05-17 2019-08-16 江门市中心医院 一种基于鲁棒速度函数的胸膜接触性肺结节分割方法
CN111754396B (zh) * 2020-07-27 2024-01-09 腾讯科技（深圳）有限公司 脸部图像处理方法、装置、计算机设备和存储介质
CN111986180B (zh) * 2020-08-21 2021-07-06 中国科学技术大学 基于多相关帧注意力机制的人脸伪造视频检测方法
CN114913565B (zh) * 2021-01-28 2023-11-17 腾讯科技（深圳）有限公司 人脸图像检测方法、模型训练方法、装置及存储介质
CN113011392B (zh) * 2021-04-25 2023-04-18 吉林大学 一种基于路面图像多纹理特征融合的路面类型识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101350065A (zh) * 2008-09-05 2009-01-21 哈尔滨工业大学 基于舌体特征的身份识别方法
CN102306290A (zh) * 2011-10-14 2012-01-04 刘伟华 一种基于视频的人脸跟踪识别技术
CN104408440A (zh) * 2014-12-10 2015-03-11 重庆邮电大学 一种基于两步降维和并行特征融合的人脸表情识别方法
US9008365B2 (en) * 2013-04-18 2015-04-14 Huawei Technologies Co., Ltd. Systems and methods for pedestrian detection in images
CN105117688A (zh) * 2015-07-29 2015-12-02 重庆电子工程职业学院 基于纹理特征融合和svm的人脸识别方法
CN105760842A (zh) * 2016-02-26 2016-07-13 北京大学 一种基于边缘和纹理特征结合的台标识别方法
CN106803105A (zh) * 2017-02-09 2017-06-06 北京工业大学 一种基于稀疏表示字典学习的图像分类方法
CN106875191A (zh) * 2017-02-27 2017-06-20 努比亚技术有限公司 一种扫描支付处理方法、装置及终端

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101425136B (zh) * 2008-10-24 2012-04-11 北京工业大学 视频图像局部二进制模式特征的获取方法和装置
WO2011089517A1 (fr) * 2010-01-25 2011-07-28 Vesalis Procede et dispositif de reconnaissance de visages en conditions de poses variables
CN103902977B (zh) * 2014-03-31 2017-04-05 华为技术有限公司 基于Gabor二值模式的人脸识别方法及装置
CN104778457B (zh) * 2015-04-18 2017-12-01 吉林大学 基于多示例学习的视频人脸识别方法
US10064594B2 (en) * 2015-08-06 2018-09-04 Case Western Reserve University Characterizing disease and treatment response with quantitative vessel tortuosity radiomics

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101350065A (zh) * 2008-09-05 2009-01-21 哈尔滨工业大学 基于舌体特征的身份识别方法
CN102306290A (zh) * 2011-10-14 2012-01-04 刘伟华 一种基于视频的人脸跟踪识别技术
US9008365B2 (en) * 2013-04-18 2015-04-14 Huawei Technologies Co., Ltd. Systems and methods for pedestrian detection in images
CN104408440A (zh) * 2014-12-10 2015-03-11 重庆邮电大学 一种基于两步降维和并行特征融合的人脸表情识别方法
CN105117688A (zh) * 2015-07-29 2015-12-02 重庆电子工程职业学院 基于纹理特征融合和svm的人脸识别方法
CN105760842A (zh) * 2016-02-26 2016-07-13 北京大学 一种基于边缘和纹理特征结合的台标识别方法
CN106803105A (zh) * 2017-02-09 2017-06-06 北京工业大学 一种基于稀疏表示字典学习的图像分类方法
CN106875191A (zh) * 2017-02-27 2017-06-20 努比亚技术有限公司 一种扫描支付处理方法、装置及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"A cloud-based monitoring system via face recognition using Gabor and CS-LBP features";chen li 等;《The Journal of Supercomputing》;20160812;全文 *

Also Published As

Publication number Publication date
CN107392142A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
CN107392142B (zh) 一种真伪人脸识别方法及其装置
Garcia et al. Face-spoofing 2D-detection based on Moiré-pattern analysis
EP2783328B1 (en) Text detection using multi-layer connected components with histograms
Huynh et al. A survey on image forgery detection techniques
Saha et al. Mutual spectral residual approach for multifocus image fusion
KR101993729B1 (ko) 다중채널 가버 필터와 중심대칭지역 이진 패턴기반 얼굴인식기술
CN107481374B (zh) 一种智能终端指纹解锁开门装置
Nathalie Diane et al. A survey of partition-based techniques for copy-move forgery detection
Su et al. Robust video fingerprinting based on visual attention regions
Katramados et al. Real-time visual saliency by division of gaussians
CN111079626B (zh) 一种活体指纹识别方法、电子设备及计算机可读存储介质
CN111259792A (zh) 基于dwt-lbp-dct特征的人脸活体检测方法
Dixit et al. Copy-move image forgery detection a review
CN115082966B (zh) 行人重识别模型训练方法、行人重识别方法、装置和设备
Sikander et al. Facial feature detection: A facial symmetry approach
Saranya et al. An approach towards ear feature extraction for human identification
Mendi Image quality assessment metrics combining structural similarity and image fidelity with visual attention
Nithiya et al. Key point descriptor based copy and move image forgery detection system
Kale et al. Copy Move Forgery Detection-A Robust Technique
Sridevi et al. A novel approach for detection of copy-move forgery detection using transform domain
Malutan et al. Half iris biometric system based on HOG and LIOP
Gopakumar A survey on image splice forgery detection and localization techniques
Hashmi et al. Passive Detection of Copy-Move Forgery using Wavelet Transforms and SIFT Features.
CN114092777B (zh) 一种基于小目标的高效识别方法及系统
Satoh et al. Robust object detection and segmentation by peripheral increment sign correlation image

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201113

Termination date: 20210719

CF01 Termination of patent right due to non-payment of annual fee