CN107451575A - 一种身份认证系统中的人脸防欺骗检测方法 - Google Patents
一种身份认证系统中的人脸防欺骗检测方法 Download PDFInfo
- Publication number
- CN107451575A CN107451575A CN201710675124.3A CN201710675124A CN107451575A CN 107451575 A CN107451575 A CN 107451575A CN 201710675124 A CN201710675124 A CN 201710675124A CN 107451575 A CN107451575 A CN 107451575A
- Authority
- CN
- China
- Prior art keywords
- face
- gray
- formula
- pass
- entropy
- 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
- 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
Abstract
一种身份认证系统中的人脸防欺骗检测方法,首先,利用局部二值模式、灰度分布统计以及灰度共生矩阵提取像素的空间信息获得空间域的纹理特征;其次,利用二维对偶树复小波分解提取低频和高频复系数获得频率域的纹理特征;再利用PCA降维进行特征融合,融合空间域和频率域的纹理特征;最后,将空间域和频率域的纹理特征进行特征融合,利用SVM分类器进行真实/假冒人脸图像的检测和判别。通过融合空间域和频率域的纹理特征,特别地在频率域中利用二维对偶树复小波分解的时移不变性和方向选择性提取纹理特征,并用PCA对融合特征进行降维和去相关,计算复杂度小、冗余度低,节省了时间和空间的消耗,提高人脸欺骗检测的准确率,增强身份验证系统中人脸欺骗的安全性。
Description
技术领域
本发明涉及身份认证系统中的人脸防欺骗检测领域,具体涉及一种
背景技术
作为一种方便的用户认证技术,自动人脸识别在各种门禁控制应用中受到越来越多的关注,特别是手机解锁。随着Android移动操作系统中的脸部解锁功能的发布,面部识别成为移动电话的另一种生物识别技术,类似于IOS系统中的指纹认证(Touch ID)。与指纹认证不同,脸部识别不需要任何附加传感器,因为所有智能手机都配备了前置摄像头。然而,类似于其他生物特征模式,我们需要解决对脸部识别系统的脸部欺骗攻击的担忧,特别是在无约束感知和不合作的主题场景。为了更安全的进行身份验证的真实性,检测被识别的对象是否是活体显得尤为重要。
据我们所知,Li等人在2004年报道了最早的面部欺骗检测研究之一。随着人脸识别越来越受欢迎,近年来国内外很多研究机构的学者都致力于活体检测问题的研究,许多国际会议及期刊文献中所涉及的活体检测算法已有很多。它们在鲁棒性和泛化能力方面的优势和局限性,以及实时响应和可用性上有了很大的突破。根据面部欺骗检测中使用的不同类型的线索,公布的方法可以分为四类:基于运动的方法、基于纹理的方法、基于图像质量分析的方法,以及基于其他线索。现今,应用于活体人脸检测方法主要包括:1)基于运动信息分析的方法:利用眼睛、鼻子和嘴巴的位作为跟踪估计的特征点,从头部运动中估计特征点的三维深度坐标值;利用光流学的方法检测人脸动态变化等。这种方法存在活体检测所需的特征难以获取,需要用户的主动配合,而且假冒者刻意将照片弯曲变形时,估计的深度坐标会有较大变化;同时这种判断容易受到噪声和光照条件的影响,具有可靠性不强、计算机代价高等缺陷。2)基于活体特征信息分析的方法:将拍摄到可见光人脸和热红外人脸进行匹配,根据两者相关性进行活体判断;在输入的连续图片序列中检测眼睛并且计算每只眼睛区域的运动,以用来判断输入的人脸是活体还是假冒照片;利用眨眼这一活体的生理特性,训练睁眼或闭眼的分类器识别真假。这些方法需要额外的设备,本身存在不稳定因素,在普通设备上无法大力推广等缺点。3)基于纹理信息分析的方法:用傅里叶频谱分析的方法,定义频率动态描述子来区分活体人脸和照片人脸;分析LBP算子提取特征的有效性;利用LBP16,2、LBP8,1、LBP8,2分别提取人脸特征,分类训练SVM识别活体人脸。Jukka Maatta等人在2012年改进了算法,提出了利用LBP特征、Gabor wavelet和HOG三种特征融合的方法。2015年Di Wen等人提出了最新的防欺骗检测算法,他们利用双色反射模型分析图像质量。这些方法易受光照条件的影响,计算复杂度高,在身份验证系统中的人脸防欺骗技术系统上还无法大力推广。
发明内容
本发明为了克服以上技术的不足,提供了一种身份认证系统中的人脸防欺骗检测方法。
本发明克服其技术问题所采用的技术方案是:
1.一种身份认证系统中的人脸防欺骗检测方法,其特征在于,包括如下步骤:
a)从采集的人脸视频中根据视频帧截图定位人脸,得到人脸图像样本;
b)将采集的人脸图像样本转换为人脸灰度图;
c)在人脸灰度图的空间域中提取纹理特征,所述纹理特征包括:利用局部二值模式从人脸灰度图中提取直方图;利用灰度分布统计法计算人脸灰度分布的均值、标准差、平滑度、三阶矩、一致性和熵;利用灰度共生矩阵法计算人脸灰度图中能量、熵、惯性矩、相关性和逆差距;
c-1)通过公式计算人脸灰度图的直方图LBP(xc,xy),其中ic标示中心像素,in为像素8邻点的灰度值,2n为编码值;c-2)通过公式计算人脸灰度图中灰度值zi的均值m的n阶矩μn,其中L为图像的灰度级,f(zi)为第i个灰度值zi出现的频度,通过公式计算均值m、通过公式计算标准差σ、通过公式计算平滑度R、通过公式计算三阶矩μ3、通过公式计算一致性U、通过公式计算熵e,其中μ2为i取值为2时,通过公式计算得到的结果;
c-3)通过公式p(i,j)=#{(x1,y1),(x2,y2)∈M*N|f(x1,y1)=i,(x2,y2)=j}分别计算四个方向p(1,0)、p(-1,1)、p(0,1)及p(1,1)的灰度共生矩阵p(i,j),其中f(x1,y1)为人脸灰度图的二维数字图像,其大小为M*N个像素点,(x1,y1)及(x2,y2)为图像中任意两个像素点,#{}表示集合中的元素个数,图像的灰度级为Ng,P为Ng*Ng的矩阵,通过公式计算能量ASM、通过公式计算熵H、通过公式计算惯性矩CON,通过公式计算相关性COR、通过公式计算逆差距L,其中 d为像素点i与像素点j之间的距离,为四个方向中的角度;
c-4)通过公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求均值M,根据公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求标准差,其中Xi为能量或熵或惯性矩或相关性或逆差距的计算数值,通过计算的均值和标准差作为二阶统计特征向量,共计10维;
d)在人脸灰度图的频率域中提取纹理特征,利用4层二维对偶数复小波分解标准人脸灰度图像,每一尺度分解为±15°,±45°,±75°一共6个复系数的高频方向子带,获得低频、高频子带系数,提取频率域的纹理特征,对人脸灰度图像作DT-CWT变换,分解二维人脸灰度图像后提取低频子带系数矩阵好高频复系数的均值和方差作为统计特征向量,共计120维;
e)利用PCA法对步骤c)中空间域和步骤d)中频率域的纹理特征向量进行降维和去相关操作,把样本投影到低维空间;
f)将空间域中提取纹理特征和频率域中提取的纹理特征进行特征融合,利用SVM分类器进行真实/假冒人脸图像的检测和判别。
上述步骤b)中是将人脸图像样本由RGB空间转GRAY空间为64×64的标准人脸灰度图。
本发明的有益效果是:通过融合空间域和频率域的纹理特征,特别地在频率域中利用二维对偶树复小波分解的时移不变性和方向选择性提取纹理特征,并用PCA对其进行降维和去相关,计算复杂度小、冗余度低,节省了时间和空间的消耗,提高人脸欺骗检测的准确率,增强身份验证系统中人脸欺骗的安全性。
附图说明
图1为本发明的流程图;
具体实施方式
下面结合附图1对本发明做进一步说明。
一种身份认证系统中的人脸防欺骗检测方法,包括如下步骤:
a)从采集的人脸视频中根据视频帧截图定位人脸,一般地,我们提取若干类人脸图像,其中每类所述人脸图像包含若干个真假人脸图像样本,即得到人脸图像样本。
b)将采集的人脸图像样本转换为人脸灰度图,使人脸图像规范化。
c)在人脸灰度图的空间域中提取纹理特征,所述纹理特征包括:利用局部二值模式从人脸灰度图中提取直方图;利用灰度分布统计法计算人脸灰度分布的均值、标准差、平滑度、三阶矩、一致性和熵;利用灰度共生矩阵法计算人脸灰度图中能量、熵、惯性矩、相关性和逆差距;
c-1)通过公式计算人脸灰度图的直方图LBP(xc,xy),其中ic标示中心像素,in为像素8邻点的灰度值,2n为编码值。其中LBP对于任意单调的灰度变换具有不变性,即变换前后保持局部邻域的二进制数不变。
c-2)通过公式计算人脸灰度图中灰度值zi的均值m的n阶矩μn,其中L为图像的灰度级,f(zi)为第i个灰度值zi出现的频度,通过公式计算均值m、通过公式计算标准差σ、通过公式计算平滑度R、通过公式计算三阶矩μ3、通过公式计算一致性U、通过公式计算熵e,其中μ2为i取值为2时,通过公式计算得到的结果。
c-3)通过公式p(i,j)=#{(x1,y1),(x2,y2)∈M*N|f(x1,y1)=i,(x2,y2)=j}分别计算四个方向p(1,0)、p(-1,1)、p(0,1)及p(1,1)的灰度共生矩阵p(i,j),其中f(x1,y1)为人脸灰度图的二维数字图像,其大小为M*N个像素点,(x1,y1)及(x2,y2)为图像中任意两个像素点,#{}表示集合中的元素个数,图像的灰度级为Ng,P为Ng*Ng的矩阵,通过公式计算能量ASM、通过公式计算熵H、通过公式计算惯性矩CON,通过公式计算相关性COR、通过公式计算逆差距L,其中 d为像素点i与像素点j之间的距离,为四个方向中的角度。
c-4)通过公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求均值M,根据公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求标准差,其中Xi为能量或熵或惯性矩或相关性或逆差距的计算数值,通过计算的均值和标准差作为二阶统计特征向量,共计10维。
d)在人脸灰度图的频率域中提取纹理特征,利用4层二维对偶数复小波分解标准人脸灰度图像,每一尺度分解为±15°,±45°,±75°一共6个复系数的高频方向子带,获得低频、高频子带系数,提取频率域的纹理特征。
具体计算公式如下:
DT-CWT分解信号的一对复小波函数基ψ(x)和φ(x),其中ψh(x)、ψg(x)、φh(x)、φg(x)都是实数型的小波函数,如式(1)所示:
ψ(x)=ψh(x)+i·ψg(x);φ(x)=φh(x)+i·φg(x) (1)
DT-CWT分解信号,可利用式(2)计算出小波系数的实数部分和最后一层尺度函数系数的实数部分;可利用式(3)计算出小波系数的虚数部分和最后一层尺度函数系数的虚数部分。ψh(t)、ψg(t)为实数值小波函数,φh(t)、φg(t)为相关的尺度函数。其中,j=1,2,K,J,定义j为尺度因子,J为分解的最大层数。
结合式(2)、式(3),信号被DT-CWT分解后每一层的复小波系数并由式(4)表示,及最后一层尺度函数的复数系数并由式(5)表示:
对偶树复小波分解不仅克服了传统小波变换平移敏感及缺乏方向选择的缺点,同时为分解每一尺度空间提供了(±15°,±45°,±75°)6个方向的选择,并同时产生六个方向上的高频子带和两个低频子带。对每一层输出的小波系数消除下采样,同时具有固定的冗余度且为2k:1(其中k是信号维度),以及高效的计算速度。
通过对人脸灰度图像作DT-CWT变换,分解二维人脸灰度图像后提取低频子带系数矩阵好高频复系数的均值和方差作为统计特征向量,共计120维。
e)利用PCA法对步骤c)中空间域和步骤d)中频率域的纹理特征向量进行降维和去相关操作,把样本投影到低维空间,把样本投影到低维空间,目的是解决特征空间的高维问题,降低计算的复杂度。
f)将空间域中提取纹理特征和频率域中提取的纹理特征进行特征融合,利用SVM分类器进行真实/假冒人脸图像的检测和判别。
进一步的,步骤b)中是将人脸图像样本由RGB空间转GRAY空间为64×64的标准人脸灰度图。
与现有的技术相比,本发明最大的优势是融合空间域和频率域的纹理特征,特别地在频率域中利用二维对偶树复小波分解的时移不变性和方向选择性提取纹理特征,并用PCA对其进行降维和去相关,计算复杂度小、冗余度低,节省了时间和空间的消耗,提高人脸欺骗检测的准确率,增强身份验证系统中人脸欺骗的安全性。
实验结果表明,本发明对照片人脸样本最高准确率能够到达99.7586%,相较于单一特征形式(表1中后7行代表本发明的实验结果)的人脸检测方法,本发明最大的优势是基于空间域和频率域融合多特征方法,提高了检测准确率,减少了时间开销,降低了算法的复杂度;从总体上分析,本发明的身份验证系统的人脸反欺骗检测性能优良,能够用来保障人脸识系统的安全性;该方法无需用户的主动配合,具有易采集、隐蔽性、与用户交互少等特点,实现了在时间、空间代价小的前提下对假冒照片人脸图像的高效检测,实验结果比较如表1所示。
表1
样本 | 检测正确率 | 特征维数 |
基本LBP特征 | 93.87% | 59 |
All LBPV | 88.03% | 256 |
Uniform LBPV | 86.95% | 59 |
CDD | 97,7% | 512 |
GLCM | 94.27% | 8 |
GLCM+Haar | 96.97% | 12 |
GLCM | 95.97% | 10 |
DTCWT | 96.46% | 120 |
LBP | 99.51% | 2 |
GLCM+DTCWT(低频) | 98.47% | 12 |
GLCM+DTCWT | 99.35% | 130 |
GLCM+DTCWT+GS | 99.59% | 136 |
LBP+GS+GLCM+DTCWT | 99.7586% | 28 |
Claims (2)
1.一种身份认证系统中的人脸防欺骗检测方法,其特征在于,包括如下步骤:
a)从采集的人脸视频中根据视频帧截图定位人脸,得到人脸图像样本;
b)将采集的人脸图像样本转换为人脸灰度图;
c)在人脸灰度图的空间域中提取纹理特征,所述纹理特征包括:利用局部二值模式从人脸灰度图中提取直方图;利用灰度分布统计法计算人脸灰度分布的均值、标准差、平滑度、三阶矩、一致性和熵;利用灰度共生矩阵法计算人脸灰度图中能量、熵、惯性矩、相关性和逆差距;
c-1)通过公式计算人脸灰度图的直方图LBP(xc,xy),其中ic标示中心像素,in为像素8邻点的灰度值,2n为编码值;
c-2)通过公式计算人脸灰度图中灰度值zi的均值m的n阶矩μn,其中L为图像的灰度级,f(zi)为第i个灰度值zi出现的频度,通过公式计算均值m、通过公式计算标准差σ、通过公式计算平滑度R、通过公式计算三阶矩μ3、通过公式计算一致性U、通过公式计算熵e,其中μ2为i取值为2时,通过公式计算得到的结果;
c-3)通过公式p(i,j)=#{(x1,y1),(x2,y2)∈M*N|f(x1,y1)=i,(x2,y2)=j}分别计算四个方向p(1,0)、p(-1,1)、p(0,1)及p(1,1)的灰度共生矩阵p(i,j),其中f(x1,y1)为人脸灰度图的二维数字图像,其大小为M*N个像素点,(x1,y1)及(x2,y2)为图像中任意两个像素点,#{}表示集合中的元素个数,图像的灰度级为Ng,P为Ng*Ng的矩阵,通过公式计算能量ASM、通过公式计算熵H、通过公式计算惯性矩CON,通过公式计算相关性COR、通过公式计算逆差距L,其中 d为像素点i与像素点j之间的距离,为四个方向中的角度;
c-4)通过公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求均值M,根据公式计算纹理特征量的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距分别求标准差,其中Xi为能量或熵或惯性矩或相关性或逆差距的计算数值,通过计算的均值和标准差作为二阶统计特征向量,共计10维;
d)在人脸灰度图的频率域中提取纹理特征,利用4层二维对偶数复小波分解标准人脸灰度图像,每一尺度分解为±15°,±45°,±75°一共6个复系数的高频方向子带,获得低频、高频子带系数,提取频率域的纹理特征,对人脸灰度图像作DT-CWT变换,分解二维人脸灰度图像后提取低频子带系数矩阵好高频复系数的均值和方差作为统计特征向量,共计120维;
e)利用PCA法对步骤c)中空间域和步骤d)中频率域的纹理特征向量进行降维和去相关操作,把样本投影到低维空间;
f)将空间域中提取纹理特征和频率域中提取的纹理特征进行特征融合,利用SVM分类器进行真实/假冒人脸图像的检测和判别。
2.根据权利要求1所述的身份认证系统中的人脸防欺骗检测方法,其特征在于:所述步骤b)中是将人脸图像样本由RGB空间转GRAY空间为64×64的标准人脸灰度图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710675124.3A CN107451575A (zh) | 2017-08-08 | 2017-08-08 | 一种身份认证系统中的人脸防欺骗检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710675124.3A CN107451575A (zh) | 2017-08-08 | 2017-08-08 | 一种身份认证系统中的人脸防欺骗检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107451575A true CN107451575A (zh) | 2017-12-08 |
Family
ID=60491744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710675124.3A Pending CN107451575A (zh) | 2017-08-08 | 2017-08-08 | 一种身份认证系统中的人脸防欺骗检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451575A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446690A (zh) * | 2018-05-31 | 2018-08-24 | 北京工业大学 | 一种基于多视角动态特征的人脸活体检测方法 |
CN108460715A (zh) * | 2018-01-23 | 2018-08-28 | 中山大学 | 一种基于局部纹理模式的二值图像隐写分析方法 |
CN108986077A (zh) * | 2018-06-19 | 2018-12-11 | 东北大学 | 基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法 |
CN109086728A (zh) * | 2018-08-14 | 2018-12-25 | 成都智汇脸卡科技有限公司 | 活体检测方法 |
CN109284744A (zh) * | 2018-11-02 | 2019-01-29 | 张彦龙 | 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 |
CN111126229A (zh) * | 2019-12-17 | 2020-05-08 | 中国建设银行股份有限公司 | 数据处理方法和装置 |
CN111582197A (zh) * | 2020-05-07 | 2020-08-25 | 贵州省邮电规划设计院有限公司 | 一种基于近红外和3d摄像技术的活体以及人脸识别系统 |
CN111797702A (zh) * | 2020-06-11 | 2020-10-20 | 南京信息工程大学 | 基于空间局部二值模式与光流梯度的人脸伪造视频检测方法 |
WO2020232889A1 (zh) * | 2019-05-23 | 2020-11-26 | 平安科技(深圳)有限公司 | 支票取现方法、装置、设备及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605958A (zh) * | 2013-11-12 | 2014-02-26 | 北京工业大学 | 一种基于灰度共生矩阵和小波分析的活体人脸检测方法 |
CN106295661A (zh) * | 2016-08-15 | 2017-01-04 | 北京林业大学 | 叶片图像多特征融合的植物种类识别方法及装置 |
-
2017
- 2017-08-08 CN CN201710675124.3A patent/CN107451575A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605958A (zh) * | 2013-11-12 | 2014-02-26 | 北京工业大学 | 一种基于灰度共生矩阵和小波分析的活体人脸检测方法 |
CN106295661A (zh) * | 2016-08-15 | 2017-01-04 | 北京林业大学 | 叶片图像多特征融合的植物种类识别方法及装置 |
Non-Patent Citations (6)
Title |
---|
刘晓东: "《多媒体信息检索与管理》", 30 November 2009 * |
曹瑜 等: "身份认证中灰度共生矩阵和小波分析的活体人脸检测算法", 《信号处理》 * |
曹瑜: "活体人脸检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
李俊山 等: "《数字图像处理(第二版)》", 30 November 2013 * |
桂卫华 等: "《矿物浮选泡沫图像处理与过程监测技术》", 31 August 2013 * |
解洪胜: "《基于支持向量机的图像检索若干问题》", 31 October 2013 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460715A (zh) * | 2018-01-23 | 2018-08-28 | 中山大学 | 一种基于局部纹理模式的二值图像隐写分析方法 |
CN108460715B (zh) * | 2018-01-23 | 2021-11-05 | 中山大学 | 一种基于局部纹理模式的二值图像隐写分析方法 |
CN108446690B (zh) * | 2018-05-31 | 2021-09-14 | 北京工业大学 | 一种基于多视角动态特征的人脸活体检测方法 |
CN108446690A (zh) * | 2018-05-31 | 2018-08-24 | 北京工业大学 | 一种基于多视角动态特征的人脸活体检测方法 |
CN108986077A (zh) * | 2018-06-19 | 2018-12-11 | 东北大学 | 基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法 |
CN108986077B (zh) * | 2018-06-19 | 2021-09-28 | 东北大学 | 基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法 |
CN109086728A (zh) * | 2018-08-14 | 2018-12-25 | 成都智汇脸卡科技有限公司 | 活体检测方法 |
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 |
CN109284744A (zh) * | 2018-11-02 | 2019-01-29 | 张彦龙 | 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 |
WO2020232889A1 (zh) * | 2019-05-23 | 2020-11-26 | 平安科技(深圳)有限公司 | 支票取现方法、装置、设备及计算机可读存储介质 |
CN111126229A (zh) * | 2019-12-17 | 2020-05-08 | 中国建设银行股份有限公司 | 数据处理方法和装置 |
CN111582197A (zh) * | 2020-05-07 | 2020-08-25 | 贵州省邮电规划设计院有限公司 | 一种基于近红外和3d摄像技术的活体以及人脸识别系统 |
CN111797702A (zh) * | 2020-06-11 | 2020-10-20 | 南京信息工程大学 | 基于空间局部二值模式与光流梯度的人脸伪造视频检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451575A (zh) | 一种身份认证系统中的人脸防欺骗检测方法 | |
US6661907B2 (en) | Face detection in digital images | |
Galoogahi et al. | Inter-modality face sketch recognition | |
CN102902959B (zh) | 基于二代身份证存储证件照的人脸识别方法及系统 | |
CN101763503B (zh) | 一种姿态鲁棒的人脸识别方法 | |
CN106446772A (zh) | 一种人脸识别系统中的防欺骗方法 | |
Wang et al. | An automatic physical access control system based on hand vein biometric identification | |
CN105956578A (zh) | 一种基于身份证件信息的人脸验证方法 | |
CN106650669A (zh) | 一种鉴别仿冒照片欺骗的人脸识别方法 | |
CN108182397B (zh) | 一种多姿态多尺度的人脸验证方法 | |
CN103632132A (zh) | 一种基于肤色分割和模板匹配的人脸检测与识别方法 | |
CN106529504B (zh) | 一种复合时空特征的双模态视频情感识别方法 | |
Barnich et al. | Frontal-view gait recognition by intra-and inter-frame rectangle size distribution | |
CN101162504A (zh) | 手指静脉认证系统的静脉特征提取方法 | |
Huang et al. | Spontaneous facial micro-expression recognition using discriminative spatiotemporal local binary pattern with an improved integral projection | |
CN112069891A (zh) | 一种基于光照特征的深度伪造人脸鉴别方法 | |
CN111832405A (zh) | 一种基于hog和深度残差网络的人脸识别方法 | |
He et al. | Iris feature extraction method based on LBP and chunked encoding | |
Esmaeili et al. | A comprehensive survey on facial micro-expression: approaches and databases | |
Azizi et al. | Efficient iris recognition through improvement of feature extraction and subset selection | |
Paul et al. | Rotation invariant multiview face detection using skin color regressive model and support vector regression | |
Jie et al. | A face detection and recognition system in color image series | |
Mohamed et al. | Automated face recogntion system: Multi-input databases | |
CN109359607A (zh) | 一种基于纹理的掌纹掌脉融合识别方法 | |
Hamd et al. | Fourier descriptors for iris recognition |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |