CN107590473A - 一种人脸活体检测方法、介质和相关装置 - Google Patents
一种人脸活体检测方法、介质和相关装置 Download PDFInfo
- Publication number
- CN107590473A CN107590473A CN201710852818.XA CN201710852818A CN107590473A CN 107590473 A CN107590473 A CN 107590473A CN 201710852818 A CN201710852818 A CN 201710852818A CN 107590473 A CN107590473 A CN 107590473A
- Authority
- CN
- China
- Prior art keywords
- forecast model
- live body
- live
- body forecast
- sample data
- 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.)
- Granted
Links
Abstract
本发明公开了一种人脸活体检测方法、介质和相关装置,以提高人脸活体检测结果的准确性和身份认证系统的安全性。所述人脸活体检测方法,包括:利用预先训练好的活体预测模型对待检测对象进行预测,所述活体预测模型为利用至少一种分类算法对红外图像采集装置采集的样本数据进行训练得到的,所述样本数据包括活体样本数据和虚假样本数据;根据每一活体预测模型输出的预测结果,判断所述待检测对象是否为活体对象。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种人脸活体检测方法、介质和相关装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
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,其商业化应用愈加广泛。目前,人脸识别技术通行的活体检测技术一般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。
但是,无论是通过摄像头拍摄真人还是照片,最终得到的都是一张二维图片,因此对于摄像头前是真人还是一张照片,目前的人脸识别技术难以判断。由于人脸极易用照片、视频等方式进行复制,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。
发明内容
本发明实施例提供了一种基于红外摄像头的人脸活体检测方法、介质和相关装置,以提高人脸活体检测结果的准确性和身份认证系统的安全性。
本发明实施例提供了一种人脸活体检测方法,包括:
利用预先训练好的活体预测模型对待检测对象进行预测,所述活体预测模型为利用至少一种分类算法对红外图像采集装置采集的样本数据进行训练得到的,所述样本数据包括活体样本数据和虚假样本数据;
根据每一活体预测模型输出的预测结果,判断所述待检测对象是否为活体对象。
可选地,按照以下流程获得至少一个活体预测模型:
将所述样本数据划分为N份,其中N为大于等于2的整数;
针对每一种分类算法,利用该分类算法分别从N份样本数据中选取N-1份进行训练得到一组活体预测模型,其中,一组活体预测模型中包含N个活体预测模型。
可选地,在根据每一活体预测模型输出的检测结果判断所述待检测对象是否为活体对象之前,还包括:
针对每一组活体预测模型,获取预先针对该组活体预测模型所设置的权重;以及
根据每一活体预测模型输出的检测结果,确定所述待检测对象是否为活体对象,具体包括:
针对每一组活体预测模型,统计该组活体预测模型包含的各活体预测模型输出的预测结果确定为活体对象的数量;
根据每一组活体预测模型输出的结果确定为活体对象的数量及其对应的权重进行加权和得到加权结果;
根据所述加权结果判断所述待检测对象是否为活体对象。
可选地,根据所述加权结果确定所述待检测对象是否为活体对象,具体包括:
如果加权结果大于预设阈值,则确定所述待检测对象为活体对象;
如果加权结果不大于预设阈值,则确定所述检测对象为虚假对象。
本发明实施例提供一种人脸活体检测装置,包括:
预测单元,用于利用预先训练好的活体预测模型对待检测对象进行预测,所述活体预测模型为利用至少一种分类算法对红外图像采集装置采集的样本数据进行训练得到的,所述样本数据包括活体样本数据和虚假样本数据;
判断单元,用于根据每一活体预测模型输出的预测结果,判断所述待检测对象是否为活体对象。
可选地,本发明实施例提供的人脸活体检测装置,还包括:
划分单元,用于将所述样本数据划分为N份,其中N为大于等于2的整数;
训练单元,用于针对每一种分类算法,利用该分类算法分别从N份样本数据中选取N-1份进行训练得到该分类算法对应的一组活体预测模型,其中,一组活体预测模型包含N个活体预测模型。
可选地,本发明实施例提供的人脸活体检测装置,还包括获取单元,其中:
获取单元,用于在所述判断单元在根据每一活体预测模型输出的检测结果判断所述待检测对象是否为活体对象之前,针对每一组活体预测模型,获取预先针对该组活体预测模型所设置的权重;
所述判断单元,具体用于针对每一组活体预测模型,统计该组活体预测模型包含的各活体预测模型输出的预测结果确定为活体对象的数量;根据每一组活体预测模型输出的结果确定为活体对象的数量及其对应的权重进行加权和得到加权结果;根据所述加权结果判断所述待检测对象是否为活体对象。
可选地,所述判断单元,具体用于如果加权结果大于预设阈值,则确定所述待检测对象为活体对象;如果加权结果不大于预设阈值,则确定所述检测对象为虚假对象。
本发明实施例提供一种计算装置,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行上述任一方法的步骤。
本发明实施例提供一种计算机可读介质,其存储有可由计算装置执行的计算机程序,当所述程序在计算装置上运行时,使得所述计算装置执行上述任一方法的步骤。
本发明实施例提供的人脸活体检测方法、介质和相关装置,利用红外图像采集装置分别对活体样本和虚假样本进行图像采集得到活体样本数据和虚假样本数据,进而利用至少一种分类算法对得到的样本数据进行训练得到活体预测模型,利用活体预测模型对待检测对象进行预测,并根据预测结果判断待检测对象是否为活体对象,由于使用红外图像采集装置针对活体和虚假伪造的假脸采集的图像具有一定的区别,例如,亮瞳效益、清晰度和纹理不一样等,使得利用采用红外图像采集装置采集的样本数据进行训练得到的活体预测模型,能够更加准确地区分出活体图像和虚假图像,从而提高了人脸活体检测的准确性和身份认证系统的安全性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1a为本发明实施例中,利用样本数据活体预测模型训练的示意图;
图1b为本发明实施例中,人脸活体检测方法的实施流程示意图;
图2为本发明实施例中,获得活体预测模型的流程示意图;
图3a为本发明实施例中,确定待检测对象是否为活体对象的示意图;
图3b为本发明实施例中,确定待检测人脸是否为真实人脸的示意图;
图4为本发明实施例中,人脸活体检测装置的结构示意图;
图5为本发明实施例中,根据本发明实施方式的计算装置结构示意图。
具体实施方式
为了提高人脸活体检测的准确性和身份认证系统的安全性,本发明实施例提供了一种人脸活体检测方法、介质和相关装置。
以下结合说明书附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明,并且在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
发明人发现,现有的人脸活体检测方法中,一般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。但是由于人脸图像极易被获取的特点,当通过照片、视频等将合法用户的人脸图像展示于身份认证系统的人脸采集设备前,其仍然可以冒充合法用户通过身份识别,从而降低了人脸活体检测的准确性和身份认证系统的安全性。
有鉴于此,本发明实施例中,根据红外图像采集装置采集的活体图像与虚假图像具有明显的可识别的特征,例如,活体图像和虚假图像相比具有亮瞳效益,且两者的清晰度和纹理不一样等。基于此,利用红外图像采集装置对活体样本和虚假样本分别进行图像采集得到的样本数据进行分类器训练,利用训练得到的活体预测模型针对待检测对象进行是否为活体对象的预测并输出预测结果,以更加准确地区分活体图像和虚假图像,提高人脸活体检测的准确性和身份认证系统的安全性。
具体实施时,可以利用红外图像采集装置分别针对活体样本和虚假样本进行图像采集得到活体样本数据和虚假样本数据,其中,活体样本数据可以为利用红外图像采集装置针对真人的人脸采集的图像数据,而虚假样本数据可以为利用红外图像采集装置针对视频、照片等中的人脸采集的图像数据。红外图像采集装置可以为红外相机、红外摄像机或者红外摄像头等,本发明实施例对此不进行限定。利用预设的分类算法对活体样本数据和虚假样本数据进行分类训练得到相应的活体预测模型,该活体预测模型为2分类器。具体实施时,为了提高分类的精确性,可以将样本数据划分为N份,N为大于等于2的整数,一般N可以设置为10,针对某种算法训练时候,每一次取出其中的(N-1)份训练,这样每种训练样本可以得到N个模型,从而可以提高训练模型的鲁棒能力,且这些训练模型预测时,计算速度较快,所以,多训练一些模型,计算的实时性也是有保证的。以N=10为例,每次取C1 9 0份数据,即每次训练时,排除其中的一份即可,利用剩余9份样本数据进行训练,例如,第一次排除第一份,第二次排除第二份,依次类推,最后一次排除第十份。如图1a所示,其为利用样本数据活体预测模型训练的示意图,在样本采集阶段,通过红外摄像头采集足够的真实人脸样本和虚假人脸样本,需要说明的是,为了保证训练得到的活体预测模型输出结果的准确性,在采集样本时,可以采用不同的图像采集参数进行采集,例如,不同的角度,距离,拍摄姿态以及光照等等,采集的样本的数量最好大于一定的数值,例如,采集不少于1万份的样本数据。样本采集完成后,对样本做N次抽样得到N份样本数据,针对每一种分类算法,利用N份样本数据中选取的(N-1)份去训练模型,重复这一过程,则每个分类算法可以得到N个模型。图1a中以3种分类算法为例进行说明,3种分类算法分别为:神经网络算法、SVM(支撑向量机,Support Vector Machine)和adaboost算法。具体实施时,采用分类算法的数量可以根据实际需求进行选择,本发明实施例对此不进行限定。
利用得到的活体预测模型,可以按照图1b所示的流程实施人脸活体检测方法:
S11、利用预先训练好的活体预测模型对待检测对象进行预测。
其中,所述活体预测模型为利用至少一种分类算法对样本数据进行训练得到的,所述样本数据包括活体样本数据和虚假样本数据,所述活体样本数据和虚假样本数据为利用红外图像采集装置分别对活体样本和虚假样本进行图像采集得到的。
S12、根据每一活体预测模型输出的预测结果,判断所述待检测对象是否为活体对象。
具体实施时,将待检测对象分别输入每一活体预测模型进行预测,根据预测结果判断待检测对象是否为活体对象。其中,预测结果可以分为活体对象或者虚假对象。例如,根据每一活体预测模型输出的预测结果,如果预测结果为活体对象的比例大于预设比例阈值或者预测结果为活体对象的比例大于预测结果为虚假对象的比例,则可以确定待检测对象为活体对象;否则,确定待检测对象为虚假对象。
进一步地,为了提高预测结果的鲁棒性,本发明实施例中,可以采用多种分类算法分别对每一份样本数据进行训练得到相应的活体预测模型。为了在提高预测结果鲁棒性的同时,保证人脸活体检测的效率,具体实施时,可以采用3种分类算法分别对每一份样本数据进行训练得到3组活体预测模型,每一组活体预测模型中可以包含N个活体预测模型。
优选地,可以分别利用神经网络算法、SVM(支撑向量机,Support VectorMachine)和adaboost算法分别对每一份样本数据进行训练。
具体实施时,在利用神经网络算法对每一份样本数据进行训练时,首先可以对用于训练的样本数据进行预处理,将人脸归一化到统一尺寸。然后设计了一个深度神经网络,利用预先准备好的带有标签的样本进行训练,每一份样本数据可以得到一个活体预测模型,这样,利用N份样本数据可以得到N个活体预测模型。而对于SVM,可以利用每一份样本数据训练一个基于SVM的活体预测模型,在利用SVM对每一份样本数据进行训练时,特征提取方法采用分块LBP(Local Binary Patterns,局部二值模式)提取特征,然后将提取的特征输入SVM分类器得到活体预测模型,同样,每一份样本数据可以得到一个活体预测模型,这样,利用N份样本数据可以得到N个活体预测模型。对于adaboost算法,可以利用样本数据训练一个基于adaboost的2分类器,特征提取采用分块HOG(Histogram ofOrientedGradient,方向梯度直方图)提取特征,然后将提取的特征输入到adaboost进行训练,得到基于adaboost的活体预测模型,同样,每一份样本数据可以得到一个活体预测模型,这样,利用N份样本数据可以得到N个活体预测模型。
基于此,本发明实施例中可以按照图2所示的流程获得至少一个活体预测模型:
S21、将采集的样本数据划分为N份。
其中,N为大于等于1的整数。
S22、针对每一种分类算法,利用该分类算法分别从N份样本数据中选取(N-1)份进行训练得到一组活体预测模型。
其中,一组活体预测模型中包含N个活体预测模型。
为了在利用多种分类算法得到的多组活体预测模型对待检测对象进行预测得到相应的预测结果后,根据获得的多个预测结果判断待检测对象是否为活体对象,本发明实施例中,可以针对每一组活体预测模型,获取预先针对该组活体预测模型所设置的权重,并按照图3所示的流程确定待检测对象是否为活体对象:
S31、针对每一组活体预测模型,统计该组活体预测模型包含的各活体预测模型输出的预测结果为活体对象的数量。
为了便于描述,以N=10为例进行说明。这样,利用神经网络算法从10份样本数据中选择其中的9份样本数据进行训练可以得到1个基于神经网络算法的活体预测模型,重复上述过程,每一次均从10份样本数据中选择其中的9份样本数据进行训练,这样,每一次均可以得到1个基于神经网络算法的活体预测模型,最终可以得到10个基于神经网络算法的活体预测模型;采用类似的方法,利用SVM进行训练可以得到10个基于SVM的活体预测模型,利用adaboost进行训练可以得到10个基于adaboost的活体预测模型,共计获得了30个活体预测模型。将待检测对象输入每一活体预测模型,可以获得待检测对象是否为活体对象的预测结果。
S32、根据每一组活体预测模型输出的结果为活体对象的数量及其对应的权重进行加权和得到加权结果。
假设预先设置基于神经网络算法的一组活体预测模型对应的权重为α,基于SVM的一组活体预测模型对应的权重为β,基于adaboost的一组活体预测模型对应的权重为δ,则可以根据以下公式确定加权结果:(α*M1+β*M2+δ*M3)/100,其中,M1表示基于神经网络算法的一组活体预测模型对应的预测结果为活体对象的数量,M2表示基于SVM的一组活体预测模型对应的预测结果为活体对象的数量,M3表示基于adaboost的一组活体预测模型对应的预测结果为活体对象的数量。
S33、根据所述加权结果确定所述待检测对象是否为活体对象。
具体地,如果加权结果大于预设阈值,则确定所述待检测对象为活体对象;如果加权结果不大于预设阈值,则确定所述检测对象为虚假对象。
如图3b所示,其为本发明实施例中判断待检测人脸是否为真是人脸的示意图,分别利用上述训练得到的基于神经网络算法的N个活体预测模型、N个基于Adaboost算法的活体预测模型和N个基于SVM的活体预测算法对待检测人脸进行预测,假设,基于神经网络算法的N个活体预测模型中有N1次预测结果确定为真实人脸,基于Adaboost算法的N个活体预测模型中有N2次预测结果确定为真实人脸,基于SVM的N个活体预测模型中有N3次预测结果确定为真实人脸,假设,预先设置基于神经网络算法的活体预测模型对应的权重为5,基于Adaboost算法的活体预测模型对应的权重为3,基于SVM的活体预测模型对应的权重2,则按照以下公式判断待测人脸是否为真实人脸:Ret=(N1*5+N2*M3+N3*2)/100,如果Ret大于预设阈值,则确定待测人脸为真是人脸,否则确定待测人脸为虚假人脸。以预设阈值为0.5,预先设置基于神经网络算法的一组活体预测模型对应的权重为5,基于adaboost的一组活体预测模型对应的权重为3,基于SVM的一组活体预测模型对应的权重为2为例;假设基于神经网络算法的10个活体预测模型中,输出的检测结果如下:6个预测结果为活体对象,4个预测结果为虚假对象;基于SVM的10个活体预测模型中,输出的检测结果如下:8个预测结果为活体对象,2个预测结果为虚假对象;基于adaboost的10个活体预测模型中,输出的检测结果如下:7个预测结果为活体对象,3个预测结果为虚假对象。则可以根据以下公式确定加权结果:(5*6+3*7+2*8)/100=0.67。由于0.67大于0.5,则可以确定待检测对象为活体对象。
本发明实施例提供的人脸活体检测方法,利用红外图像采集装置分别对活体样本和虚假样本进行图像采集得到活体样本数据和虚假样本数据,进而利用至少一种分类算法对得到的样本数据进行训练得到活体预测模型,利用活体预测模型对待检测对象进行预测,并根据预测结果判断待检测对象是否为活体对象,由于使用红外图像采集装置针对活体和虚假伪造的假脸采集的图像具有一定的区别,例如,亮瞳效益、清晰度和纹理不一样等,使得利用采用红外图像采集装置采集的样本数据进行训练得到的活体预测模型,能够更加准确地区分出活体图像和虚假图像,从而提高了人脸活体检测的准确性和身份认证系统的安全性。另一方面,还可以同时使用多种分类算法对样本数据进行训练得到多个活体预测模型,以提高预测结果的鲁棒性。
基于同一发明构思,本发明实施例中还提供了一种人脸活体检测装置装置,由于上述装置及设备解决问题的原理与人脸活体检测方法相似,因此上述装置的实施可以参见方法的实施,重复之处不再赘述。
如图4所示,其为本发明实施例提供的人脸活体检测装置的结构示意图,包括:
预测单元41,用于利用预先训练好的活体预测模型对待检测对象进行预测,所述活体预测模型为利用至少一种分类算法对红外图像采集装置采集的样本数据进行训练得到的,所述样本数据包括活体样本数据和虚假样本数据;
判断单元42,用于根据每一活体预测模型输出的预测结果,判断所述待检测对象是否为活体对象。
可选地,本发明实施例提供的人脸活体检测装置,还可以包括:
划分单元,用于将所述样本数据划分为N份,其中N为大于等于1的整数;
训练单元,用于针对每一种分类算法,利用该分类算法分别从N份样本数据中选取N-1份进行训练得到一组活体预测模型,其中,一组活体预测模型中包含N个活体预测模型。
可选地,本发明实施例提供的人脸活体检测装置,还可以包括获取单元,其中:
获取单元,用于在所述判断单元在根据每一活体预测模型输出的检测结果判断所述待检测对象是否为活体对象之前,针对每一组活体预测模型,获取预先针对该组活体预测模型所设置的权重;
所述判断单元42,具体用于针对每一组活体预测模型,统计该组活体预测模型包含的各活体预测模型输出的预测结果确定为活体对象的数量;根据每一组活体预测模型输出的结果确定为活体对象的数量及其对应的权重进行加权和得到加权结果;根据所述加权结果判断所述待检测对象是否为活体对象。
其中,所述判断单元42,具体用于如果加权结果大于预设阈值,则确定所述待检测对象为活体对象;如果加权结果不大于预设阈值,则确定所述检测对象为虚假对象。
为了描述的方便,以上各部分按照功能划分为各模块(或单元)分别描述。当然,在实施本发明时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
在介绍了本发明示例性实施方式的人脸活体检测方法和装置之后,接下来,介绍根据本发明的另一示例性实施方式的计算装置。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本发明的计算装置可以至少包括至少一个处理单元、以及至少一个存储单元。其中,所述存储单元存储有程序代码,当所述程序代码被所述处理单元执行时,使得所述处理单元执行本说明书上述描述的根据本发明各种示例性实施方式的人脸活体检测方法中的步骤。例如,所述处理单元可以执行如图1b中所示的步骤S11、利用预先训练好的活体预测模型对待检测对象进行预测,和步骤S12、根据每一活体预测模型输出的预测结果,判断所述待检测对象是否为活体对象。
下面参照图5来描述根据本发明的这种实施方式的计算装置50。图5显示的计算装置50仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算装置50以通用计算设备的形式表现。计算装置50的组件可以包括但不限于:上述至少一个处理单元51、上述至少一个存储单元52、连接不同系统组件(包括存储单元52和处理单元51)的总线53。
总线53表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元52可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)521和/或高速缓存存储器522,还可以进一步包括只读存储器(ROM)523。
存储单元52还可以包括具有一组(至少一个)程序模块524的程序/实用工具525,这样的程序模块524包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置50也可以与一个或多个外部设备54(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与计算装置50交互的设备通信,和/或与使得该计算装置50能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口55进行。并且,计算装置50还可以通过网络适配器56与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器56通过总线53与用于计算装置50的其它模块通信。应当理解,尽管图中未示出,可以结合计算装置50使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本发明提供的人脸活体检测的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机设备上运行时,所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的人脸活体检测的方法中的步骤,例如,所述计算机设备可以执行如图1b中所示的步骤S11、利用预先训练好的活体预测模型对待检测对象进行预测,和步骤S12、根据每一活体预测模型输出的预测结果,判断所述待检测对象是否为活体对象。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本发明的实施方式的用于人脸活体检测的的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在计算设备上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种人脸活体检测方法,其特征在于,包括:
利用预先训练好的活体预测模型对待检测对象进行预测,所述活体预测模型为利用至少一种分类算法对红外图像采集装置采集的样本数据进行训练得到的,所述样本数据包括活体样本数据和虚假样本数据;
根据每一活体预测模型输出的预测结果,判断所述待检测对象是否为活体对象。
2.如权利要求1所述的方法,其特征在于,按照以下流程获得至少一个活体预测模型:
将所述样本数据划分为N份,其中N为大于等于2的整数;
针对每一种分类算法,利用该分类算法分别从N份样本数据中选取N-1份进行训练得到该分类算法对应的一组活体预测模型,其中,每一组活体预测模型包括N个活体预测模型。
3.如权利要求2所述的方法,其特征在于,在根据每一活体预测模型输出的检测结果判断所述待检测对象是否为活体对象之前,还包括:
针对每一组活体预测模型,获取预先针对该组活体预测模型所设置的权重;以及
根据每一活体预测模型输出的检测结果,判断所述待检测对象是否为活体对象,具体包括:
针对每一组活体预测模型,统计该组活体预测模型包含的各活体预测模型输出的预测结果确定为活体对象的数量;
根据每一组活体预测模型输出的结果确定为活体对象的数量及其对应的权重进行加权和得到加权结果;
根据所述加权结果判断所述待检测对象是否为活体对象。
4.根据权利要求3所述的方法,其特征在于,根据所述加权结果判断所述待检测对象是否为活体对象,具体包括:
如果加权结果大于预设阈值,则确定所述待检测对象为活体对象;
如果加权结果不大于预设阈值,则确定所述检测对象为虚假对象。
5.一种人脸活体检测装置,其特征在于,包括:
预测单元,用于利用预先训练好的活体预测模型对待检测对象进行预测,所述活体预测模型为利用至少一种分类算法对红外图像采集装置采集的样本数据进行训练得到的,所述样本数据包括活体样本数据和虚假样本数据;
判断单元,用于根据每一活体预测模型输出的预测结果,判断所述待检测对象是否为活体对象。
6.如权利要求5所述的装置,其特征在于,还包括:
划分单元,用于将所述样本数据划分为N份,其中N为大于等于2的整数;
训练单元,用于针对每一种分类算法,利用该分类算法分别从N份样本数据中选取N-1份进行训练得到该分类算法对应的一组活体预测模型,其中,一组活体预测模型包含N个活体预测模型。
7.如权利要求6所述的装置,其特征在于,还包括获取单元,其中:
获取单元,用于在所述判断单元在根据每一活体预测模型输出的检测结果判断所述待检测对象是否为活体对象之前,针对每一组活体预测模型,获取预先针对该组活体预测模型所设置的权重;
所述判断单元,具体用于针对每一组活体预测模型,统计该组活体预测模型包含的各活体预测模型输出的预测结果确定为活体对象的数量;根据每一组活体预测模型输出的结果确定为活体对象的数量及其对应的权重进行加权和得到加权结果;根据所述加权结果判断所述待检测对象是否为活体对象。
8.如权利要求7所述的装置,其特征在于,
所述判断单元,具体用于如果加权结果大于预设阈值,则确定所述待检测对象为活体对象;如果加权结果不大于预设阈值,则确定所述检测对象为虚假对象。
9.一种计算装置,其特征在于,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行权利要求1~4任一权利要求所述方法的步骤。
10.一种计算机可读介质,其特征在于,其存储有可由计算装置执行的计算机程序,当所述程序在计算装置上运行时,使得所述计算装置执行权利要求1~4任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852818.XA CN107590473B (zh) | 2017-09-19 | 2017-09-19 | 一种人脸活体检测方法、介质和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852818.XA CN107590473B (zh) | 2017-09-19 | 2017-09-19 | 一种人脸活体检测方法、介质和相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107590473A true CN107590473A (zh) | 2018-01-16 |
CN107590473B CN107590473B (zh) | 2021-06-22 |
Family
ID=61048326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710852818.XA Active CN107590473B (zh) | 2017-09-19 | 2017-09-19 | 一种人脸活体检测方法、介质和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590473B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684924A (zh) * | 2018-11-21 | 2019-04-26 | 深圳奥比中光科技有限公司 | 人脸活体检测方法及设备 |
CN110069970A (zh) * | 2018-01-22 | 2019-07-30 | 三星电子株式会社 | 活性测试方法和设备 |
CN110188715A (zh) * | 2019-06-03 | 2019-08-30 | 广州二元科技有限公司 | 一种多帧检测投票的视频人脸活体检测方法 |
CN110738072A (zh) * | 2018-07-18 | 2020-01-31 | 浙江宇视科技有限公司 | 活体判断方法及装置 |
CN111191519A (zh) * | 2019-12-09 | 2020-05-22 | 同济大学 | 一种用于移动供电装置用户接入的活体检测方法 |
CN111879724A (zh) * | 2020-08-05 | 2020-11-03 | 中国工程物理研究院流体物理研究所 | 基于近红外光谱成像的人皮面具识别方法及系统 |
CN112364808A (zh) * | 2020-11-24 | 2021-02-12 | 哈尔滨工业大学 | 基于fmcw雷达与人脸跟踪识别的活体身份认证方法 |
CN112749978A (zh) * | 2020-12-31 | 2021-05-04 | 百度在线网络技术(北京)有限公司 | 检测方法、装置、设备、存储介质以及程序产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
US20170032192A1 (en) * | 2015-07-30 | 2017-02-02 | Snitch, Inc. | Computer-vision based security system using a depth camera |
CN106599829A (zh) * | 2016-12-09 | 2017-04-26 | 杭州宇泛智能科技有限公司 | 基于主动近红外光的人脸防伪算法 |
CN106599826A (zh) * | 2016-12-09 | 2017-04-26 | 杭州宇泛智能科技有限公司 | 基于近红外光人脸3d重建的方法 |
CN106778518A (zh) * | 2016-11-24 | 2017-05-31 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
-
2017
- 2017-09-19 CN CN201710852818.XA patent/CN107590473B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
US20170032192A1 (en) * | 2015-07-30 | 2017-02-02 | Snitch, Inc. | Computer-vision based security system using a depth camera |
CN106778518A (zh) * | 2016-11-24 | 2017-05-31 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
CN106599829A (zh) * | 2016-12-09 | 2017-04-26 | 杭州宇泛智能科技有限公司 | 基于主动近红外光的人脸防伪算法 |
CN106599826A (zh) * | 2016-12-09 | 2017-04-26 | 杭州宇泛智能科技有限公司 | 基于近红外光人脸3d重建的方法 |
Non-Patent Citations (2)
Title |
---|
YUMING LI等: "Face liveness detection and recognition using shearlet based feature descriptors", 《IEEE》 * |
盘海玲: "人脸识别系统中活体检测技术", 《科技资讯》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069970A (zh) * | 2018-01-22 | 2019-07-30 | 三星电子株式会社 | 活性测试方法和设备 |
CN110738072A (zh) * | 2018-07-18 | 2020-01-31 | 浙江宇视科技有限公司 | 活体判断方法及装置 |
CN109684924A (zh) * | 2018-11-21 | 2019-04-26 | 深圳奥比中光科技有限公司 | 人脸活体检测方法及设备 |
CN109684924B (zh) * | 2018-11-21 | 2022-01-14 | 奥比中光科技集团股份有限公司 | 人脸活体检测方法及设备 |
CN110188715A (zh) * | 2019-06-03 | 2019-08-30 | 广州二元科技有限公司 | 一种多帧检测投票的视频人脸活体检测方法 |
CN111191519A (zh) * | 2019-12-09 | 2020-05-22 | 同济大学 | 一种用于移动供电装置用户接入的活体检测方法 |
CN111191519B (zh) * | 2019-12-09 | 2023-11-24 | 同济大学 | 一种用于移动供电装置用户接入的活体检测方法 |
CN111879724A (zh) * | 2020-08-05 | 2020-11-03 | 中国工程物理研究院流体物理研究所 | 基于近红外光谱成像的人皮面具识别方法及系统 |
CN112364808A (zh) * | 2020-11-24 | 2021-02-12 | 哈尔滨工业大学 | 基于fmcw雷达与人脸跟踪识别的活体身份认证方法 |
CN112749978A (zh) * | 2020-12-31 | 2021-05-04 | 百度在线网络技术(北京)有限公司 | 检测方法、装置、设备、存储介质以及程序产品 |
CN112749978B (zh) * | 2020-12-31 | 2024-02-06 | 百度在线网络技术(北京)有限公司 | 检测方法、装置、设备、存储介质以及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN107590473B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590473A (zh) | 一种人脸活体检测方法、介质和相关装置 | |
Liao et al. | Deep facial spatiotemporal network for engagement prediction in online learning | |
Hoang Ngan Le et al. | Robust hand detection and classification in vehicles and in the wild | |
CN106897658B (zh) | 人脸活体的鉴别方法和装置 | |
CN103443804B (zh) | 面部标志检测方法 | |
Salman et al. | Classification of real and fake human faces using deep learning | |
CN108229262B (zh) | 一种色情视频检测方法及装置 | |
JP2022141931A (ja) | 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN108875509A (zh) | 活体检测方法、装置和系统及存储介质 | |
CN111611851A (zh) | 模型生成方法、虹膜检测方法及装置 | |
Zheng | A novel attention-based convolution neural network for human activity recognition | |
CN114469120A (zh) | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 | |
Athar et al. | Improving Pneumonia Detection in chest X-rays using Transfer Learning Approach (AlexNet) and Adversarial Training | |
CN108875549A (zh) | 图像识别方法、装置、系统及计算机存储介质 | |
CN107392191A (zh) | 身份判定方法、装置及电子设备 | |
Tang et al. | Brain tumor detection from mri images based on resnet18 | |
Haghpanah et al. | Real-time hand rubbing quality estimation using deep learning enhanced by separation index and feature-based confidence metric | |
Boncolmo et al. | Gender Identification Using Keras Model Through Detection of Face | |
CN112861743A (zh) | 一种掌静脉图像防伪方法、装置和设备 | |
Patil et al. | Ensemble learning for detection of types of melanoma | |
CN112052816A (zh) | 基于自适应图卷积对抗网络的人体行为预测方法及系统 | |
CN116758643A (zh) | 一种深度伪造人脸图像检测方法及装置 | |
Gupta et al. | Progression modelling for online and early gesture detection | |
CN112699907A (zh) | 数据融合的方法、装置和设备 | |
CN115953822A (zh) | 一种基于rPPG生理信号的人脸视频鉴伪方法和装置 |
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 |