CN107742112A - 一种基于图像的人脸防伪方法及装置 - Google Patents

一种基于图像的人脸防伪方法及装置 Download PDF

Info

Publication number
CN107742112A
CN107742112A CN201711074733.XA CN201711074733A CN107742112A CN 107742112 A CN107742112 A CN 107742112A CN 201711074733 A CN201711074733 A CN 201711074733A CN 107742112 A CN107742112 A CN 107742112A
Authority
CN
China
Prior art keywords
face
image
image data
alignment
point
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
Application number
CN201711074733.XA
Other languages
English (en)
Inventor
李东
叶培楚
章云
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 CN201711074733.XA priority Critical patent/CN107742112A/zh
Publication of CN107742112A publication Critical patent/CN107742112A/zh
Pending legal-status Critical Current

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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/22—Cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于毛孔尺度信息的人脸防伪方法及装置，包括：连续采集两张人脸图像数据；对人脸图像进行裁剪、对齐，并进一步计算其人脸差值图像与高斯差分图像；根据预设阈值信息，对高斯差分图像提取特征点；利用支持向量机对输入图像进行分类，给出判断信息。本申请基于图像信息分析与人脸皮肤毛孔特性及相关算法，可以有效鉴别真人与伪造物。该方法实施简单、成本低、稳定性好、精确度高。

Description

一种基于图像的人脸防伪方法及装置
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于图像的人脸防伪方法，一种基于图像的人脸防伪装置。
背景技术
人脸识别技术是一种利用人脸生物特征进行身份认证的技术。人脸识别技术目前被广泛应用于支付、安保、监控等领域。
人脸识别技术在使用时，无论是移动支付、安检、公证还是考勤，都需要能够有效防伪，避免错误识别。若出现错误识别的情况，无论是在上述哪个领域，都会给用户带来严重的损失。因此人脸支付技术需要能够有效识别伪造人脸及其他伪造方式，但现有的防伪技术存在传感器昂贵、防伪准确率不高等缺点。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于图像的人脸防伪方法和相应的一种基于图像的人脸防伪装置。
为了解决上述问题，本发明实施例公开了一种基于图像的人脸防伪方法，包括：
采集目标图像数据；
裁剪所述目标图像数据以去除背景等非人脸区域；
对所述裁剪后的人脸图像数据进行人脸对齐；
对所述对齐后的人脸图像数据计算人脸差值图像；
在所述高斯差分图像上提取特征点；
基于特征点阈值信息，利用分类器进行分类。
优选地，在本发明实施例提供的上述基于图像的人脸防伪方法中，采用摄像机对同一人脸进行连续拍摄两次，获得两张人脸图像作为目标图像。
优选地，在本发明实施例提供的上述基于图像的人脸防伪方法中，裁剪所述目标图像数对所述目标图像进行五官定位，结合预设边界阈值去除背景等非人脸区域。
收集n个训练样本，手动标记脸部特征点，包括脸颊、鼻子、眼睛、嘴巴等区域特征点；
将训练集中特征点的坐标{(x1，y1)，(x2，y2)，…，(xn，yn)}合并成特征向量[X Y]，其中X＝[x1，x2，…，xn]T，y＝[y1，y2，…，yn]T；
利用Procrustes方法将上述特征进行对齐，并进一步做归一化处理以去除特征之间的相关性。
最后为每个特征点构建其局部特征向量。
根据上述训练得到的模型，对本发明输入数据进行处理，可以较为准确地定位到人脸五官位置{(x1，y1)，(x2，y2)，…，(xm，ym)}共m个特征点。
根据所述人脸五官定位技术找到五官位置，并设置一定边界阈值条件进行图片裁剪，将背景等非人脸区域去除。
优选地，在本发明实施例提供的上述基于图像的人脸防伪方法中，将所述目标图像数据进行人脸对齐，具体包括：
采用二维仿射变换人脸对齐方法或其他相关人脸对齐方法对所述目标图像数据进行人脸对齐。
以二维仿射变换人脸对齐技术对所述目标图像数据Ipos1，Ipos2进行对齐，
设所述目标图像Ipos1中第i个特征点为所述目标图像Ipos2中相对应的第i个特征点为变换矩阵计算变换矩阵：
根据所述五官定位可知人脸五官有m个特征点，上述变换矩阵采用直接线性变换方式求解：
通过最小二乘法解得上述变换矩阵M，完成所述目标图像Ipos1与Ipos2之间的人脸对齐。
优选地，在本发明实施例提供的上述基于图像的人脸防伪方法中，计算所述目标图像数据人脸差值图像，具体包括：
将所述对齐后的两张人脸图像数据在像素层级相减得到人脸差值图像。
优选地，在本发明实施例提供的上述基于图像的人脸防伪方法中，在所述目标图像数据提取特征点，具体包括：
对所述目人脸差值图像计算其特征，并通过预设阈值筛选特征数量：
将所述人脸差值图像Ipos与不同σ值的高斯卷积核卷积得到不同尺度下的图像：
L(x，y，σ)＝G(x，y，σ)*Ipos(x，y)，
根据上述步骤不同σ得到的不同尺度图像L(x，y，σ1)，L(x，y，σ2)，L(x，y，σ3)，L(x，y，σ4)，利用四个不同尺度空间图像计算三层高斯差分图像：
D1＝D(x，y，σ1，σ2)＝(G(x，y，σ1)-G(x，y，σ2))*Ipos(x，y)＝L(x，y，σ1)-L(x，y，σ2)
D2＝D(x，y，σ2，σ3)＝(G(x，y，σ2)-G(x，y，σ3))*Ipos(x，y)＝L(x，y，σ2)-L(x，y，σ3)
D3＝D(x，y，σ3，σ4)＝(G(x，y，σ3)-G(x，y，σ4))*Ipos(x，y)＝L(x，y，σ3)-L(x，y，σ4)
在所述高斯差分图像D1，D2，D3中，对所述高斯差分图像D2中每一个像素D2(x，y)，计算其与8邻域以及与D1，D3对应位置两个9邻域共三层26个临近点的大小。若D2(x，y)是该26邻域中最大值，则定义该点为特征点，保留并进行下一步优化。否则剔除该点；
对所述高斯差分图像D2进行二阶泰勒展开：
对所述展开式求导，并令其导数为0，则D(x)极值点为
将极值点代入泰勒展开式中并去除二阶项得到响应值
将所述响应值与所述预设阈值Npos进行比较。
优选地，在本发明实施例提供的上述基于图像的人脸防伪方法中，基于特征点阈值信息，利用分类器进行分类，具体包括：
利用所述分类器对所述预设阈值Npos进行分类；
以支持向量机(SVM)分类器对预设阈值分类：
构建多组正样本数据与负样本数据
定义超平面方程为g(x)＝wTx+b＝0；
结合样本标签与归一化操作得到更紧凑的模型表示方法：y(wTx+b)≥1；
对多组权值(w，b)进行筛选，使分类效果最好：
x＝xp+r w/||w||，
将x代入g(x)方程g(x)＝wT(xp+r w/||w||)+b＝r||w||，即有
构造拉格朗日函数：其中ai≥0。
本发明实施例还提供了一种基于图像的人脸防伪装置，包括：
图像采集模块，用于采集人脸图像数据；
图像处理模块，用于对输入的人脸图像数据进行处理；
分类器处理模块，用于对输入数据所用阈值进行分类判断；
本发明所提供的一种基于图像的人脸防伪方法及装置，包括：连续采集两张人脸图像数据；利用五官定位技术以及预设边界阈值对人脸图像进行裁剪以去除背景等非人脸区域；利用二维仿射变换技术计算仿射矩阵对人脸进行对齐；并进一步计算人脸差值图像以及高斯差分图像；根据预设阈值信息，对高斯差分图像提取特征点；利用支持向量机对输入图像进行分类，给出判断信息。该方法实施简单、成本低、稳定性好、精确度高，能够准确识别当前对象是真人或伪造物，实现有效防伪。
附图说明
图1是本发明的一种基于图像的人脸防伪方法实施例一的步骤流程图；
图2是本发明的一种基于图像的人脸防伪方法实施例二的步骤流程图；
图3是本发明的一种基于图像的人脸防伪装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1，示出了本发明的一种基于图像的人脸防伪方法实施例一的步骤流程图，可以包括如下步骤：
步骤101，采集两张人脸图像数据；
步骤102，计算所述人脸图像数据的差值图；
步骤103，计算所述差值图中的特征点，利用预设阈值保留所需特征点数量；
步骤104，基于预设阈值信息，利用训练好的支持向量机等分类器对所述阈值进行分类，判断当前输入图像数据是真人还是其他伪造物。
在本发明实施例中，连续获取两张人脸图像以后，可以计算两张人脸的人脸差值图像，利用毛孔的反光特性对差值图提取特征点，进而用训练好的支持向量机等分类器对预设阈值进行分类，能够有效识别出当前输入图像是真人还是其他伪造物。
参照图2，示出了本发明的一种基于图像的人脸防伪方法实施例二的步骤流程图，可以包括如下步骤；
步骤201，采用普通手机设备前置摄像头对人脸进行连续拍摄，获得连续拍摄的两张图像，定义其为正样本图像，记为Ipos1，Ipos2；此外，对同一人脸图像显示在IPad设备上进行连续拍摄，获得连续拍摄的两张图像，定义其为负样本图像，记为Ineg1，Ineg2。分别采集多组不同人脸的正、负样本图像数据。
在具体实现中，人脸图像采集设备可以使用普通手机设备前置摄像头，或者位于监控设备等终端中，本发明实施例对此不作限定。此外，负样本图像可以是本发明提出的拍摄I Pad设备上的连续两张图像，或者是在人脸面具等装备上拍摄的连续两张图像，本发明实施例对此不作限定。
步骤202，采用常用的人脸五官定位技术定位输入图像的人脸五官位置，并通过设置一定的边界阈值进行图片裁剪：
在具体实现中，人脸五官定位技术的方法有多种，如ASM与AAM等。
以下以ASM人脸五官定位技术为例，对人脸五官定位技术的过程进行说明，但应当理解的是，本发明实施例并不限于此：
1)训练
收集n个训练样本，手动标记脸部特征点，包括脸颊、鼻子、眼睛、嘴巴等区域特征点；
将训练集中特征点的坐标{(x1，y1)，(x2，y2)，…，(xn，yn)}合并成特征向量[X Y]，其中X＝[x1，x2，…，xn]T，y＝[y1，y2，…，yn]T；
利用Procrustes方法将上述特征进行对齐，并进一步做归一化处理以去除特征之间的相关性。
最后为每个特征点构建其局部特征，本发明中采用梯度信息。
在具体实现中，构建局部特征的方法有多种，如直接使用灰度信息，用梯度信息，用方差等多种方法，本发明实施例对此不作限定。
2)定位
根据上述训练得到的模型，对本发明输入数据进行处理，可以较为准确地定位到人脸五官位置{(x1，y1)，(x2，y2)，…，(xm，ym)}共m个特征点。
根据上述人脸五官定位技术找到五官位置，并设置一定边界阈值条件进行图片裁剪，将背景等非人脸区域去除。
步骤203，将上述裁剪完的两张人脸图像进行人脸对齐：
以正样本为例进行详细说明，负样本操作方式与正样本一致。
人脸对齐在两张人脸图像Ipos1，Ipos2之间需要进行位移、旋转、翻转和缩放等一系列变换才能实现对齐。
以下以二维仿射变换人脸对齐技术为例，对两张人脸图像Ipos1，Ipos2对齐的过程进行说明，但应当理解的是，本发明实施例并不限于此：
1)设正样本图像Ipos1中第i个特征点为正样本图像Ipos2中相对应的第i个特征点为变换矩阵对齐过程只需计算变换矩阵即可：其中将表述为表示齐次化，此时由欧式空间变换到射影空间。
2)根据上述步骤五官定位可知人脸五官有m个特征点，则上述变换矩阵可以采用直接线性变换方式来求解：
通过最小二乘法可以求得上述变换矩阵M，完成正样本两张图像Ipos1与Ipos2之间的人脸对齐。
步骤204，对上述进行人脸对齐后的正、负样本图像计算其对应差值图像：
对上述处理得到的正样本两张图像Ipos1，Ipos2进行像素值相减Ipos＝Ipos1-Ipos2，得到正样本的差值图像Ipos；
同理，对负样本两张图像Ineg1，Ineg2进行像素相减Ineg＝Ineg1-Ineg2，得到负样本的差值图像Ineg。
步骤205，对上述差值图像计算其特征，并通过预设阈值筛选特征数量：
在具体实现中，特征点的选择有多种，以下以高斯差分算子为例，对特征提取的过程进行说明，但应当理解的是，本发明实施例并不限于此：
1)根据尺度空间理论，通过图像与不同的高斯卷积核进行卷积构建尺度空间，来模拟图像数据的多尺度特征，以使提取的特征具有尺度不变性。高斯卷积核大小主要由σ决定：
将正样本差值图Ipos与不同σ值的高斯卷积核进行卷积得到不同尺度下的图像：
L(x，y，σ)＝G(x，y，σ)*Ipos(x，y)
其中，Ipos(x，y)表示正样本差值图Ipos中第y行第x列的像素值。
2)根据上述步骤不同σ得到的不同尺度图像L(x，y，σ1)，L(x，y，σ2)，L(x，y，σ3)，L(x，y，σ4)，包括但不限于四个尺度空间σ1，σ2，σ3，σ4，利用四个不同尺度空间图像计算三层高斯差分图像，包括但不限于三层高斯差分图像：
D1＝D(x，y，σ1，σ2)＝(G(x，y，σ1)-G(x，y，σ2))*Ipos(x，y)＝L(x，y，σ1)-L(x，y，σ2)
D2＝D(x，y，σ2，σ3)＝(G(x，y，σ2)-G(x，y，σ3))*Ipos(x，y)＝L(x，y，σ2)-L(x，y，σ3)
D3＝D(x，y，σ3，σ4)＝(G(x，y，σ3)-G(x，y，σ4))*Ipos(x，y)＝L(x，y，σ3)-L(x，y，σ4)
3)由上述步骤得到高斯差分图像D1，D2，D3，对于D2中每一个像素D2(x，y)，计算其与8邻域以及与D1，D3对应位置两个9邻域共三层26个临近点的大小。若D2(x，y)是该26邻域中最大值，则定义该点为特征点，保留并进行下一步优化。否则剔除该点。
4)根据上述步骤得到的特征点位置可能出现对比度低，甚至有不稳定的边缘响应等情况。为了提高特征点稳定性与抗噪声能力，对高斯差分图像D2进行二阶泰勒展开：
对上述展开式求导，并令其导数为0，则D(x)极值点为
5)将(2)式中的极值点代入(1)式中并去除二阶项得到响应值通过将响应值与预设阈值Npos进行比较，若响应值绝对值不小于预设阈值Npos，则保留该特征点，否则丢弃。
6)根据上述五个步骤对负样本差值图同样提取特征点，负样本预设阈值为Nneg。
7)通常对于不同纹理的图像，提取相同数量M的特征点，所预设的阈值通常是不同的。对于正样本图像，根据光照的微弱变化，人脸皮肤毛孔的反光特性不同导致正样本差值图有较多非0区域；而对于负样本图像，对光照微弱变化并无明显响应，因此负样本差值图的有较多0区域。这决定了正样本差值图与负样本差值图在特征提取时预设阈值Npos，Nneg的不同。
步骤206，利用分类器对上述多组预设阈值进行分类：
在具体实现中，分类器种类很多，诸如支持向量机(SVM)、K-近邻分类器、朴素贝叶斯分类器、决策树算法等多种分类器。
以下以支持向量机(SVM)分类器为例，对预设阈值分类的过程进行说明，但应当理解的是，本发明实施例并不限于此：
1)根据上述步骤得到正、负样本预设阈值信息Npos与Nneg，构成多组正样本数据与负样本数据其中下标表示正样本或负样本，上标表示第几组样本。
2)定义超平面方程为g(x)＝wTx+b＝0，其中w，b为权值，x为样本数据。
对于正样本数据，权值w与b需满足：wTNpos+b＞0(3)；
同理，对于负样本数据，权值w与b需满足：wTNneg+b＜0(4)。
通过增加限制条件修改(3)(4)得到：
wTNpos+b＞σ＞0(5)，
wTNneg+b＜-σ＜0(6)，其中σ为非负实数。
3)根据上述步骤，结合样本标签与归一化操作得到更紧凑的模型表示方法：y(wTx+b)≥1(7)，其中y为正负样本标签，即y＝±1，x为样本。
4)根据上述步骤对所有正、负样本数据进行分类得到多组权值(w，b)，为使分类效果最好，对多组权值(w，b)进行筛选，得到最优的一组权值，使得正负样本数据间隔最远。筛选步骤如下：
将x改写为x＝xp+r w/||w||(8)，
其中xp为x在超平面的投影点，r为x到超平面的距离，w为垂直于超平面的向量，将(8)式代入g(x)方程可知g(x)＝wT(xp+r w/||w||)+b＝r||w||，即有显然要使得r最大，则要求||w||最小。
根据上述步骤所述，构造拉格朗日函数：其中ai≥0。
通过求解上述方程，即可筛选得到最优权值w和b。
5)通过上述步骤，根据输入的多组正、负样本图像数据，以及其提取固定特征数量所用的预设阈值训练分类器，得到较为准确的分类模型。在之后的验证过程，只需使用这个分类模型，即可对输入人脸图像数据进行正确判断，能够有效判定当前请求验证的用户是真人还是其他伪造物。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，
说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图3，示出了本发明的一种基于图像的人脸防伪装置实施例的结构框图，可以包括如下模块：
图像采集模块301，用于采集人脸图像数据；
图像处理模块302，用于对输入的人脸图像数据进行处理；
分类器处理模块303，用于对输入数据所用阈值进行分类判断；
结果反馈模块304，用于反馈判断结果，如语音提示和屏幕显示。
在本发明实施例的一种优选实施例中，所述人脸图像数据包括连续拍摄的两张人脸图像数据，所述图像采集模块301可以包括如下子模块：
摄像机子模块，用于对用户进行拍摄，获得连续两张人脸图像。
在本发明实施例的一种优选实施例中，所述图像处理模块302可以包括如下子模块：
人脸五官定位子模块，用于对所述两张人脸图像数据进行五官定位，获得人脸五官的特征点位置；
图像裁剪子模块，用于对所述两张人脸图像进行裁剪，去除背景等非人脸区域；
人脸对齐子模块，用于对所述两张人脸图像进行二维仿射变换实现人脸对齐；
差值图计算子模块，用于对所述两张对齐的人脸图像计算其差值图像。
在本发明实施例的一种优选实施例中，所述分类器处理模块303可以包括如下子模块：
分类器计算子模块，用于对输入的人脸图像数据进行分类。
在本发明实施例的一种优选实施例中，所述结果反馈模块304可以包括如下子模块：
语音提示子模块：用于语音提示当前验证状态；
屏幕显示子模块：用于在屏幕上显示当前验证状态。
对于图3的装置实施例而言，由于其与上述的方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端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终端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实施例的优选实施例，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实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中，还存在另外的相同要素。
以上对本发明所提供的一种基于图像的人脸防伪方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种基于毛孔尺度信息的人脸防伪方法，其特征在于，所述方法包括：
采集目标图像数据；
裁剪所述目标图像数据以去除背景等非人脸区域；
对所述裁剪后的人脸图像数据进行人脸对齐；
对所述对齐后的人脸图像数据计算人脸差值图像；
在所述高斯差分图像上提取特征点；
基于特征点阈值信息，利用分类器进行分类。
2.根据权利要求1所述的方法，其特征在于，所述目标图像数据包括连续采集的两张人脸图像，所述采集目标图像的步骤包括：
采用摄像机对同一人脸进行连续拍摄两次，获得两张人脸图像。
3.根据权利要求2所述的方法，其特征在于，所述裁剪所述目标图像数据中以去除背景等非人脸区域，具体包括：
对所述目标图像进行五官定位，结合预设边界阈值去除背景等非人脸区域。
以ASM人脸五官定位技术对人脸五官进行定位，但应当理解的是，本发明实施例并不限于此：
收集n个训练样本，手动标记脸部特征点，包括脸颊、鼻子、眼睛、嘴巴等区域特征点；
将训练集中特征点的坐标{(x1，y1)，(x2，y2)，...，(xn，yn)}合并成特征向量[X Y]，其中X＝[x1，x2，...，xn]T，y＝[y1，y2，...，yn]T；
利用Procrustes方法将上述特征进行对齐，并进一步做归一化处理以去除特征之间的相关性。
最后为每个特征点构建其局部特征向量。
4.根据权利要求3所述的方法，其特征在于，还包括：
根据上述训练得到的模型，对本发明输入数据进行处理，可以较为准确地定位到人脸五官位置{(x1，y1)，(x2，y2)，...，(xm，ym)}共m个特征点。
根据上述人脸五官定位技术找到五官位置，并设置一定边界阈值条件进行图片裁剪，将背景等非人脸区域去除。
5.根据权利要求3-4任一项所述的方法，其特征在于，所述将所述目标图像数据进行人脸对齐，具体包括：
采用二维仿射变换人脸对齐方法或其他相关人脸对齐方法对所述目标图像数据进行人脸对齐。
以二维仿射变换人脸对齐技术对所述目标图像数据Ipos1，Ipos2进行对齐，但应当理解的是，本发明并不限于此：
设所述目标图像Ipos1中第i个特征点为所述目标图像Ipos2中相对应的第i个特征点为变换矩阵计算变换矩阵：
根据所述五官定位可知人脸五官有m个特征点，上述变换矩阵采用直接线性变换方式求解：
通过最小二乘法解得上述变换矩阵M，完成所述目标图像Ipos1与Ipos2之间的人脸对齐。
6.根据权利要求5所述的方法，其特征在于，所述计算所述目标图像数据人脸差值图像，具体包括：
将所述对齐后的两张人脸图像数据在像素层级相减得到人脸差值图像。
7.根据权利要求6所述的方法，其特征在于，所述在所述目标图像数据提取特征点，具体包括：
对所述目人脸差值图像计算其特征，并通过预设阈值筛选特征数量：
特征点的选择有多种，以高斯差分算子对所述人脸差值图像进行特征提取，但应当理解的是，本发明实施例并不限于此：
将所述人脸差值图像Ipos与不同σ值的高斯卷积核卷积得到不同尺度下的图像：L(x，y，σ)＝G(x，y，σ)*Ipos(x，y)，
根据上述步骤不同σ得到的不同尺度图像L(x，y，σ1)，L(x，y，σ2)，L(x，y，σ3)，L(x，y，σ4)，包括但不限于四个尺度空间σ1，σ2，σ3，σ4，利用四个不同尺度空间图像计算三层高斯差分图像：
D1＝D(x，y，σ1，σ2)＝(G(x，y，σ1)-G(x，y，σ2))*Ipos(x，y)＝L(x，y，σ1)-L(x，y，σ2)
D2＝D(x，y，σ2，σ3)＝(G(x，y，σ2)-G(x，y，σ3))*Ipos(x，y)＝L(x，y，σ2)-L(x，y，σ3)
D3＝D(x，y，σ3，σ4)＝(G(x，y，σ3)-G(x，y，σ4))*Ipos(x，y)＝L(x，y，σ3)-L(x，y，σ4)
在所述高斯差分图像D1，D2，D3中，对所述高斯差分图像D2中每一个像素D2(x，y)，计算其与8邻域以及与D1，D3对应位置两个9邻域共三层26个临近点的大小。若D2(x，y)是该26邻域中最大值，则定义该点为特征点，保留并进行下一步优化。否则剔除该点。
对所述高斯差分图像D2进行二阶泰勒展开：
对所述展开式求导，并令其导数为0，则D(x)极值点为
将极值点代入泰勒展开式中并去除二阶项得到响应值
将所述响应值与所述预设阈值进行比较。
8.根据权利要求7所述的方法，其特征在于，所述基于特征点阈值信息，利用分类器进行分类，具体包括：
利用所述分类器对所述预设阈值Npos进行分类；
分类器种类众多，诸如支持向量机(SVM)、K-近邻分类器、朴素贝叶斯分类器、决策树算法等多种分类器。
以支持向量机(SVM)分类器对预设阈值分类的，但应当理解的是，本发明实施例并不限于此：
构建多组正样本数据与负样本数据
定义超平面方程为g(x)＝wTx+b＝0；
结合样本标签与归一化操作得到更紧凑的模型表示方法：y(wTx+b)≥1；
对多组权值(w，b)进行筛选，使分类效果最好：
x＝xp+rw/||w||，
将x代入g(x)方程g(x)＝wT(xp+rw/||w||)+b＝r||w||，即有
构造拉格朗日函数：其中ai≥0。
9.一种基于毛孔尺度信息的人脸防伪装置，其特征在于，所述装置包括：
图像采集模块，用于采集人脸图像数据；
图像处理模块，用于对输入的人脸图像数据进行处理；
分类器处理模块，用于对输入数据所用阈值进行分类判断；
结果反馈模块，用于反馈判断结果，如语音提示和屏幕显示。
10.根据权利要求9所述的装置，其特征在于，所述人脸图像数据包括连续拍摄的两张人脸图像，所述图像采集模块包括：
摄像机子模块，用于对用户进行拍摄，获得连续两张人脸图像。
摄像机子模块可以使用普通手机设备前置摄像头，或者监控设备等终端，本发明实施例对此不作限定。
11.根据权利要求10所述的装置，其特征在于，所述图像处理模块包括：
人脸五官定位子模块，用于对所述两张人脸图像数据进行五官定位，获得人脸五官的特征点位置；
图像裁剪子模块，用于对所述两张人脸图像进行裁剪，去除背景等非人脸区域；
人脸对齐子模块，用于对所述两张人脸图像进行人脸对齐；
差值图计算子模块，用于对所述两张对齐的人脸图像计算人脸差值图像。
特征提取子模块，用于对所述人脸差值图像进行特征提取；
12.根据权利要求11所述的装置，其特征在于，所述分类器处理模块包括：
分类器计算子模块，用于对所述输入的人脸图像数据进行分类。
13.根据权利要求12所述的装置，其特征在于，所述结果反馈模块包括：
语音提示模块，用于语音提示当前验证状态；
屏幕显示模块，用于在屏幕上显示当前验证状态。
CN201711074733.XA 2017-10-26 2017-10-26 一种基于图像的人脸防伪方法及装置 Pending CN107742112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711074733.XA CN107742112A (zh) 2017-10-26 2017-10-26 一种基于图像的人脸防伪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711074733.XA CN107742112A (zh) 2017-10-26 2017-10-26 一种基于图像的人脸防伪方法及装置

Publications (1)

Publication Number Publication Date
CN107742112A true CN107742112A (zh) 2018-02-27

Family

ID=61234080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711074733.XA Pending CN107742112A (zh) 2017-10-26 2017-10-26 一种基于图像的人脸防伪方法及装置

Country Status (1)

Country Link
CN (1) CN107742112A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210209732A1 (en) * 2020-06-17 2021-07-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Face super-resolution realization method and apparatus, electronic device and storage medium
CN115713998A (zh) * 2023-01-10 2023-02-24 华南师范大学 一种智能药箱

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663413A (zh) * 2012-03-09 2012-09-12 中盾信安科技(江苏)有限公司 一种面向多姿态和跨年龄的人脸图像认证方法
CN105138968A (zh) * 2015-08-05 2015-12-09 北京天诚盛业科技有限公司 人脸认证方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663413A (zh) * 2012-03-09 2012-09-12 中盾信安科技(江苏)有限公司 一种面向多姿态和跨年龄的人脸图像认证方法
CN105138968A (zh) * 2015-08-05 2015-12-09 北京天诚盛业科技有限公司 人脸认证方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210209732A1 (en) * 2020-06-17 2021-07-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Face super-resolution realization method and apparatus, electronic device and storage medium
US11710215B2 (en) * 2020-06-17 2023-07-25 Beijing Baidu Netcom Science And Technology Co., Ltd. Face super-resolution realization method and apparatus, electronic device and storage medium
CN115713998A (zh) * 2023-01-10 2023-02-24 华南师范大学 一种智能药箱

Similar Documents

Publication Publication Date Title
KR102596897B1 (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
Rathod et al. Automated attendance system using machine learning approach
CN106897658B (zh) 人脸活体的鉴别方法和装置
CN105740780B (zh) 人脸活体检测的方法和装置
CN102004899B (zh) 一种人脸认证系统及方法
CN101558431B (zh) 脸认证设备
CN102375970B (zh) 一种基于人脸的身份认证方法和认证装置
CN110728209A (zh) 一种姿态识别方法、装置、电子设备及存储介质
CN104123543B (zh) 一种基于人脸识别的眼球运动识别方法
CN109840565A (zh) 一种基于眼部轮廓特征点纵横比的眨眼检测方法
CN107463920A (zh) 一种消除局部遮挡物影响的人脸识别方法
CN106650619A (zh) 一种人体动作识别方法
CN102938065A (zh) 基于大规模图像数据的人脸特征提取方法及人脸识别方法
JP2014093023A (ja) 物体検出装置、物体検出方法及びプログラム
CN109858375A (zh) 活体人脸检测方法、终端及计算机可读存储介质
JP6410450B2 (ja) オブジェクト識別装置、オブジェクト識別方法及びプログラム
CN110827432B (zh) 一种基于人脸识别的课堂考勤方法及系统
WO2020195732A1 (ja) 画像処理装置、画像処理方法、およびプログラムが格納された記録媒体
CN106709418A (zh) 基于现场照和证件照的人脸识别方法及识别装置
US20130259324A1 (en) Method for face recognition
CN107992783A (zh) 人脸图像处理方法及装置
CN107944395A (zh) 一种基于神经网络验证人证合一的方法及系统
CN111310720A (zh) 基于图度量学习的行人重识别方法及系统
CN107742112A (zh) 一种基于图像的人脸防伪方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
DD01 Delivery of document by public notice
DD01 Delivery of document by public notice

Addressee: Guangdong University of Technology

Document name: Notification of Publication of the Application for Invention

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180227