CN107798279A - 一种人脸活体检测方法及装置 - Google Patents
一种人脸活体检测方法及装置 Download PDFInfo
- Publication number
- CN107798279A CN107798279A CN201610806370.3A CN201610806370A CN107798279A CN 107798279 A CN107798279 A CN 107798279A CN 201610806370 A CN201610806370 A CN 201610806370A CN 107798279 A CN107798279 A CN 107798279A
- Authority
- CN
- China
- Prior art keywords
- image
- facial image
- brisque
- grader
- features
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000013441 quality evaluation Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000001727 in vivo Methods 0.000 claims abstract description 31
- 230000001815 facial effect Effects 0.000 claims description 158
- 238000009826 distribution Methods 0.000 claims description 67
- 238000005070 sampling Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 23
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 2
- 230000009471 action Effects 0.000 abstract description 8
- 238000003384 imaging method Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 210000000887 face Anatomy 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- 210000003128 head Anatomy 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
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
- G06V40/172—Classification, e.g. identification
-
- 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)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种人脸活体检测方法及装置，所述方法包括：采集人脸图像，并对所述人脸图像进行预处理；提取预处理后人脸图像的空域无参考图像质量评估BRISQUE特征；将空域无参考图像质量评估BRISQUE特征输入到分类器中进行分类，根据分类结果判断所述人脸图像是否来自于活体。本发明的人脸活体检测方法不需要用户的运动、动作配合，用户体验度好；并且，由于对照片和视频采集的图像是二次成像，具有噪声、反光等失真，导致活体人脸图像和照片图像、活体人脸图像和视频图像在图像灰度统计上的差异，利用这种差异，提取基于灰度统计的BRISQUE特征进行识别，增强了活体检测的准确率和鲁棒性。
Description
技术领域
本发明涉及生物识别技术领域，特别是涉及一种人脸活体检测方法及装置。
背景技术
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。现代人们的生活和工作中，利用人脸识别技术可以有效的加强安全和隐私。但现实中也存在一个问题，比如利用照片或视频等虚假的信息可能会欺骗人脸识别设备，使得非法用户通过人脸识别这道安全防线，对安全和隐私构成威胁。
因此，在人脸识别前，先进行活体检测，可以有效地防止利用打印的照片、手机或Pad等移动终端里的照片、视频等虚假信息通过人脸识别，从而避免安全漏洞。
现有的活体检测技术主要有：基于纹理的、基于光流的和基于交互的活体检测等。其中，基于纹理的方法，利用了拍摄真实人脸皮肤和拍摄纸张、显示屏的纹理的差别，通过纹理描述子进行检测，这种方法容易受环境(例如光照等)影响。基于光流的方法通过建立光流场模型，获取活体真人、照片、屏幕等不同的三维结构在运动时的光流特点进行活体检测，缺点是需要用户有一定的运动，并且结果受光流算法的精度影响。基于交互的活体检测，需要被检测对象完成系统指示的动作，比如转头、眨眼、张嘴等动作，或者简单问答，但这些特定动作可以通过录制视频或其他方式进行欺瞒从而骗过活体检测系统。上面两种检活方式因为需要用户运动或动作配合，不够友好，且等待时间较长，用户体验度差。
发明内容
本发明提供了一种人脸活体检测方法及装置，以解决现有技术因需要用户运动或动作配合，不够友好，等待时间较长，用户体验度差的问题。
为了解决上述问题，本发明公开了一种人脸活体检测方法，包括：
采集人脸图像，并对所述人脸图像进行预处理；
提取预处理后人脸图像的空域无参考图像质量评估BRISQUE特征；
将空域无参考图像质量评估BRISQUE特征输入到分类器中进行分类，根据分类结果判断所述人脸图像是否来自于活体。
作为一个举例说明，所述人脸图像包括：被测人脸的近红外人脸图像和可见光人脸图像；所述空域无参考图像质量评估BRISQUE特征包括：预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征和预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征；所述分类器包括：级联的第一分类器和第二分类器。
作为一个举例说明，所述将空域无参考图像质量评估BRISQUE特征输入到分类器中进行分类，包括：将预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征输入第一分类器进行分类后，再将预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征输入第二分类器进行分类。
作为一个举例说明，所述第一分类器包括：级联的第一子分类器和第二子分类器；所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器；所述第二子分类器为由活体、视频的近红外人脸样本图像训练的分类器。
作为一个举例说明，所述第二分类器包括：级联的第三子分类器和第四子分类器；所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器；所述第四子分类器为由活体、视频的可见光人脸样本图像训练的分类器。
作为一个举例说明，所述提取预处理后人脸图像的空域无参考图像质量评估BRISQUE特征，包括：
A1，计算所述人脸图像的均值对比度归一化图像；
A2，对均值对比度归一化图像进行广义高斯分布拟合，得到两个广义高斯分布拟合参数；
A3，计算均值对比度归一化图像与4个相邻均值对比度归一化图像的乘积图像，针对每一个乘积图像进行非对称广义高斯分布拟合，得到16个非对称广义高斯分布拟合参数；所述相邻均值对比度归一化图像包括：均值对比度归一化图像在横向、纵向、主对角、副对角线方向上的相邻图像；
A4，对所述人脸图像进行下采样后，通过执行步骤A1～A3，获得下采样后人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数；
A5，将人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数、下采样后人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数进行组合，形成36维的BRISQUE特征。
相应的，本发明还提供了一种人脸活体检测装置，包括：
图像采集单元，用于采集人脸图像，并对所述人脸图像进行预处理；
特征提取单元，用于提取预处理后人脸图像的空域无参考图像质量评估BRISQUE特征；
分类判断单元，用于将空域无参考图像质量评估BRISQUE特征输入到分类器中进行分类，根据分类结果判断所述人脸图像是否来自于活体。
作为一个举例说明，所述人脸图像包括：被测人脸的近红外人脸图像和可见光人脸图像；所述空域无参考图像质量评估BRISQUE特征包括：预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征和预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征；所述分类器包括：级联的第一分类器和第二分类器。
作为一个举例说明，所述分类判断单元用于将预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征输入第一分类器进行分类后，再将预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征输入第二分类器进行分类。
作为一个举例说明，所述第一分类器包括：级联的第一子分类器和第二子分类器；所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器；所述第二子分类器为由活体、视频的近红外人脸样本图像训练的分类器。
作为一个举例说明，所述第二分类器包括：级联的第三子分类器和第四子分类器；所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器；所述第四子分类器为由活体、视频的可见光人脸样本图像训练的分类器。
作为一个举例说明，所述特征提取单元包括：
归一化计算模块，用于计算所述人脸图像的均值对比度归一化图像；
第一获取模块，用于对均值对比度归一化图像进行广义高斯分布拟合，得到两个广义高斯分布拟合参数；
第二获取模块，用于计算均值对比度归一化图像与4个相邻均值对比度归一化图像的乘积图像，针对每一个乘积图像进行非对称广义高斯分布拟合，得到16个非对称广义高斯分布拟合参数；所述相邻均值对比度归一化图像包括：均值对比度归一化图像在横向、纵向、主对角、副对角线方向上的相邻图像；
第三获取模块，对所述人脸图像进行下采样后，通过第一参数获取模块和第二参数获取模块，获得下采样后人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数；
特征组合模块，用于将人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数、下采样后人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数进行组合，形成36维的BRISQUE特征。
与现有技术相比，本发明具有以下优点：
本发明提取预处理后人脸图像的BRISQUE特征，将BRISQUE特征输入到分类器中进行分类，以实现活体检测，该过程不需要用户的运动或动作配合，由于是实时检活、不需要等待时间，用户体验度好。并且，由于对照片和视频采集的图像是二次成像，具有噪声、反光等失真，导致活体人脸图像和照片图像、活体人脸图像和视频图像在图像灰度统计上的差异，利用这种差异，提取基于灰度统计的BRISQUE特征进行识别，增强了活体检测的准确率和鲁棒性。
此外，本发明除了采集被测人脸的可见光人脸图像，提取预处理后的可见光人脸图像的BRISQUE特征，还可以采集被测人脸的近红外人脸图像，并提取了预处理后的近红外人脸图像BRISQUE特征，综合考虑两种特征分别输入到第一分类器和第二分类器进行多级联分类，由于提取了可见光和近红外两种不同采集模式下的BRISQUE特征，参与分类的特征更加丰富、全面，增强了活体检测的准确率和鲁棒性。
进一步，所述第一分类器可以包括：级联的第一子分类器和第二子分类器。通过对第一分类器作进一步分类拆分，将活体的近红外人脸图像作为正样本，照片、视频的近红外人脸图像分别作为不同的负样本，输入到不同的子分类器中，对于近红外采集的图像，能够更精确的对活体、照片和视频这些不同类型的非活体进行划分，提高活体检测的准确性、鲁棒性。
相应的，所述第二分类器可以包括：级联的第三子分类器和第四子分类器。通过对第二分类器作进一步分类拆分，将活体的可见光人脸图像作为正样本，照片、视频的可见光人脸图像分别作为不同的负样本，输入到不同的子分类器中，对于可见光采集的图像，能够更精确的对活体、照片和视频这些不同类型的非活体进行划分，提高活体检测的准确性、鲁棒性。
附图说明
图1是本发明一种人脸活体检测方法实施例一的流程图；
图2是本发明方法实施例一中提取预处理后人脸图像的BRISQUE特征的流程图；
图3是本发明一种人脸活体检测方法实施例二的流程图；
图4是本发明一种人脸活体检测方法实施例三的流程图；
图5是本发明一种人脸活体检测装置实施例的结构示意图。
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，示出了本发明一种人脸活体检测方法实施例一的流程图，所述方法包括：
步骤101、采集人脸图像，并对所述人脸图像进行预处理；
采集被测人脸的人脸图像，所述被测人脸可能是活体人脸，也可能是非活体人脸，例如，照片、视频、视频等。所述人脸图像为可见光人脸图像或近红外人脸图像。采集的原始人脸图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须对其进行预处理，使其能够适用于特征提取的过程。对于人脸图像而言，其预处理过程主要包括灰度变换和归一化。经过灰度转化后，图像的像素具有在0～255之间的灰度值，然后，将经过灰度转化后的图像归一化到固定的大小，例如，可以归一化到64像素*64像素的大小。另外，根据不同的需求，预处理过程还可以包括人脸图像的光线补偿、几何校正、滤波以及锐化等。
步骤102、提取预处理后人脸图像的空域无参考图像质量评估BRISQUE特征；
由于人脸照片图像(即，针对人脸照片采集的图像)是二次成像，也即经过两次摄像头拍照得到的图像，会有更多噪声等，而这会导致活体人脸图像灰度值的分布和人脸照片图像的整体灰度值的分布存在差异。此外，视频的显示媒介，如手机、Pad、电脑等显示屏，比较光滑、反射率大，在拍照时显示屏都有一定的反光等特性，视频图像(即，针对显示的视频采集的图像)会具有反光等图像失真，这也会导致活体人脸图像灰度值的分布和视频图像的整体灰度值的分布存在差异。
根据统计结果发现，活体人脸图像的整体灰度值的分布近似于高斯正态分布，而图像的失真会改变灰度统计特征，本发明实施例采用的活体检测算法正是利用了活体人脸图像和照片图像、活体人脸图像和视频图像在图像灰度统计上的差异，提取灰度统计特征进行活体检测，具体的，灰度统计特征为空域无参考图像质量评估(BRISQUE，blind/referenceless image spatial quality evaluator)特征，BRISQUE特征是用来评估图像质量的，例如有无模糊、JPEG压缩质量高低等。
步骤103、将空域无参考图像质量评估BRISQUE特征输入到分类器中进行分类，根据分类结果判断所述人脸图像是否来自于活体。
所述分类器是支持向量机(SVM，Support Vector Machine)分类器，在机器学习领域，SVM是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。同时，所述分类器是预置的由样本图像训练得到的分类器，可以预先采集并获取大量的活体人脸样本的BRISQUE特征和非活体人脸样本的BRISQUE特征，用Matlab的SVM训练函数svmtrain(线性核参数)来训练分类器，并且标记分类结果，其中，标记活体人脸为+1，非活体人脸为－1。所述非活体包括各种情形(比如平铺、折叠、弯曲、扣掉眼睛嘴巴等)的照片和具有人脸的视频。分类器训练完成后，将BRISQUE特征输入到分类器中进行分类，如果通过，即分类结果均为+1，则判断所述人脸图像来自于活体；如果没有通过，即分类结果均为－1，则判断所述人脸图像来自于非活体。
本发明实施例提取预处理后人脸图像的BRISQUE特征，将BRISQUE特征输入到分类器中进行分类，以实现活体检测，该过程不需要用户的运动或动作配合，由于是实时检活、不需要等待时间，用户体验度好。并且，由于对照片和视频采集的图像是二次成像，具有噪声、反光等失真，导致活体人脸图像和照片图像、活体人脸图像和视频图像在图像灰度统计上的差异，利用这种差异，提取基于灰度统计的BRISQUE特征进行识别，增强了活体检测的准确率和鲁棒性。
参照图2，作为一个举例说明，所述步骤102提取预处理后人脸图像的空域无参考图像质量评估BRISQUE特征，包括：
步骤201、计算所述人脸图像的MSCN图像；
设所述人脸图像I的大小是M*N，则可以用集合I来表示：I＝{I(i,j),i∈1,2,…,M,j＝1,2,…N}，其中，(i，j)为表示像素点坐标。接着计算人脸图像I的均值对比度归一化(MSCN，MeanSubtracted Contrast Normalized)图像MSCN图像的每一个像素由公式(1)表示：
其中，C为常数，防止公式(1)的分母为零，μ(i,j)和σ(i,j)分别是图像I处的加权灰度局部均值和局部方差，具体的：
其中，w＝{wk,l|k＝-K,-K+1,…,K,j＝-L,-L+1,…,L}，是二维高斯平滑滤波的系数，也称高斯权重函数，通常情况下，令K＝3，L＝3，方差是7/6，可以在Matlab中可调用函数w＝fspecial('gaussian',7,7/6)实现。
步骤202、对MSCN图像进行GGD拟合，得到两个GGD拟合参数；
一般的，均值为零的广义高斯分布(GGD，Generalized Gaussian Distribution)模型的公式如下：
其中，Γ(·)是伽马函数，
利用MSCN图像的灰度值来拟合广义高斯分布模型的两个参数(α,σ2)，其中，μ为均值，β为尺度参数，α为形状参数，控制着的广义高斯分布模型形状，σ2是方差参数，α和σ2可以通过极大似然估计的方法近似得到，α和σ2这两个参数作为BRISQUE特征的一部分。
步骤203、计算MSCN图像与4个相邻MSCN图像的乘积图像，针对每一个乘积图像进行AGGD拟合，得到16个AGGD拟合参数；
本步骤分析相邻的像素间可能存在的灰度分布规律。首先构造四个与方向有关的相邻MSCN图像，所述相邻MSCN图像包括：MSCN图像在横向、纵向、主对角、副对角线方向上的相邻图像，对应得到的乘积图像为H，V，D1，D2，公式如下：
i∈1,2,…,M,j＝1,2,…N.
上述公式(5)～(8)中的坐标可以按照Matlab中图像的顺序。之后，分别利用构造的四个乘积图像H，V，D1，D2的图像灰度值来拟合非对称的广义高斯模型(AGGD，AsymmetricGeneralized Gaussian Disribution)的参数一般的，非对称的广义高斯分布AGGD模型的公式如下：
其中，
上述公式中，v为形状参数，控制着分布的形状，和是尺度参数，分别控制着AGGD模型左右两侧的分布，βr、βl是AGGD模型左右两侧的标准方差，γ是两侧标准方差的差异。
每一个乘积图像的灰度值进行非对称广义高斯分布拟合，得到4个非对称的广义高斯模型AGGD的参数则四个乘积图像H，V，D1，D2，共得到4*4＝16个非对称广义高斯分布拟合参数。至此，给定一幅人脸图像I，根据步骤201～203，总共可以得到一个18维的特征。
步骤204、对所述人脸图像进行下采样后，通过执行步骤201～203，获得下采样后人脸图像的两个GGD拟合参数和16个AGGD拟合参数；
将人脸图像I进行下采样，例如双线性插值，生成大小是M/2*N/2的图像I1，根据步骤201～203，同样能够获得一个18维的特征。具体的：
计算下采样后人脸图像的MSCN图像；对下采样后人脸图像的MSCN图像进行广义高斯分布拟合，得到下采样后人脸图像的两个广义高斯分布拟合参数；计算下采样后人脸图像的MSCN图像与其对应的4个相邻MSCN图像的乘积图像，针对每一个乘积图像进行非对称广义高斯分布拟合，得到下采样后人脸图像的16个非对称广义高斯分布拟合参数。则，对于下采样后人脸图像，根据步骤201～203，总共可以得到一个18维的特征。
步骤205、将人脸图像的两个GGD拟合参数和16个AGGD拟合参数、下采样后人脸图像的两个GGD拟合参数和16个AGGD拟合参数进行组合，形成36维的BRISQUE特征。
需要说明的是，上述介绍的是获取BRISQUE特征的最优选的实施方式，作为另一个举例说明，可以仅将人脸图像的两个GGD拟合参数和16个AGGD拟合参数进行组合，形成18维的BRISQUE特征。
参照图3，示出了本发明一种人脸活体检测方法实施例二的流程图，在本方法实施例二中，所述人脸图像包括：被测人脸的近红外人脸图像和可见光人脸图像；所述BRISQUE特征包括：预处理后近红外人脸图像的BRISQUE特征(即，第一BRISQUE特征)和预处理后可见光人脸图像的BRISQUE特征(即，第二BRISQUE特征)；所述分类器包括：级联的第一分类器和第二分类器。所述方法包括：
步骤301、采集被测人脸的近红外人脸图像和可见光人脸图像；
使用双模图像采集单元采集被测人脸在两种模式下的图像，所述双模图像采集单元可以包括：近红外补光灯、近红外摄像头和可见光摄像头。其中，可见光摄像头具有可见光滤光片，其可以过滤掉某些波段的近红外光、透过可见光，利用可见光摄像头采集可见光人脸图像；近红外摄像头具有近红外滤光片，其可以过滤掉可见光、透过某些波段的近红外光，利用近红外摄像头采集近红外人脸图像；近红外补光灯进行近红外补光，可设置在近红外摄像头的周围。
图像的采集过程可以是同时采集，也可以是分时采集，例如，先采集近红外人脸图像，再采集可见光人脸图像，或者，先采集近红外人脸图像，再采集可见光人脸图像。可以理解的是，应针对于同一个被测人脸采集其对应的近红外人脸图像和可见光人脸图像。
步骤302、对所述近红外人脸图像和可见光人脸图像进行预处理；
对于人脸图像而言，其预处理过程主要包括灰度变换和归一化。近红外人脸图像和可见光人脸图像经过灰度转化后，图像的像素具有在0～255之间的灰度值，然后，将经过灰度转化后的图像归一化到固定的大小。
步骤303、针对预处理后近红外人脸图像、预处理后可见光人脸图像分别提取第一BRISQUE特征和第二BRISQUE特征；
分别提取预处理后的近红外人脸图像的BRISQUE特征(即，第一BRISQUE特征)和预处理后的可见光人脸图像的BRISQUE特征(即，第二BRISQUE特征)，可以理解的是，第一BRISQUE特征和第二BRISQUE特征的提取过程可以是同时进行，也可以是分时进行。BRISQUE特征的提取方法可参照方法实施例一，此处不再赘述。
步骤304、将第一BRISQUE特征和第二BRISQUE特征输入级联的第一分类器和第二分类器进行分类，根据分类结果判断被测人脸是否为活体。
第一分类器通常是SVM分类器，用于对第一BRISQUE特征进行分类。具体的，对于第一分类器，样本图像为活体的近红外人脸样本图像、非活体的近红外人脸样本图像，其中，非活体包括各种情形(比如平铺、折叠、弯曲、扣掉眼睛嘴巴等)的照片和各种具有人脸的视频。获取上万多份活体的近红外人脸样本图像的BRISQUE特征、上万多份非活体的近红外人脸样本图像的BRISQUE特征，输入到第一分类器进行SVM训练，并且标记分类结果，其中，标记活体人脸为+1，非活体人脸为－1。
第二分类器通常也是SVM分类器，用于对第二BRISQUE特征进行分类。具体的，对于第二分类器，样本图像为活体的可见光人脸样本图像、非活体的可见光人脸样本图像，其中，非活体包括各种情形(比如平铺、折叠、弯曲、扣掉眼睛嘴巴等)的照片和各种具有人脸的视频。获取上万多份活体的可见光人脸样本图像的BRISQUE特征，上万多份非活体的可见光人脸样本图像的BRISQUE特征，输入到第二分类器进行SVM训练，并且标记分类结果，其中，标记活体人脸为+1，非活体人脸为－1。
在本发明方法实施例二中，除了采集被测人脸的可见光人脸图像，提取预处理后的可见光人脸图像的BRISQUE特征，还采集了被测人脸的近红外人脸图像，并提取了预处理后的近红外人脸图像BRISQUE特征，综合考虑两种特征进行多级联分类，由于提取了可见光和近红外两种不同采集模式下的BRISQUE特征，参与分类的特征更加丰富、全面，增强了活体检测的准确率和鲁棒性。
可以理解的是，第一分类器和第二分类器的级联顺序可以先后调整，相应的，第一BRISQUE特征和第二BRISQUE特征输入到对应分类器的顺序也可以先后调整。
作为一个举例说明，在本方法实施例二中，可以将第一BRISQUE特征输入第一分类器进行分类后，再将第二BRISQUE特征输入第二分类器进行分类，如果全部通过，即两次分类结果均为+1，则判断被测人脸为活体；否则，则判断被测人脸为非活体。作为另一个举例说明，在本方法实施例二中，可以将第二BRISQUE特征输入第二分类器进行分类后，再将第一BRISQUE特征输入第一分类器进行分类，如果全部通过，即两次分类结果均为+1，则判断被测人脸为活体；否则，则判断被测人脸为非活体。
作为一个举例说明，所述第一分类器包括：级联的第一子分类器和第二子分类器；其中，所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器；所述第二子分类器为由活体、视频的近红外人脸样本图像训练的分类器。通过对第一分类器作进一步分类拆分，将活体的近红外人脸图像作为正样本，照片、视频的近红外人脸图像分别作为不同的负样本，输入到不同的子分类器中，对于近红外采集的图像，能够更精确的对活体、照片和视频这些不同类型的非活体进行划分，提高活体检测的准确性、鲁棒性。可以理解的是，第一子分类器和第二子分类器的级联顺序可以先后调整，例如，可以将第一BRISQUE特征输入第一子分类器进行分类，之后，再将第一BRISQUE特征输入第二子分类器进行分类；或者，将第一BRISQUE特征输入第二子分类器进行分类，之后，再将第一BRISQUE特征输入第一子分类器进行分类。
作为另一个举例说明，所述第二分类器包括：级联的第三子分类器和第四子分类器；其中，所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器；所述第四子分类器为由活体、视频的可见光人脸样本图像训练的分类器。通过对第二分类器作进一步分类拆分，将活体的可见光人脸图像作为正样本，照片、视频的可见光人脸图像分别作为不同的负样本，输入到不同的子分类器中，对于可见光采集的图像，能够更精确的对活体、照片和视频这些不同类型的非活体进行划分，提高活体检测的准确性、鲁棒性。可以理解的是，第三子分类器和第四子分类器的级联顺序可以先后调整，例如，可以将第二BRISQUE特征输入第三子分类器进行分类，之后，再将第二BRISQUE特征输入第四子分类器进行分类；或者，将第二BRISQUE特征输入第四子分类器进行分类，之后，再将第二BRISQUE特征输入第三子分类器进行分类。
参照图4，示出了本发明一种人脸活体检测方法实施例三的流程图，所述方法包括：
步骤401、采集被测人脸的近红外人脸图像和可见光人脸图像；
步骤402、分别对近红外人脸图像和可见光人脸图像进行预处理；
步骤403、针对预处理后的近红外人脸图像提取第一BRISQUE特征；
步骤404、将第一BRISQUE特征输入第一子分类器进行分类，根据分类结果判断是否为活体；若是，则执行步骤405；若否，则判断为非活体，并结束；
所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器，通过第一级分类，在判断结果为是时，暂定被测人脸为活体并进行下一步处理；在判断结果为否时，可以识别出作为非活体的部分照片。
步骤405、将第一BRISQUE特征输入第二子分类器进行分类，根据分类结果判断是否为活体；若是，则执行步骤406；若否，则判断为非活体，并结束；
所述第二子分类器为由活体、视频的近红外人脸样本图像训练的分类器，通过第二级分类，在判断结果为是时，暂定被测人脸为活体并进行下一步处理；在判断结果为否时，可以识别出作为非活体的部分视频。
步骤406、针对预处理后的可见光图像提取第二BRISQUE特征；
步骤407、将第二BRISQUE特征输入第三子分类器进行分类，根据分类结果判断是否为活体；若是，则执行步骤408；若否，则判断为非活体，并结束；
所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器，通过第三级分类，在判断结果为是时，暂定被测人脸为活体并进行下一步处理；在判断结果为否时，可以将步骤404没识别出来的照片检测出来，作为非活体。
步骤408、将第二BRISQUE特征输入第四子分类器进行分类，根据分类结果判断是否为活体；若是，则判断被测人脸为活体，并结束；若否，则判断为非活体，并结束。
所述第四子分类器为由活体、视频的可见光人脸样本图像训练的分类器，通过第四级分类，在判断结果为是时，得到最终的检测结果，被测人脸为活体；在判断结果为否时，可以将步骤405没识别出来的视频检测出来，作为非活体。
在本发明方法实施例三中，通过四级分类器，能够通过近红外人脸图像把一部分照片、视频识别出来，通过可见光人脸图像把另一部分照片、视频识别出来，进而判断被测人脸是否为活体。
作为一个举例说明，所述步骤404、步骤405的先后顺序可以调整，所述步骤407、步骤408的先后顺序也可以调整。作为另一个举例说明，可以先执行步骤406～步骤408，再执行步骤403～步骤405。作为另一个举例说明，可以将步骤406提到步骤404之前，即，分别提取第一BRISQUE特征和第二BRISQUE特征之后，再执行步骤404、步骤405、步骤407和步骤408。
参照图5，示出了本发明一种人脸活体检测装置实施例的结构示意图，所述装置500包括：
图像采集单元501，用于采集人脸图像，并对所述人脸图像进行预处理；
特征提取单元502，用于提取预处理后人脸图像的空域无参考图像质量评估BRISQUE特征；
分类判断单元503，用于将空域无参考图像质量评估BRISQUE特征输入到分类器中进行分类，根据分类结果判断所述人脸图像是否来自于活体。
本发明实施例提取预处理后人脸图像的BRISQUE特征，将BRISQUE特征输入到分类器中进行分类，以实现活体检测，该过程不需要用户的运动或动作配合，由于是实时检活、不需要等待时间，用户体验度好。并且，由于对照片和视频采集的图像是二次成像，具有噪声、反光等失真，导致活体人脸图像和照片图像、活体人脸图像和视频图像在图像灰度统计上的差异，利用这种差异，提取基于灰度统计的BRISQUE特征进行识别，增强了活体检测的准确率和鲁棒性。
作为一个举例说明，所述特征提取单元502包括：
归一化计算模块，用于计算所述人脸图像的均值对比度归一化图像；
第一获取模块，用于对均值对比度归一化图像进行广义高斯分布拟合，得到两个广义高斯分布拟合参数；
第二获取模块，用于计算均值对比度归一化图像与4个相邻均值对比度归一化图像的乘积图像，针对每一个乘积图像进行非对称广义高斯分布拟合，得到16个非对称广义高斯分布拟合参数；所述相邻均值对比度归一化图像包括：均值对比度归一化图像在横向、纵向、主对角、副对角线方向上的相邻图像；
第三获取模块，对所述人脸图像进行下采样后，通过第一参数获取模块和第二参数获取模块，获得下采样后人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数；
特征组合模块，用于将人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数、下采样后人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数进行组合，形成36维的BRISQUE特征。
作为一个举例说明，所述人脸图像包括：被测人脸的近红外人脸图像和可见光人脸图像；所述空域无参考图像质量评估BRISQUE特征包括：预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征和预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征；所述分类器包括：级联的第一分类器和第二分类器。
在本举例说明中，使用双模的图像采集单元501采集被测人脸在两种模式下的图像，所述双模的图像采集单元501可以包括：近红外补光灯、近红外摄像头和可见光摄像头。其中，可见光摄像头具有可见光滤光片，其可以过滤掉某些波段的近红外光、透过可见光，利用可见光摄像头采集可见光人脸图像；近红外摄像头具有近红外滤光片，其可以过滤掉可见光、透过某些波段的近红外光，利用近红外摄像头采集近红外人脸图像；近红外补光灯进行近红外补光，可设置在近红外摄像头的周围。
作为一个举例说明，所述分类判断单元503用于将预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征输入第一分类器进行分类后，再将预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征输入第二分类器进行分类；作为另一个举例说明，所述分类判断单元用于将预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征输入第二分类器进行分类后，再将预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征输入第一分类器进行分类。
分类判断单元503的第一分类器用于对第一BRISQUE特征进行分类，第二分类器用于对第二BRISQUE特征进行分类。所述第一分类器、第二分类器是预置的由样本图像训练得到的分类器，可以预先采集并获取大量的活体人脸样本和非活体人脸样本的BRISQUE特征数据，用Matlab的SVM训练函数svmtrain(线性核参数)来训练分类器。
作为一个举例说明，所述第一分类器包括：级联的第一子分类器和第二子分类器；所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器；所述第二子分类器为由活体、视频的近红外人脸样本图像训练的分类器。
作为一个举例说明，所述第二分类器包括：级联的第三子分类器和第四子分类器；所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器；所述第四子分类器为由活体、视频的可见光人脸样本图像训练的分类器。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与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。
以上对本发明所提供的一种人脸活体检测方法及装置，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 (12)
1.一种人脸活体检测方法，其特征在于，包括：
采集人脸图像，并对所述人脸图像进行预处理；
提取预处理后人脸图像的空域无参考图像质量评估BRISQUE特征；
将空域无参考图像质量评估BRISQUE特征输入到分类器中进行分类，根据分类结果判断所述人脸图像是否来自于活体。
2.如权利要求1所述的方法，其特征在于，
所述人脸图像包括：被测人脸的近红外人脸图像和可见光人脸图像；
所述空域无参考图像质量评估BRISQUE特征包括：预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征和预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征；
所述分类器包括：级联的第一分类器和第二分类器。
3.如权利要求2所述的方法，其特征在于，所述将空域无参考图像质量评估BRISQUE特征输入到分类器中进行分类，包括：
将预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征输入第一分类器进行分类后，再将预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征输入第二分类器进行分类。
4.如权利要求3所述的方法，其特征在于，
所述第一分类器包括：级联的第一子分类器和第二子分类器；
所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器；
所述第二子分类器为由活体、视频的近红外人脸样本图像训练的分类器。
5.如权利要求3所述的方法，其特征在于，
所述第二分类器包括：级联的第三子分类器和第四子分类器；
所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器；
所述第四子分类器为由活体、视频的可见光人脸样本图像训练的分类器。
6.如权利要求1至5任一项所述的方法，其特征在于，所述提取预处理后人脸图像的空域无参考图像质量评估BRISQUE特征，包括：
A1，计算所述人脸图像的均值对比度归一化图像；
A2，对均值对比度归一化图像进行广义高斯分布拟合，得到两个广义高斯分布拟合参数；
A3，计算均值对比度归一化图像与4个相邻均值对比度归一化图像的乘积图像，针对每一个乘积图像进行非对称广义高斯分布拟合，得到16个非对称广义高斯分布拟合参数；所述相邻均值对比度归一化图像包括：均值对比度归一化图像在横向、纵向、主对角、副对角线方向上的相邻图像；
A4，对所述人脸图像进行下采样后，通过执行步骤A1～A3，获得下采样后人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数；
A5，将人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数、下采样后人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数进行组合，形成36维的BRISQUE特征。
7.一种人脸活体检测装置，其特征在于，包括：
图像采集单元，用于采集人脸图像，并对所述人脸图像进行预处理；
特征提取单元，用于提取预处理后人脸图像的空域无参考图像质量评估BRISQUE特征；
分类判断单元，用于将空域无参考图像质量评估BRISQUE特征输入到分类器中进行分类，根据分类结果判断所述人脸图像是否来自于活体。
8.如权利要求7所述的装置，其特征在于，
所述人脸图像包括：被测人脸的近红外人脸图像和可见光人脸图像；
所述空域无参考图像质量评估BRISQUE特征包括：预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征和预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征；
所述分类器包括：级联的第一分类器和第二分类器。
9.如权利要求8所述的装置，其特征在于，
所述分类判断单元用于将预处理后近红外人脸图像的空域无参考图像质量评估BRISQUE特征输入第一分类器进行分类后，再将预处理后可见光人脸图像的空域无参考图像质量评估BRISQUE特征输入第二分类器进行分类。
10.如权利要求9所述的装置，其特征在于，
所述第一分类器包括：级联的第一子分类器和第二子分类器；
所述第一子分类器为由活体、照片的近红外人脸样本图像训练的分类器；
所述第二子分类器为由活体、视频的近红外人脸样本图像训练的分类器。
11.如权利要求9所述的装置，其特征在于，
所述第二分类器包括：级联的第三子分类器和第四子分类器；
所述第三子分类器为由活体、照片的可见光人脸样本图像训练的分类器；
所述第四子分类器为由活体、视频的可见光人脸样本图像训练的分类器。
12.如权利要求7至11任一项所述的装置，其特征在于，所述特征提取单元包括：
归一化计算模块，用于计算所述人脸图像的均值对比度归一化图像；
第一获取模块，用于对均值对比度归一化图像进行广义高斯分布拟合，得到两个广义高斯分布拟合参数；
第二获取模块，用于计算均值对比度归一化图像与4个相邻均值对比度归一化图像的乘积图像，针对每一个乘积图像进行非对称广义高斯分布拟合，得到16个非对称广义高斯分布拟合参数；所述相邻均值对比度归一化图像包括：均值对比度归一化图像在横向、纵向、主对角、副对角线方向上的相邻图像；
第三获取模块，对所述人脸图像进行下采样后，通过第一参数获取模块和第二参数获取模块，获得下采样后人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数；
特征组合模块，用于将人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数、下采样后人脸图像的两个广义高斯分布拟合参数和16个非对称广义高斯分布拟合参数进行组合，形成36维的BRISQUE特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610806370.3A CN107798279B (zh) | 2016-09-07 | 2016-09-07 | 一种人脸活体检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610806370.3A CN107798279B (zh) | 2016-09-07 | 2016-09-07 | 一种人脸活体检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107798279A true CN107798279A (zh) | 2018-03-13 |
| CN107798279B CN107798279B (zh) | 2022-01-25 |
Family
ID=61530028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610806370.3A Active CN107798279B (zh) | 2016-09-07 | 2016-09-07 | 一种人脸活体检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107798279B (zh) |
Cited By (10)
| 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 |
| CN109117752A (zh) * | 2018-07-24 | 2019-01-01 | 广州市国锐科技有限公司 | 一种基于灰度及rgb的面部识别方法 |
| CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
| CN109614910A (zh) * | 2018-12-04 | 2019-04-12 | 青岛小鸟看看科技有限公司 | 一种人脸识别方法和装置 |
| CN109815797A (zh) * | 2018-12-17 | 2019-05-28 | 北京飞搜科技有限公司 | 活体检测方法和装置 |
| CN110443102A (zh) * | 2018-05-04 | 2019-11-12 | 北京眼神科技有限公司 | 活体人脸检测方法及装置 |
| CN111178112A (zh) * | 2018-11-09 | 2020-05-19 | 株式会社理光 | 真脸识别装置 |
| CN111222380A (zh) * | 2018-11-27 | 2020-06-02 | 杭州海康威视数字技术股份有限公司 | 一种活体检测方法、装置、及其识别模型训练方法 |
| CN112036277A (zh) * | 2020-08-20 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种人脸识别方法、电子设备以及计算机可读存储介质 |
| CN114003752A (zh) * | 2021-11-24 | 2022-02-01 | 重庆邮电大学 | 基于粒球人脸聚类图像质量评估的数据库精简方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964056A (zh) * | 2010-10-26 | 2011-02-02 | 徐勇 | 一种具有活体检测功能的双模态人脸认证方法和系统 |
| CN102024145A (zh) * | 2010-12-01 | 2011-04-20 | 五邑大学 | 一种伪装人脸分层识别方法及系统 |
| CN103778636A (zh) * | 2014-01-22 | 2014-05-07 | 上海交通大学 | 一种用于无参考图像质量评价的特征构建方法 |
| US20150116548A1 (en) * | 2012-06-06 | 2015-04-30 | Board Of Regents, The University Of Texas System | Maximizing perceptual quality and naturalness of captured images |
| CN105354554A (zh) * | 2015-11-12 | 2016-02-24 | 西安电子科技大学 | 基于颜色和奇异值特征的人脸活体检测方法 |
| CN105631272A (zh) * | 2016-02-02 | 2016-06-01 | 云南大学 | 一种多重保险的身份认证方法 |
| CN105740780A (zh) * | 2016-01-25 | 2016-07-06 | 北京天诚盛业科技有限公司 | 人脸活体检测的方法和装置 |
-
2016
- 2016-09-07 CN CN201610806370.3A patent/CN107798279B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964056A (zh) * | 2010-10-26 | 2011-02-02 | 徐勇 | 一种具有活体检测功能的双模态人脸认证方法和系统 |
| CN102024145A (zh) * | 2010-12-01 | 2011-04-20 | 五邑大学 | 一种伪装人脸分层识别方法及系统 |
| US20150116548A1 (en) * | 2012-06-06 | 2015-04-30 | Board Of Regents, The University Of Texas System | Maximizing perceptual quality and naturalness of captured images |
| CN103778636A (zh) * | 2014-01-22 | 2014-05-07 | 上海交通大学 | 一种用于无参考图像质量评价的特征构建方法 |
| CN105354554A (zh) * | 2015-11-12 | 2016-02-24 | 西安电子科技大学 | 基于颜色和奇异值特征的人脸活体检测方法 |
| CN105740780A (zh) * | 2016-01-25 | 2016-07-06 | 北京天诚盛业科技有限公司 | 人脸活体检测的方法和装置 |
| CN105631272A (zh) * | 2016-02-02 | 2016-06-01 | 云南大学 | 一种多重保险的身份认证方法 |
Non-Patent Citations (1)
| Title |
|---|
| ANISH MITTAL，ET.AL: "No-Reference Image Quality Assessment in the Spatial Domain", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443102B (zh) * | 2018-05-04 | 2022-05-24 | 北京眼神科技有限公司 | 活体人脸检测方法及装置 |
| CN110443102A (zh) * | 2018-05-04 | 2019-11-12 | 北京眼神科技有限公司 | 活体人脸检测方法及装置 |
| 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 |
| CN109117752A (zh) * | 2018-07-24 | 2019-01-01 | 广州市国锐科技有限公司 | 一种基于灰度及rgb的面部识别方法 |
| CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
| CN109255322B (zh) * | 2018-09-03 | 2019-11-19 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
| CN111178112B (zh) * | 2018-11-09 | 2023-06-16 | 株式会社理光 | 真脸识别装置 |
| CN111178112A (zh) * | 2018-11-09 | 2020-05-19 | 株式会社理光 | 真脸识别装置 |
| CN111222380A (zh) * | 2018-11-27 | 2020-06-02 | 杭州海康威视数字技术股份有限公司 | 一种活体检测方法、装置、及其识别模型训练方法 |
| CN111222380B (zh) * | 2018-11-27 | 2023-11-03 | 杭州海康威视数字技术股份有限公司 | 一种活体检测方法、装置、及其识别模型训练方法 |
| CN109614910A (zh) * | 2018-12-04 | 2019-04-12 | 青岛小鸟看看科技有限公司 | 一种人脸识别方法和装置 |
| CN109815797B (zh) * | 2018-12-17 | 2022-04-19 | 苏州飞搜科技有限公司 | 活体检测方法和装置 |
| CN109815797A (zh) * | 2018-12-17 | 2019-05-28 | 北京飞搜科技有限公司 | 活体检测方法和装置 |
| CN112036277A (zh) * | 2020-08-20 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种人脸识别方法、电子设备以及计算机可读存储介质 |
| CN112036277B (zh) * | 2020-08-20 | 2023-09-29 | 浙江大华技术股份有限公司 | 一种人脸识别方法、电子设备以及计算机可读存储介质 |
| CN114003752A (zh) * | 2021-11-24 | 2022-02-01 | 重庆邮电大学 | 基于粒球人脸聚类图像质量评估的数据库精简方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107798279B (zh) | 2022-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798279A (zh) | 一种人脸活体检测方法及装置 | |
| CN110516576B (zh) | 基于深度神经网络的近红外活体人脸识别方法 | |
| CN105160318B (zh) | 基于面部表情的测谎方法及系统 | |
| CN107358180B (zh) | 一种人脸表情的疼痛评估方法 | |
| CN108009531B (zh) | 一种多策略防欺诈的人脸识别方法 | |
| CN105518709B (zh) | 用于识别人脸的方法、系统和计算机程序产品 | |
| CN105138954B (zh) | 一种图像自动筛选查询识别系统 | |
| CN107066942A (zh) | 一种活体人脸识别方法及系统 | |
| CN104123543B (zh) | 一种基于人脸识别的眼球运动识别方法 | |
| CN104486618B (zh) | 视频图像的噪声检测方法及装置 | |
| CN109670430A (zh) | 一种基于深度学习的多分类器融合的人脸活体识别方法 | |
| CN106446872A (zh) | 一种低照度下的视频人脸检测识别方法 | |
| CN105956572A (zh) | 一种基于卷积神经网络的活体人脸检测方法 | |
| Datcu et al. | Noncontact automatic heart rate analysis in visible spectrum by specific face regions | |
| CN107798281A (zh) | 一种基于lbp特征的人脸活体检测方法和装置 | |
| CN110175501A (zh) | 基于人脸识别的多人场景专注度识别方法 | |
| Monwar et al. | Pain recognition using artificial neural network | |
| Hebbale et al. | Real time COVID-19 facemask detection using deep learning | |
| CN104657714B (zh) | 光照对称性与全局光照强度融合的无参考人脸光照评价方法 | |
| CN109522865A (zh) | 一种基于深度神经网络的特征加权融合人脸识别方法 | |
| Sakthimohan et al. | Detection and Recognition of Face Using Deep Learning | |
| CN114067185A (zh) | 一种基于人脸表情识别的电影评价系统 | |
| CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
| Nasrollahi et al. | Summarization of surveillance video sequences using face quality assessment | |
| CN108446639A (zh) | 低功耗增强现实设备 |
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 | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 071800 Beijing Tianjin talent home (Xincheng community), West District, Xiongxian Economic Development Zone, Baoding City, Hebei Province Patentee after: BEIJING EYECOOL TECHNOLOGY Co.,Ltd. Address before: 100085 20 / F, building 4, yard 1, shangdishi street, Haidian District, Beijing 2013 Patentee before: BEIJING EYECOOL TECHNOLOGY Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and Device for Human Face Live Detection Effective date of registration: 20230510 Granted publication date: 20220125 Pledgee: Bank of China Limited Hebei xiong'an branch Pledgor: BEIJING EYECOOL TECHNOLOGY Co.,Ltd. Registration number: Y2023980040255 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220125 Pledgee: Bank of China Limited Hebei xiong'an branch Pledgor: BEIJING EYECOOL TECHNOLOGY Co.,Ltd. Registration number: Y2023980040255 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and device for facial live detection Granted publication date: 20220125 Pledgee: Bank of China Limited Hebei xiong'an branch Pledgor: BEIJING EYECOOL TECHNOLOGY Co.,Ltd. Registration number: Y2024110000186 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |