CN107886070A - 人脸图像的验证方法、装置及设备 - Google Patents
人脸图像的验证方法、装置及设备 Download PDFInfo
- Publication number
- CN107886070A CN107886070A CN201711103760.5A CN201711103760A CN107886070A CN 107886070 A CN107886070 A CN 107886070A CN 201711103760 A CN201711103760 A CN 201711103760A CN 107886070 A CN107886070 A CN 107886070A
- Authority
- CN
- China
- Prior art keywords
- face
- facial image
- vector
- image
- facial
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- 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
Abstract
本公开是关于一种人脸图像的验证方法、装置及设备,该方法包括:对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量;根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,所述人脸关键点包括人脸五官的轮廓点;根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片,可以有效识别出图像中高频分量的变化,从而识别出非活体照片。
Description
技术领域
本公开涉及人脸识别技术,尤其涉及一种人脸图像的验证方法、装置及设备。
背景技术
随着科技的发展,手机、电脑、ipad、考勤机等终端已被普遍应用。目前,很多的终端都具有人脸解锁功能,例如,小米Note 3、OPPO F5、iphone X等多款手机都具备人脸解锁功能。
人脸解锁的原理是,先采集机主的面部图像特征进行存储,当需要解锁时,采集用户的人脸图像,提取该人脸图像的特征,将采集到的人脸图像的特征与本地存储的机主的面部图像特征进行比对,识别该用户是否为机主,若采集到的人脸图像的特征符合机主的面部图像特征,则终端解锁,若采集到的人脸图像的特征不符合机主的面部图像特征,则终端不解锁。
发明内容
为克服相关技术中存在的问题,本公开提供一种人脸图像的验证方法、装置及设备。
根据本公开实施例的第一方面,提供一种人脸图像的验证方法,包括:
对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量;
根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,所述人脸关键点包括人脸五官的轮廓点;
根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片。
一个实施例中,所述对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量,包括:
根据第一预设尺寸对所述人脸图像进行缩放,获取缩放后的人脸图像;
采用第一卷积神经网络CNN对所述缩放后的人脸图像进行特征提取,获取所述全局人脸特征向量。
一个实施例中,所述根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,包括:
分别以所述人脸关键点的位置为中心,按照预设尺寸从所述人脸图像中截取所述多个图像块;
根据第二预设尺寸分别对每个图像块进行缩放,获取多个缩放后的图像块;
将所述多个缩放后的图像块按照通道维度进行叠加,并采用第二CNN对叠加后的图像块进行特征提取,获取所述局部人脸特征向量。
一个实施例中,所述根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片,包括:
将所述全局人脸特征向量和所述局部人脸特征向量进行拼接,获取拼接后的人脸特征向量;
采用预设的分类器对所述拼接后的人脸特征向量进行分类,获取分类结果;
根据所述分类结果验证所述人脸图像是否为活体照片。
一个实施例中,所述对所述拼接后的人脸特征向量进行分类,获取分类结果,包括:
对所述拼接后的人脸特征向量进行降维处理,获取降维后的人脸特征向量;
采用所述预设的分类器对所述降维后的人脸特征向量进行分类,获取所述分类结果。
一个实施例中,所述方法还包括:
对采集到的人物图像进行人脸检测,获取所述人脸图像;
根据人脸的位置在所述人脸图像中进行人脸关键点定位,获取所述人脸关键点的位置。
根据本公开实施例的第二方面,提供一种人脸图像的验证装置,包括:
第一获取模块,被配置为对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量;
第二获取模块,被配置为根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,所述人脸关键点包括人脸五官的轮廓点;
验证模块,被配置为根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片。
一个实施例中,所述第一获取模块包括:
第一缩放子模块,被配置为根据第一预设尺寸对所述人脸图像进行缩放,获取缩放后的人脸图像;
第一提取子模块,被配置为采用第一卷积神经网络CNN对所述缩放后的人脸图像进行特征提取,获取所述全局人脸特征向量。
一个实施例中,所述第二获取模块包括:
截取子模块,被配置为分别以所述人脸关键点的位置为中心,按照预设尺寸从所述人脸图像中截取所述多个图像块;
第二缩放子模块,被配置为根据第二预设尺寸分别对每个图像块进行缩放,获取多个缩放后的图像块;
第二提取子模块,被配置为将所述多个缩放后的图像块按照通道维度进行叠加,并采用第二CNN对叠加后的图像块进行特征提取,获取所述局部人脸特征向量。
一个实施例中,所述验证模块包括:
拼接子模块,被配置为将所述全局人脸特征向量和所述局部人脸特征向量进行拼接,获取拼接后的人脸特征向量;
分类子模块,被配置为采用预设的分类器对所述拼接后的人脸特征向量进行分类,获取分类结果;
验证子模块,被配置为根据所述分类结果验证所述人脸图像是否为活体照片。
一个实施例中,所述分类子模块包括:
降维子模块,被配置为对所述拼接后的人脸特征向量进行降维处理,获取降维后的人脸特征向量;
获取子模块,被配置为采用所述预设的分类器对所述降维后的人脸特征向量进行分类,获取所述分类结果。
一个实施例中,所述装置还包括:
检测模块,被配置为对采集到的人物图像进行人脸检测,获取所述人脸图像;
定位模块,被配置为根据人脸的位置在所述人脸图像中进行人脸关键点定位,获取所述人脸关键点的位置。
根据本公开实施例的第三方面,提供一种终端设备,包括:存储器、处理器以及计算机程序,所述处理器运行所述计算机程序执行以下方法:
对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量;
根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,所述人脸关键点包括人脸五官的轮廓点;
根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面任一实施例所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:对人脸图像进行特征提取,获取人脸图像的全局人脸特征向量,根据人脸关键点的位置从人脸图像中获取多个图像块,并对多个图像块进行特征提取,获取人脸图像的局部人脸特征向量,根据全局人脸特征向量和局部人脸特征向量验证人脸图像是否为活体照片,本方法结合了全局人脸特征向量和局部人脸特征向量进行判别,由于全局人脸特征向量和局部人脸特征向量是在不同分辨率图像中提取的特征向量,所以可以有效识别出图像中高频分量的变化,从而识别出非活体照片。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种人脸图像的验证方法的流程图;
图2是根据一示例性实施例示出的一种人脸关键点的位置示意图;
图3是根据一示例性实施例示出的一种人脸图像采样的示意图;
图4是根据另一示例性实施例示出的一种人脸图像的验证方法的流程图;
图5是根据另一示例性实施例示出的一种人脸图像的验证方法的流程图;
图6是根据另一示例性实施例示出的一种人脸图像的验证方法的流程图;
图7是根据另一示例性实施例示出的一种人脸图像的验证方法的流程图;
图8是根据再一示例性实施例示出的一种人脸图像的验证方法的流程图;
图9是根据一示例性实施例示出的一种人脸图像的验证装置的框图;
图10是根据另一示例性实施例示出的一种人脸图像的验证装置的框图;
图11是根据另一示例性实施例示出的一种人脸图像的验证装置的框图;
图12是根据另一示例性实施例示出的一种人脸图像的验证装置的框图;
图13是根据再一示例性实施例示出的一种人脸图像的验证装置的框图;
图14是根据一示例性实施例示出的一种终端设备的框图;
图15是根据一示例性实施例示出的一种用于人脸图像的验证方法的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种人脸图像的验证方法的流程图,该方法的执行主体为终端,该终端可以为手机、电脑、ipad、相机、考勤机、游戏机等设备。如图1所示,该方法可以包括以下步骤:
在步骤S11中,对人脸图像进行特征提取,获取人脸图像的全局人脸特征向量。
其中,全局人脸特征向量用于描述人脸整体特征,例如,全局人脸特征向量用于表示包括肤色、轮廓、面部器官的分布等的整体信息。
在本实施例中,提取全局人脸特征向量可以选用低分辨率的人脸图像,提取人脸图像的全局人脸特征向量的方法可以有多种,比如,对人脸图像做傅里叶变化,保留低频部分的实部和虚部的系数,作为全局人脸特征向量。
在步骤S12中,根据人脸关键点的位置从人脸图像中获取多个图像块,并对多个图像块进行特征提取,获取人脸图像的局部人脸特征向量,人脸关键点包括人脸五官的轮廓点。
其中,局部人脸特征向量用于描述人脸的细节特征,例如,局部人脸特征向量用于表示五官特点、类似伤疤、黑痣、酒窝等面部奇异特征信息。人脸关键点包括人脸五官的轮廓点,例如,眼睛、眉毛、鼻子、嘴巴、耳朵等的轮廓点。
在本实施例中,如图2所示,可以采用人脸识别的五点定位方法定位出人脸的眼睛、鼻子和嘴巴的位置。然后根据人脸关键点的位置进行采样,从人脸图像中获取多个图像块。如图3所示,可以在眼睛、鼻子、嘴巴上分别采样,获取5个图像块,每个图像块的大小、采样位置、以及图像块的数目都可以根据实际情况来确定,例如,每个图像块的大小为16×16,共采样5个图像块。通常情况下,每个图像块的边长为人脸图像中眼睛间距的一半,该图像块的边长可以适用于各种尺寸、各种人脸大小的人脸图像,而且,获取到的图像块大小比较合适。图像块也可以是长方形等形状,其大小也可以是其它值,本发明实施例中不以此为限。
在本示例中,获取人脸图像的局部人脸特征向量的方法有多种,例如,采用卷积神经网络(Convolutional Neural Networks,CNN)每个图像块进行特征提取,获取局部人脸特征向量。可以分别对每一个图像进行特征提取,获取多个局部人脸特征向量,也可以将多个图像块进行叠加,对叠加后的图像块进行特征提取,或一个综合的局部人脸特征向量。
在步骤S13中,根据全局人脸特征向量和局部人脸特征向量验证人脸图像是否为活体照片。
其中,活体照片为真实人脸拍摄的照片,而非对着照片、屏幕翻拍的照片。
在本实施例中,相较于全局人脸特征向量,局部人脸特征向量是在更高分辨率的局部图像块中提取,可以结合全局人脸特征向量和局部人脸特征向量验证人脸图像是否为活体照片,例如,将全局人脸特征向量和局部人脸特征向量拼接,得到整体的人脸特征向量,然后采用分类器对整体的人脸特征向量分类,根据分类结果来判断该人脸图像是否为活体照片。
本公开实施例提供的人脸图像的验证方法,对人脸图像进行特征提取,获取人脸图像的全局人脸特征向量,根据人脸关键点的位置从人脸图像中获取多个图像块,并对多个图像块进行特征提取,获取人脸图像的局部人脸特征向量,根据全局人脸特征向量和局部人脸特征向量验证人脸图像是否为活体照片,本方法结合了全局人脸特征向量和局部人脸特征向量进行判别,由于全局人脸特征向量和局部人脸特征向量是在不同分辨率图像中提取的特征向量,所以可以有效识别出图像中高频分量的变化,从而识别出非活体照片。
图4是根据另一示例性实施例示出的一种人脸图像的验证方法的流程图,在图1所示实施例的基础上,如图4所示,步骤S11“对人脸图像进行特征提取,获取人脸图像的全局人脸特征向量”的一种可能的实现方式可以包括以下步骤:
在步骤S41中,根据第一预设尺寸对人脸图像进行缩放,获取缩放后的人脸图像。
在本实施例中,在对人脸图像进行特征提取之前,可以先对人脸图像进行缩放,例如,第一预设尺寸为128×128像素,可以将人脸图像缩放至128×128像素的固定尺寸。第一预设尺寸可以可根据实际情况来设置,本发明中不加以限制。
在步骤S42中,采用第一CNN对缩放后的人脸图像进行特征提取,获取全局人脸特征向量。
在本实施例中,可以采用预先设置的第一CNN对缩放后的人脸图像进行特征提取,获取全局人脸特征向量。采用CNN对图像进行特征提取的方法可以参照现有技术,此处不再赘述。
本公开实施例提供的人脸图像的验证方法,根据第一预设尺寸对人脸图像进行缩放,获取缩放后的人脸图像,采用第一CNN对缩放后的人脸图像进行特征提取,获取全局人脸特征向量,可以方便的获取全局人脸特征向量,而且,该方法比较常用,易于实现。
图5是根据另一示例性实施例示出的一种人脸图像的验证方法的流程图,在图1或图4所示实施例的基础上,如图5所示,步骤S12“根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量”的一种可能的实现方式可以包括以下步骤:
在步骤S51中,分别以人脸关键点的位置为中心,按照预设尺寸从人脸图像中截取多个图像块。
其中,预设尺寸可以根据实际情况来设定,例如,预设尺寸可以为图像块的边长,边长为人脸图像中眼睛间距的一半,边长还可以为眼睛长度的二倍等,或者,预设尺寸还可以是图像块的面积,比如,图像块的面积为人脸图像中人脸区域面积的五分之一等。
在本实施例中,如图3所述,分别以五个人脸关键点的位置为中心点,以人脸图像中眼睛间距的一半作为边长,截取五个图像块。
在步骤S52中,根据第二预设尺寸分别对每个图像块进行缩放,获取多个缩放后的图像块。
在本实施例中,在对图像块进行特征提取之前,可以先对图像块进行缩放,例如,第二预设尺寸为128×128像素,可以将人脸图像缩放至128×128像素的固定尺寸。第二预设尺寸可以可根据实际情况来设置,本发明中不加以限制。
在步骤S53中,将多个缩放后的图像块按照通道维度进行叠加,并采用第二CNN对叠加后的图像块进行特征提取,获取局部人脸特征向量。
在本实施例中,可以将多个缩放后的图像块按照通道维度进行叠加,获取叠加后的图像块,然后采用预先设置的第二CNN对叠加后的图像块进行特征提取,获取局部人脸特征向量。
图6是根据另一示例性实施例示出的一种人脸图像的验证方法的流程图,在图1-图5任一实施例的基础上,步骤S13“根据全局人脸特征向量和局部人脸特征向量验证人脸图像是否为活体照片”的一种可能的实现方式可以包括以下步骤:
在步骤S61中,将全局人脸特征向量和局部人脸特征向量进行拼接,获取拼接后的人脸特征向量。
在本实施例中,可以将全局人脸特征向量和局部人脸特征向量进行拼接,得到相对完整的人脸特征向量
在步骤S62中,采用预设的分类器对拼接后的人脸特征向量进行分类,获取分类结果。
其中,分类器可以使用支持向量机(Support Vector Machine,SVM)分类器、神经网络分类器等。
在本实施例中,采用预设的分类器对拼接后的人脸特征向量进行分类,获取分类结果。一般情况下,将人脸特征向量输入分类器可以得到分类结果,该分类结果指示该人脸图像为活体照片或者非活体照片。
进一步地,如图7所示,步骤S62“采用预设的分类器对拼接后的人脸特征向量进行分类,获取分类结果”的一种可能的实现方式可以包括以下步骤:
在步骤S71中,对拼接后的人脸特征向量进行降维处理,获取降维后的人脸特征向量。
在本实施例中,可以采用主成成分分析(Principal Component Analysis,PCA)、线性判别式分析(Linear Discriminant Analysis,LDA)等方法对拼接后的人脸特征向量进行降维处理,获取降维后的人脸特征向量。
在步骤S72中,采用预设的分类器对降维后的人脸特征向量进行分类,获取分类结果。
本公开实施例提供的人脸图像的验证方法,对拼接后的人脸特征向量进行降维处理,获取降维后的人脸特征向量,采用预设的分类器对降维后的人脸特征向量进行分类,获取分类结果,将人脸特征向量的维度降低,使其更容易分辨。
在步骤S63中,根据分类结果验证人脸图像是否为活体照片。
在本实施例中,根据分类结果可以直接得出该人脸图像是否为活体照片。
本公开实施例提供的人脸图像的验证方法,将全局人脸特征向量和局部人脸特征向量进行拼接,获取拼接后的人脸特征向量,采用预设的分类器对拼接后的人脸特征向量进行分类,获取分类结果,根据分类结果验证人脸图像是否为活体照片,结合了人脸图像的全局特征和局部特征进行判别,所以可以有效识别出图像中高频分量的变化,识别出非活体照片。
图8是根据再一示例性实施例示出的一种人脸图像的验证方法的流程图,在上述任一实施例的基础上,如图8所示,在步骤S11之前,该方法还可以包括一下步骤:
在步骤S81中,对采集到的人物图像进行人脸检测,获取人脸图像。
在本实施例中,若终端采集到的图像为整个人物图像,可以对该人物图像进行人脸检测,获取仅包括人脸的人脸图像。其中,人脸检测可用的方法有Adaboost算法、单射多盒检测(Single Shot multi-box Detector,SSD)算法、统一实时对象检测(You Only LookOnce:unified real-time object detection,YOLO)算法等。
在步骤S82中,根据人脸的位置在人脸图像中进行人脸关键点定位,获取人脸关键点的位置。
在本实施例中,如图2所示,对眼睛、眉毛、鼻子、嘴巴等人脸五官进行定位,将五官轮廓点作为人脸关键点,从而获取到人脸关键点的位置。人脸关键点定位可用的方法有主动外观模型(Active Appearance Model,AAM)法、有监督的梯度下降方法(SupervisedDescent Method,SDM)、卷积神经网络(Convolutional Neural Networks,CNN)等。
在本实施例中,其它步骤与图1所示实施例中的步骤相同,此处不再赘述。
本公开实施例提供的人脸图像的验证方法,对采集到的人物图像进行人脸检测,获取人脸图像,根据人脸的位置在人脸图像中进行人脸关键点定位,获取人脸关键点的位置,仅仅是采用了人脸关键点来验证人脸图像是否为活体照片,避免了对全图进行计算,提高了计算效率。
图9是根据一示例性实施例示出的一种人脸图像的验证装置的框图,如图9所示,该装置包括:
第一获取模块11被配置为对人脸图像进行特征提取,获取人脸图像的全局人脸特征向量;
第二获取模块12被配置为根据人脸关键点的位置从人脸图像中获取多个图像块,并对多个图像块进行特征提取,获取人脸图像的局部人脸特征向量,人脸关键点包括人脸五官的轮廓点;
验证模块13被配置为根据全局人脸特征向量和局部人脸特征向量验证人脸图像是否为活体照片。
图10是根据另一示例性实施例示出的一种人脸图像的验证装置的框图,在图9所示实施例的基础上,如图10所示,第一获取模块11包括:
第一缩放子模块111被配置为根据第一预设尺寸对人脸图像进行缩放,获取缩放后的人脸图像;
第一提取子模块112被配置为采用第一卷积神经网络CNN对缩放后的人脸图像进行特征提取,获取全局人脸特征向量。
图11是根据另一示例性实施例示出的一种人脸图像的验证装置的框图,在图9或图10所示实施例的基础上,如图11所示,第二获取模块12包括:
截取子模块121被配置为分别以人脸关键点的位置为中心,按照预设尺寸从人脸图像中截取多个图像块;
第二缩放子模块122被配置为根据第二预设尺寸分别对每个图像块进行缩放,获取多个缩放后的图像块;
第二提取子模块123被配置为将多个缩放后的图像块按照通道维度进行叠加,并采用第二CNN对叠加后的图像块进行特征提取,获取局部人脸特征向量。
图12是根据另一示例性实施例示出的一种人脸图像的验证装置的框图,在图9-图11任一实施例的基础上,如图12所示,验证模块13包括:
拼接子模块131被配置为将全局人脸特征向量和局部人脸特征向量进行拼接,获取拼接后的人脸特征向量;
分类子模块132被配置为采用预设的分类器对拼接后的人脸特征向量进行分类,获取分类结果;
验证子模块133被配置为根据分类结果验证人脸图像是否为活体照片。
进一步地,如图12所示,分类子模块132包括:
降维子模块1321被配置为对拼接后的人脸特征向量进行降维处理,获取降维后的人脸特征向量;
获取子模块1322被配置为采用预设的分类器对降维后的人脸特征向量进行分类,获取分类结果。
图13是根据再一示例性实施例示出的一种人脸图像的验证装置的框图,在图9-图12任一实施例的基础上,如图13所示,该装置还包括:
检测模块14被配置为对采集到的人物图像进行人脸检测,获取人脸图像;
定位模块15被配置为根据人脸的位置在人脸图像中进行人脸关键点定位,获取人脸关键点的位置。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图14是根据一示例性实施例示出的一种终端设备的框图,如图14所示,该终端设备包括:存储器21、处理器22以及计算机程序23,处理器22运行计算机程序执行以下方法:
对人脸图像进行特征提取,获取人脸图像的全局人脸特征向量;
根据人脸关键点的位置从人脸图像中获取多个图像块,并对多个图像块进行特征提取,获取人脸图像的局部人脸特征向量,人脸关键点包括人脸五官的轮廓点;
根据全局人脸特征向量和局部人脸特征向量验证人脸图像是否为活体照片。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现图1-图8任一方法实施例所述的步骤。
图15是根据一示例性实施例示出的一种用于人脸图像的验证方法的装置的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图15,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到设备800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种人脸图像的验证方法,所述方法包括:
对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量;
根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,所述人脸关键点包括人脸五官的轮廓点;
根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片。
其中,所述对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量,包括:
根据第一预设尺寸对所述人脸图像进行缩放,获取缩放后的人脸图像;
采用第一卷积神经网络CNN对所述缩放后的人脸图像进行特征提取,获取所述全局人脸特征向量。
其中,所述根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,包括:
分别以所述人脸关键点的位置为中心,按照预设尺寸从所述人脸图像中截取所述多个图像块;
根据第二预设尺寸分别对每个图像块进行缩放,获取多个缩放后的图像块;
将所述多个缩放后的图像块按照通道维度进行叠加,并采用第二CNN对叠加后的图像块进行特征提取,获取所述局部人脸特征向量。
其中,所述根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片,包括:
将所述全局人脸特征向量和所述局部人脸特征向量进行拼接,获取拼接后的人脸特征向量;
采用预设的分类器对所述拼接后的人脸特征向量进行分类,获取分类结果;
根据所述分类结果验证所述人脸图像是否为活体照片。
其中,所述对所述拼接后的人脸特征向量进行分类,获取分类结果,包括:
对所述拼接后的人脸特征向量进行降维处理,获取降维后的人脸特征向量;
采用所述预设的分类器对所述降维后的人脸特征向量进行分类,获取所述分类结果。
其中,所述方法还包括:
对采集到的人物图像进行人脸检测,获取所述人脸图像;
根据人脸的位置在所述人脸图像中进行人脸关键点定位,获取所述人脸关键点的位置。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种人脸图像的验证方法,其特征在于,包括:
对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量;
根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,所述人脸关键点包括人脸五官的轮廓点;
根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片。
2.根据权利要求1所述的方法,其特征在于,所述对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量,包括:
根据第一预设尺寸对所述人脸图像进行缩放,获取缩放后的人脸图像;
采用第一卷积神经网络CNN对所述缩放后的人脸图像进行特征提取,获取所述全局人脸特征向量。
3.根据权利要求1或2所述的方法,其特征在于,所述根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,包括:
分别以所述人脸关键点的位置为中心,按照预设尺寸从所述人脸图像中截取所述多个图像块;
根据第二预设尺寸分别对每个图像块进行缩放,获取多个缩放后的图像块;
将所述多个缩放后的图像块按照通道维度进行叠加,并采用第二CNN对叠加后的图像块进行特征提取,获取所述局部人脸特征向量。
4.根据权利要求1或2所述的方法,其特征在于,所述根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片,包括:
将所述全局人脸特征向量和所述局部人脸特征向量进行拼接,获取拼接后的人脸特征向量;
采用预设的分类器对所述拼接后的人脸特征向量进行分类,获取分类结果;
根据所述分类结果验证所述人脸图像是否为活体照片。
5.根据权利要求4所述的方法,其特征在于,所述对所述拼接后的人脸特征向量进行分类,获取分类结果,包括:
对所述拼接后的人脸特征向量进行降维处理,获取降维后的人脸特征向量;
采用所述预设的分类器对所述降维后的人脸特征向量进行分类,获取所述分类结果。
6.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
对采集到的人物图像进行人脸检测,获取所述人脸图像;
根据人脸的位置在所述人脸图像中进行人脸关键点定位,获取所述人脸关键点的位置。
7.一种人脸图像的验证装置,其特征在于,包括:
第一获取模块,被配置为对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量;
第二获取模块,被配置为根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,所述人脸关键点包括人脸五官的轮廓点;
验证模块,被配置为根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片。
8.根据权利要求7所述的装置,其特征在于,所述第一获取模块包括:
第一缩放子模块,被配置为根据第一预设尺寸对所述人脸图像进行缩放,获取缩放后的人脸图像;
第一提取子模块,被配置为采用第一卷积神经网络CNN对所述缩放后的人脸图像进行特征提取,获取所述全局人脸特征向量。
9.根据权利要求7或8所述的装置,其特征在于,所述第二获取模块包括:
截取子模块,被配置为分别以所述人脸关键点的位置为中心,按照预设尺寸从所述人脸图像中截取所述多个图像块;
第二缩放子模块,被配置为根据第二预设尺寸分别对每个图像块进行缩放,获取多个缩放后的图像块;
第二提取子模块,被配置为将所述多个缩放后的图像块按照通道维度进行叠加,并采用第二CNN对叠加后的图像块进行特征提取,获取所述局部人脸特征向量。
10.根据权利要求7或8所述的装置,其特征在于,所述验证模块包括:
拼接子模块,被配置为将所述全局人脸特征向量和所述局部人脸特征向量进行拼接,获取拼接后的人脸特征向量;
分类子模块,被配置为采用预设的分类器对所述拼接后的人脸特征向量进行分类,获取分类结果;
验证子模块,被配置为根据所述分类结果验证所述人脸图像是否为活体照片。
11.根据权利要求12所述的装置,其特征在于,所述分类子模块包括:
降维子模块,被配置为对所述拼接后的人脸特征向量进行降维处理,获取降维后的人脸特征向量;
获取子模块,被配置为采用所述预设的分类器对所述降维后的人脸特征向量进行分类,获取所述分类结果。
12.根据权利要求7或8所述的装置,其特征在于,所述装置还包括:
检测模块,被配置为对采集到的人物图像进行人脸检测,获取所述人脸图像;
定位模块,被配置为根据人脸的位置在所述人脸图像中进行人脸关键点定位,获取所述人脸关键点的位置。
13.一种终端设备,其特征在于,包括:存储器、处理器以及计算机程序,所述处理器运行所述计算机程序执行以下方法:
对人脸图像进行特征提取,获取所述人脸图像的全局人脸特征向量;
根据人脸关键点的位置从所述人脸图像中获取多个图像块,并对所述多个图像块进行特征提取,获取所述人脸图像的局部人脸特征向量,所述人脸关键点包括人脸五官的轮廓点;
根据所述全局人脸特征向量和所述局部人脸特征向量验证所述人脸图像是否为活体照片。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711103760.5A CN107886070A (zh) | 2017-11-10 | 2017-11-10 | 人脸图像的验证方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711103760.5A CN107886070A (zh) | 2017-11-10 | 2017-11-10 | 人脸图像的验证方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107886070A true CN107886070A (zh) | 2018-04-06 |
Family
ID=61779862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711103760.5A Pending CN107886070A (zh) | 2017-11-10 | 2017-11-10 | 人脸图像的验证方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107886070A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875546A (zh) * | 2018-04-13 | 2018-11-23 | 北京旷视科技有限公司 | 人脸身份验证方法、系统及存储介质 |
CN109766785A (zh) * | 2018-12-21 | 2019-05-17 | 中国银联股份有限公司 | 一种人脸的活体检测方法及装置 |
CN109886223A (zh) * | 2019-02-26 | 2019-06-14 | 北京旷视科技有限公司 | 人脸识别方法、底库录入方法、装置及电子设备 |
WO2020097834A1 (zh) * | 2018-11-14 | 2020-05-22 | 北京比特大陆科技有限公司 | 一种特征处理方法及装置、存储介质及程序产品 |
CN111241989A (zh) * | 2020-01-08 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 图像识别方法及装置、电子设备 |
CN112507986A (zh) * | 2021-02-03 | 2021-03-16 | 长沙小钴科技有限公司 | 基于神经网络的多通道人脸活体检测方法及装置 |
CN113792701A (zh) * | 2021-09-24 | 2021-12-14 | 北京市商汤科技开发有限公司 | 一种活体检测方法、装置、计算机设备和存储介质 |
CN114821752A (zh) * | 2022-06-28 | 2022-07-29 | 杭州登虹科技有限公司 | 一种基于混合特征的年龄估算方法、电子设备及存储介质 |
WO2023061122A1 (zh) * | 2021-10-15 | 2023-04-20 | 北京眼神科技有限公司 | 人脸活体检测方法、装置、计算机可读存储介质及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324912A (zh) * | 2013-05-30 | 2013-09-25 | 苏州福丰科技有限公司 | 一种应用于atm机的人脸识别系统及方法 |
CN104318219A (zh) * | 2014-10-31 | 2015-01-28 | 上海交通大学 | 基于局部特征及全局特征结合的人脸识别方法 |
CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
CN105550658A (zh) * | 2015-12-24 | 2016-05-04 | 蔡叶荷 | 一种基于高维lbp与卷积神经网络特征融合的人脸比对方法 |
CN105760834A (zh) * | 2016-02-14 | 2016-07-13 | 北京飞搜科技有限公司 | 一种人脸特征点定位方法 |
CN105956572A (zh) * | 2016-05-15 | 2016-09-21 | 北京工业大学 | 一种基于卷积神经网络的活体人脸检测方法 |
CN106295566A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 人脸表情识别方法及装置 |
CN106548145A (zh) * | 2016-10-31 | 2017-03-29 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN106599872A (zh) * | 2016-12-23 | 2017-04-26 | 北京旷视科技有限公司 | 用于验证活体人脸图像的方法和设备 |
CN107103266A (zh) * | 2016-02-23 | 2017-08-29 | 中国科学院声学研究所 | 二维人脸欺诈检测分类器的训练及人脸欺诈检测方法 |
-
2017
- 2017-11-10 CN CN201711103760.5A patent/CN107886070A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324912A (zh) * | 2013-05-30 | 2013-09-25 | 苏州福丰科技有限公司 | 一种应用于atm机的人脸识别系统及方法 |
CN104318219A (zh) * | 2014-10-31 | 2015-01-28 | 上海交通大学 | 基于局部特征及全局特征结合的人脸识别方法 |
CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
CN105550658A (zh) * | 2015-12-24 | 2016-05-04 | 蔡叶荷 | 一种基于高维lbp与卷积神经网络特征融合的人脸比对方法 |
CN105760834A (zh) * | 2016-02-14 | 2016-07-13 | 北京飞搜科技有限公司 | 一种人脸特征点定位方法 |
CN107103266A (zh) * | 2016-02-23 | 2017-08-29 | 中国科学院声学研究所 | 二维人脸欺诈检测分类器的训练及人脸欺诈检测方法 |
CN105956572A (zh) * | 2016-05-15 | 2016-09-21 | 北京工业大学 | 一种基于卷积神经网络的活体人脸检测方法 |
CN106295566A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 人脸表情识别方法及装置 |
CN106548145A (zh) * | 2016-10-31 | 2017-03-29 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN106599872A (zh) * | 2016-12-23 | 2017-04-26 | 北京旷视科技有限公司 | 用于验证活体人脸图像的方法和设备 |
Non-Patent Citations (2)
Title |
---|
LEI LI ET AL: "An Original Face Anti-spoofing Approach using Partial Convolutional Neural Network", 《2016 SIXTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS (IPTA)》 * |
LEI LI ET AL: "FACE ANTI-SPOOFING VIA HYBRID CONVOLUTIONAL NEURAL NETWORK", 《 2017 INTERNATIONAL CONFERENCE ON THE FRONTIERS AND ADVANCES IN DATA SCIENCE (FADS)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875546A (zh) * | 2018-04-13 | 2018-11-23 | 北京旷视科技有限公司 | 人脸身份验证方法、系统及存储介质 |
WO2020097834A1 (zh) * | 2018-11-14 | 2020-05-22 | 北京比特大陆科技有限公司 | 一种特征处理方法及装置、存储介质及程序产品 |
CN112868019A (zh) * | 2018-11-14 | 2021-05-28 | 北京比特大陆科技有限公司 | 一种特征处理方法及装置、存储介质及程序产品 |
CN109766785A (zh) * | 2018-12-21 | 2019-05-17 | 中国银联股份有限公司 | 一种人脸的活体检测方法及装置 |
CN109766785B (zh) * | 2018-12-21 | 2023-09-01 | 中国银联股份有限公司 | 一种人脸的活体检测方法及装置 |
CN109886223A (zh) * | 2019-02-26 | 2019-06-14 | 北京旷视科技有限公司 | 人脸识别方法、底库录入方法、装置及电子设备 |
CN111241989A (zh) * | 2020-01-08 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 图像识别方法及装置、电子设备 |
CN111241989B (zh) * | 2020-01-08 | 2023-06-13 | 腾讯科技(深圳)有限公司 | 图像识别方法及装置、电子设备 |
CN112507986A (zh) * | 2021-02-03 | 2021-03-16 | 长沙小钴科技有限公司 | 基于神经网络的多通道人脸活体检测方法及装置 |
CN113792701A (zh) * | 2021-09-24 | 2021-12-14 | 北京市商汤科技开发有限公司 | 一种活体检测方法、装置、计算机设备和存储介质 |
WO2023061122A1 (zh) * | 2021-10-15 | 2023-04-20 | 北京眼神科技有限公司 | 人脸活体检测方法、装置、计算机可读存储介质及设备 |
CN114821752A (zh) * | 2022-06-28 | 2022-07-29 | 杭州登虹科技有限公司 | 一种基于混合特征的年龄估算方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886070A (zh) | 人脸图像的验证方法、装置及设备 | |
CN106295566B (zh) | 人脸表情识别方法及装置 | |
CN105426867B (zh) | 人脸识别验证方法及装置 | |
CN105631403B (zh) | 人脸识别方法及装置 | |
CN105608425B (zh) | 对照片进行分类存储的方法及装置 | |
CN106339680B (zh) | 人脸关键点定位方法及装置 | |
CN106295515B (zh) | 确定图像中的人脸区域的方法及装置 | |
CN105654033B (zh) | 人脸图像验证方法和装置 | |
CN109740516A (zh) | 一种用户识别方法、装置、电子设备及存储介质 | |
CN105224924A (zh) | 活体人脸识别方法和装置 | |
CN106295499B (zh) | 年龄估计方法及装置 | |
CN104408402A (zh) | 人脸识别方法及装置 | |
CN110503023A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN106980840A (zh) | 脸型匹配方法、装置及存储介质 | |
CN107832741A (zh) | 人脸特征点定位的方法、装置及计算机可读存储介质 | |
CN105426730A (zh) | 登录验证处理方法、装置及终端设备 | |
CN106778531A (zh) | 人脸定位方法及装置 | |
CN104077563B (zh) | 人脸识别方法和装置 | |
CN106169075A (zh) | 身份验证方法及装置 | |
CN106971164A (zh) | 脸型匹配方法及装置 | |
CN109948494A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN107766820A (zh) | 图像分类方法及装置 | |
CN110458218A (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN107463903A (zh) | 人脸关键点定位方法及装置 | |
CN106446946A (zh) | 图像识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180406 |
|
RJ01 | Rejection of invention patent application after publication |