CN107944416A - 一种通过视频进行真人验证的方法 - Google Patents

一种通过视频进行真人验证的方法 Download PDF

Info

Publication number
CN107944416A
CN107944416A CN201711278964.2A CN201711278964A CN107944416A CN 107944416 A CN107944416 A CN 107944416A CN 201711278964 A CN201711278964 A CN 201711278964A CN 107944416 A CN107944416 A CN 107944416A
Authority
CN
China
Prior art keywords
video
image
live body
verification
true man
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
CN201711278964.2A
Other languages
English (en)
Inventor
王飞
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.)
Hangzhou Digital Peak Technology Co Ltd
Chengdu Rui Code Technology Co Ltd
Original Assignee
Hangzhou Digital Peak Technology Co Ltd
Chengdu Rui Code Technology Co Ltd
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 Hangzhou Digital Peak Technology Co Ltd, Chengdu Rui Code Technology Co Ltd filed Critical Hangzhou Digital Peak Technology Co Ltd
Priority to CN201711278964.2A priority Critical patent/CN107944416A/zh
Publication of CN107944416A publication Critical patent/CN107944416A/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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种通过视频进行真人验证的方法，采集连续视频，并将视频流中的连续视频帧转换为多张单通道图像，然后将多张单通道图像组合成一张多通道图像，采用训练好的深度学习模型处理合成的多通道图像并抽取深度特征，然后采用活体判断方法判别是否为活体并输出判别结果；本发明可以有效辨别真人。本发明是采用深度学习的方式在线检测活体，可以有效的解决图片、视频与3D模型伪造人脸的问题。

Description

一种通过视频进行真人验证的方法
技术领域
本发明属于真人验证的技术领域，具体涉及一种通过视频进行真人验证的方法。
背景技术
传统的身份认证方式包括密码、身份证、智能卡等，随着技术的发展出现了人脸、指纹、视网膜、虹膜、掌静脉、指静脉等身份认证方式，同时针对新技术的攻击也逐渐出现，如通过照片、视频甚至3D模型伪造人脸，通过高分辨率照片、隐形眼镜等伪造虹膜。
但是人脸攻击技术使得人脸身份认证系统中的应用受到了严重的限制，为了解决这一问题，人脸活体检测技术已然成为研究热点。目前的活体识别技术基本采用了人脸关键点检测的方式，但是需要用户配合做出相应的动作，操作复杂，验证时间较长，然而这也无法解决视频与3D模型伪造人脸的问题。
发明内容
本发明提供了一种通过视频进行真人验证的方法，采集连续视频，并将视频流中的连续视频帧转换为多张单通道图像，然后将多张单通道图像组合成一张多通道图像，采用训练好的深度学习模型处理合成的多通道图像并抽取深度特征，然后采用活体判断方法判别是否为活体并输出判别结果；本发明可以有效辨别真人。
本发明主要通过以下技术方案实现：一种通过视频进行真人验证的方法，主要包括以下步骤：
步骤A1：采集连续视频，将视频流中的连续视频帧转换为多张单通道图像，然后将多张单通道图像组合成一张多通道图像；
步骤A2：将步骤A1中合成的图像输入到深度学习的训练模型中并抽取深度特征；
步骤A3：采用活体判断方法判断当前图像中的人是否为活体，并输出结果。
人脸照片以及视频的攻击中真实人脸与假冒人脸有很大的区别，真实人脸是通过摄像头直接拍摄真实人脸得到的，而假冒人脸至少要经过两道工序才能获得，假人脸的制作以及二次采集。区分真实人脸以及假冒人脸的关键在于找到二次采集对于人脸产生的影响。
本发明是通过摄像头拍摄用户的连续视频，将视频流中的连续视频帧转换为多张单通道图像图像，组合成一张多通道图像，采用深度学习方式处理合成的图像并抽取深度特征，根据特征数据来判断当前图像中的人是否为真人。本发明使用活体判别算法分析深度特征是否属于活体；为了提高活体判别的严格程度，所述步骤A1-A3重复检测3次以上连续验证成功，则输出结果为活体；反之则活体验证失败。本发明是采用深度学习的方式在线检测活体，可以有效的解决图片、视频与3D模型伪造人脸的问题。
VGG-Net是一个应用在物体分类与识别方面的神经网络，VGG-Net的输入是固定尺寸大学的RGB的2D图像，接着依次通过一系类堆叠的，核大小为3×3的卷积层。每两个或者三个连续堆叠的卷积层为一个网络的小的单元模块，命名为Block。每一个Block后面会接入一个Max-pooling层，用于减小输入的尺寸大小，并保持网络的平移不变性。经过多个堆叠的Block单元后的输出，会接入一个三层的传统神经网络，也就是三层全连接层。最后的分类输出是一个softmax多分类器。
VGG网络模型是牛津大学视觉几何组提出的一种深度模型，在LFW数据库上取得了97%的准确率。VGG网络由5个卷积层，两层fc图像特征，一层fc分类特征组成，具体我们可以去读它的prototxt文件余弦相似度通过测量两个向量内积空间的余弦值来度量它们之间的相似性，尤其适用于任何维度的向量比较中，因此属于高维空间应用较多的机器学习算法。通常来说，数字图像包含的特征码较多，而这些特征组就属于高维空间，这正是余弦相似度算法应用的范围，算法将每个图像的特征组转化为高维空间的向量，两个向量之间的角度之余弦值可用于确定两个向量是否大致指向相同的方向。
为了更好的实现本发明，进一步的，所述步骤A1中抽取连续多帧彩色图像，将彩色图像转换为单通道灰度图像；将3张单通道灰度图像组成一张三通道的彩色图像。
为了更好的实现本发明，进一步的，所述步骤A2中训练模型为训练好的VGG Face深度学习模型；所述VGG Face模型中的fc8的输出参数mum-outptut为2，且fc8的名称参数name为fc8_living；在Caffe的环境中，使用标记的实际样本训练修改后的VGG Face模型，得到训练好的VGG Face深度学习模型。
为了更好的实现本发明，进一步的，所述步骤A2中，采用训练好的VGG Face模型处理步骤A1中合成的图像，并抽取模型网络中名称为fc8_ living的网络层特征深度信息，该信息包含第一浮点数和第二浮点数。
为了更好的实现本发明，进一步的，所述步骤A3中，若第一个浮点数较大，则判别结果为非活体；若第二个浮点数较大，则判断结果为活体。
为了更好的实现本发明，进一步的，所述步骤A3中训练好的VGG Face深度学习模型的生成步骤如下：
步骤A31：收集活体的多个真实的视频片段，标记活体视频片段和非活体视频片段，将各个视频片段分别组合为多通道图像，活体的多通道图像用1作为标签，非活体的多通道图像用0作为标签；
步骤A32：将步骤A31中的标记的多通道图像信息输入到修改的VGG Face模型中，得到微调人脸识别模型；
步骤33：经过多次迭代后得到活体识别模型，即得到训练模型。
为了更好的实现本发明，进一步的，所述步骤A1-A3重复检测3次以上连续验证成功，则输出结果为活体；反之则活体验证失败。
本发明中多通道图像的合成方法是先抽取视频流中多帧彩色图像，将彩色图像转换为单通道灰度图像；将3张单通道灰度图像组成一张三通道的彩色图像，其中第一张图像作为彩色图像的B通道，第二张图像作为彩色图像的G通道，第三张图像作为彩色图像的R通道。本发明根据样本视频的实际情况标记组成的彩色图像为活体或非活体，活体用1做标签，非活体用0作为标签；本发明是在Caffe的环境中，使用标记的样本训练修改后的VGGFace模型；所述样本视频是用户的真实的已知的活体视频和非活体视频。
所述活体判别方法是指先抽取用户的连续视频中的多帧彩色图像，将其转换为单通道图像，然后合成为多通道图像，并将图像输入到训练好的深度学习模型中，抽取模型网络中名称为fc8_ living的网络层特征深度信息，该信息包含2个浮点数；如果第一个值较大，则判别为非活体；如果第二个值较大，则判断为活体。
本发明的有益效果：
（1）采集连续视频，将视频流中的连续视频帧转换为多张单通道图像，然后将多张单通道图像组合成一张多通道图像；本发明得到的图像更具有真实性，有效提高辨别的真实性；
（2）所述步骤A2中的深度学习模型为VGG Face深度学习模型；所述VGG Face模型中的fc8的输出参数mum-outptut为2，且fc8的名称参数name为fc8_living；在Caffe的环境中，使用标记的实际样本训练修改后的VGG Face模型，得到训练好的VGG Face深度学习模型；本发明采用VGG Face深度学习模型提取合成图像的深度特征，具有较强的鲁棒性，可以有效辨别真人；
（3）本发明通过采集的用户真实的非活体和活体视频，将视频转化合成为多通道图像，经过多次迭代后得到活体识别模型，即得到训练好的VGG Face深度学习模型；本发明采用VGG Face深度学习模型提取合成图像的深度特征，具有较强的鲁棒性，可以有效辨别真人；
（4）所述步骤A1-A3重复检测3次以上连续验证成功，则输出结果为活体；反之则活体验证失败；本发明检测较为合理，提高辨别活体的灵敏度。
附图说明
图1为本发明的流程图；
图2为训练模型的生成流程图。
具体实施方式
实施例1：
一种通过视频进行真人验证的方法，如图1所示，主要包括以下步骤：
步骤A1：采集连续视频，将视频流中的连续视频帧转换为多张单通道图像，然后将多张单通道图像组合成一张多通道图像；
步骤A2：将步骤A1中合成三通道的图像输入到深度学习的训练模型中并抽取深度特征；
步骤A3：采用活体判断方法判断当前图像中的人是否为活体，并输出结果。
本发明中若重复检测3次连续成功，则活体验证成功；反之则活体验证失败。
本发明是通过摄像头拍摄待验证者的连续视频，将视频流中的连续视频帧转换为多张单通道图像图像，组合成一张多通道图像，采用深度学习方式处理合成的图像并抽取深度特征，根据特征数据来判断当前图像中的人是否为活体。
本发明采用深度学习模型提取合成图像的深度特征，具有较强的鲁棒性，可以有效辨别真人，本发明使用视频和深度学习的方式，可以有效的解决图片、视频与3D模型伪造人脸的问题。
实施例2：
本实施例是在实施例1的基础上进一步优化，如图2所示，所示训练模型的生成步骤主要包括以下步骤：
步骤A31：收集活体的多个真实已知的视频片段，标记活体视频片段和非活体视频片段，将各个视频片段分别组合为多通道图像，活体的多通道图像用1作为标签，非活体的多通道图像用0作为标签；
步骤A32：将步骤A31中的标记的多通道图像信息输入到修改的VGG Face模型中，得到微调人脸识别模型；
步骤33：经过多次迭代后得到活体识别模型，即得到训练好的VGG Face深度学习模型。
所述步骤A2中的深度学习模型为VGG Face深度学习模型；所述VGG Face模型中的fc8的输出参数mum-outptut为2，且fc8的名称参数name为fc8_living；在Caffe的环境中，使用标记的实际样本训练修改后的VGG Face模型，得到训练好的VGG Face深度学习模型；本发明采用VGG Face深度学习模型提取合成图像的深度特征，具有较强的鲁棒性，可以有效辨别真人。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例是在实施例1或2的基础上进一步优化，将视频流处理为多通道图像的方法为：先通过摄像头采集验证人的连续视频，然后抽取视频流中多帧彩色图像，将彩色图像转换为单通道灰度图像；将3张单通道灰度图像组成一张三通道的彩色图像。
本发明中多通道图像的合成方法是先抽取视频流中多帧彩色图像，将彩色图像转换为单通道灰度图像；将3张单通道灰度图像组成一张三通道的彩色图像，其中第一张图像作为彩色图像的B通道，第二张图像作为彩色图像的G通道，第三张图像作为彩色图像的R通道。
本发明采用深度学习模型提取合成图像的深度特征，具有较强的鲁棒性，可以有效辨别真人，本发明使用视频和深度学习的方式，可以有效的解决图片、视频与3D模型伪造人脸的问题。
本实施例的其他部分与上述实施例1或2相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (7)

1.一种通过视频进行真人验证的方法，其特征在于，主要包括以下步骤：
步骤A1：采集连续视频，将视频流中的连续视频帧转换为多张单通道图像，然后将多张单通道图像组合成一张多通道图像；
步骤A2：将步骤A1中合成的图像输入到深度学习的训练模型中并抽取深度特征；
步骤A3：采用活体判断方法判断当前图像中的人是否为活体，并输出结果。
2.根据权利要求1所述的一种通过视频进行真人验证的方法，其特征在于，所述步骤A1中抽取连续多帧彩色图像，将彩色图像转换为单通道灰度图像；将3张单通道灰度图像组成一张三通道的彩色图像。
3.根据权利要求1所述的一种通过视频进行真人验证的方法，其特征在于，所述步骤A2中训练模型为训练好的VGG Face深度学习模型；所述VGG Face模型中的fc8的输出参数mum-outptut为2，且fc8的名称参数name为fc8_living；在Caffe的环境中，使用标记的实际样本训练修改后的VGG Face模型，得到训练好的VGG Face深度学习模型。
4.根据权利要求3所述的一种通过视频进行真人验证的方法，其特征在于，所述步骤A2中，采用训练好的VGG Face模型处理步骤A1中合成的图像，并抽取模型网络中名称为fc8_living的网络层特征深度信息，该信息包含第一浮点数和第二浮点数。
5.根据权利要求4所述的一种通过视频进行真人验证的方法，其特征在于，所述步骤A3中，若第一个浮点数较大，则判别结果为非活体；若第二个浮点数较大，则判断结果为活体。
6.根据权利要求3所述的一种通过视频进行真人验证的方法，其特征在于，所述步骤A3中训练模型的生成步骤如下：
步骤A31：收集活体的多个真实的视频片段，标记活体视频片段和非活体视频片段，将各个视频片段分别组合为多通道图像，活体的多通道图像用1作为标签，非活体的多通道图像用0作为标签；
步骤A32：将步骤A31中的标记的多通道图像信息输入到修改的VGG Face模型中，得到微调人脸识别模型；
步骤33：经过多次迭代后得到活体识别模型，即得到训练模型。
7.根据权利要求1-6任一项所述的一种通过视频进行真人验证的方法，其特征在于，所述步骤A1-A3重复检测3次以上连续验证成功，则输出结果为活体；反之则活体验证失败。
CN201711278964.2A 2017-12-06 2017-12-06 一种通过视频进行真人验证的方法 Pending CN107944416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711278964.2A CN107944416A (zh) 2017-12-06 2017-12-06 一种通过视频进行真人验证的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711278964.2A CN107944416A (zh) 2017-12-06 2017-12-06 一种通过视频进行真人验证的方法

Publications (1)

Publication Number Publication Date
CN107944416A true CN107944416A (zh) 2018-04-20

Family

ID=61944973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711278964.2A Pending CN107944416A (zh) 2017-12-06 2017-12-06 一种通过视频进行真人验证的方法

Country Status (1)

Country Link
CN (1) CN107944416A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776786A (zh) * 2018-06-04 2018-11-09 北京京东金融科技控股有限公司 用于生成用户真伪识别模型的方法和装置
CN108830229A (zh) * 2018-06-20 2018-11-16 哈尔滨理工大学 一种基于caffe框架下结合人脸检测的活体识别方法
CN108985178A (zh) * 2018-06-21 2018-12-11 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN109086691A (zh) * 2018-07-16 2018-12-25 阿里巴巴集团控股有限公司 一种三维脸部活体检测方法、脸部认证识别方法及装置
CN109871780A (zh) * 2019-01-28 2019-06-11 中国科学院重庆绿色智能技术研究院 一种人脸质量判决方法、系统及人脸识别方法、系统
CN110062164A (zh) * 2019-04-22 2019-07-26 深圳市商汤科技有限公司 视频图像处理方法及装置
CN110674730A (zh) * 2019-09-20 2020-01-10 华南理工大学 一种基于单目的人脸静默活体检测方法
CN111652088A (zh) * 2020-05-15 2020-09-11 圣点世纪科技股份有限公司 一种基于视频选优机制的指静脉注册方法及注册装置
CN113362224A (zh) * 2021-05-31 2021-09-07 维沃移动通信有限公司 图像处理方法、装置、电子设备及可读存储介质
US11403369B2 (en) 2020-01-21 2022-08-02 Disney Enterprises, Inc. Secure content processing pipeline
US11425120B2 (en) 2020-02-11 2022-08-23 Disney Enterprises, Inc. Systems for authenticating digital contents

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793690A (zh) * 2014-01-27 2014-05-14 天津科技大学 一种基于皮下血流探测的人体生物活体检测方法及应用
CN105718871A (zh) * 2016-01-18 2016-06-29 成都索贝数码科技股份有限公司 一种基于统计的视频主持人识别方法
CN105930710A (zh) * 2016-04-22 2016-09-07 北京旷视科技有限公司 活体检测方法和装置
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
CN106203395A (zh) * 2016-07-26 2016-12-07 厦门大学 基于多任务深度学习的人脸属性识别方法
CN106845357A (zh) * 2016-12-26 2017-06-13 银江股份有限公司 一种基于多通道网络的视频人脸检测和识别方法
CN107066942A (zh) * 2017-03-03 2017-08-18 上海斐讯数据通信技术有限公司 一种活体人脸识别方法及系统
CN107122744A (zh) * 2017-04-28 2017-09-01 武汉神目信息技术有限公司 一种基于人脸识别的活体检测系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793690A (zh) * 2014-01-27 2014-05-14 天津科技大学 一种基于皮下血流探测的人体生物活体检测方法及应用
CN105718871A (zh) * 2016-01-18 2016-06-29 成都索贝数码科技股份有限公司 一种基于统计的视频主持人识别方法
CN105930710A (zh) * 2016-04-22 2016-09-07 北京旷视科技有限公司 活体检测方法和装置
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
CN106203395A (zh) * 2016-07-26 2016-12-07 厦门大学 基于多任务深度学习的人脸属性识别方法
CN106845357A (zh) * 2016-12-26 2017-06-13 银江股份有限公司 一种基于多通道网络的视频人脸检测和识别方法
CN107066942A (zh) * 2017-03-03 2017-08-18 上海斐讯数据通信技术有限公司 一种活体人脸识别方法及系统
CN107122744A (zh) * 2017-04-28 2017-09-01 武汉神目信息技术有限公司 一种基于人脸识别的活体检测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI LI 等: ""An Original Face Anti-spoofing Approach using Partial Convolutional Neural Network"", 《2016 SIXTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS》 *
NAGASHRI N LAKSHMINARAYANA 等: ""A Discriminative Spatio-temporal Mapping of Face for Liveness Detection"", 《2017 IEEE INTERNATIONAL CONFERENCE ON IDENTITY, SECURITY AND BEHAVIOR ANALYSIS》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776786A (zh) * 2018-06-04 2018-11-09 北京京东金融科技控股有限公司 用于生成用户真伪识别模型的方法和装置
CN108830229A (zh) * 2018-06-20 2018-11-16 哈尔滨理工大学 一种基于caffe框架下结合人脸检测的活体识别方法
CN108985178A (zh) * 2018-06-21 2018-12-11 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN109086691A (zh) * 2018-07-16 2018-12-25 阿里巴巴集团控股有限公司 一种三维脸部活体检测方法、脸部认证识别方法及装置
CN109871780B (zh) * 2019-01-28 2023-02-10 中国科学院重庆绿色智能技术研究院 一种人脸质量判决方法、系统及人脸识别方法、系统
CN109871780A (zh) * 2019-01-28 2019-06-11 中国科学院重庆绿色智能技术研究院 一种人脸质量判决方法、系统及人脸识别方法、系统
CN110062164A (zh) * 2019-04-22 2019-07-26 深圳市商汤科技有限公司 视频图像处理方法及装置
CN110674730A (zh) * 2019-09-20 2020-01-10 华南理工大学 一种基于单目的人脸静默活体检测方法
US11403369B2 (en) 2020-01-21 2022-08-02 Disney Enterprises, Inc. Secure content processing pipeline
US11425120B2 (en) 2020-02-11 2022-08-23 Disney Enterprises, Inc. Systems for authenticating digital contents
CN111652088A (zh) * 2020-05-15 2020-09-11 圣点世纪科技股份有限公司 一种基于视频选优机制的指静脉注册方法及注册装置
CN111652088B (zh) * 2020-05-15 2023-06-20 圣点世纪科技股份有限公司 一种基于视频选优机制的指静脉注册方法及注册装置
CN113362224A (zh) * 2021-05-31 2021-09-07 维沃移动通信有限公司 图像处理方法、装置、电子设备及可读存储介质
CN113362224B (zh) * 2021-05-31 2024-08-16 维沃移动通信有限公司 图像处理方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN107944416A (zh) 一种通过视频进行真人验证的方法
Wu et al. Busternet: Detecting copy-move image forgery with source/target localization
CN107194341B (zh) Maxout多卷积神经网络融合人脸识别方法和系统
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
CN108520216B (zh) 一种基于步态图像的身份识别方法
CN104933414B (zh) 一种基于wld-top的活体人脸检测方法
CN110569905B (zh) 基于生成对抗网络和注意力网络的细粒度图像分类方法
CN108197587A (zh) 一种通过人脸深度预测进行多模态人脸识别的方法
CN114241517B (zh) 基于图像生成和共享学习网络的跨模态行人重识别方法
CN110516616A (zh) 一种基于大规模rgb以及近红外数据集的双重认证人脸防伪方法
CN111126240B (zh) 一种三通道特征融合人脸识别方法
CN106991370B (zh) 基于颜色和深度的行人检索方法
Zheng et al. Attention-based spatial-temporal multi-scale network for face anti-spoofing
CN108280411A (zh) 一种具有空间变换能力的行人搜索方法
Rehman et al. Face liveness detection using convolutional-features fusion of real and deep network generated face images
CN108573231B (zh) 基于运动历史点云生成的深度运动图的人体行为识别方法
CN108021892A (zh) 一种基于极短视频的人脸活体检测方法
CN105243376A (zh) 一种活体检测方法和装置
CN114998934B (zh) 基于多模态智能感知和融合的换衣行人重识别和检索方法
CN112668557A (zh) 一种行人再识别系统中防御图像噪声攻击的方法
Jaberi et al. Improving the detection and localization of duplicated regions in copy-move image forgery
CN111639580A (zh) 一种结合特征分离模型和视角转换模型的步态识别方法
CN113095158A (zh) 一种基于对抗生成网络的笔迹生成方法及装置
Sharma et al. Deep convolutional neural network with ResNet-50 learning algorithm for copy-move forgery detection
CN106407975B (zh) 基于空间-光谱结构约束的多尺度分层目标检测方法

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: 20180420

RJ01 Rejection of invention patent application after publication