CN108345818A - 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 PDF

Info

Publication number
CN108345818A
CN108345818A CN201710049438.2A CN201710049438A CN108345818A CN 108345818 A CN108345818 A CN 108345818A CN 201710049438 A CN201710049438 A CN 201710049438A CN 108345818 A CN108345818 A CN 108345818A
Authority
CN
China
Prior art keywords
face
human face
image
image sequence
neural networks
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
Application number
CN201710049438.2A
Other languages
English (en)
Other versions
CN108345818B (zh
Inventor
王睿
谢树雷
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.)
Beijing Keaosen Data Technology Co Ltd
Original Assignee
Beijing Keaosen Data 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 Beijing Keaosen Data Technology Co Ltd filed Critical Beijing Keaosen Data Technology Co Ltd
Priority to CN201710049438.2A priority Critical patent/CN108345818B/zh
Publication of CN108345818A publication Critical patent/CN108345818A/zh
Application granted granted Critical
Publication of CN108345818B publication Critical patent/CN108345818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V40/172—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种人脸活体检测方法及装置，该方法包括：获取多个人脸图像序列，多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；采用卷积神经网络对多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，卷积神经网络包括多个子神经网络，每一个子神经网络用于对多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；将多组人脸特征图像输入至卷积神经网络的同一卷积层，按照预设处理方式，对多组人脸特征图像进行处理，获得检测对象的人脸活体特征；根据人脸活体特征对检测对象进行活体判定。该方法，能够克服可见光下检测不稳定的缺点和采用单帧人脸图像进行活体检测时，检测准确性低的问题。

Description

一种人脸活体检测方法及装置
技术领域
本申请涉及生物特征识别技术领域，尤其涉及一种人脸活体检测方法及装置。
背景技术
随着技术的进步，生物特征识别技术被越来越多应用于日常生活。人脸识别技术作为一种生物特征识别技术，由于其易采集、非接触式、识别率高等特点，得到了广泛的应用。人脸活体检测技术是人脸识别系统的重要组成部分，通过区分摄像机前的物体是真人还是假体，可有效提升人脸识别系统的安全性。当前的人脸活体检测方法主要是通过机器学习的方法，对可见光下的单帧人脸图像进行识别，从而对检测对象进行活体判定。其中，可见光的光线变化较大，可见光下的人脸图像极易受外界光线的干扰，例如可见光下，侧光和逆光均会影响人脸图像的成像效果，导致检测效果不稳定；另外，采用单帧图像进行活体检测，检测过程中缺失图像的时序信息，会对人脸活体检测的准确率造成影响，导致检测准确率较低。
发明内容
本申请提供了一种人脸活体检测方法及装置，以解决现有的人脸活体检测方法中，光线变化较大时，检测效果不稳定以及图像的时序信息的缺失导致检测准确率较低的问题。
第一方面，本申请提供了一种人脸活体检测方法，该人脸活体检测方法包括：获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征；根据所述人脸活体特征对所述检测对象进行活体判定。
进一步，采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像的过程，具体包括：将所述多个人脸图像序列输入至包括多个子神经网络的卷积神经网络，其中，向每一个子神经网络中输入所述多个人脸图像序列中的一个人脸图像序列；在每一个子神经网络中，对相应人脸图像序列依次进行如下操作：采用预设第一卷积核进行卷积操作、非线性激活操作和池化操作，生成一组人脸特征图像。
进一步，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征的过程，具体包括：按照下述预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征：对所述多组人脸特征图像依次进行如下操作：采用预设第二卷积核进行卷积操作、非线性激活操作和池化操作，生成第一特征响应图；依次采用预设第三、第四和第五卷积核对所述第一特征响应图进行卷积操作，生成第二特征响应图；对所述第二特征响应图进行池化操作，生成第三特征响应图；依次采用所述卷积神经网络的第一全连接层和第二全连接层对所述第三特征响应图进行特征融合处理，获得所述检测对象的人脸活体特征。
进一步，根据所述人脸活体特征对所述检测对象进行活体判定的过程，具体包括：采用所述卷积神经网络的分类器对所述人脸活体特征进行分类；根据分类的结果对所述检测对象进行活体判定。
进一步，获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列的过程，具体包括：采集同一检测对象在多个光谱下的初始人脸图像序列；从每一个光谱下的初始人脸图像序列中提取一帧图像，检测提取出的所有图像中是否均包含人脸，如果是，针对提取出的每一帧图像，再次提取其人脸区域图像，将该人脸区域图像进行预处理后，按照时间进行存储；或，如果否，删除提取出的所有图像，重新执行从每一个光谱下的初始人脸图像序列中提取一帧图像的步骤，直至将所有初始人脸图像序列中的图像提取完毕为止；将每一个光谱对应的人脸区域图像，按照时间顺序，合成该光谱下的人脸图像序列。
第二方面，本申请还提供了一种人脸活体检测装置，该人脸活体检测装置包括：人脸图像序列获取模块，用于获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；人脸特征图像生成模块，用于采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；人脸活体特征获取模块，用于将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征；活体识别模块，用于根据所述人脸活体特征对所述检测对象进行活体判定。
进一步，所述人脸特征图像生成模块具体用于：将所述多个人脸图像序列输入至包括多个子神经网络的卷积神经网络，其中，向每一个子神经网络中输入所述多个人脸图像序列中的一个人脸图像序列；在每一个子神经网络中，对相应人脸图像序列依次进行如下操作：采用预设第一卷积核进行卷积操作、非线性激活操作和池化操作，生成一组人脸特征图像。
进一步，所述人脸活体特征获取模块具体用于：将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照下述预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征：对所述多组人脸特征图像依次进行如下操作：采用预设第二卷积核进行卷积操作、非线性激活操作和池化操作，生成第一特征响应图；依次采用预设第三、第四和第五卷积核对所述第一特征响应图进行卷积操作，生成第二特征响应图；对所述第二特征响应图进行池化操作，生成第三特征响应图；依次采用所述卷积神经网络的第一全连接层和第二全连接层对所述第三特征响应图进行特征融合处理，获得所述检测对象的人脸活体特征。
进一步，所述活体识别模块具体用于：采用所述卷积神经网络的分类器对所述人脸活体特征进行分类；根据分类的结果对所述检测对象进行活体判定。
进一步，所述人脸图像序列获取模块包括：人脸图像序列采集单元，用于采集同一检测对象在多个光谱下的初始人脸图像序列；人脸区域图像提取单元，用于从每一个光谱下的初始人脸图像序列中提取一帧图像，检测提取出的所有图像中是否均包含人脸，如果是，针对提取出的每一帧图像，再次提取其人脸区域图像，将该人脸区域图像进行预处理后，按照时间进行存储；或，如果否，删除提取出的所有图像，重新执行从每一个光谱下的初始人脸图像序列中提取一帧图像的步骤，直至将所有初始人脸图像序列中的图像提取完毕为止；人脸图像序列合成单元，用于将每一个光谱对应的人脸区域图像，按照时间顺序，合成该光谱下的人脸图像序列。
本申请实施例可以包括以下有益效果：本申请提供了一种人脸活体检测方法及装置。该人脸活体检测方法中，首先获取同一检测对象在多个光谱下的人脸图像序列，之后采用卷积神经网络从多个光谱下的人脸图像序列中提取检测对象的人脸活体特征，并根据提取出的人脸活体特征对该检测对象进行活体判定。其中，从多个光谱下的人脸图像序列中提取检测对象的人脸活体特征，弥补了可见光条件下，检测结果受光线影响较大，检测不稳定的缺点。并且，同时从人脸图像序列(连续的多帧人脸图像)中进行特征提取，能够将人脸图像序列中不同人脸图像之间的特征相互关联，获得连续的多帧人脸图像之间的时序信息，从而克服单一光线条件下，采用单帧人脸图像进行活体判定时，由于缺失人脸图像的时序信息，造成检测准确性较低的问题。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种人脸活体检测方法的流程示意图；
图2为本申请实施例提供的一种卷积神经网络的结构示意图；
图3为本申请实施例提供的一种人脸活体检测装置的结构框图。
具体实施方式
参见图1，图1示出的是本申请实施例提供的一种人脸活体检测方法的流程示意图，该人脸活体检测方法包括：
步骤101、获取多个人脸图像序列。
由前述背景技术可知，可见光的光线变化较大，可见光下的人脸图像极易受外界光线的干扰，例如可见光下，侧光和逆光均会影响人脸图像的成像效果，导致检测效果不稳定。为了克服这一问题，本申请实施例同时采用多个不同光谱光源对检测对象进行人脸视频图像采集，生成多个人脸图像序列，之后采用该多个人脸图像序列进行人脸活体检测，从而消除光线变化造成的检测效果不稳定的问题。由此可知，步骤101中，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列。每个光谱下的人脸图像序列均包含多帧人脸图像，不同光谱下的人脸图像序列包含的人脸图像的帧数可以相同，也可以不同。
在一些实施例中，获取多个人脸图像序列，可以通过如下方式实现：
采集同一检测对象在多个光谱下的初始人脸图像序列，具体实施时，可以通过多光谱光源采集同一检测对象在多个光谱下的初始人脸图像序列，具体包括：同时开启多光谱光源的多个光谱摄像头，采用该多个光谱摄像头同时对同一检测对象进行人脸视频图像采集，从而获得该检测对象在多个光谱下的初始人脸图像序列。例如，可以同时开启多光谱光源的可见光摄像头和850nm近红外摄像头，采用该可见光摄像头和850nm近红外摄像头对同一检测对象同时进行初始人脸图像序列采集；也可以同时开启可见光摄像头、400nm摄像头和850nm近红外摄像头，采用该可见光摄像头、400nm摄像头和850nm近红外摄像头对同一检测对象同时进行初始人脸图像序列采集，同样，也可以同时开启其他光谱对应的摄像头，对同一检测对象同时进行初始人脸图像序列采集，此处不再一一列举。
获得多个初始人脸图像序列之后，从每一个光谱下的初始人脸图像序列中提取一帧图像(一帧初始人脸图像)，检测提取出的所有图像中是否均包含人脸，如果是，针对提取出的每一帧图像，再次提取其人脸区域图像，将该人脸区域图像进行预处理后，按照时间进行存储；或，如果否，删除提取出的所有图像，重新执行从每一个光谱下的初始人脸图像序列中提取一帧图像的步骤，直至将所有初始人脸图像序列中的图像提取完毕为止；将每一个光谱对应的人脸区域图像，按照时间顺序，合成该光谱下的人脸图像序列。
进一步，通常，人脸区域只占整个初始人脸图像的一部分，且所占据的比例较小。而在初始人脸图像中，除了人脸区域，余下部分为背景区域，背景区域在人脸视频图像采集过程中相对于人脸区域是静止的，在人脸活体检测过程中适当加入背景信息有利于提高活体检测效果，因此，在提取初始人脸图像中的人脸区域图像时，通常将人脸区域扩大一定倍数，例如，将人脸区域扩大1.8倍，以获得更好检测效果。另外，对于自然状态下采集到的初始人脸图像，其中人脸的角度有一定倾斜，可以通过关键点定位算法对初始人脸图像中人脸进行校正，即获取人脸中双眼关键点位置，根据双眼的坐标对初始人脸图像中人脸进行校正。
进一步，将人脸区域图像进行预处理的过程，具体包括：将人脸区域图像进行直方图均衡化处理，从而扩大人脸区域图像的动态范围，增强人脸区域图像的对比度。之后将经过直方图均衡化处理的人脸区域图像归一化至预设尺寸。
步骤102、采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像。
其中，所述卷积神经网络包括多个子神经网络，子神经网络与人脸图像序列一一对应，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像。
通常，卷积神经网络包含多个卷积层和池化层，通过卷积层中的滤波器可以提取图像的有效特征，之后通过池化层可以降低有效特征的维度。而同时对多帧图像进行卷积操作可以获取图像序列在时间维度上的信息。
基于上述原理，在一些实施例中，采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，可以通过下述方式实现：将所述多个人脸图像序列输入至包括多个子神经网络的卷积神经网络，其中，向每一个子神经网络中输入所述多个人脸图像序列中的一个人脸图像序列；在每一个子神经网络中，对相应人脸图像序列依次进行如下操作：采用预设第一卷积核进行卷积操作、非线性激活操作和池化操作，生成一组人脸特征图像。
其中，预设第一卷积核可以根据实际情况，随意进行设定，例如，采用可见光和850nm近红外摄像头同时对同一检测对象进行人脸视频图像采集，各获得一个人脸图像序列(每个人脸图像序列中包括10帧人脸图像)后，可以选择如下三维卷积核作为预设第一卷积核：三维卷积核的数量为96个，每个三维卷积核的大小为11像素*11像素、厚度为3像素*10像素。采用该预设第一卷积核分别对可见光和850nm近红外光谱下的两个人脸图像序进行卷积、非线性激活和池化操作后，分别生成一组人脸特征图像，即获得两组人脸特征图像，共96*2个人脸特征图像。
采用卷积神经网络的多个子神经网络对多个光谱下的人脸图像序列进行特征提取后，获得的每组人脸特征图像中不仅包含人脸图像的空间特征，还包含多帧人脸图像之间的时序信息。
步骤103、将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照预设处理方式，对所述多组人脸特征图像进行处理，获得检测对象的人脸活体特征。
想要根据多个光谱下的人脸图像序列对检测对象进行活体判定，需要同时根据该多个光谱下的人脸图像序列中的人脸特征信息，对检测对象进行活体判定，由此，在对检测对象进行活体判定之前，需要先将多个人脸图像序列的人脸特征图像进行融合。在一些实施例中，采用步骤103中指出的方式将多个人脸图像序列的人脸特征图像进行融合。
具体实施时，可以按照下述预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征：对所述多组人脸特征图像依次进行如下操作：采用预设第二卷积核进行卷积操作、非线性激活操作和池化操作，生成第一特征响应图；依次采用预设第三、第四和第五卷积核对所述第一特征响应图进行卷积操作，每次卷积操作后均进行非线性激活操作，生成第二特征响应图；对所述第二特征响应图进行池化操作，生成第三特征响应图；依次采用所述卷积神经网络的第一全连接层和第二全连接层对所述第三特征响应图进行特征融合处理，获得所述检测对象的人脸活体特征。
其中，预设处理方式中卷积层的数量和每一个卷积层中卷积核的参数设置均可以根据实际情况，随意进行设定。例如，结合上述预设第一卷积核的设定，将预设处理方式中卷积层的数量设置为四层，第一层卷积层中卷积核设置为预设第二卷积核，第二层卷积层中卷积核设置为预设第三卷积核，第三层卷积层中卷积核设置为预设第四卷积核，第四层卷积层中卷积核设置为预设第五卷积核。
预设第二、第三、第四和第五卷积核的设置也可以根据实际情况，随意进行设定。例如，前述采用可见光和850nm近红外摄像头同时对同一检测对象进行人脸视频图像采集，各获得一个人脸图像序列(每个人脸图像序列中包括10帧人脸图像)，并选取下述三维卷积核作为预设第一卷积核：三维卷积核的数量为96个，每个三维卷积核的大小为11像素*11像素、厚度为3像素*10像素。采用该预设第一卷积核分别对可见光和850nm近红外光谱下的两个人脸图像序进行卷积、非线性激活和池化操作，生成96*2个人脸特征图像后，可以选取下述三维卷积核作为预设第二卷积核：三维卷积核的数量为256个，每个三维卷积核的大小为5像素*5像素、厚度为96像素*2像素。对前述96*2个人脸特征图像依次进行如下操作：采用该预设第二卷积核进行卷积操作、非线性激活操作和池化操作，生成第一特征响应图(共256个响应图)；之后可以选取如下三维卷积核作为预设第三卷积核：三维卷积核的数量为384个，每个三维卷积核的尺寸为3像素*3像素*256像素；选取如下三维卷积核作为预设第四卷积核：三维卷积核的数量为384个，每个三维卷积核的尺寸为3像素*3像素*384像素；选取如下三维卷积核作为预设第五卷积核：三维卷积核的数量为256个，每个三维卷积核的尺寸为3像素*3像素*384像素。依次采用该预设第三、第四和第五卷积核对第一特征响应图(共256个响应图)进行卷积操作，每次卷积操作后均进行非线性激活操作，生成第二特征响应图。之后对第二特征响应图进行池化操作，降低第二特征响应图的维度，生成第三特征响应图(共256个响应图)。
同样，卷积神经网络的全连接层的层数和每一层全连接层中神经元的数量也可以根据实际情况，随意设定。例如，结合上述预设第一、第二、第三、第四和第五卷积核的设定，可以将卷积神经网络的全连接层设置为两层，即第一全连接层和第二全连接层，并且将第一全连接层和第二全连接层中神经元的数量均设置为4096个。依次采用该第一全连接层和第二全连接层对所述第三特征响应图进行特征融合处理后，可以获得维度为4096的人脸活体特征，即获得所述检测对象的人脸活体特征。
步骤104、根据所述人脸活体特征对所述检测对象进行活体判定。
具体实施时，根据所述人脸活体特征对所述检测对象进行活体判定的实现方式包括多种，例如：
第一种实现方式：采用所述卷积神经网络的分类器对所述人脸活体特征进行分类，根据分类的结果对所述检测对象进行活体判定。卷积神经网络中，全连接层后面具有softmax分类器，采用该softmax分类器对人脸活体特征进行分类，区分该人脸活体特征对应的人脸是否为真实人脸，如果是，则判定检测对象为活体，否则判定检测对象不是活体。
第二种实现方式：采用经过人脸特征训练的分类器对所述人脸活体特征进行分类，根据分类的结果对检测对象进行活体判定。除利用卷积神经网络的分类器对人脸活体特征进行分类外，还可以将人脸活体特征输入至其他经过人脸特征训练的分类器中进行分类，例如，可以将人脸活体特征输入至经过人脸特征训练的SVM(Support Vector Machine，支持向量机)中进行分类，区分该人脸活体特征对应的人脸是否为真实人脸，如果是，则判定检测对象为活体，否则判定检测对象不是活体。
本申请实施例提供的人脸活体检测方法，通过卷积神经网络从多个光谱下的人脸图像序列中提取检测对象的人脸活体特征，并根据提取出的人脸活体特征对该检测对象进行活体判定。其中，从多个光谱下的人脸图像序列中提取检测对象的人脸活体特征，弥补了可见光条件下，检测结果受光线影响较大，检测不稳定的缺点。并且，同时从人脸图像序列(连续的多帧人脸图像)中进行特征提取，能够将人脸图像序列中不同人脸图像之间的特征相互关联，获得连续的多帧人脸图像之间的时序信息，从而克服单一光线条件下，采用单帧人脸图像进行活体判定时，由于缺失人脸图像的时序信息，造成检测准确性较低的问题。
基于上述人脸活体检测方法，本申请实施例还提供了一种卷积神经网络。获取到多个人脸图像序列(同一检测对象在多个光谱下的人脸图像序列)后，可以将该多个人脸图像序列输入至本申请实施例提供的卷积神经网络，采用该卷积神经网络对该多个人脸图像序列进行处理，并输出活体检测结果。这样，只要构建好卷积神经网络，将多个光谱下的人脸图像序列输入至该卷积神经网络，即可得到检测对象的活体检测结果，检测更加简单高效。
参见图2，图2为本申请实施例提供的一种卷积神经网络的结构示意图，该卷积神经网络包括：多个子神经网络201，第一卷积层202、第一非线性激活层203、第一池化层204、第二卷积层205、第二非线性激活层206、第三卷积层207、第三非线性激活层208、第四卷积层209、第四非线性激活层210、第二池化层211、第一全连接层212、第二全连接层213和分类器214。
其中，每个子神经网络201包括子卷积层2011、子非线性激活层2012和子池化层2013。每个子神经网络201用于对输入该卷积神经网络的多个人脸图像序列中的一个人脸图像序列依次进行如下操作：采用预设第一卷积核进行卷积操作、非线性激活操作和池化操作，生成一组人脸特征图像；所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列。
第一卷积层202用于采用预设第二卷积核，对所述多个子神经网络201输出的所有人脸特征图像进行卷积操作；第一非线性激活层203用于对所述第一卷积层202输出的图像进行非线性激活操作；第一池化层204用于对所述第一非线性激活层203输出的图像进行池化操作，输出第一特征响应图。
第二卷积层205用于采用预设第三卷积核对所述第一特征响应图进行卷积操作；第二非线性激活层206用于对所述第二卷积层205输出的图像进行非线性激活操作；第三卷积层207用于采用预设第四卷积核，对所述第二非线性激活层206输出的图像(特征响应图)进行卷积操作；第三非线性激活层208用于对所述第三卷积层207输出的图像进行非线性激活操作；第四卷积层209用于采用预设第五卷积核，对所述第三非线性激活层208输出的图像(特征响应图)进行卷积操作；第四非线性激活层210用于对所述第四卷积层209输出的图像进行非线性激活操作，输出第二特征响应图。
第二池化层211用于对所述第二特征响应图进行池化操作，输出第三特征响应图。
第一全连接层212用于对所述第三特征响应图进行特征融合处理；第二全连接层213用于对所述第一全连接层212输出的图像进行特征融合处理，输出人脸活体特征。
分类器214用于对所述人脸活体特征进行分类，根据分类的结果对检测对象进行活体判定，输出检测对象的活体检测结果；分类器214可以为softmax分类器。
其中，预设第一、第二、第三、第四和第五卷积核的设置可以参考上述人脸活体检测方法实施例，此处不再赘述。
采用本申请实施例提供的卷积神经网络对多个光谱下的人脸图像序列进行处理后，可以直接输出对检测对象的活体检测结果，并且能够得到上述人脸活体检测方法所能得到的有益效果，此外，采用本申请实施例提供的卷积神经网络对检测对象进行活体检测，检测过程更加简单高效。
与本申请实施例提供的人脸活体检测方法相对应，本申请还提供了一种人脸活体检测装置。
参见图3，图3示出的是本申请实施例提供的一种人脸活体检测装置的结构框图，该人脸活体检测装置包括：
人脸图像序列获取模块301，用于获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；
人脸特征图像生成模块302，用于采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；
人脸活体特征获取模块303，用于将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征；
活体识别模块304，用于根据所述人脸活体特征对所述检测对象进行活体判定。
进一步，所述人脸特征图像生成模块302具体用于：将所述多个人脸图像序列输入至包括多个子神经网络的卷积神经网络，其中，向每一个子神经网络中输入所述多个人脸图像序列中的一个人脸图像序列；在每一个子神经网络中，对相应人脸图像序列依次进行如下操作：采用预设第一卷积核进行卷积操作、非线性激活操作和池化操作，生成一组人脸特征图像。
进一步，所述人脸活体特征获取模块303具体用于：将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照下述预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征：对所述多组人脸特征图像依次进行如下操作：采用预设第二卷积核进行卷积操作、非线性激活操作和池化操作，生成第一特征响应图；依次采用预设第三、第四和第五卷积核对所述第一特征响应图进行卷积操作，每次卷积操作后均进行一次非线性激活操作，生成第二特征响应图；对所述第二特征响应图进行池化操作，生成第三特征响应图；依次采用所述卷积神经网络的第一全连接层和第二全连接层对所述第三特征响应图进行特征融合处理，获得所述检测对象的人脸活体特征。
进一步，所述活体识别模块304具体用于：采用所述卷积神经网络的分类器对所述人脸活体特征进行分类；根据分类的结果对检测对象进行活体判定。
进一步，所述活体识别模块304具体用于：采用经过人脸特征训练的分类器对所述人脸活体特征进行分类，例如采用经过人脸特征训练的SVM(Support Vector Machine，支持向量机)对人脸活体特征进行分类；根据分类的结果对检测对象进行活体判定。
进一步，所述人脸图像序列获取模块301包括：
人脸图像序列采集单元3011，用于采集同一检测对象在多个光谱下的初始人脸图像序列；
人脸区域图像提取单元3012，用于从每一个光谱下的初始人脸图像序列中提取一帧图像，检测提取出的所有图像中是否均包含人脸，如果是，针对提取出的每一帧图像，再次提取其人脸区域图像，将该人脸区域图像进行预处理后，按照时间进行存储；或，如果否，删除提取出的所有图像，重新执行从每一个光谱下的初始人脸图像序列中提取一帧图像的步骤，直至将所有初始人脸图像序列中的图像提取完毕为止；
人脸图像序列合成单元3013，用于将每一个光谱对应的人脸区域图像，按照时间顺序，合成该光谱下的人脸图像序列。
采用本申请实施例提供的人脸活体检测装置，能够实施上述人脸活体检测方法，并获得上述人脸活体检测方法所能获得的有益效果。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的人脸活体检测方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-on l y memory，简称：ROM)或随机存储记忆体(英文：random acce s s memory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于人脸活体检测装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (10)

1.一种人脸活体检测方法，其特征在于，包括：
获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；
采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；
将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征；
根据所述人脸活体特征对所述检测对象进行活体判定。
2.如权利要求1所述的人脸活体检测方法，其特征在于，采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像的过程，具体包括：
将所述多个人脸图像序列输入至包括多个子神经网络的卷积神经网络，其中，向每一个子神经网络中输入所述多个人脸图像序列中的一个人脸图像序列；
在每一个子神经网络中，对相应人脸图像序列依次进行如下操作：采用预设第一卷积核进行卷积操作、非线性激活操作和池化操作，生成一组人脸特征图像。
3.如权利要求2所述的人脸活体检测方法，其特征在于，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征的过程，具体包括：
按照下述预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征：
对所述多组人脸特征图像依次进行如下操作：采用预设第二卷积核进行卷积操作、非线性激活操作和池化操作，生成第一特征响应图；
依次采用预设第三、第四和第五卷积核对所述第一特征响应图进行卷积操作，生成第二特征响应图；
对所述第二特征响应图进行池化操作，生成第三特征响应图；
依次采用所述卷积神经网络的第一全连接层和第二全连接层对所述第三特征响应图进行特征融合处理，获得所述检测对象的人脸活体特征。
4.如权利要求3所述的人脸活体检测方法，其特征在于，根据所述人脸活体特征对所述检测对象进行活体判定的过程，具体包括：
采用所述卷积神经网络的分类器对所述人脸活体特征进行分类；
根据分类的结果对所述检测对象进行活体判定。
5.如权利要求1至4任意一项所述的人脸活体检测方法，其特征在于，获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列的过程，具体包括：
采集同一检测对象在多个光谱下的初始人脸图像序列；
从每一个光谱下的初始人脸图像序列中提取一帧图像，检测提取出的所有图像中是否均包含人脸，如果是，针对提取出的每一帧图像，再次提取其人脸区域图像，将该人脸区域图像进行预处理后，按照时间进行存储；或，如果否，删除提取出的所有图像，重新执行从每一个光谱下的初始人脸图像序列中提取一帧图像的步骤，直至将所有初始人脸图像序列中的图像提取完毕为止；
将每一个光谱对应的人脸区域图像，按照时间顺序，合成该光谱下的人脸图像序列。
6.一种人脸活体检测装置，其特征在于，包括：
人脸图像序列获取模块，用于获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；
人脸特征图像生成模块，用于采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；
人脸活体特征获取模块，用于将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征；
活体识别模块，用于根据所述人脸活体特征对所述检测对象进行活体判定。
7.如权利要求6所述的人脸活体检测装置，其特征在于，所述人脸特征图像生成模块具体用于：
将所述多个人脸图像序列输入至包括多个子神经网络的卷积神经网络，其中，向每一个子神经网络中输入所述多个人脸图像序列中的一个人脸图像序列；
在每一个子神经网络中，对相应人脸图像序列依次进行如下操作：采用预设第一卷积核进行卷积操作、非线性激活操作和池化操作，生成一组人脸特征图像。
8.如权利要求7所述的人脸活体检测装置，其特征在于，所述人脸活体特征获取模块具体用于：
将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照下述预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征：
对所述多组人脸特征图像依次进行如下操作：采用预设第二卷积核进行卷积操作、非线性激活操作和池化操作，生成第一特征响应图；
依次采用预设第三、第四和第五卷积核对所述第一特征响应图进行卷积操作，生成第二特征响应图；
对所述第二特征响应图进行池化操作，生成第三特征响应图；
依次采用所述卷积神经网络的第一全连接层和第二全连接层对所述第三特征响应图进行特征融合处理，获得所述检测对象的人脸活体特征。
9.如权利要求8所述的人脸活体检测装置，其特征在于，所述活体识别模块具体用于：
采用所述卷积神经网络的分类器对所述人脸活体特征进行分类；
根据分类的结果对所述检测对象进行活体判定。
10.如权利要求6至9任意一项所述的人脸活体检测装置，其特征在于，所述人脸图像序列获取模块包括：
人脸图像序列采集单元，用于采集同一检测对象在多个光谱下的初始人脸图像序列；
人脸区域图像提取单元，用于从每一个光谱下的初始人脸图像序列中提取一帧图像，检测提取出的所有图像中是否均包含人脸，如果是，针对提取出的每一帧图像，再次提取其人脸区域图像，将该人脸区域图像进行预处理后，按照时间进行存储；或，如果否，删除提取出的所有图像，重新执行从每一个光谱下的初始人脸图像序列中提取一帧图像的步骤，直至将所有初始人脸图像序列中的图像提取完毕为止；
人脸图像序列合成单元，用于将每一个光谱对应的人脸区域图像，按照时间顺序，合成该光谱下的人脸图像序列。
CN201710049438.2A 2017-01-23 2017-01-23 一种人脸活体检测方法及装置 Active CN108345818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710049438.2A CN108345818B (zh) 2017-01-23 2017-01-23 一种人脸活体检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710049438.2A CN108345818B (zh) 2017-01-23 2017-01-23 一种人脸活体检测方法及装置

Publications (2)

Publication Number Publication Date
CN108345818A true CN108345818A (zh) 2018-07-31
CN108345818B CN108345818B (zh) 2021-08-31

Family

ID=62974596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710049438.2A Active CN108345818B (zh) 2017-01-23 2017-01-23 一种人脸活体检测方法及装置

Country Status (1)

Country Link
CN (1) CN108345818B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359634A (zh) * 2018-12-11 2019-02-19 西安第六镜网络科技有限公司 一种基于双目摄像机的人脸活体检测方法
CN109543521A (zh) * 2018-10-18 2019-03-29 天津大学 主侧视结合的活体检测与人脸识别方法
CN109558840A (zh) * 2018-11-29 2019-04-02 中国科学院重庆绿色智能技术研究院 一种特征融合的活体检测方法
CN109686440A (zh) * 2018-12-20 2019-04-26 深圳市新产业眼科新技术有限公司 一种在线智能诊断云平台及其运行方法和可读存储介质
CN109767828A (zh) * 2019-01-23 2019-05-17 深圳市新产业眼科新技术有限公司 交互式在线诊断云平台及其运行方法和可读存储介质
CN110399799A (zh) * 2019-06-26 2019-11-01 北京迈格威科技有限公司 图像识别和神经网络模型的训练方法、装置和系统
CN111091089A (zh) * 2019-12-12 2020-05-01 新华三大数据技术有限公司 一种人脸图像处理方法、装置、电子设备及存储介质
CN111353395A (zh) * 2020-02-19 2020-06-30 南京信息工程大学 一种基于长短期记忆网络的换脸视频检测方法
CN111814567A (zh) * 2020-06-11 2020-10-23 上海果通通信科技股份有限公司 人脸活体检测的方法、装置、设备和存储介质
WO2020253304A1 (zh) * 2019-06-17 2020-12-24 深圳Tcl新技术有限公司 人脸识别装置及图像处理方法、特征提取模型、存储介质
CN112183185A (zh) * 2020-08-13 2021-01-05 天津大学 基于光流法和cnn-svm的液体泄漏检测方法
CN112307973A (zh) * 2020-10-30 2021-02-02 中移（杭州）信息技术有限公司 活体检测方法、系统、电子设备和存储介质
CN112395908A (zh) * 2019-08-13 2021-02-23 天津大学青岛海洋技术研究院 一种基于三维卷积神经网络的活体人脸检测算法
CN112424795A (zh) * 2019-06-20 2021-02-26 深圳市汇顶科技股份有限公司 卷积神经网络、人脸防伪方法、处理器芯片及电子设备
CN112597466A (zh) * 2020-04-30 2021-04-02 支付宝实验室(新加坡)有限公司 用户认证方法和系统
KR20210095817A (ko) * 2020-07-15 2021-08-03 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 얼굴 합성 이미지의 검출방법, 검출장치, 전자기기 및 저장매체

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050265585A1 (en) * 2004-06-01 2005-12-01 Lumidigm, Inc. Multispectral liveness determination
CN102708383A (zh) * 2012-05-21 2012-10-03 广州像素数据技术开发有限公司 一种多模态比对功能的活体人脸检测系统与方法
CN102789572A (zh) * 2012-06-26 2012-11-21 五邑大学 一种活体人脸安全认证装置及方法
CN103440479A (zh) * 2013-08-29 2013-12-11 湖北微模式科技发展有限公司 一种活体人脸检测方法与系统
CN104751110A (zh) * 2013-12-31 2015-07-01 汉王科技股份有限公司 一种活体检测方法和装置
CN105184277A (zh) * 2015-09-29 2015-12-23 杨晴虹 活体人脸识别方法以及装置
WO2016010720A1 (en) * 2014-07-15 2016-01-21 Qualcomm Incorporated Multispectral eye analysis for identity authentication
CN106156757A (zh) * 2016-08-02 2016-11-23 中国银联股份有限公司 结合活体检测技术的人脸识别方法及人脸识别系统
CN106203305A (zh) * 2016-06-30 2016-12-07 北京旷视科技有限公司 人脸活体检测方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050265585A1 (en) * 2004-06-01 2005-12-01 Lumidigm, Inc. Multispectral liveness determination
CN102708383A (zh) * 2012-05-21 2012-10-03 广州像素数据技术开发有限公司 一种多模态比对功能的活体人脸检测系统与方法
CN102789572A (zh) * 2012-06-26 2012-11-21 五邑大学 一种活体人脸安全认证装置及方法
CN103440479A (zh) * 2013-08-29 2013-12-11 湖北微模式科技发展有限公司 一种活体人脸检测方法与系统
CN104751110A (zh) * 2013-12-31 2015-07-01 汉王科技股份有限公司 一种活体检测方法和装置
WO2016010720A1 (en) * 2014-07-15 2016-01-21 Qualcomm Incorporated Multispectral eye analysis for identity authentication
CN105184277A (zh) * 2015-09-29 2015-12-23 杨晴虹 活体人脸识别方法以及装置
CN106203305A (zh) * 2016-06-30 2016-12-07 北京旷视科技有限公司 人脸活体检测方法和装置
CN106156757A (zh) * 2016-08-02 2016-11-23 中国银联股份有限公司 结合活体检测技术的人脸识别方法及人脸识别系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YOUNG-HYEN BYEON ET AL: "Facial Expression Recognition Using 3D Convolutional Neural Network", 《(IJACSA) INTERNATIONAL JOURNAL OF ADVANCED COMPUTER SCIENCE AND APPLICATIONS》 *
王悦扬: "基于多光谱成像的人脸活体检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543521A (zh) * 2018-10-18 2019-03-29 天津大学 主侧视结合的活体检测与人脸识别方法
CN109558840A (zh) * 2018-11-29 2019-04-02 中国科学院重庆绿色智能技术研究院 一种特征融合的活体检测方法
CN109359634A (zh) * 2018-12-11 2019-02-19 西安第六镜网络科技有限公司 一种基于双目摄像机的人脸活体检测方法
CN109359634B (zh) * 2018-12-11 2021-11-16 西安第六镜网络科技有限公司 一种基于双目摄像机的人脸活体检测方法
CN109686440A (zh) * 2018-12-20 2019-04-26 深圳市新产业眼科新技术有限公司 一种在线智能诊断云平台及其运行方法和可读存储介质
CN109686440B (zh) * 2018-12-20 2023-12-05 深圳市新产业眼科新技术有限公司 一种在线智能诊断云平台及其运行方法和可读存储介质
CN109767828A (zh) * 2019-01-23 2019-05-17 深圳市新产业眼科新技术有限公司 交互式在线诊断云平台及其运行方法和可读存储介质
CN109767828B (zh) * 2019-01-23 2023-09-12 深圳市新产业眼科新技术有限公司 交互式在线诊断云平台及其运行方法和可读存储介质
WO2020253304A1 (zh) * 2019-06-17 2020-12-24 深圳Tcl新技术有限公司 人脸识别装置及图像处理方法、特征提取模型、存储介质
CN112424795B (zh) * 2019-06-20 2024-05-28 深圳市汇顶科技股份有限公司 人脸防伪方法、处理器芯片及电子设备
CN112424795A (zh) * 2019-06-20 2021-02-26 深圳市汇顶科技股份有限公司 卷积神经网络、人脸防伪方法、处理器芯片及电子设备
CN110399799A (zh) * 2019-06-26 2019-11-01 北京迈格威科技有限公司 图像识别和神经网络模型的训练方法、装置和系统
CN110399799B (zh) * 2019-06-26 2022-07-26 北京迈格威科技有限公司 图像识别和神经网络模型的训练方法、装置和系统
CN112395908A (zh) * 2019-08-13 2021-02-23 天津大学青岛海洋技术研究院 一种基于三维卷积神经网络的活体人脸检测算法
CN111091089A (zh) * 2019-12-12 2020-05-01 新华三大数据技术有限公司 一种人脸图像处理方法、装置、电子设备及存储介质
CN111091089B (zh) * 2019-12-12 2022-07-29 新华三大数据技术有限公司 一种人脸图像处理方法、装置、电子设备及存储介质
CN111353395A (zh) * 2020-02-19 2020-06-30 南京信息工程大学 一种基于长短期记忆网络的换脸视频检测方法
CN112597466A (zh) * 2020-04-30 2021-04-02 支付宝实验室(新加坡)有限公司 用户认证方法和系统
CN111814567A (zh) * 2020-06-11 2020-10-23 上海果通通信科技股份有限公司 人脸活体检测的方法、装置、设备和存储介质
KR20210095817A (ko) * 2020-07-15 2021-08-03 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 얼굴 합성 이미지의 검출방법, 검출장치, 전자기기 및 저장매체
KR102612354B1 (ko) * 2020-07-15 2023-12-11 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 얼굴 합성 이미지의 검출방법, 검출장치, 전자기기 및 저장매체
US11881050B2 (en) 2020-07-15 2024-01-23 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for detecting face synthetic image, electronic device, and storage medium
CN112183185A (zh) * 2020-08-13 2021-01-05 天津大学 基于光流法和cnn-svm的液体泄漏检测方法
CN112307973A (zh) * 2020-10-30 2021-02-02 中移（杭州）信息技术有限公司 活体检测方法、系统、电子设备和存储介质
CN112307973B (zh) * 2020-10-30 2023-04-18 中移（杭州）信息技术有限公司 活体检测方法、系统、电子设备和存储介质

Also Published As

Publication number Publication date
CN108345818B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN108345818A (zh) 一种人脸活体检测方法及装置
Zhang et al. Spatio-temporal fusion for macro-and micro-expression spotting in long video sequences
CN109684925B (zh) 一种基于深度图像的人脸活体检测方法及设备
CN104933414B (zh) 一种基于wld-top的活体人脸检测方法
CN108805203A (zh) 图像处理及对象再识别方法、装置、设备和存储介质
CN105354558B (zh) 人脸图像匹配方法
CN110826389B (zh) 基于注意力3d频率卷积神经网络的步态识别方法
Tu et al. Enhance the motion cues for face anti-spoofing using CNN-LSTM architecture
CN108416265A (zh) 一种人脸检测方法、装置、设备及存储介质
CN110516575A (zh) 基于残差域富模型的gan生成图片检测方法及系统
CN109376631A (zh) 一种基于神经网络的回环检测方法及装置
CN110008793A (zh) 人脸识别方法、装置及设备
CN112183200B (zh) 一种基于视频图像的眼动追踪方法和系统
Zhao et al. Applying contrast-limited adaptive histogram equalization and integral projection for facial feature enhancement and detection
CN110674759A (zh) 一种基于深度图的单目人脸活体检测方法、装置及设备
CN108985200A (zh) 一种基于终端设备的非配合式的活体检测算法
CN104834909B (zh) 一种基于Gabor综合特征的图像特征描述方法
HN et al. Human Facial Expression Recognition from static images using shape and appearance feature
Hadiprakoso et al. Face anti-spoofing using CNN classifier & face liveness detection
KR101347616B1 (ko) 초해상도 영상복원 장치 및 방법
CN110263670A (zh) 一种面部局部特征分析系统
CN111209873A (zh) 一种基于深度学习的高精度人脸关键点定位方法及系统
Ge et al. Face anti-spoofing by the enhancement of temporal motion
Saaidia et al. Facial expression recognition using neural network trained with Zernike moments
CN112488165A (zh) 一种基于深度学习模型的红外行人识别方法及系统

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