CN108764071B - 一种基于红外和可见光图像的真实人脸检测方法及装置 - Google Patents
一种基于红外和可见光图像的真实人脸检测方法及装置 Download PDFInfo
- Publication number
- CN108764071B CN108764071B CN201810448839.XA CN201810448839A CN108764071B CN 108764071 B CN108764071 B CN 108764071B CN 201810448839 A CN201810448839 A CN 201810448839A CN 108764071 B CN108764071 B CN 108764071B
- Authority
- CN
- China
- Prior art keywords
- face
- infrared
- image
- visible light
- real
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
Abstract
本发明提供一种基于红外和可见光图像的真实人脸检测方法及装置。使用同步获取的红外和可见光图像,综合使用人脸模型、色彩、尺度、纹理、深度信息特征,联合使用人脸检测、色彩判定、尺度判定、综合纹理判定、深度信息判定方法,较好地识别了多种伪装人脸的攻击,保证了人脸识别算法的安全使用。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及基于红外与可见光图像的真实人脸检测装置及方法。
背景技术
目前二维人脸识别技术日趋成熟,已广泛应用于多个领域。三维人脸识别技术受限于设备成本及处理速度等技术原因,应用远未普及。
二维人脸识别技术有较高的识别率,但容易受到伪装人脸的攻击,包括:照片、视频、面具、3D模型等,需采用其他手段来检测防范此类攻击,如通过连续视频图像来检测眨眼等动作、通过双目视觉探测深度信息、通过红外热成像探测活体、通过红外图像检测纹理信息等,但目前此类技术并未完全成熟,使其应用受到限制。
发明内容
本发明克服了现有技术缺陷,提供了一种基于红外和可见光图像的真实人脸检测装置及方法,具体包含以下内容。
一种基于红外和可见光图像的真实人脸检测方法,其特征在于,包含以下步骤。
步骤1,红外摄像头采集人脸红外图像,可见光摄像头同步采集人脸可见光图像;
所述红外图像为灰度图像;所述可见光图像为彩色图像。
步骤2,检测红外和可见光图像中是否同时存在人脸模型;若否,判定为非真实人脸。
步骤3,检测可见光图像色彩度量值是否大于设定阈值;若否,判定为非真实人脸。
步骤4,根据红外和可见光图像,计算人脸尺度系数是否在范围内;若否,判定为非真实人脸。
步骤5,计算红外图像综合纹理向量与标准向量的距离是否小于阈值;若否,判定为非真实人脸。
步骤6,计算红外和可见光图像对应特征点距离的方差是否大于阈值;若否,判定为非真实人脸。
在步骤2到步骤5的判定中,若判断为非真实人脸,则不再进行后续判定;若通过上述全部步骤依然未判定为非真实人脸,则判定为真实人脸。
所述步骤2,检测红外和可见光图像中是否同时存在人脸模型;若否,判定为非真实人脸,包括:
采用现有技术提取红外图像和可见光图像中的人脸模型,得到对应的人脸矩形框和人脸特征点集;若不能在可见光图像和红外图像中同时检测到人脸,则可判定为照片或电子相册,进而判定为非真实人脸。
所述人脸模型,指包含人脸主要特征的特征点集,称为人脸特征点或人脸特征点集;以及包含所有特征点的外接矩形,称为人脸矩形框;人脸特征点中轮廓部分特征点连线构成人脸特征点外轮廓区域。
所述步骤3,检测可见光图像色彩度量值是否大于设定阈值;若否,判定为非真实人脸,包括:
提取可见光图像中人脸矩形框对应区域图像的HSV信息,计算S与H的比值作为色彩度量值,若小于设定的阈值,则可判定为灰度照片,进而可判定为非真实人脸。
所述步骤4,根据红外和可见光图像,计算人脸尺度系数是否在范围内;若否,判定为非真实人脸,包括:
计算红外图像和可见光图像中人脸矩形框的面积平均值,计算两矩形框中心在图像坐标系中的距离;再计算所述面积平均值与所述距离的比值作为人脸尺度系数;若该系数在设定的范围外,则可判定为尺寸与真实相差太大的照片或3D模型,进而判定为非真实人脸;
所述两点在图像坐标系中的距离,指欧式距离。
所述步骤5,计算红外图像综合纹理向量与标准向量的距离是否小于阈值;若否,判定为非真实人脸,包括:
在红外图像中,计算人脸脸颊区域梯度特征S1,人脸鼻子区域梯度特征S2,人脸特征点外轮廓区域信息熵特征S3;真实人脸的红外图像中的S1、S2、S3值反映了的人脸综合纹理特征信息,照片和3D模型一般不具备;将S1、S2、S3组合成一个三维向量,称为综合纹理向量,计算此向量与依据真实情况得到的标准向量的距离,并与设定阈值比较,若大于设定的阈值,判定为非真实人脸。
所述脸颊区域梯度特征S1是指,根据人脸红外图像特性,计算左脸脸颊区域从右到左的x方向梯度,以及右脸脸颊区域从左到右的x方向梯度,统计满足梯度值在设定范围内的像素点个数,计算所述像素点个数与整个计算区域总点数的百分比,作为脸颊区域的梯度特征。
所述鼻子区域梯度特征S2是指,先查找鼻子区域中灰度值最大的像素点,然后统计鼻子区域所有像素点与该像素点的灰度差值,再计算平均值,作为鼻子区域的梯度特征。
所述人脸特征点外轮廓区域信息熵特征S3是指,遍历人脸特征点外轮廓区域,计算每个灰度值出现的概率,再根据信息熵公式计算各灰度值的总期望。
所述向量间的距离,指欧式距离。
所述步骤6,计算红外和可见光图像对应特征点距离的方差是否大于阈值;若否,判定为非真实人脸,包括:
根据可见光和红外图像的人脸特征点集数据及其对应关系,求取对应特征点在图像坐标系中的距离,然后计算方差;由于普通照片该方差值较小,真实人脸该方差值较大;若方差小于设定阈值,则判定为非真实人脸。
一种基于红外和可见光图像的真实人脸检测装置,包括:
红外摄像头:用于采集被测目标的红外光图像;
可见光摄像头:用于同步采集被测目标的可见光图像;
红外发光模组:用于主动向被测目标发射红外光线;
数据获取及处理单元:分别与红外摄像头、可见光摄像头以及红外发光模组连接,根据需要向被测目标发射红外光,获取被测目标的红外图像和可见光图像,进而判定是否为真实人脸。
所述数据获取及处理单元,包括:
人脸检测模块;
色彩判定模块;
尺度判定模块;
综合纹理判定模块;
深度信息判定模块。
所述人脸检测模块,包括:
采用现有技术提取红外图像和可见光图像中的人脸模型,得到对应的人脸矩形框和人脸特征点集,若不能在可见光图像和红外图像中同时检测到人脸,则可判定为照片或电子相册,进而判定为非真实人脸;这是由于显示屏显示的照片、视频,以及表面光滑的照片,在红外图像中检测不到人脸。
所述色彩判定模块,包括:
提取可见光图像中人脸矩形框对应区域图像的HSV信息,计算S与H的比值作为色彩度量值,若小于设定的阈值,则可判定为灰度照片,进而可判定为非真实人脸。这是因为真人人脸的色彩信息相对丰富,而黑白以及灰度照片的色彩较为单一。
所述尺度判定模块,包括:
计算红外图像和可见光图像中人脸矩形框的面积平均值,计算两矩形框中心在图像坐标系中的距离;再计算所述面积平均值与所述距离的比值作为人脸尺度系数;若该系数在设定的范围外,则可判定为尺寸与真实相差太大的照片或3D模型,进而判定为非真实人脸;这是因为对于正常人脸,这个比值在一定的范围内;而对于比真实人脸大或小的人脸照片,这个比值会超过正常范围。
所述综合纹理判定模块,包括:
在红外图像中,计算人脸脸颊区域梯度特征、鼻子区域梯度特征及人脸特征点外轮廓区域信息熵特征,将其组合成一个三维向量,称为综合纹理向量,计算此向量与依据真实情况得到的标准向量的距离,若大于设定的阈值,判定为非真实人脸。
所述深度信息判定模块,包括:
根据可见光和红外图像的人脸特征点集数据及其对应关系,求取对应特征点在图像坐标中的距离,然后计算其方差;对于普通照片,由于特征点处在同一平面,方差较小;而对于真实人脸,因为双目视差的原因,这个方差较大;若方差小于设定的阈值,则判定为非真实人脸。这种方法避免了根据特征点求深度图的繁琐运算,可极大地提高运算速度。
与现有技术相比,本发明具有如下优点:
1)综合通过色彩、尺度、纹理、深度等信息,能有效应对照片、视频、面具、3D模型的攻击,其中视频和照片类的攻击几乎全部能被识别,而对面具和3D模型的识别率也超过95.5%;
2)算法基于单帧图像设计,且不需要被检测者的动作配合,使用方便;
3)所采用算法是对理论的简化近似处理,并且按照由简到难,采用树形结构逐层淘汰,运算速度快,在主流PC机平台上平均执行时间<10ms,可方便应用于各类平台。
附图说明
图1为本发明方法的程序流程图。
图2为步骤5中人脸部区域划分示意图。
图3为本发明装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点表达得更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行完整和详细的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。
一种基于红外和可见光图像的真实人脸检测方法,如图1所示,包含以下步骤:
步骤1,红外摄像头采集人脸红外图像,保存为灰度图像;可见光摄像头同步采集人脸可见光图像,保存为彩色图像。
步骤2,检测红外和可见光图像中是否同时存在人脸模型;若否,判定为非真实人脸,包括:
使用现有技术提取红外图像和可见光图像中的人脸模型,得到对应的人脸矩形框和人脸特征点集,若不能在可见光图像和红外图像中同时检测到人脸,则可判定为照片或电子相册,进而判定为非真实人脸。
所述人脸模型,指包含人脸主要特征的模型,称为人脸特征点;以及所有特征点的外接矩形,称为人脸矩形框;人脸特征点中轮廓部分特征点连线构成人脸特征点外轮廓区域。
可选地,现有提取人脸模型的技术可以直接使用开源代码库DLIB C++库。
可选地,人脸模型可以使用68特征点模型。
步骤 3,检测可见光图像色彩度量值是否大于设定阈值;若否,判定为非真实人脸,包括:
提取可见光图像中人脸矩形框对应区域图像的HSV信息,计算S与H的比值作为色彩度量值,若小于设定的阈值,则可判定为灰度照片,进而可判定为非真实人脸。
步骤3所述色彩度量值,对灰度照片其典型值为0.5,真实人脸的典型值为8;所述设定的阈值可取2。
步骤4,根据红外和可见光图像,计算人脸尺度系数是否在范围内;若否,判定为非真实人脸,包括:
计算红外图像和可见光图像中人脸矩形框的面积平均值;计算两矩形框中心在图像坐标系中的距离;计算所述面积平均值与所述距离的比值,记为人脸尺度系数;若该系统在设定的范围外,则可判定为尺寸与真实相差太大的照片或3D模型,进而判定为非真实人脸。
步骤4所述人脸尺度系数,对真实人脸的典型值为2000;所述的设定的范围,可设置为1000~3000。
所述步骤5,计算红外图像综合纹理向量与标准向量的距离是否小于阈值;若否,判定为非真实人脸,包括:
在红外图像中,计算人脸脸颊区域梯度特征S1,人脸鼻子区域梯度特征S2,人脸特征点外轮廓区域信息熵特征S3,真实人脸的红外图像的S1、S2、S3值反映的人脸综合纹理特征信息,照片和3D模型一般不具备;将S1、S2、S3合成一个三维向量,称为综合纹理向量,计算此向量与依据真实人脸情况得到的标准模板向量的距离,并与设定的阈值比较,若大于设定的阈值,判定为非真实人脸。
步骤5所述人脸脸颊区域、鼻子区域、人脸特征点外轮廓区域的范围如图2所示;其中,脸颊区域为图中区域1所示的眼睛以下左右脸颊的两个矩形区域;鼻子区域为图中区域2所示以鼻尖为中心的三角形区域;人脸特征点外轮廓区域为图中区域3所示以人脸轮廓特征点连线构成的人脸特征点外轮廓区域。
所述脸颊区域梯度特征S1是指,根据人脸红外图像特性,计算左脸脸颊区域从右到左的x方向梯度,以及右脸脸颊区域从左到右的x方向梯度,统计满足梯度值在设定范围内的像素点个数,计算所述像素点个数与整个计算区域总点数的百分比,作为脸颊区域的梯度特征。
所述左脸脸颊区域从右到左的x方向梯度,其计算公式可为:left_dx(i, j) = [I(i+radius, j) - I(i-radius, j)]/2;其中radius可根据需要设置为范围[2,5]。
所述右脸脸颊区域从左到右的x方向梯度,其计算公式可为:right_dx(i, j) =[I(i-radius, j) - I(i+radius, j)]/2;其中radius可根据需要设置为范围[2,5]。
步骤5所述设定范围,其典型值可为[2,10],即梯度在2~10之间的点需要被统计。
所述梯度信息S2是指,先查找鼻子区域中灰度值最大的像素点,然后统计鼻子区域所有像素点与该像素点的灰度差值,再计算其平均值,作为鼻子区域的梯度特征。
所述人脸区域信息熵S3是指,遍历人脸特征点外轮廓区域,统计每个像素点的灰度值,然后计算每个灰度值出现的概率,再根据信息熵计算公式计算各灰度值的总期望。
所述信息熵计算公式为:
H = -∑p(xi)log(2, p(xi)) (i=1,2,..n),其中,p(xi)为像素值xi出现的概率。
所述向量间的距离,指欧式距离,对向量(x1, y1, z1) 和(x2, y2, z2),具体计算公式为:
d = sqrt((x1-x2)2+(y1-y2)2+ (z1-z2)2)。
所述图像坐标点之间的距离,指欧式距离,对坐标(i1, j1)和(i2, j2),具体计算公式为:
d = sqrt((i1-i2)2+(j1-j2)2)。
步骤5所述标准向量,在对S1,S2,S3归一化处理后,其值可取为[0.6, 0.4, 0.6],步骤5所述设定的阈值,可取0.3。
步骤6,计算红外和可见光图像对应特征点距离的方差是否大于阈值;若否,判定为非真实人脸,包括:
根据可见光和红外图像的人脸特征点集数据及其对应关系,求取对应特征点在图像坐标系中的距离,然后计算方差;由于普通照片该方差值较小,真实人脸该方差值较大;若方差小于设定阈值,则判定为非真实人脸。
步骤6所述设定的阈值,其典型值为10。
一种基于红外和可见光图像的真实人脸检测装置,如图3所示,包括:
红外摄像头1,用于采集被测目标的红外光图像;
可见光摄像头2,用于同步采集被测目标的可见光图像;
红外发光模组3,用于发射主动探照红外光,模组分布可采用3个红外LED灯布置呈“品”字型分布,安装在红外摄像头和可见光摄像头中间,三者呈“一”字分布。
数据获取及处理单元4,与包含1、2、3的摄像头模组相连,根据接收到的单帧红外和可见光图像,对被检测对象做出是否为真实人脸的判断。
所述数据获取及处理单元4,包括:
人脸检测模块,采用现有技术提取红外图像和可见光图像中的人脸模型,得到对应的人脸矩形框和人脸特征点集,若不能在可见光图像和红外图像中同时检测到人脸,则判定为非真实人脸。
色彩判定模块:提取可见光图像人脸矩形框部分的HSV信息,计算S与H的比值作为色彩度量值,若小于设定的阈值,则可判定为非真实人脸;所述阈值可取为2。
尺度判定模块:计算红外图像和可见光图像中人脸矩形框的面积平均值,计算两矩形框中心在图像坐标系中的距离,再计算所述面积平均值与所述距离的比值作为人脸尺度系数,若该系数在设定范围外,则判定为非真实人脸;所述设定范围可设置为1000~3000。
纹理信息判定模块:在红外图像中计算人脸脸颊区域梯度特征、鼻子区域梯度特征及人脸特征点外轮廓区域的信息熵特征,将其组合成一个三维向量,称为综合纹理向量,计算此向量与标准向量的距离,若大于设定的阈值,判定为非真实人脸。典型的标准向量在归一化可取为[0.6,0.4,0.6],该阈值的典型值为0.3。
深度信息判定模块:根据可见光和红外图像的人脸特征点集数据及其对应关系,求取对应特征点在图像坐标系中的距离,然后计算方差;若小于设定的阈值则判定为非真实人脸;该阈值的典型值为10。
发明人基于大量照片样本、视频数据、面具、3D模型,在多次实验后发现,视频、电子照片、照片纸打印的照片、塑封过的照片等,在红外摄像头中无法正确成像,更不会检测出人脸模型;部分灰度照片虽然有很明显的梯度纹理特征,但在可见光摄像头中几乎读不到色彩信息;大多数用于攻击的照片相对真人的尺寸都有明显区别;3D模型、面具、彩色照片在红外摄像头中呈现不出明显的纹理特征;照片由于表明平整,根据人脸特征点集近似计算出的深度信息的方差比较小。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;或者修改各个步骤的使用顺序,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围;本发明各种阈值及范围的取值,也会因为装置具体的参数不同而有所改变,如红外发光模组发射功率,双目摄像头基线距离、镜头焦距等。
Claims (4)
1.一种基于红外和可见光图像的真实人脸检测方法,其特征在于,包含以下步骤:
步骤1,红外摄像头采集人脸红外图像,可见光摄像头同步采集人脸可见光图像;
所述红外图像为灰度图像;所述可见光图像为彩色图像;
步骤2,检测红外和可见光图像中是否同时存在人脸模型;若否,判定为非真实人脸;
步骤3,检测可见光图像色彩度量值是否大于设定阈值;若否,判定为非真实人脸;
步骤4,根据红外和可见光图像,计算人脸尺度系数是否在范围内;若否,判定为非真实人脸;
步骤5,计算红外图像综合纹理向量与标准向量的距离是否小于阈值;若否,判定为非真实人脸;
步骤6,计算红外和可见光图像对应特征点距离的方差是否大于阈值;若否,判定为非真实人脸;
在步骤2到步骤5的判定中,若判断为非真实人脸,则不再进行后续判定;若通过全部步骤依然未判定为非真实人脸,则判定为真实人脸;
所述步骤3,包括:
提取可见光图像中人脸矩形框对应区域图像的HSV信息,计算S与H的比值作为色彩度量值,若小于设定的阈值,则可判定为灰度照片,进而可判定为非真实人脸;
所述步骤4,包括:
计算红外图像和可见光图像中人脸矩形框的面积平均值,计算两矩形框中心在图像坐标系中的距离;再计算所述面积平均值与所述距离的比值作为人脸尺度系数;若该系数在设定的范围外,则可判定为尺寸与真实相差太大的照片或3D模型,进而判定为非真实人脸;
所述步骤5,包括:
在红外图像中,计算人脸脸颊区域梯度特征S1,人脸鼻子区域梯度特征S2,人脸特征点外轮廓区域信息熵特征S3;将S1、S2、S3组合成一个三维向量,称为综合纹理向量,计算此向量与依据真实情况得到的标准向量的距离,并与设定阈值比较,若大于设定的阈值,判定为非真实人脸;
所述脸颊区域梯度特征S1是指,根据人脸红外图像特性,计算左脸脸颊区域从右到左的x方向梯度,以及右脸脸颊区域从左到右的x方向梯度,统计满足梯度值在设定范围内的像素点个数,计算所述像素点个数与整个计算区域总点数的百分比,作为脸颊区域的梯度特征;
所述鼻子区域梯度特征S2是指,先查找鼻子区域中灰度值最大的像素点,然后统计鼻子区域所有像素点与该像素点的灰度差值,再计算平均值,作为鼻子区域的梯度特征;
所述人脸特征点外轮廓区域信息熵特征S3是指,遍历人脸特征点外轮廓区域,计算每个灰度值出现的概率,再根据信息熵公式计算各灰度值的总期望。
2.根据权利要求1所述的方法,其特征在于,步骤2,检测红外和可见光图像中是否同时存在人脸模型;若否,判定为非真实人脸,包括:
采用现有技术提取红外图像和可见光图像中的人脸模型,得到对应的人脸矩形框和人脸特征点集;若不能在可见光图像和红外图像中同时检测到人脸,则可判定为照片或电子相册,进而判定为非真实人脸;
所述人脸模型,指包含人脸主要特征的特征点集,称为人脸特征点或人脸特征点集;以及包含所有特征点的外接矩形,称为人脸矩形框;人脸特征点中轮廓部分特征点连线构成人脸特征点外轮廓区域。
3.根据权利要求1所述的方法,其特征在于,步骤6,计算红外和可见光图像对应特征点距离的方差是否大于阈值;若否,判定为非真实人脸,包括:
根据可见光和红外图像的人脸特征点集数据,求取对应特征点在图像坐标系中的距离,然后计算方差;由于特征点处在同一平面普通照片方差较小,真实人脸方差较大;若方差小于设定阈值,则判定为非真实人脸。
4.一种基于红外和可见光图像的真实人脸检测装置,包括:
红外摄像头:用于采集被测目标的红外光图像;
可见光摄像头:用于采集被测目标的可见光图像;
红外发光模组:用于主动向被测目标发射红外光线;
数据获取及处理单元:分别与红外摄像头、可见光摄像头以及红外发光模组连接,根据需要向被测目标发射红外光,获取被测目标的红外图像和可见光图像,进而判定是否为真实人脸;
所述数据获取及处理单元,包括:
人脸检测模块:执行权利要求1中步骤2所述的方法;
色彩判定模块:执行权利要求1中步骤3所述的方法;
尺度判定模块:执行权利要求1中步骤4所述的方法;
综合纹理判定模块:执行权利要求1中步骤5所述的方法;
深度信息判定模块:执行权利要求1中步骤6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810448839.XA CN108764071B (zh) | 2018-05-11 | 2018-05-11 | 一种基于红外和可见光图像的真实人脸检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810448839.XA CN108764071B (zh) | 2018-05-11 | 2018-05-11 | 一种基于红外和可见光图像的真实人脸检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764071A CN108764071A (zh) | 2018-11-06 |
CN108764071B true CN108764071B (zh) | 2021-11-12 |
Family
ID=64010150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810448839.XA Active CN108764071B (zh) | 2018-05-11 | 2018-05-11 | 一种基于红外和可见光图像的真实人脸检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764071B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111353326A (zh) * | 2018-12-20 | 2020-06-30 | 上海聚虹光电科技有限公司 | 基于多光谱人脸差值图的活体检测方法 |
CN112036222B (zh) * | 2019-06-04 | 2023-12-29 | 星宸科技股份有限公司 | 脸部辨识系统及方法 |
CN110333779B (zh) * | 2019-06-04 | 2022-06-21 | Oppo广东移动通信有限公司 | 控制方法、终端和存储介质 |
CN110309782B (zh) * | 2019-07-02 | 2022-05-03 | 四川大学 | 一种基于红外与可见光双目系统的活体人脸检测方法 |
JP7419720B2 (ja) * | 2019-09-24 | 2024-01-23 | カシオ計算機株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
CN110728215A (zh) * | 2019-09-26 | 2020-01-24 | 杭州艾芯智能科技有限公司 | 基于红外图像的人脸活体检测方法、装置 |
CN110909617B (zh) * | 2019-10-28 | 2022-03-25 | 广州多益网络股份有限公司 | 基于双目视觉的活体人脸检测方法及装置 |
CN111222425A (zh) * | 2019-12-26 | 2020-06-02 | 新绎健康科技有限公司 | 一种人脸五官定位的方法及装置 |
TWI722872B (zh) * | 2020-04-17 | 2021-03-21 | 技嘉科技股份有限公司 | 人臉辨識裝置以及人臉辨識方法 |
CN111539311B (zh) * | 2020-04-21 | 2024-03-01 | 上海锘科智能科技有限公司 | 基于ir和rgb双摄的活体判别方法、装置及系统 |
CN112001886A (zh) * | 2020-07-17 | 2020-11-27 | 深圳市优必选科技股份有限公司 | 一种温度检测方法、装置、终端及可读存储介质 |
CN112200002B (zh) * | 2020-09-11 | 2023-12-01 | 深圳市优必选科技股份有限公司 | 一种体温测量方法、装置、终端设备及存储介质 |
CN112507308A (zh) * | 2020-10-20 | 2021-03-16 | 麒麟软件有限公司 | 一种身份识别及认证方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361326A (zh) * | 2014-11-18 | 2015-02-18 | 新开普电子股份有限公司 | 一种判别活体人脸的方法 |
CN106372601A (zh) * | 2016-08-31 | 2017-02-01 | 上海依图网络科技有限公司 | 一种基于红外可见双目图像的活体检测方法及装置 |
CN106372615A (zh) * | 2016-09-19 | 2017-02-01 | 厦门中控生物识别信息技术有限公司 | 一种人脸防伪识别方法以及装置 |
TW201725537A (zh) * | 2016-01-08 | 2017-07-16 | 亞東技術學院 | 偽裝影像檢測方法及系統 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9251427B1 (en) * | 2014-08-12 | 2016-02-02 | Microsoft Technology Licensing, Llc | False face representation identification |
-
2018
- 2018-05-11 CN CN201810448839.XA patent/CN108764071B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361326A (zh) * | 2014-11-18 | 2015-02-18 | 新开普电子股份有限公司 | 一种判别活体人脸的方法 |
TW201725537A (zh) * | 2016-01-08 | 2017-07-16 | 亞東技術學院 | 偽裝影像檢測方法及系統 |
CN106372601A (zh) * | 2016-08-31 | 2017-02-01 | 上海依图网络科技有限公司 | 一种基于红外可见双目图像的活体检测方法及装置 |
CN106372615A (zh) * | 2016-09-19 | 2017-02-01 | 厦门中控生物识别信息技术有限公司 | 一种人脸防伪识别方法以及装置 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
Non-Patent Citations (4)
Title |
---|
"A spectral independent approach for physiological and geometric based face recognition in the visible, middle-wave and long-wave infrared bands";N.Osia等;《Image and Vision Computing》;20140721;第32卷(第11期);第847-859页 * |
"Face liveness detection using dynamic texture";Tiago de Freitas Pereira等;《EURASIP Journal on Image and Video Processing》;20140107;第2014卷;第1-15页 * |
"人脸变换与识别:从近红外到可见光图像";杨济美;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20100715(第07期);I138-882 * |
"基于纹理分析的活体人脸检测算法研究";刘呈云;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20180115(第01期);I138-1453 * |
Also Published As
Publication number | Publication date |
---|---|
CN108764071A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764071B (zh) | 一种基于红外和可见光图像的真实人脸检测方法及装置 | |
KR102319177B1 (ko) | 이미지 내의 객체 자세를 결정하는 방법 및 장치, 장비, 및 저장 매체 | |
US10198623B2 (en) | Three-dimensional facial recognition method and system | |
CN106372629B (zh) | 一种活体检测方法和装置 | |
CN110309782B (zh) | 一种基于红外与可见光双目系统的活体人脸检测方法 | |
WO2019056988A1 (zh) | 人脸识别方法及装置、计算机设备 | |
CN112052831B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
CN109117755B (zh) | 一种人脸活体检测方法、系统和设备 | |
US11682231B2 (en) | Living body detection method and device | |
CN105740775A (zh) | 一种三维人脸活体识别方法及其装置 | |
CN111368601B (zh) | 活体检测方法和装置、电子设备和计算机可读存储介质 | |
CN110046560A (zh) | 一种危险驾驶行为检测方法和相机 | |
CN109086724A (zh) | 一种加速的人脸检测方法及存储介质 | |
CN106881716A (zh) | 基于3d摄像头机器人的人体跟随方法及系统 | |
US11315360B2 (en) | Live facial recognition system and method | |
CN112200056B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
WO2019061659A1 (zh) | 人脸图像眼镜去除方法、装置及存储介质 | |
CN112257641A (zh) | 一种人脸识别活体检测方法 | |
CN110781770A (zh) | 基于人脸识别的活体检测方法、装置及设备 | |
TW202105329A (zh) | 人臉校驗方法、裝置、伺服器及可讀儲存媒介 | |
US11605220B2 (en) | Systems and methods for video surveillance | |
CN112801038B (zh) | 一种多视点的人脸活体检测方法及系统 | |
CN111274851A (zh) | 一种活体检测方法及装置 | |
CN111160233B (zh) | 基于三维成像辅助的人脸活体检测方法、介质及系统 | |
CN111881841A (zh) | 一种基于双目视觉的人脸检测识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |