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 PDF

Info

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
Application number
CN201810448839.XA
Other languages
English (en)
Other versions
CN108764071A (zh
Inventor
冯子亮
张自友
邱晨鹏
林野
陈攀
韩震博
邓茜文
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN201810448839.XA priority Critical patent/CN108764071B/zh
Publication of CN108764071A publication Critical patent/CN108764071A/zh
Application granted granted Critical
Publication of CN108764071B publication Critical patent/CN108764071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于红外和可见光图像的真实人脸检测方法及装置
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。
CN201810448839.XA 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 Active CN108764071B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9251427B1 (en) * 2014-08-12 2016-02-02 Microsoft Technology Licensing, Llc False face representation identification

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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