CN108875618A - 一种人脸活体检测方法、系统及装置 - Google Patents
一种人脸活体检测方法、系统及装置 Download PDFInfo
- Publication number
- CN108875618A CN108875618A CN201810584523.3A CN201810584523A CN108875618A CN 108875618 A CN108875618 A CN 108875618A CN 201810584523 A CN201810584523 A CN 201810584523A CN 108875618 A CN108875618 A CN 108875618A
- Authority
- CN
- China
- Prior art keywords
- detected
- face
- image
- living body
- facial image
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/10—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)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种人脸活体检测方法、系统及装置,其方法包括,对所述经过初始化处理的活体人脸图像进行特征检测;提取所述活体人脸图像的特征信息,并利用SVM分类器进行训练,得到SVM检测模型;获取待检测人脸视频,对所述待检测人脸视频帧序列进行MTCNN人脸检测获得待检测人脸图像,同时,对所述待检测人脸图像进行初始化处理;将所述待检测人脸图像分成多种颜色空间,并对所述待检测人脸图像进行特征提取、特征级联、特征融合;将所述经特征提取、特征级联、特征融合的待检测人脸视频帧输入所述SVM检测模型,得到检测结果。本发明集人脸检测、人脸对齐、活体检测于一体,既提高活体检测算法提取特征的性能,又不需用户配合,具备实时性。
Description
技术领域
本发明涉及一种人脸活体检测方法、系统及装置。
背景技术
随着计算机技术的迅速发展,以人脸识别为代表的生物特征识别装置已经广泛用于访问个人计算机、自动取款机、信用卡交易、电子交易等方面。在人脸识别快速发展应用的过程中也伴随这诸多漏洞,常见的人脸识别攻击主要有:①打印机打印人脸照片;②通过不正当的手段获取人脸视频回放,其中,视频包含唇部移动、眨眼、表情变化等;③用高性能计算机模拟人脸的基本特征信息,并构建三维模型假人脸。由于互联网的飞速发展,许多购物和娱乐网页需要用户注册信息,比如京东商城、淘宝、Facebook等,或者从个人博客、个人空间中免费下载,导致合法用户的人脸图像获取非常容易。为保证人脸识别系统的安全性,避免用户个人信息及财产遭到侵犯,人脸活体检测在生物识别领域的作用举足轻重。
基于纹理分析的活体人脸检测技术是通过计算机提取纹理特征,然后特征训练和预测,将训练模型作为人脸识别检测的方式。现有技术中基于纹理的活体人脸检测方法可分为基于静态图像纹理的活体人脸检测、基于动态纹理的活体人脸检测以及基于多颜色特征纹理的活体人脸检测三大类。基于静态图像纹理的活体人脸检测需提取一个或多个运动中具有不变性质的特征点,比如边界线条或角点,并依据这些特征建立目标模型,主要包括局部二值模式(Local Binary Pattern,LBP)、Gabor小波、梯度方向直方图(Histogram ofOriented Gradients,HOG);基于动态纹理的活体人脸检测是学习真实人脸微纹理的结构和动态信息,利用LBP、VLBP在空域的扩展方法来进行人脸识别,会受到空间平面和时域纹理特征被忽略的影响;基于多光谱活体人脸检测是基于人脸的漫反射现象表现出真实人脸与假人脸不同的差异,比如真实人脸的皮肤具有丰富的颜色信息,而伪造人脸通过光照有时候会有局部像素偏高或者偏低现象(即反映出明暗程度),这种差异主要体现在系统成像中慢反射率的波长不同,多光谱成像具有较好的活体检测功能,但是需要购买额外的设备,而且比较昂贵,不便于普及;针对视频攻击,人脸光学流计算运用而生,针对眨眼、嘴唇移动、轻微偏转等视频活体人脸检测,光流是一种密集型估计方法,通过每帧内部每个像素点的运动方向进行活体检测。
以上人脸检测方案均无法兼具活体人脸识别检测的经济性与准确性。
发明内容
本发明提供了一种人脸活体检测方法、系统及装置,解决了基于纹理特征人脸活体检测现有技术中存在的不能兼具经济型与精确度的技术问题。
本发明提供的一种人脸活体检测方法,包括:
获取活体人脸图像,对所述活体人脸图像进行初始化处理;
对所述经过初始化处理的活体人脸图像进行特征检测;
提取所述活体人脸图像的特征信息,并利用SVM分类器进行训练,得到SVM检测模型;
获取待检测人脸视频,对所述待检测人脸视频帧序列进行MTCNN人脸检测获得待检测人脸图像,同时,对所述待检测人脸图像进行初始化处理;
将所述待检测人脸图像分成多种颜色空间,并对所述待检测人脸图像进行特征提取、特征级联、特征融合;
将所述经特征提取、特征级联、特征融合的待检测人脸视频帧输入所述SVM检测模型,得到检测结果。
更进一步,所述对活体人脸图像及待检测人脸视图像进行的初始化处理具体包括,对所述活体人脸图像及待检测人脸图像通过多级联的回归树进行关键点回归,定位人脸关键点。
更进一步,所述人脸关键点数量为68,计算公式为:
其中表示第t级回归器的形状,I表示人脸图像,rt表示第t级回归器的更新量,更新策略采用GBDT,即每级回归器学习的都是当前形状与groundtruth。
更进一步,所述将所述待检测人脸图像分成多种颜色空间,并对所述待检测人脸视图像进行特征提取、特征级联、特征融合具体包括,
通过纹理算法将所述待检测人脸图像分成RGB,HSV,YCbCr三种颜色空间,并分别对所述三种颜色空间进行特征提取、特征级联、特征融合。
更进一步,所述纹理特征算法为LBP,WLD,LPQ。
更进一步,所述将所述经过处理的待检测人脸视频帧输入所述SVM模型,得到检测结果具体包括,
通过卡方距离测量活体人脸图像与待检测人脸图像的相似度,所述计算卡方距离的公式为,
其中,Hx,Hy分别为真实人脸和伪装人脸的WLD直方图,表示各直方图之间的差距,i表示图像分块号,i为正整数。
本发明还提供了一种人脸活体检测法系统,包括,
获取单元,用于获取活体人脸图像,对所述活体人脸图像进行初始化处理;
检测单元,用于对所述经过初始化处理的活体人脸图像进行特征检测;
训练单元,用于提取所述活体人脸的特征信息,并利用SVM分类器进行训练,得到SVM检测模型;
第二获取单元,用于获取待检测人脸视频,并对所述待检测人脸视频帧序列进行MTCNN人脸检测获得待检测人脸图像,同时,对所述待检测人脸图像进行初始化处理;
处理单元,用于将所述待检测人脸图像分成多种颜色空间,并对所述待检测人脸视图像进行特征提取、特征级联、特征融合;
判断单元,用于将所述经特征提取、特征级联、特征融合的待检测人脸视频帧输入所述SVM检测模型,得到检测结果。
更进一步,所述判断单元还包括,计算模块,用于计算活体人脸图像与待检测人脸图像的相似度。
本发明提供一种人脸活体检测装置,其特征在于,所述装置包括处理器及存储器,
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任意一项人脸活体检测方法。
本发明提供一种包括指令的计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得所述计算机执行权利要求1-6任意一项人脸活体检测方法。
根据以上技术方案,本发明首先通过获取活体人脸图像、对活体人脸图像进行特征提取及关键点定位,建立SVM检测模型;其次,获取待检测人脸图像,将其分成多种颜色空间后进行特征提取、特征级联、特征融合;最后,经过将待检测人脸图像输入SVM模型,得到检测结果。集人脸检测、人脸对齐、活体检测于一体,既提高活体检测算法提取特征的性能,又不需用户配合,具备实时性。
附图说明
图1为本发明实施例1的流程示意图;
图2为本发明实施例2的结构示意图;
图3为本发明实施例3的结构示意图;
图4为本发明实施例1、实施例2人脸图像特征点的示意图;
图5为本发明实施例1、实施例2多颜色特征活体检测的流程图;
图6为本发明实施例1中计算真实人脸与非真实人脸由LPQ提取的直方图之间的差距示意图。
具体实施方式
本发明技术方案的思路:
人脸识别系统容易被假的待检测人脸图像,如打印的照片、视频回放、面具攻击,比如通过电子设备显示的人脸和打印机打印出真实人脸图片,大多数算法主要针对灰度图片和RGB彩色图片进行活体检测,由于大部分算法对光照具有较强敏感,不能很好的判断真实人脸,本发明引入一种人脸活体检测方法。
为使得本申请实施例的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请实施例一部分实施例,而非全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请实施例保护的范围。
实施例1:
图1为本发明实施例1的流程示意图,一种人脸活体检测方法,包括,
步骤101,获取活体人脸图像,对所述活体人脸图像进行初始化处理;
具体地,活体人脸图像可以是通过摄像头等图像获取设备读取并分解训练集视频得到,这里的训练集视频用于建立活体人脸SVM模型。
对活体人脸图像进行的初始化处理,是对活体人脸图像通过多级联的回归树进行关键点回归,目的是为了定位人脸关键点,图4是本实施例人脸图像特征点的示意图,设定定位的人脸关键点为68个,计算公式为:
其中表示第t级回归器的形状,I表示人脸图像,rt表示第t级回归器的更新量,更新策略采用GBDT,即每级回归器学习的都是当前形状与groundtruth(图标标注工具)形状的残差。
步骤102,对经过初始化处理的活体人脸图像进行特征检测;
具体地,对活体人脸图像进行的特征检测是通过传统的算法即局部二值模式(Local Binary Patterns,LBP)、韦博定律(Weber Local description,WLD)和局部相位量化(Local Phase Quantization,LPQ)。
步骤103,提取所述活体人脸的特征信息,并利用SVM(Support Vector Machine)分类器进行训练:
具体地,本步骤的实施是根据活体人脸的特征信息,对SVM分类器进行训练,以获得用来检测待检测人脸真伪的检测模型;
需要说明的是,本步骤SVM模型建立方案,首先,将提取的人脸特征信息通过SVM分类器中svmtrain函数进行非线性映射,然后,调节合适的参数(该参数由人脸特征信息确定),得到SVM检测模型。
步骤104,获取待检测人脸视频,并对待检测人脸视频帧序列进行MTCNN人脸检测获得待检测人脸图像,同时,对待检测人脸图像进行初始化处理;
具体地,待检测人脸图像可以是通过摄像头等图像获取设备读取测试集视频得到,对待检测人脸图像进行的初始化处理,是对待检测人脸图像通过多级联的回归树进行关键点回归,目的是为了定位人脸关键点,图4是本实施例人脸图像特征点的示意图,设定定位的人脸关键点为68个,计算公式为:
其中表示第t级回归器的形状,I表示人脸图像,rt表示第t级回归器的更新量,更新策略采用GBDT,即每级回归器学习的都是当前形状与groundtruth(图标标注工具)形状的残差。
由步骤101和步骤104可知,活体人脸图像特征的关键点与待检测人脸图像的关键点为同一计算公式,目的是为了使得检测模型与样本模型特征进行精确定位并对齐,以获得精准的比对。
步骤105,将待检测人脸图像分成多种颜色空间,并对待检测人脸视图像进行特征提取、特征级联、特征融合;
具体地,采用多颜色特征进行活体人脸检测。首先将待检测人脸图像分成RGB、HSV、YCbCr多种颜色空间,然后通过纹理特征算法(如LBP、WLD(Weber Local Pattern)、LPQ、深度学习方法)进行特征提取,最后通过步骤103建立的SVM模型进行分类,并获得一个最优阈值,这里的最优阈值通过大量数据测试获得,由最优阈值确定真实人脸和非真实人脸的界限,达到更加准确区分的效果,然后进行活体分类。
步骤106,将经过特征提取、特征级联、特征融合的待检测人脸视频帧输入SVM模型,得到检测结果。
图5为多颜色特征活体检测的流程图,在待检测人脸图像的多颜色特征融合输入SVM模型后,通过计算卡方距离测量活体人脸图像与待检测人脸图像的相似度,这里的卡方距离,是为了测试不同空间的相似距离,使用卡方距离测试出两组样本分布之间的距离,以便衡量样本的差异性。具体计算卡方距离的公式为,
其中,Hx,Hy分别为真实人脸和伪装人脸的WLD直方图,表示各直方图之间的差距,i表示图像分块号,i为正整数。
需要说明的是,图6是计算真实人脸与非真实人脸由LPQ提取的直方图之间的差距示意图,可以看出,从不同颜色方向提取的LPQ特征中,灰度图片的卡方距离相识度与真实人脸相识度变化不大,说明LPQ进行活体检测分类能力较差,无法分出真实人脸和伪装人脸,通过多颜色空间提取纹理特征,卡方距离相识度有一定的差别,但某些分量仍然无法区分,于是,将多种颜色进行有效地融合,以便相互补充不足之处。
上述实施例首先通过获取活体人脸图像、对活体人脸图像进行特征提取及关键点定位,建立SVM检测模型;其次,获取待检测人脸图像,将其分成多种颜色空间后进行特征提取、特征级联、特征融合;最后,经过将待检测人脸图像输入SVM模型,得到检测结果。集人脸检测、人脸对齐、活体检测于一体,既提高活体检测算法提取特征的性能,又不需用户配合,具备实时性。
实施例2:
图2为本发明实施例2的结构示意图,一种人脸活体检测法系统,包括,
获取单元201,用于获取活体人脸图像,并对活体人脸图像进行初始化处理;
具体地,活体人脸图像可以是通过摄像头等图像获取设备读取并分解训练集视频得到,这里的训练集视频用于建立活体人脸SVM模型。
对活体人脸图像进行的初始化处理,是对活体人脸图像通过多级联的回归树进行关键点回归,目的是为了定位人脸关键点,图4是本实施例人脸图像特征点的示意图,设定定位的人脸关键点为68个,计算公式为:
其中表示第t级回归器的形状,I表示人脸图像,rt表示第t级回归器的更新量,更新策略采用GBDT,即每级回归器学习的都是当前形状与groundtruth(图标标注工具)形状的残差。
检测单元202,用于对经过初始化处理的活体人脸图像进行特征检测;
具体地,对活体人脸图像进行的特征检测是通过传统的算法即局部二值模式(Local Binary Patterns,LBP)、韦博定律(Weber
Local description,WLD)和局部相位量化(Local Phase Quantization,LPQ)。
训练单元203,用于提取活体人脸的特征信息,并利用SVM分类器进行训练,得到SVM检测模型;
具体地,本步骤的实施是根据活体人脸的特征信息,对SVM分类器进行训练,以获得用来检测待检测人脸真伪的检测模型;
需要说明的是,本步骤SVM模型建立方案,首先,将提取的人脸特征信息通过SVM分类器中svmtrain函数进行非线性映射,然后,调节合适的参数(该参数由人脸特征信息确定),得到SVM检测模型。
第二获取单元204,用于获取待检测人脸视频,并对待检测人脸视频帧序列进行MTCNN人脸检测获得待检测人脸图像,同时,对待检测人脸图像进行初始化处理;
处理单元205,用于将待检测人脸图像分成多种颜色空间,并对待检测人脸视图像进行特征提取、特征级联、特征融合;
具体地,待检测人脸图像可以是通过摄像头等图像获取设备读取测试集视频得到,对待检测人脸图像进行的初始化处理,是对待检测人脸图像通过多级联的回归树进行关键点回归,目的是为了定位人脸关键点,图4是本实施例人脸图像特征点的示意图,设定定位的人脸关键点为68个,计算公式为:
其中表示第t级回归器的形状,I表示人脸图像,rt表示第t级回归器的更新量,更新策略采用GBDT,即每级回归器学习的都是当前形状与groundtruth(图标标注工具)形状的残差。
判断单元206,用于将经过处理的待检测人脸视频帧输入SVM模型,得到检测结果。
图5为多颜色特征活体检测的流程图,在待检测人脸图像的多颜色特征融合输入SVM模型后,通过计算卡方距离测量活体人脸图像与待检测人脸图像的相似度,这里的卡方距离,是为了测试不同空间的相似距离,使用卡方距离测试出两组样本分布之间的距离,以便衡量样本的差异性。具体计算卡方距离的公式为,
其中,Hx,Hy分别为真实人脸和伪装人脸的WLD直方图,表示个直方图之间的差距。
实施例3:
图3为本发明实施例3的流程示意图,本实施例是在实施例2的基础上,对判断单元的进一步描述,判断单元包含计算模块206a,用于计算活体人脸图像与待检测人脸图像的相似度,计算公式在实施例2中有说明。
实施例4:
一种人脸活体检测装置,包括处理器及存储器,存储器用于存储程序代码,并将所述程序代码传输给处理器;处理器用于根据程序代码中的指令执行本发明人脸活体检测方法的任意一种实施方式。
实施例5:
一种包括指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得所述计算机执行本发明人脸活体检测方法的任意一种实施方式。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和产品的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所披露的方法、系统、装置和程序产品,可以通过其它的方式实现。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种人脸活体检测方法,其特征在于,所述方法包括,
获取活体人脸图像,对所述活体人脸图像进行初始化处理;
对所述经过初始化处理的活体人脸图像进行特征检测;
提取所述活体人脸图像的特征信息,并利用SVM分类器进行训练,得到SVM检测模型;
获取待检测人脸视频,对所述待检测人脸视频帧序列进行MTCNN人脸检测获得待检测人脸图像,同时,对所述待检测人脸图像进行初始化处理;
将所述待检测人脸图像分成多种颜色空间,并对所述待检测人脸图像进行特征提取、特征级联、特征融合;
将所述经特征提取、特征级联、特征融合的待检测人脸视频帧输入所述SVM检测模型,得到检测结果。
2.根据权利要求1所述的人脸活体检测方法,其特征在于,所述对活体人脸图像及待检测人脸图像进行的初始化处理具体包括,对所述活体人脸图像及待检测人脸图像通过多级联的回归树进行关键点回归,定位人脸关键点。
3.根据权利要求2所述的人脸活体检测方法,其特征在于,所述人脸关键点数量为68,计算公式为:
其中表示第t级回归器的形状,I表示人脸图像,rt表示第t级回归器的更新量,更新策略采用GBDT,即每级回归器学习的都是当前形状与groundtruth。
4.根据权利要求1所述的人脸活体检测方法,其特征在于,所述将所述待检测人脸图像分成多种颜色空间,并对所述待检测人脸视图像进行特征提取、特征级联、特征融合具体包括,
通过纹理算法将所述待检测人脸图像分成RGB,HSV,YCbCr三种颜色空间,并分别对所述三种颜色空间进行特征提取、特征级联、特征融合。
5.根据权利要求4所述的人脸活体检测方法,其特征在于,所述纹理特征算法为LBP,WLD,LPQ。
6.根据权利要求1-5所述的人脸活体检测方法,其特征在于,所述将所述经过处理的待检测人脸视频帧输入所述SVM模型,得到检测结果具体包括,
通过卡方距离测量活体人脸图像与待检测人脸图像的相似度,所述计算卡方距离的公式为,
其中,Hx,Hy分别为真实人脸和伪装人脸的WLD直方图,表示各直方图之间的差距,i表示图像分块号,i为正整数。
7.一种人脸活体检测法系统,其特征在于,包括,
获取单元,用于获取活体人脸图像,对所述活体人脸图像进行初始化处理;
检测单元,用于对所述经过初始化处理的活体人脸图像进行特征检测;
训练单元,用于提取所述活体人脸图像的特征信息,并利用SVM分类器进行训练,得到SVM检测模型;
第二获取单元,用于获取待检测人脸视频,对所述待检测人脸视频帧序列进行MTCNN人脸检测获得待检测人脸图像,同时,对所述待检测人脸图像进行初始化处理;
处理单元,将所述待检测人脸图像分成多种颜色空间,并对所述待检测人脸图像进行特征提取、特征级联、特征融合;
判断单元,用于将所述经特征提取、特征级联、特征融合的待检测人脸视频帧输入所述SVM检测模型,得到检测结果。
8.根据权利要求7所述的人脸活体检测系统,其特征在于,所述判断单元还包括,计算模块,用于计算活体人脸图像与待检测人脸图像的相似度。
9.一种人脸活体检测装置,其特征在于,所述装置包括处理器及存储器,
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任意一项人脸活体检测方法。
10.一种包括指令的计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得所述计算机执行权利要求1-6任意一项人脸活体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810584523.3A CN108875618A (zh) | 2018-06-08 | 2018-06-08 | 一种人脸活体检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810584523.3A CN108875618A (zh) | 2018-06-08 | 2018-06-08 | 一种人脸活体检测方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108875618A true CN108875618A (zh) | 2018-11-23 |
Family
ID=64337486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810584523.3A Pending CN108875618A (zh) | 2018-06-08 | 2018-06-08 | 一种人脸活体检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875618A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684981A (zh) * | 2018-12-19 | 2019-04-26 | 上海鹰瞳医疗科技有限公司 | 青光眼图像识别方法、设备和筛查系统 |
CN109902667A (zh) * | 2019-04-02 | 2019-06-18 | 电子科技大学 | 基于光流引导特征块和卷积gru的人脸活体检测方法 |
CN109977771A (zh) * | 2019-02-22 | 2019-07-05 | 杭州飞步科技有限公司 | 司机身份的验证方法、装置、设备及计算机可读存储介质 |
CN110084259A (zh) * | 2019-01-10 | 2019-08-02 | 谢飞 | 一种结合面部纹理和光流特征的面瘫分级综合评估系统 |
CN110232378A (zh) * | 2019-05-30 | 2019-09-13 | 苏宁易购集团股份有限公司 | 一种图像兴趣点检测方法、系统及可读存储介质 |
CN110427821A (zh) * | 2019-06-27 | 2019-11-08 | 高新兴科技集团股份有限公司 | 一种基于轻量级卷积神经网络的人脸检测方法及系统 |
CN110929680A (zh) * | 2019-12-05 | 2020-03-27 | 四川虹微技术有限公司 | 一种基于特征融合的人脸活体检测方法 |
CN110991412A (zh) * | 2019-12-20 | 2020-04-10 | 北京百分点信息科技有限公司 | 人脸识别的方法、装置、存储介质及电子设备 |
CN111241958A (zh) * | 2020-01-06 | 2020-06-05 | 电子科技大学 | 一种基于残差-胶囊网络的视频图像鉴别方法 |
CN111274851A (zh) * | 2018-12-05 | 2020-06-12 | 上海中移信息技术有限公司 | 一种活体检测方法及装置 |
CN111597938A (zh) * | 2020-05-07 | 2020-08-28 | 马上消费金融股份有限公司 | 活体检测、模型训练方法及装置 |
CN111696080A (zh) * | 2020-05-18 | 2020-09-22 | 江苏科技大学 | 一种基于静态纹理的人脸欺诈检测方法、系统及存储介质 |
CN111709312A (zh) * | 2020-05-26 | 2020-09-25 | 上海海事大学 | 一种基于联合主模式的局部特征人脸识别方法 |
WO2020199475A1 (zh) * | 2019-04-03 | 2020-10-08 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
CN111783599A (zh) * | 2020-06-24 | 2020-10-16 | 东风汽车有限公司 | 一种人脸活体识别方法及电子设备 |
CN111814682A (zh) * | 2020-07-09 | 2020-10-23 | 泰康保险集团股份有限公司 | 人脸活体检测方法及装置 |
CN111967289A (zh) * | 2019-05-20 | 2020-11-20 | 高新兴科技集团股份有限公司 | 一种非配合式人脸活体检测方法及计算机存储介质 |
CN116824768A (zh) * | 2023-08-30 | 2023-09-29 | 杭银消费金融股份有限公司 | 一种基于金融自助服务终端的人脸识别方法与介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480586A (zh) * | 2017-07-06 | 2017-12-15 | 天津科技大学 | 基于人脸特征点位移的生物识别照片仿冒攻击检测方法 |
CN108038456A (zh) * | 2017-12-19 | 2018-05-15 | 中科视拓(北京)科技有限公司 | 一种人脸识别系统中的防欺骗方法 |
-
2018
- 2018-06-08 CN CN201810584523.3A patent/CN108875618A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480586A (zh) * | 2017-07-06 | 2017-12-15 | 天津科技大学 | 基于人脸特征点位移的生物识别照片仿冒攻击检测方法 |
CN108038456A (zh) * | 2017-12-19 | 2018-05-15 | 中科视拓(北京)科技有限公司 | 一种人脸识别系统中的防欺骗方法 |
Non-Patent Citations (4)
Title |
---|
KAIPENG ZHANG等: "《Joint Face Detection and Alignment Using Multitask》", 《IEEE SIGNAL PROCESSING LETTERS》 * |
刘呈云: "《基于纹理分析的活体人脸检测算法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张重生等: "《基于GBDT和HHOG特征的人脸关键点定位》", 《河南大学学报(自然科学版)》 * |
赵衍运: "《面向人脸识别的人脸活体检测方法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274851A (zh) * | 2018-12-05 | 2020-06-12 | 上海中移信息技术有限公司 | 一种活体检测方法及装置 |
CN109684981A (zh) * | 2018-12-19 | 2019-04-26 | 上海鹰瞳医疗科技有限公司 | 青光眼图像识别方法、设备和筛查系统 |
CN110084259A (zh) * | 2019-01-10 | 2019-08-02 | 谢飞 | 一种结合面部纹理和光流特征的面瘫分级综合评估系统 |
CN110084259B (zh) * | 2019-01-10 | 2022-09-20 | 谢飞 | 一种结合面部纹理和光流特征的面瘫分级综合评估系统 |
CN109977771A (zh) * | 2019-02-22 | 2019-07-05 | 杭州飞步科技有限公司 | 司机身份的验证方法、装置、设备及计算机可读存储介质 |
CN109902667A (zh) * | 2019-04-02 | 2019-06-18 | 电子科技大学 | 基于光流引导特征块和卷积gru的人脸活体检测方法 |
WO2020199475A1 (zh) * | 2019-04-03 | 2020-10-08 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
CN111967289A (zh) * | 2019-05-20 | 2020-11-20 | 高新兴科技集团股份有限公司 | 一种非配合式人脸活体检测方法及计算机存储介质 |
CN110232378A (zh) * | 2019-05-30 | 2019-09-13 | 苏宁易购集团股份有限公司 | 一种图像兴趣点检测方法、系统及可读存储介质 |
CN110232378B (zh) * | 2019-05-30 | 2023-01-20 | 苏宁易购集团股份有限公司 | 一种图像兴趣点检测方法、系统及可读存储介质 |
CN110427821A (zh) * | 2019-06-27 | 2019-11-08 | 高新兴科技集团股份有限公司 | 一种基于轻量级卷积神经网络的人脸检测方法及系统 |
CN110929680A (zh) * | 2019-12-05 | 2020-03-27 | 四川虹微技术有限公司 | 一种基于特征融合的人脸活体检测方法 |
CN110991412A (zh) * | 2019-12-20 | 2020-04-10 | 北京百分点信息科技有限公司 | 人脸识别的方法、装置、存储介质及电子设备 |
CN111241958B (zh) * | 2020-01-06 | 2022-07-22 | 电子科技大学 | 一种基于残差-胶囊网络的视频图像鉴别方法 |
CN111241958A (zh) * | 2020-01-06 | 2020-06-05 | 电子科技大学 | 一种基于残差-胶囊网络的视频图像鉴别方法 |
CN111597938B (zh) * | 2020-05-07 | 2022-02-22 | 马上消费金融股份有限公司 | 活体检测、模型训练方法及装置 |
CN111597938A (zh) * | 2020-05-07 | 2020-08-28 | 马上消费金融股份有限公司 | 活体检测、模型训练方法及装置 |
CN111696080A (zh) * | 2020-05-18 | 2020-09-22 | 江苏科技大学 | 一种基于静态纹理的人脸欺诈检测方法、系统及存储介质 |
CN111696080B (zh) * | 2020-05-18 | 2022-12-30 | 江苏科技大学 | 一种基于静态纹理的人脸欺诈检测方法、系统及存储介质 |
CN111709312A (zh) * | 2020-05-26 | 2020-09-25 | 上海海事大学 | 一种基于联合主模式的局部特征人脸识别方法 |
CN111709312B (zh) * | 2020-05-26 | 2023-09-22 | 上海海事大学 | 一种基于联合主模式的局部特征人脸识别方法 |
CN111783599A (zh) * | 2020-06-24 | 2020-10-16 | 东风汽车有限公司 | 一种人脸活体识别方法及电子设备 |
CN111783599B (zh) * | 2020-06-24 | 2023-08-18 | 东风汽车有限公司 | 一种人脸活体识别方法及电子设备 |
CN111814682A (zh) * | 2020-07-09 | 2020-10-23 | 泰康保险集团股份有限公司 | 人脸活体检测方法及装置 |
CN116824768A (zh) * | 2023-08-30 | 2023-09-29 | 杭银消费金融股份有限公司 | 一种基于金融自助服务终端的人脸识别方法与介质 |
CN116824768B (zh) * | 2023-08-30 | 2023-11-28 | 杭银消费金融股份有限公司 | 一种基于金融自助服务终端的人脸识别方法与介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875618A (zh) | 一种人脸活体检测方法、系统及装置 | |
Chingovska et al. | The 2nd competition on counter measures to 2D face spoofing attacks | |
Souza et al. | How far did we get in face spoofing detection? | |
Alvarez-Betancourt et al. | A keypoints-based feature extraction method for iris recognition under variable image quality conditions | |
Rekha et al. | Shape, texture and local movement hand gesture features for indian sign language recognition | |
Liu et al. | Contactless palmprint identification using deeply learned residual features | |
Grundmann et al. | 3D shape context and distance transform for action recognition | |
Kähm et al. | 2d face liveness detection: An overview | |
CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
Shu et al. | Face spoofing detection based on chromatic ED-LBP texture feature | |
Lin et al. | Live Face Verification with Multiple Instantialized Local Homographic Parameterization. | |
Reddy et al. | Generalizable deep features for ocular biometrics | |
Rukhiran et al. | Effecting of environmental conditions to accuracy rates of face recognition based on IoT solution | |
Nikitin et al. | Face anti-spoofing with joint spoofing medium detection and eye blinking analysis | |
Jingade et al. | DOG-ADTCP: A new feature descriptor for protection of face identification system | |
Tsitiridis et al. | Bio-inspired presentation attack detection for face biometrics | |
Chinchu et al. | A novel method for real time face spoof recognition for single and multiple user authentication | |
Subudhiray et al. | Comparative analysis of histograms of oriented gradients and local binary pattern coefficients for facial emotion recognition | |
El_Tokhy | Development of precise forgery detection algorithms in digital radiography images using convolution neural network | |
Cheng et al. | DTFA-Net: dynamic and texture features fusion attention network for face antispoofing | |
Ofir | Classic versus deep learning approaches to address computer vision challenges: a study of faint edge detection and multispectral image registration | |
Sivapriyan et al. | Analysis of facial recognition techniques | |
Thomas et al. | Real Time Face Mask Detection and Recognition using Python | |
Feng et al. | Gesture intention understanding based on depth and RGB data | |
Mohammad et al. | Development of standalone iris recognition system using deep neural networks |
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: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |