CN108921117A - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN108921117A CN108921117A CN201810757714.5A CN201810757714A CN108921117A CN 108921117 A CN108921117 A CN 108921117A CN 201810757714 A CN201810757714 A CN 201810757714A CN 108921117 A CN108921117 A CN 108921117A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- area image
- state
- target area
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
- G06Q20/40145—Biometric identity checks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
- G06V40/172—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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Ophthalmology & Optometry (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质。该方法包括:获取待识别图像中的目标区域图像,目标区域图像包含至少一个目标对象;基于目标区域图像,确定至少一个目标对象的状态,其中,状态包括睁眼及闭眼;至少基于至少一个目标对象的状态,确定身份验证结果。根据本公开实施例,能够获取待识别图像中的目标区域图像,确定目标区域图像中至少一个目标对象的状态,并至少基于至少一个目标对象的状态,确定身份验证结果,有利于提升身份验证的安全性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
随着互联网技术的快速发展,基于计算机视觉的图像处理技术得到了空前的发展,并被应用于各个领域。例如,人脸识别技术就被广泛应用于身份验证等场景,然而,基于人脸图像进行身份验证的安全性有待进一步提高。
发明内容
有鉴于此,本公开提出了一种图像处理技术方案。
根据本公开的一方面,提供了一种图像处理方法,所述方法包括:
获取目标区域图像,所述目标区域图像包含至少一个目标对象;
基于所述目标区域图像,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼;
至少基于所述至少一个目标对象的状态,确定身份验证结果。
具体地,可以确定目标对象的状态为睁眼或闭眼,并至少部分地基于至少一个目标对象的状态,确定身份验证结果。
在一种可能的实现方式中,可以对所述目标区域图像进行识别处理,得到至少一个目标对象的状态。例如,利用状态识别神经网络对目标区域图像进行识别处理,得到至少一个目标对象的状态信息,该状态信息用于指示该至少一个目标对象的状态。可选地,该状态信息可以包含睁眼或闭眼置信度,或者包含指示状态的标识符或指示符。
在一种可能的实现方式中,所述至少一个目标对象包括至少一只眼睛。
在一种可能的实现方式中,所述至少一个目标对象可以为两只眼睛,相应地,目标区域图像为包含两只眼睛的一个区域图像,例如目标区域图像可以为人脸图像,或者为分别包含一只眼睛的两个区域图像,即左眼区域图像和右眼区域图像。
在一种可能的实现方式中,可以对目标区域图像进行特征提取处理,得到目标区域图像的特征信息,并基于目标区域图像的特征信息,确定目标区域图像中至少一个目标对象的状态。
在一种可能的实现方式中,至少基于所述至少一个目标对象的状态,确定身份验证结果,包括:
在所述至少一个目标对象中存在状态为睁眼的目标对象的条件下,确定身份验证成功。
在一种可能的实现方式中,可以至少部分地基于至少有一个目标对象的状态为睁眼的条件,确定身份验证成功,例如,假设至少一个目标对象为两个目标对象,此时,在一个目标对象的状态为睁眼且另一个目标对象的状态为闭眼的条件下,或者在两个目标对象中每个目标对象的状态均为睁眼的条件下,确定身份认证成功。
在一种可能的实现方式中,可以在至少一个目标对象中存在状态为睁眼的目标对象的条件下,基于所述目标区域图像所属人物的人脸图像进行人脸识别,并基于人脸识别的结果确定身份认证结果。例如,可以在人脸识别的结果为识别成功的情况下,确定身份认证成功,而在人脸识别的结果为识别失败的情况下,确定身份认证失败。
在另一种可能的实现方式中,只有在至少一个目标对象中每个目标对象的状态为睁眼的条件下才会确定身份验证成功。此时,只要该至少一个目标对象中存在状态为闭眼的目标对象,则会确定身份验证失败。
在一种可能的实现方式中,在基于所述目标区域图像,确定所述至少一个目标对象的状态之前,所述方法还包括:
确定底库中是否存在与所述目标区域图像所属待识别图像匹配的预设图像信息;
基于所述目标区域图像,确定所述至少一个目标对象的状态,包括:
在所述底库中存在与所述待识别图像匹配的预设图像信息的情况下,确定所述至少一个目标对象的状态。
可选地,所述待识别图像可以是人脸图像或人体图像。
在一种可能的实现方式中,所述方法还包括:
对所述待识别图像进行人脸识别,得到人脸识别结果;
至少基于所述至少一个目标对象的状态,确定身份验证结果,包括:
至少基于所述人脸识别结果和所述至少一个目标对象的状态,确定身份验证结果。
在一个例子中,在所述人脸识别结果为识别成功且所述至少一个目标对象中存在状态为睁眼的目标对象的情况下,确定身份验证成功。
在另一个例子中,在所述人脸识别结果为识别失败或所述至少一个目标对象中每个目标对象的状态为闭眼的情况下,确定身份验证失败。
在一种可能的实现方式中,所述方法还包括:
对所述待识别图像进行活体检测,确定活体检测结果;
所述至少基于所述人脸识别结果和所述至少一个目标对象的状态,确定身份验证结果,包括:
基于所述人脸识别结果、所述活体检测结果和所述至少一个目标对象的状态,确定身份验证结果。
在一个例子中,在所述人脸识别结果为识别成功、所述活体检测结果为是活体、且所述至少一个目标对象中存在状态为睁眼的目标对象的情况下,确定身份验证成功。
在另一个例子中,在所述人脸识别结果为识别失败、或所述活体检测结果为不是活体、或所述至少一个目标对象中每个目标对象的状态为闭眼的情况下,确定身份验证失败。
在一种可能的实现方式中,所述至少基于所述至少一个目标对象的状态,确定身份验证结果,包括:
在所述至少一个目标对象中存在状态为睁眼的目标对象的条件下,对所述待识别图像进行人脸识别,得到人脸识别结果;
基于所述人脸识别结果,确定身份验证结果。
可选地,在对所述待识别图像进行人脸识别成功之后确定所述至少一个目标对象的状态。或者,同时执行对所述待识别图像的人脸识别和所述至少一个目标对象的状态的确定,或者,在确定至少一个目标对象的状态之后执行对所述待识别图像的人脸识别。
在一种可能的实现方式中,可以确定底库中是否存在与所述待识别图像匹配的参考图像信息,并在确定所述底库中存在所述待识别图像匹配的参考图像信息的情况下,确定人脸识别成功。例如,底库中的预设图像信息可以包括预设图像特征信息,并基于待识别图像的特征信息与至少一个预设图像特征信息之间的相似度,确定底库中是否存在与待识别图像匹配的预设图像信息。
在一种可能的实现方式中,获取目标区域图像,包括:
根据所述至少一个目标对象对应的关键点信息,从待识别图像中获取目标区域图像。
在一种可能的实现方式中,所述目标区域图像包括第一区域图像和第二区域图像,所述至少一个目标对象包括第一目标对象和第二目标对象;
其中,获取待识别图像中的目标区域图像,包括:
获取所述待识别图像中的第一区域图像,其中,所述第一区域图像包括所述第一目标对象;
对所述第一区域图像进行镜像处理,得到第二区域图像,所述第二区域图像包括所述第二目标对象。
在一种可能的实现方式中,基于所述目标区域图像,确定所述至少一个目标对象的状态,包括:
对所述目标区域图像进行处理,得到预测结果,所述预测结果包括所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种;
根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态。
在一种可能的实现方式中,可以基于目标区域图像的特征信息,确定目标区域图像的图像有效性信息,并基于目标区域图像的图像有效性信息,确定至少一个目标对象的状态。
在一个例子中,利用神经网络对目标区域图像进行处理,输出预测结果。
在一种可能的实现方式中,图像有效性信息指示目标区域图像是否有效。
在一种可能的实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态,包括:
在所述图像有效性信息表明所述目标区域图像无效的情况下,确定所述至少一个目标对象的状态为闭眼。
在一个例子中,在所述图像有效性信息表明所述目标区域图像无效的情况下,确定所述至少一个目标对象中每个目标对象的状态为闭眼。
在一种可能的实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态,包括:
在所述图像有效性信息表明所述目标区域图像有效的情况下,基于所述至少一个目标对象中每个目标对象的状态信息,确定所述每个目标对象的状态。
在一种可能的实现方式中,所述图像有效性信息包括有效置信度,所述状态信息包括睁眼置信度或闭眼置信度。
在一个例子中,在所述有效置信度超过第一阈值且所述目标对象的睁眼置信度超过第二阈值的情况下,确定所述目标对象的状态为睁眼。
在另一个例子中,在有效置信度低于第一阈值或者某个目标对象的睁眼置信度低于第二阈值的情况下,确定该目标对象的状态为闭眼。
在一种可能的实现方式中,对所述目标区域图像进行处理,得到预测结果,包括:
对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息;
根据所述特征信息,得到预测结果。
在一种可能的实现方式中,对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息,包括:
利用深度残差网络对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。
在一种可能的实现方式中,所述方法还包括:
在确定身份验证成功时,解除对终端设备的锁定。
在一种可能的实现方式中,所述方法还包括:
在确定身份验证成功时,进行支付操作。
在一种可能的实现方式中,所述基于所述目标区域图像,确定所述至少一个目标对象的状态,包括:
利用图像处理网络处理所述目标区域图像,得到所述至少一个目标对象的状态;
其中,所述方法还包括:根据多个样本图像,训练所述图像处理网络。
在一种可能的实现方式中,根据多个样本图像,训练所述图像处理网络,包括:
对所述多个样本图像进行预处理,得到预处理后的所述多个样本图像;
根据预处理后的所述多个样本图像,训练所述图像处理网络。
在一种可能的实现方式中,根据所述多个样本图像,训练所述图像处理网络,包括:
将所述样本图像输入所述图像处理网络进行处理,得到所述样本图像对应的预测结果;
根据所述样本图像对应的预测结果和标注信息,确定所述图像处理网络的模型损失;
根据所述模型损失,调整所述图像处理网络的网络参数值。
在一种可能的实现方式中,所述方法还包括:
获取多个初始样本图像和所述多个初始样本图像的标注信息;
对所述多个初始样本图像中的至少一个初始样本图像进行转换处理,得到至少一个扩充样本图像,其中,所述转换处理包括增加遮挡、改变图像曝光度、改变图像对比度、进行透明化处理中的至少一种;
基于所述至少一个初始样本图像所执行的所述转换处理和所述至少一个初始样本图像的标注信息,得到所述至少一个扩充样本图像的标注信息;
其中,所述多个样本图像包括所述多个初始样本图像和所述至少一个扩充样本图像。
在一种可能的实现方式中,所述方法还包括:
利用所述图像处理网络对测试样本进行处理,得到所述测试样本的预测结果;
基于所述测试样本的预测结果和所述测试样本的标注信息,确定所述图像处理网络的阈值参数。
根据本公开的一方面,提供了一种图像处理方法,所述方法包括:
获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息;
根据所述特征信息,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼。
在一种可能的实现方式中,获取待识别图像中的目标区域图像,包括:
根据所述至少一个目标对象对应的关键点信息,获取待识别图像中的目标区域图像。
在一种可能的实现方式中,所述目标区域图像包括第一区域图像和第二区域图像,所述至少一个目标对象包括第一目标对象和第二目标对象;
其中,获取待识别图像中的目标区域图像,包括:
获取所述待识别图像中的第一区域图像,其中,所述第一区域图像包括所述第一目标对象;
对所述第一区域图像进行镜像处理,得到第二区域图像,所述第二区域图像包括所述第二目标对象。
在一种可能的实现方式中,根据所述特征信息,确定所述至少一个目标对象的状态,包括:
根据所述特征信息,得到预测结果,所述预测结果包括所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种;
根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态。
在一种可能的实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态,包括:
在所述图像有效性信息表明所述目标区域图像无效的情况下,确定所述至少一个目标对象的状态为闭眼。
在一种可能的实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态,包括:
在所述图像有效性信息表明所述目标区域图像有效的情况下,基于所述至少一个目标对象中每个目标对象的状态信息,确定所述每个目标对象的状态。
在一种可能的实现方式中,所述图像有效性信息包括有效置信度,所述状态信息包括睁眼置信度,
根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态,包括:
在所述有效置信度超过第一阈值且所述目标对象的睁眼置信度超过第二阈值的情况下,确定所述目标对象的状态为睁眼。
在一种可能的实现方式中,对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息,包括:
利用深度残差网络对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。
根据本公开的一方面,提供了一种图像处理装置,所述装置包括:
图像获取模块,用于获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
状态确定模块,用于基于所述目标区域图像,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼;
验证结果确定模块,用于至少基于所述至少一个目标对象的状态,确定身份验证结果。
在一种可能的实现方式中,所述至少一个目标对象包括至少一只眼睛。
在一种可能的实现方式中,所述验证结果确定模块包括:
第一确定子模块,用于在所述至少一个目标对象中存在状态为睁眼的目标对象的条件下,确定身份验证成功。
在一种可能的实现方式中,所述装置还包括:
预设图像信息确定模块,用于在基于所述目标区域图像,确定所述至少一个目标对象的状态之前,确定底库中是否存在与所述待识别图像匹配的预设图像信息;
所述状态确定模块包括:
状态确定子模块,用于在所述底库中存在与所述待识别图像匹配的预设图像信息的情况下,确定所述至少一个目标对象的状态。
在一种可能的实现方式中,所述装置还包括:
识别结果获取模块,用于对所述待识别图像进行人脸识别,得到人脸识别结果;
所述验证结果确定模块包括:
第二确定子模块,用于至少基于所述人脸识别结果和所述至少一个目标对象的状态,确定身份验证结果。
在一种可能的实现方式中,所述验证结果确定模块包括:
识别结果获取子模块,用于在所述至少一个目标对象中存在状态为睁眼的目标对象的条件下,对所述待识别图像进行人脸识别,得到人脸识别结果;
第三确定子模块,用于基于所述人脸识别结果,确定身份验证结果。
在一种可能的实现方式中,所述图像获取模块包括:
图像获取子模块,用于根据所述至少一个目标对象对应的关键点信息,获取待识别图像中的目标区域图像。
在一种可能的实现方式中,所述目标区域图像包括第一区域图像和第二区域图像,所述至少一个目标对象包括第一目标对象和第二目标对象;
其中,所述图像获取模块包括:
第一图像获取子模块,用于获取所述待识别图像中的第一区域图像,其中,所述第一区域图像包括所述第一目标对象;
第二图像获取子模块,用于对所述第一区域图像进行镜像处理,得到第二区域图像,所述第二区域图像包括所述第二目标对象。
在一种可能的实现方式中,所述状态确定模块包括:
预测结果获取子模块,用于对所述目标区域图像进行处理,得到预测结果,所述预测结果包括所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种;
第四确定子模块,用于根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态。
在一种可能的实现方式中,所述第四确定子模块包括:
闭眼确定子模块,用于在所述图像有效性信息表明所述目标区域图像无效的情况下,确定所述至少一个目标对象的状态为闭眼。
在一种可能的实现方式中,所述第四确定子模块包括:
第一对象状态确定子模块,用于在所述图像有效性信息表明所述目标区域图像有效的情况下,基于所述至少一个目标对象中每个目标对象的状态信息,确定所述每个目标对象的状态。
在一种可能的实现方式中,所述图像有效性信息包括有效置信度,所述状态信息包括睁眼置信度,
所述第四确定子模块包括:
睁眼确定子模块,用于在所述有效置信度超过第一阈值且所述目标对象的睁眼置信度超过第二阈值的情况下,确定所述目标对象的状态为睁眼。
在一种可能的实现方式中,所述预测结果获取子模块包括:
特征信息获取子模块,用于对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息;
结果获取子模块,用于根据所述特征信息,得到预测结果。
在一种可能的实现方式中,所述特征信息获取子模块包括:
信息获取子模块,用于利用深度残差网络对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。
在一种可能的实现方式中,所述装置还包括:
锁定解除模块,用于在确定身份验证成功时,解除对终端设备的锁定。
在一种可能的实现方式中,所述装置还包括:
支付模块,用于在确定身份验证成功时,进行支付操作。
在一种可能的实现方式中,所述状态确定模块包括:
状态获取子模块,用于利用图像处理网络处理所述目标区域图像,得到所述至少一个目标对象的状态;
其中,所述装置还包括:
训练模块,用于根据多个样本图像,训练所述图像处理网络。
在一种可能的实现方式中,所述训练模块包括:
样本图像获取子模块,用于对所述多个样本图像进行预处理,得到预处理后的所述多个样本图像;
训练子模块,用于根据预处理后的所述多个样本图像,训练所述图像处理网络。
在一种可能的实现方式中,所述训练模块包括:
预测结果确定子模块,用于将所述样本图像输入所述图像处理网络进行处理,得到所述样本图像对应的预测结果;
模型损失确定子模块,用于根据所述样本图像对应的预测结果和标注信息,确定所述图像处理网络的模型损失;
网络参数调整子模块,用于根据所述模型损失,调整所述图像处理网络的网络参数值。
在一种可能的实现方式中,所述装置还包括:
获取模块,用于获取多个初始样本图像和所述多个初始样本图像的标注信息;
扩充样本图像获取模块,用于对所述多个初始样本图像中的至少一个初始样本图像进行转换处理,得到至少一个扩充样本图像,其中,所述转换处理包括增加遮挡、改变图像曝光度、改变图像对比度、进行透明化处理中的至少一种;
标注信息获取模块,用于基于所述至少一个初始样本图像所执行的所述转换处理和所述至少一个初始样本图像的标注信息,得到所述至少一个扩充样本图像的标注信息;
其中,所述多个样本图像包括所述多个初始样本图像和所述至少一个扩充样本图像。
在一种可能的实现方式中,所述装置还包括:
结果确定模块,用于利用所述图像处理网络对测试样本进行处理,得到所述测试样本的预测结果;
阈值参数确定模块,用于基于所述测试样本的预测结果和所述测试样本的标注信息,确定所述图像处理网络的阈值参数。
根据本公开的一方面,提供了一种图像处理装置,所述装置包括:
目标区域图像获取模块,用于获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
信息获取模块,用于对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息;
确定模块,用于根据所述特征信息,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼。
在一种可能的实现方式中,所述目标区域图像获取模块包括:
第一获取子模块,用于根据所述至少一个目标对象对应的关键点信息,获取待识别图像中的目标区域图像。
在一种可能的实现方式中,所述目标区域图像包括第一区域图像和第二区域图像,所述至少一个目标对象包括第一目标对象和第二目标对象;
其中,所述目标区域图像获取模块包括:
第二获取子模块,用于获取所述待识别图像中的第一区域图像,其中,所述第一区域图像包括所述第一目标对象;
第三获取子模块,用于对所述第一区域图像进行镜像处理,得到第二区域图像,所述第二区域图像包括所述第二目标对象。
在一种可能的实现方式中,所述确定模块包括:
第四获取子模块,用于根据所述特征信息,得到预测结果,所述预测结果包括所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种;
第五确定子模块,用于根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态。
在一种可能的实现方式中,所述第五确定子模块包括:
第六确定子模块,用于在所述图像有效性信息表明所述目标区域图像无效的情况下,确定所述至少一个目标对象的状态为闭眼。
在一种可能的实现方式中,所述第五确定子模块包括:
第二对象状态确定子模块,用于在所述图像有效性信息表明所述目标区域图像有效的情况下,基于所述至少一个目标对象中每个目标对象的状态信息,确定所述每个目标对象的状态。
在一种可能的实现方式中,所述图像有效性信息包括有效置信度,所述状态信息包括睁眼置信度,
所述第五确定子模块包括:
第七确定子模块,用于在所述有效置信度超过第一阈值且所述目标对象的睁眼置信度超过第二阈值的情况下,确定所述目标对象的状态为睁眼。
在一种可能的实现方式中,所述信息获取模块包括:
第五获取子模块,用于利用深度残差网络对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述图像处理方法或图像处理方法的任意可能的实现方式。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法或图像处理方法的任意可能的实现方式。
在本公开实施例中,能够获取待识别图像中的目标区域图像,确定目标区域图像中至少一个目标对象的状态,并至少基于至少一个目标对象的状态,确定身份验证结果,有利于提升身份验证的安全性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1是根据本公开实施例示出的一种图像处理方法的流程图。
图2是根据本公开实施例示出的一种图像处理方法的流程图。
图3是根据本公开实施例示出的一种图像处理方法的流程图。
图4是根据本公开实施例示出的一种图像处理方法的流程图。
图5是根据示例性实施例示出的一种图像处理方法的深度残差网络的示意图。
图6是根据本公开实施例示出的一种图像处理方法的流程图。
图7是根据本公开实施例示出的一种图像处理方法的步骤S104的流程图。
图8是根据本公开实施例示出的一种图像处理方法的步骤S104的流程图。
图9是根据本公开实施例示出的一种图像处理方法的流程图。
图10是根据本公开实施例示出的一种图像处理方法的流程图。
图11是根据本公开实施例示出的一种图像处理方法的流程图。
图12是根据本公开实施例示出的一种图像处理方法的流程图。
图13是根据本公开实施例示出的一种图像处理方法的流程图。
图14是根据本公开实施例示出的一种图像处理方法的流程图。
图15是根据本公开实施例示出的一种图像处理方法的流程图。
图16是根据本公开实施例示出的一种图像处理方法的流程图。
图17是根据本公开实施例示出的一种图像处理方法的流程图。
图18是根据本公开实施例示出的一种图像处理方法的流程图。
图19是根据本公开实施例示出的一种图像处理方法的流程图。
图20是根据本公开实施例示出的一种图像处理方法的流程图。
图21是根据本公开实施例示出的一种图像处理方法的流程图。
图22是根据本公开实施例示出的一种图像处理装置的框图。
图23是根据本公开实施例示出的一种图像处理装置的框图。
图24是根据本公开实施例示出的一种图像处理装置的框图。
图25是根据本公开实施例示出的一种图像处理装置的框图。
图26是根据一示例性实施例示出的一种电子设备的框图。
图27是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1是根据本公开实施例示出的一种图像处理方法的流程图。该方法可应用于电子设备或系统中。该电子设备可以被提供为一终端、一服务器或其它形态的设备,例如手机、平板电脑,等等。如图1所示,根据本公开实施例的图像处理方法包括:
在步骤S101中,获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
在步骤S102中,基于所述目标区域图像,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼;
在步骤S103中,至少基于所述至少一个目标对象的状态,确定身份验证结果。
根据本公开的实施例,能够获取待识别图像中的目标区域图像,确定目标区域图像中至少一个目标对象的状态,并至少基于至少一个目标对象的状态,确定身份验证结果。这样,至少基于至少一个目标对象的状态,可以确定当前用户是否对身份验证过程知情,有利于提升身份验证的安全性。
例如,可以确定目标对象的状态为睁眼或闭眼,并至少部分地基于至少一个目标对象的状态,确定身份验证结果。
在一种可能的实现方式中,可以对所述目标区域图像进行识别处理,得到至少一个目标对象的状态。例如,可以利用状态识别神经网络对目标区域图像进行识别处理,得到至少一个目标对象的状态信息,该状态信息用于指示该至少一个目标对象的状态。该状态识别神经网络可根据训练样本集训练得到。可选地,该状态信息可以包含睁眼或闭眼置信度,或者包含指示状态的标识符或指示符。本公开对确定至少一个目标对象的状态信息的方式、状态信息包含的信息内容和类别等不作限制。
在一种可能的实现方式中,所述至少一个目标对象包括至少一只眼睛。
在一种可能的实现方式中,所述至少一个目标对象可以为两只眼睛,相应地,目标区域图像可以为包含两只眼睛的一个区域图像,例如目标区域图像可以为人脸图像,或者为分别包含一只眼睛的两个区域图像,即左眼区域图像和右眼区域图像等,本公开对此不作限制。
在一种可能的实现方式中,可以对目标区域图像进行特征提取处理,得到目标区域图像的特征信息,并基于目标区域图像的特征信息,确定目标区域图像中至少一个目标对象的状态。
在示例性的应用场景中,身份验证过程时,电子设备(例如,用户手机)可以获取当前待识别的人脸图像或人体图像中眼睛附近区域的图像,并根据眼睛附件区域的图像进行睁闭眼判断,确定至少一只眼睛的状态为睁眼还是闭眼。用户手机可以基于至少一只眼睛的状态,确定身份验证结果。例如,用户手机可以根据睁闭眼判断的眼睛状态结果,判断当前用户对本次身份验证是否知情。若用户对本次身份验证知情,则可以基于该用户对本次身份验证知情的基础上,确定身份验证结果,例如,身份验证成功或失败。若用户对本次身份验证不知情,则可以基于该用户对本次身份验证不知情的基础上,确定身份验证结果,例如,身份验证失败。
这样,可以降低在用户不知情情况下(例如,用户睡觉、昏迷时等各类不知情情况),被他人通过拍摄人脸图像等方式通过身份验证这一情况的发生概率,提高了身份验证的安全性。
在一种可能的实现方式中,电子设备可以是手机、平板、电脑、服务器等任意设备。现以手机作为电子设备为例进行说明。
举例来说,用户手机可以获取待识别图像中的目标区域图像,该目标区域图像包含至少一个目标对象。其中,该待识别图像可以为真实图像,例如,可以为原始图像或经过处理后的图像,本公开实施例对此不做限定。目标区域图像可以是待识别图像中某一区域的图像,例如,可以是待识别图像中至少一个目标对象附近的图像。例如,待识别图像可以为人脸图像,至少一个目标对象可以包括至少一只眼睛,目标区域图像可以是人脸图像中,至少一只眼睛附近的图像。应理解,可以通过多种方式获取待识别图像中的目标区域图像,本公开对此不作限制。
图2是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图2所示,步骤S101可以包括:
在步骤S1011中,根据所述至少一个目标对象对应的关键点信息,获取待识别图像中的目标区域图像。
举例来说,可以通过深度学习训练得到可用于人脸关键点定位的关键点定位网络(例如,该关键点定位网络可以包括卷积神经网络)。该关键点定位网络可以确定待识别图像中的至少一个目标对象对应的关键点信息,确定至少一个目标对象所处的区域。例如,该关键点定位网络可以确定待识别图像(例如,人脸图像)中的至少一只眼睛的关键点信息,并确定至少一只眼睛轮廓点的位置。在此基础上,可以通过相关技术中公知的方式将至少一只眼睛附近的图像截取出来。例如,根据关键点定位网络确定的至少一只眼睛轮廓点的位置,进行图片处理,将该至少一只眼睛附近的图片截取出一个矩形图片,得到待识别图像(例如,人脸图像)中至少一只眼睛附近的图像(目标区域图像)。
这样,根据至少一个对象对应的关键点信息,获取目标区域图像,可以快速、准确地获取到目标区域图像,该目标区域图像中包含至少一个目标对象。本公开对确定至少一个目标对象对应的关键点信息的方式、根据关键点信息获取待识别图像中的目标区域图像的方式不作限制。
图3是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,所述目标区域图像包括第一区域图像和第二区域图像,所述至少一个目标对象包括第一目标对象和第二目标对象,如图3所示,步骤S101可以包括:
在步骤S1012中,获取所述待识别图像中的第一区域图像,其中,所述第一区域图像包括所述第一目标对象;
在步骤S1013中,对所述第一区域图像进行镜像处理,得到第二区域图像,所述第二区域图像包括所述第二目标对象。
举例来说,所述目标区域图像可以包括两个目标对象,分别为第一目标对象和第二目标对象。例如,人脸图像中包括右眼(例如,第一目标对象)和左眼(例如,第二目标对象)。目标区域图像也可以包括第一区域图像(例如,包括第一目标对象的区域)和第二区域图像(例如,包括第二目标对象的区域)。
其中,在获取待识别图像中的目标区域图像(步骤S101)的过程中,可以分别获取第一区域图像和第二区域图像。
举例来说,可以获取所述待识别图像中的第一区域图像,其中,所述第一区域图像包括所述第一目标对象。例如,可以如前文所述,根据第一目标对象对应的关键点信息,获取待识别图像中的第一区域图像。
在一种可能的实现方式中,可以基于获取到的待识别图像中的第一区域图像,获取第二区域图像。例如,可以对第一区域图像进行镜像处理,得到第二区域图像,所述第二区域图像包括所述第二目标对象。例如,获取人脸图像中的右眼附近的图像(例如,第一区域图像为一个矩形图像),应理解,人脸图像中的左眼与右眼对称,可以对该矩形图像进行镜像处理,获取到人脸图像中的左眼附近的图像(例如,与第一区域图像同形状、大小的第二区域图像)。
这样,可以较快速地获取到所述目标区域图像中的第一区域图像和第二区域图像。应理解,在目标区域图像包括第一区域图像和第二区域图像时,获取待识别图像中的目标区域图像还可以根据第一目标对象对应的关键点信息和第二目标对象对应的关键点信息,分别获取第一区域图像和第二区域图像,本公开实施例对获取待识别图像中目标区域图像的方式、目标区域图像包含的区域图像的数量等不做限定。
如图1所示,在步骤S102中,基于所述目标区域图像,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼。
举例来说,可以根据目标区域图像,进行睁闭眼判断,确定目标区域图像中的至少一只眼睛的状态为睁眼还是闭眼。例如,目标区域图像包括第一区域图像和第二区域图像,第一区域图像中包括右眼,第二区域图像中包括左眼。用户手机在获取到目标区域图像时(包括第一区域图像和第二区域图像),可以基于第一区域图像和第二区域图像,分别确定右眼和左眼的状态为睁眼还是闭眼。应理解,可以通过多种方式基于所述目标区域图像,确定所述至少一个目标对象的状态,本公开对此不作限制。
图4是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图4所示,步骤S102可以包括:
在步骤S1021中,对所述目标区域图像进行处理,得到预测结果,所述预测结果包括所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种。
在一个例子中,可以利用神经网络对目标区域图像进行处理,输出预测结果。
其中,图像有效性信息可用于表示该目标区域图像的效力情况,例如,图像有效性信息可指示目标区域图像是否有效,例如,可用于表明该目标区域图像有效或无效。目标对象的状态信息可用于表示该目标对象的状态为睁眼或闭眼。所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种均可用于确定至少一个目标对象的状态。
举例来说,用户手机获取到目标区域图像,用户手机对该目标区域图像进行处理,可以得到预测结果。该预测结果可包括图像有效性信息、或者包括至少一个目标对象的状态信息,也可同时包括图像有效性信息以及至少一个目标对象的状态信息。
例如,用户手机获取到目标区域图像可能存在眼睛被遮挡或者该目标区域图像本身不清楚等各种情况,用户手机对该目标区域图像进行处理,可得到预测结果,例如,得到一个包括图像有效性信息的预测结果,该图像有效性信息可表明该目标区域图像无效。
在一种可能的实现方式中,对所述目标区域图像进行处理,得到预测结果,所述预测结果包括所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种(步骤S1021),可以包括:
对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息;
根据所述特征信息,得到预测结果。
举例来说,用户手机可以对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。应理解,可以通过多种方式获取目标区域图像的特征信息,例如,可以通过卷积神经网络(可以为任意一种卷积神经网络)对目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息,本公开对此不作限制。这样,通过特征信息可以得到较准确的预测结果。
在一种可能的实现方式中,可以利用深度残差网络对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。
图5是根据示例性实施例示出的一种图像处理方法的深度残差网络的示意图。在一种可能的实现方式中,如图5所示,该深度残差网络可包括一个单独的卷积层,该卷积层可用于提取基本信息,并降低输入图像(例如,目标区域图像)的特征图像(feature map)维度。
如图5所示,该深度残差网络还可以包括两个ResNet Blob残差网络块结构(例如,ResNet Blob1残差网络块1和ResNet Blob2残差网络块2)。该ResNet Blob结构的特点为有一个残差单元,该残差单元可以在不改变任务整体输入输出的情况下,将任务的复杂度降低。其中,ResNet Blob1可以包括卷积层以及批量归一化BN(Batch Normalization)层,其可用于提取特征信息。ResNet Blob2可以包括卷积层以及BN层,可用于提取特征信息。ResNet Blob2结构上可以比ResNet Blob1多一个卷积层以及BN层,因此,ResNet Blob2还可用于降低特征图像(feature map)维度。
通过这种方式,可以利用深度残差网络,较准确地得到目标区域图像的特征信息。应当理解,可以使用任意一卷积神经网络结构对目标区域图像进行特征提取处理,得到目标区域图像的特征信息,本公开对此不作限制。
在一种可能的实现方式中,可以根据所述特征信息,得到预测结果。
举例来说,可以根据特征信息进行分析处理,得到预测结果。现以得到预测结果同时包括目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息为例进行说明。
例如,如图5所示,该深度残差网络还可以全连接层,例如,包括3个全连接层。全连接层可将目标区域图像的特征信息进行降维处理,例如,从3维降为2维,并同时保留有用的信息。该深度残差网络还可以包括输出分割层,该输出分割层可将最后一层全连接层的输出进行输出分割处理,得到预测结果。例如,最后一层全连接层的输出经过输出分割处理,得到两个预测结果,分别得到目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息。
这样,可以较准确地得到预测结果。应理解,可以通过多种方式对目标区域图像进行处理,得到预测结果,不限于上述示例。
如图4所示,在步骤S1022中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态。
在一种可能的实现方式中,可以基于目标区域图像的特征信息,确定目标区域图像的图像有效性信息,并基于目标区域图像的图像有效性信息,确定至少一个目标对象的状态。例如,可以获取目标区域图像的特征信息,例如,通过训练好的神经网络对目标区域图像进行特征提取,得到目标区域图像的特征信息。根据目标区域图像的特征信息,确定目标区域图像的图像有效性信息。例如,对目标区域图像的特征信息进行处理,例如,输入到神经网络的全连接层进行处理,得到目标区域图像的图像有效性信息。并基于目标区域图像的图像有效性信息,确定至少一个目标对象的状态。本公开对确定目标区域图像特征信息的方式、确定目标区域图像的图像有效性信息以及基于目标区域图像的图像有效性信息,确定至少一个目标对象的状态的方式均不作限制。
举例来说,若用户手机获取到的是图像有效性信息,则用户手机可以根据图像有效性信息,确定所述至少一个目标对象的状态。若用户手机获取到的是至少一个目标对象的状态信息,则用户手机可以根据至少一个目标对象的状态信息,确定所述至少一个目标对象的状态。若用户手机同时获取图像有效性信息以及至少一个目标对象的状态信息,则可以根据图像有效性信息以及至少一个目标对象的状态信息中至少一个确定至少一个目标对象的状态。
这样,可以以多种方式确定至少一个目标对象的状态。本公开对根据预测结果确定至少一个目标对象的状态的方式不作限制。
在一种可能的是实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态(步骤S1022),可以包括:
在所述图像有效性信息表明所述目标区域图像无效的情况下,确定所述至少一个目标对象的状态为闭眼。
在一个例子中,在所述图像有效性信息表明所述目标区域图像无效的情况下,确定所述至少一个目标对象中每个目标对象的状态为闭眼。
在一种可能的是实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态(步骤S1022),可以包括:
在所述图像有效性信息表明所述目标区域图像有效的情况下,基于所述至少一个目标对象中每个目标对象的状态信息,确定所述每个目标对象的状态。
在一种可能的实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态,包括:
在所述图像有效性信息表明所述目标区域图像有效的情况下,基于所述至少一个目标对象中每个目标对象的状态信息,确定所述每个目标对象的状态。
举例来说,在用户手机获取到的预测结果中包括图像有效性信息时,且在所述图像有效性信息表明所述目标区域图像无效的情况下,可以确定所述至少一个目标对象的状态为闭眼。
在一种可能的实现方式中,图像有效性信息可包括有效置信度,其中,有效置信度是可用于表示该图像有效性信息为有效的概率信息。例如,可预设有用于判断目标区域图像有效或无效的第一阈值,例如,在图像有效性信息包括的有效置信度低于第一阈值时,可以确定所述目标区域图像无效,在目标区域图像无效时,可以确定至少一个目标对象的状态为闭眼。
通过这种方式,可以快速、有效地确定至少一个目标对象的状态。本公开对确定图像有效性信息表明所述目标区域图像无效的方式不作限制。
在一种可能的实现方式中,目标对象的状态信息可包括睁眼置信度或闭眼置信度。其中,睁眼置信度是可用于表示目标对象的状态为睁眼的概率信息,闭眼置信度可用于表示目标对象的状态为闭眼的概率信息。
在一种可能的是实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态(步骤S1022),可以包括:
在所述有效置信度超过第一阈值且所述目标对象的睁眼置信度超过第二阈值的情况下,确定所述目标对象的状态为睁眼。
在另一个例子中,在有效置信度低于第一阈值或者某个目标对象的睁眼置信度低于第二阈值的情况下,确定该目标对象的状态为闭眼。
举例来说,可预设有用于判断至少一个目标对象的状态为睁眼或闭眼的第二阈值,例如,在状态信息的睁眼置信度超过第二阈值时,可以确定至少一个目标对象的状态为睁眼,在状态信息的睁眼置信度低于第二阈值时,可以确定至少一个目标对象的状态为闭眼。
若预测结果中的图像有效性信息包括的有效置信度超过第一阈值(此时,图像有效性信息表明该目标区域图像为有效),且目标对象的睁眼置信度超过第二阈值(此时,状态信息表明该至少一个目标对象的状态为睁眼)的情况下,用户手机可以确定该目标状态的状态为睁眼。若预测结果中的图像有效性信息包括的有效置信度低于第一阈值或者某个目标对象的睁眼置信度低于第二阈值的情况下,可以确定该目标对象的状态为闭眼。
通过这种方式,可以较准确地确定至少一个目标对象的状态,以判断用户是否对身份验证知情。应理解,第一阈值和第二阈值可由系统设置,本公开对第一阈值和第二阈值的确定方式、第一阈值和第二阈值的具体数值均不作限制。
图6是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图6所示,步骤S102可以包括:
在步骤1023中,利用图像处理网络处理所述目标区域图像,得到所述至少一个目标对象的状态,
所述方法还可以包括:
在步骤S104中,根据多个样本图像,训练所述图像处理网络。
其中,图像处理网络可以包括前文所述的深度残差网络,该图像处理网络可以是根据多个样本图像,训练得到。将目标区域图像输入到训练得到的图像处理网络中进行处理,可以得到至少一个目标对象的状态。
这样,通过多个样本图像训练得到的图像处理网络,可以较准确地得到所述至少一个目标对象的状态。本公开对图像处理网络的结构、根据多个样本图像训练图像处理网络的过程等不作限制。
图7是根据本公开实施例示出的一种图像处理方法的步骤S104的流程图。在一种可能的实现方式中,如图7所示,步骤S104可以包括:
在步骤S1041中,对所述多个样本图像进行预处理,得到预处理后的所述多个样本图像;
在步骤S1042中,根据预处理后的所述多个样本图像,训练所述图像处理网络。
举例来说,可以对多个样本图像进行预处理,例如,进行平移、旋转、放缩、加运动模糊等操作,得到预处理后的所述多个样本图像,以根据预处理后的多个样本图像,训练得到可以适用于各类复杂场景的图像处理网络。
其中,在对多个样本图像进行预处理,得到预处理后的所述多个样本图像的过程中,部分样本图像的标注信息无需改变,部分样本图像的标注信息需要改变。标注信息可以为根据样本图像的状态(例如,样本图像是否有效、样本图像中目标对象的状态为睁眼或闭眼等),人工标注的用于网络训练的信息。例如,该样本图像本身不清晰,标注信息可以包括图像有效性信息,人工标注的图像有效性信息表明该样本图像无效等。例如,可以控制在对多个样本图像进行预处理的过程中,将预处理内容为加运动模糊这一操作后得到的样本图像的标注信息进行改变,对于预处理内容为其他操作得到的样本图像的标注信息无需改变。
举例来说,可以根据预处理后的所述多个样本图像,训练所述图像处理网络。例如,将预处理后的所述多个样本图像作为训练样本,将预处理后的所述多个样本图像对应的标注信息作为训练图像处理网络时的监督信息,训练该图像处理网络。
通过这种方式,可以训练得到能有适用于多种复杂场景的图像处理网络,以提高图像处理准确度。本公开对预处理的方式、标注方式、标注信息的形式、根据预处理后的所述多个样本图像,训练所述图像处理网络的具体过程不作限制。
图8是根据本公开实施例示出的一种图像处理方法的步骤S104的流程图。在一种可能的实现方式中,如图8所示,步骤S104可以包括:
在步骤S1043中,将所述样本图像输入所述图像处理网络进行处理,得到所述样本图像对应的预测结果;
在步骤S1044中,根据所述样本图像对应的预测结果和标注信息,确定所述图像处理网络的模型损失;
在步骤S1045中,根据所述模型损失,调整所述图像处理网络的网络参数值。
举例来说,可以将样本图像输入所述图像处理网络进行处理,得到所述样本图像对应的预测结果,根据样本图像对应的预测结果和标注信息,确定所述图像处理网络的模型损失,并根据所述模型损失,调整所述图像处理网络的网络参数值。例如,采用反向梯度算法等调整网络参数值。应当理解,可采用合适的方式调整特征提取网络的网络参数值,本公开对此不作限制。
经过多次调整后,如果满足预先设定的训练条件,例如调整次数达到预先设定的训练次数阈值,或者模型损失小于或等于预先设定的损失阈值,则可以将当前的图像处理网络确定为最终的图像处理网络,从而完成了的特征提取网络的训练过程。应当理解,本领域技术人员可以根据实际情况设定训练条件以及损失阈值,本公开对此不作限制。
通过这种方式,可以训练得到能够准确地得到至少一个目标对象的状态的图像处理网络。
图9是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图9所示,所述方法还包括:
在步骤S105中,获取多个初始样本图像和所述多个初始样本图像的标注信息。
举例来说,多个初始样本图像可以为对待识别图像(例如,待识别图像中的训练样本集图像)进行截取处理,所得到的多个初始样本图像。例如,希望训练得到的图像处理网络用于对目标区域图像(例如,人脸图像中眼睛附近的图像)进行处理,则可以对待识别图像中的训练样本集图像(例如,人脸图像)进行截取,得到训练样本集图像中的目标区域图像(人脸图像中眼睛附近的图像),将获取到的训练样本集图像中的目标区域图像,确定为多个初始样本图像。
在一种可能的实现方式中,可以标注所述待识别图像中的人脸眼睛关键点,例如,标注眼睛附近的关键点,并截取眼睛附近的图像,例如,将一只眼睛附近的图像截取出一个矩形图像,并做镜像操作截取另一只眼睛附近的矩形图像,得到多个初始样本图像。
在一种可能的实现方式中,可以对多个初始样本图像进行人工标注,例如,可以根据初始样本图像是否有效(例如,图像是否清晰、图像中眼睛是否清晰可见)以及眼睛的状态为睁眼或闭眼,标注初始样本图像的图像有效性信息以及状态信息。
例如,某初始样本图像中,图像以及眼睛清晰可见,且眼睛处于睁眼状态,则标注后得到的标注信息可以为valid(表示图像有效)、open(表示眼睛处于睁眼状态)。本公开对标注方式、标注信息的形式不作限制。
在步骤S106中,对所述多个初始样本图像中的至少一个初始样本图像进行转换处理,得到至少一个扩充样本图像,其中,所述转换处理包括增加遮挡、改变图像曝光度、改变图像对比度、进行透明化处理中的至少一种。
举例来说,可以从多个初始样本图像中抽取部分或者全部初始样本图像,分别根据RGB色彩模式、红外IR(Infrared Radiation)摄像场景(例如,各类通过IR摄像头、RGB摄像头自拍场景)下可能出现的复杂情况,对抽取的初始样本图像进行转换处理,例如,可以包括并不限于进行增加遮挡、改变图像曝光度、改变图像对比度、进行透明化处理中的至少一种转换处理,得到至少一个扩充样本图像。
在步骤S107中,基于所述至少一个初始样本图像所执行的所述转换处理和所述至少一个初始样本图像的标注信息,得到所述至少一个扩充样本图像的标注信息;
其中,所述多个样本图像包括所述多个初始样本图像和所述至少一个扩充样本图像。
举例来说,在对至少一个初始样本图像执行转换处理,可以基于转换处理的方式和该至少一个初始样本图像的标注信息,得到所述至少一个扩充样本图像的标注信息。例如,初始样本图像1中,图像以及眼睛清晰可见,且眼睛处于睁眼状态,则该初始样本图像1的标注信息可以为valid(表示图像有效)、open(表示眼睛处于睁眼状态)。对该初始样本图像1进行透明化处理后,得到的扩充样本图像中,图像以及眼睛仍旧清晰可见,且眼睛仍旧处于睁眼状态,则该扩充样本图像的标注信息与初始样本图像1的标注信息相同。
在一些可选实施例中,初始样本图像2中,图像以及眼睛清晰可见,且眼睛处于睁眼状态,则该初始样本图像2的标注信息可以为valid(表示图像有效)、open(表示眼睛处于睁眼状态)。对该初始样本图像2进行转换处理后(例如,对眼睛加遮挡),得到的扩充样本图像中,眼睛不再清晰可见,可以在初始样本图像2的基础上,根据转换处理后的情况,得到该扩充样本图像的标注信息为invalid(表示图像无效)、close(表示眼睛处于闭眼状态)。
在一些可选实施例中,可以将多个初始样本图像和所述至少一个扩充样本图像确定为所述多个样本图像。例如,根据待识别图像中的训练样本集,获取到50万张初始样本图像,对其中20万张初始样本图像进行转换处理,得到20万张扩充样本图像,则可以将50万张初始样本图像以及20万张扩充样本图像确定为用于训练图像处理网络的多个样本图像(包括70万张)。
这样,可以得到具有较多复杂情况的多个样本图像。本公开对初始样本图像的数量、扩充样本图像的数量不作限制。
通过将多个初始样本图像以及至少一个扩充样本图像确定为所述多个样本图像,扩充了用于训练图像处理网络的训练数据集,从而使得训练得到的图像处理网络可以适用于较复杂的各类场景,提高图像处理网络的处理能力。例如,根据RGB色彩模式摄像场景下可能出现的复杂情况,对多个初始样本图像进行转换处理,得到的至少一个扩充样本图像,通过包括该扩充样本图像的样本图像训练得到的图像处理网络可以较准确地确定RGB色彩模式摄像场景的待识别图像中目标区域图像中至少一个目标对象的状态,以保证本公开实施例的图像处理方法的鲁棒性以及准确性。本公开对多个样本图像的确定方式不作限制。
图10是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图10所示,所述方法还包括:
在步骤S108中,利用所述图像处理网络对测试样本进行处理,得到所述测试样本的预测结果;
在步骤S109中,基于所述测试样本的预测结果和所述测试样本的标注信息,确定所述图像处理网络的阈值参数。
其中,所述阈值参数可以为利用该图像处理网络确定至少一个目标对象的状态过程中需要使用的阈值。例如,可以包括前文所述的第一阈值和第二阈值,本公开对阈值参数的数量和类别不作限制。
现以目标区域图像中第一区域图像和第二区域图像,第一区域图像中包括右眼,第二区域图像中包括左眼,预测结果同时包括图像有效性信息和状态信息为例进行说明。
举例来说,可以利用所述图像处理网络对测试样本进行处理,得到所述测试样本的预测结果。例如,分别得到右眼的图像有效性信息和状态信息以及左眼的图像有效性信息和状态信息。
在一种可能的实现方式中,可以基于右眼的预测结果(右眼的图像有效性信息和状态信息)、左眼的预测结果(左眼的图像有效性信息和状态信息)以及测试样本的标注信息,确定图像处理网络的阈值参数。
举例来说,可以将多个测试样本的预测结果输出到一个文本文件中,并将多个测试样本的预测结果与测试样本的标注信息进行比较,分别确定所述第一阈值以及第二阈值。
现以根据多个测试样本的预测结果中的图像有效性信息以及测试样本的标注信息中的图像有效性信息,确定第一阈值为例进行说明。
在一种可能的实现方式中,可以根据查准率以及查全率,确定F1值,将F1值最大时对应的阈值确定为第一阈值。其中,查准率用于表示被分为正例中实际为正例的比例,查全率用于表示有多少正例被分为正例,其中,正例可以为图像有效性信息超过当前阈值且标注信息为valid(代表图像有效)。
下面给出一个示例性的F1值的确定公式(1):
公式(1)中,Ps表示查准率,Rc表示查全率。
下面给出一个示例性的查准率Ps的确定公式(2):
公式(2)中,Ps表示查准率,T1表示图像有效性信息超过当前阈值且标注信息为valid(代表图像有效)的数值,F1表示图像有效性信息超过当前阈值且标注信息为invalid(代表图像无效)的数值。
下面给出一个示例性的查全率Rc的确定公式(3):
公式(3)中,Rc表示查全率,T1表示图像有效性信息超过当前阈值且标注信息为valid(代表图像有效)的数值,F0表示图像有效性信息低于当前阈值且标注信息为valid(代表图像有效)的数值。
应当理解,给定一个阈值(当前阈值),则可以根据图像有效性信息以及所述测试样本的标注信息中的图像有效性信息,分别确定T1、F1以及F0的数值,并可以根据T1、F1以及F0的数值,根据公式(2)、(3)分别确定查准率Ps以及查全率Rc。根据公式(1)、查准率Ps以及查全率Rc,可以确定当前给定阈值的情况下所对应的F1值。显然,会存在一个阈值,使得相应的F1值最大,此时,将该阈值确定为第一阈值。
在一种可能的实现方式中,可以根据真正例率以及假正例率,确定Mx值,将Mx值最大时对应的阈值确定为第一阈值。其中,真正例率用于表示有多少正例被分为正例,假正例率用于表示有多少反例被分为正例,其中,正例可以为图像有效性信息超过当前阈值且标注信息为valid(代表图像有效),反例可以为图像有效性信息超过当前阈值且标注信息为invalid(代表图像无效)。
下面给出一个示例性的Mx值的确定公式(4):
Mx=Tpr-Fpr (4)
公式(4)中,Tpr表示真正例率,Fpr表示假正例率。
下面给出一个示例性的真正例率Tpr的确定公式(5)
公式(5)中,Tpr表示真正例率,T1表示图像有效性信息超过当前阈值且标注信息为valid(代表图像有效)的数值,F0表示图像有效性信息小于或等于当前阈值且标注信息为valid(代表图像有效)的数值。
下面给出一个示例性的假正例率Fpr的确定公式(6)
公式(6)中,Fpr表示假正例率,T0表示图像有效性信息低于当前阈值且标注信息为invalid(代表图像无效)的数值,F1表示图像有效性信息大于当前阈值且标注信息为invalid(代表图像无效)的数值。
应当理解,给定一个阈值(当前阈值),则可以根据图像有效性信息以及测试样本的标注信息中的图像有效性信息,分别确定T1、T0、F1以及F0的数值,并可以根据T1、T0、F1以及F0的数值,根据公式(5)、(6)分别确定真正例率Tpr以及假正例率Fpr。根据公式(4)、真正例率Tpr以及假正例率Fpr,可以确定当前给定阈值的情况下所对应的Mx值。显然,会存在一个阈值,使得相应的Mx值最大,此时,将该阈值确定为第一阈值。
本领域技术人员应理解,同样可以采用上述示例方法确定第二阈值。
通过这种方式,可以确定用于确定图像处理网络的阈值参数(例如,第一阈值以及第二阈值),该阈值参数可用于确定至少一个目标对象的状态。本公开对图像处理网络的阈值参数的确定方式不作限制。
这样,可以通过多种方式基于目标区域图像,确定至少一个目标对象的状态,以至少基于至少一个目标对象的状态,确定身份验证结果。本公开对基于目标区域图像,确定至少一个目标对象的状态不作限制。
图11是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图11所示,在基于所述目标区域图像,确定所述至少一个目标对象的状态(步骤S102)之前,所述方法还包括:
在步骤S110中,确定底库中是否存在与所述待识别图像匹配的预设图像信息。
其中,底库可以存储有用于身份验证的预设图像信息。例如,以人脸识别进行身份验证为例,可以预先获取基准对象的人脸图像。其中,基准对象为身份验证过程中的合法验证主体,例如,该身份验证为某一用户解锁其终端的验证,则该用户为身份验证过程中的合法验证主体,也即基准对象。例如,获取该手机用户的人脸图像,可将该基准人脸图像存储在底库中作为预设图像,用于身份验证。
如图11所示,基于所述目标区域图像,确定所述至少一个目标对象的状态(步骤S102),可以包括:
在步骤S1024中,在所述底库中存在与所述待识别图像匹配的预设图像信息的情况下,确定所述至少一个目标对象的状态。
举例来说,在确定底库中存在与所述待识别图像匹配的预设图像信息的情况下,可以确定至少一个目标对象的状态,以进行身份验证。
例如,用户手机可以通过摄像头获取到待识别图像(人脸图像)以及人脸图像中的目标区域图像(眼睛附近的图像),用户手机可以确定其底库中是否存在与该人脸图像相匹配的预设图像信息,例如,可以将预设图像信息与该人脸图像进行比对,确定是否匹配。若存在与所述待识别图像匹配的预设图像信息,则用户手机可以确定人脸图像中至少一只眼睛的状态,以用于根据至少一只眼睛的状态,确定身份验证结果。
这样,在确定底库中存在与所述待识别图像匹配的预设图像信息的情况下,得到的至少一个目标对象的状态,能够保证用于确定身份验证结果的至少一个目标对象为预先设置的基准对象的目标对象,从而可以有效提高身份验证结果的准确性。本公开对确定底库中是否存在与所述待识别图像匹配的预设图像信息的方式不作限制。
如图1所示,在步骤S103中,至少基于所述至少一个目标对象的状态,确定身份验证结果。
举例来说,用户手机可以基于至少一个目标对象的状态,确定身份验证结果。例如,如前文所述,用户手机可以通过多种方式确定至少一个目标对象的状态,用户手机可以根据至少一个目标对象的状态,确定身份验证结果。例如,用户手机确定至少一只眼睛的状态为睁眼时,可以至少基于至少一只眼睛的状态为睁眼这一基础,确定身份验证结果。例如,验证成功或验证失败。本公开对至少基于所述至少一个目标对象的状态,确定身份验证结果的方式不作限制。
图12是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图12所示,步骤S103可以包括:
在步骤S1031中,在所述至少一个目标对象中存在状态为睁眼的目标对象的条件下,确定身份验证成功。
在一种可能的实现方式中,可以至少部分地基于至少有一个目标对象的状态为睁眼的条件,确定身份验证成功,例如,假设至少一个目标对象为两个目标对象,此时,在一个目标对象的状态为睁眼且另一个目标对象的状态为闭眼的条件下,或者在两个目标对象中每个目标对象的状态均为睁眼的条件下,确定身份认证成功。
在一种可能的实现方式中,可以在至少一个目标对象中存在状态为睁眼的目标对象的条件下,基于所述目标区域图像所属人物的人脸图像进行人脸识别,并基于人脸识别的结果确定身份认证结果。例如,可以在人脸识别的结果为识别成功的情况下,确定身份认证成功,而在人脸识别的结果为识别失败的情况下,确定身份认证失败。
在另一种可能的实现方式中,只有在至少一个目标对象中每个目标对象的状态为睁眼的条件下才会确定身份验证成功。此时,只要该至少一个目标对象中存在状态为闭眼的目标对象,则会确定身份验证失败。
举例来说,可以预先设定在待识别图像中至少一个目标对象中存在状态为睁眼的目标对象的条件下,确定身份验证成功。例如,用户手机确定人脸图像的两只眼睛中,存在一只眼睛(例如,左眼)的状态为睁眼,确定身份验证成功。
这样,可以提高身份验证的安全性。应理解,可以根据对身份验证安全性的需求高低设置身份验证成功的条件,例如,可以设置在待识别图像中两只眼睛的状态均为睁眼时,确定身份验证成功,本公开对此不作限制。
在一些可选的实施例中,用户手机获取到待识别图像(例如,人脸图像),用户手机可确定底库中是否存在与所述待识别图像匹配的预设图像信息,例如,用户手机确定该人脸图像与其底库中存储的基准对象的预设图像信息相匹配,用户手机可以获取人脸图像中的目标区域图像。例如,分别获取左右眼附近的图像(例如,分别为第一区域图像和第二区域图像)。用户手机可以基于目标区域图像,确定至少一个目标对象的状态。例如,用户手机通过训练好的图像处理网络处理第一区域图像和第二区域图像,得到至少一个目标对象的状态。例如,得到右眼的状态为睁眼,左眼的状态为闭眼。用户手机可以根据确定的该人脸图像与其底库中存储的基准对象的预设图像信息相匹配、至少一个目标对象(眼睛)的状态为睁眼,确定身份验证成功。
图13是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图13所示,步骤S103可以包括:
在步骤S1032中,在所述至少一个目标对象中存在状态为睁眼的目标对象的条件下,对所述待识别图像进行人脸识别,得到人脸识别结果;
在步骤S1033中,基于所述人脸识别结果,确定身份验证结果。
举例来说,用户手机在确定所述至少一个目标对象中存在状态为睁眼的目标对象的条件时,可以对所述待识别图像进行人脸识别,得到人脸识别结果。例如,可以通过多种方式获取待识别图像中的人脸特征信息等。
在一种可能的实现方式中,可以确定底库中是否存在与所述待识别图像匹配的参考图像信息,并在确定所述底库中存在所述待识别图像匹配的参考图像信息的情况下,确定人脸识别成功。例如,底库中的预设图像信息可以包括预设图像特征信息,并基于待识别图像的特征信息与至少一个预设图像特征信息之间的相似度,确定底库中是否存在与待识别图像匹配的预设图像信息。本公开对人脸识别的方式、人脸识别结果的内容和形式、人脸识别成功或失败的标准等不作限制。
可选地,在对所述待识别图像进行人脸识别成功之后确定所述至少一个目标对象的状态。或者,同时执行对所述待识别图像的人脸识别和所述至少一个目标对象的状态的确定,或者,在确定至少一个目标对象的状态之后执行对所述待识别图像的人脸识别。
用户手机可以基于所述人脸识别结果,确定身份验证结果。例如,可以预先存储有基准对象(例如,手机的用户)的基准图像(例如,预先拍摄并存储的人脸图像),用户手机可以将人脸识别结果(例如,人脸特征信息)与基准对象的基准图像的特征信息进行比对,确定匹配结果。例如,人脸识别结果与基准图像相匹配时,可以确定身份验证成功,当人脸识别结果与基准图像不匹配时,可以确定身份验证失败。
这样,在确定至少一个目标对象中存在状态为睁眼的目标对象的条件下,可以判断该用户对当前身份验证过程知情,在此时进行人脸识别,并根据人脸识别结果确定的身份验证结果具有准确度高、安全性强等特点。本公开对人脸识别的方式、人脸识别结果的形式、基于人脸识别结果确定身份验证结果的方式等不作限制。
图14是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图14所示,所述方法还包括:
在步骤S111中,对所述待识别图像进行人脸识别,得到人脸识别结果;
步骤S103可以包括:
在步骤S1034中,至少基于所述人脸识别结果和所述至少一个目标对象的状态,确定身份验证结果。
可选地,在对所述待识别图像进行人脸识别成功之后确定所述至少一个目标对象的状态。或者,同时执行对所述待识别图像的人脸识别和所述至少一个目标对象的状态的确定,或者,在确定至少一个目标对象的状态之后执行对所述待识别图像的人脸识别。
举例来说,用户手机可以对所述待识别图像进行人脸识别,例如,在确定至少一个目标对象的状态之前、之后或同时对所述待识别图像进行人脸识别,得到人脸识别结果。人脸识别过程如前文所述,在此不再赘述。
在一个例子中,在所述人脸识别结果为识别成功且所述至少一个目标对象中存在状态为睁眼的目标对象的情况下,确定身份验证成功。
在另一个例子中,在所述人脸识别结果为识别失败或所述至少一个目标对象中每个目标对象的状态为闭眼的情况下,确定身份验证失败。
举例来说,用户手机可以基于人脸识别结果和所述至少一个目标对象的状态,确定身份验证结果。举例来说,可预设有验证成功的条件。例如,若人脸识别结果表明该待识别图像中的人脸图像为非基准对象时,则可以基于人脸识别结果和所述至少一个目标对象的状态确定身份验证失败。若人脸识别结果表明该待识别图像中的人脸图像为基准对象时,可以根据人脸识别结果和所述至少一个目标对象的状态,确定身份验证结果。例如,设定至少一个目标对象的状态为睁眼时,确定身份验证成功。用户手机在确定人脸识别结果表明该待识别图像中的人脸图像为基准对象时,且至少一个目标对象的状态为睁眼时,确定身份验证结果为验证成。
这样,有利于提高身份验证的安全性。本公开对人脸识别的方式、人脸识别结果的形式、基于人脸识别结果确定身份验证结果的方式等不作限制。
在一种可能的实现方式中,所述方法还包括:
对所述待识别图像进行活体检测,确定活体检测结果;
所述至少基于所述人脸识别结果和所述至少一个目标对象的状态,确定身份验证结果,包括:
基于所述人脸识别结果、所述活体检测结果和所述至少一个目标对象的状态,确定身份验证结果。
在一个例子中,在所述人脸识别结果为识别成功、所述活体检测结果为是活体、且所述至少一个目标对象中存在状态为睁眼的目标对象的情况下,确定身份验证成功。
在另一个例子中,在所述人脸识别结果为识别失败、或所述活体检测结果为不是活体、或所述至少一个目标对象中每个目标对象的状态为闭眼的情况下,确定身份验证失败。
这样,有利于提高身份验证的安全性。本公开对活体检测的具体方式、活体检测结果的形式等不作限制。
图15是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图15所示,所述方法还包括:
在步骤S112中,在确定身份验证成功时,解除对终端设备的锁定。
举例来说,用户手机具备人脸解锁功能,在用户手机为锁定状态时,用户无法使用该手机。用户在希望解除该手机的锁定时,可以通过手机摄像头获取待识别图像,例如,该用户的人脸图像,基于该人脸图像进行身份验证,在确定身份验证成功时,可以解除对终端设备的锁定,例如,无需用户输入解锁密码,即可解锁用户手机,用户可正常使用该手机。
这样,可以便利用户快捷解锁终端设备,且同时保证终端设备的安全性。应理解,终端设备可具有多种锁定情况,例如,如前文所述,手机本身锁定,用户无法使用该手机。还可以是该终端设备某一应用程序的锁定等,本公开对此不作限制。
图16是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图16所示,所述方法还包括:
在步骤S113中,在确定身份验证成功时,进行支付操作。
举例来说,用户可通过其终端设备(例如,手机)进行各类支付操作。在进行支付操作时,可通过身份验证进行快捷支付。例如,用户在希望进行支付时,可以通过手机摄像头获取待识别图像,例如,该用户的人脸图像,基于该人脸图像进行身份验证,在确定身份验证成功时,可以进行支付操作,例如,无需用户输入支付密码,即可进行支付操作。
这样,可以便利用户快捷支付,且保证支付的安全性。本公开对支付操作的应用场景不作限制。
需要说明的是,本公开实施例确定的身份验证结果可应用于各类应用场景,例如,如前文所述,可在确定身份验证成功时,解除对终端设备的锁定、进行支付操作等。另外,还可以进行门禁解锁、各类虚拟账户登录、相同用户的多个账户关联、用户身份确认等各类应用场景,只要是可以基于身份验证结果进行的操作即可,本公开对确定的身份验证结果的应用场景不作限制。
图17是根据本公开实施例示出的一种图像处理方法的流程图。该方法可应用于电子设备或系统中。该电子设备可以被提供为一终端、一服务器或其它形态的设备,例如手机、平板电脑,等等。如图17所示,根据本公开实施例的图像处理方法包括:
在步骤S201中,获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
在步骤S202中,对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息;
在步骤S203中,根据所述特征信息,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼。
根据本公开的实施例,能够获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象,对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息,根据所述特征信息,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼。这样,可以较准确地确定至少一个目标对象的状态,以进行身份验证。
举例来说,可以确定目标对象的状态为睁眼或闭眼。在一种可能的实现方式中,可以对所述目标区域图像进行识别处理,得到至少一个目标对象的状态。例如,可以利用状态识别神经网络对目标区域图像进行识别处理,得到至少一个目标对象的状态信息,该状态信息用于指示该至少一个目标对象的状态。该状态识别神经网络可根据训练样本集训练得到。可选地,该状态信息可以包含睁眼或闭眼置信度,或者包含指示状态的标识符或指示符。本公开对确定至少一个目标对象的状态信息的方式、状态信息包含的信息内容和类别等不作限制。
在一种可能的实现方式中,所述至少一个目标对象包括至少一只眼睛。
在一种可能的实现方式中,所述至少一个目标对象可以为两只眼睛,相应地,目标区域图像可以为包含两只眼睛的一个区域图像,例如目标区域图像可以为人脸图像,或者为分别包含一只眼睛的两个区域图像,即左眼区域图像和右眼区域图像等,本公开对此不作限制。
在一种可能的实现方式中,可以对目标区域图像进行特征提取处理,得到目标区域图像的特征信息,并基于目标区域图像的特征信息,确定目标区域图像中至少一个目标对象的状态。
在一种可能的实现方式中,电子设备可以是手机、平板、电脑、服务器等任意设备。现以手机作为电子设备为例进行说明。
举例来说,用户手机可以获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象。例如,如前文所述,用户手机获取到待识别图像中的目标区域图像可以包括第一区域图像和第二区域图像。用户手机对目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。例如,如前文所述,用户手机可以通过多种方式对目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。用户手机根据所述特征信息,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼。如前文所述,在此不再赘述。
图18是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图18所示,步骤S201可以包括:
在步骤S2011中,根据所述至少一个目标对象对应的关键点信息,获取待识别图像中的目标区域图像。
举例来说,如前文所述,可以通过深度学习训练得到可用于人脸关键点定位的关键点定位网络(例如,该关键点定位网络可以包括卷积神经网络)。该关键点定位网络可以确定待识别图像中的至少一个目标对象对应的关键点信息,确定至少一个目标对象所处的区域。例如,该关键点定位网络可以确定待识别图像(例如,人脸图像)中的至少一只眼睛的关键点信息,并确定至少一只眼睛轮廓点的位置。用户手机可以通过多种方式获取待识别图像中的目标区域图像,例如,获取至少一只眼睛附近的图像。如前文所述,在此不再赘述。
这样,根据至少一个对象对应的关键点信息,获取目标区域图像,可以快速、准确地获取到目标区域图像,该目标区域图像中包含至少一个目标对象。本公开对确定至少一个目标对象对应的关键点信息的方式、根据关键点信息获取待识别图像中的目标区域图像的方式不作限制。
图19是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,所述目标区域图像包括第一区域图像和第二区域图像,所述至少一个目标对象包括第一目标对象和第二目标对象;
如图19所示,步骤S201可以包括:
在步骤S2012中,获取所述待识别图像中的第一区域图像,其中,所述第一区域图像包括所述第一目标对象;
在步骤S2013中,对所述第一区域图像进行镜像处理,得到第二区域图像,所述第二区域图像包括所述第二目标对象。
举例来说,如前文所述,用户手机可以通过多种方式,例如,根据第一目标对象对应的关键点信息,获取所述待识别图像中的第一区域图像。用户手机可以对所述第一区域图像进行镜像处理,得到第二区域图像,所述第二区域图像包括所述第二目标对象。如前文所述,在此不再赘述。
这样,可以较快速地获取到所述目标区域图像中的第一区域图像和第二区域图像。应理解,在目标区域图像包括第一区域图像和第二区域图像时,获取待识别图像中的目标区域图像还可以根据第一目标对象对应的关键点信息和第二目标对象对应的关键点信息,分别获取第一区域图像和第二区域图像,本公开实施例对获取待识别图像中目标区域图像的方式、目标区域图像包含的区域图像的数量等不做限定。
图20是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图20所示,步骤S202可以包括:
在步骤S2021中,利用深度残差网络对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。
举例来说,可以利用深度残差网络对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。如前文所述,在此不再赘述。
通过这种方式,可以利用深度残差网络,较准确地得到目标区域图像的特征信息。应当理解,可以使用任意一卷积神经网络结构对目标区域图像进行特征提取处理,得到目标区域图像的特征信息,本公开对此不作限制。
图21是根据本公开实施例示出的一种图像处理方法的流程图。在一种可能的实现方式中,如图21所示,步骤S203可以包括:
在步骤S2031中,根据所述特征信息,得到预测结果,所述预测结果包括所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种;
在步骤S2032中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态。
在一种可能的实现方式中,可以基于目标区域图像的特征信息,确定目标区域图像的图像有效性信息,并基于目标区域图像的图像有效性信息,确定至少一个目标对象的状态。例如,可以获取目标区域图像的特征信息,例如,通过训练好的神经网络对目标区域图像进行特征提取,得到目标区域图像的特征信息。根据目标区域图像的特征信息,确定目标区域图像的图像有效性信息。例如,对目标区域图像的特征信息进行处理,例如,输入到神经网络的全连接层进行处理,得到目标区域图像的图像有效性信息。并基于目标区域图像的图像有效性信息,确定至少一个目标对象的状态。本公开对确定目标区域图像特征信息的方式、确定目标区域图像的图像有效性信息以及基于目标区域图像的图像有效性信息,确定至少一个目标对象的状态的方式均不作限制。
举例来说,用户手机可以根据特征信息,得到预测结果,所述预测结果包括所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种。用户手机可以根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态。如前文所述,在此不再赘述。
这样,可以以多种方式确定至少一个目标对象的状态。本公开对根据预测结果确定至少一个目标对象的状态的方式不作限制。
在一种可能的实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态(步骤S2032)可以包括:
在所述图像有效性信息表明所述目标区域图像无效的情况下,确定所述至少一个目标对象的状态为闭眼。
在一种可能的实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态(步骤S2032)可以包括:
在所述图像有效性信息表明所述目标区域图像有效的情况下,基于所述至少一个目标对象中每个目标对象的状态信息,确定所述每个目标对象的状态。
举例来说,如前文所述,在用户手机获取到的预测结果中包括图像有效性信息时,且在所述图像有效性信息表明所述目标区域图像无效的情况下,可以确定所述至少一个目标对象的状态为闭眼。
在一种可能的实现方式中,图像有效性信息可包括有效置信度,其中,有效置信度是可用于表示该图像有效性信息为有效的概率信息。例如,可预设有用于判断目标区域图像有效或无效的第一阈值,例如,在图像有效性信息包括的有效置信度低于第一阈值时,可以确定所述目标区域图像无效,在目标区域图像无效时,可以确定至少一个目标对象的状态为闭眼。
通过这种方式,可以快速、有效地确定至少一个目标对象的状态。本公开对确定图像有效性信息表明所述目标区域图像无效的方式不作限制。
在一种可能的实现方式中,根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态(步骤S2032)可以包括:
在所述有效置信度超过第一阈值且所述目标对象的睁眼置信度超过第二阈值的情况下,确定所述目标对象的状态为睁眼。
举例来说,如前文所述,可预设有用于判断至少一个目标对象的状态为睁眼或闭眼的第二阈值,例如,在状态信息的睁眼置信度超过第二阈值时,可以确定至少一个目标对象的状态为睁眼,在状态信息的睁眼置信度低于第二阈值时,可以确定至少一个目标对象的状态为闭眼。
若预测结果中的图像有效性信息包括的有效置信度超过第一阈值(此时,图像有效性信息表明该目标区域图像为有效),且目标对象的睁眼置信度超过第二阈值(此时,状态信息表明该至少一个目标对象的状态为睁眼)的情况下,用户手机可以确定该目标状态的状态为睁眼。
通过这种方式,可以较准确地确定至少一个目标对象的状态,以判断用户是否对身份验证知情。应理解,第一阈值和第二阈值可由系统设置,本公开对第一阈值和第二阈值的确定方式、第一阈值和第二阈值的具体数值均不作限制。
图22是根据本公开实施例示出的一种图像处理装置的框图。所述图像处理装置可以被提供为一终端(例如,手机、平板、电脑等)、一服务器或其它形态的设备。如图22所示,所述装置包括:
图像获取模块301,用于获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
状态确定模块302,用于基于所述目标区域图像,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼;
验证结果确定模块303,用于至少基于所述至少一个目标对象的状态,确定身份验证结果。
在一种可能的实现方式中,所述至少一个目标对象包括至少一只眼睛。
图23是根据本公开实施例示出的一种图像处理装置的框图。如图23所示,在一种可能的实现方式中,所述验证结果确定模块303包括:
第一确定子模块3031,用于在所述至少一个目标对象中存在状态为睁眼的目标对象的条件下,确定身份验证成功。
如图23所示,在一种可能的实现方式中,所述装置还包括:
预设图像信息确定模块310,用于在基于所述目标区域图像,确定所述至少一个目标对象的状态之前,确定底库中是否存在与所述待识别图像匹配的预设图像信息;
所述状态确定模块302包括:
状态确定子模块3024,用于在所述底库中存在与所述待识别图像匹配的预设图像信息的情况下,确定所述至少一个目标对象的状态。
如图23所示,在一种可能的实现方式中,所述装置还包括:
识别结果获取模块311,用于对所述待识别图像进行人脸识别,得到人脸识别结果;
所述验证结果确定模块303包括:
第二确定子模块3034,用于至少基于所述人脸识别结果和所述至少一个目标对象的状态,确定身份验证结果。
如图23所示,在一种可能的实现方式中,所述验证结果确定模块303包括:
识别结果获取子模块3032,用于在所述至少一个目标对象中存在状态为睁眼的目标对象的条件下,对所述待识别图像进行人脸识别,得到人脸识别结果;
第三确定子模块3033,用于基于所述人脸识别结果,确定身份验证结果。
如图23所示,在一种可能的实现方式中,所述图像获取模块301包括:
图像获取子模块3011,用于根据所述至少一个目标对象对应的关键点信息,获取待识别图像中的目标区域图像。
如图23所示,在一种可能的实现方式中,所述目标区域图像包括第一区域图像和第二区域图像,所述至少一个目标对象包括第一目标对象和第二目标对象;
其中,所述图像获取模块301包括:
第一图像获取子模块3012,用于获取所述待识别图像中的第一区域图像,其中,所述第一区域图像包括所述第一目标对象;
第二图像获取子模块3013,用于对所述第一区域图像进行镜像处理,得到第二区域图像,所述第二区域图像包括所述第二目标对象。
如图23所示,在一种可能的实现方式中,所述状态确定模块302包括:
预测结果获取子模块3021,用于对所述目标区域图像进行处理,得到预测结果,所述预测结果包括所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种;
第四确定子模块3022,用于根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态。
在一种可能的实现方式中,所述第四确定子模块3022包括:
闭眼确定子模块,用于在所述图像有效性信息表明所述目标区域图像无效的情况下,确定所述至少一个目标对象的状态为闭眼。
在一种可能的实现方式中,所述第四确定子模块3022包括:
第一对象状态确定子模块,用于在所述图像有效性信息表明所述目标区域图像有效的情况下,基于所述至少一个目标对象中每个目标对象的状态信息,确定所述每个目标对象的状态。
在一种可能的实现方式中,所述图像有效性信息包括有效置信度,所述状态信息包括睁眼置信度,
所述第四确定子模块3022包括:
睁眼确定子模块,用于在所述有效置信度超过第一阈值且所述目标对象的睁眼置信度超过第二阈值的情况下,确定所述目标对象的状态为睁眼。
在一种可能的实现方式中,所述预测结果获取子模块3021包括:
特征信息获取子模块,用于对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息;
结果获取子模块,用于根据所述特征信息,得到预测结果。
在一种可能的实现方式中,所述特征信息获取子模块包括:
信息获取子模块,用于利用深度残差网络对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。
如图23所示,在一种可能的实现方式中,所述装置还包括:
锁定解除模块312,用于在确定身份验证成功时,解除对终端设备的锁定。
如图23所示,在一种可能的实现方式中,所述装置还包括:
支付模块313,用于在确定身份验证成功时,进行支付操作。
如图23所示,在一种可能的实现方式中,所述状态确定模块302包括:
状态获取子模块3023,用于利用图像处理网络处理所述目标区域图像,得到所述至少一个目标对象的状态;
其中,所述装置还包括:
训练模块304,用于根据多个样本图像,训练所述图像处理网络。
如图23所示,在一种可能的实现方式中,所述训练模块304包括:
样本图像获取子模块3041,用于对所述多个样本图像进行预处理,得到预处理后的所述多个样本图像;
训练子模块3042,用于根据预处理后的所述多个样本图像,训练所述图像处理网络。
如图23所示,在一种可能的实现方式中,所述训练模块304包括:
预测结果确定子模块3043,用于将所述样本图像输入所述图像处理网络进行处理,得到所述样本图像对应的预测结果;
模型损失确定子模块3044,用于根据所述样本图像对应的预测结果和标注信息,确定所述图像处理网络的模型损失;
网络参数调整子模块3045,用于根据所述模型损失,调整所述图像处理网络的网络参数值。
如图23所示,在一种可能的实现方式中,所述装置还包括:
获取模块305,用于获取多个初始样本图像和所述多个初始样本图像的标注信息;
扩充样本图像获取模块306,用于对所述多个初始样本图像中的至少一个初始样本图像进行转换处理,得到至少一个扩充样本图像,其中,所述转换处理包括增加遮挡、改变图像曝光度、改变图像对比度、进行透明化处理中的至少一种;
标注信息获取模块307,用于基于所述至少一个初始样本图像所执行的所述转换处理和所述至少一个初始样本图像的标注信息,得到所述至少一个扩充样本图像的标注信息;
其中,所述多个样本图像包括所述多个初始样本图像和所述至少一个扩充样本图像。
如图23所示,在一种可能的实现方式中,所述装置还包括:
结果确定模块308,用于利用所述图像处理网络对测试样本进行处理,得到所述测试样本的预测结果;
阈值参数确定模块309,用于基于所述测试样本的预测结果和所述测试样本的标注信息,确定所述图像处理网络的阈值参数。
图24是根据本公开实施例示出的一种图像处理装置的框图。所述图像处理装置可以被提供为一终端(例如,手机、平板等)、一服务器或其它形态的设备。如图24所示,所述装置包括:
目标区域图像获取模块401,用于获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
信息获取模块402,用于对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息;
确定模块403,用于根据所述特征信息,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼。
图25是根据本公开实施例示出的一种图像处理装置的框图。如图25所示,在一种可能的实现方式中,所述目标区域图像获取模块401包括:
第一获取子模块4011,用于根据所述至少一个目标对象对应的关键点信息,获取待识别图像中的目标区域图像。
如图25所示,在一种可能的实现方式中,所述目标区域图像包括第一区域图像和第二区域图像,所述至少一个目标对象包括第一目标对象和第二目标对象;
其中,所述目标区域图像获取模块401包括:
第二获取子模块4012,用于获取所述待识别图像中的第一区域图像,其中,所述第一区域图像包括所述第一目标对象;
第三获取子模块4013,用于对所述第一区域图像进行镜像处理,得到第二区域图像,所述第二区域图像包括所述第二目标对象。
如图25所示,在一种可能的实现方式中,所述确定模块403包括:
第四获取子模块4031,用于根据所述特征信息,得到预测结果,所述预测结果包括所述目标区域图像的图像有效性信息和所述至少一个目标对象的状态信息中的至少一种;
第五确定子模块4032,用于根据所述图像有效性信息和所述至少一个目标对象的状态信息中的至少一种,确定所述至少一个目标对象的状态。
在一种可能的实现方式中,所述第五确定子模块4032包括:
第六确定子模块,用于在所述图像有效性信息表明所述目标区域图像无效的情况下,确定所述至少一个目标对象的状态为闭眼。
在一种可能的实现方式中,所述第五确定子模块4032包括:
第二对象状态确定子模块,用于在所述图像有效性信息表明所述目标区域图像有效的情况下,基于所述至少一个目标对象中每个目标对象的状态信息,确定所述每个目标对象的状态。
在一种可能的实现方式中,所述图像有效性信息包括有效置信度,所述状态信息包括睁眼置信度,
所述第五确定子模块4032包括:
第七确定子模块,用于在所述有效置信度超过第一阈值且所述目标对象的睁眼置信度超过第二阈值的情况下,确定所述目标对象的状态为睁眼。
如图25所示,在一种可能的实现方式中,所述信息获取模块402包括:
第五获取子模块4021,用于利用深度残差网络对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息。
图26是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图26,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图27是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图27,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
基于所述目标区域图像,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼;
至少基于所述至少一个目标对象的状态,确定身份验证结果。
2.根据权利要求1所述的方法,其特征在于,所述至少一个目标对象包括至少一只眼睛。
3.一种图像处理方法,其特征在于,所述方法包括:
获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息;
根据所述特征信息,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼。
4.根据权利要求3所述的方法,其特征在于,获取待识别图像中的目标区域图像,包括:
根据所述至少一个目标对象对应的关键点信息,获取待识别图像中的目标区域图像。
5.一种图像处理装置,其特征在于,所述装置包括:
图像获取模块,用于获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
状态确定模块,用于基于所述目标区域图像,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼;
验证结果确定模块,用于至少基于所述至少一个目标对象的状态,确定身份验证结果。
6.根据权利要求5所述的装置,其特征在于,所述至少一个目标对象包括至少一只眼睛。
7.一种图像处理装置,其特征在于,所述装置包括:
目标区域图像获取模块,用于获取待识别图像中的目标区域图像,所述目标区域图像包含至少一个目标对象;
信息获取模块,用于对所述目标区域图像进行特征提取处理,得到所述目标区域图像的特征信息;
确定模块,用于根据所述特征信息,确定所述至少一个目标对象的状态,其中,所述状态包括睁眼及闭眼。
8.根据权利要求7所述的装置,其特征在于,所述目标区域图像获取模块包括:
第一获取子模块,用于根据所述至少一个目标对象对应的关键点信息,获取待识别图像中的目标区域图像。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至4中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810757714.5A CN108921117A (zh) | 2018-07-11 | 2018-07-11 | 图像处理方法及装置、电子设备和存储介质 |
PCT/CN2019/088185 WO2020010927A1 (zh) | 2018-07-11 | 2019-05-23 | 图像处理方法及装置、电子设备和存储介质 |
JP2020550842A JP2021516405A (ja) | 2018-07-11 | 2019-05-23 | 画像処理方法および装置、電子機器および記憶媒体 |
US16/977,204 US20210012091A1 (en) | 2018-07-11 | 2019-05-23 | Method and apparatus for image processing, electronic device, and storage medium |
SG11202008535WA SG11202008535WA (en) | 2018-07-11 | 2019-05-23 | Method and apparatus for image processing, electronic device, and storage medium |
KR1020207025864A KR20200116509A (ko) | 2018-07-11 | 2019-05-23 | 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810757714.5A CN108921117A (zh) | 2018-07-11 | 2018-07-11 | 图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921117A true CN108921117A (zh) | 2018-11-30 |
Family
ID=64411152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810757714.5A Pending CN108921117A (zh) | 2018-07-11 | 2018-07-11 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210012091A1 (zh) |
JP (1) | JP2021516405A (zh) |
KR (1) | KR20200116509A (zh) |
CN (1) | CN108921117A (zh) |
SG (1) | SG11202008535WA (zh) |
WO (1) | WO2020010927A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010927A1 (zh) * | 2018-07-11 | 2020-01-16 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110866508A (zh) * | 2019-11-20 | 2020-03-06 | Oppo广东移动通信有限公司 | 识别目标对象的形态的方法、装置、终端及存储介质 |
CN111353325A (zh) * | 2018-12-20 | 2020-06-30 | 北京京东尚科信息技术有限公司 | 关键点检测模型训练方法及装置 |
CN111798407A (zh) * | 2020-05-15 | 2020-10-20 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于神经网络模型的带电设备故障诊断方法 |
CN112132253A (zh) * | 2019-06-24 | 2020-12-25 | 北京眼神智能科技有限公司 | 3d动作识别方法、装置、计算机可读存储介质及设备 |
CN113076884A (zh) * | 2021-04-08 | 2021-07-06 | 华南理工大学 | 一种从近红外光到可见光的跨模态眼睛状态识别方法 |
CN113139504A (zh) * | 2021-05-11 | 2021-07-20 | 支付宝(杭州)信息技术有限公司 | 身份识别方法以及装置 |
WO2021179905A1 (en) * | 2020-03-13 | 2021-09-16 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Motion blur robust image feature descriptor |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018033137A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 在视频图像中展示业务对象的方法、装置和电子设备 |
EP3620984B1 (en) * | 2018-09-06 | 2024-04-10 | Accenture Global Solutions Limited | Digital quality control using computer visioning with deep learning |
US11398089B1 (en) * | 2021-02-17 | 2022-07-26 | Adobe Inc. | Image processing techniques to quickly find a desired object among other objects from a captured video scene |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071288A1 (en) * | 2005-09-29 | 2007-03-29 | Quen-Zong Wu | Facial features based human face recognition method |
CN105224285A (zh) * | 2014-05-27 | 2016-01-06 | 北京三星通信技术研究有限公司 | 眼睛开闭状态检测装置和方法 |
CN106997452A (zh) * | 2016-01-26 | 2017-08-01 | 北京市商汤科技开发有限公司 | 活体验证方法及装置 |
CN107644158A (zh) * | 2017-09-05 | 2018-01-30 | 维沃移动通信有限公司 | 一种人脸识别方法及移动终端 |
CN108154518A (zh) * | 2017-12-11 | 2018-06-12 | 广州华多网络科技有限公司 | 一种图像处理的方法、装置、存储介质及电子设备 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6185337B1 (en) * | 1996-12-17 | 2001-02-06 | Honda Giken Kogyo Kabushiki Kaisha | System and method for image recognition |
JP4544026B2 (ja) * | 2005-05-11 | 2010-09-15 | オムロン株式会社 | 撮像装置、携帯端末 |
US20140197922A1 (en) * | 2013-01-16 | 2014-07-17 | Cygnus Broadband, Inc. | System and method for positive identification on a mobile device |
CN103116749A (zh) * | 2013-03-12 | 2013-05-22 | 上海洪剑智能科技有限公司 | 一种基于自建图像库的近红外人脸识别方法 |
US9922238B2 (en) * | 2015-06-25 | 2018-03-20 | West Virginia University | Apparatuses, systems, and methods for confirming identity |
CN108133220A (zh) * | 2016-11-30 | 2018-06-08 | 北京市商汤科技开发有限公司 | 模型训练、关键点定位及图像处理方法、系统及电子设备 |
WO2018116373A1 (ja) * | 2016-12-20 | 2018-06-28 | 三菱電機株式会社 | 車載画像認証装置 |
CN107766785B (zh) * | 2017-01-25 | 2022-04-29 | 丁贤根 | 一种面部识别方法 |
US10331942B2 (en) * | 2017-05-31 | 2019-06-25 | Facebook, Inc. | Face liveness detection |
CN107992833A (zh) * | 2017-12-08 | 2018-05-04 | 北京小米移动软件有限公司 | 图像识别方法、装置及存储介质 |
CN107909065B (zh) * | 2017-12-29 | 2020-06-16 | 百度在线网络技术(北京)有限公司 | 用于检测人脸遮挡的方法及装置 |
CN108921117A (zh) * | 2018-07-11 | 2018-11-30 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2018
- 2018-07-11 CN CN201810757714.5A patent/CN108921117A/zh active Pending
-
2019
- 2019-05-23 JP JP2020550842A patent/JP2021516405A/ja active Pending
- 2019-05-23 WO PCT/CN2019/088185 patent/WO2020010927A1/zh active Application Filing
- 2019-05-23 US US16/977,204 patent/US20210012091A1/en not_active Abandoned
- 2019-05-23 KR KR1020207025864A patent/KR20200116509A/ko not_active Application Discontinuation
- 2019-05-23 SG SG11202008535WA patent/SG11202008535WA/en unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071288A1 (en) * | 2005-09-29 | 2007-03-29 | Quen-Zong Wu | Facial features based human face recognition method |
CN105224285A (zh) * | 2014-05-27 | 2016-01-06 | 北京三星通信技术研究有限公司 | 眼睛开闭状态检测装置和方法 |
CN106997452A (zh) * | 2016-01-26 | 2017-08-01 | 北京市商汤科技开发有限公司 | 活体验证方法及装置 |
CN107644158A (zh) * | 2017-09-05 | 2018-01-30 | 维沃移动通信有限公司 | 一种人脸识别方法及移动终端 |
CN108154518A (zh) * | 2017-12-11 | 2018-06-12 | 广州华多网络科技有限公司 | 一种图像处理的方法、装置、存储介质及电子设备 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010927A1 (zh) * | 2018-07-11 | 2020-01-16 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111353325A (zh) * | 2018-12-20 | 2020-06-30 | 北京京东尚科信息技术有限公司 | 关键点检测模型训练方法及装置 |
CN112132253A (zh) * | 2019-06-24 | 2020-12-25 | 北京眼神智能科技有限公司 | 3d动作识别方法、装置、计算机可读存储介质及设备 |
CN112132253B (zh) * | 2019-06-24 | 2024-06-11 | 北京眼神智能科技有限公司 | 3d动作识别方法、装置、计算机可读存储介质及设备 |
CN110866508A (zh) * | 2019-11-20 | 2020-03-06 | Oppo广东移动通信有限公司 | 识别目标对象的形态的方法、装置、终端及存储介质 |
WO2021179905A1 (en) * | 2020-03-13 | 2021-09-16 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Motion blur robust image feature descriptor |
CN111798407A (zh) * | 2020-05-15 | 2020-10-20 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于神经网络模型的带电设备故障诊断方法 |
CN111798407B (zh) * | 2020-05-15 | 2024-05-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于神经网络模型的带电设备故障诊断方法 |
CN113076884A (zh) * | 2021-04-08 | 2021-07-06 | 华南理工大学 | 一种从近红外光到可见光的跨模态眼睛状态识别方法 |
CN113139504A (zh) * | 2021-05-11 | 2021-07-20 | 支付宝(杭州)信息技术有限公司 | 身份识别方法以及装置 |
CN113139504B (zh) * | 2021-05-11 | 2023-02-17 | 支付宝(杭州)信息技术有限公司 | 身份识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020010927A1 (zh) | 2020-01-16 |
KR20200116509A (ko) | 2020-10-12 |
US20210012091A1 (en) | 2021-01-14 |
JP2021516405A (ja) | 2021-07-01 |
SG11202008535WA (en) | 2020-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921117A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US10346605B2 (en) | Visual data processing of response images for authentication | |
CN105654033B (zh) | 人脸图像验证方法和装置 | |
US10275672B2 (en) | Method and apparatus for authenticating liveness face, and computer program product thereof | |
CN109614613A (zh) | 图像的描述语句定位方法及装置、电子设备和存储介质 | |
CN109241835A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
BR112019009219A2 (pt) | método para reconhecimento de facial, aparelho e dispositivo eletrônico | |
CN109658572A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
KR20190129826A (ko) | 생체 검측 방법 및 장치, 시스템, 전자 기기, 저장 매체 | |
CN108197586A (zh) | 脸部识别方法和装置 | |
CN110287671A (zh) | 验证方法及装置、电子设备和存储介质 | |
CN110503023A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN109934275A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110287672A (zh) | 验证方法及装置、电子设备和存储介质 | |
CN110472091A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN107886070A (zh) | 人脸图像的验证方法、装置及设备 | |
CN110532957A (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
CN106169075A (zh) | 身份验证方法及装置 | |
CN109543537A (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN111815833A (zh) | 一种基于智能识别与加密技术的酒店门禁认证系统 | |
CN110288734A (zh) | 门禁控制方法及装置、电子设备和存储介质 | |
CN110070049A (zh) | 人脸图像识别方法及装置、电子设备和存储介质 | |
CN110532956A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
JP7482326B2 (ja) | 身元認証方法および装置、電子機器並びに記憶媒体 | |
EP3832506A1 (en) | Secure storage of fingerprint related elements |
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: 20181130 |
|
RJ01 | Rejection of invention patent application after publication |