CN109255319A - 针对静态照片的人脸识别支付信息防伪方法 - Google Patents
针对静态照片的人脸识别支付信息防伪方法 Download PDFInfo
- Publication number
- CN109255319A CN109255319A CN201811017664.3A CN201811017664A CN109255319A CN 109255319 A CN109255319 A CN 109255319A CN 201811017664 A CN201811017664 A CN 201811017664A CN 109255319 A CN109255319 A CN 109255319A
- Authority
- CN
- China
- Prior art keywords
- face
- recognition
- portrait
- image
- picture
- 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- 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
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了针对静态照片的人脸识别支付信息防伪方法,包括以下步骤:S1:选用人脸信息捕获器,人脸信息捕获器安装于设备内,并且人脸信息捕获器拥有人脸捕获与跟踪功能模块、人脸识别比对模块、人脸的建模与检索模块、真人鉴别功能模块和图像质量检测模块;S2:人脸捕获是指在一幅图像或真人拍摄的中检测出人像并将人像从背景中分离出来,并自动地将其保存,人像跟踪是指利用人像捕获技术,当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。本发明采用视频节比对的形式,通过生物学模拟,来完整分析采集的图像是通过图片识别还是人脸识别,提高安全性,也避免通过视频的方式进行人脸识别。
Description
技术领域
本发明涉及人脸识别支付技术领域,尤其涉及一种针对静态照片 的人脸识别支付信息防伪方法。
背景技术
人脸识别技术是指利用分析比较的计算机技术识别人脸。人脸识 别是一项热门的计算机技术研究领域,其中包括人脸追踪侦测,自动 调整影像放大,夜间红外侦测,自动调整曝光强度等技术。人脸识别 技术属于生物特征识别技术,是对生物体(一般特指人)本身的生物 特征来区分生物体个体。
人脸识别又有广义狭义之分。广义的人脸识别实际包括构建人脸 识别系统的一系列相关技术,包括人脸图像采集、定位、人脸识别预 处理、身份确认以及身份查找等。而狭义的人脸识别特征指通过人脸 进行身份确认或者身份查找的技术或系统,是人脸识别作为一种新型 技术,很多人对这门技术并有清晰的理解和认识,动态人脸识别是不 需要停驻等待,你只要出现在一定识别范围内,无论你是行走还是停 立,系统就会自动进行识别,也就是说,人以自然的形态走过去,摄 像头会进行信息的抓拍和采集,发出相应的指令,进行动态人脸识别。
静态人脸识别是在特定的区域或范围之内,进行识别,也就是说 识别对角、距离、位置的要求会比较高。静态人脸识别的特点在于用 户容量小,比较适合一些小型公司的考勤之类的使用,由于是静态的, 所以价格相对也比较便宜。图片识别率较高,可达到95%以上。
并且不法分子在获得用户的手机号码、身份证信息以及照片视 频,就可以修改密码,从而盗取钱财;传统的验证信息是需要用手机 摄像头对着操作者,拍下操作者的正面静态照片,进行系统审核。系 统再次要求操作者将手机摄像头对着自己,按照指令作出“眨眼”、 “摇头”、“张嘴”等动作,同时进行摄像,完成之后,系统会自动评 估,如果照片、视频符合系统要求,便获得修改支付平台账户密码的 权限,一旦修改完成用户的登录密码,再换绑为自己能够接收短信的 一个手机号码,黑产者可以将用户支付平台账户内的余额转走。
在这个过程中,我们可以发现,只要黑产从业者知道了你的账户 名称,并拥有了你的身份证照片、视频,就有了更改密码、再重新绑 定别的手机号码进行盗刷的可能。但事实是,所谓的“眨眼”、“摇头”、 “张嘴”等动作,根本不需要证明你是你,只需证明你是“活的”即 可。
现有的人脸识别支付技术一般采用静态人脸,但是人脸识别在支 付时会存在安全问题,不法分子通过照片的形式进行人脸识别,以及 通过视频的形式获取支付条件,从而对用户造成极大安全问题。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种 针对静态照片的人脸识别支付信息防伪方法。
为了实现上述目的,本发明采用了如下技术方案:
针对静态照片的人脸识别支付信息防伪方法,包括以下步骤:
S1:选用人脸信息捕获器,人脸信息捕获器安装于设备内,并且 人脸信息捕获器拥有人脸捕获与跟踪功能模块、人脸识别比对模块、 人脸的建模与检索模块、真人鉴别功能模块和图像质量检测模块;
S2:人脸捕获是指在一幅图像或真人拍摄的中检测出人像并将人 像从背景中分离出来,并自动地将其保存,人像跟踪是指利用人像捕 获技术,当指定的人像在摄像头拍摄的范围内移动时自动地对其进行 跟踪;
人脸信息捕获器捕获人脸信息,并且以动态视频的形式截取2~ 3s的视频段,当从图片的中捕获信息时也以同样的方式截取2~3s 的视频段整合进行下一步处理;
S3:获取的视频段传输给图像质量检测模块,图像质量检测模块 对采集过程以及采集后的图像进行调整,包括光线以及色差的平衡, 图像质量的检测功能能对即将进行比对的照片进行图像质量评估,并 给出相应的建议值来辅助识别,从而获取视频段中像素清晰的片段;
S4:识别时对截取的视频段以一帧的形式形成图片,获取视频段 中在图像质量检测模块分析后像素最优的视频节,并且将视频节分为 2000个一帧图片,并且通过2000个一帧图片选取其中一个最优像素 的图片进行建模,将建模后的人脸放置在数据库中检索;
S5:人脸识别分核实式和搜索式二种比对模式,核实式是对指将 捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比 对核实确定其是否为同一人,搜索式的比对是指,从数据库中已登记 的所有人像中搜索查找是否有指定的人像存在;
S6:确定人像后将获取的视频节再传输给真人鉴别功能模块,真 人鉴别功能模块对获取的视频节进行分析,通过比对采集的人脸表情 器官变化以及面部肌肉采集点的变化再通过OpenCV的人脸识别进行 精确分析,以及配合神经网络方法和利用协方差公式,分别计算类内 协方差矩阵和类间协方差矩阵,从而获取视频节是真人拍摄还是图片 拍摄。
优选的,所述S1中,采集人脸或者照片图像视频中,是采集动 态图像,包括用图片作文识别源,两种状态的采集都会捕获收集进行 分析。
优选的,所述S2中,捕获采用动态聚焦,人脸信息捕获器根据 聚焦和图像质量检测模块的分析,获取最佳视频段进行分析。
优选的,所述S3中,为了提高检测算法的效率,需对输入图像 进行一些预处理,通用的预处理手段主要包括:
边缘提取,去除图像中低频的背景区域;直方图均衡,使图像中 象素值分布均衡化;光照补偿,克服亮度不均对结果的干扰;肤色分 割,将肤色区域与背景分离;
背景去除:人脸区域内灰度变化较大,在图像中属于高频信息, 通过提取边缘、去除边缘很弱的图像区域,可以去除变化平坦的背景 区域,并且为了提高采取图像的精确度,针对灰度图像的预处理;
首先对输入图像进行直方图均衡,然后利用2D-FFT将其变换到 频域,在频域利用最佳自适应相关器将输入图像与“平均脸”模板求 相关,滤波器输出如式H(fx,fy)=U*(fx,fy)/[ω⊕]|V(fx,fy)|2], 其中U、V分别为“平均脸”模板和输入图像的傅立叶变换,“*”代表二维复共轭,fx、fy分别是二维频域内的索引,ω为5×5大小的矩 形窗口,⊕代表卷积算子;
将滤波器的输出按照实验得到的阈值分为人脸区域、可能的人脸 区域和背景区域三部分;实际使用中,首先通过训练的方法得到“平 均脸”模板,然后在7×9的窗口内对待测图像进行局部灰度均衡, 最后使用OAC滤波器排除背景区域;经过这样的处理,在MITSet B 测试集中可以排除图像中99%的待检测区域,而仅仅产生了1.3%的漏 检,同时其计算复杂度也相对较小,可以在不对算法精度产生太大影 响的条件下提高算法的速度。
优选的,所述S3中,肤色模型:肤色是彩色图像中人脸部区别 与其他区域的一个非常重要的特征,利用肤色分割算法不但可以减小 待搜索图像的大小,而且还可以有效的控制误检,肤色模型在人脸检 测的研究中一直受到很大的重视。
优选的,所述S4中,人脸的建模与检索模块可以将人像数据进 行建模提取人脸的特征,并将其生成人脸模板保存到数据库中,在进 行人脸搜索时,将指定的人像进行建模,再将其与数据库中的所有人 的模板相比对识别,最终将根据所比对的相似值列出最相似的人员列 表。
优选的,所述S5中,建模图片查找到相似人像后进行比对,从 而确定识别的最终人像。
优选的,所述S6中,通过OpenCV的人脸识来分析脸部的肌肉 元采取点,从而分析采集的人脸是否为立体活物。
优选的,所述S6中,神经网络方法首先提取人脸的50个肌部主 元,然后用自相关神经网络将它映射到5维空间中,再用一个普通的 多层感知器进行判别,从而获知面部特征,比对静态图片获得的视频 节,以及通过生物学模拟面部变化,对比是否为图片识别。
优选的,所述S6中,通过协方差公式计算每个图片与数据库样 本相似度值,从而弥补脸画像块与人脸照片块之间的纹理信息存在差 异,提高图像采集精度。
本发明的有益效果是:
1、本发明采用视频节比对的形式,通过生物学模拟,来完整分 析采集的图像是通过图片识别还是人脸识别,提高安全性,并且通过 多个处理方法来相互协调使用,提高图像比对精确度;
2、本发明还通过对输入图像进行一些预处理的方式进行获取最 佳图像,并且通过边缘提取、直方图均衡和光照补偿来实现采集图像 的精度,而且通过计算方式得出图像光源的平面发出还是立体反射发 出也避免通过视频的方式进行人脸识别。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述,显然, 所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
本发明提出的针对静态照片的人脸识别支付信息防伪方法,包括 以下步骤:
S1:选用人脸信息捕获器,人脸信息捕获器安装于设备内,并且 人脸信息捕获器拥有人脸捕获与跟踪功能模块、人脸识别比对模块、 人脸的建模与检索模块、真人鉴别功能模块和图像质量检测模块;
S2:人脸捕获是指在一幅图像或真人拍摄的中检测出人像并将人 像从背景中分离出来,并自动地将其保存,人像跟踪是指利用人像捕 获技术,当指定的人像在摄像头拍摄的范围内移动时自动地对其进行 跟踪;
人脸信息捕获器捕获人脸信息,并且以动态视频的形式截取2~ 3s的视频段,当从图片的中捕获信息时也以同样的方式截取2~3s 的视频段整合进行下一步处理;
S3:获取的视频段传输给图像质量检测模块,图像质量检测模块 对采集过程以及采集后的图像进行调整,包括光线以及色差的平衡, 图像质量的检测功能能对即将进行比对的照片进行图像质量评估,并 给出相应的建议值来辅助识别,从而获取视频段中像素清晰的片段;
S4:识别时对截取的视频段以一帧的形式形成图片,获取视频段 中在图像质量检测模块分析后像素最优的视频节,并且将视频节分为2000个一帧图片,并且通过2000个一帧图片选取其中一个最优像素 的图片进行建模,将建模后的人脸放置在数据库中检索;
S5:人脸识别分核实式和搜索式二种比对模式,核实式是对指将 捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比 对核实确定其是否为同一人,搜索式的比对是指,从数据库中已登记 的所有人像中搜索查找是否有指定的人像存在;
S6:确定人像后将获取的视频节再传输给真人鉴别功能模块,真 人鉴别功能模块对获取的视频节进行分析,通过比对采集的人脸表情 器官变化以及面部肌肉采集点的变化再通过OpenCV的人脸识别进行 精确分析,以及配合神经网络方法和利用协方差公式,分别计算类内 协方差矩阵和类间协方差矩阵,从而获取视频节是真人拍摄还是图片 拍摄。
本实施例中,采集人脸或者照片图像视频中,是采集动态图像, 包括用图片作文识别源,两种状态的采集都会捕获收集进行分析;
捕获采用动态聚焦,人脸信息捕获器根据聚焦和图像质量检测模 块的分析,获取最佳视频段进行分析;
为了提高检测算法的效率,需对输入图像进行一些预处理,通用 的预处理手段主要包括:
边缘提取,去除图像中低频的背景区域;直方图均衡,使图像中 象素值分布均衡化;光照补偿,克服亮度不均对结果的干扰;肤色分 割,将肤色区域与背景分离;
背景去除:人脸区域内灰度变化较大,在图像中属于高频信息, 通过提取边缘、去除边缘很弱的图像区域,可以去除变化平坦的背景 区域,并且为了提高采取图像的精确度,针对灰度图像的预处理;
首先对输入图像进行直方图均衡,然后利用2D-FFT将其变换到 频域,在频域利用最佳自适应相关器将输入图像与“平均脸”模板求 相关,滤波器输出如式H(fx,fy)=U*(fx,fy)/[ω⊕]|V(fx,fy)|2], 其中U、V分别为“平均脸”模板和输入图像的傅立叶变换,“*”代表二维复共轭,fx、fy分别是二维频域内的索引,ω为5×5大小的矩 形窗口,⊕代表卷积算子;
将滤波器的输出按照实验得到的阈值分为人脸区域、可能的人脸 区域和背景区域三部分;实际使用中,首先通过训练的方法得到“平 均脸”模板,然后在7×9的窗口内对待测图像进行局部灰度均衡, 最后使用OAC滤波器排除背景区域;经过这样的处理,在MITSet B 测试集中可以排除图像中99%的待检测区域,而仅仅产生了1.3%的漏 检,同时其计算复杂度也相对较小,可以在不对算法精度产生太大影 响的条件下提高算法的速度;
肤色模型:肤色是彩色图像中人脸部区别与其他区域的一个非常 重要的特征,利用肤色分割算法不但可以减小待搜索图像的大小,而 且还可以有效的控制误检,肤色模型在人脸检测的研究中一直受到很 大的重视;
人脸的建模与检索模块可以将人像数据进行建模提取人脸的特 征,并将其生成人脸模板保存到数据库中,在进行人脸搜索时,将指 定的人像进行建模,再将其与数据库中的所有人的模板相比对识别, 最终将根据所比对的相似值列出最相似的人员列表;
所述S5中,建模图片查找到相似人像后进行比对,从而确定识 别的最终人像;
通过OpenCV的人脸识来分析脸部的肌肉元采取点,从而分析采 集的人脸是否为立体活物;
神经网络方法首先提取人脸的50个肌部主元,然后用自相关神 经网络将它映射到5维空间中,再用一个普通的多层感知器进行判 别,从而获知面部特征,比对静态图片获得的视频节,以及通过生物 学模拟面部变化,对比是否为图片识别;
通过协方差公式计算每个图片与数据库样本相似度值,从而弥补 脸画像块与人脸照片块之间的纹理信息存在差异,提高图像采集精 度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范 围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内,根据本发明的技术方案及其发明构思加以等同替换或改 变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.针对静态照片的人脸识别支付信息防伪方法,包括以下步骤:
S1:选用人脸信息捕获器,人脸信息捕获器安装于设备内,并且人脸信息捕获器拥有人脸捕获与跟踪功能模块、人脸识别比对模块、人脸的建模与检索模块、真人鉴别功能模块和图像质量检测模块;
S2:人脸捕获是指在一幅图像或真人拍摄的中检测出人像并将人像从背景中分离出来,并自动地将其保存,人像跟踪是指利用人像捕获技术,当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪;
人脸信息捕获器捕获人脸信息,并且以动态视频的形式截取2~3s的视频段,当从图片的中捕获信息时也以同样的方式截取2~3s的视频段整合进行下一步处理;
S3:获取的视频段传输给图像质量检测模块,图像质量检测模块对采集过程以及采集后的图像进行调整,包括光线以及色差的平衡,图像质量的检测功能能对即将进行比对的照片进行图像质量评估,并给出相应的建议值来辅助识别,从而获取视频段中像素清晰的片段;
S4:识别时对截取的视频段以一帧的形式形成图片,获取视频段中在图像质量检测模块分析后像素最优的视频节,并且将视频节分为2000个一帧图片,并且通过2000个一帧图片选取其中一个最优像素的图片进行建模,将建模后的人脸放置在数据库中检索;
S5:人脸识别分核实式和搜索式二种比对模式,核实式是对指将捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人,搜索式的比对是指,从数据库中已登记的所有人像中搜索查找是否有指定的人像存在;
S6:确定人像后将获取的视频节再传输给真人鉴别功能模块,真人鉴别功能模块对获取的视频节进行分析,通过比对采集的人脸表情器官变化以及面部肌肉采集点的变化再通过OpenCV的人脸识别进行精确分析,以及配合神经网络方法和利用协方差公式,分别计算类内协方差矩阵和类间协方差矩阵,从而获取视频节是真人拍摄还是图片拍摄。
2.根据权利要求1所述的针对静态照片的人脸识别支付信息防伪方法,其特征在于,所述S1中,采集人脸或者照片图像视频中,是采集动态图像,包括用图片作文识别源,两种状态的采集都会捕获收集进行分析。
3.根据权利要求1所述的针对静态照片的人脸识别支付信息防伪方法,其特征在于,所述S2中,捕获采用动态聚焦,人脸信息捕获器根据聚焦和图像质量检测模块的分析,获取最佳视频段进行分析。
4.根据权利要求1所述的针对静态照片的人脸识别支付信息防伪方法,其特征在于,所述S3中,为了提高检测算法的效率,需对输入图像进行一些预处理,通用的预处理手段主要包括:
边缘提取,去除图像中低频的背景区域;直方图均衡,使图像中象素值分布均衡化;光照补偿,克服亮度不均对结果的干扰;肤色分割,将肤色区域与背景分离;
背景去除:人脸区域内灰度变化较大,在图像中属于高频信息,通过提取边缘、去除边缘很弱的图像区域,可以去除变化平坦的背景区域,并且为了提高采取图像的精确度,针对灰度图像的预处理;
首先对输入图像进行直方图均衡,然后利用2D-FFT将其变换到频域,在频域利用最佳自适应相关器将输入图像与“平均脸”模板求相关,滤波器输出如式H(fx,fy)=U*(fx,fy)/[ω⊕]|V(fx,fy)|2],其中U、V分别为“平均脸”模板和输入图像的傅立叶变换,“*”代表二维复共轭,fx、fy分别是二维频域内的索引,ω为5×5大小的矩形窗口,⊕代表卷积算子;
将滤波器的输出按照实验得到的阈值分为人脸区域、可能的人脸区域和背景区域三部分;实际使用中,首先通过训练的方法得到“平均脸”模板,然后在7×9的窗口内对待测图像进行局部灰度均衡,最后使用OAC滤波器排除背景区域;经过这样的处理,在MIT Set B测试集中可以排除图像中99%的待检测区域,而仅仅产生了1.3%的漏检,同时其计算复杂度也相对较小,可以在不对算法精度产生太大影响的条件下提高算法的速度。
5.根据权利要求4所述的针对静态照片的人脸识别支付信息防伪方法,其特征在于,所述S3中,肤色模型:肤色是彩色图像中人脸部区别与其他区域的一个非常重要的特征,利用肤色分割算法不但可以减小待搜索图像的大小,而且还可以有效的控制误检,肤色模型在人脸检测的研究中一直受到很大的重视。
6.根据权利要求1所述的针对静态照片的人脸识别支付信息防伪方法,其特征在于,所述S4中,人脸的建模与检索模块可以将人像数据进行建模提取人脸的特征,并将其生成人脸模板保存到数据库中,在进行人脸搜索时,将指定的人像进行建模,再将其与数据库中的所有人的模板相比对识别,最终将根据所比对的相似值列出最相似的人员列表。
7.根据权利要求1所述的针对静态照片的人脸识别支付信息防伪方法,其特征在于,所述S5中,建模图片查找到相似人像后进行比对,从而确定识别的最终人像。
8.根据权利要求1所述的针对静态照片的人脸识别支付信息防伪方法,其特征在于,所述S6中,通过OpenCV的人脸识来分析脸部的肌肉元采取点,从而分析采集的人脸是否为立体活物。
9.根据权利要求1所述的针对静态照片的人脸识别支付信息防伪方法,其特征在于,所述S6中,神经网络方法首先提取人脸的50个肌部主元,然后用自相关神经网络将它映射到5维空间中,再用一个普通的多层感知器进行判别,从而获知面部特征,比对静态图片获得的视频节,以及通过生物学模拟面部变化,对比是否为图片识别。
10.根据权利要求1所述的针对静态照片的人脸识别支付信息防伪方法,其特征在于,所述S6中,通过协方差公式计算每个图片与数据库样本相似度值,从而弥补脸画像块与人脸照片块之间的纹理信息存在差异,提高图像采集精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017664.3A CN109255319A (zh) | 2018-09-02 | 2018-09-02 | 针对静态照片的人脸识别支付信息防伪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017664.3A CN109255319A (zh) | 2018-09-02 | 2018-09-02 | 针对静态照片的人脸识别支付信息防伪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109255319A true CN109255319A (zh) | 2019-01-22 |
Family
ID=65049988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811017664.3A Pending CN109255319A (zh) | 2018-09-02 | 2018-09-02 | 针对静态照片的人脸识别支付信息防伪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255319A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147727A (zh) * | 2019-04-15 | 2019-08-20 | 深圳壹账通智能科技有限公司 | 基于面部特征识别的地铁抽查方法及相关设备 |
CN110298335A (zh) * | 2019-07-09 | 2019-10-01 | 中控华运(厦门)集成电路有限公司 | 人脸识别系统及人脸识别方法 |
CN111626181A (zh) * | 2020-05-25 | 2020-09-04 | 苏州市公安局 | 人脸识别大数据分析方法 |
CN111667269A (zh) * | 2020-06-08 | 2020-09-15 | 江苏高聚识别技术有限公司 | 面部自动识别式消费系统 |
CN111814522A (zh) * | 2019-04-12 | 2020-10-23 | 杭州海康威视数字技术股份有限公司 | 对监控图像进行处理的方法和装置 |
CN112052730A (zh) * | 2020-07-30 | 2020-12-08 | 广州市标准化研究院 | 一种3d动态人像识别监控设备及方法 |
CN112381023A (zh) * | 2020-11-20 | 2021-02-19 | 中武(福建)跨境电子商务有限责任公司 | 一种跨境电商快速身份识别方法及其识别系统 |
CN112487904A (zh) * | 2020-11-23 | 2021-03-12 | 成都尽知致远科技有限公司 | 一种基于大数据分析的视频图像处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572388A (zh) * | 2011-10-31 | 2012-07-11 | 东莞市中控电子技术有限公司 | 一种基于人脸识别的网络视频监控装置与监控识别方法 |
CN103310200A (zh) * | 2013-06-25 | 2013-09-18 | 郑州吉瑞特电子科技有限公司 | 人脸识别方法 |
CN103824064A (zh) * | 2014-03-11 | 2014-05-28 | 深圳市中安视科技有限公司 | 一种海量人脸发现与识别方法 |
CN104951773A (zh) * | 2015-07-12 | 2015-09-30 | 上海微桥电子科技有限公司 | 一种实时人脸识别监视系统 |
CN105138954A (zh) * | 2015-07-12 | 2015-12-09 | 上海微桥电子科技有限公司 | 一种图像自动筛选查询识别系统 |
CN106446754A (zh) * | 2015-08-11 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
CN106599872A (zh) * | 2016-12-23 | 2017-04-26 | 北京旷视科技有限公司 | 用于验证活体人脸图像的方法和设备 |
CN107679546A (zh) * | 2017-08-17 | 2018-02-09 | 平安科技(深圳)有限公司 | 人脸图像数据采集方法、装置、终端设备及存储介质 |
-
2018
- 2018-09-02 CN CN201811017664.3A patent/CN109255319A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572388A (zh) * | 2011-10-31 | 2012-07-11 | 东莞市中控电子技术有限公司 | 一种基于人脸识别的网络视频监控装置与监控识别方法 |
CN103310200A (zh) * | 2013-06-25 | 2013-09-18 | 郑州吉瑞特电子科技有限公司 | 人脸识别方法 |
CN103824064A (zh) * | 2014-03-11 | 2014-05-28 | 深圳市中安视科技有限公司 | 一种海量人脸发现与识别方法 |
CN104951773A (zh) * | 2015-07-12 | 2015-09-30 | 上海微桥电子科技有限公司 | 一种实时人脸识别监视系统 |
CN105138954A (zh) * | 2015-07-12 | 2015-12-09 | 上海微桥电子科技有限公司 | 一种图像自动筛选查询识别系统 |
CN106446754A (zh) * | 2015-08-11 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
CN106599872A (zh) * | 2016-12-23 | 2017-04-26 | 北京旷视科技有限公司 | 用于验证活体人脸图像的方法和设备 |
CN107679546A (zh) * | 2017-08-17 | 2018-02-09 | 平安科技(深圳)有限公司 | 人脸图像数据采集方法、装置、终端设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
TENGTENG: "人脸检测的基本原理", 《HTTP://WWW.DOCIN.COM/P-226385032.HTML》 * |
王昆翔等: "《警用智能技术》", 30 September 2004 * |
都伊林等: "《智能安防新发展与应用》", 31 July 2018 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814522A (zh) * | 2019-04-12 | 2020-10-23 | 杭州海康威视数字技术股份有限公司 | 对监控图像进行处理的方法和装置 |
CN111814522B (zh) * | 2019-04-12 | 2024-05-31 | 杭州海康威视数字技术股份有限公司 | 对监控图像进行处理的方法和装置 |
CN110147727A (zh) * | 2019-04-15 | 2019-08-20 | 深圳壹账通智能科技有限公司 | 基于面部特征识别的地铁抽查方法及相关设备 |
CN110298335A (zh) * | 2019-07-09 | 2019-10-01 | 中控华运(厦门)集成电路有限公司 | 人脸识别系统及人脸识别方法 |
CN111626181A (zh) * | 2020-05-25 | 2020-09-04 | 苏州市公安局 | 人脸识别大数据分析方法 |
CN111667269A (zh) * | 2020-06-08 | 2020-09-15 | 江苏高聚识别技术有限公司 | 面部自动识别式消费系统 |
CN111667269B (zh) * | 2020-06-08 | 2023-04-07 | 江苏高聚识别技术有限公司 | 面部自动识别式消费系统 |
CN112052730A (zh) * | 2020-07-30 | 2020-12-08 | 广州市标准化研究院 | 一种3d动态人像识别监控设备及方法 |
CN112052730B (zh) * | 2020-07-30 | 2024-03-29 | 广州市标准化研究院 | 一种3d动态人像识别监控设备及方法 |
CN112381023A (zh) * | 2020-11-20 | 2021-02-19 | 中武(福建)跨境电子商务有限责任公司 | 一种跨境电商快速身份识别方法及其识别系统 |
CN112381023B (zh) * | 2020-11-20 | 2022-01-11 | 中武(福建)跨境电子商务有限责任公司 | 一种跨境电商快速身份识别方法及其识别系统 |
CN112487904A (zh) * | 2020-11-23 | 2021-03-12 | 成都尽知致远科技有限公司 | 一种基于大数据分析的视频图像处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255319A (zh) | 针对静态照片的人脸识别支付信息防伪方法 | |
US8472681B2 (en) | Iris and ocular recognition system using trace transforms | |
CN108985134B (zh) | 基于双目摄像机的人脸活体检测及刷脸交易方法及系统 | |
CN101999900B (zh) | 一种应用于人脸识别的活体检测方法及系统 | |
RU2431190C2 (ru) | Способ и устройство распознавания рельефности лица | |
KR20050025927A (ko) | 홍채인식을 위한 동공 검출 방법 및 형상기술자 추출방법과 그를 이용한 홍채 특징 추출 장치 및 그 방법과홍채인식 시스템 및 그 방법 | |
Alheeti | Biometric iris recognition based on hybrid technique | |
CN111582197A (zh) | 一种基于近红外和3d摄像技术的活体以及人脸识别系统 | |
Narang et al. | Face recognition in the SWIR band when using single sensor multi-wavelength imaging systems | |
CN109325408A (zh) | 一种手势判断方法及存储介质 | |
Tian et al. | Face anti-spoofing by learning polarization cues in a real-world scenario | |
Jingade et al. | DOG-ADTCP: A new feature descriptor for protection of face identification system | |
GB2471192A (en) | Iris and Ocular Recognition using Trace Transforms | |
CN110135362A (zh) | 一种基于红外摄像头下的人脸快速识别方法 | |
CN115100704A (zh) | 结合热红外与可见光抵御欺骗攻击的人脸识别装置及方法 | |
Borkar et al. | IRIS recognition system | |
Chandana et al. | Face recognition through machine learning of periocular region | |
Park | Face Recognition: face in video, age invariance, and facial marks | |
Verissimo et al. | Transfer learning for face anti-spoofing detection | |
SulaimanAlshebli et al. | The cyber security biometric authentication based on liveness face-iris images and deep learning classifier | |
Singla et al. | Challenges at different stages of an iris based biometric system. | |
Bagchi et al. | Registration of three dimensional human face images across pose and their applications in digital forensic | |
Chen | A Highly Efficient Biometrics Approach for Unconstrained Iris Segmentation and Recognition | |
Kamanga et al. | Securing Iris Recognition System for Access Control Based on Image Processing | |
Kumar et al. | Performance of personal identification system technique using iris biometrics technology |
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: 20190122 |
|
RJ01 | Rejection of invention patent application after publication |