CN109376662A - 一种活体检测方法、系统及存储介质 - Google Patents
一种活体检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109376662A CN109376662A CN201811268069.7A CN201811268069A CN109376662A CN 109376662 A CN109376662 A CN 109376662A CN 201811268069 A CN201811268069 A CN 201811268069A CN 109376662 A CN109376662 A CN 109376662A
- Authority
- CN
- China
- Prior art keywords
- matrix
- light stream
- human face
- optical flow
- accumulated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001574 biopsy Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 166
- 230000003287 optical effect Effects 0.000 claims abstract description 83
- 238000006073 displacement reaction Methods 0.000 claims abstract description 48
- 230000001186 cumulative effect Effects 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 45
- 238000001727 in vivo Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及图像处理领域,公开了一种活体检测方法、系统及存储介质,方法包括:采集待测人脸数据,待测人脸数据包括至少两帧图像;计算至少两帧图像中相邻两帧的光流场矩阵,获得多个光流场矩阵,多个光流场矩阵中每个光流场矩阵包括人脸各部位在横轴方向和纵轴方向上的位移参数;将多个光流场矩阵进行累加融合,获得光流场累加矩阵;将待测人脸数据的特征向量输入分类模型,通过分类模型判断待测人脸数据是否为真实人脸,特征向量为光流场累加矩阵排列形成的一维向量。本发明的活体检测方法通过检测人脸区域面部各部位位置随时间变化的大小和方向来实现活体判决,并将人脸数据的多个光流场矩阵融合,检测效果更优。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种活体检测方法、系统及存储介质。
背景技术
随着人工智能技术的发展,人工智能产品越来越多的运用于生活中,如人脸识别和人脸认证技术被广泛运用于安防、金融等领域。在人脸认证技术中,特别是远程人脸认证技术,活体检测是其关键技术之一和重要组成部分,是保证人脸认证结果安全可信的重要手段。活体检测的目的是正确区分真实人脸和攻击人脸,其中攻击人脸包括人脸照片攻击、3D人脸面具攻击等多种攻击手段。当前主流的动作活体检测具备较好的防攻击能力,但是其需要使用者根据语音提示完成相应动作,对动作规范性有一定要求,使得其在特定场合如会议现场、门禁系统和特定用户如老年人或者因病不便动作的人群的使用受到限制。
发明内容
本发明的目的在于提供一种活体检测方法、系统及存储介质,以解决上述问题。
第一方面,本发明提供一种活体检测方法,包括:
采集待测人脸数据,所述待测人脸数据包括至少两帧图像;
计算所述至少两帧图像中相邻两帧的光流场矩阵,获得多个光流场矩阵,所述多个光流场矩阵中每个光流场矩阵包括人脸各部位在横轴方向和纵轴方向上的位移参数;
将所述多个光流场矩阵进行累加融合,获得光流场累加矩阵,将所述光流场累加矩阵排列形成的一维向量作为所述待测人脸数据的特征向量;
将所述待测人脸数据的特征向量输入分类模型,通过所述分类模型判断所述待测人脸数据是否为真实人脸。
可选地,在将所述待测人脸数据的特征向量输入分类模型之前,所述方法还包括:利用训练集中的训练样本对分类模型进行训练直至满足训练结束条件,每个训练样本为训练人脸数据的特征向量。
可选地,在利用训练集中的训练样本对分类模型进行训练直至满足训练结束条件之前,所述方法还包括:采集训练人脸数据,并对采集到的训练人脸数据进行数据标定,获得训练人脸数据的标签。
可选地,所述将所述多个光流场矩阵进行累加融合,获得光流场累加矩阵,包括:将每个所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第一通道上,所述第一通道为横轴方向;以及将每个所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第二通道上,所述第二通道为纵轴方向;将累加获得的矩阵除以光流场矩阵的个数,将获得结果作为最终的光流场累加矩阵。
可选地,所述将所述多个光流场矩阵进行累加融合,获得光流场累加矩阵,包括:
将每个所述光流场矩阵中在横轴上的位移进行累加,获得第一累加值;若所述第一累加值为正,则将所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第一通道上,所述第一通道为横轴正向;若所述第一累加值为负,则将所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第二通道上,所述第二通道为横轴负向;以及
将每个所述光流场矩阵中在纵轴上的位移进行累加,获得第二累加值;若所述第二累加值为正,则将所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第三通道上,所述第三通道为纵轴正向;若所述第二累加值为负,则将所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第四通道上,所述第四通道为纵轴负向;
将累加获得的矩阵除以光流场矩阵的个数,将获得结果作为最终的光流场累加矩阵。
可选地,所述分类模型包括支持向量机或分类神经网络。
可选地,所述分类模型为支持向量机时,所述支持向量机的核函数为径向基函数RBF。
第二方面,本发明提供一种活体检测系统,包括:采集模块,用于采集待测人脸数据,所述待测人脸数据包括至少两帧图像;光流计算模块,用于计算所述至少两帧图像中相邻两帧的光流场矩阵,获得多个光流场矩阵,所述多个光流场矩阵中每个光流场矩阵包括人脸各部位在横轴方向和纵轴方向上的位移参数;累加模块,用于将所述多个光流场矩阵进行累加融合,获得光流场累加矩阵,将所述光流场累加矩阵排列形成的一维向量作为所述待测人脸数据的特征向量;判决模块,用于将所述待测人脸数据的特征向量输入分类模型,通过所述分类模型判断所述待测人脸数据是否为真实人脸。
可选地,所述累加模块具体用于:
将每个所述光流场矩阵中在横轴上的位移进行累加,获得第一累加值;若所述第一累加值为正,则将所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第一通道上,所述第一通道为横轴正向;若所述第一累加值为负,则将所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第二通道上,所述第二通道为横轴负向;以及
将每个所述光流场矩阵中在纵轴上的位移进行累加,获得第二累加值;若所述第二累加值为正,则将所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第三通道上,所述第三通道为纵轴正向;若所述第二累加值为负,则将所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第四通道上,所述第四通道为纵轴负向;
将累加获得的矩阵除以光流场矩阵的个数,将获得结果作为最终的光流场累加矩阵。
第三方面,本发明提供一种电子设备,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行第一方面所述的方法。
第四方面,本发明提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行第一方面所述的方法。
相对现有技术,本发明提供的活体检测方法基于光流场来实现,通过检测人脸区域面部各部位位置随时间变化的大小和方向来实现活体判决,整个检测过程用户无需做出任何动作,保持静默即可,并且,由于对人脸数据的多个光流场进行了累加融合,有效降低了光流场矩阵对每个像素位移描述的误差所带来的影响,提高了判决的准确度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举可选实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明所提供的活体检测方法的流程图;
图2示出了本发明所提供的活体检测方法的另一流程图;
图3示出了本发明所提供的活体检测系统的示意图。
图标:
采集模块-300;光流计算模块-301;累加模块-302;判决模块-303。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
第一实施例
活体检测是在一些需要核验用户身份的场景下确定用户真实生理特征的一种方法,现阶段的活体检测依赖于用户根据系统提示或语音做出相应的动作,例如眨眼、张嘴、摇头、点头等,通过人脸关键点检测等方式验证用户是否为真实活体,通常应用于手机支付刷脸、门禁识别、银行验证等,保障用户的利益且能给用户在日常生活中提供方便。但是由于需要用户做出特定动作,对动作规范性有一定要求,因此使得在一些特定场合不便对其进行活体检测,例如会议现场、门禁系统等,或者是一些特定用户,例如眼耳不便的老年人等,在使用的范围上受到了一定程度上的限制。
本实施例提供了一种活体检测方法,基于光流场的计算,通过检测采集的人脸数据中相邻帧之间的各像素点的变化,从而获得人脸区域的面部各部位位置随时间变化的大小和方向,实现活体判决,确定出该人脸数据是真实人脸还是攻击人脸,整个过程用户无需做出动作,保持静默状态即可实现活体检测,图1示出了该方法在检测阶段的流程图,包括:
步骤100:采集待测人脸数据。
本实施例中的活体检测方法是基于光流场来实现,由于活体的光流特征显示为不规则的向量特征,而照片的光流特征,则是规则有序的向量特征,因此通过光流场可区分人脸数据是真实人脸还是攻击人脸。由于光流场的计算需要两帧及以上的图像,因此采集的待测人脸数据为固定时长的视频数据,该固定时长的视频数据包括至少两帧的图像,以便于对其进行光流场的计算。
采集待测人脸数据的电子设备包括但不限于个人计算机、图像处理服务器或者移动电子设备等具有图像采集能力的终端设备,例如,若该活体检测方法应用于门禁系统,则采集待测人脸数据的电子设备可为门禁终端,通过设置在门禁处的摄像头对用户进行人脸采集,若该活体检测方法应用于手机刷脸,则采集待测人脸数据的电子设备为用户的个人手机;并且,获取的人脸数据的视频格式包括但不限于MPEG、AVI、MOV、ASF、WMV、NAVI、3GP、REAL VIDEO、MKV、FLV、F4V、RMVB格式,可以为以上任一种视频格式,为获取更好的光流场计算效果,实际应用时可选择无损未压缩的视频格式。
为了便于对人脸进行活体判决,采集待测人脸数据时应当使采集的人脸正对摄像头,确保完整的人脸特征不被遮挡,例如额头、左右脸颊等人脸关键点,在采集时通过人脸检测、人脸关键点检测等方式对人脸的各部位区域进行跟踪。
步骤101:计算待测人脸数据的多个光流场矩阵。
通过光流场计算待测人脸数据中人脸各部位的位移参数,主要原理为利用待测人脸数据的图像序列中各像素随时间的变化以及相邻帧之间的相关性来拟合相邻两帧之间存在的对应关系,从而计算相邻帧之间人脸各部位的位移。计算获得的光流场结果是与输入同宽同高的矩阵,表示为{X,Y}两个通道,元素分别为xij,yij,分别表示在横轴和纵轴方向上的位移,因此该光流场矩阵表征了人脸区域各像素点的位移,此处横轴方向应当理解为每帧图片的水平方向,纵轴方向理解为每帧图片的竖直方向。
步骤102:将待测人脸数据的多个光流场矩阵进行累加融合,获得光流场累加矩阵,将光流场累加矩阵排列形成的一维向量作为待测人脸数据的特征向量。
考虑到光流场矩阵对每个像素位移描述存在误差,可能影响最终活体判决,本实施例将同一待测人脸数据计算的多个光流场矩阵进行累加融合,将多个光流场矩阵叠加后获得光流场累加矩阵,能够有效降低误差的影响。
步骤103:将待测人脸数据的特征向量输入分类模型,通过分类模型判决待测人脸数据是否为真实人脸。
由于分类模型的输入要求为一个一维向量,因此将步骤102中累加得到的光流场累加矩阵按行优先排列为一维向量,将其作为人脸数据的特征向量,以便于将其输入至分类模型中。
例如,获得的光流场累加矩阵为则将该光流场累加矩阵按行优先排列形成的一维向量为[a11,a12,…,a1n,a21,a22,…,a2n,…,am0,am2,…,amn]。
将待测人脸数据的特征向量输入分类模型,此时分类模型应当为训练后的分类模型,根据输入的特征向量,分类模型将输出判决类别和对应的分数,综合判断该待测人脸数据是否为活体。具体地,分类模型输出真实人脸类别及其对应真实人脸类别分数,若真实人脸类别分数在预设范围内,则确定该人脸数据为真实人脸,判定为活体;若真实人脸类别分数在预设范围外,则确定该人脸数据为非真实人脸,判定为非活体,例如真实人脸类别分数的预设范围为[0.7,1],其门限值为0.7,若输出真实人脸类别分数大于0.7,则确定该人脸数据为真实人脸。
在上述方案中,通过检测人脸区域面部各部位位置随时间变化的大小和方向来实现活体判决。人脸照片和3D攻击面具中,人脸各局部位置随时间变化的大小和方向具有较好的一致性,即同方向同大小;而真实人脸各局部位置随时间变化的大小和方向随机性较大,通过光流场计算能够有效提取人脸区域各部位位置变化的方向和大小,从而识别出人脸数据是真实人脸还是攻击人脸,整个过程用户可以无需做任何动作,即使保持静默也可实现活体检测,保证活体检测准确性的同时提高了用户体验,扩展其使用范围,在特定场合如会议现场、门禁系统和特定用户如老年人、因病不便动作的人群均能实现活体检测。
可选地,上述步骤102中将多个光流场矩阵融合从而获得光流场累加矩阵的具体实施方式可以包括但不限于以下两种。
方式一:两通道叠加
光流场结果表示为{X,Y}两个通道,元素分别为xij,yij,分别表示待测人脸数据中相邻两帧各像素点在X轴和Y轴方向的位移,若采用两通道叠加,则光流场累加矩阵的累加结果表示为{S1,S2}两个通道,元素分别为初始化全部为0。
将每个光流场矩阵中在X轴方向上的位移和Y轴方向上的位移分别叠加在光流场累加矩阵上,每叠加一个光流场矩阵后累加结果表示为{S1+X,S2+Y},元素分别为更新叠加结果并不断对待测人脸数据的多个光流场矩阵进行叠加,将最终叠加结果除以进行叠加的多个光流场的个数,将平均后的叠加结果作为该待测人脸数据对应的光流场累加矩阵。
方式二:四通道叠加
若采用四通道叠加方式,则光流场累加矩阵的累加结果表示为{S1,S2,S3,S4}四个通道,分别表示(X正、X负、Y正、Y负)四个方向,元素分别为初始化全部为0。
将每个光流场矩阵中在X轴方向上的位移和Y轴方向上的位移分别计算累加值,通过累加结果的正负判断将各光流场矩阵叠加到光流场累加矩阵四个通道中的哪一个通道上。
以一个例子作为说明,将第一个光流场矩阵叠加到光流场累加矩阵上,通过公式分别计算该光流场矩阵在X轴和Y轴方向上的平均累加值,当然,另一种实施方式为直接计算累加值,不对其累加值进行平均计算。
对于X方向:
若用S1+X更新S1,更新元素为
若用S2+X更新S2,更新元素为
同理,对于Y方向:
若用S3+Y更新S3,更新元素为
若用S4+Y更新S4,更新元素为
因此,若该光流场矩阵计算得到则将该光流场矩阵叠加后获得的叠加结果为{S1+X,S2,S3,S4+Y},对应的元素为
按照上述两种叠加方式对同一待测人脸数据的多个光流场矩阵进行叠加后均需除以进行叠加的多个光流场矩阵的个数,将平均后的叠加结果作为最终获得的光流场累加矩阵,通过对多个光流场矩阵进行叠加融合能够有效降低光流场对每个像素位移描述的误差所带来的影响,提高后续对待测人脸数据进行活体判决的准确度。
应当理解,上述过程为本实施例提供的活体检测方法的检测阶段的实施过程,在步骤104:将待测人脸数据的特征向量输入分类模型之前,还应当对该分类模型进行训练,获得训练后的分类模型,在训练后,将待测人脸数据的特征向量输入到训练后的分类模型中,能够自动对待测人脸数据是否为活体进行判断。
具体地,在训练分类模型前需获得训练集,训练集中包括多个训练样本,整个训练阶段的过程与上述检测阶段的过程大致相同,参阅图2,为该方法训练阶段的流程图,包括:
步骤200:采集训练人脸数据并进行数据标定。
训练阶段采集的训练人脸数据,主要为有标定的训练数据。该训练过程为有监督训练,通过已知数据标定的训练样本调整分类模型的参数,以使其达到对人脸数据实现自动识别检测的性能,得到具有泛化能力、可用于判决的分类模型。因此,对采集到的用于训练的人脸数据需进行数据标定,用“1”表示真实人脸,用“0”表示攻击人脸,包括照片人脸、3D人脸面具等,由于光流场的计算结果对环境光较敏感,为便于获得更好的训练效果,每种数据可包含不同环境光下的情况。
步骤201:计算训练人脸数据的多个光流场矩阵。
步骤202:将训练人脸数据的多个光流场矩阵进行累加融合,获得训练人脸数据对应的光流场累加矩阵。
步骤201、202可参照上述检测阶段的具体实施方式。
通过上述步骤200-步骤202获得多个训练人脸数据的多个光流场累加矩阵,将每个训练人脸数据的光流场累加矩阵按行优先排列为一维向量,作为特征向量。分类模型在测试集上进行训练,测试集中的每个训练样本为训练人脸数据的特征向量,将训练样本以及对应的数据标定送入分类模型中对其进行训练直至满足训练结束条件。其中,分类模型可以为支持向量机(SVM),该支持向量机的核函数可以为径向基函数(RBF),可以理解的是,当拥有更多的训练数据和想获得更好分类性能的模型时,可以选用现有技术中的神经网络作为分类模型,本实施例不对此进行限制。
在本实施例中,提前在训练集上对分类模型进行训练,使其能够具有优异的分类性能,能够实现对人脸数据的活体检测。
第二实施例
本实施例提供一种活体检测系统,参阅图3,包括:
采集模块300,用于采集待测人脸数据,所述待测人脸数据包括至少两帧图像;
光流计算模块301,用于计算所述至少两帧图像中相邻两帧的光流场矩阵,获得多个光流场矩阵,所述多个光流场矩阵中每个光流场矩阵包括人脸各部位在横轴方向和纵轴方向上的位移参数;
累加模块302,用于将所述多个光流场矩阵进行累加融合,获得光流场累加矩阵,将所述光流场累加矩阵排列形成的一维向量作为所述待测人脸数据的特征向量;
判决模块303,用于将所述待测人脸数据的特征向量输入分类模型,通过所述分类模型判断所述待测人脸数据是否为真实人脸。
可选地,累加模块302具体用于:
将每个所述光流场矩阵中在横轴上的位移进行累加,获得第一累加值;若所述第一累加值为正,则将所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第一通道上,所述第一通道为横轴正向;若所述第一累加值为负,则将所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第二通道上,所述第二通道为横轴负向;以及
将每个所述光流场矩阵中在纵轴上的位移进行累加,获得第二累加值;若所述第二累加值为正,则将所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第三通道上,所述第三通道为纵轴正向;若所述第二累加值为负,则将所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第四通道上,所述第四通道为纵轴负向;
将累加获得的矩阵除以光流场矩阵的个数,将获得结果作为最终的光流场累加矩阵。
本实施例中,通过训练后的分类模型,可准确识别出人脸数据是否为活体,区分真实人脸和攻击人脸,整个过程用户无需作出任何动作,保持静默即可完成判决。
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,上述描述的系统的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
本实施例还提供一种电子设备,包括:处理器和存储器,该存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行第一实施例中所述的方法。
本实施例还提供一种存储介质,该存储介质上存储有计算机程序,计算机程序被处理器运行时执行第一实施例中所述的方法。
在本申请所提供的实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明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、程序段或代码的一部分,所述模块、程序段或代码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。也应当注意,在有些作为替换的实现方式中,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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,笔记本电脑,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的可选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种活体检测方法,其特征在于,包括:
采集待测人脸数据,所述待测人脸数据包括至少两帧图像;
计算所述至少两帧图像中相邻两帧的光流场矩阵,获得多个光流场矩阵,所述多个光流场矩阵中每个光流场矩阵包括人脸各部位在横轴方向和纵轴方向上的位移参数;
将所述多个光流场矩阵进行累加融合,获得光流场累加矩阵,将所述光流场累加矩阵排列形成的一维向量作为所述待测人脸数据的特征向量;
将所述待测人脸数据的特征向量输入分类模型,通过所述分类模型判断所述待测人脸数据是否为真实人脸。
2.根据权利要求1所述的方法,其特征在于,在将所述待测人脸数据的特征向量输入分类模型之前,所述方法还包括:
利用训练集中的训练样本对分类模型进行训练直至满足训练结束条件,每个训练样本为训练人脸数据的特征向量。
3.根据权利要求2所述的方法,其特征在于,在利用训练集中的训练样本对分类模型进行训练直至满足训练结束条件之前,所述方法还包括:
采集训练人脸数据,并对采集到的训练人脸数据进行数据标定,获得训练人脸数据的标签。
4.根据权利要求1所述的方法,其特征在于,所述将所述多个光流场矩阵进行累加融合,获得光流场累加矩阵,包括:
将每个所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第一通道上,所述第一通道为横轴方向;以及
将每个所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第二通道上,所述第二通道为纵轴方向;
将累加获得的矩阵除以光流场矩阵的个数,将获得结果作为最终的光流场累加矩阵。
5.根据权利要求1所述的方法,其特征在于,所述将所述多个光流场矩阵进行累加融合,获得光流场累加矩阵,包括:
将每个所述光流场矩阵中在横轴上的位移进行累加,获得第一累加值;若所述第一累加值为正,则将所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第一通道上,所述第一通道为横轴正向;若所述第一累加值为负,则将所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第二通道上,所述第二通道为横轴负向;以及
将每个所述光流场矩阵中在纵轴上的位移进行累加,获得第二累加值;若所述第二累加值为正,则将所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第三通道上,所述第三通道为纵轴正向;若所述第二累加值为负,则将所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第四通道上,所述第四通道为纵轴负向;
将累加获得的矩阵除以光流场矩阵的个数,将获得结果作为最终的光流场累加矩阵。
6.根据权利要求5所述的方法,其特征在于,所述分类模型包括支持向量机或分类神经网络。
7.根据权利要求6所述的方法,其特征在于,所述分类模型为支持向量机时,所述支持向量机的核函数为径向基函数RBF。
8.一种活体检测系统,其特征在于,包括:
采集模块,用于采集待测人脸数据,所述待测人脸数据包括至少两帧图像;
光流计算模块,用于计算所述至少两帧图像中相邻两帧的光流场矩阵,获得多个光流场矩阵,所述多个光流场矩阵中每个光流场矩阵包括人脸各部位在横轴方向和纵轴方向上的位移参数;
累加模块,用于将所述多个光流场矩阵进行累加融合,获得光流场累加矩阵,将所述光流场累加矩阵排列形成的一维向量作为所述待测人脸数据的特征向量;
判决模块,用于将所述待测人脸数据的特征向量输入分类模型,通过所述分类模型判断所述待测人脸数据是否为真实人脸。
9.根据权利要求8所述的系统,其特征在于,所述累加模块具体用于:
将每个所述光流场矩阵中在横轴上的位移进行累加,获得第一累加值;若所述第一累加值为正,则将所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第一通道上,所述第一通道为横轴正向;若所述第一累加值为负,则将所述光流场矩阵中在横轴上的位移累加到光流场累加矩阵的第二通道上,所述第二通道为横轴负向;以及
将每个所述光流场矩阵中在纵轴上的位移进行累加,获得第二累加值;若所述第二累加值为正,则将所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第三通道上,所述第三通道为纵轴正向;若所述第二累加值为负,则将所述光流场矩阵中在纵轴上的位移累加到光流场累加矩阵的第四通道上,所述第四通道为纵轴负向;
将累加获得的矩阵除以光流场矩阵的个数,将获得结果作为最终的光流场累加矩阵。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811268069.7A CN109376662A (zh) | 2018-10-29 | 2018-10-29 | 一种活体检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811268069.7A CN109376662A (zh) | 2018-10-29 | 2018-10-29 | 一种活体检测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376662A true CN109376662A (zh) | 2019-02-22 |
Family
ID=65390155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811268069.7A Pending CN109376662A (zh) | 2018-10-29 | 2018-10-29 | 一种活体检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376662A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688946A (zh) * | 2019-09-26 | 2020-01-14 | 上海依图信息技术有限公司 | 基于图片识别的公有云静默活体检测设备和方法 |
CN113569622A (zh) * | 2021-06-09 | 2021-10-29 | 北京旷视科技有限公司 | 基于网页的活体检测方法、装置、系统及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105450664A (zh) * | 2015-12-29 | 2016-03-30 | 腾讯科技(深圳)有限公司 | 一种信息处理方法及终端 |
CN106228129A (zh) * | 2016-07-18 | 2016-12-14 | 中山大学 | 一种基于matv特征的人脸活体检测方法 |
CN108197586A (zh) * | 2017-12-12 | 2018-06-22 | 北京深醒科技有限公司 | 脸部识别方法和装置 |
-
2018
- 2018-10-29 CN CN201811268069.7A patent/CN109376662A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105450664A (zh) * | 2015-12-29 | 2016-03-30 | 腾讯科技(深圳)有限公司 | 一种信息处理方法及终端 |
CN106228129A (zh) * | 2016-07-18 | 2016-12-14 | 中山大学 | 一种基于matv特征的人脸活体检测方法 |
CN108197586A (zh) * | 2017-12-12 | 2018-06-22 | 北京深醒科技有限公司 | 脸部识别方法和装置 |
Non-Patent Citations (3)
Title |
---|
WEI BAO 等: "A liveness detection method for face recognition based on optical flow field", 《2009 INTERNATIONAL CONFERENCE ON IMAGE ANALYSIS AND SIGNAL PROCESSING》 * |
许晓: "基于深度学习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》 * |
陶琨: "基于计算机视觉技术的无人机自动导航研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688946A (zh) * | 2019-09-26 | 2020-01-14 | 上海依图信息技术有限公司 | 基于图片识别的公有云静默活体检测设备和方法 |
CN113569622A (zh) * | 2021-06-09 | 2021-10-29 | 北京旷视科技有限公司 | 基于网页的活体检测方法、装置、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10891466B2 (en) | Face verification method and apparatus | |
Pinto et al. | Using visual rhythms for detecting video-based facial spoof attacks | |
CN110223322B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
Wang et al. | Robust face anti-spoofing with depth information | |
CN106557726B (zh) | 一种带静默式活体检测的人脸身份认证系统及其方法 | |
CN106997452B (zh) | 活体验证方法及装置 | |
KR102286468B1 (ko) | 딥 러닝을 통해 생성된 가짜 동영상의 무결성 검증 방법 및 시스템 | |
US7873189B2 (en) | Face recognition by dividing an image and evaluating a similarity vector with a support vector machine | |
CN111709409A (zh) | 人脸活体检测方法、装置、设备及介质 | |
WO2016084072A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
CN105868677A (zh) | 一种活体人脸检测方法及装置 | |
CN111914633B (zh) | 基于人脸特征时域稳定性的换脸视频篡改检测方法及其应用 | |
CN111144293A (zh) | 带交互式活体检测的人脸身份认证系统及其方法 | |
Reese et al. | A comparison of face detection algorithms in visible and thermal spectrums | |
US11610437B2 (en) | Face liveness detection systems and methods | |
CN109376662A (zh) | 一种活体检测方法、系统及存储介质 | |
Huszár et al. | Live spoofing detection for automatic human activity recognition applications | |
Ortega et al. | Dynamic facial presentation attack detection for automated border control systems | |
CN112507986B (zh) | 基于神经网络的多通道人脸活体检测方法及装置 | |
CN108921080A (zh) | 图像识别方法、装置及电子设备 | |
Shen et al. | Iritrack: Face presentation attack detection using iris tracking | |
CN113723310B (zh) | 基于神经网络的图像识别方法及相关装置 | |
CN111967436B (zh) | 图像处理方法及装置 | |
Tubbs et al. | Facial expression analysis as a means for additional biometric security in recognition systems | |
CN110909704A (zh) | 一种活体检测方法、装置、电子设备及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 401122 5 stories, Block 106, West Jinkai Avenue, Yubei District, Chongqing Applicant after: CHONGQING ZHONGKE YUNCONG TECHNOLOGY Co.,Ltd. Address before: 400 000 5 stories of Block 106, West Jinkai Avenue, Yubei District, Chongqing Applicant before: CHONGQING ZHONGKE YUNCONG TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |