CN109389002A - 活体检测方法及装置 - Google Patents
活体检测方法及装置 Download PDFInfo
- Publication number
- CN109389002A CN109389002A CN201710652099.7A CN201710652099A CN109389002A CN 109389002 A CN109389002 A CN 109389002A CN 201710652099 A CN201710652099 A CN 201710652099A CN 109389002 A CN109389002 A CN 109389002A
- Authority
- CN
- China
- Prior art keywords
- key frame
- identified
- frame
- physiological site
- living body
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- 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
Abstract
本发明公开了一种活体检测方法及装置。其中，该方法包括：获取待识别对象中针对指定生理部位的多个视频帧；获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体。本发明解决了在活体检测过程中照片攻击的技术问题。
Description
技术领域
本发明涉及检测技术领域，具体而言，涉及一种活体检测方法及装置。
背景技术
随着计算机视觉技术的发展，越来越多的认证系统选择使用人脸识别作为身份认证的手段，如电商开店的实名认证、电子支付软件的刷脸支付等等。但同时，由于社交网络的发展，个人照片在社交网络上变得易于获取，不法分子可能使用他人的照片来欺诈人脸识别系统，带来安全隐患。
现有的活体检测技术大多通过交互进行，如引导用户面对摄像头做出静态照片无法做出的摇头、点头、张嘴等动作，从而防止来自照片的攻击。也有方法在交互过程中进行三维检测来判断目标是三维人脸还是二维照片。该方法一般对视频中人脸的若干关键点进行跟踪，通过不同帧的关键点拟合帧间的二维变换，根据关键点的拟合误差来确定人脸的维度。
然而，传统的三维活体检测技术一般是假设照片攻击中的人脸关键点满足某种二维变换，如仿射变换、透视变换等。该方法对来源于二维照片的攻击是有效的，但当攻击者使用弯曲的照片或面具进行攻击时，由于上述二维变换无法拟合曲面上的关键点，系统会将其误认为真实人脸，导致攻击成功。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种活体检测方法及装置，以至少解决在活体检测过程中照片攻击的技术问题。
根据本发明实施例的一个方面，提供了一种活体检测方法，包括：获取待识别对象中针对指定生理部位的多个视频帧；获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的纹理变化特征。
进一步地，依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体之前，所述方法还包括：获取所述多个关键帧中所述指定生理部位在相邻关键帧的纹理变化特征，将所述纹理变化特征作为所述指定生理部位的变化信息；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据所述纹理变化特征确定第一置信度，依据所述第一置信度确定当前识别对象是否为活体，其中，所述第一置信度用于指示所述纹理变化特征来自于活体的概率。
进一步地，获取所述多个关键帧中所述指定生理部位在相邻关键帧的纹理变化特征，包括：将所述待识别对象在所述相邻关键帧的帧图像上的区域划分为多个子区域；获取所述多个子区域中至少一个子区域内的纹理变化特征；将获取的所有子区域的纹理变化特征确定所述指定生理部位在相邻关键帧的纹理变化特征。
进一步地，将所述待识别对象在所述相邻关键帧的帧图像上的区域划分为多个子区域，包括：获取所述待识别对象在所述相邻关键帧中的特征点坐标；将预设数量个所述特征点坐标作为所述子区域的顶点，并关联所述顶点，得到所述子区域。
进一步地，依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体之前，所述方法还包括：获取所述多个关键帧中所述指定生理部位在相邻关键帧的纹理变化特征，以及所述指定生理部位在相邻关键帧中的形状变化特征；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据所述纹理变化特征和所述形状变化特征分别确定第一置信度和第二可信度，依据所述第一置信度和第二置信度共同确定当前识别对象是否为活体，其中，所述第一置信度用于指示所述纹理变化特征来自于活体的概率，所述第二置信度用于指示所述形状变化特征来自于活体的概率。
进一步地，依据所述第一置信度和所述第二置信度共同确定当前识别对象是否为活体，包括：确定所述第一置信度和所述第二置信度中的最小值；依据所述最小值确定所述当前识别对象是否为活体。
进一步地，获取所述多个视频帧中的关键帧，得到多个关键帧，包括：将所述多个视频帧中的指定帧作为参考关键帧，其中，所述指定帧的帧图像中包括至少一个特征点；获取与所述参考关键帧的关系值大于第一阈值的视频帧，得到所述关键帧，其中，所述关系值用于反映所述参考关键帧与所述多个视频帧中至少一个视频帧的差异程度。
根据本发明实施例的一个方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的活体检测方法。
根据本发明实施例的一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的活体检测方法。
根据本发明实施例的一个方面，提供了一种终端，包括：图像采集装置，用于获取待识别对象中针对指定生理部位的多个视频帧；处理器，所述处理器运行程序，其中，所述程序运行时对于从所述图像采集装置输出的数据执行如下处理步骤：获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的纹理变化特征。
根据本发明实施例的一个方面，提供了一种终端，包括：图像采集装置，用于获取待识别对象中针对指定生理部位的多个视频帧；存储介质，用于存储程序，其中，所述程序在运行时对于从所述图像采集装置输出的数据执行如下处理步骤：获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的纹理变化特征。
根据本发明实施例的一个方面，提供了一种活体检测装置，包括：第一获取模块，用于获取待识别对象中针对指定生理部位的多个视频帧；第二获取模块，用于获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；判断模块，用于依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的纹理变化特征。
根据本发明实施例的一个方面，提供了一种数据处理方法，包括：获取目标对象的至少两个图像数据；获取所述至少两个图像数据中的目标对象的纹理变化特征；根据所述变化特征，对所述目标对象进行识别或认证。
根据本发明实施例的一个方面，提供了一种活体检测方法，包括：获取目标对象的至少两个图形数据，其中，所述图形数据包括三角面片信息；获取所述至少两个图形数据中的三角面片信息的变化特征；根据所述变化特征，对所述目标对象进行识别或认证。
根据本发明实施例的一个方面，提供了一种活体检测方法，包括：获取待识别对象中针对指定生理部位的多个视频帧；获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的形状变化特征。
进一步地，依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体之前，所述方法还包括：获取所述多个关键帧中所述指定生理部位在相邻关键帧中的形状变化特征，将所述形状变化特征作为所述指定生理部位的变化信息；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据纹理变化特征确定第二置信度，依据所述第二置信度确定当前识别对象是否为活体，其中，所述第二置信度用于指示所述形状变化特征来自于活体的概率。
在本发明实施例中，采用依据指定生理部位的变化信息确定待识别对象是否为活体的方式，通过获取待识别对象中针对指定生理部位的多个视频帧；获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，达到了避免系统会将二维照片误认为真实人脸，导致攻击成功的目的，从而实现了可以有效地检测到来源于静态平面、曲面照片或面具的攻击行为的技术效果，进而解决了在活体检测过程中照片攻击的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种活体检测方法中的人脸关键点的示意图；
图2是根据本发明实施例的一种用于实现活体检测方法的计算机终端；
图3是根据本发明实施例的一种活体检测方法的流程图；
图4是根据本发明实施例的一种活体检测方法中的人脸区域及采样层数的示意图；
图5根据本发明实施例的一种可选的活体检测方法的流程图；
图6是根据本发明实施例的一种活体检测装置的示意图；
图7是根据本发明实施例的一种数据处理方法的流程图；
图8是根据本发明实施例的一种可选的活体检测方法的流程图；
图9是根据本发明实施例的一种可选的活体检测方法的流程图；
图10是根据本发明实施例的一种可选的计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
Haar特征包括：边缘特征、线性特征、中心特征和对角线特征，这些特征的一部分或者全部可以组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向(水平、垂直、对角)的结构。通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征。上图的特征模板称为“特征原型”；特征原型在图像子窗口中扩展(平移伸缩)得到的特征称为“矩形特征”；矩形特征的值称为“特征值”。矩形特征可位于图像任意位置，大小也可以任意改变，所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化，使得很小的检测窗口含有非常多的矩形特征，如：在24*24像素大小的检测窗口内矩形特征数量可以达到16万个。
Adaboost算法是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，并将关键放在关键的训练数据上面。目前，对Adaboost算法的研究以及应用大多集中于分类问题，同时近年也出现了一些在回归问题上的应用。就其应用Adaboost系列主要解决了:两类问题、多类单标签问题、多类多标签问题、大类单标签问题，回归问题。它用全部的训练样本进行学习。该算法其实是一个简单的弱分类算法提升过程，这个过程通过不断的训练，可以提高对数据的分类能力。Adaboost算法是Freund和Schapire根据在线分配算法提出的，他们详细分析了Adaboost算法错误率的上界，以及为了使强分类器达到错误率，算法所需要的最多迭代次数等相关问题。与Boosting算法不同的是，adaboost算法不需要预先知道弱学习算法学习正确率的下限即弱分类器的误差，并且最后得到的强分类器的分类精度依赖于所有弱分类器的分类精度，这样可以深入挖掘弱分类器算法的能力。Adaboost算法中不同的训练集是通过调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，即其中n为样本个数，在此样本分布下训练出一弱分类器。对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器。依次类推，经过T次循环，得到T个弱分类器，把这T个弱分类器按一定的权重叠加(boost)起来，得到最终想要的强分类器。
SDM(Supervised Descent Method，监督下降方法)算法是一种优化方法，用它来进行人脸特征点检测主要是用在目标函数的优化求解上。SDM与其他方法不同的地方在于：传统的牛顿法每次迭代的步长是计算得到的，而SDM每次的步长是通过对样本训练得到的。
SVM算法(support vector machine，支持向量机)是一种分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。SVM的主要思想可以概括为：它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
实施例1
本发明实施例提供了一种活体检测方法。该活体检测方法可以用于判断待识别对象是否为活体(真实人脸)上，例如，在金融相关的应用中，待识别对象注册到该应用当中时，需要确认待识别对象是否是真实人脸，以避免照片、面具伪装的非真实人脸的攻击行为。
在本申请中，使用电子终端(例如，手机)摄像头拍摄待识别对象的视频，获取到待识别对象中针对人脸的多个视频帧。使用基于Haar特征和adaboost的人脸检测器检测视频中的人脸，再使用SDM算法对其人脸关键点进行定位，得到人脸的若干关键点，如图1所示,包括18个关键点(1、2、3······18)。其中，人脸检测器和SDM模型可使用活体数据集进行训练，通过交叉校验确定它们的最优参数。申请人通过研究发现，通过获取待识别对象中针对指定生理部位的多个视频帧，获取多个视频帧中的关键帧，得到多个关键帧，依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，其中，指定生理部位的变化信息包括：指定生理部位的纹理变化特征。则可以避免系统会将二维照片误认为真实人脸，导致攻击成功的目的。
本领域技术人员可以理解，以下的方案可以实施到安装在移动终端的应用中，即可以通过移动终端的应用来判断待识别对象是否为活体。以下的方案也可以实施到服务器上，例如，应用或者软件可以仅仅作为获取图片的一个接口，可以通过应用或软件采集待识别对象的图片，然后，应用或者软件将这些图片传送至服务器，由服务器进行判断。服务器的计算能力是要强于应用本身的，因此，在服务器上进行使用可以同时对来自不同应用或软件的大量的照片进行处理。服务器可以是真实的硬件服务器，也可以是一种服务。随着云计算的发展，这种服务也可以安置在云服务上进行处理。
无论是在终端上实施还是在服务器上实施，以下方案的检测结果都可以被其他的应用或者服务所使用。总之，根据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体可以实施到多种情况中，在此不再一一介绍。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图2示出了一种用于实现活体检测方法的计算机终端(或移动设备)的硬件结构框图。如图2所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图2所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的活体检测方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的活体检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此处需要说明的是，在一些可选实施例中，上述图2所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图2仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下，本申请提供了如图3所示的活体检测方法。图3是根据本发明实施例的一种活体检测方法的流程图。该方法具体包括如下步骤：
步骤S302，获取待识别对象中针对指定生理部位的多个视频帧。
本申请中的待识别对象为需要进行活体(也即真实人脸)检测的对象，本实施例中的指定生理部位可以为人脸，在采用摄像头对待识别对象人脸检测时，获取针对人脸的多个视频帧。
在本申请另一个实施例中，当指定生理部位为人的手掌，在采用摄像头对待识别对象的手掌进行检测时，获取针对待识别对象的手掌的多个视频帧。
在一种可选的实施例中，获取待识别对象中针对指定生理部位的多个视频帧之前，进行数据准备，使用电子终端(例如，手机)的摄像头拍摄多个对象重复摇头、点头、左右移动、上下移动的视频，拍摄时每个对象每动作重复预设数量次(例如，5次)。再使用上述视频通过截帧的方式获得同一对象脸部(对应上述的指定生理部位)的单帧图像，制作成平面照片、沿垂直或水平轴翻转的曲面照片和人脸面具，用手机拍摄其模拟上述动作的视频。其中，模拟方式至少包括以下一种方法：沿水平、垂直轴旋转和左右、上下移动，每种方式重复预设数量次。最后，使用手机拍摄手机屏幕和电脑屏幕中的同一单帧图像，通过相同的旋转、移动手机的方式模拟上述动作，并重复预设数量次，得到用于训练分类器的活体数据集。从而在后续获取待识别对象中针对指定生理部位的多个视频帧时，可以从预先得到的用于训练分类器的活体数据集中获取。
步骤S304，获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点。
也即，从多个视频帧中获取至少包括一个待识别对象中针对指定生理部位的关键点(对应上述的特征点)的视频帧，得到多个关键帧。
在一种可选的实施例中，获取多个视频帧中的关键帧，得到多个关键帧，包括：将多个视频帧中的指定帧作为参考关键帧，其中，指定帧的帧图像中包括至少一个特征点；获取与参考关键帧的关系值大于第一阈值的视频帧，得到关键帧，其中，关系值用于反映参考关键帧与多个视频帧中至少一个视频帧的差异程度。
例如，定义待识别对象的人脸的中心坐标(xc,yc)为：
其中(xi,yi)为第i个人脸关键点的坐标。定义人脸的尺寸为：
设视频中检测到人脸并得到人脸关键点定位结果的第一帧为关键帧(对应上述的参考关键帧)。再对所有定位到人脸关键点的帧计算人脸的中心坐标和尺寸，若某帧满足：
‖(xc,yc)-(x′c,y′c)‖∞>0.15s
其中，0.15s对应上述的第一阈值，(x′c,y′c)为该帧上一个关键帧中的人脸中心坐标，则认为人脸发生了足够的姿态变化，令该帧为下一个关键帧。系统保存当前帧的上一个关键帧中的视频图像和人脸关键点。
需要说明的是，若当前得到的关键帧数量小于预设数量(例如，2个)，则不输出活体检测结果，若当前得到的关键帧数量不小于预设数量，根据后续步骤继续进行活体检测。
在一种可选的实施例中，为了提升对活体检测的准确性，对关键帧中的人脸图像中的亮度归一化，具体地，对所有关键帧中的视频图像I，设其坐标(x,y)处的像素值为I(x,y)，则亮度归一化后的视频图像各点像素值为：
其中μ(x,y)为：
即，I(x,y)在其邻域内的均值，其中δ(i,j)当(i,j)在视频图像I内部时为1，否则为0，邻域宽度r为该帧人脸尺寸的0.1倍。在后续步骤中，在亮度归一化的人脸图像中，根据人脸关键帧中的变化信息，确定待识别对象是否为活体。
需要说明的是，在本申请中对于关键帧中的人脸图像中的亮度归一化的方法不限定为上述方法，还可以为其它方法，具体的亮度归一化方法在本申请中不作限定。
步骤S306，依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，其中，指定生理部位的变化信息包括：指定生理部位的纹理变化特征。
例如，指定生理部位可以为人脸，上述的指定生理部位的变化信息包括：人脸的纹理变化特征，进一步地，采用摄像头对待识别对象人脸检测时，根据人脸的纹理变化特征确定待识别对象是否为活体。
通过上述步骤，依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，避免了系统会将二维照片误认为真实人脸导致基于静态平面、曲面照片或面具的攻击行为攻击成功，从而可以有效地检测到来源于静态平面、曲面照片或面具的攻击行为。
为了提升对活体检测的准确性，在一种可选的实施例中，依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体之前，该方法还包括：获取多个关键帧中指定生理部位在相邻关键帧的纹理变化特征，将纹理变化特征作为指定生理部位的变化信息；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据纹理变化特征确定第一置信度，依据第一置信度确定当前识别对象是否为活体，其中，第一置信度用于指示纹理变化特征来自于活体的概率。
通过上述方案，将相邻关键帧的纹理变化特征作为指定生理部位的变化信息；再依据纹理变化特征确定指示纹理变化特征来自于活体的概率(对应上述的第一置信度)，依据第一置信度确定当前识别对象是否为活体，也即通过上述方案根据相邻关键帧的人脸关键点定位结果计算人脸区域纹理变化，并由此判断人脸是否为真实人脸。
进一步地，获取多个关键帧中指定生理部位在相邻关键帧的纹理变化特征可以通过以下步骤：将待识别对象在相邻关键帧的帧图像上的区域划分为多个子区域；获取多个子区域中至少一个子区域内的纹理变化特征；将获取的所有子区域的纹理变化特征确定指定生理部位在相邻关键帧的纹理变化特征。其中，可选地，将待识别对象在相邻关键帧的帧图像上的区域划分为多个子区域，包括：获取待识别对象在相邻关键帧中的特征点坐标；将预设数量个特征点坐标作为子区域的顶点，并关联顶点，得到子区域。
例如，根据上述步骤中人脸的关键点，可将人脸分割成如图4所示的21个区域(对应上述的子区域)，其中，每个区域为以3个人脸关键点为顶点的三角形。根据关键帧中的人脸关键点定位结果，计算各人脸区域的采样坐标(对应上述的特征点坐标)为：
其中，分别为第k个区域三个顶点的坐标，满足
0≤m,n<Nk
0≤m+n<Nk
Nk为各区域的采样层数，如图4中各区域内的数字所示，对任意两个相邻的关键帧，其第k个人脸区域的纹理变化定义为：
其中，和为两个相邻关键帧亮度归一化后的图像。对所有人脸区域进行上述计算，可得长度为21的向量定义为人脸区域的纹理变化特征，使用SVM分类器对其进行分类可判断该纹理变化是否来自真实人脸。其中SVM分类器的训练集为通过电子终端摄像头采集到的视频根据步骤S304至步骤S306计算得到的分类器的参数通过交叉校验确定。
为了提升对活体检测的准确性，在一种可选的实施例中，依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体之前，该方法还包括：获取多个关键帧中指定生理部位在相邻关键帧中的形状变化特征，将形状变化特征作为指定生理部位的变化信息；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据纹理变化特征确定第二置信度，依据第二置信度确定当前识别对象是否为活体，其中，第二置信度用于指示形状变化特征来自于活体的概率。
通过上述方案，将相邻关键帧的形状变化特征作为指定生理部位的变化信息；依据纹理变化特征确定指示形状变化来自于活体的概率(对应上述的第二置信度)，再依据第二置信度确定当前识别对象是否为活体，也即通过上述方案根据相邻关键帧的人脸关键点定位结果计算人脸形状变化，并由此判断人脸是否为真实人脸。
例如，采用以下方式计算相邻关键帧中的形状变化特征，对任意两个相邻的关键帧，其第i个人脸关键点的形状变化定义为：
Δsi＝|‖(xi,yi)-(xc,yc)‖2-‖(xi′,yi′)-(x′c,y′c)‖2|
其中(xi,yi)和(xi′,yi′)为两个相邻关键帧中的人脸关键点坐标，(xc,yc)和(x′c,y′c)为对应的人脸中心坐标。对所有人脸关键点进行上述计算，可得长度为18的向量定义为人脸的形状变化特征。同样地，使用SVM分类器可判断该形状变化是否来自真实人脸。
综上，基于上述实施例中步骤S302至步骤S306所公开的方案，可以通过获取待识别对象中针对指定生理部位的多个视频帧；获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，达到了避免系统会将二维照片误认为真实人脸，导致攻击成功的目的，从而实现了可以有效地检测到来源于静态平面、曲面照片或面具的攻击行为的技术效果，进而解决了在活体检测过程中照片攻击的技术问题。
图5根据本发明实施例的一种可选的活体检测方法的流程图。如图5所示，该方法具体中还包括如下步骤：
步骤S502，获取待识别对象中针对指定生理部位的多个视频帧。
同上述的步骤S302，在此不再赘述。
步骤S504，获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点。
同上述的步骤S304，在此不再赘述。
步骤S506，获取多个关键帧中指定生理部位在相邻关键帧的纹理变化特征，以及指定生理部位在相邻关键帧中的形状变化特征。
例如，根据上述步骤中人脸的关键点，可将人脸分割成如图4所示的21个区域(对应上述的子区域)，其中，每个区域为以3个人脸关键点为顶点的三角形。根据关键帧中的人脸关键点定位结果，计算各人脸区域的采样坐标(对应上述的特征点坐标)为：
其中，分别为第k个区域三个顶点的坐标，满足
0≤m,n<Nk
0≤m+n<Nk
Nk为各区域的采样层数，如图4中各区域内的数字所示，对任意两个相邻的关键帧，其第k个人脸区域的纹理变化定义为：
其中，和为两个相邻关键帧亮度归一化后的图像。对所有人脸区域进行上述计算，可得长度为21的向量定义为人脸区域的纹理变化特征，使用SVM分类器对其进行分类可判断该纹理变化是否来自真实人脸。其中SVM分类器的训练集为通过电子终端摄像头采集到的视频根据步骤S304至步骤S306计算得到的分类器的参数通过交叉校验确定。
例如，采用以下方式计算相邻关键帧中的形状变化特征，对任意两个相邻的关键帧，其第i个人脸关键点的形状变化定义为：
Δsi＝|‖(xi,yi)-(xc,yc)‖2-‖(xi′,yi′)-(x′c,y′c)‖2|
其中(xi,yi)和(xi′,yi′)为两个相邻关键帧中的人脸关键点坐标，(xc,yc)和)x′c,y′c)为对应的人脸中心坐标。对所有人脸关键点进行上述计算，可得长度为18的向量定义为人脸的形状变化特征。同样地，使用SVM分类器可判断该形状变化是否来自真实人脸。
步骤S508，依据纹理变化特征和形状变化特征分别确定第一置信度和第二可信度，依据第一置信度和第二置信度共同确定当前识别对象是否为活体，其中，第一置信度用于指示纹理变化特征来自于活体的概率，第二置信度用于指示形状变化特征来自于活体的概率。
SVM分类器输出相邻两关键帧的人脸区域纹理变化属于真实人脸的置信度ct∈[0,1](对应上述的第一置信度)和人脸形状变化属于真实人脸的置信度cs∈[0,1](对应上述的第二置信度)，其中置信度大于预设值(例如，0.5)表明分类器认为其属于真实人脸，且其值越大表明其属于真实人脸的可能性越大。
在一种可选的实施例中，依据第一置信度和第二置信度共同确定当前识别对象是否为活体，包括：确定第一置信度和第二置信度中的最小值；依据最小值确定当前识别对象是否为活体。
例如，定义相邻两关键帧的真实人脸置信度为：
c＝min(ct,cs)
即ct和cs中的最小值。而视频中的人脸置信度定义为：
其中c(t)为第t次计算得到的人脸置信度，第T次计算的人脸置信度由前两个关键帧得到，t<1时c(t)＝0，ΔT＝3为置信度计算长度。若则系统认为视频中的人脸为真实人脸，否则系统认为视频中的人脸为攻击行为。
通过上述方案，根据视频中人脸区域纹理变化的判断结果和人脸形状变化的判断结果进行综合判断人脸是否为真实人脸。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
根据本发明实施例，还提供了一种用于实施上述活体检测装置，如图6所示，该装置包括：第一获取模块60、第二获取模块70和判断模块80。
第一获取模块60，用于获取待识别对象中针对指定生理部位的多个视频帧。
本申请中的待识别对象为需要进行活体(也即真实人脸)检测的对象，本申请中的指定生理部位可以为人脸，在采用摄像头对待识别对象的真实人脸进行检测时，第一获取模块60，用于获取待识别对象中针对人脸的多个视频帧。
第二获取模块70，用于获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点。
在一种可选的实施例中，在获取待识别对象中针对指定生理部位的多个视频帧之前，使用电子终端(例如，手机)的摄像头拍摄多个对象重复摇头、点头、左右移动、上下移动的视频，拍摄时每个对象每动作重复预设数量次(例如，5次)。再使用上述视频通过截帧的方式获得同一对象脸部(对应上述的指定生理部位)的单帧图像，制作成平面照片、沿垂直或水平轴翻转的曲面照片和人脸面具，用手机拍摄其模拟上述动作的视频。其中，模拟方式至少包括以下一种方法：沿水平、垂直轴旋转和左右、上下移动，每种方式重复预设数量次。最后，使用手机拍摄手机屏幕和电脑屏幕中的同一单帧图像，通过相同的旋转、移动手机的方式模拟上述动作，并重复预设数量次，得到用于训练分类器的活体数据集。
在本申请提供的活体检测装置中，使用电子终端(例如，手机)摄像头拍摄待识别对象的视频，获取到待识别对象中针对人脸的多个视频帧。使用基于Haar特征和adaboost的人脸检测器检测视频中的人脸，再使用SDM算法对其人脸关键点进行定位，得到人脸的若干(例如，18个)关键点，如图3所示。其中，人脸检测器和SDM模型可使用活体数据集进行训练，通过交叉校验确定它们的最优参数。
特征点对应上述的关键点，也即，从多个视频帧中获取至少包括一个待识别对象的关键点的视频帧，得到多个关键帧。
在一种可选的实施例中，第二获取模块70还包括：将多个视频帧中的指定帧作为参考关键帧，其中，指定帧的帧图像中包括至少一个特征点；获取与参考关键帧的关系值大于第一阈值的视频帧，得到关键帧，其中，关系值用于反映参考关键帧与多个视频帧中至少一个视频帧的差异程度。
例如，定义待识别对象的人脸的中心坐标(xc,yc)为：
其中(xi,yi)为第i个人脸关键点的坐标。定义人脸的尺寸为：
设视频中检测到人脸并得到人脸关键点定位结果的第一帧为关键帧(对应上述的参考关键帧)。再对所有定位到人脸关键点的帧计算人脸的中心坐标和尺寸，若某帧满足：
‖(xc,yc)-(x′c,y′c)‖∞>0.15s
其中，0.15s对应上述的第一阈值，(x′c,y′c)为该帧上一个关键帧中的人脸中心坐标，则认为人脸发生了足够的姿态变化，令该帧为下一个关键帧。系统保存当前帧的上一个关键帧中的视频图像和人脸关键点。
需要说明的是，若当前得到的关键帧数量小于预设数量(例如，2个)，则不输出活体检测结果，若当前得到的关键帧数量不小于预设数量，根据后续步骤继续进行活体检测。
在一种可选的实施例中，为了提升对活体检测的准确性，对关键帧中的人脸图像中的亮度归一化，具体地，对所有关键帧中的视频图像I，设其坐标(x,y)处的像素值为I(x,y)，则亮度归一化后的视频图像各点像素值为：
其中μ(x,y)为：
即，I(x,y)在其邻域内的均值，其中δ(i,j)当(i,j)在视频图像I内部时为1，否则为0，邻域宽度r为该帧人脸尺寸的0.1倍。在后续步骤中，在亮度归一化的人脸图像中，根据人脸关键帧中的变化信息，确定待识别对象是否为活体。
需要说明的是，在本申请中对于关键帧中的人脸图像中的亮度归一化的方法不限定为上述方法，还可以为其它方法，具体的亮度归一化方法在本申请中不作限定。
判断模块80，用于依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，其中，指定生理部位的变化信息包括：指定生理部位的纹理变化特征。
判断模块80依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，避免了系统会将二维照片误认为真实人脸导致基于静态平面、曲面照片或面具的攻击行为攻击成功，从而可以有效地检测到来源于静态平面、曲面照片或面具的攻击行为。
综上，本申请实施例提供的活体检测装置，通过第一获取模块60获取待识别对象中针对指定生理部位的多个视频帧；第二获取模块70获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点；判断模块80依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，其中，指定生理部位的变化信息包括：指定生理部位的纹理变化特征。达到了避免系统会将二维照片误认为真实人脸，导致攻击成功的目的，从而实现了可以有效地检测到来源于静态平面、曲面照片或面具的攻击行为的技术效果，进而解决了在活体检测过程中照片攻击的技术问题。
需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
实施例3
根据本发明实施例，还提供了一种数据处理方法，如图7所示，包括以下步骤：
步骤S702，获取目标对象的至少两个图像数据；
步骤S704，获取至少两个图像数据中的目标对象的纹理变化特征；
步骤S706，根据纹理变化特征，对目标对象进行识别或认证。
综上，本申请实施例提供的数据处理方法，通过获取目标对象的至少两个图像数据；获取至少两个图像数据中的目标对象的纹理变化特征；根据纹理变化特征，对目标对象进行识别或认证。达到了避免系统会将二维照片误认为真实人脸，导致攻击成功的目的，从而实现了可以有效地检测到来源于静态平面、曲面照片或面具的攻击行为的技术效果，进而解决了在活体检测过程中照片攻击的技术问题。
实施例4
根据本发明实施例，还提供了一种可选的活体检测方法，如图8所示，包括以下步骤：
步骤S802，获取目标对象的至少两个图形数据，其中，图形数据包括三角面片信息；
步骤S804，获取至少两个图形数据中的三角面片信息的变化特征；
步骤S806，根据变化特征，对目标对象进行识别或认证。
综上，本申请实施例提供的活体检测方法，通过获取目标对象的至少两个图形数据，其中，图形数据包括三角面片信息；获取至少两个图形数据中的三角面片信息的变化特征；根据变化特征，对目标对象进行识别或认证。达到了避免系统会将二维照片误认为真实人脸，导致攻击成功的目的，从而实现了可以有效地检测到来源于静态平面、曲面照片或面具的攻击行为的技术效果，进而解决了在活体检测过程中照片攻击的技术问题。
实施例5
根据本发明实施例，还提供了一种可选的活体检测方法，如图9所示，包括以下步骤：
步骤S902，获取待识别对象中针对指定生理部位的多个视频帧；
本申请中的待识别对象为需要进行活体(也即真实人脸)检测的对象，本申请中的指定生理部位可以为人脸，在采用摄像头对待识别对象的真实人脸进行检测时，获取待识别对象中针对指定生理部位的多个视频帧。
在本申请另一个实施例中，当指定生理部位为人的手掌，在采用摄像头对待识别对象的手掌进行检测时，获取针对待识别对象的手掌的多个视频帧。
在一种可选的实施例中，获取待识别对象中针对指定生理部位的多个视频帧之前，进行数据准备，使用电子终端(例如，手机)的摄像头拍摄多个对象重复摇头、点头、左右移动、上下移动的视频，拍摄时每个对象每动作重复预设数量次(例如，5次)。再使用上述视频通过截帧的方式获得同一对象脸部(对应上述的指定生理部位)的单帧图像，制作成平面照片、沿垂直或水平轴翻转的曲面照片和人脸面具，用手机拍摄其模拟上述动作的视频。其中，模拟方式至少包括以下一种方法：沿水平、垂直轴旋转和左右、上下移动，每种方式重复预设数量次。最后，使用手机拍摄手机屏幕和电脑屏幕中的同一单帧图像，通过相同的旋转、移动手机的方式模拟上述动作，并重复预设数量次，得到用于训练分类器的活体数据集。从而在后续获取待识别对象中针对指定生理部位的多个视频帧时，可以从预先得到的用于训练分类器的活体数据集中获取。
步骤S904，获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点；
也即，从多个视频帧中获取至少包括一个待识别对象中针对指定生理部位的关键点(对应上述的特征点)的视频帧，得到多个关键帧。
在一种可选的实施例中，获取多个视频帧中的关键帧，得到多个关键帧，包括：将多个视频帧中的指定帧作为参考关键帧，其中，指定帧的帧图像中包括至少一个特征点；获取与参考关键帧的关系值大于第一阈值的视频帧，得到关键帧，其中，关系值用于反映参考关键帧与多个视频帧中至少一个视频帧的差异程度。
例如，定义待识别对象的人脸的中心坐标(xc,yc)为：
其中(xi,yi)为第i个人脸关键点的坐标。定义人脸的尺寸为：
设视频中检测到人脸并得到人脸关键点定位结果的第一帧为关键帧(对应上述的参考关键帧)。再对所有定位到人脸关键点的帧计算人脸的中心坐标和尺寸，若某帧满足：
‖(xc,yc)-(x′c,y′c)‖∞>0.15s
其中，0.15s对应上述的第一阈值，(x′c,y′c)为该帧上一个关键帧中的人脸中心坐标，则认为人脸发生了足够的姿态变化，令该帧为下一个关键帧。系统保存当前帧的上一个关键帧中的视频图像和人脸关键点。
需要说明的是，若当前得到的关键帧数量小于预设数量(例如，2个)，则不输出活体检测结果，若当前得到的关键帧数量不小于预设数量，根据后续步骤继续进行活体检测。
在一种可选的实施例中，为了提升对活体检测的准确性，对关键帧中的人脸图像中的亮度归一化，具体地，对所有关键帧中的视频图像I，设其坐标(x,y)处的像素值为I(x,y)，则亮度归一化后的视频图像各点像素值为：
其中μ(x,y)为：
即，I(x,y)在其邻域内的均值，其中δ(i,j)当(i,j)在视频图像I内部时为1，否则为0，邻域宽度r为该帧人脸尺寸的0.1倍。在后续步骤中，在亮度归一化的人脸图像中，根据人脸关键帧中的变化信息，确定待识别对象是否为活体。
需要说明的是，在本申请中对于关键帧中的人脸图像中的亮度归一化的方法不限定为上述方法，还可以为其它方法，具体的亮度归一化方法在本申请中不作限定。
步骤S906，依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，其中，指定生理部位的变化信息包括：指定生理部位的形状变化特征。
例如，指定生理部位可以为人脸，上述的指定生理部位的变化信息包括：人脸的形状变化特征，进一步地，采用摄像头对待识别对象人脸检测时，根据人脸的纹理变化特征确定待识别对象是否为活体。
综上，本申请实施例提供的活体检测方法，通过获取待识别对象中针对指定生理部位的多个视频帧；获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的形状变化特征。达到了避免系统会将二维照片误认为真实人脸，导致攻击成功的目的，从而实现了可以有效地检测到来源于静态平面、曲面照片或面具的攻击行为的技术效果，进而解决了在活体检测过程中照片攻击的技术问题。
可选的，在本申请实施例提供的活体检测方法中，通过依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体之前，该方法还包括：获取所述多个关键帧中所述指定生理部位在相邻关键帧中的形状变化特征，将所述形状变化特征作为所述指定生理部位的变化信息；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据纹理变化特征确定第二置信度，依据所述第二置信度确定当前识别对象是否为活体，其中，所述第二置信度用于指示所述形状变化特征来自于活体的概率。
通过上述方案，将相邻关键帧的形状变化特征作为指定生理部位的变化信息；再依据形状变化特征确定指示形状变化特征来自于活体的概率(对应上述的第一置信度)，依据第一置信度确定当前识别对象是否为活体，也即通过上述方案根据相邻关键帧的人脸关键点定位结果计算人脸区域纹理变化，并由此判断人脸是否为真实人脸。
实施例6
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行应用程序的活体检测方法中以下步骤的程序代码：获取待识别对象中针对指定生理部位的多个视频帧；获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，其中，指定生理部位的变化信息包括：指定生理部位的纹理变化特征。
可选地，图10是根据本发明实施例的一种计算机终端的结构框图。如图10所示，该计算机终端10可以包括：一个或多个(图中仅示出一个)处理器和存储器。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的安全活体检测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的系统漏洞攻击的检测方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取待识别对象中针对指定生理部位的多个视频帧；获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，其中，指定生理部位的变化信息包括：指定生理部位的纹理变化特征。
可选的，上述处理器还可以执行如下步骤的程序代码：依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体之前，该方法还包括：获取多个关键帧中指定生理部位在相邻关键帧的纹理变化特征，将纹理变化特征作为指定生理部位的变化信息；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据纹理变化特征确定第一置信度，依据第一置信度确定当前识别对象是否为活体，其中，第一置信度用于指示纹理变化特征来自于活体的概率。
可选的，上述处理器还可以执行如下步骤的程序代码：获取多个关键帧中指定生理部位在相邻关键帧的纹理变化特征，包括：将待识别对象在相邻关键帧的帧图像上的区域划分为多个子区域；获取多个子区域中至少一个子区域内的纹理变化特征；将获取的所有子区域的纹理变化特征确定指定生理部位在相邻关键帧的纹理变化特征。
可选的，上述处理器还可以执行如下步骤的程序代码：将待识别对象在相邻关键帧的帧图像上的区域划分为多个子区域，包括：获取待识别对象在相邻关键帧中的特征点坐标；将预设数量个特征点坐标作为子区域的顶点，并关联顶点，得到子区域。
可选的，上述处理器还可以执行如下步骤的程序代码：依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体之前，该方法还包括：获取多个关键帧中指定生理部位在相邻关键帧中的形状变化特征，将形状变化特征作为指定生理部位的变化信息；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据纹理变化特征确定第二置信度，依据第二置信度确定当前识别对象是否为活体，其中，第二置信度用于指示形状变化特征来自于活体的概率。
可选的，上述处理器还可以执行如下步骤的程序代码：依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体之前，该方法还包括：获取多个关键帧中指定生理部位在相邻关键帧的纹理变化特征，以及指定生理部位在相邻关键帧中的形状变化特征；依据纹理变化特征和形状变化特征分别确定第一置信度和第二可信度，依据第一置信度和第二置信度共同确定当前识别对象是否为活体，其中，第一置信度用于指示纹理变化特征来自于活体的概率，第二置信度用于指示形状变化特征来自于活体的概率。
可选的，上述处理器还可以执行如下步骤的程序代码：依据第一置信度和第二置信度共同确定当前识别对象是否为活体，包括：确定第一置信度和第二置信度中的最小值；依据最小值确定当前识别对象是否为活体。
可选的，上述处理器还可以执行如下步骤的程序代码：获取多个视频帧中的关键帧，得到多个关键帧，包括：将多个视频帧中的指定帧作为参考关键帧，其中，指定帧的帧图像中包括至少一个特征点；获取与参考关键帧的关系值大于第一阈值的视频帧，得到关键帧，其中，关系值用于反映参考关键帧与多个视频帧中至少一个视频帧的差异程度。
可选的，上述处理器还可以执行如下步骤的程序代码：
采用本发明实施例，提供了一种依据指定生理部位的变化信息确定待识别对象是否为活体的方案，通过获取待识别对象中针对指定生理部位的多个视频帧；获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，达到了避免系统会将二维照片误认为真实人脸，导致攻击成功的目的，从而实现了可以有效地检测到来源于静态平面、曲面照片或面具的攻击行为的技术效果，进而解决了在活体检测过程中照片攻击的技术问题。
本领域普通技术人员可以理解，图10所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图10所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的活体检测方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取待识别对象中针对指定生理部位的多个视频帧；获取多个视频帧中的关键帧，得到多个关键帧，其中，关键帧的帧图像中至少包括一个待识别对象的特征点；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，其中，指定生理部位的变化信息包括：指定生理部位的纹理变化特征。
依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体之前，该方法还包括：获取多个关键帧中指定生理部位在相邻关键帧的纹理变化特征，将纹理变化特征作为指定生理部位的变化信息；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据纹理变化特征确定第一置信度，依据第一置信度确定当前识别对象是否为活体，其中，第一置信度用于指示纹理变化特征来自于活体的概率。
获取多个关键帧中指定生理部位在相邻关键帧的纹理变化特征，包括：将待识别对象在相邻关键帧的帧图像上的区域划分为多个子区域；获取多个子区域中至少一个子区域内的纹理变化特征；将获取的所有子区域的纹理变化特征确定指定生理部位在相邻关键帧的纹理变化特征。
将待识别对象在相邻关键帧的帧图像上的区域划分为多个子区域，包括：获取待识别对象在相邻关键帧中的特征点坐标；将预设数量个特征点坐标作为子区域的顶点，并关联顶点，得到子区域。
依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体之前，该方法还包括：获取多个关键帧中指定生理部位在相邻关键帧中的形状变化特征，将形状变化特征作为指定生理部位的变化信息；依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据纹理变化特征确定第二置信度，依据第二置信度确定当前识别对象是否为活体，其中，第二置信度用于指示形状变化特征来自于活体的概率。
依据多个关键帧中指定生理部位的变化信息，确定待识别对象是否为活体之前，该方法还包括：获取多个关键帧中指定生理部位在相邻关键帧的纹理变化特征，以及指定生理部位在相邻关键帧中的形状变化特征；依据纹理变化特征和形状变化特征分别确定第一置信度和第二可信度，依据第一置信度和第二置信度共同确定当前识别对象是否为活体，其中，第一置信度用于指示纹理变化特征来自于活体的概率，第二置信度用于指示形状变化特征来自于活体的概率。
依据第一置信度和第二置信度共同确定当前识别对象是否为活体，包括：确定第一置信度和第二置信度中的最小值；依据最小值确定当前识别对象是否为活体。
获取多个视频帧中的关键帧，得到多个关键帧，包括：将多个视频帧中的指定帧作为参考关键帧，其中，指定帧的帧图像中包括至少一个特征点；获取与参考关键帧的关系值大于第一阈值的视频帧，得到关键帧，其中，关系值用于反映参考关键帧与多个视频帧中至少一个视频帧的差异程度。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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全部或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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (16)
1.一种活体检测方法，其特征在于，包括：
获取待识别对象中针对指定生理部位的多个视频帧；
获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；
依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的纹理变化特征。
2.根据权利要求1所述的方法，其特征在于，
依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体之前，所述方法还包括：获取所述多个关键帧中所述指定生理部位在相邻关键帧的纹理变化特征，将所述纹理变化特征作为所述指定生理部位的变化信息；
依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，包括：
依据所述纹理变化特征确定第一置信度，依据所述第一置信度确定当前识别对象是否为活体，其中，所述第一置信度用于指示所述纹理变化特征来自于活体的概率。
3.根据权利要求2所述的方法，其特征在于，获取所述多个关键帧中所述指定生理部位在相邻关键帧的纹理变化特征，包括：
将所述待识别对象在所述相邻关键帧的帧图像上的区域划分为多个子区域；
获取所述多个子区域中至少一个子区域内的纹理变化特征；将获取的所有子区域的纹理变化特征确定所述指定生理部位在相邻关键帧的纹理变化特征。
4.根据权利要求3所述的方法，其特征在于，将所述待识别对象在所述相邻关键帧的帧图像上的区域划分为多个子区域，包括：
获取所述待识别对象在所述相邻关键帧中的特征点坐标；
将预设数量个所述特征点坐标作为所述子区域的顶点，并关联所述顶点，得到所述子区域。
5.根据权利要求1所述的方法，其特征在于，
依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体之前，所述方法还包括：获取所述多个关键帧中所述指定生理部位在相邻关键帧的纹理变化特征，以及所述指定生理部位在相邻关键帧中的形状变化特征；
依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据所述纹理变化特征和所述形状变化特征分别确定第一置信度和第二可信度，依据所述第一置信度和第二置信度共同确定当前识别对象是否为活体，其中，所述第一置信度用于指示所述纹理变化特征来自于活体的概率，所述第二置信度用于指示所述形状变化特征来自于活体的概率。
6.根据权利要求5所述的方法，其特征在于，依据所述第一置信度和所述第二置信度共同确定当前识别对象是否为活体，包括：
确定所述第一置信度和所述第二置信度中的最小值；
依据所述最小值确定所述当前识别对象是否为活体。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，获取所述多个视频帧中的关键帧，得到多个关键帧，包括：
将所述多个视频帧中的指定帧作为参考关键帧，其中，所述指定帧的帧图像中包括至少一个特征点；
获取与所述参考关键帧的关系值大于第一阈值的视频帧，得到所述关键帧，其中，所述关系值用于反映所述参考关键帧与所述多个视频帧中至少一个视频帧的差异程度。
8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的活体检测方法。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的活体检测方法。
10.一种终端，其特征在于，包括：
图像采集装置，用于获取待识别对象中针对指定生理部位的多个视频帧；
处理器，所述处理器运行程序，其中，所述程序运行时对于从所述图像采集装置输出的数据执行如下处理步骤：获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的纹理变化特征。
11.一种终端，其特征在于，包括：
图像采集装置，用于获取待识别对象中针对指定生理部位的多个视频帧；
存储介质，用于存储程序，其中，所述程序在运行时对于从所述图像采集装置输出的数据执行如下处理步骤：获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的纹理变化特征。
12.一种活体检测装置，其特征在于，包括：
第一获取模块，用于获取待识别对象中针对指定生理部位的多个视频帧；
第二获取模块，用于获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；
判断模块，用于依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的纹理变化特征。
13.一种数据处理方法，其特征在于，包括：
获取目标对象的至少两个图像数据；
获取所述至少两个图像数据中的目标对象的纹理变化特征；
根据所述纹理变化特征，对所述目标对象进行识别或认证。
14.一种活体检测方法，其特征在于，包括：
获取目标对象的至少两个图形数据，其中，所述图形数据包括三角面片信息；
获取所述至少两个图形数据中的三角面片信息的变化特征；
根据所述变化特征，对所述目标对象进行识别或认证。
15.一种活体检测方法，其特征在于，包括：
获取待识别对象中针对指定生理部位的多个视频帧；
获取所述多个视频帧中的关键帧，得到多个关键帧，其中，所述关键帧的帧图像中至少包括一个所述待识别对象的特征点；
依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，其中，所述指定生理部位的变化信息包括：所述指定生理部位的形状变化特征。
16.根据权利要求15所述的方法，其特征在于，
依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体之前，所述方法还包括：获取所述多个关键帧中所述指定生理部位在相邻关键帧中的形状变化特征，将所述形状变化特征作为所述指定生理部位的变化信息；
依据所述多个关键帧中所述指定生理部位的变化信息，确定待识别对象是否为活体，包括：依据纹理变化特征确定第二置信度，依据所述第二置信度确定当前识别对象是否为活体，其中，所述第二置信度用于指示所述形状变化特征来自于活体的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710652099.7A CN109389002A (zh) | 2017-08-02 | 2017-08-02 | 活体检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710652099.7A CN109389002A (zh) | 2017-08-02 | 2017-08-02 | 活体检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109389002A true CN109389002A (zh) | 2019-02-26 |
Family
ID=65412128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710652099.7A Pending CN109389002A (zh) | 2017-08-02 | 2017-08-02 | 活体检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109389002A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378219A (zh) * | 2019-06-13 | 2019-10-25 | 北京迈格威科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
| CN110517766A (zh) * | 2019-08-09 | 2019-11-29 | 上海依智医疗技术有限公司 | 识别脑萎缩的方法及装置 |
| CN111523438A (zh) * | 2020-04-20 | 2020-08-11 | 支付宝实验室(新加坡)有限公司 | 一种活体识别方法、终端设备和电子设备 |
| CN112016437A (zh) * | 2020-08-26 | 2020-12-01 | 中国科学院重庆绿色智能技术研究院 | 一种基于人脸视频关键帧的活体检测方法 |
| WO2021000415A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技（深圳）有限公司 | 活体用户检测方法、装置、计算机设备和存储介质 |
| CN112749603A (zh) * | 2019-10-31 | 2021-05-04 | 上海商汤智能科技有限公司 | 活体检测方法、装置、电子设备及存储介质 |
| CN112966666A (zh) * | 2021-04-01 | 2021-06-15 | 支付宝(杭州)信息技术有限公司 | 活体识别方法、装置、电子设备和服务器 |
| CN113158991A (zh) * | 2021-05-21 | 2021-07-23 | 南通大学 | 一种嵌入式智能人脸检测与跟踪系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679118A (zh) * | 2012-09-07 | 2014-03-26 | 汉王科技股份有限公司 | 一种人脸活体检测方法及系统 |
| CN104794464A (zh) * | 2015-05-13 | 2015-07-22 | 上海依图网络科技有限公司 | 一种基于相对属性的活体检测方法 |
| CN106557726A (zh) * | 2015-09-25 | 2017-04-05 | 北京市商汤科技开发有限公司 | 一种带静默式活体检测的人脸身份认证系统及其方法 |
| CN106778518A (zh) * | 2016-11-24 | 2017-05-31 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
| CN106897675A (zh) * | 2017-01-24 | 2017-06-27 | 上海交通大学 | 双目视觉深度特征与表观特征相结合的人脸活体检测方法 |
-
2017
- 2017-08-02 CN CN201710652099.7A patent/CN109389002A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679118A (zh) * | 2012-09-07 | 2014-03-26 | 汉王科技股份有限公司 | 一种人脸活体检测方法及系统 |
| CN104794464A (zh) * | 2015-05-13 | 2015-07-22 | 上海依图网络科技有限公司 | 一种基于相对属性的活体检测方法 |
| CN106557726A (zh) * | 2015-09-25 | 2017-04-05 | 北京市商汤科技开发有限公司 | 一种带静默式活体检测的人脸身份认证系统及其方法 |
| CN106778518A (zh) * | 2016-11-24 | 2017-05-31 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
| CN106897675A (zh) * | 2017-01-24 | 2017-06-27 | 上海交通大学 | 双目视觉深度特征与表观特征相结合的人脸活体检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 石明国 主编: "《现代医学影像技术学》", 30 April 2007, 陕西科学技术出版社 * |
| 董守斌 等著: "《网络信息检索》", 30 April 2010 * |
| 赵荣椿 等著: "《数字图像处理》", 30 April 2016 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378219A (zh) * | 2019-06-13 | 2019-10-25 | 北京迈格威科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
| CN110378219B (zh) * | 2019-06-13 | 2021-11-19 | 北京迈格威科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
| WO2021000415A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技（深圳）有限公司 | 活体用户检测方法、装置、计算机设备和存储介质 |
| CN110517766A (zh) * | 2019-08-09 | 2019-11-29 | 上海依智医疗技术有限公司 | 识别脑萎缩的方法及装置 |
| CN112749603A (zh) * | 2019-10-31 | 2021-05-04 | 上海商汤智能科技有限公司 | 活体检测方法、装置、电子设备及存储介质 |
| CN111523438A (zh) * | 2020-04-20 | 2020-08-11 | 支付宝实验室(新加坡)有限公司 | 一种活体识别方法、终端设备和电子设备 |
| CN111523438B (zh) * | 2020-04-20 | 2024-02-23 | 支付宝实验室(新加坡)有限公司 | 一种活体识别方法、终端设备和电子设备 |
| CN112016437A (zh) * | 2020-08-26 | 2020-12-01 | 中国科学院重庆绿色智能技术研究院 | 一种基于人脸视频关键帧的活体检测方法 |
| CN112016437B (zh) * | 2020-08-26 | 2023-02-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于人脸视频关键帧的活体检测方法 |
| CN112966666A (zh) * | 2021-04-01 | 2021-06-15 | 支付宝(杭州)信息技术有限公司 | 活体识别方法、装置、电子设备和服务器 |
| CN113158991A (zh) * | 2021-05-21 | 2021-07-23 | 南通大学 | 一种嵌入式智能人脸检测与跟踪系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109389002A (zh) | 活体检测方法及装置 | |
| CN106897658B (zh) | 人脸活体的鉴别方法和装置 | |
| CN108319953B (zh) | 目标对象的遮挡检测方法及装置、电子设备及存储介质 | |
| CN108351961B (zh) | 以图像为基础的生物识别系统及计算机实施方法 | |
| CN107679448B (zh) | 眼球动作分析方法、装置及存储介质 | |
| CN109583449A (zh) | 字符识别方法及相关产品 | |
| CN106056064B (zh) | 一种人脸识别方法及人脸识别装置 | |
| CN103902977B (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
| CN109086718A (zh) | 活体检测方法、装置、计算机设备及存储介质 | |
| CN107633204A (zh) | 人脸遮挡检测方法、装置及存储介质 | |
| CN108235770A (zh) | 图像识别方法及云端系统 | |
| CN107633205B (zh) | 嘴唇动作分析方法、装置及存储介质 | |
| CN106874826A (zh) | 人脸关键点跟踪方法和装置 | |
| CN109657554A (zh) | 一种基于微表情的图像识别方法、装置以及相关设备 | |
| CN105100547A (zh) | 活性测试方法和设备及图像处理方法和设备 | |
| CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
| CN111767760A (zh) | 活体检测方法和装置、电子设备及存储介质 | |
| CN110287889A (zh) | 一种身份识别的方法及装置 | |
| CN105335719A (zh) | 活体检测方法及装置 | |
| CN110674664A (zh) | 视觉注意力的识别方法及系统、存储介质、处理器 | |
| CN108198130A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN109670517A (zh) | 目标检测方法、装置、电子设备和目标检测模型 | |
| CN107844742A (zh) | 人脸图像眼镜去除方法、装置及存储介质 | |
| CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
| CN109711357A (zh) | 一种人脸识别方法及装置 |
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: 20190226 |
|
| RJ01 | Rejection of invention patent application after publication |