CN109472269A - 图像特征配置及校验方法、装置、计算机设备及介质 - Google Patents
图像特征配置及校验方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN109472269A CN109472269A CN201811208048.6A CN201811208048A CN109472269A CN 109472269 A CN109472269 A CN 109472269A CN 201811208048 A CN201811208048 A CN 201811208048A CN 109472269 A CN109472269 A CN 109472269A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- human body
- key point
- body key
- 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 43
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000001815 facial effect Effects 0.000 claims description 49
- 230000014509 gene expression Effects 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000009432 framing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 210000003414 extremity Anatomy 0.000 description 45
- 230000006399 behavior Effects 0.000 description 31
- 210000000887 face Anatomy 0.000 description 12
- 210000004709 eyebrow Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 210000002310 elbow joint Anatomy 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000003032 wing Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种图像特征配置及校验方法、装置、计算机设备及介质，该方法包括：获取N个第一图像，其中，N为大于等于2的正整数；根据预设训练模型获取N个所述第一图像的人体关键点；根据N个所述第一图像的人体关键点获取第一人像特征；将所述第一人像特征配置为标准图像特征；获取第二图像，根据所述预设训练模型获取所述第二图像的人体关键点；根据所述第二图像的人体关键点获取第二人像特征；将所述第二人像特征与所述标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。本发明提供的技术方案可以使图像特征配置的准确度高，非用户本人难以假冒进行登录，从而保证用户的信息安全。
Description
技术领域
本发明属于图像识别领域，更具体地说，是涉及一种图像特征配置及校验方法、装置、计算机设备及存储介质。
背景技术
目前，手机的使用越来越普遍，而手机上的用户的信息安全也越来越受到人们的重视。为了保护用户的信息安全，通常对手机登录的方式进行加密，而比较常见的加密方式有很多种，例如滑块、密码、语音、人像或者指纹等。由于这些加密方式的解锁方式都是单一的，有一定的破解方式，且破解的难度不是很大，因此，用户的信息安全依然无法得到很好的保证。
发明内容
本发明实施例提供一种图像特征配置及校验方法、装置、设备及存储介质，以解决用户登录方式容易被破解的问题。
一种图像特征配置及校验方法，包括：
获取N个第一图像，其中，N为大于等于2的正整数；
根据预设训练模型获取N个所述第一图像的人体关键点；
根据N个所述第一图像的人体关键点获取第一人像特征；
将所述第一人像特征配置为为标准图像特征；
获取第二图像，根据所述预设训练模型获取所述第二图像的人体关键点；
根据所述第二图像的人体关键点获取第二人像特征；
将所述第二人像特征与所述标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。
一种图像特征配置及校验装置，包括：
第一图像获取模块，用于获取N个第一图像，其中，N为大于等于2的正整数；
第一人体关键点获取模块，用于根据预设训练模型获取N个所述第一图像的人体关键点；
第一人像特征获取模块，用于根据N个所述第一图像的人体关键点获取第一人像特征；
标准图像特征配置模块，用于将所述第一人像特征配置为标准图像特征；
第二人体关键点获取模块，用于获取第二图像，根据所述预设训练模型获取所述第二图像的人体关键点；
第二人像特征获取模块，用于根据所述第二图像的人体关键点获取第二人像特征；
人像特征匹配验证模块，用于将所述第二人像特征与所述标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述图像特征配置及校验方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述图像特征配置及校验方法的步骤。
上述图像特征配置及校验方法、装置、计算机设备及存储介质，通过获取N个第一图像，根据预设训练模型获取N个第一图像的人体关键点；根据N个第一图像的人体关键点获取第一人像特征，将第一人像特征配置为标准图像特征；然后获取第二图像，根据预设训练模型获取第二图像的人体关键点；根据第二图像的人体关键点获取第二人像特征，最后将第二人像特征与标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。一方面，当将标准图像特征作为登录的凭证后，用户不需要输入密码进行登录，方便了用户的操作。另一方面，根据人体关键点获取人像特征，将获取的人像特征设置为标准图像特征，可以使图像特征的配置更有代表性，提高图像特征配置的准确性。进一步地，将标准图像特征作为用户登录的凭证，可以使用户可以输入自定义的面部动作或行为动作用作登录验证的凭证，非用户本人难以获知登录的凭证，从而无法进行破解，无法假冒用户进行登录，从而提高了用户信息的安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中图像特征配置及校验方法的一应用环境示意图；
图2是本发明一实施例中图像特征配置及校验方法的一流程图；
图3是本发明一实施例中图像特征配置及校验方法的另一流程图；
图4是本发明一实施例中图像特征配置及校验方法的另一流程图；
图5是本发明一实施例中图像特征配置及校验方法的另一流程图；
图6是本发明一实施例中图像特征配置及校验方法的另一流程图；
图7是本发明一实施例中图像特征配置及校验装置的一原理框图；
图8是本发明一实施例中图像特征配置及校验装置中的第一人像特征获取模块的一原理框图；
图9是本发明一实施例中图像特征配置及校验装置中的第一人像特征获取模块的另一原理框图；
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
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，所描述的实施例是本发明一部分实施例，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作出创造性劳动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。
本申请提供的图像特征配置及校验方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信，服务端通过客户端获取N个第一图像，根据预设训练模型获取N个第一图像的人体关键点；根据N个第一图像的人体关键点获取第一人像特征；将第一人像特征配置为标准图像特征；然后服务端获取第二图像，根据预设训练模型获取第二图像的人体关键点；根据第二图像的人体关键点获取第二人像特征；最后将第二人像特征与标准图像特征进行匹配，若匹配成功，则向客户端输出验证通过的结果。其中，客户端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种图像特征配置及校验方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
S10：获取N个第一图像，其中，N为大于等于2的正整数。
其中，第一图像为用户设置图像特征时采集的用户人像。可选地，可以通过客户端的拍摄工具对用户人像进行采集获得，例如通过手机的相机的拍摄功能进行用户人像采集获得。可选地，为了保证第一图像对应的用户为用户本人，在采集第一图像之前，由服务端向客户端发送用户登录验证，使用户输入密码或指纹等方式进行登录验证；若登录验证的结果为通过，再发送采集第一图像的指令至客户端进行第一图像的采集。
为了加强图像特征的代表性，可选地，第一图像的个数为N个，N为大于等于2的正整数。第一图像可以是多幅静态图像，也可以是通过录制视频数据后获取的多幅图像。在一个实施例中，如图3所示，步骤S10具体可以包括：
S11：获取第一视频数据。
其中，第一视频数据是对用户本人录制的视频，例如是录制用户眨眼的视频。
具体地，服务端向客户端发送采集第一图像的指令，客户端根据采集第一图像的指令打开拍摄工具，录制用户的视频，得到第一视频数据。
S12：将第一视频数据按照预设时间进行分帧，获取N个待处理图像。
其中，预设时间可以根据实际情况进行具体设定。可选地，可以获取第一视频数据的总帧数和总体时间，再根据总帧数除以总体时间得到预设时间。服务端再根据得到的预设时间对第一视频数据进行分帧，可以得到N个待处理图像。
S13：创建归一化图像，获取归一化图像的高度和宽度信息，并基于高度和宽度信息获取N个待处理图像的归一化后的图像，将归一化后的图像替换N个待处理图像的原像素值，得到N个第一图像。
具体地，服务端首先创建归一化的图像，例如260*260像素的图像；然后获取归一化的图像的高度和宽度信息；接着计算待处理图像按照归一化的图像的高度和宽度信息进行归一化后的图像，并将归一化后的图像替换原来的待处理图像的像素值，即可得到N个第一图像。
在图3对应的实施例中，通过获取第一视频数据；将所述第一视频数据按照预设时间进行分帧，获取N个待处理图像；创建归一化图像，获取所述归一化图像的高度和宽度信息，并基于所述高度和宽度信息获取所述N个待处理图像的归一化后的图像，将所述归一化后的图像替换所述N个待处理图像的原像素值，得到所述N个第一图像。可以使用户根据需要输入自定义的面部动作和行为动作用作标准图像特征，使图像特征配置更加准确；且不用多次进行拍摄采集，提高了第一图像的获取效率。
S20：根据预设训练模型获取N个第一图像的人体关键点。
其中，预设训练模型可以是人脸检测模型、特征点检测模型、姿态检测模型和情绪检测模型等等。人体关键点是指第一图像中体现人体特征的点，例如眉毛、眼情、嘴巴、肩膀、肘关节和手腕等。可选地，预设训练模型可以通过输入标注有关键点的样本图像进行训练，学习人体关键点的获取。当将第一图像输入到预设训练模型时，预设训练模型可以对第一图像中的人体关键点进行识别，从而获取第一图像的人体关键点。
S30：根据N个第一图像的人体关键点获取第一人像特征。
其中，第一人像特征是指由N个第一图像的人体关键点的特征组成的人像特征，用于判断是否为用户本人的凭证。例如，第一人像特征可以是面部特征、表情特征或行为动作特征等。可选地，可以将表情特征与行为动作特征组合作为第一人像特征，即根据用户的面部表情和肢体动作结合作为登录的凭证，提高用户信息的安全性。行为动作特征是指用户设置登录凭证时录入的自定义行为动作，例如对着摄像头作一个抬手动作或者眨一下左眼，又或者是眨一下左眼和抬一下右手这样的组合动作。即行为动作特征可以为一个单独的行为动作，也可以是复数个行为动作的组合。
具体地，第一人像特征可以由预设训练模型对人体关键点的特征进行提取、计算或识别后得到。可选地，可以采用预设训练模型对人体关键点形成的表情特征进行提取和识别，例如通过眉毛倾斜的角度、嘴巴下移和眼脸上扬的角度等特征，识别出相应的面部表情，得到对应的表情特征。可选地，可以通过对人体关键点的位置进行跟踪，将人体关键点的位置的变化作为行为动作特征。例如通过获取用户自定义的抬手动作的视频数据，对根据视频数据获得的多幅第一图像建立坐标系，获取手腕这一人体关键点在这多幅第一图像中从A位置移动到B位置的坐标变化信息，根据坐标变化信息可得到手腕这一人体关键点的位置的变化信息，从而获取用户自定义的抬手动作的行为动作特征。
S40：将第一人像特征配置为标准图像特征。
具体地，将第一人像特征与用户ID在服务端的数据库中进行绑定并保存作为标准图像特征，完成图像特征的配置，使标准图像特征作为用户登录的凭证。其中，用户ID为服务端用于区分不同用户的标识，可以为用户的手机号、账号或身份证号等。可选地，可以将标准图像特征与其它形式的密码组合作为用户登录的凭证，例如与数字密码组合，可以使用户信息的安全性进一步加强。
S50：获取第二图像，根据预设训练模型获取第二图像的人体关键点。
其中，第二图像是指在用户进行登录验证时获取的人像图像。可选地，第二图像的个数为至少一个。
具体地，当用户进行登录时，通过客户端的拍摄工具获取第二图像。当获取到第二图像后，将第二图像输入到预设训练模型中，根据预设训练模型获取第二图像的人体关键点。其中，获取第二图像的人体关键点的过程与获取第一图像的人体关键点的过程相同，这里不再赘述。
S60：根据第二图像的人体关键点获取第二人像特征。
其中，根据第二图像的人体关键点获取第二人像特征的过程与获取第一人像特征的过程相同，这里不再赘述。可以理解，第二人像特征与第一人像特征的类型相同，例如都为面部特征、表情特征或行为动作特征等。
S70：将第二人像特征与标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。
具体地，服务端将第二人像特征与标准图像特征进行匹配，判断获取的第二人像特征与标准图像特征是否相符。可选地，当标准图像特征对应的为面部特征时，将第二人像特征中的每一个面部特征与标准图像特征中的每一个面部特征进行比较，判断面部特征是否相同，例如眉毛是否为上扬或嘴角是否为下移等，若面部特征相同，则判定匹配成功，否则判定匹配失败。当标准图像特征对应的为表情特征时，将第二人像特征对应的表情与标准图像特征对应的表情进行比较，判断表情的结果是否相同，例如表情的结果是否为高兴、悲伤或惊讶等，若表情的结果相同，则判定匹配成功，否则判定匹配失败。当标准图像特征对应的为行为特征时，将第二人像特征中行为动作的结果与标准图像特征中的行为动作的结果进行比较，判断行为动作的结果是否一致，例如标准图像特征中的行为动作的结果为左手抬手，则判断第二人像特征的行为动作的结果是否也为左手抬手，若行为动作的结果一致，则判定匹配成功，否则判定匹配失败。
具体地，若服务端判断第二人像特征与标准图像特征相匹配，则输出验证通过的结果，允许用户登陆。若服务端判断第二人像特征与标准图像特征不匹配，则输出验证不通过的结果，拒绝用户登陆。可以理解，当其它用户想假冒用户进行登录时，由于不知道标准图像特征对应的是表情特征，还是行为动作特征，还是表情特征和行为动作特征的组合，并且不知道具体的表情特征和行为动作特征，因此难以破解。
在图2对应的实施例中，通过获取N个第一图像，然后根据预设训练模型获取N个第一图像的人体关键点；根据N个第一图像的人体关键点获取第一人像特征，将第一人像特征配置为标准图像特征；然后获取第二图像，根据预设训练模型获取第二图像的人体关键点；根据第二图像的人体关键点获取第二人像特征，最后将第二人像特征与标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。一方面，当将标准图像特征作为登录的凭证后，用户不需要输入密码进行登录，方便了用户的操作。另一方面，根据人体关键点获取人像特征，将获取的人像特征配置为标准图像特征，可以使图像特征的配置更有代表性，提高图像特征配置的准确性。进一步地，将标准图像特征作为用户登录的凭证，可以使用户可以输入自定义的面部动作或行为动作用作登录验证的凭证，非用户本人难以获知登录的凭证，从而无法进行破解，无法假冒用户进行登录，从而提高了用户信息的安全性。
在一实施例中，第一人像特征可以通过对第一图像建立坐标系获取人体关键点的坐标的方式获得，如图4所示，步骤S30中，即根据N个第一图像的人体关键点获取第一人像特征，具体可以包括：
S31：根据N个第一图像的人体关键点的位置获取N个第一图像的人体关键点的坐标。
具体地，可以在采集第一图像的拍摄工具的相框中建立坐标系，可选地，以进入相框中的用户的眉心位置为原点建立坐标系，再获取第一图像的人体关键点的坐标。当用户进入相框时，采用预设训练模型对用户的人像进行绘点；当对用户的人像进行绘点时，获取绘点的坐标。例如对眉毛进行绘点时，通过坐标系可以获得眉毛绘点的坐标。可选地，当用户进入相框时，先对第一图像的人体关键点的个数进行统计，当所有必要的人体关键点全部进入相框后再获取第一图像的人体关键点的坐标。其中，必要的人体关键点可以根据训练数据获得，例如通过训练后获知，人脸和手部的人体关键点应全部进入相框才能获取相应的表情特征和手部的行为动作特征，则可以设定人脸和手部的人体关键点全部进入相框后再获取第一图像的人体关键点的坐标。
S32：采用移动指数加权平均算法对N个第一图像的人体关键点的坐标进行计算，获得第一特征区间值。
可以理解，由于第一图像是N个，当采用预设训练模型对人体关键点进行绘点时，用户每次进入相框的位置可能是不同的，或者在录制视频的过程中用户的位置存在移动，因此每次得到的N个第一图像的人体关键点的坐标可能是不一样的。因此，为了使坐标更有代表性，需要对获取的坐标作进一步的计算，从而得到可以作为第一人像特征的坐标值。另外，由于对人体关键点进行绘点时，一个人体关键点得到的是一组坐标。例如对眉毛进行绘点时，由于眉毛绘点包括多个，那么获取坐标时，眉毛这一人体关键点的坐标就是一组坐标，因此对一个人体关键点，得到的一组坐标的范围值，也即一个特征区间值。
具体地，通过移动指数加权平均算法(Exponential Weighted Moving Average，简称EWMA)对获得的N个第一图像的人体关键点的坐标进行计算，将计算后的结果组成人体关键点的特征区间值。其中，X坐标用EWMA进行计算的公式可以为：
式中，X为加权平均坐标值；n为第一个图像的个数(即N)，xi为第i个坐标实际值；β为第i个的权重(权重的和等于1)；即对N个第一图像的同一个绘点进行X坐标值的EWMA计算，Y坐标的EWMA计算同理可得。然后再将得到的人体关键点的EWMA值组合在一起，形成人体关键点的第一特征区间值。其中，权重的设置可以设置为一样的，例如第一图像为3幅时，取1/3作为权重值。也可以根据动作的过程设置不同的权重，例如，在抬手的行为动作中，将起始位置和终止位置设置较大的权重，而过程中的位置设置较小的权重，即重点关注起始位置和终止位置的坐标是否到位，而不关注抬手的具体运动路线。
S33：将第一特征区间值作为第一人像特征。
具体地，将所有的人体关键点的第一特征区间值作为第一人像特征，与用户ID绑定在一起保存在服务端的数据库中。其中，用户ID可以是手机号、身份证号和账号等用于区分不同用户的标识。
在图4对应的实施例中，通过N个第一图像的人体关键点的位置获取N个第一图像的人体关键点的坐标；然后采用移动指数加权平均算法对N个第一图像的人体关键点的坐标进行计算，获得第一特征区间值；最后将第一特征区间值作为第一人像特征。通过移动指数加权平均算法获取用户的人像特征，可以根据第一图像平滑地返回用户人像的特征数据作为第一人像特征，提高图像特征配置的准确率。进一步地，将根据本实施例得到的第一人像特征形成标准图像特征作为登录的凭证，可以有效地避免未经用户授权就进行登录或假冒用户进行登录的情况，从而提高了用户信息的安全性。
在一实施例中，第一人像特征可以由预设训练模型进行特征提取或者识别后获得，其中，预设训练模型包括微表情识别模型和姿态识别模型，具体地，如图5所示，步骤S30中，即根据N个第一图像的人体关键点获取第一人像特征，还可以包括：
S31’：根据N个第一图像的人体关键点获取第一人脸图像集和第一肢体图像集。
具体地，根据人体关键点将N个第一图像划分为第一人脸图像集和第一肢体图像集。可选地，可以通过将标注有区域划分的样本图像输入到预设训练模型中进行训练，使其可以根据人体关键点来获取第一人脸图像和第一肢体图像。例如可以通过脖子这一人体关键点所在区域作为划分边界，将第一图像划分为第一人脸图像和第一肢体图像。并且由第一人脸图像组成第一人脸图像集，由第一肢体图像组成第一肢体图像集。
S32’：将第一人脸图像集输入到微表情识别模型中，得到标准人脸图像特征。
具体地，将第一人脸图像集输入到微表情识别模型中，根据微表情识别模型中对第一人脸图像的人体关键点的特征进行分析识别，输出第一人脸图像集的表情特征作为标准人脸图像特征。可选地，还可以判断第一人脸图像集中的第一人脸图像属于哪种表情。其中，表情特征可以包括头部特征、眼部特征和唇部特征等特征。例如头部上仰、眉毛上扬和嘴角下移等表情特征。可以理解，由于第一人脸图像集包括多幅人脸图像，用户相应的表情可能在变化中，因此可以设定在获取的表情特征稳定后再获取标准人脸图像特征。其中，表情特征稳定可以设定在连续的预设数量的人脸图像获取到同样的表情特征作为稳定的标志。
可选地，可以将第一人脸图像的表情特征作为标准人脸图像特征，也可以与表情的结果结合组成标准人脸图像特征。其中，表情的结果是指高兴、生气或悲伤等表情。可选地，当获取到第一人脸图像时，可以通过服务端连接国际的微表情数据库，从微表情数据库中识别出人脸图像的表情。其中，国际的微表情数据库包括54种微表情，可以根据人体关键点的细微变化得出具体的表情。
S33’：将第一肢体图像集输入到姿态识别模型中，得到标准肢体图像特征。
具体地，将第一肢体图像集输入到姿态识别模型中，根据姿态识别模型对第一肢体图像的人体关键点的特征作行为动作识别，输出行为动作特征作为标准肢体图像特征，例如输出行为动作为左手抬手，则将左手抬手作为标准肢体图像特征。可选地，可以预先输入一系列动作的样本集让姿态识别模型进行学习，从而使姿态识别模型识别用户的行为动作。例如将一组抬手的动作样本集输入到姿态识别模型中，从而姿态识别模型可以识别出抬手的动作。
S34’：将标准人脸图像特征和标准肢体图像特征组成第一人像特征。
具体地，将步骤S32’和步骤S33’得到的标准人脸图像特征和标准肢体图像特征组成第一人像特征。例如将高兴的表情特征和左手抬手的行为动作特征结合在一起形成第一人像特征。
在图5对应的实施例中，通过根据N个第一图像的人体关键点获取第一人脸图像集和第一肢体图像集；然后分别将第一人脸图像集输入到微表情识别模型中，得到标准人脸图像特征；将第一肢体图像集输入到姿态识别模型中，得到标准肢体图像特征；最后将标准人脸图像特征和标准肢体图像特征组成第一人像特征。通过根据微表情识别模型和姿态识别模型分别获取人脸图像特征和肢体图像特征，最后将两个特征结合形成第一人像特征，可以提高图像特征配置的准确性。进一步地，将根据本实施例得到的第一人像特征形成标准图像特征作为用户登录的凭证，可以有效地避免未经用户授权就进行登录或假冒用户进行登录的情况，从而提高了用户信息的安全性。
在一实施例中，在步骤S60中，即根据第二图像的人体关键点获取第二人像特征，如图6所示，具体可以包括：
S61：根据第二图像的人体关键点获取第二人脸图像和第二肢体图像。
其中，根据第二图像的人体关键点获取第二人脸图像和第二肢体图像的过程，与根据第一图像的关键点获取第一人脸图像集和第一肢体图像集的过程类似，即将第二图像输入至训练好的预设训练模型中，根据划分边界获得第二人脸图像和第二肢体图像。
S62：将第二人脸图像输入到微表情识别模型中，得到测试人脸图像特征。
具体地，将第二人脸图像输入到微表情识别模型中，根据微表情识别模型对第二人脸图像的人体关键点的特征进行分析识别，输出第二人脸图像的表情特征作为测试人脸图像特征，例如头部上仰、眉毛上扬和嘴角下移等表情特征。其中，测试人脸图像特征与标准人脸图像特征的设置一致，例如，若设置将第一人脸图像的表情特征与表情的结果组成标准人脸图像特征，则测试人脸图像特征也是由第二人脸图像的表情特征与表情的结果组成。
S63：将第二肢体图像输入到姿态识别模型中，得到测试肢体图像特征。
具体地，将第二肢体图像输入到姿态识别模型中，根据姿态识别模型对第二肢体图像的人体关键点的特征作行为动作识别，输出行为动作特征作为测试肢体图像特征。
S64：将测试人脸图像特征和测试肢体图像特征组成第二人像特征。
具体地，将步骤S62和步骤S63得到的测试人脸图像特征和测试肢体图像特征组成第二人像特征。
在图6对应的实施例中，通过根据第二图像的人体关键点获取第二人脸图像和第二肢体图像；然后将第二人脸图像输入到微表情识别模型中，得到测试人脸图像特征；接着将第二肢体图像输入到姿态识别模型中，得到测试肢体图像特征；最后将测试人脸图像特征和测试肢体图像特征组成第二人像特征，可以提取第二图像的人像特征用以与标准图像特征进行比较，从而实现图像特征的校验。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种图像特征配置及校验装置，该图像特征配置及校验装置与上述实施例中图像特征配置及校验方法一一对应。如图7所示，该图像特征配置及校验装置包括第一图像获取模块10、第一人体关键点获取模块20、第一人像特征获取模块30、标准图像特征配置模块40、第二人体关键点获取模块50、第二人像特征获取模块60和人像特征匹配验证模块70。各功能模块详细说明如下：
第一图像获取模块10，用于获取N个第一图像，其中，N为大于等于2的正整数。
进一步地，第一图像获取模块10还用于：
获取第一视频数据；
将第一视频数据按照预设时间进行分帧，获取N个待处理图像；
创建归一化图像，获取归一化图像的高度和宽度信息，并基于高度和宽度信息获取N个待处理图像的归一化后的图像，将归一化后的图像替换N个待处理图像的原像素值，得到N个第一图像。
第一人体关键点获取模块20，用于根据预设训练模型获取N个第一图像的人体关键点。
第一人像特征获取模块30，用于根据N个第一图像的人体关键点获取第一人像特征。
标准图像特征配置模块40，用于将第一人像特征配置为标准图像特征。
第二人体关键点获取模块50，用于获取第二图像，根据预设训练模型获取第二图像的人体关键点。
第二人像特征获取模块60，用于根据第二图像的人体关键点获取第二人像特征。
人像特征匹配验证模块70，用于将第二人像特征与标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。
进一步地，如图8所示，第一人像特征获取模块30包括坐标获取单元31、特征区间值获取单元32和第一人像特征设置单元33。
坐标获取单元31，用于根据N个第一图像的人体关键点的位置获取N个第一图像的人体关键点的坐标。
特征区间值获取单元32，用于采用移动指数加权平均算法对N个第一图像的人体关键点的坐标进行计算，获得第一特征区间值。
第一人像特征设置单元33，用于将第一特征区间值作为第一人像特征。
进一步地，预设训练模型包括微表情识别模型和姿态识别模型；可选地，如图9所示，第一人像特征获取模块30包括图像集获取单元31’、标准人脸特征获取单元32’、标准肢体特征获取单元33’和第一人像特征获取单元34’。
图像集获取单元31’，用于根据N个第一图像的人体关键点获取第一人脸图像集和第一肢体图像集。
标准人脸特征获取单元32’，用于将第一人脸图像集输入到微表情识别模型中，得到标准人脸图像特征。
标准肢体特征获取单元33’，用于将第一肢体图像集输入到姿态识别模型中，得到标准肢体图像特征。
第一人像特征获取单元34’，用于将标准人脸图像特征和标准肢体图像特征组成第一人像特征。
进一步地，第二人像特征获取模块60还用于：
根据第二图像的人体关键点获取第二人脸图像和第二肢体图像；
将第二人脸图像输入到微表情识别模型中，得到测试人脸图像特征；
将第二肢体图像输入到姿态识别模型中，得到测试肢体图像特征；
将测试人脸图像特征和测试肢体图像特征组成第二人像特征。
关于图像特征配置及校验装置的具体限定可以参见上文中对于图像特征配置及校验方法的限定，在此不再赘述。上述图像特征配置及校验装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储第一图像、第一视频数据、预设训练模型、标准图像特征、移动指数加权平均算法和特征区间值等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像特征配置及校验方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取N个第一图像，其中，N为大于等于2的正整数；
根据预设训练模型获取N个第一图像的人体关键点；
根据N个第一图像的人体关键点获取第一人像特征；
将第一人像特征配置为标准图像特征；
获取第二图像，根据预设训练模型获取第二图像的人体关键点；
根据第二图像的人体关键点获取第二人像特征；
将第二人像特征与标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取N个第一图像，其中，N为大于等于2的正整数；
根据预设训练模型获取N个第一图像的人体关键点；
根据N个第一图像的人体关键点获取第一人像特征；
将第一人像特征配置为标准图像特征；
获取第二图像，根据预设训练模型获取第二图像的人体关键点；
根据第二图像的人体关键点获取第二人像特征；
将第二人像特征与标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像特征配置及校验方法，其特征在于，包括：
获取N个第一图像，其中，N为大于等于2的正整数；
根据预设训练模型获取N个所述第一图像的人体关键点；
根据N个所述第一图像的人体关键点获取第一人像特征；
将所述第一人像特征配置为标准图像特征；
获取第二图像，根据所述预设训练模型获取所述第二图像的人体关键点；
根据所述第二图像的人体关键点获取第二人像特征；
将所述第二人像特征与所述标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。
2.如权利要求1所述的图像特征配置及校验方法，其特征在于，所述根据N个所述第一图像的人体关键点获取第一人像特征，包括：
根据N个所述第一图像的人体关键点的位置获取N个所述第一图像的人体关键点的坐标；
采用移动指数加权平均算法对N个所述第一图像的人体关键点的坐标进行计算，获得第一特征区间值；
将所述第一特征区间值作为第一人像特征。
3.如权利要求1所述的图像特征配置及校验方法，其特征在于，所述预设训练模型包括微表情识别模型和姿态识别模型；
所述根据N个所述第一图像的人体关键点获取第一人像特征，包括：
根据N个所述第一图像的人体关键点获取第一人脸图像集和第一肢体图像集；
将所述第一人脸图像集输入到所述微表情识别模型中，得到标准人脸图像特征；
将所述第一肢体图像集输入到所述姿态识别模型中，得到标准肢体图像特征；
将所述标准人脸图像特征和所述标准肢体图像特征组成所述第一人像特征。
4.如权利要求3所述的图像特征配置及校验方法，其特征在于，所述根据所述第二图像的人体关键点获取第二人像特征，包括：
根据所述第二图像的人体关键点获取第二人脸图像和第二肢体图像；
将所述第二人脸图像输入到所述微表情识别模型中，得到测试人脸图像特征；
将所述第二肢体图像输入到所述姿态识别模型中，得到测试肢体图像特征；
将所述测试人脸图像特征和所述测试肢体图像特征组成所述第二人像特征。
5.如权利要求1所述的图像特征配置及校验方法，其特征在于，所述获取N个第一图像，包括：
获取第一视频数据；
将所述第一视频数据按照预设时间进行分帧，获取N个待处理图像；
创建归一化图像，获取所述归一化图像的高度和宽度信息，并基于所述高度和宽度信息获取所述N个待处理图像的归一化后的图像，将所述归一化后的图像替换所述N个待处理图像的原像素值，得到所述N个第一图像。
6.一种图像特征配置及校验装置，其特征在于，包括：
第一图像获取模块，用于获取N个第一图像，其中，N为大于等于2的正整数；
第一人体关键点获取模块，用于根据预设训练模型获取N个所述第一图像的人体关键点；
第一人像特征获取模块，用于根据N个所述第一图像的人体关键点获取第一人像特征；
标准图像特征配置模块，用于将所述第一人像特征配置为标准图像特征；
第二人体关键点获取模块，用于获取第二图像，根据所述预设训练模型获取所述第二图像的人体关键点；
第二人像特征获取模块，用于根据所述第二图像的人体关键点获取第二人像特征；
人像特征匹配验证模块，用于将所述第二人像特征与所述标准图像特征进行匹配，若匹配成功，则输出验证通过的结果。
7.如权利要求6所述的图像特征配置及校验装置，其特征在于，所述第一人像特征获取模块包括坐标获取单元、特征区间值获取单元和第一人像特征设置单元；
所述坐标获取单元，用于根据N个所述第一图像的人体关键点的位置获取N个所述第一图像的人体关键点的坐标；
所述特征区间值获取单元，用于采用移动指数加权平均算法对N个所述第一图像的人体关键点的坐标进行计算，获得第一特征区间值；
所述第一人像特征设置单元，用于将所述第一特征区间值作为第一人像特征。
8.如权利要求6所述的图像特征配置及校验装置，其特征在于，所述预设训练模型包括微表情识别模型和姿态识别模型，所述第一人像特征获取模块包括图像集获取单元、标准人脸特征获取单元、标准肢体图像特征获取单元和第一人像特征获取单元；
所述图像集获取单元，用于根据N个所述第一图像的人体关键点获取第一人脸图像集和第一肢体图像集；
所述标准人脸特征获取单元，用于将所述第一人脸图像集输入到所述微表情识别模型中，得到标准人脸图像特征；
所述标准肢体特征获取单元，用于将所述第一肢体图像集输入到所述姿态识别模型中，得到标准肢体图像特征；
所述第一人像特征获取单元，用于将所述标准人脸图像特征和所述标准肢体图像特征组成所述第一人像特征。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述图像特征配置及校验方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述图像特征配置及校验方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811208048.6A CN109472269A (zh) | 2018-10-17 | 2018-10-17 | 图像特征配置及校验方法、装置、计算机设备及介质 |
| PCT/CN2018/122731 WO2020077822A1 (zh) | 2018-10-17 | 2018-12-21 | 图像特征配置及校验方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811208048.6A CN109472269A (zh) | 2018-10-17 | 2018-10-17 | 图像特征配置及校验方法、装置、计算机设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109472269A true CN109472269A (zh) | 2019-03-15 |
Family
ID=65665930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811208048.6A Pending CN109472269A (zh) | 2018-10-17 | 2018-10-17 | 图像特征配置及校验方法、装置、计算机设备及介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109472269A (zh) |
| WO (1) | WO2020077822A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986260A (zh) * | 2020-09-04 | 2020-11-24 | 北京小狗智能机器人技术有限公司 | 一种图像处理的方法、装置及终端设备 |
| CN112418146A (zh) * | 2020-12-02 | 2021-02-26 | 深圳市优必选科技股份有限公司 | 表情识别方法、装置、服务机器人和可读存储介质 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667479A (zh) * | 2020-06-10 | 2020-09-15 | 创新奇智(成都)科技有限公司 | 目标图像的图案核验方法及装置、电子设备、存储介质 |
| CN111968203B (zh) * | 2020-06-30 | 2023-11-14 | 北京百度网讯科技有限公司 | 动画驱动方法、装置、电子设备及存储介质 |
| CN111860372A (zh) * | 2020-07-24 | 2020-10-30 | 中国平安人寿保险股份有限公司 | 基于人工智能的表情包生成方法、装置、设备及存储介质 |
| CN112101124B (zh) * | 2020-08-20 | 2023-12-08 | 深圳数联天下智能科技有限公司 | 一种坐姿检测方法及装置 |
| CN112101123B (zh) * | 2020-08-20 | 2024-05-28 | 深圳数联天下智能科技有限公司 | 一种注意力检测方法及装置 |
| CN112257645B (zh) * | 2020-11-02 | 2023-09-01 | 浙江大华技术股份有限公司 | 人脸的关键点定位方法和装置、存储介质及电子装置 |
| CN112287866B (zh) * | 2020-11-10 | 2024-05-31 | 上海依图网络科技有限公司 | 一种基于人体关键点的人体动作识别方法及装置 |
| CN113177442B (zh) * | 2021-04-12 | 2024-01-30 | 广东省科学院智能制造研究所 | 一种基于边缘计算的人体行为检测方法及装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679159A (zh) * | 2013-12-31 | 2014-03-26 | 海信集团有限公司 | 人脸识别方法 |
| CN104537336A (zh) * | 2014-12-17 | 2015-04-22 | 厦门立林科技有限公司 | 一种具备自学习功能的人脸识别方法和系统 |
| CN204926116U (zh) * | 2015-04-21 | 2015-12-30 | 同方威视技术股份有限公司 | 一种包含视频分析的安检判图系统 |
| CN105426730A (zh) * | 2015-12-28 | 2016-03-23 | 小米科技有限责任公司 | 登录验证处理方法、装置及终端设备 |
| CN106127170A (zh) * | 2016-07-01 | 2016-11-16 | 重庆中科云丛科技有限公司 | 一种融合关键特征点的训练方法、识别方法及系统 |
| CN106295568A (zh) * | 2016-08-11 | 2017-01-04 | 上海电力学院 | 基于表情和行为双模态结合的人类自然状态情感识别方法 |
| CN106650555A (zh) * | 2015-11-02 | 2017-05-10 | 苏宁云商集团股份有限公司 | 一种基于机器学习的真人验证方法及系统 |
| WO2017107957A1 (zh) * | 2015-12-22 | 2017-06-29 | 中兴通讯股份有限公司 | 人脸图像的检索方法及装置 |
| CN107360119A (zh) * | 2016-05-09 | 2017-11-17 | 中兴通讯股份有限公司 | 一种云桌面登陆验证方法、云桌面控制系统及客户端 |
| US20170337420A1 (en) * | 2015-05-20 | 2017-11-23 | Tencent Technology (Shenzhen) Company Limited | Evaluation method and evaluation device for facial key point positioning result |
| CN107679504A (zh) * | 2017-10-13 | 2018-02-09 | 北京奇虎科技有限公司 | 基于摄像头场景的人脸识别方法、装置、设备及存储介质 |
| CN108256459A (zh) * | 2018-01-10 | 2018-07-06 | 北京博睿视科技有限责任公司 | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 |
| CN108537160A (zh) * | 2018-03-30 | 2018-09-14 | 平安科技（深圳）有限公司 | 基于微表情的风险识别方法、装置、设备及介质 |
| CN108596039A (zh) * | 2018-03-29 | 2018-09-28 | 南京邮电大学 | 一种基于3d卷积神经网络的双模态情感识别方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005242677A (ja) * | 2004-02-26 | 2005-09-08 | Ntt Comware Corp | 複合認証システムおよびその方法ならびにプログラム |
| CN102663413B (zh) * | 2012-03-09 | 2013-11-27 | 中盾信安科技(江苏)有限公司 | 一种面向多姿态和跨年龄的人脸图像认证方法 |
-
2018
- 2018-10-17 CN CN201811208048.6A patent/CN109472269A/zh active Pending
- 2018-12-21 WO PCT/CN2018/122731 patent/WO2020077822A1/zh active Application Filing
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679159A (zh) * | 2013-12-31 | 2014-03-26 | 海信集团有限公司 | 人脸识别方法 |
| CN104537336A (zh) * | 2014-12-17 | 2015-04-22 | 厦门立林科技有限公司 | 一种具备自学习功能的人脸识别方法和系统 |
| CN204926116U (zh) * | 2015-04-21 | 2015-12-30 | 同方威视技术股份有限公司 | 一种包含视频分析的安检判图系统 |
| US20170337420A1 (en) * | 2015-05-20 | 2017-11-23 | Tencent Technology (Shenzhen) Company Limited | Evaluation method and evaluation device for facial key point positioning result |
| CN106650555A (zh) * | 2015-11-02 | 2017-05-10 | 苏宁云商集团股份有限公司 | 一种基于机器学习的真人验证方法及系统 |
| WO2017107957A1 (zh) * | 2015-12-22 | 2017-06-29 | 中兴通讯股份有限公司 | 人脸图像的检索方法及装置 |
| CN105426730A (zh) * | 2015-12-28 | 2016-03-23 | 小米科技有限责任公司 | 登录验证处理方法、装置及终端设备 |
| CN107360119A (zh) * | 2016-05-09 | 2017-11-17 | 中兴通讯股份有限公司 | 一种云桌面登陆验证方法、云桌面控制系统及客户端 |
| CN106127170A (zh) * | 2016-07-01 | 2016-11-16 | 重庆中科云丛科技有限公司 | 一种融合关键特征点的训练方法、识别方法及系统 |
| CN106295568A (zh) * | 2016-08-11 | 2017-01-04 | 上海电力学院 | 基于表情和行为双模态结合的人类自然状态情感识别方法 |
| CN107679504A (zh) * | 2017-10-13 | 2018-02-09 | 北京奇虎科技有限公司 | 基于摄像头场景的人脸识别方法、装置、设备及存储介质 |
| CN108256459A (zh) * | 2018-01-10 | 2018-07-06 | 北京博睿视科技有限责任公司 | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 |
| CN108596039A (zh) * | 2018-03-29 | 2018-09-28 | 南京邮电大学 | 一种基于3d卷积神经网络的双模态情感识别方法及系统 |
| CN108537160A (zh) * | 2018-03-30 | 2018-09-14 | 平安科技（深圳）有限公司 | 基于微表情的风险识别方法、装置、设备及介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986260A (zh) * | 2020-09-04 | 2020-11-24 | 北京小狗智能机器人技术有限公司 | 一种图像处理的方法、装置及终端设备 |
| CN112418146A (zh) * | 2020-12-02 | 2021-02-26 | 深圳市优必选科技股份有限公司 | 表情识别方法、装置、服务机器人和可读存储介质 |
| CN112418146B (zh) * | 2020-12-02 | 2024-04-30 | 深圳市优必选科技股份有限公司 | 表情识别方法、装置、服务机器人和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020077822A1 (zh) | 2020-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109472269A (zh) | 图像特征配置及校验方法、装置、计算机设备及介质 | |
| JP6878572B2 (ja) | 顔認識に基づいた認証 | |
| CN109241868A (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
| Crouse et al. | Continuous authentication of mobile user: Fusion of face image and inertial measurement unit data | |
| AU2016201723B2 (en) | Method of Host-Directed Illumination and System for Conducting Host-Directed Illumination | |
| Zhao et al. | Mobile user authentication using statistical touch dynamics images | |
| KR101242390B1 (ko) | 사용자를 인증하기 위한 방법, 장치, 및 컴퓨터 판독 가능한 기록 매체 | |
| CN109508638A (zh) | 人脸情绪识别方法、装置、计算机设备及存储介质 | |
| JP6197345B2 (ja) | 生体認証装置、生体認証システム、および生体認証方法 | |
| US10922399B2 (en) | Authentication verification using soft biometric traits | |
| US8983207B1 (en) | Mitigating replay attacks using multiple-image authentication | |
| CN106557678A (zh) | 一种智能终端模式切换方法及其装置 | |
| US20190149542A1 (en) | Authenticating access to a computing resource using facial recognition based on involuntary facial movement | |
| CN108875336A (zh) | 人脸认证以及录入人脸的方法、认证设备和系统 | |
| Abate et al. | On the impact of multimodal and multisensor biometrics in smart factories | |
| EP4099198A1 (en) | Unlocking method and apparatus based on facial expression, and computer device and storage medium | |
| Findling et al. | Towards pan shot face unlock: Using biometric face information from different perspectives to unlock mobile devices | |
| Yin et al. | Fusion of face recognition and facial expression detection for authentication: a proposed model | |
| CN110738499B (zh) | 用户身份验证方法、装置、计算机设备和存储介质 | |
| CN110799986B (zh) | 一种基于面部特征点的眨眼动作识别的系统和方法 | |
| CN116226817A (zh) | 身份识别方法、装置、计算机设备和存储介质 | |
| US11775631B1 (en) | System and method for perfecting and accelerating biometric identification via evolutionary biometrics via continual registration | |
| CN112800819B (zh) | 一种人脸识别方法、装置及电子设备 | |
| CN109726625A (zh) | 反人脸识别方法、装置、终端设备及存储介质 | |
| CN109766173A (zh) | 系统切换方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1262601 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |