CN109543640A - 一种基于图像转换的活体检测方法 - Google Patents
一种基于图像转换的活体检测方法 Download PDFInfo
- Publication number
- CN109543640A CN109543640A CN201811447765.4A CN201811447765A CN109543640A CN 109543640 A CN109543640 A CN 109543640A CN 201811447765 A CN201811447765 A CN 201811447765A CN 109543640 A CN109543640 A CN 109543640A
- Authority
- CN
- China
- Prior art keywords
- image
- filter
- length
- face
- size
- 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.)
- Granted
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001574 biopsy Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000001727 in vivo Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 230000001815 facial effect Effects 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 24
- 230000004087 circulation Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于图像转换的活体检测方法，属于图像处理领域。该方法利用图像转换模型将可见光图像转换为近红外图像进行活体人脸和伪造人脸的分类，该方法利用了近红外图像中的反射差异信息，有效的提高了真人人脸和照片、视频、三维面具等伪造人脸的分类准确率和鲁棒性的同时又无需增加新的近红外硬件设备。本发明包含模型训练部分和检测部分。本发明利用近红外图像进行活体检测，方法利用了近红外图像中丰富的分类信息，有效的提高了活体检测的准确性和鲁棒性的同时又无需增加新的昂贵硬件设备；能够同时识别照片、视频、三维面具的攻击，跨数据、攻击类型的鲁棒性强；无需用户交互配合，实现了无感活体检测，用户体验好。
Description
技术领域
本发明属于图像处理领域，涉及一种基于图像转换的活体检测方法。
背景技术
目前人脸识别技术广泛应用于各类智能身份认证场景。用户身份认证对系统安全性上有较高的要求，然而传统的人脸识别系统并不辨别当前获取的图像中的人脸是活体人脸还是伪造人脸。近年来，人脸照片、人脸视频、三维面具等伪造人脸层出不穷，为了保障系统安全性，人脸活体检测也逐渐成为人脸识别系统中不可或缺的环节。目前常见的人脸活体检测的方法有基于可见光图像处理的方法和基于多光谱图像处理的方法。
基于可见光图像的方法通常分为有感检测和无感检测两大类。有感检测随机指定动作，判断用户是否完成了指定的东西来区分真人人脸和伪造人脸。无感检测通过手工设计算子或者神经网络抽取颜色纹理、微动作、图像质量等信息。有感检测需要用户配合，用户体验不佳。无感检测无需用户配合，用户体验相对较好，但是模型的跨数据迁移能力不佳，抽取的特征不够鲁棒。
基于多光谱的方法常利用近红外、远红外、热红外等多个光谱进行活体检测。真人人脸和伪造人脸的材质在近红外、远红外、热红外光谱下的反射信息有较大差异，为活体检测提供了有效而鲁棒的分类信息，但是此类方法需要增加昂贵的硬件设备，改造已有人脸识别系统的硬件设备，不利于实际的推广应用。
发明内容
有鉴于此，本发明的目的在于提供一种基于图像转换的活体检测方法。
为达到上述目的，本发明提供如下技术方案：
一种基于图像转换的活体检测方法，该方法包括模型训练部分和检测部分；
所述模型训练部分包括图像转换模型的训练和活体检测分类模型的训练；
所述图像转换模型的训练包括以下步骤：
S111：利用可见光近红外光双目摄像头采集活体人脸和伪造人脸的可见光图像和近红外光图像
S112：检测可见光图像和近红外光图像中的人脸，根据数据分辨率将人脸图像进行裁剪，裁剪大小为A，对检测到的人脸图像进行归一化处理；
S113：利用多类别图像转换生成对抗网络结构进行图像转换：多类别图像转换生成对抗网络结构由两个生成器Ga,Gb和两个判别器Da,Db组成；
其中，两个生成器组成循环结构，Ga将源域图像转换为目标域图像，Gb将目标域图像转换为源域图像；
Ga和Da，Gb和Db分别组成两组生成对抗网络；生成器学习图像数据分布，试图生成让判别器无法分辨真假的图像；判别器判断图像的真假，试图识别出所有假图像，并将真实图像分到正确的类别；两者相互博弈，相互迭代学习；
S114：利用循环损失，控制源域图像和经由两个生成器循环生成后的图像一致，目标域图像和经由两个生成器循环生成后的图像一致，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；
S115：利用像素损失，控制生成器生成的图片和目标图片从像素上一致，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；
S116：利用特征损失，控制生成器生成的图片和目标图片经由判别器后的特征一致，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；
S117：利用样式损失，控制生成器生成的图片和目标图片特征相关性一致；特征相关性即图片经由判别器后的特征的平方，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；
S118：生成器生成大小为A的图像，网络结构使用CycleGAN生成器的网络结构，由三个卷积层、九个残差块、三个反卷积层依次组成；判别器的网络在CycleGAN判别器的网络结构上做调整，前三个卷积层不变，将最后一个卷积层的输出节点改成类别数加一个；生成器和判别器的每个卷积层后接归一化层和ReLU层；生成器和判别器的网络根据实际业务更换；
S119：将可见光图像和近红外光人脸图像输入多类别图像转换生成对抗网络，生成器和判别器依次迭代更新，进行训练；
S1110：保存训练得到的图像转换模型；
所述活体检测分类模型的训练包括以下步骤：
S121：利用常用的可见光摄像头采集活体人脸和伪造人脸的可见光RGB图像；
S122：检测可见光RGB图像的人脸，将人脸图像大小裁剪为A大小，对检测到的人脸图像进行归一化处理；
S123：利用之前训练好的图像转换模型将活体人脸和伪造人脸的可见光人脸图像转换为相应的近红外人脸图像；
S124：将转换后的活体人脸和伪造人脸的近红外人脸图像输入卷积神经网络，利用随机梯度下降法进行训练；网络由5个卷积层和三个全连接层组成，每一层卷积层和前两层全连接层后进行ReLU和批量归一化处理；第一层全连接层后使用dropout舍弃部分参数，以防过拟合的发生；
S125：所述保存训练得到的活体检测分类模型；
所述检测部分包括以下步骤：
S21：利用常用的可见光摄像头采集可见光RGB图像；
S22：检测可见光RGB图像的人脸，将人脸图像大小裁剪为A大小，对检测到的人脸图像进行归一化处理；
S23：利用训练的图像转换模型将可见光人脸图像转换为近红外人脸图像；
S24：将转换后的近红外人脸图像作为活体检测分类模型的输入，运行活体检测分类模型抽取特征进行活体人脸和伪造人脸预测，若模型输出的活体人脸预测概率值大于设定的阈值，则判断输入的人脸图像为活体人脸图像。
进一步，在所述步骤S112中，将人脸图像进行裁剪的大小为256*256、128*128或64*64。
进一步，在所述步骤S124中，卷积神经网络能够替换为Alexnet或Lenet网络。
进一步，在所述步骤S124中，网络结构参数如下：
DataNIR，过滤器和步长为256×256×3；
Conv1，过滤器和步长为5×5×1，输出大小为96×256×256；
Pool1，过滤器和步长为2×2×2，输出大小为96×128×128；
Conv2，过滤器和步长为3×3×1，输出大小为128×64×64；
Pool2，过滤器和步长为2×2×2，输出大小为128×64×64；
Conv3，过滤器和步长为3×3×1，输出大小为192×64×64；
Pool3，过滤器和步长为2×2×2，输出大小为192×32×32；
Conv4，过滤器和步长为3×3×1，输出大小为256×32×32；
Pool4，过滤器和步长为2×2×2，输出大小为256×16×16；
Conv5，过滤器和步长为3×3×1，输出大小为384×16×16；
Pool1，过滤器和步长为2×2×2，输出大小为384×8×8；
FC1，过滤器和步长为8×8×1，输出大小为1024×1×1；
FC2，过滤器和步长为1×1×1，输出大小为512×1×1；
FC3，过滤器和步长为2，输出大小为1×1。
本发明的有益效果在于：
1、利用近红外图像进行活体检测，方法利用了近红外图像中丰富的分类信息，有效的提高了活体检测的准确性和鲁棒性的同时又无需增加新的昂贵硬件设备。
2、能够同时识别照片、视频、三维面具的攻击，跨数据、攻击类型的鲁棒性强。
3、无需用户交互配合，实现了无感活体检测，用户体验好。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明检测部分流程图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
本发明提出了一种基于图像转换的活体检测方法，该方法利用图像转换模型将可见光图像转换为近红外图像进行活体人脸和伪造人脸的分类，该方法利用了近红外图像中的反射差异信息，有效的提高了真人人脸和照片、视频、三维面具等伪造人脸的分类准确率和鲁棒性的同时又无需增加新的近红外硬件设备。本发明的具体内容包含模型训练部分和检测部分，主要内容如下：
模型训练部分：包括图像转换模型的训练和活体检测分类模型的训练。
图像转换模型的训练
S111：利用可见光近红外光双目摄像头采集活体人脸和伪造人脸的可见光图像和近红外光图像。
S112：检测可见光图像和近红外光图像中的人脸，将人脸图像大小裁剪为256*256大小，亦可根据数据分辨率情况裁剪为其他大小，如128*128，64*64。对检测到的人脸图像进行归一化处理。
S113：利用多类别图像转换生成对抗网络结构进行图像转换：多类别图像转换生成对抗网络结构由两个生成器Ga,Gb和两个判别器Da,Db组成。两个生成器组成循环结构。Ga将源域图像转换为目标域图像。Gb将目标域图像转换为源域图像。Ga和Da，Gb和Db分别组成两组生成对抗网络。生成器学习图像数据分布，试图生成让判别器无法分辨真假的图像。判别器判断图像的真假，试图识别出所有假图像，并将真实图像分到正确的类别。两者相互博弈，相互迭代学习。
S114：利用循环损失，控制源域图像和经由两个生成器循环生成后的图像一致，目标域图像和经由两个生成器循环生成后的图像一致，损失函数使用L1损失，亦可根据需要调整为L2等其他损失函数。
S115：利用像素损失，控制生成器生成的图片和目标图片从像素上一致，损失函数使用L1损失，亦可根据需要调整为L2等其他损失函数。
S116：利用特征损失，控制生成器生成的图片和目标图片经由判别器后的特征一致，损失函数使用L1损失，亦可根据需要调整为L2等其他损失函数。
S117：利用样式损失，控制生成器生成的图片和目标图片特征相关性一致。特征相关性即图片经由判别器后的特征的平方，损失函数使用L1损失，亦可根据需要调整为L2等其他损失函数。
S118：生成器生成256*256大小的图像，网络结构使用文献4中的网络结构，由三个卷积层、九个残差块、三个反卷积层依次组成。判别器的网络在文献4中的网络结构上做调整，前三个卷积层不变，将最后一个卷积层的输出节点改成类别数加一个。生成器和判别器的每个卷积层后接归一化层和ReLU层。生成器和判别器的网络可以根据实际业务更换。
S119：将可见光图像和近红外光人脸图像输入多类别图像转换生成对抗网络，生成器和判别器依次迭代更新，进行训练。
S1110：保存训练得到的图像转换模型。
活体检测分类模型的训练
S121：利用常用的可见光摄像头采集活体人脸和伪造人脸的可见光RGB图像。
S122：检测可见光RGB图像的人脸，将人脸图像大小裁剪为256*256大小，对检测到的人脸图像进行归一化处理。
S123：利用之前训练好的图像转换模型将活体人脸和伪造人脸的可见光人脸图像转换为相应的近红外人脸图像。
S124：将转换后的活体人脸和伪造人脸的近红外人脸图像输入卷积神经网络，利用随机梯度下降法进行训练。网络由5个卷积层和三个全连接层组成，每一层卷积层和前两层全连接层后进行ReLU和批量归一化处理。第一层全连接层后使用dropout舍弃部分参数，以防过拟合的发生。具体参数如表1所示，卷积神经网络可以使用其他如Alexnet，Lenet等网络。
表1网络结构示例
S125：保存训练得到的活体检测分类模型。
检测部分，流程如图1所示。
S21：利用常用的可见光摄像头采集可见光RGB图像。
S22：检测可见光RGB图像的人脸，将人脸图像大小裁剪为256*256大小，对检测到的人脸图像进行归一化处理。
S23：利用训练的图像转换模型将可见光人脸图像转换为近红外人脸图像。
S24：将转换后的近红外人脸图像作为活体检测分类模型的输入，运行活体检测分类模型抽取特征进行活体人脸和伪造人脸预测，若模型输出的活体人脸预测概率值大于设定的阈值，则判断输入的人脸图像为活体人脸图像。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (4)
1.一种基于图像转换的活体检测方法，其特征在于：该方法包括模型训练部分和检测部分；
所述模型训练部分包括图像转换模型的训练和活体检测分类模型的训练；
所述图像转换模型的训练包括以下步骤：
S111：利用可见光近红外光双目摄像头采集活体人脸和伪造人脸的可见光图像和近红外光图像
S112：检测可见光图像和近红外光图像中的人脸，根据数据分辨率将人脸图像进行裁剪，裁剪大小为A，对检测到的人脸图像进行归一化处理；
S113：利用多类别图像转换生成对抗网络结构进行图像转换：多类别图像转换生成对抗网络结构由两个生成器Ga,Gb和两个判别器Da,Db组成；
其中，两个生成器组成循环结构，Ga将源域图像转换为目标域图像，Gb将目标域图像转换为源域图像；
Ga和Da，Gb和Db分别组成两组生成对抗网络；生成器学习图像数据分布，试图生成让判别器无法分辨真假的图像；判别器判断图像的真假，试图识别出所有假图像，并将真实图像分到正确的类别；两者相互博弈，相互迭代学习；
S114：利用循环损失，控制源域图像和经由两个生成器循环生成后的图像一致，目标域图像和经由两个生成器循环生成后的图像一致，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；
S115：利用像素损失，控制生成器生成的图片和目标图片从像素上一致，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；
S116：利用特征损失，控制生成器生成的图片和目标图片经由判别器后的特征一致，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；
S117：利用样式损失，控制生成器生成的图片和目标图片特征相关性一致；特征相关性即图片经由判别器后的特征的平方，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；
S118：生成器生成大小为A的图像，网络结构使用CycleGAN生成器的网络结构，由三个卷积层、九个残差块、三个反卷积层依次组成；判别器的网络在CycleGAN判别器的网络结构上做调整，前三个卷积层不变，将最后一个卷积层的输出节点改成类别数加一个；生成器和判别器的每个卷积层后接归一化层和ReLU层；生成器和判别器的网络根据实际业务更换；
S119：将可见光图像和近红外光人脸图像输入多类别图像转换生成对抗网络，生成器和判别器依次迭代更新，进行训练；
S1110：保存训练得到的图像转换模型；
所述活体检测分类模型的训练包括以下步骤：
S121：利用常用的可见光摄像头采集活体人脸和伪造人脸的可见光RGB图像；
S122：检测可见光RGB图像的人脸，将人脸图像大小裁剪为A大小，对检测到的人脸图像进行归一化处理；
S123：利用之前训练好的图像转换模型将活体人脸和伪造人脸的可见光人脸图像转换为相应的近红外人脸图像；
S124：将转换后的活体人脸和伪造人脸的近红外人脸图像输入卷积神经网络，利用随机梯度下降法进行训练；网络由5个卷积层和三个全连接层组成，每一层卷积层和前两层全连接层后进行ReLU和批量归一化处理；第一层全连接层后使用dropout舍弃部分参数，以防过拟合的发生；
S125：所述保存训练得到的活体检测分类模型；
所述检测部分包括以下步骤：
S21：利用常用的可见光摄像头采集可见光RGB图像；
S22：检测可见光RGB图像的人脸，将人脸图像大小裁剪为A大小，对检测到的人脸图像进行归一化处理；
S23：利用训练的图像转换模型将可见光人脸图像转换为近红外人脸图像；
S24：将转换后的近红外人脸图像作为活体检测分类模型的输入，运行活体检测分类模型抽取特征进行活体人脸和伪造人脸预测，若模型输出的活体人脸预测概率值大于设定的阈值，则判断输入的人脸图像为活体人脸图像。
2.根据权利要求1所述的一种基于图像转换的活体检测方法，其特征在于：在所述步骤S112中，将人脸图像进行裁剪的大小为256*256、128*128或64*64。
3.根据权利要求1所述的一种基于图像转换的活体检测方法，其特征在于：在所述步骤S124中，卷积神经网络能够替换为Alexnet或Lenet网络。
4.根据权利要求1所述的一种基于图像转换的活体检测方法，其特征在于：在所述步骤S124中，网络结构参数如下：
DataNIR，过滤器和步长为256×256×3；
Conv1，过滤器和步长为5×5×1，输出大小为96×256×256；
Pool1，过滤器和步长为2×2×2，输出大小为96×128×128；
Conv2，过滤器和步长为3×3×1，输出大小为128×64×64；
Pool2，过滤器和步长为2×2×2，输出大小为128×64×64；
Conv3，过滤器和步长为3×3×1，输出大小为192×64×64；
Pool3，过滤器和步长为2×2×2，输出大小为192×32×32；
Conv4，过滤器和步长为3×3×1，输出大小为256×32×32；
Pool4，过滤器和步长为2×2×2，输出大小为256×16×16；
Conv5，过滤器和步长为3×3×1，输出大小为384×16×16；
Pool1，过滤器和步长为2×2×2，输出大小为384×8×8；
FC1，过滤器和步长为8×8×1，输出大小为1024×1×1；
FC2，过滤器和步长为1×1×1，输出大小为512×1×1；
FC3，过滤器和步长为2，输出大小为1×1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811447765.4A CN109543640B (zh) | 2018-11-29 | 2018-11-29 | 一种基于图像转换的活体检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811447765.4A CN109543640B (zh) | 2018-11-29 | 2018-11-29 | 一种基于图像转换的活体检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109543640A true CN109543640A (zh) | 2019-03-29 |
| CN109543640B CN109543640B (zh) | 2022-06-17 |
Family
ID=65851159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811447765.4A Expired - Fee Related CN109543640B (zh) | 2018-11-29 | 2018-11-29 | 一种基于图像转换的活体检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109543640B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363122A (zh) * | 2019-07-03 | 2019-10-22 | 昆明理工大学 | 一种基于多层特征对齐的跨域目标检测方法 |
| CN110472519A (zh) * | 2019-07-24 | 2019-11-19 | 杭州晟元数据安全技术股份有限公司 | 一种基于多模型的人脸活体检测方法 |
| CN110705530A (zh) * | 2019-12-13 | 2020-01-17 | 珠海亿智电子科技有限公司 | 基于活体识别的同一人脸框确认方法、装置、设备及介质 |
| CN111046899A (zh) * | 2019-10-09 | 2020-04-21 | 京东数字科技控股有限公司 | 身份证真伪识别方法、装置、设备及存储介质 |
| CN111104987A (zh) * | 2019-12-25 | 2020-05-05 | 三一重工股份有限公司 | 人脸识别方法、装置及电子设备 |
| CN111259814A (zh) * | 2020-01-17 | 2020-06-09 | 杭州涂鸦信息技术有限公司 | 一种活体检测方法及系统 |
| CN111476353A (zh) * | 2020-04-07 | 2020-07-31 | 中国科学院重庆绿色智能技术研究院 | 一种引入显著性的gan图像超分辨率方法 |
| CN111539287A (zh) * | 2020-04-16 | 2020-08-14 | 北京百度网讯科技有限公司 | 训练人脸图像生成模型的方法和装置 |
| CN111879724A (zh) * | 2020-08-05 | 2020-11-03 | 中国工程物理研究院流体物理研究所 | 基于近红外光谱成像的人皮面具识别方法及系统 |
| CN111881884A (zh) * | 2020-08-11 | 2020-11-03 | 中国科学院自动化研究所 | 基于跨模态转化辅助的人脸防伪检测方法、系统及装置 |
| CN111967296A (zh) * | 2020-06-28 | 2020-11-20 | 北京中科虹霸科技有限公司 | 虹膜活体检测方法、门禁控制方法及装置 |
| CN112347850A (zh) * | 2020-09-30 | 2021-02-09 | 新大陆数字技术股份有限公司 | 红外图像转换方法、活体检测方法、装置、可读存储介质 |
| CN113505722A (zh) * | 2021-07-23 | 2021-10-15 | 中山大学 | 一种基于多尺度特征融合的活体检测方法、系统及装置 |
| CN113723243A (zh) * | 2021-08-20 | 2021-11-30 | 南京华图信息技术有限公司 | 一种戴面罩的热红外图像人脸识别方法及应用 |
| CN114463859A (zh) * | 2021-11-03 | 2022-05-10 | 马上消费金融股份有限公司 | 活体检测的对抗攻击方法、装置、电子设备及存储介质 |
| CN114596615A (zh) * | 2022-03-04 | 2022-06-07 | 湖南中科助英智能科技研究院有限公司 | 基于对抗学习的人脸活体检测方法、装置、设备及介质 |
| JP2022133378A (ja) * | 2021-07-21 | 2022-09-13 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 顔生体検出方法、装置、電子機器、及び記憶媒体 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964056A (zh) * | 2010-10-26 | 2011-02-02 | 徐勇 | 一种具有活体检测功能的双模态人脸认证方法和系统 |
| US20140240477A1 (en) * | 2013-02-26 | 2014-08-28 | Qualcomm Incorporated | Multi-spectral imaging system for shadow detection and attenuation |
| CN104700087A (zh) * | 2015-03-23 | 2015-06-10 | 上海交通大学 | 可见光与近红外人脸图像的相互转换方法 |
| CN105069448A (zh) * | 2015-09-29 | 2015-11-18 | 厦门中控生物识别信息技术有限公司 | 一种真假人脸识别方法及装置 |
| CN105654028A (zh) * | 2015-09-29 | 2016-06-08 | 厦门中控生物识别信息技术有限公司 | 一种真假人脸识别方法及装置 |
| CN106372615A (zh) * | 2016-09-19 | 2017-02-01 | 厦门中控生物识别信息技术有限公司 | 一种人脸防伪识别方法以及装置 |
| WO2017049923A1 (zh) * | 2015-06-17 | 2017-03-30 | 广州市巽腾信息科技有限公司 | 一种多功能移动图像处理装置、处理方法及用途 |
| CN108416326A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术（北京）有限公司 | 人脸识别方法和装置 |
| CN109558840A (zh) * | 2018-11-29 | 2019-04-02 | 中国科学院重庆绿色智能技术研究院 | 一种特征融合的活体检测方法 |
-
2018
- 2018-11-29 CN CN201811447765.4A patent/CN109543640B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964056A (zh) * | 2010-10-26 | 2011-02-02 | 徐勇 | 一种具有活体检测功能的双模态人脸认证方法和系统 |
| US20140240477A1 (en) * | 2013-02-26 | 2014-08-28 | Qualcomm Incorporated | Multi-spectral imaging system for shadow detection and attenuation |
| CN104700087A (zh) * | 2015-03-23 | 2015-06-10 | 上海交通大学 | 可见光与近红外人脸图像的相互转换方法 |
| WO2017049923A1 (zh) * | 2015-06-17 | 2017-03-30 | 广州市巽腾信息科技有限公司 | 一种多功能移动图像处理装置、处理方法及用途 |
| CN105069448A (zh) * | 2015-09-29 | 2015-11-18 | 厦门中控生物识别信息技术有限公司 | 一种真假人脸识别方法及装置 |
| CN105654028A (zh) * | 2015-09-29 | 2016-06-08 | 厦门中控生物识别信息技术有限公司 | 一种真假人脸识别方法及装置 |
| CN106372615A (zh) * | 2016-09-19 | 2017-02-01 | 厦门中控生物识别信息技术有限公司 | 一种人脸防伪识别方法以及装置 |
| CN108416326A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术（北京）有限公司 | 人脸识别方法和装置 |
| CN109558840A (zh) * | 2018-11-29 | 2019-04-02 | 中国科学院重庆绿色智能技术研究院 | 一种特征融合的活体检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| FANGLING JIANG 等: "Face anti-spoofing with generated near-infrared images", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
| PATRICK P. K. CHAN 等: "Face Liveness Detection Using a Flash Against 2D Spoofing Attack", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 * |
| 李琳莉 等: "红外与可见光图像融合的人脸识别算法", 《内蒙古大学学报(自然科学版)》 * |
| 贾宁宁: "基于SIFT算法的人脸识别研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363122B (zh) * | 2019-07-03 | 2022-10-11 | 昆明理工大学 | 一种基于多层特征对齐的跨域目标检测方法 |
| CN110363122A (zh) * | 2019-07-03 | 2019-10-22 | 昆明理工大学 | 一种基于多层特征对齐的跨域目标检测方法 |
| CN110472519B (zh) * | 2019-07-24 | 2021-10-29 | 杭州晟元数据安全技术股份有限公司 | 一种基于多模型的人脸活体检测方法 |
| CN110472519A (zh) * | 2019-07-24 | 2019-11-19 | 杭州晟元数据安全技术股份有限公司 | 一种基于多模型的人脸活体检测方法 |
| CN111046899A (zh) * | 2019-10-09 | 2020-04-21 | 京东数字科技控股有限公司 | 身份证真伪识别方法、装置、设备及存储介质 |
| CN111046899B (zh) * | 2019-10-09 | 2023-12-08 | 京东科技控股股份有限公司 | 身份证真伪识别方法、装置、设备及存储介质 |
| CN110705530A (zh) * | 2019-12-13 | 2020-01-17 | 珠海亿智电子科技有限公司 | 基于活体识别的同一人脸框确认方法、装置、设备及介质 |
| CN111104987A (zh) * | 2019-12-25 | 2020-05-05 | 三一重工股份有限公司 | 人脸识别方法、装置及电子设备 |
| CN111104987B (zh) * | 2019-12-25 | 2023-08-01 | 盛景智能科技(嘉兴)有限公司 | 人脸识别方法、装置及电子设备 |
| CN111259814B (zh) * | 2020-01-17 | 2023-10-31 | 杭州涂鸦信息技术有限公司 | 一种活体检测方法及系统 |
| CN111259814A (zh) * | 2020-01-17 | 2020-06-09 | 杭州涂鸦信息技术有限公司 | 一种活体检测方法及系统 |
| CN111476353A (zh) * | 2020-04-07 | 2020-07-31 | 中国科学院重庆绿色智能技术研究院 | 一种引入显著性的gan图像超分辨率方法 |
| CN111476353B (zh) * | 2020-04-07 | 2022-07-15 | 中国科学院重庆绿色智能技术研究院 | 一种引入显著性的gan图像超分辨率方法 |
| CN111539287A (zh) * | 2020-04-16 | 2020-08-14 | 北京百度网讯科技有限公司 | 训练人脸图像生成模型的方法和装置 |
| CN111539287B (zh) * | 2020-04-16 | 2023-04-07 | 北京百度网讯科技有限公司 | 训练人脸图像生成模型的方法和装置 |
| CN111967296B (zh) * | 2020-06-28 | 2023-12-05 | 北京中科虹霸科技有限公司 | 虹膜活体检测方法、门禁控制方法及装置 |
| CN111967296A (zh) * | 2020-06-28 | 2020-11-20 | 北京中科虹霸科技有限公司 | 虹膜活体检测方法、门禁控制方法及装置 |
| CN111879724A (zh) * | 2020-08-05 | 2020-11-03 | 中国工程物理研究院流体物理研究所 | 基于近红外光谱成像的人皮面具识别方法及系统 |
| CN111881884A (zh) * | 2020-08-11 | 2020-11-03 | 中国科学院自动化研究所 | 基于跨模态转化辅助的人脸防伪检测方法、系统及装置 |
| CN112347850A (zh) * | 2020-09-30 | 2021-02-09 | 新大陆数字技术股份有限公司 | 红外图像转换方法、活体检测方法、装置、可读存储介质 |
| CN112347850B (zh) * | 2020-09-30 | 2024-04-23 | 新大陆数字技术股份有限公司 | 红外图像转换方法、活体检测方法、装置、可读存储介质 |
| JP2022133378A (ja) * | 2021-07-21 | 2022-09-13 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 顔生体検出方法、装置、電子機器、及び記憶媒体 |
| CN113505722A (zh) * | 2021-07-23 | 2021-10-15 | 中山大学 | 一种基于多尺度特征融合的活体检测方法、系统及装置 |
| CN113505722B (zh) * | 2021-07-23 | 2024-01-02 | 中山大学 | 一种基于多尺度特征融合的活体检测方法、系统及装置 |
| CN113723243A (zh) * | 2021-08-20 | 2021-11-30 | 南京华图信息技术有限公司 | 一种戴面罩的热红外图像人脸识别方法及应用 |
| CN113723243B (zh) * | 2021-08-20 | 2024-05-17 | 南京华图信息技术有限公司 | 一种戴面罩的热红外图像人脸识别方法及应用 |
| CN114463859B (zh) * | 2021-11-03 | 2023-08-11 | 马上消费金融股份有限公司 | 活体检测的对抗样本生成方法、装置、电子设备及存储介质 |
| CN114463859A (zh) * | 2021-11-03 | 2022-05-10 | 马上消费金融股份有限公司 | 活体检测的对抗攻击方法、装置、电子设备及存储介质 |
| CN114596615A (zh) * | 2022-03-04 | 2022-06-07 | 湖南中科助英智能科技研究院有限公司 | 基于对抗学习的人脸活体检测方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109543640B (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543640A (zh) | 一种基于图像转换的活体检测方法 | |
| Liu et al. | Learning deep models for face anti-spoofing: Binary or auxiliary supervision | |
| CN104766063B (zh) | 一种活体人脸识别方法 | |
| CN108921041A (zh) | 一种基于rgb和ir双目摄像头的活体检测方法及装置 | |
| CN108509920B (zh) | 基于CNN的多patch多通道联合特征选择学习的人脸识别方法 | |
| CN110348322A (zh) | 基于多特征融合的人脸活体检测方法及设备 | |
| CN111027464B (zh) | 对卷积神经网络和序特征编码联合优化的虹膜识别方法 | |
| CN108537743A (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
| CN108268859A (zh) | 一种基于深度学习的人脸表情识别方法 | |
| CN109711281A (zh) | 一种基于深度学习的行人重识别与特征识别融合方法 | |
| CN108520216A (zh) | 一种基于步态图像的身份识别方法 | |
| CN107423678A (zh) | 一种提取特征的卷积神经网络的训练方法及人脸识别方法 | |
| CN114241517B (zh) | 基于图像生成和共享学习网络的跨模态行人重识别方法 | |
| Oh et al. | Extracting sclera features for cancelable identity verification | |
| WO2022222575A1 (zh) | 用于目标识别的方法和系统 | |
| CN106778785A (zh) | 构建图像特征提取模型的方法及图像识别的方法、装置 | |
| CN110110755A (zh) | 基于ptgan区域差距与多重分支的行人重识别检测算法及装置 | |
| CN116311549A (zh) | 活体对象识别方法、设备和计算机可读存储介质 | |
| Reddy et al. | Ocularnet: deep patch-based ocular biometric recognition | |
| WO2022222569A1 (zh) | 一种目标判别方法和系统 | |
| CN114863499B (zh) | 一种基于联邦学习的指静脉与掌静脉识别方法 | |
| CN107862298B (zh) | 一种基于红外摄像装置下眨眼的活体检测方法 | |
| Niu et al. | Automatic localization of optic disc based on deep learning in fundus images | |
| JP2005316888A (ja) | 顔認識システム | |
| CN110119685A (zh) | 一种基于dcgan的红外人脸图像转化方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220617 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |