CN109558840A - 一种特征融合的活体检测方法 - Google Patents
一种特征融合的活体检测方法 Download PDFInfo
- Publication number
- CN109558840A CN109558840A CN201811447764.XA CN201811447764A CN109558840A CN 109558840 A CN109558840 A CN 109558840A CN 201811447764 A CN201811447764 A CN 201811447764A CN 109558840 A CN109558840 A CN 109558840A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- output size
- filter
- length
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种特征融合的活体检测方法,属于图像处理领域。该方法深度结合了两类图像的优点,简单、有效的提高了真人人脸和照片、视频、三维面具等假体人脸的分类准确率,鲁棒性也更强。本发明充分利用了可见光图像中丰富的颜色纹理信息以及近红外图像中的反射信息,采用端到端的深度学习的方法自动全局学习、融合两类图像的特征并进行分类,方法结合了两类图像的优点,简单、有效的提高了真人人脸和假体人脸的分类准确率;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,涉及一种特征融合的活体检测方法
背景技术
传统的人脸识别系统不能辨别当前获取的图像中的人脸是活体人脸还是假体人脸。随着人脸识别技术的广泛应用,人脸照片、人脸视频、三维面具等假体人脸攻击方式层出不穷,人脸活体检测越来越受到工业界以及学术界的关注。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。从处理图像类型的角度看,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。
基于可见光图像处理的方法通常从可见光图像中分析图像纹理信息、运动信息、脉搏血液生命信号、图像质量失真信息、用户配合动作等来区分真人人脸和假体人脸。纹理分析、生命信息分析的方法充分利用了图像中的颜色纹理信息,但是模型的跨数据迁移能力不佳,整体不够鲁棒。图像失真分析需要高质量的原始图像,对硬件要求较高,同时对于面具攻击的防范能力较弱。用户配合动作的方法虽然能够防住二维假体人脸,但是难以防范制作精良的面具攻击,同时用户体验感差,不能做到无感活体检测。
基于多光谱图像处理的方法利用不同材质在近红外、远红外、热红外等多个光谱下的反射信息差异区分真人人脸和假体人脸。多光谱图像处理的方法跨数据通用能力更强,但是受外界光照强度、样本拍摄距离的影响,采集的图像也在很大程度上损失了颜色纹理信息。
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各有长短,可相互补充,因此综合利用可见光图像和多光谱图像信息的前景是可观的,能够进一步提高活体检测方法的准确率和鲁棒性。
发明内容
有鉴于此,本发明的目的在于提供一种特征融合的活体检测方法。
为达到上述目的,本发明提供如下技术方案:
一种特征融合的活体检测方法,该方法包括网络参数训练部分和模型分类预测部分;其中,网络参数训练部分是离线进行的,模型分类预测部分是实时在线进行的;
所述网络参数训练部分包括以下步骤:
S11:采集成对图像:利用双目摄像头分别采集真人、打印照片、电子设备显示的照片、视频和三维面具样本同一时刻的可见光图像和红外图像,组成活体人脸和假体人脸的可见光红外光图像对训练数据;
S12:成对图像人脸检测正规化:对图像对中的可见光图像和近红外光图像分别进行人脸检测、正规化处理,将可见光图像和近红外光图像归一化处理为144*144大小的可见光近红外光人脸图像对;同时检测出人脸的可见光图像和近红外光图像用于后续的模型训练;
S13:深度融合特征学习:利用卷积神经网络全局自动提取可见光人脸图像和近红外人脸图像对的融合特征;卷积神经网络采用2个数据层,5层卷积网络加3层全连接层的网络结构,可见光图像和近红外图像分别作为卷积神经网络的输入,数据层采用裁剪个对称翻转数据增强操作,图像统一裁剪为128×128大小;利用层连接操作或者层加和操作对可见光图像和近红外图像数据层进行数据融合,作为后续卷积层和全连接层的输入数据;后续的网络在融合的数据层上抽取融合特征;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;
S14:训练网络模型:以Softmax Loss为损失函数,采用随机梯度下降的方法训练网络模型,得到人脸活体检测模型;
所述模型分类预测部分包括以下步骤:
S21:采集成对图像:利用双目摄像头采集待测试样本的可见光图像和红外图像对;
S22:成对图像人脸检测正规化:检测图像对中的人脸,对检测到的可见光红外光人脸图像对进行正规化处理,将可见光图像和近红外光图像归一化处理为144*144大小的可见光近红外光人脸图像对;电子设备显示的照片、视频的近红外光图像中没有人脸信息;若没有同时检测出人脸则直接判断是电子设备显示的照片、视频之类假体人脸,若同时检测出人脸,则继续后续步骤;
S23:网路特征计算:将可见光近红外光人脸图像对输入训练过程得到的人脸活体检测模型,运行模型进行计算,利用Softmax操作给出可见光红外光图像对中的人脸是活体人脸以及假体人脸的概率;
S24:真假人脸判断:首先根据验证集选取阈值,选取的阈值使得验证集的错误拒绝率和错误接受率相等;当需要对采集的成对图像进行预测时,若活体人脸的概率大于选取的阈值时,模型分类预测部分判断可见光近红外光图像对中的人脸是活体人脸。
进一步,在步骤S12中,所述人脸检测、正规化处理采用dlib进行操作。
进一步,在步骤S13中,所述网络结构参数如下:
DataVIS,输出大小为128×128×3;
DataNIR,输出大小为128×128×3;
DataFusing,输出大小为128×128×6;
Conv1,过滤器和步长为5×5×1,输出大小为96×128×128;
Pool1,过滤器和步长为2×2×2,输出大小为96×64×64;
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128×32×32;
Conv3,过滤器和步长为3×3×1,输出大小为192×32×32;
Pool3,过滤器和步长为2×2×2,输出大小为192×16×16;
Conv4,过滤器和步长为3×3×1,输出大小为256×16×16;
Pool4,过滤器和步长为2×2×2,输出大小为256×8×8;
Conv5,过滤器和步长为3×3×1,输出大小为384×8×8;
Pool1,过滤器和步长为2×2×2,输出大小为384×4×4;
FC1,过滤器和步长为4×4×1,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。
进一步,在步骤S13中,卷积神经网络能够替换为Alexnet或Lenet网络。
本发明的有益效果在于:
(1)充分利用了可见光图像中丰富的颜色纹理信息以及近红外图像中的反射信息,采用端到端的深度学习的方法自动全局学习、融合两类图像的特征并进行分类,方法结合了两类图像的优点,简单、有效的提高了真人人脸和假体人脸的分类准确率。
(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为本发明中网络参数训练过程;
图2为本发明中模型分类预测过程。
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。
本发明提出了一种全局自动融合可见光和近红外图像信息的人脸活体检测方法,该方法深度结合了两类图像的优点,简单、有效的提高了真人人脸和照片、视频、三维面具等假体人脸的分类准确率,鲁棒性也更强。
可见光图像中包含了丰富的颜色、亮度、色度分布信息,清晰的面部纹理信息等。这些信息是辨别活体人脸和假体人脸的重要线索。目前常见的假体人脸如照片、面具采用的材质和真人皮肤具有一定差异。不同材质在近红外光谱下具有不同的反射信息。这些被记录在采集的近红外图像中的反射信息也是可以作为辨别活体人脸和假体人脸的重要线索。本发明旨在自动融合利用可见光图像中的颜色纹理信息以及近红外图像中的反射信息以提高活体人脸和假体人脸的分类准确率以及鲁棒性。
本发明主要包含网络参数训练、模型分类预测两个部分。网络参数训练是离线进行的。模型分类预测是实时在线进行的。
网络参数训练部分主要实现步骤如下,如图1所示:
S11:采集成对图像:利用双目摄像头分别采集真人、打印照片、电子设备显示的照片、视频、三维面具样本同一时刻的可见光图像和红外图像,组成活体人脸和假体人脸的可见光红外光图像对训练数据。
S12:成对图像人脸检测正规化:对图像对中的可见光图像和近红外光图像分别进行人脸检测、正规化处理,将可见光图像和近红外光图像归一化处理为144*144大小的可见光近红外光人脸图像对。人脸检测、正规化处理可以采用dlib进行操作,亦可采用其他业内常用方法。同时检测出人脸的可见光图像和近红外光图像用于后续的模型训练。
S13:深度融合特征学习:利用卷积神经网络全局自动提取可见光人脸图像和近红外人脸图像对的融合特征。卷积神经网络可采用2个数据层,5层卷积网络加3层全连接层的网络结构,网络参数如表1所示。可见光图像和近红外图像分别作为卷积神经网络的输入,数据层采用裁剪、对称翻转等数据增强操作,图像统一裁剪为128×128大小。利用层连接操作或者层加和操作对可见光图像和近红外图像数据层进行数据融合,作为后续卷积层和全连接层的输入数据。后续的网络在融合的数据层上抽取融合特征。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。卷积神经网络的结构亦可采用其他的网络结构。
表1网络结构示例
S14:训练网络模型:以Softmax Loss为损失函数,采用随机梯度下降的方法训练网络模型,得到人脸活体检测模型。
模型分类预测部分主要实现步骤如下,如图2所示:
S21:采集成对图像:利用双目摄像头采集待测试样本的可见光图像和红外图像对
S22:成对图像人脸检测正规化:检测图像对中的人脸,对检测到的可见光红外光人脸图像对进行正规化处理,将可见光图像和近红外光图像归一化处理为144*144大小的可见光近红外光人脸图像对。电子设备显示的照片、视频的近红外光图像中没有人脸信息。若没有同时检测出人脸则直接判断是电子设备显示的照片、视频之类假体人脸,若同时检测出人脸,则继续后续步骤。
S23:网路特征计算:将可见光近红外光人脸图像对输入训练过程得到的人脸活体检测模型,运行模型进行计算,利用Softmax操作给出可见光红外光图像对中的人脸是活体人脸以及假体人脸的概率。
S24:真假人脸判断:首先根据验证集选取阈值,选取的阈值使得验证集的错误拒绝率和错误接受率相等。当需要对采集的成对图像进行预测时,若活体人脸的概率大于选取的阈值时,模型分类预测部分判断可见光近红外光图像对中的人脸是活体人脸。
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)
1.一种特征融合的活体检测方法,其特征在于:该方法包括网络参数训练部分和模型分类预测部分;其中,网络参数训练部分是离线进行的,模型分类预测部分是实时在线进行的;
所述网络参数训练部分包括以下步骤:
S11:采集成对图像:利用双目摄像头分别采集真人、打印照片、电子设备显示的照片、视频和三维面具样本同一时刻的可见光图像和红外图像,组成活体人脸和假体人脸的可见光红外光图像对训练数据;
S12:成对图像人脸检测正规化:对图像对中的可见光图像和近红外光图像分别进行人脸检测、正规化处理,将可见光图像和近红外光图像归一化处理为144*144大小的可见光近红外光人脸图像对;同时检测出人脸的可见光图像和近红外光图像用于后续的模型训练;
S13:深度融合特征学习:利用卷积神经网络全局自动提取可见光人脸图像和近红外人脸图像对的融合特征;卷积神经网络采用2个数据层,5层卷积网络加3层全连接层的网络结构,可见光图像和近红外图像分别作为卷积神经网络的输入,数据层采用裁剪个对称翻转数据增强操作,图像统一裁剪为128×128大小;利用层连接操作或者层加和操作对可见光图像和近红外图像数据层进行数据融合,作为后续卷积层和全连接层的输入数据;后续的网络在融合的数据层上抽取融合特征;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;
S14:训练网络模型:以Softmax Loss为损失函数,采用随机梯度下降的方法训练网络模型,得到人脸活体检测模型;
所述模型分类预测部分包括以下步骤:
S21:采集成对图像:利用双目摄像头采集待测试样本的可见光图像和红外图像对;
S22:成对图像人脸检测正规化:检测图像对中的人脸,对检测到的可见光红外光人脸图像对进行正规化处理,将可见光图像和近红外光图像归一化处理为144*144大小的可见光近红外光人脸图像对;电子设备显示的照片、视频的近红外光图像中没有人脸信息;若没有同时检测出人脸则直接判断是电子设备显示的照片、视频之类假体人脸,若同时检测出人脸,则继续后续步骤;
S23:网路特征计算:将可见光近红外光人脸图像对输入训练过程得到的人脸活体检测模型,运行模型进行计算,利用Softmax操作给出可见光红外光图像对中的人脸是活体人脸以及假体人脸的概率;
S24:真假人脸判断:首先根据验证集选取阈值,选取的阈值使得验证集的错误拒绝率和错误接受率相等;当需要对采集的成对图像进行预测时,若活体人脸的概率大于选取的阈值时,模型分类预测部分判断可见光近红外光图像对中的人脸是活体人脸。
2.根据权利要求1所述的一种特征融合的活体检测方法,其特征在于:在步骤S12中,所述人脸检测、正规化处理采用dlib进行操作。
3.根据权利要求1所述的一种特征融合的活体检测方法,其特征在于:在步骤S13中,所述网络结构参数如下:
DataVIS,输出大小为128×128×3;
DataNIR,输出大小为128×128×3;
DataFusing,输出大小为128×128×6;
Conv1,过滤器和步长为5×5×1,输出大小为96×128×128;
Pool1,过滤器和步长为2×2×2,输出大小为96×64×64;
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128×32×32;
Conv3,过滤器和步长为3×3×1,输出大小为192×32×32;
Pool3,过滤器和步长为2×2×2,输出大小为192×16×16;
Conv4,过滤器和步长为3×3×1,输出大小为256×16×16;
Pool4,过滤器和步长为2×2×2,输出大小为256×8×8;
Conv5,过滤器和步长为3×3×1,输出大小为384×8×8;
Pool1,过滤器和步长为2×2×2,输出大小为384×4×4;
FC1,过滤器和步长为4×4×1,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。
4.根据权利要求1所述的一种特征融合的活体检测方法,其特征在于:在步骤S13中,卷积神经网络能够替换为Alexnet或Lenet网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811447764.XA CN109558840A (zh) | 2018-11-29 | 2018-11-29 | 一种特征融合的活体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811447764.XA CN109558840A (zh) | 2018-11-29 | 2018-11-29 | 一种特征融合的活体检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109558840A true CN109558840A (zh) | 2019-04-02 |
Family
ID=65868120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811447764.XA Pending CN109558840A (zh) | 2018-11-29 | 2018-11-29 | 一种特征融合的活体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109558840A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543640A (zh) * | 2018-11-29 | 2019-03-29 | 中国科学院重庆绿色智能技术研究院 | 一种基于图像转换的活体检测方法 |
CN110059607A (zh) * | 2019-04-11 | 2019-07-26 | 深圳市华付信息技术有限公司 | 活体多重检测方法、装置、计算机设备及存储介质 |
CN110348322A (zh) * | 2019-06-19 | 2019-10-18 | 西华师范大学 | 基于多特征融合的人脸活体检测方法及设备 |
CN110929566A (zh) * | 2019-10-16 | 2020-03-27 | 厦门大学 | 基于可见光和近红外双目摄像头的人脸活体检测方法 |
CN110987189A (zh) * | 2019-11-21 | 2020-04-10 | 北京都是科技有限公司 | 对目标对象进行温度检测的方法、系统以及装置 |
CN110991266A (zh) * | 2019-11-13 | 2020-04-10 | 北京智芯原动科技有限公司 | 一种双目人脸活体检测方法及装置 |
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 |
CN111401258A (zh) * | 2020-03-18 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 基于人工智能的活体检测方法、以及装置 |
CN111666901A (zh) * | 2020-06-09 | 2020-09-15 | 创新奇智(北京)科技有限公司 | 一种活体人脸检测方法、装置、电子设备及存储介质 |
CN111680588A (zh) * | 2020-05-26 | 2020-09-18 | 广州多益网络股份有限公司 | 一种基于可见光和红外光的人脸闸机活体检测方法 |
FR3095064A1 (fr) * | 2019-04-09 | 2020-10-16 | Cynove | Procédés et dispositifs de levée de doute biométrique |
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 |
CN112434546A (zh) * | 2019-08-26 | 2021-03-02 | 杭州魔点科技有限公司 | 人脸活体检测方法及装置、设备、存储介质 |
CN112818722A (zh) * | 2019-11-15 | 2021-05-18 | 上海大学 | 模块化动态可配置的活体人脸识别系统 |
CN113256525A (zh) * | 2021-05-25 | 2021-08-13 | 烟台艾睿光电科技有限公司 | 红外热成像图像增强方法、装置、设备及可读存储介质 |
CN113536843A (zh) * | 2020-04-16 | 2021-10-22 | 上海大学 | 基于多模态融合卷积神经网络的防伪人脸识别系统 |
CN113642428A (zh) * | 2021-07-29 | 2021-11-12 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN114241587A (zh) * | 2022-02-23 | 2022-03-25 | 中国科学院自动化研究所 | 人脸活体检测对抗鲁棒性的评估方法及装置 |
US11443527B2 (en) | 2021-01-13 | 2022-09-13 | Ford Global Technologies, Llc | Material spectroscopy |
WO2023061123A1 (zh) * | 2021-10-15 | 2023-04-20 | 北京眼神科技有限公司 | 人脸静默活体检测方法、装置、存储介质及设备 |
US11657589B2 (en) | 2021-01-13 | 2023-05-23 | Ford Global Technologies, Llc | Material spectroscopy |
US11741747B2 (en) | 2021-01-13 | 2023-08-29 | Ford Global Technologies, Llc | Material spectroscopy |
CN117992941A (zh) * | 2024-04-02 | 2024-05-07 | 广东创能科技股份有限公司 | 一种自助终端登录状态监控和主动安全保护的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106203305A (zh) * | 2016-06-30 | 2016-12-07 | 北京旷视科技有限公司 | 人脸活体检测方法和装置 |
CN107358181A (zh) * | 2017-06-28 | 2017-11-17 | 重庆中科云丛科技有限公司 | 用于人脸活体判断的单目红外可见光摄像头装置及方法 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
CN108345818A (zh) * | 2017-01-23 | 2018-07-31 | 北京中科奥森数据科技有限公司 | 一种人脸活体检测方法及装置 |
-
2018
- 2018-11-29 CN CN201811447764.XA patent/CN109558840A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106203305A (zh) * | 2016-06-30 | 2016-12-07 | 北京旷视科技有限公司 | 人脸活体检测方法和装置 |
CN108345818A (zh) * | 2017-01-23 | 2018-07-31 | 北京中科奥森数据科技有限公司 | 一种人脸活体检测方法及装置 |
CN107358181A (zh) * | 2017-06-28 | 2017-11-17 | 重庆中科云丛科技有限公司 | 用于人脸活体判断的单目红外可见光摄像头装置及方法 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543640A (zh) * | 2018-11-29 | 2019-03-29 | 中国科学院重庆绿色智能技术研究院 | 一种基于图像转换的活体检测方法 |
CN109543640B (zh) * | 2018-11-29 | 2022-06-17 | 中国科学院重庆绿色智能技术研究院 | 一种基于图像转换的活体检测方法 |
FR3095064A1 (fr) * | 2019-04-09 | 2020-10-16 | Cynove | Procédés et dispositifs de levée de doute biométrique |
CN110059607A (zh) * | 2019-04-11 | 2019-07-26 | 深圳市华付信息技术有限公司 | 活体多重检测方法、装置、计算机设备及存储介质 |
CN110348322A (zh) * | 2019-06-19 | 2019-10-18 | 西华师范大学 | 基于多特征融合的人脸活体检测方法及设备 |
CN112434546A (zh) * | 2019-08-26 | 2021-03-02 | 杭州魔点科技有限公司 | 人脸活体检测方法及装置、设备、存储介质 |
CN110929566A (zh) * | 2019-10-16 | 2020-03-27 | 厦门大学 | 基于可见光和近红外双目摄像头的人脸活体检测方法 |
CN110929566B (zh) * | 2019-10-16 | 2023-05-23 | 厦门大学 | 基于可见光和近红外双目摄像头的人脸活体检测方法 |
CN110991266A (zh) * | 2019-11-13 | 2020-04-10 | 北京智芯原动科技有限公司 | 一种双目人脸活体检测方法及装置 |
CN110991266B (zh) * | 2019-11-13 | 2024-02-20 | 北京智芯原动科技有限公司 | 一种双目人脸活体检测方法及装置 |
CN112818722B (zh) * | 2019-11-15 | 2023-08-18 | 上海大学 | 模块化动态可配置的活体人脸识别系统 |
CN112818722A (zh) * | 2019-11-15 | 2021-05-18 | 上海大学 | 模块化动态可配置的活体人脸识别系统 |
CN110987189A (zh) * | 2019-11-21 | 2020-04-10 | 北京都是科技有限公司 | 对目标对象进行温度检测的方法、系统以及装置 |
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 |
CN111401258A (zh) * | 2020-03-18 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 基于人工智能的活体检测方法、以及装置 |
CN111401258B (zh) * | 2020-03-18 | 2024-01-30 | 腾讯科技(深圳)有限公司 | 基于人工智能的活体检测方法、以及装置 |
CN113536843A (zh) * | 2020-04-16 | 2021-10-22 | 上海大学 | 基于多模态融合卷积神经网络的防伪人脸识别系统 |
CN113536843B (zh) * | 2020-04-16 | 2023-07-14 | 上海大学 | 基于多模态融合卷积神经网络的防伪人脸识别系统 |
CN111680588A (zh) * | 2020-05-26 | 2020-09-18 | 广州多益网络股份有限公司 | 一种基于可见光和红外光的人脸闸机活体检测方法 |
CN111666901A (zh) * | 2020-06-09 | 2020-09-15 | 创新奇智(北京)科技有限公司 | 一种活体人脸检测方法、装置、电子设备及存储介质 |
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 |
US11657589B2 (en) | 2021-01-13 | 2023-05-23 | Ford Global Technologies, Llc | Material spectroscopy |
US11443527B2 (en) | 2021-01-13 | 2022-09-13 | Ford Global Technologies, Llc | Material spectroscopy |
US11741747B2 (en) | 2021-01-13 | 2023-08-29 | Ford Global Technologies, Llc | Material spectroscopy |
CN113256525B (zh) * | 2021-05-25 | 2023-01-10 | 烟台艾睿光电科技有限公司 | 红外热成像图像增强方法、装置、设备及可读存储介质 |
CN113256525A (zh) * | 2021-05-25 | 2021-08-13 | 烟台艾睿光电科技有限公司 | 红外热成像图像增强方法、装置、设备及可读存储介质 |
CN113642428B (zh) * | 2021-07-29 | 2022-09-27 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN113642428A (zh) * | 2021-07-29 | 2021-11-12 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
WO2023061123A1 (zh) * | 2021-10-15 | 2023-04-20 | 北京眼神科技有限公司 | 人脸静默活体检测方法、装置、存储介质及设备 |
CN114241587B (zh) * | 2022-02-23 | 2022-05-24 | 中国科学院自动化研究所 | 人脸活体检测对抗鲁棒性的评估方法及装置 |
CN114241587A (zh) * | 2022-02-23 | 2022-03-25 | 中国科学院自动化研究所 | 人脸活体检测对抗鲁棒性的评估方法及装置 |
CN117992941A (zh) * | 2024-04-02 | 2024-05-07 | 广东创能科技股份有限公司 | 一种自助终端登录状态监控和主动安全保护的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558840A (zh) | 一种特征融合的活体检测方法 | |
CN109543640B (zh) | 一种基于图像转换的活体检测方法 | |
CN111563887B (zh) | 一种口腔图像的智能分析方法与装置 | |
CN109377703A (zh) | 一种基于机器视觉的森林防火预警系统及其方法 | |
CN107862299A (zh) | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 | |
CN109977790A (zh) | 一种基于迁移学习的视频烟雾检测与识别方法 | |
CN108921041A (zh) | 一种基于rgb和ir双目摄像头的活体检测方法及装置 | |
CN104036236B (zh) | 一种基于多参数指数加权的人脸性别识别方法 | |
CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
Kumarasamy et al. | Robust contour reconstruction of red blood cells and parasites in the automated identification of the stages of malarial infection | |
CN107798281A (zh) | 一种基于lbp特征的人脸活体检测方法和装置 | |
CN111401310B (zh) | 基于人工智能的厨房卫生安全监督管理方法 | |
CN103076288A (zh) | 一种基于计算机视觉的鱼肉自动分级装置和方法 | |
CN112149513A (zh) | 基于深度学习的工业制造现场安全帽佩戴识别系统和方法 | |
CN105335691A (zh) | 笑脸识别鼓励系统 | |
CN109508648A (zh) | 一种人脸抓拍方法及设备 | |
CN108288279A (zh) | 一种基于x光图像前景目标提取的物品甄别方法 | |
CN108960076A (zh) | 基于卷积神经网络的耳朵识别与跟踪方法 | |
WO2006113979A1 (en) | Method for identifying guignardia citricarpa | |
CN108596174A (zh) | 一种皮肤病影像的病灶定位方法 | |
CN114863489B (zh) | 基于虚拟现实的可移动式智慧工地辅助巡检方法和系统 | |
CN110363087A (zh) | 一种长基线双目人脸活体检测方法及系统 | |
CN110929687A (zh) | 一种基于关键点检测的多人行为识别系统及工作方法 | |
CN111325133A (zh) | 一种基于人工智能识别的影像处理系统 | |
CN112434827A (zh) | 一种5t运维中安全防护识别单元 |
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: 20190402 |
|
RJ01 | Rejection of invention patent application after publication |