CN109684965A - 一种基于近红外成像与深度学习的人脸识别系统 - Google Patents

一种基于近红外成像与深度学习的人脸识别系统 Download PDF

Info

Publication number
CN109684965A
CN109684965A CN201811539327.0A CN201811539327A CN109684965A CN 109684965 A CN109684965 A CN 109684965A CN 201811539327 A CN201811539327 A CN 201811539327A CN 109684965 A CN109684965 A CN 109684965A
Authority
CN
China
Prior art keywords
face
infrared
deep learning
identification system
system based
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
Application number
CN201811539327.0A
Other languages
English (en)
Inventor
沈晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Zihui Information Technology Co Ltd
Original Assignee
Shanghai Zihui Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Zihui Information Technology Co Ltd filed Critical Shanghai Zihui Information Technology Co Ltd
Priority to CN201811539327.0A priority Critical patent/CN109684965A/zh
Publication of CN109684965A publication Critical patent/CN109684965A/zh
Pending legal-status Critical Current

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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/172—Classification, e.g. identification

Abstract

本发明公开了一种基于近红外成像与深度学习的人脸识别系统，包括：近红外图像采集和活体检测模块：用近红外摄像头采集近红外人脸图像，人脸保持与摄像头30‑50cm距离，被采集人脸的眼睛盯着屏幕的中央处，缓缓的前后左右移动脸部；近红外人脸检测模块：基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性；实现实时人脸检测；近红外图像转换模块：用于将上人脸图像输入cycleGAN的神经网络模型，得到转换后的可见光人脸图像。本发明基于近红外成像进行人脸识别，对于光照鲁棒性好，不仅适用于白天，也适用于夜晚，甚至其他复杂光线条件，在无可见光照明和环境光照更复杂条件下的人脸识别率非常准确。

Description

一种基于近红外成像与深度学习的人脸识别系统
技术领域
本发明涉及图像处理及模式识别技术领域，尤其涉及一种基于近红外成像与深度学习的人脸识别系统。
背景技术
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，对于安防领域及各种身份认证系统具有重要作用，具有良好的发展和应用前景。一般步骤如下：针对输入的人脸图像或者视频，首先判断其是否存在人脸，如果存在人脸，则进一步给出每个脸的位置、大小和各个主要面部器官的位置信息。然后依据这些信息，进一步提取每个人脸中所蕴涵的身份特征数据，并将其与已知的人脸进行对比，从而识别每个人脸的身份。
早期的人脸识别技术都在可见光状态下进行，但在实际应用中，环境光照通常更复杂，光照的强弱、方向与光源的数量等都会对可见光人脸识别产生影响。为了解决可见光各种因素对人脸识别的影响，人们提出了在红外光照下进行人脸识别的方法。主动光源位于不可见红外波段或者紫外波段，但长期照射紫外容易对人的皮肤和眼睛造成永久性伤害，中远红外波段成像会损失物体表面的大多数信息，一般不用于物体成像，因此近红外波段成为最好的选择，如：850nm。近红外人脸识别技术很大程度上解决了人脸识别中的光照影响，其能为人脸识别提供不受环境光影响的、高质量的人脸图像。
传统人脸识别算法：
人脸检测算法：opencv自带的人脸Haar特征分类器和dlib人脸检测方法等。对于opencv的人脸检测方法，有点是简单，快速；存在的问题是人脸检测效果不好。正面/垂直/光线较好的人脸，该方法可以检测出来，而侧面/歪斜/光线不好的人脸，无法检测。因此，该方法不适合现场应用。对于dlib人脸检测方法，效果好于opencv的方法，但是检测力度也难以达到现场应用标准。
人脸特征提取算法：表达图像几何特征的SIFT特征，表达图像纹理特征的局部二元模式（Local Binary Pattern，以下简称LBP），表达人脸图像统计特征的特征脸（Eigenface）等，都是基于人工定义的特征进行分类，使用的模型通常只包含一个提取特征的隐含层，特征往往不足以刻画和区分人脸，导致识别的准确率较低。
综上所述，现有人脸识别技术的识别精确率无法满足需求，为此，我们提出一种基于近红外成像与深度学习的人脸识别系统。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于近红外成像与深度学习的人脸识别系统，具有在环境光照不好甚至是黑暗环境下进行人脸识别，对背景、姿态等变化具有较好的鲁棒性，增加人脸识别精确率的特点，解决了现有人脸识别技术的识别精确率无法满足需求的问题。
本发明提供如下技术方案：一种基于近红外成像与深度学习的人脸识别系统，包括：
近红外图像采集和活体检测模块：用近红外摄像头采集近红外人脸图像，人脸保持与摄像头30-50cm距离，被采集人脸的眼睛需要盯着屏幕的中央处，缓缓的前后左右移动脸部，并保持表情自然；
近红外人脸检测模块：基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，内存消耗不大，实现实时人脸检测；
近红外图像转换模块：用于将上一个模块中检测到的人脸图像输入cycleGAN的神经网络模型，得到转换后的可见光人脸图像；
人脸识别模块：对图像使用卷积神经网络提取特征向量，然后根据两个特征向量的欧式距离与预设阈值的比较完成人脸识别。
优选的，所述近红外光摄像头通过近红外人脸活体检测来判断采集到的图像是否是含有人脸。
优选的，所述人脸识别模块通过卷积神经网络将人脸映射到欧式空间的人脸特征向量上，计算不同图片人脸特征的距离，然后根据通过相同个体的人脸的距离，总是小于不同个体的人脸这一先验知识，使用三元损失函数，该三元损失函数使得类内距离小于类间距离。
优选的，所述人脸识别模块测试时只需要计算人脸特征，然后计算距离使用阈值即可判定两张人脸照片是否属于相同的个体。
优选的，所述人脸识别模块设置有两个镜像对称的GAN，构成了一个环形网络，两个GAN共享两个生成器，并各自带一个判别器，即共有两个判别器和两个生成器。
优选的，所述人脸识别模块的一个生成器将X域的图片转换成Y域的图片，而另一个生成器将Y域的图片转换成X域的图片。
本发明提供了一种基于近红外成像与深度学习的人脸识别系统，基于近红外成像进行人脸识别，近红外人脸识别对于光照鲁棒性好，不仅适用于白天，也适用于夜晚，甚至其他复杂光线条件，在无可见光照明和环境光照更复杂条件下的人脸识别率非常准确；
本发明将基于近红外成像进行活体检测，近红外成像技术具有对光照不敏感，电子屏幕无法成像，可穿透墨镜成像等特点，在实际应用场景中可以防止恶意者伪造和窃取他人的生物特征用于身份认证，可更加有效地防止照片、视频、3D面具等各类手段的攻击，提升了用户远程验证身份真实性的安全性；
本发明基于MTCNN人脸检测，MTCNN是基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，人脸检测效果更好，同时，内存消耗不大，可以实现实时人脸检测；
本发明基于CycleGan中近红外图像以及可见光图像之间的转换，不仅使人脸检测率有了大幅度的提升，而且提高了人直观感觉上的可区分性；
本发明使用了facenet深度卷积神经网络进行人脸识别，由低层次向高层次的不断进行特征提取与抽象，使得通过卷积神经网络所提取的特征能更加准确的描述人脸特征，因而其抗干扰能力和识别率与传统分类算法相比，具有很大的提高。
附图说明
图1为本发明识别流程图；
图2为本发明cycleGAN的网络结构示意图；
图3为本发明Facenet的网络结构示意图。
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，所描述的实施例仅仅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做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。
本发明提供一种技术方案：一种基于近红外成像与深度学习的人脸识别系统，包括：
近红外图像采集和活体检测模块：用近红外摄像头采集近红外人脸图像，人脸保持与摄像头30-50cm距离，被采集人脸的眼睛需要盯着屏幕的中央处，缓缓的前后左右移动脸部，并保持表情自然；
近红外人脸检测模块：基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，内存消耗不大，实现实时人脸检测；
近红外图像转换模块：用于将上一个模块中检测到的人脸图像输入cycleGAN的神经网络模型，得到转换后的可见光人脸图像；
人脸识别模块：对图像使用卷积神经网络提取特征向量，然后根据两个特征向量的欧式距离与预设阈值的比较完成人脸识别。
请参阅图1，本技术方案的识别流程为：
1、采集近红外人脸图像；
2、对所采集的近红外人脸图像进行人脸检测；
3、利用CycleGan的产生式模型将检测到的近红外图像转换为可见光图像；
4、将通过cycleGAN转换的可见光图像输入训练好的Facenet，把本张图像的人脸特征提取出来；
5、使用facenet所提取到的人脸特征进行人脸识别。
上述技术方案中，用训练好的深度卷积神经网络对人脸进行识别时，先采集用于测试识别的近红外人脸图像并进行预处理，即通过CycleGan的产生式模型将近红外图像转换为可见光图像，之后利用Facenet中的深度卷积网络提取近红外人脸图像中的局部微结构特征，将近红外人脸图像的Facenet中的深度卷积网络特征图放入已经训练好的深度卷积神经网络模型中进行识别，得出识别结果。
近红外图像采集和活体检测模块：
使用近红外摄像头采集近红外人脸图像，人脸保持与摄像头30-50cm距离，被采集人脸的眼睛需要盯着屏幕的中央处，缓缓的前后左右移动脸部，并保持表情自然。
本发明使用到了近红外光摄像头，通过近红外人脸活体检测来判断采集到的图像是否是含有人脸。
一方面，经过大量测试发现，大部分的纸质材料、全部的手机或者电脑屏幕上显示的图像、全部照片以及全部视频投影所呈现的图像，在近红外光摄像头下均不能正常显现，只有少数的纸张可以在近红外摄像头下呈现出模糊的低质量图像。
因此我们使用近红外摄像头可以有效的防止来自电子屏幕、投影和大部分纸张的伪造人脸的攻击。
另一方面，与可见光摄像头所采集到的人脸不同的是，近红外摄像头拍摄的照片的光源主要来自于摄像头周围的近红外灯，因此呈现出脸部中间亮、脸颊暗、眼睛瞳孔颜色呈灰白色、并且没有颜色信息等特点，没有这些特点的基本可以判断是伪造的人脸。
近红外人脸检测模块（MTCNN）：
人脸检测方法有许多，比如opencv自带的人脸Haar特征分类器和dlib人脸检测方法等，对于opencv的人脸检测方法，有点是简单，快速；存在的问题是人脸检测效果不好，正面/垂直/光线较好的人脸，该方法可以检测出来，而侧面/歪斜/光线不好的人脸，无法检测，因此，该方法不适合现场应用，对于dlib人脸检测方法，效果好于opencv的方法，但是检测力度也难以达到现场应用标准。
MTCNN是基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，人脸检测效果更好；同时，内存消耗不大，可以实现实时人脸检测。
近红外图像转换模块：
请参阅图2，本模块主要使用了改进版的CycleGAN。
CycleGAN是在传统的生成对抗网络（Generative Adversarial Networks，GAN）的基础上发展而来的，传统的GAN是一个十分有效的深度学习模型，网络中有生成器G（generator）和鉴别器（Discriminator），有两个数据域分别为X,Y，G负责把X域中的数据拿过来拼命地模仿成真实数据并把它们藏在真实数据中，而D就拼命地要把伪造数据和真实数据分开，经过二者的博弈以后，G的伪造技术越来越厉害，D的鉴别技术也越来越厉害，直到D再也分不出数据是真实的还是G生成的数据的时候，这个对抗的过程达到一个动态的平衡。
传统的GAN是单向的，而CycleGAN本质上是两个镜像对称的GAN，构成了一个环形网络，两个GAN共享两个生成器，并各自带一个判别器，即共有两个判别器和两个生成器，一个生成器将X域的图片转换成Y域的图片（用G表示），而另一个生成器做相反的事情，用F表示，而两个判别器Dx和Dy分辨两个域中真假图片。
在我们的近红外人脸识别系统中，我们将设置了两个数据域，一个是可见光图像域，另一个是近红外图像域，通过训练，我们得到了一个能将近红外人脸图像转换为可见光人脸图像的神经网络模型。
将上一个模块中检测到的人脸图像输入cycleGAN的神经网络模型，我们可以得到转换后的可见光人脸图像。
人脸识别模块：
请参阅图3，本模块主要使用了Facenet，但是原始版本的CycleGAN没有针对人脸识别做特定的优化，所以在CycleGAN工作的基础上，在训练生成彩色人脸时时，加入针对Facenet的优化，使之在最终模型的表现上更加优秀，并且可以无缝衔接到已有的人脸识别系统上。
对图像使用卷积神经网络提取特征向量，然后根据两个特征向量的欧式距离与预设阈值的比较完成人脸识别。
训练时，通过卷积神经网络将人脸映射到欧式空间的人脸特征向量上，计算不同图片人脸特征的距离，然后根据通过相同个体的人脸的距离，总是小于不同个体的人脸这一先验知识，使用三元损失函数，该三元损失函数使得类内距离小于类间距离。
测试时只需要计算人脸特征，然后计算距离使用阈值即可判定两张人脸照片是否属于相同的个体。
本发明中，基于近红外成像进行人脸识别，近红外人脸识别对于光照鲁棒性好，不仅适用于白天，也适用于夜晚，甚至其他复杂光线条件，在无可见光照明和环境光照更复杂条件下的人脸识别率非常准确，基于近红外成像进行活体检测，近红外成像技术具有对光照不敏感，电子屏幕无法成像，可穿透墨镜成像等特点，在实际应用场景中可以防止恶意者伪造和窃取他人的生物特征用于身份认证，可更加有效地防止照片、视频、3D面具等各类手段的攻击，提升了用户远程验证身份真实性的安全性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于近红外成像与深度学习的人脸识别系统，其特征在于：包括：
近红外图像采集和活体检测模块：用近红外摄像头采集近红外人脸图像，人脸保持与摄像头30-50cm距离，被采集人脸的眼睛需要盯着屏幕的中央处，缓缓的前后左右移动脸部，并保持表情自然；
近红外人脸检测模块：基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，内存消耗不大，实现实时人脸检测；
近红外图像转换模块：用于将上一个模块中检测到的人脸图像输入cycleGAN的神经网络模型，得到转换后的可见光人脸图像；
人脸识别模块：对图像使用卷积神经网络提取特征向量，然后根据两个特征向量的欧式距离与预设阈值的比较完成人脸识别。
2.根据权利要求1所述的一种基于近红外成像与深度学习的人脸识别系统，其特征在于：所述近红外光摄像头通过近红外人脸活体检测来判断采集到的图像是否是含有人脸。
3.根据权利要求1所述的一种基于近红外成像与深度学习的人脸识别系统，其特征在于：所述人脸识别模块通过卷积神经网络将人脸映射到欧式空间的人脸特征向量上，计算不同图片人脸特征的距离，然后根据通过相同个体的人脸的距离，总是小于不同个体的人脸这一先验知识，使用三元损失函数，该三元损失函数使得类内距离小于类间距离。
4.根据权利要求1所述的一种基于近红外成像与深度学习的人脸识别系统，其特征在于：所述人脸识别模块测试时只需要计算人脸特征，然后计算距离使用阈值即可判定两张人脸照片是否属于相同的个体。
5.根据权利要求1所述的一种基于近红外成像与深度学习的人脸识别系统，其特征在于：所述人脸识别模块设置有两个镜像对称的GAN，构成了一个环形网络，两个GAN共享两个生成器，并各自带一个判别器，即共有两个判别器和两个生成器。
6.根据权利要求1所述的一种基于近红外成像与深度学习的人脸识别系统，其特征在于：所述人脸识别模块的一个生成器将X域的图片转换成Y域的图片，而另一个生成器将Y域的图片转换成X域的图片。
CN201811539327.0A 2018-12-17 2018-12-17 一种基于近红外成像与深度学习的人脸识别系统 Pending CN109684965A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811539327.0A CN109684965A (zh) 2018-12-17 2018-12-17 一种基于近红外成像与深度学习的人脸识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811539327.0A CN109684965A (zh) 2018-12-17 2018-12-17 一种基于近红外成像与深度学习的人脸识别系统

Publications (1)

Publication Number Publication Date
CN109684965A true CN109684965A (zh) 2019-04-26

Family

ID=66186085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811539327.0A Pending CN109684965A (zh) 2018-12-17 2018-12-17 一种基于近红外成像与深度学习的人脸识别系统

Country Status (1)

Country Link
CN (1) CN109684965A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110706197A (zh) * 2019-08-06 2020-01-17 北方工业大学 一种基于迁移学习的特殊场景下铁路异物侵限检测方法
CN110728188A (zh) * 2019-09-11 2020-01-24 北京迈格威科技有限公司 图像处理方法、装置、系统和存储介质
CN110889348A (zh) * 2019-11-15 2020-03-17 亚信科技（中国）有限公司 一种提升复杂光线下人脸识别成功率的方法及装置
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
CN111582197A (zh) * 2020-05-07 2020-08-25 贵州省邮电规划设计院有限公司 一种基于近红外和3d摄像技术的活体以及人脸识别系统
CN111666835A (zh) * 2020-05-20 2020-09-15 广东志远科技有限公司 一种人脸活体检测方法和装置
CN112215045A (zh) * 2019-07-12 2021-01-12 普天信息技术有限公司 一种活体检测方法和装置
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
CN113469054A (zh) * 2021-07-02 2021-10-01 哈尔滨理工大学 一种基于深度学习的红外人脸识别方法
CN113824884A (zh) * 2021-10-20 2021-12-21 深圳市睿联技术股份有限公司 拍摄方法与装置、摄影设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709477A (zh) * 2017-02-23 2017-05-24 哈尔滨工业大学深圳研究生院 一种基于自适应得分融合与深度学习的人脸识别方法及系统
CN106845450A (zh) * 2017-02-22 2017-06-13 武汉科技大学 基于近红外成像与深度学习的黑暗环境人脸识别方法
CN108256405A (zh) * 2016-12-29 2018-07-06 中国移动通信有限公司研究院 一种人脸识别方法及装置
CN108596110A (zh) * 2018-04-26 2018-09-28 北京京东金融科技控股有限公司 图像识别方法及装置、电子设备、存储介质
CN108881707A (zh) * 2017-11-28 2018-11-23 北京旷视科技有限公司 图像生成方法、装置、系统和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256405A (zh) * 2016-12-29 2018-07-06 中国移动通信有限公司研究院 一种人脸识别方法及装置
CN106845450A (zh) * 2017-02-22 2017-06-13 武汉科技大学 基于近红外成像与深度学习的黑暗环境人脸识别方法
CN106709477A (zh) * 2017-02-23 2017-05-24 哈尔滨工业大学深圳研究生院 一种基于自适应得分融合与深度学习的人脸识别方法及系统
CN108881707A (zh) * 2017-11-28 2018-11-23 北京旷视科技有限公司 图像生成方法、装置、系统和存储介质
CN108596110A (zh) * 2018-04-26 2018-09-28 北京京东金融科技控股有限公司 图像识别方法及装置、电子设备、存储介质

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215045A (zh) * 2019-07-12 2021-01-12 普天信息技术有限公司 一种活体检测方法和装置
CN110706197A (zh) * 2019-08-06 2020-01-17 北方工业大学 一种基于迁移学习的特殊场景下铁路异物侵限检测方法
CN110728188A (zh) * 2019-09-11 2020-01-24 北京迈格威科技有限公司 图像处理方法、装置、系统和存储介质
CN110728188B (zh) * 2019-09-11 2022-12-02 北京迈格威科技有限公司 图像处理方法、装置、系统和存储介质
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
CN110889348A (zh) * 2019-11-15 2020-03-17 亚信科技（中国）有限公司 一种提升复杂光线下人脸识别成功率的方法及装置
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
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
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
CN111582197A (zh) * 2020-05-07 2020-08-25 贵州省邮电规划设计院有限公司 一种基于近红外和3d摄像技术的活体以及人脸识别系统
CN111666835A (zh) * 2020-05-20 2020-09-15 广东志远科技有限公司 一种人脸活体检测方法和装置
CN113469054A (zh) * 2021-07-02 2021-10-01 哈尔滨理工大学 一种基于深度学习的红外人脸识别方法
CN113824884A (zh) * 2021-10-20 2021-12-21 深圳市睿联技术股份有限公司 拍摄方法与装置、摄影设备及计算机可读存储介质
CN113824884B (zh) * 2021-10-20 2023-08-08 深圳市睿联技术股份有限公司 拍摄方法与装置、摄影设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN109684965A (zh) 一种基于近红外成像与深度学习的人脸识别系统
Shao et al. Deep convolutional dynamic texture learning with adaptive channel-discriminability for 3D mask face anti-spoofing
CN103440479B (zh) 一种活体人脸检测方法与系统
CN101999900B (zh) 一种应用于人脸识别的活体检测方法及系统
CN103942577B (zh) 视频监控中基于自建立样本库及混合特征的身份识别方法
Bialkowski et al. A database for person re-identification in multi-camera surveillance networks
CN103473571B (zh) 一种人体检测方法
CN110516576A (zh) 基于深度神经网络的近红外活体人脸识别方法
CN106778518A (zh) 一种人脸活体检测方法及装置
Kashem et al. Face recognition system based on principal component analysis (PCA) with back propagation neural networks (BPNN)
CN110462633A (zh) 一种人脸识别的方法、装置和电子设备
CN105138954A (zh) 一种图像自动筛选查询识别系统
CN109858439A (zh) 一种基于人脸的活体检测方法及装置
CN110458063B (zh) 防视频、照片欺骗的人脸活体检测方法
CN107480586B (zh) 基于人脸特征点位移的生物识别照片仿冒攻击检测方法
CN111582197A (zh) 一种基于近红外和3d摄像技术的活体以及人脸识别系统
CN107798279A (zh) 一种人脸活体检测方法及装置
CN109255319A (zh) 针对静态照片的人脸识别支付信息防伪方法
CN109325462A (zh) 基于虹膜的人脸识别活体检测方法及装置
Zou et al. Face Recognition Using Active Near-IR Illumination.
Zhang et al. A survey on face anti-spoofing algorithms
CN109508706A (zh) 一种基于微表情识别和无感人脸识别的静默活体检测方法
Lee et al. Enhanced iris recognition method by generative adversarial network-based image reconstruction
Chen et al. Iris liveness detection: A survey
Sharma Designing of face recognition system

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190426