CN109685018A - 一种人证校验方法、系统及相关设备 - Google Patents
一种人证校验方法、系统及相关设备 Download PDFInfo
- Publication number
- CN109685018A CN109685018A CN201811604947.8A CN201811604947A CN109685018A CN 109685018 A CN109685018 A CN 109685018A CN 201811604947 A CN201811604947 A CN 201811604947A CN 109685018 A CN109685018 A CN 109685018A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- target
- detected
- preset
- 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 58
- 238000012937 correction Methods 0.000 claims abstract description 84
- 239000013598 vector Substances 0.000 claims abstract description 76
- 230000001815 facial effect Effects 0.000 claims abstract description 72
- 238000012216 screening Methods 0.000 claims abstract description 27
- 239000000284 extract Substances 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims description 25
- 238000009792 diffusion process Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003702 image correction Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 31
- 230000008569 process Effects 0.000 abstract description 21
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 101100517192 Arabidopsis thaliana NRPD1 gene Proteins 0.000 description 2
- 101150094905 SMD2 gene Proteins 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06V40/10—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
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种人证校验方法、系统及相关设备，用于提高人证校验的安全性及校验效率。本发明实施例中，先对待检测的视频流中提取到的原始图像进行校正，生成校正图像，并根据预设的筛选条件筛选出符合预设条件的目标图像，然后根据目标图像判断待检测的视频流中的人脸是否为活体人脸，若是活体人脸，则提取目标图像的特征向量，并提取目标人脸图像的特征向量，若目标图像的特征向量与待检测目标人脸图像的特征向量之间的向量相似度大于第一阈值，则判定人证校验成功。本发明实施例对视频流中提取到的原始图像进行了校正和筛选，剔除了不符合要求的图像，提高了校验的效率，同时，增加了活体人脸识别过程，提高了校验的安全性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种人证校验方法、系统及相关设备。
背景技术
人证比对技术可广泛应用于对人员身份一致性要求较高的场所，可在银行、公安、政府、电力、酒店、医疗、火车站、机场安检、证券交易、住建监管、教育及众多企事业单位等领域中应用。
然而，现有的人证验证过程存在着巨大的安全隐患，目前人证验证系统可以判别人脸的真实身份，但是却无法判别摄像头前的人脸图像是来自合法用户还是非法用户。因为，非法用户可以使用合法用户的照片，视频，或者3D模型来欺骗人脸识别系统。
那么如何确保人证验证安全已成为一个迫切需要解决的问题。
发明内容
本发明实施例提供了一种人证校验方法、系统及相关设备，用于提高人证校验的安全性及校验效率。
本发明实施例第一方面提供了一种人证校验方法，其包括：
从待检测的视频流中提取待检测目标对象人脸的原始图像；
采用第一预设算法对所述原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合；
根据预设的筛选条件从所述第一图像集合中筛选出符合预设条件的目标图像，所有的目标图像形成第二图像集合；
根据所述第二图像集合中的目标图像判断所述待检测的视频流中的人脸是否为活体人脸；
若是活体人脸，则采用第二预设算法提取所述第二图像集合中任一张目标图像的特征向量；
采用所述第二预设算法提取目标人脸图像的特征向量，所述目标人脸图像是从待检测的证件中提取得到；
若所述目标图像的特征向量与所述待检测目标人脸图像的特征向量之间的向量相似度大于第一阈值，则判定人证校验成功。
可选的，作为一种可能的实施方式，本发明实施例中，所述根据所述第二图像集合中的目标图像判断所述待检测的视频流中的人脸是否为活体人脸，包括：
检测各个目标图像的边缘是否存在边框，若存在边框，则判定所述待检测的视频流中的人脸不是活体人脸；
若不存在边框，则将所述第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定所述待检测的视频流中的人脸为活体人脸。
可选的，作为一种可能的实施方式，本发明实施例中，所述根据所述第二图像集合中的目标图像判断所述待检测的视频流中的人脸是否为活体人脸，包括：
将所述第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定所述待检测的视频流中的人脸为活体人脸。
可选的，作为一种可能的实施方式，本发明实施例中，所述根据预设的筛选条件从所述第一图像集合中筛选出符合预设条件的目标图像，包括：
判断所述第一图像集合中的各个校正图像中的人脸倾斜角度以及正脸的偏移量是否在预设范围内，若不在预设范围内，则判定对应的校正图像不符合预设条件；
和/或，判断各个校正图像中的人脸所占的比例是否大于预设的第一阈值，若不大于，则判定对应的校正图像不符合预设条件；
和/或，判断各个校正图像的清晰度是否大于预设的第二阈值，若不大于，则判定对应的校正图像不符合预设条件。
可选的，作为一种可能的实施方式，本发明实施例中，在所述采用所述第二预设算法提取待检测目标人脸图像的特征向量之前，所述方法还包括：
提取待检测的证件中的原始人脸图像；
采用所述第一预设算法提取所述原始人脸图像的人脸关键点，并根据人脸关键点对所述人物图像进行校正，生成目标人脸图像。
本发明实施例第二方面提供了一种人证校验系统，其包括：
第一提取模块，用于从待检测的视频流中提取待检测目标对象人脸的原始图像；
第一校正模块，用于采用第一预设算法对所述原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合；
筛选模块，用于根据预设的筛选条件从所述第一图像集合中筛选出符合预设条件的目标图像，所有的目标图像形成第二图像集合；
检测模块，用于根据所述第二图像集合中的目标图像判断所述待检测的视频流中的人脸是否为活体人脸；
第二提取模块，若所述待检测的视频流中的人脸是活体人脸，则采用第二预设算法提取所述第二图像集合中任一张目标图像的特征向量；
第三提取模块，用于采用所述第二预设算法提取目标人脸图像的特征向量，所述目标人脸图像是从待检测的证件中提取得到；
处理模块，用于判断所述目标图像的特征向量与所述待检测目标人脸图像的特征向量的欧式距离是否小于第一阈值，若小于第一阈值，则判定人证校验成功。
可选的，作为一种可能的实施方式，本发明实施例中，所述检测模块包括：
第一检测单元，用于检测各个目标图像的边缘是否存在边框，若存在边框，则判定所述待检测的视频流中的人脸不是活体人脸；
第二检测单元，用于将所述第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
判断单元，若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定所述待检测的视频流中的人脸为活体人脸。
可选的，作为一种可能的实施方式，本发明实施例中，所述筛选模块包括：
第一筛选单元，用于判断所述第一图像集合中的各个校正图像中的人脸倾斜角度以及正脸的偏移量是否在预设范围内，若不在预设范围内，则判定对应的校正图像不符合预设条件；
和/或，第二筛选单元，用于判断各个校正图像中的人脸所占的比例是否大于预设的第一阈值，若不大于，则判定对应的校正图像不符合预设条件；
和/或，第三筛选单元，用于判断各个校正图像的清晰度是否大于预设的第二阈值，若不大于，则判定对应的校正图像不符合预设条件。
可选的，作为一种可能的实施方式，本发明实施例中，还包括
第四提取模块，用于提取待检测的证件中的原始人脸图像；
第二校正模块，用于采用所述第一预设算法提取所述原始人脸图像的人脸关键点，并根据人脸关键点对所述人物图像进行校正，生成目标人脸图像。
本发明实施例第三方面提供了一种人证校验设备，其特征在于，所述人证校验设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如第一方面及第一方面中任一种可能的实施例中的步骤。
本发明实施例第四方面提供了一种人证校验设备可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如第一方面及第一方面中任一种可能的实施例中的步骤。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，人证校验系统可以采用第一预设算法对待检测的视频流中提取到的原始图像进行校正，生成校正图像，并根据预设的筛选条件筛选出符合预设条件的目标图像，然后根据第二图像集合中的目标图像判断待检测的视频流中的人脸是否为活体人脸，若是活体人脸，则采用第二预设算法提取第二图像集合中任一张目标图像的特征向量，采用第二预设算法提取目标人脸图像的特征向量，若目标图像的特征向量与待检测目标人脸图像的特征向量之间的向量相似度大于第一阈值，则判定人证校验成功。本发明实施例对视频流中提取到的原始图像进行了校正和筛选，剔除了不符合要求的图像，提高了校验的效率，同时，增加了活体人脸识别过程，提高了校验的安全性。
附图说明
图1为本发明实施例中一种人证校验方法的一个实施例示意图；
图2为本发明实施例中一种人证校验方法的另一个实施例示意图；
图3为本发明实施例中一种人证校验方法的一个具体运用实例示意图；
图4为本发明实施例中一种人证校验系统的一个实施例示意图；
图5为本发明实施例中一种人证校验系统的另一个实施例示意图；
图6为本发明实施例中一种人证校验系统的另一个实施例示意图；
图7为本发明实施例中一种人证校验系统的另一个实施例示意图；
图8为本发明实施例中一种人证校验设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种人证校验方法、系统及相关设备，用于提高人证校验的安全性及校验效率。
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。
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”、“第三”、“第四”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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。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。
现有的人证验证过程存在着巨大的安全隐患，目前人证验证系统可以判别人脸的真实身份，但是却无法判别摄像头前的人脸图像是来自合法用户还是非法用户。因为，非法用户可以使用合法用户的照片，视频，或者3D模型来欺骗人脸识别系统。本发明实施例对视频流中提取到的原始图像进行了校正和筛选，剔除了不符合要求的图像，提高了校验的效率，同时，增加了活体人脸识别过程，提高了校验的安全性。
为了便于理解，下面对本发明实施例中的具体流程进行描述，请参阅图1，本发明实施例中一种人证校验方法的一个实施例可包括：
101、从待检测的视频流中提取待检测目标对象人脸的原始图像；
实际运用中，当需要进行人证校验的时候，可以采用预置的摄像设备拍摄待检测目标对象生成待检测的视频。人证校验系统可以从待检测的视频流中提取待检测目标对象人脸的原始图像。具体的，本发明实施例中的人证校验系统需要提取视频流中的多帧图像作为原始图像，具体的原始图像的数量此处不做限定。
102、采用第一预设算法对原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合；
在提取到检测目标对象人脸的原始图像之后，人证校验系统可以采用第一预设算法对原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合。可选的，第一预设算法可以是，先采用MTCNN中Onet中5个点检测、Dlib中68个点检测、SDM算法等提取原始图像中的人脸关键点，然后根据仿射变换的原理对人脸关键检测点进行校正生成校正图像，具体的第一预设算法此处不做限定。
103、根据预设的筛选条件从第一图像集合中筛选出符合预设条件的目标图像，所有的目标图像形成第二图像集合；
经过上述校正过程之后的校正图像中，有些图像可能因为拍摄角度问题或者设备自身的原因导致一些校正之后的图像不符合预设条件，为了提高人证校验的效率，需要删除部分不符合预设条件的校正图像。具体的预设条件此处不做限定。
示例性的，本发明实施例中可以根据如下三个维度筛选出符合预设条件的图像，具体包括：
一、判断第一图像集合中的各个校正图像中的人脸倾斜角度以及正脸的偏移量是否在预设范围内，若不在预设范围内，则判定对应的校正图像不符合预设条件。实际运用中，由于拍摄角度的原因，可能会导致获取到的校正图像中的人脸倾斜角度以及正脸的偏移量超过了人证校验系统可以处理的范围，这样的图像与正常的证件图像的差异太大，会导致校验失败，为了提高校验效率，在进行校验之前可以剔除这类图像。具体的人脸倾斜角度以及正脸的偏移量计算可以根据两个眼睛的中心点的中心位置与鼻尖的位置在X方向上是否存在偏移，进行计算。
二、判断各个校正图像中的人脸所占的比例是否大于预设的第一阈值，若不大于，则判定对应的校正图像不符合预设条件。实际运用中，由于拍摄角度的原因，可能会导致获取到的校正图像中的人脸所占的比例较小或者人脸部分缺失，这样的图像与正常的证件图像的差异太大，会导致校验失败，为了提高校验效率，在进行校验之前可以剔除这类图像。
三、判断各个校正图像的清晰度是否大于预设的第二阈值，若不大于，则判定对应的校正图像不符合预设条件。实际运用中，由于拍摄设备自身的原因，可能会导致获取到的校正图像清晰度不够，这样的图像与正常的证件图像的差异太大，会导致校验失败，为了提高校验效率，在进行校验之前可以剔除这类图像。可以用SMD2算法进行评价，若计算出的得分大于设定的阈值，则判定清晰度通过，否则被认为清晰度不满足。
可以理解的是，上述维度筛选出符合预设条件的图像的方式仅仅是示例性的，可以同时全部执行，也可以选择其中的任一种或任两种执行，还可以执行其他维度剔除影响校验效率的图像，具体此处不做限定。
104、根据第二图像集合中的目标图像判断待检测的视频流中的人脸是否为活体人脸；
在获取到符合预设条件的目标图像之后，可以采用现有的活体识别算法对多个目标图像进行检测识别，进而判断待检测的视频流中的人脸是否为活体人脸，具体的活体识别算法此处不做限定。若判定待检测的视频流中的人脸是活体人脸，则执行步骤105，进行进一步的校验。若判定待检测的视频流中的人脸不是活体人脸，则校验失败，结束校验。
105、采用第二预设算法提取第二图像集合中任一张目标图像的特征向量；
若判定待检测的视频流中的人脸不是活体人脸，人证校验系统采用第二预设算法提取第二图像集合中任一张目标图像的特征向量，具体的第二预设算法可以采用SIFT(Scale-invariant features transform)算法、SURF(Speeded Up Robust Features)算法、HOG(Histogram of Oriented Gradient)算法、DOG(Difference of Gaussian)算法等传统算法，也可以采用基于深度学习的网络模型算法，具体此处不做限定。
106、采用第二预设算法提取目标人脸图像的特征向量；
在进行人证校验的过程中，可以从待检测的证件中提取到目标人脸图像，例如可以基于身份证读卡器读取身份证信息，进一步从信息包含了人脸图像，对该图像进行预处理之后得到目标人脸图像。
可选的，作为一种可能的实施方式，本发明实施例中从证件获取目标人脸图像的过程可以包括：提取待检测的证件中的原始人脸图像；采用第一预设算法提取原始人脸图像的人脸关键点，并根据人脸关键点对人物图像进行校正，生成目标人脸图像。具体的图像校正过程可以参照上述步骤102中所示的内容，此处不做赘述。
在获取到目标人脸图像之后，可以采用相同的第二预设算法提取目标人脸图像的特征向量。可以理解的是，第二预设算法虽然包括多种，但是两次特征向量的提取过程中需要采用相同的算法，才能保证提取的特征向量具有相关性。
107、若目标图像的特征向量与待检测目标人脸图像的特征向量之间的向量相似度大于第一阈值，则判定人证校验成功。
在获取到目标图像的特征向量与待检测目标人脸图像的特征向量之后，可以计算两个向量之间的向量相似度，具体的向量相似度可以根据欧式距离或余弦距离进行计算，若两个向量的向量相似度大于第一阈值则判定人证校验成功。
本发明实施例中，人证校验系统可以采用第一预设算法对待检测的视频流中提取到的原始图像进行校正，生成校正图像，并根据预设的筛选条件筛选出符合预设条件的目标图像，然后根据第二图像集合中的目标图像判断待检测的视频流中的人脸是否为活体人脸，若是活体人脸，则采用第二预设算法提取第二图像集合中任一张目标图像的特征向量，采用第二预设算法提取目标人脸图像的特征向量，若目标图像的特征向量与待检测目标人脸图像的特征向量之间的向量相似度大于第一阈值，则判定人证校验成功。本发明实施例对视频流中提取到的原始图像进行了校正和筛选，剔除了不符合要求的图像，提高了校验的效率，同时，增加了活体人脸识别过程，提高了校验的安全性。
在上述图1所示的实施例的基础上，请参阅图2，本发明实施例中的一种人证校验方法的另一个实施例可包括：
201、从待检测的视频流中提取待检测目标对象人脸的原始图像；
实际运用中，当需要进行人证校验的时候，可以采用预置的摄像设备拍摄待检测目标对象生成待检测的视频。人证校验系统可以从待检测的视频流中提取待检测目标对象人脸的原始图像。具体的，本发明实施例中的人证校验系统需要提取视频流中的多帧图像作为原始图像，具体的原始图像的数量此处不做限定。
202、采用第一预设算法对原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合；
在提取到检测目标对象人脸的原始图像之后，人证校验系统可以采用第一预设算法对原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合。可选的，第一预设算法可以是，先采用MTCNN中Onet中5个点检测、Dlib中68个点检测、SDM算法等提取原始图像中的人脸关键点，然后根据仿射变换的原理对人脸关键检测点进行校正生成校正图像，具体的第一预设算法此处不做限定。
203、根据预设的筛选条件从第一图像集合中筛选出符合预设条件的目标图像，所有的目标图像形成第二图像集合；
本发明实施例中的步骤201至203中描述的内容与上述图1所示的实施例中的步骤101至103中描述的内容类似，具体请参阅步骤101至103，此处不做赘述。
204、检测各个目标图像的边缘是否存在边框；
如果非法用户可以使用合法用户的照片对着摄像头进行图像拍摄，那么拍摄的待检测视频中截取到的图像必然会有照片的边框。有鉴于此，本发明实施例可以判断各个校正图像的边缘是否存在边框，若存在边框，判定待检测的视频流中的人脸不是活体人脸，结束校验流程，否则，执行步骤205。
可选的，本发明实施例中可以基于SVM模型或深度学习网络模型，预先训练边框检测模型，该模型可以对人脸图像进行人脸区域外扩再进行识别分类，若边框检测模型将待检测图像分类为带边框的图像，则认为该当前帧判定是非活体。
205、将第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
根据伪造照片相对于活体照片有光照反射特性呈现出更加均衡扩散缓慢的特点，本发明实施例中采用预设的图像扩散(反射)速度模型(Diffusion Speed Model)来识别各个目标图像中的人脸图像是否为活体人脸。具体的，该图像扩散速度模型的原理是：引入全变差流(TV)来获得扩散速度，在得到的扩散速度图基础上利用LSP编码(类似LBP)获取的局部速度特征向量作为线性SVM分类器的输入，经分类器识别输入目标图像中的人脸图像是否为活体人脸。每一个目标图像在输入预设的图像扩散速度模型之后会生成对应的识别结果，该结果指示各个目标图像中的人脸图像是否为活体人脸。
可以理解的是，上述步骤204是可选步骤，在实际运用中，可以直接将第二图像集合中的目标图像输入预设的图像扩散速度模型进行识别。
206、若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定待检测的视频流中的人脸为活体人脸。
每一个识别结果分为两类，一类指示目标图像中的人脸图像是活体人脸，另一类指示目标图像中的人脸图像不是活体人脸，人证校验系统可以统计各类结果所占的比例，若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定待检测的视频流中的人脸为活体人脸。具体的预设比例可以是大于等于0.6而小于1的任意实数，具体此处不做限定。
例如，设置预设比例为0.6，5个目标图像中的3个识别结果指示目标图像中的人脸图像是活体人脸，则判定待检测的视频流中的人脸为活体人脸。
207、采用第二预设算法提取第二图像集合中任一张目标图像的特征向量；
208、采用第二预设算法提取目标人脸图像的特征向量；
209、若目标图像的特征向量与待检测目标人脸图像的特征向量之间的向量相似度大于第一阈值，则判定人证校验成功。
本发明实施例中的步骤207至209中描述的内容与上述图1所示的实施例中的步骤105至107中描述的内容类似，具体请参阅步骤105至107，此处不做赘述。
本发明实施例中，人证校验系统可以采用第一预设算法对待检测的视频流中提取到的原始图像进行校正，生成校正图像，并根据预设的筛选条件筛选出符合预设条件的目标图像，然后根据第二图像集合中的目标图像判断待检测的视频流中的人脸是否为活体人脸，若是活体人脸，则采用第二预设算法提取第二图像集合中任一张目标图像的特征向量，采用第二预设算法提取目标人脸图像的特征向量，若目标图像的特征向量与待检测目标人脸图像的特征向量之间的向量相似度大于第一阈值，则判定人证校验成功。本发明实施例对视频流中提取到的原始图像进行了校正和筛选，剔除了不符合要求的图像，提高了校验的效率，同时，增加了活体人脸识别过程，提高了校验的安全性。
为了便于理解，下面将结合具体运用实例对本发明实施例中的人证校验方法进行说明，请参阅图3。整个人证比对流程包括：先从身份证读卡器读取身份证信息，主要获取人脸图像信息，将该图送入人脸注册函数。该函数接口包括：人脸检测、人脸关键点检测、人脸对齐校正、特征提取四个算法模块。对身份证上的人脸图像处理完后，再通过视频端获取图像，对视频流中的图片进行分析处理，该过程主要包括人脸检测、人脸关键点检测、人脸对齐校正、活体检测、特征提取五个算法模块。如若判定是活体将执行特征比对函数，会输出一个值，再结合预先设定的阈值，与该阈值做比较，大于该阈值认为认证成功，否则判定为认证失败。
具体的，人脸检测过程包括：
(1)输入的图像预处理：先通过视频采集终端获取图像，并对该图像进行人脸检测并对检测到的人脸进行人脸关键点检测及校正操作，校正完图像归一化至128x128的尺寸。
活体检测过程包括：
(2)执行完(1)后会对校正完的人脸图像进行姿态判断，如若姿态满足条件则会进行(3)操作，否则退出；
(3)计算人脸占比：对(1)中校正完的人脸计算该人脸在原图中的占比，可以通过计算面积来描述；如若(3)中求得人脸占比大于预先设定的阈值，将继续执行(4)，否则退出；
(4)此时计算人脸图像的清晰度，可以用SMD2进行评价；如若计算出的得分大于设定的阈值，则判定清晰度通过，否则被认为清晰度不满足即退出；
(5)执行完(4)后再根据预先训练的边框检测模型对人脸图像进行人脸区域外扩再进行识别分类，此时如若判为带边框，则认为该当前帧判定是非活体，否则继续执行(6)；
(6)执行完(5)后将128x128的人脸图像归一化至96x96的大小，再对96x96的人脸进行提取ds_map(diffusion speed map)特征图，将该特征图送入预训练的ds_map模型中进行判定是否是活体；如若判定当前状态是活体，并对该状态进行标定，反之，标定为非活体；具体的，该ds_map模型的原理是：引入全变差流(TV)来获得扩散速度，在得到的扩散速度图基础上利用LSP编码(类似LBP)获取的局部速度特征向量作为线性SVM分类器的输入，经分类器识别输入目标图像中的人脸图像是否为活体人脸。每一个人脸图像在输入预设的图像扩散速度模型之后会生成对应的识别结果，该结果指示各个人脸图像是否为活体人脸。
(7)重复执行(1)-(6)共5次，并对每次的结果进行记录标定，如若满足标定结果非活体大于等于3次，则会判断当前的待测物是非活体；如若判定为活体则执行(8)，否则输出为非活体状态；
特征提取过程：
(8)此时将128x128的人脸送入预先训练的特征模型，提取出512维特征存储到内存中。
特征比对过程：
(9)如若是活体，将注册和识别出的特征送入该模块进入特征比对，求得的置信度大于设定的阈值，则认为认证成功，否则认证失败。
人脸注册过程：只执行(1)及(8)，只保存身份证上的人脸特征信息；
人脸识别过程：执行(1)-(9)，保存现场抓拍的人脸特征信息，并输出置信度，并根据置信度进行判断是否认证成功。
可以理解的是，在本发明的各种实施例中，上述各步骤的序号的大小并不意味着执行顺序的先后，各步骤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。
本发明实施例中还提供了一种人证校验系统，请参阅图4，本发明实施例中一种人证校验系统的一个实施例可包括：
第一提取模块401，用于从待检测的视频流中提取待检测目标对象人脸的原始图像；
第一校正模块402，用于采用第一预设算法对原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合；
筛选模块403，用于根据预设的筛选条件从第一图像集合中筛选出符合预设条件的目标图像，所有的目标图像形成第二图像集合；
检测模块404，用于根据第二图像集合中的目标图像判断待检测的视频流中的人脸是否为活体人脸；
第二提取模块405，若待检测的视频流中的人脸是活体人脸，则采用第二预设算法提取第二图像集合中任一张目标图像的特征向量；
第三提取模块406，用于采用第二预设算法提取目标人脸图像的特征向量，目标人脸图像是从待检测的证件中提取得到；
处理模块407，用于判断目标图像的特征向量与待检测目标人脸图像的特征向量的欧式距离是否小于第一阈值，若小于第一阈值，则判定人证校验成功。
可选的，作为一种可能的实施方式，请参阅图5，本发明实施例中检测模块404包括：
第一检测单元4041，用于检测各个目标图像的边缘是否存在边框，若存在边框，则判定待检测的视频流中的人脸不是活体人脸；
第二检测单元4042，用于将第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
判断单元4043，若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定待检测的视频流中的人脸为活体人脸。
可选的，作为一种可能的实施方式，请参阅图6，本发明实施例中筛选模块403包括：
第一筛选单元4031，用于判断第一图像集合中的各个校正图像中的人脸倾斜角度以及正脸的偏移量是否在预设范围内，若不在预设范围内，则判定对应的校正图像不符合预设条件；
和/或，第二筛选单元4032，用于判断各个校正图像中的人脸所占的比例是否大于预设的第一阈值，若不大于，则判定对应的校正图像不符合预设条件；
和/或，第三筛选单元4033，用于判断各个校正图像的清晰度是否大于预设的第二阈值，若不大于，则判定对应的校正图像不符合预设条件。
可选的，作为一种可能的实施方式，请参阅图7，本发明实施例中的人证校验系统还包括
第四提取模块408，用于提取待检测的证件中的原始人脸图像；
第二校正模块409，用于采用第一预设算法提取原始人脸图像的人脸关键点，并根据人脸关键点对人物图像进行校正，生成目标人脸图像。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上面从功能化的角度对本申请实施例中的人证校验系统进行了描述，下面从硬件处理的角度对本申请实施例中的人证校验设备进行描述。
本申请实施例还提供了一种人证校验设备8，如图8所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。参考图8，人证校验设备8包括：电源810、存储器820、处理器830、有线或无线网络接口840以及存储在存储器中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上述各个图像帧中人证校验方法实施例中的步骤，例如图1所示的步骤101至107。或者，处理器执行计算机程序时实现上述各装置实施例中各模块或单元的功能。
本申请实施例中的一些实施例中，处理器用于执行存储器中存储的计算机程序时实现如下步骤：
从待检测的视频流中提取待检测目标对象人脸的原始图像；
采用第一预设算法对原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合；
根据预设的筛选条件从第一图像集合中筛选出符合预设条件的目标图像，所有的目标图像形成第二图像集合；
根据第二图像集合中的目标图像判断待检测的视频流中的人脸是否为活体人脸；
若是活体人脸，则采用第二预设算法提取第二图像集合中任一张目标图像的特征向量；
采用第二预设算法提取目标人脸图像的特征向量，目标人脸图像是从待检测的证件中提取得到；
若目标图像的特征向量与待检测目标人脸图像的特征向量之间的向量相似度大于第一阈值，则判定人证校验成功。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
检测各个目标图像的边缘是否存在边框，若存在边框，则判定待检测的视频流中的人脸不是活体人脸；
若不存在边框，则将第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定待检测的视频流中的人脸为活体人脸。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
将第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定待检测的视频流中的人脸为活体人脸。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
判断第一图像集合中的各个校正图像中的人脸倾斜角度以及正脸的偏移量是否在预设范围内，若不在预设范围内，则判定对应的校正图像不符合预设条件；
和/或，判断各个校正图像中的人脸所占的比例是否大于预设的第一阈值，若不大于，则判定对应的校正图像不符合预设条件；
和/或，判断各个校正图像的清晰度是否大于预设的第二阈值，若不大于，则判定对应的校正图像不符合预设条件。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
提取待检测的证件中的原始人脸图像；
采用第一预设算法提取原始人脸图像的人脸关键点，并根据人脸关键点对人物图像进行校正，生成目标人脸图像。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
本领域技术人员可以理解，图8中示出的结构并不构成对人证校验设备8的限定，人证校验设备8可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，例如计算机装置还可以包括输入输出设备、总线等。
所称处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本申请还提供了一种人证校验设备可读存储介质，该人证校验设备可读存储介质上存储有计算机程序，计算机程序被处理器执行时，可以实现如下步骤：
从待检测的视频流中提取待检测目标对象人脸的原始图像；
采用第一预设算法对原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合；
根据预设的筛选条件从第一图像集合中筛选出符合预设条件的目标图像，所有的目标图像形成第二图像集合；
根据第二图像集合中的目标图像判断待检测的视频流中的人脸是否为活体人脸；
若是活体人脸，则采用第二预设算法提取第二图像集合中任一张目标图像的特征向量；
采用第二预设算法提取目标人脸图像的特征向量，目标人脸图像是从待检测的证件中提取得到；
若目标图像的特征向量与待检测目标人脸图像的特征向量之间的向量相似度大于第一阈值，则判定人证校验成功。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
检测各个目标图像的边缘是否存在边框，若存在边框，则判定待检测的视频流中的人脸不是活体人脸；
若不存在边框，则将第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定待检测的视频流中的人脸为活体人脸。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
将第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定待检测的视频流中的人脸为活体人脸。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
判断第一图像集合中的各个校正图像中的人脸倾斜角度以及正脸的偏移量是否在预设范围内，若不在预设范围内，则判定对应的校正图像不符合预设条件；
和/或，判断各个校正图像中的人脸所占的比例是否大于预设的第一阈值，若不大于，则判定对应的校正图像不符合预设条件；
和/或，判断各个校正图像的清晰度是否大于预设的第二阈值，若不大于，则判定对应的校正图像不符合预设条件。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
提取待检测的证件中的原始人脸图像；
采用第一预设算法提取原始人脸图像的人脸关键点，并根据人脸关键点对人物图像进行校正，生成目标人脸图像。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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(可以是个人计算机，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、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上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。
Claims (10)
1.一种人证校验方法，其特征在于，包括：
从待检测的视频流中提取待检测目标对象人脸的原始图像；
采用第一预设算法对所述原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合；
根据预设的筛选条件从所述第一图像集合中筛选出符合预设条件的目标图像，所有的目标图像形成第二图像集合；
根据所述第二图像集合中的目标图像判断所述待检测的视频流中的人脸是否为活体人脸；
若是活体人脸，则采用第二预设算法提取所述第二图像集合中任一张目标图像的特征向量；
采用所述第二预设算法提取目标人脸图像的特征向量，所述目标人脸图像是从待检测的证件中提取得到；
若所述目标图像的特征向量与所述待检测目标人脸图像的特征向量之间的向量相似度大于第一阈值，则判定人证校验成功。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第二图像集合中的目标图像判断所述待检测的视频流中的人脸是否为活体人脸，包括：
检测各个目标图像的边缘是否存在边框，若存在边框，则判定所述待检测的视频流中的人脸不是活体人脸；
若不存在边框，则将所述第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定所述待检测的视频流中的人脸为活体人脸。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第二图像集合中的目标图像判断所述待检测的视频流中的人脸是否为活体人脸，包括：
将所述第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定所述待检测的视频流中的人脸为活体人脸。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据预设的筛选条件从所述第一图像集合中筛选出符合预设条件的目标图像，包括：
判断所述第一图像集合中的各个校正图像中的人脸倾斜角度以及正脸的偏移量是否在预设范围内，若不在预设范围内，则判定对应的校正图像不符合预设条件；
和/或，判断各个校正图像中的人脸所占的比例是否大于预设的第一阈值，若不大于，则判定对应的校正图像不符合预设条件；
和/或，判断各个校正图像的清晰度是否大于预设的第二阈值，若不大于，则判定对应的校正图像不符合预设条件。
5.根据权利要求4所述的方法，其特征在于，在所述采用所述第二预设算法提取待检测目标人脸图像的特征向量之前，所述方法还包括：
提取待检测的证件中的原始人脸图像；
采用所述第一预设算法提取所述原始人脸图像的人脸关键点，并根据人脸关键点对所述人物图像进行校正，生成目标人脸图像。
6.一种人证校验系统，其特征在于，包括：
第一提取模块，用于从待检测的视频流中提取待检测目标对象人脸的原始图像；
第一校正模块，用于采用第一预设算法对所述原始图像进行校正，生成校正图像，所有的校正图像形成第一图像集合；
筛选模块，用于根据预设的筛选条件从所述第一图像集合中筛选出符合预设条件的目标图像，所有的目标图像形成第二图像集合；
检测模块，用于根据所述第二图像集合中的目标图像判断所述待检测的视频流中的人脸是否为活体人脸；
第二提取模块，若所述待检测的视频流中的人脸是活体人脸，则采用第二预设算法提取所述第二图像集合中任一张目标图像的特征向量；
第三提取模块，用于采用所述第二预设算法提取目标人脸图像的特征向量，所述目标人脸图像是从待检测的证件中提取得到；
处理模块，用于判断所述目标图像的特征向量与所述待检测目标人脸图像的特征向量的欧式距离是否小于第一阈值，若小于第一阈值，则判定人证校验成功。
7.根据权利要求6所述的系统，其特征在于，所述检测模块包括：
第一检测单元，用于检测各个目标图像的边缘是否存在边框，若存在边框，则判定所述待检测的视频流中的人脸不是活体人脸；
第二检测单元，用于将所述第二图像集合中的各个目标图像输入预设的图像扩散速度模型，生成每一个目标图像对应的识别结果；
判断单元，若所有的识别结果中，存在超过预设比例的识别结果指示对应的目标图像中的人脸为活体人脸，则判定所述待检测的视频流中的人脸为活体人脸。
8.根据权利要求7所述的系统，其特征在于，所述筛选模块包括：
第一筛选单元，用于判断所述第一图像集合中的各个校正图像中的人脸倾斜角度以及正脸的偏移量是否在预设范围内，若不在预设范围内，则判定对应的校正图像不符合预设条件；
和/或，第二筛选单元，用于判断各个校正图像中的人脸所占的比例是否大于预设的第一阈值，若不大于，则判定对应的校正图像不符合预设条件；
和/或，第三筛选单元，用于判断各个校正图像的清晰度是否大于预设的第二阈值，若不大于，则判定对应的校正图像不符合预设条件。
9.一种人证校验设备，其特征在于，所述人证校验设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5中任意一项所述方法的步骤。
10.一种人证校验设备可读存储介质，其上存储有计算机程序，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中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811604947.8A CN109685018A (zh) | 2018-12-26 | 2018-12-26 | 一种人证校验方法、系统及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811604947.8A CN109685018A (zh) | 2018-12-26 | 2018-12-26 | 一种人证校验方法、系统及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109685018A true CN109685018A (zh) | 2019-04-26 |
Family
ID=66189868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811604947.8A Pending CN109685018A (zh) | 2018-12-26 | 2018-12-26 | 一种人证校验方法、系统及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109685018A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210424A (zh) * | 2019-06-05 | 2019-09-06 | 重庆两江新区管理委员会 | 一种基于人脸识别的工人身份信息采集系统及方法 |
| CN110297919A (zh) * | 2019-05-23 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 一种数据清洗方法、装置、设备及存储介质 |
| CN110520865A (zh) * | 2019-06-27 | 2019-11-29 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
| CN111241514A (zh) * | 2020-01-14 | 2020-06-05 | 浙江理工大学 | 一种基于人脸验证系统的安全人脸验证方法 |
| CN111651743A (zh) * | 2020-06-08 | 2020-09-11 | 皖西学院 | 一种基于物联网的身份识别及定位系统 |
| CN111708999A (zh) * | 2020-05-22 | 2020-09-25 | 湖南映客互娱网络信息有限公司 | 一种基于图像比对的直播客服认证方法与系统 |
| CN112036342A (zh) * | 2020-09-03 | 2020-12-04 | 中国平安财产保险股份有限公司 | 单证抓拍方法、设备及计算机存储介质 |
| CN112167074A (zh) * | 2020-10-14 | 2021-01-05 | 北京科技大学 | 一种基于宠物脸识别的自动喂食装置 |
| CN113158867A (zh) * | 2021-04-15 | 2021-07-23 | 微马科技有限公司 | 人脸特征的确定方法、装置和计算机可读存储介质 |
| CN113392810A (zh) * | 2021-07-08 | 2021-09-14 | 北京百度网讯科技有限公司 | 用于活体检测的方法、装置、设备、介质和产品 |
| CN113435280A (zh) * | 2021-06-18 | 2021-09-24 | 上海熙瑾信息技术有限公司 | 人证校验方法 |
| WO2022121033A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 基于视频质检场景的阈值设定方法、存储介质和系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095857A (zh) * | 2015-06-26 | 2015-11-25 | 上海交通大学 | 基于关键点扰动技术的人脸数据增强方法 |
| CN105528584A (zh) * | 2015-12-23 | 2016-04-27 | 浙江宇视科技有限公司 | 一种正脸图像的检测方法和装置 |
| CN106203400A (zh) * | 2016-07-29 | 2016-12-07 | 广州国信达计算机网络通讯有限公司 | 一种人脸识别方法及装置 |
| CN107491775A (zh) * | 2017-10-13 | 2017-12-19 | 理光图像技术（上海）有限公司 | 人脸活体检测方法、装置、存储介质及设备 |
| CN107545220A (zh) * | 2016-06-29 | 2018-01-05 | 中兴通讯股份有限公司 | 一种人脸识别方法及装置 |
| CN108038455A (zh) * | 2017-12-19 | 2018-05-15 | 中国科学院自动化研究所 | 基于深度学习的仿生机器孔雀图像识别方法 |
| CN108182409A (zh) * | 2017-12-29 | 2018-06-19 | 北京智慧眼科技股份有限公司 | 活体检测方法、装置、设备及存储介质 |
| CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
| CN108875478A (zh) * | 2017-08-14 | 2018-11-23 | 北京旷视科技有限公司 | 人证合一核验方法、装置和系统及存储介质 |
| CN108875553A (zh) * | 2018-04-25 | 2018-11-23 | 北京旷视科技有限公司 | 人证核验的方法、装置、系统及计算机存储介质 |
| CN109034032A (zh) * | 2018-07-17 | 2018-12-18 | 北京新唐思创教育科技有限公司 | 图像处理方法、装置、设备及介质 |
| CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
-
2018
- 2018-12-26 CN CN201811604947.8A patent/CN109685018A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095857A (zh) * | 2015-06-26 | 2015-11-25 | 上海交通大学 | 基于关键点扰动技术的人脸数据增强方法 |
| CN105528584A (zh) * | 2015-12-23 | 2016-04-27 | 浙江宇视科技有限公司 | 一种正脸图像的检测方法和装置 |
| CN107545220A (zh) * | 2016-06-29 | 2018-01-05 | 中兴通讯股份有限公司 | 一种人脸识别方法及装置 |
| CN106203400A (zh) * | 2016-07-29 | 2016-12-07 | 广州国信达计算机网络通讯有限公司 | 一种人脸识别方法及装置 |
| CN108875478A (zh) * | 2017-08-14 | 2018-11-23 | 北京旷视科技有限公司 | 人证合一核验方法、装置和系统及存储介质 |
| CN107491775A (zh) * | 2017-10-13 | 2017-12-19 | 理光图像技术（上海）有限公司 | 人脸活体检测方法、装置、存储介质及设备 |
| CN108038455A (zh) * | 2017-12-19 | 2018-05-15 | 中国科学院自动化研究所 | 基于深度学习的仿生机器孔雀图像识别方法 |
| CN108182409A (zh) * | 2017-12-29 | 2018-06-19 | 北京智慧眼科技股份有限公司 | 活体检测方法、装置、设备及存储介质 |
| CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
| CN108875553A (zh) * | 2018-04-25 | 2018-11-23 | 北京旷视科技有限公司 | 人证核验的方法、装置、系统及计算机存储介质 |
| CN109034032A (zh) * | 2018-07-17 | 2018-12-18 | 北京新唐思创教育科技有限公司 | 图像处理方法、装置、设备及介质 |
| CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110297919A (zh) * | 2019-05-23 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 一种数据清洗方法、装置、设备及存储介质 |
| CN110210424A (zh) * | 2019-06-05 | 2019-09-06 | 重庆两江新区管理委员会 | 一种基于人脸识别的工人身份信息采集系统及方法 |
| WO2020258120A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
| CN110520865A (zh) * | 2019-06-27 | 2019-11-29 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
| CN111241514A (zh) * | 2020-01-14 | 2020-06-05 | 浙江理工大学 | 一种基于人脸验证系统的安全人脸验证方法 |
| CN111708999A (zh) * | 2020-05-22 | 2020-09-25 | 湖南映客互娱网络信息有限公司 | 一种基于图像比对的直播客服认证方法与系统 |
| CN111651743A (zh) * | 2020-06-08 | 2020-09-11 | 皖西学院 | 一种基于物联网的身份识别及定位系统 |
| CN112036342A (zh) * | 2020-09-03 | 2020-12-04 | 中国平安财产保险股份有限公司 | 单证抓拍方法、设备及计算机存储介质 |
| CN112167074A (zh) * | 2020-10-14 | 2021-01-05 | 北京科技大学 | 一种基于宠物脸识别的自动喂食装置 |
| WO2022121033A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 基于视频质检场景的阈值设定方法、存储介质和系统 |
| CN113158867A (zh) * | 2021-04-15 | 2021-07-23 | 微马科技有限公司 | 人脸特征的确定方法、装置和计算机可读存储介质 |
| CN113435280A (zh) * | 2021-06-18 | 2021-09-24 | 上海熙瑾信息技术有限公司 | 人证校验方法 |
| CN113392810A (zh) * | 2021-07-08 | 2021-09-14 | 北京百度网讯科技有限公司 | 用于活体检测的方法、装置、设备、介质和产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685018A (zh) | 一种人证校验方法、系统及相关设备 | |
| CN109711243B (zh) | 一种基于深度学习的静态三维人脸活体检测方法 | |
| US10789465B2 (en) | Feature extraction and matching for biometric authentication | |
| US11195037B2 (en) | Living body detection method and system, computer-readable storage medium | |
| CN106599772B (zh) | 活体验证方法和装置及身份认证方法和装置 | |
| CN103902977B (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
| CN102375970B (zh) | 一种基于人脸的身份认证方法和认证装置 | |
| CN108140123A (zh) | 人脸活体检测方法、电子设备和计算机程序产品 | |
| JP2020525947A (ja) | 操作された画像の検出 | |
| WO2016084072A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
| CN110570549B (zh) | 一种智能开锁方法及相应的装置 | |
| CN107316029B (zh) | 一种活体验证方法及设备 | |
| CN112215180A (zh) | 一种活体检测方法及装置 | |
| CN106663157A (zh) | 用户认证方法、执行该方法的装置及存储该方法的记录介质 | |
| Lakshminarayana et al. | A discriminative spatio-temporal mapping of face for liveness detection | |
| CN106203387A (zh) | 人脸验证方法及系统 | |
| CN105528584B (zh) | 一种正脸图像的检测方法和装置 | |
| CN104036254A (zh) | 一种人脸识别方法 | |
| CN113614731A (zh) | 使用软生物特征的认证验证 | |
| CN111626163A (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
| CN107862298B (zh) | 一种基于红外摄像装置下眨眼的活体检测方法 | |
| CN109886084B (zh) | 基于陀螺仪的人脸认证方法、电子设备及存储介质 | |
| CN115775409A (zh) | 一种人脸图像防篡改融合检测方法 | |
| Shareef et al. | Finger vein recognition using haar wavelet transform | |
| CN111291586B (zh) | 活体检测方法、装置、电子设备及计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |