CN109815794A - 人脸识别反欺诈方法、装置与电子设备 - Google Patents
人脸识别反欺诈方法、装置与电子设备 Download PDFInfo
- Publication number
- CN109815794A CN109815794A CN201811532125.3A CN201811532125A CN109815794A CN 109815794 A CN109815794 A CN 109815794A CN 201811532125 A CN201811532125 A CN 201811532125A CN 109815794 A CN109815794 A CN 109815794A
- Authority
- CN
- China
- Prior art keywords
- face
- identified
- long
- describes
- art signal
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例提供一种人脸识别反欺诈方法、装置与电子设备,其中所述方法包括:截取待识别人脸的人脸图像,并将所述人脸图像输入递归神经网络预测模型,获取所述待识别人脸的预测远程光电体积描述术信号;通过判断所述预测远程光电体积描述术信号的波动程度,辨别所述待识别人脸是否为活体人脸。本发明实施例基于面具人脸和真实人脸在远程光学体积描述术提取的远程光电体积描述术信号上的差异,利用深度学习的方法从图像角度判断人脸的真伪,能够有效防御三维面具人脸对人脸识别系统的攻击,并有效降低计算量和防御成本。
Description
技术领域
本发明实施例涉及人脸识别技术领域,更具体地,涉及一种人脸识别反欺诈方法、装置与电子设备。
背景技术
活体检测可以防御手机人脸照片、手机人脸视频以及纸质人脸相片等二维介质对人脸识别系统的攻击。目前市场上的人脸活体检测技术主要有交互式动作的方法、采用红外摄像头方法以及静态活体检测方法等。
基于交互式动作的方法大多采用指令式交互方式,如眨眼、摇头、张嘴等,来判断参与检测活动的是否为真人,存在检测速度慢、参与者难配合、交互性差等问题。采用红外摄像头方法存在成本高、需要红外探测设备、硬件要求高等问题。而静态的活体检测又存在准确率低,极易被攻破,难以在市场上应用的问题。并且,上述检测方法无法过滤像非法用户佩戴合法用户的人脸面具这种三维形式的攻击。
三维人脸反欺诈可以解决上述问题,包括三维面具攻击的问题。但是,基于三维图像建模技术进行三维人脸反欺诈应用时,也存在计算量大、需要3D摄像头、硬件要求高等问题。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明实施例提供一种人脸识别反欺诈方法、装置与电子设备,用以有效防御三维面具人脸对人脸识别系统的攻击,并有效降低计算量和防御成本。
第一方面,本发明实施例提供一种人脸识别反欺诈方法,包括:
截取待识别人脸的人脸图像,并将所述人脸图像输入递归神经网络预测模型,获取所述待识别人脸的预测远程光电体积描述术信号;
通过判断所述预测远程光电体积描述术信号的波动程度,辨别所述待识别人脸是否为活体人脸。
第二方面,本发明实施例提供一种人脸识别反欺诈装置,包括:
远程光电体积描述术信号预测模块,用于截取待识别人脸的人脸图像,并将所述人脸图像输入递归神经网络预测模型,获取所述待识别人脸的预测远程光电体积描述术信号;
拦截模块,用于通过判断所述预测远程光电体积描述术信号的波动程度,辨别所述待识别人脸是否为活体人脸。
第三方面,本发明实施例提供一种电子设备,包括:至少一个存储器、至少一个处理器、通信接口和总线;所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信,所述通信接口用于所述电子设备与人脸图像设备之间的信息传输;所述存储器中存储有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,实现如上第一方面所述的人脸识别反欺诈方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上第一方面所述的人脸识别反欺诈方法。
本发明实施例提供的人脸识别反欺诈方法、装置与电子设备,基于面具人脸和真实人脸在远程光学体积描述术提取的远程光电体积描述术信号上的差异,利用深度学习的方法从图像角度判断人脸的真伪,能够有效防御三维面具人脸对人脸识别系统的攻击,并有效降低计算量和防御成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的人脸识别反欺诈方法的流程示意图;
图2为本发明另一实施例提供的人脸识别反欺诈方法的流程示意图;
图3为本发明实施例提供的人脸识别反欺诈装置的结构示意图;
图4为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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实施例的一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明实施例保护的范围。
本发明实施例针对现有技术中基于三维图像建模技术进行三维人脸反欺诈应用时,存在计算量大、需要3D摄像头、硬件要求高等的问题,基于面具人脸和真实人脸在远程光学体积描述术提取的远程光电体积描述术信号上的差异,利用深度学习的方法从图像角度判断人脸的真伪,能够有效防御三维面具人脸对人脸识别系统的攻击,并有效降低计算量和防御成本。以下将具体通过多个实施例对本发明实施例进行展开说明和介绍。
图1为本发明一实施例提供的人脸识别反欺诈方法的流程示意图,如图1所示,该方法包括:
S101,截取待识别人脸的人脸图像,并将人脸图像输入递归神经网络预测模型,获取待识别人脸的预测远程光电体积描述术信号。
本发明实施例中可以采用非接触式的图像采集设备,来测量人体皮肤血容量的变化,利用这项技术能够从真实人脸皮肤的图像中提取到心率、血压等生理信号,又称远程光电体积描述术信号或rPPG信号。
具体而言,事先可以对待识别人脸进行图像采集,采集的图像中通常会包含待识别人脸的人脸图像区域和图像背景区域。本发明实施例从该图像中过滤掉图像背景而只截取人脸图像部分,之后将该人脸图像输入训练好的递归神经网络预测模型,利用该递归神经网络预测模型对该人脸图像进行分析处理,从中分析出对待识别人脸的rPPG信号的预测值,作为预测远程光电体积描述术信号输出。
S102,通过判断预测远程光电体积描述术信号的波动程度,辨别待识别人脸是否为活体人脸。
本发明实施例基于真实人脸和非真实人脸的rPPG信号的波动差异特性,通过计算并比较待识别人脸的预测远程光电体积描述术信号的波动程度,来判断待识别的目标是否为活体,从而可以在判断出待识别目标为非活体时,拒绝其通过人脸识别系统,实现对人脸识别系统的反欺诈防护。
具体而言,对于上述步骤计算得到的待识别人脸的预测远程光电体积描述术信号,计算其波动程度,并对该波动程度进行判断。该波动程度越接近于非真实人脸的rPPG信号的波动程度,说明待识别人脸是非活体人脸的可能性越大,否则,待识别人脸是活体人脸的可能性越大。
本发明实施例提供的人脸识别反欺诈方法,基于面具人脸和真实人脸在远程光学体积描述术提取的rPPG信号上的差异,利用深度学习的方法从图像角度判断人脸的真伪,能够有效防御三维面具人脸对人脸识别系统的攻击,并有效降低计算量和防御成本。
可以理解的是,在将人脸图像输入递归神经网络预测模型的步骤之前,本发明实施例事先还可以对该递归神经网络预测模型进行建立,例如,本发明实施例的方法还可以包括以下模型构建过程:
获取一定数量的真实人脸的视频和非真实人脸的视频,并计算真实人脸的视频对应的实际rPPG信号,指定非真实人脸的视频对应的参考rPPG信号;分别从真实人脸的视频和非真实人脸的视频中连续取帧,并将从真实人脸的视频中取出的帧图像与实际rPPG信号,以及从非真实人脸的视频中取出的帧图像与参考rPPG信号逐组输入建立的基础递归神经网络,对基础递归神经网络进行有监督的迭代训练,获取递归神经网络预测模型。
可以理解的是,真实的人脸皮肤是很容易提取到rPPG信号,而由于外界光源需要穿透面具才能作用于人脸皮肤的血管,而面具下真实人脸产生的rPPG信号也需要穿透面具被图像采集设备捕捉到,因此面具人脸检测到的rPPG信号通常是很微弱的,所以在用神经网络学习rPPG信号之前,可以人为指定面具人脸rPPG信号。另外,大量的实验证明深度学习技术在图像检测领域的准确率和效率要远超于人类,神经网络技术能够提取图像更深层、更细致的特征,从而做出更精准的判断。
本发明实施例首先需要一些真实人脸和非真实人脸(如面具人脸)的视频,这些视频中会包含真实人脸和非真实人脸的rPPG信号的波动差异特性。之后,需要计算真实人脸视频的rPPG信号,作为实际rPPG信号(通常是有波动的)。同时,由于非真实人脸(如面具人脸)视频的rPPG信号通常波动较小或无波动,可以指定非真实人脸(如面具人脸)视频的rPPG信号为一较小的值,作为参考rPPG信号,例如可以取为零(无波动)。
再之后,从真实人脸和非真实人脸的视频里连续取帧,并将其和与其对应的实际rPPG信号或参考rPPG信号输入到建立的基础递归神经网络中。利用该基础递归神经网络,对取出的帧图像进行计算,从而获得一组输出,并计算事先计算得到的实际rPPG信号或参考rPPG信号和基础递归神经网络的输出之间的损失,将该损失作为基础递归神经网络学习的监督。经过不断的迭代训练,基础递归神经网络就会自动构建人脸视频到rPPG信号之间的映射,获取成熟的递归神经网络预测模型。
其中,根据上述各实施例可选的,截取待识别人脸的人脸图像的步骤具体包括:捕获待识别人脸的带背景图像,并采用密集人脸对齐技术,从带背景图像中截取一个三维人脸区域并进行校正,获取待识别人脸的人脸图像。
为了从待识别人脸的人脸图像中提取预测远程光电体积描述术信号,本发明实施例首先要截取该人脸图像。对于待识别人脸,首先对其图像进行捕获,所捕获到的图像是包含人脸图像区域和图像背景区域的图像。之后,应用密集人脸对齐技术,先从该带背景的图像中评估出一个三维的人脸形状,并通过评估的人脸形状来限定一个人脸区域并进行校正,得到的即为待识别人脸的人脸图像。
其中,根据上述各实施例可选的,通过判断预测远程光电体积描述术信号的波动程度,辨别待识别人脸是否为活体人脸的步骤具体包括:求解预测远程光电体积描述术信号的2-范数,并比较2-范数与设定阈值的大小,若2-范数大于设定阈值,则判定待识别人脸为活体人脸,否则,判定待识别人脸为非活体人脸。
参考图2,为本发明另一实施例提供的人脸识别反欺诈方法的流程示意图,如图2所示,根据上述各实施例,本发明实施例首先可以通过摄像头截取一张带有背景区域的图像。之后,采用密集人脸对齐技术,从该带有背景区域的图像中评估一个三维人脸区域并校正,并将校正后的人脸图片输入到递归神经网络预测模型中,得到预测的远程光电体积描述术信号。
再之后,求解待识别人脸的预测远程光电体积描述术信号的2-范数n,最后用求解出来的2-范数n与事先设定的阈值thresh进行比较。若待识别人脸的预测远程光电体积描述术信号的2-范数n大于该阈值,则判断待识别人脸为活体人脸,否则拒绝其通过人脸识别系统。
可以理解的是,根据上述各实施例,在判定待识别人脸为非活体人脸的步骤之后,本发明实施例的方法还可以包括,拒绝对待识别人脸进行人脸识别,并进行报警提示。
其中,根据上述各实施例可选的,计算真实人脸的视频对应的实际远程光电体积描述术信号的步骤具体包括:采用密集人脸对齐技术,从真实人脸的视频中评估出一个三维的人脸形状,并利用三维的人脸形状限定一个人脸区域;通过计算人脸区域的两个正交色度信号以及两个正交色度信号的标准差的比率,计算真实人脸的视频对应的实际远程光电体积描述术信号。
根据上述各实施例,在对预测模型进行训练时,为了从真实人脸视频中提取远程光电体积描述术信号,本发明应用密集人脸对齐技术从视频中评估一个三维的人脸形状,并通过评估的人脸形状来限定一个人脸区域。对于这个人脸区域,首先需要计算两个正交色度信号,接着可以计算两个色度信号标准差的比率,最后结合上述计算最终得到远程光电体积描述术信号。
其中,根据上述各实施例可选的,通过计算人脸区域的两个正交色度信号以及两个正交色度信号的标准差的比率,计算真实人脸的视频对应的实际远程光电体积描述术信号的步骤具体包括:
基于人脸区域,计算两个正交色度信号如下:
xf=3rf-2gf;
yf=1.5rf+gf-1.5bf;
式中,xf、yf分别表示两个正交色度信号,rf、gf、bf分别表示对人脸区域中的人脸肤色归一化后的red、green、blue通道,即R、G、B通道的带通滤波值;
分别对两个正交色度信号求解标准差,并计算两个正交色度信号的标准差的比率如下:
式中,γ表示正交色度信号xf的标准差与正交色度信号yf的标准差的比率,σ(xf)、σ(yf)分别表示正交色度信号xf、yf的标准差;
基于两个正交色度信号的标准差的比率,以及人脸区域中的人脸肤色归一化后的red、green、blue通道的带通滤波值,计算真实人脸的视频对应的实际远程光电体积描述术信号p如下:
可以理解,上述公式中rf、gf、bf的计算过程可以包括:肤色归一化操作的R通道为:
类似的,G通道和B通道也可以进行同样的操作。
可以理解,在计算R通道的带通滤波值之前,需要预先设定两个阈值,即低频阈值lt和高频阈值ht,那么R通道的带通滤波值为:
在上述计算的基础上,将视频中的图像和生成的三维人脸区域结合输入到递归神经网络中,利用计算好的远程光电体积描述术信号p去监督网络的输出,从而实现神经网络从图像到远程光电体积描述术信号之间的学习。
作为本发明实施例的另一个方面,本发明实施例根据上述各实施例提供一种人脸识别反欺诈装置,该装置用于在上述各实施例中实现人脸识别反欺诈。因此,在上述各实施例的人脸识别反欺诈方法中的描述和定义,可以用于本发明实施例中各个执行模块的理解,具体可参考上述实施例,此处不在赘述。
根据本发明实施例的一个实施例,人脸识别反欺诈装置的结构如图3所示,为本发明实施例提供的人脸识别反欺诈装置的结构示意图,该装置可以用于实现上述各方法实施例中人脸识别反欺诈,该装置包括:远程光电体积描述术信号预测模块301和拦截模块302。其中:
远程光电体积描述术信号预测模块301用于截取待识别人脸的人脸图像,并将人脸图像输入递归神经网络预测模型,获取待识别人脸的预测远程光电体积描述术信号;拦截模块302用于通过判断预测远程光电体积描述术信号的波动程度,辨别待识别人脸是否为活体人脸。
本发明实施例中,远程光电体积描述术信号预测模块301可以采用非接触式的图像采集设备,来测量人体皮肤血容量的变化,利用这项技术能够从真实人脸皮肤的图像中提取到心率、血压等生理信号,又称远程光电体积描述术信号或rPPG信号。具体而言,远程光电体积描述术信号预测模块301事先可以对待识别人脸进行图像采集,采集的图像中通常会包含待识别人脸的人脸图像区域和图像背景区域。
之后,远程光电体积描述术信号预测模块301从该图像中过滤掉图像背景而只截取人脸图像部分,再将该人脸图像输入训练好的递归神经网络预测模型,利用该递归神经网络预测模型对该人脸图像进行分析处理,从中分析出对待识别人脸的rPPG信号的预测值,作为预测远程光电体积描述术信号输出。
之后,拦截模块302基于真实人脸和非真实人脸的rPPG信号的波动差异特性,通过计算并比较待识别人脸的预测远程光电体积描述术信号的波动程度,来判断待识别的目标是否为活体,从而可以在判断出待识别目标为非活体时,拒绝其通过人脸识别系统,实现对人脸识别系统的反欺诈防护。
本发明实施例提供的人脸识别反欺诈装置,通过设置相应的执行模块,基于面具人脸和真实人脸在远程光学体积描述术提取的rPPG信号上的差异,利用深度学习的方法从图像角度判断人脸的真伪,能够有效防御三维面具人脸对人脸识别系统的攻击,并有效降低计算量和防御成本。
可以理解的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且,本发明实施例的人脸识别反欺诈装置利用上述各程序模块,能够实现上述各方法实施例的人脸识别反欺诈流程,在用于实现上述各方法实施例中人脸识别反欺诈时,本发明实施例的装置产生的有益效果与对应的上述各方法实施例相同,可以参考上述各方法实施例,此处不再赘述。
作为本发明实施例的又一个方面,本实施例根据上述各实施例提供一种电子设备,参考图4,为本发明实施例提供的电子设备的实体结构示意图,包括:至少一个存储器401、至少一个处理器402、通信接口403和总线404。
其中,存储器401、处理器402和通信接口403通过总线404完成相互间的通信,通信接口403用于该电子设备与人脸图像设备之间的信息传输;存储器401中存储有可在处理器402上运行的计算机程序,处理器402执行该计算机程序时,实现如上述各实施例所述的人脸识别反欺诈方法。
可以理解为,该电子设备中至少包含存储器401、处理器402、通信接口403和总线404,且存储器401、处理器402和通信接口403通过总线404形成相互间的通信连接,并可完成相互间的通信,如处理器402从存储器401中读取人脸识别反欺诈方法的程序指令等。另外,通信接口403还可以实现该电子设备与人脸图像设备之间的通信连接,并可完成相互间信息传输,如通过通信接口403实现人脸识别反欺诈等。
电子设备运行时,处理器402调用存储器401中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:截取待识别人脸的人脸图像,并将人脸图像输入递归神经网络预测模型,获取待识别人脸的预测远程光电体积描述术信号;通过判断预测远程光电体积描述术信号的波动程度,辨别待识别人脸是否为活体人脸等。
上述的存储器401中的程序指令可以通过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。或者,实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还根据上述各实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令使计算机执行如上述各实施例所述的人脸识别反欺诈方法,例如包括:截取待识别人脸的人脸图像,并将人脸图像输入递归神经网络预测模型,获取待识别人脸的预测远程光电体积描述术信号;通过判断预测远程光电体积描述术信号的波动程度,辨别待识别人脸是否为活体人脸等。
本发明实施例提供的电子设备和非暂态计算机可读存储介质,通过执行上述各实施例所述的人脸识别反欺诈方法,基于面具人脸和真实人脸在远程光学体积描述术提取的rPPG信号上的差异,利用深度学习的方法从图像角度判断人脸的真伪,能够有效防御三维面具人脸对人脸识别系统的攻击,并有效降低计算量和防御成本。
可以理解的是,以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的,其中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,既可以位于一个地方,或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上实施方式的描述,本领域的技术人员可以清楚地了解,各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令,用以使得一台计算机设备(如个人计算机,服务器,或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
另外,本领域内的技术人员应当理解的是,在本发明实施例的申请文件中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例的说明书中,说明了大量具体细节。然而应当理解的是,本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个,在上面对本发明实施例的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明实施例的单独实施例。
最后应说明的是:以上实施例仅用以说明本发明实施例的技术方案,而非对其限制;尽管参照前述实施例对本发明实施例进行了详细的说明,本领域的技术人员应当理解: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实施例各实施例技术方案的精神和范围。
Claims (10)
1.一种人脸识别反欺诈方法,其特征在于,包括:
截取待识别人脸的人脸图像,并将所述人脸图像输入递归神经网络预测模型,获取所述待识别人脸的预测远程光电体积描述术信号;
通过判断所述预测远程光电体积描述术信号的波动程度,辨别所述待识别人脸是否为活体人脸。
2.根据权利要求1所述的方法,其特征在于,所述通过判断所述预测远程光电体积描述术信号的波动程度,辨别所述待识别人脸是否为活体人脸的步骤具体包括:
求解所述预测远程光电体积描述术信号的2-范数,并比较所述2-范数与设定阈值的大小,若所述2-范数大于所述设定阈值,则判定所述待识别人脸为活体人脸,否则,判定所述待识别人脸为非活体人脸。
3.根据权利要求1或2所述的方法,其特征在于,所述截取待识别人脸的人脸图像的步骤具体包括:
捕获所述待识别人脸的带背景图像,并采用密集人脸对齐技术,从所述带背景图像中截取一个三维人脸区域并进行校正,获取所述待识别人脸的人脸图像。
4.根据权利要求1所述的方法,其特征在于,在所述将所述人脸图像输入递归神经网络预测模型的步骤之前,还包括:
获取一定数量的真实人脸的视频和非真实人脸的视频,并计算所述真实人脸的视频对应的实际远程光电体积描述术信号,指定所述非真实人脸的视频对应的参考远程光电体积描述术信号;
分别从所述真实人脸的视频和所述非真实人脸的视频中连续取帧,并将从所述真实人脸的视频中取出的帧图像与所述实际远程光电体积描述术信号,以及从所述非真实人脸的视频中取出的帧图像与所述参考远程光电体积描述术信号逐组输入建立的基础递归神经网络,对所述基础递归神经网络进行有监督的迭代训练,获取所述递归神经网络预测模型。
5.根据权利要求4所述的方法,其特征在于,所述计算所述真实人脸的视频对应的实际远程光电体积描述术信号的步骤具体包括:
采用密集人脸对齐技术,从所述真实人脸的视频中评估出一个三维的人脸形状,并利用所述三维的人脸形状限定一个人脸区域;
通过计算所述人脸区域的两个正交色度信号以及两个所述正交色度信号的标准差的比率,计算所述真实人脸的视频对应的实际远程光电体积描述术信号。
6.根据权利要求5所述的方法,其特征在于,所述通过计算所述人脸区域的两个正交色度信号以及两个所述正交色度信号的标准差的比率,计算所述真实人脸的视频对应的实际远程光电体积描述术信号的步骤具体包括:
基于所述人脸区域,计算两个所述正交色度信号如下:
xf=3rf-2gf;
yf=1.5rf+gf-1.5bf;
式中,xf、yf分别表示两个所述正交色度信号,rf、gf、bf分别表示对所述人脸区域中的人脸肤色归一化后的red、green、blue通道的带通滤波值;
分别对两个所述正交色度信号求解标准差,并计算两个所述正交色度信号的标准差的比率如下:
式中,γ表示正交色度信号xf的标准差与正交色度信号yf的标准差的比率,σ(xf)、σ(yf)分别表示正交色度信号xf、yf的标准差;
基于两个所述正交色度信号的标准差的比率,以及所述人脸区域中的人脸肤色归一化后的red、green、blue通道的带通滤波值,计算所述真实人脸的视频对应的实际远程光电体积描述术信号p如下:
7.根据权利要求2所述的方法,其特征在于,在所述判定所述待识别人脸为非活体人脸的步骤之后,还包括,拒绝对所述待识别人脸进行人脸识别,并进行报警提示。
8.一种人脸识别反欺诈装置,其特征在于,包括:
远程光电体积描述术信号预测模块,用于截取待识别人脸的人脸图像,并将所述人脸图像输入递归神经网络预测模型,获取所述待识别人脸的预测远程光电体积描述术信号;
拦截模块,用于通过判断所述预测远程光电体积描述术信号的波动程度,辨别所述待识别人脸是否为活体人脸。
9.一种电子设备,其特征在于,包括:至少一个存储器、至少一个处理器、通信接口和总线;
所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信,所述通信接口还用于所述电子设备与人脸图像设备之间的信息传输;
所述存储器中存储有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,实现如权利要求1至7中任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532125.3A CN109815794A (zh) | 2018-12-14 | 2018-12-14 | 人脸识别反欺诈方法、装置与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532125.3A CN109815794A (zh) | 2018-12-14 | 2018-12-14 | 人脸识别反欺诈方法、装置与电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815794A true CN109815794A (zh) | 2019-05-28 |
Family
ID=66601702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811532125.3A Pending CN109815794A (zh) | 2018-12-14 | 2018-12-14 | 人脸识别反欺诈方法、装置与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815794A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767788A (zh) * | 2020-05-12 | 2020-10-13 | 贵阳像树岭科技有限公司 | 一种非交互式单目活体检测方法 |
CN112329606A (zh) * | 2020-11-03 | 2021-02-05 | 济南博观智能科技有限公司 | 一种活体检测方法、装置、电子设备及可读存储介质 |
WO2021196831A1 (zh) * | 2020-03-30 | 2021-10-07 | 深圳壹账通智能科技有限公司 | 基于视频信息的数据验证方法、装置及存储介质 |
CN114267089A (zh) * | 2022-03-03 | 2022-04-01 | 中国科学院自动化研究所 | 一种伪造图像的识别方法、装置及设备 |
CN115953822A (zh) * | 2023-03-06 | 2023-04-11 | 之江实验室 | 一种基于rPPG生理信号的人脸视频鉴伪方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1540568A (zh) * | 2003-04-21 | 2004-10-27 | 香港中文大学 | 身份识别和鉴定方法 |
CN103761465A (zh) * | 2014-02-14 | 2014-04-30 | 上海云亨科技有限公司 | 一种身份验证的方法及装置 |
CN106473750A (zh) * | 2016-10-08 | 2017-03-08 | 西安电子科技大学 | 基于光电容积脉搏波最佳周期波形的身份识别方法 |
CN106659392A (zh) * | 2014-07-22 | 2017-05-10 | 皇家飞利浦有限公司 | 非侵扰式皮肤组织水合确定设备及相关的方法 |
CN106845395A (zh) * | 2017-01-19 | 2017-06-13 | 北京飞搜科技有限公司 | 一种基于人脸识别进行活体检测的方法 |
CN107635457A (zh) * | 2015-05-21 | 2018-01-26 | 皇家飞利浦有限公司 | 识别视频序列中的活的皮肤组织 |
-
2018
- 2018-12-14 CN CN201811532125.3A patent/CN109815794A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1540568A (zh) * | 2003-04-21 | 2004-10-27 | 香港中文大学 | 身份识别和鉴定方法 |
CN103761465A (zh) * | 2014-02-14 | 2014-04-30 | 上海云亨科技有限公司 | 一种身份验证的方法及装置 |
CN106659392A (zh) * | 2014-07-22 | 2017-05-10 | 皇家飞利浦有限公司 | 非侵扰式皮肤组织水合确定设备及相关的方法 |
CN107635457A (zh) * | 2015-05-21 | 2018-01-26 | 皇家飞利浦有限公司 | 识别视频序列中的活的皮肤组织 |
CN106473750A (zh) * | 2016-10-08 | 2017-03-08 | 西安电子科技大学 | 基于光电容积脉搏波最佳周期波形的身份识别方法 |
CN106845395A (zh) * | 2017-01-19 | 2017-06-13 | 北京飞搜科技有限公司 | 一种基于人脸识别进行活体检测的方法 |
Non-Patent Citations (4)
Title |
---|
GERARD DE HAAN等: "Robust Pulse Rate From Chrominance-Based rPPG", 《 IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
SIQI LIU等: "3D Mask Face Anti-spoofing with Remote Photoplethysmography", 《ECCV 2016》 * |
WENJIN WANG等: "Living-Skin Classification via Remote-PPG", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
YAOJIE LIU等: "Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision", 《ARXIV》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021196831A1 (zh) * | 2020-03-30 | 2021-10-07 | 深圳壹账通智能科技有限公司 | 基于视频信息的数据验证方法、装置及存储介质 |
CN111767788A (zh) * | 2020-05-12 | 2020-10-13 | 贵阳像树岭科技有限公司 | 一种非交互式单目活体检测方法 |
CN112329606A (zh) * | 2020-11-03 | 2021-02-05 | 济南博观智能科技有限公司 | 一种活体检测方法、装置、电子设备及可读存储介质 |
CN112329606B (zh) * | 2020-11-03 | 2023-08-15 | 济南博观智能科技有限公司 | 一种活体检测方法、装置、电子设备及可读存储介质 |
CN114267089A (zh) * | 2022-03-03 | 2022-04-01 | 中国科学院自动化研究所 | 一种伪造图像的识别方法、装置及设备 |
CN114267089B (zh) * | 2022-03-03 | 2022-05-31 | 中国科学院自动化研究所 | 一种伪造图像的识别方法、装置及设备 |
CN115953822A (zh) * | 2023-03-06 | 2023-04-11 | 之江实验室 | 一种基于rPPG生理信号的人脸视频鉴伪方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815794A (zh) | 人脸识别反欺诈方法、装置与电子设备 | |
WO2020151489A1 (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
CN108038456B (zh) | 一种人脸识别系统中的防欺骗方法 | |
CN106022209B (zh) | 一种基于人脸检测的距离估算和处理的方法及装置 | |
CN108351961B (zh) | 以图像为基础的生物识别系统及计算机实施方法 | |
CN104598882B (zh) | 用于生物特征验证的电子欺骗检测的方法和系统 | |
WO2018040307A1 (zh) | 一种基于红外可见双目图像的活体检测方法及装置 | |
CN105518710B (zh) | 视频检测方法、视频检测系统以及计算机程序产品 | |
CN108596041B (zh) | 一种基于视频的人脸活体检测方法 | |
CN107341481A (zh) | 利用结构光图像进行识别 | |
RU2431190C2 (ru) | Способ и устройство распознавания рельефности лица | |
CN107169483A (zh) | 基于人脸识别的任务执行 | |
CN109117755B (zh) | 一种人脸活体检测方法、系统和设备 | |
CN110516616A (zh) | 一种基于大规模rgb以及近红外数据集的双重认证人脸防伪方法 | |
CN107644191A (zh) | 一种人脸识别方法及系统、终端及服务器 | |
CN102844766A (zh) | 基于人眼图像的多特征融合身份识别方法 | |
CN108416291B (zh) | 人脸检测识别方法、装置和系统 | |
TWI691937B (zh) | 過濾光斑的方法和裝置、電腦可讀取儲存介質、處理器、視線追蹤設備 | |
CN109784148A (zh) | 活体检测方法及装置 | |
US20110033091A1 (en) | Method of authenticating individual and apparatus of authenticating individual used for the same | |
CN109766785A (zh) | 一种人脸的活体检测方法及装置 | |
CN106355139B (zh) | 人脸防伪方法和装置 | |
CN109101949A (zh) | 一种基于彩色视频信号频域分析的人脸活体检测方法 | |
JP6956986B1 (ja) | 判定方法、判定装置、及び判定プログラム | |
CN111178233A (zh) | 基于活体认证的身份认证方法及装置 |
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: 20190528 |