CN109993024A - 身份验证装置、身份验证方法、及电脑可读储存介质 - Google Patents
身份验证装置、身份验证方法、及电脑可读储存介质 Download PDFInfo
- Publication number
- CN109993024A CN109993024A CN201711475336.3A CN201711475336A CN109993024A CN 109993024 A CN109993024 A CN 109993024A CN 201711475336 A CN201711475336 A CN 201711475336A CN 109993024 A CN109993024 A CN 109993024A
- Authority
- CN
- China
- Prior art keywords
- image
- subject
- depth
- value
- face
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种身份验证装置、方法及电脑可读储存介质,方法包括:通过影像撷取设备拍摄受检者,取得所述受检者的人脸影像以及所述人脸影像的多个像素所对应的多个深度信息;根据所述深度信息得到深度平均值;比对所述深度平均值与一门槛值范围,得到比对结果;以及根据所述比对结果,判断所述受检者是否为真人。
Description
技术领域
本发明涉及影像处理,特别涉及一种身份验证装置、身份验证方法、及其电脑可读储存介质。
背景技术
随着科技发展,人脸辨识已广泛地应用于各领域,例如电脑视觉、安全认证、人物追踪等等。然而,传统的人脸辨识技术若欲辨别是真人或是照片,往往需采用活体检测的方式,如眨眼、张嘴等等,但此方式的缺点需高度依赖受检者的配合,需要耗费较高的成本。若受检者不配合,则传统的人脸辨识技术若要辨识出真人人脸与人脸照片之间的差异,需要繁琐的辨识流程以及相当高的运算复杂度。
因此,需要一种身份验证装置、身份验证辨识方法、及其电脑可读储存介质以解决上述问题。
发明内容
本发明提供一种身份验证方法,包括:通过影像撷取设备拍摄受检者,取得受检者的人脸影像以及人脸影像的多个像素所对应的多个深度信息;根据深度信息得到深度平均值;比对深度平均值与门槛值范围,得到比对结果;以及根据比对结果,判断受检者是否为真人。
本发明还提供一种身份验证装置,包括:影像撷取设备,用于对受检者拍摄以取得受检者的人脸影像以及人脸影像的多个像素所对应的多个深度信息;处理器,电性连接至影像撷取设备,用于根据深度信息得到深度平均值,比对深度平均值与门槛值范围,得到比对结果,由此判断受检者是否为真人。
本发明还提供一种电脑程序产品,其是被机器载入以执行身份验证方法,上述电脑程序产品包括:第一程序码,用于通过影像撷取设备拍摄受检者,取得受检者的人脸影像以及人脸影像的多个像素所对应的多个深度信息;第二程序码,用于根据深度信息得到深度平均值;第三程序码,用以根据深度信息得到深度平均值;以及第四程序码,用于根据比对结果,判断受检者是否为真人。
附图说明
图1是依据本发明一实施例中的身份验证装置的框图。
图2是依据本发明一实施例中的身份认证程序的框图。
图3是依据本发明一实施例中建立分类器的方法的流程图。
图4是依据本发明一实施例中的身份认证方法的流程图。
图5A~5D是依据本发明一实施例中计算欧氏距离的示意图。
图6是依据本发明一实施例中的人脸辨识方法的流程图。
附图标记说明:
100~人脸验证装置;
110~影像撷取设备;
110A、110B~影像撷取单元;
120~处理器;
130~存储器单元;
140~储存单元;
141~身份认证程序;
142~数据库;
145~照片判定模块;
146~真人辨识模块;
147~分类器获取模块;
1471~照片获取单元;
1472~照片深度获取单元;
1473~真实深度获取单元;
1474~训练单元;
148~身份判定模块;
200~第一影像;
210、220、230、240、250~储存空间;
211-215、221-225、231-235~使用者人脸影像;
241-245、251-255~使用者人脸影像;
S300-S330、S410-S450~步骤;
S610-S640~步骤。
具体实施方式
本发明目的之一在于辨别真人与照片的差异,防止有心人士窃取他人照片以伪装其身份。为此,本发明一实施例提出一种身份验证方法。在方法中,首先,通过影像撷取设备拍摄受检者,取得受检者的人脸影像以及人脸影像的多个像素所对应的多个深度信息;其次,根据这些深度信息得到深度平均值;再次,比对深度平均值与门槛值范围,得到比对结果;最后,根据比对结果,判断受检者是否为真人。
在实施例中,当比对结果表明深度平均值落在门槛值范围之外时,判定受检者实际是照片;而当比对结果表明深度平均值落在门槛值范围之外时,利用已训练好的分类器判断受检者的人脸影像为真实的人脸或通过折弯照片纸张进行伪装的照片。
对于前述分类器,可以通过以下方式训练得到,即:首先,取得多个人员中每一人员的照片纸张,接着,通过影像撷取设备拍摄这些照片纸张中每一照片纸张于各种弯曲情况下的照片影像,取得这些照片影像以及这些照片影像相应的深度信息;其次,通过影像撷取设备拍摄这些人员,取得这些人员对应的多个真实人脸影像以及真实人脸影像相应的深度信息;然后,利用机器学习算法,对照片影像相应的深度信息与真实人脸影像相应的深度信息进行训练,由此产生前述分类器。
在前述实施例中,在判断出受检者的人脸影像为真实的人脸,即判断出受检者为真人而非照片伪装之后,可以将对应于受检者的人脸影像与数据库中储存的人脸影像进行比对,以确定受检者的身份。
在一种实施例中,可以采用如下方式实现将对应于受检者的人脸影像与数据库中储存的人脸影像进行比对,即:事先在数据库中储存多个人员的人脸影像,其中每一个人员的人脸影像为多幅;然后,对于这些人员中每一个人员的多幅人脸影像,计算其中每幅人脸影像与受检者的人脸影像之间的距离,将计算得到的结果取平均,由此得到受检者的人脸影像与每一个人员的人脸影像的平均距离;接着,将这些平均距离与预定阈值进行比较,若这些平均距离均大于预定阈值,则判定受检者不属于数据库中已存储人员中的任一者,而若这些平均距离中有小于预定阈值的,则选出所有小于预定阈值的平均距离,从所选出者中选择小于预定阈值的最小者,并判定受检者为最小者对应的人员。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举一实施例,并配合附图,作详细说明如下。
图1是显示依据本发明一实施例中的人脸验证装置的框图。如图1所示,人脸验证装置100包括影像撷取设备110、处理器120、存储器单元130、以及储存单元140。在一实施例中,影像撷取设备110是用于拍摄受检者以取得受检者的人脸影像以及人脸影像的多个像素所对应的多个深度信息。举例来说,影像撷取设备110包括影像撷取单元110A及110B。影像撷取单元110A(例如为第一影像撷取单元)例如为相机,用于对目标物件(例如可为真人人脸或人脸照片)拍照以撷取人脸影像,例如为RGB影像。影像撷取单元110B(例如为第一影像撷取单元)例如可为深度相机,例如红外线相机(infrared camera),用以与影像撷取单元110A同时对目标物件拍照,以撷取相应于人脸影像的多个像素所对应的多个深度信息,例如可由深度影像(D影像)表示。人脸影像(RGB影像)及深度影像(D影像)可合称为RGBD影像。
深度影像例如可为灰阶影像(gray-scale image),且灰阶影像的各像素是记录在人脸影像中的相同位置的像素的深度信息。举例来说,若以8位元的数值(例如0~255)表示深度信息,当特定像素与影像撷取单元110B之间的距离愈远,其灰阶值愈大;当特定像素与影像撷取单元110B之间的距离愈近,其灰阶值愈小。选择性地,可使用相反的方式记录深度信息,例如当特定像素与影像撷取单元110B之间的距离愈远,其灰阶值愈小;当特定像素与影像撷取单元110B之间的距离愈近,其灰阶值愈大。
处理器120是电性连接至影像撷取设备110。处理器120例如为中央处理器(central processing unit,CPU)、数字信号处理器(digital signal processor,DSP)、或影像信号处理器(image signal processor),但本发明并不限于此。存储器单元130为易失性存储器,例如是动态随机存取存储器(dynamicrandom access memory,DRAM)或静态随机存取存储器(static random access memory,SRAM)。
储存单元140为非易失性存储器,例如是硬盘、固态硬盘、快闪存储器等等。储存单元140是储存身份验证程序141,用于执行本发明中的身份验证方法,并判断所拍摄的场景中的目标物件为真人人脸或是照片(包括平面照片及弯曲照片)。处理器120是将储存于储存单元140中的身份验证程序141载入至存储器单元130,并对影像撷取单元110A及110B所撷取的人脸影像及深度影像执行相应的影像处理。储存单元140还包括数据库142,用于储存已注册的使用者的人脸数据,例如是使用者人脸影像和/或使用者影像特征值(例如可用多维度的特征向量表示)等等,但本发明并不限于此。
在一些实施例中,影像撷取设备110例如为立体相机,且影像撷取单元110A及110B例如分别为左眼相机及右眼相机。影像撷取单元110A是对一受检者拍照以撷取第一影像(例如为左眼影像),且影像撷取单元110B是同时对受检者拍照以撷取第二影像(例如为右眼影像),其中影像撷取单元110A及110B之间的距离可称为视差(parallax)。三维人脸辨识程序141可依据第一影像、第二影像及影像撷取单元110A及110B之间的视差以计算人脸影像及人脸影像的多个像素所对应的多个深度信息(例如可为相应的深度影像)。需注意的是,前述实施例是公开了可利用深度相机建立深度影像、或是利用立体相机以建立深度影像的方法,但本发明亦可利用其他方法以取得人脸影像所相应的深度信息。
因为真人的人脸有凹凸曲面,故在人脸影像中的人脸区域的深度信息会有不同的变化。然而,平面照片中的人脸区域的深度信息与实际拍摄的真实的人脸影像中的人脸区域的深度信息并不相同,故可利用此特点以辨识真实的人脸影像或是平面照片。在一实施例中,处理器120是由人脸影像检测出人脸区域,并由计算在深度影像中相应于人脸区域的像素的深度平均值。
在一实施例中,处理器120是先对人脸影像计算其方向梯度直方图(histogram oforiented gradients,HOG)以计算其影像特征,并将影像特征输入支持向量机(supportvector machine,SVM)以检测在人脸影像中的人脸区域。在另一实施例中,处理器120是使用OpenCV数据库以进行人脸检测,OpenCV数据库是采用由Viola&Jones所发表的AdaBoostLearning with Haar-like Features算法以实现人脸检测。需注意的是,上述实施例仅用于说明,本发明并不限于使用方向梯度直方图或OpenCV数据库以对人脸影像进行人脸检测。
图2是显示依据本发明一实施例中的身份认证程序的框图。如图2所示,身份认证程序141包括照片判定模块145、真人辨识模块146、分类器获取模块147、及身份判定模块148。
举例来说,对不同的真实人脸进行拍摄所得到的人脸影像中的人脸区域的深度平均值会在门槛值范围内。若是对平面照片拍摄所得到的深度影像,在人脸区域的深度平均值则会在门槛值范围之外。一般来说,若是定点拍摄人脸影像,则平面照片在人脸区域的深度平均值会比真实人脸的人脸区域的深度平均值较小。
详细而言,处理器120是依据人脸影像的深度信息以得到深度平均,并比对深度平均值与门槛值范围,得到比对结果,由此判断受检者是否为真人。判断在深度影像中相应于人脸区域的像素的深度平均值是否在一门槛值范围内。若深度平均值在门槛值范围内,真人辨识模块146是利用分类器判断人脸影像为真实人脸或是通过折弯照片纸张进行伪装的照片。若深度平均值在门槛值范围外,照片判定模块145是判断受检者为平面照片,故不进行后续判断流程。
身份判定模块148是用以在真人辨识模块146判断出受检者为真人后,将对应于受检者的人脸影像与数据库142中储存的使用者人脸影像行比对,以确定受检者的身份。身份判定模块148的细节将详述于后。
分类器获取模块147的细节是搭配图3进行说明。分类器获取模块147包括照片获取单元1471、照片深度获取单元1472、真实深度获取单元1473、及训练单元1474。图3是显示依据本发明一实施例中建立分类器的方法的流程图。
请同时参考图2及图3,在实施例中,处理器120是依据分类器以判断人脸影像是对真人人脸拍摄或是对弯曲的照片纸张进行拍摄,其中上述分类器是由机器学习(machinelearning)算法所建立。举例来说,在步骤S300,照片获取单元1471是用于取得多个人员中的每一人员的多个照片纸张。在步骤S310,照片深度获取单元1472是用于通过影像撷取设备110拍摄等照片纸张中每一照片纸张于各种弯曲情况下的照片影像,取得照片影像以及照片影像相应的深度信息。在步骤S320,真实深度获取单元1473是用于通过影像撷取设备110拍摄等人员,取得多张真实人脸影像以及真实人脸影像相应的深度信息。举例来说,上述人员例如包括不同年龄、性别、人种的人类。在步骤S330,训练单元1474是用于利用机器学习算法对照片影像相应的深度信息与真实人脸影像相应的深度信息进行训练,由此产生一分类器。其中,上述机器学习算法例如为卷积类神经网络(ConvolutionalNeuralNetwork,CNN)、或深度类神经网络(Deep Neural Network,DNN)。当分类器完成训练后,即可利用已训练好的分类器判断人脸影像中的人脸区域是否为真人人脸或是弯曲照片。
在一实施例中,处理器120计算在人脸影像中的人脸区域的多个影像特征值,并计算人脸区域的影像特征值与在数据库142中所记录的多个使用者影像特征值之间的距离或相似度,以判断人脸区域的影像特征值与使用者影像特征值是否近似。举例来说,影像特征值及使用者影像特征值例如可采用Haar小波转换法及主成份分析法(PrincipalComponent Analysis,PCA)计算而得,但本发明并不限于此。
当人脸影像中的人脸区域的影像特征值与数据库142中的使用者影像特征值近似时,处理器120是判断人脸认证通过,并可执行一特定操作,例如解锁屏幕画面、开锁等操作,但本发明并不限于此。人脸辨识的算法例如可采用欧氏距离(Euclidean distance)法,计算人脸区域的影像特征值(例如为第一特征向量)与使用者影像特征值(例如为第二特征向量)的欧氏距离以判断其相似度。当上述欧氏距离小于一预定值时,处理器120是判断人脸影像的人脸认证通过。需注意的是,上述实施例仅用于说明,本发明并不限于使用欧氏距离来确定两幅影像之间的相似度,另一些实施例中可以使用例如马氏距离(MahalanobisDistance)、曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)等等,或者又一些实施例中可以通过相似性度量的方式确定出两幅影像之间的相似度值,例如余弦相似度(CosineSimilarity)、皮尔森校正系数(Pearson CorrelationCoefficient)、杰卡德系数(Jaccard Coefficient)等等。当然,若采用相似度方式,则选择相似度值最大者对应的注册使用者为受检者。
图4是显示依据本发明一实施例中的身份认证方法的流程图。
在步骤S410,通过影像撷取设备拍摄受检者以取得受检者的人脸影像以及人脸影像的多个像素所对应的多个深度信息。举例来说,可利用影像撷取设备100中的影像撷取单元110A及影像撷取单元110B同时对一受检者拍照以分别取得人脸影像及相应的多个深度信息。
在步骤S420,根据深度信息得到深度平均值。举例来说,处理器120可由人脸影像中检测出人脸区域例如可利用OpenCV数据库对人脸影像进行人脸检测以取得人脸区域,但本发明并不限于此。处理器120并计算人脸区域中的深度信息的深度平均值(例如深度影像中相应于人脸区域的像素的平均值)。
在步骤S430,判断深度平均值是否在门槛值范围内。若是,则执行步骤S340;若否,则执行步骤S350。举例来说,真实人脸的人脸区域在深度影像中的深度平均值会在一门槛值范围内,若目标物件为平面照片,因为其深度信息的变化较小,则平面照片的人脸区域在深度影像中的深度平均值则会与真实人脸的人脸区域所相应的深度平均值不同,意即平面照片的人脸区域在深度影像中的深度平均值会在门槛值范围之外。
在步骤S440,利用分类器判断人脸影像为真实人脸或为通过折弯照片纸张进行伪装的照片。举例来说,如图2的实施例,因为已将各种弯曲照片纸张以及不同的真人人脸的真实人脸影像经由机器学习算法(例如:卷积类神经网络)进行训练以产生分类器,故可利用已训练完成的分类器判断人脸区域是否为真人人脸或通过折弯照片纸张进行伪装的照片。
在步骤S450,判定受检者为平面照片。若目标物件为平面照片,因为其深度信息的变化较小,所以平面照片的人脸区域在深度影像中的深度平均值会在门槛值范围之外,故可依此判断受检者为一平面照片。
在一实施例中,步骤S430可视为:比对深度平均值与门槛值范围,得到比对结果。且步骤S440~S450可视为根据比对结果,判断受检者是否为真人。
图5A~5D是显示依据本发明一实施例中计算欧氏距离的示意图。在实施例中,对于身份认证装置100中的各注册使用者,数据库142是记录相应于各注册使用者(registered user)的多张使用者人脸影像和/或各使用者人脸影像的多个使用者影像特征值(例如多个第二特征向量)。举例来说,为了提高人脸辨识的准确率,每一个使用者在身份认证装置100中进行注册程序时,需注册大于或等于预定数量(例如5张,但非限定)的使用者人脸影像。如图5A所示,注册使用者1~5在数据库142中均分别注册了5张使用者人脸影像。在数据库142中,注册使用者1具有使用者人脸影像211~215,记录于储存空间210;注册使用者2具有使用者人脸影像221~225,记录于储存空间220;注册使用者3具有使用者人脸影像231~235,记录于储存空间230;注册使用者4具有使用者人脸影像241~245,记录于储存空间240;注册使用者5具有使用者人脸影像251~255,记录于储存空间250。
在执行人脸辨识处理时,处理器120计算第一影像200的人脸区域的第一影像特征值与各注册使用者的各使用者人脸影像的第二影像特征值之间的欧氏距离。为了便于说明,所计算出的欧氏距离是标示于各注册使用者的使用者人脸影像右侧。举例来说,第一影像200的人脸区域的第一影像特征值与注册使用者1的使用者人脸影像211~215的第二影像特征值之间的欧氏距离分别为0.123、0.124、0.125、0.125、0.126、及0.127。第一影像特征值与其他注册使用者的各使用者人脸影像之间的距离可参考图5B。
接着,处理器120计算相应于各注册使用者的欧氏距离平均值。例如相应于注册使用者1~5的欧氏距离平均值分别为0.125、0.18、0.16、0.14、0.19,如图5B所示。处理器120再将各欧氏距离平均值与阈值(例如0.15,非限定)进行比较,且判定欧氏距离平均值小于阈值的注册使用者为候选注册使用者。因为欧氏距离愈短,即表示相似度愈高。在此实施例中,注册使用者1及4为候选注册使用者。处理器120判定具有最小欧氏距离平均值的注册使用者1为受检者。
另一实施例中,处理器120可将第一影像200取代在数据库142中的注册使用者1的其中一张使用者人脸影像,藉此可更新数据库142。在一实施例中,处理器120是将第一影像200取代注册使用者1的时间最早的使用者人脸影像,例如使用者人脸影像213,如图5C所示。在另一实施例中,处理器120是将第一影像200取代注册使用者1的具有最大欧氏距离的使用者人脸影像,例如使用者人脸影像215,如图5D所示。
需注意的是,上述实施例仅用于说明,本发明并不限于使用欧氏距离来确定两幅影像之间的相似度,另一些实施例中可以使用例如马氏距离、曼哈顿距离、切比雪夫距离等等,或者又一些实施例中可以通过相似性度量的方式确定出两幅影像之间的相似度值,例如余弦相似度、皮尔森校正系数、杰卡德系数等等。当然,若采用相似度方式,则选择相似度值最大者对应的注册使用者为受检者。
需注意的是,若要提高类神经网络的预测模型的辨识率,在传统方法中若要新增或修改注册使用者的使用者人脸影像,往往需重新训练类神经网络,需要花费相当多的时间及运算处理。在前述实施例中,可重复使用相同的类神经网络的预测模型。在处理器120判定一特定注册使用者为受检者后,处理器120可将第一影像200取代相应于特定注册使用者的最早或欧氏距离最大的使用者人脸影像,使得下一次进行人脸辨识时可具有愈接近特定注册使用者的人脸的使用者人脸影像,且可在不必重新训练类神经网络的情况下降低误判的情况并提高人脸辨识的准确率。
图6是显示依据本发明一实施例中的人脸辨识方法的流程图。
在步骤S610,对第一影像执行人脸检测处理以取得第一影像的人脸区域。其中,处理器120例如可先对人脸影像计算其方向梯度直方图(histogramof oriented gradients,HOG)以计算其影像特征,并将影像特征输入支持向量机(support vector machine,SVM)以检测在人脸影像中的人脸区域。在另一实施例中,处理器120是使用OpenCV数据库以进行人脸检测,OpenCV数据库是采用由Viola&Jones所发表的AdaBoost Learning with Haar-likeFeatures算法以实现人脸检测。
在步骤S620,计算人脸区域与人脸数据库中的各注册使用者的多张使用者人脸影像之间的相似度以确定受检者身份。其中,各注册使用者在人脸数据库中均需注册多张使用者人脸影像,如图5A~5D的实施例所述。
在步骤S630,对于每一个注册使用者,计算人脸区域与每一个注册使用者的多张使用者人脸影像之间的相似度或距离,得到多个相似度值或距离值,并将多个相似度值或距离值取平均,由此得到人脸区域与每一个注册使用者之间的相似度平均值或距离平均值。上述相似度值或距离值的计算方式可参考图5A~5D的实施例,且距离值的计算例如可以使用欧氏距离、马氏距离、曼哈顿距离、切比雪夫距离等等。若采用距离值的计算方式,则选择距离值最小对应的注册使用者为受检者。相似度值的计算例如可以通过相似性度量的方式确定出两幅影像之间的相似度值,例如余弦相似度、皮尔森校正系数、杰卡德系数等等。若采用相似度方式,则选择相似度值最大者对应的注册使用者为受检者。
在步骤S640,对于所有注册使用者,将各自的相似度平均值或距离平均值与一阈值进行比较,若相似度平均值或距离平均值在阈值之外,则判定受检者不属于人脸数据库中已有的注册使用者,若相似度平均值或距离平均值中至少一者在阈值内,则从所有在阈值内的相似度平均值或距离平均值中选择表示相似度最高者或者距离最小者,并判定受检者为相似度最高者或者距离最小者对应的注册使用者。
综上所述,本发明提供一种身份验证装置、身份验证方法、及其电脑可读取媒体,其可主动辨识受检的目标物件为真人人脸或照片(包括平面照片或弯曲照片),且可简化辨识流程以降低运算复杂度,藉以提高系统的运算速度并改善使用者体验。
本发明的方法,或特定型态或其部分,可以以程序码的型态包含于实体媒体,如软盘、光盘片、硬盘、或是任何其他机器可读取(如电脑可读取)储存媒体,其中,当程序码被机器,如电脑载入且执行时,此机器变成用以参与本发明的装置或系统。本发明的方法、系统与装置也可以以程序码型态通过一些传送媒体,如电线或电缆、光纤、或是任何传输型态进行传送,其中,当程序码被机器,如电脑接收、载入且执行时,此机器变成用以参与本发明的装置或系统。当在一般用途处理器实作时,程序码结合处理器提供一操作类似于应用特定逻辑电路的独特装置。
本发明虽以多个实施例公开如上,然其并非用以限定本发明的范围,任何所属技术领域技术人员,在不脱离本发明的精神和范围内,当可做些许的变动与润饰,因此本发明的保护范围当视所附的权利要求所界定者为准。
Claims (10)
1.一种身份验证方法,其特征在于,包括:
通过影像撷取设备拍摄受检者,取得所述受检者的人脸影像以及所述人脸影像的多个像素所对应的多个深度信息;
根据所述深度信息得到深度平均值;
比对所述深度平均值与门槛值范围,得到比对结果;以及
根据所述比对结果,判断所述受检者是否为真人。
2.如权利要求1所述的身份验证方法,其特征在于,所述判断所述受检者是否为真人的步骤包括:
当所述比对结果表明所述深度平均值落在所述门槛值范围之外时,判断所述受检者为平面照片;以及
当所述比对结果表明所述深度平均值落在所述门槛值范围之内时,利用分类器判断所述人脸影像为真实人脸或者是通过折弯照片纸张进行伪装的照片。
3.如权利要求2所述的身份验证方法,其特征在于,所述分类器是通过以下步骤获得实现:
取得多个人员中每一人员的照片纸张;
通过所述影像撷取设备拍摄所述照片纸张中每一照片纸张于各种弯曲情况下的照片影像,取得所述照片影像以及所述照片影像相应的深度信息;
通过所述影像撷取设备拍摄所述人员,取得多个真实人脸影像以及所述真实人脸影像相应的深度信息;以及
利用机器学习算法,对所述照片影像相应的深度信息与所述真实人脸影像相应的深度信息进行训练,由此产生所述分类器。
4.如权利要求1所述的身份验证方法,其特征在于还包括:在判断出所述受检者为真人时,将对应于所述受检者的所述人脸影像与数据库中所储存的多个注册使用者中的每一者的多张使用者人脸影像进行比对,以确定所述受检者的身份。
5.如权利要求4所述的身份验证方法,其特征在于,所述将对应于所述受检者的所述人脸影像与所述数据库中储存的所述使用者人脸影像进行比对的步骤包括:
对所述第一影像进行人脸检测处理以取得所述第一影像的人脸区域;
计算所述人脸区域与所述数据库中的各注册使用者的所述使用者人脸影像之间的相似度以确定所述受检者的身份,其中,
对于每一个注册使用者,计算所述人脸区域与所述每一个注册使用者的多张使用者人脸影像之间的相似度或距离,得到多个相似度值或距离值,并将所述多个相似度值或距离值取平均,由此得到所述人脸区域与所述每一个注册使用者之间的相似度平均值或距离平均值;以及
对于所有注册使用者,将各自的相似度平均值或距离平均值与阈值进行比较,若所述相似度平均值或距离平均值在所述阈值之外,则判定所述受检者不属于所述数据库中已有的注册使用者,若所述相似度平均值或距离平均值中至少一者在所述阈值内,则从所有在所述阈值内的相似度平均值或距离平均值中选择表示相似度最高者或者距离最小者,并判定所述受检者为所述相似度最高者或者距离最小者对应的注册使用者。
6.一种身份验证装置,其特征在于包括:
影像撷取设备,用于对受检者拍摄以取得所述受检者的人脸影像以及所述人脸影像的多个像素所对应的多个深度信息;
处理器,电性连接至所述影像撷取设备,用于根据所述深度信息得到深度平均值,比对所述深度平均值与门槛值范围,得到比对结果,由此判断所述受检者是否为真人。
7.如权利要求6所述的身份验证装置,其特征在于,所述处理器包括:
照片判定模块,用于当所述深度平均值落在所述门槛值范围之外时,判定所述受检者为平面照片;以及
真人辨识模块,用于当所述深度平均值落在所述门槛值范围之外时,利用分类器判断所述人脸影像为真实人脸或者为通过折弯照片纸张进行伪装的照片。
8.如权利要求7所述的身份验证装置,其特征在于,还包括分类器获取模块,用于获取所述分类器,其中所述分类器获取模块包括:
照片获取单元,用于取得多个人员中每一人员的照片纸张;
照片深度获取单元,用于通过所述影像撷取设备拍摄所述照片纸张中每一照片纸张于各种弯曲情况下的照片影像,取得所述照片影像以及所述照片影像相应的深度信息;
真实深度获取单元,用于通过所述影像撷取设备拍摄所述人员,取得多个真实人脸影像以及真实人脸影像相应的深度信息;以及
训练单元,用于利用机器学习算法,对所述照片影像相应的深度信息与所述真实人脸影像相应的深度信息进行训练,由此产生所述分类器。
9.如权利要求6所述的身份验证装置,其特征在于,还包括身份判定模块,用于在所述真人辨识模块判断出所述受检者为真人后,将对应于所述受检者的所述人脸影像与数据库中储存的使用者人脸影像进行比对,以确定所述受检者的身份。
10.一种电脑可读储存介质,其包括储存的电脑程序,当设备运行所述电脑程序时控制所述设备执行如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711475336.3A CN109993024A (zh) | 2017-12-29 | 2017-12-29 | 身份验证装置、身份验证方法、及电脑可读储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711475336.3A CN109993024A (zh) | 2017-12-29 | 2017-12-29 | 身份验证装置、身份验证方法、及电脑可读储存介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109993024A true CN109993024A (zh) | 2019-07-09 |
Family
ID=67109627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711475336.3A Pending CN109993024A (zh) | 2017-12-29 | 2017-12-29 | 身份验证装置、身份验证方法、及电脑可读储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993024A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507767A (zh) * | 2019-09-16 | 2021-03-16 | 纬创资通股份有限公司 | 脸部辨识方法及其相关电脑系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419819A (zh) * | 2010-10-25 | 2012-04-18 | 深圳市中控生物识别技术有限公司 | 人脸图像识别方法和系统 |
CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
CN105023010A (zh) * | 2015-08-17 | 2015-11-04 | 中国科学院半导体研究所 | 一种人脸活体检测方法及系统 |
CN105912908A (zh) * | 2016-04-14 | 2016-08-31 | 苏州优化智能科技有限公司 | 基于红外的真人活体身份验证方法 |
CN107066983A (zh) * | 2017-04-20 | 2017-08-18 | 腾讯科技(上海)有限公司 | 一种身份验证方法及装置 |
-
2017
- 2017-12-29 CN CN201711475336.3A patent/CN109993024A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419819A (zh) * | 2010-10-25 | 2012-04-18 | 深圳市中控生物识别技术有限公司 | 人脸图像识别方法和系统 |
CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
CN105023010A (zh) * | 2015-08-17 | 2015-11-04 | 中国科学院半导体研究所 | 一种人脸活体检测方法及系统 |
CN105912908A (zh) * | 2016-04-14 | 2016-08-31 | 苏州优化智能科技有限公司 | 基于红外的真人活体身份验证方法 |
CN107066983A (zh) * | 2017-04-20 | 2017-08-18 | 腾讯科技(上海)有限公司 | 一种身份验证方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507767A (zh) * | 2019-09-16 | 2021-03-16 | 纬创资通股份有限公司 | 脸部辨识方法及其相关电脑系统 |
CN112507767B (zh) * | 2019-09-16 | 2023-12-08 | 纬创资通股份有限公司 | 脸部辨识方法及其相关电脑系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102596897B1 (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
US11023757B2 (en) | Method and apparatus with liveness verification | |
Kollreider et al. | Verifying liveness by multiple experts in face biometrics | |
US9619723B1 (en) | Method and system of identification and authentication using facial expression | |
CN106557726B (zh) | 一种带静默式活体检测的人脸身份认证系统及其方法 | |
Bustard et al. | Toward unconstrained ear recognition from two-dimensional images | |
JP4353246B2 (ja) | 法線情報推定装置、登録画像群作成装置および画像照合装置ならびに法線情報推定方法 | |
CN104966070B (zh) | 基于人脸识别的活体检测方法和装置 | |
WO2016084072A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
US8933783B2 (en) | Detection of fraud for access control system of biometric type | |
CN108280421B (zh) | 基于多特征深度运动图的人体行为识别方法 | |
US9633284B2 (en) | Image processing apparatus and image processing method of identifying object in image | |
US10915739B2 (en) | Face recognition device, face recognition method, and computer readable storage medium | |
Salvagnini et al. | Person re-identification with a ptz camera: an introductory study | |
Yin et al. | A face anti-spoofing method based on optical flow field | |
Rukhiran et al. | Effecting of environmental conditions to accuracy rates of face recognition based on IoT solution | |
Bresan et al. | Facespoof buster: a presentation attack detector based on intrinsic image properties and deep learning | |
CN109993028A (zh) | 人脸辨识装置及方法、提升影像辨识率的方法 | |
Nikitin et al. | Face anti-spoofing with joint spoofing medium detection and eye blinking analysis | |
Waris et al. | Analysis of textural features for face biometric anti-spoofing | |
JP2015162012A (ja) | 顔照合装置及び顔照合方法並びにプログラム | |
CN109993024A (zh) | 身份验证装置、身份验证方法、及电脑可读储存介质 | |
Guha | A report on automatic face recognition: Traditional to modern deep learning techniques | |
TWI634486B (zh) | 身份驗證裝置、身份驗證方法、及其電腦可讀儲存介質 | |
Utami et al. | Face spoof detection by motion analysis on the whole video frames |
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 |