CN110119674B - 一种作弊检测的方法、装置、计算设备及计算机存储介质 - Google Patents
一种作弊检测的方法、装置、计算设备及计算机存储介质 Download PDFInfo
- Publication number
- CN110119674B CN110119674B CN201910239406.8A CN201910239406A CN110119674B CN 110119674 B CN110119674 B CN 110119674B CN 201910239406 A CN201910239406 A CN 201910239406A CN 110119674 B CN110119674 B CN 110119674B
- Authority
- CN
- China
- Prior art keywords
- face
- user
- image
- face image
- cheating
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例涉及视力检测技术领域,尤其公开了一种作弊检测的方法、装置及计算设备,其中,方法包括:获取用户的脸部图像;判断所述脸部图像中脸部是否为正脸;若否,根据预设正脸矫正算法,将所述脸部图像中脸部矫正为正脸;根据矫正后的所述脸部图像,识别所述用户的作弊行为。由此可见,利用本发明实施例的技术方案,不仅可以识别用户在视力检测过程的作弊行为,还可以提高识别用户的作弊行为的准确性及识别效率。
Description
技术领域
本发明实施例涉及视力检测技术领域,特别是涉及一种作弊检测的方法、装置、计算设备及计算机存储介质。
背景技术
在进行视力检测的过程中,为了保证视力检测结果的真实性,需要识别在整个视力检测过程中,用户有无作弊行为。目前,对于作弊行为的识别通过人力进行识别,例如:医生肉眼观察当前用户是否为所指定的待测试对象;在视力检测的过程中,医生时刻观察测试对象是否符合测试要求,例如:没有遮挡眼睛等。
本发明人在实现本发明实施例的过程中发现:目前,在视力检测的过程中,缺少自动检测作弊的方法。
发明内容
鉴于上述问题,提出了本发明实施例,以便提供一种克服上述问题或者至少部分地解决上述问题的一种作弊检测的方法、装置、计算设备及计算机存储介质。
为解决上述技术问题,本发明实施例采用的一个技术方案是:提供一种作弊检测的方法,包括:获取用户的脸部图像;判断所述脸部图像中脸部是否为正脸;若否,根据预设正脸矫正算法,将所述脸部图像中脸部矫正为正脸;根据矫正后的所述脸部图像,识别所述用户的作弊行为。
可选的,所述根据矫正后的所述脸部图像,识别所述用户的作弊行为,进一步包括:从所述脸部图像中识别所述用户的脸部;判断识别到的所述用户的脸部是否与当前指定的待测者的脸部相匹配;若不匹配,则确定所述用户具有作弊行为。
可选的,所述根据矫正后的所述脸部图像,识别所述用户的作弊行为,进一步包括:从所述脸部图像中识别所述用户的脸部;判断脸部数据库是否包含所述脸部;若不包含,则确定所述用户具有作弊行为。
可选的,所述根据矫正后的所述脸部图像,识别所述用户的作弊行为,进一步包括:根据第一预设识别算法,从所述脸部图像中识别所述用户是否佩戴眼镜;若是,则确定所述用户具有作弊行为。
可选的,所述根据矫正后的所述脸部图像,识别所述用户的作弊行为,进一步包括:根据第二预设识别算法,从所述脸部图像中识别所述用户是否遮挡眼睛;若没有,则确定所述用户具有作弊行为。可选的,根据预设正脸矫正算法,将脸部图像中脸部矫正为正脸,进一步包括:定位脸部图像中脸部的至少三个第一关键点;根据至少三个第一关键点的坐标,以及,第一关键点在预设标准正脸图像中对应的第二关键点的坐标,计算仿射变换矩阵的仿射变换参数,其中,脸部图像中脸部的第一关键点与标准正脸图像的第二关键点一一对应;根据仿射变换参数和仿射变换矩阵,对所述脸部图像每一像素点进行坐标变换,从而将脸部图像中脸部矫正为正脸。
可选的,根据至少三个第一关键点的坐标及标准正脸图像中对应的第二关键点的坐标,计算仿射变换参数的计算公式为:
其中,(x1,y1)、(x2,y2)、(xn,yn)分别是标准正脸图像的n个第二关键点坐标,(x1',y1')、(x2',y2')、(xn',yn')分别是脸部图像中脸部的n个第一关键点的坐标,其中,n大于等于3,a1、b1、a2、b2、c1、c2是仿射变换参数。
为解决上述技术问题,本发明实施例采用的另一个技术方案是:提供一种作弊检测的装置,包括:获取模块:用于获取用户的脸部图像;判断模块:用于判断所述脸部图像中脸部是否为正脸;矫正模块,用于所述脸部图像中脸部不为正脸时,根据预设正脸矫正算法,将所述脸部图像中脸部矫正为正脸;确定模块,用于根据矫正后的所述脸部图像,识别所述用户的作弊行为。
为解决上述技术问题,本发明实施例采用的还一技术方案是:提供一种计算设备,包括:处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;存储器用于存放至少一可执行指令,该可执行指令使处理器执行如一种作弊检测的方法对应的操作。
为解决上述技术问题,本发明实施例采用的又一技术方案是:提供一种计算机存储介质,存储介质中存储有至少一可执行指令,该可执行指令使处理器执行如一种作弊检测的方法对应的操作。
本发明实施例的有益效果是:区别于现有技术的情况,本发明实施例通过脸部图像,来确定用户的作弊行为,实现对用户的作弊检测,而在通过脸部图像确定用户的作弊行为之前,先对脸部图像中脸部进行正脸矫正,以提高对脸部特征的提取的准确性和效率,进而提高通过脸部图像来确定用户的作弊行为的效率和准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施例。
附图说明
通过阅读下文优选实施例的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施例的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明作弊检测的方法实施例的流程图;
图2是本发明作弊检测的方法实施例中判断脸部图像中的脸部是否为正脸的流程图;
图3是本发明作弊检测的方法实施例中将脸部图像中的脸部矫正为正脸的流程图;
图4是本发明作弊检测的方法实施例中识别用户作弊行为的一种实现方式的流程图;
图5是本发明作弊检测的方法实施例中识别用户作弊行为的另一种实现方式的流程图;
图6是本发明作弊检测的方法实施例中识别用户作弊行为的又一种实现方式的流程图;
图7是本发明一种作弊检测装置实施例的功能框图;
图8是本发明一种计算设备实施例的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
请参阅图1,图1为本发明作弊检测的方法实施例的流程图,该方法应用于视力检测,具体包括以下步骤:
步骤S1:获取用户的脸部图像。
脸部图像是指包含用户的脸部的图像。可以理解的是:此处的用户不限定于人,若对动物,例如:猫、狗等等,的视力进行检测时,则此处的用户可以为动物。
步骤S2:判断所述脸部图像中脸部是否为正脸,若否,执行步骤S3,若是,执行步骤S5。
正脸是指用户的脸部在脸部图像呈正面朝向,没有出现抬头、低头、转头、歪头等姿态。反而言之,当用户的脸部姿态出现抬头、低头、转头、歪头时,可以确定用户的脸部不为正脸,因此,可以根据用户的脸部的姿态参数,来确定用户的脸部是否为正脸。具体的,如图2所示,根据用户的脸部的姿态参数,确定脸部图像中脸部是否为正脸,包括:
步骤S21:识别脸部图像中脸部部位的特征信息。
步骤S22:根据脸部部位的特征信息,计算脸部的偏脸角度、转脸系数和抬脸系数。
偏脸角度用于表示用户脸部偏转的角度。根据脸部部位的特征信息,计算脸部的偏脸角度,具体包括:先构建脸部图像的图像中轴线,再根据脸部部位的特征信息,构建脸部图像中脸部的脸部中轴线,计算脸部中轴线与图像中轴线之间的夹角,并且将夹角作为偏脸角度。
转脸系数用于表示用户脸部转动的角度,根据脸部部位的特征信息,计算脸部的转脸系数,具体包括:根据脸部部位的特征信息,构建待检图像中脸部的脸部中轴线;基于脸部中轴线,将待检图像中脸部分为左脸区域和右脸区域,结合左脸区域和右脸区域,确定转脸系数,例如:确定左脸区域的左宽度和右脸区域的右宽度,根据左宽度和右宽度,结合计算公式计算转头系数,其中,Cp为转脸系数,El为左宽度,Er为右宽度;或者,确定左脸区域的左面积和右脸区域的右面积,根据左面积和右面积,计算转头系数;又或者,获取同一种脸部部位在左脸区域中的左宽度,以及,在右脸区域中的右宽度,根据左宽度和右宽度,结合计算公式计算转头系数,其中,Cp为转脸系数,El为左宽度,Er为右宽度。
抬脸系数用于表示用户脸部抬起或者低下的角度,根据脸部部位的特征信息,计算脸部的抬脸系数,具体包括:先确定第一部位与第二部位的第一距离,再确定第二部位与第三部位的第二距离,根据第一距离和第二距离,结合计算公式计算抬脸系数,Cr为抬脸系数,H1为第一距离,H2为第二距离。其中,第一部位、第二部位和第三部位均位于脸部,属于脸部部位,第一部位位于第二部位的上方,第二部位位于第三部位的上方,例如:第一部位为眼睛,第二部位为鼻子,第三部位为下颌,则第一距离为沿脸部中轴线,鼻尖到左眼和右眼连线的距离,第二距离为沿脸部中轴线从鼻尖到下颌最低点之间的距离。
步骤S23:判断偏脸角度是否位于预设正脸偏脸角度范围、转脸系数是否位于预设正脸转脸系数范围以及抬脸系数是否位于预设正脸抬脸系数范围,若均是,执行步骤S24,否则,执行步骤S25。
步骤S24:确定脸部图像中脸部为正脸。
步骤S25:确定脸部图像中脸部不为正脸。
S3:根据预设正脸矫正算法,将所述脸部图像中脸部矫正为正脸。
在一些实施例中,预设正脸矫正算法是采用仿射变换矩阵推导得到的,具体的,如图3所示,步骤S3包括:
步骤S31:定位脸部图像中脸部的至少三个第一关键点。
第一关键点是指用户脸部的像素点,对于第一关键点具体位置不作限定。为了计算仿射变换矩阵的仿射变换参数,需要定位脸部的至少三个第一关键点。仿射变换是从二维坐标到二维坐标的线性变换,仿射变换可以通过原子变换的复合实现,包括平移、缩放、翻转和剪切。任意一个仿射变换都可以表示为原二维坐标乘以一个矩阵再加上一个向量的形式,其中,乘以一个矩阵用以表示线性变换,加上一个向量用以表示平移。线性变换中使用的矩阵及平移中使用的向量组成仿射变换矩阵的仿射变换参数,因为仿射变换是二维坐标的线性变换,所以,仿射变换参数一共有6个,为了求解仿射变换参数,需要定位至少三个关键点。
步骤S32:根据至少三个第一关键点的坐标,以及,第一关键点在预设标准正脸图像中对应的第二关键点的坐标,计算仿射变换矩阵的仿射变换参数。
第二关键点是预设标准正脸图像的像素点。脸部图像中脸部的第一关键点与标准正脸图像中脸部的第二关键点一一对应。根据至少三个第一关键点的坐标及标准正脸图像中对应的第二关键点的坐标,计算仿射变换参数的计算公式为:
其中,(x1,y1)、(x2,y2)、(xn,yn)分别是标准正脸图像的n个第二关键点坐标,(x1',y1')、(x2',y2')、(xn',yn')分别是脸部图像中脸部的n个第一关键点的坐标,其中,n大于等于3,a1、b1、a2、b2、c1、c2是仿射变换参数。在第一关键点的坐标及第二关键点的坐标已知的情况下,可以通过上面的公式求得仿射变换参数a1、b1、a2、b2、c1、c2。
值得说明的是:由于不同脸部与定义的标准正脸图像存在一定程度的误差,因此,定位的关键点个数可以大于3个,组成超定方程组,并利用最小二乘法求解仿射变换参数,以减小误差。
步骤S33:根据仿射变换参数和仿射变换矩阵,对脸部图像中每一像素点进行坐标变换,从而将脸部图像中脸部矫正为正脸。
步骤S4:根据矫正后的所述脸部图像,识别所述用户的作弊行为。
步骤S5:根据所述脸部图像,识别所述用户的作弊行为。
用户的作弊行为包括身份作弊,例如:冒充顶替。若视力测试采用排队叫号的方式时,则如图4所示,对于身份作弊的识别具体包括:
步骤S41a:从所述脸部图像中识别所述用户的脸部。
步骤S42a:判断识别到的所述用户的脸部是否与当前指定的待测者的脸部相匹配,若不匹配,则执行步骤S43a,否则确定用户没有具有作弊行为。
步骤S43a:确定所述用户具有作弊行为。
在排队叫号的方式时,所有待测试的用户的脸部资料均预先存储到系统中,系统随机或者根据预定规则指定待测试的用户,例如:系统指定张三进行视力测试,则张三为当前指定的待测者,当前采集到的用户的脸部与张三的脸部不匹配时,则确定有人冒充顶替张三。
在另一些实施例中,在视力测试的过程中也可以采用随到随测的方式时,如图5所示,对于身份作弊的识别具体包括:
步骤S41b:从所述脸部图像中识别所述用户的脸部。
步骤S42b:判断脸部数据库是否包含所述脸部,若不包含,则执行步骤S43b,否则确定用户没有具有作弊行为。
步骤S43b:确定所述用户具有作弊行为。
脸部数据库存储所有待测用户的脸部,当识别到用户的脸部不在脸部数据库时,则说明该用户不是待测用户,例如:当需要对高三一班的用户进行视力检测时,先将高三一班全体人员的脸部存储在脸部数据库,在视力测试的过程中,每来一个用户,就将该用户的脸部与脸部数据库中脸部进行匹配,若匹配上,则确定该用户是高三一班的,否则,确定该用户是冒充顶替的。
另外,用户的作弊行为也包括动作作弊,例如:在测试过程佩戴眼镜、在测试过程不遮挡眼睛等等。如图6所示,根据矫正后的所述脸部图像,识别所述用户的作弊行为,包括:
步骤S41c:获取当前的视力检测模式。
步骤S42c:根据第一预设识别算法,从所述脸部图像中识别所述用户是否佩戴眼镜。
第一预设识别算法是指运用基于卷积神经网络的模型(CNN),例如以ResNet、GoogleNet等经典分类算法为核心的模型,或者以SSD、YOLO等经典的目标检测算法为核心的模型等,对大量佩戴眼镜的脸部图像和没有佩戴眼镜的脸部图像训练得到的。
步骤S43c:若当前的所述视力检测模式为裸眼检测模式,并且所述用户佩戴眼镜,则确定所述用户具有作弊行为。
裸眼检测模式是用于检测用户裸眼视力,其要求是用户在不配带任何矫正用户视力的工具下(例如:眼镜)的前提下进行的视力检测的模式。因此,在裸眼检测模式下,发现用户有配带眼镜的话,则说明用户有作弊行为。
当然,在一些实施例中,在裸眼检测模式下检测到用户佩戴眼镜时,还可以向用户发出提醒,以提示用户摘除眼镜,在检查到用户摘除眼镜之后,重新进入视力检测。
步骤S44c:若当前的所述视力检测模式为矫正检测模式,并且所述用户佩戴眼镜,则确定所述用户不具有作弊行为。
矫正检测模式用于矫正用户的视力,其是用户在配带眼镜的前提下检测用户的视力,在用户的视力不达标时,再调整用户眼镜的度数,重新进行检测。
当然,在一些实施例中,在矫正检测模式下检测到用户没佩戴眼镜时,也可以向用户发出提醒,以提示用户带上眼镜,又或者,在用户选择矫正检测模式下,先检测用户有没有佩戴眼镜,当用户没有佩戴眼镜时,提示用户佩戴即可。
在一些实施例中,对于用户在测试过程没有遮挡眼睛的作弊行为的具体识别,包括:根据第二预设识别算法,从所述脸部图像中识别所述用户是否遮挡眼睛;若没有,则确定所述用户具有作弊行为。其中,第二预设识别算法是指运用基于卷积神经网络的模型(CNN),例如以ResNet、GoogleNet等经典分类算法为核心的模型,或者以SSD、YOLO等经典的目标检测算法为核心的模型等,对大量有遮挡和没有遮挡的脸部图像训练得到的。
进一步的,在识别到用户遮挡眼睛时,还可以检测具体的遮挡哪只眼睛,并且判断所遮挡的眼睛与当前待测眼睛是否相同,若相同,则提示用户更换所遮挡的眼睛,若不相同,继续进行检测。
可以理解的是:在另一些实施例中,在根据脸部图像识别用户的作弊行为之前,还可以对脸部图像进行去噪处理,以减小噪声对脸部图像的干扰,提高识别的准确性,其中,去噪处理包括光线补偿、灰度变换、均一化、滤波等等。
在本发明实施例中,通过脸部图像,来确定用户的作弊行为,实现对用户的作弊行为检测,而在通过脸部图像确定用户的作弊行为之前,还先对脸部图像中脸部进行正脸矫正,以提高对脸部特征的提取的准确性和效率,进而提高通过脸部图像来确定用户的作弊行为的效率和准确性。
图7是本发明一种作弊检测装置实施例的功能框图,如图7所示,作弊检测装置70包括:获取模块701、判断模块702、矫正模块703和识别模块704。其中,获取模块701,用于获取用户的脸部图像。判断模块702,用于判断所述脸部图像中脸部是否为正脸。矫正模块703,用于在所述脸部图像中脸部不为正脸时,根据预设正脸矫正算法,将所述脸部图像中脸部矫正为正脸。识别模块704,用于根据矫正后的所述脸部图像,识别所述用户的作弊行为。
在一些实施例中,识别模块704包括第一识别单元7041、第二识别单元7042、第三识别单元7043和第四识别单元7044。
第一识别单元7041用于从所述脸部图像中识别所述用户的脸部,判断识别到的所述用户的脸部是否与当前指定的待测者的脸部相匹配;若不匹配,则确定所述用户具有作弊行为。
第二识别单元7042用于从所述脸部图像中识别所述用户的脸部,判断脸部数据库是否包含所述脸部,若不包含,则确定所述用户具有作弊行为。
第三识别单元7043用于获取当前的视力检测模式,根据第一预设识别算法,从所述脸部图像中识别所述用户是否佩戴眼镜,若当前的所述视力检测模式为裸眼检测模式,并且所述用户佩戴眼镜,则确定所述用户具有作弊行为。
第四识别单元7044:根据第二预设识别算法,从所述脸部图像中识别所述用户是否遮挡眼睛,若没有,则确定所述用户具有作弊行为。
在一些实施例中,矫正模块703包括定位单元7031、计算单元7032和变换单元7033。
定位单元7031用于定位所述脸部图像中脸部的至少三个第一关键点;
计算单元7032用于根据所述至少三个第一关键点的坐标,以及,所述第一关键点在预设标准正脸图像中对应的第二关键点的坐标,计算仿射变换矩阵的仿射变换参数,其中,所述脸部图像中脸部的第一关键点与所述标准正脸图像中脸部的第二关键点一一对应。
其中,所述根据所述至少三个第一关键点的坐标及标准正脸图像中对应的第二关键点的坐标,计算仿射变换参数的计算公式为:
其中,(x1,y1)、(x2,y2)、(xn,yn)分别是所述标准正脸图像的n个第二关键点坐标,(x1',y1')、(x2',y2')、(xn',yn')分别是所述脸部图像中脸部的n个第一关键点的坐标,其中,n大于等于3,a1、b1、a2、b2、c1、c2是所述仿射变换参数。
变换单元7033用于根据所述仿射变换参数和仿射变换矩阵,对所述脸部图像每一像素点进行坐标变换,将所述脸部图像中脸部矫正为正脸。
在本发明实施例中,识别模块704通过脸部图像,来确定用户的作弊行为,实现对用户的作弊检测;此外,在识别模块704通过脸部图像确定用户的作弊行为之前,矫正模块703先对脸部图像中脸部进行正脸矫正,以提高对脸部特征的提取的准确性和效率,进行提高通过脸部图像来确定用户的作弊行为的效率和准确性。
本申请实施例提供了一种非易失性计算机存储介质,计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的一种识别正脸图像的方法。
图8为本发明一种计算设备实施例的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图8所示,该计算设备可以包括:处理器(processor)802、通信接口(Communications Interface)804、存储器(memory)806、以及通信总线808。
其中:
处理器802、通信接口804、以及存储器806通过通信总线808完成相互间的通信。
通信接口804,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器802,用于执行程序810,具体可以执行上述一种识别正脸图像的方法实施例中的相关步骤。
具体地,程序810可以包括程序代码,该程序代码包括计算机操作指令。
处理器802可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器806,用于存放程序810。存储器806可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序810具体可以用于使得处理器802执行上述作弊检测的方法实施例中的方法步骤,以及,上述作弊检测装置实施例中涉及的功能模块,例如:附图1中步骤S1至S4、附图2中步骤S21至S25、附图3中步骤S31至S33、附图4中步骤S41a至步骤43a、附图5中步骤S41b至步骤S43b、附图6中S41c至S44c、附图7中获取模块701至识别模块704对应的操作。
在此提供的算法和显示不与任何特定计算机、虚拟系数或者其它设备固有相关。各种通用系数也可以与基于在此的示教一起使用。根据上面的描述,构造这类系数所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施例。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明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,在上面对本发明的示例性实施例的描述中,本发明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,遵循具体实施例的权利要求书由此明确地并入该具体实施例,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种识别正脸图像的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (7)
1.一种作弊检测的方法,应用于视力检测,其特征在于,包括:
获取用户的脸部图像;
判断所述脸部图像中脸部是否为正脸;
若否,根据预设正脸矫正算法,将所述脸部图像中脸部矫正为正脸;
根据矫正后的所述脸部图像,识别所述用户的作弊行为;
其中,判断所述脸部图像中脸部是否为正脸,包括:识别脸部图像中脸部部位的特征信息,根据脸部部位的特征信息,计算脸部的偏脸角度、转脸系数和抬脸系数,所述偏脸角度用于表示用户脸部偏转的角度,所述转脸系数用于表示用户脸部转动的角度,所述转脸系数用于表示用户脸部转动的角度;
判断偏脸角度是否位于预设正脸偏脸角度范围、转脸系数是否位于预设正脸转脸系数范围以及抬脸系数是否位于预设正脸抬脸系数范围,若均是,则确定脸部图像中脸部为正脸;否则,确定脸部图像中脸部不为正脸;
所述根据预设正脸矫正算法,将所述脸部图像中脸部矫正为正脸,进一步包括:
定位所述脸部图像中脸部的至少三个第一关键点;
根据所述至少三个第一关键点的坐标,以及,所述第一关键点在预设标准正脸图像中对应的第二关键点的坐标,计算仿射变换矩阵的仿射变换参数,其中,所述脸部图像中脸部的第一关键点与所述标准正脸图像中脸部的第二关键点一一对应;
根据所述仿射变换参数和仿射变换矩阵,对所述脸部图像每一像素点进行坐标变换,从而将所述脸部图像中脸部矫正为正脸;
所述根据所述至少三个第一关键点的坐标及标准正脸图像中对应的第二关键点的坐标,计算仿射变换参数的计算公式为:
其中,其中,(x1,y1)、(x2,y2)、(xn,yn)分别是所述标准正脸图像的n个第二关键点坐标,(x1',y1')、(x2',y2')、(xn',yn')分别是所述脸部图像中脸部的n个第一关键点的坐标,其中,n大于等于3,a1、b1、a2、b2、c1、c2是所述仿射变换参数;
所述根据矫正后的所述脸部图像,识别所述用户的作弊行为,进一步包括:
从所述脸部图像中识别所述用户的脸部;
判断识别到的所述用户的脸部是否与当前指定的待测者的脸部相匹配;
若不匹配,则确定所述用户具有作弊行为。
2.根据权利要求1所述的方法,其特征在于,所述根据矫正后的所述脸部图像,识别所述用户的作弊行为,进一步包括:
从所述脸部图像中识别所述用户的脸部;
判断脸部数据库是否包含所述脸部;
若不包含,则确定所述用户具有作弊行为。
3.根据权利要求1所述的方法,其特征在于,所述根据矫正后的所述脸部图像,识别所述用户的作弊行为,进一步包括:
获取当前的视力检测模式;
根据第一预设识别算法,从所述脸部图像中识别所述用户是否佩戴眼镜;
若当前的所述视力检测模式为裸眼检测模式,并且所述用户佩戴眼镜,则确定所述用户具有作弊行为。
4.根据权利要求1所述的方法,其特征在于,所述根据矫正后的所述脸部图像,识别所述用户的作弊行为,进一步包括:
根据第二预设识别算法,从所述脸部图像中识别所述用户是否遮挡眼睛;
若没有,则确定所述用户具有作弊行为。
5.一种作弊检测装置,其特征在于,包括:
获取模块:用于获取用户的脸部图像;
判断模块:用于判断所述脸部图像中脸部是否为正脸;
矫正模块,用于在所述脸部图像中脸部不为正脸时,根据预设正脸矫正算法,将所述脸部图像中脸部矫正为正脸;
识别模块,用于根据矫正后的所述脸部图像,识别所述用户的作弊行为;
其中,判断所述脸部图像中脸部是否为正脸,包括:识别脸部图像中脸部部位的特征信息,根据脸部部位的特征信息,计算脸部的偏脸角度、转脸系数和抬脸系数,所述偏脸角度用于表示用户脸部偏转的角度,所述转脸系数用于表示用户脸部转动的角度,所述转脸系数用于表示用户脸部转动的角度;
判断偏脸角度是否位于预设正脸偏脸角度范围、转脸系数是否位于预设正脸转脸系数范围以及抬脸系数是否位于预设正脸抬脸系数范围,若均是,则确定脸部图像中脸部为正脸;否则,确定脸部图像中脸部不为正脸;
所述根据预设正脸矫正算法,将所述脸部图像中脸部矫正为正脸,进一步包括:
定位所述脸部图像中脸部的至少三个第一关键点;
根据所述至少三个第一关键点的坐标,以及,所述第一关键点在预设标准正脸图像中对应的第二关键点的坐标,计算仿射变换矩阵的仿射变换参数,其中,所述脸部图像中脸部的第一关键点与所述标准正脸图像中脸部的第二关键点一一对应;
根据所述仿射变换参数和仿射变换矩阵,对所述脸部图像每一像素点进行坐标变换,从而将所述脸部图像中脸部矫正为正脸;
所述根据所述至少三个第一关键点的坐标及标准正脸图像中对应的第二关键点的坐标,计算仿射变换参数的计算公式为:
其中,其中,(x1,y1)、(x2,y2)、(xn,yn)分别是所述标准正脸图像的n个第二关键点坐标,(x1',y1')、(x2',y2')、(xn',yn')分别是所述脸部图像中脸部的n个第一关键点的坐标,其中,n大于等于3,a1、b1、a2、b2、c1、c2是所述仿射变换参数;
所述根据矫正后的所述脸部图像,识别所述用户的作弊行为,进一步包括:
从所述脸部图像中识别所述用户的脸部;
判断识别到的所述用户的脸部是否与当前指定的待测者的脸部相匹配;
若不匹配,则确定所述用户具有作弊行为。
6.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的一种作弊检测的方法对应的操作。
7.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-4中任一项所述的一种作弊检测的方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239406.8A CN110119674B (zh) | 2019-03-27 | 2019-03-27 | 一种作弊检测的方法、装置、计算设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239406.8A CN110119674B (zh) | 2019-03-27 | 2019-03-27 | 一种作弊检测的方法、装置、计算设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119674A CN110119674A (zh) | 2019-08-13 |
CN110119674B true CN110119674B (zh) | 2023-05-12 |
Family
ID=67520677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910239406.8A Active CN110119674B (zh) | 2019-03-27 | 2019-03-27 | 一种作弊检测的方法、装置、计算设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119674B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688970A (zh) * | 2019-09-30 | 2020-01-14 | 广州海昇计算机科技有限公司 | 一种作弊行为检测并预警的方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605965A (zh) * | 2013-11-25 | 2014-02-26 | 苏州大学 | 一种多姿态人脸识别方法和装置 |
CN103984941B (zh) * | 2014-06-10 | 2017-04-12 | 深圳市赛为智能股份有限公司 | 人脸识别考勤方法及其装置 |
CN104036278B (zh) * | 2014-06-11 | 2017-10-24 | 杭州巨峰科技有限公司 | 人脸算法标准脸部图像的提取方法 |
CN104794465B (zh) * | 2015-05-13 | 2019-06-07 | 上海依图网络科技有限公司 | 一种基于姿态信息的活体检测方法 |
CN107633204B (zh) * | 2017-08-17 | 2019-01-29 | 平安科技(深圳)有限公司 | 人脸遮挡检测方法、装置及存储介质 |
CN108446675A (zh) * | 2018-04-28 | 2018-08-24 | 北京京东金融科技控股有限公司 | 面部图像识别方法、装置电子设备及计算机可读介质 |
CN108985174A (zh) * | 2018-06-19 | 2018-12-11 | 杭州创匠信息科技有限公司 | 会员认证方法和装置 |
CN109087429B (zh) * | 2018-09-19 | 2020-12-04 | 重庆第二师范学院 | 基于人脸识别技术的图书馆借书证人证一致性检验的方法 |
-
2019
- 2019-03-27 CN CN201910239406.8A patent/CN110119674B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110119674A (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10684681B2 (en) | Neural network image processing apparatus | |
CN111340008B (zh) | 对抗补丁生成、检测模型训练、对抗补丁防御方法及系统 | |
US20200210702A1 (en) | Apparatus and method for image processing to calculate likelihood of image of target object detected from input image | |
CN111027628B (zh) | 一种模型确定方法和系统 | |
CN108537160A (zh) | 基于微表情的风险识别方法、装置、设备及介质 | |
CN111046717A (zh) | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 | |
CN111598038B (zh) | 脸部特征点检测方法、装置、设备及存储介质 | |
US9916495B2 (en) | Face comparison device, method, and recording medium | |
CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
WO2016089529A1 (en) | Technologies for learning body part geometry for use in biometric authentication | |
CN108734078B (zh) | 图像处理方法、装置、电子设备、存储介质及程序 | |
JP2020518051A (ja) | 顔姿勢検出方法、装置及び記憶媒体 | |
JP6956986B1 (ja) | 判定方法、判定装置、及び判定プログラム | |
CN112381061B (zh) | 一种面部表情识别方法及系统 | |
CN107452028B (zh) | 一种确定目标图像位置信息的方法及装置 | |
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
CN112651389B (zh) | 非正视虹膜图像的矫正模型训练、矫正、识别方法及装置 | |
JP2022105583A (ja) | 顔生体検出方法、装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN107844742A (zh) | 人脸图像眼镜去除方法、装置及存储介质 | |
CN110084219B (zh) | 界面交互方法及装置 | |
CN108875469A (zh) | 活体检测与身份认证的方法、装置及计算机存储介质 | |
CN114494347A (zh) | 一种单摄像头多模式视线追踪方法和装置、电子设备 | |
CN113591763A (zh) | 人脸脸型的分类识别方法、装置、存储介质及计算机设备 | |
CN112307984A (zh) | 基于神经网络的安全帽检测方法和装置 | |
CN110119674B (zh) | 一种作弊检测的方法、装置、计算设备及计算机存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200409 Address after: 1706, Fangda building, No. 011, Keji South 12th Road, high tech Zone, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen shuliantianxia Intelligent Technology Co.,Ltd. Address before: 518000, building 10, building ten, building D, Shenzhen Institute of Aerospace Science and technology, 6 hi tech Southern District, Nanshan District, Shenzhen, Guangdong 1003, China Applicant before: SHENZHEN H & T HOME ONLINE NETWORK TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |