CN110222647B - 一种基于卷积神经网络的人脸活体检测方法 - Google Patents
一种基于卷积神经网络的人脸活体检测方法 Download PDFInfo
- Publication number
- CN110222647B CN110222647B CN201910496620.1A CN201910496620A CN110222647B CN 110222647 B CN110222647 B CN 110222647B CN 201910496620 A CN201910496620 A CN 201910496620A CN 110222647 B CN110222647 B CN 110222647B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- carrying
- living body
- lbp
- 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
- 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
- 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
- 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
- G06V40/10—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的人脸活体检测方法,包括如下步骤:步骤1,对训练集图像进行处理;步骤2,将归一化的图像输入到预训练的卷积神经网络;步骤3,将得到的深度人脸卷积特征进行LBP特征提取;步骤4,进行SVM训练,得到用于人脸活体识别的SVM分类器;步骤5,对待检测人脸视频进行采集处理,将采集到的单帧转化为灰度图;对于采集到的图像进行人脸检测,如果有人脸,则对人脸图像进行图像归一化;步骤6,将待检测图像进行步骤2和步骤3的处理,然后进行特征提取,得到图像的LBP特征;步骤7,将LBP特征输入到人脸活体识别的SVM分类器中判断是否为活体人脸。本申请计算量小,人脸活体检测效率高,同时也提高了活体检测的准确率。
Description
技术领域
本发明涉及一种人脸活体检测方法,具体说是一种基于卷积神经网络的人脸活体检测方法。
背景技术
随着计算机视觉技术的不断发展,人脸识别技术的性能得到了质的提升。由于人脸识别技术具有直接、方便、易用的特点,目前广泛应用于智能监控、金融、移动支付的领域。随着人脸识别技术的广泛应用,人脸识别技术的安全问题也日益突出。例如:攻击者可以利用用户的图片欺骗人脸识别系统进行移动支付等,造成用户的损失。为了提高人脸识别技术的安全性,需要准确判断当前的用户是否为活体。
最近有些关于人脸活体检测的尝试,其中最为典型的方法是交互式人脸检测,在该方法中,需要从多帧图像中判断用户的动作,导致该方法计算时间长,检测过程繁琐。同时该方法对图像的质量要求较高,当受到光照,硬件条件设备等影响的条件下,导致活体检测效果较差。
基于图像纹理特征的人脸活体检测一直是研究热点,利用局部二值化模式(LBP)图像纹理特征,利用支持向量机(SVM)分类器进行人脸活体检测,该方法虽然简单,但是易受到噪声和光照条件的影响。
发明内容
为解决现有技术存在的上述缺点,本申请提供一种基于卷积神经网络的人脸活体检测方法,其计算量小,人脸活体检测效率高,同时也提高了活体检测的准确率。
为实现上述目的,本申请的技术方案为:一种基于卷积神经网络的人脸活体检测方法,包括如下步骤:
步骤1,对训练集图像进行处理,归一化到64*64像素大小;
步骤2,将归一化的图像输入到预训练的卷积神经网络;
步骤3,将得到的深度人脸卷积特征进行LBP特征提取;
步骤4,进行SVM训练,得到用于人脸活体识别的SVM分类器;
步骤5,对待检测人脸视频进行采集处理,将采集到的单帧转化为灰度图;对于采集到的图像进行人脸检测,如果有人脸,则对人脸图像进行图像归一化到64*64像素;
步骤6,将待检测图像进行步骤2和步骤3的处理,然后进行特征提取,得到图像的LBP特征;
步骤7,将LBP特征输入到人脸活体识别的SVM分类器中判断是否为活体人脸。
进一步的,针对步骤2,对于每一个人脸图像,通过预训练好的卷积神经网络,具体而言,采用Deep face(O.M.Parkhi,A.Vedaldi,and A.Zisserman,“Deep facerecognition,”in British Machine Vision Conference,2015.)的网络结构,与该网络不同的是,去掉最后一层的全链接层,来获得人脸卷积特征图。
进一步的,针对步骤3,通过公式计算得到LBP特征值,计算公式为:
其中,(Xc,Yc)为中心像素的坐标,p为邻域的第p个像素,ip为邻域像素的灰度值,ic为中心像素的灰度值,s(x)为符号函数。
更进一步的,针对步骤4,首先构建训练集,训练集包括真人人脸照片以及通过照片翻拍造假的人脸照片;将样本的图像进行步骤2和步骤3的处理之后得到特征,根据样本的特征和类别进行持向量机(SVM)分类器的训练。
本发明由于采用以上技术方案,能够取得如下的技术效果:本申请通过卷积神经网络提取训练集人脸图像深部特征,再进行LBP特征提取,建立SVM检测模型。通过对视频的处理,进行人脸检测,获取到待检测的人脸图像,输入到卷积神经网络后进行LBP特征提取,最后输入到SVM模型,得到检测结果。通过卷积神经网络结合LBP特征提取及SVM分类,计算量小,人脸活体检测效率高,同时也提高了活体检测的准确率。
附图说明
图1为本申请的流程图;
图2为本申请的卷积神经网络结构图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施中的技术方案进行清楚、完整的描述,可以理解的是,所描述的实例仅仅是本发明的一部分实例,而不是全部的实施例。基于本发明的实施例,本领域的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,都属于本发明的保护范围。
本实施例提供了一种基于卷积神经网络结合LBP进行人脸活体检测的方法;通过卷积神经网络提取训练集人脸图像深部特征,再进行LBP特征提取,建立SVM检测模型。通过该方法,能够准识别出是否为人脸活体,而且运行效率高,能够满足实时识别的要求。
本发明流程图如图1所示,以及网络结构图如图2所示,具体实施步骤如下:
步骤1,对训练集图像进行处理,归一化到64*64像素大小;
步骤2,将归一化的图像输入到预训练的卷积神经网络;该网络采用Deep face(O.M.Parkhi,A.Vedaldi,andA.Zisserman,“Deep face recognition,”in BritishMachine Vision Conference,2015.)的网络结构。将该网络的全连接层去掉,最后得到深度的人脸卷积特征。
步骤3,将得到的深度人脸卷积特征进行LBP特征提取,其中,本发明采用LBP8,1算子进行LBP特征提取。
步骤4,按照上述步骤1,2,3进行数据集图像处理之后进行SVM训练,得到用于人脸活体识别的SVM分类器。
步骤5,对待检测人脸视频进行采集处理,将采集到的单帧转化为灰度图。对于采集到的图像进行人脸检测,如果有人脸,则对人脸图像进行图像归一化到64*64像素。
步骤6,将待检测图像进行步骤2,3的处理,进行特征提取,得到图像的LBP特征。
步骤7,将LBP特征输入到人脸活体识别的SVM分类器中判断是否为活体人脸。
Claims (1)
1.一种基于卷积神经网络的人脸活体检测方法,其特征在于,包括如下步骤:
步骤1,对训练集图像进行处理,归一化到64*64像素大小;
步骤2,将归一化的图像输入到预训练的卷积神经网络;
步骤3,将得到的深度人脸卷积特征进行LBP特征提取;
步骤4,进行SVM训练,得到用于人脸活体识别的SVM分类器;
步骤5,对待检测人脸视频进行采集处理,将采集到的单帧转化为灰度图;对于采集到的图像进行人脸检测,如果有人脸,则对人脸图像进行图像归一化到64*64像素;
步骤6,将待检测图像进行步骤2和步骤3的处理,然后进行特征提取,得到图像的LBP特征;
步骤7,将LBP特征输入到人脸活体识别的SVM分类器中判断是否为活体人脸;
针对步骤3,通过公式计算得到LBP特征值,计算公式为:
其中,(Xc,Yc)为中心像素的坐标,p为邻域的第p个像素,ip为邻域像素的灰度值,ic为中心像素的灰度值,s(x)为符号函数;
针对步骤4,首先构建训练集,训练集包括真人人脸照片以及通过照片翻拍造假的人脸照片;将样本的图像进行步骤2和步骤3的处理之后得到特征,根据样本的特征和类别进行支持 向量机分类器的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910496620.1A CN110222647B (zh) | 2019-06-10 | 2019-06-10 | 一种基于卷积神经网络的人脸活体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910496620.1A CN110222647B (zh) | 2019-06-10 | 2019-06-10 | 一种基于卷积神经网络的人脸活体检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222647A CN110222647A (zh) | 2019-09-10 |
CN110222647B true CN110222647B (zh) | 2022-05-10 |
Family
ID=67816277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910496620.1A Active CN110222647B (zh) | 2019-06-10 | 2019-06-10 | 一种基于卷积神经网络的人脸活体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222647B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991309A (zh) * | 2019-11-28 | 2020-04-10 | 江苏励维逊电气科技有限公司 | 一种基于人脸识别的店商消费行为分析引导营销方法 |
CN111539348A (zh) * | 2020-04-27 | 2020-08-14 | 天津中科智能识别产业技术研究院有限公司 | 一种基于偏振成像的人脸活体检测方法 |
CN113743192A (zh) * | 2021-07-16 | 2021-12-03 | 华中科技大学 | 静默式人脸活体检测模型及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2680190A2 (en) * | 2012-06-26 | 2014-01-01 | Google Inc. | Facial recognition |
US8842889B1 (en) * | 2010-12-18 | 2014-09-23 | Luxand, Inc. | System and method for automatic face recognition |
CN105956572A (zh) * | 2016-05-15 | 2016-09-21 | 北京工业大学 | 一种基于卷积神经网络的活体人脸检测方法 |
CN106503718A (zh) * | 2016-09-20 | 2017-03-15 | 南京邮电大学 | 一种基于滤波器组的局部二值模式图像描述方法 |
CN106682616A (zh) * | 2016-12-28 | 2017-05-17 | 南京邮电大学 | 基于双通道特征深度学习的新生儿疼痛表情识别方法 |
CN107145842A (zh) * | 2017-04-19 | 2017-09-08 | 西安电子科技大学 | 结合lbp特征图与卷积神经网络的人脸识别方法 |
CN107292230A (zh) * | 2017-05-09 | 2017-10-24 | 华南理工大学 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
CN107480723A (zh) * | 2017-08-22 | 2017-12-15 | 武汉大学 | 基于局部二进制阈值学习网络的纹理识别方法 |
CN108549854A (zh) * | 2018-03-28 | 2018-09-18 | 中科博宏(北京)科技有限公司 | 一种人脸活体检测方法 |
CN109344716A (zh) * | 2018-08-31 | 2019-02-15 | 深圳前海达闼云端智能科技有限公司 | 活体检测模型的训练方法、检测方法、装置、介质及设备 |
CN109583357A (zh) * | 2018-11-23 | 2019-04-05 | 厦门大学 | 一种改进lbp和轻量卷积神经网络级联的人脸识别方法 |
CN109602451A (zh) * | 2019-02-16 | 2019-04-12 | 河南科技大学第附属医院(河南省显微外科研究所) | 一种医学超声辅助自动诊断系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10049287B2 (en) * | 2015-05-22 | 2018-08-14 | Oath Inc. | Computerized system and method for determining authenticity of users via facial recognition |
-
2019
- 2019-06-10 CN CN201910496620.1A patent/CN110222647B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8842889B1 (en) * | 2010-12-18 | 2014-09-23 | Luxand, Inc. | System and method for automatic face recognition |
EP2680190A2 (en) * | 2012-06-26 | 2014-01-01 | Google Inc. | Facial recognition |
CN105956572A (zh) * | 2016-05-15 | 2016-09-21 | 北京工业大学 | 一种基于卷积神经网络的活体人脸检测方法 |
CN106503718A (zh) * | 2016-09-20 | 2017-03-15 | 南京邮电大学 | 一种基于滤波器组的局部二值模式图像描述方法 |
CN106682616A (zh) * | 2016-12-28 | 2017-05-17 | 南京邮电大学 | 基于双通道特征深度学习的新生儿疼痛表情识别方法 |
CN107145842A (zh) * | 2017-04-19 | 2017-09-08 | 西安电子科技大学 | 结合lbp特征图与卷积神经网络的人脸识别方法 |
CN107292230A (zh) * | 2017-05-09 | 2017-10-24 | 华南理工大学 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
CN107480723A (zh) * | 2017-08-22 | 2017-12-15 | 武汉大学 | 基于局部二进制阈值学习网络的纹理识别方法 |
CN108549854A (zh) * | 2018-03-28 | 2018-09-18 | 中科博宏(北京)科技有限公司 | 一种人脸活体检测方法 |
CN109344716A (zh) * | 2018-08-31 | 2019-02-15 | 深圳前海达闼云端智能科技有限公司 | 活体检测模型的训练方法、检测方法、装置、介质及设备 |
CN109583357A (zh) * | 2018-11-23 | 2019-04-05 | 厦门大学 | 一种改进lbp和轻量卷积神经网络级联的人脸识别方法 |
CN109602451A (zh) * | 2019-02-16 | 2019-04-12 | 河南科技大学第附属医院(河南省显微外科研究所) | 一种医学超声辅助自动诊断系统 |
Non-Patent Citations (3)
Title |
---|
A face recognition method based on LBP feature for CNN;Hongshuai zhang 等;《2017 IEEE 2nd advanced information and technology》;20170326;第544-547页 * |
CNN Based Spatio-temporal Feature Extraction for Face Anti-spoofing;Muhammad Asim 等;《2017 2nd International Conference on Image, Vision and Computing》;20170604;第234-238页 * |
一种基于卷积神经网络的活体人脸检测方法;蒋尚达;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180915;第33-34页第3.3.3节,第44页第3.4.5节 * |
Also Published As
Publication number | Publication date |
---|---|
CN110222647A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN110222647B (zh) | 一种基于卷积神经网络的人脸活体检测方法 | |
CN108268850B (zh) | 一种基于图像的大数据处理方法 | |
CN106372576A (zh) | 一种基于深度学习的智能室内入侵检测方法及系统 | |
CN109670430A (zh) | 一种基于深度学习的多分类器融合的人脸活体识别方法 | |
CN107330390B (zh) | 一种基于图像分析和深度学习的人数统计方法 | |
CN111160202B (zh) | 基于ar设备的身份核验方法、装置、设备及存储介质 | |
CN102163284A (zh) | 面向中文环境的复杂场景文本定位方法 | |
CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN101923637B (zh) | 一种移动终端及其人脸检测方法和装置 | |
CN110334605A (zh) | 基于神经网络的手势识别方法、装置、存储介质及设备 | |
CN110472566B (zh) | 一种高精度的模糊人脸识别方法 | |
CN109086724A (zh) | 一种加速的人脸检测方法及存储介质 | |
CN105022999A (zh) | 一种人码伴随实时采集系统 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN112052730B (zh) | 一种3d动态人像识别监控设备及方法 | |
CN112883940A (zh) | 静默活体检测方法、装置、计算机设备及存储介质 | |
CN111582118A (zh) | 一种人脸识别方法及装置 | |
CN112784835A (zh) | 圆形印章的真实性识别方法、装置、电子设备及存储介质 | |
CN111461076A (zh) | 帧差法与神经网络结合的烟雾检测方法和检测系统 | |
CN104715250B (zh) | 十字激光检测方法和装置 | |
Zhang et al. | Hand gesture detection and segmentation based on difference background image with complex background | |
CN107274382A (zh) | 一种硬压板的状态辨识方法、装置及电子设备 | |
CN116311212B (zh) | 基于高速摄像机实现运动状态下的船号识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |