CN110516644A - 一种活体检测方法及装置 - Google Patents
一种活体检测方法及装置 Download PDFInfo
- Publication number
- CN110516644A CN110516644A CN201910818734.3A CN201910818734A CN110516644A CN 110516644 A CN110516644 A CN 110516644A CN 201910818734 A CN201910818734 A CN 201910818734A CN 110516644 A CN110516644 A CN 110516644A
- Authority
- CN
- China
- Prior art keywords
- vivo detection
- image
- detection object
- image sequence
- information
- 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
- 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
- G06V40/172—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)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例提供一种活体检测方法及装置,涉及计算机技术领域,方法包括:获取通过发光光源按照设定发光模式照射在活体检测对象表面形成的图像序列,设定发光模式至少包括设定发光亮度,设定发光亮度是通过预设函数关系从初始发光亮度达到预设发光亮度;确定图像序列对应的帧差图像序列,并根据帧差图像序列确定活体检测对象的光照信息以及活体检测对象的生物信息,活体检测对象的光照信息至少包括活体检测对象的光照亮度信息;根据活体检测对象的光照信息、活体检测对象的生物信息以及发光光源的设定发光模式对活体检测对象进行活体检测。本发明实施例能够有效检测活体检测对象是否为活体,并且提高了活体检测的可靠性。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种活体检测方法及装置。
背景技术
随着人脸识别技术的飞速发展,人脸识别技术越来越多的应用在人们的日常生活中,例如在电子支付场景中,通常需要使用人脸识别技术来确定用户的身份信息。
但是在人脸识别过程中,会存在一些不法分子企图利用假体,例如使用用户的照片或者用户的视频来冒充用户来进行身份验证,造成被冒充用户的经济损失,所以,如何确定出被检测对象是活体是一个需要解决的技术问题。
发明内容
本发明实施例提供一种活体检测方法及装置,至少能够准确的确定出被检测对象是否为活体。
一方面,本发明实施例提供一种活体检测方法,所述方法包括:
获取通过发光光源按照设定发光模式照射在活体检测对象表面形成的图像序列,所述发光光源至少包括主动发光光源,所述设定发光模式至少包括设定发光亮度,所述设定发光亮度是通过预设函数关系从初始发光亮度达到预设发光亮度;
确定所述图像序列对应的帧差图像序列,并根据所述帧差图像序列确定所述活体检测对象的光照信息以及所述活体检测对象的生物信息,所述活体检测对象的光照信息至少包括所述活体检测对象的光照亮度信息;
根据所述活体检测对象的光照信息、所述活体检测对象的生物信息以及所述发光光源的设定发光模式对所述活体检测对象进行活体检测。
进一步地,所述确定所述图像序列对应的帧差图像序列,包括:
确定所述图像序列中的基准参照图像,根据所述图像序列中其它图像与所述基准参照图像之差确定所述图像序列对应的帧差图像序列。
进一步地,所述图像序列包括主动发光光源未发光时形成的图像、所述主动发光光源开始进行发光时形成的图像以及所述主动发光光源在发光过程中形成的图像,所述确定所述图像序列中的基准参照图像,包括:
将所述主动发光光源未发光时形成的图像作为基准参照图像;或者
将所述主动发光光源开始进行发光时形成的图像作为基准参照图像;或者
将所述主动发光光源在发光过程中形成的图像作为基准参照图像。
进一步地,所述根据所述帧差图像序列确定所述活体检测对象的光照信息以及所述活体检测对象中的生物信息,包括:
将所述帧差图像序列中的每帧帧差图像进行亮度空间以及色调空间的转换,通过回归模型以及转换后的每帧帧差图像确定活体检测对象的亮度信息以及颜色信息,通过机器学习模型或者深度学习模型以及转换后的每帧帧差图像确定活体检测对象的生物信息,所述机器学习模型以及所述深度学习模型是通过学习历史活体对象的生物信息确定的。
进一步地,所述活体检测对象的生物信息包括活体检测对象的人脸生物特性以及人脸三维信息,所述根据所述活体检测对象的光照信息、所述活体检测对象的生物信息以及所述发光光源的设定发光模式对所述活体检测对象进行活体检测,包括:
若确定所述活体检测对象的光照信息与所述发光光源的设定发光模式匹配,且所述活体检测对象的人脸三维信息与预设的活体人脸三维信息匹配,所述活体检测对象的人脸生物特征与预设的活体人脸生物特征匹配,则确定所述活体检测对象为活体。
进一步地,所述获取通过发光光源按照设定发光颜色以及设定发光亮度照射在活体检测对象表面形成的图像序列后,还包括:
将所述图像序列中人脸图像不完整的图像帧删除。
进一步地,所述将所述图像序列中人脸图像不完整的图像帧删除后,还包括:
获取预设的关键点坐标模板,根据所述图像序列中的人脸图像的关键点信息,将所述图像序列中的人脸图像按照相同大小对齐到统一的坐标系统中,获取对齐的所述活体检测对象的图像序列。
进一步地,所述活体检测对象的光照颜色信息包括以下信息中的一种或多种:
对比度、色调、色阶、色温、饱和度、色相。
一方面,本发明实施例提供一种活体检测装置,包括:
图像序列获取单元,用于获取通过发光光源按照设定发光模式照射在活体检测对象表面形成的图像序列,所述发光光源至少包括主动发光光源,所述设定发光模式至少包括设定发光亮度,所述设定发光亮度是通过预设函数关系从初始发光亮度达到预设发光亮度;
图像序列处理单元,用于确定所述图像序列对应的帧差图像序列,并根据所述帧差图像序列确定所述活体检测对象的光照信息以及所述活体检测对象的生物信息,所述活体检测对象的光照信息至少包括所述活体检测对象的光照亮度信息;
活体检测单元,用于根据所述活体检测对象的光照信息、所述活体检测对象的生物信息以及所述发光光源的设定发光模式对所述活体检测对象进行活体检测。
进一步地,所述图像序列处理单元具体用于:
确定所述图像序列中的基准参照图像,根据所述图像序列中其它图像与所述基准参照图像之差确定所述图像序列对应的帧差图像序列。
进一步地,所述图像序列包括主动发光光源未发光时形成的图像、所述主动发光光源开始进行发光时形成的图像以及所述主动发光光源在发光过程中形成的图像,所述图像序列处理单元具体用于:
将所述主动发光光源未发光时形成的图像作为基准参照图像;或者
将所述主动发光光源开始进行发光时形成的图像作为基准参照图像;或者
将所述主动发光光源在发光过程中形成的图像作为基准参照图像。
进一步地,所述图像序列处理单元具体用于:
将所述帧差图像序列中的每帧帧差图像进行亮度空间以及色调空间的转换,通过回归模型以及转换后的每帧帧差图像确定活体检测对象的亮度信息以及颜色信息,通过机器学习模型或者深度学习模型以及转换后的每帧帧差图像确定活体检测对象的生物信息,所述机器学习模型以及所述深度学习模型是通过学习历史活体对象的生物信息确定的。
进一步地,所述活体检测对象的生物信息包括活体检测对象的人脸生物特性以及人脸三维信息,所述活体检测单元具体用于:
若确定所述活体检测对象的光照信息与所述发光光源的设定发光模式匹配,且所述活体检测对象的人脸三维信息与预设的活体人脸三维信息匹配,所述活体检测对象的人脸生物特性与预设的活体人脸生物特征匹配,则确定所述活体检测对象为活体。
进一步地,所述图像序列获取单元还用于:
将所述图像序列中人脸图像不完整的图像帧删除。
进一步地,所述图像序列获取单元还用于:
获取预设的关键点坐标模板,根据所述图像序列中的人脸图像的关键点信息,将所述图像序列中的人脸图像按照相同大小对齐到统一的坐标系统中,获取对齐的所述活体检测对象的图像序列。
进一步地,所述活体检测对象的光照颜色信息包括以下信息中的一种或多种:
对比度、色调、色阶、色温、饱和度、色相。
一方面,本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现活体检测方法的步骤。
一方面,本发明实施例还提供一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行活体检测方法的步骤。
本发明实施例中,通过发光光源中的主动发光光源按照设定的发光亮度进行发光,并采集发光光源照射在活体检测对象上得到的图像,将随着时刻采集到的各图像构成图像序列,通过图像序列来确定帧差图像序列,通过帧差图像序列得到活体检测对象的光照信息以及所述活体检测对象中的生物信息,根据活体检测对象的光照信息以及所述活体检测对象中的生物信息以及发光光源的发光模式来确定检测对象是否为活体。
在本发明实施例中,如果活体检测对象不是活体,则活体检测对象的光照信息与发光光源的发光模式不匹配,其中发光模式包括的是按照预设亮度进行发光,当活体检测对象的光照信息中的亮度与预设亮度不匹配,则可以认为活体检测对象不是活体。在本发明实施例中,为了防止使用照片或者视频通过活体检测,所以还需要确定活体检测对象是否具有活体生物信息,所以通过本发明实施例能够有效检测活体检测对象是否为活体,提高了活体检测的可靠性以及准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种场景构架示意图;
图2为本发明实施例提供的一种活体检测方法的流程示意图;
图3为本发明实施例提供的一种发光颜色以及发光亮度的对应示意图;
图4为本发明实施例提供的一种发光颜色以及发光亮度的对应示意图;
图5为本发明实施例提供的一种发光颜色以及发光亮度的对应示意图;
图6为本发明实施例提供的一种图像序列、发光颜色、发光亮度的示意图;
图7为本发明实施例提供的一种活体检测装置的结构示意图;
图8为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供的活体检测方法可广泛地应用于各种身份验证场景下的活体检测,例如电子支付场景、电子商务场景、金融场景、医疗场景以及交通场景等。
本发明实施例中的活体检测可以应用于如图1所示的应用场景,在该应用场景中包括发光设备101,采集设备102以及处理设备103,其中发光设备101指的是具有发光光源的设备,发光设备101能够发出多种颜色的光线,并且在发光设备101进行发光时,可以按照不同亮度进行发光,可选的,在本明实施例中,发光设备101可以发射不同颜色的光,且在不同颜色发光时发光亮度可以相同,也可以不同。同样的,在本发明实施例中,发光设备101在进行发光时,为了增加检测的可靠性,防止活体伪造,发光设备101在进行发光时,是通过预设函数关系从初始发光亮度达到预设发光亮度。一种可选的实施例中,可以通过线性函数关系的方式或者非线性函数关系的方式将发光亮度从初始发光亮度达到预设发光亮度,例如,在本发明实施例中,通过正比例函数关系从初始发光亮度达到预设发光亮度,或者通过正切函数关系从初始发光亮度达到预设发光亮度。
在发光设备101进行发光时,采集设备102采集活体检测对象被发光设备101发光照射形成的图像,采集设备102与发光设备101可以是位于同一设备上,也可以是两个独立的设备。
在采集设备102采集了图像后,处理设备103根据采集的图像,确定活体检测对象的光照信息以及活体检测对象的生物信息,并根据确定的光照信息以及生物信息、发光设备101的发光模式来确定活体检测对象是否为活体。
在本发明实施例中,发光设备101可以为具有发光功能的电子设备,例如手机、平板电脑、掌上电脑、台式电脑等等。采集设备102与处理设备103可以通过有线网线或者无线网线进行连接,处理设备103可以是一台服务器或者若干台服务器组成的服务器集群或云计算中心。
值得说明的是,本发明实施例中的架构图是为了更加清楚地说明本发明实施例中的技术方案,并不构成对本发明实施例提供的技术方案的限制,对于其它的应用场景架构和业务应用,本发明实施例提供的技术方案对于类似的问题,同样适用。
基于图1所示的应用场景图,本申请实施例提供了一种活体检测方法,该方法的流程可以由活体检测装置执行,如图2所示,包括以下步骤:
步骤S201,获取通过发光光源按照设定发光模式照射在活体检测对象表面形成的图像序列,所述发光光源至少包括主动发光光源,所述设定发光模式至少包括设定发光亮度,所述设定发光亮度是通过预设函数关系从初始发光亮度达到预设发光亮度。
具体的,在本发明实施例中,活体检测对象在开始进行活体检测时,使用发光光源照射在活体检测对象上,并采集活体检测对象被光照后形成的图像。
在本发明实施例中,发光光源至少包括主动发光光源,主动发光光源至少按照设定发光亮度进行发光,且为了增加活体检测的准确性,防止被伪造的活体通过检测,设定发光亮度是通过预设函数关系从初始发光亮度达到预设发光亮度,同时,通过预设函数关系进行发光,能够减少对活体检测对象的冲击,降低活体检测对象的不适感。
在本发明实施例中,可选的,主动发光光源是按照设定发光颜色序列进行发光的,主动发光光源可以只发射单色光,为了提高活体检测的准确性,也可以发射不同颜色的光线。例如主动发光光源按照红、蓝、黑的顺序进行发光。同时主动发光光源可以按照不同发光时间发射不同的光线,例如,在1时刻到第t时刻发射红光,在t+1时刻到t+i时刻发射蓝光等。
在本发明实施例中,主动发光光源可以在某些时刻发光,然后在某些时刻不发光,例如,以主动发光光源发射单一颜色光线为例,在第1时刻至第t时刻不发光,然后在第t+1时刻至t+i时刻发光,然后在t+i+1时刻不发光,直到t+n时刻再次发光。
同样的,在本发明实施例中,主动发光光源在发射多种颜色光线时,也可以在某些时刻发光,某些时刻不发光,例如在第1时刻至第t时刻不发光,然后在第t+1时刻至t+i时刻发红光,然后在t+i+1时刻不发光,直到t+n时刻发蓝光。
在本发明实施例中,为了保证活体检测的准确性,可以通过发光颜色以及发光亮度两个方面来确定活体检测对象是否为活体。在本发明实施例中,主动发光光源进行发光时,可以通过线性函数的方式或者非线性函数的方式从初始发光亮度达到预设发光亮度。
在本发明实施例中,发光颜色不同时,发光亮度可以相同也可以不相同,同样,发光颜色相同时,发光亮度可以相同也可以不相同。具体的如图3所示,图3示例的表述了一种主动发光光源的设定发光模式,在该设定发光模式中,发光颜色以及发光亮度的关系具体如图3所示。在图3中,在t0时刻主动发光光源开始发光,发射红光,且按照正比例函数的方式逐渐增加红光的亮度达到预设发光亮度,并在到达预设发光亮度后的一段时间后,按照反比例函数的方式逐渐减少红光的亮度,逐步停止发射红光;在t2时刻,主动发光光源开始发光,发射绿光,且按照正比例函数的方式逐渐增加绿光的亮度达到预设发光亮度,绿光的预设发光亮度高于红光的预设发光亮度,并在到达预设发光亮度后的一段时间后,按照反比例函数的方式逐渐减少绿光的亮度,逐步停止发射绿光。
当然,图3只是给出了一种可选的发光颜色与发光亮度的对应关系,还有其它对应关系,例如主动发光光源可以首先不发光,然后在某一时刻开始发光,且按照非线性函数的方式到达预设发光亮度等,如图4所示,如图4中,在t1时刻,主动光源开始发射绿光,并按照非线性函数的方式达到预设发光亮度,并在t2时刻,开始以非线性函数的方式逐步降低绿光的亮度,直到停止发射绿光。
在本发明实施例中,预设发光亮度是可以提前进行预设的,也可以是根据主动发光光源不发射光线时的环境光亮度来确定的,也就是根据自然光源的亮度来确定。可选的,在本发明实施例中,在主动发光光源不发光时,获取自然光源的亮度,根据自然光源的亮度更新预设发光亮度。一种可选的更新方法,可以根据自然光源的亮度以及预设发光亮度的平均值作为新的预设发光亮度,另一种可选的更新方法,可以按照自然光源的亮度、自然光源的权重、预设发光亮度、预设发光亮度的权重进行加权平均,将加权平均后的亮度值作为新的预设发光亮度。
在本发明实施例中,由于活体检测的根本目的是确定活体检测对象的是否为真实的人脸,为了保证活体检测的有效性,防止检测过程中未检测有效的人脸信息,所以还需要在确定帧差图像序列之前,确定图像序列中的每帧图像中包括完整的人脸信息,若确定图像序列中存在不完整人脸信息的图像帧,则删除该图像帧。
可选的,在本发明实施例中,在获取到活体检测对象的图像后,获取活体检测对象的关键点信息,该关键信息可以是预设位置点的信息,也可以是活体检测对象中人脸图像的关键点信息,例如鼻子、眼睛等信息,按照预设的关键点坐标模板,利用提取的关键点信息将图像进行对齐,得到对齐的图像序列。
在本发明实施例中,为了便于后续的图像识别或者图像处理,可选的,在将图像对齐过程中,将所有图像中的人脸图像调整为统一大小。
步骤S202,确定所述图像序列对应的帧差图像序列,并根据所述帧差图像序列确定所述活体检测对象的光照信息以及所述活体检测对象的生物信息,所述活体检测对象的光照信息至少包括所述活体检测对象的光照亮度信息。
具体的,在本申请实施例中,在获取到图像序列后,根据图像序列中的图像的帧差来确定帧差图像序列。
一种可选的实施例中,首先确定基准参照图像,然后通过图像序列中的图像与该基准参照图像之差作为帧差图像,并按照各帧图像的顺序将各帧差图像构成帧差图像序列。
在本发明施例中,基准参照图像可以是预设的图像,也可以是从图像序列中确定的。一种可选的实施例中,可以将主动光源未发光时,自然光源照射在活体检测对象上形成的图像作为基准参照图像。示例性的,如图4所示,获取的图像序列是在开始检测时刻到t3时刻之间形成的图像,在图像序列中包括主动发光光源发光时形成的图像,也包括主动发光光源不发光时,自然光源照射在活体检测对象上形成的图像。在本发明实施例中,将自然光源照射在活体检测对象上形成的图像作为基准参照图像,根据t1时刻至t2时刻之间形成的各图像与基准参照图像之差得到各帧差图像,然后按照各帧差图像的时间顺序组成帧差图像序列。
可选的,在本发明实施例中,若在检测过程中,主动发光光源存在多次发光以及不发光的过程,可以选取多个主动发光光源不发光的时刻形成的图像作为基准参照图像,示例性的,如图5所示,将t0时刻的活体检测对象形成的图像、t4时刻的活体检测对象形成的图像作为基准参照图像,在确定图像序列中第t2时刻的图像帧的帧差图像时,通过与t0时刻的图像帧之差确定t2时刻对应的帧差图像,在确定图像序列中第t6时刻的图像帧的帧差图像时,通过与t4时刻的图像帧之差确定t6时刻对应的帧差图像。
另一种可选的实施例中,可以将主动发光光源在发光过程中形成的任一图像作为基准参照图像,并且针对主动发光光源发射的每种颜色,将每种颜色发光过程中形成的任一图像作为基准参照图像,通过该中颜色对应的其它图像与该基准参照图像之差确定帧差图像,并根据帧差图像确定帧差图像序列。如图5所示,将红色发光时的任一帧图像作为参照图像,将其它红色发光时形成的图像与参照图像之差形成帧差图像序列,同样的,将绿色发光时的任一帧图像作为参照图像,将其它绿色发光时形成的图像与参照图像之差形成帧差图像序列。
另一种可选的实施例中,可以将每次主动发光光源的发光时刻形成的图像作为基准参照图像,即形成多个基准参照图像,然后根据图像序列中的其它图像与时间序列邻近的基准参照之差确定各帧差图像,然后按照各帧差图像的时间顺序组成帧差图像序列。
在确定了帧差图像序列后,根据帧差图像序列来确定活体检测对象的光照信息以及活体检测对象的生物信息。在本申请实施例中,活体检测对象的光照信息指的是活体检测对象被发光光源照射后,在活体检测对象的表面形成的颜色信息以及亮度信息,而活体检测对象的生物信息指的是活体检测对象表面的生物特征,例如纹理信息、人脸三维信息以及人脸皮肤材质信息等。
具体的,在本申请实施例中,可以根据帧差图像序列中每帧图像中的人脸图像信息来确定活体检测对象的光照信息以及活体检测对象的生物信息。一种可选的实施例中,可以通过人脸识别模型将人脸图像信息进行识别,并将人脸图像从整个图像中裁剪出来。
一种可选的实施例中,将所述帧差图像序列中的每帧帧差图像进行亮度空间以及色调空间的转换,具体的,可以将帧差图像序列中的图像从RGB空间转换到HSV空间,HSV空间指的是色调空间(H),饱和度空间(S)以及亮度空间(V)。当然,可以将图像从RGB图像转换到其它亮度以及色调空间,例如CMY颜色空间或者YUV颜色空间等。
在本发明实施例中,通过回归模型以及转换后的每帧帧差图像确定活体检测对象的亮度信息以及颜色信息,即通过V通道的图像信息做回归计算得到帧差图的亮度信息,利用H通道的图像信息做回归计算得到帧差图的颜色信息。
在本发明实施例中,回归模型可以为线性回归模型、逻辑回归模型、逐步回归模型中的一个,也可以是其它种类的回归模型。
可选的,在本发明实施例中,活体检测对象的光照颜色信息包括以下信息中的一种或多种:
对比度、色调、色阶、色温、饱和度、色相。
也就是说,活体检测对象的光照颜色信息除了指的是在活体检测对象的表面照射的发光颜色外,还可以包括更多的颜色属性,可以通过上述颜色信息的组合来进一步提高检测的准确性。
在本发明实施例中,通过机器学习模型或者深度学习模型以及转换后的每帧帧差图像确定活体检测对象的生物信息,机器学习模型以及深度学习模型是通过学习历史活体对象的生物信息确定的。一种可选的实施例中,通过机器学习模型或者深度学习模型对H通道的图像信息确定活体检测对象的生物信息。机器学习模型可以使用支持向量机SVM模型,深度学习模型可以使用神经网络模型。
在本发明实施例中,机器学习模型或者深度学习模型是通过学习历史活体对象的生物信息确定的,历史活体对象的生物信息可以包括活体对象的人脸你皮肤信息、人脸三维信息以及人脸纹理信息等。
在本申请实施例中,为了防止使用用户照片或者用户视频通过活体检测,所以检测活体检测对象的生物信息包括了活体检测对象的三维信息,因为不同材质的物体对不同波长光线的光线会有选择性的吸收,因此相同的光线照射不同的物质,得到的反射光是不同的;同时照射光角度不同,光源性质不同,例如面光源和点光源,使用同样的反射光,照射在面部也会产生不同的效果。
由于人脸部区域天然是三维曲面的,同时不同区域由于生物组织不同,反光特性也不尽相同,例如人眼球和脸两颊反射面接近一致,但是反射特性相差很大;人脸两颊和鼻子两侧生物的生物组织相似,但反射面角度相差很大;人脸两颊靠近面部三角区的区域由于皮下血管丰富,相比周边区域反射特性也有区别。所以能够根据帧差图像序列确定活体检测对象的人脸三维信息。
步骤S203,根据所述活体检测对象的光照信息、所述活体检测对象的生物信息以及所述发光光源的设定发光模式对所述活体检测对象进行活体检测。
具体的,在本申请实施中,由于已经确定了活体检测对象的光照信息、活体检测对象的生物信息,所以若确定活体检测对象的光照信息与发光光源的设定发光模式匹配,且活体检测对象的人脸三维信息与预设的活体人脸三维信息匹配,活体检测对象的人脸生物特性与预设的活体人脸生物特征匹配,则确定活体检测对象为活体。
示例性的,确定的活体检测对象的光照信息为t0时刻至t1时刻被红光照射,红光照射的亮度为亮度1,根据主动发光光源的发光模式,确定主动发光光源在t0时刻至t1时刻发射红光,红光照射的亮度为亮度2;考虑到发光路径的损失以及反射系数,亮度1与亮度2匹配。也就是说,确定活体检测的光照信息与发光光源以及发光光源的预设发光模式匹配。
进一步地,确定活体检测对象的人脸三维信息与预设的活体人脸三维信息匹配,活体检测对象的皮肤纹理与预设的活体人脸皮肤纹理匹配,则确定活体检测对象为活体。
可选的,在本发明实施例中,由于活体检测对象的光照颜色信息包括对比度、色调、色阶、色温、饱和度、色相中的一种或多种,所以在确定活体检测对象是否为活体时,还需要在活体检测对象的颜色与发光光源的设定发光颜色相同,且对比度、色调、色阶、色温、饱和度、色相与发光光源的对比度、色调、色阶、色温、饱和度、色相也相同,则认为活体检测对象的颜色信息与发光光源的设定发光模式的发光颜色匹配。
基于上述内容可知,当活体检测的光照信息与发光光源以及发光光源的预设发光模式不匹配,或者活体检测对象的人脸三维信息与预设的活体人脸三维信息不匹配,或者活体检测对象的皮肤纹理与预设的活体人脸皮肤纹理不匹配时,则可以立即停止检测,确定活体检测对象为非活体。
为了更好的解释本发明实施例,下面结合一种具体的实施场景描述本发明实施例提供的一种活体检测方法,在本发明实施例中,主动发光光源首先不发光,然后按照红色-绿色-黄色的顺序进行发光,在发光持续一段时间后,主动发光光源不发光,然后按照红色-紫色的顺序进行发光;主动发光光源的发光亮度从初始亮度通过线性函数关系的方式到达预设发光亮度,且各个颜色的预设发光亮度相同,如图6所示。
具体的,获取从检测时刻开始,活体检测对象的成像,并将各个成像按照时间顺序组成图像序列。在本发明实施例中,在获取到成像后,检测成像结果中是否包括完整的人脸图像信息,若不包括完整的人脸图像信息,则丢弃。
在本发明实施例中,按照每个成像中人脸图像信息的关键点—眼睛来对齐各个图像,组成图像序列。在本发明实施例中,为了便于进行后续的计算和检测,将各图像中的人脸信息组成图像序列,下文中的图像都是指的人脸图像。
将主动发光光源不发光时活体检测对象的成像作为基准参照图像,主动发光光源发光时活体检测对象的成像图像与基准参照图像之差作为帧差图像,具体的,将I0、I6、I9作为参照图像,I1帧差=I1-I0,I2帧差=I2-I0,I3帧差=I3-I0,I4帧差=I4-I0,I5帧差=I5-I0,I7帧差=I7-I6,I8帧差=I8-I6,并按照时间顺序将帧差图像构成帧差图像序列。
将帧差图像序列中每帧帧差图像转换为HSV颜色空间,得到每帧帧差图像的亮度信息以及色调信息,通过回归模型确定帧差图像序列的颜色变化为自然光-红色-绿色-黄色-自然光-红色-紫色,且I1帧差图像的颜色为红色,亮度为第一亮度,发光时刻为第一时刻,I2帧差图像的颜色为红色,亮度为第二亮度,发光时刻为第二时刻,I3帧差图像的颜色为红色,亮度为第三亮度,发光时刻为第三时刻,I4帧差图像的颜色为绿色,亮度为第三亮度,发光时刻为第四时刻,I5帧差图像的颜色为黄色,亮度为第三亮度,发光时刻为第五时刻,I7帧差图像的颜色为红色,亮度为第三亮度,发光时刻为第七时刻,I8帧差图像的颜色为紫色,亮度为第三亮度,发光时刻为第八时刻。
同样的,根据HSV变换后的图像序列以及生物信息检测模型确定活体检测对象的生物信息,生物信息检测模型是一种深度学习模型,使用的是卷积神经网络模型,检测的生物信息包括活体检测对象的皮肤纹理以及人脸三维信息。
通过帧差图像序列得到的发光颜色、发光亮度以及发光时刻均与主动发光光源以及自然光源的发光模式匹配,且活体检测对象的皮肤纹理以及活体检测对象的人脸三维信息与活体的皮肤纹理以及活体的人脸三维信息匹配,则确定活体检测对象为活体。
基于上述实施例,参阅图7所示,本发明实施例提供一种活体检测装置700,包括:
图像序列获取单元701,用于获取通过发光光源按照设定发光模式照射在活体检测对象表面形成的图像序列,所述发光光源至少包括主动发光光源,所述设定发光模式至少包括设定发光亮度,所述设定发光亮度是通过预设函数关系从初始发光亮度达到预设发光亮度;
图像序列处理单元702,用于确定所述图像序列对应的帧差图像序列,并根据所述帧差图像序列确定所述活体检测对象的光照信息以及所述活体检测对象的生物信息,所述活体检测对象的光照信息至少包括所述活体检测对象的光照亮度信息;
活体检测单元703,用于根据所述活体检测对象的光照信息、所述活体检测对象的生物信息以及所述发光光源的设定发光模式对所述活体检测对象进行活体检测。
进一步地,所述图像序列处理单元702具体用于:
确定所述图像序列中的基准参照图像,根据所述图像序列中其它图像与所述基准参照图像之差确定所述图像序列对应的帧差图像序列。
进一步地,所述图像序列包括主动发光光源未发光时形成的图像、所述主动发光光源开始进行发光时形成的图像以及所述主动发光光源在发光过程中形成的图像,所述图像序列处理单元702具体用于:
将所述主动发光光源未发光时形成的图像作为基准参照图像;或者
将所述主动发光光源开始进行发光时形成的图像作为基准参照图像;或者
将所述主动发光光源在发光过程中形成的图像作为基准参照图像。
进一步地,所述图像序列处理单元702具体用于:
将所述帧差图像序列中的每帧帧差图像进行亮度空间以及色调空间的转换,通过回归模型以及转换后的每帧帧差图像确定活体检测对象的亮度信息以及颜色信息,通过机器学习模型或者深度学习模型以及转换后的每帧帧差图像确定活体检测对象的生物信息,所述机器学习模型以及所述深度学习模型是通过学习历史活体对象的生物信息确定的。
进一步地,所述活体检测对象的生物信息包括活体检测对象的人脸生物特性以及人脸三维信息,所述活体检测单元703具体用于:
若确定所述活体检测对象的光照信息与所述发光光源的设定发光模式匹配,且所述活体检测对象的人脸三维信息与预设的活体人脸三维信息匹配,所述活体检测对象的人脸生物特性与预设的活体人脸生物特征匹配,则确定所述活体检测对象为活体。
进一步地,所述图像序列获取单元701还用于:
将所述图像序列中不包括完整人脸图像的图像帧删除。
进一步地,所述图像序列获取单元701还用于:
获取预设的关键点坐标模板,根据所述图像序列中的人脸图像的关键点信息,将所述图像序列中的人脸图像按照相同大小对齐到统一的坐标系统中,获取对齐的所述活体检测对象的图像序列。
进一步地,所述活体检测对象的光照颜色信息包括以下信息中的一种或多种:
对比度、色调、色阶、色温、饱和度、色相。
基于相同的技术构思,本申请实施例提供了一种计算机设备,如图8所示,包括至少一个处理器801,以及与至少一个处理器连接的存储器802,本申请实施例中不限定处理器801与存储器802之间的具体连接介质,图8中处理器801和存储器802之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中,存储器802存储有可被至少一个处理器801执行的指令,至少一个处理器801通过执行存储器802存储的指令,可以执行前述活体检测方法中所包括的步骤。
其中,处理器801是计算机设备的控制中心,可以利用各种接口和线路连接终端设备的各个部分,通过运行或执行存储在存储器802内的指令以及调用存储在存储器802内的数据,从而获得客户端地址。可选的,处理器801可包括一个或多个处理单元,处理器801可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器801中。在一些实施例中,处理器801和存储器802可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器801可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列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,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器802作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器802可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器802是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于相同的技术构思,本申请实施例提供了一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行活体检测方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种活体检测方法,其特征在于,所述方法包括:
获取通过发光光源按照设定发光模式照射在活体检测对象表面形成的图像序列,所述发光光源至少包括主动发光光源,所述设定发光模式至少包括设定发光亮度,所述设定发光亮度是通过预设函数关系从初始发光亮度达到预设发光亮度;
确定所述图像序列对应的帧差图像序列,并根据所述帧差图像序列确定所述活体检测对象的光照信息以及所述活体检测对象的生物信息,所述活体检测对象的光照信息至少包括所述活体检测对象的光照亮度信息;
根据所述活体检测对象的光照信息、所述活体检测对象的生物信息以及所述发光光源的设定发光模式对所述活体检测对象进行活体检测。
2.根据权利要求1所述的方法,其特征在于,所述确定所述图像序列对应的帧差图像序列,包括:
确定所述图像序列中的基准参照图像,根据所述图像序列中其它图像与所述基准参照图像之差确定所述图像序列对应的帧差图像序列。
3.根据权利要求2所述的方法,其特征在于,所述图像序列包括主动发光光源未发光时形成的图像、所述主动发光光源开始进行发光时形成的图像以及所述主动发光光源在发光过程中形成的图像,所述确定所述图像序列中的基准参照图像,包括:
将所述主动发光光源未发光时形成的图像作为基准参照图像;或者
将所述主动发光光源开始进行发光时形成的图像作为基准参照图像;或者
将所述主动发光光源在发光过程中形成的图像作为基准参照图像。
4.根据权利要求1所述的方法,其特征在于,所述根据所述帧差图像序列确定所述活体检测对象的光照信息以及所述活体检测对象中的生物信息,包括:
将所述帧差图像序列中的每帧帧差图像进行亮度空间以及色调空间的转换,通过回归模型以及转换后的每帧帧差图像确定活体检测对象的亮度信息以及颜色信息,通过机器学习模型或者深度学习模型以及转换后的每帧帧差图像确定活体检测对象的生物信息,所述机器学习模型以及所述深度学习模型是通过学习历史活体对象的生物信息确定的。
5.根据权利要求1所述的方法,其特征在于,所述活体检测对象的生物信息包括活体检测对象的人脸生物特性以及人脸三维信息,所述根据所述活体检测对象的光照信息、所述活体检测对象的生物信息以及所述发光光源的设定发光模式对所述活体检测对象进行活体检测,包括:
若确定所述活体检测对象的光照信息与所述发光光源的设定发光模式匹配,且所述活体检测对象的人脸三维信息与预设的活体人脸三维信息匹配,所述活体检测对象的人脸生物特征与预设的活体人脸生物特征匹配,则确定所述活体检测对象为活体。
6.根据权利要求1所述的方法,其特征在于,所述获取通过发光光源按照设定发光颜色以及设定发光亮度照射在活体检测对象表面形成的图像序列后,还包括:
将所述图像序列中人脸图像不完整的图像帧删除。
7.根据权利要求6所述的方法,其特征在于,所述将所述图像序列中人脸图像不完整的图像帧删除后,还包括:
获取预设的关键点坐标模板,根据所述图像序列中的人脸图像的关键点信息,将所述图像序列中的人脸图像按照相同大小对齐到统一的坐标系统中,获取对齐的所述活体检测对象的图像序列。
8.根据权利要求1~7任一所述的方法,其特征在于,所述活体检测对象的光照颜色信息包括以下信息中的一种或多种:
对比度、色调、色阶、色温、饱和度、色相。
9.一种活体检测装置,其特征在于,包括:
图像序列获取单元,用于获取通过发光光源按照设定发光模式照射在活体检测对象表面形成的图像序列,所述发光光源至少包括主动发光光源,所述设定发光模式至少包括设定发光亮度,所述设定发光亮度是通过预设函数关系从初始发光亮度达到预设发光亮度;
图像序列处理单元,用于确定所述图像序列对应的帧差图像序列,并根据所述帧差图像序列确定所述活体检测对象的光照信息以及所述活体检测对象的生物信息,所述活体检测对象的光照信息至少包括所述活体检测对象的光照亮度信息;
活体检测单元,用于根据所述活体检测对象的光照信息、所述活体检测对象的生物信息以及所述发光光源的设定发光模式对所述活体检测对象进行活体检测。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1~8任一权利要求所述方法的步骤。
11.一种计算机可读存储介质,其特征在于,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行权利要求1~8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910818734.3A CN110516644A (zh) | 2019-08-30 | 2019-08-30 | 一种活体检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910818734.3A CN110516644A (zh) | 2019-08-30 | 2019-08-30 | 一种活体检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516644A true CN110516644A (zh) | 2019-11-29 |
Family
ID=68629846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910818734.3A Pending CN110516644A (zh) | 2019-08-30 | 2019-08-30 | 一种活体检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516644A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144365A (zh) * | 2019-12-31 | 2020-05-12 | 北京三快在线科技有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
CN111523438A (zh) * | 2020-04-20 | 2020-08-11 | 支付宝实验室(新加坡)有限公司 | 一种活体识别方法、终端设备和电子设备 |
CN111767829A (zh) * | 2020-06-28 | 2020-10-13 | 京东数字科技控股有限公司 | 一种活体检测方法、装置、系统及存储介质 |
CN112001240A (zh) * | 2020-07-15 | 2020-11-27 | 浙江大华技术股份有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
CN112115925A (zh) * | 2020-11-18 | 2020-12-22 | 鹏城实验室 | 人脸识别方法、装置及计算机可读存储介质 |
CN113807159A (zh) * | 2020-12-31 | 2021-12-17 | 京东科技信息技术有限公司 | 人脸识别处理方法、装置、设备及其存储介质 |
CN114170690A (zh) * | 2022-02-14 | 2022-03-11 | 中国科学院自动化研究所 | 活体识别和构建活体识别模型的方法、装置 |
WO2022111688A1 (zh) * | 2020-11-30 | 2022-06-02 | 华为技术有限公司 | 人脸活体检测方法、装置及存储介质 |
CN114973426A (zh) * | 2021-06-03 | 2022-08-30 | 中移互联网有限公司 | 活体检测方法、装置及设备 |
WO2022183992A1 (zh) * | 2021-03-05 | 2022-09-09 | 上海肇观电子科技有限公司 | 用于活体检测的方法、电子电路、电子设备和介质 |
WO2023061123A1 (zh) * | 2021-10-15 | 2023-04-20 | 北京眼神科技有限公司 | 人脸静默活体检测方法、装置、存储介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100008552A1 (en) * | 2008-07-14 | 2010-01-14 | Union Community Co., Ltd. | Apparatus for distinguishing living body fingerprint and method thereof |
CN107832712A (zh) * | 2017-11-13 | 2018-03-23 | 深圳前海微众银行股份有限公司 | 活体检测方法、装置和计算机可读存储介质 |
CN107992794A (zh) * | 2016-12-30 | 2018-05-04 | 腾讯科技(深圳)有限公司 | 一种活体检测方法、装置和存储介质 |
-
2019
- 2019-08-30 CN CN201910818734.3A patent/CN110516644A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100008552A1 (en) * | 2008-07-14 | 2010-01-14 | Union Community Co., Ltd. | Apparatus for distinguishing living body fingerprint and method thereof |
CN107992794A (zh) * | 2016-12-30 | 2018-05-04 | 腾讯科技(深圳)有限公司 | 一种活体检测方法、装置和存储介质 |
CN107832712A (zh) * | 2017-11-13 | 2018-03-23 | 深圳前海微众银行股份有限公司 | 活体检测方法、装置和计算机可读存储介质 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144365A (zh) * | 2019-12-31 | 2020-05-12 | 北京三快在线科技有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
CN111523438A (zh) * | 2020-04-20 | 2020-08-11 | 支付宝实验室(新加坡)有限公司 | 一种活体识别方法、终端设备和电子设备 |
CN111523438B (zh) * | 2020-04-20 | 2024-02-23 | 支付宝实验室(新加坡)有限公司 | 一种活体识别方法、终端设备和电子设备 |
CN111767829A (zh) * | 2020-06-28 | 2020-10-13 | 京东数字科技控股有限公司 | 一种活体检测方法、装置、系统及存储介质 |
CN111767829B (zh) * | 2020-06-28 | 2023-11-07 | 京东科技控股股份有限公司 | 一种活体检测方法、装置、系统及存储介质 |
CN112001240A (zh) * | 2020-07-15 | 2020-11-27 | 浙江大华技术股份有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
CN112115925A (zh) * | 2020-11-18 | 2020-12-22 | 鹏城实验室 | 人脸识别方法、装置及计算机可读存储介质 |
CN114596638A (zh) * | 2020-11-30 | 2022-06-07 | 华为技术有限公司 | 人脸活体检测方法、装置及存储介质 |
WO2022111688A1 (zh) * | 2020-11-30 | 2022-06-02 | 华为技术有限公司 | 人脸活体检测方法、装置及存储介质 |
CN113807159A (zh) * | 2020-12-31 | 2021-12-17 | 京东科技信息技术有限公司 | 人脸识别处理方法、装置、设备及其存储介质 |
CN113807159B (zh) * | 2020-12-31 | 2024-08-20 | 京东科技信息技术有限公司 | 人脸识别处理方法、装置、设备及其存储介质 |
WO2022183992A1 (zh) * | 2021-03-05 | 2022-09-09 | 上海肇观电子科技有限公司 | 用于活体检测的方法、电子电路、电子设备和介质 |
CN114973426A (zh) * | 2021-06-03 | 2022-08-30 | 中移互联网有限公司 | 活体检测方法、装置及设备 |
CN114973426B (zh) * | 2021-06-03 | 2023-08-15 | 中移互联网有限公司 | 活体检测方法、装置及设备 |
WO2023061123A1 (zh) * | 2021-10-15 | 2023-04-20 | 北京眼神科技有限公司 | 人脸静默活体检测方法、装置、存储介质及设备 |
CN114170690A (zh) * | 2022-02-14 | 2022-03-11 | 中国科学院自动化研究所 | 活体识别和构建活体识别模型的方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516644A (zh) | 一种活体检测方法及装置 | |
CN111344712B (zh) | 用于图像去标识的系统和方法 | |
WO2021073364A1 (zh) | 一种人脸活体检测方法、装置、设备及存储介质 | |
CN108573203B (zh) | 身份认证方法和装置及存储介质 | |
CN109416740B (zh) | 指纹检测装置、方法和电子设备 | |
CN106529512B (zh) | 活体人脸验证方法及装置 | |
CN103383723B (zh) | 用于生物特征验证的电子欺骗检测的方法和系统 | |
CN103597820B (zh) | 光学地形成像 | |
US20200184717A1 (en) | Technologies for generating computer models, devices, systems, and methods utilizing the same | |
CN106203305A (zh) | 人脸活体检测方法和装置 | |
CN107563304A (zh) | 终端设备解锁方法及装置、终端设备 | |
CN109376592A (zh) | 活体检测方法、装置和计算机可读存储介质 | |
CN107707839A (zh) | 图像处理方法及装置 | |
CN107437019A (zh) | 唇语识别的身份验证方法和装置 | |
CN108810406A (zh) | 人像光效处理方法、装置、终端及计算机可读存储介质 | |
Palma et al. | A statistical method for SVBRDF approximation from video sequences in general lighting conditions | |
CN108985255A (zh) | 数据处理方法、装置、计算机可读存储介质和电子设备 | |
CN109145716B (zh) | 基于脸部识别的登机口检验平台 | |
CN113111806A (zh) | 用于目标识别的方法和系统 | |
US20200320724A1 (en) | Characterization of specular surfaces | |
CN116740261B (zh) | 图像重建方法和装置、图像重建模型的训练方法和装置 | |
CN113111811A (zh) | 一种目标判别方法和系统 | |
CN109684945A (zh) | 基于瞳孔的活体检测方法、装置、服务器及存储介质 | |
Di Martino et al. | Rethinking shape from shading for spoofing detection | |
CN107392545A (zh) | 收取快递的身份验证方法和装置 |
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 |