CN110674680A - 活体识别的方法、装置、存储介质 - Google Patents
活体识别的方法、装置、存储介质 Download PDFInfo
- Publication number
- CN110674680A CN110674680A CN201910741203.9A CN201910741203A CN110674680A CN 110674680 A CN110674680 A CN 110674680A CN 201910741203 A CN201910741203 A CN 201910741203A CN 110674680 A CN110674680 A CN 110674680A
- Authority
- CN
- China
- Prior art keywords
- video
- living body
- score
- face
- acquiring
- 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.)
- Granted
Links
Images
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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种活体识别的方法、装置、存储介质,所述方法包括:获取视频,所述视频是待进行人脸活体识别的视频;从视频中获取多个静态人脸图像;对多个静态人脸图像分别进行静态图像识别得到对应的多个第一分值,所述第一分值表示识别到活体的第一概率;对所述视频进行动态动作识别得到第二分值;对多个第一分值和第二分值进行加权得到活体识别总分;当活体识别总分大于等于预设的第一阈值时,判定所述视频是活体人脸视频。通过本申请的方法,结合静态的图像人脸识别和动态的视频动作识别技术,双重检测识别人脸是否为活体,更好地识别相片等假活体或用提前录取的视频冒充的假活体。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种活体识别的方法、装置、存储介质。
背景技术
随着互联网技术和计算机技术突飞猛进的发展,人脸识别技术作为一种方便、有效的身份验证方法在日常生活工作中得到了越来越多的应用,例如远程身份验证、银行支付密码验证等。
但是人脸识别技术如果没有活体识别环节,则很容易被人脸照片、预先录制的视频等非实时的假活体骗过,造成重大损失。现有技术的活体识别是在人脸识别系统中增加高配置的具有活体检测功能的硬件,这种硬件由于成本高昂,不利于人脸识别技术的广泛应用;另外一种活体识别是采用视觉防伪技术,通过静态图像检测或动态短视频检测;静态图像检测是提取图像特征,再进行特征分类来区分图像是活体或假活体,但是这种静态图像检测的参考样本很难包含大部分的假活体样本,会漏检,且检测准确率低;动态短视频是通过眨眼、摇头、张嘴等动作检测,但是这种技术不能准确识别预先录制的视频这种假活体;因此现有技术的活体识别仍然存在漏检、误检的情况。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种。
第一方面,本申请提供了一种活体识别方法,所述方法包括:
获取视频,所述视频是待进行人脸活体识别的视频;
从所述视频中获取多个静态人脸图像;
对所述多个静态人脸图像分别进行静态图像识别得到对应的多个第一分值,所述第一分值表示识别到活体的概率;
对所述视频进行动态动作识别得到第二分值,当识别到活体时,所述第二分值为第一预设值,当识别到非活体时,所述第二分值为第二预设值,所述第一预设值大于第二预设值;
对所述多个第一分值和第二分值进行加权得到活体识别总分;
当所述活体识别总分大于等于预设的第一阈值时,判定所述视频是活体人脸视频。
优选地,所述从所述视频中获取多个静态人脸图像,包括:
通过稀疏采样从所述视频中获取视频图片;
对所述视频图片进行人脸检测获取多个静态人脸图像;
所述对所述多个静态人脸图像分别进行静态图像识别得到对应的多个第一分值,包括:
将所述多个静态人脸图像分别输入到已训练好的活体识别模型;
分别获取每个静态人脸图像为活体的概率作为第一分值。
优选地,所述对所述视频进行动态动作识别得到第二分值,当识别到活体时,所述第二分值为第一预设值,当识别到非活体时,所述第二分值为第二预设值,所述第一预设值大于第二预设值,包括:
从所述视频中获取一帧视频图片作为当前检测图像;
对所述当前检测图像进行人脸检测获取人脸区域;
获取所述人脸区域的多个特征点,从所述多个特征点中选取一个特征点作为检测点,将所述检测点的横坐标、纵坐标作为当前横坐标、当前纵坐标;
获取所述当前检测图像的上一检测图像相同特征点中的相同检测点的横坐标、纵坐标作为上一横坐标、上一纵坐标;
获取所述检测点的当前横坐标与上一横坐标的差值的绝对值作为当前第一差值,获取所述检测点的当前纵坐标与上一纵坐标的差值的绝对值作为当前第二差值;
分别获取所述检测点的历史横坐标变化量累计和、历史纵坐标变化量累计和,所述历史横坐标变化量累计和表征当前检测图像之前所有相邻两帧检测图像的历史第一差值之和,所述历史纵坐标变化量累计和表征当前检测图像之前所有相邻两帧检测图像的历史第二差值之和;
获取所述历史横坐标变化量累计和与所述当前第一差值之和得到
当前横坐标变化量累计和,获取所述历史纵坐标变化量累计和与所述当前第二差值之和得到当前纵坐标变化量累计和;
分别比较所述当前横坐标变化量累计和与第二阈值、当前纵坐标变化量累计和与第三阈值;
若满足检测停止条件,则判定所述视频为活体视频,所述第二分值为第一预设值,所述检测停止条件包括同时满足当前横坐标变化量累计和大于等于第二阈值、当前纵坐标变化量累计和大于等于第三阈值;
否则,继续从所述视频中获取当前检测图像的下一检测图像作为当前检测图像,执行所述对所述当前检测图像进行人脸检测获取人脸区域,直到满足所述检测停止条件;
若直到检测完所述视频所有视频图片,都不满足所述检测停止条件,则判定所述视频为非活体视频,所述第二分值为第二预设值,所述第一预设值大于第二预设值。
优选地,所述对所述视频进行动态动作识别得到第二分值,当识别到活体时,所述第二分值为第一预设值,当识别到非活体时,所述第二分值为第二预设值,所述第一预设值大于第二预设值,还包括:
获取所述当前检测图像中水平方向相距最远的两个特征点的欧拉距离作为第一距离,获取垂直方向相距最远的两个特征点的欧拉距离作为第二距离;
获取距离比,所述距离比为所述第一距离与第二距离的比值,或所述第二距离与第一距离的比值;
比较所述距离比与第四阈值;
所述检测停止条件还包括同时满足所述距离比大于等于所述第四阈值。
优选地,所述对所述多个第一分值和第二分值进行加权得到活体识别总分,包括:
获取每个第一分值和第二分值对应的权值系数,所有的所述权值系数之和为1;
将每个第一分值和第二分值分别与对应的权值系数相乘得到多个对应的乘积;
将所述多个乘积相加得到活体识别总分。
优选地,所述第二分值的权值系数大于任意一个所述第一分值的权值系数。
第二方面,本申请提供了一种活体识别装置,所述装置包括:
视频获取模块,用于获取视频,所述视频是待进行人脸活体识别的视频;
人脸图像获取模块,用于从所述视频中获取多个静态人脸图像;
图像识别模块,用于对所述多个静态人脸图像分别进行静态图像识别得到对应的多个第一分值,所述第一分值表示识别到活体的概率;
动作识别模块,用于对所述视频进行动态动作识别得到第二分值,当识别到活体时,所述第二分值为第一预设值,当识别到非活体时,所述第二分值为第二预设值,所述第一预设值大于第二预设值;
加权模块,用于对所述多个第一分值和第二分值进行加权得到活体识别总分;
判断模块,用于当所述活体识别总分大于等于预设的第一阈值时,判定所述视频是活体人脸视频。
优选地,所述人脸图像获取模块包括:
视频图片获取模块,用于通过稀疏采样从所述视频中获取视频图片;
人脸检测模块,用于对所述视频图片进行人脸检测获取多个静态人脸图像。
优选地,所述加权模块包括:
权值系数获取模块,用于获取每个第一分值和第二分值对应的权值系数,所有的所述权值系数之和为1;
第一计算模块,用于将每个第一分值和第二分值分别与对应的权值系数相乘得到多个对应的乘积;
第二计算模块,用于将所述多个乘积相加得到活体识别总分。
第三方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行前面所述任意一项所述的方法的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请提供的活体识别方法,结合静态的图像人脸识别和动态的视频动作识别技术,双重检测识别人脸是否为活体,更好地识别相片冒充真人等假活体或用提前录取的视频冒充真人的假活体,提高了活体识别效果;另外,在进一步增加人脸识别系统的安全性的同时不需要额外增加高昂的硬件设备,减少生产成本,同时在打卡签到、安全门禁、扫脸支付等领域具有较广泛的应用前景。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本申请提供的一种活体识别方法的流程图;
图2为本申请提供的另一种活体识别方法的流程图;
图3为本申请提供的另一种活体识别方法的流程图;
图4为本申请提供的另一种活体识别方法的流程图;
图5为本申请提供的另一种活体识别方法的流程图;
图6为本申请提供的一种活体识别装置的结构框图;
图7为本申请提供的另一种活体识别装置的结构框图;
图8为本申请提供的另一种活体识别装置的结构框图;
图9为本申请提供的一种场景应用图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1为本申请提供的一种活体识别方法的流程图;参考图1,所述方法包括以下步骤:
S100:获取视频,所述视频是待进行人脸活体识别的视频;
S200:从所述视频中获取多个静态人脸图像;
S300:对所述多个静态人脸图像分别进行静态图像识别得到对应的多个第一分值,所述第一分值表示识别到活体的概率;
S400:对所述视频进行动态动作识别得到第二分值,当识别到活体时,所述第二分值为第一预设值,当识别到非活体时,所述第二分值为第二预设值,所述第一预设值大于第二预设值;
S500:对所述多个第一分值和第二分值进行加权得到活体识别总分;
S600:当所述活体识别总分大于等于预设的第一阈值时,判定所述视频是活体人脸视频。
图2为本申请提供的另一种活体识别方法的流程图;参考图1、图2,在图1提供的活体识别方法的基础上,所述步骤S200包括以下步骤:
S201:通过稀疏采样从所述视频中获取视频图片;
S202:对所述视频图片进行人脸检测获取多个静态人脸图像。
图3为本申请提供的另一种活体识别方法的流程图;参考图1、图3,在图1提供的活体识别方法的基础上,所述步骤S300包括以下步骤:
S301:将所述多个静态人脸图像分别输入到已训练好的活体识别模型;
S302:分别获取每个静态人脸图像为活体的概率作为第一分值。
图4为本申请提供的另一种活体识别方法的流程图;参考图1、图4,在图1提供的活体识别方法的基础上,所述步骤S400包括以下步骤:
S401:从所述视频中获取一帧视频图片作为当前检测图像;
S402:对所述当前检测图像进行人脸检测获取人脸区域;
S403:获取所述人脸区域的多个特征点,从所述多个特征点中选取一个特征点作为检测点,将所述检测点的横坐标、纵坐标作为当前横坐标、当前纵坐标;
S404:获取所述当前检测图像的上一检测图像相同特征点中的相同检测点的横坐标、纵坐标作为上一横坐标、上一纵坐标;
S405:获取所述检测点的当前横坐标与上一横坐标的差值的绝对值作为当前第一差值,获取所述检测点的当前纵坐标与上一纵坐标的差值的绝对值作为当前第二差值;
S406:分别获取所述检测点的历史横坐标变化量累计和、历史纵坐标变化量累计和,所述历史横坐标变化量累计和表征当前检测图像之前所有相邻两帧检测图像的历史第一差值之和,所述历史纵坐标变化量累计和表征当前检测图像之前所有相邻两帧检测图像的历史第二差值之和;
S407:获取所述历史横坐标变化量累计和与所述当前第一差值之和得到当前横坐标变化量累计和,获取所述历史纵坐标变化量累计和与所述当前第二差值之和得到当前纵坐标变化量累计和;
S408:分别比较所述当前横坐标变化量累计和与第二阈值、当前纵坐标变化量累计和与第三阈值,判断是否满足检测停止条件,所述检测停止条件包括同时满足当前横坐标变化量累计和大于等于第二阈值、当前纵坐标变化量累计和大于等于第三阈值;当满足检测停止条件时,执行步骤S409,当不满足检测停止条件时,执行步骤S410;
S409:判定所述视频为活体视频,所述第二分值为第一预设值,
S410:判断所述视频是否还有未检测的视频图片,若有未检测的视频图片,执行步骤S411,若没有未检测的视频图片,执行步骤S412;
S411:从所述视频中获取当前检测图像的下一检测图像作为当前检测图像;
S412:判定所述视频为非活体视频,所述第二分值为第二预设值,所述第一预设值大于第二预设值。
图5为本申请提供的另一种活体识别方法的流程图;参考图1、图4、图5,在图4提供的活体识别方法的基础上,所述方法还包括步骤:
S413:获取所述当前检测图像中水平方向相距最远的两个特征点的欧拉距离作为第一距离,获取垂直方向相距最远的两个特征点的欧拉距离作为第二距离;
S414:获取距离比,所述距离比为所述第一距离与第二距离的比值,或所述第二距离与第一距离的比值;
步骤S408还包括比较所述距离比与第四阈值,所述检测停止条件还包括同时满足所述距离比大于等于所述第四阈值。
图6为本申请提供的一种活体识别装置的结构框图;参考图6,所述装置包括:
视频获取模块10,用于获取视频,所述视频是待进行人脸活体识别的视频;
人脸图像获取模块20,用于从所述视频中获取多个静态人脸图像;
图像识别模块30,用于对所述多个静态人脸图像分别进行静态图像识别得到对应的多个第一分值,所述第一分值表示识别到活体的概率;
动作识别模块40,用于对所述视频进行动态动作识别得到第二分值,当识别到活体时,所述第二分值为第一预设值,当识别到非活体时,所述第二分值为第二预设值,所述第一预设值大于第二预设值;
加权模块50,用于对所述多个第一分值和第二分值进行加权得到活体识别总分;
判断模块60,用于当所述活体识别总分大于等于预设的第一阈值时,判定所述视频是活体人脸视频。
图7为本申请提供的另一种活体识别装置的结构框图;参考图6、图7,在图6提供的活体识别装置的基础上,所述人脸图像获取模块20包括:
视频图片获取模块21,用于通过稀疏采样从所述视频中获取视频图片;
人脸检测模块22,用于对所述视频图片进行人脸检测获取多个静态人脸图像。
图8为本申请提供的另一种活体识别装置的结构框图;参考图6、图8,在图6提供的活体识别装置的基础上,所述加权模块50包括:
权值系数获取模块51,用于获取每个第一分值和第二分值对应的权值系数,所有的所述权值系数之和为1;
第一计算模块52,用于将每个第一分值和第二分值分别与对应的权值系数相乘得到多个对应的乘积;
第二计算模块53,用于将所述多个乘积相加得到活体识别总分。
图9为本申请提供的一种场景应用图;参考图1-图9,摄像头拍摄采集到视频,对采集到的视频进行稀疏采样获取视频中的视频图片,优选地,可以将视频分解为一帧一帧的视频图片,然后以每秒取固定帧数的视频图片作为采集的视频图片;通过人脸检测算法对视频图片中的人脸进行检测获取静态人脸图像;通过特征提取算法对静态人脸图像进行特征向量提取,优选地,可以选用LBP算法进行特征向量提取,将每个静态人脸图像的特征向量输入到已训练好的分类器模型中,所述分类器模型包含活体样本和非活体样本的相关数据,从而获得每个静态人脸图像为活体的概率,即第一分值;多个静态人脸图像对应多个第一分值作为分类结果。
摄像头采集的视频数据还用作动态动作识别用来判断视频是否为活体视频,具体地,选取视频中的连续的第一帧视频图片和第二帧视频图片,并分别通过人脸检测算法获取第一帧视频图片和第二帧视频图片的人脸区域,分别获取这两个人脸区域上相同的多个特征点的横坐标、纵坐标,特征点定位可以采用ERT级联回归算法,分别从第一帧视频图片和第二帧视频图片相同的多个特征点中选取一个相同的特征点作为检测点,并将这个相同特征点的横坐标、纵坐标分别作为第一横坐标、第一纵坐标,第二横坐标、第二纵坐标;获取第一横坐标与第二横坐标的差值的绝对值作为第一差值,获取第一纵坐标与第二纵坐标的差值的绝对值作为第二差值,将第一差值与初始横坐标变化量累计和相加得到当前横坐标变化量累计和,将第二差值与初始纵坐标变化量累计和相加得到当前纵坐标变化量累计和,比较当前横坐标变化量累计和与第二阈值,当前纵坐标变化量累计和与第三阈值,如果同时满足当前横坐标变化量累计和大于等于第二阈值、当前纵坐标变化量累计和大于等于第三阈值,则判断所述视频为活体视频,并将第二分值设为第一阈值,第一阈值可以设为1。
如果任意一个条件不满足,就获取第三帧视频图片,得到第二帧视频图片与第三帧视频图片的第一差值、第二差值,将前面历史横坐标变化量累计和与当前的第一差值相加得到新的当前横坐标变化量累计和,将前面历史纵坐标变化量累计和与当前的第二差值相加得到新的当前纵坐标变化量累计和,比较当前横坐标变化量累计和与第二阈值,当前纵坐标变化量累计和与第三阈值,如果同时满足当前横坐标变化量累计和大于等于第二阈值、当前纵坐标变化量累计和大于等于第三阈值,则判断所述视频为活体视频,并将第二分值设为第一预设值,第一预设值可以设为1。
依此类推,从视频中获取视频图片累加检测点的横坐标、纵坐标的变化量,直到满足检测停止条件,就停止,并判定视频为活体视频;若直到遍历检测完视频所有的视频图片,都满足不了检测停止条件,则判定视频为非活体视频,并将第二分值设为第二预设值,第二预设值为0。
以视频中的动态动作为眨眼来说明,当然也可以检测张嘴、摇头、点头等动作。每帧视频图片的特征点为从左右眼角各取一个特征点,从上眼皮取一个特征点,从下眼皮取一个特征点,共4个特征点,并从这4个特征点中取上眼皮处的特征点为检测点,由于视频对应的是眨眼动作,所以在不同帧的视频图片上这4个特征点的坐标是变化的,其中坐标变化最大的是上眼皮处的特征点,其他3个特征点相对坐标不变。上眼皮处的特征点在不同帧的视频图片中坐标不一样,通过累计计算连续两帧的上眼皮特征点的横坐标、纵坐标差值的绝对值,可以统计出检测点从第一帧视频图片开始变化的累计和,当这个累计和达到了阈值,就认为所述视频是活体视频,然后将活体视频的第二分值设为1。
但是如果没有眨眼动作但是有摇头或点头动作,也会出现上眼皮处的特征点的坐标的变化,所以为了防止误判,优选地,还增加了如下一个检测环节。
获取当前视频图片中水平方向相距最远的两个特征点的欧拉距离作为第一距离,获取垂直方向相距最远的两个特征点的欧拉距离作为第二距离;
获取距离比,所述距离比为所述第一距离与第二距离的比值,或所述第二距离与第一距离的比值;可以根据具体的实际动作类别来选择。
比较所述距离比与第二阈值;如果同时满足距离比大于等于所述第四阈值,才判定视频为活体视频,否则,任意一个条件不满足都需要继续获取下一个视频图片继续检测,直到最终判定出视频为活体视频或非活体视频。
将判定视频是否为活体视频的结果作为动作识别结果,即第二分值。
将分类结果与动作识别结果进行特征融合得到活体检测结果,具体地,将静态图像识别中得到的多个第一分值和视频动态动作识别的第二分值分别与各自的权值相乘得到多个对应的乘积;将所述多个乘积相加得到活体识别总分,如果所述活体识别总分大于等于第一阈值,则最终判定所述视频是活体人脸视频。其中每个第一分值和第二分值对应的权值系数之和为1;优选的,第二分值的权值系数大于任意一个第一分值的权值系数。
针对现有技术假活体识别率低,漏检等问题,本申请提供的活体识别方法,结合静态的图像人脸识别和动态的视频动作识别技术,双重检测识别人脸是否为活体,更好地识别相片冒充真人等假活体或用提前录取的视频冒充真人的假活体,提高了活体识别效果,减少了因漏检、误检造成的损失;另外,在进一步增加人脸识别系统的安全性的同时不需要额外增加高昂的硬件设备,减少生产成本,同时在打卡签到、安全门禁、扫脸支付等领域具有较广泛的应用前景。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种活体识别方法,其特征在于,所述方法包括:
获取视频,所述视频是待进行人脸活体识别的视频;
从所述视频中获取多个静态人脸图像;
对所述多个静态人脸图像分别进行静态图像识别得到对应的多个第一分值,所述第一分值表示识别到活体的概率;
对所述视频进行动态动作识别得到第二分值,当识别到活体时,所述第二分值为第一预设值,当识别到非活体时,所述第二分值为第二预设值,所述第一预设值大于第二预设值;
对所述多个第一分值和第二分值进行加权得到活体识别总分;
当所述活体识别总分大于等于预设的第一阈值时,判定所述视频是活体人脸视频。
2.根据权利要求1所述的方法,其特征在于,所述从所述视频中获取多个静态人脸图像,包括:
通过稀疏采样从所述视频中获取视频图片;
对所述视频图片进行人脸检测获取多个静态人脸图像;
所述对所述多个静态人脸图像分别进行静态图像识别得到对应的多个第一分值,包括:
将所述多个静态人脸图像分别输入到已训练好的活体识别模型;
分别获取每个静态人脸图像为活体的概率作为第一分值。
3.根据权利要求1所述的方法,其特征在于,所述对所述视频进行动态动作识别得到第二分值,当识别到活体时,所述第二分值为第一预设值,当识别到非活体时,所述第二分值为第二预设值,所述第一预设值大于第二预设值,包括:
从所述视频中获取一帧视频图片作为当前检测图像;
对所述当前检测图像进行人脸检测获取人脸区域;
获取所述人脸区域的多个特征点,从所述多个特征点中选取一个特征点作为检测点,将所述检测点的横坐标、纵坐标作为当前横坐标、当前纵坐标;
获取所述当前检测图像的上一检测图像相同特征点中的相同检测点的横坐标、纵坐标作为上一横坐标、上一纵坐标;
获取所述检测点的当前横坐标与上一横坐标的差值的绝对值作为当前第一差值,获取所述检测点的当前纵坐标与上一纵坐标的差值的绝对值作为当前第二差值;
分别获取所述检测点的历史横坐标变化量累计和、历史纵坐标变化量累计和,所述历史横坐标变化量累计和表征当前检测图像之前所有相邻两帧检测图像的历史第一差值之和,所述历史纵坐标变化量累计和表征当前检测图像之前所有相邻两帧检测图像的历史第二差值之和;
获取所述历史横坐标变化量累计和与所述当前第一差值之和得到当前横坐标变化量累计和,获取所述历史纵坐标变化量累计和与所述当前第二差值之和得到当前纵坐标变化量累计和;
分别比较所述当前横坐标变化量累计和与第二阈值、当前纵坐标变化量累计和与第三阈值;
若满足检测停止条件,则判定所述视频为活体视频,所述第二分值为第一预设值,所述检测停止条件包括同时满足当前横坐标变化量累计和大于等于第二阈值、当前纵坐标变化量累计和大于等于第三阈值;
否则,继续从所述视频中获取当前检测图像的下一检测图像作为当前检测图像,执行所述对所述当前检测图像进行人脸检测获取人脸区域,直到满足所述检测停止条件;
若直到检测完所述视频所有视频图片,都不满足所述检测停止条件,则判定所述视频为非活体视频,所述第二分值为第二预设值,所述第一预设值大于第二预设值。
4.根据权利要求3所述的方法,其特征在于,所述对所述视频进行动态动作识别得到第二分值,当识别到活体时,所述第二分值为第一预设值,当识别到非活体时,所述第二分值为第二预设值,所述第一预设值大于第二预设值,还包括:
获取所述当前检测图像中水平方向相距最远的两个特征点的欧拉距离作为第一距离,获取垂直方向相距最远的两个特征点的欧拉距离作为第二距离;
获取距离比,所述距离比为所述第一距离与第二距离的比值,或所述第二距离与第一距离的比值;
比较所述距离比与第四阈值;
所述检测停止条件还包括同时满足所述距离比大于等于所述第四阈值。
5.根据权利要求1所述的方法,其特征在于,所述对所述多个第一分值和第二分值进行加权得到活体识别总分,包括:
获取每个第一分值和第二分值对应的权值系数,所有的所述权值系数之和为1;
将每个第一分值和第二分值分别与对应的权值系数相乘得到多个对应的乘积;
将所述多个乘积相加得到活体识别总分。
6.根据权利要求5所述的方法,其特征在于,所述第二分值的权值系数大于任意一个所述第一分值的权值系数。
7.一种活体识别装置,其特征在于,所述装置包括:
视频获取模块,用于获取视频,所述视频是待进行人脸活体识别的视频;
人脸图像获取模块,用于从所述视频中获取多个静态人脸图像;
图像识别模块,用于对所述多个静态人脸图像分别进行静态图像识别得到对应的多个第一分值,所述第一分值表示识别到活体的概率;
动作识别模块,用于对所述视频进行动态动作识别得到第二分值,当识别到活体时,所述第二分值为第一预设值,当识别到非活体时,所述第二分值为第二预设值,所述第一预设值大于第二预设值;
加权模块,用于对所述多个第一分值和第二分值进行加权得到活体识别总分;
判断模块,用于当所述活体识别总分大于等于预设的第一阈值时,判定所述视频是活体人脸视频。
8.根据权利要求7所述的装置,其特征在于,所述人脸图像获取模块包括:
视频图片获取模块,用于通过稀疏采样从所述视频中获取视频图片;
人脸检测模块,用于对所述视频图片进行人脸检测获取多个静态人脸图像。
9.根据权利要求7所述的装置,其特征在于,所述加权模块包括:
权值系数获取模块,用于获取每个第一分值和第二分值对应的权值系数,所有的所述权值系数之和为1;
第一计算模块,用于将每个第一分值和第二分值分别与对应的权值系数相乘得到多个对应的乘积;
第二计算模块,用于将所述多个乘积相加得到活体识别总分。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-6任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910741203.9A CN110674680B (zh) | 2019-08-12 | 2019-08-12 | 活体识别的方法、装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910741203.9A CN110674680B (zh) | 2019-08-12 | 2019-08-12 | 活体识别的方法、装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674680A true CN110674680A (zh) | 2020-01-10 |
CN110674680B CN110674680B (zh) | 2022-03-18 |
Family
ID=69068823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910741203.9A Active CN110674680B (zh) | 2019-08-12 | 2019-08-12 | 活体识别的方法、装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674680B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401127A (zh) * | 2020-01-16 | 2020-07-10 | 创意信息技术股份有限公司 | 一种人脸活体检测联合判断方法 |
CN111447420A (zh) * | 2020-05-15 | 2020-07-24 | 广州全宇风信息科技有限公司 | 一种视频数据解析方法 |
CN111914626A (zh) * | 2020-06-18 | 2020-11-10 | 北京迈格威科技有限公司 | 活体识别/阈值调节方法、装置、电子设备及存储介质 |
CN112597932A (zh) * | 2020-12-28 | 2021-04-02 | 上海汽车集团股份有限公司 | 一种活体检测方法、装置及计算机可读存储介质 |
CN113422982A (zh) * | 2021-08-23 | 2021-09-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629384A (zh) * | 2012-02-28 | 2012-08-08 | 成都三泰电子实业股份有限公司 | 视频监控中异常行为的检测方法 |
US20180025242A1 (en) * | 2016-07-22 | 2018-01-25 | Nec Laboratories America, Inc. | Security system for facility access control |
CN109034029A (zh) * | 2018-07-17 | 2018-12-18 | 新疆玖富万卡信息技术有限公司 | 检测活体的人脸识别方法、可读存储介质和电子设备 |
CN109711304A (zh) * | 2013-05-21 | 2019-05-03 | 深圳市腾讯计算机系统有限公司 | 一种人脸特征点定位方法及装置 |
-
2019
- 2019-08-12 CN CN201910741203.9A patent/CN110674680B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629384A (zh) * | 2012-02-28 | 2012-08-08 | 成都三泰电子实业股份有限公司 | 视频监控中异常行为的检测方法 |
CN109711304A (zh) * | 2013-05-21 | 2019-05-03 | 深圳市腾讯计算机系统有限公司 | 一种人脸特征点定位方法及装置 |
US20180025242A1 (en) * | 2016-07-22 | 2018-01-25 | Nec Laboratories America, Inc. | Security system for facility access control |
CN109034029A (zh) * | 2018-07-17 | 2018-12-18 | 新疆玖富万卡信息技术有限公司 | 检测活体的人脸识别方法、可读存储介质和电子设备 |
Non-Patent Citations (1)
Title |
---|
林晓东: "人脸识别系统中的活体检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401127A (zh) * | 2020-01-16 | 2020-07-10 | 创意信息技术股份有限公司 | 一种人脸活体检测联合判断方法 |
CN111447420A (zh) * | 2020-05-15 | 2020-07-24 | 广州全宇风信息科技有限公司 | 一种视频数据解析方法 |
CN111914626A (zh) * | 2020-06-18 | 2020-11-10 | 北京迈格威科技有限公司 | 活体识别/阈值调节方法、装置、电子设备及存储介质 |
CN112597932A (zh) * | 2020-12-28 | 2021-04-02 | 上海汽车集团股份有限公司 | 一种活体检测方法、装置及计算机可读存储介质 |
CN113422982A (zh) * | 2021-08-23 | 2021-09-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110674680B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674680B (zh) | 活体识别的方法、装置、存储介质 | |
CN110858394B (zh) | 一种图像质量评估方法、装置、电子设备及计算机可读存储介质 | |
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 | |
JP6013241B2 (ja) | 人物認識装置、及び方法 | |
CN109644255B (zh) | 标注包括一组帧的视频流的方法和装置 | |
JP5285575B2 (ja) | 人物行動判定装置及びそのプログラム | |
CN105740780B (zh) | 人脸活体检测的方法和装置 | |
KR100831122B1 (ko) | 얼굴 인증 장치, 얼굴 인증 방법, 및 출입 관리 장치 | |
CN109727275B (zh) | 目标检测方法、装置、系统和计算机可读存储介质 | |
KR101697161B1 (ko) | 열 영상에서 온라인 랜덤 펀 학습을 이용하여 보행자를 추적하는 장치 및 방법 | |
CN108960124B (zh) | 用于行人再识别的图像处理方法及装置 | |
KR20170006355A (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
CN111210399A (zh) | 一种成像质量评价方法、装置及设备 | |
CN111767823A (zh) | 一种睡岗检测方法、装置、系统及存储介质 | |
TW200529093A (en) | Face image detection method, face image detection system, and face image detection program | |
JP7222231B2 (ja) | 行動認識装置、行動認識方法及びプログラム | |
CN114049512A (zh) | 模型蒸馏方法、目标检测方法、装置及电子设备 | |
JP2006236260A (ja) | 顔認証装置、顔認証方法および入退場管理装置 | |
US20220366570A1 (en) | Object tracking device and object tracking method | |
CN108710841A (zh) | 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法 | |
JP5004181B2 (ja) | 領域識別装置およびコンテンツ識別装置 | |
CN112541403A (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
JP5552946B2 (ja) | 顔画像サンプル採取装置、顔画像サンプル採取方法、プログラム | |
JP6893812B2 (ja) | 物体検出装置 | |
CN109670470B (zh) | 行人关系识别方法、装置、系统及电子设备 |
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 |