CN110705392A - 一种人脸图像检测方法及装置、存储介质 - Google Patents
一种人脸图像检测方法及装置、存储介质 Download PDFInfo
- Publication number
- CN110705392A CN110705392A CN201910878196.7A CN201910878196A CN110705392A CN 110705392 A CN110705392 A CN 110705392A CN 201910878196 A CN201910878196 A CN 201910878196A CN 110705392 A CN110705392 A CN 110705392A
- Authority
- CN
- China
- Prior art keywords
- living body
- image
- face
- detection
- preset
- 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
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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
Abstract
本申请实施例公开了一种人脸图像检测方法,包括:对待检测图像进行预处理,获得目标人脸图像,以及目标人脸图像对应的频谱特征向量;利用卷积神经网络检测模型,对目标人脸图像进行活体检测处理,确定出第一活体概率;卷积神经网络检测模型为具备利用图像信息实现活体判断的模型;利用频谱特征检测模型,对频谱特征向量进行活体检测处理,确定出第二活体概率;频谱特征检测模型为具备利用频谱信息实现活体判断的模型;基于第一活体概率和第二活体概率,确定待检测图像的活体检测结果。
Description
技术领域
本申请实施例涉及人脸识别技术领域,尤其涉及一种人脸图像检测方法及装置、存储介质。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。在人脸识别的过程中,通常需要结合活体检测,以证明人脸图像来自于真实的用户,保证安全性。
在现有技术中,针对人脸的活体检测方式可以划分为配合式和非配合式。配合式的检测方法通常要求用户在进行人脸识别时做出特定的动作,譬如眨眼、点头,以及张嘴等。非配合式的检测方法主要依赖一些特殊的硬件设备,如红外相机和深度相机。
然而,对于配合式的检测方法,不方便用户使用,且容易被预先录制好的伪造视频欺骗,对于非配合式的检测方法,硬件设备的要求高,应用局限性大,容易受到光线等外部环境的影响,活体检测准确率均较低。
发明内容
本申请实施例提供一种人脸图像检测方法及装置、存储介质,利用预设活体检测模型,结合人脸图像,以及人脸图像对应的频谱特征向量,检测图像是否来源于真实的人,不仅检测过程简单,而且不易受外部环境影响,准确率较高。
本申请实施例的技术方案是这样实现的:
本申请实施例提供了一种人脸图像检测方法,所述方法包括:
对待检测图像进行预处理,获得目标人脸图像,以及所述目标人脸图像对应的频谱特征向量;
利用卷积神经网络检测模型,对所述目标人脸图像进行活体检测处理,确定出第一活体概率;所述卷积神经网络检测模型为具备利用图像信息实现活体判断的模型;
利用频谱特征检测模型,对所述频谱特征向量进行活体检测处理,确定出第二活体概率;所述频谱特征检测模型为具备利用频谱信息实现活体判断的模型;
基于所述第一活体概率和所述第二活体概率,确定所述待检测图像的活体检测结果。
在上述人脸图像检测方法中,所述对待检测图像进行预处理,获得目标人脸图像,以及所述目标人脸图像对应的频谱特征向量,包括:
对所述待检测图像进行人脸识别,并从所述待检测图像中裁剪出识别到的人脸区域,得到人脸区域图像;
对所述人脸区域图像进行标准化调整,得到所述目标人脸图像;
对所述目标人脸图像进行频谱特征提取,得到所述频谱特征向量。
在上述人脸图像检测方法中,所述基于所述第一活体概率和所述第二活体概率,确定所述待检测图像的活体检测结果,包括:
按照预设权重,对所述第一活体概率和所述第二活体概率加权求和,得到所述综合活体概率;
当所述综合活体概率大于预设概率阈值时,确定所述活体检测结果为来源于活体;
当所述综合活体概率小于或者等于所述预设概率阈值时,确定所述活体检测结果为来源于非活体。
在上述人脸图像检测方法中,所述利用卷积神经网络检测模型,对所述目标人脸图像进行活体检测处理,确定出第一活体概率之前,所述方法还包括:
获取多个检测样本图像,并对所述多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像;
按照预设划分比例对所述多个人脸样本图像进行集合划分,得到人脸图像训练集和人脸图像测试集;
获取所述多个人脸样本图像中每一个人脸样本图像对应的一个预设活体概率,得到多个预设活体概率;
利用所述人脸图像训练集、所述人脸图像测试集和所述多个预设活体概率,对预设神经网络模型进行训练和测试,获得所述卷积神经网络检测模型。
在上述人脸图像检测方法中,所述对所述多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像,包括:
对所述多个检测样本图像中的每一个图像进行人脸识别,并裁剪出识别到的人脸区域,得到多个第一样本图像;
对所述多个第一样本图像中的每一个图像进行人脸对齐处理,得到多个第二样本图像;
对所述多个第二样本图像中的每一个图像进行归一化处理,得到多个第三样本图像;
对所述多个第三样本图像中的每一个图像进行数据增强处理,得到所述多个人脸样本图像。
在上述人脸图像检测方法中,所述利用所述人脸图像训练集、所述人脸图像测试集和所述多个预设活体概率,对预设神经网络模型进行训练,获得所述卷积神经网络检测模型,包括:
利用所述人脸图像训练集,以及所述多个预设活体概率中,所述人脸图像训练集中每一个样本图像对应的预设活体概率,对所述预设神经网络模型进行训练,获得已训练神经网络模型;
利用所述人脸图像测试集,以及所述多个预设活体概率中,所述人脸图像测试集中每一个样本图像对应的预设活体概率,对所述已训练神经网络模型进行测试,获得检测准确率;
当所述检测准确率大于预设准确率阈值时,将所述已训练神经网络模型确定为所述卷积神经网络检测模型。
在上述人脸图像检测方法中,所述获得检测准确率之后,所述方法还包括:
当所述检测准确率大于所述预设准确率阈值时,获取所述人脸图像测试集中,利用所述已训练神经网络模型活体检测错误的至少一个人脸样本图像;
利用所述至少一个人脸样本图像,以及所述多个预设活体概率中,所述至少一个人脸样本图像中每一个样本图像对应的预设活体概率,对所述已训练神经网络模型进行再次训练,得到所述卷积神经网络检测模型。
本申请实施例提供了一种人脸图像检测装置,所述装置包括:
图像处理模块,用于对待检测图像进行预处理,获得目标人脸图像,以及所述目标人脸图像对应的频谱特征向量;
第一检测模块,用于利用卷积神经网络检测模型,对所述目标人脸图像进行活体检测处理,确定出第一活体概率;所述卷积神经网络检测模型为具备利用图像信息实现活体判断的模型;
第二检测模块,用于利用频谱特征检测模型,对所述频谱特征向量进行活体检测处理,确定出第二活体概率;所述频谱特征检测模型为具备利用频谱信息实现活体判断的模型;
活体判断模块,用于基于所述第一活体概率和所述第二活体概率,确定所述待检测图像的活体检测结果。
在上述人脸图像检测装置中,所述图像处理模块,具体用于对所述待检测图像进行人脸识别,并从所述待检测图像中裁剪出识别到的人脸区域,得到人脸区域图像;对所述人脸区域图像进行标准化调整,得到所述目标人脸图像;对所述目标人脸图像进行频谱特征提取,得到所述频谱特征向量。
在上述人脸图像检测装置中,所述活体判断模块,具体用于按照预设权重,对所述第一活体概率和所述第二活体概率加权求和,得到综合活体概率;当所述综合活体概率大于预设概率阈值时,确定所述活体检测结果为来源于活体;当所述综合活体概率小于或者等于所述预设概率阈值时,确定所述活体检测结果为来源于非活体。
在上述人脸图像检测装置中,所述装置还包括模型训练模块,
所述图像处理模块,获取多个检测样本图像,并对所述多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像;按照预设划分比例对所述多个人脸样本图像进行集合划分,得到人脸图像训练集和人脸图像测试集;获取所述多个人脸样本图像中每一个人脸样本图像对应的一个预设活体概率,得到多个预设活体概率;
所述模型训练模块,用于利用所述人脸图像训练集、所述人脸图像测试集和所述多个预设活体概率,对预设神经网络模型进行训练和测试,获得所述卷积神经网络检测模型。
在上述人脸图像检测装置中,所述图像处理模块,具体用于对所述多个检测样本图像中的每一个图像进行人脸识别,并裁剪出识别到的人脸区域,得到多个第一样本图像;对所述多个第一样本图像中的每一个图像进行人脸对齐处理,得到多个第二样本图像;对所述多个第二样本图像中的每一个图像进行归一化处理,得到多个第三样本图像;对所述多个第三样本图像中的每一个图像进行数据增强处理,得到所述多个人脸样本图像。
在上述人脸图像检测装置中,所述模型训练模块,具体用于利用所述人脸图像训练集,以及所述多个预设活体概率中,所述人脸图像训练集中每一个样本图像对应的预设活体概率,对所述预设神经网络模型进行训练,获得已训练神经网络模型;利用所述人脸图像测试集,以及所述多个预设活体概率中,所述人脸图像测试集中每一个样本图像对应的预设活体概率,对所述已训练神经网络模型进行测试,获得检测准确率;当所述检测准确率大于预设准确率阈值时,将所述已训练神经网络模型确定为所述卷积神经网络检测模型。
在上述人脸图像检测装置中,所述模型训练模块,还用于当所述检测准确率大于所述预设准确率阈值时,获取所述人脸图像测试集中,利用所述已训练神经网络模型活体检测错误的至少一个人脸样本图像;利用所述至少一个人脸样本图像,以及所述多个预设活体概率中,所述至少一个人脸样本图像中每一个样本图像对应的预设活体概率,对所述已训练神经网络模型进行再次训练,得到所述卷积神经网络检测模型。
在上述人脸图像检测装置中,所述活体判断模块,具体用于
本申请实施例提供了一种人脸图像检测装置,所述装置包括处理器、存储器和通信总线;
所述通信总线,用于实现所述处理器和所述存储器之间的通信连接;
所述处理器,用于执行所述存储器中存储的人脸图像检测程序,以实现上述人脸图像检测方法。
本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述人脸图像检测方法。
本申请实施例提供了一种人脸图像检测方法,包括:对待检测图像进行预处理,获得目标人脸图像,以及目标人脸图像对应的频谱特征向量;利用卷积神经网络检测模型,对目标人脸图像进行活体检测处理,确定出第一活体概率;卷积神经网络检测模型为具备利用图像信息实现活体判断的模型;利用频谱特征检测模型,对频谱特征向量进行活体检测处理,确定出第二活体概率;频谱特征检测模型为具备利用频谱信息实现活体判断的模型;基于第一活体概率和第二活体概率,确定待检测图像的活体检测结果。本申请实施例提供的技术方案,利用预设活体检测模型,结合人脸图像,以及人脸图像对应的频谱特征向量,检测图像是否来源于真实的人,不仅检测过程简单,而且不易受外部环境影响,准确率较高。
附图说明
图1为本申请实施例提供的一种人脸图像检测方法的流程示意图;
图2为本申请实施例提供的一种人脸图像检测的过程示意图;
图3为本申请实施例提供的一种生成卷积神经网络检测模型的流程示意图;
图4为本申请实施例提供的一种模型训练的过程示意图;
图5为本申请实施例提供的一种人脸图像检测装置的结构示意图一;
图6为本申请实施例提供的一种人脸图像检测装置的结构示意图二。
具体实施方式
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。可以理解的是,此处所描述的具体实施例仅仅用于解释相关申请,而非对该申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关申请相关的部分。
实施例一
本申请实施例提供了一种人脸图像检测方法,通过人脸图像检测装置实现。图1为本申请实施例提供的一种人脸图像检测方法的流程示意图。如图1所示,主要包括以下步骤:
S101、对待检测图像进行预处理,获得目标人脸图像,以及目标人脸图像对应的频谱特征向量。
在本申请的实施例中,人脸图像检测装置可以获取到待检测图像,从而对待检测图像进行预处理,获得目标人脸图像,以及目标人脸图像对应的频谱特征向量。
需要说明的是,在本申请的实施例中,人脸图像检测装置可以接收用户输入的需要进行活体检测的图像,即待检测图像,从而后续对待检测图像进行活体检测处理。具体的待检测图像本申请实施例不作限定。
具体的,在本申请的实施例中,人脸图像检测装置对待检测图像进行预处理,获得目标人脸图像,以及目标人脸图像对应的频谱特征向量,包括:对待检测图像进行人脸识别,并从待检测图像中裁剪出识别到的人脸区域,得到人脸区域图像;对人脸区域图像进行标准化调整,得到目标人脸图像;对目标人脸图像进行频谱特征提取,得到频谱特征向量。
需要说明的是,在本申请的实施例中,人脸图像检测装置可以利用人脸识别方法,从待检测图像中识别出人脸区域,从而将识别出的人脸区域从待检测图像中裁剪出来,获得人脸区域图像。具体的人脸识别方法可以根据实际算力和需求预先设置,本申请实施例不作限定。
需要说明的是,在本申请的实施例中,人脸图像检测装置可以对获得的人脸区域图像进行标准化调整,已得到可用于进行后续活体检测的目标人脸图像。其中,人脸图像检测装置可以对人脸区域图像进行人脸对齐、归一化,以及数据增强等标准化调整,本申请实施例不作限定。
具体的,在本申请的实施例中,人脸图像检测装置可以先对人脸区域图像进行人脸关键点的定位,例如,从目标人脸图像中定位出眼睛、鼻子,以及嘴巴等人脸关键点,之后,利用定位出的人脸关键点,按照预设方向调整目标人脸图像中人脸的方向,例如,将人脸方向调整到向左侧或向右侧偏15度的范围内,从而利于后续进行活体检测。此外,人脸图像检测装置还可以为人脸区域图像添加预定比例的边距,保证图像大小为224×224。
具体的,在本申请的实施例中,人脸图像检测装置可以对人脸区域图像进行归一化处理,将其像素值从[0,225]归一化到[0,1],以去除人脸区域图像中包含的冗余信息。
具体的,在本申请的实施例中,人脸图像检测装置可以对人脸区域图像进行数据增强。例如,人脸图像检测装置可以按照预设光照强度区间变换人脸区域图像的光照强度,还可以按照预设对比度区间变换人脸区域图像的对比度。具体的数据增强方式可以根据实际需求预先设置,本申请实施例不作限定。
需要说明的是,在本申请的实施例中,人脸图像检测装置在对人脸区域图像进行上述标准化调整,得到目标人脸图像之后,即可对目标人脸图像进行傅里叶变换,使目标人脸图像从空间域转换到频域,得到目标人脸图像的频谱图,从而根据频谱图计算出频谱特征向量,以利用频谱特征向量在频域上进行活体检测。对于图像信号而言,空间频域变化是指在单位长度内灰度周期性变化的次数,是图像灰度变化剧烈程度的指标,也可以当作灰度在平面空间上的梯度。图像灰度变化缓慢的区域对应变换后的低频分量区域,而图像细节和轮廓边缘都属于灰度突变区域,对于图像高频区域,频域中的每一点都来自原图像。
S102、利用卷积神经网络检测模型,对目标人脸图像进行活体检测处理,确定出第一活体概率;卷积神经网络检测模型为具备利用图像信息实现活体判断的模型。
在本申请的实施例中,人脸图像检测装置在获得目标人脸图像,以及目标人脸图像对应的频谱特征向量之后,即可利用卷积神经网络检测模型,对目标人脸图像进行活体检测处理,确定出第一活体概率。
需要说明的是,在本申请的实施例中,人脸图像检测装置中存储有卷积神经网络检测模型。具体的卷积神经网络检测模型可以为利用预设神经网络模型进行模型训练获得的,本申请实施例不作限定。
需要说明的是,在本申请的实施例中,卷积神经网络检测模型是一种前馈神经网络模型,在大型图像处理方面有着出色表现。卷积神经网络检测模型的基本结构包括两层,即特征提取层和特征映射层。特征提取层可以包括多层,每一层的每一个神经元的输入与前一层的局部接受野相连,以提取目标人脸图像相应局部的特征,并且,在局部特征被提取后,局部特征之间的位置关系也可以直接确定出来。特征映射层可以对提取出的各个局部特征进行映射,每一个特征映射是一个平面,平面上所有神经元的权值相等。特征映射层的特征映射结构采用影响函数小的函数作为激活函数,可以使特征映射具有位移不变性,一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。此外,卷积神经网络检测模型中的每一层之后还可以设置一个用于求局部平均与二次提取的计算层,以减少特征分辨率。
可以理解的是,在本申请的实施例中,人脸图像检测装置可以利用卷积神经网络检测模型的特征提取层进行人脸特征提取,之后,利用卷积神经网络检测模型的特征映射层,根据提取出的人脸特征进行映射,从而确定出一个活体概率,即第一活体概率。
S103、利用频谱特征检测模型,对频谱特征向量进行活体检测处理,确定出第二活体概率;频谱特征检测模型为具备利用频谱信息实现活体判断的模型。
在本申请的实施例中,人脸图像检测装置在获得目标人脸图像,以及目标人脸图像对应的频谱特征向量之后,即可利用频谱特征检测模型,对频谱特征向量进行活体检测处理,确定出第二活体概率。
需要说明的是,在本申请的实施例中,频谱特征检测模型可以为预先训练好的支持向量机分类模型。人脸图像检测装置在将得到的频谱特征向量输入频谱特征向量输入频谱特征检测模型,即可获得基于频谱特性的活体检测结果,即第二活体概率。
可以理解的是,在本申请的实施例中,频谱特征检测模型的训练过程,实际上就是对预设的支持向量机分类模型,利用大量的人脸样本图像,以及人脸样本图像对应的标签,即预设活体概率进行训练得到的模型。具体的频谱特征检测模型的训练方式与现有模型训练方式一致,在此不再赘述。
S104、基于第一活体概率和第二活体概率,确定待检测图像的活体检测结果。
在本申请的实施例中,人脸图像检测装置在获得第一活体概率和第二活体概率之后,进一步的,基于第一活体概率和第二活体概率,确定待检测图像的活体检测结果。
具体的,在本申请的实施例中,人脸图像检测装置基于第一活体概率和第二活体概率,确定待检测图像的活体检测结果,包括:按照预设权重,对第一活体概率和第二活体概率加权求和,得到综合活体概率;当综合活体概率大于预设概率阈值时,确定活体检测结果为活体;当综合活体概率小于或者等于预设概率阈值时,确定活体检测结果为非活体。
需要说明的是,在本申请的实施例中,人脸图像检测装置中存储有预设概率阈值,用于和综合活体概率进行比较,以确定活体检测结果。具体的预设概率阈值可以根据实际需求预先设置,本申请实施例不作限定。
需要说明的是,在本申请的实施例中,人脸图像检测装置利用卷积神经网络检测模型和频谱特征检测模型,分别从图像本身和图像频谱两个角度进行活体检测,得到了第一活体概率和第二活体概率,从而可以按照预设权重,对两个活体概率进行加权求和,获得更为准确的综合活体概率。其中,预设权重包括针对从卷积神经网络检测模型输出的活体概率的权重,以及从频谱特征检测模型输出的活体概率的权重,可以根据模型的准确性和实际需求预先设置,本申请实施例不作限定。
示例性的,在本申请的实施例中,第一活体概率为P1,对应的预设权重为A1,第二活体概率为P2,对应的预设权重为A2,预设概率阈值为0.8。因此,综合活体概率为(A1×P1+A2×P2),当(A1×P1+A2×P2)大于0.8时,人脸图像检测装置即可确定出待检测图像的活体检测结果为活体,相应的,当(A1×P1+A2×P2)小于或者等于0.8时,人脸图像检测装置即可确定出待检测图像的活体检测结果为非活体。
可以理解的是,在本申请的实施例中,人脸图像检测装置在确定待检测图像的活体检测结果为来源于活体时,实际上表征待检测图像来源于真实的用户,当然,人脸图像检测装置在确定待检测图像的活体检测结果为来源于非活体时,实际上表征待检测图像来源于人脸图片的翻拍,人脸视频的回放以及制作3D模型或面具头套等途径。
需要说明的是,在本申请的实施例中,人脸图像检测方法可以应用于手机解锁,以及网络支付等应用场景中。利用人脸图像检测装置进行活体检测,可以准确的识别出当前提供图像是否来源于活体,保证应用的安全性。
图2为本申请实施例提供的一种人脸图像检测的过程示意图。如图2所示,人脸图像检测装置针对于待检测图像,先进行裁剪、人脸对齐、归一化、数据增强处理,获得目标人脸图像,再对目标人脸图像进行频谱特征提取,得到出频谱特征向量。之后,人脸图像检测装置将目标人脸图像和频谱特征向量输入预设活体检测模型,其中,利用卷积神经网络检测模型,根据目标人脸图像确定出第一活体概率P1,利用频谱特征检测模型,根据频谱特征向量确定第二活体概率,从而得到综合活体概率(A1×P1+A2×P2),A1为卷积神经网络检测模型输出概率的预设权重,A2为频谱特征检测模型输出概率的预设权重。进一步的,比较综合活体概率(A1×P1+A2×P2)与预设概率阈值P0的大小,从而得到最终的活体检测结果。
可以理解的是,当人脸检测系统受到照片或者视频攻击的时候,通常来说伪造的人脸图像的高频信息低于活体人脸图像,伪造的人脸图像是二维平面图像,因此,伪造的人脸图像的功率频谱标准差要低于活体人脸图像的功率频谱标准差。但是随着人脸照片的采集设备不断增加,不同照片像素不一,伪造人脸图像的高频信息不一定会低于活体人脸图像,因此,随着人脸活体检测数量的增加,仅依赖于频谱特征进行活体检测的准确率会不断下降。因此,在本申请的实施例中,结合卷积神经网络检测模型中的卷积结构,可以对人脸图像进行形状、运动、颜色,以及纹理等特征进行检测,可以从另一方面实现更全方面的活体检测,得到更准确的活体检测结果。
需要说明的是,在本申请的实施例中,在利用卷积神经网络检测模型,根据目标人脸图像确定第一活体概率之前,人脸图像检测装置可以按照特定的模型训练方法预先训练出卷积神经网络检测模型。
图3为本申请实施例提供的一种生成卷积神经网络检测模型的流程示意图。如图3所示,在本申请的实施例中,人脸图像检测装置生成卷积神经网络检测模型包括以下步骤:
S301、获取多个检测样本图像,并对多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像。
在本申请的实施例中,人脸图像检测装置可以获取多个检测样本图像,并对多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像。
需要说明的是,在本申请的实施例中,多个检测样本图像包括表征活体的人脸图像和非活体的人脸图像。多个检测样本图像中,表征非活体的人脸图像可以包括来源于采用红外摄像头采集到的含有人脸的红外视频中的图像,以及对打印出的人脸图像翻拍出的图像,还可以包括拍摄戴头套等辅助用具的人脸图像。具体的多个检测样本图像的数量本申请实施例不作限定。
具体的,在本申请的实施例中,人脸图像检测装置对多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像,包括:对多个检测样本图像中的每一个图像进行人脸识别,并裁剪出识别到的人脸区域,得到多个第一样本图像;对多个第一样本图像中的每一个图像进行人脸对齐处理,得到多个第二样本图像;对多个第二样本图像中的每一个图像进行归一化处理,得到多个第三样本图像;对多个第三样本图像中的每一个图像进行数据增强处理,得到多个人脸样本图像。
需要说明的是,在本申请的实施例中,人脸图像检测装置对多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像,与上述对待检测图像进行裁剪和标准化调整的方式一样,均是对每一个样本图像进行人脸识别,以及人脸对齐、归一化,以及数据增强等标准化调整,在此不再赘述。此外,对于多个第三样本图像进行数据增强处理,除了对亮度和对比度调整,还可以将每一个第三样本图像从左向右或从右向左进行180度翻转,生成新的图像,以增加得到的多个人脸样本图像的数据量。
S302、按照预设划分比例对多个人脸样本图像进行集合划分,得到人脸图像训练集和人脸图像测试集。
在本申请的实施例中,人脸图像检测装置在获得多个人脸样本图像之后,即可按照预设划分比例对多个人脸样本图像进行集合划分,得到人脸图像训练集和人脸图像测试集。
需要说明的是,在本申请的实施例中,人脸图像检测装置中存储有预设划分比例,例如,训练比例百分之八十,测试比例百分之二十,因此,人脸图像检测装置可以随机将多个人脸样本图像中的百分之八十组成人脸图像训练集,用于后续进行模型训练,将剩余的百分之二十组成人脸图像测试集,用于后续进行模型测试。具体的预设划分比例可以根据实际需求预先设置,本申请实施例不作限定。
S303、获取多个人脸样本图像中每一个人脸样本图像对应的一个预设活体概率,得到多个预设活体概率。
在本申请的实施例中,人脸图像检测装置获取多个人脸样本图像中每一个人脸样本图像对应的一个预设活体概率,得到多个预设活体概率。
可以理解的是,在本申请的实施例中,需要为每一个人脸样本图像预先设置相应的活体检测结果,以用于模型训练。对于人脸样本图像的来源,即检测样本图像的来源,在获取图像时是可以直接明确的,用户可以自主为其设置预设活体概率,例如,为来源于活体的图像设置为1,来源于非活体的图像设置为0。
S304、利用人脸图像训练集、人脸图像测试集和多个预设活体概率,对预设神经网络模型进行训练和测试,获得卷积神经网络检测模型。
在本申请的实施例中,人脸图像检测装置在获得人脸图像训练集、人脸图像测试集和多个预设活体概率之后,即可利用这些数据对预设神经网络模型进行训练和测试,获得卷积神经网络检测模型。
具体的,在本申请的实施例中,人脸图像检测装置利用人脸图像训练集、人脸图像测试集和多个预设活体概率,对预设神经网络模型进行训练和测试,获得卷积神经网络检测模型,包括:利用人脸图像训练集,以及多个预设活体概率中,人脸图像训练集中每一个样本图像对应的预设活体概率,对预设神经网络模型进行训练,获得已训练神经网络模型;利用人脸图像测试集,以及多个预设活体概率中,人脸图像测试集中每一个样本图像对应的预设活体概率,对已训练神经网络模型进行测试,获得检测准确率;当检测准确率大于预设准确率阈值时,将已训练神经网络模型确定为卷积神经网络检测模型。
需要说明的是,在本申请的实施例中,预设神经网络模型可以为VGG16神经网络结构的模型,包括13个卷积层和3个全连接层,卷积核大小具体可以为3×3×3,能够保证在有相同感知野的条件下,具有较好的网络深度,网络效果较好,减少了权重参数的数量,每个卷积层后连接激活函数。当然,预设神经网络模型还可以是其它结构的神经网络,可以根据实际需求和算力预先设置,本申请实施例不作限定。
需要说明的是,在本申请的实施例中,人脸图像检测装置可以将人脸图像训练集中的样本图像输入预设神经网络模型中迭代预设次数,例如90次,并且,在每一次迭代过程中,使用梯度下降算法优化损失函数,即改进预设神经网络模型中的参数,使模型预测概率与预设概率更为接近。此外,人脸图像检测装置可以以批的方式进行模型训练,例如,一次迭代过程依次输入64个人脸图像训练集中的样本图像,以进行完成一次训练,调整一次模型参数。具体的模型训练的迭代次数和训练方式可以根据实际需求预先设置,本申请实施例不作限定。
可以理解的是,在本申请的实施例中,人脸图像检测装置在获得已训练神经网络模型之后,可以利用人脸图像测试集进行模型效果的测试,即将人脸图像测试集中每一个样本图像分别输入已训练神经网络模型,预测出一个活体概率,与多个预设活体概率中自身对应的预设活体概率进行比较,判断模型结果是否准确,获得检测准确率。
可以理解的是,在本申请的实施例中,当已训练神经网络模型的检测准确率大于预设准确率阈值时,说明模型检测活体的准确性较高,因此,可以将已训练神经网络模型确定为上述应用过程中进行活体检测的卷积神经网络检测模型。当然,当已训练神经网络模型的检测准确率小于或者等于预设准确率时,说明模型检测活体的准确性较低,需要后续继续对模型进行重复训练,训练过程与上述一致,在此不再赘述。
需要说明的是,在本申请的实施例中,人脸图像检测装置中存储有预设准确率阈值,例如,可以为百分之九十,即已训练神经网络模型的检测准确率大于百分之九十时,即可确定为卷积神经网络检测模型。具体的预设准确率可以根据实际需求预先确定,本申请实施例不作限定。
需要说明的是,在本申请的实施例中,人脸图像检测装置在获得检测准确率之后,还可以执行以下步骤:当检测准确率大于预设准确率阈值时,获取人脸图像测试集中,利用已训练神经网络模型活体检测错误的至少一个人脸样本图像;利用至少一个人脸样本图像,以及多个预设活体概率中,至少一个人脸样本图像中每一个样本图像对应的预设活体概率,对已训练神经网络模型进行再次训练,得到卷积神经网络检测模型。
可以理解的是,在本申请的实施例中,人脸图像检测装置在检测准确率较高时,可以利用人脸图像测试集中活体检测错误的样本图像进行模型的再训练,即对以训练神经网络模型微调,使模型泛化性更佳,从而将再次训练后的模型确定为卷积神经网络检测模型。具体的训练过程与人脸图像训练集类似,在此不再赘述。
图4为本申请实施例提供的一种模型训练的过程示意图。如图4所示,人脸图像检测装置可以先对多个检测样本图像进行裁剪,以及人脸对齐、归一化,以及数据增强等标准化调整,得到多个人脸样本处理,之后,划分人脸图像训练集和人脸图像测试集,并获取每一个样本图像的预设活体概率,实际上就是预设标签,其中,来源于真实用户的样本图像的预设活体概率均为1,其它来源的样本图像的预设活体概率均为0。人脸图像检测装置即可利用人脸图像训练集和人脸图像测试集,以及多个预设活体概率进行模型训练,得到上述卷积神经网络检测模型。
本申请实施例提供了一种人脸图像检测方法,包括:对待检测图像进行预处理,获得目标人脸图像,以及目标人脸图像对应的频谱特征向量;利用卷积神经网络检测模型,对目标人脸图像进行活体检测处理,确定出第一活体概率;卷积神经网络检测模型为具备利用图像信息实现活体判断的模型;利用频谱特征检测模型,对频谱特征向量进行活体检测处理,确定出第二活体概率;频谱特征检测模型为具备利用频谱信息实现活体判断的模型;基于第一活体概率和第二活体概率,确定待检测图像的活体检测结果。本申请实施例提供的技术方案,利用预设活体检测模型,结合人脸图像,以及人脸图像对应的频谱特征向量,检测图像是否来源于真实的人,不仅检测过程简单,而且不易受外部环境影响,准确率较高。
实施例二
本申请实施例提供了一种人脸图像检测装置。图5为本申请实施例提供的一种人脸图像检测装置的结构示意图一。如图5所示,包括:
图像处理模块501,用于对待检测图像进行预处理,获得目标人脸图像,以及所述目标人脸图像对应的频谱特征向量;
第一检测模块502,用于利用卷积神经网络检测模型,对所述目标人脸图像进行活体检测处理,确定出第一活体概率;所述卷积神经网络检测模型为具备利用图像信息实现活体判断的模型;
第二检测模块503,用于利用频谱特征检测模型,对所述频谱特征向量进行活体检测处理,确定出第二活体概率;所述频谱特征检测模型为具备利用频谱信息实现活体判断的模型;
活体判断模块504,用于基于所述第一活体概率和所述第二活体概率,确定所述待检测图像的活体检测结果。
可选的,所述图像处理模块501,具体用于对所述待检测图像进行人脸识别,并从所述待检测图像中裁剪出识别到的人脸区域,得到人脸区域图像;对所述人脸区域图像进行标准化调整,得到所述目标人脸图像;对所述目标人脸图像进行频谱特征提取,得到所述频谱特征向量。
可选的,所述活体判断模块504,具体用于按照预设权重,对所述第一活体概率和所述第二活体概率加权求和,得到综合活体概率;当所述综合活体概率大于预设概率阈值时,确定所述活体检测结果为来源于活体;当所述综合活体概率小于或者等于所述预设概率阈值时,确定所述活体检测结果为来源于非活体。
可选的,所述装置还包括模型训练模块505,
所述图像处理模块501,获取多个检测样本图像,并对所述多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像;按照预设划分比例对所述多个人脸样本图像进行集合划分,得到人脸图像训练集和人脸图像测试集;获取所述多个人脸样本图像中每一个人脸样本图像对应的一个预设活体概率,得到多个预设活体概率;
所述模型训练模块505,用于利用所述人脸图像训练集、所述人脸图像测试集和所述多个预设活体概率,对预设神经网络模型进行训练和测试,获得所述卷积神经网络检测模型。
可选的,所述图像处理模块501,具体用于对所述多个检测样本图像中的每一个图像进行人脸识别,并裁剪出识别到的人脸区域,得到多个第一样本图像;对所述多个第一样本图像中的每一个图像进行人脸对齐处理,得到多个第二样本图像;对所述多个第二样本图像中的每一个图像进行归一化处理,得到多个第三样本图像;对所述多个第三样本图像中的每一个图像进行数据增强处理,得到所述多个人脸样本图像。
可选的,所述模型训练模块505,具体用于利用所述人脸图像训练集,以及所述多个预设活体概率中,所述人脸图像训练集中每一个样本图像对应的预设活体概率,对所述预设神经网络模型进行训练,获得已训练神经网络模型;利用所述人脸图像测试集,以及所述多个预设活体概率中,所述人脸图像测试集中每一个样本图像对应的预设活体概率,对所述已训练神经网络模型进行测试,获得检测准确率;当所述检测准确率大于预设准确率阈值时,将所述已训练神经网络模型确定为所述卷积神经网络检测模型。
可选的,所述模型训练模块505,还用于当所述检测准确率大于所述预设准确率阈值时,获取所述人脸图像测试集中,利用所述已训练神经网络模型活体检测错误的至少一个人脸样本图像;利用所述至少一个人脸样本图像,以及所述多个预设活体概率中,所述至少一个人脸样本图像中每一个样本图像对应的预设活体概率,对所述已训练神经网络模型进行再次训练,得到所述卷积神经网络检测模型。
图6为本申请实施例提供的一种人脸图像检测装置的结构示意图二。如图6所示,所述装置包括处理器601、存储器602和通信总线603;
所述通信总线603,用于实现所述处理器601和所述存储器602之间的通信连接;
所述处理器601,用于执行所述存储器602中存储的人脸图像检测程序,以实现上述人脸图像检测方法。
本申请实施例提供了一种人脸图像检测装置,对待检测图像进行预处理,获得目标人脸图像,以及目标人脸图像对应的频谱特征向量;利用卷积神经网络检测模型,对目标人脸图像进行活体检测处理,确定出第一活体概率;卷积神经网络检测模型为具备利用图像信息实现活体判断的模型;利用频谱特征检测模型,对频谱特征向量进行活体检测处理,确定出第二活体概率;频谱特征检测模型为具备利用频谱信息实现活体判断的模型;基于第一活体概率和第二活体概率,确定待检测图像的活体检测结果。本申请实施例提供的人脸图像检测装置,利用预设活体检测模型,结合人脸图像,以及人脸图像对应的频谱特征向量,检测图像是否来源于真实的人,不仅检测过程简单,而且不易受外部环境影响,准确率较高。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述人脸图像检测方法。计算机可读存储介质可以是易失性存储器(volatile memory),例如随机存取存储器(Random-Access Memory,RAM);或者非易失性存储器(non-volatile memory),例如只读存储器(Read-Only Memory,ROM),快闪存储器(flash memory),硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);也可以是包括上述存储器之一或任意组合的各自设备,如移动电话、计算机、平板设备、个人数字助理等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请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和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的实现流程示意图和/或方框图来描述的。应理解可由计算机程序指令实现流程示意图和/或方框图中的每一流程和/或方框、以及实现流程示意图和/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实现流程示意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,该指令装置实现在实现流程示意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实现流程示意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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本实用申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (16)
1.一种人脸图像检测方法,其特征在于,所述方法包括:
对待检测图像进行预处理,获得目标人脸图像,以及所述目标人脸图像对应的频谱特征向量;
利用卷积神经网络检测模型,对所述目标人脸图像进行活体检测处理,确定出第一活体概率;所述卷积神经网络检测模型为具备利用图像信息实现活体判断的模型;
利用频谱特征检测模型,对所述频谱特征向量进行活体检测处理,确定出第二活体概率;所述频谱特征检测模型为具备利用频谱信息实现活体判断的模型;
基于所述第一活体概率和所述第二活体概率,确定所述待检测图像的活体检测结果。
2.根据权利要求1所述的方法,其特征在于,所述对待检测图像进行预处理,获得目标人脸图像,以及所述目标人脸图像对应的频谱特征向量,包括:
对所述待检测图像进行人脸识别,并从所述待检测图像中裁剪出识别到的人脸区域,得到人脸区域图像;
对所述人脸区域图像进行标准化调整,得到所述目标人脸图像;
对所述目标人脸图像进行频谱特征提取,得到所述频谱特征向量。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一活体概率和所述第二活体概率,确定所述待检测图像的活体检测结果,包括:
按照预设权重,对所述第一活体概率和所述第二活体概率加权求和,得到所述综合活体概率;
当所述综合活体概率大于预设概率阈值时,确定所述活体检测结果为来源于活体;
当所述综合活体概率小于或者等于所述预设概率阈值时,确定所述活体检测结果为来源于非活体。
4.根据权利要求1所述的方法,其特征在于,所述利用卷积神经网络检测模型,对所述目标人脸图像进行活体检测处理,确定出第一活体概率之前,所述方法还包括:
获取多个检测样本图像,并对所述多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像;
按照预设划分比例对所述多个人脸样本图像进行集合划分,得到人脸图像训练集和人脸图像测试集;
获取所述多个人脸样本图像中每一个人脸样本图像对应的一个预设活体概率,得到多个预设活体概率;
利用所述人脸图像训练集、所述人脸图像测试集和所述多个预设活体概率,对预设神经网络模型进行训练和测试,获得所述卷积神经网络检测模型。
5.根据权利要求4所述的方法,其特征在于,所述对所述多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像,包括:
对所述多个检测样本图像中的每一个图像进行人脸识别,并裁剪出识别到的人脸区域,得到多个第一样本图像;
对所述多个第一样本图像中的每一个图像进行人脸对齐处理,得到多个第二样本图像;
对所述多个第二样本图像中的每一个图像进行归一化处理,得到多个第三样本图像;
对所述多个第三样本图像中的每一个图像进行数据增强处理,得到所述多个人脸样本图像。
6.根据权利要求4所述的方法,其特征在于,所述利用所述人脸图像训练集、所述人脸图像测试集和所述多个预设活体概率,对预设神经网络模型进行训练,获得所述卷积神经网络检测模型,包括:
利用所述人脸图像训练集,以及所述多个预设活体概率中,所述人脸图像训练集中每一个样本图像对应的预设活体概率,对所述预设神经网络模型进行训练,获得已训练神经网络模型;
利用所述人脸图像测试集,以及所述多个预设活体概率中,所述人脸图像测试集中每一个样本图像对应的预设活体概率,对所述已训练神经网络模型进行测试,获得检测准确率;
当所述检测准确率大于预设准确率阈值时,将所述已训练神经网络模型确定为所述卷积神经网络检测模型。
7.根据权利要求6所述的方法,其特征在于,所述获得检测准确率之后,所述方法还包括:
当所述检测准确率大于所述预设准确率阈值时,获取所述人脸图像测试集中,利用所述已训练神经网络模型活体检测错误的至少一个人脸样本图像;
利用所述至少一个人脸样本图像,以及所述多个预设活体概率中,所述至少一个人脸样本图像中每一个样本图像对应的预设活体概率,对所述已训练神经网络模型进行再次训练,得到所述卷积神经网络检测模型。
8.一种人脸图像检测装置,其特征在于,所述装置包括:
图像处理模块,用于对待检测图像进行预处理,获得目标人脸图像,以及所述目标人脸图像对应的频谱特征向量;
第一检测模块,用于利用卷积神经网络检测模型,对所述目标人脸图像进行活体检测处理,确定出第一活体概率;所述卷积神经网络检测模型为具备利用图像信息实现活体判断的模型;
第二检测模块,用于利用频谱特征检测模型,对所述频谱特征向量进行活体检测处理,确定出第二活体概率;所述频谱特征检测模型为具备利用频谱信息实现活体判断的模型;
活体判断模块,用于基于所述第一活体概率和所述第二活体概率,确定所述待检测图像的活体检测结果。
9.根据权利要求8所述的装置,其特征在于,
所述图像处理模块,具体用于对所述待检测图像进行人脸识别,并从所述待检测图像中裁剪出识别到的人脸区域,得到人脸区域图像;对所述人脸区域图像进行标准化调整,得到所述目标人脸图像;对所述目标人脸图像进行频谱特征提取,得到所述频谱特征向量。
10.根据权利要求8所述的装置,其特征在于,
所述活体判断模块,具体用于按照预设权重,对所述第一活体概率和所述第二活体概率加权求和,得到综合活体概率;当所述综合活体概率大于预设概率阈值时,确定所述活体检测结果为来源于活体;当所述综合活体概率小于或者等于所述预设概率阈值时,确定所述活体检测结果为来源于非活体。
11.根据权利要求8所述的装置,其特征在于,所述装置还包括模型训练模块,
所述图像处理模块,获取多个检测样本图像,并对所述多个检测样本图像中的每一个样本图像进行裁剪和标准化调整,得到多个人脸样本图像;按照预设划分比例对所述多个人脸样本图像进行集合划分,得到人脸图像训练集和人脸图像测试集;获取所述多个人脸样本图像中每一个人脸样本图像对应的一个预设活体概率,得到多个预设活体概率;
所述模型训练模块,用于利用所述人脸图像训练集、所述人脸图像测试集和所述多个预设活体概率,对预设神经网络模型进行训练和测试,获得所述卷积神经网络检测模型。
12.根据权利要求11所述的装置,其特征在于,
所述图像处理模块,具体用于对所述多个检测样本图像中的每一个图像进行人脸识别,并裁剪出识别到的人脸区域,得到多个第一样本图像;对所述多个第一样本图像中的每一个图像进行人脸对齐处理,得到多个第二样本图像;对所述多个第二样本图像中的每一个图像进行归一化处理,得到多个第三样本图像;对所述多个第三样本图像中的每一个图像进行数据增强处理,得到所述多个人脸样本图像。
13.根据权利要求11所述的装置,其特征在于,
所述模型训练模块,具体用于利用所述人脸图像训练集,以及所述多个预设活体概率中,所述人脸图像训练集中每一个样本图像对应的预设活体概率,对所述预设神经网络模型进行训练,获得已训练神经网络模型;利用所述人脸图像测试集,以及所述多个预设活体概率中,所述人脸图像测试集中每一个样本图像对应的预设活体概率,对所述已训练神经网络模型进行测试,获得检测准确率;当所述检测准确率大于预设准确率阈值时,将所述已训练神经网络模型确定为所述卷积神经网络检测模型。
14.根据权利要求13所述的装置,其特征在于,
所述模型训练模块,还用于当所述检测准确率大于所述预设准确率阈值时,获取所述人脸图像测试集中,利用所述已训练神经网络模型活体检测错误的至少一个人脸样本图像;利用所述至少一个人脸样本图像,以及所述多个预设活体概率中,所述至少一个人脸样本图像中每一个样本图像对应的预设活体概率,对所述已训练神经网络模型进行再次训练,得到所述卷积神经网络检测模型。
15.一种人脸图像检测装置,其特征在于,所述装置包括处理器、存储器和通信总线;
所述通信总线,用于实现所述处理器和所述存储器之间的通信连接;
所述处理器,用于执行所述存储器中存储的人脸图像检测程序,以实现权利要求1-7任一项所述的方法。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878196.7A CN110705392A (zh) | 2019-09-17 | 2019-09-17 | 一种人脸图像检测方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878196.7A CN110705392A (zh) | 2019-09-17 | 2019-09-17 | 一种人脸图像检测方法及装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705392A true CN110705392A (zh) | 2020-01-17 |
Family
ID=69195339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910878196.7A Pending CN110705392A (zh) | 2019-09-17 | 2019-09-17 | 一种人脸图像检测方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705392A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111538968A (zh) * | 2020-05-27 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的身份核验方法、装置及设备 |
CN111597944A (zh) * | 2020-05-11 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
CN111680563A (zh) * | 2020-05-09 | 2020-09-18 | 苏州中科先进技术研究院有限公司 | 一种活体检测方法、装置、电子设备及存储介质 |
CN111680675A (zh) * | 2020-08-14 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、系统、装置、计算机设备和存储介质 |
CN111768286A (zh) * | 2020-05-14 | 2020-10-13 | 北京旷视科技有限公司 | 风险预测方法、装置、设备及存储介质 |
CN111814682A (zh) * | 2020-07-09 | 2020-10-23 | 泰康保险集团股份有限公司 | 人脸活体检测方法及装置 |
CN112052830A (zh) * | 2020-09-25 | 2020-12-08 | 北京百度网讯科技有限公司 | 人脸检测的方法、装置和计算机存储介质 |
CN112070954A (zh) * | 2020-09-14 | 2020-12-11 | 上海商汤智能科技有限公司 | 活体识别方法、装置、设备及存储介质 |
CN112507903A (zh) * | 2020-12-15 | 2021-03-16 | 平安科技(深圳)有限公司 | 假脸检测方法、装置、电子设备及计算机可读存储介质 |
CN112507934A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN112613470A (zh) * | 2020-12-30 | 2021-04-06 | 山东山大鸥玛软件股份有限公司 | 一种人脸静默活体检测方法、装置、终端及存储介质 |
CN112836625A (zh) * | 2021-01-29 | 2021-05-25 | 汉王科技股份有限公司 | 人脸活体检测方法、装置、电子设备 |
CN113569708A (zh) * | 2021-07-23 | 2021-10-29 | 北京百度网讯科技有限公司 | 活体识别方法、装置、电子设备以及存储介质 |
CN113642428A (zh) * | 2021-07-29 | 2021-11-12 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN113705425A (zh) * | 2021-08-25 | 2021-11-26 | 北京百度网讯科技有限公司 | 活体检测模型的训练方法和活体检测的方法、装置、设备 |
CN113780222A (zh) * | 2021-09-17 | 2021-12-10 | 深圳市繁维科技有限公司 | 一种人脸活体检测方法、装置、电子设备和可读存储介质 |
CN113963427A (zh) * | 2021-12-22 | 2022-01-21 | 浙江工商大学 | 一种快速活体检测的方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292267A (zh) * | 2017-06-21 | 2017-10-24 | 北京市威富安防科技有限公司 | 照片造假卷积神经网络训练方法及人脸活体检测方法 |
US20180025141A1 (en) * | 2016-07-22 | 2018-01-25 | Nec Laboratories America, Inc. | Physical system access control |
CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技(深圳)有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
CN109344693A (zh) * | 2018-08-13 | 2019-02-15 | 华南理工大学 | 一种基于深度学习的人脸多区域融合表情识别方法 |
-
2019
- 2019-09-17 CN CN201910878196.7A patent/CN110705392A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180025141A1 (en) * | 2016-07-22 | 2018-01-25 | Nec Laboratories America, Inc. | Physical system access control |
CN107292267A (zh) * | 2017-06-21 | 2017-10-24 | 北京市威富安防科技有限公司 | 照片造假卷积神经网络训练方法及人脸活体检测方法 |
CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技(深圳)有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
CN109344693A (zh) * | 2018-08-13 | 2019-02-15 | 华南理工大学 | 一种基于深度学习的人脸多区域融合表情识别方法 |
Non-Patent Citations (1)
Title |
---|
陈然,伍世虔,徐望明: "一种基于空域和频域多特征融合的人脸活体检测算法", 《电视技术》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680563A (zh) * | 2020-05-09 | 2020-09-18 | 苏州中科先进技术研究院有限公司 | 一种活体检测方法、装置、电子设备及存储介质 |
CN111680563B (zh) * | 2020-05-09 | 2023-09-19 | 苏州中科先进技术研究院有限公司 | 一种活体检测方法、装置、电子设备及存储介质 |
CN111597944A (zh) * | 2020-05-11 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
CN111597944B (zh) * | 2020-05-11 | 2022-11-15 | 腾讯科技(深圳)有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
CN111768286A (zh) * | 2020-05-14 | 2020-10-13 | 北京旷视科技有限公司 | 风险预测方法、装置、设备及存储介质 |
CN111768286B (zh) * | 2020-05-14 | 2024-02-20 | 北京旷视科技有限公司 | 风险预测方法、装置、设备及存储介质 |
CN111538968A (zh) * | 2020-05-27 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的身份核验方法、装置及设备 |
CN111814682A (zh) * | 2020-07-09 | 2020-10-23 | 泰康保险集团股份有限公司 | 人脸活体检测方法及装置 |
CN111680675A (zh) * | 2020-08-14 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、系统、装置、计算机设备和存储介质 |
CN112070954A (zh) * | 2020-09-14 | 2020-12-11 | 上海商汤智能科技有限公司 | 活体识别方法、装置、设备及存储介质 |
CN112052830A (zh) * | 2020-09-25 | 2020-12-08 | 北京百度网讯科技有限公司 | 人脸检测的方法、装置和计算机存储介质 |
CN112507903A (zh) * | 2020-12-15 | 2021-03-16 | 平安科技(深圳)有限公司 | 假脸检测方法、装置、电子设备及计算机可读存储介质 |
CN112507934A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN112613470A (zh) * | 2020-12-30 | 2021-04-06 | 山东山大鸥玛软件股份有限公司 | 一种人脸静默活体检测方法、装置、终端及存储介质 |
CN112836625A (zh) * | 2021-01-29 | 2021-05-25 | 汉王科技股份有限公司 | 人脸活体检测方法、装置、电子设备 |
CN113569708A (zh) * | 2021-07-23 | 2021-10-29 | 北京百度网讯科技有限公司 | 活体识别方法、装置、电子设备以及存储介质 |
CN113642428B (zh) * | 2021-07-29 | 2022-09-27 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN113642428A (zh) * | 2021-07-29 | 2021-11-12 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN113705425B (zh) * | 2021-08-25 | 2022-08-16 | 北京百度网讯科技有限公司 | 活体检测模型的训练方法和活体检测的方法、装置、设备 |
CN113705425A (zh) * | 2021-08-25 | 2021-11-26 | 北京百度网讯科技有限公司 | 活体检测模型的训练方法和活体检测的方法、装置、设备 |
CN113780222A (zh) * | 2021-09-17 | 2021-12-10 | 深圳市繁维科技有限公司 | 一种人脸活体检测方法、装置、电子设备和可读存储介质 |
CN113780222B (zh) * | 2021-09-17 | 2024-02-27 | 深圳市繁维科技有限公司 | 一种人脸活体检测方法、装置、电子设备和可读存储介质 |
CN113963427A (zh) * | 2021-12-22 | 2022-01-21 | 浙江工商大学 | 一种快速活体检测的方法与系统 |
CN113963427B (zh) * | 2021-12-22 | 2022-07-26 | 浙江工商大学 | 一种快速活体检测的方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705392A (zh) | 一种人脸图像检测方法及装置、存储介质 | |
KR102483642B1 (ko) | 라이브니스 검사 방법 및 장치 | |
CN110462633B (zh) | 一种人脸识别的方法、装置和电子设备 | |
Kusakunniran et al. | Gait recognition under various viewing angles based on correlated motion regression | |
Dua et al. | Biometric iris recognition using radial basis function neural network | |
CA2934514C (en) | System and method for identifying faces in unconstrained media | |
US10943095B2 (en) | Methods and systems for matching extracted feature descriptors for enhanced face recognition | |
Tapia et al. | Gender classification from iris images using fusion of uniform local binary patterns | |
CN112052831B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
CN108230291B (zh) | 物体识别系统训练方法、物体识别方法、装置和电子设备 | |
KR20170050465A (ko) | 얼굴 인식 장치 및 방법 | |
JP6071002B2 (ja) | 信頼度取得装置、信頼度取得方法および信頼度取得プログラム | |
CN112052830B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
US20200193117A1 (en) | Method and system for neural fingerprint enhancement for fingerprint recognition | |
Sabharwal et al. | Recognition of surgically altered face images: an empirical analysis on recent advances | |
Olivares-Mercado et al. | Face recognition system for smartphone based on lbp | |
Jozer et al. | Face recognition under partial occlusion and noise | |
Hasan et al. | Dual iris matching for biometric identification | |
CN112380966B (zh) | 基于特征点重投影的单眼虹膜匹配方法 | |
Masood et al. | Iris recognition using wavelet | |
CN115147904A (zh) | 人脸识别方法、装置、处理设备及存储介质 | |
Bauer et al. | 4D Photogeometric face recognition with time-of-flight sensors | |
Wang | Face feature dynamic recognition method based on intelligent image | |
Tandon et al. | An efficient age-invariant face recognition | |
CN111582120A (zh) | 用于捕捉眼球活动特征的方法、终端设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |