CN110720105A - 人脸防伪检测方法、装置、芯片、电子设备和计算机可读介质 - Google Patents
人脸防伪检测方法、装置、芯片、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN110720105A CN110720105A CN201980001918.9A CN201980001918A CN110720105A CN 110720105 A CN110720105 A CN 110720105A CN 201980001918 A CN201980001918 A CN 201980001918A CN 110720105 A CN110720105 A CN 110720105A
- Authority
- CN
- China
- Prior art keywords
- face
- infrared light
- light spots
- data
- pixel value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 170
- 241000282414 Homo sapiens Species 0.000 claims abstract description 141
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 56
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 239000011505 plaster Substances 0.000 description 1
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
- 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
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)
- Collating Specific Patterns (AREA)
Abstract
本申请部分实施例提供了一种人脸防伪检测方法和装置，涉及信息处理技术。人脸防伪检测方法，包括：向目标人脸投影红外线光斑，对所述目标人脸进行拍照，获取带红外线光斑的人脸照片(101)；对带红外线光斑的人脸照片进行图像处理，从带红外线光斑的人脸照片中获取红外线光斑的形态数据(102)；根据红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果(103)。本申请的实施例提供的技术方案实现简单、易于操作。
Description
技术领域
本申请涉及信息处理技术领域，特别涉及一种人脸防伪检测方法、装置、芯片、电子设备和计算机可读介质。
背景技术
人脸防伪是人脸识别相关工程或产品里的一项重要功能，其作用是为了识别出被检测对象是否为真实人的人脸。通过人脸防伪检测可以抵抗，如：照片、人脸面具或者三维打印的人脸模型等虚假人脸，对人脸识别系统的攻击，提高人脸识别系统的安全性。
目前，人脸防伪检测方法主要分为2D人脸活体检测和3D人脸活体检测，其中，3D人脸活体检测相比于2D人脸活体检测更为可靠。现有技术提供的3D人脸活体检测技术，主要包括以下几种：
1、多光谱人脸活体检测法
通过预先设置的两个以上光谱发射器向被检测人脸发射光谱，其中，每个光谱发射器发射的光谱波长不同；通过预先设置的光谱接收器接收被检测人脸返回的两个以上光谱信号；根据所述两个以上光谱信号进行计算，获取人脸防伪检测结果。
2、动作配合人脸活体检测法
被检测对象按照预先设置的动作要求执行相关的脸部动作；照相机对被检测对象执行脸部动作的过程进行拍照，获取两帧以上人脸图像数据；根据所述两帧以上人脸图像数据进行计算，获取人脸防伪检测结果。
3、红外线人脸活体检测法
通过预先设置的红外线发射器向被检测人脸发射红外线；通过预先设置的红外线接收器接收被检测人脸反射的红外线；根据所述发射的红外线和所述被检测人脸反射的红外线进行计算，获取人脸防伪检测结果。
发明人发现现有技术至少存在以下问题：人脸防伪检测需要用户主动做动作配合完成，或者人脸防伪检测需要根据人脸反射回的光线数据完成，造成整个检测过程复杂且时间过长，用户使用体验差的问题。
发明内容
本申请部分实施例的目的在于提供一种实现简单、便于操作的人脸防伪检测方法、装置、芯片、电子设备和计算机可读介质。
本申请实施例提供了一种人脸防伪检测方法，包括：向目标人脸投影红外线光斑，对所述目标人脸进行拍照，获取带红外线光斑的人脸照片；对所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据；根据所述红外线光斑的形态数据进行计算，获取所述目标人脸的防伪检测结果。
本申请实施例还提供了一种人脸防伪检测装置，包括：
第一获取模块，用于向目标人脸投影红外线光斑，对所述目标人脸进行拍照，获取带红外线光斑的人脸照片；
第二获取模块，用于对所述第一获取模块获取的所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据；
检测模块，用于根据所述第二获取模块获取的所述红外线光斑的形态数据进行计算，获取所述目标人脸的防伪检测结果。
本申请实施例还提供了一种人脸防伪检测芯片，所述人脸防伪检测芯片与存储器通信连接，所述存储器存储有指令，所述指令被所述人脸防伪检测芯片执行，以使所述人脸防伪检测芯片能够执行以上所述的人脸防伪检测方法。
本申请实施例还提供了一种电子设备，包括：存储器，以及以上所述的人脸防伪检测芯片，所述存储器与所述人脸防伪检测芯片通信连接。
本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现以上所述的人脸防伪检测方法。
本申请实施例现对于现有技术而言，在向目标人脸投影红外线光斑并进行拍照，获取带红外线光斑的人脸照片，并根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果。利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，其实现方法简单，并且便于用户操作。由于本专利申请是根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果，而人脸照片是在向目标人脸投影红外线光斑时进行拍照获得的，大大缩短了整个人脸防伪检测过程的时间，解决了现有技术需要根据人脸反射回的光线数据进行人脸防伪检测，造成检测时间过长的问题，也解决了现有技术需要用户主动做动作配合完成人脸防伪检测，动作过程缓慢，造成检测时间过长的问题，由于整个检测时间缩短了，进而提高了用户的使用体验。另外，由于本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，使得本专利申请实施例只需要获取一帧人脸照片即可完成人脸的防伪检测，解决了现有技术需要用户主动做动作，获取多帧人脸照片完成人脸的防伪检测，造成用户操作复杂，并且人脸方位检测计算量大的问题。而且，由于无需根据发射的红外线和被检测人脸反射的红外线进行计算，通过对红外线光斑的形态数据进行计算，即可获取到目标人脸的防伪检测结果，简单易行而且可以有效缩短检测时长。
例如，所述红外线光斑的形态数据为所述红外线光斑的像素值分布数据；所述根据所述红外线光斑的形态数据进行计算，获取所述目标人脸的防伪检测结果包括：从所述红外线光斑的像素值分布数据中，获取第一像素值衰减数据和第二像素值衰减数据；其中，所述第一像素值衰减数据和所述第二像素值衰减数据为最大像素值数据衰减后得到的像素值，所述第一像素值衰减数据的衰减程度不同于所述第二像素值衰减数据的衰减程度；获取所述第一像素值衰减数据在所述红外线光斑上对应的第一红外线子光斑的面积，以及所述第二像素值衰减数据在所述红外线光斑上对应的第二红外线子光斑的面积；将所述第一红外线子光斑的面积与所述第二红外线子光斑的面积之间的比例值与预先设置的真人人脸比例值区间进行比较，根据比较结果获取所述目标人脸的防伪检测结果。
例如：从所述红外线光斑的像素值分布数据中，获取第一像素值衰减数据和第二像素值衰减数据包括：根据所述红外线光斑的像素值分布数据，获取最大像素值数据；根据所述最大像素值数据以及预先设置的第一像素值衰减规则，获取第一像素值衰减数据；根据所述最大像素值数据以及预先设置的第二像素值衰减规则，获取第二像素值衰减数据。
例如，所述第一像素值衰减数据的像素值大于所述第二像素值衰减数据的像素值。
例如，所述红外线光斑的形态数据为通过主成分分析对所述红外光斑降维获得的特征向量；所述根据所述红外线光斑的形态数据进行计算，获取所述目标人脸的防伪检测结果包括：采用预先训练好的神经网络模型对所述特征向量进行计算，获得特征向量的标签值；将所述特征向量的标签值与预先设置的标签值阈值进行比较，根据比较结果获取所述目标人脸的防伪检测结果；其中，所述神经网络模型是通过真人人脸的特征向量和假人人脸的特征向量训练获得的，所述标签值阈值是根据所述神经网络模型中真人人脸的特征向量的标签值和假人人脸的特征向量的标签值获得的。
例如，所述神经网络模型的训练方法包括：获取真人人脸对应的第一带红外线光斑的人脸照片集，以及假人人脸对应的第二带红外线光斑的人脸照片集；采用所述主成分分析，分别获取所述第一带红外线光斑的人脸照片集对应的第一特征向量集，以及所述第二带红外线光斑的人脸照片集对应的第二特征向量集；采用所述第一特征向量集和所述第二特征向量集对神经网络进行训练，获取训练好的神经网络模型。
例如，如果所述带红外线光斑的人脸照片包括两个以上红外线光斑，所述对所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据，包括：对所述带红线光斑的人脸照片进行图像处理，从所述两个以上红外线光斑中选取目标红外线光斑；获取所述目标红外线光斑的形态数据。
本申请实施例只需要对带红线光斑的人脸照片进行局部处理，从两个以上红外线光斑中选取目标红外线光斑，并根据目标红外线光斑的形态数据就可以完成人脸防伪检测，无需采用全局数据进行处理，减小了计算量，缩短了人脸防伪检测时间，并且，由于目标红外线光斑可以从两个以上红外线光斑中选取获得，使得本申请实施例可以适应不同场景下的不同需求，合理选取目标红外线光斑，从而进一步保证人脸防伪检测结果的准确性。
例如，所述人脸防伪检测方法，还包括：对所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的位置坐标数据；根据所述红外线光斑的位置坐标数据和预先设置的标定数据，采用三维重建算法进行计算，获取所述目标人脸的三维信息；根据所述目标人脸的三维信息判断所述目标人脸是否为人脸图形结构；所述对所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据具体为：如果所述目标人脸是人脸图形结构，对所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据。
本申请实施例先对人脸照片中是否存在人脸图形结构进行了判断，只有当存在人脸图形结构时才进一步对人脸真伪进行检测，进一步提升了人脸防伪检测的效率。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
图1是根据本申请第一实施例中的人脸防伪检测方法的流程图；
图2是图1所示的人脸防伪检测方法中步骤101向目标人脸的全脸均匀投影多个红外线光斑的示意图；
图3是图1所示的人脸防伪检测方法中步骤103的流程图一；
图4是采用图3所示的方法实现步骤103时，红外线光斑形状与像素值分布数据的对应关系示意图；
图5是图1所示的人脸防伪检测方法中步骤103的流程图二；
图6是图5中神经网络模型的训练方法的流程图；
图7是根据本申请第二实施例中的人脸防伪检测方法的流程图；
图8是根据本申请第三实施例中的人脸防伪检测装置的结构示意图；
图9是图8所示的检测模块803的结构示意图一；
图10是图8所示的检测模块803的结构示意图二；
图11是根据本申请第四实施例中的人脸防伪检测装置的结构示意图；
图12是本申请第四本申请第六实施例中的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请部分实施例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申请，并不用于限定本申请。
本申请第一实施例涉及一种人脸防伪检测方法，可应用于电子设备，如手机，平板电脑等，在此不一一赘述。在本实施例中，向目标人脸投影红外线光斑，对目标人脸进行拍照，获取带红外线光斑的人脸照片；对带红外线光斑的人脸照片进行图像处理，从带红外线光斑的人脸照片中获取红外线光斑的形态数据；根据红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果。下面对本实施例的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
如图1所示，本申请第一实施例涉及一种人脸防伪检测方法，包括：
步骤101，向目标人脸投影红外线光斑，对目标人脸进行拍照，获取带红外线光斑的人脸照片。
在本实施例中，步骤101具体可以通过如点阵投影器等装置向目标人脸投影红外线光斑，并通过如红外镜头等装置对目标人脸进行拍照，获取带红外线光斑的人脸照片。
需要说明的是，本实施例不对步骤101向目标人脸投影红外线光斑的数量以及位置进行限定，在实际的使用过程中可以根据需求设置向目标人脸投影红外线光斑的数量以及位置，例如：可以设置向目标人脸的脸颊测投影一个红外线光斑，或者也可以如图2所示，设置向目标人脸的全脸均匀投影多个红外线光斑等，此处不对每种情况进行一一赘述。
步骤102，对带红外线光斑的人脸照片进行图像处理，从带红外线光斑的人脸照片中获取红外线光斑的形态数据。
在本实施例中，当带红外线光斑的人脸照片中包含多个红外线光斑时，步骤102可以获取全部红外线光斑的形态数据；也可以只获取部分红外线光斑的形态数据，具体地，步骤102可以对带红外线光斑的人脸照片进行图像处理，从多个红外线光斑中选取目标红外线光斑，获取目标红外线光斑的形态数据。
需要说明的是，当步骤102只获取部分红外线光斑的形态数据时，本专利申请实施例不对红外线光斑的获取个数和位置进行限定，步骤102可以根据实际需要获取不同位置、不同数量的红外线光斑的形态数据。
通过对带红线光斑的人脸照片进行局部处理，从两个以上红外线光斑中选取目标红外线光斑，并根据目标红外线光斑的形态数据就可以完成人脸防伪检测，无需采用全局数据进行处理，减小了计算量，缩短了人脸防伪检测时间，并且，由于目标红外线光斑可以从两个以上红外线光斑中选取获得，使得本申请实施例可以适应不同场景下的不同需求，合理选取目标红外线光斑，从而进一步保证人脸防伪检测结果的准确性。
步骤103，根据红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果。
在本实施例中，步骤103具体可以通过两种方法实现：
一种方法是：当红外线光斑的形态数据为红外线光斑的像素值分布数据时，如图3所示，步骤103包括：
步骤301，从红外线光斑的像素值分布数据中，获取第一像素值衰减数据和第二像素值衰减数据。
在本实施例中，第一像素值衰减数据和第二像素值衰减数据为最大像素值数据衰减后得到的像素值，第一像素值衰减数据的衰减程度不同于第二像素值衰减数据的衰减程度。
具体地，步骤103可以通过如下步骤完成：
首先，根据红外线光斑的像素值分布数据，获取最大像素值数据。
为了便于理解，如图4所示，本实施例以红外线光斑的截面是横截面为例来显示红外线光斑的像素值分布情况。当然，在实际的使用过程中，还可以以纵截面或者其他角度的截面为例来显示红外线光斑的像素值分布情况，此处不对每种情况进行一一赘述。
为了便于对后续步骤的理解，本实施例根据如图4所示的红外线光斑1的横截面对应的像素值分布数据4获取的最大像素值数据定义为I。
其次，根据最大像素值数据以及预先设置的第一像素值衰减规则，获取第一像素值衰减数据。
为了便于理解，在本实施例中第一像素值衰减规则可以预先设置为衰减
则此时，第一像素值衰减数据为
需要说明的是，以上仅为举例，本实施例并不对第一像素值衰减规则进行限定，在实际的使用过程中，可以根据需求设置第一像素值衰减规则，此处不做赘述。
然后，根据最大像素值数据以及预先设置的第二像素值衰减规则，获取第二像素值衰减数据。
具体地，本实施例中第二像素值衰减规则可以预先设置为衰减则此时，第二像素值衰减数据为
需要说明的是，为了便于本领域技术人员能够充分理解本专利申请通过检测红外线光斑的形态的扩散程度检测真假人脸的原理，本实施例以第一像素值衰减数据的像素值大于第二像素值衰减数据的像素值为例进行说明，但是，可以理解的是，在实际的使用过程中，第一像素值衰减数据的像素值也可以小于第二像素值衰减数据的像素值，此时，可以通过检测红外线光斑的形态向中心点的像素值收敛程度，检测真假人脸。不管是检测红外线光斑的形态的扩散程度，还是检测检测红外线光斑的形态向中心点的光强收敛程度，原理上都是利用了红外线光斑的形态在不同介质上的形态变化不同进行的检测，属于相同的原理和构思。
步骤302，获取第一像素值衰减数据在红外线光斑上对应的第一红外线子光斑的面积，以及第二像素值衰减数据在红外线光斑上对应的第二红外线子光斑的面积。
在本实施例中，如图4所示，第一像素值衰减数据在像素值分布数据4上的位置为5，第一像素值衰减数据在红外线光斑1上对应的第一红外线子光斑为3，步骤302可以通过计算获取第一红外线子光斑3的面积，在本实施例中，第一红外线子光斑3的面积用S3表示。
在本实施例中，如图4所示，第二像素值衰减数据在像素值分布数据4上的位置为6，第二像素值衰减数据在红外线光斑1上对应的第二红外线子光斑为2，步骤302可以通过计算获取第二红外线子光斑2的面积，在本实施例中，第二红外线子光斑2的面积用S2表示。
步骤303，将第一红外线子光斑的面积与第二红外线子光斑的面积之间的比例值与预先设置的真人人脸比例值区间进行比较，根据比较结果获取目标人脸的防伪检测结果。
在本实施例中，第一红外线子光斑的面积与第二红外线子光斑的面积之间的比例值R＝S2/S3。
在本实施例中，可以假定真人人脸比例值区间为[r1，r2]，当R∈[r1，r2]时，目标人脸为真人人脸，否则，目标人脸为假人人脸。
在本实施例中，假设通过如图3所示的步骤对真人人脸获取第一红外线子光斑的面积与第二红外线子光斑的面积之间的比例值为R1，对假人人脸获取的第一红外线子光斑的面积与第二红外线子光斑的面积之间的比例值为R2。
发明人经过反复实验获知，对于红外线散射能力比人体皮肤弱的材料，如不透明塑料、石膏或者纸张等，R1>R2；对于红外线散射能力比人体皮肤弱的材料，如半透明的塑料等，R1<R2。
如何合理地确定真人人脸比例值区间成为人脸防伪检测准确性的关键因素。经发明人反复实验发现，对于不同材料，第一红外线子光斑的面积与第二红外线子光斑的面积之间的比例值有明显差异，而对于同种材料第一红外线子光斑的面积与第二红外线子光斑的面积之间的比例值有固定的取值区间。
根据以上特点，在本实施例中，真人人脸比例值区间可以通过对不同的真人人脸采用如图3所示的步骤获取。当然，以上仅为举例，在实际的操作过程中，真人人脸的比例值区间还可以通过其他方法获取，此处不做一一赘述。
另外，需要说明的是，虽然，如图3所示的步骤中，仅以两个像素值数据——第一像素值衰减数据和第二像素值衰减数据，为例进行了说明，然而，本领域技术人员可以理解的是，在实际的使用过程中，也可以使用两个以上像数值数据进行计算，获取目标人脸的防伪检测结果。
具体地，例如：当存在三个像素值数据，其中，三个像数值数据分别为：第一像素值衰减数据、第二像素值衰减数据和第三像素值衰减数据，并且，第一像素值衰减数据的像素值大于第二像素值衰减数据的像素值，第二像素值衰减数据的像素值大于第三像数值衰减数据的像素值时，根据如图3所示的步骤分别获取：第二像素值衰减数据对应的第二红外线子光斑的面积与第一像素值衰减数据对应的第一红外线子光斑的面积之间的比例值R21；第三像素值衰减数据对应的第三红外线子光斑的面积与第二像素值衰减数据对应的第二红外线子光斑的面积之间的比例值R32；第三像素值衰减数据对应的第三红外线子光斑的面积与第一像素值衰减数据对应的第一红外线子光斑的面积之间的比例值R31；对R21、R32和R31计算平均值，获得R321，当R321∈[r1，r2]时，目标人脸为真人人脸，否则，目标人脸为假人人脸。需要说明的是，本实施例对R21、R32和R31进行计算，根据计算结果检测人脸真伪的方法仅为举例，在实际的使用过程中还可以通过概率的方法检测人脸真伪，如：当R21、R32和R31有两个数值∈[r1，r2]时，目标人脸为真人人脸，否则，目标人脸为假人人脸。此处不对每种方法进行一一赘述。
另一种方法是：当红外线光斑的形态数据为通过主成分分析对红外光斑降维获得的特征向量时，如图5所示，步骤103包括：
步骤501，采用预先训练好的神经网络模型对特征向量进行计算，获得特征向量的标签值。
步骤502，将特征向量的标签值与预先设置的标签值阈值进行比较，根据比较结果获取目标人脸的防伪检测结果。
其中，神经网络模型是通过真人人脸的特征向量和假人人脸的特征向量训练获得的；标签值阈值是根据神经网络模型中真人人脸的特征向量的标签值以及假人人脸的特征向量的标签值获得的。
需要说明的是，在本实施例中，如图6所示，神经网络的训练方法可以包括：
步骤601，获取真人人脸对应的第一带红外线光斑的人脸照片集，以及假人人脸对应的第二带红外线光斑的人脸照片集。
具体地，向两个以上不同的真人人脸投射红外线光斑并拍照，获取两个以上不同的真人人脸对应的带红外线光斑的人脸照片，根据两个以上不同的真人人脸对应的带红外线光斑的人脸照片，生成第一带红外线光斑的人脸照片集。
向两个以上不同的假人人脸投射红外线光斑并拍照，获取两个以上不同的假人人脸对应的带红外线光斑的人脸照片，根据两个以上不同的假人人脸对应的带红外线光斑的人脸照片，生成第二带红外线光斑的人脸照片集。
步骤602，采用主成分分析，分别获取第一带红外线光斑的人脸照片集对应的第一特征向量集，以及第二带红外线光斑的人脸照片集对应的第二特征向量集。
具体地，通过主成分分析，对第一对带红外线光斑的人脸照片集中每个带红外线光斑的人脸照片中的每个红外线光斑进行处理，获得对应的特征向量，根据该特征向量生成第一特征向量集。获取第二特征向量集的方法与获取第一特征向量集的方法相同，此处不再赘述。
步骤603，采用第一特征向量集和第二特征向量集对神经网络进行训练，获取训练好的神经网络模型。
需要说明的是，在如图6所示的技术方案中，并不对两个以上真人人脸和用两个以上假人人脸的数量进行限定，在实际的使用过程中，为了尽可能保证神经网络模型的可靠性，可以尽量多的获取真人人脸和假人人脸。
在本实施例中，可以假设神经网络模型中，真人人脸的特征向量的标签值为1，假人人脸的特征向量的标签值为0，则此时，标签值阈值可以为0.5。则，步骤502中，如果输入特征向量到训练好的神经网络模型后输出标签值大于0.5，则目标人脸为真人人脸，否则，目标人脸为假人人脸。需要说明的是，以上所述的标签值阈值为0.5仅为举例，在实际的使用过程中，为了提高人脸防伪检测的准确性，可以将标签值阈值设置的较大，如0.7、0.75等，为了避免环境中干扰因素对人脸防伪检测结果的影响，也可以将标签值阈值设置的较小，如0.4、0.35等，此处不做赘述。
本申请实施例现对于现有技术而言，在向目标人脸投影红外线光斑并进行拍照，获取带红外线光斑的人脸照片，并根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果。本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，其实现方法简单，并且便于用户操作。由于本专利申请是根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果，而人脸照片是在向目标人脸投影红外线光斑时进行拍照获得的，大大缩短了整个人脸防伪检测过程的时间，解决了现有技术需要根据人脸反射回的光线数据进行人脸防伪检测，造成检测时间过长的问题，也解决了现有技术需要用户主动做动作配合完成人脸防伪检测，动作过程缓慢，造成检测时间过长的问题，由于整个检测时间缩短了，进而提高了用户的使用体验。另外，由于本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，使得本专利申请实施例只需要获取一帧人脸照片即可完成人脸的防伪检测，解决了现有技术需要用户主动做动作，获取多帧人脸照片完成人脸的防伪检测，造成用户操作复杂，并且人脸方位检测计算量大的问题。
如图7所示，本申请第二实施例涉及一种人脸防伪检测方法，该方法与如图1所示的基本相同，其区别在于，还包括：
步骤104，对带红外线光斑的人脸照片进行图像处理，从带红外线光斑的人脸照片中获取红外线光斑的位置坐标数据。
步骤105，根据红外线光斑的位置坐标数据和预先设置的标定数据，采用三维重建算法进行计算，获取所述目标人脸的三维信息。
步骤106，根据目标人脸的三维信息判断目标人脸是否为人脸图形结构。
则此时，步骤102具体为步骤102`，如果目标人脸是人脸图形结构，对带红外线光斑的人脸照片进行图像处理，从带红外线光斑的人脸照片中获取红外线光斑的形态数据。
申请实施例在达到图1所示的实施例所有有益效果基础上，先对人脸照片中是否存在人脸图形结构进行了判断，只有当存在人脸图形结构时才进一步对人脸真伪进行检测，进一步提升了人脸防伪检测的效率。
如图8所示，本申请第三实施例涉及一种人脸防伪检测装置，包括：
第一获取模块801，用于向目标人脸投影红外线光斑，对所述目标人脸进行拍照，获取带红外线光斑的人脸照片；
第二获取模块802，用于对所述第一获取模块801获取的所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据；
检测模块803，用于根据所述第二获取模块802获取的所述红外线光斑的形态数据进行计算，获取所述目标人脸的防伪检测结果。
可选地，所述红外线光斑的形态数据为所述红外线光斑的像素值分布数据，如图9所示，所述检测模块803可以包括：
第一获取子模块901，用于从所述红外线光斑的像素值分布数据中，获取第一像素值衰减数据和第二像素值衰减数据；
第二获取子模块902，获取所述第一获取子模块获取的第一像素值衰减数据在所述红外线光斑上对应的第一红外线子光斑的面积，以及所述第一获取子模块获取的第二像素值衰减数据在所述红外线光斑上对应的第二红外线子光斑的面积。
第一检测子模块903，用于将所述第二获取子模块902获取的所述第一红外线子光斑的面积与所述第二红外线子光斑的面积之间的比例值与预先设置的真人人脸比例值区间进行比较，根据比较结果获取所述目标人脸的防伪检测结果。
可选地，第一获取子模块901，具体用于根据所述红外线光斑的像素值分布数据，获取最大像素值数据；根据所述最大像素值数据以及预先设置的第一像素值衰减规则，获取第一像素值衰减数据；根据所述最大像素值数据以及预先设置的第二像素值衰减规则，获取第二像素值衰减数据。
可选地，所述红外线光斑的形态数据为通过主成分分析对所述红外光斑降维获得的特征向量，如图10所示，所述检测模块803可以包括：
第四获取子模块1001，用于采用预先训练好的神经网络模型对所述特征向量进行计算，获得特征向量的标签值；
第二检测子模块1002，用于将所述第四获取子模块1001获取的特征向量的标签值与预先设置的标签值阈值进行比较，根据比较结果获取所述目标人脸的防伪检测结果；
其中，所述神经网络模型是通过真人人脸的特征向量和假人人脸的特征向量训练获得的；
其中，所述标签值阈值是根据所述神经网络模型中真人人脸的特征向量的标签值和假人人脸的特征向量的标签值获得的。
可选地，如图10所示，所述检测模块803还可以包括：神经网络模型训练子模块1003；
所述神经网络训练子模块1003可以包括：
第一获取单元10031，用于获取真人人脸对应的第一带红外线光斑的人脸照片集，以及假人人脸对应的第二带红外线光斑的人脸照片集；
第二获取单元10032，用于采用所述主成分分析，分别获取所述第一带红外线光斑的人脸照片集对应的第一特征向量集，以及所述第二带红外线光斑的人脸照片集对应的第二特征向量集；
训练单元10033，用于采用所述第一特征向量集和所述第二特征向量集对神经网络进行训练，获取训练好的神经网络模型。
可选地，如果所述带红外线光斑的人脸照片包括两个以上红外线光斑，第二获取模块802，还用于对所述带红线光斑的人脸照片进行图像处理，从所述两个以上红外线光斑中选取目标红外线光斑；获取所述目标红外线光斑的形态数据。
本实施例提供的人脸防伪检测装置的具体实现方法可以参见本申请第一实施例所述的人脸防伪检测方法，此处不再赘述。
本申请实施例现对于现有技术而言，在向目标人脸投影红外线光斑并进行拍照，获取带红外线光斑的人脸照片，并根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果。本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，其实现方法简单，并且便于用户操作。由于本专利申请是根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果，而人脸照片是在向目标人脸投影红外线光斑时进行拍照获得的，大大缩短了整个人脸防伪检测过程的时间，解决了现有技术需要根据人脸反射回的光线数据进行人脸防伪检测，造成检测时间过长的问题，也解决了现有技术需要用户主动做动作配合完成人脸防伪检测，动作过程缓慢，造成检测时间过长的问题，由于整个检测时间缩短了，进而提高了用户的使用体验。另外，由于本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，使得本专利申请实施例只需要获取一帧人脸照片即可完成人脸的防伪检测，解决了现有技术需要用户主动做动作，获取多帧人脸照片完成人脸的防伪检测，造成用户操作复杂，并且人脸方位检测计算量大的问题。
如图11所示，本申请第四实施例涉及一种人脸防伪检测装置，该装置与如图8所示的基本相同，其区别在于，还包括：
第三获取模块804，用于对所述第一获取模块801获取的所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的位置坐标数据；
第四获取模块805，用于根据所述第三获取模块804获取的所述红外线光斑的位置坐标数据和预先设置的标定数据，采用三维重建算法进行计算，获取所述目标人脸的三维信息；
判断模块806，用于根据所述第四获取模块805获取的所述目标人脸的三维信息判断所述目标人脸是否为人脸图形结构；
则第二获取模块802，具体用于如果所述判断模块806判断出所述目标人脸是人脸图形结构，对所述第一获取模块801获取的所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据。
本实施例提供的人脸防伪检测装置的具体实现方法可以参见本申请第二实施例所述的人脸防伪检测方法，此处不再赘述。
本申请实施例在达到图8所示的实施例所有有益效果基础上，先对人脸照片中是否存在人脸图形结构进行了判断，只有当存在人脸图形结构时才进一步对人脸真伪进行检测，进一步提升了人脸防伪检测的效率。
本申请第五实施例涉及一种人脸防伪检测芯片，所述人脸防伪检测芯片与存储器通信连接，所述存储器存储有指令，所述指令被所述人脸防伪检测芯片执行，以使所述人脸防伪检测芯片能够执行以上本申请第一实施例和第二实施例所述的人脸防伪检测方法。
本申请实施例现对于现有技术而言，在向目标人脸投影红外线光斑并进行拍照，获取带红外线光斑的人脸照片，并根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果。本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，其实现方法简单，并且便于用户操作。由于本专利申请是根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果，而人脸照片是在向目标人脸投影红外线光斑时进行拍照获得的，大大缩短了整个人脸防伪检测过程的时间，解决了现有技术需要根据人脸反射回的光线数据进行人脸防伪检测，造成检测时间过长的问题，也解决了现有技术需要用户主动做动作配合完成人脸防伪检测，动作过程缓慢，造成检测时间过长的问题，由于整个检测时间缩短了，进而提高了用户的使用体验。另外，由于本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，使得本专利申请实施例只需要获取一帧人脸照片即可完成人脸的防伪检测，解决了现有技术需要用户主动做动作，获取多帧人脸照片完成人脸的防伪检测，造成用户操作复杂，并且人脸方位检测计算量大的问题。
如图12所示，本申请第六实施例涉及一种电子设备，包括：存储器1201，以及以上第五实施例所述的人脸防伪检测芯片1202，所述存储器1201与所述人脸防伪检测芯片1202通信连接。
本申请实施例现对于现有技术而言，在向目标人脸投影红外线光斑并进行拍照，获取带红外线光斑的人脸照片，并根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果。本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，其实现方法简单，并且便于用户操作。由于本专利申请是根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果，而人脸照片是在向目标人脸投影红外线光斑时进行拍照获得的，大大缩短了整个人脸防伪检测过程的时间，解决了现有技术需要根据人脸反射回的光线数据进行人脸防伪检测，造成检测时间过长的问题，也解决了现有技术需要用户主动做动作配合完成人脸防伪检测，动作过程缓慢，造成检测时间过长的问题，由于整个检测时间缩短了，进而提高了用户的使用体验。另外，由于本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，使得本专利申请实施例只需要获取一帧人脸照片即可完成人脸的防伪检测，解决了现有技术需要用户主动做动作，获取多帧人脸照片完成人脸的防伪检测，造成用户操作复杂，并且人脸方位检测计算量大的问题。
本申请第七实施例涉及一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现以上本申请第一实施例和第二实施例所述的人脸防伪检测方法。
本申请实施例现对于现有技术而言，在向目标人脸投影红外线光斑并进行拍照，获取带红外线光斑的人脸照片，并根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果。本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，其实现方法简单，并且便于用户操作。由于本专利申请是根据人脸照片中红外线光斑的形态数据进行计算，获取目标人脸的防伪检测结果，而人脸照片是在向目标人脸投影红外线光斑时进行拍照获得的，大大缩短了整个人脸防伪检测过程的时间，解决了现有技术需要根据人脸反射回的光线数据进行人脸防伪检测，造成检测时间过长的问题，也解决了现有技术需要用户主动做动作配合完成人脸防伪检测，动作过程缓慢，造成检测时间过长的问题，由于整个检测时间缩短了，进而提高了用户的使用体验。另外，由于本专利申请实施例利用了红外线光斑在不同介质上形态数据的差异性实现对人脸的防伪检测，使得本专利申请实施例只需要获取一帧人脸照片即可完成人脸的防伪检测，解决了现有技术需要用户主动做动作，获取多帧人脸照片完成人脸的防伪检测，造成用户操作复杂，并且人脸方位检测计算量大的问题。
本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。
Claims (11)
1.一种人脸防伪检测方法，其特征在于，包括：
向目标人脸投影红外线光斑，对所述目标人脸进行拍照，获取带红外线光斑的人脸照片；
对所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据；
根据所述红外线光斑的形态数据进行计算，获取所述目标人脸的防伪检测结果。
2.根据权利要求1所述的方法，其特征在于，所述红外线光斑的形态数据为所述红外线光斑的像素值分布数据；
所述根据所述红外线光斑的形态数据进行计算，获取所述目标人脸的防伪检测结果包括：
从所述红外线光斑的像素值分布数据中，获取第一像素值衰减数据和第二像素值衰减数据，其中，所述第一像素值衰减数据和所述第二像素值衰减数据为最大像素值数据衰减后得到的像素值，所述第一像素值衰减数据的衰减程度不同于所述第二像素值衰减数据的衰减程度；
获取所述第一像素值衰减数据在所述红外线光斑上对应的第一红外线子光斑的面积，以及所述第二像素值衰减数据在所述红外线光斑上对应的第二红外线子光斑的面积；
将所述第一红外线子光斑的面积与所述第二红外线子光斑的面积之间的比例值与预先设置的真人人脸比例值区间进行比较，根据比较结果获取所述目标人脸的防伪检测结果。
3.根据权利要求2所述的方法，其特征在于，所述从所述红外线光斑的像素值分布数据中，获取第一像素值衰减数据和第二像素值衰减数据包括：
根据所述红外线光斑的像素值分布数据，获取所述最大像素值数据；
根据所述最大像素值数据以及预先设置的第一像素值衰减规则，获取第一像素值衰减数据；
根据所述最大像素值数据以及预先设置的第二像素值衰减规则，获取第二像素值衰减数据。
4.根据权利要求2所述的方法，其特征在于，所述第一像素值衰减数据的像素值大于所述第二像素值衰减数据的像素值。
5.根据权利要求1所述的方法，其特征在于，所述红外线光斑的形态数据为通过主成分分析对所述红外光斑降维获得的特征向量；
所述根据所述红外线光斑的形态数据进行计算，获取所述目标人脸的防伪检测结果包括：
采用预先训练好的神经网络模型对所述特征向量进行计算，获得特征向量的标签值；
将所述特征向量的标签值与预先设置的标签值阈值进行比较，根据比较结果获取所述目标人脸的防伪检测结果；
其中，所述神经网络模型是通过真人人脸的特征向量和假人人脸的特征向量训练获得的，所述标签值阈值是根据所述神经网络模型中真人人脸的特征向量的标签值和假人人脸的特征向量的标签值获得的。
6.根据权利要求5所述的方法，其特征在于，所述神经网络模型的训练方法包括：
获取真人人脸对应的第一带红外线光斑的人脸照片集，以及假人人脸对应的第二带红外线光斑的人脸照片集；
采用所述主成分分析，分别获取所述第一带红外线光斑的人脸照片集对应的第一特征向量集，以及所述第二带红外线光斑的人脸照片集对应的第二特征向量集；
采用所述第一特征向量集和所述第二特征向量集对神经网络进行训练，获取训练好的神经网络模型。
7.根据权利要求1所述的方法，其特征在于，所述带红外线光斑的人脸照片包括两个以上红外线光斑；所述对所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据，包括：
对所述带红线光斑的人脸照片进行图像处理，从所述两个以上红外线光斑中选取目标红外线光斑；
获取所述目标红外线光斑的形态数据。
8.根据权利要求1至7中任意一项所述的方法，其特征在于，还包括：
对所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的位置坐标数据；
根据所述红外线光斑的位置坐标数据和预先设置的标定数据，采用三维重建算法进行计算，获取所述目标人脸的三维信息；
根据所述目标人脸的三维信息判断所述目标人脸是否为人脸图形结构；
所述对所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据具体为：
如果所述目标人脸是人脸图形结构，对所述带红外线光斑的人脸照片进行图像处理，从所述带红外线光斑的人脸照片中获取红外线光斑的形态数据。
9.一种人脸防伪检测芯片，其特征在于，所述人脸防伪检测芯片与存储器通信连接，所述存储器存储有指令，所述指令被所述人脸防伪检测芯片执行，以使所述人脸防伪检测芯片能够执行如权利要求1至8中任一所述的人脸防伪检测方法。
10.一种电子设备，其特征在于，包括：存储器，以及如权利要求9所述的人脸防伪检测芯片，所述存储器与所述人脸防伪检测芯片通信连接。
11.一种计算机可读存储介质，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实现权利要求1至8中任一项所述的人脸防伪检测方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2019/105449 WO2021046773A1 (zh) | 2019-09-11 | 2019-09-11 | 人脸防伪检测方法、装置、芯片、电子设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110720105A true CN110720105A (zh) | 2020-01-21 |
Family
ID=69216606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980001918.9A Pending CN110720105A (zh) | 2019-09-11 | 2019-09-11 | 人脸防伪检测方法、装置、芯片、电子设备和计算机可读介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110720105A (zh) |
| WO (1) | WO2021046773A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673287A (zh) * | 2020-05-15 | 2021-11-19 | 深圳市光鉴科技有限公司 | 基于目标时间节点的深度重建方法、系统、设备及介质 |
| EP4250173A4 (en) * | 2020-12-24 | 2024-05-08 | Huawei Cloud Computing Tech Co Ltd | AUTHENTICATION SYSTEM, DEVICE AND METHOD |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095284A (zh) * | 2021-04-30 | 2021-07-09 | 平安国际智慧城市科技股份有限公司 | 人脸选取方法、装置、设备及计算机可读存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070064985A1 (en) * | 2005-09-20 | 2007-03-22 | Rajeshwar Chhibber | Method and system for analyzing skin conditions using digital images |
| CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
| WO2015045751A1 (ja) * | 2013-09-26 | 2015-04-02 | 株式会社日立ハイテクノロジーズ | 赤外線検査装置および赤外線検査方法 |
| CN105138996A (zh) * | 2015-09-01 | 2015-12-09 | 北京上古视觉科技有限公司 | 一种具有活体检测功能的虹膜识别系统 |
| CN105184277A (zh) * | 2015-09-29 | 2015-12-23 | 杨晴虹 | 活体人脸识别方法以及装置 |
| US20160071275A1 (en) * | 2014-09-09 | 2016-03-10 | EyeVerify, Inc. | Systems and methods for liveness analysis |
| CN105637532A (zh) * | 2015-06-08 | 2016-06-01 | 北京旷视科技有限公司 | 活体检测方法、活体检测系统以及计算机程序产品 |
| CN106407914A (zh) * | 2016-08-31 | 2017-02-15 | 北京旷视科技有限公司 | 用于检测人脸的方法、装置和远程柜员机系统 |
| CN107545241A (zh) * | 2017-07-19 | 2018-01-05 | 百度在线网络技术（北京）有限公司 | 神经网络模型训练及活体检测方法、装置及存储介质 |
| US20190034702A1 (en) * | 2017-07-26 | 2019-01-31 | Baidu Online Network Technology (Beijing) Co., Ltd. | Living body detecting method and apparatus, device and storage medium |
| CN109923555A (zh) * | 2019-01-29 | 2019-06-21 | 深圳市汇顶科技股份有限公司 | 指纹检测方法、指纹检测装置和电子设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808115A (zh) * | 2017-09-27 | 2018-03-16 | 联想(北京)有限公司 | 一种活体检测方法、装置及存储介质 |
| CN108537152B (zh) * | 2018-03-27 | 2022-01-25 | 百度在线网络技术（北京）有限公司 | 用于检测活体的方法和装置 |
| CN110197132A (zh) * | 2019-05-13 | 2019-09-03 | 径卫视觉科技（上海）有限公司 | 一种用于识别活体人脸的方法以及相应的系统 |
-
2019
- 2019-09-11 WO PCT/CN2019/105449 patent/WO2021046773A1/zh active Application Filing
- 2019-09-11 CN CN201980001918.9A patent/CN110720105A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070064985A1 (en) * | 2005-09-20 | 2007-03-22 | Rajeshwar Chhibber | Method and system for analyzing skin conditions using digital images |
| CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
| WO2015045751A1 (ja) * | 2013-09-26 | 2015-04-02 | 株式会社日立ハイテクノロジーズ | 赤外線検査装置および赤外線検査方法 |
| US20160071275A1 (en) * | 2014-09-09 | 2016-03-10 | EyeVerify, Inc. | Systems and methods for liveness analysis |
| CN105637532A (zh) * | 2015-06-08 | 2016-06-01 | 北京旷视科技有限公司 | 活体检测方法、活体检测系统以及计算机程序产品 |
| CN105138996A (zh) * | 2015-09-01 | 2015-12-09 | 北京上古视觉科技有限公司 | 一种具有活体检测功能的虹膜识别系统 |
| CN105184277A (zh) * | 2015-09-29 | 2015-12-23 | 杨晴虹 | 活体人脸识别方法以及装置 |
| CN106407914A (zh) * | 2016-08-31 | 2017-02-15 | 北京旷视科技有限公司 | 用于检测人脸的方法、装置和远程柜员机系统 |
| CN107545241A (zh) * | 2017-07-19 | 2018-01-05 | 百度在线网络技术（北京）有限公司 | 神经网络模型训练及活体检测方法、装置及存储介质 |
| US20190034702A1 (en) * | 2017-07-26 | 2019-01-31 | Baidu Online Network Technology (Beijing) Co., Ltd. | Living body detecting method and apparatus, device and storage medium |
| CN109923555A (zh) * | 2019-01-29 | 2019-06-21 | 深圳市汇顶科技股份有限公司 | 指纹检测方法、指纹检测装置和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 孔月萍;刘霞;谢心谦;李凤洁;: "基于梯度方向直方图的人脸活体检测方法", 激光与光电子学进展, no. 03, pages 237 - 243 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673287A (zh) * | 2020-05-15 | 2021-11-19 | 深圳市光鉴科技有限公司 | 基于目标时间节点的深度重建方法、系统、设备及介质 |
| CN113673287B (zh) * | 2020-05-15 | 2023-09-12 | 深圳市光鉴科技有限公司 | 基于目标时间节点的深度重建方法、系统、设备及介质 |
| EP4250173A4 (en) * | 2020-12-24 | 2024-05-08 | Huawei Cloud Computing Tech Co Ltd | AUTHENTICATION SYSTEM, DEVICE AND METHOD |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021046773A1 (zh) | 2021-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764071B (zh) | 一种基于红外和可见光图像的真实人脸检测方法及装置 | |
| CN110909693B (zh) | 3d人脸活体检测方法、装置、计算机设备及存储介质 | |
| WO2020243967A1 (zh) | 人脸识别的方法、装置和电子设备 | |
| US9600714B2 (en) | Apparatus and method for calculating three dimensional (3D) positions of feature points | |
| CN110728196B (zh) | 一种人脸识别的方法、装置及终端设备 | |
| CN110720105A (zh) | 人脸防伪检测方法、装置、芯片、电子设备和计算机可读介质 | |
| US20200279387A1 (en) | Light field image rendering method and system for creating see-through effects | |
| CN105740775A (zh) | 一种三维人脸活体识别方法及其装置 | |
| KR20090115739A (ko) | 정보 추출 방법, 정보 추출 장치, 프로그램, 등록 장치 및 대조 장치 | |
| CN107563304A (zh) | 终端设备解锁方法及装置、终端设备 | |
| EP3241151A1 (en) | An image face processing method and apparatus | |
| CN112036339B (zh) | 人脸检测的方法、装置和电子设备 | |
| CN110047100A (zh) | 深度信息检测方法、装置及系统 | |
| CN111382592B (zh) | 活体检测方法和设备 | |
| US11250618B2 (en) | Method and system for estimating the geometry of a scene | |
| CN106991378A (zh) | 基于深度的人脸朝向检测方法、检测装置和电子装置 | |
| CN110009673A (zh) | 深度信息检测方法、装置及电子设备 | |
| CN110059579A (zh) | 用于活体检验的方法和装置，电子设备和存储介质 | |
| CN111598065A (zh) | 深度图像获取方法及活体识别方法、设备、电路和介质 | |
| CN106991376A (zh) | 结合深度信息的侧脸验证方法及装置与电子装置 | |
| CN112801038B (zh) | 一种多视点的人脸活体检测方法及系统 | |
| CN111160233B (zh) | 基于三维成像辅助的人脸活体检测方法、介质及系统 | |
| CN110514140B (zh) | 一种三维成像方法、装置、设备以及存储介质 | |
| US20230245396A1 (en) | System and method for three-dimensional scene reconstruction and understanding in extended reality (xr) applications | |
| Cheng et al. | Fast and accurate illumination estimation using LDR panoramic images for realistic rendering |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240507 |