CN110866470A - 一种基于随机图像特征的人脸防伪检测方法 - Google Patents
一种基于随机图像特征的人脸防伪检测方法 Download PDFInfo
- Publication number
- CN110866470A CN110866470A CN201911054057.9A CN201911054057A CN110866470A CN 110866470 A CN110866470 A CN 110866470A CN 201911054057 A CN201911054057 A CN 201911054057A CN 110866470 A CN110866470 A CN 110866470A
- Authority
- CN
- China
- Prior art keywords
- image
- random
- features
- color
- library
- 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
- G06V40/10—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于随机图像特征的人脸防伪检测方法,包括以下步骤:建立训练图像库;得到多个第一图像块和第二图像块;得到第一图像块和第二图像块的彩色局部随机特征;得到每幅图像的全局特征;以所述训练图像库内每幅所述图像的全局特征为训练数据,建立SVM模型;建立验证图像库,并得到验证图像库内每幅图像的全局特征,并输入到SVM模型中,确定SVM模型的阈值;获取待测定图像的全局特征,并将全局特征输入到所述SVM模型中,得到对应的概率值,若所述概率值大于阈值,待测定图像来自于真实人脸。本发明提出一种基于随机图像特征的人脸防伪检测方法,其不需要用户配合、对图像的质量鲁棒且具有较高的检测性能与运行效率。
Description
技术领域
本发明涉及人脸防伪检测领域。更具体地说,本发明涉及一种基于随机图像特征的人脸防伪检测方法。
背景技术
人脸防伪检测技术是一种新兴的生物识别技术,其主要用途是判别摄像头采集的人脸图像是否来自真实的人脸。该技术在最近十余年得到了一定的发展,但由于训练数据采集难度大以及不同人脸之间的显著差异等因素限制了人脸防伪检测技术的应用。目前,针对人脸防伪检测的方法主要有以下三类:1)通过检测人的生命活动标志(主要是眨眼)来判断图像是否采集自真实的人脸;2)伪造人脸信息在制作的过程中会引入噪声并导致图像质量下降,因而可以通过分析图像的质量来进行防伪检测,3)通过对比真实人脸和伪造人脸(照片或视频)在动态纹理特性上的差异来进行检测。
上述人脸防伪检测方法存在一些缺陷使得它们无法得到广泛的应用。其中,检测生命活动标志一方面具有较高的难度,另一方面需要用户的配合,从而导致其可用性与用户体验变差;基于图像质量分析的方法无法应对使用高质量伪造人脸的攻击行为;基于动态纹理特征的方法的主要问题是采用的特征均为手工定义的特征,不包含学习过程,而且其维度通常很高,因而这类方法的检测性能与效率都不高,在许多场景中难以应用。
综上所述,现有的人脸防伪检测方法存在用户体验差、应用范围窄和检测性能差三个问题中的一个或者多个。
发明内容
本发明针对上述问题,提出一种基于随机图像特征的人脸防伪检测方法,其不需要用户配合、对图像的质量鲁棒且具有较高的检测性能与运行效率。
为了实现本发明的这些目的和其它优点,提供了一种基于随机图像特征的人脸防伪检测方法,包括以下步骤:
采集多幅图像,建立训练图像库;
对所述训练图像库内的每幅所述图像分别进行局部随机采样和稠密采样,得到多个第一图像块和多个第二图像块;
分别获得每个所述第一图像块在各个颜色通道的随机特征,并将每个所述第一图像块在各个颜色通道的随机特征串联起来,得到所述第一图像块的彩色局部随机特征;
分别获得每个所述第二图像块在各个颜色通道的随机特征,并将每个所述第二图像块在各个颜色通道的随机特征串联起来,得到所述第二图像块的彩色局部随机特征;
利用所有的所述第一图像块的彩色局部随机特征拟合得到一个GMM(GaussianMixture Model)模型,对于来自于同一幅图像的所有的第二图像块的彩色局部随机特征使用上述GMM模型进行Fisher向量编码,得到每幅图像的全局特征;
以所述训练图像库内每幅所述图像的全局特征为训练数据,使用libsvm库来建立SVM(Support Vector Machine)模型;
另取多幅图像,建立验证图像库,并得到所述验证图像库内每幅图像的全局特征,并将所述验证图像库内每幅图像的全局特征输入到所述SVM模型中,得到所述验证图像库内每幅图像对应的概率值,并找到等错误率对应的概率值作为所述SVM模型的阈值;
获取待测定图像的全局特征,并将所述全局特征输入到所述SVM模型中,得到对应的计算概率值,若所述计算概率值大于所述阈值,所述待测定图像来自于真实人脸,若所述计算概率值小于或等于所述阈值,所述待测定图像来自于伪造人脸。
本发明的有益效果是:
1)特征维度低;2)采用随机投影,计算过程简单;3)特征中包含了色彩信息;4)编码字典为GMM模型,而非手工定义;5)特征包含高阶信息,而非单纯的统计直方图;6)检测性能好,能够有效地提升人脸识别系统的安全性。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步,对所述训练图像库内的每幅所述图像进行局部随机采样时,从每幅所述图像中随机采样1000个大小为11×11的图像块作为所述第一图像块。
进一步,对所述训练图像库内的每幅所述图像进行稠密采样时,对于一幅大小为X×Y的图像,以滑动11×11的窗口的方式进行采样,得到(X-10)×(Y-10)个图像块作为所述第二图像块,其中X和Y均为大于10的整数。
进一步,获得每个所述第一图像块的随机特征时,随机生成十个大小为11×11的滤波器,且使所述滤波器的均值均为0,将所述第一图像块进行色彩空间转换,由RGB空间转换到HSV空间及YCbCr空间,得到一个六通道的图像块,并使用十个所述滤波器对其所述图像块的每一个通道进行卷积,即得到每一个通道的一个十维的所述随机特征。
采用上述进一步方案的有益效果是:本进一步方案中,将图像由RGB空间转换到HSV空间和YCbCr空间,对彩色信息进行利用。
进一步,将每个所述第一图像块的六个通道对应的随机特征串联起来,即得到所述图像块对应的一个六十维的彩色局部随机特征。
进一步,使用所有的所述第一图像块的彩色局部随机特征拟合得到一个GMM模型时,利用最大似然算法拟合一个包含50个高斯组件的GMM模型,其参数记为Θ={μj,σj,πj;j=1,2,...,50},其中μj,σj和πj分别是第j个高斯组件的均值、方差和权重。
其中,Pj(f)是第j个高斯分布的概率密度函数;是指fi由第j个高斯分布生成的概率;和分别是局部特征组在第j个高斯分布上的一阶和二阶差异,将这些差异串联起来即可得到一个描述该图像的全局特征F,具体的:
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的基于随机图像特征的人脸防伪检测方法的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是,在本发明的描述中,术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,本发明的实施例提供一种基于随机图像特征的人脸防伪检测方法,包括以下步骤:
采集多幅图像,建立训练图像库;
对所述训练图像库内的每幅所述图像分别进行局部随机采样和稠密采样,得到多个第一图像块和多个第二图像块;
分别获得每个所述第一图像块在各个颜色通道的随机特征,并将每个所述第一图像块在各个颜色通道的随机特征串联起来,得到所述第一图像块的彩色局部随机特征;
分别获得每个所述第二图像块在各个颜色通道的随机特征,并将每个所述第二图像块在各个颜色通道的随机特征串联起来,得到所述第二图像块的彩色局部随机特征;
利用所有的所述第一图像块的彩色局部随机特征拟合得到一个GMM(GaussianMixture Model)模型,对于来自于同一幅图像的所有的第二图像块的彩色局部随机特征使用上述GMM模型进行Fisher向量编码,得到每幅图像的全局特征;
以所述训练图像库内每幅所述图像的全局特征为训练数据,使用libsvm库来建立SVM模型;
另取多幅图像,建立验证图像库,并得到所述验证图像库内每幅图像的全局特征,并将所述验证图像库内每幅图像的全局特征输入到所述SVM模型中,得到所述验证图像库内每幅图像对应的概率值,并找到等错误率对应的概率值作为所述SVM模型的阈值;
获取待测定图像的全局特征,并将所述全局特征输入到所述SVM模型中,得到对应的计算概率值,若所述计算概率值大于所述阈值,所述待测定图像来自于真实人脸,若所述计算概率值小于或等于所述阈值,所述待测定图像来自于伪造人脸。
其中,对所述训练图像库内的每幅所述图像进行局部随机采样时,从每幅所述图像中随机采样1000个大小为11×11的图像块作为所述第一图像块;
其中,对所述训练图像库内的每幅所述图像进行稠密采样时,对于一幅大小为X×Y的图像,以滑动11×11的窗口的方式进行采样,得到(X-10)×(Y-10)个图像块作为所述第二图像块,其中X和Y均为大于10的整数;
其中,获得每个所述第一图像块的随机特征时,随机生成十个大小为11×11的滤波器,且使所述滤波器的均值均为0,将所述第一图像块进行色彩空间转换,由RGB空间转换到HSV空间及YCbCr空间,得到一个六通道的图像块,并使用十个所述滤波器对其所述图像块的每一个通道进行卷积,即得到每一个通道的一个十维的所述随机特征;本实施例中,获取第二图像块的随机特征时,方法与获取第一图像块的随机特征时相同;
其中,将每个所述第一图像块的六个通道对应的随机特征串联起来,即得到所述图像块对应的一个六十维的彩色局部随机特征。
其中,使用所有的所述第一图像块的彩色局部随机特征拟合得到一个GMM模型时,利用最大似然算法拟合一个包含50个高斯组件的GMM模型,其参数记为Θ={μj,σj,πj;j=1,2,...,50},其中μj,σj和πj分别是第j个高斯组件的均值、方差和权重。
其中,Pj(f)是第j个高斯分布的概率密度函数;是指fi由第j个高斯分布生成的概率;和分别是局部特征组在第j个高斯分布上的一阶和二阶差异,将这些差异串联起来即可得到一个描述该图像的全局特征F,具体的:
此外,在上述实施例的基础上,本发明还提供另外一个实施例,在人脸识别操作之前先实施人脸防伪检测,可以有效地提升人脸识别系统的安全性,当摄像头采集到一幅人脸图像,其人脸防伪检测处理流程如下:
1)对人脸图像进行稠密采样,得到一组图像块;
2)将每个图像块由RGB空间转换到HSV空间以及YCbCr空间,得到一个6通道的图像块;
3)对每个通道的图像块应用随机投影,得到6个10维的随机特征;
4)对于每个图像块,将其6个通道的随机特征串联起来,得到一个彩色局部随机特征;
5)利用训练得到的GMM模型对该人脸图像的一组彩色局部随机特征进行Fisher向量编码,得到一个全局特征;
6)将全局特征输入SVM分类器,得到该图像来自真实人脸的一个概率值;
7)将该概率值与阈值进行比较,若大于阈值,则说明该图像来自真实人脸,可以进行后续的人脸识别过程;反之,则说明来自于伪造人脸,无需进行后续的人脸识别过程。
上述实施例中,具有以下优点,1)忽略人脸的几何结构,对各个局部图像块一视同仁;2)将图像由RGB空间转换到HSV空间和YCbCr空间,对彩色信息进行利用;3)采用随机投影来提取各个色彩通道的特征,该特征具有维度低、计算过程简单的特点;4)利用Fisher向量编码来聚合一幅图像中所有彩色局部随机特征,包含了一阶信息和二阶信息,具有较高的检测准确率。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (7)
1.一种基于随机图像特征的人脸防伪检测方法,其特征在于,包括以下步骤:
采集多幅图像,建立训练图像库;
对所述训练图像库内的每幅所述图像分别进行局部随机采样和稠密采样,得到多个第一图像块和多个第二图像块;
分别获得每个所述第一图像块在各个颜色通道的随机特征,并将每个所述第一图像块在各个颜色通道的随机特征串联起来,得到所述第一图像块的彩色局部随机特征;
分别获得每个所述第二图像块在各个颜色通道的随机特征,并将每个所述第二图像块在各个颜色通道的随机特征串联起来,得到所述第二图像块的彩色局部随机特征;
利用所有的所述第一图像块的彩色局部随机特征拟合得到一个GMM模型,对于来自于同一幅图像的所有的第二图像块的彩色局部随机特征使用上述GMM模型进行Fisher向量编码,得到每幅图像的全局特征;
以所述训练图像库内每幅所述图像的全局特征为训练数据,使用libsvm库来建立SVM模型;
另取多幅图像,建立验证图像库,并得到所述验证图像库内每幅图像的全局特征,并将所述验证图像库内每幅图像的全局特征输入到所述SVM模型中,得到所述验证图像库内每幅图像对应的概率值,并找到等错误率对应的概率值作为所述SVM模型的阈值;
获取待测定图像的全局特征,并将所述全局特征输入到所述SVM模型中,得到对应的计算概率值,若所述计算概率值大于所述阈值,所述待测定图像来自于真实人脸,若所述计算概率值小于或等于所述阈值,所述待测定图像来自于伪造人脸。
2.如权利要求1所述的一种基于随机图像特征的人脸防伪检测方法,其特征在于,对所述训练图像库内的每幅所述图像进行局部随机采样时,从每幅所述图像中随机采样1000个大小为11×11的图像块作为所述第一图像块。
3.如权利要求1所述的一种基于随机图像特征的人脸防伪检测方法,其特征在于,对所述训练图像库内的每幅所述图像进行稠密采样时,对于一幅大小为X×Y的图像,以滑动11×11的窗口的方式进行采样,得到(X-10)×(Y-10)个图像块作为所述第二图像块,其中X和Y均为大于10的整数。
4.如权利要求1所述的一种基于随机图像特征的人脸防伪检测方法,其特征在于,获得每个所述第一图像块的随机特征时,随机生成十个大小为11×11的滤波器,且使所述滤波器的均值均为0,将所述第一图像块进行色彩空间转换,由RGB空间转换到HSV空间及YCbCr空间,得到一个六通道的图像块,并使用十个所述滤波器对所述图像块的每一个通道进行卷积,即得到每一个通道的一个十维的所述随机特征。
5.如权利要求4所述的一种基于随机图像特征的人脸防伪检测方法,其特征在于,将每个所述第一图像块的六个通道对应的随机特征串联起来,即得到所述第一图像块对应的一个六十维的彩色局部随机特征。
6.如权利要求1所述的一种基于随机图像特征的人脸防伪检测方法,其特征在于,使用所有的所述第一图像块的彩色局部随机特征拟合得到一个GMM模型时,利用最大似然算法拟合一个包含50个高斯组件的GMM模型,其参数记为Θ={μj,σj,πj;j=1,2,...,50},其中μj,σj和πj分别是第j个高斯组件的均值、方差和权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054057.9A CN110866470A (zh) | 2019-10-31 | 2019-10-31 | 一种基于随机图像特征的人脸防伪检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054057.9A CN110866470A (zh) | 2019-10-31 | 2019-10-31 | 一种基于随机图像特征的人脸防伪检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110866470A true CN110866470A (zh) | 2020-03-06 |
Family
ID=69654716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054057.9A Pending CN110866470A (zh) | 2019-10-31 | 2019-10-31 | 一种基于随机图像特征的人脸防伪检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866470A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738244A (zh) * | 2020-08-26 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
WO2022032549A1 (zh) * | 2020-08-11 | 2022-02-17 | 中国科学院自动化研究所 | 基于跨模态转化辅助的人脸防伪检测方法、系统及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408435A (zh) * | 2014-12-05 | 2015-03-11 | 浙江大学 | 一种基于随机池化卷积神经网络的人脸识别方法 |
CN106056159A (zh) * | 2016-06-03 | 2016-10-26 | 西安电子科技大学 | 基于Fisher Vector的图像精细分类方法 |
CN109344709A (zh) * | 2018-08-29 | 2019-02-15 | 中国科学院信息工程研究所 | 一种人脸生成伪造图像的检测方法 |
CN109886160A (zh) * | 2019-01-30 | 2019-06-14 | 浙江工商大学 | 一种非限定条件下的人脸识别方法 |
-
2019
- 2019-10-31 CN CN201911054057.9A patent/CN110866470A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408435A (zh) * | 2014-12-05 | 2015-03-11 | 浙江大学 | 一种基于随机池化卷积神经网络的人脸识别方法 |
CN106056159A (zh) * | 2016-06-03 | 2016-10-26 | 西安电子科技大学 | 基于Fisher Vector的图像精细分类方法 |
CN109344709A (zh) * | 2018-08-29 | 2019-02-15 | 中国科学院信息工程研究所 | 一种人脸生成伪造图像的检测方法 |
CN109886160A (zh) * | 2019-01-30 | 2019-06-14 | 浙江工商大学 | 一种非限定条件下的人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
JORGE SANCHEZ ET AL: "Image Classification with the Fisher Vector:Theory and Practice", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
XIAOCHAO ZHAO ET AL.: "DYNAMIC TEXTURE RECOGNITION USING 3D RANDOM FEATURES", 《ICASSP2019-2019 IEEE INTERNATIONAL CONFERECCE ON ACOUSTICS,SPEECH AND SIGNAL PROCESSING》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022032549A1 (zh) * | 2020-08-11 | 2022-02-17 | 中国科学院自动化研究所 | 基于跨模态转化辅助的人脸防伪检测方法、系统及装置 |
CN111738244A (zh) * | 2020-08-26 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111738244B (zh) * | 2020-08-26 | 2020-11-24 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084135B (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
CN107341463B (zh) | 一种结合图像质量分析与度量学习的人脸特征识别方法 | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
KR20160143494A (ko) | 현저성 정보 취득 장치 및 현저성 정보 취득 방법 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
KR20170006355A (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
CN109325472B (zh) | 一种基于深度信息的人脸活体检测方法 | |
CN111126162A (zh) | 一种识别图像中炎症细胞的方法、装置及存储介质 | |
WO2013075295A1 (zh) | 低分辨率视频的服装识别方法及系统 | |
CN110866470A (zh) | 一种基于随机图像特征的人脸防伪检测方法 | |
CN110121109A (zh) | 面向监控系统数字视频实时溯源方法、城市视频监控系统 | |
CN111160194B (zh) | 一种基于多特征融合的静态手势图像识别方法 | |
CN1564600A (zh) | 动态场景下的运动物体检测方法 | |
Shivakumara et al. | A new RGB based fusion for forged IMEI number detection in mobile images | |
CN114842524A (zh) | 一种基于不规则显著性像素簇的人脸鉴伪方法 | |
CN106980818B (zh) | 一种用于人脸图像的个性化预处理方法、系统及其终端 | |
CN106548130A (zh) | 一种视频图像提取及识别方法与系统 | |
CN115601807A (zh) | 一种适用在线考试系统的人脸识别方法及其工作方法 | |
CN110942081B (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN114882582A (zh) | 基于联邦学习模式的步态识别模型训练方法与系统 | |
Kaushik et al. | Digital Image Forgery Detection using Local Binary Patterns (LBP) and Histogram of Oriented Gradients (HOG) | |
Hong et al. | Saliency-based feature learning for no-reference image quality assessment | |
CN112418085A (zh) | 一种部分遮挡工况下的面部表情识别方法 | |
KR20120051441A (ko) | 잡초 이미지에 포함된 잡초 분류 방법 및 그 장치 | |
CN112613341A (zh) | 训练方法及装置、指纹识别方法及装置、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200306 |