CN110889355A - 一种人脸识别校验方法、系统及存储介质 - Google Patents
一种人脸识别校验方法、系统及存储介质 Download PDFInfo
- Publication number
- CN110889355A CN110889355A CN201911135240.1A CN201911135240A CN110889355A CN 110889355 A CN110889355 A CN 110889355A CN 201911135240 A CN201911135240 A CN 201911135240A CN 110889355 A CN110889355 A CN 110889355A
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- image
- maximum
- standard
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- 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
Abstract
本发明涉及一种人脸识别校验方法、系统及存储介质,其中方法包括步骤:获取HDR场景下指定区域内的最大人脸图像,并提取第一人脸特征点;计算所获取最大人脸图像的清晰度及角度,并在判断最大人脸图像符合配置要求后,在NIR场景下对所述第一位置周边预定尺寸的区域进行人脸检测,检测出NIR场景下的用户人脸图像,并提取第二人脸特征点;利用第二人脸特征点,将所述用户人脸图像仿射变化处理为标准人脸图像;将所述标准人脸图像分割为前景区域与背景区域,并分别做直方图统计,根据统计结果使用SVM分类识别真假脸。本发明所提供的方法,无需用户配合做点头、摇头、眨眼、张嘴和/或报数等动作,简化了真假脸检测过程中用户动作。
Description
技术领域
本发明涉及人脸识别技术领域,特别是涉及一种人脸识别校验方法、系统及存储介质。
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。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行识别的一系列相关技术,通常也叫做人像识别、面部识别。
人脸识别系统主要包括四个组成部分,分别为:人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
人脸识别技术在各行各业得到应用后,尤其是银行业与金融业中的应用不断扩展深入,其对采集到人脸数据的可靠性与安全性要求越来越高。为了准确识别真假脸,常见的活体检测方式为启发式,即在人脸检测过程中要求用户配合做点头、摇头、眨眼、张嘴和/或报数等动作,较为麻烦。
因此,现有技术还有待改进。
发明内容
基于此,有必要针对上述技术问题,提供一种人脸识别校验方法、系统及存储介质,旨在改善现有启发式的活体检测方式,在人脸检测过程中要求用户配合做点头、摇头、眨眼、张嘴和/或报数等动作,较为麻烦的问题。
本发明的技术方案如下:
一种人脸识别校验方法,其包括:
利用人脸检测模型获取HDR场景下指定区域内的最大人脸图像,并提取所获取最大人脸图像的第一人脸特征点,所获取的最大人脸图像位于第一位置;
利用第一人脸特征点计算所获取最大人脸图像的清晰度及角度,并判断计算结果是否符合配置要求;
若所获取最大人脸图像的清晰度及角度符合配置要求,在NIR场景下对所述第一位置周边预定尺寸的区域进行人脸检测,检测出NIR场景下的用户人脸图像,并提取所述用户人脸图像的第二人脸特征点;
利用第二人脸特征点,将所述用户人脸图像仿射变化处理为标准人脸图像;
将所述标准人脸图像分割为前景区域与背景区域,并分别对所述前景区域与背景区域做直方图统计,根据统计结果使用SVM分类识别真假脸。
在进一步地优选方案中,所述利用第二人脸特征点,将所述用户人脸图像仿射变化处理为标准人脸图像的步骤还包括:
根据所述第二人脸特征点中的眼部特征点提取所述标准人脸图像中的双眼区域,缩放到预设分辨率,并将左眼图像及右眼图像拼接成双眼图像;
所述根据所述第二人脸特征点中的眼部特征点提取所述标准人脸图像中的双眼区域,缩放到预设分辨率,并将左眼图像及右眼图像拼接成双眼图像的步骤之后还包括:
将所述双眼图像输入到判别模型进行真假脸判断;
所述将所述双眼图像输入到判别模型进行真假脸判断的步骤之后,以及所述将所述标准人脸图像分割为前景区域与背景区域,并分别对所述前景区域与背景区域做直方图统计,根据统计结果使用SVM分类识别真假脸的步骤之后还包括:
将SVM分类识别的真假脸判断结果,与所述判别模型输出的判断结果进行交叉验证,若二者输出结果皆为真脸,则进行人脸抓拍。
在进一步地优选方案中,所述将SVM分类识别的真假脸判断结果,与所述判别模型输出的判断结果进行交叉验证,若二者输出结果皆为真脸,则进行人脸抓拍的步骤还包括:
若二者输出结果中至少一个为假脸,则重新获取最大人脸图像,并重新计算二次获取最大人脸图像的清晰度及角度,直至二者输出结果皆为真脸或者达到预设条件后关闭人脸识别功能。
在进一步地优选方案中,所述判别模型通过眼球及瞳孔的反射率进行真假脸判断,判断结果包括:所述标准人脸图像为假脸、所述标准人脸图像为真脸以及所述标准人脸图像判断无效。
在进一步地优选方案中,所述人脸检测模型采用三模型级联结构,其中的第一模型用于对人脸进行粗定位,第二模型用于对第一模型输出的待定人脸区域进行二次判别以及精确位置调整,第三模型用于检测人脸特征点。
在进一步地优选方案中,所述清晰度与角度的计算过程包括:
利用最大人脸图像中左眼到鼻尖水平距离与右眼到鼻尖水平距离的比值,计算人脸左右朝向;
利用双眼到鼻尖竖直距离与嘴角到鼻尖竖直距离的比值计算人脸抬头低头的角度;
利用拉普拉斯算子提取HDR人脸图像的边缘特征,计算边缘特征的方差,以评估人脸清晰度。
在进一步地优选方案中,所述利用第一人脸特征点计算所获取最大人脸图像的清晰度及角度,并判断计算结果是否符合配置要求的步骤之后还包括:
若所获取最大人脸图像的清晰度及角度不符合配置要求,则重新获取最大人脸图像,并重新计算二次获取最大人脸图像的清晰度及角度,直至所获取的最大人脸图像的清晰度及角度符合配置要求。
在进一步地优选方案中,所述利用第二人脸特征点,将所述用户人脸图像仿射变化处理为标准人脸图像的步骤具体为:
将所述第二人脸特征点中的左眼特征点、右眼特征点、鼻尖特征点及嘴角特征点,分别映射到各自的标准位置。
一种人脸识别校验系统,其包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上所述的人脸识别校验方法。
一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上任一项所述的人脸识别校验方法的步骤。
与现有技术相比,本发明提供的人脸识别校验方法,包括步骤:获取HDR场景下指定区域内的最大人脸图像,并提取第一人脸特征点;计算所获取最大人脸图像的清晰度及角度,并在判断最大人脸图像符合配置要求后,在NIR场景下对所述第一位置周边预定尺寸的区域进行人脸检测,检测出NIR场景下的用户人脸图像,并提取第二人脸特征点;利用第二人脸特征点,将所述用户人脸图像仿射变化处理为标准人脸图像;将所述标准人脸图像分割为前景区域与背景区域,并分别对所述前景区域与背景区域做直方图统计,根据统计结果使用SVM分类识别真假脸。基于此,本发明所提供的人脸识别校验方法,无需用户配合做点头、摇头、眨眼、张嘴和/或报数等动作,简化了真假脸检测过程中用户动作,改善了现有启发式的活体检测方式较为麻烦的问题。
附图说明
图1是本发明优选实施例中人脸识别校验方法的流程图。
图2是本发明优选实施例中人脸识别校验系统的功能原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处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。
如图1所示,本发明提供了一种人脸识别校验方法,其包括:
S100、利用人脸检测模型获取HDR场景下指定区域内的最大人脸图像,并提取所获取最大人脸图像的第一人脸特征点,所获取的最大人脸图像位于第一位置。
高动态范围图像(High-Dynamic Range,简称HDR),相比普通的图像,可以提供更多的动态范围和图像细节,根据不同的曝光时间的LDR图像,利用每个曝光时间相对应最佳细节的LDR图像来合成最终HDR图像,能够更好的反映出真实环境中的视觉效果;LDR即Low-Dynamic Range。
较佳地是,所述人脸检测模型采用三模型级联结构,其中的第一模型用于对人脸进行粗定位,第二模型用于对第一模型输出的待定人脸区域进行二次判别以及精确位置调整,第三模型用于检测人脸特征点。
S200、利用第一人脸特征点计算所获取最大人脸图像的清晰度及角度,并判断计算结果是否符合配置要求。
清晰度与角度的计算过程优选如下:
利用最大人脸图像中左眼到鼻尖水平距离与右眼到鼻尖水平距离的比值,计算人脸左右朝向;
利用双眼到鼻尖竖直距离与嘴角到鼻尖竖直距离的比值计算人脸抬头低头的角度;
利用拉普拉斯算子提取HDR人脸图像的边缘特征,计算边缘特征的方差,以评估人脸清晰度,边缘特征方差越大则清晰度越高。
若人脸清晰度与人脸角度不符合配置要求,可通过上层应用提示用户调整面部姿态,由于角度计算过程中可以精确计算出人脸的左右朝向及抬头低头角度,所以在提示用户调整姿态时可以精确显示调整方向,以供用户参考,快速调整至符合要求的姿态。
S300、若所获取最大人脸图像的清晰度及角度符合配置要求,在NIR场景下对所述第一位置周边预定尺寸的区域进行人脸检测,检测出NIR场景下的用户人脸图像,并提取所述用户人脸图像的第二人脸特征点。
近红外光谱技术(Near Infrared,NIR)是一种高效快速的现代分析技术,它综合运用了计算机技术、光谱技术和化学计量学等多个学科的最新研究成果,以其独特的优势在多个领域得到了日益广泛的应用。
由于红外线在不同材质下的反射情况不同,相比与HDR相机拍摄到的图像,红外补光的NIR相机采集到的图像对于人脸活体的区分度更佳。系统可接收HDR场景640*480(单位为像素)以上的输入图像,NIR场景480*360(单位为像素)以上的输入图像,16:9与4:3的分辨率均可在该活体检测系统达到较好的效果。对于HDR场景下需要抓拍的人脸照片,可支持的最小人脸分辨率短边长为20(单位为像素),并对其进行人脸角度,人脸清晰度等条件验证后抓拍符合要求的人脸。
所述S300之后还包括:若所获取最大人脸图像的清晰度及角度不符合配置要求,则重新获取最大人脸图像,并重新计算二次获取最大人脸图像的清晰度及角度,直至所获取的最大人脸图像的清晰度及角度符合配置要求。
S400、利用第二人脸特征点,将所述用户人脸图像仿射变化处理为标准人脸图像。
优选S400具体为:将所述第二人脸特征点中的左眼特征点、右眼特征点、鼻尖特征点及嘴角特征点,分别映射到各自的标准位置。
在具体实施时,各个标准位置如下所示:左眼(29,58)、右眼(67,58)、鼻尖(47.5,89)、嘴左角(34.4,113.3)、右嘴角(72.6,113.3)。较佳地是,在映射到标准位置后,截取为158*96(单位为像素)分辨率的图像。
S500、将所述标准人脸图像分割为前景区域与背景区域,并分别对所述前景区域与背景区域做直方图统计,根据统计结果使用SVM分类识别真假脸。
直方图,是一种二维统计图表,它的两个坐标分别是统计样本和该样本对应的某个属性的度量。SVM(Support Vector Machine)指的是支持向量机,是常见的一种判别方法。在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。
在进一步地较佳实施例中,S400的步骤还包括:根据所述第二人脸特征点中的眼部特征点提取所述标准人脸图像中的双眼区域,缩放到预设分辨率(比如32*24),并将左眼图像及右眼图像拼接成双眼图像。
所述根据所述第二人脸特征点中的眼部特征点提取所述标准人脸图像中的双眼区域,缩放到预设分辨率,并将左眼图像及右眼图像拼接成双眼图像的步骤之后还包括:将所述双眼图像输入到判别模型进行真假脸判断。
所述将所述双眼图像输入到判别模型进行真假脸判断的步骤之后,以及所述将所述标准人脸图像分割为前景区域与背景区域,并分别对所述前景区域与背景区域做直方图统计,根据统计结果使用SVM分类识别真假脸的步骤之后还包括:将SVM分类识别的真假脸判断结果,与所述判别模型输出的判断结果进行交叉验证,若二者输出结果皆为真脸,则进行人脸抓拍。交叉验证可以提高校验准确性。
较佳地是,所述判别模型通过眼球及瞳孔的反射率进行真假脸判断,判断结果包括:所述标准人脸图像为假脸、所述标准人脸图像为真脸以及所述标准人脸图像判断无效。
进一步地,所述将SVM分类识别的真假脸判断结果,与所述判别模型输出的判断结果进行交叉验证,若二者输出结果皆为真脸,则进行人脸抓拍的步骤还包括:若二者输出结果中至少一个为假脸,则重新获取最大人脸图像,并重新计算二次获取最大人脸图像的清晰度及角度,直至二者输出结果皆为真脸或者达到预设条件后关闭人脸识别功能。
作为本发明地优选实施例,所述S100之前还包括步骤:同时获取摄像头采集的HDR图像与NIR图像,分别缩放到配置的大小,HDR图像与NIR的图像大小可以不同,但长宽比需保持一致。若配置指定的长宽比与摄像头采集到的长宽比不同,则对短边进行像素扩展与填充,使待处理图像与相机采集图像保持相同比例。
本发明所提供的人脸识别校验方法,可实时处理相机采集视频,受到光照等外界环境影响较小,用户界面简洁,不需要更多的交互内容,对伪造的人脸有较好的区分能力,可在人脸采集验证应用中发挥较好的作用;无需用户配合做点头、摇头、眨眼、张嘴和/或报数等动作。
如图2所示,本发明还提供了一种人脸识别校验系统,其包括有存储器10,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器10中,且经配置以由一个或者一个以上处理器20执行所述一个或者一个以上程序包含用于执行如上所述的人脸识别校验方法。
本发明还提供了一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上所述的人脸识别校验方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(SyNchliNk)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人脸识别校验方法,其特征在于,包括:
利用人脸检测模型获取HDR场景下指定区域内的最大人脸图像,并提取所获取最大人脸图像的第一人脸特征点,所获取的最大人脸图像位于第一位置;
利用第一人脸特征点计算所获取最大人脸图像的清晰度及角度,并判断计算结果是否符合配置要求;
若所获取最大人脸图像的清晰度及角度符合配置要求,在NIR场景下对所述第一位置周边预定尺寸的区域进行人脸检测,检测出NIR场景下的用户人脸图像,并提取所述用户人脸图像的第二人脸特征点;
利用第二人脸特征点,将所述用户人脸图像仿射变化处理为标准人脸图像;
将所述标准人脸图像分割为前景区域与背景区域,并分别对所述前景区域与背景区域做直方图统计,根据统计结果使用SVM分类识别真假脸。
2.根据权利要求1所述的人脸识别校验方法,其特征在于,所述利用第二人脸特征点,将所述用户人脸图像仿射变化处理为标准人脸图像的步骤还包括:
根据所述第二人脸特征点中的眼部特征点提取所述标准人脸图像中的双眼区域,缩放到预设分辨率,并将左眼图像及右眼图像拼接成双眼图像;
所述根据所述第二人脸特征点中的眼部特征点提取所述标准人脸图像中的双眼区域,缩放到预设分辨率,并将左眼图像及右眼图像拼接成双眼图像的步骤之后还包括:
将所述双眼图像输入到判别模型进行真假脸判断;
所述将所述双眼图像输入到判别模型进行真假脸判断的步骤之后,以及所述将所述标准人脸图像分割为前景区域与背景区域,并分别对所述前景区域与背景区域做直方图统计,根据统计结果使用SVM分类识别真假脸的步骤之后还包括:
将SVM分类识别的真假脸判断结果,与所述判别模型输出的判断结果进行交叉验证,若二者输出结果皆为真脸,则进行人脸抓拍。
3.根据权利要求2所述的人脸识别校验方法,其特征在于,所述将SVM分类识别的真假脸判断结果,与所述判别模型输出的判断结果进行交叉验证,若二者输出结果皆为真脸,则进行人脸抓拍的步骤还包括:
若二者输出结果中至少一个为假脸,则重新获取最大人脸图像,并重新计算二次获取最大人脸图像的清晰度及角度,直至二者输出结果皆为真脸或者达到预设条件后关闭人脸识别功能。
4.根据权利要求2所述的人脸识别校验方法,其特征在于,所述判别模型通过眼球及瞳孔的反射率进行真假脸判断,判断结果包括:所述标准人脸图像为假脸、所述标准人脸图像为真脸以及所述标准人脸图像判断无效。
5.根据权利要求1所述的人脸识别校验方法,其特征在于,所述人脸检测模型采用三模型级联结构,其中的第一模型用于对人脸进行粗定位,第二模型用于对第一模型输出的待定人脸区域进行二次判别以及精确位置调整,第三模型用于检测人脸特征点。
6.根据权利要求1所述的人脸识别校验方法,其特征在于,所述清晰度与角度的计算过程包括:
利用最大人脸图像中左眼到鼻尖水平距离与右眼到鼻尖水平距离的比值,计算人脸左右朝向;
利用双眼到鼻尖竖直距离与嘴角到鼻尖竖直距离的比值计算人脸抬头低头的角度;
利用拉普拉斯算子提取HDR人脸图像的边缘特征,计算边缘特征的方差,以评估人脸清晰度。
7.根据权利要求1所述的人脸识别校验方法,其特征在于,所述利用第一人脸特征点计算所获取最大人脸图像的清晰度及角度,并判断计算结果是否符合配置要求的步骤之后还包括:
若所获取最大人脸图像的清晰度及角度不符合配置要求,则重新获取最大人脸图像,并重新计算二次获取最大人脸图像的清晰度及角度,直至所获取的最大人脸图像的清晰度及角度符合配置要求。
8.根据权利要求1所述的人脸识别校验方法,其特征在于,所述利用第二人脸特征点,将所述用户人脸图像仿射变化处理为标准人脸图像的步骤具体为:
将所述第二人脸特征点中的左眼特征点、右眼特征点、鼻尖特征点及嘴角特征点,分别映射到各自的标准位置。
9.一种人脸识别校验系统,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1至8中任意一项所述的人脸识别校验方法。
10.一种存储介质,其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实现如权利要求1至8中任一项所述的人脸识别校验方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911135240.1A CN110889355B (zh) | 2019-11-19 | 2019-11-19 | 一种人脸识别校验方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911135240.1A CN110889355B (zh) | 2019-11-19 | 2019-11-19 | 一种人脸识别校验方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889355A true CN110889355A (zh) | 2020-03-17 |
CN110889355B CN110889355B (zh) | 2023-09-19 |
Family
ID=69747950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911135240.1A Active CN110889355B (zh) | 2019-11-19 | 2019-11-19 | 一种人脸识别校验方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889355B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626240A (zh) * | 2020-05-29 | 2020-09-04 | 歌尔科技有限公司 | 一种人脸图像识别方法、装置、设备及可读存储介质 |
CN111985424A (zh) * | 2020-08-27 | 2020-11-24 | 闽江学院 | 多人场景下的图像验证方法 |
CN111985425A (zh) * | 2020-08-27 | 2020-11-24 | 闽江学院 | 多人场景下的图像验证装置 |
CN112149559A (zh) * | 2020-09-22 | 2020-12-29 | 沈澈 | 人脸识别方法、装置、可读存储介质及计算机设备 |
CN112395960A (zh) * | 2020-10-30 | 2021-02-23 | 四川天翼网络服务有限公司 | 一种基于高斯金字塔的图像最大人脸识别方法及系统 |
CN112906571A (zh) * | 2021-02-20 | 2021-06-04 | 成都新希望金融信息有限公司 | 活体识别方法、装置及电子设备 |
CN112926464A (zh) * | 2021-03-01 | 2021-06-08 | 创新奇智(重庆)科技有限公司 | 一种人脸活体检测方法以及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050055582A1 (en) * | 2003-09-05 | 2005-03-10 | Bazakos Michael E. | System and method for dynamic stand-off biometric verification |
CN109614910A (zh) * | 2018-12-04 | 2019-04-12 | 青岛小鸟看看科技有限公司 | 一种人脸识别方法和装置 |
CN109948397A (zh) * | 2017-12-20 | 2019-06-28 | Tcl集团股份有限公司 | 一种人脸图像校正方法、系统及终端设备 |
-
2019
- 2019-11-19 CN CN201911135240.1A patent/CN110889355B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050055582A1 (en) * | 2003-09-05 | 2005-03-10 | Bazakos Michael E. | System and method for dynamic stand-off biometric verification |
CN109948397A (zh) * | 2017-12-20 | 2019-06-28 | Tcl集团股份有限公司 | 一种人脸图像校正方法、系统及终端设备 |
CN109614910A (zh) * | 2018-12-04 | 2019-04-12 | 青岛小鸟看看科技有限公司 | 一种人脸识别方法和装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626240A (zh) * | 2020-05-29 | 2020-09-04 | 歌尔科技有限公司 | 一种人脸图像识别方法、装置、设备及可读存储介质 |
CN111626240B (zh) * | 2020-05-29 | 2023-04-07 | 歌尔科技有限公司 | 一种人脸图像识别方法、装置、设备及可读存储介质 |
CN111985424A (zh) * | 2020-08-27 | 2020-11-24 | 闽江学院 | 多人场景下的图像验证方法 |
CN111985425A (zh) * | 2020-08-27 | 2020-11-24 | 闽江学院 | 多人场景下的图像验证装置 |
CN111985425B (zh) * | 2020-08-27 | 2024-01-19 | 闽江学院 | 多人场景下的图像验证装置 |
CN111985424B (zh) * | 2020-08-27 | 2024-01-19 | 闽江学院 | 多人场景下的图像验证方法 |
CN112149559A (zh) * | 2020-09-22 | 2020-12-29 | 沈澈 | 人脸识别方法、装置、可读存储介质及计算机设备 |
CN112395960A (zh) * | 2020-10-30 | 2021-02-23 | 四川天翼网络服务有限公司 | 一种基于高斯金字塔的图像最大人脸识别方法及系统 |
CN112906571A (zh) * | 2021-02-20 | 2021-06-04 | 成都新希望金融信息有限公司 | 活体识别方法、装置及电子设备 |
CN112906571B (zh) * | 2021-02-20 | 2023-09-05 | 成都新希望金融信息有限公司 | 活体识别方法、装置及电子设备 |
CN112926464A (zh) * | 2021-03-01 | 2021-06-08 | 创新奇智(重庆)科技有限公司 | 一种人脸活体检测方法以及装置 |
CN112926464B (zh) * | 2021-03-01 | 2023-08-29 | 创新奇智(重庆)科技有限公司 | 一种人脸活体检测方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110889355B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889355B (zh) | 一种人脸识别校验方法、系统及存储介质 | |
US11775056B2 (en) | System and method using machine learning for iris tracking, measurement, and simulation | |
US9922238B2 (en) | Apparatuses, systems, and methods for confirming identity | |
US7689008B2 (en) | System and method for detecting an eye | |
TW202006602A (zh) | 三維臉部活體檢測方法、臉部認證識別方法及裝置 | |
US8698914B2 (en) | Method and apparatus for recognizing a protrusion on a face | |
CN108985159A (zh) | 人眼模型训练方法、人眼识别方法、装置、设备及介质 | |
CN105740779B (zh) | 人脸活体检测的方法和装置 | |
US8934679B2 (en) | Apparatus for real-time face recognition | |
Jana et al. | Age estimation from face image using wrinkle features | |
Lee et al. | Vasir: an open-source research platform for advanced iris recognition technologies | |
US11227170B2 (en) | Collation device and collation method | |
Arbab-Zavar et al. | On shape-mediated enrolment in ear biometrics | |
Abate et al. | BIRD: Watershed based iris detection for mobile devices | |
US10395112B2 (en) | Device and method of recognizing iris | |
US10521659B2 (en) | Image processing device, image processing method, and image processing program | |
JP6822482B2 (ja) | 視線推定装置、視線推定方法及びプログラム記録媒体 | |
EP3680794A1 (en) | Device and method for user authentication on basis of iris recognition | |
CN113011385A (zh) | 人脸静默活体检测方法、装置、计算机设备及存储介质 | |
CN111582077A (zh) | 基于人工智能软件技术的安全带佩戴检测方法和装置 | |
US8971592B2 (en) | Method for determining eye location on a frontal face digital image to validate the frontal face and determine points of reference | |
Yi et al. | Partial face matching between near infrared and visual images in mbgc portal challenge | |
JP2003271932A (ja) | 視線方向検出装置 | |
US11048926B2 (en) | Adaptive hand tracking and gesture recognition using face-shoulder feature coordinate transforms | |
Alonso-Fernandez et al. | Quality factors affecting iris segmentation and matching |
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 |