CN110909632A - 一种利用交替光源进行人脸防伪的方法及装置 - Google Patents

一种利用交替光源进行人脸防伪的方法及装置 Download PDF

Info

Publication number
CN110909632A
CN110909632A CN201911083236.5A CN201911083236A CN110909632A CN 110909632 A CN110909632 A CN 110909632A CN 201911083236 A CN201911083236 A CN 201911083236A CN 110909632 A CN110909632 A CN 110909632A
Authority
CN
China
Prior art keywords
face
image
nose
shot
images
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
Application number
CN201911083236.5A
Other languages
English (en)
Inventor
刘岸
商海峰
刁麓弘
韩玉佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Collection Networking Network Technology Co Ltd
Original Assignee
Beijing Collection Networking Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Collection Networking Network Technology Co Ltd filed Critical Beijing Collection Networking Network Technology Co Ltd
Priority to CN201911083236.5A priority Critical patent/CN110909632A/zh
Publication of CN110909632A publication Critical patent/CN110909632A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明实施例公开了一种利用交替光源进行人脸防伪的方法及装置，该方法包括：控制多个光源交替发光，同时对待识别人脸进行拍摄，获取多张图像；利用预先训练好的神经网络对所拍摄的图像进行检测，从当前被检测图像中提取出人脸特征点信息；利用所提取的人脸特征点信息，将当前被检测图像中的人脸部分的鼻子及其左右区域提取出来；分别计算所提取的鼻子左右区域的亮度均值，并结合当前被检测图像拍摄时的发光光源的位置，判断待识别人脸是否是伪造人脸。本发明可用于对二维人脸图像和视频的人脸攻击进行有效识别。

Description

一种利用交替光源进行人脸防伪的方法及装置
技术领域
本发明涉及人脸防伪技术领域，尤其涉及一种利用交替光源进行人脸防伪的方法及装置。
背景技术
当前人脸识别技术已经成功应用于很多领域。但是目前对于人脸的防伪技术还处于初始阶段。目前人脸技术大多基于二维人脸，如图像和视频等，因此二维人脸攻击技术在人脸识别中是重要的环节。
目前二维人脸防伪防方法主要有以下五类：
1、直接在二维图像提取特征，主要利用各种特征提取方式，如LBP、傅里叶变换和颜色纹理信息等，提取一般或特定图像或视频的特征信息，然后利用分类器进行识别。该方法主要问题在于所提取的特征信息与防伪目的并不直接相关，因此其效果难以保证。
2、利用深度学习对人脸攻击进行判别。该方法需利用深度网络对图像进行处理，存在问题为计算效率低，对单一图片判别时间较长，限制了其应有场景。
3、利用人的活动如眨眼，转头和嘴唇的动作等进行检测。这一方法需要与被识别人进行交互，且对于视频判别效果不佳。
4、基于特定硬件辅助技术对人脸进行防伪，如深度相机和温度传感器等。但是有些硬件成本较高且难以安装。
5、基于人脸的深度信息对人脸防伪进行识别。该类方法主要基于人脸上三维结构造成的光线散射对照片和视频进行识别。该类方法所采用的计算模型复杂，时间效率低。
发明内容
本发明目的是提供一种利用交替光源进行人脸防伪的方法及装置，从而利用鼻子对光线的遮挡进行人脸防伪，实现对二维人脸图像和视频的人脸攻击进行有效识别。
本发明解决技术问题采用如下技术方案：
本发明首先对人脸进行检测和特征点标记，然后利用特征点将人脸鼻子及其左右区域提取出来。结合交替光源对鼻子形成的阴影进行判断，若阴影部分变化不明显，则可视为非合格人脸。该方法的提取特征直观有效，其计算过程简单，具有广泛的应用前景。具体地，所述方法包括：
S1，控制多个光源交替发光，同时对待识别人脸进行拍摄，获取多张图像；
S2，利用预先训练好的神经网络对所拍摄的图像进行检测，从当前被检测图像中提取出其中的人脸特征点信息；
S3，利用所提取出的人脸特征点信息，将当前被检测图像中的人脸部分的鼻子及其左右区域提取出来；
S4、分别计算所提取的鼻子左右区域的亮度平均值，并结合当前被检测图像拍摄时的发光光源的位置，判断待识别人脸是否是伪造人脸。
可选地，所述S2包括以下步骤：
S21，从拍摄的图像中选取一幅图像，并判断当前是否是第一次选取图像，如果是第一次选取图像，则执行S23，否则执行S22；
S22，判断当前选取的图像拍摄时的发光光源是否与前次选取的图像拍摄时的发光光源一致，如果一致，则执行S21，否则执行S23；
S23，利用预先训练好的神经网络对所选取的图像进行检测，给出其含有人脸的概率和其中的人脸特征点信息，如果所选取的图像含有人脸的概率大于第一设定阈值，则执行S3，否则执行S1。
可选地，所述神经网络的输入为被检测的图像；所述神经网络的第一层和第二层为卷积神经网络；所述神经网络的第三层和第四层为全连接层；所述神经网络的输出为被检测图像含有人脸概率和被检测图像的人脸特征点信息。
可选地，所述人脸特征点信息包括鼻子、眼睛和嘴角。
可选地，所述S3包括以下步骤：
S31，连接左眼中心点El和右眼中心点Er，过ElEr的中点Em做ElEr的垂线l；
S32，过鼻尖点向l做垂线，垂足为Nl；
S33，求左嘴角点Ml和右嘴角点Mr的中点Mm，过Mm向l做垂线，垂足为Ml；
S34，在l上取一点T，使得2EmT＝NlT，在l上取一点B，使得MlB＝NlB；
S35，过T和B做ElEr的平行线t和b，在t上取两点Tl和Tr，使得这两点分布于T的两侧，且TlT＝TrT＝ErEl；过Tl和Tr分别作l的平行线，交b于Bl和Br；
S36，取矩形TlTBBl为鼻子左侧区域，取矩形TTrBrB为鼻子右侧区域。
可选地，所述S4具体为：
分别计算从当前被检测图像中提取的鼻子左右区域的亮度平均值，并确定当前被检测图像拍摄时的发光光源的位置，如果鼻子左右区域的亮度差达到第二设定阈值，并且亮度暗的区域与鼻子阴影所应该在的区域均在鼻子的同侧，则判定当前被检测图像为合格图像，否则判定当前被检测图像为不合格图像；
对拍摄到的图像检测完毕后，如果检测到的合格图像的数量大于第三设定阈值，则判定待识别人脸为真，如果检测到的合格人脸的数量不大于第三设定阈值且所检测的图像总数量大于第四设定阈值，则判定待识别人脸为假。
可选地，所述S4包括以下步骤：
S41,分别计算TlTBBl和TTrBrB的像素平均值Yl和Yr，并求Yl和Yr的差值；
S42，如果Yl和Yr的差值不大于第二设定阈值，则执行S2；
S43，如果Yl和Yr的差值大于第二设定阈值，则查询当前被检测图像拍摄时的发光光源位置与TlTBBl和TTrBrB中亮度较高的矩形区域是否在鼻子的同侧，如果在鼻子的同侧，则判定当前被检测图像为合格图像，否则执行S2；
S44，对拍摄到的图像检测完毕后，如果检测到的合格图像的数量大于第三设定阈值，则判定待识别人脸为真，如果检测到的合格人脸的数量不大于第三设定阈值且所检测的图像总数量大于第四设定阈值，则判定待识别人脸为假。
相应地，本发明提供的利用交替光源进行人脸防伪的装置，包括：
图像拍摄模块，用于控制多个光源交替发光，同时对待识别人脸进行拍摄，获取多张图像；
特征检测模块，用于利用预先训练好的神经网络对所拍摄的图像进行检测，从当前被检测的图像中提取出其中的人脸特征点信息；
区域提取模块，用于利用所提取出的人脸特征点信息，将当前被检测的图像中的人脸部分的鼻子及其左右区域提取出来；
结果判别模块，用于分别计算所提取的鼻子左右区域的亮度平均值，并结合当前被检测图像拍摄时的发光光源的位置，判断待识别人脸是否是伪造人脸。
可选地，所述特征检测模块所使用的神经网络的输入为被检测的图像；第一层和第二层为卷积神经网络；第三层和第四层为全连接层；输出为被检测图像含有人脸的概率和被检测图像包含的人脸特征点信息。
可选地，所述特征检测模块提取的人脸特征点信息包括鼻子、眼睛和嘴角；
所述区域提取模块具体用于：
连接左眼中心点El和右眼中心点Er，过ElEr的中点Em做ElEr的垂线l；
过鼻尖点向l做垂线，垂足为Nl；
求左嘴角点Ml和右嘴角点Mr的中点Mm，过Mm向l做垂线，垂足为Ml；
在l上取一点T，使得2EmT＝NlT，在l上取一点B，使得MlB＝NlB；
过T和B做ElEr的平行线t和b，在t上取两点Tl和Tr，使得这两点分布于T的两侧，且TlT＝TrT＝ErEl；过Tl和Tr分别作l的平行线，交b于Bl和Br；
取矩形TlTBBl为鼻子左侧区域，取矩形TTrBrB为鼻子右侧区域；
所述结果判别模块具体用于：
分别计算TlTBBl和TTrBrB的像素平均值Yl和Yr，并求Yl和Yr的差值；
如果Yl和Yr的差值不大于第二设定阈值，则执行特征检测模块；
如果Yl和Yr的差值大于第二设定阈值，则查询当前被检测图像拍摄时的发光光源位置与TlTBBl和TTrBrB中亮度较高的矩形区域是否在鼻子的同侧，如果在鼻子的同侧，则判定当前被检测图像为合格图像，否则执行特征检测模块；
对拍摄到的图像检测完毕后，如果检测到的合格图像的数量大于第三设定阈值，则判定待识别人脸为真，如果检测到的合格人脸的数量不大于第三设定阈值且所检测的图像总数量大于第四设定阈值，则判定待识别人脸为假。
本发明具有如下有益效果：
本发明的技术方案通过控制多个光源交替发光，同时对待识别人脸进行拍摄，获取多张图像；利用预先训练好的神经网络对所拍摄的图像进行检测，从当前被检测图像中提取出人脸特征点信息；利用所提取的人脸特征点信息，将当前被检测图像中的人脸部分的鼻子及其左右区域提取出来；分别计算所提取的鼻子左右区域的亮度均值，并结合当前被检测图像拍摄时的发光光源的位置，判断待识别人脸是否是伪造人脸；从而利用鼻子对光线的遮挡进行人脸防伪，实现了对二维人脸图像和视频的人脸攻击的有效识别。
附图说明
图1为本发明第一实施例提供的利用交替光源进行人脸防伪的方法的流程示意图；
图2为本发明第二实施例提供的利用交替光源进行人脸防伪的方法的流程示意图；
图3为本发明中提取鼻子左右区域的方法的流程示意图。
具体实施方式
下面结合实施例及附图对本发明的技术方案作进一步阐述。
实施例1
请参阅图1，本实施例提供了一种利用交替光源进行人脸防伪的方法，所述方法包括：
S1，控制多个光源交替发光，同时对待识别人脸进行拍摄，获取多张图像；
此处，需要说明的是，光源的数量可以根据实际需求设置，本实施例中为双光源。当然可以理解的是，本实施例并不对光源的数量作具体限定，其数量只需满足两个(包含两个)以上即可。
S2，利用预先训练好的神经网络对所拍摄的图像进行检测，从当前被检测图像中提取出其中的人脸特征点信息；所述神经网络具体描述如下：
网络输入为被检测的图像；网络的第一层和第二层为卷积神经网络；网络的第三层和第四层为全连接层；网络的输出为被检测图像含有人脸概率和被检测图像的人脸特征点信息；其中，人脸特征点包括但不限于鼻子、眼睛和嘴角；
进一步地，上述S2包括但不限于以下步骤：
S21，从拍摄的图像中选取一幅图像，并判断当前是否是第一次选取图像，如果是第一次选取图像，则执行S23，否则执行S22；
S22，判断当前选取的图像拍摄时的发光光源是否与前次选取的图像拍摄时的发光光源一致，如果一致，则执行S21，否则执行S23；
S23，利用预先训练好的神经网络对所选取的图像进行检测，给出其含有人脸的概率和其中的人脸特征点信息，如果所选取的图像含有人脸的概率大于第一设定阈值，则执行S3，否则执行S1。
S3，利用所提取出的人脸特征点信息，将当前被检测图像中的人脸部分的鼻子及其左右区域提取出来；
进一步地，如图3所示，上述S3包括但不限于以下步骤：
S31，连接左眼中心点El和右眼中心点Er，过ElEr的中点Em做ElEr的垂线l；
S32，过鼻尖点向l做垂线，垂足为Nl；
S33，求左嘴角点Ml和右嘴角点Mr的中点Mm，过Mm向l做垂线，垂足为Ml；
S34，在l上取一点T，使得2EmT＝NlT，在l上取一点B，使得MlB＝NlB；
S35，过T和B做ElEr的平行线t和b，在t上取两点Tl和Tr，使得这两点分布于T的两侧，且TlT＝TrT＝ErEl；过Tl和Tr分别作l的平行线，交b于Bl和Br；
S36，取矩形TlTBBl为鼻子左侧区域，取矩形TTrBrB为鼻子右侧区域。
S4、分别计算所提取的鼻子左右区域的亮度平均值，并结合当前被检测图像拍摄时的发光光源的位置，判断待识别人脸是否是伪造人脸；
进一步地，所述S4具体为：
分别计算从当前被检测图像中提取的鼻子左右区域的亮度平均值，并确定当前被检测图像拍摄时的发光光源的位置，如果鼻子左右区域的亮度差达到第二设定阈值，并且亮度暗的区域与鼻子阴影所应该在的区域均在鼻子的同侧，则判定当前被检测图像为合格图像，否则判定当前被检测图像为不合格图像；
对拍摄到的图像检测完毕后，如果检测到的合格图像的数量大于第三设定阈值，则判定待识别人脸为真，如果检测到的合格人脸的数量不大于第三设定阈值且所检测的图像总数量大于第四设定阈值，则判定待识别人脸为假。
具体地，上述S4包括但不限于以下步骤：
S41,分别计算TlTBBl和TTrBrB的像素平均值Yl和Yr，并求Yl和Yr的差值；
S42，如果Yl和Yr的差值不大于第二设定阈值，则执行S2；
S43，如果Yl和Yr的差值大于第二设定阈值，则查询当前被检测图像拍摄时的发光光源位置与TlTBBl和TTrBrB中亮度较高的矩形区域是否在鼻子的同侧，如果在鼻子的同侧，则判定当前被检测图像为合格图像，否则执行S2；
S44，对拍摄到的图像检测完毕后，如果检测到的合格图像的数量大于第三设定阈值，则判定待识别人脸为真，如果检测到的合格人脸的数量不大于第三设定阈值且所检测的图像总数量大于第四设定阈值，则判定待识别人脸为假。
本实施例的技术方案通过控制多个光源交替发光，同时对待识别人脸进行拍摄，获取多张图像；利用预先训练好的神经网络对所拍摄的图像进行检测，从当前被检测图像中提取出人脸特征点信息；利用所提取的人脸特征点信息，将当前被检测图像中的人脸部分的鼻子及其左右区域提取出来；分别计算所提取的鼻子左右区域的亮度均值，并结合当前被检测图像拍摄时的发光光源的位置，判断待识别人脸是否是伪造人脸；从而利用鼻子对光线的遮挡进行人脸防伪，实现了对二维人脸图像和视频的人脸攻击的有效识别。
实施例2
请参阅图2，本实施例提供了一种利用交替光源进行人脸防伪的方法，所述方法包括以下步骤：
S1、对两个以上(含两个)光源进行控制，分别交替发光，同时对人脸进行拍摄，获取足够多的图像，令A＝0,N＝0；
S2、选取一幅图像，令A＝A+1,N＝N+1；
S3、判断N是否等于1，如果N＝1，转S5；否则转S4；
S4，查询该图像拍摄时的发光光源，判断是否与第N-1幅图像的发光光源一致，如果一致，令N＝N-1，转S2，如果不一致转S5；
S5、利用已经训练好的神经网络对所拍摄的图像进行检测，给出图像含有人脸的概率和特征点如鼻子、眼睛和嘴角等特征点信息，该网络具体描述如下：
1、网络输入为第二步选取的图像；
2、网络第一层和第二层为卷积神经网络；
3、网络第三层和第四层为全连接层；
4、网络输出为含有人脸的概率和特征点包括但不限于鼻子、眼睛和嘴角等特征点信息；
S6、判断含有人脸的概率是否大于设定阈值，如果图像含有人脸概率不大于设定阈值，则令N＝N-1，转S1，否则转S7；
S7、利用提取的特征点信息，将人脸部分的鼻子及其左右区域提取出来，具体步骤不包括但不限于：
S71、连接左眼中心点El和右眼中心点Er，过ElEr的中点Em做ElEr的垂线l；
S72、过鼻尖点向l做垂线，垂足为Nl；
S73、求左嘴角点Ml和右嘴角点Mr的中点Mm，过Mm向l做垂线，垂足为Ml；
S74、在l上取一点T，使得2EmT＝NlT，在l上取一点B，使得MlB＝NlB；
S75、过T和B做ElEr的平行线t和b，在t上取两点Tl和Tr，使得这两点分布于T的两侧且TlT＝TrT＝ErEl；过Tl和Tr分别作l的平行线，交b于Bl和Br；
S76、取矩形TlTBBl为鼻子左侧区域，取矩形TTrBrB为鼻子右侧区域。
S8、分别计算TlTBBl和TTrBrB的像素平均值Yl和Yr，并求Yl和Yr的差值；
S9、判断Yl和Yr的差值是否大于设定阈值，如果差值不大于设定阈值，则令N＝N-1，转S2，否则转S10；
S10、查询发光光源位置与亮度较高的矩形区域是否在鼻子的同侧，如果不在鼻子的同侧，则令N＝N-1，转S2；否则转S11；
S11、若N大于设定阈值则判定该人脸为真，若N不大于设定阈值且A大于设定阈值则判定该人脸为假。
本实施例的技术方案通过控制多个光源交替发光，同时对待识别人脸进行拍摄，获取多张图像；利用预先训练好的神经网络对所拍摄的图像进行检测，从当前被检测图像中提取出人脸特征点信息；利用所提取的人脸特征点信息，将当前被检测图像中的人脸部分的鼻子及其左右区域提取出来；分别计算所提取的鼻子左右区域的亮度均值，并结合当前被检测图像拍摄时的发光光源的位置，判断待识别人脸是否是伪造人脸；从而利用鼻子对光线的遮挡进行人脸防伪，实现了对二维人脸图像和视频的人脸攻击的有效识别。
实施例3
本实施例提供了一种利用交替光源进行人脸防伪的装置，所述装置包括：
图像拍摄模块，用于控制多个光源交替发光，同时对待识别人脸进行拍摄，获取多张图像；
特征检测模块，用于利用预先训练好的神经网络对所拍摄的图像进行检测，从当前被检测的图像中提取出其中的人脸特征点信息；
区域提取模块，用于利用所提取出的人脸特征点信息，将当前被检测的图像中的人脸部分的鼻子及其左右区域提取出来；
结果判别模块，用于分别计算所提取的鼻子左右区域的亮度平均值，并结合当前被检测图像拍摄时的发光光源的位置，判断待识别人脸是否是伪造人脸。
进一步地，上述特征检测模块所使用的神经网络的输入为被检测的图像；第一层和第二层为卷积神经网络；第三层和第四层为全连接层；输出为被检测图像含有人脸的概率和被检测图像包含的人脸特征点信息。其所提取的人脸特征点信息包括但不限于鼻子、眼睛和嘴角；
上述区域提取模块具体用于：
连接左眼中心点El和右眼中心点Er，过ElEr的中点Em做ElEr的垂线l；
过鼻尖点向l做垂线，垂足为Nl；
求左嘴角点Ml和右嘴角点Mr的中点Mm，过Mm向l做垂线，垂足为Ml；
在l上取一点T，使得2EmT＝NlT，在l上取一点B，使得MlB＝NlB；
过T和B做ElEr的平行线t和b，在t上取两点Tl和Tr，使得这两点分布于T的两侧，且TlT＝TrT＝ErEl；过Tl和Tr分别作l的平行线，交b于Bl和Br；
取矩形TlTBBl为鼻子左侧区域，取矩形TTrBrB为鼻子右侧区域；
上述结果判别模块具体用于：
分别计算TlTBBl和TTrBrB的像素平均值Yl和Yr，并求Yl和Yr的差值；
如果Yl和Yr的差值不大于第二设定阈值，则执行特征检测模块；
如果Yl和Yr的差值大于第二设定阈值，则查询当前被检测图像拍摄时的发光光源位置与TlTBBl和TTrBrB中亮度较高的矩形区域是否在鼻子的同侧，如果在鼻子的同侧，则判定当前被检测图像为合格图像，否则执行特征检测模块；
对拍摄到的图像检测完毕后，如果检测到的合格图像的数量大于第三设定阈值，则判定待识别人脸为真，如果检测到的合格人脸的数量不大于第三设定阈值且所检测的图像总数量大于第四设定阈值，则判定待识别人脸为假。
以上实施例的先后顺序仅为便于描述，不代表实施例的优劣。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种利用交替光源进行人脸防伪的方法，其特征在于，所述方法包括：
S1，控制多个光源交替发光，同时对待识别人脸进行拍摄，获取多张图像；
S2，利用预先训练好的神经网络对所拍摄的图像进行检测，从当前被检测图像中提取出其中的人脸特征点信息；
S3，利用所提取出的人脸特征点信息，将当前被检测图像中的人脸部分的鼻子及其左右区域提取出来；
S4、分别计算所提取的鼻子左右区域的亮度平均值，并结合当前被检测图像拍摄时的发光光源的位置，判断待识别人脸是否是伪造人脸。
2.如权利要求1所述的利用交替光源进行人脸防伪的方法，其特征在于，所述S2包括以下步骤：
S21，从拍摄的图像中选取一幅图像，并判断当前是否是第一次选取图像，如果是第一次选取图像，则执行S23，否则执行S22；
S22，判断当前选取的图像拍摄时的发光光源是否与前次选取的图像拍摄时的发光光源一致，如果一致，则执行S21，否则执行S23；
S23，利用预先训练好的神经网络对所选取的图像进行检测，给出其含有人脸的概率和其中的人脸特征点信息，如果所选取的图像含有人脸的概率大于第一设定阈值，则执行S3，否则执行S1。
3.如权利要求2所述的利用交替光源进行人脸防伪的方法，其特征在于，所述神经网络的输入为被检测的图像；所述神经网络的第一层和第二层为卷积神经网络；所述神经网络的第三层和第四层为全连接层；所述神经网络的输出为被检测图像含有人脸的概率和被检测图像包含的人脸特征点信息。
4.如权利要求1-3任一项所述的利用交替光源进行人脸防伪的方法，其特征在于，所述人脸特征点信息包括鼻子、眼睛和嘴角。
5.如权利要求4所述的利用交替光源进行人脸防伪的方法，其特征在于，所述S3包括以下步骤：
S31，连接左眼中心点El和右眼中心点Er，过ElEr的中点Em做ElEr的垂线l；
S32，过鼻尖点向l做垂线，垂足为Nl；
S33，求左嘴角点Ml和右嘴角点Mr的中点Mm，过Mm向l做垂线，垂足为Ml；
S34，在l上取一点T，使得2EmT＝NlT，在l上取一点B，使得MlB＝NlB；
S35，过T和B做ElEr的平行线t和b，在t上取两点Tl和Tr，使得这两点分布于T的两侧，且TlT＝TrT＝ErEl；过Tl和Tr分别作l的平行线，交b于Bl和Br；
S36，取矩形TlTBBl为鼻子左侧区域，取矩形TTrBrB为鼻子右侧区域。
6.如权利要求1所述的利用交替光源进行人脸防伪的方法，其特征在于，所述S4具体为：
分别计算从当前被检测图像中提取的鼻子左右区域的亮度平均值，并确定当前被检测图像拍摄时的发光光源的位置，如果鼻子左右区域的亮度差达到第二设定阈值，并且亮度暗的区域与鼻子阴影所应该在的区域均在鼻子的同侧，则判定当前被检测图像为合格图像，否则判定当前被检测图像为不合格图像；
对拍摄到的图像检测完毕后，如果检测到的合格图像的数量大于第三设定阈值，则判定待识别人脸为真，如果检测到的合格人脸的数量不大于第三设定阈值且所检测的图像总数量大于第四设定阈值，则判定待识别人脸为假。
7.如权利要求5所述的利用交替光源进行人脸防伪的方法，其特征在于，所述S4包括以下步骤：
S41,分别计算TlTBBl和TTrBrB的像素平均值Yl和Yr，并求Yl和Yr的差值；
S42，如果Yl和Yr的差值不大于第二设定阈值，则执行S2；
S43，如果Yl和Yr的差值大于第二设定阈值，则查询当前被检测图像拍摄时的发光光源位置与TlTBBl和TTrBrB中亮度较高的矩形区域是否在鼻子的同侧，如果在鼻子的同侧，则判定当前被检测图像为合格图像，否则执行S2；
S44，对拍摄到的图像检测完毕后，如果检测到的合格图像的数量大于第三设定阈值，则判定待识别人脸为真，如果检测到的合格人脸的数量不大于第三设定阈值且所检测的图像总数量大于第四设定阈值，则判定待识别人脸为假。
8.一种利用交替光源进行人脸防伪的装置，其特征在于，所述装置包括：
图像拍摄模块，用于控制多个光源交替发光，同时对待识别人脸进行拍摄，获取多张图像；
特征检测模块，用于利用预先训练好的神经网络对所拍摄的图像进行检测，从当前被检测的图像中提取出其中的人脸特征点信息；
区域提取模块，用于利用所提取出的人脸特征点信息，将当前被检测的图像中的人脸部分的鼻子及其左右区域提取出来；
结果判别模块，用于分别计算所提取的鼻子左右区域的亮度平均值，并结合当前被检测图像拍摄时的发光光源的位置，判断待识别人脸是否是伪造人脸。
9.如权利要求8所述的利用交替光源进行人脸防伪的装置，其特征在于，所述特征检测模块所使用的神经网络的输入为被检测的图像；第一层和第二层为卷积神经网络；第三层和第四层为全连接层；输出为被检测图像含有人脸的概率和被检测图像包含的人脸特征点信息。
10.如权利要求1所述的利用交替光源进行人脸防伪的装置，其特征在于，所述特征检测模块提取的人脸特征点信息包括鼻子、眼睛和嘴角；
所述区域提取模块具体用于：
连接左眼中心点El和右眼中心点Er，过ElEr的中点Em做ElEr的垂线l；
过鼻尖点向l做垂线，垂足为Nl；
求左嘴角点Ml和右嘴角点Mr的中点Mm，过Mm向l做垂线，垂足为Ml；
在l上取一点T，使得2EmT＝NlT，在l上取一点B，使得MlB＝NlB；
过T和B做ElEr的平行线t和b，在t上取两点Tl和Tr，使得这两点分布于T的两侧，且TlT＝TrT＝ErEl；过Tl和Tr分别作l的平行线，交b于Bl和Br；
取矩形TlTBBl为鼻子左侧区域，取矩形TTrBrB为鼻子右侧区域；
所述结果判别模块具体用于：
分别计算TlTBBl和TTrBrB的像素平均值Yl和Yr，并求Yl和Yr的差值；
如果Yl和Yr的差值不大于第二设定阈值，则执行特征检测模块；
如果Yl和Yr的差值大于第二设定阈值，则查询当前被检测图像拍摄时的发光光源位置与TlTBBl和TTrBrB中亮度较高的矩形区域是否在鼻子的同侧，如果在鼻子的同侧，则判定当前被检测图像为合格图像，否则执行特征检测模块；
对拍摄到的图像检测完毕后，如果检测到的合格图像的数量大于第三设定阈值，则判定待识别人脸为真，如果检测到的合格人脸的数量不大于第三设定阈值且所检测的图像总数量大于第四设定阈值，则判定待识别人脸为假。
CN201911083236.5A 2019-11-07 2019-11-07 一种利用交替光源进行人脸防伪的方法及装置 Pending CN110909632A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911083236.5A CN110909632A (zh) 2019-11-07 2019-11-07 一种利用交替光源进行人脸防伪的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911083236.5A CN110909632A (zh) 2019-11-07 2019-11-07 一种利用交替光源进行人脸防伪的方法及装置

Publications (1)

Publication Number Publication Date
CN110909632A true CN110909632A (zh) 2020-03-24

Family

ID=69816692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911083236.5A Pending CN110909632A (zh) 2019-11-07 2019-11-07 一种利用交替光源进行人脸防伪的方法及装置

Country Status (1)

Country Link
CN (1) CN110909632A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115925A (zh) * 2020-11-18 2020-12-22 鹏城实验室 人脸识别方法、装置及计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115925A (zh) * 2020-11-18 2020-12-22 鹏城实验室 人脸识别方法、装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
US11700457B2 (en) Flicker mitigation via image signal processing
CN104766071B (zh) 一种应用于无人驾驶汽车的交通灯快速检测算法
CN107705288A (zh) 伪目标运动强干扰下的危险气体泄漏红外视频检测方法
CN104881642A (zh) 一种内容推送方法、装置及设备
KR100845969B1 (ko) 동적객체 영역 추출방법 및 장치
CN104299220B (zh) 一种对Kinect深度图像中的空洞进行实时填充的方法
CN103093203A (zh) 一种人体再识别方法以及人体再识别系统
CN106874830A (zh) 一种基于rgb‑d相机和人脸识别的视障人士辅助方法
CN106600640A (zh) 一种基于rgb‑d相机的人脸识别辅助眼镜
Huerta et al. Exploiting multiple cues in motion segmentation based on background subtraction
CN110298893A (zh) 一种行人衣着颜色识别模型的生成方法及装置
CN111539311A (zh) 基于ir和rgb双摄的活体判别方法、装置及系统
CN106657948A (zh) 低照度Bayer图像的增强方法及增强装置
CN112926464A (zh) 一种人脸活体检测方法以及装置
CN114885119A (zh) 一种基于计算机视觉的智能监控报警系统及方法
CN115527276A (zh) 基于面部光流场与纹理特性融合的深伪视频检测方法
CN109191398B (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
CN110909632A (zh) 一种利用交替光源进行人脸防伪的方法及装置
TWI733616B (zh) 人體姿勢辨識系統、人體姿勢辨識方法以及非暫態電腦可讀取儲存媒體
CN111627047B (zh) 水下鱼类动态视觉序列运动目标检测方法
CN109670473A (zh) 基于人脸抓图的优选方法及装置
CN112991665A (zh) 烟雾探测方法、烟雾探测装置以及烟雾探测系统
CN112487926A (zh) 一种基于时空图卷积网络的景区投喂行为识别方法
CN107346421A (zh) 一种基于颜色不变性的视频烟雾检测方法
Hadiprakoso Face anti-spoofing method with blinking eye and hsv texture analysis

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