CN111079606A - 一种人脸防伪方法及装置 - Google Patents

一种人脸防伪方法及装置 Download PDF

Info

Publication number
CN111079606A
CN111079606A CN201911244680.0A CN201911244680A CN111079606A CN 111079606 A CN111079606 A CN 111079606A CN 201911244680 A CN201911244680 A CN 201911244680A CN 111079606 A CN111079606 A CN 111079606A
Authority
CN
China
Prior art keywords
detected
feature
depth estimation
image data
face
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
Application number
CN201911244680.0A
Other languages
English (en)
Other versions
CN111079606B (zh
Inventor
赵晨旭
王泽正
余梓彤
秦云霄
周峰
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 Aibee Technology Co Ltd
Original Assignee
Beijing Aibee 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 Aibee Technology Co Ltd filed Critical Beijing Aibee Technology Co Ltd
Priority to CN201911244680.0A priority Critical patent/CN111079606B/zh
Publication of CN111079606A publication Critical patent/CN111079606A/zh
Application granted granted Critical
Publication of CN111079606B publication Critical patent/CN111079606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请公开了一种人脸防伪方法及装置，包括：获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像；获取所述待检测人脸图像数据的梯度幅度响应数据；基于所述待检测人脸图像数据获取时空上的深度估计特征；基于所述梯度幅度响应数据和所述深度估计特征确定防伪结果。所述人脸防伪方法及装置，基于梯度幅度响应数据和深度估计特征确定防伪结果，实现过程将空间维度特征信息与时间维度特征信息结合起来进行人脸防伪的检测，综合考虑人脸面部深度和运动模式之间的相互作用，使得最终得到的防伪结果更加全面准确。

Description

一种人脸防伪方法及装置
技术领域
本发明涉及人脸检测技术，更具体的说，是涉及一种人脸防伪方法及装置。
背景技术
人脸识别技术目前已广泛应用于诸多领域，生活中常见的应用场景如手机人脸识别解锁，人脸识别门禁等。伴随着人脸识别技术的发展，人脸防伪技术也在不断的创新改进。
人脸防伪技术对于人脸识别系统的安全性具有重要意义，其能够防止非认证人员冒充认证人员进行相应权限的使用和控制。现有技术中，存在多种人脸防伪检测方法，但这些防伪检测方法基本上都是单纯从时间维度的信息或空间维度的信息来提取伪造人脸的特征，进而进行人脸真伪的判断，整体上的防伪检测结果准确度欠佳，不能满足用户需求。
发明内容
有鉴于此，本发明提供了一种人脸防伪方法及装置，以克服现有技术中防伪检测结果准确度欠佳的问题。
为实现上述目的，本发明提供如下技术方案：
一种人脸防伪方法，包括：
获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像；
获取所述待检测人脸图像数据的梯度幅度响应数据；
基于所述待检测人脸图像数据获取时空上的深度估计特征；
基于所述梯度幅度响应数据和所述深度估计特征确定防伪结果。
可选的，所述获取所述待检测人脸图像数据的梯度幅度响应数据，包括：
将可学习的卷积特征和所述待检测人脸图像数据的梯度识别信息进行聚合，确定所述待检测人脸图像的梯度幅度响应数据。
可选的，在所述待检测人脸图像数据包括多帧图像的情况下，所述基于所述待检测人脸图像数据获取时空上的深度估计特征，包括：
基于所述待检测人脸图像数据提取第一时间维度上的第一深度估计特征；
基于所述待检测人脸图像数据提取第二时间维度上的第二深度估计特征；
其中，所述第一时间维度对应的时间长度小于所述第二时间维度对应的时间长度。
可选的，所述提取第一时间维度上的第一深度估计特征，包括：
采用正交的光流技术或非正交的光流技术提取第一时间维度上的第一深度估计特征；
所述提取第二时间维度上的第二深度估计特征，包括：
采用卷积门控循环单元ConvGRU或长短期记忆网络LSTM提取第二时间维度上的第二深度估计特征。
可选的，所述提取第一时间维度上的第一深度估计特征，包括：
通过融合五种特征提取第一深度估计特征，所述五种特征包括：当前压缩特征、当前空间梯度特征、期货空间梯度特征、时间梯度特征和前一级的深度估计特征。
可选的，所述当前空间梯度特征和所述期货空间梯度特征基于sobel操作的深度卷积实现，所述时间梯度特征基于时间特征的逐元素减法实现。
可选的，还包括：
采用相对深度损失函数CDL应用于所述人脸防伪检测方法的学习或训练过程。
一种人脸防伪装置，包括：
数据获取模块，用于获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像；
空间特征获取模块，用于获取所述待检测人脸图像数据的梯度幅度响应数据；
时空特征获取模块，用于基于所述待检测人脸图像数据获取时空上的深度估计特征；
结果确定模块，用于基于所述梯度幅度响应数据和所述深度估计特征确定防伪检测结果。
可选的，所述空间特征获取模块具体用于：
将可学习的卷积特征和所述待检测人脸图像数据的梯度识别信息进行聚合，确定所述待检测人脸图像的梯度幅度响应数据。
可选的，所述时空特征获取模块包括：
第一特征提取模块，用于基于所述待检测人脸图像数据提取第一时间维度上的第一深度估计特征；
第二特征提取模块，用于基于所述待检测人脸图像数据提取第二时间维度上的第二深度估计特征；
其中，所述第一时间维度对应的时间长度小于所述第二时间维度对应的时间长度。
经由上述的技术方案可知，与现有技术相比，本发明实施例公开了一种人脸防伪方法及装置，包括：获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像；获取所述待检测人脸图像数据的梯度幅度响应数据；基于所述待检测人脸图像数据获取时空上的深度估计特征；基于所述梯度幅度响应数据和所述深度估计特征确定防伪结果。所述人脸防伪方法及装置，基于梯度幅度响应数据和深度估计特征确定防伪结果，实现过程将空间维度特征信息与时间维度特征信息结合起来进行人脸防伪的检测，综合考虑人脸面部深度和运动模式之间的相互作用，使得最终得到的防伪结果更加全面准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的真实人脸和伪造人脸的空间梯度的幅度示意图；
图2为本发明实施例公开的真实人脸和伪造人脸在移动时的深度变化示意图；
图3为本发明实施例公开的一种人脸防伪方法流程图；
图4为本发明实施例公开的获取时空上的深度估计特征流程图；
图5为本发明实施例公开的人脸防伪实现过程示意图；
图6为本发明实施例公开的另一种人脸防伪方法流程图；
图7为本发明实施例公开的相对深度损失函数实现原理示意图；
图8为本发明实施例公开的一种人脸防伪装置的结构示意图；
图9为本发明实施例公开的时空特征获取模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例公开的真实人脸和伪造人脸的空间梯度的幅度示意图，图2为本发明实施例公开的真实人脸和伪造人脸在移动时的深度变化示意图，结合图1和图2，本申请发明人在进行相关研究时发现，从空间角度，真实人脸A与伪造人脸B的空间梯度的幅度具有明显差异，从时间角度，由于真实人脸为立体的，而伪造人脸(如照片、视频)通常为平面的，因此在目标随时间变化产生微小移动时，真实人脸与伪造人脸中各部位相对于图像采集装置的角度也具有一定差异。基于此发现，发明人提出如下人脸防伪方法。
图3为本发明实施例公开的一种人脸防伪方法流程图，该人脸防伪方法在实际场景中可以应用于人脸防伪神经网络的学习和训练过程。参见图3所示，人脸防伪检测方法可以包括：
步骤301：获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像。
所述待机检测人脸图像数据是针对同一个人或同一个事物(如照片或视频)的人脸图像。由于本申请所涉及的人脸防伪方法从空间和时间两个维度上进行特征的提取和识别，因此，所述待检测人脸图像数据至少包括两帧图像，以满足时间维度上相关特征的提取。
步骤302：获取所述待检测人脸图像数据的梯度幅度响应数据。
本实施例中，所述梯度幅度响应数据为能够反映图像空间特征的数据，根据前述内容可知，真实人脸与伪造人脸的空间梯度的幅度具有明显差异，因此，依据该梯度幅度响应数据能够从一定程度上确定待检测人脸图像数据对应的是真实人脸或伪造人脸。
步骤303：基于所述待检测人脸图像数据获取时空上的深度估计特征。
深度估计特征为能够反映图像在时间特征的数据，即时空维度的特征。具体的，由于真实人脸与伪造人脸产生微小移动时深度变化具有一定差异，因此，通过深度估计特征也能够从一定程度上确定待检测人脸图像数据对应的是真实人脸或伪造人脸。
需要说明的是，深度估计特征的获取需要依据至少两帧不同时间的图像。由于真实人脸在实际场景中，随着时间的变化多少会有位置的移动或角度的改变，因此，采用一定的技术手段可以提取出前述至少两帧不同时间的图像的深度估计特征。例如，获取到第三帧和第四帧共两帧图像，通过检测分析这两个不同时间的图像中一些微小的变化(人脸移动、角度改变)，基于这些微小的变化确定出在一帧时间差的时间维度上的深度估计特征。
步骤304：基于所述梯度幅度响应数据和所述深度估计特征确定防伪结果。
在提取得到空间特征数据和时间特征数据后，可以将其作为神经网络中的某个计算单元、某个约束或某一层来帮助神经网络的学习或训练。
本实施例中，所述人脸防伪方法，基于梯度幅度响应数据和深度估计特征确定防伪结果，实现过程将空间维度特征信息与时间维度特征信息结合起来进行人脸防伪的检测，综合考虑人脸面部深度和运动模式之间的相互作用，使得最终得到的防伪结果更加全面准确。
在一个示意性的示例中，上述实施例所述获取所述待检测人脸图像数据的梯度幅度响应数据，可以包括：将可学习的卷积特征和所述待检测人脸图像数据的梯度识别信息进行聚合，确定所述待检测人脸图像的梯度幅度响应数据。
细粒度的空间细节对于区分真实与伪造人脸具有重要作用，参见图1所示，真实人脸与伪造人脸之间的梯度幅度响应不同，本实施例中，可以采用RSGB来捕获所述梯度幅度响应数据。
本实施例中，所述残差空间梯度模块RSGB的水平和垂直梯度可以来自以下卷积操作：
Figure BDA0002307206070000061
其中*表示(深度)卷积运算，x表示输入要素图。RSGB采用先进的快捷连接结构，将可学习的卷积特征与梯度识别信息进行聚合，以提高细粒度空间细节的表示能力。
需要说明的是，上述卷积操作对应的水平梯度矩阵中，第一列和第三列的数值并不限定，只需要保证第一列和第三列的数据正负对应即可，例如第一列由上而下分别为-3、-7、-2，则第三列由上而下分别为+3、+7、+2。对应的，上述卷积操作对应的垂直梯度对应的矩阵中，第一列和第三列的数值并不限定，只需要保证第一列和第三列的数据正负对应即可。此外，水平梯度矩阵也可以为5*5、7*7、9*9等大小的矩阵，实现中只需要要保证中间一列的值全为0，其余列的数值相对于中间一列对称即可，对应的垂直梯度矩阵也可以为5*5、7*7、9*9等大小的矩阵，实现中只需要要保证中间一行的值全为0，其余行的数值相对于中间一行对称即可。
上述实施例内容中，通过卷积操作能够捕捉到真实人脸和伪造人脸之间的详细判别线索，即细粒度的空间细节，从而使得依据空间特征进行人脸防伪的结果更加准确。
图4为本发明实施例公开的一种获取时空上的深度估计特征流程图，参见图4所示，在一个示意性示例中，在所述待检测人脸图像数据包括多帧图像的情况下，所述基于所述待检测人脸图像数据获取时空上的深度估计特征，可以包括：
步骤401：基于所述待检测人脸图像数据提取第一时间维度上的第一深度估计特征。
步骤402：基于所述待检测人脸图像数据提取第二时间维度上的第二深度估计特征，其中，所述第一时间维度对应的时间长度小于所述第二时间维度对应的时间长度。
在至少两帧人脸图像中，为了充分的挖掘真实人脸与伪造人脸的辨别信息，本申请在时空上探索多个维度，在第一个时空维度上，可以提取较短时间维度上的深度估计特征，在第二个时空维度上，可以提取较长时间维度上深度估计的特征。例如，确定间距小于或等于5帧的时间为较短时间维度，确定大于5帧的时间为较长时间维度，则若依据第1帧和第5帧图像提取深度估计特征，由于两帧之间差4帧，则为较短时间维度上的深度估计特征，对应上述第一深度估计特征；若依据第3帧到第10帧像提取深度估计特征，由于两帧之间差7帧，则为较长时间维度上的深度估计特征，对应上述第二深度估计特征。
本实施例中，从两个时间维度来提取深度估计特征，能够使得提取的深度估计特征更加全面，有利于后续基于提取的深度估计特征确定人脸防伪结果的准确度。
上述实施例中，所述提取第一时间维度上的第一深度估计特征，具有不同的实现方式，例如，可以采用正交的光流技术或非正交的光流技术提取第一时间维度上的第一深度估计特征。
所述提取第二时间维度上的第二深度估计特征，可以包括：采用卷积门控循环单元ConvGRU或长短期记忆网络LSTM提取第二时间维度上的第二深度估计特征。
实际应用中，可以根据实际需要选取合适的技术来进行深度估计特征的提取。
上述实施例中，提取第一时间维度上的第一深度估计特征，可以包括：通过融合五种特征提取第一深度估计特征，所述五种特征包括：当前压缩特征、当前空间梯度特征、期货空间梯度特征、时间梯度特征和前一级的深度估计特征。
需要说明的是，在具体实现中，为实现本实施例公开的人脸防伪方法所构建的神经网络中，包括多个模块，其中一种类型的模块也可能存在多个，例如上述用于提取第一时间维度上的第一深度估计特征的模块，本实施例中，将其称为STSTB模块；在构建的神经网络中可以包括具有级联关系的多个STSTB模块，依据各个STSTB模块的先后位置关系，可以将其确定为第一级、第二级、第三级等；其中，第一级为第二级的前一级，第三级为第二级的前一级。
图5为本发明实施例公开的人脸防伪检测实现过程示意图，图5表示的为本申请实施例公开的人脸防伪方法对应的神经网络实现示意。其中，frame t表示t时间的图像帧，frame t+Δt表示t+Δt时间的图像帧；RSGB表示获取待检测人脸图像数据的梯度幅度响应数据的功能模块；STSTB表示提取第一时间维度上的第一深度估计特征的功能模块；STPM表示基于待检测人脸图像数据获取时空上的深度估计特征的功能模块；Max Pool表示池化层；3×3Convolution表示卷积核为3×3的卷积层；1×1Convolution表示卷积核为1×1的卷积层；Subtraction表示减法；Sobel为一种提取图像特征的方法，常用于图像边缘检测中；Concatenation表示级联；Refine表示优化的过程；LOSS表示损失函数，其中LEUL表示欧氏距离损失函数；LCDL表示相对深度损失函数；Lbinary表示二分类损失函数。结合图5所示，STSTB通过融合五种特征提取广义短期时空信息：当前压缩特征，当前空间梯度特征，期货空间梯度特征，时间梯度特征，以及来自前一级STSTB模块的深度估计特征。其中，当前压缩特征是指对当前帧提取出来的人脸防伪特征；当前空间梯度特征是指当前帧的逐像素的梯度特征；期货空间梯度特征是指对相邻两帧的空间梯度特征做减法之后得到的特征；时间梯度特征是指对连续多个期货空间梯度特征做RNN运算之后得到的多帧视频的空间梯度特征；深度估计特征是指使用相邻两帧的图像的空间梯度特征预测人脸的深度。使用上述五种特征的目的是更好的利用长期和短期的人脸视频来预测人脸深度。
融合的特征以可学习/自适应的方式提供加权的空间和时间信息。本申请中，所述当前空间梯度特征和所述期货空间梯度特征使用基于Sobel操作的深度卷积实现，所述时间梯度特征基于时间特征的逐元素减法(逐元素减法是指每一个像素点l与其相邻的8个像素点之间逐元素相减)来实现。另外，1x1卷积操作可以实现通过更高效的计算来压缩通道编号。
长时间维度的信息在本申请中使用ConvGRU模块(ConvGRU是指将卷积操作嵌入到GRU模块中，与普通GRU相比，ConvGRU可以更好的保留特征的空间位置信息)来提取，ConvGRU可以用如下公式表示：
Figure BDA0002307206070000091
Figure BDA0002307206070000092
Figure BDA0002307206070000093
其中Xt、Ht、Ut和Rt分别为输入矩阵，输出矩阵，更新门矩阵和复位门矩阵。K为卷积核，
Figure BDA0002307206070000094
为卷积操作，*表示元素乘法，σ是sigmoid激活函数。
图6为本发明实施例公开的另一种人脸防伪检测方法流程图，如图6所示，人脸防伪检测方法可以包括：
步骤601：获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像。
步骤602：获取所述待检测人脸图像数据的梯度幅度响应数据。
步骤603：基于所述待检测人脸图像数据获取时空上的深度估计特征。
步骤604：基于所述梯度幅度响应数据和所述深度估计特征确定防伪检测结果。
步骤605：采用相对深度损失函数CDL监督上述人脸防伪方法的学习或训练过程，以使得最终确定的人脸防伪的结果更加精确。
CDL，即Contrastive Depth Loss，相对深度损失函数。本申请中，采用相对深度损失函数CDL应用于所述人脸防伪检测方法的学习或训练过程，使得人脸防伪神经网络在学习或训练过程中能够不断的向准确结果靠拢，提升输出结果的准确性。
在深度回归的任务中，不同对象间的距离关系对于深度回归的学习是很重要的，所以在本申请中设计了CDL，提高深度回归精度的损失函数，其实现过程如图7所示。
CDL用公式可表述为：
Figure BDA0002307206070000101
本实施例所述人脸防伪方法，能够捕获辨别细节，并编码时空信息，将空间维度特征信息与时间维度特征信息结合起来进行人脸防伪的检测，并融合相对深度损失函数，以达到更准确的检测结果，实现过程综合考虑人脸面部深度和运动模式之间的相互作用，防伪检测结果更加全面准确。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置实现，因此本发明还公开了一种装置，下面给出具体的实施例进行详细说明。
图8为本发明实施例公开的一种人脸防伪检测装置的结构示意图，如图8所示，人脸防伪装置80可以包括：
数据获取模块801，用于获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像。
空间特征获取模块802，用于获取所述待检测人脸图像数据的梯度幅度响应数据。
时空特征获取模块803，用于基于所述待检测人脸图像数据获取时空上的深度估计特征。
结果确定模块804，用于基于所述梯度幅度响应数据和所述深度估计特征确定防伪检测结果。
其中，所述空间特征获取模块具体可用于：将可学习的卷积特征和所述待检测人脸图像数据的梯度识别信息进行聚合，确定所述待检测人脸图像的梯度幅度响应数据。
图9为本发明实施例提供的时空特征获取模块的结构示意图，结合图9所示，时空特征获取模块803可包括：
第一特征提取模块901，用于基于所述待检测人脸图像数据提取第一时间维度上的第一深度估计特征。
第二特征提取模块902，用于基于所述待检测人脸图像数据提取第二时间维度上的第二深度估计特征。
其中，所述第一时间维度对应的时间长度小于所述第二时间维度对应的时间长度。
上述人脸防伪装置及其各模块的具体实现可参见方法实施例中相关内容的介绍，在此不再重复赘述。
进一步地，本申请还公开了一种电子设备，所述电子设备包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述可执行指令包括：获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像；获取所述待检测人脸图像数据的梯度幅度响应数据；基于所述待检测人脸图像数据获取时空上的深度估计特征；基于所述梯度幅度响应数据和所述深度估计特征确定防伪结果。
上述实施例中的所述的任意一种信息处理装置包括处理器和存储器，上述实施例中的数据获取模块、空间特征获取模块、时空特征获取模块、结果确定模块、第一特征提取模块、第二特征提取模块等均可以作为程序模块存储在存储器中，由处理器执行存储在所述存储器中的上述程序模块来实现相应的功能。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述可执行指令被处理器执行时，使得所述处理器执行本申请上述实施例所述的人脸防伪方法的步骤。
处理器中包含内核，由内核去存储器中调取相应的程序模块。内核可以设置一个或多个，通过调整内核参数来实现回访数据的处理。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述实施例中所述的人脸防伪方法。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种人脸防伪方法，其特征在于，包括：
获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像；
获取所述待检测人脸图像数据的梯度幅度响应数据；
基于所述待检测人脸图像数据获取时空上的深度估计特征；
基于所述梯度幅度响应数据和所述深度估计特征确定防伪结果。
2.根据权利要求1所述的人脸防伪方法，其特征在于，所述获取所述待检测人脸图像数据的梯度幅度响应数据，包括：
将可学习的卷积特征和所述待检测人脸图像数据的梯度识别信息进行聚合，确定所述待检测人脸图像的梯度幅度响应数据。
3.根据权利要求1所述的人脸防伪方法，其特征在于，在所述待检测人脸图像数据包括多帧图像的情况下，所述基于所述待检测人脸图像数据获取时空上的深度估计特征，包括：
基于所述待检测人脸图像数据提取第一时间维度上的第一深度估计特征；
基于所述待检测人脸图像数据提取第二时间维度上的第二深度估计特征；
其中，所述第一时间维度对应的时间长度小于所述第二时间维度对应的时间长度。
4.根据权利要求3所述的人脸防伪方法，其特征在于，所述提取第一时间维度上的第一深度估计特征，包括：
采用正交的光流技术或非正交的光流技术提取第一时间维度上的第一深度估计特征；
所述提取第二时间维度上的第二深度估计特征，包括：
采用卷积门控循环单元ConvGRU或长短期记忆网络LSTM提取第二时间维度上的第二深度估计特征。
5.根据权利要求4所述的人脸防伪方法，其特征在于，所述提取第一时间维度上的第一深度估计特征，包括：
通过融合五种特征提取第一深度估计特征，所述五种特征包括：当前压缩特征、当前空间梯度特征、期货空间梯度特征、时间梯度特征和前一级的深度估计特征。
6.根据权利要求5所述的人脸防伪方法，其特征在于，所述当前空间梯度特征和所述期货空间梯度特征基于sobel操作的深度卷积实现，所述时间梯度特征基于时间特征的逐元素减法实现。
7.根据权利要求1-6任一项所述的人脸防伪方法，其特征在于，还包括：
采用相对深度损失函数CDL应用于所述人脸防伪检测方法的学习或训练过程。
8.一种人脸防伪装置，其特征在于，包括：
数据获取模块，用于获取待检测人脸图像数据，所述待检测人脸图像数据至少包括两帧图像；
空间特征获取模块，用于获取所述待检测人脸图像数据的梯度幅度响应数据；
时空特征获取模块，用于基于所述待检测人脸图像数据获取时空上的深度估计特征；
结果确定模块，用于基于所述梯度幅度响应数据和所述深度估计特征确定防伪检测结果。
9.根据权利要求8所述的人脸防伪检测装置，其特征在于，所述空间特征获取模块具体用于：
将可学习的卷积特征和所述待检测人脸图像数据的梯度识别信息进行聚合，确定所述待检测人脸图像的梯度幅度响应数据。
10.根据权利要求8所述的人脸防伪检测装置，其特征在于，所述时空特征获取模块包括：
第一特征提取模块，用于基于所述待检测人脸图像数据提取第一时间维度上的第一深度估计特征；
第二特征提取模块，用于基于所述待检测人脸图像数据提取第二时间维度上的第二深度估计特征；
其中，所述第一时间维度对应的时间长度小于所述第二时间维度对应的时间长度。
CN201911244680.0A 2019-12-06 2019-12-06 一种人脸防伪方法及装置 Active CN111079606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911244680.0A CN111079606B (zh) 2019-12-06 2019-12-06 一种人脸防伪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911244680.0A CN111079606B (zh) 2019-12-06 2019-12-06 一种人脸防伪方法及装置

Publications (2)

Publication Number Publication Date
CN111079606A true CN111079606A (zh) 2020-04-28
CN111079606B CN111079606B (zh) 2023-05-26

Family

ID=70313232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911244680.0A Active CN111079606B (zh) 2019-12-06 2019-12-06 一种人脸防伪方法及装置

Country Status (1)

Country Link
CN (1) CN111079606B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150172637A1 (en) * 2013-12-12 2015-06-18 Electronics And Telecommunications Research Institute Apparatus and method for generating three-dimensional output data
CN105654028A (zh) * 2015-09-29 2016-06-08 厦门中控生物识别信息技术有限公司 一种真假人脸识别方法及装置
CN108363944A (zh) * 2017-12-28 2018-08-03 杭州宇泛智能科技有限公司 人脸识别终端双摄防伪方法、装置及系统
CN108549886A (zh) * 2018-06-29 2018-09-18 汉王科技股份有限公司 一种人脸活体检测方法及装置
CN109961021A (zh) * 2019-03-05 2019-07-02 北京超维度计算科技有限公司 一种深度图像中人脸检测方法
CN110059542A (zh) * 2019-03-04 2019-07-26 平安科技（深圳）有限公司 基于改进的Resnet的人脸活体检测的方法及相关设备
CN110348319A (zh) * 2019-06-18 2019-10-18 武汉大学 一种基于人脸深度信息和边缘图像融合的人脸防伪方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150172637A1 (en) * 2013-12-12 2015-06-18 Electronics And Telecommunications Research Institute Apparatus and method for generating three-dimensional output data
CN105654028A (zh) * 2015-09-29 2016-06-08 厦门中控生物识别信息技术有限公司 一种真假人脸识别方法及装置
CN108363944A (zh) * 2017-12-28 2018-08-03 杭州宇泛智能科技有限公司 人脸识别终端双摄防伪方法、装置及系统
CN108549886A (zh) * 2018-06-29 2018-09-18 汉王科技股份有限公司 一种人脸活体检测方法及装置
CN110059542A (zh) * 2019-03-04 2019-07-26 平安科技（深圳）有限公司 基于改进的Resnet的人脸活体检测的方法及相关设备
CN109961021A (zh) * 2019-03-05 2019-07-02 北京超维度计算科技有限公司 一种深度图像中人脸检测方法
CN110348319A (zh) * 2019-06-18 2019-10-18 武汉大学 一种基于人脸深度信息和边缘图像融合的人脸防伪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZEZEHNG WANG等: ""deep spatial gradient and temporal depth learning for face anti-spoofing"", 《PROCEEDINGS OF THE IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION(CVPR)》 *
林晓东: ""人脸识别系统中的活体检测算法研究"" *
王峰: ""基于深度学习的人脸认证方法研究"" *

Also Published As

Publication number Publication date
CN111079606B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
US10990825B2 (en) Image processing method, electronic device and computer readable storage medium
US10943126B2 (en) Method and apparatus for processing video stream
Qu et al. RGBD salient object detection via deep fusion
CN110598558B (zh) 人群密度估计方法、装置、电子设备及介质
Noh et al. A new framework for background subtraction using multiple cues
CN110580428A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
US11227149B2 (en) Method and apparatus with liveness detection and object recognition
Almeida et al. Detecting face presentation attacks in mobile devices with a patch-based CNN and a sensor-aware loss function
CN114783003B (zh) 一种基于局部特征注意力的行人重识别方法和装置
CN112560796B (zh) 人体姿态实时检测方法、装置、计算机设备及存储介质
CN112215180A (zh) 一种活体检测方法及装置
CN112232140A (zh) 人群计数方法、装置、电子设备及计算机存储介质
CN112906609B (zh) 基于双路交叉注意力网络的视频重要区域预测方法和装置
Shahrian et al. Temporally coherent and spatially accurate video matting
CN112101195A (zh) 人群密度预估方法、装置、计算机设备和存储介质
Yoshinaga et al. Real-time people counting using blob descriptor
Wang et al. Object counting in video surveillance using multi-scale density map regression
CN114387548A (zh) 视频及活体检测方法、系统、设备、存储介质及程序产品
Qian et al. A benchmark for burst color constancy
CN110688926B (zh) 主体检测方法和装置、电子设备、计算机可读存储介质
CN111753775A (zh) 鱼的生长评估方法、装置、设备及存储介质
CN111079606B (zh) 一种人脸防伪方法及装置
Kim et al. View invariant action recognition using generalized 4D features
CN111967476B (zh) 光场图像显著性特征提取、信息融合及预测损失评估方法
Gomez-Nieto et al. Quality aware features for performance prediction and time reduction in video object tracking

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