CN111178112A - 真脸识别装置 - Google Patents
真脸识别装置 Download PDFInfo
- Publication number
- CN111178112A CN111178112A CN201811329433.6A CN201811329433A CN111178112A CN 111178112 A CN111178112 A CN 111178112A CN 201811329433 A CN201811329433 A CN 201811329433A CN 111178112 A CN111178112 A CN 111178112A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- classification
- real
- classification model
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
-
- 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
Abstract
本发明提供一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:图像采集部,采集识别对象的人脸图像;莫尔条纹判断部,判断人脸图像中是否存在莫尔条纹;当判断为不存在莫尔条纹时,图像特征分类运行部把人脸图像输入图像特征分类模型中并运行得到与人脸图像相关的图像特征分类结果,图像质量分类运行部把人脸图像输入到图像质量分类模型中并运行从而与人脸图像相关的图像质量分类结果;分类结果判断部判断图像特征分类结果以及图像质量分类结果是否显示人脸图像与真脸摄制图像是同类,当分类结果判断部判断图像特征分类结果和图像质量分类结果均显示为同类时,真脸图像确定部就把人脸图像确定为识别对象的真脸图像。
Description
技术领域
本发明涉及人脸识别领域,具体涉及一种真脸识别装置。
背景技术
图像识别技术已经深入许多领域,针对人脸识别进行照片攻击、视频攻击来伪装人脸进行不法操作的技术也随之出现,这些技术都严重影响了人脸识别的安全性。
为了保证被识别的人脸为真人,在进行图像识别前需要进行活体检测。由于单个常规摄像头拍摄得到人脸图像后,无法直接根据该人脸图像判断摄像头前面的是真人还是攻击照片,因此现有技术中的许多活体检测技术需要硬件设备配合,例如多角度识别、体温识别等方式,即,通过多个摄像头或是红外装置判断用户的身体动作,从而避免用户人脸被图片、视频替代验证。
上述方式的缺点是硬件成本高,需要在设置用于人脸识别的摄像头以外设置更多的识别装置并占用额外空间。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种不需要额外硬件装置并能够直接对用于人脸识别的摄像头拍摄的照片进行分析就能实现真假人脸识别的真脸识别装置。
本发明为了实现上述目的,采用了以下结构:
<结构一>
本发明的结构一提供了一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:图像特征分类模型存储部、图像质量分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、图像特征分类运行部、图像质量分类运行部、分类结果判断部以及真脸图像确定部,图像特征分类模型存储部存储有基于对真脸摄制的真脸摄制图像以及对非真脸摄制的非真脸摄制图像通过特征分类的训练方法而得到的图像特征分类模型,图像质量分类模型存储部存储有基于对真脸摄制图像的图像质量特征以及非真脸摄制图像的图像质量特征通过特征分类的训练方法而得到的图像质量分类模型,其中,图像采集部采集识别对象的人脸图像,莫尔条纹判断部判断人脸图像中是否存在莫尔条纹,当判断为不存在莫尔条纹时,分类控制部控制图像特征分类运行部把人脸图像输入到图像特征分类模型存储部中的图像特征分类模型中并对该图像特征分类模型进行运行从而得到与人脸图像相关的图像特征分类结果,并控制图像质量分类运行部把人脸图像输入到图像质量分类模型存储部中的图像质量分类模型中并对该图像质量分类模型进行运行从而得到与人脸图像相关的图像质量分类结果,分类结果判断部判断图像特征分类结果以及图像质量分类结果是否显示人脸图像与真脸摄制图像是同类,当分类结果判断部判断图像特征分类结果和图像质量分类结果均显示为同类时,真脸图像确定部就把人脸图像确定为识别对象的真脸图像。
<结构二>
本发明的结构二提供了一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:图像特征分类模型存储部、颜色纹理分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、图像特征分类运行部、颜色纹理分类运行部、分类结果判断部以及真脸图像确定部,图像特征分类模型存储部存储有基于对真脸摄制的真脸摄制图像以及对非真脸摄制的非真脸摄制图像通过特征分类的训练方法而得到的图像特征分类模型,颜色纹理分类模型存储部存储有基于对真脸摄制图像的颜色特征和纹理特征以及非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型;其中,图像采集部采集识别对象的人脸图像,莫尔条纹判断部判断人脸图像中是否存在莫尔条纹,当判断为不存在莫尔条纹时,分类控制部控制图像特征分类运行部把人脸图像输入到图像特征分类模型存储部中的图像特征分类模型中并对该图像特征分类模型进行运行从而得到与人脸图像相关的图像特征分类结果,并控制颜色纹理分类运行部把人脸图像输入到颜色纹理分类模型存储部中的颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与人脸图像相关的颜色纹理分类结果,分类结果判断部判断图像特征分类结果以及颜色纹理分类结果是否显示人脸图像与真脸摄制图像是同类,当分类结果判断部判断图像特征分类结果和颜色纹理分类结果均显示为同类时,真脸图像确定部就把人脸图像确定为识别对象的真脸图像。
<结构三>
本发明的结构三提供了一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:颜色纹理分类模型存储部、图像质量分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、颜色纹理分类运行部、图像质量分类运行部、分类结果判断部以及真脸图像确定部,颜色纹理分类模型存储部存储有基于对真脸摄制的真脸摄制图像的颜色特征和纹理特征以及对非真脸摄制的非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型;图像质量分类模型存储部存储有基于对真脸摄制图像的图像质量特征以及非真脸摄制图像的图像质量特征通过特征分类的训练方法而得到的图像质量分类模型,其中,图像采集部采集识别对象的人脸图像,莫尔条纹判断部判断人脸图像中是否存在莫尔条纹,当判断为不存在莫尔条纹时,分类控制部控制颜色纹理分类运行部把人脸图像输入到颜色纹理分类模型存储部中的颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与人脸图像相关的颜色纹理分类结果,并控制图像质量分类运行部把人脸图像输入到图像质量分类模型存储部中的图像质量分类模型中并对该图像质量分类模型进行运行从而得到与人脸图像相关的图像质量分类结果,分类结果判断部判断颜色纹理分类结果以及图像质量分类结果是否显示人脸图像与真脸摄制图像是同类,当分类结果判断部判断颜色纹理分类结果和图像质量分类结果均显示为同类时,真脸图像确定部就把人脸图像确定为识别对象的真脸图像。
<结构四>
本发明的结构四提供了一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:图像特征分类模型存储部、图像质量分类模型存储部、颜色纹理分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、图像特征分类运行部、图像质量分类运行部、颜色纹理分类运行部、分类结果判断部以及真脸图像确定部,图像特征分类模型存储部存储有基于对真脸摄制的真脸摄制图像以及对非真脸摄制的非真脸摄制图像通过特征分类的训练方法而得到的图像特征分类模型,图像质量分类模型存储部存储有基于对真脸摄制图像的图像质量特征以及非真脸摄制图像的图像质量特征通过特征分类的训练方法而得到的图像质量分类模型,颜色纹理分类模型存储部存储有基于对真脸摄制图像的颜色特征和纹理特征以及非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型;其中,图像采集部采集识别对象的人脸图像,莫尔条纹判断部判断人脸图像中是否存在莫尔条纹,当判断为不存在莫尔条纹时,分类控制部控制图像特征分类运行部把人脸图像输入到图像特征分类模型存储部中的图像特征分类模型中并对该图像特征分类模型进行运行从而得到与人脸图像相关的图像特征分类结果,并控制图像质量分类运行部把人脸图像输入到图像质量分类模型存储部中的图像质量分类模型中并对该图像质量分类模型进行运行从而得到与人脸图像相关的图像质量分类结果,进一步控制颜色纹理分类运行部把人脸图像输入到颜色纹理分类模型存储部中的颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与人脸图像相关的颜色纹理分类结果,分类结果判断部判断图像特征分类结果、图像质量分类结果以及颜色纹理分类结果是否显示人脸图像与真脸摄制图像是同类,当分类结果判断部判断图像特征分类结果、图像质量分类结果和颜色纹理分类结果中有两个以上显示为同类时,真脸图像确定部就把人脸图像确定为识别对象的真脸图像。
<结构五>
本发明的结构五提供了一种真脸识别设备,具有真脸识别装置,该真脸识别装置为结构一-结构四中的任意一种,其特征在于,还包括:动态判断控制装置,其中,动态判断控制装置控制真脸识别装置在预定时间内以预定时间间隔进行多次人脸图像的采集和确定,进一步根据该多次的人脸图像的确定结果确定该人脸图像的采集对象为真人。
进一步,本发明还提供了一种真脸识别方法,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括如下步骤:人脸图像采集步骤,采集识别对象的人脸图像;莫尔条纹判断步骤,判断人脸图像中是否存在莫尔条纹;分类步骤,当判断为不存在莫尔条纹时,将人脸图像输入到图像特征分类模型中并对该图像特征分类模型进行运行从而得到与人脸图像相关的图像特征分类结果,将人脸图像输入到图像质量分类模型中并对该图像质量分类模型进行运行从而得到与人脸图像相关的图像质量分类结果,将人脸图像输入到颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与人脸图像相关的颜色纹理分类结果;分类结果判断步骤,判断图像特征分类结果、图像质量分类结果以及颜色纹理分类结果是否显示人脸图像与真脸摄制图像是同类;真脸图像确定步骤,当图像特征分类结果、图像质量分类结果和颜色纹理分类结果中有两个以上显示为同类时,就将所述人脸图像确定为所述识别对象的真脸图像。
发明作用与效果
根据本发明结构一提供的真脸识别装置,由于具有莫尔条纹判断部,能够对人脸图像中的莫尔条纹进行判断,从而对电子设备显示的人脸照片、人脸视频进行识别,因此能够排除通过电子设备实施的伪装人脸攻击。由于具有图像特征分类运行部以及图像质量分类运行部,能够分别对不同场景下的伪装人脸攻击具有不同程度的过滤效果,图像特征分类运行部对于所有伪装人脸攻击都有一定的过滤效果,图像质量分类运行部对于能够引起图像质量变化的伪装人脸攻击具有较强的过滤效果。本发明通过使用针对人脸图像分析与人脸真假判断具有高关联性的质量特征分类器和能够对图像整体进行分析的图像特征分类器进行组合判断,对不同的伪装人脸攻击方式进行全面地抵御,提高真脸识别的准确率以及可靠性。
根据本发明结构二提供的真脸识别装置,由于具有图像特征分类运行部以及颜色纹理分类运行部,能够分别对不同场景下的伪装人脸攻击具有不同程度的过滤效果,图像特征分类运行部对于所有伪装人脸攻击都有一定的过滤效果,颜色纹理特征分类运行部对于二次拍照和照片攻击具有较强的过滤效果。本发明通过使用针对人脸图像分析与人脸真假判断具有高关联性的颜色纹理特征分类器和能够对图像整体进行分析的图像特征分类器进行组合判断,对不同的伪装人脸攻击方式进行全面地抵御,提高真脸识别的准确率以及可靠性。
根据本发明结构三提供的真脸识别装置,通过对于二次拍照和照片攻击具有较强的过滤效果颜色纹理特征分类器以及对于能够引起图像质量变化的伪装人脸攻击具有较强的过滤效果的图像质量分类器,能够伪装人脸攻击方式进行更强地抵御,提高真脸识别的准确率。
根据本发明结构四提供的真脸识别装置,通过结合并同时使用三种分类器模型,能够更准确地实现对人脸图像的分析,对伪装人脸攻击方式进行更全面地抵御。
本发明中所使用的颜色纹理特征以及质量特征与人脸分析具有高关联性,通过相应分类器分析就能对人脸的真假进行准确的区分,实现对伪装人脸攻击的识别。因此其中任意一种与对人脸图像进行整体判断的图像特征分类器进行结合分析,就能在不增加硬件设备的情况下实现伪装人脸攻击的抵御;在结合颜色纹理特征、质量特征以及图像整体特征判断的三种分类器时,能够大幅地降低分类器的识别错误率,实现更加完善、全面的真脸识别功能。
附图说明
图1是本发明实施例一中真脸识别装置的结构示意图;
图2是本发明实施例一中图像特征分类运行部的结构示意图;
图3是本发明实施例一中图像质量分裂运行部的结构示意图;
图4是本发明实施例一中颜色纹理分类运行部的结构示意图;
图5是本发明实施例一中真脸识别过程的流程图;以及
图6是本发明实施例二中真脸识别设备的结构示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明的真脸识别装置作具体阐述。
本发明提供了一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:图像特征分类模型存储部、图像质量分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、图像特征分类运行部、图像质量分类运行部、分类结果判断部以及真脸图像确定部,图像特征分类模型存储部存储有基于对真脸摄制的真脸摄制图像以及对非真脸摄制的非真脸摄制图像通过特征分类的训练方法而得到的图像特征分类模型,图像质量分类模型存储部存储有基于对真脸摄制图像的图像质量特征以及非真脸摄制图像的图像质量特征通过特征分类的训练方法而得到的图像质量分类模型,其中,图像采集部采集识别对象的人脸图像,莫尔条纹判断部判断人脸图像中是否存在莫尔条纹,当判断为不存在莫尔条纹时,分类控制部控制图像特征分类运行部把人脸图像输入到图像特征分类模型存储部中的图像特征分类模型中并对该图像特征分类模型进行运行从而得到与人脸图像相关的图像特征分类结果,并控制图像质量分类运行部把人脸图像输入到图像质量分类模型存储部中的图像质量分类模型中并对该图像质量分类模型进行运行从而得到与人脸图像相关的图像质量分类结果,分类结果判断部判断图像特征分类结果以及图像质量分类结果是否显示人脸图像与真脸摄制图像是同类,当分类结果判断部判断图像特征分类结果和图像质量分类结果均显示为同类时,真脸图像确定部就把人脸图像确定为识别对象的真脸图像。
作为第一种实施形态,本发明提供了一种真脸识别装置,其特征在于,还包括:颜色纹理分类模型存储部以及颜色纹理分类运行部,颜色纹理分类模型存储部存储有基于对真脸摄制图像的颜色特征和纹理特征以及非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型;其中,当分类结果判断部判断图像特征分类结果和图像质量分类结果中的一个显示为同类且另一个显示为非同类时,分类控制部就控制颜色纹理分类运行部把人脸图像输入到颜色纹理分类模型存储部中的颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与人脸图像相关的颜色纹理分类结果,分类结果判断部判断颜色纹理分类结果是否显示人脸图像与真脸摄制图像是同类,当颜色纹理分类结果显示为同类时,真脸图像确定部就把人脸图像确定为识别对象的真脸图像。
在第一种实施形态中,还可以具有这样的特征:其中,颜色纹理分类运行部包括:像素颜色提取统计单元,依次对人脸图像的每个像素进行颜色提取获得RGB数值,并对该RGB数值进行统计获得RGB分布特征;图像切分单元,将人脸图像切分为多个子图像作为待分析图像;像素空间提取计算单元,依次对每个待分析图像进行提取获得HSV空间分布数值,并对该HSV空间分布数值进行计算获得HSV分布特征;纹理特征提取单元,依次对每个待分析图像进行提取获得包括局部纹理信息以及细节纹理信息的人脸纹理信息从而得到待分析图像的纹理特征;模型运行单元,将RGB分布特征、HSV分布特征以及纹理特征输入到颜色纹理分类模型中并运行该颜色纹理分类模型,从而让颜色纹理分类模型根据输入的RGB分布特征、HSV分布特征以及纹理特征获得颜色纹理分类结果。
在第一种实施形态中,还可以具有这样的特征:其中,图像特征分类模型为卷积神经网络模型,图像特征分类运行部包括:图像特征提取单元,对人脸图像的人脸特征进行提取获得人脸图像特征;模型运行单元,将人脸图像特征输入到卷积神经网络模型中并运行该卷积神经网络模型,从而让卷积神经网络模型根据输入的人脸图像特征获得图像特征分类结果。
在第一种实施形态中,还可以具有这样的特征:其中,图像质量分类运行部包括:图像质量分析单元,根据图像质量分析指标分析人脸图像获取图像质量参数;质量特征提取单元,对图像质量参数进行提取获得图像质量特征;模型运行单元,将图像质量特征输入到图像质量分类模型中并运行该图像质量分类模型,从而让图像质量分类模型根据输入的图像质量特征获得图像质量分类结果。
在第一种实施形态中,还可以具有这样的特征:其中,图像质量分析指标包括图像信噪比指标、图像色彩深度指标、图像几何失真指标、图像清晰度指标、峰值信噪比指标以及图像均方误差指标。
本发明提供了一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:图像特征分类模型存储部、颜色纹理分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、图像特征分类运行部、颜色纹理分类运行部、分类结果判断部以及真脸图像确定部,图像特征分类模型存储部存储有基于对真脸摄制的真脸摄制图像以及对非真脸摄制的非真脸摄制图像通过特征分类的训练方法而得到的图像特征分类模型,颜色纹理分类模型存储部存储有基于对真脸摄制图像的颜色特征和纹理特征以及非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型;其中,图像采集部采集识别对象的人脸图像,莫尔条纹判断部判断人脸图像中是否存在莫尔条纹,当判断为不存在莫尔条纹时,分类控制部控制图像特征分类运行部把人脸图像输入到图像特征分类模型存储部中的图像特征分类模型中并对该图像特征分类模型进行运行从而得到与人脸图像相关的图像特征分类结果,并控制颜色纹理分类运行部把人脸图像输入到颜色纹理分类模型存储部中的颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与人脸图像相关的颜色纹理分类结果,分类结果判断部判断图像特征分类结果以及颜色纹理分类结果是否显示人脸图像与真脸摄制图像是同类,当分类结果判断部判断图像特征分类结果和颜色纹理分类结果均显示为同类时,真脸图像确定部就把人脸图像确定为识别对象的真脸图像
本发明提供了一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:颜色纹理分类模型存储部、图像质量分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、颜色纹理分类运行部、图像质量分类运行部、分类结果判断部以及真脸图像确定部,颜色纹理分类模型存储部存储有基于对真脸摄制的真脸摄制图像的颜色特征和纹理特征以及对非真脸摄制的非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型;图像质量分类模型存储部存储有基于对真脸摄制图像的图像质量特征以及非真脸摄制图像的图像质量特征通过特征分类的训练方法而得到的图像质量分类模型,其中,图像采集部采集识别对象的人脸图像,莫尔条纹判断部判断人脸图像中是否存在莫尔条纹,当判断为不存在莫尔条纹时,分类控制部控制颜色纹理分类运行部把人脸图像输入到颜色纹理分类模型存储部中的颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与人脸图像相关的颜色纹理分类结果,并控制图像质量分类运行部把人脸图像输入到图像质量分类模型存储部中的图像质量分类模型中并对该图像质量分类模型进行运行从而得到与人脸图像相关的图像质量分类结果,分类结果判断部判断颜色纹理分类结果以及图像质量分类结果是否显示人脸图像与真脸摄制图像是同类,当分类结果判断部判断颜色纹理分类结果和图像质量分类结果均显示为同类时,真脸图像确定部就把人脸图像确定为识别对象的真脸图像。
本发明提供了一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:图像特征分类模型存储部、图像质量分类模型存储部、颜色纹理分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、图像特征分类运行部、图像质量分类运行部、颜色纹理分类运行部、分类结果判断部以及真脸图像确定部,图像特征分类模型存储部存储有基于对真脸摄制的真脸摄制图像以及对非真脸摄制的非真脸摄制图像通过特征分类的训练方法而得到的图像特征分类模型,图像质量分类模型存储部存储有基于对真脸摄制图像的图像质量特征以及非真脸摄制图像的图像质量特征通过特征分类的训练方法而得到的图像质量分类模型,颜色纹理分类模型存储部存储有基于对真脸摄制图像的颜色特征和纹理特征以及非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型;其中,图像采集部采集识别对象的人脸图像,莫尔条纹判断部判断人脸图像中是否存在莫尔条纹,当判断为不存在莫尔条纹时,分类控制部控制图像特征分类运行部把人脸图像输入到图像特征分类模型存储部中的图像特征分类模型中并对该图像特征分类模型进行运行从而得到与人脸图像相关的图像特征分类结果,并控制图像质量分类运行部把人脸图像输入到图像质量分类模型存储部中的图像质量分类模型中并对该图像质量分类模型进行运行从而得到与人脸图像相关的图像质量分类结果,进一步控制颜色纹理分类运行部把人脸图像输入到颜色纹理分类模型存储部中的颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与人脸图像相关的颜色纹理分类结果,分类结果判断部判断图像特征分类结果、图像质量分类结果以及颜色纹理分类结果是否显示人脸图像与真脸摄制图像是同类,当分类结果判断部判断图像特征分类结果、图像质量分类结果和颜色纹理分类结果中有两个以上显示为同类时,真脸图像确定部就把人脸图像确定为识别对象的真脸图像。
本发明提供了一种真脸识别设备,具有真脸识别装置,其特征在于,还包括:动态判断控制装置,其中,动态判断控制装置控制真脸识别装置在预定时间内以预定时间间隔进行多次人脸图像的采集和确定,进一步根据该多次的人脸图像的确定结果确定该人脸图像的采集对象为真人。
本发明提供了一种真脸识别方法,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括如下步骤:人脸图像采集步骤,采集识别对象的人脸图像;莫尔条纹判断步骤,判断人脸图像中是否存在莫尔条纹;分类步骤,当判断为不存在莫尔条纹时,将人脸图像输入到图像特征分类模型中并对该图像特征分类模型进行运行从而得到与人脸图像相关的图像特征分类结果,将人脸图像输入到图像质量分类模型中并对该图像质量分类模型进行运行从而得到与人脸图像相关的图像质量分类结果,将人脸图像输入到颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与人脸图像相关的颜色纹理分类结果;分类结果判断步骤,判断图像特征分类结果、图像质量分类结果以及颜色纹理分类结果是否显示人脸图像与真脸摄制图像是同类;真脸图像确定步骤,当图像特征分类结果、图像质量分类结果和颜色纹理分类结果中有两个以上显示为同类时,就将所述人脸图像确定为所述识别对象的真脸图像。
<实施例一>
图1是本发明实施例一中真脸识别装置的结构示意图。
如图1所示,真脸识别装置100包括图像特征分类模型存储部11、图像特征分类运行部12、图像质量分类模型存储部13、图像质量分类运行部14、颜色纹理分类模型存储部15、颜色纹理分类运行部16、图像采集部17、莫尔条纹判断部18、分类控制部19、分类结果判断部20、真脸图像确定部21、识别侧通信部22以及识别侧控制部23。
其中,识别侧通信部22用于进行真脸识别装置100的各个构成部分之间以及真脸识别装置100与其他装置之间的数据交换,识别侧控制部23用于对真脸识别装置100的各个构成部分的工作进行控制。
图像特征分类模型存储部11存储有基于对真脸摄制的真脸摄制图像以及对非真脸摄制的非真脸摄制图像通过特征分类的训练方法而得到的图像特征分类模型。该图像特征分类模型为基于卷积神经网络并经过训练完成的分类器模型。
本实施例中,采用现有的模型构建方法构建一个基础卷积神经网络模型(例如,利用现有技术中的VGGNet方法构建一种用于进行图像分类的神经网络结构),然后,通过大量真脸摄制图像以及非真脸摄制图像对该基础卷积神经网络模型进行训练,训练完成后即为图像特征分类模型。
图2是本发明实施例一中真脸识别装置的结构示意图。
如图2所示,图像特征分类运行部12包括图像特征提取单元121、模型运行单元122以及特征控制单元123。
图像特征提取单元121对人脸图像的人脸特征进行提取获得人脸图像特征。本实施例中,该人脸图像特征为人脸图像的各个像素点的像素值构成的矩阵向量。
模型运行单元122将人脸图像特征输入到卷积神经网络模型中并运行该卷积神经网络模型,从而让卷积神经网络模型根据输入的人脸图像特征获得图像特征分类结果。
本实施例中,图像特征分类模型具有多个卷积层,每个卷积层能对上一层的特征数据进行根据模型内的计算规则进行计算。当输入人脸图像特征后,模型运行单元122根据各个卷积层的计算规则对该人脸图像特征进行逐层处理进而生成图像特征分类结果。
图像质量分类模型存储部13存储有基于对真脸摄制图像的图像质量特征以及非真脸摄制图像的图像质量特征通过特征分类的训练方法而得到的图像质量分类模型。该图像质量分类模型为基于特征向量进行分类并训练完成的分类器模型(例如SVM分类器)。
本实施例中,用于训练图像质量分类模型的训练集中包括大量真脸摄制图像以及大量非真脸摄制图像,训练过程中,将这些图像的质量特征以及其真伪分类(即,该图像是真脸摄制图像还是非真脸摄制图像)输入基础分类模型进行反复训练,从而使该基础分类模型中的多个计算参数进行对图像质量判定方法进行适配,形成输入图像质量特征能判断真脸摄制图像的图像质量分类模型。
特征控制单元123用于对图像特征分类运行部12的各个构成部分的工作进行控制。
图3是本发明实施例一中真脸识别装置的结构示意图。
如图3所示,图像质量分类运行部14包括图像质量分析单元141、质量特征提取单元142、模型运行单元143以及质量控制单元144。
图像质量分析单元141根据图像质量分析指标分析人脸图像获取图像质量参数。图像质量分析指标包括图像信噪比指标、图像色彩深度指标、图像几何失真指标、图像清晰度指标、峰值信噪比指标以及图像均方误差指标。本实施例中,图像质量分析单元141对人脸图像的各个指标进行分析从而获取多个对应各自指标的图像质量参数(例如,图像清晰度指标对应一个清晰度参数,反映该人脸图像的图像清晰度)。
质量特征提取单元142对图像质量参数进行提取获得图像质量特征(即,将各个图像质量参数进行组合形成一个特征向量作为图像质量特征)。
模型运行单元143将图像质量特征输入到图像质量分类模型中并运行该图像质量分类模型,从而让图像质量分类模型根据输入的图像质量特征获得图像质量分类结果。
质量控制单元144用于对图像质量分类运行部14的各个构成部分的工作进行控制。
颜色纹理分类模型存储部15存储有基于对真脸摄制图像的颜色特征和纹理特征以及非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型。该颜色纹理分类模型为基于特征向量进行分类并训练完成的分类器模型(例如SVM分类器)。
本实施例中,用于训练颜色纹理分类模型的颜色训练集包括大量真脸摄制图像以及大量非真脸摄制图像。训练过程中,将这些图像各自的颜色特征、纹理特征组合成的颜色纹理特征以及其真伪分类(即,该图像是真脸摄制图像还是非真脸摄制图像)输入基础分类模型进行反复训练,从而使该基础分类模型中的多个计算参数进行对颜色纹理判定方法进行适配,形成输入颜色纹理特征就能判断真脸摄制图像的颜色纹理分类模型。
图4是本发明实施例一中真脸识别装置的结构示意图。
如图4所示,颜色纹理分类运行部16包括像素颜色提取统计单元161、图像切分单元162、像素空间提取计算单元163、纹理特征提取单元164、模型运行单元165以及颜色控制单元166。
像素颜色提取统计单元161依次对人脸图像的每个像素进行颜色提取获得RGB数值,并对该RGB数值进行统计获得RGB分布特征。
本实施例中,像素颜色提取统计单元161提取人脸图像的每个像素的RGB数值,对RGB数值中的R、G、B值分别进行统计从而获得各自的特征直方分布,进一步将R、G、B值对应的特征直方分布组合生成颜色分布特征向量作为RGB分布特征。
图像切分单元162将人脸图像切分为多个子图像作为待分析图像。
像素空间提取计算单元163依次对每个待分析图像进行提取获得HSV空间分布数值,并对该HSV空间分布数值进行计算获得HSV分布特征。
本实施例中,像素空间提取计算单元163提取每个待分析图像的HSV空间特征,并计算每个HSV空间特征的一阶矩、二阶矩以及三阶矩作为一组HSV空间分布数值,进一步将各组HSV空间分布数值组合成为空间分布特征向量作为HSV分布特征。
纹理特征提取单元164依次对每个待分析图像进行提取获得包括局部纹理信息以及细节纹理信息的人脸纹理信息从而得到待分析图像的纹理特征。
本实施例中,纹理特征提取单元164根据LBP算法提取每个待分析图像在B通道以及G通道(RGB颜色通道)下的局部纹理信息以及细节纹理信息作为一组人脸纹理信息,进而将各组人脸纹理信息组合生成纹理特征向量作为纹理特征。
模型运行单元165,将RGB分布特征、HSV分布特征以及纹理特征输入到颜色纹理分类模型中并运行该颜色纹理分类模型,从而让颜色纹理分类模型根据输入的RGB分布特征、HSV分布特征以及纹理特征获得颜色纹理分类结果。
本实施例中,模型运行单元165能够将RGB分布特征、HSV分布特征以及纹理特征组合为颜色纹理特征,再输入到颜色纹理分类模型中。
颜色控制单元166用于对颜色纹理分类运行部16的各个构成部分的工作进行控制。
图像采集部17通过摄像头采集识别对象的人脸图像。
本实施例中,图像采集部17包括人脸判断单元以及采集单元。人脸判断单元通过人脸识别算法(例如,现有技术中的Dlib算法)判断摄像头的镜头前是否有存在人脸,采集单元在人脸判断单元判断存在人脸时对该人脸进行采集从而生成人脸图像。
莫尔条纹判断部18判断人脸图像中是否存在莫尔条纹。当用于采集人脸图像的摄像头与摄像头镜头前的电子屏幕(用于显示包含人脸的图像或视频从而对真脸识别系统100进行欺骗)的刷新频率不同时,就会在采集的人脸图像中产生莫尔条纹。
分类控制部19用于对真脸识别装置100中涉及分类判断过程的部件工作进行控制,包括对图像特征分类运行部12、图像质量分类运行部14、颜色纹理分类运行部16以及分类结果判断部20涉及分类判断过程的工作进行控制。
具体地,当莫尔条纹判断部18判断人脸图像中不存在莫尔条纹时,分类控制部19控制图像特征分类运行部12根据人脸图像得到该人脸图像的图像特征分类结果,并控制图像质量分类运行部14根据人脸图像得到该人脸图像的图像质量分类结果,进一步控制颜色纹理分类运行部16根据人脸图像得到该人脸图像的颜色纹理分类结果。
当图像特征分类运行部12、图像质量分类运行部14以及颜色纹理分类运行部16生成分类结果后,分类控制部19控制分类结果判断部20分别判断图像特征分类结果、图像质量分类结果以及颜色纹理分类结果是否显示人脸图像与真脸摄制图像是同类。
当分类结果判断部20判断分类结果中有两个以上的结果为同类时,真脸图像确定部21就把人脸图像确定为识别对象的真脸图像;当分类结果判断部20判断分类结果中有两个以上的结果为非同类时,真脸图像确定部21就把人脸图像确定为非真脸图像。
图5是本发明实施例一中真脸识别过程的流程图。
如图5所示,真脸识别过程是真脸识别装置100对人脸图像进行真伪识别的过程,其步骤如下:
步骤S1,图像采集部17采集人脸图像,然后进入步骤S2;
步骤S2,莫尔条纹判断部18判断步骤S1采集的人脸图像中是否具有莫尔条纹,当判断该人脸图像不具有莫尔条纹时进入步骤S3,当判断为具有莫尔条纹时,真脸图像确定部21将该人脸图像确定为非真脸图像,然后进入结束状态;
步骤S3,分类控制部19控制图像特征分类运行部12把步骤S1采集的人脸图像输入到图像特征分类模型存储部11中的图像特征分类模型中并对该图像特征分类模型进行运行从而得到与该人脸图像相关的图像特征分类结果,并控制图像质量分类运行部14把步骤S1采集的人脸图像输入到图像质量分类模型存储部13中的图像质量分类模型中并对该图像质量分类模型进行运行从而得到与人脸图像相关的图像质量分类结果,进一步控制颜色纹理分类运行部16把步骤S1采集的人脸图像输入到颜色纹理分类模型存储部15中的颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与人脸图像相关的颜色纹理分类结果,然后进入步骤S4;
步骤S4,分类控制部19控制分类结果判断部20分别判断步骤S3获取的图像特征分类结果、步骤S3获取的图像质量分类结果以及步骤S3获取的颜色纹理分类结果是否显示人脸图像与真脸摄制图像是同类,然后进入步骤S5;
步骤S5,真脸图像确定部21根据步骤S4中分类结果判断部20的三个判断结果综合确定步骤S1采集的人脸图像是否为真脸图像,然后步骤结束。
实施例作用与效果
根据本实施例提供的真脸识别装置,由于具有莫尔条纹判断部,能够对人脸图像中的莫尔条纹进行判断,从而对电子设备显示的人脸照片、人脸视频进行识别,避免了大多数通过电子设备发动的伪装人脸攻击;还由于具有图像特征分类运行部以及图像质量分类运行部,分别对不同场景下的伪装人脸攻击具有不同程度的过滤效果,图像特征分类运行部对于所有伪装人脸攻击都有一定的过滤效果,图像质量分类运行部对于能够引起图像质量变化的伪装人脸攻击具有较强的过滤效果。本发明通过使用针对人脸图像分析与人脸真假判断具有高关联性的质量特征分类器和能够对图像整体进行分析的图像特征分类器进行组合判断,对不同的伪装人脸攻击方式进行全面地抵御,提高真脸识别的准确率以及可靠性。
实施例中,由于具有颜色纹理分类运行部,对于二次拍照和人脸照片攻击能够具有较强的过滤效果,当图像特征分类运行部以及图像质量分类运行部的判断结果出现矛盾时,真脸图像确定部可以通过颜色纹理分类结果进行最终判断,避免识别方案的错误,从而更好的提高真脸识别的准确率。
实施例中,由于具有像素颜色提取统计单元、像素空间提取计算单元以及纹理特征提取单元,能够对人脸图像中的颜色、纹理分布特征进行提取从而对人脸图像的颜色纹理细节进行分析。发明人发现,由于在非真脸摄制图像中,RGB数值的噪声会比在真脸摄制图像中的更多(即,在特征直方分布中分布范围更广),而真脸摄制图像的纹理特征会多于非真脸摄制图像,并且两种图像的HSV空间分布也有所不同、因此,通过建立颜色纹理分类模型就能够对人脸图像的颜色纹理特征的差别进行分类从而实现真脸摄制图像与非真脸摄制图像的识别。
实施例中,由于具有图像特征提取单元,能够对人脸图像的图像特征进行提取,从而由模型运行单元运行图像特征分类模型对人脸图像进行整体的分析,实现对真脸摄制图像与非真脸摄制图像的区分。图像特征分类运行部还减少了对图像的处理运行过程,与颜色纹理分析以及图像质量分析相比,图像特征分析的运算量更少,对伪装人脸攻击的抵御范围更大。
实施例中,由于具有图像质量分析单元,能够对人脸图像的图像质量参数进行提取从而根据该图像质量参数组合的图像质量特征对人脸图像的图像质量进行分析。发明人发现,在真脸摄制图像与非真脸摄制图像中,两者的图像质量参数有所不同,因此,通过建立图像质量分类模型就能够对人脸图像的图像质量的差别进行分类从而实现真脸摄制图像与非真脸摄制图像的识别。
实施例中,图像质量分析指标包括图像信噪比指标、图像色彩深度指标、图像几何失真指标、图像清晰度指标、峰值信噪比指标以及图像均方误差指标,全面的图像质量分析指标能够让图像质量参数的取值更精确,对图像质量判断更为全面,从而更准确地实现真脸摄制图像与非真脸摄制图像的识别。
根据本实施例提供的真脸识别装置,由于具有图像特征分类运行部以及颜色纹理分类运行部,能够分别对不同场景下的伪装人脸攻击具有不同程度的过滤效果,图像特征分类运行部对于所有伪装人脸攻击都有一定的过滤效果,颜色纹理特征分类运行部对于二次拍照和照片攻击具有较强的过滤效果。本发明通过使用针对人脸图像分析与人脸真假判断具有高关联性的颜色纹理特征分类器和能够对图像整体进行分析的图像特征分类器进行组合判断,对不同的伪装人脸攻击方式进行全面地抵御,提高真脸识别的准确率以及可靠性。
根据本实施例提供的真脸识别装置,通过对于二次拍照和照片攻击具有较强的过滤效果颜色纹理特征分类器以及对于能够引起图像质量变化的伪装人脸攻击具有较强的过滤效果的图像质量分类器,能够伪装人脸攻击方式进行更强地抵御,提高真脸识别的准确率。
根据本实施例提供的真脸识别装置,通过结合并同时使用三种分类器模型,能够更准确地实现对人脸图像的分析,对伪装人脸攻击方式进行更全面地抵御。
本实施例中使用的颜色纹理特征以及质量特征与人脸分析具有高关联性,通过相应分类器分析就能对人脸的真假进行准确的区分,实现对伪装人脸攻击的识别。因此其中任意一种与对人脸图像进行整体判断的图像特征分类器进行结合分析,就能在不增加硬件设备的情况下实现伪装人脸攻击的抵御;在结合颜色纹理特征、质量特征以及图像整体特征判断的三种分类器时,能够大幅地降低分类器的识别错误率,实现更加完善、全面的真脸识别功能。
<实施例二>
图6是本发明实施例二中真脸识别设备的结构示意图。
如图6所示,本实施例中的真脸识别设备200具有真脸识别装置100、动态判断控制装置101。其中,真脸识别装置100与实施例一相同,在此不再赘述。动态判断控制装置101直接与真脸识别装置100通信连接并对真脸识别装置100的工作进行控制,从而让真脸识别设备200实现基于动态采集进行的真脸识别判断。
具体地,动态判断控制装置101控制真脸识别装置100在预定时间内以预定时间间隔(例如间隔100ms)进行多次人脸图像的采集和确定(例如五次),进一步根据该五次的人脸识别的确定结果最终确定该人脸图像的采集对象为真人。其具体确定规则为:当三张以上的人脸图像判定为真脸摄制图像时,动态判断控制装置就判定在镜头前进行拍摄人脸的为真人的人脸。
本实施例的真脸识别设备中,由于具有动态判断控制装置,能够控制真脸识别装置进行多次人脸图像的采集和确定,因此能够减少人脸图像拍摄时产生的误差,使真人的人脸更加准确。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
上述实施例中的真脸识别装置包含图像特征分类运行部、图像质量分类运行部以及颜色纹理分类运行部,然后真脸图像确定部根据图像特征、图像质量以及颜色纹理的判断结果综合确定人脸图像是否为真脸图像,但是在本发明中还可以有如下形式:
形式一,真脸识别装置包含图像特征分类运行部以及图像质量分类运行部,真脸图像确定部根据图像特征、图像质量的判断结果确定人脸图像是否为真脸图像。当图像特征、图像质量的判断结果均判断为同类时,真脸图像确定部确定该人脸图像为真脸图像;当图像特征、图像质量的判断结果均判断为非同类时,真脸图像确定部确定该人脸图像为非真脸图像;当图像特征、图像质量的判断结果不同时,分类结果判断部控制颜色纹理分类运行部进行进一步的运行获取颜色纹理的判断结果,从而确定该人脸图像是否为真脸摄制图像。
形式二,真脸识别装置包含图像特征分类运行部以及颜色纹理分类运行部,真脸图像确定部根据图像特征、颜色纹理的判断结果确定人脸图像是否为真脸图像。当图像特征、颜色纹理的判断结果均判断为同类时,真脸图像确定部确定该人脸图像为真脸图像;当图像特征、颜色纹理的判断结果均判断为非同类时,真脸图像确定部确定该人脸图像为非真脸图像;当图像特征、颜色纹理的判断结果不同时,分类结果判断部控制图像质量分类运行部进行进一步的运行获取图像质量的判断结果,从而确定该人脸图像是否为真脸摄制图像。
形式三,真脸识别装置包含颜色纹理分类运行部以及图像质量分类运行部,真脸图像确定部根据颜色纹理、图像质量的判断结果确定人脸图像是否为真脸图像。当颜色纹理、图像质量的判断结果均判断为同类时,真脸图像确定部确定该人脸图像为真脸图像;当颜色纹理、图像质量的判断结果均判断为非同类时,真脸图像确定部确定该人脸图像为非真脸图像;当颜色纹理、图像质量的判断结果不同时,分类结果判断部控制图像特征分类运行部进行进一步的运行获取图像特征的判断结果,从而确定该人脸图像是否为真脸摄制图像。
上述三种形式中,由于先采用了特征分类运行部、图像质量分类运行部以及颜色纹理分类运行部中的两种进行真脸识别过程,在两种运行部的判断结果出现矛盾时才采用第三种进行进一步确认,因而可以节省计算资源,实现快速的真脸识别运算。
Claims (11)
1.一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:
图像特征分类模型存储部、图像质量分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、图像特征分类运行部、图像质量分类运行部、分类结果判断部以及真脸图像确定部,
所述图像特征分类模型存储部存储有基于对真脸摄制的真脸摄制图像以及对非真脸摄制的非真脸摄制图像通过特征分类的训练方法而得到的图像特征分类模型,
所述图像质量分类模型存储部存储有基于对所述真脸摄制图像的图像质量特征以及所述非真脸摄制图像的图像质量特征通过特征分类的训练方法而得到的图像质量分类模型,
其中,所述图像采集部采集所述识别对象的人脸图像,
所述莫尔条纹判断部判断所述人脸图像中是否存在莫尔条纹,
当判断为不存在莫尔条纹时,所述分类控制部控制所述图像特征分类运行部把所述人脸图像输入到所述图像特征分类模型存储部中的所述图像特征分类模型中并对该图像特征分类模型进行运行从而得到与所述人脸图像相关的图像特征分类结果,并控制所述图像质量分类运行部把所述人脸图像输入到所述图像质量分类模型存储部中的所述图像质量分类模型中并对该图像质量分类模型进行运行从而得到与所述人脸图像相关的图像质量分类结果,
所述分类结果判断部判断所述图像特征分类结果以及所述图像质量分类结果是否显示所述人脸图像与所述真脸摄制图像是同类,
当所述分类结果判断部判断所述图像特征分类结果和所述图像质量分类结果均显示为同类时,所述真脸图像确定部就把所述人脸图像确定为所述识别对象的真脸图像。
2.根据权利要求1所述的真脸识别装置,其特征在于,还包括:
颜色纹理分类模型存储部以及颜色纹理分类运行部,
所述颜色纹理分类模型存储部存储有基于对所述真脸摄制图像的颜色特征和纹理特征以及所述非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型;
其中,当所述分类结果判断部判断所述图像特征分类结果和所述图像质量分类结果中的一个显示为同类且另一个显示为非同类时,所述分类控制部就控制所述颜色纹理分类运行部把所述人脸图像输入到所述颜色纹理分类模型存储部中的所述颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与所述人脸图像相关的颜色纹理分类结果,
所述分类结果判断部判断所述颜色纹理分类结果是否显示所述人脸图像与所述真脸摄制图像是同类,
当所述颜色纹理分类结果显示为同类时,所述真脸图像确定部就把所述人脸图像确定为所述识别对象的真脸图像。
3.根据权利要求2所述的真脸识别装置,其特征在于:
其中,所述颜色纹理分类运行部包括:
像素颜色提取统计单元,依次对所述人脸图像的每个像素进行颜色提取获得RGB数值,并对该RGB数值进行统计获得RGB分布特征;
图像切分单元,将所述人脸图像切分为多个子图像作为待分析图像;
像素空间提取计算单元,依次对每个所述待分析图像进行提取获得HSV空间分布数值,并对该HSV空间分布数值进行计算获得HSV分布特征;
纹理特征提取单元,依次对每个所述待分析图像进行提取获得包括局部纹理信息以及细节纹理信息的人脸纹理信息从而得到所述待分析图像的纹理特征;
模型运行单元,将所述RGB分布特征、所述HSV分布特征以及所述纹理特征输入到所述颜色纹理分类模型中并运行该颜色纹理分类模型,从而让所述颜色纹理分类模型根据输入的所述RGB分布特征、所述HSV分布特征以及所述纹理特征获得所述颜色纹理分类结果。
4.根据权利要求1所述的真脸识别装置,其特征在于:
其中,所述图像特征分类模型为卷积神经网络模型,
所述图像特征分类运行部包括:
图像特征提取单元,对所述人脸图像的人脸特征进行提取获得人脸图像特征;
模型运行单元,将所述人脸图像特征输入到所述卷积神经网络模型中并运行该卷积神经网络模型,从而让所述卷积神经网络模型根据输入的所述人脸图像特征获得所述图像特征分类结果。
5.根据权利要求1所述的真脸识别装置,其特征在于:
其中,所述图像质量分类运行部包括:
图像质量分析单元,根据图像质量分析指标分析所述人脸图像获取图像质量参数;
质量特征提取单元,对所述图像质量参数进行提取获得图像质量特征;
模型运行单元,将所述图像质量特征输入到所述图像质量分类模型中并运行该图像质量分类模型,从而让所述图像质量分类模型根据输入的所述图像质量特征获得所述图像质量分类结果。
6.根据权利要求5所述的真脸识别装置,其特征在于:
其中,所述图像质量分析指标包括图像信噪比指标、图像色彩深度指标、图像几何失真指标、图像清晰度指标、峰值信噪比指标以及图像均方误差指标。
7.一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:
图像特征分类模型存储部、颜色纹理分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、图像特征分类运行部、颜色纹理分类运行部、分类结果判断部以及真脸图像确定部,
所述图像特征分类模型存储部存储有基于对真脸摄制的真脸摄制图像以及对非真脸摄制的非真脸摄制图像通过特征分类的训练方法而得到的图像特征分类模型,
所述颜色纹理分类模型存储部存储有基于对所述真脸摄制图像的颜色特征和纹理特征以及所述非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型,
其中,所述图像采集部采集所述识别对象的人脸图像,
所述莫尔条纹判断部判断所述人脸图像中是否存在莫尔条纹,
当判断为不存在莫尔条纹时,所述分类控制部控制所述图像特征分类运行部把所述人脸图像输入到所述图像特征分类模型存储部中的所述图像特征分类模型中并对该图像特征分类模型进行运行从而得到与所述人脸图像相关的图像特征分类结果,并控制所述颜色纹理分类运行部把所述人脸图像输入到所述颜色纹理分类模型存储部中的所述颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与所述人脸图像相关的颜色纹理分类结果,所述分类结果判断部判断所述图像特征分类结果以及所述颜色纹理分类结果是否显示所述人脸图像与所述真脸摄制图像是同类,
当所述分类结果判断部判断所述图像特征分类结果和所述颜色纹理分类结果均显示为同类时,所述真脸图像确定部就把所述人脸图像确定为所述识别对象的真脸图像。
8.一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:
颜色纹理分类模型存储部、图像质量分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、颜色纹理分类运行部、图像质量分类运行部、分类结果判断部以及真脸图像确定部,
所述颜色纹理分类模型存储部存储有基于对真脸摄制的真脸摄制图像的颜色特征和纹理特征以及对非真脸摄制的非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型,
所述图像质量分类模型存储部存储有基于对所述真脸摄制图像的图像质量特征以及所述非真脸摄制图像的图像质量特征通过特征分类的训练方法而得到的图像质量分类模型,
其中,所述图像采集部采集所述识别对象的人脸图像,
所述莫尔条纹判断部判断所述人脸图像中是否存在莫尔条纹,
当判断为不存在莫尔条纹时,所述分类控制部控制所述颜色纹理分类运行部把所述人脸图像输入到所述颜色纹理分类模型存储部中的所述颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与所述人脸图像相关的颜色纹理分类结果,并控制所述图像质量分类运行部把所述人脸图像输入到所述图像质量分类模型存储部中的所述图像质量分类模型中并对该图像质量分类模型进行运行从而得到与所述人脸图像相关的图像质量分类结果,所述分类结果判断部判断所述颜色纹理分类结果以及所述图像质量分类结果是否显示所述人脸图像与所述真脸摄制图像是同类,
当所述分类结果判断部判断所述颜色纹理分类结果和所述图像质量分类结果均显示为同类时,所述真脸图像确定部就把所述人脸图像确定为所述识别对象的真脸图像。
9.一种真脸识别装置,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括:
图像特征分类模型存储部、图像质量分类模型存储部、颜色纹理分类模型存储部、图像采集部、莫尔条纹判断部、分类控制部、图像特征分类运行部、图像质量分类运行部、颜色纹理分类运行部、分类结果判断部以及真脸图像确定部,
所述图像特征分类模型存储部存储有基于对真脸摄制的真脸摄制图像以及对非真脸摄制的非真脸摄制图像通过特征分类的训练方法而得到的图像特征分类模型,
所述图像质量分类模型存储部存储有基于对所述真脸摄制图像的图像质量特征以及所述非真脸摄制图像的图像质量特征通过特征分类的训练方法而得到的图像质量分类模型,
所述颜色纹理分类模型存储部存储有基于对所述真脸摄制图像的颜色特征和纹理特征以及所述非真脸摄制图像的颜色特征和纹理特征通过特征分类的训练方法而得到的颜色纹理分类模型,
其中,所述图像采集部采集所述识别对象的人脸图像,
所述莫尔条纹判断部判断所述人脸图像中是否存在莫尔条纹,
当判断为不存在莫尔条纹时,所述分类控制部控制所述图像特征分类运行部把所述人脸图像输入到所述图像特征分类模型存储部中的所述图像特征分类模型中并对该图像特征分类模型进行运行从而得到与所述人脸图像相关的图像特征分类结果,并控制所述图像质量分类运行部把所述人脸图像输入到所述图像质量分类模型存储部中的所述图像质量分类模型中并对该图像质量分类模型进行运行从而得到与所述人脸图像相关的图像质量分类结果,进一步控制所述颜色纹理分类运行部把所述人脸图像输入到所述颜色纹理分类模型存储部中的所述颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与所述人脸图像相关的颜色纹理分类结果,所述分类结果判断部判断所述图像特征分类结果、所述图像质量分类结果以及所述颜色纹理分类结果是否显示所述人脸图像与所述真脸摄制图像是同类,
当所述分类结果判断部判断所述图像特征分类结果、所述图像质量分类结果和所述颜色纹理分类结果中有两个以上显示为同类时,所述真脸图像确定部就把所述人脸图像确定为所述识别对象的真脸图像。
10.一种真脸识别设备,具有权利要求1-9中任意一项所述的真脸识别装置,其特征在于,还包括:
动态判断控制装置,
其中,所述动态判断控制装置控制所述真脸识别装置在预定时间内以预定时间间隔进行多次所述人脸图像的采集和确定,进一步根据该多次的所述人脸图像的确定结果确定该人脸图像的采集对象为真人。
11.一种真脸识别方法,用于识别人脸图像是否是识别对象的真脸,其特征在于,包括如下步骤:
人脸图像采集步骤,采集所述识别对象的人脸图像;
莫尔条纹判断步骤,判断所述人脸图像中是否存在莫尔条纹;
分类步骤,当判断为不存在莫尔条纹时,将所述人脸图像输入到图像特征分类模型中并对该图像特征分类模型进行运行从而得到与所述人脸图像相关的图像特征分类结果,将所述人脸图像输入到图像质量分类模型中并对该图像质量分类模型进行运行从而得到与所述人脸图像相关的图像质量分类结果,将所述人脸图像输入到颜色纹理分类模型中并对该颜色纹理分类模型进行运行从而得到与所述人脸图像相关的颜色纹理分类结果;
分类结果判断步骤,判断所述图像特征分类结果、所述图像质量分类结果以及所述颜色纹理分类结果是否显示所述人脸图像与所述真脸摄制图像是同类;
真脸图像确定步骤,当所述图像特征分类结果、所述图像质量分类结果和所述颜色纹理分类结果中有两个以上显示为同类时,就将所述人脸图像确定为所述识别对象的真脸图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811329433.6A CN111178112B (zh) | 2018-11-09 | 2018-11-09 | 真脸识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811329433.6A CN111178112B (zh) | 2018-11-09 | 2018-11-09 | 真脸识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178112A true CN111178112A (zh) | 2020-05-19 |
CN111178112B CN111178112B (zh) | 2023-06-16 |
Family
ID=70653500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811329433.6A Active CN111178112B (zh) | 2018-11-09 | 2018-11-09 | 真脸识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178112B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354554A (zh) * | 2015-11-12 | 2016-02-24 | 西安电子科技大学 | 基于颜色和奇异值特征的人脸活体检测方法 |
CN106599872A (zh) * | 2016-12-23 | 2017-04-26 | 北京旷视科技有限公司 | 用于验证活体人脸图像的方法和设备 |
CN106951869A (zh) * | 2017-03-22 | 2017-07-14 | 腾讯科技(深圳)有限公司 | 一种活体验证方法及设备 |
CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
CN107798279A (zh) * | 2016-09-07 | 2018-03-13 | 北京眼神科技有限公司 | 一种人脸活体检测方法及装置 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
CN107992864A (zh) * | 2018-01-15 | 2018-05-04 | 武汉神目信息技术有限公司 | 一种基于图像纹理的活体识别方法及装置 |
-
2018
- 2018-11-09 CN CN201811329433.6A patent/CN111178112B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354554A (zh) * | 2015-11-12 | 2016-02-24 | 西安电子科技大学 | 基于颜色和奇异值特征的人脸活体检测方法 |
CN107798279A (zh) * | 2016-09-07 | 2018-03-13 | 北京眼神科技有限公司 | 一种人脸活体检测方法及装置 |
CN106599872A (zh) * | 2016-12-23 | 2017-04-26 | 北京旷视科技有限公司 | 用于验证活体人脸图像的方法和设备 |
CN106951869A (zh) * | 2017-03-22 | 2017-07-14 | 腾讯科技(深圳)有限公司 | 一种活体验证方法及设备 |
CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
CN107992864A (zh) * | 2018-01-15 | 2018-05-04 | 武汉神目信息技术有限公司 | 一种基于图像纹理的活体识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111178112B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133601B (zh) | 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 | |
CN109558764B (zh) | 人脸识别方法及装置、计算机设备 | |
US9426449B2 (en) | Depth map generation from a monoscopic image based on combined depth cues | |
Jiang et al. | Single image super-resolution quality assessment: a real-world dataset, subjective studies, and an objective metric | |
US7218759B1 (en) | Face detection in digital images | |
CN108182421B (zh) | 视频分割方法和装置 | |
JP6482195B2 (ja) | 画像認識装置、画像認識方法及びプログラム | |
KR20180065889A (ko) | 타겟의 검측 방법 및 장치 | |
CN112514373B (zh) | 用于特征提取的图像处理装置和方法 | |
CN108470178B (zh) | 一种结合深度可信度评价因子的深度图显著性检测方法 | |
CN109190456B (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
Ling et al. | Image quality assessment for free viewpoint video based on mid-level contours feature | |
CN112668557A (zh) | 一种行人再识别系统中防御图像噪声攻击的方法 | |
CN110363087A (zh) | 一种长基线双目人脸活体检测方法及系统 | |
CN104243970A (zh) | 基于立体视觉注意力机制和结构相似度的3d绘制图像的客观质量评价方法 | |
CN105915785A (zh) | 双摄像头被遮挡的确定方法、确定装置和终端 | |
Chen et al. | Focus manipulation detection via photometric histogram analysis | |
CN116958795A (zh) | 翻拍图像的识别方法、装置、电子设备及存储介质 | |
JP3962517B2 (ja) | 顔面検出方法及びその装置、コンピュータ可読媒体 | |
CN111178112B (zh) | 真脸识别装置 | |
Hadiprakoso | Face anti-spoofing method with blinking eye and hsv texture analysis | |
Yang et al. | Blind image quality assessment on authentically distorted images with perceptual features | |
CN109598276A (zh) | 图像处理装置和方法及监控系统 | |
CN113469135A (zh) | 对象身份信息的确定方法、装置、存储介质及电子装置 | |
KR20140134549A (ko) | 연속 촬영 이미지에서의 고조점 이미지 추출 장치 및 방법 |
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 |