CN111178137A - 检测真实人脸方法、装置、电子设备以及计算机可读存储介质 - Google Patents
检测真实人脸方法、装置、电子设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111178137A CN111178137A CN201911225480.0A CN201911225480A CN111178137A CN 111178137 A CN111178137 A CN 111178137A CN 201911225480 A CN201911225480 A CN 201911225480A CN 111178137 A CN111178137 A CN 111178137A
- Authority
- CN
- China
- Prior art keywords
- granularity
- frequency domain
- detected
- domain feature
- 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
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种检测真实人脸的方法、装置、电子设备以及计算机可读存储介质,涉及人脸识别技术领域。本申请在检测真实人脸时的实现方案为:获取待检测人脸图像;获取待检测人脸图像的频域特征图,将频域特征图分割为对应第一粒度、第二粒度与第三粒度的频域特征子图;根据对应第一粒度、第二粒度与第三粒度的频域特征子图,得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图;根据与各粒度对应的多维度特征子图,确定对应第一粒度、第二粒度以及第三粒度的粒度总向量;将各粒度的粒度总向量进行拼接,将拼接结果输入分类网络,根据分类网络的输出结果确定待检测人脸图像中的人脸是否为真实人脸。本申请能够提升真实人脸检测的准确性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及人脸识别技术领域中的一种检测真实人脸的方法、装置、电子设备以及计算机可读存储介质。
背景技术
随着Deepfake、Faceswap等人脸自动化生成和视频篡改技术的不断完善和进步,检测人脸篡改图像的手段也越来越急迫。现有技术通常基于人脸图像的空间域特征进行检测并分类,但是随着图像修改技术的不断进步,通过空间域特征进行真实人脸检测的准确性较低。
发明内容
本申请为解决技术问题所采用的技术方案是提供一种检测真实人脸的方法、装置、电子设备以及计算机可读介质,所述方法包括:获取待检测人脸图像;获取所述待检测人脸图像的频域特征图,并将所述频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图;根据所述对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图;根据与各粒度对应的多维度特征子图,分别确定对应第一粒度、第二粒度以及第三粒度的粒度总向量;将对应各粒度的粒度总向量进行拼接,将拼接结果输入分类网络,根据所述分类网络的输出结果,确定所述待检测人脸图像中的人脸是否为真实人脸。本申请能够提升真实人脸检测的准确性。
根据本申请一优选实施例,在获取待检测人脸图像之后,还包括:对所述待检测人脸图像进行统一尺寸。
根据本申请一优选实施例,所述获取所述待检测人脸图像的频域特征图,并将所述频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图包括:将所述待检测人脸图像处理为对应R、G、B三个颜色通道的图像,并得到各颜色通道图像的频域特征图;分别将各颜色通道图像的频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图;将各颜色通道图像中对应相同粒度的频域特征子图进行卷积,得到与所述待检测人脸图像对应的第一粒度、第二粒度以及第三粒度的频域特征子图。
根据本申请一优选实施例,所述根据所述对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图包括:按照预设比例将所述对应第一粒度、第二粒度以及第三粒度的频域特征子图进行维度缩小,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图。
根据本申请一优选实施例,所述根据与各粒度对应的多维度特征子图,分别确定对应第一粒度、第二粒度以及第三粒度的粒度总向量包括:构建包含残差连接以及全局平均池化处理的网络结构;分别将与各粒度对应的多维度特征子图中所包含的不同维度的频域图按照预设顺序进行排列之后,输入所述网络结构中;将所述网络结构所输出的对应同一粒度中不同维度的频域图的特征向量进行拼接,得到对应各粒度的不同维度的频率分布特征;将同一粒度中各维度所对应的频率分布特征进行拼接,得到对应各粒度的粒度总向量。
本申请为解决技术问题所采用的技术方案是提供一种检测真实人脸的装置,包括:获取单元,用于获取待检测人脸图像;分割单元,用于获取所述待检测人脸图像的频域特征图,并将所述频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图;处理单元,用于根据所述对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图;确定单元,用于根据与各粒度对应的多维度特征子图,分别确定对应第一粒度、第二粒度以及第三粒度的粒度总向量;检测单元,将对应各粒度的粒度总向量进行拼接,将拼接结果输入分类网络,根据所述分类网络的输出结果,确定所述待检测人脸图像中的人脸是否为真实人脸。
根据本申请一优选实施例,所述获取单元在获取待检测人脸图像之后,还执行:对所述待检测人脸图像进行统一尺寸。
根据本申请一优选实施例,所述分割单元在获取所述待检测人脸图像的频域特征图,并将所述频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图时,具体执行:将所述待检测人脸图像处理为对应R、G、B三个颜色通道的图像,并得到各颜色通道图像的频域特征图;分别将各颜色通道图像的频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图;将各颜色通道图像中对应相同粒度的频域特征子图进行卷积,得到与所述待检测人脸图像对应的第一粒度、第二粒度以及第三粒度的频域特征子图。
根据本申请一优选实施例,所述处理单元在根据所述对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图时,具体执行:按照预设比例将所述对应第一粒度、第二粒度以及第三粒度的频域特征子图进行维度缩小,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图。
根据本申请一优选实施例,所述确定单元在根据与各粒度对应的多维度特征子图,分别确定对应第一粒度、第二粒度以及第三粒度的粒度总向量时,具体执行:构建包含残差连接以及全局平均池化处理的网络结构;分别将与各粒度对应的多维度特征子图中所包含的不同维度的频域图按照预设顺序进行排列之后,输入所述网络结构中;将所述网络结构所输出的对应同一粒度中不同维度的频域图的特征向量进行拼接,得到对应各粒度的不同维度的频率分布特征;将同一粒度中各维度所对应的频率分布特征进行拼接,得到对应各粒度的粒度总向量。
上述申请中的一个实施例具有如下优点或有益效果:本申请能够提升真实人脸检测的准确性。因为采用了将待检测人脸图像的频域特征图分为不同粒度的频域特征子图之后,再获取与各粒度所对应的多维特征子图,进而通过各粒度所对应的多维特征子图来获取对应各粒度的粒度总向量的方式,所以克服了现有技术中通过图像空间域特征进行真实人脸检测的技术问题,达到提升真实人脸检测的准确性的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例提供的一种检测真实人脸的方法流程图;
图2是根据本申请第二实施例提供的一种检测真实人脸的装置结构图;
图3是用来实现本申请实施例的检测真实人脸的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1为本申请一实施例提供的一种检测人脸的方法流程图,如图1中所示,所述方法包括:
在S101中,获取待检测人脸图像。
在本步骤中,获取待检测人脸图像。其中,本步骤所获取的待检测人脸图像可以为仅包含人脸区域的图像;若所获取的待检测人脸图像中还包含有非人脸区域的背景,则本步骤可以在去除图像中的背景之后,将仅保留人脸区域的部分图像作为待检测人脸图像。
另外,本步骤在获取待检测人脸图像之后,还可以执行对待检测人脸图像进行统一尺寸的操作,例如通过resize函数将各人脸图像的尺寸统一为相同大小。优选地,本步骤将待检测人脸图像统一为224×224大小。
在S102中,获取所述待检测人脸图像的频域特征图,并将所述频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图。
在本步骤中,首先获取步骤S101中待检测人脸图像所对应的频域特征图,然后将所获取的频域特征图分割为对应第一粒度的频域特征子图、对应第二粒度的频域特征子图以及对应第三粒度的频域特征子图。
其中,本步骤可以采用离散傅里叶变换的方式来获取待检测人脸图像的频域特征图;本步骤中的第一粒度为大粒度,第二粒度为中粒度,第三粒度为小粒度,例如第一粒度可以为(32×32)维度,第二粒度可以为(16×16)维度,第三粒度可以为(8×8)维度。
为了提升所获取的对应各粒度的频域特征子图的准确性,本步骤在获取待检测人脸图像的频域特征图,并将频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图时,可以采用以下方式:将所获取的待检测人脸图像处理为对应R、G、B三个颜色通道的图像,并得到各颜色通道图像的频域特征图;分别将各颜色通道图像的频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图;将各颜色通道图像中对应相同粒度的频域特征子图进行卷积,得到与待检测人脸图像对应的第一粒度、第二粒度以及第三粒度的频域特征子图。
举例来说,若待检测人脸图像的三个颜色通道的图像分别为R通道图像、G通道图像以及B通道图像,在获取各颜色通道图像的频域特征图之后,可以将R通道图像的频域特征图分割为(32×32)、(16×16)以及(8×8)维度的三个频域特征子图,将G通道图像的频域特征图也分割为(32×32)、(16×16)以及(8×8)维度的三个频域特征子图,将B通道图像的频域特征图分割为(32×32)、(16×16)以及(8×8)维度的三个频域特征子图,进而将对应(32×32)维度的三个频域特征子图进行卷积,得到待检测人脸图像对应的第一粒度的频域特征子图,将对应(16×16)维度的三个频域特征子图进行卷积,得到待检测人脸图像对应的第二粒度的频域特征子图,将对应(8×8)维度的三个频域特征子图进行卷积,得到待检测人脸图像对应的第三粒度的频域特征子图。
在S103中,根据所述对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图。
在本步骤中,按照步骤S102得到的对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度对应的多维度特征子图、与第二粒度对应的多维度特征子图以及与第三粒度对应的多维度特征子图。
具体地,本步骤在得到对应各粒度的多维度特征子图时,可以采用以下方式:按照预设比例将对应第一粒度、第二粒度以及第三粒度的频域特征子图进行维度缩小,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图。
其中,本步骤在按照预设比例将各粒度的频域特征子图进行维度缩小时,即将各粒度的频域特征子图中所包含的各频域图的维度进行缩小,本申请中的预设比例为2。其中,本步骤可以通过最大池化的方式,使用2×2的卷积来进行维度缩小;也可以使用步长为2的3×3卷积来进行维度缩小。
举例来说,本步骤将对应第一粒度的频域特征子图的维度从(32×32)缩小到(16×16)、(8×8)以及(4×4),将对应第二粒度的频域特征子图的维度从(16×16)缩小到(8×8)以及(4×4),将对应第三粒度的频域特征子图的维度从(8×8)缩小到(4×4),则与第一粒度对应的多维度特征子图中包含(32×32)、(16×16)、(8×8)以及(4×4)这四种维度的特征子图,与第二粒度对应的多维度特征子图中包含(16×16)、(8×8)以及(4×4)这三种维度的特征子图,与第三粒度对应的多维度特征子图中包含(8×8)以及(4×4)这两种维度的特征子图。
在S104中,根据与各粒度对应的多维度特征子图,分别获取对应第一粒度、第二粒度以及第三粒度的粒度总向量。
在本步骤中,根据步骤S103所得到的对应各粒度的多维度特征子图,分别获取对应第一粒度的粒度总向量、对应第二粒度的粒度总向量以及对应第三粒度的粒度总向量。
具体地,本步骤在根据与各粒度对应的多维度特征子图,分别获取对应第一粒度、第二粒度以及第三粒度的粒度总向量时,可以采用以下方式:构建包含残差连接以及全局平均池化(Global average Pooling,GAP)处理的网络结构,该网络结构能够根据所输入的不同维度的频域图来输出对应的特征向量;分别将与各粒度对应的多维度特征子图中所包含的不同维度的频域图按照预设顺序进行排列,例如按照各特征子图中从左到右、从上到下的顺序对不同维度的频域图进行排列,输入所构建的网络结构;将网络结构所输出的对应同一粒度中不同维度的频域图的特征向量进行拼接,得到对应各粒度的不同维度的频率分布特征;将同一粒度中各维度所对应的频率分布特征进行拼接,得到对应各粒度的粒度总向量。也就是说,本步骤根据对应同一粒度的多维度特征子图,通过所构建的网络结构来获取该粒度所对应的粒度总向量。
举例来说,若与第一粒度对应的多维度特征子图中包含(32×32)、(16×16)、(8×8)以及(4×4)这四种维度的特征子图,对于(32×32)维度的特征子图来说,将该特征子图中所包含的49个(根据特征子图为224×224大小计算得到)32×32大小的频域图按照从左到右、从上到下的顺序进行排列,然后输入所构建的网络结构中,得到该网络结构所输出的对应(32×32)维度的特征子图的频率分布特征为T1;对于(16×16)维度的特征子图来说,将该特征子图中所包含的196个(根据特征子图为224×224大小计算得到)16×16大小的频域图按照从左到右、从上到下的顺序进行排列,然后输入所构建的网络结构中,得到该网络结构所输出的对应(16×16)维度的特征子图的频率分布特征为T2;同理可得,对应(8×8)维度的特征子图的频率分布特征为T3,对应(4×4)维度的特征子图的频率分布特征为T4,将T1、T2、T3以及T4进行拼接,从而得到对应第一粒度的粒度总向量。
在S105中,将对应各粒度的粒度总向量进行拼接,将拼接结果输入分类网络,根据所述分类网络的输出结果,确定所述待检测人脸图像中的人脸是否为真实人脸。
在本步骤中,将步骤S104中所得到的对应各粒度的粒度总向量进行拼接,将拼接结果输入分类网络之后,便能够根据该分类网络的输出结果确定待检测人脸图像中所包含的人脸是否为真是人脸的检测结果。其中,本步骤中的分类网络由全连接层以及softmax层所构成。
因此,本申请通过上述步骤,将待检测人脸图像的频域特征图分为不同粒度的频域特征子图之后,再获取与各粒度所对应的多维特征子图,进而通过各粒度所对应的多维特征子图来获取对应各粒度的粒度总向量,最后通过拼接各粒度的粒度总向量来进行人脸检测,能够根据多尺度的位置分割来获取更为丰富的信息,从而提升人脸检测的准确性。
图2为本申请一实施例提供的一种检测人脸的装置结构图,如图2中所示,所述装置包括:获取单元201、分割单元202、处理单元203、确定单元204以及检测单元205。
获取单元201,用于获取待检测人脸图像。
获取单元201获取待检测人脸图像。其中,获取单元201所获取的待检测人脸图像可以为仅包含人脸区域的图像;若所获取的待检测人脸图像中还包含有非人脸区域的背景,则获取单元201可以在去除图像中的背景之后,将仅保留人脸区域的部分图像作为待检测人脸图像。
另外,获取单元201在获取待检测人脸图像之后,还可以执行对待检测人脸图像进行统一尺寸的操作,例如通过resize函数将各人脸图像的尺寸统一为相同大小。优选地,获取单元201将待检测人脸图像统一为224×224大小。
分割单元202,用于获取所述待检测人脸图像的频域特征图,并将所述频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图。
分割单元202首先获取获取单元201中待检测人脸图像所对应的频域特征图,然后将所获取的频域特征图分割为对应第一粒度的频域特征子图、对应第二粒度的频域特征子图以及对应第三粒度的频域特征子图。
其中,分割单元202可以采用离散傅里叶变换的方式来获取待检测人脸图像的频域特征图;分割单元202中的第一粒度为大粒度,第二粒度为中粒度,第三粒度为小粒度,例如第一粒度可以为(32×32)维度,第二粒度可以为(16×16)维度,第三粒度可以为(8×8)维度。
为了提升所获取的对应各粒度的频域特征子图的准确性,分割单元202在获取待检测人脸图像的频域特征图,并将频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图时,可以采用以下方式:将所获取的待检测人脸图像处理为对应R、G、B三个颜色通道的图像,并得到各颜色通道图像的频域特征图;分别将各颜色通道图像的频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图;将各颜色通道图像中对应相同粒度的频域特征子图进行卷积,得到与待检测人脸图像对应的第一粒度、第二粒度以及第三粒度的频域特征子图。
处理单元203,用于根据所述对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图。
处理单元203按照分割单元202得到的对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度对应的多维度特征子图、与第二粒度对应的多维度特征子图以及与第三粒度对应的多维度特征子图。
具体地,处理单元203在得到对应各粒度的多维度特征子图时,可以采用以下方式:按照预设比例将对应第一粒度、第二粒度以及第三粒度的频域特征子图进行维度缩小,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图。
其中,处理单元203在按照预设比例将各粒度的频域特征子图进行维度缩小时,即将各粒度的频域特征子图中所包含的各频域图的维度进行缩小,本申请中的预设比例为2。其中,处理单元203可以通过最大池化的方式,使用2×2的卷积来进行维度缩小;也可以使用步长为2的3×3卷积来进行维度缩小。
确定单元204,用于根据与各粒度对应的多维度特征子图,分别获取对应第一粒度、第二粒度以及第三粒度的粒度总向量。
确定单元204根据处理单元203所得到的对应各粒度的多维度特征子图,分别获取对应第一粒度的粒度总向量、对应第二粒度的粒度总向量以及对应第三粒度的粒度总向量。
具体地,确定单元204在根据与各粒度对应的多维度特征子图,分别获取对应第一粒度、第二粒度以及第三粒度的粒度总向量时,可以采用以下方式:构建包含残差连接以及全局平均池化(Global average Pooling,GAP)处理的网络结构;分别将与各粒度对应的多维度特征子图中所包含的不同维度的频域图按照预设顺序进行排列,输入所构建的网络结构中;将网络结构所输出的对应同一粒度中不同维度的频域图的特征向量进行拼接,得到对应各粒度的不同维度的频率分布特征;将同一粒度中各维度所对应的频率分布特征进行拼接,得到对应各粒度的粒度总向量。也就是说,本步骤根据对应同一粒度的多维度特征子图,通过所构建的网络结构来获取该粒度所对应的粒度总向量。
检测单元205,用于将对应各粒度的粒度总向量进行拼接,将拼接结果输入分类网络,根据所述分类网络的输出结果,确定所述待检测人脸图像中的人脸是否为真实人脸。
检测单元205将确定单元204中所得到的对应各粒度的粒度总向量进行拼接,将拼接结果输入分类网络之后,便能够根据该分类网络的输出结果确定待检测人脸图像中所包含的人脸是否为真是人脸的检测结果。其中,检测单元205中的分类网络由全连接层以及softmax层所构成。
如图3所示,是根据本申请实施例的检测真实人脸的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图3所示,该电子设备包括:一个或多个处理器301、存储器302,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图3中以一个处理器301为例。
存储器302即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的发起主动对话的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的发起主动对话的方法。
存储器302作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的发起主动对话的方法对应的程序指令/模块(例如,附图2所示的获取单元201、分割单元202、处理单元203、确定单元204以及检测单元205)。处理器301通过运行存储在存储器302中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的发起主动对话的方法。
存储器302可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据发起主动对话的电子设备的使用所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器302可选包括相对于处理器301远程设置的存储器,这些远程存储器可以通过网络连接至发起主动对话的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
发起主动对话的方法的电子设备还可以包括:输入装置Y03和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接,图3中以通过总线连接为例。
输入装置303可接收输入的数字或字符信息,以及产生与发起主动对话的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,将待检测人脸图像的频域特征图分为不同粒度的频域特征子图之后,再获取与各粒度所对应的多维特征子图,进而通过各粒度所对应的多维特征子图来获取对应各粒度的粒度总向量,最后通过拼接各粒度的粒度总向量来进行人脸检测,能够根据多尺度的位置分割来获取更为丰富的信息,从而提升人脸检测的准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种检测真实人脸的方法,其特征在于,包括:
获取待检测人脸图像;
获取所述待检测人脸图像的频域特征图,并将所述频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图;
根据所述对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图;
根据与各粒度对应的多维度特征子图,分别确定对应第一粒度、第二粒度以及第三粒度的粒度总向量;
将对应各粒度的粒度总向量进行拼接,将拼接结果输入分类网络,根据所述分类网络的输出结果,确定所述待检测人脸图像中的人脸是否为真实人脸。
2.根据权利要求1所述的方法,其特征在于,在获取待检测人脸图像之后,还包括:对所述待检测人脸图像进行统一尺寸。
3.根据权利要求1所述的方法,其特征在于,所述获取所述待检测人脸图像的频域特征图,并将所述频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图包括:
将所述待检测人脸图像处理为对应R、G、B三个颜色通道的图像,并得到各颜色通道图像的频域特征图;
分别将各颜色通道图像的频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图;
将各颜色通道图像中对应相同粒度的频域特征子图进行卷积,得到与所述待检测人脸图像对应的第一粒度、第二粒度以及第三粒度的频域特征子图。
4.根据权利要求1所述的方法,其特征在于,所述根据所述对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图包括:
按照预设比例将所述对应第一粒度、第二粒度以及第三粒度的频域特征子图进行维度缩小,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图。
5.根据权利要求1所述的方法,其特征在于,所述根据与各粒度对应的多维度特征子图,分别确定对应第一粒度、第二粒度以及第三粒度的粒度总向量包括:
构建包含残差连接以及全局平均池化处理的网络结构;
分别将与各粒度对应的多维度特征子图中所包含的不同维度的频域图按照预设顺序进行排列之后,输入所述网络结构中;
将所述网络结构所输出的对应同一粒度中不同维度的频域图的特征向量进行拼接,得到对应各粒度的不同维度的频率分布特征;
将同一粒度中各维度所对应的频率分布特征进行拼接,得到对应各粒度的粒度总向量。
6.一种检测真实人脸的装置,其特征在于,包括:
获取单元,用于获取待检测人脸图像;
分割单元,用于获取所述待检测人脸图像的频域特征图,并将所述频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图;
处理单元,用于根据所述对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图;
确定单元,用于根据与各粒度对应的多维度特征子图,分别确定对应第一粒度、第二粒度以及第三粒度的粒度总向量;
检测单元,将对应各粒度的粒度总向量进行拼接,将拼接结果输入分类网络,根据所述分类网络的输出结果,确定所述待检测人脸图像中的人脸是否为真实人脸。
7.根据权利要求6所述的装置,其特征在于,所述获取单元在获取待检测人脸图像之后,还执行:对所述待检测人脸图像进行统一尺寸。
8.根据权利要求6所述的确定,其特征在于,所述分割单元在获取所述待检测人脸图像的频域特征图,并将所述频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图时,具体执行:
将所述待检测人脸图像处理为对应R、G、B三个颜色通道的图像,并得到各颜色通道图像的频域特征图;
分别将各颜色通道图像的频域特征图分割为对应第一粒度、第二粒度以及第三粒度的频域特征子图;
将各颜色通道图像中对应相同粒度的频域特征子图进行卷积,得到与所述待检测人脸图像对应的第一粒度、第二粒度以及第三粒度的频域特征子图。
9.根据权利要求6所述的装置,其特征在于,所述处理单元在根据所述对应第一粒度、第二粒度以及第三粒度的频域特征子图,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图时,具体执行:
按照预设比例将所述对应第一粒度、第二粒度以及第三粒度的频域特征子图进行维度缩小,分别得到与第一粒度、第二粒度以及第三粒度对应的多维度特征子图。
10.根据权利要求6所述的装置,其特征在于,所述确定单元在根据与各粒度对应的多维度特征子图,分别确定对应第一粒度、第二粒度以及第三粒度的粒度总向量时,具体执行:
构建包含残差连接以及全局平均池化处理的网络结构;
分别将与各粒度对应的多维度特征子图中所包含的不同维度的频域图按照预设顺序进行排列之后,输入所述网络结构中;
将所述网络结构所输出的对应同一粒度中不同维度的频域图的特征向量进行拼接,得到对应各粒度的不同维度的频率分布特征;
将同一粒度中各维度所对应的频率分布特征进行拼接,得到对应各粒度的粒度总向量。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911225480.0A CN111178137B (zh) | 2019-12-04 | 2019-12-04 | 检测真实人脸方法、装置、电子设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911225480.0A CN111178137B (zh) | 2019-12-04 | 2019-12-04 | 检测真实人脸方法、装置、电子设备以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178137A true CN111178137A (zh) | 2020-05-19 |
CN111178137B CN111178137B (zh) | 2023-05-26 |
Family
ID=70651966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911225480.0A Active CN111178137B (zh) | 2019-12-04 | 2019-12-04 | 检测真实人脸方法、装置、电子设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178137B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461089A (zh) * | 2020-06-17 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 一种人脸检测的方法、人脸检测模型的训练方法及装置 |
CN111723714A (zh) * | 2020-06-10 | 2020-09-29 | 上海商汤智能科技有限公司 | 识别人脸图像真伪的方法、装置及介质 |
CN111783644A (zh) * | 2020-06-30 | 2020-10-16 | 百度在线网络技术(北京)有限公司 | 检测方法、装置、设备和计算机存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908143A (zh) * | 2010-08-09 | 2010-12-08 | 哈尔滨工程大学 | 基于子带特征融合的活体指纹滑移缺陷检测方法 |
US20160183812A1 (en) * | 2014-12-24 | 2016-06-30 | Samsung Electronics Co., Ltd. | Biometric authentication method and apparatus |
WO2016136400A1 (ja) * | 2015-02-25 | 2016-09-01 | コニカミノルタ株式会社 | 生体監視装置、生体監視方法および生体監視システム |
CN108549884A (zh) * | 2018-06-15 | 2018-09-18 | 天地融科技股份有限公司 | 一种活体检测方法及装置 |
GB201814121D0 (en) * | 2018-08-30 | 2018-10-17 | Liopa Ltd | Liopa |
CN109145817A (zh) * | 2018-08-21 | 2019-01-04 | 佛山市南海区广工大数控装备协同创新研究院 | 一种人脸活体检测识别方法 |
US20190026544A1 (en) * | 2016-02-09 | 2019-01-24 | Aware, Inc. | Face liveness detection using background/foreground motion analysis |
WO2019096029A1 (zh) * | 2017-11-20 | 2019-05-23 | 腾讯科技(深圳)有限公司 | 活体识别方法、存储介质和计算机设备 |
CN110059546A (zh) * | 2019-03-08 | 2019-07-26 | 深圳神目信息技术有限公司 | 基于频谱分析的活体识别方法、装置、终端及可读介质 |
CN110462633A (zh) * | 2019-06-27 | 2019-11-15 | 深圳市汇顶科技股份有限公司 | 一种人脸识别的方法、装置和电子设备 |
-
2019
- 2019-12-04 CN CN201911225480.0A patent/CN111178137B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908143A (zh) * | 2010-08-09 | 2010-12-08 | 哈尔滨工程大学 | 基于子带特征融合的活体指纹滑移缺陷检测方法 |
US20160183812A1 (en) * | 2014-12-24 | 2016-06-30 | Samsung Electronics Co., Ltd. | Biometric authentication method and apparatus |
WO2016136400A1 (ja) * | 2015-02-25 | 2016-09-01 | コニカミノルタ株式会社 | 生体監視装置、生体監視方法および生体監視システム |
US20190026544A1 (en) * | 2016-02-09 | 2019-01-24 | Aware, Inc. | Face liveness detection using background/foreground motion analysis |
WO2019096029A1 (zh) * | 2017-11-20 | 2019-05-23 | 腾讯科技(深圳)有限公司 | 活体识别方法、存储介质和计算机设备 |
CN108549884A (zh) * | 2018-06-15 | 2018-09-18 | 天地融科技股份有限公司 | 一种活体检测方法及装置 |
CN109145817A (zh) * | 2018-08-21 | 2019-01-04 | 佛山市南海区广工大数控装备协同创新研究院 | 一种人脸活体检测识别方法 |
GB201814121D0 (en) * | 2018-08-30 | 2018-10-17 | Liopa Ltd | Liopa |
CN110059546A (zh) * | 2019-03-08 | 2019-07-26 | 深圳神目信息技术有限公司 | 基于频谱分析的活体识别方法、装置、终端及可读介质 |
CN110462633A (zh) * | 2019-06-27 | 2019-11-15 | 深圳市汇顶科技股份有限公司 | 一种人脸识别的方法、装置和电子设备 |
Non-Patent Citations (4)
Title |
---|
GAHYUN KIM等: "face liveness detection based on texture and frequency analyses" * |
刘华成: "人脸活体检测关键技术研究" * |
董吉祥: "人脸活体检测算法研究与实现" * |
陈然等: "一种基于空域和频域多特征融合的人脸活体检测算法" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723714A (zh) * | 2020-06-10 | 2020-09-29 | 上海商汤智能科技有限公司 | 识别人脸图像真伪的方法、装置及介质 |
CN111723714B (zh) * | 2020-06-10 | 2023-11-03 | 上海商汤智能科技有限公司 | 识别人脸图像真伪的方法、装置及介质 |
CN111461089A (zh) * | 2020-06-17 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 一种人脸检测的方法、人脸检测模型的训练方法及装置 |
CN111783644A (zh) * | 2020-06-30 | 2020-10-16 | 百度在线网络技术(北京)有限公司 | 检测方法、装置、设备和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111178137B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7258066B2 (ja) | 測位方法、測位装置及び電子機器 | |
US11321822B2 (en) | Determining image defects using image comparisons | |
US10559078B2 (en) | Object detection | |
CN111178137B (zh) | 检测真实人脸方法、装置、电子设备以及计算机可读存储介质 | |
CN110659600B (zh) | 物体检测方法、装置及设备 | |
CN112270399B (zh) | 基于深度学习的算子注册处理方法、装置及电子设备 | |
CN112149636A (zh) | 用于检测目标物体的方法、装置、电子设备及存储介质 | |
CN111967297B (zh) | 图像的语义分割方法、装置、电子设备及介质 | |
CN113870399B (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
KR20210036319A (ko) | 텍스트 콘텐츠의 식별 방법, 장치 및 전자 기기 | |
CN112487979A (zh) | 目标检测方法和模型训练方法、装置、电子设备和介质 | |
CN114004840A (zh) | 图像处理方法、训练方法、检测方法、装置、设备及介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
US10162908B1 (en) | Systems and methods for extracting bounding planes of solid models | |
CN111861991A (zh) | 计算图像清晰度的方法以及装置 | |
CN113435462B (zh) | 定位方法、装置、电子设备和介质 | |
US10769755B1 (en) | Dynamic contextual display of key images | |
CN111177479A (zh) | 获取关系网络图中节点的特征向量的方法以及装置 | |
JP7138208B2 (ja) | データ間引き方法、データ間引き装置、電子機器、記憶媒体及びコンピュータプログラム製品 | |
JP7269979B2 (ja) | 歩行者を検出するための方法及び装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム | |
US10423579B2 (en) | Z/OS SMF record navigation visualization tooling | |
US10546036B2 (en) | Web browser having improved navigational functionality | |
CN113392336A (zh) | 一种兴趣点展示方法、装置、电子设备和存储介质 | |
CN112541934A (zh) | 一种图像处理方法及装置 | |
CN112101281B (zh) | 人脸图像的检测方法、装置 |
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 |