CN111191519A - 一种用于移动供电装置用户接入的活体检测方法 - Google Patents
一种用于移动供电装置用户接入的活体检测方法 Download PDFInfo
- Publication number
- CN111191519A CN111191519A CN201911250638.XA CN201911250638A CN111191519A CN 111191519 A CN111191519 A CN 111191519A CN 201911250638 A CN201911250638 A CN 201911250638A CN 111191519 A CN111191519 A CN 111191519A
- Authority
- CN
- China
- Prior art keywords
- detection
- attack
- infrared
- image
- user access
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000009471 action Effects 0.000 claims description 17
- 238000001727 in vivo Methods 0.000 claims description 9
- 230000004397 blinking Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 5
- 230000003287 optical effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003331 infrared imaging Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种用于移动供电装置用户接入的活体检测方法，包括以下步骤：1)通过RGB摄像头和红外摄像头组成的双目摄像头获取待检测活体的RGB图像和红外图像；2)根据RGB图像进行基于纹理的攻击类型检测，并且根据RGB图像的数据流进行基于时序的攻击类型检测，同时根据红外图像的红外数据流进行伪造检测；3)构造分类器并汇总三种检测结果得到最终的分类结果，确认待检测的活体目标具体为真人、纸张攻击、面具攻击还是屏幕攻击。与现有技术相比，本发明具有多重验证、快速准确、适用于RBC物联网场景等优点。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其是涉及一种用于移动供电装置用户接入的活体检测方法。
背景技术
机器学习、移动互联网、物联网等新兴技术的快速发展对移动终端的计算处理能力要求越来越高，性能与供电的矛盾日益凸显。而能够供高功率、远距离、可移动、多设备充电支持的共振光无线充电RBC(Resonant Beam Charging)技术是解决上述问题的突破性技术。
RBC发射端在建立能量传输链路前，需要确定接收端位置，并对用户身份进行验证。现有的身份验证方式是通过摄像头直接采集用户的二维图像，通过FaceNet网络对用户身份进行判断，当用户身份与绑定设备通过了系统验证之后，RBC发射端开始建立传输链路。但现有验证方式的安全性不高，容易受到一些伪装攻击，如纸张攻击、录像攻击、面具攻击等，从而无法可靠地完成用户身份认证的任务。有一部分活体检测方案能一定程度上解决这个问题，但是这些方案只能解决上述的部分攻击，可以轻易被其他攻击破解，比如银行采用的动作识别验证要求用户进行眨眼等操作，很容易就能被录像攻击所攻破。其次，RBC的用户接入验证需要摄像头进行远距离进行拍摄，传统算法无法很好地应用。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于移动供电装置用户接入的活体检测方法。
本发明的目的可以通过以下技术方案来实现：
一种用于移动供电装置用户接入的活体检测方法，包括以下步骤：
1)通过RGB摄像头和红外摄像头组成的双目摄像头获取待检测活体的RGB图像和红外图像；
2)根据RGB图像进行基于纹理的攻击类型检测，并且根据RGB图像的数据流进行基于时序的攻击类型检测，同时根据红外图像的红外数据流进行伪造检测；
3)构造判别器并汇总三种检测结果得到最终的分类结果，确认待检测的活体目标具体为真人、纸张攻击、面具攻击还是屏幕攻击。
所述的步骤2)中，基于纹理的攻击类型检测具体为：
将图片从RBG图像空间分离到HSV图像空间，并采用LBP算法对HSV图像三个维度分别进行处理，得出像素分布直方图，将HSV图像空间三个维度的直方图作为训练数据，并采用SVM算法将分类的结果输出，得到多分类结果向量Rtex，表示在纹理检测下各种攻击的可能性。
所述的步骤2)中，基于时序的攻击类型检测具体为：
随机选取设定的动作让待检测的活体执行，包括眨眼、转头和点头动作，RGB摄像头通过采集的动作视频进行时序检测，用以规避静态的纸张攻击和面具攻击，对于屏幕攻击，通过视频中动作的连贯性进行识别，在时序检测下得出多分类结果向量Rtime，表示时序检测下各种攻击的可能性。
在执行眨眼动作时，通过眼睛的特征点变化，即当眼睛纵横比发生改变的时判断用户是否进行眨眼动作。
所述的步骤2)中，根据红外图像的红外数据流进行伪造检测具体为：
通过对训练用的红外图像进行LBP算法实现人脸和背景的分离，得到红外图片的人脸部分和背景部分像素分布直方图，将素分布直方图的波峰位置作为识别的主要依据，采用SVM算法对真实人脸和伪造攻击的像素分布直方图进行分类，得到在红外检测下的多分类结果向量Rinf，表示各种攻击的可能性。
所述的步骤3)中，判别器通过为三种检测的结果各自添加一个权重加权进行汇总得到最终的分类结果，三种检测的结果即对不同的伪造攻击得到不同的概率。
所述的判别器的识别结果表达式为：
其中，α、β、γ为三个权重。
通过交叉熵损失函数采用梯度下降的方式对判别器结果进行修正，从而调节三个权重α、β、γ，实现更加精确的分类结果，交叉熵损失函数的表达式为：
其中，LOSS为交叉熵损失值，R为已知数据集结果，
为判别器结果。
与现有技术相比，本发明具有以下优点：
(1)区别于现有的图像验证，本发明引入了多重验证的方式，对是否是用户本人在进行操作进行判定；
(2)区别于针对普通的活体检测方案，本发明结合纹理、时序以及光学辅助，对多种伪造攻击行为进行规避；
(3)区别于现有的活体检测网络，本发明提升了算法检测速度、精度以及运行内存要求，使其更适用于RBC这种物联网场景中。
附图说明
图1为本发明的主要检测流程图
具体实施方式
为了使本专利实施的技术方案和优点更加清楚，下面将对本专利的实施例技术方案进行完整阐述。显然，所描述的实施例是本专利一部分实施例，而不是全部的实施例。基于本专利中的实施例、本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明提出了活体检测方案，将传统的活体检测问题进行了更加精细的处理。现有的活体检测是简单的将活体检测问题对应为计算机视觉中的二分类问题，即是真人还是伪造。本专利将现有的二分类问题细化，将伪造攻击分类为纸张攻击、屏幕攻击和面具攻击，从而更精确地对活体进行判断。
本发明结合多种分辨方式，通过获取的图像数据对用户的真实身份进行判定。改进方式如下：(1)硬件部分添加RGB摄像头和红外摄像头组成的双目摄像头；(2)基于颜色纹理对于对局部区域进行检测，可以提升对屏幕以及打印纸张攻击的检测；(3)基于时序的判断对活体进行判断，避免了打印纸张的攻击；(4)基于红外光学辅助进行检测，红外成像能够很大程度上提升对面具以及屏幕、纸张攻击的检测率。
相较于之前单一的身份验证接入，该系统结合多种检测方式能够更加精确地定义攻击的类型，从而能够更精准地判断用户是否伪造身份接入。对算法的改进和硬件的简单提升，能够使伪造攻击检测率有大幅度的提升，无论从成本和效果来说都是具有重大应用价值的。同时本发明对识别模型进行了轻量化处理，使其更符合物联网应用场景。本方法不仅可以面向远场无线充电用户接入的活体检测应用，作为计算机视觉领域的研究，其同样可以应用到其他领域的用户接入问题上去。
如图1所示，本发明提供一种用于移动供电装置用户接入的活体检测方法，本发明通过将RGB摄像头和红外摄像头采集的数据作为输入，处理模块主要分为基于纹理的检测、基于时序的检测以及红外光学辅助模块，将所有模块的结果输入判别器，再得出最终的伪造攻击分类结果。
首先RGB摄像头和红外摄像头分别采集两个数据流，作为整个系统的输入。基于纹理的检测主要使用RGB数据流，直接基于人脸图像的纹理进行攻击类型的检测，可以分辨出中低分辨率的纸张攻击以及屏幕攻击；基于时序的检测使用RGB数据流，要求用户做出一些指定动作，从而直接规避纸张攻击以及较为低级的面具攻击；红外光学辅助主要使用红外数据流，利用真人和其他伪造攻击的红外成像图特征差异进行判定，能够对多种伪造方式进行检测。最终这三个模块的判定结果将汇总到一个判别器中，判别器将对各项进行加权最终得出分类结果。
A.基于纹理的检测
基于纹理的检测主要采用的是LBP算子对人脸图像进行处理，通过运算可以提取图像的边缘等特征，进而进一步通过统计的方法归纳真实人脸与伪造攻击人脸的分类器，从而能将纹理检测应用到活体检测中去。除了对RGB图像进行直接的边缘检测外，本专利还将RGB图像转为HSV图像，从而能够在HSV空间内提取更多区别真实人脸和伪造攻击的特征。
B.基于时序的检测
基于时序的检测是通过让用户做出一定的动作来规避攻击的做法。设定眨眼、转头、点头等动作，随机选取若干动作让执行，RGB摄像头通过采集用户的动作视频进行时序的检测，能够较为精确地规避纸张攻击这种静态攻击。针对屏幕攻击，利用视频中动作的连贯性也能有较好的识别效果。
C.红外光学辅助模块
红外相机是特制的加装滤光片的相机，通过红外灯的照射能够得到红外图像，红外图像在真人及其他攻击上有较大的不同而被应用于活体检测中。通过检测一些特征点，比如眼睛等区域，能够较为精确地识别纸张攻击。而屏幕攻击以及面具攻击在红外成像上会与真人有较大的差别，因此红外光学辅助能够很大程度上改善识别的精确度。
D.判别器
判别器会给三个模块的结果各自添加一个权重，前面三个模块针对不同的伪造攻击得出了不同的概率，而判别器的功能就是将所有结果进行整合得出最终的判定结果。可以通过有标签的训练数据对该判别器的权重进行调整和加强，从而能够更加精确地得出判定的结果。
实施例
本例中的用于移动供电装置用户接入的活体检测方法所使用的数据集主要包括CASIA-FASD、REPLAY-ATTACK数据集，以及部分自制的数据集。
纹理检测部分需要对真实人脸以及伪造攻击的图片进行处理，将图片从RBG图像空间分离到HSV图像空间，并使用LBP算法对HSV图像三个维度分别进行处理，得出像素分布直方图。活体与非活体在RGB的图像空间内难以分辨，但在HSV空间的像素分布直方图中有明显区别。将HSV图像空间三个维度的直方图作为训练数据，使用SVM算法将分类的结果输出。纹理检测部分得出多分类结果向量Rtex，表示纹理检测下各种攻击的可能性。
时序检测部分不需要预训练模型，通过获取人脸的特征点，然后随机选取特定的动作并对视频流进行监测。比如在眨眼的过程中主要观测眼睛的特征点变化，当眼睛纵横比发生改变的时候系统就可以判断用户进行眨眼操作，其他动作也同样是监控人脸特征点的变化。时序检测部分得出多分类结果向量Rtime，表示时序检测下各种攻击的可能性。
红外光学辅助部分通过对自制的红外图像数据集进行LBP算法的处理，将数据集中的图片进行人脸和背景的分离，分别得到红外图片的人脸部分和背景部分像素分布直方图。真实人脸和伪造攻击的人脸以及背景在红外相机拍摄的红外图片中有明显的不同，像素分布直方图的波峰位置有较大差别，可以使用SVM算法对真实人脸和伪造攻击的像素分布直方图直接进行分类。因此，RGB图像无法分辨出的攻击，红外图像的直方图将能够很迅速的进行分类。红外光学辅助部分得出的多分类结果向量Rinf，表示红外光学辅助下各种攻击的可能性。
三个模块的识别结果Rtex、Rtime、Rinf将一起输入到判别器中，其中Rtex为纹理结果，Rtime为时序结果，Rinf为红外光学辅助检测结果。最终判别器识别结果为
其中α、β、γ为三个影响因子。通过已有的数据集，可以进行有监督学习，对输出的攻击类别进行细分。其中，交叉熵损失函数
其中R是已知数据集结果，
是判别器的判别器的结果。使用梯度下降的方式对判别器结果
进行修正，从而调节三个模块对结果的影响因子α、β、γ，实现更加精确的分类结果。
以上所述，仅是本申请的一个实施例，并非对本申请做任何形式的限制，虽然本申请以较佳实施例揭示如上，然而并非用以限制本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。
Claims (8)
1.一种用于移动供电装置用户接入的活体检测方法，其特征在于，包括以下步骤：
1)通过RGB摄像头和红外摄像头组成的双目摄像头获取待检测活体的RGB图像和红外图像；
2)根据RGB图像进行基于纹理的攻击类型检测，并且根据RGB图像的数据流进行基于时序的攻击类型检测，同时根据红外图像的红外数据流进行伪造检测；
3)构造判别器并汇总三种检测结果得到最终的分类结果，确认待检测的活体目标具体为真人、纸张攻击、面具攻击还是屏幕攻击。
2.根据权利要求1所述的一种用于移动供电装置用户接入的活体检测方法，其特征在于，所述的步骤2)中，基于纹理的攻击类型检测具体为：
将图片从RBG图像空间分离到HSV图像空间，并采用LBP算法对HSV图像三个维度分别进行处理，得出像素分布直方图，将HSV图像空间三个维度的直方图作为训练数据，并采用SVM算法将分类的结果输出，得到多分类结果向量Rtex，表示在纹理检测下各种攻击的可能性。
3.根据权利要求2所述的一种用于移动供电装置用户接入的活体检测方法，其特征在于，所述的步骤2)中，基于时序的攻击类型检测具体为：
随机选取设定的动作让待检测的活体执行，包括眨眼、转头和点头动作，RGB摄像头通过采集的动作视频进行时序检测，用以规避静态的纸张攻击和面具攻击，对于屏幕攻击，通过视频中动作的连贯性进行识别，在时序检测下得出多分类结果向量Rtime，表示时序检测下各种攻击的可能性。
4.根据权利要求3所述的一种用于移动供电装置用户接入的活体检测方法，其特征在于，在执行眨眼动作时，通过眼睛的特征点变化，即当眼睛纵横比发生改变的时判断用户是否进行眨眼动作。
5.根据权利要求3所述的一种用于移动供电装置用户接入的活体检测方法，其特征在于，所述的步骤2)中，根据红外图像的红外数据流进行伪造检测具体为：
通过对训练用的红外图像进行LBP算法实现人脸和背景的分离，得到红外图片的人脸部分和背景部分像素分布直方图，将素分布直方图的波峰位置作为识别的主要依据，采用SVM算法对真实人脸和伪造攻击的像素分布直方图进行分类，得到在红外检测下的多分类结果向量Rinf，表示各种攻击的可能性。
6.根据权利要求5所述的一种用于移动供电装置用户接入的活体检测方法，其特征在于，所述的步骤3)中，判别器通过为三种检测的结果各自添加一个权重加权进行汇总得到最终的分类结果，三种检测的结果即对不同的伪造攻击得到不同的概率。
7.根据权利要求6所述的一种用于移动供电装置用户接入的活体检测方法，其特征在于，所述的判别器的识别结果表达式为：
其中，α、β、γ为三个权重。
8.根据权利要求6所述的一种用于移动供电装置用户接入的活体检测方法，其特征在于，通过交叉熵损失函数采用梯度下降的方式对判别器结果进行修正，从而调节三个权重α、β、γ，实现更加精确的分类结果，交叉熵损失函数的表达式为：
其中，LOSS为交叉熵损失值，R为已知数据集结果，
为判别器结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911250638.XA CN111191519B (zh) | 2019-12-09 | 2019-12-09 | 一种用于移动供电装置用户接入的活体检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911250638.XA CN111191519B (zh) | 2019-12-09 | 2019-12-09 | 一种用于移动供电装置用户接入的活体检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111191519A true CN111191519A (zh) | 2020-05-22 |
| CN111191519B CN111191519B (zh) | 2023-11-24 |
Family
ID=70709844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911250638.XA Active CN111191519B (zh) | 2019-12-09 | 2019-12-09 | 一种用于移动供电装置用户接入的活体检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111191519B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023000792A1 (zh) * | 2021-07-22 | 2023-01-26 | 京东科技控股股份有限公司 | 构建活体识别模型和活体识别的方法、装置、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013131407A1 (zh) * | 2012-03-08 | 2013-09-12 | 无锡中科奥森科技有限公司 | 双验证人脸防伪方法及装置 |
| CN107590473A (zh) * | 2017-09-19 | 2018-01-16 | 杭州登虹科技有限公司 | 一种人脸活体检测方法、介质和相关装置 |
| WO2018040307A1 (zh) * | 2016-08-31 | 2018-03-08 | 上海依图网络科技有限公司 | 一种基于红外可见双目图像的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 |
| CN107918773A (zh) * | 2017-12-13 | 2018-04-17 | 汉王科技股份有限公司 | 一种人脸活体检测方法、装置及电子设备 |
| CN108921041A (zh) * | 2018-06-06 | 2018-11-30 | 深圳神目信息技术有限公司 | 一种基于rgb和ir双目摄像头的活体检测方法及装置 |
| WO2019137178A1 (zh) * | 2018-01-12 | 2019-07-18 | 杭州海康威视数字技术股份有限公司 | 人脸活体检测 |
| CN110348322A (zh) * | 2019-06-19 | 2019-10-18 | 西华师范大学 | 基于多特征融合的人脸活体检测方法及设备 |
| CN110458063A (zh) * | 2019-07-30 | 2019-11-15 | 西安建筑科技大学 | 防视频、照片欺骗的人脸活体检测方法 |
-
2019
- 2019-12-09 CN CN201911250638.XA patent/CN111191519B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013131407A1 (zh) * | 2012-03-08 | 2013-09-12 | 无锡中科奥森科技有限公司 | 双验证人脸防伪方法及装置 |
| WO2018040307A1 (zh) * | 2016-08-31 | 2018-03-08 | 上海依图网络科技有限公司 | 一种基于红外可见双目图像的活体检测方法及装置 |
| CN107590473A (zh) * | 2017-09-19 | 2018-01-16 | 杭州登虹科技有限公司 | 一种人脸活体检测方法、介质和相关装置 |
| 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 |
| CN107918773A (zh) * | 2017-12-13 | 2018-04-17 | 汉王科技股份有限公司 | 一种人脸活体检测方法、装置及电子设备 |
| WO2019137178A1 (zh) * | 2018-01-12 | 2019-07-18 | 杭州海康威视数字技术股份有限公司 | 人脸活体检测 |
| CN108921041A (zh) * | 2018-06-06 | 2018-11-30 | 深圳神目信息技术有限公司 | 一种基于rgb和ir双目摄像头的活体检测方法及装置 |
| CN110348322A (zh) * | 2019-06-19 | 2019-10-18 | 西华师范大学 | 基于多特征融合的人脸活体检测方法及设备 |
| CN110458063A (zh) * | 2019-07-30 | 2019-11-15 | 西安建筑科技大学 | 防视频、照片欺骗的人脸活体检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023000792A1 (zh) * | 2021-07-22 | 2023-01-26 | 京东科技控股股份有限公司 | 构建活体识别模型和活体识别的方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111191519B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Atoum et al. | Face anti-spoofing using patch and depth-based CNNs | |
| Zhang et al. | Face spoofing detection based on color texture Markov feature and support vector machine recursive feature elimination | |
| CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
| Boulkenafet et al. | On the generalization of color texture-based face anti-spoofing | |
| CN110084135B (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
| US10176377B2 (en) | Iris liveness detection for mobile devices | |
| US10943095B2 (en) | Methods and systems for matching extracted feature descriptors for enhanced face recognition | |
| Pinto et al. | Using visual rhythms for detecting video-based facial spoof attacks | |
| da Silva Pinto et al. | Video-based face spoofing detection through visual rhythm analysis | |
| Tome et al. | The 1st competition on counter measures to finger vein spoofing attacks | |
| WO2019152983A2 (en) | System and apparatus for face anti-spoofing via auxiliary supervision | |
| US20130015946A1 (en) | Using facial data for device authentication or subject identification | |
| CN103136516A (zh) | 可见光与近红外信息融合的人脸识别方法及系统 | |
| Sun et al. | A face spoofing detection method based on domain adaptation and lossless size adaptation | |
| 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 | |
| Benlamoudi et al. | Face spoofing detection using local binary patterns and Fisher score | |
| CN111582027A (zh) | 身份认证方法、装置、计算机设备和存储介质 | |
| KR101727833B1 (ko) | 얼굴인식을 위한 판별분석 기반의 복합 특징 벡터 생성 장치 및 방법 | |
| Marasco et al. | Deep color spaces for fingerphoto presentation attack detection in mobile devices | |
| Sudhakar et al. | Facial identification of twins based on fusion score method | |
| CN111191519B (zh) | 一种用于移动供电装置用户接入的活体检测方法 | |
| Benlamoudi et al. | Face spoofing detection from single images using active shape models with stasm and lbp | |
| CN104615985B (zh) | 一种人脸相似度的识别方法 | |
| JP3962517B2 (ja) | 顔面検出方法及びその装置、コンピュータ可読媒体 | |
| Alassafi et al. | A novel deep learning architecture with image diffusion for robust face presentation attack detection |
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 |