CN111339972A - 一种人脸图像检测方法、装置、电子设备及存储介质 - Google Patents
一种人脸图像检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111339972A CN111339972A CN202010136566.2A CN202010136566A CN111339972A CN 111339972 A CN111339972 A CN 111339972A CN 202010136566 A CN202010136566 A CN 202010136566A CN 111339972 A CN111339972 A CN 111339972A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- detected
- face image
- normal
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 146
- 238000013145 classification model Methods 0.000 claims abstract description 62
- 230000001815 facial effect Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims description 52
- 238000007689 inspection Methods 0.000 claims description 25
- 238000001727 in vivo Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000012550 audit Methods 0.000 description 3
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 238000005462 in vivo assay Methods 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000003786 synthesis reaction 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
- G06V40/172—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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
Abstract
本申请提供了一种人脸图像检测方法、装置、电子设备及存储介质,其中,首先,在检测待检测人脸图像之前,结合正常样本图像和问题样本图像,创建人脸图像分类模型,然后获取待检测人脸图像。最后利用所述人脸图像分类模型计算所述待检测人脸图像的检测分数,并将所述检测分数与预设分数阈值进行对比以确定所述待检测人脸图像的图像类别。可见,本申请实施例所提供的人脸图像检测方法可以对通过活体检测的人脸图像进行进一步检测,以提高对待检人员的检测准确度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种人脸图像检测方法、装置、电子设备及存储介质。
背景技术
活体检测是指通过眨眼、张嘴、摇头、点头等组合动作,对人脸特征点定位和追踪的技术,验证待检人员是否为真实活体本人操作,因为人脸图像具有可造假性,例如待检人员戴面具、或者通过照片合成等手段改变人脸图像的真实性,而这些手段在人脸图像检测的过程中较难被识别,因此,如果通过直接检测人脸图像来检验待检人员的真实身份,容易出现检测错误的问题,从而降低对有效人员的身份的保障力度。而使用活体检测可以有效解决上述问题。
但是活体检测也存在一些问题,因为现在的活体检测设备大多采用自助检测模式,即待检人员自行按照机器提示进行检测,而通常周围不存在监督人员,因此,一些不法的待检人员采用戴人皮面具、戴印有人脸图像的照片、甚至通过计算机技术手段合成活体检测过程中所产生的人脸图像等,活体检测设备容易误检这些待检人员,认为他们的身份真实可靠,这就容易对真正的有效人员的身份及财产等造成威胁。
发明内容
本申请提供了一种人脸图像检测方法、装置、电子设备及存储介质,以提高身份检测的准确度。
第一方面,本申请提供了一种人脸图像检测方法,所述方法包括:
结合正常样本图像和问题样本图像,创建人脸图像分类模型,所述正常样本图像为通过活体检测,且具有第一人脸特征的人脸图像,所述问题样本图像为通过活体检测,且具有第二人脸特征的人脸图像,所述人脸图像分类模型为具有确定人脸图像类别的功能的模型;
获取待检测人脸图像,所述待检测人脸图像为通过活体检测的待检人员在活体检测过程中的人脸图像;
利用所述人脸图像分类模型计算所述待检测人脸图像的检测分数;
将所述检测分数与预设分数阈值进行对比以确定所述待检测人脸图像的图像类别。
在本发明实施例第一方面一种可能的实现方式中,所述结合正常样本图像和问题样本图像,创建人脸图像分类模型包括:
从人脸图像数据库中获取过检人脸图像,所述过检人脸图像为通过活体检测的人员在活体检测过程中的人脸图像;
确定每一过检人脸图像的面部特征图像;
确定正常样本图像和问题样本图像,所述正常样本图像为所述面部特征图像与第一人脸特征相匹配的所述过检人脸图像,所述问题样本图像为所述面部特征图像与第二人脸特征相匹配的所述过检人脸图像;
利用卷积神经网络训练所述正常样本图像和所述问题样本图像,得到人脸图像分类模型。
在本发明实施例第一方面一种可能的实现方式中,所述确定正常样本图像和问题样本图像之后包括:
确定每一所述正常样本图像和每一所述问题样本图像中的面部区域图像,所述面部区域图像为所述正常样本图像和所述问题样本图像中与预设脸部轮廓图像相匹配的区域;
裁剪每一所述正常样本图像,得到相应的第一面部区域图像,裁剪每一所述问题样本图像,得到相应的第二面部区域图像;
分别放大每一所述第一面部区域图像和每一所述第二面部区域图像,对应得到第一处理后正常样本图像和处理后问题样本图像,以供创建人脸图像分类模型。
在本发明实施例第一方面一种可能的实现方式中,所述获取待检测人脸图像包括:
获取通过活体检测的待检人员的活体检测视频;
从所述活体检测视频中抽取所述待检测人脸图像,所述待检测人脸图像为所述活体检测视频中与预设人脸正面轮廓图像匹配度最高的一帧图像。
在本发明实施例第一方面一种可能的实现方式中,所述将所述检测分数与预设分数阈值进行对比以确定所述待检测人脸图像的图像类别包括:
获取所述待检测分数中的正常类别分数,所述正常类别分数为所述待检测人脸图像与正常样本图像相匹配的分值;
对比所述正常类别分数与所述预设分数阈值;
如果所述正常类别分数大于所述预设分数阈值,则所述待检测人脸图像为正常图像;如果所述正常类别分数小于或者等于预设分数阈值,则所述待检测人脸图像为问题图像。
第二方面,本申请提供了一种人脸图像检测装置,所述装置包括:
模型创建模块,用于结合正常样本图像和问题样本图像,创建人脸图像分类模型,所述正常样本图像为通过活体检测,且具有第一人脸特征的人脸图像,所述问题样本图像为通过活体检测,且具有第二人脸特征的人脸图像,所述人脸图像分类模型为具有确定人脸图像类别的功能的模型;
待检图像获取模块,用于获取待检测人脸图像,所述待检测人脸图像为通过活体检测的待检人员在活体检测过程中的人脸图像;
分值计算模块,用于利用所述人脸图像分类模型计算所述待检测人脸图像的检测分数;
类别判断模块,用于将所述检测分数与预设分数阈值进行对比以确定所述待检测人脸图像的图像类别。
在本发明实施例第二方面一种可能的实现方式中,所述模型创建模块包括:
过检人脸图像获取模块,用于从人脸图像数据库中获取过检人脸图像,所述过检人脸图像为通过活体检测的人员在活体检测过程中的人脸图像;
面部特征图像确定模块,用于确定每一过检人脸图像的面部特征图像;
样本确定模块,用于确定正常样本图像和问题样本图像,所述正常样本图像为所述面部特征图像与第一人脸特征相匹配的所述过检人脸图像,所述问题样本图像为所述面部特征图像与第二人脸特征相匹配的所述过检人脸图像;
建模模块,用于利用卷积神经网络训练所述正常样本图像和所述问题样本图像,得到人脸图像分类模型。
在本发明实施例第二方面一种可能的实现方式中,所述确定正常样本图像和问题样本图像之后包括:
面部区域图像确定模块,用于确定每一所述正常样本图像和每一所述问题样本图像中的面部区域图像,所述面部区域图像为所述正常样本图像和所述问题样本图像中与预设脸部轮廓图像相匹配的区域;
裁剪模块,用于裁剪每一所述正常样本图像,得到相应的第一面部区域图像,裁剪每一所述问题样本图像,得到相应的第二面部区域图像;
放大模块,用于分别放大每一所述第一面部区域图像和每一所述第二面部区域图像,对应得到第一处理后正常样本图像和处理后问题样本图像,以供创建人脸图像分类模型。
在本发明实施例第二方面一种可能的实现方式中,所述待检图像获取模块包括:
视频获取模块,用于获取通过活体检测的待检人员的活体检测视频;
图像帧抽取模块,用于从所述活体检测视频中抽取所述待检测人脸图像,所述待检测人脸图像为所述活体检测视频中与预设人脸正面轮廓图像匹配度最高的一帧图像。
在本发明实施例第二方面一种可能的实现方式中,所述类别判断模块包括:
分数获取模块,用于获取所述待检测分数中的正常类别分数,所述正常类别分数为所述待检测人脸图像与正常样本图像相匹配的分值;
对比模块,用于对比所述正常类别分数与所述预设分数阈值;
判定模块,用于如果所述正常类别分数大于所述预设分数阈值,则所述待检测人脸图像为正常图像;如果所述正常类别分数小于或者等于预设分数阈值,则所述待检测人脸图像为问题图像。
本申请提供了一种人脸图像检测方法、装置、电子设备及存储介质,其中,首先,在检测待检测人脸图像之前,结合正常样本图像和问题样本图像,创建人脸图像分类模型,然后获取待检测人脸图像。最后利用所述人脸图像分类模型计算所述待检测人脸图像的检测分数,并将所述检测分数与预设分数阈值进行对比以确定所述待检测人脸图像的图像类别。可见,本申请实施例所提供的人脸图像检测方法可以对通过活体检测的人脸图像进行进一步检测,以提高对待检人员的检测准确度。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种人脸图像检测方法的流程图;
图2为本申请实施例提供的一种创建人脸图像分类模型的方法的流程图;
图3为本申请实施例提供的一种处理样本图像的方法的流程图;
图4为本申请实施例提供的一种获取待检测人脸图像的方法的流程图;
图5为本申请实施例提供的一种确定图像类别的方法的流程图;
图6为本发明实施例提供的人脸图像检测装置实施例一的结构示意图;
图7为本发明实施例提供的人脸图像检测装置实施例二的结构示意图;
图8为本发明实施例提供的人脸图像检测装置实施例三的结构示意图;
图9为本发明实施例提供的人脸图像检测装置实施例四的结构示意图;
图10为本发明实施例提供的人脸图像检测装置实施例五的结构示意图;
图11为本发明实施例提供的电子设备的硬件结构示意图。
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、完整的描述,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为本申请实施例提供的一种人脸图像检测方法的流程图,如图1所示,所述方法包括:
S1、结合正常样本图像和问题样本图像,创建人脸图像分类模型,所述正常样本图像为通过活体检测,且具有第一人脸特征的人脸图像,所述问题样本图像为通过活体检测,且具有第二人脸特征的人脸图像,所述人脸图像分类模型为具有确定人脸图像类别的功能的模型。
在对待检测人脸图像进行检测之前,首先需要创建人脸图像分类模型,然后再通过该人脸图像分类模型对待检测人脸图像进行检测。通常人脸图像分类模型为一种卷积神经网络模型,是一种学习模型,可以通过大量的样本图像建立模型,并通过每一次的图像检测过程不断地完善所建立的模型。相较于人工检测待检测人脸图像来说,人脸图像分类模型的分析和判断过程更加客观、真实、抗干扰性高,因此,具有较高的检测准确性。同时,相较于普通的图像检测模型来说,本申请实施例所提供的人脸图像分类模型具有较强的学习能力,可以将每一检测过的待检测人脸图像作为样本图像补充到图像样本库中,以完善人脸图像分类模型,可以逐渐提高人脸图像分类模型的检测准确率。
具体地,如图2所示,为本申请实施例提供的一种创建人脸图像分类模型的方法的流程图,所述方法包括:
S101、从人脸图像数据库中获取过检人脸图像,所述过检人脸图像为通过活体检测的人员在活体检测过程中的人脸图像;
S102、确定每一过检人脸图像的面部特征图像;
S103、确定正常样本图像和问题样本图像,所述正常样本图像为所述面部特征图像与第一人脸特征相匹配的所述过检人脸图像,所述问题样本图像为所述面部特征图像与第二人脸特征相匹配的所述过检人脸图像;
S104、利用卷积神经网络训练所述正常样本图像和所述问题样本图像,得到人脸图像分类模型。
人脸图像数据库可以为公开网络平台、定向网络平台、服务器数据库等,这些人脸图像数据库中包含大量的人脸图像,这些人脸图像至少包括通过活体检测的人员在活体检测过程中的人脸图像,还可以包括待检人员在其它情况下的人脸图像,例如工作、注册等任务中提供的人脸图像。由于本申请所针对的检测对象为通过活体检测的人脸图像,因此,为了令所创建的人脸图像分类模型具有更强的针对性,需要从人脸图像数据库中选出通过活体检测的人员在活体检测过程中的人脸图像,即过检人脸图像,作为创建人脸图像分类模型的创建基础。
通常过检人脸图像包括两类,一类是该过检人脸图像为真实的正常图像,即该待检人员的真实身份与进行活体检测时所呈现的人脸图像真实相匹配,一类是该过检人脸图像为误判的问题图像,即该待检人员的真实身份与进行活体检测时所呈现的人脸图像在实际中不匹配,而是由于一些不法操作手段,例如待检人员脸戴人皮面具、脸部遮挡印有人脸图像的照片、或者将用于活体检测的图像进行人脸合成等操作,造成活体检测设备的误判。
在利用这些过检人脸图像创建人脸图像分类模型的过程中,需要首先对这些过检人脸图像进行分类,即分为正常图像和问题图像,这样可以为人脸图像分类模型的判断标准提供准确的图片参考。可以通过人工对这些过检人脸图像进行分类,但是对于数量较多的过检人脸图像,为了保证分类准确性,即所创建的人脸图像分类模型的计算准确性,可以采用机器分类的方式。
具体地,首先确定每一过检人脸图像的面部特征图像,针对不同的问题类型在面部比较容易呈现代表性的辨识区别的区域,例如,对于人皮面具这一问题图像,嘴角、眼角、鼻翼等面部可活动部位即可作为特征区域,这些特征区域所对应的图像即为面部特征图像。对于符合本人真实身份的人脸图像,在这些特征区域所具有的人脸特征具有一些统一的标准,例如嘴角可以上扬的角度、眼球可以转动的角度等,在本申请实施例中将这些人脸特征定义为第一人脸特征,那么具有与这些第一人脸特征相匹配的过检人脸图像可以定义为正常样本图像。相应的,对于不符合本人真实身份的人脸图像,在这些特征区域所具有的人脸特征也会具有统一的标准,也可以根据嘴角可以上扬的角度、眼球可以转动的角度、五官比例、肤色区域等,在本申请实施例中将这些人脸特征定义为第二人脸特征,那么具有与这些第二人脸特征相匹配的过检人脸图像可以定义为问题样本图像。
利用卷积神经网络训练这些正常样本图像和问题样本图像,可以得到最终的人脸图像分类模型,与普通的仅采用正常图像样本或者仅采用问题图像样本作为创建人脸图像分类模型的样本基础相比,本申请实施例同时采用正常图像样本和问题图像样本作为样本基础,在后续人脸分类模型的检测过程中,相当于对带检测人脸图像进行正反两次匹配过程,可以有效降低仅从一个维度检测待检测人脸图像时所产生的误判概率。
进一步地,如图3所示,为本申请实施例提供的一种处理样本图像的方法的流程图,所述方法包括:
S111、确定每一所述正常样本图像和每一所述问题样本图像中的面部区域图像,所述面部区域图像为所述正常样本图像和所述问题样本图像中与预设脸部轮廓图像相匹配的区域;
S112、裁剪每一所述正常样本图像,得到相应的第一面部区域图像,裁剪每一所述问题样本图像,得到相应的第二面部区域图像;
S123、分别放大每一所述第一面部区域图像和每一所述第二面部区域图像,对应得到第一处理后正常样本图像和处理后问题样本图像,以供创建人脸图像分类模型。
随着图像尺寸的放大,相应的图像中各个局部特征能够展示的更加清晰,进一步地,利用更加清晰地图像作为样本图像,可以令所创建的人脸图像分类模型的处理结果更加准确。具体地,对每一正常样本图像和问题样本图像进行的裁剪,即去除人脸区域以外的图像,仅保留人脸区域,可以有效避免非人脸区域对检测结果的干扰。同时将非人脸区域去除之后,可以有效减小样本图像的占容,减小人脸图像分类模型的体积。进一步地,放大每一第一面部区域图像和每一第二面部区域图像,这样所得到的处理后正常样本图像和处理后问题样本图像,可以展示更加清晰的图像内容,以提高人脸图像分类模型的检测精度。
需要注意的是,所创建好的的人脸图像分类模型可以持续使用,可以不断添加样本图像,以学习的过程完善该人脸图像分类模型,但是不必每次检测待检测人脸图像时,均重新创建人脸图像分类模型,这样可以有效提高检测效率。
S2、获取待检测人脸图像,所述待检测人脸图像为通过活体检测的待检人员在活体检测过程中的人脸图像。
具体地,如图4所示,为本申请实施例提供的一种获取待检测人脸图像的方法的流程图,所述方法包括:
S201、获取通过活体检测的待检人员的活体检测视频;
S202、从所述活体检测视频中抽取所述待检测人脸图像,所述待检测人脸图像为所述活体检测视频中与预设人脸正面轮廓图像匹配度最高的一帧图像。
由上文可知,通常活体检测的过程为一个动态过程,因此,活体检测过程会对应生成一个活体检测视频,那么通过活体检测的待检人员所对应的活体检测视频可以作为一个目标视频,可以从该目标视频中捕捉任一帧图像作为待检测人脸图像。
但是,为了避免所捕捉到的待检测人脸图像出现空白、角度偏移等问题,影响最终的检测结果,需要从活体检测视频中抽取符合一定要求的图像作为待检测人脸图像,通常人脸的正面图片可以展示最多的人脸特征,能够提供最为准确的待检测特征数据,因此,可以将活体检测视频中的每一帧图像与预设人脸正面轮廓图像进行匹配,其中,匹配度最高的一帧图像即为最接近正脸图像的图像,即能够展示最多的人脸特征,可以作为待检测人脸图像。
S3、利用所述人脸图像分类模型计算所述待检测人脸图像的检测分数。
利用人脸图像分类模型计算待检测人脸图像的检测分数,由上文可知,会分别计算待检测人脸图像与正常样本图像和问题样本图像两部分图像的平均匹配度,并将两个平均匹配度作为最后的检测分数。通常这两部分检测分数的加和为1。例如待检测人脸图像经过计算所得检测分数为正常类别0.6分,问题类别0.4分。
S4、将所述检测分数与预设分数阈值进行对比以确定所述待检测人脸图像的图像类别。
通常可以直接根据人脸图像人类模型计算所得的检测分数作为图像类别的判定依据,例如正常类别的分数大于问题类别的分数,即可以判定该待检测人脸图像为正常类别;反之正常类别的分数小于问题类别的分数,即可以判定该待检测人脸图像为问题类别。
但是,由于还需要对判定为问题类别的待检测人脸图像进行进一步地类别判断,或者为了进一步地提高检测准确度,对判定为正常类别的待检测人脸图像进行进一步地检测,通常上述过程会采用人工审核。因此,为了可以进一步地动态调整下一步进行类别判断和/或进一步检测的数量,可以通过设定分数阈值的方式确定待检测人脸图像的图像类别。
具体地,如图5所示,为本申请实施例提供的一种确定图像类别的方法的流程图,所述方法包括:
S401、获取所述待检测分数中的正常类别分数,所述正常类别分数为所述待检测人脸图像与正常样本图像相匹配的分值;
S402、对比所述正常类别分数与所述预设分数阈值;
S403、如果所述正常类别分数大于所述预设分数阈值,则所述待检测人脸图像为正常图像;如果所述正常类别分数小于或者等于预设分数阈值,则所述待检测人脸图像为问题图像。
首先从待检测分数中获得正常类别分数,接上例,此时正常类别分数为0.6。如果设置预设分数阈值为0.5,则该待检测人脸图像为正常图像,如果设置预设分数阈值为0.8,则该待检测人脸图像为问题图像。
进一步地,如果想要控制进一步检测的数量,则可以适当调高预设分数阈值的数值,而如果想要控制问题类别判断的数量,则可以适当调低预设分数阈值的数值,由此可通过设置预设分数阈值来动态调节进一步审核的审核数量和审核压力。
图6为本发明实施例提供的人脸图像检测装置实施例一的结构示意图,所述装置包括:模型创建模块1,用于结合正常样本图像和问题样本图像,创建人脸图像分类模型,所述正常样本图像为通过活体检测,且具有第一人脸特征的人脸图像,所述问题样本图像为通过活体检测,且具有第二人脸特征的人脸图像,所述人脸图像分类模型为具有确定人脸图像类别的功能的模型;待检图像获取模块2,用于获取待检测人脸图像,所述待检测人脸图像为通过活体检测的待检人员在活体检测过程中的人脸图像;分值计算模块3,用于利用所述人脸图像分类模型计算所述待检测人脸图像的检测分数;类别判断模块4,用于将所述检测分数与预设分数阈值进行对比以确定所述待检测人脸图像的图像类别。
图7为本发明实施例提供的人脸图像检测装置实施例二的结构示意图,所述模型创建模块1包括:过检人脸图像获取模块11,用于从人脸图像数据库中获取过检人脸图像,所述过检人脸图像为通过活体检测的人员在活体检测过程中的人脸图像;面部特征图像确定模块12,用于确定每一过检人脸图像的面部特征图像;样本确定模块13,用于确定正常样本图像和问题样本图像,所述正常样本图像为所述面部特征图像与第一人脸特征相匹配的所述过检人脸图像,所述问题样本图像为所述面部特征图像与第二人脸特征相匹配的所述过检人脸图像;建模模块14,用于利用卷积神经网络训练所述正常样本图像和所述问题样本图像,得到人脸图像分类模型。
图8为本发明实施例提供的人脸图像检测装置实施例三的结构示意图,所述装置还包括:面部区域图像确定模块15,用于确定每一所述正常样本图像和每一所述问题样本图像中的面部区域图像,所述面部区域图像为所述正常样本图像和所述问题样本图像中与预设脸部轮廓图像相匹配的区域;裁剪模块16,用于裁剪每一所述正常样本图像,得到相应的第一面部区域图像,裁剪每一所述问题样本图像,得到相应的第二面部区域图像;放大模块17,用于分别放大每一所述第一面部区域图像和每一所述第二面部区域图像,对应得到第一处理后正常样本图像和处理后问题样本图像,以供创建人脸图像分类模型。
图9为本发明实施例提供的人脸图像检测装置实施例四的结构示意图,所述待检图像获取模块2包括:视频获取模块21,用于获取通过活体检测的待检人员的活体检测视频;图像帧抽取模块22,用于从所述活体检测视频中抽取所述待检测人脸图像,所述待检测人脸图像为所述活体检测视频中与预设人脸正面轮廓图像匹配度最高的一帧图像。
图10为本发明实施例提供的人脸图像检测装置实施例五的结构示意图,所述类别判断模块4包括:分数获取模块41,用于获取所述待检测分数中的正常类别分数,所述正常类别分数为所述待检测人脸图像与正常样本图像相匹配的分值;对比模块42,用于对比所述正常类别分数与所述预设分数阈值;判定模块43,用于如果所述正常类别分数大于所述预设分数阈值,则所述待检测人脸图像为正常图像;如果所述正常类别分数小于或者等于预设分数阈值,则所述待检测人脸图像为问题图像。
图11为本发明实施例提供的电子设备的硬件结构示意图。该电子设备包括:存储器101和处理器102;
存储器101,用于存储计算机程序;
处理器102,用于执行存储器存储的计算机程序,以实现上述实施例中的人脸图像检测方法。具体可以参见前述方法实施例中的相关描述。
可选地,存储器101既可以是独立的,也可以跟处理器102集成在一起。
当所述存储器101是独立于处理器102之外的器件时,所述电子设备还可以包括:
总线103,用于连接所述存储器101和处理器102。
本发明实施例提供的电子设备可用于执行上述实施例中任一所示的人脸图像检测方法,其实现方式和技术效果类似,本发明实施例此处不再赘述。
本发明实施例还提供一种可读存储介质,可读存储介质中存储有计算机程序,当消息发送的装置的至少一个处理器执行该计算机程序时,消息发送的装置执行上述实施例任一所述的人脸图像检测方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于以计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (12)
1.一种人脸图像检测方法,其特征在于,所述方法包括:
结合正常样本图像和问题样本图像,创建人脸图像分类模型,所述正常样本图像为通过活体检测,且具有第一人脸特征的人脸图像,所述问题样本图像为通过活体检测,且具有第二人脸特征的人脸图像,所述人脸图像分类模型为具有确定人脸图像类别的功能的模型;
获取待检测人脸图像,所述待检测人脸图像为通过活体检测的待检人员在活体检测过程中的人脸图像;
利用所述人脸图像分类模型计算所述待检测人脸图像的检测分数;
将所述检测分数与预设分数阈值进行对比以确定所述待检测人脸图像的图像类别。
2.根据权利要求1所述的方法,其特征在于,所述结合正常样本图像和问题样本图像,创建人脸图像分类模型包括:
从人脸图像数据库中获取过检人脸图像,所述过检人脸图像为通过活体检测的人员在活体检测过程中的人脸图像;
确定每一过检人脸图像的面部特征图像;
确定正常样本图像和问题样本图像,所述正常样本图像为所述面部特征图像与第一人脸特征相匹配的所述过检人脸图像,所述问题样本图像为所述面部特征图像与第二人脸特征相匹配的所述过检人脸图像;
利用卷积神经网络训练所述正常样本图像和所述问题样本图像,得到人脸图像分类模型。
3.根据权利要求2所述的方法,其特征在于,所述确定正常样本图像和问题样本图像之后包括:
确定每一所述正常样本图像和每一所述问题样本图像中的面部区域图像,所述面部区域图像为所述正常样本图像和所述问题样本图像中与预设脸部轮廓图像相匹配的区域;
裁剪每一所述正常样本图像,得到相应的第一面部区域图像,裁剪每一所述问题样本图像,得到相应的第二面部区域图像;
分别放大每一所述第一面部区域图像和每一所述第二面部区域图像,对应得到第一处理后正常样本图像和处理后问题样本图像,以供创建人脸图像分类模型。
4.根据权利要求1所述的方法,其特征在于,所述获取待检测人脸图像包括:
获取通过活体检测的待检人员的活体检测视频;
从所述活体检测视频中抽取所述待检测人脸图像,所述待检测人脸图像为所述活体检测视频中与预设人脸正面轮廓图像匹配度最高的一帧图像。
5.根据权利要求1所述的方法,其特征在于,所述将所述检测分数与预设分数阈值进行对比以确定所述待检测人脸图像的图像类别包括:
获取所述待检测分数中的正常类别分数,所述正常类别分数为所述待检测人脸图像与正常样本图像相匹配的分值;
对比所述正常类别分数与所述预设分数阈值;
如果所述正常类别分数大于所述预设分数阈值,则所述待检测人脸图像为正常图像;如果所述正常类别分数小于或者等于预设分数阈值,则所述待检测人脸图像为问题图像。
6.一种人脸图像检测装置,其特征在于,所述装置包括:
模型创建模块,用于结合正常样本图像和问题样本图像,创建人脸图像分类模型,所述正常样本图像为通过活体检测,且具有第一人脸特征的人脸图像,所述问题样本图像为通过活体检测,且具有第二人脸特征的人脸图像,所述人脸图像分类模型为具有确定人脸图像类别的功能的模型;
待检图像获取模块,用于获取待检测人脸图像,所述待检测人脸图像为通过活体检测的待检人员在活体检测过程中的人脸图像;
分值计算模块,用于利用所述人脸图像分类模型计算所述待检测人脸图像的检测分数;
类别判断模块,用于将所述检测分数与预设分数阈值进行对比以确定所述待检测人脸图像的图像类别。
7.根据权利要求6所述的装置,其特征在于,所述模型创建模块包括:
过检人脸图像获取模块,用于从人脸图像数据库中获取过检人脸图像,所述过检人脸图像为通过活体检测的人员在活体检测过程中的人脸图像;
面部特征图像确定模块,用于确定每一过检人脸图像的面部特征图像;
样本确定模块,用于确定正常样本图像和问题样本图像,所述正常样本图像为所述面部特征图像与第一人脸特征相匹配的所述过检人脸图像,所述问题样本图像为所述面部特征图像与第二人脸特征相匹配的所述过检人脸图像;
建模模块,用于利用卷积神经网络训练所述正常样本图像和所述问题样本图像,得到人脸图像分类模型。
8.根据权利要求7所述的装置,其特征在于,所述确定正常样本图像和问题样本图像之后包括:
面部区域图像确定模块,用于确定每一所述正常样本图像和每一所述问题样本图像中的面部区域图像,所述面部区域图像为所述正常样本图像和所述问题样本图像中与预设脸部轮廓图像相匹配的区域;
裁剪模块,用于裁剪每一所述正常样本图像,得到相应的第一面部区域图像,裁剪每一所述问题样本图像,得到相应的第二面部区域图像;
放大模块,用于分别放大每一所述第一面部区域图像和每一所述第二面部区域图像,对应得到第一处理后正常样本图像和处理后问题样本图像,以供创建人脸图像分类模型。
9.根据权利要求6所述的装置,其特征在于,所述待检图像获取模块包括:
视频获取模块,用于获取通过活体检测的待检人员的活体检测视频;
图像帧抽取模块,用于从所述活体检测视频中抽取所述待检测人脸图像,所述待检测人脸图像为所述活体检测视频中与预设人脸正面轮廓图像匹配度最高的一帧图像。
10.根据权利要求6所述的装置,其特征在于,所述类别判断模块包括:
分数获取模块,用于获取所述待检测分数中的正常类别分数,所述正常类别分数为所述待检测人脸图像与正常样本图像相匹配的分值;
对比模块,用于对比所述正常类别分数与所述预设分数阈值;
判定模块,用于如果所述正常类别分数大于所述预设分数阈值,则所述待检测人脸图像为正常图像;如果所述正常类别分数小于或者等于预设分数阈值,则所述待检测人脸图像为问题图像。
11.一种电子设备,其特征在于,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,所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一所述的人脸图像检测方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5任一所述的人脸图像检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136566.2A CN111339972A (zh) | 2020-03-02 | 2020-03-02 | 一种人脸图像检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136566.2A CN111339972A (zh) | 2020-03-02 | 2020-03-02 | 一种人脸图像检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111339972A true CN111339972A (zh) | 2020-06-26 |
Family
ID=71182115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010136566.2A Pending CN111339972A (zh) | 2020-03-02 | 2020-03-02 | 一种人脸图像检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339972A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418009A (zh) * | 2020-11-06 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304708A (zh) * | 2018-01-31 | 2018-07-20 | 广东欧珀移动通信有限公司 | 移动终端、人脸解锁方法及相关产品 |
CN108921071A (zh) * | 2018-06-24 | 2018-11-30 | 深圳市中悦科技有限公司 | 人脸活体检测方法、装置、存储介质及处理器 |
CN109117717A (zh) * | 2018-06-29 | 2019-01-01 | 广州烽火众智数字技术有限公司 | 一种城市行人检测方法 |
CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
CN109670285A (zh) * | 2018-11-13 | 2019-04-23 | 平安科技(深圳)有限公司 | 面部识别登陆方法、装置、计算机设备及存储介质 |
-
2020
- 2020-03-02 CN CN202010136566.2A patent/CN111339972A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304708A (zh) * | 2018-01-31 | 2018-07-20 | 广东欧珀移动通信有限公司 | 移动终端、人脸解锁方法及相关产品 |
CN108921071A (zh) * | 2018-06-24 | 2018-11-30 | 深圳市中悦科技有限公司 | 人脸活体检测方法、装置、存储介质及处理器 |
CN109117717A (zh) * | 2018-06-29 | 2019-01-01 | 广州烽火众智数字技术有限公司 | 一种城市行人检测方法 |
CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
CN109670285A (zh) * | 2018-11-13 | 2019-04-23 | 平安科技(深圳)有限公司 | 面部识别登陆方法、装置、计算机设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418009A (zh) * | 2020-11-06 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
CN112418009B (zh) * | 2020-11-06 | 2024-03-22 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10699103B2 (en) | Living body detecting method and apparatus, device and storage medium | |
CN109657609B (zh) | 人脸识别方法及系统 | |
CN107423690B (zh) | 一种人脸识别方法及装置 | |
US10049262B2 (en) | Method and system for extracting characteristic of three-dimensional face image | |
CN111126366B (zh) | 一种活体人脸的判别方法、装置、设备及存储介质 | |
Arbab-Zavar et al. | On shape-mediated enrolment in ear biometrics | |
EP3680794A1 (en) | Device and method for user authentication on basis of iris recognition | |
CN110619267B (zh) | 一种基于深度学习的学生表情识别的方法及系统 | |
CN110889355A (zh) | 一种人脸识别校验方法、系统及存储介质 | |
CN111639629A (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN113011385A (zh) | 人脸静默活体检测方法、装置、计算机设备及存储介质 | |
CN104091173A (zh) | 一种基于网络摄像机的性别识别方法及装置 | |
CN111339972A (zh) | 一种人脸图像检测方法、装置、电子设备及存储介质 | |
CN115496700A (zh) | 一种基于眼部图像的疾病检测系统及方法 | |
CN111241505A (zh) | 一种终端设备及其登录验证方法、计算机存储介质 | |
JP2007026308A (ja) | 画像処理方法、画像処理装置 | |
CN115937971A (zh) | 一种举手投票识别方法及装置 | |
CN115880753A (zh) | 一种人脸识别处理方法及装置 | |
CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
CN109859112B (zh) | 一种实现人脸补全的方法及系统 | |
CN113920575A (zh) | 一种人脸表情识别方法、装置及存储介质 | |
CN114680822A (zh) | 一种基于眼部图像的快速筛查系统 | |
CN112801066A (zh) | 一种基于多姿态面部静脉的身份识别方法及装置 | |
WO2021056531A1 (zh) | 人脸性别识别方法、人脸性别分类器的训练方法及装置 |
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 |