CN111414864B - 一种人脸活体检测方法和相关装置 - Google Patents
一种人脸活体检测方法和相关装置 Download PDFInfo
- Publication number
- CN111414864B CN111414864B CN202010210223.6A CN202010210223A CN111414864B CN 111414864 B CN111414864 B CN 111414864B CN 202010210223 A CN202010210223 A CN 202010210223A CN 111414864 B CN111414864 B CN 111414864B
- Authority
- CN
- China
- Prior art keywords
- face
- depth
- depth map
- map
- coordinates
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 18
- 210000000887 face Anatomy 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 9
- 210000004709 eyebrow Anatomy 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 2
- 238000001727 in vivo Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Abstract
本申请公开了一种人脸活体检测方法和相关装置,所述方法包括:获取第一人脸深度图;根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间;根据第二人脸深度图中深度值的最大值和最小值,调整所述第二人脸深度图中的深度值,得到第三人脸深度图,其中,所述第二人脸深度图为所述第一人脸深度图中在所述有效分布区间内的深度图;根据所述第三人脸深度图中的深度值,对所述第三人脸深度图中的人脸进行人脸活体检测。实施本申请实施例,提高了人脸活体的检测准确率。
Description
技术领域
本申请涉及图像处理与计算机视觉技术领域,尤其涉及一种人脸活体检测方法和相关装置。
背景技术
近年来,人脸识别技术广泛应用于金融支付、社会服务以及公共安全等领域。为了防范不法分子利用伪造的人脸进行违法犯罪活动,人脸活体检测成为了人脸识别系统必不可缺的环节。
目前,一般会利用3D活体检测技术实现人脸活体的检测。3D活体检测技术往往需要利用深度相机采集到的深度图。然而,深度相机采集到的深度图,对于来自活体的人脸或非活体的人脸,其对应的深度值在分布区间上差别太小,导致人脸活体的检测准确率低。
发明内容
本申请实施例提供了一种人脸活体检测方法和相关装置,实施本申请实施例,提高了人脸活体的检测准确率。
本申请第一方面提供了一种人脸活体检测方法,包括:
获取第一人脸深度图;
根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间;
根据第二人脸深度图中深度值的最大值和最小值,调整所述第二人脸深度图中的深度值,得到第三人脸深度图,其中,所述第二人脸深度图为所述第一人脸深度图中在所述有效分布区间内的深度图;
根据所述第三人脸深度图中的深度值,对所述第三人脸深度图中的人脸进行人脸活体检测。
本申请第二方面提供了一种人脸活体检测装置,包括:
获取模块,用于获取第一人脸深度图;
处理模块,用于根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间;
所述处理模块,还用于根据第二人脸深度图中深度值的最大值和最小值,调整所述第二人脸深度图中的深度值,得到第三人脸深度图,其中,所述第二人脸深度图为所述第一人脸深度图中在所述有效分布区间内的深度图;
所述处理模块,还用于根据所述第三人脸深度图中的深度值,对所述第三人脸深度图中的人脸进行人脸活体检测。
可以看出,上述技术方案中,获取第一人脸深度图,以便于确定人脸深度图中的人脸关键点;根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间,通过确定有效分布区间,从而可以更加高效的调整深度值,也减少了计算量;根据第二人脸深度图中深度值的最大值和最小值,调整所述第二人脸深度图中的深度值,得到第三人脸深度图,其中,所述第二人脸深度图为所述第一人脸深度图中在所述有效分布区间内的深度图,通过采用深度值的最大值和最小值调整深度图中的深度值,可以将深度图中来自活体的人脸对应的深度值调整至更大的分布区间,将深度图中来自非活体的人脸对应的深度值调整至更小的分布区间,从而可以更好的拉开来自活体的人脸或非活体的人脸在深度值上的分布区间;根据所述第三人脸深度图中的深度值,对所述第三人脸深度图中的人脸进行人脸活体检测,通过根据调整后的深度值对深度图中的人脸进行人脸活体检测,提高了人脸活体的检测准确率。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
其中:
图1为本申请实施例提供的一种人脸活体检测方法的流程示意图;
图2A为本申请实施例提供的又一种人脸活体检测方法的流程示意图;
图2B为本申请实施例提供的一种人脸框的示意图;
图2C为本申请实施例提供的一种深度图修复的示意图;
图3为本申请实施例提供的一种人脸活体检测装置的结构示意图;
图4为本申请实施例提供的又一种人脸活体检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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。
以下分别进行详细说明。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,本申请实施例的执行主体例如可以是服务器,也可以是终端,还可以是芯片。其中,服务器例如可以是平板电脑、笔记本电脑、掌上电脑、MID、台式电脑或其他服务器设备。其中,终端例如可以是手机、平板电脑、笔记本电脑、掌上电脑、MID、台式电脑或其他设备。在本申请中不做限制。
参见图1,图1为本申请实施例提供的一种人脸活体检测方法的流程示意图。其中,如图1所示,本申请实施例提供的一种人脸活体检测方法可以包括:
101、获取第一人脸深度图;
其中,第一人脸深度图是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像。
102、根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间;
其中,深度值是指图像采集器到场景中各点的距离。比如,第一人脸深度图中的任意一个像素P,像素P所对应的深度值为图像采集器到像素P所对应的场景之间的距离。具体的,像素P对应于人脸中构成嘴唇的部位,那么,像素P所对应的深度值为图像采集器到部位之间的距离。另外,图像采集器比如可以为摄像头。
需要说明的,在根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间后,会将第一人脸深度图中在有效分布区间外的深度值设置为零。即可以理解的,第一人脸深度图中在有效分布区间外的深度值为零。
103、根据第二人脸深度图中深度值的最大值和最小值,调整所述第二人脸深度图中的深度值,得到第三人脸深度图,其中,所述第二人脸深度图为所述第一人脸深度图中在所述有效分布区间内的深度图;
其中,针对第三人脸深度图中的每个深度值,满足预设公式,其中,该预设公式为:
进一步的,L1为第三人脸深度图中的深度值,L2为第二人脸深度图中的深度值,Lmin为第二人脸深度图中深度值的最小值,Lmax为第二人脸深度图中深度值的最大值。
104、根据所述第三人脸深度图中的深度值,对所述第三人脸深度图中的人脸进行人脸活体检测。
具体的,所述根据所述第三人脸深度图中的深度值,对所述第三人脸深度图中的人脸进行人脸活体检测,包括:将所述第三人脸深度图输入训练好的人脸活体检测模型中,以实现对所述第三人脸深度图中的人脸进行人脸活体检测。
可以看出,上述技术方案中,获取第一人脸深度图,以便于确定人脸深度图中的人脸关键点;根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间,通过确定有效分布区间,从而可以更加高效的调整深度值,也减少了计算量;根据第二人脸深度图中深度值的最大值和最小值,调整所述第二人脸深度图中的深度值,得到第三人脸深度图,其中,所述第二人脸深度图为所述第一人脸深度图中在所述有效分布区间内的深度图,通过采用深度值的最大值和最小值调整深度图中的深度值,可以将深度图中来自活体的人脸对应的深度值调整至更大的分布区间,将深度图中来自非活体的人脸对应的深度值调整至更小的分布区间,从而可以更好的拉开来自活体的人脸或非活体的人脸在深度值上的分布区间;根据所述第三人脸深度图中的深度值,对所述第三人脸深度图中的人脸进行人脸活体检测,通过根据调整后的深度值对深度图中的人脸进行人脸活体检测,提高了人脸活体的检测准确率。
参见图2A,图2A为本申请实施例提供的又一种人脸活体检测方法的流程示意图。其中,如图2A所示,所述根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间,包括:
201、获取人脸RGB图;
其中,第一人脸深度图所对应的坐标系为人脸RGB图(彩色图)所对应的坐标系,即第一人脸深度图和人脸RGB图是进行配准后的深度图和RGB图。具体的,采用深度图与RGB图之间的坐标转换公式对初始人脸深度图中每个像素所对应的坐标进行变换,得到第一人脸深度图。可以理解的,第一人脸深度图中每个像素所对应的坐标与人脸RGB图中对应像素所对应的坐标之间有关联关系。
202、确定所述人脸RGB图中人脸关键点的坐标;
可选的,可以采用人脸关键点检测算法检测出所述人脸RGB图中的人脸关键点,以确定所述人脸RGB图中人脸关键点的坐标。
其中,人脸关键点可以为目标区域上的目标像素。目标区域例如可以为鼻子、左眼睛、右眼睛、嘴巴、左眉毛或右眉毛等,在本申请中不做限制。
进一步的,所述人脸RGB图包括多个人脸,所述确定所述人脸RGB图中人脸关键点的坐标,包括:在所述人脸RGB图中获取所述多个人脸中每个人脸的人脸框的面积;根据所述多个人脸中每个人脸的人脸框的面积,选取所述人脸RGB图中面积最大的人脸框作为第一人脸框;采用图像模糊度检测算法对所述第一人脸框中每个像素所对应的灰度值进行处理,以确定所述第一人脸框对应的第一人脸的方差;若所述方差大于阈值,则将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标。
其中,所述多个人脸中每个人脸的人脸框可以采用(x,y,width,height),其中,x和y用于表示人脸框左上角的坐标,width是人脸框的宽度,height是人脸框的高度。举例来说,参见图2B,图2B为本申请实施例提供的一种人脸框的示意图。可以看出,人脸RGB图中的人脸框左上角的坐标为(156,290),人脸框的宽度为79厘米,人脸框的高度为99厘米。
进一步的,所述多个人脸中每个人脸的人脸框的面积是根据每个人脸的人脸框的宽度和高度确定的。举例来说,人脸RGB图中人脸框的宽度为79厘米,人脸框的高度为99厘米,那么,人脸框的面积为7821平方厘米。
其中,图像模糊度检测算法例如可以包括离散余弦变换和反离散余弦变换,或者拉普拉斯算子(Laplace Operator)、具体的,离散余弦变换是与傅里叶变换相关的一种变换,它类似于离散傅里叶变换,但是只使用实数。拉普拉斯算子是n维欧几里德空间中的一个二阶微分算子,定义为梯度(▽f)的散度(▽·f)。
其中,所述方差用于表示第一人脸的模糊程度。
其中,阈值可以由管理员设置,也可以配置在配置文件中。
另外,若所述方差小于所述阈值,则不会将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标,也不会涉及到后续对第一人脸深度图的处理。可以理解的,若所述方差小于所述阈值,则意味着该人脸RGB图中的人脸为模糊人脸,因此,可能无法精确地确定出模糊人脸中的人脸关键点的坐标,从而导致人脸活体检测不准确的问题。
可以看出,上述技术方案中,在所述人脸RGB图中获取所述多个人脸中每个人脸的人脸框的面积,为后续基于人脸框的面积确定面积最大的人脸框做准备;根据所述多个人脸中每个人脸的人脸框的面积,选取所述人脸RGB图中面积最大的人脸框作为第一人脸框,实现了基于人脸框的面积确定面积最大的人脸框;采用图像模糊度检测算法对所述第一人脸框中每个像素所对应的灰度值进行处理,以确定所述第一人脸框对应的第一人脸的方差,实现了基于灰度值确定方差,以后续基于方差判断人脸是否为模糊人脸;若所述方差大于阈值,则将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标,从而实现在方差大于阈值时,将第一人脸中人脸关键点的坐标作为人脸RGB图中人脸关键点的坐标,避免人脸RGB图中人脸模糊的情况下,导致人脸活体检测不准确的问题。
可选的,在一种可能的实施方式中,所述将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标,包括:获取第一人脸对应的人脸姿态信息;在所述人脸姿态信息满足预设人脸姿态信息时,将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标。
可选的,所述获取第一人脸对应的人脸姿态信息,包括:将所述人脸RGB图输入姿态模型中,以得到所述人脸姿态信息。
其中,姿态模型用于确定人脸RGB图中人脸对应的姿态信息。
其中,人脸姿态信息包括第一人脸的俯仰角度、偏航角度和翻滚角度。
其中,预设人脸姿态信息包括俯仰角度、偏航角度和翻滚角度均在(-15°,15°)。
另外,在所述人脸姿态信息不满足预设人脸姿态信息时,则不会将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标,也不会涉及到后续对第一人脸深度图的处理。可以理解的,在所述人脸姿态信息不满足预设人脸姿态信息时,可能无法精确地确定出人脸RGB图中的人脸关键点的坐标,从而导致人脸活体检测不准确的问题。
可以看出,上述技术方案中,获取第一人脸对应的人脸姿态信息,为后续判断人脸姿态信息是否满足预设人脸姿态信息做准备;在所述人脸姿态信息满足预设人脸姿态信息时,将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标,避免了在人脸姿态信息不满足预设人脸姿态信息时导致人脸活体检测不准确的问题。
203、根据所述人脸RGB图中人脸关键点的坐标,确定所述第一人脸深度图中的人脸关键点;
需要说明的,因为第一人脸深度图和人脸RGB图是进行配准后的深度图和RGB图,所以第一人脸深度图中每个像素所对应的坐标与人脸RGB图中对应像素所对应的坐标之间有关联关系。因此,所述根据所述人脸RGB图中人脸关键点的坐标,确定所述第一人脸深度图中的人脸关键点,包括:获取所述人脸RGB图中人脸关键点的坐标与所述第一人脸深度图中的人脸关键点的坐标之间的第一关联关系;根据所述第一关联关系和所述人脸RGB图中人脸关键点的坐标,确定所述第一人脸深度图中的人脸关键点。可以理解的,根据所述第一关联关系和所述人脸RGB图中人脸关键点的坐标,还可以确定所述第一人脸深度图中的人脸关键点的坐标。
204、获取所述第一人脸深度图中的人脸关键点所对应的第一深度值;
可选的,在一种可能的实施方式中,在所述获取所述第一人脸深度图中的人脸关键点所对应的第一深度值之前,所述方法还包括:根据所述第一人脸,确定所述第一人脸深度图所对应的人脸;获取所述第一人脸深度图所对应的人脸中深度值的分布区间;若所述第一人脸深度图所对应的人脸中深度值的分布区间满足预设分布区间,则对所述第一人脸深度图所对应的人脸中无深度值的像素进行修复,得到修复后的人脸深度图;将所述修复后的人脸深度图作为所述第一人脸深度图。
其中,所述根据所述第一人脸,确定所述第一人脸深度图所对应的人脸,包括:获取所述第一人脸中每个像素对应的坐标与所述第一人脸深度图所对应的人脸中每个像素对应的坐标之间的第二关联关系;根据所述第一人脸中每个像素对应的坐标以及所述第二关联关系,确定所述第一人脸深度图所对应的人脸。可以理解的,根据所述第一人脸中每个像素对应的坐标以及所述第二关联关系,还可以确定所述第一人脸深度图所对应的人脸中每个像素对应的坐标。
其中,预设分布区间可以为20厘米至120厘米。
其中,所述对所述第一人脸深度图所对应的人脸中无深度值的像素进行修复,得到修复后的人脸深度图,包括:将所述第一人脸深度图输入基于卷积神经网络的生成模型中,得到修复后的人脸深度图。进一步的,基于卷积神经网络的生成模型包括编码网络和解码网络,编码网络的2D卷积基础网路(backbone)可以采用高效的卷积神经网络,如深度为18层的残差网络(residual network,resnet-18)和mobilenet模型,其中,深度为18层指该残差网络的卷积层和全连接层一共18层,且每个卷积层和每个全连接层都有权重。解码网络采用多个反卷积层堆叠构成。
具体的,参见图2C,图2C为本申请实施例提供的一种深度图修复的示意图。如图2C所示,可以看出,第一人脸深度图中的人脸有类似于黑洞的像素,即,第一人脸深度图中的人脸存在无深度值的像素。而修复后的人脸深度图中的人脸无类似于黑洞的像素,即,修复后的人脸深度图中的人脸不存在无深度值的像素。进一步的,可以采用编码网络对第一人脸深度图进行编码,以提取第一人脸深度图对应的特征向量,该特征向量为高维的特征向量,接着,可以采用解码网络对该特征向量进行反向卷积,以得到修复后的人脸深度图。
需要说明的,修复后的人脸深度图中的人脸对应的每个像素均有深度值。
另外,若所述第一人脸深度图所对应的人脸中深度值的分布区间不满足预设分布区间,则不会对所述第一人脸深度图所对应的人脸进行修复,得到修复后的人脸深度图,也不会涉及到后续对第一人脸深度图的处理。进一步的,若所述第一人脸深度图所对应的人脸中深度值的分布区间不满足预设分布区间,则意味着第一人脸深度图所对应的人脸中无深度值的像素太多,无法进行修复。
可以看出,上述技术方案中,根据所述第一人脸,确定所述第一人脸深度图所对应的人脸,为后续获取人脸深度图所对应的人脸中深度值的分布区间做准备;获取所述第一人脸深度图所对应的人脸中深度值的分布区间,从而为后续判断人脸深度图所对应的人脸中深度值的分布区间是否满足预设分布区间做准备;若所述第一人脸深度图所对应的人脸中深度值的分布区间满足预设分布区间,则对所述第一人脸深度图所对应的人脸中无深度值的像素进行修复,得到修复后的人脸深度图,从而避免了在第一人脸深度图所对应的人脸中无深度值的像素太多导致的无法进行人脸活体检测的问题;将所述修复后的人脸深度图作为所述第一人脸深度图,避免了由于第一人脸深度图所对应的人脸中无深度值导致的人脸活体检测不准确的问题。
可选的,在一种可能的实施方式中,所述获取所述第一人脸深度图中的人脸关键点所对应的第一深度值,包括:获取所述第一人脸深度图中的人脸关键点所对应的所有深度值,得到多个深度值;将所述多个深度值所对应的中位数作为所述第一深度值。
其中,第一人脸深度图中的人脸关键点可以为目标区域上的目标像素。目标区域例如可以为鼻子、左眼睛、右眼睛、嘴巴、左眉毛或右眉毛等,在本申请中不做限制。
可以看出,上述技术方案中,获取所述第一人脸深度图中的人脸关键点所对应的所有深度值,得到多个深度值,为后续确定第一深度值做准备;将所述多个深度值所对应的中位数作为所述第一深度值,通过采用多个深度值所对应的中位数作为第一深度值,提高了有效分布区间的精确性。
205、根据所述第一深度值,确定所述有效分布区间。
可选的,在一种可能的实施方式中,所述根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间,包括:以所述第一深度值为基准,沿第一方向按照第一预设深度值确定第二深度值以及沿第二方向按照第二预设深度值确定第三深度值,其中,所述第一方向与所述第二方向相反;根据所述第二深度值和所述第三深度值,确定所述有效分布区间。
其中,所述第一方向为靠近图像采集器的方向,所述第二方向为远离图像采集器的方向。
其中,第一预设深度值可以不同于第二预设深度值,也可以与第二预设深度值相同。进一步的,第一预设深度值可以大于第二预设深度值,也可以小于第二预设深度值,还可以等于第二预设深度值。举例来说,第一预设深度值可以为4厘米,第二预设深度值可以为13厘米。
可以理解的,如果第一预设深度值可以为4厘米,第二预设深度值可以为13厘米,第一深度值为8厘米,那么,第二深度值为4厘米,第三深度值为21厘米。进一步的,有效分布区间为(4,21)。
可以看出,上述技术方案中,以所述第一深度值为基准,沿第一方向按照第一预设深度值确定第二深度值以及沿第二方向按照第二预设深度值确定第三深度值,其中,所述第一方向与所述第二方向相反,实现确定有效分布区间的两个端值;根据所述第二深度值和所述第三深度值,确定所述有效分布区间,从而可以更加高效的调整深度值,也减少了计算量。
参见图3,图3为本申请实施例提供的一种人脸活体检测装置的结构示意图。其中,如图3所示,该人脸活体检测装置300可以包括:
获取模块301,用于获取第一人脸深度图;
处理模块302,用于根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间;
可选的,在一种可能的实施方式中,在根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间方面,获取模块301,具体用于获取人脸RGB图;处理模块302,具体用于确定所述人脸RGB图中人脸关键点的坐标;处理模块302,具体用于根据所述人脸RGB图中人脸关键点的坐标,确定所述第一人脸深度图中的人脸关键点;获取模块301,具体用于获取所述第一人脸深度图中的人脸关键点所对应的第一深度值;处理模块302,具体用于根据所述第一深度值,确定所述有效分布区间。
可选的,在一种可能的实施方式中,所述人脸RGB图包括多个人脸,在确定所述人脸RGB图中人脸关键点的坐标方面,获取模块301,具体用于在所述人脸RGB图中获取所述多个人脸中每个人脸的人脸框的面积;处理模块302,具体用于根据所述多个人脸中每个人脸的人脸框的面积,选取所述人脸RGB图中面积最大的人脸框作为第一人脸框;处理模块302,具体用于采用图像模糊度检测算法对所述第一人脸框中每个像素所对应的灰度值进行处理,以确定所述第一人脸框对应的第一人脸的方差;若所述方差大于阈值,处理模块302,具体用于将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标。
可选的,在一种可能的实施方式中,在将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标方面,获取模块301,具体用于获取第一人脸对应的人脸姿态信息;处理模块302,具体用于在所述人脸姿态信息满足预设人脸姿态信息时,将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标。
可选的,在一种可能的实施方式中,在所述获取所述第一人脸深度图中的人脸关键点所对应的第一深度值之前,处理模块302,还用于根据所述第一人脸,确定所述第一人脸深度图所对应的人脸;获取模块301,还用于获取所述第一人脸深度图所对应的人脸中深度值的分布区间;若所述第一人脸深度图所对应的人脸中深度值的分布区间满足预设分布区间,处理模块302,还用于对所述第一人脸深度图所对应的人脸中无深度值的像素进行修复,得到修复后的人脸深度图;处理模块302,还用于将所述修复后的人脸深度图作为所述第一人脸深度图。
可选的,在一种可能的实施方式中,在获取所述第一人脸深度图中的人脸关键点所对应的第一深度值方面,获取模块301,具体用于获取所述第一人脸深度图中的人脸关键点所对应的第一深度值;处理模块302,具体用于将所述多个深度值所对应的中位数作为所述第一深度值。
可选的,在一种可能的实施方式中,在根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间方面,处理模块302,具体用于以所述第一深度值为基准,沿第一方向按照第一预设深度值确定第二深度值以及沿第二方向按照第二预设深度值确定第三深度值,其中,所述第一方向与所述第二方向相反;处理模块302,具体用于根据所述第二深度值和所述第三深度值,确定所述有效分布区间。
所述处理模块302,还用于根据第二人脸深度图中深度值的最大值和最小值,调整所述第二人脸深度图中的深度值,得到第三人脸深度图,其中,所述第二人脸深度图为所述第一人脸深度图中在所述有效分布区间内的深度图;
所述处理模块302,还用于根据所述第三人脸深度图中的深度值,对所述第三人脸深度图中的人脸进行人脸活体检测。
参见图4,图4为本申请实施例提供的又一种人脸活体检测装置的结构示意图。如图4所示,该装置400包括至少一个处理器401,至少一个存储器402以及至少一个通信接口403。所述处理器401、所述存储器402和所述通信接口403通过所述通信总线连接并完成相互间的通信。
处理器401可以是通用中央处理器(CQU),微处理器,特定应用集成电路(aQQlication-sQecific integrated circuit,ASIC),或一个或多个用于控制以上方案程序执行的集成电路。
存储器402可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Qrogrammable Read-Only Memory,EEQROM)、只读光盘(ComQact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,所述存储器402用于存储执行一种人脸活体检测方法的一个或多个程序,并由处理器401来控制执行。所述处理器401用于执行所述存储器402中存储的一个或多个程序。
通信接口403,用于与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(Wireless Local Area Networks,WLAN)等。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时包括上述方法实施例中记载的任何一种人脸活体检测方法的部分或全部步骤。
需要说明的是,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所述知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,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所述知悉,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申请所必须的。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围。
Claims (9)
1.一种人脸活体检测方法,其特征在于,包括:
获取第一人脸深度图;
根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间;
根据第二人脸深度图中深度值的最大值和最小值,调整所述第二人脸深度图中的深度值,得到第三人脸深度图,其中,所述第二人脸深度图为所述第一人脸深度图中在所述有效分布区间内的深度图;
根据所述第三人脸深度图中的深度值,对所述第三人脸深度图中的人脸进行人脸活体检测;
所述根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间,包括:获取人脸RGB图;确定所述人脸RGB图中人脸关键点的坐标;根据所述人脸RGB图中人脸关键点的坐标,确定所述第一人脸深度图中的人脸关键点;获取所述第一人脸深度图中的人脸关键点所对应的第一深度值;根据所述第一深度值,确定所述有效分布区间;其中,所述第一人脸深度图中的人脸关键点为目标区域上的目标像素,所述目标区域为鼻子、左眼睛、右眼睛、嘴巴、左眉毛或右眉毛;
所述人脸RGB图包括多个人脸,所述人脸RGB图中人脸关键点的坐标为所述多个人脸中第一人脸中人脸关键点的坐标,所述第一人脸对应的人脸姿态信息满足预设人脸姿态信息,所述预设人脸姿态信息包括的俯仰角度、偏航角度和翻滚角度均在(-15°,15°)。
2.根据权利要求1所述的方法,其特征在于,所述人脸RGB图包括多个人脸,所述确定所述人脸RGB图中人脸关键点的坐标,包括:
在所述人脸RGB图中获取所述多个人脸中每个人脸的人脸框的面积;
根据所述多个人脸中每个人脸的人脸框的面积,选取所述人脸RGB图中面积最大的人脸框作为第一人脸框;
采用图像模糊度检测算法对所述第一人脸框中每个像素所对应的灰度值进行处理,以确定所述第一人脸框对应的第一人脸的方差;
若所述方差大于阈值,则将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标,包括:
获取第一人脸对应的人脸姿态信息;
在所述人脸姿态信息满足预设人脸姿态信息时,将所述第一人脸中人脸关键点的坐标作为所述人脸RGB图中人脸关键点的坐标。
4.根据权利要求2或3所述的方法,其特征在于,在所述获取所述第一人脸深度图中的人脸关键点所对应的第一深度值之前,所述方法还包括:
根据所述第一人脸,确定所述第一人脸深度图所对应的人脸;
获取所述第一人脸深度图所对应的人脸中深度值的分布区间;
若所述第一人脸深度图所对应的人脸中深度值的分布区间满足预设分布区间,则对所述第一人脸深度图所对应的人脸中无深度值的像素进行修复,得到修复后的人脸深度图;
将所述修复后的人脸深度图作为所述第一人脸深度图。
5.根据权利要求1所述的方法,其特征在于,所述获取所述第一人脸深度图中的人脸关键点所对应的第一深度值,包括:
获取所述第一人脸深度图中的人脸关键点所对应的所有深度值,得到多个深度值;
将所述多个深度值所对应的中位数作为所述第一深度值。
6.根据权利要求1或5所述的方法,其特征在于,所述根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间,包括:
以所述第一深度值为基准,沿第一方向按照第一预设深度值确定第二深度值以及沿第二方向按照第二预设深度值确定第三深度值,其中,所述第一方向与所述第二方向相反;
根据所述第二深度值和所述第三深度值,确定所述有效分布区间。
7.一种人脸活体检测装置,其特征在于,包括:
获取模块,用于获取第一人脸深度图;
处理模块,用于根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间;
所述处理模块,还用于根据第二人脸深度图中深度值的最大值和最小值,调整所述第二人脸深度图中的深度值,得到第三人脸深度图,其中,所述第二人脸深度图为所述第一人脸深度图中在所述有效分布区间内的深度图;
所述处理模块,还用于根据所述第三人脸深度图中的深度值,对所述第三人脸深度图中的人脸进行人脸活体检测;
在根据所述第一人脸深度图中的深度值,确定所述第一人脸深度图中深度值的有效分布区间方面,所述获取模块,具体用于获取人脸RGB图;所述处理模块,具体用于确定所述人脸RGB图中人脸关键点的坐标;所述处理模块,具体用于根据所述人脸RGB图中人脸关键点的坐标,确定所述第一人脸深度图中的人脸关键点;所述获取模块,具体用于获取所述第一人脸深度图中的人脸关键点所对应的第一深度值;所述处理模块,具体用于根据所述第一深度值,确定所述有效分布区间;其中,所述第一人脸深度图中的人脸关键点为目标区域上的目标像素,所述目标区域为鼻子、左眼睛、右眼睛、嘴巴、左眉毛或右眉毛;
所述人脸RGB图包括多个人脸,所述人脸RGB图中人脸关键点的坐标为所述多个人脸中第一人脸中人脸关键点的坐标,所述第一人脸对应的人脸姿态信息满足预设人脸姿态信息,所述预设人脸姿态信息包括的俯仰角度、偏航角度和翻滚角度均在(-15°,15°)。
8.一种人脸活体检测的电子设备,其特征在于,包括处理器、存储器、通信接口以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被生成由所述处理器执行,以执行权利要求1-6任一项方法中的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述存储计算机程序被处理器执行,以实现权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010210223.6A CN111414864B (zh) | 2020-03-23 | 2020-03-23 | 一种人脸活体检测方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010210223.6A CN111414864B (zh) | 2020-03-23 | 2020-03-23 | 一种人脸活体检测方法和相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414864A CN111414864A (zh) | 2020-07-14 |
CN111414864B true CN111414864B (zh) | 2024-03-26 |
Family
ID=71491638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010210223.6A Active CN111414864B (zh) | 2020-03-23 | 2020-03-23 | 一种人脸活体检测方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414864B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034102A (zh) * | 2018-08-14 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN109670487A (zh) * | 2019-01-30 | 2019-04-23 | 汉王科技股份有限公司 | 一种人脸识别方法、装置及电子设备 |
CN109684925A (zh) * | 2018-11-21 | 2019-04-26 | 深圳奥比中光科技有限公司 | 一种基于深度图像的人脸活体检测方法及设备 |
CN109711243A (zh) * | 2018-11-01 | 2019-05-03 | 长沙小钴科技有限公司 | 一种基于深度学习的静态三维人脸活体检测方法 |
-
2020
- 2020-03-23 CN CN202010210223.6A patent/CN111414864B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034102A (zh) * | 2018-08-14 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN109711243A (zh) * | 2018-11-01 | 2019-05-03 | 长沙小钴科技有限公司 | 一种基于深度学习的静态三维人脸活体检测方法 |
CN109684925A (zh) * | 2018-11-21 | 2019-04-26 | 深圳奥比中光科技有限公司 | 一种基于深度图像的人脸活体检测方法及设备 |
CN109670487A (zh) * | 2019-01-30 | 2019-04-23 | 汉王科技股份有限公司 | 一种人脸识别方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111414864A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jourabloo et al. | Face de-spoofing: Anti-spoofing via noise modeling | |
CN107330439B (zh) | 一种图像中物体姿态的确定方法、客户端及服务器 | |
WO2018086607A1 (zh) | 一种目标跟踪方法及电子设备、存储介质 | |
WO2022161286A1 (zh) | 图像检测方法、模型训练方法、设备、介质及程序产品 | |
Spreeuwers et al. | Towards robust evaluation of face morphing detection | |
CN111091075B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN107025660B (zh) | 一种确定双目动态视觉传感器图像视差的方法和装置 | |
US9626552B2 (en) | Calculating facial image similarity | |
CN109064504B (zh) | 图像处理方法、装置和计算机存储介质 | |
US20220172331A1 (en) | Image inpainting with geometric and photometric transformations | |
CN111680574B (zh) | 一种人脸检测方法、装置、电子设备和存储介质 | |
CN110008943B (zh) | 一种图像处理方法及装置、一种计算设备及存储介质 | |
CN112651380A (zh) | 人脸识别方法、人脸识别装置、终端设备及存储介质 | |
CN111898571A (zh) | 动作识别系统及方法 | |
JPWO2008041518A1 (ja) | 画像処理装置、画像処理装置の制御方法、および画像処理装置の制御プログラム | |
CN114742722A (zh) | 文档矫正方法、装置、电子设备及存储介质 | |
Cai et al. | Feature detection and matching with linear adjustment and adaptive thresholding | |
CN111414864B (zh) | 一种人脸活体检测方法和相关装置 | |
KR20180014149A (ko) | 깊이 정보 생성 장치 및 방법 | |
CN111476056A (zh) | 目标物体的识别方法、装置、终端设备及计算机存储介质 | |
CN108009576A (zh) | 一种目标匹配的物体识别方法、设备及存储设备 | |
US9524553B2 (en) | Image processing apparatus, image processing method, and recording medium | |
CN113947686A (zh) | 一种图像的特征点提取阈值动态调整方法和系统 | |
CN108062741B (zh) | 双目图像处理方法、成像装置和电子设备 | |
CN117036758B (zh) | 二维图像目标匹配方法、电子设备和存储介质 |
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 |