CN111626086A - 活体检测方法、装置及系统、电子设备和存储介质 - Google Patents
活体检测方法、装置及系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111626086A CN111626086A CN201910153339.8A CN201910153339A CN111626086A CN 111626086 A CN111626086 A CN 111626086A CN 201910153339 A CN201910153339 A CN 201910153339A CN 111626086 A CN111626086 A CN 111626086A
- Authority
- CN
- China
- Prior art keywords
- depth
- image
- depth map
- pixel
- pixels
- 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 151
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 93
- 238000001727 in vivo Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 34
- 238000010606 normalization Methods 0.000 description 34
- 238000013528 artificial neural network Methods 0.000 description 30
- 238000000605 extraction Methods 0.000 description 13
- 238000007499 fusion processing Methods 0.000 description 13
- 238000006243 chemical reaction Methods 0.000 description 12
- 230000004927 fusion Effects 0.000 description 12
- 230000002093 peripheral effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000001574 biopsy Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001559 infrared map Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- 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
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
本公开涉及一种活体检测方法、装置及系统、电子设备和存储介质,能够提高活体检测的准确性。所述方法包括:获取第一图像和所述第一图像对应的第一深度图;基于所述第一图像,更新所述第一深度图,得到第二深度图;基于所述第一图像和所述第二深度图,确定所述第一图像中的目标对象的活体检测结果。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种活体检测方法、装置及系统、电子设备和存储介质。
背景技术
目前,人脸识别技术已被广泛应用于人脸解锁、人脸支付、无人超市和监控安防等场景中。然而,人脸识别技术存在容易被人脸的实体照片、人脸的电子照片或者包含人脸的视频等形式的假体人脸攻击的风险。因此,活体检测是人脸识别中必不可少的一个环节。如何提高活体检测的准确性,是本领域的研究热点。
发明内容
本公开提出了一种活体检测技术方案。
根据本公开的一方面,提供了一种活体检测方法,包括:获取第一图像和所述第一图像对应的第一深度图;基于所述第一图像,更新所述第一深度图,得到第二深度图;基于所述第一图像和所述第二深度图,确定所述第一图像中的目标对象的活体检测结果。
在一种可能的实现方式中,所述基于所述第一图像,更新所述第一深度图,得到第二深度图,包括:基于所述第一图像,对所述第一深度图中的深度失效像素的深度值进行更新,得到所述第二深度图。
在一种可能的实现方式中,所述基于所述第一图像,更新所述第一深度图,得到第二深度图,包括:基于所述第一图像,确定所述第一图像中多个像素的深度预测值和关联信息,其中,所述多个像素的关联信息指示所述多个像素之间的关联度;基于所述多个像素的深度预测值和关联信息,更新所述第一深度图,得到第二深度图。
在一种可能的实现方式中,所述基于所述多个像素的深度预测值和关联信息,更新所述第一深度图,得到第二深度图,包括:确定所述第一深度图中的深度失效像素;从所述多个像素的深度预测值中获取所述深度失效像素的深度预测值以及所述深度失效像素的多个周围像素的深度预测值;从所述多个像素的关联信息中获取所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度;基于所述深度失效像素的深度预测值、所述深度失效像素的多个周围像素的深度预测值、以及所述深度失效像素与所述深度失效像素的周围像素之间的关联度,确定所述深度失效像素的更新后的深度值。
在一种可能的实现方式中,所述确定所述第一深度图中的深度失效像素,包括:将所述第一深度图中深度值等于0的像素确定为深度失效像素。
在一种可能的实现方式中,所述深度失效像素的周围像素与所述深度失效像素之间的距离小于或等于第一阈值。
在一种可能的实现方式中,所述基于所述深度失效像素的深度预测值、所述深度失效像素的多个周围像素的深度预测值、以及所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度,确定所述深度失效像素的更新后的深度值,包括:基于所述深度失效像素的周围像素的深度预测值以及所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度,确定所述深度失效像素的深度关联值;基于所述深度失效像素的深度预测值以及所述深度关联值,确定所述深度失效像素的更新后的深度值。
在一种可能的实现方式中,所述基于所述深度失效像素的周围像素的深度预测值以及所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度,确定所述深度失效像素的深度关联值,包括:将所述深度失效像素与每个周围像素之间的关联度作为所述每个周围像素的权重,对所述深度失效像素的多个周围像素的深度预测值进行加权求和处理,得到所述深度失效像素的深度关联值。
在一种可能的实现方式中,所述基于所述深度失效像素的周围像素的深度预测值以及所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度,确定所述深度失效像素的深度关联值,包括:确定所述深度失效像素的多个周围像素中每个周围像素与所述深度失效像素之间的关联度和所述每个周围像素的深度预测值的乘积;将所述乘积的最大值确定为所述深度失效像素的深度关联值。
在一种可能的实现方式中,所述基于所述深度失效像素的深度预测值以及所述深度关联值,确定所述深度失效像素的更新后的深度值,包括:将所述深度失效像素的深度预测值与所述深度关联值之和确定为所述深度失效像素的更新后的深度值。
在一种可能的实现方式中,所述基于所述第一图像,确定所述第一图像中多个像素的深度预测值,包括:基于所述第一图像和所述第一深度图,确定所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中,所述基于所述第一图像和所述第一深度图,确定所述第一图像中多个像素的深度预测值,包括:将所述第一图像和所述第一深度图输入到深度预测神经网络进行处理,得到所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中,所述基于所述第一图像和所述第一深度图,确定所述第一图像中多个像素的深度预测值,包括:对所述第一图像和所述第一深度图进行融合处理,得到融合结果;基于所述融合结果,确定所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中,所述基于所述第一图像,确定所述第一图像中多个像素的关联信息,包括:将所述第一图像输入到关联度检测神经网络进行处理,得到所述第一图像中多个像素的关联信息。
在一种可能的实现方式中,所述获取第一图像,包括:获取图像传感器采集到的所述第一图像。
在一种可能的实现方式中,所述获取所述第一图像对应的第一深度图,包括:获取深度传感器采集到的第一深度图。
在一种可能的实现方式中,所述图像传感器为RGB传感器或者近红外传感器。
在一种可能的实现方式中,所述深度传感器为飞行时间TOF传感器或者结构光传感器。
在一种可能的实现方式中,所述基于所述第一图像,更新所述第一深度图,包括:从所述第一图像中获取所述目标对象的图像;基于所述目标对象的图像,更新所述第一深度图。
在一种可能的实现方式中,所述从所述第一图像中获取所述目标对象的图像,包括:获取所述第一图像中所述目标对象的关键点信息;基于所述目标对象的关键点信息,从所述第一图像中获取所述目标对象的图像。
在一种可能的实现方式中,所述获取所述第一图像中所述目标对象的关键点信息,包括:对所述第一图像进行目标检测,得到所述目标对象所在区域;对所述目标对象所在区域的图像进行关键点检测,得到所述第一图像中所述目标对象的关键点信息。
在一种可能的实现方式中,所述基于所述第一图像,更新所述第一深度图,得到第二深度图,包括:从所述第一深度图中获取所述目标对象的深度图;基于所述第一图像,更新所述目标对象的深度图,得到所述第二深度图。
在一种可能的实现方式中,所述基于所述第一图像和所述第二深度图,确定所述第一图像中的目标对象的活体检测结果,包括:将所述第一图像和所述第二深度图输入到活体检测神经网络进行处理,得到所述第一图像中的目标对象的活体检测结果。
在一种可能的实现方式中,所述基于所述第一图像和所述第二深度图,确定所述第一图像中的目标对象的活体检测结果,包括:对所述第一图像进行特征提取处理,得到第一特征信息;对所述第二深度图进行特征提取处理,得到第二特征信息;基于所述第一特征信息和所述第二特征信息,确定所述第一图像中的目标对象的活体检测结果。
在一种可能的实现方式中,所述基于所述第一特征信息和所述第二特征信息,确定所述第一图像中的目标对象的活体检测结果,包括:对所述第一特征信息和所述第二特征信息进行融合处理,得到第三特征信息;基于所述第三特征信息,确定所述第一图像中的目标对象的活体检测结果。
在一种可能的实现方式中,所述基于所述第三特征信息,确定所述第一图像中的目标对象的活体检测结果,包括:基于所述第三特征信息,得到所述第一图像中的目标对象为活体的概率;根据所述目标对象为活体的概率,确定所述目标对象的活体检测结果。
根据本公开的另一方面,提供了一种活体检测装置,包括:获取模块,用于获取第一图像和所述第一图像对应的第一深度图;更新模块,用于基于所述第一图像,更新所述第一深度图,得到第二深度图;确定模块,用于基于所述第一图像和所述第二深度图,确定所述第一图像中的目标对象的活体检测结果。
在一种可能的实现方式中,所述更新模块用于:基于所述第一图像,对所述第一深度图中的深度失效像素的深度值进行更新,得到所述第二深度图。
在一种可能的实现方式中,所述更新模块包括:第一确定子模块,用于基于所述第一图像,确定所述第一图像中多个像素的深度预测值和关联信息,其中,所述多个像素的关联信息指示所述多个像素之间的关联度;第一更新子模块,用于基于所述多个像素的深度预测值和关联信息,更新所述第一深度图,得到第二深度图。
在一种可能的实现方式中,所述第一更新子模块包括:第一确定单元,用于确定所述第一深度图中的深度失效像素;第一获取单元,用于从所述多个像素的深度预测值中获取所述深度失效像素的深度预测值以及所述深度失效像素的多个周围像素的深度预测值;第二获取单元,用于从所述多个像素的关联信息中获取所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度;第二确定单元,用于基于所述深度失效像素的深度预测值、所述深度失效像素的多个周围像素的深度预测值、以及所述深度失效像素与所述深度失效像素的周围像素之间的关联度,确定所述深度失效像素的更新后的深度值。
在一种可能的实现方式中,所述第一确定单元用于:将所述第一深度图中深度值等于0的像素确定为深度失效像素。
在一种可能的实现方式中,所述深度失效像素的周围像素与所述深度失效像素之间的距离小于或等于第一阈值。
在一种可能的实现方式中,所述第二确定单元包括:第一确定子单元,用于基于所述深度失效像素的周围像素的深度预测值以及所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度,确定所述深度失效像素的深度关联值;第二确定子单元,用于基于所述深度失效像素的深度预测值以及所述深度关联值,确定所述深度失效像素的更新后的深度值。
在一种可能的实现方式中,所述第一确定子单元用于:将所述深度失效像素与每个周围像素之间的关联度作为所述每个周围像素的权重,对所述深度失效像素的多个周围像素的深度预测值进行加权求和处理,得到所述深度失效像素的深度关联值。
在一种可能的实现方式中,所述第一确定子单元用于:确定所述深度失效像素的多个周围像素中每个周围像素与所述深度失效像素之间的关联度和所述每个周围像素的深度预测值的乘积;将所述乘积的最大值确定为所述深度失效像素的深度关联值。
在一种可能的实现方式中,所述第二确定子单元用于:将所述深度失效像素的深度预测值与所述深度关联值之和确定为所述深度失效像素的更新后的深度值。
在一种可能的实现方式中,所述第一确定子模块包括:第三确定单元,用于基于所述第一图像和所述第一深度图,确定所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中,所述第三确定单元用于:将所述第一图像和所述第一深度图输入到深度预测神经网络进行处理,得到所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中,所述第三确定单元包括:融合处理子单元,用于对所述第一图像和所述第一深度图进行融合处理,得到融合结果;第三确定子单元,用于基于所述融合结果,确定所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中,所述第一确定子模块用于:将所述第一图像输入到关联度检测神经网络进行处理,得到所述第一图像中多个像素的关联信息。
在一种可能的实现方式中,所述获取模块用于:获取图像传感器采集到的所述第一图像。
在一种可能的实现方式中,所述获取模块用于:获取深度传感器采集到的第一深度图。
在一种可能的实现方式中,所述图像传感器为RGB传感器或者近红外传感器。
在一种可能的实现方式中,所述深度传感器为飞行时间TOF传感器或者结构光传感器。
在一种可能的实现方式中,所述更新模块包括:第一获取子模块,用于从所述第一图像中获取所述目标对象的图像;第二更新子模块,用于基于所述目标对象的图像,更新所述第一深度图。
在一种可能的实现方式中,所述第一获取子模块包括:第三获取单元,用于获取所述第一图像中所述目标对象的关键点信息;第四获取单元,用于基于所述目标对象的关键点信息,从所述第一图像中获取所述目标对象的图像。
在一种可能的实现方式中,所述第三获取单元用于:对所述第一图像进行目标检测,得到所述目标对象所在区域;对所述目标对象所在区域的图像进行关键点检测,得到所述第一图像中所述目标对象的关键点信息。
在一种可能的实现方式中,所述更新模块包括:第二获取子模块,用于从所述第一深度图中获取所述目标对象的深度图;第三更新子模块,用于基于所述第一图像,更新所述目标对象的深度图,得到所述第二深度图。
在一种可能的实现方式中,所述确定模块用于:将所述第一图像和所述第二深度图输入到活体检测神经网络进行处理,得到所述第一图像中的目标对象的活体检测结果。
在一种可能的实现方式中,所述确定模块包括:第二确定子模块,用于对所述第一图像进行特征提取处理,得到第一特征信息;第三确定子模块,用于对所述第二深度图进行特征提取处理,得到第二特征信息;第四确定子模块,用于基于所述第一特征信息和所述第二特征信息,确定所述第一图像中的目标对象的活体检测结果。
在一种可能的实现方式中,所述第四确定子模块包括:融合处理单元,用于对所述第一特征信息和所述第二特征信息进行融合处理,得到第三特征信息;第四确定单元,用于基于所述第三特征信息,确定所述第一图像中的目标对象的活体检测结果。
在一种可能的实现方式中,所述第四确定单元包括:第四确定子单元,用于基于所述第三特征信息,得到所述第一图像中的目标对象为活体的概率;第五确定子单元,用于根据所述目标对象为活体的概率,确定所述目标对象的活体检测结果。
根据本公开的另一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为,当执行所述存储器中存储的可执行指令时,执行上述活体检测方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述活体检测方法。
根据本公开的另一方面,提供了一种活体检测系统,包括:上述电子设备、深度传感器和图像传感器,其中,所述图像传感器用于采集所述第一图像,所述深度传感器用于采集所述第一深度图。
根据本公开的另一方面,提供了一种活体检测系统,包括:上述计算机可读存储介质、深度传感器和图像传感器,其中,所述图像传感器用于采集所述第一图像,所述深度传感器用于采集所述第一深度图。
在本公开实施例中,通过获取第一图像和第一图像对应的第一深度图,基于第一图像,更新第一深度图,得到第二深度图,基于第一图像和第二深度图,确定第一图像中的目标对象的活体检测结果,由此能够完善深度图,从而提高活体检测的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1是根据本公开实施例的活体检测方法的流程图。
图2是根据本公开实施例的活体检测方法的一个示例的示意图。
图3是根据本公开实施例的活体检测方法中步骤S13的一个示例的示意图。
图4是根据本公开实施例的活体检测方法步骤S12的一示例性的流程图。
图5是根据本公开实施例的活体检测方法中的深度预测神经网络的示意图。
图6是根据本公开实施例的活体检测方法中的关联度检测神经网络的示意图。
图7是根据本公开实施例的活体检测方法中深度图更新的一示例性的示意图。
图8是根据本公开实施例的活体检测方法中周围像素的示意图。
图9是根据本公开实施例的活体检测方法中周围像素的另一示意图。
图10是根据本公开实施例的活体检测装置的示意性框图。
图11是根据本公开实施例的活体检测装置的另一示例性框图。
图12是根据本公开实施例的电子设备的一示例性框图。
图13是根据本公开实施例中的电子设备的另一示例性框图。
图14是根据本公开实施例中的电子设备的另一示例性框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1是根据本公开实施例的活体检测方法的流程图。该活体检测方法的执行主体可以是活体检测装置。例如,该活体检测方法可以由终端设备或服务器或其它电子设备执行。其中,终端设备可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。例如,该活体检测方法可以应用于手机、平板电脑、数码相机或者门禁设备等具有人脸识别功能的终端设备中。该活体检测方法可以应用于线上账户注册、门禁系统、人脸解锁、人脸支付、辅助驾驶、无人超市、视频监控、ATM(Automatic TellerMachine,自动取款机)、车站检票机、机场检票机或者智能楼宇等场景中。在一些可能的实现方式中,该活体检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
应理解,本公开实施例主要应用于3D活体检测,但也应用于双目等其他活体检测场景,本公开实施例对此不做限定。
如图1所示,本公开实施例提供的活体检测方法包括步骤S11至步骤S13。
在步骤S11中,获取第一图像和第一图像对应的第一深度图。
在本公开实施例中,第一图像包含目标对象。其中,目标对象可以为人脸、人体、动物或其他活体对象的至少一部分,本公开实施例对此不做限定。
其中,第一图像可以为静态图像或者为视频帧图像。例如,第一图像可以为从视频序列中选取的图像,其中,可以通过多种方式从视频序列中选取图像。在一个具体例子中,第一图像为从视频序列中选取的满足预设质量条件的图像,该预设质量条件可以包括下列中的一种或任意组合:是否包含目标对象、目标对象是否位于图像的中心区域、目标对象是否完整地包含在图像中、目标对象在图像中所占比例、目标对象的状态(例如人脸角度)、图像清晰度、图像曝光度,等等,本公开实施例对此不做限定。
在一些实施例中,获取图像传感器采集到的第一图像。即第一图像是图像传感器采集到的。
作为一个示例,图像传感器为RGB(Red,红;Green,绿;Blue,蓝)传感器或者近红外传感器。若图像传感器为RGB传感器,则图像传感器采集到的图像为RGB图像。若图像传感器为近红外传感器,则图像传感器采集到的图像为近红外图像。其中,近红外图像可以为带光斑的近红外图像,也可以为不带光斑的近红外图像。或者,图像传感器为其他类型的传感器,本公开实施例对此不做限定。
可选地,活体检测装置可以通过多种方式获取第一图像。例如,在一些实施例中,活体检测装置上设置有摄像头,活体检测装置通过摄像头进行静态图像或视频流采集,得到第一图像,本公开实施例对此不做限定。
在一些实施例中,活体检测装置接收其他设备发送的第一图像,例如,该第一图像可以携带在活体检测请求或身份认证请求或其他消息中发送,本公开实施例对此不做限定。例如,活体检测装置接收设置有摄像头的终端设备发送的第一图像,其中,可选地,终端设备可以向活体检测装置(例如服务器)发送第一图像,其中,该第一图像可以是摄像头采集到的静态图像或者是从摄像头采集到的视频序列中选帧得到的视频帧图像;或者,终端设备向活体检测装置发送包括第一图像的视频序列,活体检测装置在接收到终端设备发送的视频序列之后,通过选帧得到第一图像。
在一些实施例中,第一图像是用户输入的或者通过其他方式得到的,本公开实施例对此不做限定。
在一些实施例中,获取深度传感器采集到的第一深度图。即第一深度图是深度传感器采集到的。
可选地,活体检测装置可以通过深度传感器采集第一深度图,或者从其他设备处获取第一深度图。在一个例子中,活体检测装置可以从其他设备发送的相同或不同消息中获取第一深度图和第一图像,本公开实施例对此不做限定。
作为一个示例,深度传感器为三维传感器。例如,飞行时间TOF(Time of Flight,飞行时间)传感器或者结构光传感器。其中,结构光传感器可以为编码结构光传感器或者散斑结构光传感器。通过深度传感器获取目标对象的深度图,可以获得高精度的深度图。本公开实施例利用包含目标对象的深度图进行活体检测,能够充分挖掘目标对象的深度信息,从而能够提高活体检测的准确性。例如,当目标对象为人脸时,本公开实施例利用包含人脸的深度图进行活体检测,能够充分挖掘人脸数据的深度信息,从而能够提高活体人脸检测的准确性。
在本公开实施例中,第一深度图和第一图像相对应。例如,第一深度图和第一图像分别为深度传感器和图像传感器针对同一场景采集到的,或者,第一深度图和第一图像为深度传感器和图像传感器在同一时刻针对同一目标区域采集到的,但本公开实施例对此不做限定。
在本公开实施例中,深度传感器用于采集深度图,图像传感器用于采集二维图像。
需要说明的是,尽管以RGB传感器和近红外传感器为例对图像传感器进行了说明,并以TOF传感器和结构光传感器为例对深度传感器进行了说明,但本领域技术人员能够理解,本公开实施例应不限于此。本领域技术人员可以根据实际应用需求选择图像传感器和深度传感器的类型,只要分别能够实现对二维图像和深度图的采集即可。
在步骤S12中,基于第一图像,更新第一深度图,得到第二深度图。
具体地,基于第一图像,更新第一深度图中一个或多个像素的深度值,得到第二深度图。
在一些实施例中,基于第一图像,对第一深度图中的深度失效像素的深度值进行更新,得到第二深度图。
其中,深度图中的深度失效像素可以指深度图中包括的深度值无效的像素,即深度值不准确或与实际情况明显不符的像素。深度失效像素的个数可以为一个或多个。通过更新深度图中的至少一个深度失效像素的深度值,使得深度失效像素的深度值更为准确,有助于提高活体检测(例如3D活体检测)的准确率。
在一些实施例中,第一深度图为带缺失值的深度图,通过基于第一图像修复第一深度图,得到第二深度图,其中,可选地,对第一深度图的修复包括对缺失值的像素的深度值的确定或补充,但本公开实施例不限于此。
在本公开实施例中,可以通过多种方式更新或修复第一深度图。在一些实施例中,直接利用第一图像进行活体检测,例如直接利用第一图像更新第一深度图。在另一些实施例中,对第一图像进行预处理,并基于预处理后的第一图像进行活体检测。例如,从第一图像中获取目标对象的图像,并基于目标对象的图像,更新第一深度图。
可以通过多种方式从第一图像中截取目标对象的图像。作为一个示例,对第一图像进行目标检测,得到目标对象的位置信息,例如目标对象的限定框(bounding box)的位置信息,并基于目标对象的位置信息从第一图像中截取目标对象的图像。例如,从第一图像中截取目标对象的限定框所在区域的图像作为目标对象的图像,再例如,将目标对象的限定框放大一定倍数并从第一图像中截取放大后的限定框所在区域的图像作为目标对象的图像。作为另一个示例,获取第一图像中目标对象的关键点信息,并基于目标对象的关键点信息,从第一图像中获取目标对象的图像。
可选地,对第一图像进行目标检测,得到目标对象所在区域的位置信息;对目标对象所在区域的图像进行关键点检测,得到第一图像中目标对象的关键点信息。
可选地,目标对象的关键点信息可以包括目标对象的多个关键点的位置信息。若目标对象为人脸,则目标对象的关键点可以包括眼睛关键点、眉毛关键点、鼻子关键点、嘴巴关键点和人脸轮廓关键点等中的一项或多项。其中,眼睛关键点可以包括眼睛轮廓关键点、眼角关键点和瞳孔关键点等中的一项或多项。
在一个示例中,基于目标对象的关键点信息,确定目标对象的轮廓,并根据目标对象的轮廓,从第一图像中截取目标对象的图像。与通过目标检测得到的目标对象的位置信息相比,通过关键点信息得到的目标对象的位置更为准确,从而有利于提高后续活体检测的准确率。
可选地,可以基于第一图像中目标对象的关键点,确定第一图像中目标对象的轮廓,并将第一图像中目标对象的轮廓所在区域的图像或放大一定倍数后得到的区域的图像确定为目标对象的图像。例如,可以将第一图像中基于目标对象的关键点确定的椭圆形区域确定为目标对象的图像,或者可以将第一图像中基于目标对象的关键点确定的椭圆形区域的最小外接矩形区域确定为目标对象的图像,但本公开实施例对此不作限定。
这样,通过从第一图像中获取目标对象的图像,基于目标对象的图像进行活体检测,能够降低第一图像中的背景信息对活体检测产生的干扰。
在本公开实施例中,可以对获取到的原始深度图进行更新处理,或者,在一些实施例中,从第一深度图中获取目标对象的深度图,并基于第一图像,更新目标对象的深度图,得到第二深度图。
作为一个示例,获取第一图像中目标对象的位置信息,并基于目标对象的位置信息,从第一深度图中获取目标对象的深度图。其中,可选地,可以预先对第一深度图和第一图像进行配准或对齐处理,但本公开实施例对此不做限定。
这样,通过从第一深度图中获取目标对象的深度图,并基于第一图像,更新目标对象的深度图,得到第二深度图,由此能够降低第一深度图中的背景信息对活体检测产生的干扰。
在一些实施例中,在获取第一图像和第一图像对应的第一深度图之后,根据图像传感器的参数以及深度传感器的参数,对齐第一图像和第一深度图。
作为一个示例,可以对第一深度图进行转换处理,以使得转换处理后的第一深度图和第一图像对齐。例如,可以根据深度传感器的参数和图像传感器的参数,确定第一转换矩阵,并根据第一转换矩阵,对第一深度图进行转换处理。相应地,可以基于第一图像的至少一部分,对转换处理后的第一深度图的至少一部分进行更新,得到第二深度图。例如,基于第一图像,对转换处理后的第一深度图进行更新,得到第二深度图。再例如,基于从第一图像中截取的目标对象的图像,对从第一深度图中截取的目标对象的深度图进行更新,得到第二深度图,等等。
作为另一个示例,可以对第一图像进行转换处理,以使得转换处理后的第一图像与第一深度图对齐。例如,可以根据深度传感器的参数和图像传感器的参数,确定第二转换矩阵,并根据第二转换矩阵,对第一图像进行转换处理。相应地,可以基于转换处理后的第一图像的至少一部分,对第一深度图的至少一部分进行更新,得到第二深度图。
可选地,深度传感器的参数可以包括深度传感器的内参数和/或外参数,图像传感器的参数可以包括图像传感器的内参数和/或外参数。通过对齐第一深度图和第一图像,能够使第一深度图和第一图像中相应的部分在两个图像中的位置相同。
在上文所述的例子中,第一图像为原始图像(例如RGB或近红外图像),而在另一些实施例中,第一图像也可以指从原始图像中截取的目标对象的图像,类似地,第一深度图也可以指从原始深度图中截取的目标对象的深度图,本公开实施例对此不做限定。
图2是根据本公开实施例的活体检测方法的一个示例的示意图。在图2示出的例子中,第一图像为RGB图像且目标对象为人脸,将RGB图像和第一深度图进行对齐校正处理,并将处理后的图像输入到人脸关键点模型中进行处理,得到RGB人脸图(目标对象的图像)和深度人脸图(目标对象的深度图),并基于RGB人脸图对深度人脸图进行更新或修复。这样,能够降低后续的数据处理量,提高活体检测效率和准确率。
在步骤S13中,基于第一图像和第二深度图,确定第一图像中的目标对象的活体检测结果。
在一些实施例中,将第一图像和第二深度图输入到活体检测神经网络进行处理,得到第一图像中的目标对象的活体检测结果。或者,通过其他活体检测算法对第一图像和第二深度图进行处理,得到活体检测结果。
在一些实施例中,对第一图像进行特征提取处理,得到第一特征信息;对第二深度图进行特征提取处理,得到第二特征信息;基于第一特征信息和第二特征信息,确定第一图像中的目标对象的活体检测结果。
其中,可选地,特征提取处理可以通过神经网络或其他机器学习算法实现,提取到的特征信息的类型可选地可以通过对样本的学习得到,本公开实施例对此不做限定。
在本公开实施例中,目标对象的活体检测结果可以为目标对象为活体或者目标对象为假体。
在某些特定场景(如室外强光场景)下,获取到的深度图(例如深度传感器采集到的深度图)可能会出现部分面积失效的情况。此外,正常光照下,由于眼镜反光、黑色头发或者黑色眼镜边框等因素也会随机引起深度图局部失效。而某些特殊的纸质能够使得打印出的人脸照片产生类似的深度图大面积失效或者局部失效的效果。另外,通过遮挡深度传感器的主动光源也可以使得深度图部分失效,同时假体在图像传感器的成像正常。因此,在一些深度图的部分或全部失效的情况下,利用深度图区分活体和假体会造成误差。因此,在本公开实施例中,通过对第一深度图进行修复或更新,并利用修复或更新后的深度图进行活体检测,有利于提高活体检测的准确率。
图3是根据本公开实施例的活体检测方法中步骤S13的一个示例的示意图。
在该示例中,将第一图像和第二深度图输入到活体检测网络中进行活体检测处理,得到活体检测结果。
如图3所示,该活体检测网络包括两个分支,即第一子网络和第二子网络,其中,第一子网络用于对第一图像进行特征提取处理,得到第一特征信息,第二子网络用于对第二深度图进行特征提取处理,得到第二特征信息。
在一个可选示例中,第一子网络可以包括卷积层、下采样层和全连接层。
例如,第一子网络可以包括一级卷积层、一级下采样层和一级全连接层。其中,该级卷积层可以包括一个或多个卷积层,该级下采样层可以包括一个或多个下采样层,该级全连接层可以包括一个或多个全连接层。
又如,第一子网络可以包括多级卷积层、多级下采样层和一级全连接层。其中,每级卷积层可以包括一个或多个卷积层,每级下采样层可以包括一个或多个下采样层,该级全连接层可以包括一个或多个全连接层。其中,第i级卷积层后级联第i级下采样层,第i级下采样层后级联第i+1级卷积层,第n级下采样层后级联全连接层,其中,i和n均为正整数,1≤i≤n,n表示深度预测神经网络中卷积层和下采样层的级数。
或者,第一子网络可以包括卷积层、下采样层、归一化层和全连接层。
例如,第一子网络可以包括一级卷积层、一个归一化层、一级下采样层和一级全连接层。其中,该级卷积层可以包括一个或多个卷积层,该级下采样层可以包括一个或多个下采样层,该级全连接层可以包括一个或多个全连接层。
又如,第一子网络可以包括多级卷积层、多个归一化层和多级下采样层和一级全连接层。其中,每级卷积层可以包括一个或多个卷积层,每级下采样层可以包括一个或多个下采样层,该级全连接层可以包括一个或多个全连接层。其中,第i级卷积层后级联第i个归一化层,第i个归一化层后级联第i级下采样层,第i级下采样层后级联第i+1级卷积层,第n级下采样层后级联全连接层,其中,i和n均为正整数,1≤i≤n,n表示第一子网络中卷积层、下采样层的级数和归一化层的个数。
作为一个示例,对第一图像进行卷积处理,得到第一卷积结果;对第一卷积结果进行下采样处理,得到第一下采样结果;基于第一下采样结果,得到第一特征信息。
例如,可以通过一级卷积层和一级下采样层对第一图像进行卷积处理和下采样处理。其中,其中,该级卷积层可以包括一个或多个卷积层,该级下采样层可以包括一个或多个下采样层。
又如,可以通过多级卷积层和多级下采样层对第一图像进行卷积处理和下采样处理。其中,每级卷积层可以包括一个或多个卷积层,每级下采样层可以包括一个或多个下采样层。
例如,对第一卷积结果进行下采样处理,得到第一下采样结果,可以包括:对第一卷积结果进行归一化处理,得到第一归一化结果;对第一归一化结果进行下采样处理,得到第一下采样结果。
例如,可以将第一下采样结果输入全连接层,通过全连接层对第一下采样结果进行融合处理,得到第一特征信息。
可选地,第二子网络和第一子网络具有相同的网络结构,但具有不同的参数。或者,第二子网络具有与第一子网络不同的网络结构,本公开实施例对此不做限定。
如图3所示,活体检测网络还包括第三子网络,用于对第一子网络得到的第一特征信息和第二子网络得到的第二特征信息进行处理,得到第一图像中的目标对象的活体检测结果。可选地,第三子网络可以包括全连接层和输出层。例如,输出层采用softmax函数,若输出层的输出为1,则表示目标对象为活体,若输出层的输出为0,则表示目标对象为假体,但本公开实施例对第三子网络的具体实现不做限定。
作为一个示例,对第一特征信息和第二特征信息进行融合处理,得到第三特征信息;基于第三特征信息,确定第一图像中的目标对象的活体检测结果。
例如,通过全连接层对第一特征信息和第二特征信息进行融合处理,得到第三特征信息。
在一些实施例中,基于第三特征信息,得到第一图像中的目标对象为活体的概率,并根据目标对象为活体的概率,确定目标对象的活体检测结果。
例如,若目标对象为活体的概率大于第二阈值,则确定目标对象的活体检测结果为目标对象为活体。再例如,若目标对象为活体的概率小于或等于第二阈值,则确定目标对象的活体检测结果为假体。
在另一些实施例中,基于第三特征信息,得到目标对象为假体的概率,并根据目标对象为假体的概率,确定目标对象的活体检测结果。例如,若目标对象为假体的概率大于第三阈值,则确定目标对象的活体检测结果为目标对象为假体。再例如,若目标对象为假体的概率小于或等于第三阈值,则确定目标对象的活体检测结果为活体。
在一个例子中,可以将第三特征信息输入Softmax层中,通过Softmax层得到目标对象为活体或假体的概率。例如,Softmax层的输出包括两个神经元,其中,一个神经元代表目标对象为活体的概率,另一个神经元代表目标对象为假体的概率,但本公开实施例不限于此。
在本公开实施例中,通过获取第一图像和第一图像对应的第一深度图,基于第一图像,更新第一深度图,得到第二深度图,基于第一图像和第二深度图,确定第一图像中的目标对象的活体检测结果,由此能够完善深度图,从而提高活体检测的准确性。此外,本公开实施例通过基于第一图像确定第一深度图中的像素点的预测深度值,并基于预测深度值进行深度图的修复,与直接插值的方式相比,在空洞较大等场景下能够提高深度修复的准确性,从而进一步提高活体检测的准确性。
图4是根据本公开实施例的活体检测方法步骤S12的一示例性的流程图。如图4所示,步骤S12可以包括步骤S121和步骤S122。
在步骤S121中,基于第一图像,确定第一图像中多个像素的深度预测值和关联信息,其中,该多个像素的关联信息指示该多个像素之间的关联度。
具体地,基于第一图像确定第一图像中多个像素的深度预测值,并基于多个像素的深度预测值对第一深度图进行修复完善。
具体地,通过对第一图像进行处理,得到第一图像中多个像素的深度预测值。例如,将第一图像输入到深度预测深度网络中进行处理,得到多个像素的深度预测结果,例如,得到第一图像对应的深度预测图,但本公开实施例对此不做限定。
在一些实施例中,基于第一图像和第一深度图,确定第一图像中多个像素的深度预测值。
作为一个示例,将第一图像和第一深度图输入到深度预测神经网络进行处理,得到第一图像中多个像素的深度预测值。或者,通过其他方式对第一图像和第一深度图进行处理,得到多个像素的深度预测值,本公开实施例对此不做限定。
图5是根据本公开实施例的活体检测方法中的深度预测神经网络的示意图。如图5所示,可以将第一图像和第一深度图输入到深度预测神经网络进行处理,得到初始深度估计图。基于初始深度估计图,可以确定第一图像中多个像素的深度预测值。例如,初始深度估计图的像素值为第一图像中的相应像素的深度预测值。
深度预测神经网络可以通过多种网络结构实现。在一个示例中,深度预测神经网络包括编码部分和解码部分。其中,可选地,编码部分可以包括卷积层和下采样层,解码部分包括反卷积层和/或上采样层。此外,编码部分和/或解码部分还可以包括归一化层,本公开实施例对编码部分和解码部分的具体实现不做限定。在编码部分,随着网络层数的增加,特征图的分辨率逐渐降低,特征图的数量逐渐增多,从而能够获取丰富的语义特征和图像空间特征;在解码部分,特征图的分辨率逐渐增大,解码部分最终输出的特征图的分辨率与第一深度图的分辨率相同。
在一些实施例中,对第一图像和第一深度图进行融合处理,得到融合结果,并基于融合结果,确定第一图像中多个像素的深度预测值。
在一个示例中,可以对第一图像和第一深度图进行连接(concat),得到融合结果。
在一个示例中,对融合结果进行卷积处理,得到第二卷积结果;基于第二卷积结果进行下采样处理,得到第一编码结果;基于第一编码结果,确定第一图像中多个像素的深度预测值。
例如,可以通过卷积层对融合结果进行卷积处理,得到第二卷积结果。
例如,对第二卷积结果进行归一化处理,得到第二归一化结果;对第二归一化结果进行下采样处理,得到第一编码结果。在这里,可以通过归一化层对第二卷积结果进行归一化处理,得到第二归一化结果;通过下采样层对第二归一化结果进行下采样处理,得到第一编码结果。或者,可以通过下采样层对第二卷积结果进行下采样处理,得到第一编码结果。
例如,对第一编码结果进行反卷积处理,得到第一反卷积结果;对第一反卷积结果进行归一化处理,得到深度预测值。在这里,可以通过反卷积层对第一编码结果进行反卷积处理,得到第一反卷积结果;通过归一化层对第一反卷积结果进行归一化处理,得到深度预测值。或者,可以通过反卷积层对第一编码结果进行反卷积处理,得到深度预测值。
例如,对第一编码结果进行上采样处理,得到第一上采样结果;对第一上采样结果进行归一化处理,得到深度预测值。在这里,可以通过上采样层对第一编码结果进行上采样处理,得到第一上采样结果;通过归一化层对第一上采样结果进行归一化处理,得到深度预测值。或者,可以通过上采样层对第一编码结果进行上采样处理,得到深度预测值。
此外,在步骤S121中,通过对第一图像进行处理,得到第一图像中多个像素的关联信息。其中,第一图像中多个像素的关联信息可以包括第一图像的多个像素中每个像素与其周围像素之间的关联度。其中,像素的周围像素可以包括像素的至少一个相邻像素,或者包括与该像素间隔不超过一定数值的多个像素。例如,如图8所示,像素5的周围像素包括与其相邻的像素1、像素2、像素3、像素4、像素6、像素7、像素8和像素9,相应地,第一图像中多个像素的关联信息包括像素1、像素2、像素3、像素4、像素6、像素7、像素8和像素9与像素5之间的关联度。作为一个示例,第一像素与第二像素之间的关联度可以利用第一像素与第二像素的相关性来度量,其中,本公开实施例可以采用相关技术确定像素之间的相关性,在此不再赘述。
在本公开实施例中,可以通过多种方式确定多个像素的关联信息。在一些实施例中,将第一图像输入到关联度检测神经网络进行处理,得到第一图像中多个像素的关联信息。例如,得到第一图像对应的关联特征图。或者,也可以通过其他算法得到多个像素的关联信息,本公开实施例对此不做限定。
图6是根据本公开实施例的活体检测方法中的关联度检测神经网络的示意图。如图6所示,将第一图像输入到关联度检测神经网络进行处理,得到多张关联特征图。基于多张关联特征图,可以确定第一图像中多个像素的关联信息。例如,某一像素的周围像素指的是与该像素的距离等于0的像素,即,该像素的周围像素指的是与该像素相邻的像素,则关联度检测神经网络可以输出8张关联特征图。例如,在第一张关联特征图中,像素Pi,j的像素值=第一图像中像素Pi-1,j-1与像素Pi,j之间的关联度,其中,Pi,j表示第i行第j列的像素;在第二张关联特征图中,像素Pi,j的像素值=第一图像中像素Pi-1,j与像素Pi,j之间的关联度;在第三张关联特征图中,像素Pi,j的像素值=第一图像中像素Pi-1,j+1与像素Pi,j之间的关联度;在第四张关联特征图中,像素Pi,j的像素值=第一图像中像素Pi,j-1与像素Pi,j之间的关联度;在第五张关联特征图中,像素Pi,j的像素值=第一图像中像素Pi,j+1与像素Pi,j之间的关联度;在第六张关联特征图中,像素Pi,j的像素值=第一图像中像素Pi+1,j-1与像素Pi,j之间的关联度;在第七张关联特征图中,像素Pi,j的像素值=第一图像中像素Pi+1,j与像素Pi,j之间的关联度;在第八张关联特征图中,像素Pi,j的像素值=第一图像中像素Pi+1,j+1与像素Pi,j之间的关联度。
关联度检测神经网络可以通过多种网络结构实现。作为一个示例,关联度检测神经网络可以包括编码部分和解码部分。其中,编码部分可以包括卷积层和下采样层,解码部分可以包括反卷积层和/或上采样层。编码部分还可以包括归一化层,解码部分也可以包括归一化层。在编码部分,特征图的分辨率逐渐降低,特征图的数量逐渐增多,从而获取丰富的语义特征和图像空间特征;在解码部分,特征图的分辨率逐渐增大,解码部分最终输出的特征图的分辨率与第一图像的分辨率相同。在本公开实施例中,关联信息可以为图像,也可以为其他数据形式,例如矩阵等。
作为一个示例,将第一图像输入到关联度检测神经网络进行处理,得到第一图像中多个像素的关联信息,可以包括:对第一图像进行卷积处理,得到第三卷积结果;基于第三卷积结果进行下采样处理,得到第二编码结果;基于第二编码结果,得到第一图像中多个像素的关联信息。
在一个示例中,可以通过卷积层对第一图像进行卷积处理,得到第三卷积结果。
在一个示例中,基于第三卷积结果进行下采样处理,得到第二编码结果,可以包括:对第三卷积结果进行归一化处理,得到第三归一化结果;对第三归一化结果进行下采样处理,得到第二编码结果。在该示例中,可以通过归一化层对第三卷积结果进行归一化处理,得到第三归一化结果;通过下采样层对第三归一化结果进行下采样处理,得到第二编码结果。或者,可以通过下采样层对第三卷积结果进行下采样处理,得到第二编码结果。
在一个示例中,基于第二编码结果,确定关联信息,可以包括:对第二编码结果进行反卷积处理,得到第二反卷积结果;对第二反卷积结果进行归一化处理,得到关联信息。在该示例中,可以通过反卷积层对第二编码结果进行反卷积处理,得到第二反卷积结果;通过归一化层对第二反卷积结果进行归一化处理,得到关联信息。或者,可以通过反卷积层对第二编码结果进行反卷积处理,得到关联信息。
在一个示例中,基于第二编码结果,确定关联信息,可以包括:对第二编码结果进行上采样处理,得到第二上采样结果;对第二上采样结果进行归一化处理,得到关联信息。在示例中,可以通过上采样层对第二编码结果进行上采样处理,得到第二上采样结果;通过归一化层对第二上采样结果进行归一化处理,得到关联信息。或者,可以通过上采样层对第二编码结果进行上采样处理,得到关联信息。
在步骤S122中,基于该多个像素的深度预测值和关联信息,更新第一深度图,得到第二深度图。
当前的TOF、结构光等3D传感器,在室外容易受到阳光的影响,导致深度图有大面积的空洞缺失,从而影响3D活体检测算法的性能。本公开实施例提出的基于深度图自完善的3D活体检测算法,通过对3D传感器检测到的深度图的完善修复,提高了3D活体检测算法的性能。
在一些实施例中,在得到多个像素的深度预测值和关联信息之后,基于多个像素的深度预测值和关联信息,对第一深度图进行更新处理,得到第二深度图。图7示出根据本公开实施例的活体检测方法中深度图更新的一示例性的示意图。在图7所示的例子中,第一深度图为带缺失值的深度图,得到的多个像素的深度预测值和关联信息分别为初始深度估计图和关联特征图,此时,将带缺失值的深度图、初始深度估计图和关联特征图输入到深度图更新模块(例如深度更新神经网络)中进行处理,得到最终深度图,即第二深度图。
在一些实施例中,从该多个像素的深度预测值中获取深度失效像素的深度预测值以及深度失效像素的多个周围像素的深度预测值;从该多个像素的关联信息中获取深度失效像素与深度失效像素的多个周围像素之间的关联度;基于深度失效像素的深度预测值、深度失效像素的多个周围像素的深度预测值、以及深度失效像素与深度失效像素的周围像素之间的关联度,确定深度失效像素的更新后的深度值。
在本公开实施例中,可以通过多种方式确定深度图中的深度失效像素。作为一个示例,将第一深度图中深度值等于0的像素确定为深度失效像素,或将第一深度图中不具有深度值的像素确定为深度失效像素。
在该示例中,对于带缺失值的第一深度图中有值的部分(即深度值不为0),我们认为其深度值是正确可信的,对这部分不进行更新,保留原始的深度值。而对第一深度图中深度值为0的像素的深度值进行更新。
作为另一个示例,深度传感器可以将深度失效像素的深度值设置为一个或多个预设数值或预设范围。在示例中,可以将第一深度图中深度值等于预设数值或者属于预设范围的像素确定为深度失效像素。
本公开实施例也可以基于其他统计方式确定第一深度图中的深度失效像素,本公开实施例对此不做限定。
在该实现方式中,可以将第一图像中与深度失效像素位置相同的像素的深度值确定为深度失效像素的深度预测值,类似地,可以将第一图像中与深度失效像素的周围像素位置相同的像素的深度值确定为深度失效像素的周围像素的深度预测值。
作为一个示例,深度失效像素的周围像素与深度失效像素之间的距离小于或等于第一阈值。
在另一个示例中,得到关联度特征图,关联度特征图中每个特征图反映当前像素和周围像素之间的关联权重,特征图的个数依赖于周围像素的个数。
图8是根据本公开实施例的活体检测方法中周围像素的示意图。例如,第一阈值为0,则只将邻居像素作为周围像素。例如,像素5的邻居像素包括像素1、像素2、像素3、像素4、像素6、像素7、像素8和像素9,则只将像素1、像素2、像素3、像素4、像素6、像素7、像素8和像素9作为像素5的周围像素。
图9是根据本公开实施例的活体检测方法中周围像素的另一示意图。例如,第一阈值为1,则除了将邻居像素作为周围像素,还将邻居像素的邻居像素作为周围像素。即,除了将像素1、像素2、像素3、像素4、像素6、像素7、像素8和像素9作为像素5的周围像素,还将像素10至像素25作为像素5的周围像素。
作为一个示例,基于深度失效像素的周围像素的深度预测值以及深度失效像素与深度失效像素的多个周围像素之间的关联度,确定深度失效像素的深度关联值;基于深度失效像素的深度预测值以及深度关联值,确定深度失效像素的更新后的深度值。
作为另一个示例,基于深度失效像素的周围像素的深度预测值以及深度失效像素与该周围像素之间的关联度,确定该周围像素对于深度失效像素的有效深度值;基于深度失效像素的各个周围像素对于深度失效像素的有效深度值,以及深度失效像素的深度预测值,确定深度失效像素的更新后的深度值。例如,可以将深度失效像素的某一周围像素的深度预测值与该周围像素对应的关联度的乘积,确定为该周围像素对于深度失效像素的有效深度值,其中,该周围像素对应的关联度指的是该周围像素与深度失效像素之间的关联度。例如,可以确定深度失效像素的各个周围像素对于深度失效像素的有效深度值之和与第一预设系数的乘积,得到第一乘积;确定深度失效像素的深度预测值与第二预设系数的乘积,得到第二乘积;将第一乘积与第二乘积之和确定为深度失效像素的更新后的深度值。在一些实施例中,第一预设系数与第二预设系数之和为1。
在一个示例中,将深度失效像素与每个周围像素之间的关联度作为每个周围像素的权重,对深度失效像素的多个周围像素的深度预测值进行加权求和处理,得到深度失效像素的深度关联值。例如,像素5为深度失效像素,则深度失效像素5的深度关联值为深度失效像素5的更新后的深度值其中,wi表示像素i与像素5之间的关联度,Fi表示像素i的深度预测值。
在另一个示例中,确定深度失效像素的多个周围像素中每个周围像素与深度失效像素之间的关联度和每个周围像素的深度预测值的乘积;将乘积的最大值确定为深度失效像素的深度关联值。
在一个示例中,将深度失效像素的深度预测值与深度关联值之和确定为深度失效像素的更新后的深度值。
在另一个示例中,确定深度失效像素的深度预测值与第三预设系数的乘积,得到第三乘积;确定深度关联值与第四预设系数的乘积,得到第四乘积;将第三乘积与第四乘积之和确定为深度失效像素的更新后的深度值。在一些实施例中,第三预设系数与第四预设系数之和为1。
在一些实施例中,非深度失效像素在第二深度图中的深度值等于该非深度失效像素在第一深度图中的深度值。
在另一些实施例中,也可以对非深度失效像素的深度值进行更新,以得到更准确的第二深度图,从而能够进一步提高活体检测的准确性。
在本公开实施例中,由于TOF和结构光等深度传感器对光照较为敏感,得到的深度图可能带有较多的空洞缺失值。使用RGB图或近红外图来对深度图进行修复,得到稠密的深度图,从而有利于提高3D活体检测的性能。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了活体检测装置、活体检测系统、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种活体检测方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图10是根据本公开实施例的活体检测装置的示意性框图。如图10所示,该活体检测装置包括:获取模块21,用于获取第一图像和第一图像对应的第一深度图;更新模块22,用于基于第一图像,更新第一深度图,得到第二深度图;确定模块23,用于基于第一图像和第二深度图,确定第一图像中的目标对象的活体检测结果。
在一些实施例中,更新模块22用于:基于第一图像,对第一深度图中的深度失效像素的深度值进行更新,得到第二深度图。
图11是根据本公开实施例的活体检测装置的一示例性框图。如图11所示:
在一些实施例中,更新模块22包括:第一确定子模块221,用于基于第一图像,确定第一图像中多个像素的深度预测值和关联信息,其中,该多个像素的关联信息指示该多个像素之间的关联度;第一更新子模块222,用于基于该多个像素的深度预测值和关联信息,更新第一深度图,得到第二深度图。
在一些实施例中,第一更新子模块222包括:第一确定单元,用于确定第一深度图中的深度失效像素;第一获取单元,用于从该多个像素的深度预测值中获取深度失效像素的深度预测值以及深度失效像素的多个周围像素的深度预测值;第二获取单元,用于从该多个像素的关联信息中获取深度失效像素与深度失效像素的多个周围像素之间的关联度;第二确定单元,用于基于深度失效像素的深度预测值、深度失效像素的多个周围像素的深度预测值、以及深度失效像素与深度失效像素的周围像素之间的关联度,确定深度失效像素的更新后的深度值。
在一些实施例中,第一确定单元用于:将第一深度图中深度值等于0的像素确定为深度失效像素。
在一些实施例中,深度失效像素的周围像素与深度失效像素之间的距离小于或等于第一阈值。
在一些实施例中,第二确定单元包括:第一确定子单元,用于基于深度失效像素的周围像素的深度预测值以及深度失效像素与深度失效像素的多个周围像素之间的关联度,确定深度失效像素的深度关联值;第二确定子单元,用于基于深度失效像素的深度预测值以及深度关联值,确定深度失效像素的更新后的深度值。
在一些实施例中,第一确定子单元用于:将深度失效像素与每个周围像素之间的关联度作为每个周围像素的权重,对深度失效像素的多个周围像素的深度预测值进行加权求和处理,得到深度失效像素的深度关联值。
在一些实施例中,第一确定子单元用于:确定深度失效像素的多个周围像素中每个周围像素与深度失效像素之间的关联度和每个周围像素的深度预测值的乘积;将乘积的最大值确定为深度失效像素的深度关联值。
在一些实施例中,第二确定子单元用于:将深度失效像素的深度预测值与深度关联值之和确定为深度失效像素的更新后的深度值。
在一些实施例中,第一确定子模块221包括:第三确定单元,用于基于第一图像和第一深度图,确定第一图像中多个像素的深度预测值。
在一些实施例中,第三确定单元用于:将第一图像和第一深度图输入到深度预测神经网络进行处理,得到第一图像中多个像素的深度预测值。
在一些实施例中,第三确定单元包括:融合处理子单元,用于对第一图像和第一深度图进行融合处理,得到融合结果;第三确定子单元,用于基于融合结果,确定第一图像中多个像素的深度预测值。
在一些实施例中,第一确定子模块221用于:将第一图像输入到关联度检测神经网络进行处理,得到第一图像中多个像素的关联信息。
在一些实施例中,获取模块21用于:获取图像传感器采集到的第一图像。
在一些实施例中,获取模块21用于:获取深度传感器采集到的第一深度图。
在一些实施例中,图像传感器为RGB传感器或者近红外传感器。
在一些实施例中,深度传感器为飞行时间TOF传感器或者结构光传感器。
在一些实施例中,更新模块22包括:第一获取子模块223,用于从第一图像中获取目标对象的图像;第二更新子模块224,用于基于目标对象的图像,更新第一深度图。
在一些实施例中,第一获取子模块223包括:第三获取单元,用于获取第一图像中目标对象的关键点信息;第四获取单元,用于基于目标对象的关键点信息,从第一图像中获取目标对象的图像。
在一些实施例中,第三获取单元用于:对第一图像进行目标检测,得到目标对象所在区域;对目标对象所在区域的图像进行关键点检测,得到第一图像中目标对象的关键点信息。
在一些实施例中,更新模块22包括:第二获取子模块225,用于从第一深度图中获取目标对象的深度图;第三更新子模块226,用于基于第一图像,更新目标对象的深度图,得到第二深度图。
在一些实施例中,确定模块23用于:将第一图像和第二深度图输入到活体检测神经网络进行处理,得到第一图像中的目标对象的活体检测结果。
在一些实施例中,确定模块23包括:第二确定子模块231,用于对第一图像进行特征提取处理,得到第一特征信息;第三确定子模块232,用于对第二深度图进行特征提取处理,得到第二特征信息;第四确定子模块233,用于基于第一特征信息和第二特征信息,确定第一图像中的目标对象的活体检测结果。
在一些实施例中,第四确定子模块233包括:融合处理单元,用于对第一特征信息和第二特征信息进行融合处理,得到第三特征信息;第四确定单元,用于基于第三特征信息,确定第一图像中的目标对象的活体检测结果。
在一些实施例中,第四确定单元包括:第四确定子单元,用于基于第三特征信息,得到第一图像中的目标对象为活体的概率;第五确定子单元,用于根据目标对象为活体的概率,确定目标对象的活体检测结果。
在本公开实施例中,通过获取第一图像和第一图像对应的第一深度图,基于第一图像,更新第一深度图,得到第二深度图,基于第一图像和第二深度图,确定第一图像中的目标对象的活体检测结果,由此能够完善深度图,从而能够提高活体检测的准确性。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为,当执行存储器中存储的可执行指令时,执行上述活体检测方法。
本公开实施例还提供了一种计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述活体检测方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提供了一种活体检测系统,包括:电子设备、深度传感器和图像传感器。其中,图像传感器用于采集第一图像,深度传感器用于采集第一深度图。
本公开实施例还提供了一种活体检测系统,包括:计算机可读存储介质、深度传感器和图像传感器。其中,图像传感器用于采集第一图像,深度传感器用于采集第一深度图。
图12是根据本公开实施例的电子设备的一示例性框图。电子设备可以被提供为终端、服务器或其它形态的设备。如图12所示,该电子设备包括:图像传感器31、深度传感器32和处理器33。其中,图像传感器31,用于获取第一图像;深度传感器32,用于获取第一图像对应的第一深度图;处理器33,用于获取图像传感器31采集到的第一图像,获取深度传感器32采集到的第一深度图,基于第一图像,更新第一深度图,得到第二深度图,并基于第一图像和第二深度图,确定第一图像中的目标对象的活体检测结果。
在一些实施例中,图像传感器31为RGB传感器或者近红外传感器。
在一些实施例中,深度传感器32为飞行时间TOF传感器或者结构光传感器。
在一些实施例中,处理器33用于:基于第一图像,对第一深度图中的深度失效像素的深度值进行更新,得到第二深度图。
在一些实施例中,处理器33用于:基于第一图像,确定第一图像中多个像素的深度预测值和关联信息,其中,该多个像素的关联信息指示该多个像素之间的关联度;基于该多个像素的深度预测值和关联信息,更新第一深度图,得到第二深度图。
在一些实施例中,处理器33用于:确定第一深度图中的深度失效像素;从该多个像素的深度预测值中获取深度失效像素的深度预测值以及深度失效像素的多个周围像素的深度预测值;从该多个像素的关联信息中获取深度失效像素与深度失效像素的多个周围像素之间的关联度;基于深度失效像素的深度预测值、深度失效像素的多个周围像素的深度预测值、以及深度失效像素与深度失效像素的周围像素之间的关联度,确定深度失效像素的更新后的深度值。
在一些实施例中,处理器33用于:将第一深度图中深度值等于0的像素确定为深度失效像素。
在一些实施例中,深度失效像素的周围像素与深度失效像素之间的距离小于或等于第一阈值。
在一些实施例中,处理器33用于:基于深度失效像素的周围像素的深度预测值以及深度失效像素与深度失效像素的多个周围像素之间的关联度,确定深度失效像素的深度关联值;基于深度失效像素的深度预测值以及深度关联值,确定深度失效像素的更新后的深度值。
在一些实施例中,处理器33用于:将深度失效像素与每个周围像素之间的关联度作为每个周围像素的权重,对深度失效像素的多个周围像素的深度预测值进行加权求和处理,得到深度失效像素的深度关联值。
在一些实施例中,处理器33用于:确定深度失效像素的多个周围像素中每个周围像素与深度失效像素之间的关联度和每个周围像素的深度预测值的乘积;将乘积的最大值确定为深度失效像素的深度关联值。
在一些实施例中,处理器33用于:将深度失效像素的深度预测值与深度关联值之和确定为深度失效像素的更新后的深度值。
在一些实施例中,处理器33用于:基于第一图像和第一深度图,确定第一图像中多个像素的深度预测值。
在一些实施例中,处理器33用于:将第一图像和第一深度图输入到深度预测神经网络进行处理,得到第一图像中多个像素的深度预测值。
在一些实施例中,处理器33用于:对第一图像和第一深度图进行融合处理,得到融合结果;基于融合结果,确定第一图像中多个像素的深度预测值。
在一些实施例中,处理器33用于:将第一图像输入到关联度检测神经网络进行处理,得到第一图像中多个像素的关联信息。
在一些实施例中,处理器33:从第一图像中获取目标对象的图像;基于目标对象的图像,更新第一深度图。
在一些实施例中,处理器33:获取第一图像中目标对象的关键点信息;基于目标对象的关键点信息,从第一图像中获取目标对象的图像。
在一些实施例中,处理器33:对第一图像进行目标检测,得到目标对象所在区域;对目标对象所在区域的图像进行关键点检测,得到第一图像中目标对象的关键点信息。
在一些实施例中,处理器33:从第一深度图中获取目标对象的深度图;基于第一图像,更新目标对象的深度图,得到第二深度图。
在一些实施例中,处理器33:将第一图像和第二深度图输入到活体检测神经网络进行处理,得到第一图像中的目标对象的活体检测结果。
在一些实施例中,处理器33:对第一图像进行特征提取处理,得到第一特征信息;对第二深度图进行特征提取处理,得到第二特征信息;基于第一特征信息和第二特征信息,确定第一图像中的目标对象的活体检测结果。
在一些实施例中,处理器33:对第一特征信息和第二特征信息进行融合处理,得到第三特征信息;基于第三特征信息,确定第一图像中的目标对象的活体检测结果。
在一些实施例中,处理器33:基于第三特征信息,得到第一图像中的目标对象为活体的概率;根据目标对象为活体的概率,确定目标对象的活体检测结果。
图13是根据本公开实施例中的电子设备的另一示例性框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图13,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图14是根据本公开实施例中的电子设备的另一示例性框图。例如,电子设备1900可以被提供为一服务器。参照图14,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种活体检测方法,其特征在于,包括:
获取第一图像和所述第一图像对应的第一深度图;
基于所述第一图像,更新所述第一深度图,得到第二深度图;
基于所述第一图像和所述第二深度图,确定所述第一图像中的目标对象的活体检测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一图像,更新所述第一深度图,得到第二深度图,包括:
基于所述第一图像,对所述第一深度图中的深度失效像素的深度值进行更新,得到所述第二深度图。
3.根据权利要求1或2所述的方法,其特征在于,所述基于所述第一图像,更新所述第一深度图,得到第二深度图,包括:
基于所述第一图像,确定所述第一图像中多个像素的深度预测值和关联信息,其中,所述多个像素的关联信息指示所述多个像素之间的关联度;
基于所述多个像素的深度预测值和关联信息,更新所述第一深度图,得到第二深度图。
4.一种活体检测装置,其特征在于,包括:
获取模块,用于获取第一图像和所述第一图像对应的第一深度图;
更新模块,用于基于所述第一图像,更新所述第一深度图,得到第二深度图;
确定模块,用于基于所述第一图像和所述第二深度图,确定所述第一图像中的目标对象的活体检测结果。
5.根据权利要求4所述的装置,其特征在于,所述更新模块用于:
基于所述第一图像,对所述第一深度图中的深度失效像素的深度值进行更新,得到所述第二深度图。
6.根据权利要求4或5所述的装置,其特征在于,所述更新模块包括:
第一确定子模块,用于基于所述第一图像,确定所述第一图像中多个像素的深度预测值和关联信息,其中,所述多个像素的关联信息指示所述多个像素之间的关联度;
第一更新子模块,用于基于所述多个像素的深度预测值和关联信息,更新所述第一深度图,得到第二深度图。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为,当执行所述存储器中存储的可执行指令时,执行权利要求1至3中任意一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至3中任意一项所述的方法。
9.一种活体检测系统,其特征在于,包括:权利要求7所述的电子设备、深度传感器和图像传感器,其中,
所述图像传感器用于采集所述第一图像,
所述深度传感器用于采集所述第一深度图。
10.一种活体检测系统,其特征在于,包括:权利要求8所述的计算机可读存储介质、深度传感器和图像传感器,其中,
所述图像传感器用于采集所述第一图像,
所述深度传感器用于采集所述第一深度图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910153339.8A CN111626086A (zh) | 2019-02-28 | 2019-02-28 | 活体检测方法、装置及系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910153339.8A CN111626086A (zh) | 2019-02-28 | 2019-02-28 | 活体检测方法、装置及系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626086A true CN111626086A (zh) | 2020-09-04 |
Family
ID=72258779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910153339.8A Pending CN111626086A (zh) | 2019-02-28 | 2019-02-28 | 活体检测方法、装置及系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626086A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819885A (zh) * | 2021-02-20 | 2021-05-18 | 深圳市英威诺科技有限公司 | 基于深度学习的动物识别方法、装置、设备及存储介质 |
CN113158838A (zh) * | 2021-03-29 | 2021-07-23 | 华南理工大学 | 基于全尺寸深度图监督的人脸表示攻击检测方法 |
CN114677565A (zh) * | 2022-04-08 | 2022-06-28 | 北京百度网讯科技有限公司 | 特征提取网络的训练方法和图像处理方法、装置 |
WO2022201803A1 (ja) * | 2021-03-25 | 2022-09-29 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、情報処理方法、及びプログラム |
WO2024116444A1 (ja) * | 2022-11-28 | 2024-06-06 | 株式会社Jvcケンウッド | 画像処理装置、画像処理プログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101873509A (zh) * | 2010-06-30 | 2010-10-27 | 清华大学 | 消除深度图序列背景和边缘抖动的方法 |
CN102098526A (zh) * | 2011-01-28 | 2011-06-15 | 清华大学 | 一种深度图求取方法及装置 |
US20130063549A1 (en) * | 2011-09-09 | 2013-03-14 | Lars Schnyder | Systems and methods for converting video |
CN107590430A (zh) * | 2017-07-26 | 2018-01-16 | 百度在线网络技术(北京)有限公司 | 活体检测方法、装置、设备及存储介质 |
CN108280851A (zh) * | 2017-01-05 | 2018-07-13 | 钰立微电子股份有限公司 | 深度图产生装置 |
CN108399632A (zh) * | 2018-03-02 | 2018-08-14 | 重庆邮电大学 | 一种联合彩色图像的rgb-d相机深度图像修复方法 |
-
2019
- 2019-02-28 CN CN201910153339.8A patent/CN111626086A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101873509A (zh) * | 2010-06-30 | 2010-10-27 | 清华大学 | 消除深度图序列背景和边缘抖动的方法 |
CN102098526A (zh) * | 2011-01-28 | 2011-06-15 | 清华大学 | 一种深度图求取方法及装置 |
US20130063549A1 (en) * | 2011-09-09 | 2013-03-14 | Lars Schnyder | Systems and methods for converting video |
CN108280851A (zh) * | 2017-01-05 | 2018-07-13 | 钰立微电子股份有限公司 | 深度图产生装置 |
CN107590430A (zh) * | 2017-07-26 | 2018-01-16 | 百度在线网络技术(北京)有限公司 | 活体检测方法、装置、设备及存储介质 |
CN108399632A (zh) * | 2018-03-02 | 2018-08-14 | 重庆邮电大学 | 一种联合彩色图像的rgb-d相机深度图像修复方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819885A (zh) * | 2021-02-20 | 2021-05-18 | 深圳市英威诺科技有限公司 | 基于深度学习的动物识别方法、装置、设备及存储介质 |
WO2022201803A1 (ja) * | 2021-03-25 | 2022-09-29 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、情報処理方法、及びプログラム |
CN113158838A (zh) * | 2021-03-29 | 2021-07-23 | 华南理工大学 | 基于全尺寸深度图监督的人脸表示攻击检测方法 |
CN114677565A (zh) * | 2022-04-08 | 2022-06-28 | 北京百度网讯科技有限公司 | 特征提取网络的训练方法和图像处理方法、装置 |
WO2024116444A1 (ja) * | 2022-11-28 | 2024-06-06 | 株式会社Jvcケンウッド | 画像処理装置、画像処理プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11532180B2 (en) | Image processing method and device and storage medium | |
US10930010B2 (en) | Method and apparatus for detecting living body, system, electronic device, and storage medium | |
US11321575B2 (en) | Method, apparatus and system for liveness detection, electronic device, and storage medium | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
JP6852150B2 (ja) | 生体検知方法および装置、システム、電子機器、記憶媒体 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
US20210097715A1 (en) | Image generation method and device, electronic device and storage medium | |
CN110930547A (zh) | 车门解锁方法及装置、系统、车、电子设备和存储介质 | |
CN111626086A (zh) | 活体检测方法、装置及系统、电子设备和存储介质 | |
US20210406523A1 (en) | Method and device for detecting living body, electronic device and storage medium | |
CN109544560B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20210027081A1 (en) | Method and device for liveness detection, and storage medium | |
CN110287671B (zh) | 验证方法及装置、电子设备和存储介质 | |
CN111553864A (zh) | 图像修复方法及装置、电子设备和存储介质 | |
US20210342632A1 (en) | Image processing method and apparatus, electronic device, and storage medium | |
CN111310664B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
CN112967264A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN112270288A (zh) | 活体识别、门禁设备控制方法和装置、电子设备 | |
CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111507131B (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN111382654A (zh) | 图像处理方法和装置以及存储介质 | |
CN114549983A (zh) | 计算机视觉模型训练方法及装置、电子设备和存储介质 | |
CN111507202B (zh) | 图像处理方法、装置及存储介质 |
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 |