CN111767788A - 一种非交互式单目活体检测方法 - Google Patents

一种非交互式单目活体检测方法 Download PDF

Info

Publication number
CN111767788A
CN111767788A CN202010399872.5A CN202010399872A CN111767788A CN 111767788 A CN111767788 A CN 111767788A CN 202010399872 A CN202010399872 A CN 202010399872A CN 111767788 A CN111767788 A CN 111767788A
Authority
CN
China
Prior art keywords
face
image
map
pixel
monocular
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
Application number
CN202010399872.5A
Other languages
English (en)
Inventor
李丹疆
刘萍
黎平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guiyang Xiangshuling Technology Co ltd
Original Assignee
Guiyang Xiangshuling Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guiyang Xiangshuling Technology Co ltd filed Critical Guiyang Xiangshuling Technology Co ltd
Priority to CN202010399872.5A priority Critical patent/CN111767788A/zh
Publication of CN111767788A publication Critical patent/CN111767788A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种非交互式单目活体检测方法，属于安防识别领域，应用于RGB人脸图像和IR人脸图象的活体检测中，解决只具有单目RGB摄像头的硬件设备在人脸识别及身份验证中对活体检测的强烈需求，如人机验证，移动应用，web应用以及众多移动智能终端等领域。主要包括采集连续图像、人脸检测得到Face集合和Background集合、均值化滤波去噪、巴特沃斯滤波器滤除非心率频段的信号、通过面部PPG‑Map的方案得到二维功率信噪谱图像、最后将活体和假体面部的数据在深度学习模型中建立分类器，完成真实场景中的活体检测目标。该方法在使用成本和有效性上达到了良好的平衡，能有效防止人像照片、人像视频、面具等伪造的人脸身份攻击。

Description

一种非交互式单目活体检测方法
技术领域
本发明提供一种非交互式单目活体检测方法，属于安防识别领域，应用于RGB人脸图像和IR人脸图象的活体检测中。
背景技术
近年来，人脸识别技术商业化应用愈加广泛，然而人脸极易用照片、视频、三维面具等方式进行假冒，因此人脸活体检测是人脸识别与认证系统安全的重要课题。从活体检测的图像采集设备的类型来看，目前常见的活体检测主要是可见光图像采集和多光谱图像采集两类，其中多光谱的图像采集包括近红外、远红外、热红外等成像设备；从活体检测的实现方法来看，有交互式活体检测和非交互式活体检测方法，交互式活体检测包括通过用户眨眼、张嘴等动作来区分是否是真人。而非交互式活体检测则无需通过用户配合来实现。
申请号为CN201910221151.2，专利名称为一种基于近红外单目摄像的活体检测方法及系统，包括：采集近红外图像信息；检测所述近红外图像中是否包含人脸，若未检测到人脸，则判断识别对象非真人；若检测到人脸，则提示用户做出指定表情动作；提取所述表情动作的光流特征，同时提取近红外图像的面部图像深度特征；将所述光流特征和面部图像深度特征输入深度学习分类器；得到人脸识别结果；该发明可有效防范视频及三维面具攻击，提高活体检测的准确率。
上述专利存在的缺陷是：依赖于红外图像的输入源，其硬件条件在移动电话、普通web摄像头及白天的监控，可见光摄像头中是不具备的，需要特制的硬件才能完成，限制其应用范围；交互式的用户面部动作可被可调整3D面部模型所攻击，指令式姿态吻合已经不能防御非活体的动作模拟。
申请号：CN201811389912.7，专利名称：一种人脸活体检测方法及装置，所述方法包括如下步骤：S1、接收包含人脸区域的深度图像、彩色图像、红外图像，并进行配准；S2、检测所述深度图像、彩色图像、红外图像中的人脸区域；S3、对所述人脸区域深度图像预处理实现图像增强并提取有效人脸深度图像；S4、将所述有效人脸深度图像、人脸区域的彩色图像和红外图像分别输入至经训练的级联深度卷积神经网络，进行精确的人脸活体检测。所述装置包含有用于实现上述方法的计算机程序。通过多源信息融合及级联深度卷积神经网络，解决了传统单目彩色相机无法较好恢复出人脸三维信息的问题，并提升了人脸识别的准确率。
上述专利存在的缺陷是此方案基于深度视觉图像及多种人脸图像融合策略方法需要特定的硬件条件来完成，对于普通单目摄像头的应用场景不具有扩展可用性，成本高昂。
发明内容
本发明的目的在于：提供一种非交互式单目活体检测方法，以解决只具有单目RGB摄像头的硬件设备人脸识别系统在身份验证中对活体检测的强烈需求，比如人机验证，移动应用，web应用以及众多移动智能终端、家用个人电脑及门禁系统等领域。
本发明采用的技术方案如下：
一种非交互式单目活体检测方法，包括如下步骤：
(1)采集人脸的连续帧图像获得RGB图像序列；
(2)通过使用人脸检测算法，找到图像中所包含的人脸，同时采用特征点对齐工程将每帧目标对象对齐，得到尺寸相同的人脸区域的图像face_imageM×N和非人脸的背景图像nonface_imageM×N；
(3)将每个人脸区域的图像序列和非人脸的背景图像序列进行均值化滤波处理：
Figure BDA0002487731900000021
其中，raw_image(m，n)表示原始图像，denoise_image(x，y)表示去噪之后的图像，括号内表示像素点的坐标，Pxy表示中心点为(x，y)，大小为(5x5，n＝5)的滤波器窗口，该滤波器以不重叠的形式进行滑窗，去除由于相机量化造成的部分噪音；
(4)将均值化后的人脸区域的图像和非人脸的背景图像在时域上形成两个图像序列face_image{}和nonface_image{}，人脸图像的每个像素i和背景图像的像素j，同时形成两类时间序列pixel{pi，pj}；
(5)将pixel{pi，pj}通过傅里叶变化转化到频域，利用低频为0.7HZ，高频为2.5HZ的5阶巴特沃斯滤波器滤除非心率范围内的信号：
pixel_f＝DFT(pixel{pi，pj}) (2)
Figure BDA0002487731900000022
(6)将滤波后的信号filtered_signal(pi，pj)做功率谱分析，找到每个功率谱的峰值所对应的频率值，即心率基频pixel(psdi，psdj)，进而利用(4)式计算出每个信号的信噪比pixel(snri，snrj)；
Figure BDA0002487731900000031
其中，
Figure BDA0002487731900000032
是频带范围内的频谱信号，Ut(f)表示一个二进制模板窗口，在窗口内的数值为1，窗外的数值为0，其中一个窗口大小为基频±0.2HZ，另一个窗口在一次谐波附近，大小为两倍基频±0.2HZ；
(7)将人脸区域的图像序列i乘以对应的snri，得到初始的n*n面部像素谱IPPG_Map，将环境背景的图像序列j乘以对应的snrj，得到环境光噪音分量谱Back-map；
(8)噪音消除合成图像，将IPPG_Map减去Back-map，得到时域n*n面部像素PPG-Map；
B.神经网络训练部分：
将含有活体的人脸视频提取出来的PPG-Map标注为1，同时将非活体的PPG-Map标注为0，建立基于NCNN框架的分类网络，将人脸得到的rppg数据作用于最后一层全连接层，训练模型如图4所示，最终将得到的模型用于真实场景的测试。
本申请的技术方案中：通过采集的连续图像，找到图像中所包含的人脸，得到Face{i}和Background{i}，之后进行均值滤波处理，形成时间序列pi，滤除非心率范围内的信号，通过面部PPG-Map的方案，得到一份二维的功率谱图像，然后将活体和假体面部的数据在深度学习模型中建立分类器，完成真实场景中的活体检测目标。本申请无需用户配合检测动作识别，实现了应用于配备单目RGB摄像头的非交互式活体检测方法，其在使用成本和有效性上达到了良好的平衡，对目前的人脸身份验证工作提供了全新的安全手段，能有效防止人像照片伪造、人像视频伪造、面具伪造等人脸身份攻击方法，在RGB人脸图像和IR人脸图像的活体检测工作中都有非特异性的鉴定功效。
PPG技术是确定信号中所包含的心率成分，该信号及其微弱，容易被噪声信号淹没，本申请的技术方案中，虽然不需要获取具体的心率值，但形成PPG-Map同样需要找到其中的微弱变化，所以必须对原始图像序列去噪处理。
优选的，步骤(1)中采集5s包含人脸的连续帧图像。
优选的，步骤(3)中将每个图像序列以5x5的窗口大小进行均值滤波处理，消除相机的量化噪声。
优选的，步骤(5)中将pixel{pi，pj}通过傅里叶变化转化到频域，通过巴特沃斯5阶带通滤波器，滤波器频带参数低频为0.7HZ，高频为2.5HZ。
优选的，步骤(8)中，初始的面部像素功率信噪谱IPPG-Map，环境光噪音分量功率信噪谱Back-map，PPG-Map为IPPG-Map减去Back-map。
本申请的技术方案中，取与人脸大小一致且在同一平面的区域作为背景区域。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，基于低成本的单目RGB光学传感器可有效的扩展使用范围到人脸识别和人机验证领域：
2、基于单目RGB摄像头，无需双目或3D深度摄像头，具有良好的兼容性和经济性；
3、图象质量特征与video PPG多模态融合分类；
4、检测图像序列在60帧以内，较上下文语义线索方案有较大优势，实现无交互人机验证，避免欺骗行为；
5、对人像照片、视频翻拍、3D面具、DeepFake有良好的防御性；
6、在RGB人脸图像和IR人脸图像的活体检测工作中都有非特异性的鉴定功效；
7、特征工程具有良好的适用性，可用于不同肤色、不同光照环境；
8、系统效率高、跨平台属性可以应用于windows、android、ios、X86-linux/arm-linux等OS平台。
附图说明
图1为本发明的活体检测的流程图；
图2为本发明人脸区域和背景区域的功率谱图；
图3为本发明人脸和非人脸PPG-Map；
图4为本发明活体检测训练模型。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例
如图1-4，一种非交互式单目活体检测方法，包括如下步骤：
(1)采集人脸的连续帧图像获得RGB图像序列，采集5s包含人脸的连续帧图像；
(2)通过使用人脸检测算法，找到图像中所包含的人脸，同时采用特征点对齐工程将每帧目标对象对齐，得到相同尺寸的人脸区域的图像face_imageM×N和非人脸的背景图像nonface_imageM×N；
(3)将每个人脸区域的图像序列和非人脸的背景图像序列进行均值化滤波处理：
Figure BDA0002487731900000051
其中，raw_image(m，n)表示原始图像，denoise_image(x，y)表示去噪之后的图像，括号内表示像素点的坐标，Pxy表示中心点为(x，y)，大小为5x5，n＝5的滤波器窗口，该滤波器以不重叠的形式进行滑窗，去除由于相机量化造成的部分噪音，将每个图像序列以5x5的窗口大小进行均值滤波处理，消除相机的量化噪声；
(4)将均值化后的人脸区域的图像和非人脸的背景图像在时域上形成两个图像序列face_image{}和nonface_image{}，人脸图像的每个像素i和背景图像的像素j，同时形成两类时间序列pixel{pi，pj}；
(5)将pixel{pi，pj}通过傅里叶变化转化到频域，利用低频为0.7HZ，高频为2.5HZ的5阶巴特沃斯滤波器滤除非心率范围内的信号二
pixel_f＝DFT(pixel{pi，pj}) (2)
Figure BDA0002487731900000052
将pi通过傅里叶变化转化到频域，通过巴特沃斯5阶带通滤波器，滤波器频带参数低频为0.7HZ，高频为3HZ；
(6)将滤波后的信号filtered_signal(pi，pj)做功率谱分析，找到每个功率谱的峰值所对应的频率值，即心率基频pixel(psdi，psdj)，进而利用(4)式计算出每个信号的信噪比pixel(snri，snrj)；
Figure BDA0002487731900000053
其中，
Figure BDA0002487731900000054
是频带范围内的频谱信号，Ut(f)表示一个二进制模板窗口，在窗口内的数值为1，窗外的数值为0，其中一个窗口大小为基频±0.2HZ，另一个窗口在一次谐波附近，大小为两倍基频±0.2HZ；
(7)将人脸区域的图像序列i乘以对应的snri，得到初始的n*n面部像素谱IPPG_Map，将环境背景的图像序列j乘以对应的snrj，得到环境光噪音分量谱Back-map；
(8)噪音消除合成图像，将IPPG_Map减去Back-map，得到时域n*n面部像素PPG-Map，初始的面部像素功率信噪谱IPPG-Map，环境光噪音分量功率信噪谱Back-map，PPG-Map为IPPG-Map减去Back-map；
B.神经网络训练部分：
将含有活体的人脸视频提取出来的PPG-Map标注为1，同时将非活体的PPG-Map标注为0，建立基于NCNN框架的分类网络，将人脸得到的rppg数据作用于最后一层全连接层，训练模型如图4所示，最终将得到的模型用于真实场景的测试。
图2中左上方向下倾斜的箭头指向人脸区域的功率图谱，右下方向上倾斜的箭头指向背景区域的功率图谱。
图3中，A为活体PPG-Map；B为非人脸PPG-Map。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种非交互式单目活体检测方法，其特征在于，包括如下步骤：
A.数据预处理部分：
(1)采集人脸的连续帧图像获得RGB图像序列；
(2)通过使用人脸检测算法，找到图像中所包含的人脸，同时采用特征点对齐工程将每帧目标对象对齐，得到相同尺寸的人脸区域的图像face_imageM×N和非人脸的背景图像nonface_imageM×N；
(3)将每个人脸区域的图像序列和非人脸的背景图像序列进行均值化滤波处理：
Figure FDA0002487731890000011
其中，raw_image(m，n)表示原始图像，denoise_image(x，y)表示去噪之后的图像，括号内表示像素点的坐标，Pxy表示中心点为(x，y)，大小为5x5，n＝5的滤波器窗口，该滤波器以不重叠的形式进行滑窗，去除由于相机量化造成的部分噪音；
(4)将均值化后的人脸区域的图像和非人脸的背景图像在时域上形成两个图像序列face_image{}和nonface_image{}，人脸图像的每个像素i和背景图像的像素j，同时形成两类时间序列pixel{pi，pj}；
(5)将pixel{pi，pj}通过傅里叶变化转化到频域，利用5阶巴特沃斯滤波器滤除非心率范围内的信号：
pixel_f＝DFT(pixel{pi，pj}) (2)
Figure FDA0002487731890000014
(6)将滤波后的信号filtered_signal(pi，pj)做功率谱分析，找到每个功率谱的峰值所对应的频率值，即心率基频pixel(psdi，psdj)，进而利用(4)式计算出每个信号的信噪比pixel(snri，snrj)；
Figure FDA0002487731890000012
其中，
Figure FDA0002487731890000013
是频带范围内的频谱信号，Ut(f)表示一个二进制模板窗口，在窗口内的数值为1，窗外的数值为0，其中一个窗口大小为基频±0.2HZ，另一个窗口在一次谐波附近，大小为两倍基频±0.2HZ；
(7)将人脸区域的图像序列i乘以对应的snri，得到初始的n*n面部像素谱IPPG_Map，将环境背景的图像序列j乘以对应的snrj，得到环境光噪音分量谱Back-map；
(8)噪音消除合成图像，将IPPG_Map减去Back-map，得到时域n*n面部像素PPG-Map；
B.神经网络训练部分：
将含有活体的人脸视频提取出来的PPG-Map标注为1，同时将非活体的PPG-Map标注为0，建立基于NCNN框架的分类网络，将人脸得到的rppg数据作用于最后一层全连接层，最终将得到的模型用于真实场景的测试。
2.根据权利要求1所述的一种非交互式单目活体检测方法，其特征在于：步骤(1)中采集5s包含人脸的连续帧图像。
3.根据权利要求1所述的一种非交互式单目活体检测方法，其特征在于：步骤(5)中将pixel{pi，pj}通过傅里叶变化转化到频域，通过巴特沃斯5阶带通滤波器，滤波器频带参数低频为0.7HZ，高频为2.5HZ。
4.根据权利要求1所述的一种非交互式单目活体检测方法，其特征在于：步骤(8)中，初始的面部像素功率信噪谱IPPG-Map，环境光噪音分量功率信噪谱Back-map，PPG-Map为IPPG-Map减去Back-map。
CN202010399872.5A 2020-05-12 2020-05-12 一种非交互式单目活体检测方法 Pending CN111767788A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010399872.5A CN111767788A (zh) 2020-05-12 2020-05-12 一种非交互式单目活体检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010399872.5A CN111767788A (zh) 2020-05-12 2020-05-12 一种非交互式单目活体检测方法

Publications (1)

Publication Number Publication Date
CN111767788A true CN111767788A (zh) 2020-10-13

Family

ID=72719115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010399872.5A Pending CN111767788A (zh) 2020-05-12 2020-05-12 一种非交互式单目活体检测方法

Country Status (1)

Country Link
CN (1) CN111767788A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802068A (zh) * 2020-12-24 2021-05-14 奥比中光科技集团股份有限公司 一种同步获取深度、彩色与光谱图像的装置及识别系统
CN113361356A (zh) * 2021-05-28 2021-09-07 佛山市诚智鑫信息科技有限公司 一种复杂环境人脸识别方法及系统
CN113705428A (zh) * 2021-08-26 2021-11-26 北京市商汤科技开发有限公司 活体检测方法及装置、电子设备及计算机可读存储介质
CN115860698A (zh) * 2023-02-23 2023-03-28 广东开放大学（广东理工职业学院） 一种基于区块链及云计算技术的学分银行管理系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793690A (zh) * 2014-01-27 2014-05-14 天津科技大学 一种基于皮下血流探测的人体生物活体检测方法及应用
CN106845395A (zh) * 2017-01-19 2017-06-13 北京飞搜科技有限公司 一种基于人脸识别进行活体检测的方法
CN107392177A (zh) * 2017-08-05 2017-11-24 江西中医药大学 一种人体身份识别验证方法及其装置
US20170357868A1 (en) * 2015-06-16 2017-12-14 EyeVerify Inc. Systems and methods for spoof detection and liveness analysis
WO2018175603A1 (en) * 2017-03-21 2018-09-27 Sri International Robust biometric access control using physiological-informed multi-signal correlation
CN109171649A (zh) * 2018-08-30 2019-01-11 合肥工业大学 智能影像式生命体征探测仪
CN109815794A (zh) * 2018-12-14 2019-05-28 北京飞搜科技有限公司 人脸识别反欺诈方法、装置与电子设备
CN110384491A (zh) * 2019-08-21 2019-10-29 河南科技大学 一种基于普通摄像头的心率检测方法
US20190332757A1 (en) * 2018-04-30 2019-10-31 AZ Board of Regents on Behalf of AZ State Univ Method and apparatus for authenticating a user of a computing device
CN110522420A (zh) * 2018-11-15 2019-12-03 广州小鹏汽车科技有限公司 用于测量交通工具中活体的生理信息的方法和装置
CN110569760A (zh) * 2019-08-27 2019-12-13 东南大学 一种基于近红外和远程光电体积描记术的活体检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793690A (zh) * 2014-01-27 2014-05-14 天津科技大学 一种基于皮下血流探测的人体生物活体检测方法及应用
US20170357868A1 (en) * 2015-06-16 2017-12-14 EyeVerify Inc. Systems and methods for spoof detection and liveness analysis
CN106845395A (zh) * 2017-01-19 2017-06-13 北京飞搜科技有限公司 一种基于人脸识别进行活体检测的方法
WO2018175603A1 (en) * 2017-03-21 2018-09-27 Sri International Robust biometric access control using physiological-informed multi-signal correlation
CN107392177A (zh) * 2017-08-05 2017-11-24 江西中医药大学 一种人体身份识别验证方法及其装置
US20190332757A1 (en) * 2018-04-30 2019-10-31 AZ Board of Regents on Behalf of AZ State Univ Method and apparatus for authenticating a user of a computing device
CN109171649A (zh) * 2018-08-30 2019-01-11 合肥工业大学 智能影像式生命体征探测仪
CN110522420A (zh) * 2018-11-15 2019-12-03 广州小鹏汽车科技有限公司 用于测量交通工具中活体的生理信息的方法和装置
CN109815794A (zh) * 2018-12-14 2019-05-28 北京飞搜科技有限公司 人脸识别反欺诈方法、装置与电子设备
CN110384491A (zh) * 2019-08-21 2019-10-29 河南科技大学 一种基于普通摄像头的心率检测方法
CN110569760A (zh) * 2019-08-27 2019-12-13 东南大学 一种基于近红外和远程光电体积描记术的活体检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BOFAN LIN 等: "Face Liveness Detection by rPPG Features and Contextual Patch-Based CNN", 《ICBEA》 *
BOWEN ZHANG 等: "Attacking CNN-based anti-spoofing face authentication in the physical domain", 《ARXIV》 *
杨敏 等: "基于心率信息人脸识别过程中活体检测", 《信息通信》 *
甘俊英 等: "基于3D卷积神经网络的活体人脸检测", 《信号处理》 *
闵玉琴 等: "基 于 G 通道心率变化的非接触人脸活体检测", 《计算机应用与软件》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802068A (zh) * 2020-12-24 2021-05-14 奥比中光科技集团股份有限公司 一种同步获取深度、彩色与光谱图像的装置及识别系统
CN113361356A (zh) * 2021-05-28 2021-09-07 佛山市诚智鑫信息科技有限公司 一种复杂环境人脸识别方法及系统
CN113705428A (zh) * 2021-08-26 2021-11-26 北京市商汤科技开发有限公司 活体检测方法及装置、电子设备及计算机可读存储介质
CN115860698A (zh) * 2023-02-23 2023-03-28 广东开放大学（广东理工职业学院） 一种基于区块链及云计算技术的学分银行管理系统
CN115860698B (zh) * 2023-02-23 2023-04-28 广东开放大学（广东理工职业学院） 一种基于区块链及云计算技术的学分银行管理系统

Similar Documents

Publication Publication Date Title
CN111767788A (zh) 一种非交互式单目活体检测方法
CN108229362B (zh) 一种基于门禁系统的双目人脸识别活体检测方法
CN102419819B (zh) 人脸图像识别方法和系统
CN108596041B (zh) 一种基于视频的人脸活体检测方法
CN109359634B (zh) 一种基于双目摄像机的人脸活体检测方法
CN108446690B (zh) 一种基于多视角动态特征的人脸活体检测方法
CN107066942A (zh) 一种活体人脸识别方法及系统
CN107392187B (zh) 一种基于梯度方向直方图的人脸活体检测方法
CN111523344B (zh) 人体活体检测系统及方法
CN104951773A (zh) 一种实时人脸识别监视系统
CN108764058A (zh) 一种基于热成像效应的双摄像头人脸活体检测方法
CN108021892A (zh) 一种基于极短视频的人脸活体检测方法
CN107392177A (zh) 一种人体身份识别验证方法及其装置
CN104408780A (zh) 一种人脸识别考勤系统
CN104102903A (zh) 一种基于src的二次人脸识别方法
CN111079688A (zh) 一种人脸识别中的基于红外图像的活体检测的方法
CN107862298B (zh) 一种基于红外摄像装置下眨眼的活体检测方法
CN111209820A (zh) 人脸活体检测方法、系统、设备及可读存储介质
CN110929680B (zh) 一种基于特征融合的人脸活体检测方法
CN110222647B (zh) 一种基于卷积神经网络的人脸活体检测方法
CN109522865A (zh) 一种基于深度神经网络的特征加权融合人脸识别方法
CN116823694A (zh) 基于多聚焦信息整合的红外与可见光图像融合方法及系统
Guan Robust eye detection from facial image based on multi-cue facial information
CN112861588A (zh) 一种活体检测的方法、装置
Speth et al. Digital and physical-world attacks on remote pulse 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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20230602

AD01 Patent right deemed abandoned