CN111767877A - 一种基于红外特征的活体检测方法 - Google Patents

一种基于红外特征的活体检测方法 Download PDF

Info

Publication number
CN111767877A
CN111767877A CN202010634854.0A CN202010634854A CN111767877A CN 111767877 A CN111767877 A CN 111767877A CN 202010634854 A CN202010634854 A CN 202010634854A CN 111767877 A CN111767877 A CN 111767877A
Authority
CN
China
Prior art keywords
face
infrared
feature
neural network
living body
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.)
Withdrawn
Application number
CN202010634854.0A
Other languages
English (en)
Inventor
安玉山
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.)
Beijing Shizhen Intelligent Technology Co ltd
Original Assignee
Beijing Shizhen Intelligent 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 Beijing Shizhen Intelligent Technology Co ltd filed Critical Beijing Shizhen Intelligent Technology Co ltd
Priority to CN202010634854.0A priority Critical patent/CN111767877A/zh
Publication of CN111767877A publication Critical patent/CN111767877A/zh
Withdrawn legal-status Critical Current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
    • G06V40/40—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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于红外特征的活体检测方法，该方法克服现有针对人脸活体检测技术的不足，采用人脸检测中的人脸对齐技术标注特征点位置以提升准确度，结合红外照片中面部对红外光反射的特征，利用大量红外面部数据训练深度深井网络，通过学习区分真实样本和欺骗样本，根据估计的人脸红外图像为人脸图像提供评分，通过评分判定当前目标是否为合法用户，以应对翻拍重放等手段的欺骗攻击。本发明提供的一种基于红外特征的活体检测方法应用于区分人脸识别中的真实样本和欺骗样本，解决现有技术中存在的照片或者视频恶意欺骗以通过验证，人脸识别验证耗时长，鲁棒性不够强的问题，提升活体检测的健壮性，具备更好的分类和学习能力。

Description

一种基于红外特征的活体检测方法
技术领域
本发明涉及计算机视觉技术领域，特别涉及，一种基于红外特征的活体检测方法。
背景技术
人脸识别是通过捕捉人脸图像后，进行数据库比对来完成识别过程，广泛应用于高精度需求的人脸识别系统。作为一项生物识别技术，人脸识别技术不断成熟，如今已经普及到安全认证、电子商务等诸多领域，例如生活中的门禁系统、签到打卡和远程交易等。
传统的人脸识别算法中，虽然人脸特征识别已经十分精确，但是仅能判别人脸图像的身份信息，无法准确辨别出所输入人脸的真实性。因此，传统的人脸识别技术面临着各种恶意欺骗以通过验证的方法，例如通过打印翻拍图片、视频回放、佩戴目标人物面具来伪造合法的身份信息，达到欺骗人脸验证的目的，这些欺骗攻击使得传统的验证方法失效。传统的活体检测方法需要用户交互和配合，大幅提高人脸识别验证耗时，且容易受到翻拍重放等手段的欺骗攻击，鲁棒性不够强。
针对以上这些情况，需要一种活体检测方法作为人脸识别的辅助技术，来高效地判别捕捉到的人脸是真实人脸还是伪造的人脸攻击，以验证当前目标是否是合法用户本人，解决现有技术中存在的照片或者视频恶意欺骗以通过验证，人脸识别验证耗时长，鲁棒性不够强的问题。
发明内容
针对上述缺陷，本发明解决的技术问题在于，提供一种基于红外特征的活体检测方法，以解决现在技术所存在的照片或者视频恶意欺骗以通过验证，人脸识别验证耗时长，鲁棒性不够强的问题。
本发明提供了一种基于红外特征的活体检测方法，具体步骤包括：
步骤1、输入待检测图像信息，进行人脸检测，获取人脸框和特征点信息；
步骤2、根据得到的人脸框和特征点信息，采用人脸对齐算法进行人脸对齐，得到处理后的红外人脸图像；
步骤3、根据得到的红外人脸图像，使用卷积神经网络进行红外特征提取；
步骤4、训练并使用神经网络作为特征分类器，对高维特征进行有效的分类，生成特征得分即检测结果的欺骗得分Fscore；
步骤5、根据上述步骤给出的反馈信号，应用s＝1-Fscore计算活体得分，进行结果判断。
优选地，所述步骤1具体步骤包括：
步骤1.1、输入待进行活体检测的红外人脸图像，判定人脸框位置；
步骤1.2、提取出人脸特征点位置Pi；
步骤1.3、根据检测到的人脸框，计算特征点在人脸框中的相对位置坐标；
优选地，所述步骤1还包括，根据是否检测到人脸框和特征点信息，判定下一步操作，判定标准是若人脸检测算法没有发现人脸，直接进入步骤5，若成功提取了人脸特征点位置，进入步骤2。
优选地，所述步骤2具体步骤包括：
步骤2.1、根据特征点在人脸框中的相对位置坐标，结合迭代模型给出的预设标准脸特征点位置，对人脸特征点进行人脸对齐操作，得到较为精确的人脸特征点坐标；
步骤2.2、对人脸对齐后得到的红外人脸图像进行灰度颜色正则化处理。
优选地，所述步骤2.1的步骤包括：
步骤2.1.1、根据人脸框中特征关键点的信息，在预设的迭代模型中，根据minF(Pi+ΔL)-F(Gi)进行人脸对齐，其中，Pi为人脸检测结合标准脸计算得到的N个特征点的位置，Gi为训练集中手工标注的特征点位置，△L为Pi与Gi之间的偏移，F为特征提取函数，将人脸图像使用仿射变换矩阵进行归一化处理，将人脸图像形状尽可能地贴近预设标准脸形状，通过平移，放缩和旋转变换来实现，计算公式，
Figure BDA0002567878970000021
其中，s为缩放比例，θ为旋转角度，t代表平移的位移，其中R是正交矩阵；
步骤2.1.2、结合形状回归框架，使用多个回归预测网络串联组成的级联回归器，预测仿射变换后的人脸关键点与预设标准脸之间的细微差异，对人脸关键点坐标进行微调，得到精度更高的定位模型。
优选地，所述步骤3具体步骤包括：
步骤3.1、使用一个训练好的卷积神经网络，输入灰度颜色正则化处理得到的红外人脸图像；
步骤3.2、使用下采样的卷积层，并在卷积后对图像信息进行标准化批处理；
步骤3.3、接入修正线性激活层后，接入最大值池化层进行下采样，得到处理后的图像信息；
步骤3.4、对图像信息逐步进行下采样、卷积的操作，将其转化为多通道小尺寸的特征图表示形式；
步骤3.5、将转化后的特征图信息，通过深度可分离卷积层进行特征提取，融合图像宽、高方向的信息至一个像素，保留通道维度不变，进而得到并输出高维度特征向量X0。
优选地，所述步骤4具体步骤包括：
步骤4.1、对分类神经网络进行训练，得到训练好的分类神经网络，分类神经网络逐层的递推计算公式为
Figure BDA0002567878970000031
其中，第i个全连接层由参数Wi和Bi确定，Xi为第i个全连接层的输出向量，X0为步骤3输出的高维度特征向量；
步骤4.2、使用训练好的分类神经网络对高维特征进行有效的分类，使用softmax层计算生成特征得分即得到欺骗分数，计算欺骗分数的公式为
Figure BDA0002567878970000032
其中，O0和O1为全连接层输出向量Xm中的两个浮点数；
步骤4.3、根据分类神经网络输出的欺骗得分Fscore，判断样本的欺骗程度。
优选地，所述步骤4.1具体步骤包括：
步骤4.1.1、训练时将计算得分的分类神经网络与提取特征的卷积神经网络联合，使用软标签损失监督；
步骤4.1.2、训练阶段中，利用大量红外面部数据对分类神经网络使用交叉熵损失函数进行训练；
步骤4.1.3、将m个训练好的全连接层串联，作为训练好的分类神经网络进行使用。
优选地，所述步骤5具体步骤包括：
步骤5.1、收到步骤1没有发现人脸的反馈信号，直接判定活体检测失败，活体得分s置0，本方法终止；
步骤5.2、收到步骤4的反馈信号，根据步骤4中基于特征向量的欺骗得分，应用s＝1-Fscore计算活体得分；
步骤5.3、根据计算得到的活体得分，输出判定结果。
由上述方案可知，本发明提供的一种基于红外特征的活体检测方法克服现有针对人脸活体检测技术的不足，采用人脸检测中的人脸对齐技术标注特征点位置以提升准确度，结合红外照片中面部对红外光反射的特征，利用大量红外面部数据训练深度深井网络，通过学习区分真实样本和欺骗样本，根据估计的人脸红外图像为人脸图像提供评分，通过评分判定当前目标是否为合法用户，以应对翻拍重放等手段的欺骗攻击。本发明应用于区分人脸识别中的真实样本和欺骗样本，利用人脸在红外摄像头下的五官位置具有比可见光环境下更突出的轮廓信息，更容易被特征提取器捕捉的特点，解决现有技术中存在的照片或者视频恶意欺骗以通过验证，人脸识别验证耗时长，鲁棒性不够强的问题，提升活体检测的健壮性，具备更好的分类和学习能力，适于广泛推广。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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。
图1为本发明实施例提供的一种基于红外特征的活体检测方法的过程框图一；
图2为本发明实施例提供的一种基于红外特征的活体检测方法的过程框图二；
图3为本发明实施例提供的一种基于红外特征的活体检测方法的过程框图三；
图4为本发明实施例提供的一种基于红外特征的活体检测方法的过程框图四；
图5为本发明实施例提供的一种基于红外特征的活体检测方法的过程框图五；
图6为本发明实施例提供的一种基于红外特征的活体检测方法的过程框图六。
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、完整地描述，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。
请一并参阅图1至图6，现对本发明提供的一种基于红外特征的活体检测方法的一种具体实施方式进行说明。该种基于红外特征的活体检测方法具体步骤包括：
S1、输入待检测图像信息，进行人脸检测，获取人脸框和特征点信息，根据是否检测到人脸框和特征点信息，判定下一步操作，判定标准是若人脸检测算法没有发现人脸，直接进入S5，若成功提取了人脸特征点位置，进入S2。
本步骤具体的实现步骤可以为：
S1.1、输入待进行活体检测的红外人脸图像，采用红外人脸检测算法判定人脸框位置，实现人脸定位；
S1.2、根据得到的人脸框信息，提取出人脸框内的人脸特征点位置Pi，以进行后续的人脸对齐操作，这样可以有效减小计算量；
S1.3、根据检测到的人脸框，计算特征点在人脸框中的相对位置坐标。
S2、根据得到的人脸框和特征点信息，采用人脸对齐算法进行人脸对齐，得到处理后的红外人脸图像。
本步骤具体的实现步骤可以为：
S2.1、根据特征点在人脸框中的相对位置坐标，结合迭代模型给出的预设标准脸特征点位置，对人脸特征点进行人脸对齐操作，得到较为精确的人脸特征点坐标；
本步骤具体的实现步骤可以为：
S2.1.1、根据人脸框中特征关键点的信息，在预设的迭代模型中，根据公式minF(Pi+ΔL)-F(Gi)进行人脸对齐，其中，Pi为人脸检测结合标准脸计算得到的N个特征点的位置，Gi为训练集中手工标注的特征点位置，△L为Pi与Gi之间的偏移，F为特征提取函数，将人脸图像使用仿射变换矩阵进行归一化处理，将人脸图像形状尽可能地贴近预设标准脸形状，通过平移，放缩和旋转变换来实现，计算公式，
Figure BDA0002567878970000061
其中，s为缩放比例，θ为旋转角度，t代表平移的位移，其中R是正交矩阵；
示例性的，N为256，则Pi为人脸检测结合标准脸计算得到的256个特征点的位置。
S2.1.2、结合形状回归框架，使用多个回归预测网络串联组成的级联回归器，预测仿射变换后的人脸关键点与预设标准脸之间的细微差异，对人脸关键点坐标进行微调，进一步提升定位模型的精度，得到精度更高的定位模型。
S2.2、对人脸对齐后得到的红外人脸图像进行灰度颜色正则化处理。
S3、根据得到的红外人脸图像，使用卷积神经网络的卷积层和池化层，进行红外特征提取，得到并输出特征向量。
本步骤具体的实现步骤可以为：
S3.1、使用一个训练好的卷积神经网络，输入灰度颜色正则化处理得到的红外人脸图像；
卷积神经网络作为一种强大的图像学习器，能够从输入的单通道红外人脸图像映射到高维度向量表示的特征。
S3.2、使用下采样的卷积层，并在卷积后对图像信息进行标准化批处理；
S3.3、接入修正线性激活层后，接入最大值池化层进行下采样，得到处理后的图像信息；
S3.4、对图像信息逐步进行下采样、卷积的操作，将其转化为多通道小尺寸的特征图表示形式；
具体的是，对图像信息按顺序使用步长为1的卷积、标准化批处理、修正线性激活的组合操作，逐步进行卷积，并在合适的时候使用步长为2的卷积层进行下采样，将其转化为多通道小尺寸的特征图表示形式；
S3.5、将转化后的特征图信息，通过深度可分离卷积层进行特征提取，融合图像宽、高方向的信息至一个像素，保留通道维度不变，进而得到并输出高维度特征向量X0。
S4、训练并使用神经网络作为特征分类器，对高维特征进行有效的分类，生成特征得分即检测结果的欺骗得分Fscore。
本步骤具体的实现步骤可以为：
S4.1、对分类神经网络进行训练，得到训练好的分类神经网络，分类神经网络逐层的递推计算公式为
Figure BDA0002567878970000071
其中，第i个全连接层由参数Wi和Bi确定，Xi为第i个全连接层的输出向量，X0为步骤3输出的高维度特征向量；
神经网络常常作为特征分类器，可以将高维特征有效的分类。
本步骤具体的实现步骤可以为：
S4.1.1、训练时将计算得分的分类神经网络与提取特征的卷积神经网络联合，使用软标签损失监督；
S4.1.2、训练阶段中，利用大量红外面部数据对分类神经网络使用交叉熵损失函数进行训练，其中，如果人脸图像是活体样本，给它分配二进制标签为1，如果人脸图像是欺骗样本，给它分配二进制标签为0；
S4.1.3、将m个训练好的全连接层串联，作为训练好的分类神经网络进行使用。
步骤4.2、使用训练好的分类神经网络对高维特征进行有效的分类，使用softmax层计算生成特征得分即得到欺骗分数，分类神经网络会对每个特征点给出欺骗分数，计算欺骗分数的公式为
Figure BDA0002567878970000072
其中，Fscore数值在(0，1)区间内，O0和O1为全连接层输出向量Xm中的两个浮点数；
S4.3、根据分类神经网络输出的欺骗得分Fscore，判断样本的欺骗程度。
具体的，样本的欺骗程度判断标准是欺骗分数越大，则分类神经网络认为该向量表示的人脸是欺骗样本的置信度越高，样本的欺骗程度越高。
S5、根据上述步骤给出的反馈信号进行结果判断，并输出相应结果信息。
本步骤具体的实现步骤可以为：
S5.1、收到S1没有发现人脸的反馈信号，直接判定活体检测失败，活体得分s置0，本方法终止；
S5.2、收到S4的反馈信号，根据S4中基于特征向量的欺骗得分，应用s＝1-Fscore计算活体得分；
S5.3、根据计算得到的活体得分，输出判定结果。
具体的判定标准是，若评分s大于评判标准，则判定当前检测目标为合法真人，可以通过检测，否则不通过，该评判标准根据场合的不同进行修改，以控制算法严格程度。
示例性的，输入一张图片，首先进行S1中的人脸检测，若检测不到人脸，则活体得分s置0，本方法终止。否则根据S4中基于特征向量的欺骗得分，计算活体得分。在一般场合下，若评分s大于评判标准0.5，则判定当前检测目标为合法真人，可以通过检测，否则不通过。
本发明应用于区分人脸识别中的真实样本和欺骗样本，根据红外相机拍摄的红外人脸图像提供活体评分，通过评分判定当前目标是否为合法用户，以应对翻拍重放等手段的欺骗攻击，区分结果准确率高，适用于强阳光的室外和弱照明的室内，对发饰、眼镜、围巾等人脸附近的干扰物不敏感。将其应用于人脸识别系统中，利用活体评分可以直接拒绝欺骗样本，保护系统的安全性，防止各类欺骗手段骗过识别系统。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于红外特征的活体检测方法，其特征在于，具体步骤包括：
步骤1、输入待检测图像信息，进行人脸检测，获取人脸框和特征点信息；
步骤2、根据得到的人脸框和特征点信息，采用人脸对齐算法进行人脸对齐，得到处理后的红外人脸图像；
步骤3、根据得到的红外人脸图像，使用卷积神经网络进行红外特征提取；
步骤4、训练并使用神经网络作为特征分类器，对高维特征进行有效的分类，生成特征得分即检测结果的欺骗得分Fscore；
步骤5、根据上述步骤给出的反馈信号，应用s＝1-Fscore计算活体得分，进行结果判断。
2.根据权利要求1所述的一种基于红外特征的活体检测方法，其特征在于，所述步骤1具体步骤包括：
步骤1.1、输入待进行活体检测的红外人脸图像，判定人脸框位置；
步骤1.2、提取出人脸特征点位置Pi；
步骤1.3、根据检测到的人脸框，计算特征点在人脸框中的相对位置坐标。
3.根据权利要求2所述的一种基于红外特征的活体检测方法，其特征在于，所述步骤1还包括根据是否检测到人脸框和特征点信息，判定下一步操作，判定标准是若人脸检测算法没有发现人脸，直接进入步骤5，若成功提取了人脸特征点位置，进入步骤2。
4.根据权利要求3所述的一种基于红外特征的活体检测方法，其特征在于，所述步骤2具体步骤包括：
步骤2.1、根据特征点在人脸框中的相对位置坐标，结合迭代模型给出的预设标准脸特征点位置，对人脸特征点进行人脸对齐操作，得到较为精确的人脸特征点坐标；
步骤2.2、对人脸对齐后得到的红外人脸图像进行灰度颜色正则化处理。
5.根据权利要求4所述的一种基于红外特征的活体检测方法，其特征在于，所述步骤2.1的步骤包括：
步骤2.1.1、根据人脸框中特征关键点的信息，在预设的迭代模型中，根据min|F(Pi+ΔL)-F(Gi)|进行人脸对齐，其中，Pi为人脸检测结合标准脸计算得到的N个特征点的位置，Gi为训练集中手工标注的特征点位置，△L为Pi与Gi之间的偏移，F为特征提取函数，将人脸图像使用仿射变换矩阵进行归一化处理，将人脸图像形状尽可能地贴近预设标准脸形状，通过平移，放缩和旋转变换来实现，计算公式，
Figure FDA0002567878960000021
其中，s为缩放比例，θ为旋转角度，t代表平移的位移，其中R是正交矩阵；
步骤2.1.2、结合形状回归框架，使用多个回归预测网络串联组成的级联回归器，预测仿射变换后的人脸关键点与预设标准脸之间的细微差异，对人脸关键点坐标进行微调，得到精度更高的定位模型。
6.根据权利要求5所述的一种基于红外特征的活体检测方法，其特征在于，所述步骤3具体步骤包括：
步骤3.1、使用一个训练好的卷积神经网络，输入灰度颜色正则化处理得到的红外人脸图像；
步骤3.2、使用下采样的卷积层，并在卷积后对图像信息进行标准化批处理；
步骤3.3、接入修正线性激活层后，接入最大值池化层进行下采样，得到处理后的图像信息；
步骤3.4、对图像信息逐步进行下采样、卷积的操作，将其转化为多通道小尺寸的特征图表示形式；
步骤3.5、将转化后的特征图信息，通过深度可分离卷积层进行特征提取，融合图像宽、高方向的信息至一个像素，保留通道维度不变，进而得到并输出高维度特征向量X0。
7.根据权利要求6所述的一种基于红外特征的活体检测方法，其特征在于，所述步骤4具体步骤包括：
步骤4.1、对分类神经网络进行训练，得到训练好的分类神经网络，分类神经网络逐层的递推计算公式为
Figure FDA0002567878960000022
其中，第i个全连接层由参数Wi和Bi确定，Xi为第i个全连接层的输出向量，X0为步骤3输出的高维度特征向量；
步骤4.2、使用训练好的分类神经网络对高维特征进行有效的分类，使用softmax层计算生成特征得分即得到欺骗分数，计算欺骗分数的公式为
Figure FDA0002567878960000031
其中，O0和O1为全连接层输出向量Xm中的两个浮点数；
步骤4.3、根据分类神经网络输出的欺骗得分Fscore，判断样本的欺骗程度。
8.根据权利要求7所述的一种基于红外特征的活体检测方法，其特征在于，所述步骤4.1的具体步骤包括：
步骤4.1.1、训练时将计算得分的分类神经网络与提取特征的卷积神经网络联合，使用软标签损失监督；
步骤4.1.2、训练阶段中，利用大量红外面部数据对分类神经网络使用交叉熵损失函数进行训练；
步骤4.1.3、将m个训练好的全连接层串联，作为训练好的分类神经网络进行使用。
9.根据权利要求8所述的一种基于红外特征的活体检测方法，其特征在于，所述步骤5具体步骤包括：
步骤5.1、收到步骤1没有发现人脸的反馈信号，直接判定活体检测失败，活体得分s置0，本方法终止；
步骤5.2、收到步骤4的反馈信号，根据步骤4中基于特征向量的欺骗得分，应用s＝1-Fscore计算活体得分；
步骤5.3、根据计算得到的活体得分，输出判定结果。
CN202010634854.0A 2020-07-03 2020-07-03 一种基于红外特征的活体检测方法 Withdrawn CN111767877A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010634854.0A CN111767877A (zh) 2020-07-03 2020-07-03 一种基于红外特征的活体检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010634854.0A CN111767877A (zh) 2020-07-03 2020-07-03 一种基于红外特征的活体检测方法

Publications (1)

Publication Number Publication Date
CN111767877A true CN111767877A (zh) 2020-10-13

Family

ID=72724514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010634854.0A Withdrawn CN111767877A (zh) 2020-07-03 2020-07-03 一种基于红外特征的活体检测方法

Country Status (1)

Country Link
CN (1) CN111767877A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879724A (zh) * 2020-08-05 2020-11-03 中国工程物理研究院流体物理研究所 基于近红外光谱成像的人皮面具识别方法及系统
CN113255562A (zh) * 2021-06-10 2021-08-13 中山大学 一种基于光照差异消除的人脸活体检测方法及系统
CN113326400A (zh) * 2021-06-29 2021-08-31 合肥高维数据技术有限公司 基于深度伪造视频检测的模型的评价方法及系统
CN113723243A (zh) * 2021-08-20 2021-11-30 南京华图信息技术有限公司 一种戴面罩的热红外图像人脸识别方法及应用

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879724A (zh) * 2020-08-05 2020-11-03 中国工程物理研究院流体物理研究所 基于近红外光谱成像的人皮面具识别方法及系统
CN113255562A (zh) * 2021-06-10 2021-08-13 中山大学 一种基于光照差异消除的人脸活体检测方法及系统
CN113255562B (zh) * 2021-06-10 2023-10-20 中山大学 一种基于光照差异消除的人脸活体检测方法及系统
CN113326400A (zh) * 2021-06-29 2021-08-31 合肥高维数据技术有限公司 基于深度伪造视频检测的模型的评价方法及系统
CN113326400B (zh) * 2021-06-29 2024-01-12 合肥高维数据技术有限公司 基于深度伪造视频检测的模型的评价方法及系统
CN113723243A (zh) * 2021-08-20 2021-11-30 南京华图信息技术有限公司 一种戴面罩的热红外图像人脸识别方法及应用
CN113723243B (zh) * 2021-08-20 2024-05-17 南京华图信息技术有限公司 一种戴面罩的热红外图像人脸识别方法及应用

Similar Documents

Publication Publication Date Title
Atoum et al. Face anti-spoofing using patch and depth-based CNNs
CN106971174B (zh) 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法
CN111767877A (zh) 一种基于红外特征的活体检测方法
US6661907B2 (en) Face detection in digital images
KR101185525B1 (ko) 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별
CN109800643A (zh) 一种活体人脸多角度的身份识别方法
Scherhag et al. Performance variation of morphed face image detection algorithms across different datasets
US20230206700A1 (en) Biometric facial recognition and liveness detector using ai computer vision
CN113052142A (zh) 一种基于多模态数据的静默活体检测方法
CN105760815A (zh) 基于第二代身份证人像和视频人像的异构人脸核实方法
Thepade et al. Novel face liveness detection using fusion of features and machine learning classifiers
CN114612980A (zh) 基于多方位交融注意力的变形人脸检测
Sudhakar et al. Facial identification of twins based on fusion score method
Mohamed et al. Automated face recogntion system: Multi-input databases
CN112200075A (zh) 一种基于异常检测的人脸防伪方法
CN111368803A (zh) 一种人脸识别方法及系统
Lin Face detection by color and multilayer feedforward neural network
de Campos et al. A framework for face recognition from video sequences using gwn and eigenfeature selection
Naji et al. Detecting faces in colored images using multi-skin color models and neural network with texture analysis
Praseeda Lekshmi et al. Analysis of facial expressions from video images using PCA
Qiao et al. Fully Unsupervised Deepfake Video Detection via Enhanced Contrastive Learning
Puhalanthi et al. Effective multiple person recognition in random video sequences using a convolutional neural network
Shukla et al. Comparison of Face Recognition algorithms & its subsequent impact on side face
CN111723612A (zh) 人脸识别和人脸识别网络的训练方法和装置、存储介质
Zhang et al. Dynamic attention based domain generalization for face anti-spoofing

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201013