CN111767879A - 一种活体检测方法 - Google Patents
一种活体检测方法 Download PDFInfo
- Publication number
- CN111767879A CN111767879A CN202010634909.8A CN202010634909A CN111767879A CN 111767879 A CN111767879 A CN 111767879A CN 202010634909 A CN202010634909 A CN 202010634909A CN 111767879 A CN111767879 A CN 111767879A
- Authority
- CN
- China
- Prior art keywords
- face
- living body
- image
- depth
- rgb
- 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- Withdrawn
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10024—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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种活体检测方法,属于计算机视觉技术领域,包括采集含有人脸数据的RGB图像和深度图像;从RGB图像定位目标人脸的位置;从深度图像中定位目标人脸的位置;分别提取RGB人脸图像和深度人脸图像中的特征,并将特征进行融合,其中,融合后的特征含有纹理信息、结构信息;根据融合后的特征预测输入属于活体的概率得分S;根据输入属于活体的概率得分S判定当前检测目标中是否存在活体。本发明提供的一种活体检测方法,应用于区分人脸识别中的真实活体样本和欺骗样本,区分结果准确率高,鲁棒性强。
Description
技术领域
本发明属于计算机视觉技术领域,具体地说,是涉及一种活体检测方法,更具体地说,是一种基于RGB图像特征和深度图像特征融合的活体检测方法。
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。与指纹、虹膜等信息相比,人脸信息是较容易获取的生物信息,因此被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、签到打卡和人脸支付等。
在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伪。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3D面具等方式来伪造身份信息,达到欺骗人脸验证系统的目的,这些欺骗攻击手段使得传统的人脸验证方法失效。
因此,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,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通过伪造人脸进行欺骗的问题。
发明内容
本发明的目的在于提供一种活体检测方法,旨在解决现有技术中存在的通过伪造人脸进行欺骗的技术问题。
为实现上述目的,本发明采用的技术方案是:提供一种活体检测方法,包括:
采集含有人脸数据的RGB图像和深度图像;
优选地,采集含有人脸数据的RGB图像和深度图像包括:
对摄像设备进行相机标定,获取所述摄像设备的内外参数,其中,摄像设备包括:2D普通相机及深度相机;
将摄像设备放置在预设距离下分别采集RGB图像和深度图像。
从所述RGB图像定位目标人脸的位置;
优选地,从所述RGB图像定位目标人脸的位置包括:
选取RGB图像中含有人脸框的预设区域;
在预设区域根据人脸框裁剪RGB图像,得到只包含人脸的RGB人脸图像。
从所述深度图像中定位目标人脸的位置;
优选地,从所述深度图像中定位目标人脸的位置包括:
根据摄像设备的内外参数及所述RGB图像内目标人脸的位置计算得到所述深度图像中目标人脸的位置;
对所述深度图像进行裁剪得到只含目标人脸的深度人脸图像。
分别提取RGB人脸图像和深度人脸图像中的特征,并将特征进行融合,其中,融合后的特征含有纹理信息、结构信息;
优选地,分别提取RGB人脸图像和深度人脸图像中的特征包括:
使用两个结构相同、参数分别进行预先设置的卷积神经网络提取RGB人脸图像和深度人脸图像的特征,。
优选地,将特征进行融合包括:
使用卷积层将两个特征变换到相同特征空间中;
把两个特征逐元素的相加实现两个特征的融合。
根据融合后的特征预测输入属于活体的概率得分S;
优选地,根据融合后的特征预测属于活体的概率得分S包括:
将融合后的特征输入到ResNet18卷积神经网络提取高层特征;
通过全连接层和Sigmoid激活函数预测输入属于活体的概率得分S,其中,输入属于活体的概率得分S为一个取值范围在[0,1]之间的实数;Sigmoid激活函数的表达式如下:
根据输入属于活体的概率得分S判定当前检测目标中是否存在活体。
优选地,根据输入属于活体的概率得分S判定当前检测目标中是否存在活体包括:
将输入属于活体的概率得分S与预设阈值A进行对比;
若S大于A,则判定当前检测目标中存在活体,可以通过检测,否则不通过,其中,预设阈值M为一个取值范围在[0,1]之间的实数。
优选地是,在训练卷积神经网络的过程中,使用交叉熵损失函数对卷积神经网络进行监督。
优选地,若从所述RGB图像定位不到目标人脸的位置,则该方法终止。
本发明提供的一种活体检测方法的有益效果在于:与现有技术相比,本发明一种活体检测方法可以应用于区分人脸识别中的真实活体样本和欺骗样本,通过融合的RGB图像特征和深度图像特征判断输入是否存在活体,以应对翻拍重放等手段的欺骗攻击,区分结果准确率高,鲁棒性强。将该活体检测方法应用于人脸识别系统中,利用活体预测得分直接拒绝欺骗样本,提高人脸识别系统的安全性,防止欺骗手段骗过识别系统。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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活体检测方法的流程框图;
图2为本发明实施例提供的另一种活体检测方法的流程框图一;
图3为本发明实施例提供的另一种活体检测方法的流程框图二;
图4为本发明实施例提供的另一种活体检测方法的流程框图三;
图5为本发明实施例提供的另一种活体检测方法的流程框图四;
图6为本发明实施例提供的另一种活体检测方法的流程框图五;
图7为本发明实施例提供的另一种活体检测方法的流程框图六;
图8为本发明实施例提供的另一种活体检测方法的流程框图七;
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,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仅用以解释本发明,并不用于限定本发明。
请一并参阅图1至图8,现对本发明提供的一种活体检测方法进行说明。所述一种活体检测方法,包括以下步骤:
S1、采集含有人脸数据的RGB图像和深度图像;
深度图像:表示从深度相机到场景中各点的距离作为图像像素值的图像。
本步骤具体的实现可以为:
S1.1、对摄像设备进行相机标定,获取摄像设备的内外参数,其中,摄像设备包括:2D普通相机及深度相机。
在本步骤中,对2D普通相机及深度相机(如3D结构光深度相机)进行相机标定后,获取两个相机的内外参数。
内外参数:指相机的内参数K和外参数M。内参数K表示相机的内部属性,外参数M表示相机的位置坐标及旋转角度。内参数K的表达式如下:
式中,和为相机的焦距,和为相机相对于成像平面的主点坐标,为相机的坐标轴倾斜参数。
S1.2、将摄像设备放置在预设距离下分别采集RGB图像和深度图像。
预设距离为:0.3-1.5m。
具体的是,当检测目标与摄像设备之间距离为0.3-1.5m时,2D普通相机及深度相机分别采集检测目标的图像信息。
S2、从RGB图像定位目标人脸的位置;
本步骤具体的实现可以为:
S2.1、选取RGB图像中含有人脸框的预设区域;
RGB图像中预设区域一般包括:RGB图像的中心区域或RGB图像拍摄时的焦点区域。
S2.2、在预设区域根据人脸框裁剪RGB图像,得到只包含人脸的RGB人脸图像。
其中,若从RGB图像中定位不到目标人脸的位置,则该方法结束。
S3、从深度图像中定位目标人脸的位置;
本步骤具体的实现可以为:
S3.1、根据摄像设备的内外参数及RGB图像内目标人脸的位置计算得到深度图像中目标人脸的位置;
首先根据RGB图像人脸的位置和2D普通相机的内外参数计算人脸在世界坐标系下的位置,然后再根据深度相机的内外参数计算得到深度图像中的目标人脸的位置。
S3.2、对深度图像进行裁剪得到只含目标人脸的深度人脸图像。
S4、分别提取RGB人脸图像和深度人脸图像中的特征,并将特征进行融合,其中,融合后的特征含有纹理信息、结构信息;
本步骤具体的实现可以为:
S4.1、使用两个结构相同、参数分别进行过预先设置的卷积神经网络提取RGB人脸图像和深度人脸图像的特征,这里用的卷积神经网络由3个卷积层和3个ReLU激活函数组成。
卷积神经网络:包含卷积操作的前馈神经网络,可以自动学习提取输入的特征表示。
其中,所述参数包括:卷积核大小、步长、填充和卷积核的权重等。
本步骤具体的实现可以为:
S4.1.1、分别使用一个卷积核大小为1*1的卷积层将RGB图像特征和深度图像特征变换到相同特征空间中,RGB图像特征包含人脸的颜色、纹理和结构等信息,而深度图像特征包含深度等信息;
S4.1.2、把两个特征逐元素的相加实现两个特征的融合。融合后的特征既具有RGB人脸图像中的纹理信息和结构信息,又具有深度人脸图像中的深度信息,更适合进行活体检测任务。
S5、根据融合后的特征预测输入属于活体的概率得分S;
需要说明的是,卷积神经网络能够从输入中自动学习到合适的特征映射函数:,其中,表示学习到的映射函数;是映射函数中的参数,在训练过程中学习得到;和分别表示输入的RGB图像和深度图像。
本步骤具体的实现可以为:
S5.1、将融合后的特征输入到ResNet18卷积神经网络提取高层特征;
具体的是,融合后的特征输入到ResNet18卷积神经网络中进行高层特征的选择和信息过滤。
S5.2、通过全连接层和Sigmoid激活函数预测输入属于活体的概率得分S。其中,输入属于活体的概率得分S为一个取值范围在[0,1]之间的实数。Sigmoid激活函数的表达式如下:
具体的是,如果检测目标的输入图像是活体样本,则对应的标签为1,否则对应的标签为0。在实际使用过程中,以相同的方式计算输入属于活体的概率得分S,概率得分S为一个取值范围在[0,1]之间的实数,表示输入属于活体的概率,这个得分越接近0表示输入属于欺骗样本的概率越大。
其中,在训练卷积神经网络的过程中,使用交叉熵损失函数对卷积神经网络进行监督。
S6、根据输入属于活体的概率得分S判定当前检测目标中是否存在活体。
本步骤具体的实现可以为:
S6.1、将输入属于活体的概率得分S与预设阈值A进行对比;
S6.2、若S大于A,则判定当前检测目标中存在活体,可以通过检测;否则不通过。
其中,预设阈值M为一个取值范围在[0,1]之间的实数。
在本实施例中,预设阈值A为0.7。
示例性的,通过步骤S1采集到RGB图像和相应的深度图像后,首先进行步骤S2中的人脸检测,若检测不到人脸,则输入属于活体的概率得分S,判断输入中不存在活体,本方法终止。否则继续进入步骤S3,并根据步骤S4、S5进行特征融合并预测输入属于活体的概率得分S。若S大于0.7,则判定当前检测目标中存在活体,可以通过检测,否则不通过。
本发明提供的一种活体检测方法,与现有技术相比,本发明可以应用于区分人脸识别中的真实活体样本和欺骗样本,通过融合的RGB图像特征和深度图像特征判断输入是否存在活体,以应对翻拍重放等手段的欺骗攻击,区分结果准确率高,鲁棒性强。将该活体检测方法应用于人脸识别系统中,利用活体预测得分直接拒绝欺骗样本,提高人脸识别系统的安全性,防止欺骗手段骗过识别系统。
需要说明的是,本说明书实施例提供的活体检测方法适用于电子设备,在实际应用中,该电子设备可以为服务器,或者,该电子设备也可以为手机、平板电脑、个人数字助理等终端设备,或者,该电子设备也可以为笔记本电脑、台式电脑、桌面机等计算机设备,本说明书实施例对此不作限定。
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 (10)
1.一种活体检测方法,其特征在于,所述方法包括:
采集含有人脸数据的RGB图像和深度图像;
从所述RGB图像定位目标人脸的位置;
从所述深度图像中定位目标人脸的位置;
分别提取RGB人脸图像和深度人脸图像中的特征,并将特征进行融合,其中,融合后的特征含有纹理信息、结构信息;
根据融合后的特征预测输入属于活体的概率得分S;
根据所述输入属于活体的概率得分S判定当前检测目标中是否存在活体。
2.如权利要求1所述的一种活体检测方法,其特征在于,采集含有人脸数据的RGB图像和深度图像包括:
对摄像设备进行相机标定,获取所述摄像设备的内外参数,其中,摄像设备包括:2D普通相机及深度相机;
将摄像设备放置在预设距离下分别采集RGB图像和深度图像。
3.如权利要求2所述的一种活体检测方法,其特征在于,从所述RGB图像定位目标人脸的位置包括:
选取RGB图像中含有人脸框的预设区域;
在预设区域根据人脸框裁剪RGB图像,得到只包含人脸的RGB人脸图像。
4.如权利要求3所述的一种活体检测方法,其特征在于,从所述深度图像中定位目标人脸的位置包括:
根据摄像设备的内外参数及所述RGB图像内目标人脸的位置计算得到所述深度图像中目标人脸的位置;
对所述深度图像进行裁剪得到只含目标人脸的深度人脸图像。
5.如权利要求4所述的一种活体检测方法,其特征在于,分别提取RGB人脸图像和深度人脸图像中的特征包括:
使用两个结构相同、参数分别进行预先设置的卷积神经网络提取RGB人脸图像和深度人脸图像的特征。
6.如权利要求5所述的一种活体检测方法,其特征在于,将特征进行融合包括:
使用卷积层将两个特征变换到相同特征空间中;
把两个特征逐元素的相加实现两个特征的融合。
7.如权利要求6所述的一种活体检测方法,其特征在于,根据融合后的特征预测属于活体的概率得分S包括:
将融合后的特征输入到ResNet18卷积神经网络提取高层特征;
通过全连接层和Sigmoid激活函数预测输入属于活体的概率得分S,其中,输入属于活体的概率得分S为一个取值范围在[0,1]之间的实数;Sigmoid激活函数的表达式如下:。
8.如权利要求7所述的一种活体检测方法,其特征在于,根据输入属于活体的概率得分S判定当前检测目标中是否存在活体包括:
将输入属于活体的概率得分S与预设阈值A进行对比;
若S大于A,则判定当前检测目标中存在活体,可以通过检测,否则不通过,其中,预设阈值M为一个取值范围在[0,1]之间的实数。
9.如权利要求8所述的一种活体检测方法,其特征在于,在训练卷积神经网络的过程中,使用交叉熵损失函数对卷积神经网络进行监督。
10.如权利要求9所述的一种活体检测方法,其特征在于,若从所述RGB图像定位不到目标人脸的位置,则该方法终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010634909.8A CN111767879A (zh) | 2020-07-03 | 2020-07-03 | 一种活体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010634909.8A CN111767879A (zh) | 2020-07-03 | 2020-07-03 | 一种活体检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111767879A true CN111767879A (zh) | 2020-10-13 |
Family
ID=72724519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010634909.8A Withdrawn CN111767879A (zh) | 2020-07-03 | 2020-07-03 | 一种活体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767879A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926498A (zh) * | 2021-03-20 | 2021-06-08 | 杭州知存智能科技有限公司 | 基于多通道融合和深度信息局部动态生成的活体检测方法 |
CN112926497A (zh) * | 2021-03-20 | 2021-06-08 | 杭州知存智能科技有限公司 | 基于多通道数据特征融合的人脸识别活体检测方法和装置 |
CN113076876A (zh) * | 2021-04-02 | 2021-07-06 | 华南理工大学 | 一种基于三维结构监督和置信度加权的人脸欺骗检测方法 |
CN114333078A (zh) * | 2021-12-01 | 2022-04-12 | 马上消费金融股份有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN114821743A (zh) * | 2022-05-23 | 2022-07-29 | 深圳市英锐芯电子科技有限公司 | 芯片的3d人脸识别方法、人脸识别芯片、可读存储介质 |
-
2020
- 2020-07-03 CN CN202010634909.8A patent/CN111767879A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926498A (zh) * | 2021-03-20 | 2021-06-08 | 杭州知存智能科技有限公司 | 基于多通道融合和深度信息局部动态生成的活体检测方法 |
CN112926497A (zh) * | 2021-03-20 | 2021-06-08 | 杭州知存智能科技有限公司 | 基于多通道数据特征融合的人脸识别活体检测方法和装置 |
CN112926498B (zh) * | 2021-03-20 | 2024-05-24 | 杭州知存智能科技有限公司 | 基于多通道融合和深度信息局部动态生成的活体检测方法及装置 |
CN112926497B (zh) * | 2021-03-20 | 2024-07-05 | 杭州知存智能科技有限公司 | 基于多通道数据特征融合的人脸识别活体检测方法和装置 |
CN113076876A (zh) * | 2021-04-02 | 2021-07-06 | 华南理工大学 | 一种基于三维结构监督和置信度加权的人脸欺骗检测方法 |
CN114333078A (zh) * | 2021-12-01 | 2022-04-12 | 马上消费金融股份有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN114821743A (zh) * | 2022-05-23 | 2022-07-29 | 深圳市英锐芯电子科技有限公司 | 芯片的3d人脸识别方法、人脸识别芯片、可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
US12014571B2 (en) | Method and apparatus with liveness verification | |
CN111767879A (zh) | 一种活体检测方法 | |
CN111274916B (zh) | 人脸识别方法和人脸识别装置 | |
CN107169458B (zh) | 数据处理方法、装置及存储介质 | |
CN108416291B (zh) | 人脸检测识别方法、装置和系统 | |
CN111783629A (zh) | 一种面向对抗样本攻击的人脸活体检测方法及装置 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN113052142A (zh) | 一种基于多模态数据的静默活体检测方法 | |
CN115240280A (zh) | 人脸活体检测分类模型的构建方法、检测分类方法及装置 | |
CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
CN116092134A (zh) | 一种基于深度学习和特征融合的指纹活体检测方法 | |
KR100716422B1 (ko) | 패턴인식을 이용한 매칭 서비스 시스템 및 방법 | |
CN114299569A (zh) | 一种基于眼球运动的安全人脸认证方法 | |
CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
CN113902942A (zh) | 一种基于多模态特征的同质用户群组发掘方法 | |
CN117133041A (zh) | 一种基于深度学习的三维重建网络人脸识别方法、系统、设备及介质 | |
CN111126283A (zh) | 一种自动过滤模糊人脸的快速活体检测方法及系统 | |
CN112183357B (zh) | 一种基于深度学习的多尺度活体检测方法及系统 | |
CN115019364A (zh) | 基于人脸识别的身份认证方法、装置、电子设备及介质 | |
CN114913607A (zh) | 一种基于多特征融合的指静脉仿冒检测方法 | |
CN115966030A (zh) | 图像处理方法、装置及智能终端 | |
CN111291586B (zh) | 活体检测方法、装置、电子设备及计算机可读存储介质 | |
CN113780424A (zh) | 一种基于背景相似度的照片实时在线聚类方法及系统 | |
CN114663930A (zh) | 一种活体检测方法、装置、终端设备及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201013 |