CN111768336A - 人脸图像处理方法、装置、计算机设备和存储介质 - Google Patents
人脸图像处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111768336A CN111768336A CN202010659115.7A CN202010659115A CN111768336A CN 111768336 A CN111768336 A CN 111768336A CN 202010659115 A CN202010659115 A CN 202010659115A CN 111768336 A CN111768336 A CN 111768336A
- Authority
- CN
- China
- Prior art keywords
- image
- sample image
- living body
- reconstructed
- negative sample
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 156
- 238000012549 training Methods 0.000 claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 33
- 241000282414 Homo sapiens Species 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005242 forging Methods 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 claims 3
- 238000009826 distribution Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000001727 in vivo Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning 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
- G06V40/168—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种人脸图像处理方法、装置、计算机设备和存储介质,可获取正负样本图像,其中,正样本图像为真实活体人脸图像,负样本图像为伪造活体人脸图像,样本图像的标签包括真实活体人脸图像概率;本申请通过对正负样本图像分别进行至少一块图像内容的替换,可得到重构正负样本图像;并调整重构正负样本图像的标签中的真实活体人脸图像概率;由此,正负样本图像的数据分布发生了变化,基于样本图像训练得到的活体人脸检测模型,一定程度上可忽略数据分布的影响,泛化能力得到了提升,且基于重构正负样本图像的标签,活体人脸检测模型可学习给出不过于准确的分类结果,缓解模型过分自信的问题。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种人脸图像处理方法、装置和存储介质。
背景技术
目前,人脸落地的人脸识别系统中,活体检测技术作为其中重要的一环,通过抵挡人脸攻击来保证人脸识别的安全性。
相关技术中,活体检测技术往往基于深度神经网络模型实现,而该网络模型的训练需要大规模的训练数据训练。虽然神经网络因为其强大的数据拟合能力能够在训练集上表现不俗,但是当其应用于实际生产生活中,泛化能力不足,遇到一些来自不同分布的数据,会自信的给出错误答案,使得性能大打折扣。
发明内容
本发明实施例提供一种人脸图像处理方法、装置和存储介质,可有效缓解人脸识别的网络过分自信的问题,并提高模型的泛化能力。
本发明实施例提供一种人脸图像处理方法,该方法包括:
获取正、负样本图像,其中,正样本图像为真实活体人脸图像,负样本图像为伪造活体人脸图像,正、负样本图像的标签包括真实活体人脸图像概率;
对所述正样本图像和负样本图像分别进行至少一块图像内容的替换,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像;
基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别调整重构正、负样本图像的标签中的真实活体人脸图像概率,其中,重构正、负样本图像中被替换的图像内容,分别被视为负样本图像内容和正样本图像内容;
基于所述正、负样本图像、以及重构正样本图像和重构负样本图像,对活体人脸检测模型进行训练,得到训练完成的活体人脸检测模型。
本发明实施例还提供一种人脸图像处理装置,该装置包括:
样本获取单元,用于获取正、负样本图像,其中,正样本图像为真实活体人脸图像,负样本图像为伪造活体人脸图像,正、负样本图像的标签包括:真实活体人脸图像概率,和伪造活体人脸图像概率;
图像重构单元,用于对所述正样本图像和负样本图像分别进行至少一块图像内容的替换,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像;
标签重置单元,用于基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别调整重构正、负样本图像的标签中的真实活体人脸图像概率,其中,重构正、负样本图像中被替换的图像内容,分别被视为负样本图像内容和正样本图像内容;
模型训练单元,用于基于所述正、负样本图像、以及重构正样本图像和重构负样本图像,对活体人脸检测模型进行训练,得到训练完成的活体人脸检测模型。
在本发明的一些实施例中,还可以提供一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
在本发明的一些实施例中,还可以提供一种存储介质,其上存储有计算机程序,当计算机程序在计算机上运行时,使得所述计算机执行如如上所述方法的步骤。
采用本申请实施例,可以获取正、负样本图像,其中,正样本图像为真实活体人脸图像,负样本图像为伪造活体人脸图像,正、负样本图像的标签包括:真实活体人脸图像概率;本申请实施例通过对正样本图像和负样本图像分别进行至少一块图像内容的替换,可得到重构正样本图像和重构负样本图像;并基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别修改重构正、负样本图像的标签中的真实活体人脸图像概率,其中,重构正、负样本图像中被替换的图像内容,分别被视为负样本图像内容和正样本图像内容;由此,重构正、负样本图像相较于正、负样本图像,数据分布发生了变化,基于正、负样本图像,以及重构正样本图像和重构负样本图像,训练得到的活体人脸检测模型,泛化能力可以得到提升,并且基于重构正、负样本图像的标签,活体人脸检测模型可以学习给出不过于准确的分类结果,有效缓解模型过分自信的问题。
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1a是本发明实施例提供的人脸图像处理系统的结构示意图;
图1b是本发明实施例提供的人脸图像处理方法的流程图;
图2a是本发明实施例提供原始活体人脸图像的图像处理流程示意图;
图2b是本发明实施例提供的对正负样本图像解构和拼贴的示意图;
图2c是本发明实施例提供的一种活体人脸检测模型的结构示意图;
图2d是本发明实施例提供的另一种活体人脸检测模型的结构示意图;
图3是本发明实施例提供的人脸图像处理装置的结构示意图;
图4是本发明实施例提供的计算机设备的结构示意图。
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,都属于本发明保护的范围。
本发明实施例提供一种人脸图像处理方法、装置、计算机设备和存储介质。
本发明实施例提供了一种人脸图像处理系统,人脸图像处理系统包括适用于计算机设备的人脸图像处理装置。其中,计算机设备可以为终端或服务器等设备。
终端可以为手机、平板电脑、笔记本电脑等终端设备,也可以为穿戴设备、智能电视或其他具有显示模块的智能终端。
其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器,但并不局限于此。
本实施例的人脸图像处理装置可以集成在人脸图像处理终端中,具体的,可以以应用程序的方式集成在人脸图像处理终端中,本实施例中,人脸图像处理终端训练好的活体人脸检测模型,可以部署到人脸活体检测终端或服务器中,可选的,可以以应用程序等形式集成于人脸活体检测终端或服务器中。
参考图1a,本实施例提供的人脸图像处理系统包括人脸图像处理终端10和人脸活体检测终端20等。
人脸图像处理终端10可以用于:获取正、负样本图像,其中,正样本图像为真实活体人脸图像,负样本图像为伪造活体人脸图像,正、负样本图像的标签包括:真实活体人脸图像概率;对所述正样本图像和负样本图像分别进行至少一块图像内容的替换,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像;基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别调整重构正、负样本图像的标签中的真实活体人脸图像概率,其中,重构正、负样本图像中被替换的图像内容,分别被视为负样本图像内容和正样本图像内容;基于所述正、负样本图像、以及重构正样本图像和重构负样本图像,对活体人脸检测模型进行训练,得到训练完成的活体人脸检测模型。
人脸活体检测终端20,可以用于获取待检测人脸图像;通过特征提取模块提取待检测人脸图像的图像特征信息;通过分类模块基于图像特征信息进行真实活体人脸图像的分类预测,得到待检测人脸图像的预测真实活体人脸图像概率和预测伪造活体人脸图像概率;通过特征回归模块对图像特征信息进行特征回归,得到待检测人脸图像在预设图像特征维度的预测特征信息;基于预测特征信息,确定待检测人脸图像在预设图像特征维度上的活体检测得分;基于预测真实活体人脸图像概率和活体检测得分,确定待检测人脸图像的活体检测总分值;当活体检测总分值大于预设分值阈值时,确定待检测人脸图像为真实活体人脸图像,否则,确定待检测人脸图像为伪造活体人脸图像。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本发明实施例将从人脸图像处理装置的角度进行描述,该人脸图像处理装置具体可以集成在终端中,例如,可以以应用程序的形式集成在终端中。
本发明实施例提供的一种人脸图像处理方法,该方法可以由终端的处理器执行,
本发明实施例提供的一种人脸图像处理方法,该方法可以由终端的处理器执行,本实施例中的活体人脸检测模型是基于计算机视觉技术的一种应用,计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
本实施例中训练完成的活体人脸检测模型是一种可以实现人脸活体检测的模型,其基于Al(Artificial lntellegence,人工智能)技术实现,尤其是基于人工智能技术中的计算机视觉(Computer Vision)和机器学习(Machine Learning,ML)。
本实施例中的活体人脸检测模型可以是基于机器学习中的人工神经网络技术构建的。可以模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
如图1b所示,该人脸图像处理方法的流程可以如下:
101、获取正、负样本图像,其中,正样本图像为真实活体人脸图像,负样本图像为伪造活体人脸图像,正、负样本图像的标签包括真实活体人脸图像概率;
本实施例中,真实活体人脸图像包含真实的活体人脸,伪造活体人脸图像中包含的不是真实的活体人脸,而是伪造的活体人脸,真实活体人脸图像可以是用摄像机或终端等对着真人采集的图像,而伪造活体人脸图像可以是采用拍摄或截屏,复制等方式从已有的图像或视频中获取的图像,或者伪造活体人脸图像还可以是采用图像生成等方式生成的模拟人脸图像,本实施例对此没有限制。
本实施例的真实活体人脸图像概率表示的是图像为真实活体人脸图像的概率。可以理解的是,对于真实活体人脸图像而言,其真实活体人脸图像概率为1,对于伪造活体人脸图像而言,其真实活体人脸图像概率为0。
在一个示例中,正负样本图像的标签中,可以只包括上述的真实活体人脸图像概率,可以理解的是,一个样本图像的真实活体人脸图像概率和伪造活体人脸图像概率之和为1,所以知道其中一种概率,可以明确知道另一种概率,正负样本图像实际的伪造活体人脸图像概率可以在需要的时候才进行计算,该伪造活体人脸图像概率表示的是图像为伪造活体人脸图像的概率,可以理解的是,对于真实活体人脸图像而言,其伪造活体人脸图像概率为0,对于伪造活体人脸图像而言,其伪造活体人脸图像概率为1。
例如,假设正样本图像以A表示,负样本图像以B表示,则正、负样本图像的标签分别为labelA和labelB,其中,labelA和labelB可以只设置一种标识信息如真实活体人脸图像概率,该标识信息可以用于标识标签对应的图像为真实活体人脸图像还是伪造活体人脸图像,如labelA=1,表示图像A的真实活体人脸图像概率为1,即图像A为真实活体人脸图像,如labelB=0表示图像B的真实活体人脸图像概率为0,即图像B为伪造活体人脸图像。
在另一个示例中,正、负样本图像的标签中都可以同时包括上述两种概率即正样本图像的标签包括真实活体人脸图像概率和伪造活体人脸图像概率,负样本图像的标签也包括真实活体人脸图像概率和伪造活体人脸图像概率。
例如,正、负样本图像各自的标签labelA和labelB中可以包括上述两种概率,对于正样本图像,labelA=(1,0),1和0分别表示图像的真实活体人脸图像概率为1,伪造活体人脸图像概率为0。对于负样本图像,labelB=(0,1),0和1分别表示图像的真实活体人脸图像概率为0,伪造活体人脸图像概率为1。
本实施例中,获取正、负样本图像的步骤,可以包括:
在获取原始活体人脸图像后,对原始活体人脸图像进行人脸检测,确定原始活体人脸图像中的人脸区域;
在原始活体人脸图像中,以人脸区域为中心对人脸区域进行扩大,得到扩大后人脸区域;
从原始活体人脸图像中截取扩大后人脸区域的图像,作为正样本图像;
获取负样本图像,负样本图像中包括伪造活体人脸。
其中,原始活体人脸图像,可以是通过对真人拍摄等得到的图像,负样本图像可以是通过对视频或图像等进行拍摄或截图,得到的图像。
其中,参考图2a中原始活体人脸图像的图像处理流程示意图,在获取原始活体人脸图像后,可以采用脸部检测的技术来框定原始活体人脸图像中用户脸部所在的人脸区域(参考图2a中21标识的图像),对人脸区域进行扩大时,可以将人脸区域的面积扩大到预设倍数,如以人脸区域为中心扩大1.8倍,得到扩大后人脸区域(参考图2a中22标识的图像),从原始活体人脸图像中裁剪出扩大后人脸区域的图像,作为正样本图像(参考图2a中23标识的图像)。
进一步的,本实施例的负样本图像中人脸所占的图像比例和正样本图像中人脸所占的图像比例最好比较接近,例如都在特定的比例范围内,如都在80%-90%的范围内,避免人脸占比太小,导致后续步骤中正负样本图像的解构和拼贴效果不好。
其中,正样本图像和负样本图像的图像尺寸是一致的,若图像尺寸不一致,则将正负样本图像进行图像尺寸变化,使得所有正负样本图像的图像尺寸一致。
本实施例中,负样本图像,可以通过人脸生成器来生成,例如通过人脸生成器生成伪造活体人脸图像作为负样本图像。
或者,负样本图像,也可以通过与正样本图像类似的方式获取。例如获取负样本图像包括:
获取原始伪造活体人脸图像,对原始伪造活体人脸图像进行人脸检测,确定原始伪造活体人脸图像中的人脸区域;
在原始伪造活体人脸图像中,以人脸区域为中心对人脸区域进行扩大,得到扩大后人脸区域;
从原始伪造活体人脸图像中截取扩大后人脸区域的图像,作为负样本图像。
本实施例中,获取正负样本图像后,可以对正负样本图像进行标签设置,正样本图像的标签可以设置为(1,0),负样本图像的标签可以设置为(0,1)。
102、对正样本图像和负样本图像分别进行至少一块图像内容的替换,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像;
本一个示例中,对于正样本图像和负样本图像的内容替换,可以根据正负样本图像中被替换的图像内容中包含的人脸部位来实现。
例如对于正样本图像,先确定图中待替换的图像内容,基于该图像内容中的人脸部位,获取包含相同人脸部位的替换图像内容,以该替换图像内容替换正样本图像中的待替换图像内容,得到重构正样本图像。
对于负样本图像也是类似的,可以先确定图中待替换的图像内容,基于该图像内容中的人脸部位,获取包含相同人脸部位的替换图像内容,以该替换图像内容替换负样本图像中的待替换图像内容,得到重构负样本图像。
在另一个示例中,可以基于正负样本图像之间的内容互换实现正负样本图像的重构。
可选的,步骤“对正样本图像和负样本图像分别进行至少一块图像内容的替换,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像”,可以包括:
确定需要交换图像内容的正样本图像和负样本图像;
交换正样本图像和负样本图像中至少一块相同位置的图像内容,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像。
其中,可以先从正负样本图像中,分别随机抽取N张正、负样本图像,组成N个正负样本图像对,然后对每一对正负样本图像对中的正负样本图像进行图像内容的交换。
可选的,正负样本图像的交换可以基于图像的划分实现。步骤“交换正样本图像和负样本图像中至少一块相同位置的图像内容,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像”,可以包括:
将正样本图像和负样本图像按照相同的划分规则,划分为数量相同的图像块;
从正样本图像和负样本图像中选择至少一块位于相同位置的图像块进行交换,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像。
本实施例中,可以采用一定的方式选择交换的图像块,使得正负样本图像对的图像块交换数量不完全相同,并使得即时正负样本图像对的图像块交换数量相同,正负样本图像对实际交换的图像块的位置也不完全相同。以增强对样本图像的内容解构,提升模型的泛化能力。
可选的,步骤“从正样本图像和负样本图像中选择至少一块位于相同位置的图像块进行交换,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像”,可以包括:
从预设数值范围中,随机选择一数值作为正样本图像和负样本图像的图像块交换数量;
对正、负样本图像的图像块进行编号,得到图像块编号序列;
打乱图像块编号序列中编号的顺序,得到乱序后的图像块编号序列;
从乱序后的图像块编号序列中,选择图像块交换数量的编号作为交换编号;
交换正、负样本图像中交换编号所指示的图像块,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像。
其中,预设数值范围中包含的数值可以为整数,本实施例对此没有限制。
例如,本实施例获取了N张正样本图像,和N张负样本图像,分别标记为imgAi和imgBi,i∈[1,N],imgAi的标签labelA=1,imgBi的标签labelB=0。然后把每张样本图像均匀划分成M×M个图像块,任取一组imgAi和imgBi,从均匀分布U[0,2]中随意采样一个数字B,作为正负样本图像之间要交换的图像块的数量。然后对于序列range(0,M×M)进行打乱,得到一个新的序列L。然后从L中取出前B个位置标记,记为indexj,j∈[0,B)。把每一个indexj所指定的块在imgAi和imgBi进行交换,得到解构以及拼贴后的img_cutmixAi,img_cutmixBi。
例如,参考图2b所示的样本图像解构拼贴示意图,在该图中,imgAi和imgBi分别为正、负样本图像,从均匀分布U[0,2]中随意采样一个数字B(假设数字B为2),作为正负之间要交换的块的数量,对正负样本图像分别划分为3*3的图像块,得到图像块编号序列range(0,9),对该序列进行打乱,得到新的序列L,假设打乱后的L为L=(2,4,0,8,5,1,3,7,6),从L中取出前2个图像块编号,记为indexj,j∈[0,2),把每一个indexj所指定的图像块在imgAi和imgBi中进行交换,参考图2b,交换imgAi和imgBi中编号为2和4的图像块,得到解构和拼贴后的图像img_cutmixAi,img_cutmixBi(即重构正负样本图像)。
在一个示例中,可以不对样本图像进行图像块的划分,而是每次随机选择一些图像内容进行交换,可选的,步骤“交换正样本图像和负样本图像中至少一块相同位置的图像内容,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像”,可以,包括:
在正样本图像中随机选择至少一块图像内容作为第一交换图像内容;
基于第一交换图像内容在正样本图像中的位置,确定在负样本图像中位于相同位置的第二交换图像内容;
对正、负样本图像中,互相对应的第一交换图像内容和第二交换图像内容进行交换,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像。
在该示例中,正负样本图像交换的图像内容在两个图像中的位置相同,大小相同。
103、基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别调整重构正、负样本图像的标签中的真实活体人脸图像概率,其中,重构正、负样本图像中被替换的图像内容,分别被视为负样本图像内容和正样本图像内容;
可以理解的是,图像内容替换后,正样本图像和负样本图像中均有一部分图像内容不是自身的原始图像内容,这一部分内容在图像中所占比例的大小,可以用于修改标签。
其中,步骤“基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别调整重构正、负样本图像的标签中的真实活体人脸图像概率”,可以包括:
基于所述重构正样本图像中被替换的图像内容,计算所述重构正样本图像中未被替换的正样本图像内容与所述重构正样本图像的正样本图像内容比例;
基于所述重构正样本图像的正样本图像内容比例,调整所述重构正样本图像的真实活体人脸图像概率;
计算所述重构负样本图像中被替换的图像内容,与所述重构负样本图像的比例,将所述比例作为所述重构负样本图像的正样本图像内容比例;
基于所述重构负样本图像的正样本图像内容比例,调整所述重构负样本图像的真实活体人脸图像概率。
其中,可以将样本图像中的正样本图像内容比例,确定为其真实活体人脸图像概率。
例如,将重构正样本图像中被替换的图像内容作为负样本图像内容,计算得到重构正样本图像的负样本图像内容比例为0.12,则对于重构正样本图像,其中的正样本图像内容(该重构正样本图像中的原始图像内容)与整体图像内容的正样本图像内容比例为0.82,则重构正样本图像的标签可以包括:0.82,若标签中本来就记载有两种概率,则标签包括:(0.82,0.18),分别表示重构正样本图像的真实活体人脸图像概率为0.82,伪造活体人脸图像概率为0.18。
在对正负样本图像先划分图像块,再相互交换图像块得到重构正、负样本图像的方案中,可以基于交换的图像块的数量和样本图像的图像块总数,来计算上述的各种比例。
可选的,步骤“基于所述重构正样本图像中被替换的图像内容,计算所述重构正样本图像中未被替换的正样本图像内容与所述重构正样本图像的正样本图像内容比例”,可以包括:
对于重构正样本图像,基于负样本图像块统计其实际的正样本图像块,计算所述正样本图像块与所有图像块的比例作为正样本图像内容比例。
可选的,若是需要计算重构正样本图像实际的伪造活体人脸图像概率,则可以计算1减去正样本图像内容比例的结果,或者计算其负样本图像块与所有图像块的比例作为负样本图像内容比例作为伪造活体人脸图像概率。
可选的,步骤“计算所述重构负样本图像中被替换的图像内容,与所述重构负样本图像的比例,将所述比例作为所述重构负样本图像的正样本图像内容比例”,可以包括:
对于重构负样本图像中,计算其正样本图像块与所有图像块的比例作为正样本图像内容比例。
本实施例中,对于重构正负样本图像而言,可以将图像的正样本图像内容比例作为真实活体人脸图像概率。
若需要使用重构正、负样本图像的伪造活体人脸图像概率,可以在计算出正样本图像内容比例后,以一减去正样本图像内容比例得到的值,作为负样本图像内容比例,以该负样本图像内容比例作为伪造活体人脸图像概率。
例如,还是以前面的图像A和B为例,在正负样本图像交换B个图像块后,对于重构正样本图像,真实活体人脸图像概率的计算公式为伪造活体人脸图像概率的计算公式为对于重构负样本图像,真实活体人脸图像概率的计算公式为伪造活体人脸图像概率的计算公式为
104、基于正、负样本图像,以及重构正样本图像和重构负样本图像,对活体人脸检测模型进行训练,得到训练完成的活体人脸检测模型。
在一个示例中,本实施例的活体人脸检测模型包括:特征提取模块和分类模块;
步骤“基于正、负样本图像,以及重构正样本图像和重构负样本图像,对活体人脸检测模型进行训练,得到训练完成的活体人脸检测模型”,可以包括:
将正、负样本图像,以及重构正样本图像和重构负样本图像,作为待训练的活体人脸检测模型的训练样本图像;
通过特征提取模块提取训练样本图像的图像特征信息;
通过分类模块基于图像特征信息,对训练样本图像进行真实活体人脸图像和伪造活体人脸图像的分类预测;
基于训练样本图像的分类预测结果以及训练样本图像的标签,计算活体人脸检测模型的分类损失;
基于分类损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型。
在一个示例中,该分类模块的分类输出包括两个,一个分类为活体人脸图像分类,分类结果为预测真实活体人脸图像概率,表示分类模块预测出的,该图像为真实活体人脸图像的概率,一个分类为伪造活体人脸图像分类,分类结果为预测伪造活体人脸图像概率,表示分类模块预测出的,该图像为伪造活体人脸图像的概率。
上述的特征提取模块和分类模块,可以基于相关技术中可以实现特征提取和活体检测分类的任意网络结构实现。可选的,特征提取模块,可以包括多个卷积层,用于提取图像特征信息,分类模块,可以基于多个全连接层构成,但是特征提取模块和分类模块的结构不限于卷积层和全连接层。
例如,参考图2c,图2c中,活体人脸检测模型20包括特征提取模块201以及分类模块202,特征提取模块201的训练样本图像包括正负样本图像imgAi和imgBi,以及重构正负样本图像img_cutmixAi,img_cutmixBi。特征提取模块201可以提取训练样本图像的图像特征信息Z,分类模块202,可以基于该图像特征信息Z进行分类预测。
在一个示例中,该人脸图像处理结束后,可以获取待检测人脸图像;通过特征提取模块提取待检测人脸图像的图像特征信息;通过分类模块基于图像特征信息进行真实活体人脸图像和伪造活体人脸图像的分类预测,得到待检测人脸图像的预测真实活体人脸图像概率和预测伪造活体人脸图像概率,基于的预测真实活体人脸图像概率确定待检测人脸图像是否为真实活体人脸图像。
在一个示例中,训练样本图像的分类预测结果包括:训练样本图像的预测真实活体人脸图像概率,以及预测伪造活体人脸图像;步骤“基于训练样本图像的分类预测结果以及训练样本图像的标签,计算活体人脸检测模型的分类损失”,可以包括:
基于训练样本图像的标签中的真实活体人脸图像概率,和分类预测结果中的预测真实活体人脸图像概率,计算训练样本图像的第一分类损失;
基于所述训练样本图像的真实活体人脸图像概率,确定所述训练样本图像实际的伪造活体人脸图像概率;
基于所述训练样本图像实际的伪造活体人脸图像概率,和分类预测结果中的预测伪造活体人脸图像概率,计算训练样本图像的第二分类损失;
基于训练样本图像的第一分类损失和第二分类损失,得到活体人脸检测模型的总的分类损失。
一个示例中,第一分类损失和第二分类损失进行加权求和,可以得到活体人脸检测模型的总的分类损失。
本实施例中,对于每一个训练样本图像,均计算第一分类损失和第二分类损失。
下面对活体人脸检测模型的总的分类损失进行举例说明。以×表示训练样本图像,xi表示当前batch中的第i张训练样本图像,yi表示训练样本图像对应的标签,正样本图像为(1,0),负样本图像为(0,1),对于重构正负样本图像img_cutmixAi,img_cutmixBi的标签,可以根据前述内容的方案确定,在此不再赘述。
其中,对于训练样本图像x,将其经过活体人脸检测模型的特征提取模块和分类模块的处理,再对分类结果归一化,可以得到两个取值范围在0-1中的概率,即上述的预测真实活体人脸图像概率和预测伪造活体人脸图像概率,然后可以计算总的分类损失,总的分类损失的计算公式如下:
其中,softmax(Classifier(Enc(xi)))表示训练样本图像xi的分类预测结果,包括训练样本图像xi的预测真实活体人脸图像概率和预测伪造活体人脸图像概率,假设预测的两个概率为(0.12,0.88),yi是训练样本图像xi对应的label,包括真实活体人脸图像概率和伪造活体人脸图像概率,假设(0.12,0.88)对应的真实活体人脸图像概率和伪造活体人脸图像概率为(0.2,0.8)。
对于训练样本图像xi对应的总损失,基于上述的总的分类损失的公式计算如下:
在一个示例中,活体人脸检测模型还包括与特征提取模块连接的特征回归模块;人脸图像处理方法还包括:
获取正、负样本图像,在预设图像特征维度的实际特征信息;
获取重构正样本图像和重构负样本图像,在预设图像特征维度的实际特征信息;
基于分类损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型前,还包括:
通过特征回归模块,对训练样本图像的图像特征信息进行特征回归,得到训练样本图像的在预设图像特征维度的预测特征信息;
基于训练样本图像,在预设图像特征维度的实际特征信息以及预测特征信息,得到活体人脸检测模型在预设图像特征维度的维度损失;
基于分类损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型,包括:
基于分类损失和维度损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型。
例如,参考图2d所示的活体人脸检测模型,该模型相较于图2c所示的结构,特征提取模块201之后还设置了特征回归模块203。特征回归模块203和分类模块202共享特征提取模块201。
在图2d所示的示例中,训练样本图像输入特征提取模块201后,由特征提取模块201输出图像特征信息如特征图到特征回归模块203和分类模块202,分类模块202基于该特征图,进行真实活体人脸图像和伪造活体人脸图像的预测,得到预测真实活体人脸图像概率和预测伪造活体人脸图像概率,特征回归模块203基于该特征图进行特征回归(或者说特征映射),将特征图中的信息映射到预设图像特征维度上,得到预设图像特征维度的实际特征信息。
本实施例的一个示例中,预设图像特征维度的实际特征信息,包括但不限于LBP(Local Binary Pattern,局部二值模式)图,HoG图(Histogram of Oriented Gradient,方向梯度直方图),其中LBP是一种用来描述图像局部纹理特征的算子;它具有旋转不变性和灰度不变性等显著的优点,HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。
在另一个示例中,预设图像特征维度的实际特征信息,还可以是人脸深度维度的实际人脸深度图。
可选的,特征回归模块包括深度特征回归模块,步骤“通过特征回归模块,对训练样本图像的图像特征信息进行特征回归,得到训练样本图像的在预设图像特征维度的预测特征信息”,可以包括:
通过深度特征回归模块,对训练样本图像的图像特征信息进行深度回归,得到训练样本图像的预测人脸深度图;
基于训练样本图像,在预设图像特征维度的实际特征信息以及预测特征信息,得到活体人脸检测模型在预设图像特征维度的维度损失,包括:
基于相同训练样本图像的实际人脸深度图和预测人脸深度图,计算深度图损失;
基于深度图损失确定活体人脸检测模型,在人脸深度维度上的维度损失。
本实施例中的深度特征回归模块包括深度特征回归参数,可以将特征提取模块提取的图像特征信息,映射为预设人脸深度图。
本实施例中,基于分类损失和维度损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型,可以包括:
基于分类损失调整分类模块和特征提取模块的参数,基于维度损失,调整特征回归模块和特征提取模块的参数。
例如,参考图2d所示的模块结构,假设特征回归模块203为深度特征回归模块,则该模块203会基于模块201输出的特征图Z进行深度特征回归(或者说深度特征映射),将特征图中的信息映射到人脸深度维度上,得到训练样本图像的预测人脸深度图。
本实施例中,步骤“获取正、负样本图像,在预设图像特征维度的实际特征信息”,可以包括:
对正样本图像中的人脸区域进行深度估计,得到正样本图像的实际人脸深度图;
对负样本图像,设置不具有深度信息的深度图作为负样本图像的实际人脸深度图。
其中,上述的深度估计,可以采用已有的深度估计模型实现,或者若正样本图像对应的原始活体人脸图像是通过深度相机拍摄而成的,则可以基于深度相机拍摄的图像中的深度信息,确定正样本图像的实际人脸深度图。
例如,参考图2a,在裁剪得到正样本图像后,通过深度估计模型对该正样本图像进行深度识别,得到该正样本图像的实际人脸深度图(参考图2a中的24标识的深度图)。以上述的正样本图像A,负样本图像B为例,正样本图像A和负样本图像B的实际人脸深度图可以分别表示为depthAi和depthBi。其中,depthBi可以设置为黑色的图像,表示其中没有深度信息。
在一个示例中,获取重构正样本图像和重构负样本图像,在预设图像特征维度的实际特征信息,包括:
将重构正样本图像对应的正样本图像的实际人脸深度图,确定为重构正样本图像的第一初始人脸深度图;
基于重构正样本图像中负样本图像内容的位置,将第一初始人脸深度图中位于相同位置的深度信息替换为负样本图像内容的深度信息,得到重构正样本图像的实际人脸深度图;
将重构负样本图像对应的负样本图像的实际人脸深度图,确定为重构负样本图像的第二初始人脸深度图;
基于重构负样本图像中正样本图像内容的位置,将第二初始人脸深度图中位于相同位置的深度信息替换为正样本图像内容的深度信息,得到重构负样本图像的实际人脸深度图。
本实施例中,负样本图像内容对应的深度信息为没有深度信息,在人脸深度图上,可以以黑色表示没有深度信息的图像区域。
在不通过正负样本图像交换实现图像重构的场景下,基于重构正样本图像中负样本图像内容的位置,将第一初始人脸深度图中位于相同位置的深度信息替换为负样本图像内容的深度信息,即将第一初始人脸深度图中位于相同位置的深度图像内容替换为黑色图像;而基于重构负样本图像中正样本图像内容的位置,将第二初始人脸深度图中位于相同位置的深度信息替换为正样本图像内容的深度信息,可以先获取构负样本图像中正样本图像内容的深度图,将第二初始人脸深度图中与该正样本图像内容位于相同位置的黑色图像内容替换为正样本图像内容的深度图。
在通过正负样本图像内容交换得到重构正负样本图像的示例中,可以在交换正负样本图像的图像内容的同时,交换人脸深度图中的图像内容。
参考图2b,还是以上述的正样本图像A,负样本图像B为例,在对正负样本图像imgAi和imgBi按照M*M划分图像块时,对正样本图像A和负样本图像B的实际人脸深度图depthAi和depthBi。也划分成M*M个深度图块,深度图块的编号对应于正负样本图像中的图像块编号。在根据indexj,j∈[0,B),把每一个indexj所指定的图像块在imgAi和imgBi中进行交换时,也将实际人脸深度图像depthAi和depthBi中indexj所指定的深度图块进行交换,得到解构以及拼贴后的img_cutmixAi,img_cutmixBi,depth_cutmixAi,depth_cutmixBi其中,depthBi可以设置为黑色的图像,表示其中没有深度信息。其中,depth_cutmixAi,depth_cutmixBi分别表示重构正、负样本图像img-cutmixAi,img_cutmixBi的实际人脸深度图。
如图2b,depthAi中的编号为2和4的深度图块与depthBi中的编号为2和4的深度图块交换,depth_cutmixAi中编号为2和4的深度图块是黑色的,而depth_cutmixBi中编号为2和4的深度图块不是黑色,具有深度信息。
本实施例中,深度图的损失可以采用相关技术中的任意可用损失结算方式,本实施例对此没有限制,在深度图中,每个像素值表示图像获取装置如传感器距离图像中被拍摄的物体的实际距离。所以可以基于深度图中的像素值计算深度图的损失。
在一个示例中,步骤“基于相同训练样本图像的实际人脸深度图和预测人脸深度图,计算深度图损失”,可以包括:
对同一训练样本图像的实际人脸深度图和预测人脸深度图,其计算两个深度图中每个像素的绝对差值,并求平均,得到像素的平均绝对差值,作为深度图损失。
可选的,在一个示例中,活体人脸检测模型,在人脸深度维度上的维度损失,即深度图的损失ldepth的计算公式如下:
其中,img,imgcutmix表示当前batch中的真实活体人脸图像(即正样本图像),伪造活体人脸图像(即负样本图像)以及重构正负样本图像,depx是训练样本图像x对应的实际人脸深度图。将训练样本图像x输入活体人脸检测模型,经过模型得到预测结果即预测人脸深度图Depth(Enc(x)),然后用实际人脸深度图depx和预测结果Depth(Enc(x))计算每个像素的绝对差值(两个深度图中相同位置上的像素的绝对差值),并求平均,得到像素的平均绝对差值作为ldepth。
在一个示例中,基于分类损失和维度损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型后,还包括:
获取待检测人脸图像;
通过特征提取模块提取待检测人脸图像的图像特征信息;
通过分类模块基于图像特征信息进行真实活体人脸图像和伪造活体人脸图像的分类预测,得到待检测人脸图像的预测真实活体人脸图像概率和预测伪造活体人脸图像概率;
通过特征回归模块对图像特征信息进行特征回归,得到待检测人脸图像在预设图像特征维度的预测特征信息;
基于预测特征信息,确定待检测人脸图像在预设图像特征维度上的活体检测得分;
基于预测真实活体人脸图像概率和活体检测得分,确定待检测人脸图像的活体检测总分值;
当活体检测总分值大于预设分值阈值时,确定待检测人脸图像为真实活体人脸图像,否则,确定待检测人脸图像为伪造活体人脸图像。
其中,当特征回归模块为深度特征回归模块时,通过特征回归模块对图像特征信息进行特征回归,得到待检测人脸图像在预设图像特征维度的预测特征信息,可以包括通过深度特征回归模块对图像特征信息进行深度特征回归,得到待检测人脸图像的预测人脸深度图。
本实施例的活体人脸检测模型,在经过训练之后,可以学习到活体人脸图像内容和伪造活体人脸图像内容的深度信息规律,即伪造活体人脸图像内容不具有深度信息,可以理解的是,对于本实施例的活体人脸检测模型,从待检测人脸图像中识别到的预测人脸深度图,其中可能具有黑色区域,即无深度信息的区域,表示该图像区域属于伪造活体人脸图像,所以本实施例,可以基于深度图像的像素值,确定待检测人脸图像在人脸深度维度上的活体检测得分。
对应的,步骤“基于预测特征信息,确定待检测人脸图像在预设图像特征维度上的活体检测得分”,可以包括:
计算预测人脸深度图的平均像素值,基于该平均像素值确定待检测人脸图像在人脸深度维度上的活体检测得分。
在一个示例中,可以将该平均像素值作为待检测人脸图像在人脸深度维度上的活体检测得分。
在另一个示例中,可以从预测人脸深度图中获取最大像素值,求取预测人脸深度图的平均像素值,基于该最大像素值对平均像素值归一化,使其处于0-1的范围内,例如以平均像素值与最大像素值的比值,作为待检测人脸图像在人脸深度维度上的活体检测得分。
在一个实施例中,可以将预测真实活体人脸图像概率和活体检测进行加权求和,得到待检测人脸图像的活体检测总分值。本实施例中的预设分值阈值可以根据活体检测的严格程度,和/或者根据经验设置,本实施例对此没有限制。
本实施例中,训练完成的活体人脸检测模型,可以部署于需要的设备中。该设备可以是联网设备,也可以是不联网设备,根据实际需要设置,本实施例对此没有限制。
以小区人脸识别门禁系统为例,本实施例的活体人脸检测模型,可以作为人脸识别门禁系统中进行活体检测的人脸活体检测模块,集成于该门禁系统中,门禁系统包括图像采集模块,图像采集模块采集待检测人脸图像后,将该待检测人脸图像传输至人脸活体检测模块,采用封装好的活体人脸检测模型进行识别,具体的识别过程可以参考上述的描述,在得到活体检测结果(即待检测人脸图像为真实活体人脸图像还是伪造活体人脸图像)后,基于该活体检测结果和门禁系统中的基于人脸的小区用户身份验证模型的用户身份验证结果,确定是否开门。
以提供人脸活体检测功能的客户端为例,假设终端上的客户端应用程序向用户提供了人脸活体检测入口,则当用户触发人脸活体检测入口时候,终端可以调用摄像头,如前置摄像头采集待检测人脸图像,之后,终端将该待检测人脸图像传输至客户端应用程序的对应的服务器中,该服务器中部署有本实施例中训练好的活体人脸检测模型,该服务器基于该人脸活体检测模块对待检测人脸图像进行检测,得到人脸活体检测结果,即待检测人脸图像为真实活体人脸图像还是伪造活体人脸图像,将该检测结果发送给终端。终端基于该结果可以判断是否处于活体检测场景,即摄像头前是否为真实的人脸,进一步的,终端还可以结合其他基于人脸的识别结果,判断摄像头前的用户身份验证是否通过。
采用本申请实施例,可以对正负样本图像中的图像内容进行交换,得到重构正负样本图像,并基于该交换修改重构正负样本图像的标签;由此,正负样本图像中的数据分布发生了变化,基于正负样本图像,以及重构正样本图像和重构负样本图像,训练得到的活体人脸检测模型,泛化能力可以得到提升,并且基于重构正、负样本图像的修改后的标签,活体人脸检测模型可以学习给出不过于准确的分类结果,有效缓解模型过分自信的问题。
为了更好地实施以上方法,相应的,本发明实施例还提供一种人脸图像处理装置,该人脸图像处理装置具体集成在人脸图像处理终端。
参考图3,该装置包括:
样本获取单元301,用于获取正、负样本图像,其中,正样本图像为真实活体人脸图像,负样本图像为伪造活体人脸图像,正、负样本图像的标签包括真实活体人脸图像概率;
图像重构单元302,用于对正样本图像和负样本图像分别进行至少一块图像内容的替换,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像;
标签重置单元303,用于基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别调整重构正、负样本图像的标签中的真实活体人脸图像概率,其中,重构正、负样本图像中被替换的图像内容,分别被视为负样本图像内容和正样本图像内容;
模型训练单元304,用于基于正、负样本图像、以及重构正样本图像和重构负样本图像,对活体人脸检测模型进行训练,得到训练完成的活体人脸检测模型。
在一个可选的示例中,图像重构单元,用于:
确定需要交换图像内容的正样本图像和负样本图像;
交换正样本图像和负样本图像中至少一块相同位置的图像内容,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像。
对应的,标签重置单元,用于:
基于所述重构正样本图像中被替换的图像内容,计算所述重构正样本图像中未被替换的正样本图像内容与所述重构正样本图像的正样本图像内容比例;
基于所述重构正样本图像的正样本图像内容比例,调整所述重构正样本图像的真实活体人脸图像概率;
计算所述重构负样本图像中被替换的图像内容,与所述重构负样本图像的比例,将所述比例作为所述重构负样本图像的正样本图像内容比例;
基于所述重构负样本图像的正样本图像内容比例,调整所述重构负样本图像的真实活体人脸图像概率。
在一个可选的示例中,图像重构单元,用于:
将正样本图像和负样本图像按照相同的划分规则,划分为数量相同的图像块;
从正样本图像和负样本图像中选择至少一块位于相同位置的图像块进行交换,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像。
在一个可选的示例中,图像重构单元,用于:
从预设数值范围中,随机选择一数值作为正样本图像和负样本图像的图像块交换数量;
对正、负样本图像的图像块进行编号,得到图像块编号序列;
打乱图像块编号序列中编号的顺序,得到乱序后的图像块编号序列;
从乱序后的图像块编号序列中,选择图像块交换数量的编号作为交换编号;
交换正、负样本图像中交换编号所指示的图像块,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像。
在一个可选的示例中,图像重构单元,用于:
在正样本图像中随机选择至少一块图像内容作为第一交换图像内容;
基于第一交换图像内容在正样本图像中的位置,确定在负样本图像中位于相同位置的第二交换图像内容;
对正、负样本图像中,互相对应的第一交换图像内容和第二交换图像内容进行交换,得到正样本图像对应的重构正样本图像,以及负样本图像对应的重构负样本图像。
在一个可选的示例中,活体人脸检测模型包括特征提取模块和分类模块;模型训练单元,用于:
将正、负样本图像、以及重构正样本图像和重构负样本图像,作为待训练的活体人脸检测模型的训练样本图像;
通过特征提取模块提取训练样本图像的图像特征信息;
通过分类模块基于图像特征信息,对训练样本图像进行真实活体人脸图像和伪造活体人脸图像的分类预测;
基于训练样本图像的分类预测结果以及训练样本图像的标签,计算活体人脸检测模型的分类损失;
基于分类损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型。
在一个可选的示例中,训练样本图像的分类预测结果包括:预测真实活体人脸图像概率,和预测伪造活体人脸图像概率;模型训练单元,用于:
基于训练样本图像的标签中的真实活体人脸图像概率,和分类预测结果中的预测真实活体人脸图像概率,计算训练样本图像的第一分类损失;
基于所述训练样本图像的真实活体人脸图像概率,确定所述训练样本图像实际的伪造活体人脸图像概率;
基于所述训练样本图像实际的伪造活体人脸图像概率,和分类预测结果中的预测伪造活体人脸图像概率,计算训练样本图像的第二分类损失;
基于训练样本图像的第一分类损失和第二分类损失,得到活体人脸检测模型的总的分类损失。
在一个可选的示例中,述活体人脸检测模型还包括与特征提取模块连接的特征回归模块;模型训练单元,还用于:
获取正、负样本图像,在预设图像特征维度的实际特征信息;
获取重构正样本图像和重构负样本图像,在预设图像特征维度的实际特征信息;
在基于分类损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型前,通过特征回归模块,对训练样本图像的图像特征信息进行特征回归,得到训练样本图像的在预设图像特征维度的预测特征信息;
基于训练样本图像,在预设图像特征维度的实际特征信息以及预测特征信息,得到活体人脸检测模型在预设图像特征维度的维度损失。
模型训练单元,基于分类损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型的方式具体包括:基于分类损失和维度损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型。
在一个可选的示例中,预设图像特征维度的实际特征信息包括:人脸深度维度的实际人脸深度图,特征回归模块包括深度特征回归模块,模型训练单元,用于:
通过深度特征回归模块,对训练样本图像的图像特征信息进行深度回归,得到训练样本图像的预测人脸深度图;
基于相同训练样本图像的实际人脸深度图和预测人脸深度图,计算深度图损失;
基于深度图损失确定活体人脸检测模型,在人脸深度维度上的维度损失。
在一个可选的示例中,模型训练单元,用于:
对正样本图像中的人脸区域进行深度估计,得到正样本图像的实际人脸深度图;
对负样本图像,设置不具有深度信息的深度图作为负样本图像的实际人脸深度图;
将重构正样本图像对应的正样本图像的实际人脸深度图,确定为重构正样本图像的第一初始人脸深度图;
基于重构正样本图像中负样本图像内容的位置,将第一初始人脸深度图中位于相同位置的深度信息替换为负样本图像内容的深度信息,得到重构正样本图像的实际人脸深度图;
将重构负样本图像对应的负样本图像的实际人脸深度图,确定为重构负样本图像的第二初始人脸深度图;
基于重构负样本图像中正样本图像内容的位置,将第二初始人脸深度图中位于相同位置的深度信息替换为正样本图像内容的深度信息,得到重构负样本图像的实际人脸深度图。
在一个可选的示例中,样本获取单元,用于:在获取原始活体人脸图像后,对原始活体人脸图像进行人脸检测,确定原始活体人脸图像中的人脸区域;在原始活体人脸图像中,以人脸区域为中心对人脸区域进行扩大,得到扩大后人脸区域;从原始活体人脸图像中截取扩大后人脸区域的图像,作为正样本图像;获取负样本图像,负样本图像中包括伪造活体人脸。
在一个可选的示例中,人脸图像处理装置还包括检测单元,在模型训练单元基于分类损失和维度损失,调整活体人脸检测模型的参数,得到训练完成的活体人脸检测模型后,检测单元,用于:
获取待检测人脸图像;
通过特征提取模块提取待检测人脸图像的图像特征信息;
通过分类模块基于图像特征信息进行真实活体人脸图像和伪造活体人脸图像的分类预测,得到待检测人脸图像的预测真实活体人脸图像概率和预测伪造活体人脸图像概率;
通过特征回归模块对图像特征信息进行特征回归,得到待检测人脸图像在预设图像特征维度的预测特征信息;
基于预测特征信息,确定待检测人脸图像在预设图像特征维度上的活体检测得分;
基于预测真实活体人脸图像概率和活体检测得分,确定待检测人脸图像的活体检测总分值;
当活体检测总分值大于预设分值阈值时,确定待检测人脸图像为真实活体人脸图像,否则,确定待检测人脸图像为伪造活体人脸图像。
采用本申请实施例,可以对正负样本图像中的图像内容进行交换,得到重构正负样本图像,并基于该交换修改重构正负样本图像的标签;由此,正负样本图像中的数据分布发生了变化,基于正负样本图像,以及重构正样本图像和重构负样本图像,训练得到的活体人脸检测模型,泛化能力可以得到提升,并且基于重构正、负样本图像的修改后的标签,活体人脸检测模型可以学习给出不过于准确的分类结果,有效缓解模型过分自信的问题。
此外,本发明实施例还提供一种计算机设备,该计算机设备可以为终端或者服务器,如图4所示,其示出了本发明实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取正、负样本图像,其中,正样本图像为真实活体人脸图像,负样本图像为伪造活体人脸图像,正、负样本图像的标签包括:真实活体人脸图像概率;
对所述正样本图像和负样本图像分别进行至少一块图像内容的替换,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像;
基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别调整重构正、负样本图像的标签中的真实活体人脸图像概率,其中,重构正、负样本图像中被替换的图像内容,分别被视为负样本图像内容和正样本图像内容;
基于所述正、负样本图像、以及重构正样本图像和重构负样本图像,对活体人脸检测模型进行训练,得到训练完成的活体人脸检测模型。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例还提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的人脸图像处理方法。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的人脸图像处理方法中的步骤,因此,可以实现本发明实施例所提供的人脸图像处理方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种人脸图像处理方法、装置、计算机设备和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种人脸图像处理方法,其特征在于,包括:
获取正、负样本图像,其中,正样本图像为真实活体人脸图像,负样本图像为伪造活体人脸图像,正、负样本图像的标签包括真实活体人脸图像概率;
对所述正样本图像和负样本图像分别进行至少一块图像内容的替换,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像;
基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别调整重构正、负样本图像的标签中的真实活体人脸图像概率,其中,重构正、负样本图像中被替换的图像内容,分别被视为负样本图像内容和正样本图像内容;
基于所述正、负样本图像、以及重构正样本图像和重构负样本图像,对活体人脸检测模型进行训练,得到训练完成的活体人脸检测模型。
2.根据权利要求1所述的人脸图像处理方法,其特征在于,所述对所述正样本图像和负样本图像分别进行至少一块图像内容的替换,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像,包括:
确定需要交换图像内容的正样本图像和负样本图像;
交换所述正样本图像和负样本图像中至少一块相同位置的图像内容,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像;
所述基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别调整重构正、负样本图像的标签中的真实活体人脸图像概率,包括:
基于所述重构正样本图像中被替换的图像内容,计算所述重构正样本图像中未被替换的正样本图像内容与所述重构正样本图像的正样本图像内容比例;
基于所述重构正样本图像的正样本图像内容比例,调整所述重构正样本图像的真实活体人脸图像概率;
计算所述重构负样本图像中被替换的图像内容,与所述重构负样本图像的比例,将所述比例作为所述重构负样本图像的正样本图像内容比例;
基于所述重构负样本图像的正样本图像内容比例,调整所述重构负样本图像的真实活体人脸图像概率。
3.根据权利要求2所述的人脸图像处理方法,其特征在于,所述交换所述正样本图像和负样本图像中至少一块相同位置的图像内容,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像,包括:
将所述正样本图像和负样本图像按照相同的划分规则,划分为数量相同的图像块;
从所述正样本图像和负样本图像中选择至少一块位于相同位置的图像块进行交换,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像。
4.根据权利要求3所述的人脸图像处理方法,其特征在于,所述从所述正样本图像和负样本图像中选择至少一块位于相同位置的图像块进行交换,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像,包括:
从预设数值范围中,随机选择一数值作为所述正样本图像和负样本图像的图像块交换数量;
对所述正、负样本图像的图像块进行编号,得到图像块编号序列;
打乱所述图像块编号序列中编号的顺序,得到乱序后的图像块编号序列;
从所述乱序后的图像块编号序列中,选择所述图像块交换数量的编号作为交换编号;
交换所述正、负样本图像中所述交换编号所指示的图像块,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像。
5.根据权利要求2所述的人脸图像处理方法,其特征在于,所述交换所述正样本图像和负样本图像中至少一块相同位置的图像内容,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像,包括:
在所述正样本图像中随机选择至少一块图像内容作为第一交换图像内容;
基于所述第一交换图像内容在所述正样本图像中的位置,确定在负样本图像中位于相同位置的第二交换图像内容;
对所述正、负样本图像中,互相对应的第一交换图像内容和第二交换图像内容进行交换,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像。
6.根据权利要求1-5任一项所述的人脸图像处理方法,其特征在于,所述活体人脸检测模型包括特征提取模块和分类模块;
所述基于所述正、负样本图像、以及重构正样本图像和重构负样本图像,对活体人脸检测模型进行训练,得到训练完成的活体人脸检测模型,包括:
将所述正、负样本图像、以及重构正样本图像和重构负样本图像,作为待训练的活体人脸检测模型的训练样本图像;
通过所述特征提取模块提取训练样本图像的图像特征信息;
通过所述分类模块基于所述图像特征信息,对所述训练样本图像进行真实活体人脸图像和伪造活体人脸图像的分类预测;
基于所述训练样本图像的分类预测结果以及所述训练样本图像的标签,计算所述活体人脸检测模型的分类损失;
基于所述分类损失,调整所述活体人脸检测模型的参数,得到训练完成的活体人脸检测模型。
7.根据权利要求6所述的人脸图像处理方法,其特征在于,所述训练样本图像的分类预测结果包括:训练样本图像的预测真实活体人脸图像概率,以及预测伪造活体人脸图像概率;
所述基于所述训练样本图像的分类预测结果以及所述训练样本图像的标签,计算所述活体人脸检测模型的分类损失,包括:
基于所述训练样本图像的标签中的真实活体人脸图像概率,和所述分类预测结果中的预测真实活体人脸图像概率,计算所述训练样本图像的第一分类损失;
基于所述训练样本图像的真实活体人脸图像概率,确定所述训练样本图像实际的伪造活体人脸图像概率;
基于所述训练样本图像实际的伪造活体人脸图像概率,和所述分类预测结果中的预测伪造活体人脸图像概率,计算所述训练样本图像的第二分类损失;
基于所述训练样本图像的第一分类损失和第二分类损失,得到所述活体人脸检测模型的总的分类损失。
8.根据权利要求6所述的人脸图像处理方法,其特征在于,所述活体人脸检测模型还包括与所述特征提取模块连接的特征回归模块;所述人脸图像处理方法还包括:
获取所述正、负样本图像,在预设图像特征维度的实际特征信息;
获取所述重构正样本图像和重构负样本图像,在所述预设图像特征维度的实际特征信息;
所述基于所述分类损失,调整所述活体人脸检测模型的参数,得到训练完成的活体人脸检测模型前,还包括:
通过所述特征回归模块,对所述训练样本图像的图像特征信息进行特征回归,得到所述训练样本图像的在所述预设图像特征维度的预测特征信息;
基于所述训练样本图像,在所述预设图像特征维度的实际特征信息以及预测特征信息,得到所述活体人脸检测模型在所述预设图像特征维度的维度损失;
所述基于所述分类损失,调整所述活体人脸检测模型的参数,得到训练完成的活体人脸检测模型,包括:
基于所述分类损失和所述维度损失,调整所述活体人脸检测模型的参数,得到训练完成的活体人脸检测模型。
9.根据权利要求8所述的人脸图像处理方法,其特征在于,所述预设图像特征维度的实际特征信息包括:人脸深度维度的实际人脸深度图,所述特征回归模块包括深度特征回归模块,
所述通过所述特征回归模块,对所述训练样本图像的图像特征信息进行特征回归,得到所述训练样本图像的在所述预设图像特征维度的预测特征信息,包括:
通过所述深度特征回归模块,对所述训练样本图像的图像特征信息进行深度回归,得到所述训练样本图像的预测人脸深度图;
所述基于所述训练样本图像,在所述预设图像特征维度的实际特征信息以及预测特征信息,得到所述活体人脸检测模型在所述预设图像特征维度的维度损失,包括:
基于相同训练样本图像的实际人脸深度图和预测人脸深度图,计算深度图损失;
基于所述深度图损失,确定所述活体人脸检测模型在所述人脸深度维度上的维度损失。
10.根据权利要求9所述的人脸图像处理方法,其特征在于,所述获取所述正、负样本图像,在预设图像特征维度的实际特征信息,包括:
对所述正样本图像中的人脸区域进行深度估计,得到所述正样本图像的实际人脸深度图;
对所述负样本图像,设置不具有深度信息的深度图作为所述负样本图像的实际人脸深度图;
所述获取所述重构正样本图像和重构负样本图像,在所述预设图像特征维度的实际特征信息,包括:
将重构正样本图像对应的正样本图像的实际人脸深度图,确定为所述重构正样本图像的第一初始人脸深度图;
基于所述重构正样本图像中负样本图像内容的位置,将所述第一初始人脸深度图中位于相同位置的深度信息替换为所述负样本图像内容的深度信息,得到所述重构正样本图像的实际人脸深度图;
将重构负样本图像对应的负样本图像的实际人脸深度图,确定为所述重构负样本图像的第二初始人脸深度图;
基于所述重构负样本图像中正样本图像内容的位置,将所述第二初始人脸深度图中位于相同位置的深度信息替换为所述正样本图像内容的深度信息,得到所述重构负样本图像的实际人脸深度图。
11.根据权利要求1-5任一项所述的人脸图像处理方法,其特征在于,所述获取正、负样本图像,包括:
在获取原始活体人脸图像后,对所述原始活体人脸图像进行人脸检测,确定所述原始活体人脸图像中的人脸区域;
在所述原始活体人脸图像中,以所述人脸区域为中心对所述人脸区域进行扩大,得到扩大后人脸区域;
从所述原始活体人脸图像中截取所述扩大后人脸区域的图像,作为正样本图像;
获取负样本图像,所述负样本图像中包括伪造活体人脸。
12.根据权利要求8所述的人脸图像处理方法,其特征在于,所述基于所述分类损失和所述维度损失,调整所述活体人脸检测模型的参数,得到训练完成的活体人脸检测模型后,还包括:
获取待检测人脸图像;
通过所述特征提取模块提取所述待检测人脸图像的图像特征信息;
通过所述分类模块基于所述图像特征信息进行真实活体人脸图像和伪造活体人脸图像的分类预测,得到所述待检测人脸图像的预测真实活体人脸图像概率和预测伪造活体人脸图像概率;
通过所述特征回归模块对所述图像特征信息进行特征回归,得到所述待检测人脸图像在所述预设图像特征维度的预测特征信息;
基于所述预测特征信息,确定所述待检测人脸图像在所述预设图像特征维度上的活体检测得分;
基于所述预测真实活体人脸图像概率和所述活体检测得分,确定所述待检测人脸图像的活体检测总分值;
当所述活体检测总分值大于预设分值阈值时,确定所述待检测人脸图像为真实活体人脸图像,否则,确定所述待检测人脸图像为伪造活体人脸图像。
13.一种人脸图像处理装置,其特征在于,包括:
样本获取单元,用于获取正、负样本图像,其中,正样本图像为真实活体人脸图像,负样本图像为伪造活体人脸图像,正、负样本图像的标签包括真实活体人脸图像概率;
图像重构单元,用于对所述正样本图像和负样本图像分别进行至少一块图像内容的替换,得到所述正样本图像对应的重构正样本图像,以及所述负样本图像对应的重构负样本图像;
标签重置单元,用于基于重构正、负样本图像中被替换的图像内容与整体图像内容的比例,分别调整重构正、负样本图像的标签中的真实活体人脸图像概率,其中,重构正、负样本图像中被替换的图像内容,分别被视为负样本图像内容和正样本图像内容;
模型训练单元,用于基于所述正、负样本图像、以及重构正样本图像和重构负样本图像,对活体人脸检测模型进行训练,得到训练完成的活体人脸检测模型。
14.一种计算机设备,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如权利要求1至12中任一项所述方法的步骤。
15.一种存储介质,其上存储有计算机程序,其特征在于,当计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至12中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659115.7A CN111768336B (zh) | 2020-07-09 | 2020-07-09 | 人脸图像处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659115.7A CN111768336B (zh) | 2020-07-09 | 2020-07-09 | 人脸图像处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768336A true CN111768336A (zh) | 2020-10-13 |
CN111768336B CN111768336B (zh) | 2022-11-01 |
Family
ID=72726032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010659115.7A Active CN111768336B (zh) | 2020-07-09 | 2020-07-09 | 人脸图像处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768336B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116592A (zh) * | 2020-11-19 | 2020-12-22 | 北京瑞莱智慧科技有限公司 | 图像检测方法、图像检测模型的训练方法、装置和介质 |
CN112989085A (zh) * | 2021-01-29 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN113283388A (zh) * | 2021-06-24 | 2021-08-20 | 中国平安人寿保险股份有限公司 | 活体人脸检测模型的训练方法、装置、设备及存储介质 |
CN113420666A (zh) * | 2021-06-23 | 2021-09-21 | 上海应用技术大学 | 一种基于人脸识别技术的记忆辅助方法及装置 |
CN113762138A (zh) * | 2021-09-02 | 2021-12-07 | 恒安嘉新(北京)科技股份公司 | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 |
CN113850717A (zh) * | 2021-11-30 | 2021-12-28 | 北京爱笔科技有限公司 | 一种图像处理方法及装置 |
CN114333031A (zh) * | 2021-12-31 | 2022-04-12 | 北京瑞莱智慧科技有限公司 | 活体检测模型的漏洞检测方法、装置及存储介质 |
CN114529759A (zh) * | 2022-01-25 | 2022-05-24 | 北京医准智能科技有限公司 | 一种甲状腺结节的分类方法、装置及计算机可读介质 |
CN114648814A (zh) * | 2022-02-25 | 2022-06-21 | 北京百度网讯科技有限公司 | 人脸活体检测方法及模型的训练方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680121A (zh) * | 2013-11-27 | 2015-06-03 | 腾讯科技(深圳)有限公司 | 一种人脸图像的处理方法及装置 |
US20190034702A1 (en) * | 2017-07-26 | 2019-01-31 | Baidu Online Network Technology (Beijing) Co., Ltd. | Living body detecting method and apparatus, device and storage medium |
CN110569721A (zh) * | 2019-08-01 | 2019-12-13 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
-
2020
- 2020-07-09 CN CN202010659115.7A patent/CN111768336B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680121A (zh) * | 2013-11-27 | 2015-06-03 | 腾讯科技(深圳)有限公司 | 一种人脸图像的处理方法及装置 |
US20190034702A1 (en) * | 2017-07-26 | 2019-01-31 | Baidu Online Network Technology (Beijing) Co., Ltd. | Living body detecting method and apparatus, device and storage medium |
CN110569721A (zh) * | 2019-08-01 | 2019-12-13 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
YAO LIU等: "Aurora Guard: Real-Time Face Anti-Spoofing via Light Reflection", 《ARXIV》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116592B (zh) * | 2020-11-19 | 2021-04-02 | 北京瑞莱智慧科技有限公司 | 图像检测方法、图像检测模型的训练方法、装置和介质 |
CN112116592A (zh) * | 2020-11-19 | 2020-12-22 | 北京瑞莱智慧科技有限公司 | 图像检测方法、图像检测模型的训练方法、装置和介质 |
CN112989085B (zh) * | 2021-01-29 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN112989085A (zh) * | 2021-01-29 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN113420666A (zh) * | 2021-06-23 | 2021-09-21 | 上海应用技术大学 | 一种基于人脸识别技术的记忆辅助方法及装置 |
CN113283388A (zh) * | 2021-06-24 | 2021-08-20 | 中国平安人寿保险股份有限公司 | 活体人脸检测模型的训练方法、装置、设备及存储介质 |
CN113283388B (zh) * | 2021-06-24 | 2024-05-24 | 中国平安人寿保险股份有限公司 | 活体人脸检测模型的训练方法、装置、设备及存储介质 |
CN113762138A (zh) * | 2021-09-02 | 2021-12-07 | 恒安嘉新(北京)科技股份公司 | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 |
CN113762138B (zh) * | 2021-09-02 | 2024-04-23 | 恒安嘉新(北京)科技股份公司 | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 |
CN113850717A (zh) * | 2021-11-30 | 2021-12-28 | 北京爱笔科技有限公司 | 一种图像处理方法及装置 |
CN114333031A (zh) * | 2021-12-31 | 2022-04-12 | 北京瑞莱智慧科技有限公司 | 活体检测模型的漏洞检测方法、装置及存储介质 |
CN114529759B (zh) * | 2022-01-25 | 2023-01-17 | 北京医准智能科技有限公司 | 一种甲状腺结节的分类方法、装置及计算机可读介质 |
CN114529759A (zh) * | 2022-01-25 | 2022-05-24 | 北京医准智能科技有限公司 | 一种甲状腺结节的分类方法、装置及计算机可读介质 |
CN114648814A (zh) * | 2022-02-25 | 2022-06-21 | 北京百度网讯科技有限公司 | 人脸活体检测方法及模型的训练方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111768336B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768336B (zh) | 人脸图像处理方法、装置、计算机设备和存储介质 | |
Yang et al. | Towards perceptual image dehazing by physics-based disentanglement and adversarial training | |
CN111754396B (zh) | 脸部图像处理方法、装置、计算机设备和存储介质 | |
CN112801057B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111368943B (zh) | 图像中对象的识别方法和装置、存储介质及电子装置 | |
CN111444826B (zh) | 视频检测方法、装置、存储介质及计算机设备 | |
CN110598019B (zh) | 重复图像识别方法及装置 | |
CN111666919B (zh) | 一种对象识别方法、装置、计算机设备和存储介质 | |
CN112132197A (zh) | 模型训练、图像处理方法、装置、计算机设备和存储介质 | |
CN113033519B (zh) | 活体检测方法、估算网络处理方法、装置和计算机设备 | |
CN108846343B (zh) | 基于三维视频的多任务协同分析方法 | |
CN111325107B (zh) | 检测模型训练方法、装置、电子设备和可读存储介质 | |
CN113052150B (zh) | 活体检测方法、装置、电子设备和计算机可读存储介质 | |
CN112036284B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111242019A (zh) | 视频内容的检测方法、装置、电子设备以及存储介质 | |
CN112052771A (zh) | 一种对象重识别方法及装置 | |
CN114973349A (zh) | 面部图像处理方法和面部图像处理模型的训练方法 | |
CN112528902A (zh) | 一种基于3d人脸模型的视频监控动态人脸识别方法及装置 | |
CN113011387A (zh) | 网络训练及人脸活体检测方法、装置、设备及存储介质 | |
Wang et al. | Face aging on realistic photos by generative adversarial networks | |
Liu et al. | 3d action recognition using data visualization and convolutional neural networks | |
CN113762034A (zh) | 视频分类方法和装置、存储介质及电子设备 | |
CN113723310B (zh) | 基于神经网络的图像识别方法及相关装置 | |
CN116152932A (zh) | 活体检测方法以及相关设备 | |
CN112257666B (zh) | 目标图像内容的聚合方法、装置、设备及可读存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40030906 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |