CN111832346A - 人脸识别方法、装置、电子设备及可读存储介质 - Google Patents
人脸识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111832346A CN111832346A CN201910310531.3A CN201910310531A CN111832346A CN 111832346 A CN111832346 A CN 111832346A CN 201910310531 A CN201910310531 A CN 201910310531A CN 111832346 A CN111832346 A CN 111832346A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- infrared
- acquiring
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000005855 radiation Effects 0.000 claims description 160
- 239000013598 vector Substances 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000001931 thermography 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
- G06V40/10—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
- G06V40/10—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
- 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)
- 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)
- Studio Devices (AREA)
Abstract
本申请提供了一种人脸识别方法、装置、电子设备及可读存储介质，其中，该人脸识别方法包括：根据获取的人脸图像，采集人脸图像对应的人脸红外图像。根据人脸图像获取扩展后的人脸图像，并采集扩展后的人脸图像中除人脸图像部分对应的背景红外图像。获取人脸红外图像和背景红外图像的红外相似度。根据红外相似度确认人脸图像中的人脸是否为真人。本申请实施例通过获取人脸图像对应的人脸红外图像和与其对应的背景红外图像的红外相似度，并根据红外相似度确认人脸图像中的人脸为真人，由于在检测人脸时考虑了人脸区域与背景区域的红外相似度，有效的排除使用照片、视频等方式造假的情况，识别检测的效果更好，提高了人脸检测的安全性。
Description
技术领域
本申请涉及人脸识别技术领域，具体而言，涉及一种人脸识别方法、装置、电子设备及可读存储介质。
背景技术
人脸识别技术作为一项生物识别技术，现在被大量运用在身份识别上，如在门禁系统、考勤机、人脸登录等系统或设备上有着广泛的应用，但是进行人脸识别时，有可能会出现用如面具、照片、模型等物体欺骗人脸识别系统，导致安全性不高。
现有技术中，通过红外热成像组件采集人脸的温度，并对人脸温度的分布特征进行比对，比对通过则认为是真实人脸。
但是，现有技术中仅根据温度值判断还是容易被模仿，依然存在安全性不足的问题。
发明内容
有鉴于此，本申请实施例的目的在于提供一种人脸识别方法、装置、电子设备及可读存储介质，以解决现有技术中人脸识别过程中安全性不足的问题。
本申请的第一方面提供了一种人脸识别方法，包括：根据获取的人脸图像，采集人脸图像对应的人脸红外图像。根据人脸图像获取扩展后的人脸图像，并采集扩展后的人脸图像中除人脸图像部分对应的背景红外图像。获取人脸红外图像和背景红外图像的红外相似度。根据红外相似度确认人脸图像中的人脸是否为真人，其中，人脸红外图像和背景红外图像的每个像素点包括对应实际位置的红外辐射强度。
可选地，根据人脸图像获取扩展后的人脸图像，包括：将人脸图像扩大预设个像素点，获取扩展后的人脸图像。
可选地，获取人脸红外图像和背景红外图像的红外相似度，包括：在人脸红外图像中和背景红外图像中各随机获取多个个预设大小的图像块、及每个图像块的红外辐射强度，其中，每个图像块的红外辐射强度为图像块中每个像素点对应红外辐射强度的平均值。根据辐射平均值算法，分别获取人脸红外图像中所有图像块的红外辐射平均值和背景红外图像中所有图像块的红外辐射平均值。根据人脸红外图像中每个图像块的红外辐射强度和背景红外图像中每个图像块的红外辐射强度，获取人脸红外图像和背景红外图像的红外辐射的误差平均值。根据误差平均值、人脸红外图像的红外辐射平均值，获取红外相似度；或根据误差平均值、背景红外图像的红外辐射平均值，获取红外相似度。
可选地，根据人脸红外图像中每个图像块的红外辐射强度和背景红外图像中每个图像块的红外辐射强度，获取人脸红外图像和背景红外图像的红外辐射的误差平均值，包括：将人脸红外图像中每个图像块的红外辐射强度与背景红外图像中每个图像块的红外辐射强度一一相减，得到多个红外辐射强度的误差绝对值。根据多个红外辐射强度的误差绝对值，获取红外辐射的误差平均值。
可选地，根据误差平均值、人脸红外图像的红外辐射平均值，获取红外相似度；或根据误差平均值、背景红外图像的红外辐射平均值，获取红外相似度，包括：获取误差平均值、人脸红外图像的红外辐射平均值差值的绝对值。将值差值的绝对值与人脸红外图像的红外辐射平均值的比值作为红外相似度。或，获取误差平均值、背景红外图像的红外辐射平均值差值的绝对值。将值差值的绝对值与背景红外图像的红外辐射平均值的比值作为红外相似度。
可选地，根据红外相似度确认人脸图像范围中的人脸是否真人，包括：若红外相似度小于预设阈值，则确认人脸图像范围中的人脸不是真人。或者，若红外相似度大于预设阈值，则采用预设判别器判断人脸红外图像是否为人脸的红外图像；若人脸红外图像为人脸的红外图像，则确认人脸图像范围中的人脸是真人。
可选地，根据获取的人脸图像，采集人脸图像对应的人脸红外图像之前，还包括：获取人脸图像的原始图像。根据人脸识别算法，获取人脸图像的原始图像中人脸图像的轮廓。根据人脸图像的轮廓，获取人脸图像。
进一步地，该方法还包括：获取人脸图像中的人脸特征向量。
可选地，在根据红外相似度确认人脸图像范围中的人脸是否真人之后，还包括：若人脸图像范围中的人脸是真人，则根据预设相似度算法，获取人脸特征向量与预存储人脸图像中的人脸特征向量的相似度。根据人脸特征向量的相似度，确定预存储人脸图像中的目标人脸。
本申请的第二方面提供了一种人脸识别装置，包括：采集模块，用于根据获取的人脸图像，采集人脸图像对应的人脸红外图像。扩展模块，用于根据人脸图像获取扩展后的人脸图像，并采集扩展后的人脸图像中除人脸图像部分对应的背景红外图像。第一获取模块，用于获取人脸红外图像和背景红外图像的红外相似度。第一确认模块，用于根据红外相似度确认人脸图像中的人脸是否为真人，其中，人脸红外图像和背景红外图像的每个像素点包括对应实际位置的红外辐射强度。
可选地，扩展模块，具体用于将人脸图像扩大预设个像素点，获取扩展后的人脸图像。
可选地，第一获取模块，具体用于在人脸红外图像中和背景红外图像中各随机获取多个个预设大小的图像块、及每个图像块的红外辐射强度，其中，每个图像块的红外辐射强度为图像块中每个像素点对应红外辐射强度的平均值。根据辐射平均值算法，分别获取人脸红外图像中所有图像块的红外辐射平均值和背景红外图像中所有图像块的红外辐射平均值。根据人脸红外图像中每个图像块的红外辐射强度和背景红外图像中每个图像块的红外辐射强度，获取人脸红外图像和背景红外图像的红外辐射的误差平均值。根据误差平均值、人脸红外图像的红外辐射平均值，获取红外相似度；或根据误差平均值、背景红外图像的红外辐射平均值，获取红外相似度。
可选地，第一获取模块，具体用于将人脸红外图像中每个图像块的红外辐射强度与背景红外图像中每个图像块的红外辐射强度一一相减，得到多个红外辐射强度的误差绝对值。根据多个红外辐射强度的误差绝对值，获取红外辐射的误差平均值。
可选地，第一获取模块，具体用于获取误差平均值、人脸红外图像的红外辐射平均值差值的绝对值。将值差值的绝对值与人脸红外图像的红外辐射平均值的比值作为红外相似度。或，获取误差平均值、背景红外图像的红外辐射平均值差值的绝对值。将值差值的绝对值与背景红外图像的红外辐射平均值的比值作为红外相似度。
可选地，第一确认模块，具体用于若红外相似度小于预设阈值，则确认人脸图像范围中的人脸不是真人。或者，若红外相似度大于预设阈值，则采用预设判别器判断人脸红外图像是否为人脸的红外图像。若人脸红外图像为人脸的红外图像，则确认人脸图像范围中的人脸是真人。
可选地，该装置还包括第二获取模块，用于获取人脸图像的原始图像。根据人脸识别算法，获取人脸图像的原始图像中人脸图像的轮廓。根据人脸图像的轮廓，获取人脸图像。
进一步地，该装置还包括第三获取模块，用于获取人脸图像中的人脸特征向量。
可选地，该装置还包括第二确认模块，用于若人脸图像范围中的人脸是真人，则根据预设相似度算法，获取人脸特征向量与预存储人脸图像中的人脸特征向量的相似度。根据人脸特征向量的相似度，确定预存储人脸图像中的目标人脸。
本申请的第三方面提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行上述的人脸识别方法的步骤。
本申请的第四方面提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述的人脸识别方法的步骤。
基于上述任一方面，通过获取人脸图像对应的人脸红外图像和与其对应的背景红外图像的红外相似度，并根据红外相似度确认人脸图像中的人脸为真人，由于在检测人脸时考虑了人脸区域与背景区域的红外相似度，有效的排除使用照片、视频等方式造假的情况，识别检测的效果更好，提高了人脸检测的安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的人脸识别方法的应用场景示意图；
图2示出了本申请实施例所提供的一种人脸识别方法的流程图；
图3示出了本申请实施例所提供的一种人脸识别方法中扩展人脸图像的示意图；
图4示出了本申请实施例所提供的另一种人脸识别方法的流程图；
图5示出了本申请实施例所提供的一种人脸识别方法中背景红外图像的示意图；
图6示出了本申请实施例所提供的另一种人脸识别方法的流程图；
图7示出了本申请实施例所提供的另一种人脸识别方法的流程图；
图8示出了本申请实施例所提供的另一种人脸识别方法的流程图；
图9示出了本申请实施例所提供的一种人脸识别方法中原始图像的示意图；
图10示出了本申请实施例所提供的另一种人脸识别方法的流程图；
图11示出了本申请实施例所提供的一种人脸识别装置的结构示意图；
图12示出了本申请实施例所提供的另一种人脸识别装置的结构示意图；
图13示出了本申请实施例所提供的另一种人脸识别装置的结构示意图；
图14示出了本申请实施例所提供的另一种人脸识别装置的结构示意图；
图15示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“人脸识别”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。本申请还可以包括使用人脸识别的任何系统或应用，例如，使用人脸识别作为身份验证的应用、使用人脸识别作为身份验证的系统等。本申请的方法可以应用于包括网页、浏览器的插件、小程序、移动终端、客户端终端、定制终端、定制系统、或人工智能机器人等，或其任意组合。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
图1示出了本申请实施例所提供的人脸识别方法的应用场景示意图。
如图1所示，该场景中可以包括可见光镜头102和红外镜头103，其中，可见光镜头102和红外镜头103可以单独设置，如在地铁、车站、机场、银行等需要人脸识别的位置设置可见光镜头102和红外镜头103，也可以集成于终端，如在移动终端上集成可见光镜头102和红外镜头103等，但不以此为限。
其中，可见光镜头102用于采集包括人脸101的原始图像，其采集的原始图像可以是通过可见光获取的照片、视频等，其中，以照片的形式采集时，采集到的照片可以直接作为原始图像使用，以视频的形式采集时，采集到的视频中的每一帧均可作为原始图像使用。
相应的，红外镜头103用于采集与可见光镜头102位置对应且包括人脸101的红外图像，其采集的红外图像是通过红外光获取的照片、视频等，其中，以照片的形式采集时，采集到的照片可以直接作为红外图像使用，以视频的形式采集时，采集到的视频中的每一帧均可作为红外图像使用。
在一些实施例中，处理装置104可以是服务器、云端、终端设备等。
例如，当处理装置为服务器时，可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，处理装置104可以是分布式系统)。
在一些实施方式中，当处理装置104在云端实现时，仅作为示例，云端可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。
还有一些实施方式中，当处理装置104为终端设备时，可以是移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施方式中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施方式中，智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施方式中，可穿戴设备可包括智能手环、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施方式中，智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏设备、导航设备、或销售点(point of sale，POS)设备等，或其任意组合。在一些实施方式中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合，在一些实施方式中，机动车辆中的内置设备可以包括车载计算机、车载电视等。
在一些实施方式中，处理装置104相对于可见光镜头102和红外镜头103，可以是本地的、也可以是远程的。例如，当处理装置104为服务器或云端时，处理装置104与可见光镜头102和红外镜头103可以是相互独立的，处理装置104经由网络与可见光镜头102和红外镜头103通信连接，获取可见光镜头102和红外镜头103拍摄的原始图像和红外图像。或者，在一些实施方式中，当处理装置104为终端设备时，可见光镜头102和红外镜头103可以集成于处理装置104上，在此不做限制。
需要说明的是，网络可以用于信息和/或数据的交换。在一些实施方式中，上述应用场景中的一个或多个组件(例如，可见光镜头102、红外镜头103和处理装置104)可以向其他组件发送信息和/或数据。例如，处理装置104可以经由网络从可见光镜头102和红外镜头103获取原始图像和红外图像。在一些实施方式中，网络可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan AreaNetwork，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public SwitchedTelephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near FieldCommunication,NFC)网络等，或其任意组合。在一些实施方式中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如基站和/或网络交换节点，上述应用场景中的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
图2示出了本申请实施例所提供的一种人脸识别方法的流程图，该人脸识别方法的执行主体可以是图1中所示的处理装置104，在此不再赘述。
如图2所示，本申请提供的人脸识别方法，可以包括：
S201、根据获取的人脸图像，采集人脸图像对应的人脸红外图像。
一些实施方式中，通过可见光镜头采集获取人脸图像，对应的，通过红外镜头采集获取与人脸图像位置对应区域的红外图像，即，采集到的人脸红外图像是人脸图像中人脸位置对应的红外图像，用来表示人脸区域的红外辐射强度。
S202、根据人脸图像获取扩展后的人脸图像，并采集扩展后的人脸图像中除人脸图像部分对应的背景红外图像。
其中，扩展后的人脸图像中，包括了人脸图像和人脸的背景图像，人脸的背景图像可以是墙面、通道或其他人等，在此不做限制。
一些实施方式中，采集背景红外图像可以是先采集与扩展后人脸图像范围相同的红外图像，然后减去人脸红外图像的区域。或者直接采集扩展后的人脸图像减去人脸图像后剩余区域的红外图像，在此不做限制。
S203、获取人脸红外图像和背景红外图像的红外相似度。
需要说明的是，红外相似度是通过红外辐射强度进行计算的，红外辐射强度会受到温度、波长、发射率等因素的影响，其中，对于人脸检测的场景，尤其受到温度和发射率的影响，一般来说，温度越高(红外辐射的能量更大)，发射率约高(红外辐射的密度越大)红外辐射强度越大。
S204、根据红外相似度确认人脸图像中的人脸是否为真人。
其中，人脸红外图像和背景红外图像的每个像素点包括对应实际位置的红外辐射强度。
相应的，人脸红外图像能够表示人脸区域的红外辐射强度，背景红外图像能够表示背景区域的红外辐射强度，红外相似度则表示人脸区域和背景区域红外图像的红外辐射强度的相似程度，由于人脸和背景的温度不同，而且即使在炎热天气下，气温与人体温度接近，但人脸与背景的发射率是不同的，因此人脸区域和背景区域应该具有不同的红外辐射强度，二者的红外相似度若相似，则表示人脸区域和背景区域的差别很小，人脸是伪造的。
在本实施例中，通过获取人脸图像对应的人脸红外图像和与其对应的背景红外图像的红外相似度，并根据红外相似度确认人脸图像中的人脸为真人，由于在检测人脸时考虑了人脸区域与背景区域的红外相似度，有效的排除使用照片、视频等方式造假的情况，识别检测的效果更好，提高了人脸检测的安全性。
图3示出了本申请实施例所提供的一种人脸识别方法中扩展人脸图像的示意图。
可选地，如图3所示，根据人脸图像获取扩展后的人脸图像，包括：将人脸图像扩大预设个像素点，获取扩展后的人脸图像。
一种可能的实施方式中，人脸图像可以如图3a所示，仅仅包含人脸的部分，也可以如图3b所示，还包括与人脸相切、将人脸包围的框。对于图3a，可以以人脸四个方向的顶点向外扩展预设个像素点；对于图3b，可以以人脸相切的框向外扩展预设个像素点。将图3a或图3b所示的人脸图像扩展后，获得图3c所示的扩展后的人脸图像(其中，虚线表示与人脸相切的框)。例如，若图3b的尺寸为50像素×50像素，则可以向外扩展50个像素点，得到100像素×100像素扩展后的人脸图像图3c。其中，人脸图像的扩展还可以有其他的扩展方式，例如每个方向扩展的像素点个数不同，只向某一个或两个方向进行扩展等，在此不做限制。
图4示出了本申请实施例所提供的另一种人脸识别方法的流程图，图5示出了本申请实施例所提供的一种人脸识别方法中背景红外图像的示意图。
可选地，如图4、图5所示，获取人脸红外图像和背景红外图像的红外相似度，包括：
S2031、在人脸红外图像中和背景红外图像中各随机获取多个预设大小的图像块、及每个图像块的红外辐射强度。
其中，每个图像块的红外辐射强度为图像块中每个像素点对应红外辐射强度的平均值。
一些实施方式中，预设大小的图像块可以是方形图像块、矩形图像块、三角型图像块等，例如，当图像块为边长k个像素的方形块时，每个方形块中有个k2个像素点，每个像素点都包括与该像素点对应实际位置的红外辐射强度a，每个图像块的红外辐射强度
则可以根据以下公式计算：
但不以此为限。
需要说明的是，当人脸红外图像如图3a所示，仅仅包含人脸的部分，时，背景红外图像的范围如图5a所示，由于背景红外图像的边缘存在弧形或不规则曲线，因此在取图像块时，需调整图像块的形状和尺寸以便规避边缘、取得完整的图像块。当人脸红外图像如图3b所示，还包括与人脸相切、将人脸包围的框时，背景红外图像的范围如图5b所示，人脸红外图像中的部分背景，不作为背景红外图像中的背景范围，取图像块时，只在图5b的范围内进行选取。
一种可能的实施方式中，在人脸红外图像中和背景红外图像中选取的图像块数量相同，例如，在人脸红外图像中，取n个图像块，则人脸红外图像中的图像块可以标记为n1、n2…nn；在背景红外图像中，取n个图像块，则背景红外图像中的图像块可以标记为N1、N2…Nn。
S2032、根据辐射平均值算法，分别获取人脸红外图像中所有图像块的红外辐射平均值和背景红外图像中所有图像块的红外辐射平均值。
一些实施方式中，如上例所示的图像块标记方式，人脸红外图像中所有图像块的红外辐射平均值nm可以为：
背景红外图像中所有图像块的红外辐射平均值Nm可以为：
其中，红外辐射平均值的算法还可以使用其他算法，例如计算几何平均值、平方平均值、调和平均值、加权平均值等，在此不做限制。
S2033、根据人脸红外图像中每个图像块的红外辐射强度和背景红外图像中每个图像块的红外辐射强度，获取人脸红外图像和背景红外图像的红外辐射的误差平均值。
一种可能的实施方式中，如上例所示的图像块标记方式，人脸红外图像和背景红外图像的红外辐射的误差平均值Wm的计算方式可以先将人脸红外图像中的n个图像块和背景红外图像中的n个图像块对应一一相减，取其误差绝对值之和W，例如，其计算公式可以为：
W＝|n1-N1|+|n2-N2|+…+|nn-Nn|
然后，求计算误差平均值Wm，其计算公式可以为：
S2034、根据误差平均值、人脸红外图像的红外辐射平均值，获取红外相似度；或根据误差平均值、背景红外图像的红外辐射平均值，获取红外相似度。
在一些实施方式中，通过误差平均值、人脸红外图像的红外辐射平均值，获取红外相似度X，其计算公式可以为：
或者，还有一些实施方式中，通过误差平均值、背景红外图像的红外辐射平均值，获取红外相似度X，其计算公式可以为：
以上方式均可用来表示红外相似度，在此不做限制。
图6示出了本申请实施例所提供的另一种人脸识别方法的流程图。
可选地，如图6所示，根据人脸红外图像中每个图像块的红外辐射强度和背景红外图像中每个图像块的红外辐射强度，获取人脸红外图像和背景红外图像的红外辐射的误差平均值，包括：
S2033a、将人脸红外图像中每个图像块的红外辐射强度与背景红外图像中每个图像块的红外辐射强度一一相减，得到多个红外辐射强度的误差绝对值。
S2033b、根据多个红外辐射强度的误差绝对值，获取红外辐射的误差平均值。
其中，S2033a和S2033b为S2033的详细限定，其细节步骤与S2033相同，在此不再赘述。
可选地，根据误差平均值、人脸红外图像的红外辐射平均值，获取红外相似度；或根据误差平均值、背景红外图像的红外辐射平均值，获取红外相似度，包括：
获取误差平均值、人脸红外图像的红外辐射平均值差值的绝对值。将值差值的绝对值与人脸红外图像的红外辐射平均值的比值作为红外相似度。或，获取误差平均值、背景红外图像的红外辐射平均值差值的绝对值。将值差值的绝对值与背景红外图像的红外辐射平均值的比值作为红外相似度。
其中，上述步骤为S2034的详细限定，其细节与步骤与S2034相同，在此不再赘述。
图7示出了本申请实施例所提供的另一种人脸识别方法的流程图。
可选地，如图7所示，根据红外相似度确认人脸图像范围中的人脸是否真人，包括：
S2041、若红外相似度小于预设阈值，则确认人脸图像范围中的人脸不是真人。
一些实施方式中，若红外相似度表示了人脸红外图像中的红外辐射强度与背景红外图像中的红外辐射强度的相似程度，红外相似度约接近预设阈值，则认为越相似，即人脸红外图像与背景红外图像中，人脸为图片、视频的可能性越大，例如，若预设阈值设置为a，根据上述计算实例，红外相似度X小于a，即认为人脸图像中的人脸为伪造，若红外相似度X大于a，即认为人脸图像中的人脸为真实人脸。
S2042、若红外相似度大于预设阈值，则采用预设判别器判断人脸红外图像是否为人脸的红外图像。
为了提升判断的准确性，在确定红外相似度大于预设阈值时，进一步可以再判断红外人脸图像到底是不是人脸的红外图像。一些实施方式中，对于确定人脸红外图像是否为人脸的红外图像，可以通过预设判别器获取人脸红外图像中人脸的红外分布特征，并根据人脸的红外分布特征确定人脸红外图像是否为人脸的红外图像。
需要说明的是，由于人脸每个部位(如额头、鼻子、嘴、眼睛等)的温度和发射率均有所不同，因此对于人脸来说，其红外分布特征有一定的规律性，即，可以通过红外分布特征的相似性来确定人脸红外图像是否为人脸的红外图像。例如，可以通过深度学习网络以及真实的人脸红外分布特征训练进行模型训练，获取上述预设判别器，通过预设判别器，可以获取人脸红外图像中的人脸红外分布特征，并将获取的人脸红外分布特征与真实的人脸红外分布特征进行比较，得到红外分布特征相似度，若红外分布特征相似度小于预设阈值，则认为该人脸红外图像不是人脸的红外图像，若红外分布特征相似度大于预设阈值，则认为该人脸红外图像是人脸的红外图像。
S2043、若人脸红外图像为人脸的红外图像，则确认人脸图像范围中的人脸是真人。
一些实施方式中，通过红外分布特征确定人脸红外图像是否为人脸的红外图像可以与上述的方法择一使用或共同使用，共同使用时，即先通过上述方法确定红外相似度大于预设阈值，然后再根据红外分布特征确认红外分布特征相似度大于预设阈值，此时确定人脸图像中的人脸为真实人脸。这样可以更加准确的排除伪造人脸的可能，避免了人脸图像区域温度和背景图像区域温度相差大，但是人脸图像区域并不是人脸的情况，使得人脸检测的安全性更好。
图8示出了本申请实施例所提供的另一种人脸识别方法的流程图，图9示出了本申请实施例所提供的一种人脸识别方法中原始图像的示意图。
可选地，如图8、图9所示，根据获取的人脸图像，采集人脸图像对应的人脸红外图像之前，还包括：
S301、获取人脸图像的原始图像。
其中，原始图像可以为可见光镜头获取的照片，获取的原始图像如图9所示，包括了人脸图像以及其他区域。
S302、根据人脸识别算法，获取人脸图像的原始图像中人脸图像的轮廓。
一些实施方式中，根据人脸识别算法，可以识别出原始图像中的人脸，以及人脸图像的轮廓，其中，人脸识别算法为常用的识别算法，如特征面(Eigenface)、线性判别分析(Linear Discriminant Analysis，LDA)、局部二进制编码直方图(Local Binary PatternsHistograms，LBPH)等，在此不做限制。
S303、根据人脸图像的轮廓，获取人脸图像。
一些实施方式中，参考图3、图9，可以只保留人脸的图像，以获取图3a所示的人脸图像，也可以保留图9虚线框(即与人脸相切的框)以获取图3b所示的人脸图像，在此不做限制。
进一步地，该方法还包括：获取人脸图像中的人脸特征向量。
一些实施方式中，获取人脸图像中的人脸特征特征向量的方式有多种，例如，主成分分析(Principal Components Analysis，PCA)、局部二值模式(Local Binary Patterns，LBP)等，但不以此为限。
根据上述算法，可以获取一组人脸特征向量，这组人脸特征向量可以用来表示一个人脸的特征，当另一组人脸特征向量与这一组人脸特征向量的相似度满足预设条件时，则认为这两组人脸特征向量表示的是同一张人脸。
图10示出了本申请实施例所提供的另一种人脸识别方法的流程图。
可选地，如图10所示，在根据红外相似度确认人脸图像范围中的人脸是否真人之后，还包括：
S401、若人脸图像范围中的人脸是真人，则根据预设相似度算法，获取人脸特征向量与预存储人脸图像中的人脸特征向量的相似度。
一些实施方式中，当确认人脸图像中的人脸为真人后，根据上述获取的人脸特征向量，与预存储的人脸图像的人脸特征向量进行匹配，获取二者的人脸特征向量相似度，其中，人脸特征向量相似的算法可以包括余弦相似度、曼哈顿距离、欧式距离等，在此不做限制。也就是说，确定图像中存在真人后再进一步进行人物识别，否则可以直接停止识别过程。
例如，使用余弦相似度计算时，可以根据获取的人脸特征向量a(x1、x2、…、xi)、预存储人脸图像中的人脸特征向量b(y1、y2、…、yi)，求a和b之间的余弦距离cosθ，其计算公式为：
对于本实施例中，即为：
即向量a和向量b的乘积与向量a的范数和向量b的范数之比。
S402、根据人脸特征向量的相似度，确定预存储人脸图像中的目标人脸。
一些实施方式中，当人脸特征向量的相似度符合预设条件时，即确定人脸图像中的人脸与预存储人脸图像中的人脸相匹配，为相同的人脸。
图11示出了本申请实施例所提供的一种人脸识别装置的结构示意图。
如图11所示，该人脸识别装置可以包括：
采集模块501，用于根据获取的人脸图像，采集人脸图像对应的人脸红外图像。扩展模块502，用于根据人脸图像获取扩展后的人脸图像，并采集扩展后的人脸图像中除人脸图像部分对应的背景红外图像。第一获取模块503，用于获取人脸红外图像和背景红外图像的红外相似度。第一确认模块504，用于根据红外相似度确认人脸图像中的人脸是否为真人，其中，人脸红外图像和背景红外图像的每个像素点包括对应实际位置的红外辐射强度。
可选地，扩展模块502，具体用于将人脸图像扩大预设个像素点，获取扩展后的人脸图像。
可选地，第一获取模块503，具体用于在人脸红外图像中和背景红外图像中各随机获取多个个预设大小的图像块、及每个图像块的红外辐射强度，其中，每个图像块的红外辐射强度为图像块中每个像素点对应红外辐射强度的平均值。根据辐射平均值算法，分别获取人脸红外图像中所有图像块的红外辐射平均值和背景红外图像中所有图像块的红外辐射平均值。根据人脸红外图像中每个图像块的红外辐射强度和背景红外图像中每个图像块的红外辐射强度，获取人脸红外图像和背景红外图像的红外辐射的误差平均值。根据误差平均值、人脸红外图像的红外辐射平均值，获取红外相似度；或根据误差平均值、背景红外图像的红外辐射平均值，获取红外相似度。
可选地，第一获取模块503，具体用于将人脸红外图像中每个图像块的红外辐射强度与背景红外图像中每个图像块的红外辐射强度一一相减，得到多个红外辐射强度的误差绝对值。根据多个红外辐射强度的误差绝对值，获取红外辐射的误差平均值。
可选地，第一获取模块503，具体用于获取误差平均值、人脸红外图像的红外辐射平均值差值的绝对值。将值差值的绝对值与人脸红外图像的红外辐射平均值的比值作为红外相似度。或，获取误差平均值、背景红外图像的红外辐射平均值差值的绝对值。将值差值的绝对值与背景红外图像的红外辐射平均值的比值作为红外相似度。
可选地，第一确认模块504，具体用于若红外相似度小于预设阈值，则确认人脸图像范围中的人脸不是真人。若红外相似度大于预设阈值，则确认人脸图像范围中的人脸是真人。
图12示出了本申请实施例所提供的另一种人脸识别装置的结构示意图。
可选地，如图12所示，该装置还包括第二获取模块505，用于获取人脸图像的原始图像。根据人脸识别算法，获取人脸图像的原始图像中人脸图像的轮廓。根据人脸图像的轮廓，获取人脸图像。
图13示出了本申请实施例所提供的另一种人脸识别装置的结构示意图。
可选地，如图13所示，该装置还包括第三获取模块506，用于获取人脸图像中的人脸特征向量。
图14示出了本申请实施例所提供的另一种人脸识别装置的结构示意图。
可选地，如图14所示，该装置还包括第二确认模块507，用于若人脸图像范围中的人脸是真人，则根据预设相似度算法，获取人脸特征向量与预存储人脸图像中的人脸特征向量的相似度。根据人脸特征向量的相似度，确定预存储人脸图像中的目标人脸。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
需要说明的是，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital SingnalProcessor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-on-a-chip，简称SOC)的形式实现。
图15示出了本申请实施例所提供的一种电子设备的结构示意图。
如图15所示，该电子设备包括：处理器601、计算机可读存储介质602和总线603，其中：
电子设备可以包括一个或多个处理器601、总线603和计算机可读存储介质602，其中，计算机可读存储介质602用于存储程序，处理器601通过总线603与计算机可读存储介质602通信连接，处理器601调用计算机可读存储介质602存储的程序，以执行上述方法实施例。
电子设备可以是通用计算机、服务器或移动终端等，在此不做限制。电子设备用于实现本申请的人脸识别方法。
需要说明的是，处理器601可以包括一个或多个处理核(例如，单核处理器或多核处理器)。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用指令集处理器(Application Specific Instruction-set Processor，ASIP)、图形处理单元(GraphicsProcessing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field Programmable GateArray，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。
计算机可读存储介质602可以包括：包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory，ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random AccessMemory，RAM)；RAM可以包括动态RAM(Dynamic Random Access Memory，DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM，DDR SDRAM)；静态RAM(StaticRandom-Access Memory，SRAM)，晶闸管RAM(Thyristor-Based Random Access Memory，T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-OnlyMemory，MROM)、可编程ROM(Programmable Read-Only Memory，PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory，PEROM)、电可擦除可编程ROM(ElectricallyErasable Programmable read only memory，EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。
为了便于说明，在电子设备中仅描述了一个处理器601。然而，应当注意，本申请中的电子设备还可以包括多个处理器601，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备的处理器601执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。
可选地，本发明还提供一种程序产品，例如，包括程序的计算机可读存储介质，该程序在被处理器执行时用于执行上述方法实施例。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (20)
1.一种人脸识别方法，其特征在于，包括：
根据获取的人脸图像，采集所述人脸图像对应的人脸红外图像；
根据所述人脸图像获取扩展后的人脸图像，并采集所述扩展后的人脸图像中除所述人脸图像部分对应的背景红外图像；
获取所述人脸红外图像和所述背景红外图像的红外相似度；
根据所述红外相似度确认所述人脸图像中的人脸是否为真人，其中，所述人脸红外图像和所述背景红外图像的每个像素点包括对应实际位置的红外辐射强度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述人脸图像获取扩展后的人脸图像，包括：
将所述人脸图像扩大预设个像素点，获取所述扩展后的人脸图像。
3.根据权利要求1或2所述的方法，其特征在于，所述获取所述人脸红外图像和所述背景红外图像的红外相似度，包括：
在所述人脸红外图像中和所述背景红外图像中各随机获取多个个预设大小的图像块、及每个图像块的红外辐射强度，其中，所述每个图像块的红外辐射强度为所述图像块中每个像素点对应红外辐射强度的平均值；
根据辐射平均值算法，分别获取所述人脸红外图像中所有所述图像块的红外辐射平均值和所述背景红外图像中所有所述图像块的红外辐射平均值；
根据所述人脸红外图像中每个图像块的红外辐射强度和所述背景红外图像中每个图像块的红外辐射强度，获取所述人脸红外图像和所述背景红外图像的红外辐射的误差平均值；
根据所述误差平均值、所述人脸红外图像的红外辐射平均值，获取所述红外相似度；或
根据所述误差平均值、所述背景红外图像的红外辐射平均值，获取所述红外相似度。
4.根据权利要求3所述的方法，其特征在于，所述根据所述人脸红外图像中每个图像块的红外辐射强度和所述背景红外图像中每个图像块的红外辐射强度，获取所述人脸红外图像和所述背景红外图像的红外辐射的误差平均值，包括：
将所述人脸红外图像中每个图像块的红外辐射强度与所述背景红外图像中每个图像块的红外辐射强度一一相减，得到多个红外辐射强度的误差绝对值；
根据所述多个红外辐射强度的误差绝对值，获取所述红外辐射的误差平均值。
5.根据权利要求3所述的方法，其特征在于，所述根据所述误差平均值、所述人脸红外图像的红外辐射平均值，获取所述红外相似度；或根据所述误差平均值、所述背景红外图像的红外辐射平均值，获取所述红外相似度，包括：
获取所述误差平均值、所述人脸红外图像的红外辐射平均值差值的绝对值；
将所述值差值的绝对值与所述人脸红外图像的红外辐射平均值的比值作为所述红外相似度；或
获取所述误差平均值、所述背景红外图像的红外辐射平均值差值的绝对值；
将所述值差值的绝对值与所述背景红外图像的红外辐射平均值的比值作为所述红外相似度。
6.根据权利要求1所述的方法，其特征在于，根据所述红外相似度确认所述人脸图像范围中的人脸是否真人，包括：
若所述红外相似度小于预设阈值，则确认所述人脸图像范围中的人脸不是真人；或者，
若所述红外相似度大于预设阈值，则采用预设判别器判断所述人脸红外图像是否为人脸的红外图像；
若所述人脸红外图像为人脸的红外图像，则确认所述人脸图像范围中的人脸是真人。
7.根据权利要求1所述的方法，其特征在于，所述根据获取的人脸图像，采集所述人脸图像对应的人脸红外图像之前，还包括：
获取所述人脸图像的原始图像；
根据人脸识别算法，获取所述人脸图像的原始图像中人脸图像的轮廓；
根据所述人脸图像的轮廓，获取所述人脸图像。
8.根据权利要求1所述的方法，其特征在于，还包括：
获取所述人脸图像中的人脸特征向量。
9.根据权利要求8所述的方法，其特征在于，在根据所述红外相似度确认所述人脸图像范围中的人脸是否真人之后，还包括：
若所述人脸图像范围中的人脸是真人，则根据预设相似度算法，获取所述人脸特征向量与预存储人脸图像中的人脸特征向量的相似度；
根据所述人脸特征向量的相似度，确定所述预存储人脸图像中的目标人脸。
10.一种人脸识别装置，其特征在于，包括：
采集模块，用于根据获取的人脸图像，采集所述人脸图像对应的人脸红外图像；
扩展模块，用于根据所述人脸图像获取扩展后的人脸图像，并采集所述扩展后的人脸图像中除所述人脸图像部分对应的背景红外图像；
第一获取模块，用于获取所述人脸红外图像和所述背景红外图像的红外相似度；
第一确认模块，用于根据所述红外相似度确认所述人脸图像中的人脸是否为真人，其中，所述人脸红外图像和所述背景红外图像的每个像素点包括对应实际位置的红外辐射强度。
11.根据权利要求10所述的装置，其特征在于，所述扩展模块，具体用于将所述人脸图像扩大预设个像素点，获取所述扩展后的人脸图像。
12.根据权利要求10或11所述的装置，其特征在于，所述第一获取模块，具体用于在所述人脸红外图像中和所述背景红外图像中各随机获取多个个预设大小的图像块、及每个图像块的红外辐射强度，其中，所述每个图像块的红外辐射强度为所述图像块中每个像素点对应红外辐射强度的平均值；
根据辐射平均值算法，分别获取所述人脸红外图像中所有所述图像块的红外辐射平均值和所述背景红外图像中所有所述图像块的红外辐射平均值；
根据所述人脸红外图像中每个图像块的红外辐射强度和所述背景红外图像中每个图像块的红外辐射强度，获取所述人脸红外图像和所述背景红外图像的红外辐射的误差平均值；
根据所述误差平均值、所述人脸红外图像的红外辐射平均值，获取所述红外相似度；或
根据所述误差平均值、所述背景红外图像的红外辐射平均值，获取所述红外相似度。
13.根据权利要求12所述的装置，其特征在于，所述第一获取模块，具体用于将所述人脸红外图像中每个图像块的红外辐射强度与背景红外图像中每个图像块的红外辐射强度一一相减，得到多个红外辐射强度的误差绝对值；
根据所述多个红外辐射强度的误差绝对值，获取所述红外辐射的误差平均值。
14.根据权利要求12所述的装置，其特征在于，所述第一获取模块，具体用于获取所述误差平均值、所述人脸红外图像的红外辐射平均值差值的绝对值；
将所述值差值的绝对值与所述人脸红外图像的红外辐射平均值的比值作为所述红外相似度；或
获取所述误差平均值、所述背景红外图像的红外辐射平均值差值的绝对值；
将所述值差值的绝对值与所述背景红外图像的红外辐射平均值的比值作为所述红外相似度。
15.根据权利要求10所述的装置，其特征在于，所述第一确认模块，具体用于若所述红外相似度小于预设阈值，则确认所述人脸图像范围中的人脸不是真人；或者，
若所述红外相似度大于预设阈值，则采用预设判别器判断所述人脸红外图像是否为人脸的红外图像；
若所述人脸红外图像为人脸的红外图像，则确认所述人脸图像范围中的人脸是真人。
16.根据权利要求10所述的装置，其特征在于，还包括第二获取模块，用于获取所述人脸图像的原始图像；根据人脸识别算法，获取所述人脸图像的原始图像中人脸图像的轮廓；根据所述人脸图像的轮廓，获取所述人脸图像。
17.根据权利要求10所述的装置，其特征在于，还包括第三获取模块，用于获取所述人脸图像中的人脸特征向量。
18.根据权利要求17所述的装置，其特征在于，还包括第二确认模块，用于若所述人脸图像范围中的人脸是真人，则根据预设相似度算法，获取所述人脸特征向量与预存储人脸图像中的人脸特征向量的相似度；根据所述人脸特征向量的相似度，确定所述预存储人脸图像中的目标人脸。
19.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至9任一所述的人脸识别方法的步骤。
20.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至9任一所述的人脸识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910310531.3A CN111832346B (zh) | 2019-04-17 | 2019-04-17 | 人脸识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910310531.3A CN111832346B (zh) | 2019-04-17 | 2019-04-17 | 人脸识别方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111832346A true CN111832346A (zh) | 2020-10-27 |
| CN111832346B CN111832346B (zh) | 2024-07-23 |
Family
ID=72914902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910310531.3A Active CN111832346B (zh) | 2019-04-17 | 2019-04-17 | 人脸识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111832346B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343920A (zh) * | 2021-07-01 | 2021-09-03 | 中诚信征信有限公司 | 人脸识别照片的分类方法、装置、电子设备和存储介质 |
| US20230005298A1 (en) * | 2019-07-18 | 2023-01-05 | Capital One Services, Llc | Detecting attempts to defeat facial recognition |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845345A (zh) * | 2016-12-15 | 2017-06-13 | 重庆凯泽科技股份有限公司 | 活体检测方法及装置 |
| CN107862247A (zh) * | 2017-10-13 | 2018-03-30 | 平安科技（深圳）有限公司 | 一种人脸活体检测方法及终端设备 |
| CN108596061A (zh) * | 2018-04-12 | 2018-09-28 | Oppo广东移动通信有限公司 | 人脸识别方法、装置及移动终端、存储介质 |
| CN109035516A (zh) * | 2018-07-25 | 2018-12-18 | 深圳市飞瑞斯科技有限公司 | 控制智能锁的方法、装置、设备及存储介质 |
| CN109325413A (zh) * | 2018-08-17 | 2019-02-12 | 深圳市中电数通智慧安全科技股份有限公司 | 一种人脸识别方法、装置及终端 |
| WO2019051777A1 (zh) * | 2017-09-15 | 2019-03-21 | 深圳传音通讯有限公司 | 一种基于智能终端的提醒方法和提醒系统 |
-
2019
- 2019-04-17 CN CN201910310531.3A patent/CN111832346B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845345A (zh) * | 2016-12-15 | 2017-06-13 | 重庆凯泽科技股份有限公司 | 活体检测方法及装置 |
| WO2019051777A1 (zh) * | 2017-09-15 | 2019-03-21 | 深圳传音通讯有限公司 | 一种基于智能终端的提醒方法和提醒系统 |
| CN107862247A (zh) * | 2017-10-13 | 2018-03-30 | 平安科技（深圳）有限公司 | 一种人脸活体检测方法及终端设备 |
| CN108596061A (zh) * | 2018-04-12 | 2018-09-28 | Oppo广东移动通信有限公司 | 人脸识别方法、装置及移动终端、存储介质 |
| CN109035516A (zh) * | 2018-07-25 | 2018-12-18 | 深圳市飞瑞斯科技有限公司 | 控制智能锁的方法、装置、设备及存储介质 |
| CN109325413A (zh) * | 2018-08-17 | 2019-02-12 | 深圳市中电数通智慧安全科技股份有限公司 | 一种人脸识别方法、装置及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 于妍;韩冬;: "基于局部二元模式直方图的红外人脸识别", 激光杂志, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230005298A1 (en) * | 2019-07-18 | 2023-01-05 | Capital One Services, Llc | Detecting attempts to defeat facial recognition |
| CN113343920A (zh) * | 2021-07-01 | 2021-09-03 | 中诚信征信有限公司 | 人脸识别照片的分类方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111832346B (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210034864A1 (en) | Iris liveness detection for mobile devices | |
| US10943095B2 (en) | Methods and systems for matching extracted feature descriptors for enhanced face recognition | |
| US10262190B2 (en) | Method, system, and computer program product for recognizing face | |
| CN110705392A (zh) | 一种人脸图像检测方法及装置、存储介质 | |
| JP6587435B2 (ja) | 画像処理装置、情報処理方法及びプログラム | |
| CN105740778B (zh) | 一种改进的三维人脸活体检测方法及其装置 | |
| CN108596193B (zh) | 一种搭建针对人耳识别的深度学习网络结构的方法及系统 | |
| CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
| CN112528902B (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 | |
| CN108416291B (zh) | 人脸检测识别方法、装置和系统 | |
| CN111639522A (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
| CN111401331B (zh) | 人脸识别方法及装置 | |
| US10929984B2 (en) | Systems and methods for shaking action recognition based on facial feature points | |
| CN112001285B (zh) | 一种美颜图像的处理方法、装置、终端和介质 | |
| CN111832346B (zh) | 人脸识别方法、装置、电子设备及可读存储介质 | |
| CN114677703A (zh) | 隐私保护的口罩合规性水平测量的系统和方法 | |
| EP3699865B1 (en) | Three-dimensional face shape derivation device, three-dimensional face shape deriving method, and non-transitory computer readable medium | |
| CN114360015A (zh) | 活体检测方法、装置、设备及存储介质 | |
| CN111325252B (zh) | 图像处理方法、装置、设备、介质 | |
| CN109785439A (zh) | 人脸素描图像生成方法及相关产品 | |
| CN115205943A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN113837020B (zh) | 一种化妆进度检测方法、装置、设备及存储介质 | |
| CN113837018B (zh) | 一种化妆进度检测方法、装置、设备及存储介质 | |
| CN112380966B (zh) | 基于特征点重投影的单眼虹膜匹配方法 | |
| Ohshima et al. | Visual place recognition from eye reflection |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |