CN112070041A - 一种基于cnn深度学习模型的活体人脸检测方法和装置 - Google Patents
一种基于cnn深度学习模型的活体人脸检测方法和装置 Download PDFInfo
- Publication number
- CN112070041A CN112070041A CN202010960751.3A CN202010960751A CN112070041A CN 112070041 A CN112070041 A CN 112070041A CN 202010960751 A CN202010960751 A CN 202010960751A CN 112070041 A CN112070041 A CN 112070041A
- Authority
- CN
- China
- Prior art keywords
- living body
- body face
- face
- living
- features
- 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
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
- G06V40/168—Feature extraction; Face representation
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于CNN深度学习模型的活体人脸检测方法,其主要用于人脸检测技术领域。该方法首先利用图像采集设备,获取包含活体或非活体人脸的RGB彩色图像;再对活体人脸图像进行分割,并基于分割后的活体人脸图像区域块,提取和融合纹理特征和梯度特征,形成低层活体人脸表征;之后将低层活体人脸表征作为CNN深度学习模型的输入数据进行学习,进而得到活体人脸图像的深度特征表示,最后再通过活体人脸分类模块完成活体人脸检测。本发明还提供了一种基于CNN深度学习模型的活体人脸检测装置。本发明基于深度学习框架,通过融合低层特征和深度特征,有效克服单一特征提取所带来的不确定性,增强人脸特征的通用性,提高活体人脸检测分类的准确度。
Description
技术领域
本发明涉及一种活体人脸检测技术,尤其涉及一种基于CNN深度学习模型的活体人脸检测方法和装置。
背景技术
依据提取人脸特征的方法原理的不同,现有的活体人脸检测方法主要有:基于行为特征的活体检测方法、基于人工设计特征的方法、基于纹理特征的活体检测方法、基于三维深度信息的活体检测方法、基于深度学习的活体人脸检测等。
基于行为特征的活体检测方法需要用户刻意配合,如点头、眨眼、微笑等,用户体验不自然。
基于人工设计特征的方法,如频域特征、纹理特征等,这些方法原理简单,易于实现,但是采用人工设计特征的方法,由于不同特征提取的信息不同,虽然也能达到较好的检测效果,但是具有一定的不确定性,通用性较差。
基于三维深度信息的活体检测方法利用真假人脸的三维深度信息的不同来进行活体检测,该方法能够较好地防止照片攻击和视频攻击,但是对于三维人脸立体模型,检测效果不够理想;而且该方法通常采用深度摄像头以获取深度信息,这就必然会导致需要额外增加新的设备投入。
基于深度学习的活体检测方法能够有效地抽取和表达高层语义特征,准确率相对较高,但是由于人脸小样本数据集的问题容易出现过拟合现象。
发明内容
为了克服现有技术中的上述不足,提高活体人脸特征提取的鲁棒性,增强活体人脸识别系统的安全性能,基于深度学习模型框架,本发明构建了一种融合低层表征和深度特征表示的活体人脸检测方法与装置,不仅可以有效克服单一特征提取所带来的不确定性,增强活体人脸特征的有效性和显著性,而且能够较好地解决活体人脸检测中的小样本问题。此外,本发明的目的还在于如何提供一种带方向的多尺度卷积核,通过卷积运算,获取邻域内的方向局部边界强度信息,进而提取活体人脸图像的深度特征。
本发明的技术方案在于提供了一种基于CNN深度学习模型的活体人脸检测方法,其特征在于:包括:
步骤1、获取活体或非活体人脸图像,即利用包括摄像头、照相机或手机在内的图像采集设备,获取包含活体或非活体人脸图像的RGB彩色图像,本步骤所获取的RGB彩色图像将作为后续处理的输入;
步骤2、通过低层活体人脸表征模块完成低层活体人脸表征,即利用超像素分割技术对步骤1获取的活体人脸图像进行分割,然后基于分割后的彩色活体人脸图像区域块,分别提取活体人脸图像区域块的纹理特征和梯度特征,并将纹理特征和梯度特征融合,形成低层活体人脸表征;
步骤3、将步骤2得到的低层活体人脸表征作为新的网络输入,即将融合了纹理特征和梯度特征的低层活体人脸表征作为CNN深度学习模型的输入数据,通过CNN深度学习模型的卷积层、池化层、全连接层的训练后,学习并得到活体人脸图像的深度特征表示;
该步骤中,设置带方向性的多尺度卷积核,通过卷积操作,获取邻域内的方向局部边界强度信息,从而提取活体人脸图像的方向深度特征表示,具体通过以下方式来实现:
首先假设输入图像Im(x,y),输出图像Om(x,y),H(m,m)为带方向的卷积核,卷积核H(m,m)=m*m,m为正整数,且1≤m≤5,则Om(x,y)=Im(x,y)*H(m,m);其次,将不同尺度的输出图像Om(x,y)按1≤m≤5权重求和,得到其中,O(x,y)表示多尺度输出图像,
步骤4、通过活体人脸分类模块完成活体人脸检测,在步骤3提取出活体人脸图像的深度特征表示后,利用SVM分类器进行活体人脸与非活体人脸的分类与辨识,有效避免小样本数据集存在的过拟合现象。
进一步地,步骤2具体包括:
步骤2.1、将步骤1中获取的活体人脸的RGB彩色图像,转换到HSV色彩空间,并利用超像素分割技术中的SLIC方法,通过改变种子点个数和超像素边长,获取彩色活体人脸图像区域块;
步骤2.2、基于活体和非活体人脸的纹理差异,利用LBP纹理特征描述子对基于HSV空间中的彩色活体人脸图像区域块进行编码并提取纹理特征,其中,给定LhiFace,LsiFace,LviFace分别表示H,S,V通道的第i个活体人脸图像区域块的纹理特征,LiFace表示HSV色彩空间中第i个活体人脸图像区域块的纹理特征,αL,βL,γL为H,S,V通道的第i个活体人脸图像区域块的纹理特征的权值,则:
LiFace=αLLhiFace+βLLsiFace+γLLviFace
αL+βL+γL=1;
步骤2.3、利用HOG特征描述子提取彩色活体人脸图像区域块的梯度结构特征,HOG特征描述子采用的方式是在局部区域归一化直方图,从而能够部分抵消光照变化带来的影响,降低光照对纹理特征的影响,提取较为鲁棒的活体人脸特征,增强活体人脸与非活体人脸的特征区分度和显著度;针对于HSV空间第i个活体人脸图像区域块,其梯度特征为:
HiFace=αHHhiFace+βHHsiFace+γHHviFace
αH+βH+γH=1;
其中,HhiFace,HsiFace,HviFace分别表示H,S,V通道的第i个活体人脸图像区域块的HOG特征,HiFace表示HSV色彩空间中第i个活体人脸图像区域块的HOG特征,αH,βH,γH分别表示H,S,V通道中第i个活体人脸图像区域块的HOG特征的权值;
步骤2.4、利用典型相关分析CCA方法将提取到的基于HSV色彩空间的活体人脸图像的纹理特征及其梯度结构特征进行融合,形成低层活体人脸表征。
本发明还提供了一种基于CNN深度学习模型的活体人脸检测装置,包括处理器、存储器、活体人脸样本库、低层活体人脸表征模块、深度特征表示模块、活体人脸分类模块;其特征在于:
处理器可执行指令以实现活体人脸检测方法;
存储器存储活体人脸检测图像及机器可执行指令;
活体人脸样本库包含真实活体人脸样本和伪装人脸样本;
低层活体人脸表征模块用于提取活体人脸图像的纹理特征及其梯度特征,并融合形成低层活体人脸表征;
深度特征表示模块通过卷积神经网络模型,提取活体人脸图像的深度特征;
活体人脸分类模块利用分类器对活体人脸深度特征进行分类,输出活体人脸与非活体人脸检测分类结果。本发明的有益效果在于:
(1)、基于深度学习框架,并在其基础上发明提出了一种融合低层人脸表征和深度特征的活体人脸检测方法与装置,通过特征融合,可以克服单一特征提取所带来的不确定性,增强人脸特征的有效性和显著性,提高活体人脸检测分类的准确度。
(2)、不同于传统的纹理特征提取方法,本发明首先利用超像素分割SLIC方法对HSV色彩空间的人脸图像进行分块,然后通过加权融合策略提取基于HSV色彩空间的活体和非活体人脸的纹理特征。
(3)、不同于传统的梯度特征提取方法,本发明首先利用超像素分割SLIC方法对HSV色彩空间的人脸图像进行分块,然后通过加权融合策略提取基于HSV色彩空间的活体和非活体人脸的梯度结构特征。
(4)在传统CNN模型基础上,本发明提出了一种带方向的多尺度卷积核,通过卷积运算,获取邻域内的方向局部边界强度信息,提取活体人脸图像的深度特征。
(5)、不同于传统CNN模型的分类策略,本发明采用SVM分类器进行活体和非活体人脸的辨识,可以有效解决活体人脸检测小样本数据所带来的过拟合问题。
附图说明
图1是活体人脸检测装置原理图;
图2是低层人脸表征形成过程示意图;
图3是深度特征表示及分类识别示意图;
图4是活体人脸检测装置图示意图。
具体实施方式
为了让本领域的技术人员能够更好的理解本发明的技术方案,下面结合附图对本发明作进一步详细的阐述。
如图1-3所示,该实施例提供了一种基于CNN深度学习模型的活体人脸检测方法,具体包括:
步骤1、获取活体或非活体人脸图像,即利用包括摄像头、照相机或手机在内的图像采集设备,获取包含活体或非活体人脸图像的RGB彩色图像,本步骤所获取的RGB彩色图像将作为后续处理的输入;
该步骤中,设置带方向性的多尺度卷积核,通过卷积操作,获取邻域内的方向局部边界强度信息,从而提取活体人脸图像的方向深度特征表示,具体通过以下方式来实现:
首先假设输入图像Im(x,y),输出图像Om(x,y),H(m,m)为带方向的卷积核,卷积核H(m,m)=m*m,m为正整数,且1≤m≤5,则Om(x,y)=Im(x,y)*H(m,m);其次,将不同尺度的输出图像Om(x,y)按1≤m≤5权重求和,得到其中,O(x,y)表示多尺度输出图像,
步骤2、通过低层活体人脸表征模块完成低层活体人脸表征,即利用超像素分割技术对步骤1获取的活体人脸图像进行分割,然后基于分割后的彩色活体人脸图像区域块,分别提取活体人脸图像区域块的纹理特征和梯度特征,并将纹理特征和梯度特征融合,形成低层活体人脸表征;
如图2所示,该步骤2具体包括:
步骤2.1、将步骤1中获取的活体人脸的RGB彩色图像,转换到HSV色彩空间,并利用超像素分割技术中的SLIC方法,通过改变种子点个数和超像素边长,获取彩色活体人脸图像区域块;
步骤2.2、基于活体和非活体人脸的纹理差异,利用LBP纹理特征描述子对基于HSV空间中的彩色活体人脸图像区域块进行编码并提取纹理特征,其中,给定LhiFace,LsiFace,LviFace分别表示H,S,V通道的第i个活体人脸图像区域块的纹理特征,LiFace表示HSV色彩空间中第i个活体人脸图像区域块的纹理特征,αL,βL,γL为H,S,V通道的第i个活体人脸图像区域块的纹理特征的权值,则:
LiFace=αLLhiFace+βLLsiFace+γLLviFace
αL+βL+γL=1;
因为打印照片或视频中的活体人脸,是真实活体人脸的二次成像,难免会存在纹理细节信息的损失,为此,基于活体和非活体人脸的纹理差异,LBP特征描述子具有旋转不变性的显著优点,能够有效对抗旋转所带来的影响。
此外,为了增加活体和非活体人脸特征的区分度和显著度,本实施例利用HOG特征描述子提取彩色活体人脸图像区域块的梯度结构特征。
步骤2.3、利用HOG特征描述子提取彩色活体人脸图像区域块的梯度结构特征,HOG特征描述子采用的方式是在局部区域归一化直方图,从而能够部分抵消光照变化带来的影响,降低光照对纹理特征的影响,提取较为鲁棒的活体人脸特征,增强活体人脸与非活体人脸的特征区分度和显著度;针对于HSV空间第i个活体人脸图像区域块,其梯度特征为:
HiFace=αHHhiFace+βHHsiFace+γHHviFace
αH+βH+γH=1;
其中,HhiFace,HsiFace,HviFace分别表示H,S,V通道的第i个活体人脸图像区域块的HOG特征,HiFace表示HSV色彩空间中第i个活体人脸图像区域块的HOG特征,αH,βH,γH分别表示H,S,V通道中第i个活体人脸图像区域块的HOG特征的权值;
步骤2.4、利用典型相关分析CCA方法将提取到的基于HSV色彩空间的活体人脸图像的纹理特征及其梯度结构特征进行融合,形成低层活体人脸表征。
不同于传统的特征串行级联融合方式,本实施例方法采用基于典型相关分析的方式将纹理特征和梯度特征进行融合,这样既可以达到特征融合的目的,又消除了特征之间的信息冗余,降低计算复杂度。
步骤3、将步骤2得到的低层活体人脸表征作为新的网络输入,即将融合了纹理特征和梯度特征的低层活体人脸表征作为CNN深度学习模型的输入数据,通过CNN深度学习模型的卷积层、池化层、全连接层的训练后,学习并得到活体人脸图像的深度特征表示;
该步骤中,设置带方向性的多尺度卷积核,通过卷积操作,获取邻域内的方向局部边界强度信息,从而提取活体人脸图像的方向深度特征表示,具体通过以下方式来实现:
首先假设输入图像Im(x,y),输出图像Om(x,y),卷积核H(m,m)=m*m,m为正整数,且1≤m≤5,则Om(x,y)=Im(x,y)*H(m,m);其次,将不同尺度的输出图像Om(x,y)按1≤m≤5权重求和,得到其中,O(x,y)表示多尺度输出图像,
特征提取和选择对最终分类结果的判定发挥至关重要的作用,该发明利用卷积神经网络模型提取活体人脸深度特征,基于CNN模型的特征提取模拟了人类大脑理解对图像理解的方式,具有自动结合和学习的特性,不仅能够提取图像边缘特征和高阶语义信息,而且有效降低了人工设计和构造特征所带来的不确定性。
步骤4、通过活体人脸分类模块完成活体人脸检测,在步骤3提取出活体人脸图像的深度特征表示后,利用SVM分类器进行活体人脸与非活体人脸的分类与辨识,有效避免小样本数据集存在的过拟合现象。
因为考虑到活体人脸检测数据集的小样本问题,该施例中,在进行分类识别时,不同于传统CNN模型所采用的分类策略,该实施例选择了能够处理小样本、非线性、高维数问题的SVM分类器。
该实施还提供了一种活体人脸检测装置,包括处理器、存储器、活体人脸样本库、低层人脸表征模块、深度特征表示模块、活体人脸分类模块;
其中,存储器存储活体人脸检测图像及机器可执行指令;
处理器可执行指令以实现活体人脸检测方法;
活体人脸样本库包含真实人脸样本和伪装人脸样本;
低层活体人脸表征模块用于提取人脸图像的纹理特征和梯度特征,并融合形成低层人脸表征;
深度特征表示模块通过卷积神经网络模型,提取人脸图像的深度特征;
活体人脸分类模块利用分类器对活体人脸深度特征进行分类,输出活体人脸与非活体人脸检测分类结果。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述,本领域技术人员应该理解,上述实施例仅仅是对本发明的示意性实现方式的解释,并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案的等效变换、简单替换等显而易见的改变,均落在本发明保护范围之内。
Claims (3)
1.一种基于CNN深度学习模型的活体人脸检测方法,其特征在于:包括:
步骤1、获取活体或非活体人脸图像,即利用包括摄像头、照相机或手机在内的图像采集设备,获取包含活体或非活体人脸的RGB彩色图像,本步骤所获取的RGB彩色图像将作为后续处理的输入;
步骤2、通过低层活体人脸表征模块完成低层活体人脸表征,即利用超像素分割技术对步骤1获取的活体人脸图像进行分割,然后基于分割后的彩色活体人脸图像区域块,分别提取活体人脸图像区域块的纹理特征和梯度特征,并将纹理特征和梯度特征融合,形成低层活体人脸表征;
步骤3、将步骤2得到的低层活体人脸表征作为新的网络输入,即将融合了纹理特征和梯度特征的低层活体人脸表征作为CNN深度学习模型的输入数据,通过CNN深度学习模型的卷积层、池化层、全连接层的训练后,学习并得到活体人脸图像的深度特征表示;
该步骤中,设置带方向性的多尺度卷积核,通过卷积操作,获取邻域内的方向局部边界强度信息,从而提取活体人脸图像的方向深度特征表示,具体通过以下方式来实现:
首先假设输入图像Im(x,y),输出图像Om(x,y),H(m,m)为带方向的卷积核,卷积核H(m,m)=m*m,m为正整数,且1≤m≤5,则Om(x,y)=Im(x,y)*H(m,m);其次,将不同尺度的输出图像Om(x,y)按1≤m≤5权重求和,得到其中,O(x,y)表示多尺度输出图像,
步骤4、通过活体人脸分类模块完成活体人脸检测,在步骤3提取出活体人脸图像的深度特征表示后,利用SVM分类器进行活体人脸与非活体人脸的分类与辨识,有效避免小样本数据集存在的过拟合现象。
2.根据权利要求1所述的基于CNN深度学习模型的活体人脸检测方法,其特征在于:步骤2具体包括:
步骤2.1、将步骤1中获取的活体人脸的RGB彩色图像,转换到HSV色彩空间,并利用超像素分割技术中的SLIC方法,通过改变种子点个数和超像素边长,获取彩色活体人脸图像区域块;
步骤2.2、基于活体和非活体人脸的纹理差异,利用LBP纹理特征描述子对基于HSV空间中的彩色活体人脸图像区域块进行编码并提取纹理特征,其中,给定LhiFace,LsiFace,LviFace分别表示H,S,V通道的第i个活体人脸图像区域块的纹理特征,LiFace表示HSV色彩空间中第i个活体人脸图像区域块的纹理特征,αL,βL,γL为H,S,V通道的第i个活体人脸图像区域块的纹理特征的权值,则:
LiFace=αLLhiFace+βLLsiFace+γLLviFace
αL+βL+γL=1;
步骤2.3、利用HOG特征描述子提取彩色活体人脸图像区域块的梯度结构特征,HOG特征描述子采用的方式是在局部区域归一化直方图,从而能够部分抵消光照变化带来的影响,降低光照对纹理特征的影响,提取较为鲁棒的活体人脸特征,增强活体人脸与非活体人脸的特征区分度和显著度;针对于HSV空间第i个活体人脸图像区域块,其梯度特征为:
HiFace=αHHhiFace+βHHsiFace+γHHviFace
αH+βH+γH=1;
其中,HhiFace,HsiFace,HviFace分别表示H,S,V通道的第i个活体人脸图像区域块的HOG特征,HiFace表示HSV色彩空间中第i个活体人脸图像区域块的HOG特征,αH,βH,γH分别表示H,S,V通道中第i个活体人脸图像区域块的HOG特征的权值;
步骤2.4、利用典型相关分析CCA方法将提取到的基于HSV色彩空间的活体人脸图像的纹理特征及其梯度结构特征进行融合,形成低层活体人脸表征。
3.一种基于CNN深度学习模型的活体人脸检测装置,包括处理器、存储器、活体人脸样本库、低层活体人脸表征模块、深度特征表示模块、活体人脸分类模块;其特征在于:
处理器可执行指令以实现活体人脸检测方法;
存储器存储活体人脸检测图像及机器可执行指令;
活体人脸样本库包含真实活体人脸样本和伪装人脸样本;
低层活体人脸表征模块用于提取活体人脸图像的纹理特征及其梯度特征,并融合形成低层活体人脸表征;
深度特征表示模块通过卷积神经网络模型,提取活体人脸图像的深度特征;
活体人脸分类模块利用分类器对活体人脸深度特征进行分类,输出活体人脸与非活体人脸检测分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960751.3A CN112070041B (zh) | 2020-09-14 | 2020-09-14 | 一种基于cnn深度学习模型的活体人脸检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960751.3A CN112070041B (zh) | 2020-09-14 | 2020-09-14 | 一种基于cnn深度学习模型的活体人脸检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070041A true CN112070041A (zh) | 2020-12-11 |
CN112070041B CN112070041B (zh) | 2023-06-09 |
Family
ID=73696656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010960751.3A Active CN112070041B (zh) | 2020-09-14 | 2020-09-14 | 一种基于cnn深度学习模型的活体人脸检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070041B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651900A (zh) * | 2016-12-27 | 2017-05-10 | 中国农业大学 | 一种基于轮廓分割的高架原位草莓三维建模方法 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
US20180365829A1 (en) * | 2017-06-20 | 2018-12-20 | Case Western Reserve University | Intra-perinodular textural transition (ipris): a three dimenisonal (3d) descriptor for nodule diagnosis on lung computed tomography (ct) images |
CN109214333A (zh) * | 2018-08-31 | 2019-01-15 | 厦门中控智慧信息技术有限公司 | 卷积神经网络结构、人脸属性识别方法、装置及终端设备 |
US20190130167A1 (en) * | 2017-10-28 | 2019-05-02 | Altumview Systems Inc. | Enhanced face-detection and face-tracking for resource-limited embedded vision systems |
CN109785236A (zh) * | 2019-01-21 | 2019-05-21 | 中国科学院宁波材料技术与工程研究所 | 一种基于超像素和卷积神经网络的图像超分辨方法 |
CN109948566A (zh) * | 2019-03-26 | 2019-06-28 | 江南大学 | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 |
CN110008920A (zh) * | 2019-04-09 | 2019-07-12 | 南京工业大学 | 一种人脸表情识别方法研究 |
CN110020676A (zh) * | 2019-03-18 | 2019-07-16 | 华南理工大学 | 基于多感受野深度特征的文本检测方法、系统、设备及介质 |
CN110348319A (zh) * | 2019-06-18 | 2019-10-18 | 武汉大学 | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 |
CN110490194A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种自适应权值的多特征分块融合交通标志的识别方法 |
CN110751069A (zh) * | 2019-10-10 | 2020-02-04 | 武汉普利商用机器有限公司 | 一种人脸活体检测方法及装置 |
CN111274895A (zh) * | 2020-01-15 | 2020-06-12 | 新疆大学 | 基于空洞卷积的cnn微表情识别方法 |
CN111448569A (zh) * | 2017-12-06 | 2020-07-24 | 文塔纳医疗系统公司 | 存储和检索数字病理学分析结果的方法 |
-
2020
- 2020-09-14 CN CN202010960751.3A patent/CN112070041B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651900A (zh) * | 2016-12-27 | 2017-05-10 | 中国农业大学 | 一种基于轮廓分割的高架原位草莓三维建模方法 |
US20180365829A1 (en) * | 2017-06-20 | 2018-12-20 | Case Western Reserve University | Intra-perinodular textural transition (ipris): a three dimenisonal (3d) descriptor for nodule diagnosis on lung computed tomography (ct) images |
US20190130167A1 (en) * | 2017-10-28 | 2019-05-02 | Altumview Systems Inc. | Enhanced face-detection and face-tracking for resource-limited embedded vision systems |
CN111448569A (zh) * | 2017-12-06 | 2020-07-24 | 文塔纳医疗系统公司 | 存储和检索数字病理学分析结果的方法 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
CN109214333A (zh) * | 2018-08-31 | 2019-01-15 | 厦门中控智慧信息技术有限公司 | 卷积神经网络结构、人脸属性识别方法、装置及终端设备 |
CN109785236A (zh) * | 2019-01-21 | 2019-05-21 | 中国科学院宁波材料技术与工程研究所 | 一种基于超像素和卷积神经网络的图像超分辨方法 |
CN110020676A (zh) * | 2019-03-18 | 2019-07-16 | 华南理工大学 | 基于多感受野深度特征的文本检测方法、系统、设备及介质 |
CN109948566A (zh) * | 2019-03-26 | 2019-06-28 | 江南大学 | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 |
CN110008920A (zh) * | 2019-04-09 | 2019-07-12 | 南京工业大学 | 一种人脸表情识别方法研究 |
CN110348319A (zh) * | 2019-06-18 | 2019-10-18 | 武汉大学 | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 |
CN110490194A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种自适应权值的多特征分块融合交通标志的识别方法 |
CN110751069A (zh) * | 2019-10-10 | 2020-02-04 | 武汉普利商用机器有限公司 | 一种人脸活体检测方法及装置 |
CN111274895A (zh) * | 2020-01-15 | 2020-06-12 | 新疆大学 | 基于空洞卷积的cnn微表情识别方法 |
Non-Patent Citations (2)
Title |
---|
ZHIHUA XIE等: "Fusion of LBP and HOG using multiple kernel learning for infrared face recognition", 《2017 IEEE/ACIS 16TH INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION SCIENCE (ICIS)》, pages 81 - 84 * |
李佳妮: "基于深度残差网络的人脸识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2020, pages 138 - 1115 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070041B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
Cheng et al. | Deep colorization | |
WO2021159767A1 (zh) | 一种医学图像处理的方法、图像处理的方法及装置 | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
CN111241975B (zh) | 一种基于移动端边缘计算的人脸识别检测方法及系统 | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN109086777B (zh) | 一种基于全局像素特征的显著图精细化方法 | |
CN112052831A (zh) | 人脸检测的方法、装置和计算机存储介质 | |
CN112232204B (zh) | 基于红外图像的活体检测方法 | |
CN107766864B (zh) | 提取特征的方法和装置、物体识别的方法和装置 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
Hebbale et al. | Real time COVID-19 facemask detection using deep learning | |
CN115205247A (zh) | 电池极片的缺陷检测方法、装置、设备及存储介质 | |
CN111160194B (zh) | 一种基于多特征融合的静态手势图像识别方法 | |
Peng et al. | Presentation attack detection based on two-stream vision transformers with self-attention fusion | |
CN110969101A (zh) | 一种基于hog和特征描述子的人脸检测与跟踪方法 | |
CN108647605B (zh) | 一种结合全局颜色与局部结构特征的人眼凝视点提取方法 | |
CN112232205B (zh) | 移动端cpu实时多功能人脸检测方法 | |
CN113486712A (zh) | 一种基于深度学习的多人脸识别方法、系统和介质 | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
JP3962517B2 (ja) | 顔面検出方法及びその装置、コンピュータ可読媒体 | |
CN112070041B (zh) | 一种基于cnn深度学习模型的活体人脸检测方法和装置 | |
CN114565918A (zh) | 一种基于多特征提取模块的人脸静默活体检测方法与系统 |
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 |