CN112070954A - 活体识别方法、装置、设备及存储介质 - Google Patents

活体识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112070954A
CN112070954A CN202010961327.0A CN202010961327A CN112070954A CN 112070954 A CN112070954 A CN 112070954A CN 202010961327 A CN202010961327 A CN 202010961327A CN 112070954 A CN112070954 A CN 112070954A
Authority
CN
China
Prior art keywords
face
image
living body
images
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.)
Pending
Application number
CN202010961327.0A
Other languages
English (en)
Inventor
殷国君
陈梓轩
邵婧
闫俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202010961327.0A priority Critical patent/CN112070954A/zh
Publication of CN112070954A publication Critical patent/CN112070954A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • 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
    • G06V40/161—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本公开提供一种活体识别方法、装置、设备及存储介质，其中方法包括：获取待识别的多人脸图像，所述多人脸图像中包括至少两张人脸；由所述多人脸图像中获取多张单人脸图像；分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果。以对多人脸图像中包括的人脸进行活体识别。

Description

活体识别方法、装置、设备及存储介质
技术领域
本公开涉及计算机视觉技术领域，具体涉及一种活体识别方法、装置、设备及存储介质。
背景技术
在智能门禁、无感通行等相关的安防领域中，需要利用活体识别技术，判断摄像头采集的视频中的人脸图像是真人脸的人脸图像，还是假人脸(人脸面具等)的人脸图像，以防止利用假人脸对安防系统进行攻击的行为。
但是，在活体识别的相关技术中，只能对单人脸场景下的人脸图像进行活体识别。对于多人脸场景下的人脸图像，比如用于安防领域的摄像头采集的包含多张人脸的图像，并不能进行活体识别。
发明内容
本公开提供了一种活体识别方法、装置、设备及存储介质。
根据本公开实施例的第一方面，提供一种活体识别方法，所述方法包括：获取待识别的多人脸图像，所述多人脸图像中包括至少两张人脸；由所述多人脸图像中获取多张单人脸图像；分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果。
在一些可选实施例中，所述分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果，包括：将所述每张单人脸图像输入预先训练得到的活体识别神经网络，由所述活体识别神经网络输出所述每张单人脸图像对应的人脸部分以及所述人脸部分对应的活体识别结果。
在一些可选实施例中，所述由所述多人脸图像中获取多张单人脸图像，包括：由所述多人脸图像的人脸中检测得到至少一个目标人脸，所述目标人脸的人脸质量信息满足质量条件；基于所述目标人脸，从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像。
在一些可选实施例中，所述人脸质量信息包括如下至少一项：人脸大小、遮挡比例、俯仰角、旋转角。
在一些可选实施例中，所述由所述多人脸图像的人脸中检测得到至少一个目标人脸，包括：将所述多人脸图像输入预先训练得到的人脸检测神经网络，由所述人脸检测神经网络输出所述多人脸图像中包括的多个人脸对应的人脸信息；基于所述人脸信息，确定所述人脸的人脸质量信息；将人脸质量信息满足所述质量条件的人脸，确定为所述目标人脸。
在一些可选实施例中，所述人脸信息包括如下至少一项：人脸位置信息和人脸关键点信息。
在一些可选实施例中，所述从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像，包括：获取所述目标人脸的人脸位置信息，所述人脸位置信息包括人脸框至少两个位置点的坐标；根据所述人脸位置信息，从所述多人脸图像中提取包括所述目标人脸的单人脸图像。
在一些可选实施例中，在所述将所述每张单人脸图像输入预先训练得到的活体识别神经网络之前，还包括：获取第一训练样本；所述第一训练样本中包括多张样本图像，每张所述样本图像中包括一张人脸；对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像；基于第二训练样本训练所述活体识别神经网络，所述第二训练样本中包括所述多张样本图像以及所述处理后样本图像。
在一些可选实施例中，所述数据增强处理，包括如下至少一项：模糊处理、亮度调整、噪声处理、遮挡处理、下采样处理。
在一些可选实施例中，在所述数据增强处理包括下采样处理的情况下，所述对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像，包括：对所述至少部分样本图像进行下采样处理，得到中间图像；基于所述至少部分样本图像的分辨率，对所述中间图像进行上采样处理，得到所述处理后样本图像，所述处理后样本图像的分辨率与所述至少部分样本图像的分辨率相同。
根据本公开实施例的第二方面，提供一种活体识别装置，所述装置包括：多人脸图像获取模块，用于获取待识别的多人脸图像，所述多人脸图像中包括至少两张人脸；单人脸图像获取模块，用于由所述多人脸图像中获取多张单人脸图像；活体识别模块，用于分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果。
在一些可选实施例中，所述活体识别模块，在用于分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果时，包括：将所述每张单人脸图像输入预先训练得到的活体识别神经网络，由所述活体识别神经网络输出所述每张单人脸图像对应的人脸部分以及所述人脸部分对应的活体识别结果。
在一些可选实施例中，所述单人脸图像获取模块，包括：目标人脸检测子模块，用于由所述多人脸图像的人脸中检测得到至少一个目标人脸，所述目标人脸的人脸质量信息满足质量条件；单人脸图像提取子模块，用于基于所述目标人脸，从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像。
在一些可选实施例中，所述目标人脸检测子模块，在用于由所述多人脸图像的人脸中检测得到至少一个目标人脸时，包括：将所述多人脸图像输入预先训练得到的人脸检测神经网络，由所述人脸检测神经网络输出所述多人脸图像中包括的多个人脸对应的人脸信息；基于所述人脸信息，确定所述人脸的人脸质量信息；将人脸质量信息满足所述质量条件的人脸，确定为所述目标人脸。
在一些可选实施例中，所述单人脸图像提取子模块，在用于从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像时，包括：获取所述目标人脸的人脸位置信息，所述人脸位置信息包括人脸框至少两个位置点的坐标；根据所述人脸位置信息，从所述多人脸图像中提取包括所述目标人脸的单人脸图像。
在一些可选实施例中，样本获取模块，用于获取第一训练样本；所述第一训练样本中包括多张样本图像，每张所述样本图像中包括一张人脸；增强处理模块，用于对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像；训练模块，用于基于第二训练样本训练所述活体识别神经网络，所述第二训练样本中包括所述多张样本图像以及所述处理后样本图像。
在一些可选实施例中，所述数据增强处理，包括如下至少一项：模糊处理、亮度调整、噪声处理、遮挡处理、下采样处理。
在一些可选实施例中，在所述数据增强处理包括下采样处理的情况下，所述增强处理模块，在用于对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像时，包括：对所述至少部分样本图像进行下采样处理，得到中间图像；基于所述至少部分样本图像的分辨率，对所述中间图像进行上采样处理，得到所述处理后样本图像，所述处理后样本图像的分辨率与所述至少部分样本图像的分辨率相同。
在一些可选实施例中，所述人脸质量信息包括如下至少一项：人脸大小、遮挡比例、俯仰角、旋转角。
在一些可选实施例中，所述人脸信息包括如下至少一项：人脸位置信息和人脸关键点信息。
根据本公开实施例的第三方面，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，所述处理器执行所述程序时实现第一方面中任一项所述的活体识别方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面中任一所述的活体识别方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，所述程序被处理器执行时实现第一方面中任一所述的活体识别方法。
本公开实施例中，可以从包含多张人脸的多人脸图像中，获取只包括一张人脸的单人脸图像，从而可以对获取的单人脸图像中包括的人脸进行活体识别。该方案实现了，对包含多张人脸的图像中的人脸进行活体识别。比如，对安防领域的摄像头采集到的包含多张人脸的图像中的各个人脸进行活体识别。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种活体识别方法流程图；
图2是根据一示例性实施例示出的一种获取单人脸图像的方法流程图；
图3是根据一示例性实施例示出的一种活体识别装置示意图；
图4是根据一示例性实施例示出的另一种活体识别装置示意图；
图5是根据一示例性实施例示出的又一种活体识别装置示意图；
图6是根据一示例性实施例示出的一种计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的具体方式并不代表与本公开相一致的所有方案。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
活体识别是计算机视觉领域的重要问题，比如，活体识别技术在安防领域有着重要的应用。相关的活体识别技术中，只能对单人脸场景下的人脸图像进行活体识别。例如，在移动支付中对人脸进行活体识别时，获取的是包含单张人脸的图像进行活体识别。
但是，在安防领域常常需要对摄像头采集的视频画面中的多张人脸进行活体识别，以防止安防系统被假人脸攻击。由于从视频画面中获取的图像往往包含多张人脸，所以相关的活体识别技术并不能对其中的各个人脸进行活体识别。
基于以上，本公开提供了一种活体识别方法，可以从包含多张人脸的图像中，获取只包含单张人脸的图像，再对该单张人脸的图像进行活体识别。从而，可以对包含多张人脸的图像中的不同人脸进行活体识别，可以有效识别出多人脸图像中存在的假人脸，以防止多人脸图像中以假人脸方式的攻击行为。
为了使本公开提供的活体识别方法更加清楚，下面结合附图和具体实施例对本公开提供的方案执行过程进行详细描述。
参见图1，图1是本公开提供的实施例示出的一种活体识别方法流程图。如图1所示，该流程包括：
步骤101，获取待识别的多人脸图像，所述多人脸图像中包括至少两张人脸。
本公开实施例中，多人脸图像是包含多张人脸的图像。示例性的，以安防领域为例，摄像头采集的视频画面中往往包含多个人体进行活动。若从采集的视频中获取某一帧图像，则获取的该帧图像中极有可能对应包含了多个对象对应的人脸，即多张人脸。获取的该帧图像，可以作为多人脸图像。需要说明的是，多人脸图像可以包括一张或是多张，对于多张的情况，这多张多人脸图像可以是视频流中的连续几帧，或是不连续的几帧的图像。
以一张多人脸图像为例，获取多人脸图像的方式可以包括多种不同的形式，本公开实施例并不限制。例如，可以从摄像头采集的视频中获取某一帧图像，作为多人脸图像；或者，摄像头可以按照预设规则，对可拍摄区域进行拍摄得到多人脸图像。
本步骤获取的多人脸图像，是需要对多人脸图像中包含的人脸进行活体识别的图像。例如，在安防系统中，出于安全考虑需要对摄像头采集的视频画面中出现的每一张人脸进行活体识别。从采集的该视频画面中获取的包含多张待进行活体识别的人脸的图像，即是本步骤需要获取的待识别的多人脸图像。
步骤102，由所述多人脸图像中获取多张单人脸图像。
本公开实施例中，每张单人脸图像中只包含一张人脸。本步骤可以根据多人脸图像中包含的多张人脸，从多人脸图像中获取多张单人脸图像。
在一种可能的实现方式中，可以将多人脸图像中包括的每一张人脸均识别出来，对应其中的每一张人脸获得不同的单人脸图像。在另一种可能的实现方式中，可以将多人脸图像中包括的一部分人脸识别出来，对应该部分人脸中的每一张人脸，获得不同的单人脸图像。
以安防领域为例，在多人进行活动的场景下，从摄像头采集的视频中获取某一帧图像作为待识别的多人脸图像。假设该多人脸图像中包括多张人脸：人脸1、人脸2和人脸3。本步骤可以根据人脸1，从人脸1所在的多人脸图像中，提取出只包括该人脸1的图像，作为单人脸图像1。对应的，可以根据人脸2和人脸3，从多人脸图像中分别提取得到单人脸图像2和单人脸图像3。
步骤103，分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果。
本公开实施例提供的活体识别方法，可以从多人脸图像中，对应不同的人脸提取出多个只包含一张人脸的单人脸图像，从而可以分别对多张单人脸图像进行活体识别。这种活体识别方式，可以对多人脸场景下的人脸图像中的不同人脸，分别进行对应的活体识别。例如，对于从摄像头采集的视频中获取的包含多张人脸的图像，可以对其中的每一张人脸进行活体识别，从而检测出采集的视频中的假人脸。
在一些可选实施例中，上述步骤103分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果，可以实现为：将所述每张单人脸图像输入预先训练得到的活体识别神经网络，由所述活体识别神经网络输出所述每张单人脸图像对应的人脸部分以及所述人脸部分对应的活体识别结果。
本公开实施例中，可以利用大量的单人脸图像作为训练样本，预先训练得到活体识别神经网络。其中，活体识别神经网络的训练过程，后续将进行详细介绍，在此不再详述。
从多人脸图像中获取多张单人脸图像后，可以将多张单人脸图像分别输入活体识别神经网络。由于活体识别神经网络是预先训练好的神经网络，所以活体识别神经网络可以基于输入的单人脸图像，输出各单人脸图像中包括的人脸部分以及该人脸部分对应的活体识别结果。或者，活体识别神经网络可以基于输入的单人脸图像，输出各单人脸图像及对应的活体识别结果。
例如，将某单人脸图像输入活体识别神经网络后，活体识别神经网络可以输出对应的人脸部分以及对应的活体分数。用“分数”的形式，体现输入的单人脸图像中人脸属于活体人脸的可能性。或者，活体识别神经网络可以直接输出对应该人脸的识别结果，例如“真人脸”或“假人脸”。本公开实施例对活体识别神经网络输出结果的具体形式，不作限制。
上述实施例中，可以将单人脸图像输入预先训练得到的活体识别神经网络，利用神经网络实现对单人脸图像中人脸的活体识别。从而，可以实现对多人脸图像中不同人脸的人脸识别。这种活体识别方式，可以对多人脸场景下的人脸图像中的不同人脸，利用活体识别神经网络分别进行对应的活体识别。可以有效识别出多人脸图像中存在的假人脸，从而可以有效防止多人脸图像中以假人脸的方式进行攻击的行为。
参照图2所示，在步骤102中，从多人脸图像中获取多张单人脸图像的过程，可以包括以下步骤：
步骤201，由所述多人脸图像的人脸中检测得到至少一个目标人脸，所述目标人脸的人脸质量信息满足质量条件。
本步骤可以从多人脸图像的人脸中检测得到一个或多个目标人脸。其中，从多人脸图像中检测人脸的方式可以包括多种实现形式。例如，可以通过人脸检测模型(即用于进行人脸检测的神经网络)，检测出多人脸图像中包括的所有人脸。其中，进行检测所用的人脸检测模型，可以是现存的相对成熟的人脸检测模型；或者，可以是利用收集的样本数据自行训练得到的人脸检测模型。本公开对于具体使用的人脸检测模型并不限制，凡是能够检测出本实施例中多人脸图像中的人脸(即多人脸图像中的部分人脸或是全部人脸)的模型，均可以看作是人脸检测模型。
例如，获取的待识别的多人脸图像中包括三张人脸：人脸1、人脸2和人脸3。本实施例可以通过人脸检测模型，检测出该多人脸图像中包括的三张人脸。具体的，人脸检测模型可以从该多人脸图像中检测出三个人脸框：人脸框1、人脸框2和人脸框3。其中，人脸框1用于框选人脸1所在图像区域，人脸框2用于框选人脸2所在图像区域，人脸框3用于框选人脸3所在图像区域。
考虑到被检测出的多张人脸中，可能存在过小的人脸、模糊的人脸等，因此，在一种可能的实现方式中，在检测出多人脸图像中包括的多张人脸后，本步骤可以从多张人脸中，筛选出人脸质量信息满足预先设置的质量条件的人脸，作为目标人脸。
人脸质量信息，用于反映检测到的人脸的有效性，即人脸能否满足处理需求，也即人脸的好坏程度。在一种可能的实现方式中，人脸质量信息可以包括但不限于以下至少一项：人脸大小、遮挡比例、俯仰角、旋转角。可以理解的是，凡是能够反映检测得到的人脸的有效性的信息，均可以看作本实施例的人脸质量信息。在具体应用中，可以灵活设置不同形式的质量条件，以利用该质量条件对从多人脸图像中获取的单人脸图像中的人脸进行质量筛选。
其中，人脸大小可以是人脸部分相对整个图像的大小。示例性的，可以通过对应的人脸框的大小表示，或者用人脸部分对应的像素个数表示，又或者用人脸部分占据整个图像的占比来表示等，本公开实施例并不对具体形式限制。通过这一人脸质量信息，可以筛选掉过小的人脸和/或模糊的人脸，保证了目标人脸的清晰度，从人脸大小维度上保证了目标人脸的有效性、可识别性。
遮挡比例，是识别得到的人脸中被遮挡部分在整个人脸中的占例。比如，识别得到的人脸是“佩戴口罩”的人脸，遮挡比例可以是人脸中“口罩遮挡人脸部分”在整个人脸中的占比。通过这一人脸质量信息，可以筛选掉遮挡部分过多的人脸，从遮挡比例维度上保证了目标人脸的有效性、可识别性。
俯仰角可以反映检测到的人脸低头或仰头的程度。通过这一人脸质量信息，可以筛选掉过度低头的人脸，或筛选掉过度仰头的人脸，从俯仰角维度上保证了目标人脸的有效性、可识别性。
旋转角可以反映检测到的人脸的左右转头的程度。通过这一人脸质量信息可以筛选掉过度转头的人脸，从旋转角维度上保证了目标人脸的有效性、可识别性。
本步骤可以根据不同的人脸质量信息，预先设置具体的质量条件，作为从检测得到的人脸中筛选目标人脸的筛选条件，从而得到质量更高的目标人脸。
在一些可选实施例中，所述由所述多人脸图像的人脸中检测得到至少一个目标人脸，可以实现为：将所述多人脸图像输入预先训练得到的人脸检测神经网络，由所述人脸检测神经网络输出所述多人脸图像中包括的多个人脸对应的人脸信息；基于所述人脸信息，确定所述人脸的人脸质量信息；将人脸质量信息满足所述质量条件的人脸，确定为所述目标人脸。
在上述实施例中，可以通过人脸检测神经网络，从多人脸图像中检测出每张人脸的人脸信息。其中，人脸信息是可以反映检测出的不同人脸的特征的信息。在一种可能的实现方式中，人脸信息可以包括如下至少一项：人脸位置信息和人脸关键点信息。
人脸位置信息，是可以反映对应人脸在所在多人脸图像中的位置。例如，可以利用人脸检测神经网络从多人脸图像中检测出每张人脸对应的人脸框，并检测出人脸框的左上角坐标和右下角坐标，利用这两个坐标表示出该人脸框对应人脸的人脸位置信息。利用人脸框的左上角坐标与右下角坐标，表示出人脸框对应人脸的人脸位置信息，仅仅是其中一种具体的表示形式而已。可以理解的是，还可以包括多种表示人脸位置信息的具体形式，本公开实施例并不对此限制。
人脸关键点信息，是可以反映对应人脸中各个关键部位的信息。例如，可以利用人脸检测神经网络，检测出多个人脸关键点。该多个人脸关键点可以表示出人脸中的各个关键部位。示例性的，可以利用人脸关键点表示出人脸中眼睛、鼻子、嘴巴等的轮廓特征。
上述实施例中，可以基于检测到的人脸信息，并根据人脸信息确定对应人脸的人脸质量信息。
示例性的，可以根据人脸框的位置信息，确定人脸框的大小，从而得到人脸质量信息中的人脸大小。可以根据人脸关键点信息，确定人脸质量信息中的遮挡比例。例如，在缺少嘴巴对应的人脸关键点时，可以确定人脸中嘴巴部分被遮挡。还可以根据人脸关键点的重合程度，确定出人脸质量信息的俯仰角、旋转角。
根据人脸信息确定出人脸对应的人脸质量信息的过程，以上仅进行了示例性说明，不再详细说明具体过程。在确定出人脸对应的人脸质量信息后，上述实施例中可以根据预先设置的质量条件，对检测出的人脸进行质量筛选，并将符合质量条件的人脸，作为目标人脸。
步骤202，基于所述目标人脸，从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像。
在从多人脸图像中检测出的所有人脸中，筛选出符合质量要求的目标人脸后，对于每一张目标人脸，本步骤可以从多人脸图像中提取出只包含该目标人脸的图像，作为该目标人脸的单人脸图像。
在一些可选实施例中，从多人脸图像中提取包括目标人脸的图像，具体可以包括：获取所述目标人脸的人脸位置信息，所述人脸位置信息包括人脸框至少两个位置点的坐标；根据所述人脸位置信息，从所述多人脸图像中提取包括所述目标人脸的单人脸图像。
上述实施例中，可以根据目标人脸的人脸位置信息，从多人脸图像中提取至少包括目标人脸所在范围的图像，作为单人脸图像。比如，可以将目标人脸所在范围的图像，直接作为对应的单人脸图像；或者，可以在目标人脸所在范围基础上扩大范围，将扩大范围后的图像作为对应的单人脸图像。
示例性的，可以根据目标人脸对应的人脸框的位置信息，将该人脸框所在图像范围整体扩大，得到包含目标人脸的图像范围，从而可以将扩大后的图像范围提取出来作为目标人脸的单人脸图像。
示例性的，可以在保持人脸框中心位置不变的情况下，将目标人脸的人脸框的长和宽均扩大为原来的两倍，将扩大后的人脸框对应的图像提取出来，从而得到包含目标人脸的单人脸图像。
本公开实施例中，在从多人脸图像中检测出包括的人脸后，可以进一步根据预设的质量条件，筛选出符合质量要求的人脸进行活体识别。这种活体识别方式中，提高了进行活体识别的人脸图像的门槛，保证了活体识别神经网络进行活体检测的准确性。在安防领域，可以进一步提高安全保证，更好的防范假人脸的攻击。
在一些可选实施例中，在分别将每张单人脸图像输入活体识别神经网络之前，需要预先对活体识别神经网络进行训练。下面对活体识别神经网络的训练进行介绍。
在进行神经网络训练之前，需要获取第一训练样本。例如，可以获取大量的样本图像，作为用于训练的第一训练样本。其中，每张样本图像中仅包括一张人脸，这样训练得到的活体识别神经网络可以以单人脸图像作为神经网络输入。
其中，进行训练的神经网络可以是深度学习领域的某一可进行图像识别计算的神经网络。以卷积神经网络为例，本公开实施例中可以将第一训练样本中的样本图像输入卷积神经网络，由卷积神经网络预输出该样本图像中人脸的活体识别的训练结果，并根据训练结果与标签之间的差异，调整卷积神经网络中的各项网络参数。经过不断迭代，最终训练得到符合要求的卷积神经网络，作为活体识别神经网络。
以上利用样本图像训练卷积神经网络，得到活体识别神经网络，仅是示例性的。具体的训练过程，在本领域中是常规操作，本实施例不再详细介绍。
在一些可选实施例中，可以对第一训练样本中的一部分或全部样本图像进行数据增强处理，得到处理后样本图像；再利用处理后样本图像训练得到活体识别神经网络。
其中，对样本图像进行数据增强处理，可以包括如下至少一项：
对样本图像进行模糊处理；
对样本图像进行亮度调整；
对样本图像进行噪声处理；
对样本图像中的人脸进行遮挡处理；
对样本图像进行下采样处理。
以Python语言为例，对数据增强处理进行说明。可以理解的是，除Python语言外，进行数据增强处理还可以利用C语言或C++语言，本实施例并不进行限制。
在Python语言中，可以从OpenCV(一个基于BSD许可发行的跨平台计算机视觉和机器学习软件库)中，调用动态模糊(Motion Blur)算法，对样本图像进行模糊处理。例如，可以将Motion Blur算法的概率设置为0.5，模糊范围设置为(0,9)。利用Motion Blur算法将样本图像进行模糊处理，可以模拟摄像头抓拍时人物运动导致的图像模糊。
可以从OpenCV中，调用随机亮度算法，对样本图像亮度调整。例如，可以将随机亮度算法的概率设置为0.5，亮度调整范围设置为(0.5,2)。利用随机亮度算法对样本图像进行亮度调整，可以模拟复杂光照条件下的应用场景。例如，在强光条件下进行拍摄、或在夜间弱光条件下进行拍摄的场景。
可以从OpenCV中，调用高斯噪声(Gauss Noise)算法，对样本图像进行噪声处理。例如，可以将Gauss Noise算法的概率设置为0.5，均值设置为0，方差设置为0-50的随机值。利用Gauss Noise算法对样本图像进行噪声处理，可以模拟相机拍摄时可能存在噪点的情况。
可以从OpenCV中，调用挖去(Cutout)算法，对样本图像进行挖去并将挖去部分填充黑色，完成对人脸进行遮挡处理。例如，可以将挖去块数设置为“最多2块”，每块的大小设置为30*30-60*60之间的随机范围，且Cutout算法的概率设为0.2。利用Cutout算法可以人脸图像被部分遮挡(如被口罩、墨镜遮挡)的场景。
可以从OpenCV中，调用随机下采样(Down Scale)算法对样本图像进行下采用处理。例如，可以将随机下采样的范围设置为(0.7,0.9)，Down Scale算法的概率设置为0.2。利用Down Scale算法，可以模拟由于人脸较小、分辨率低导致的人脸模糊的情况。
在一种可能的实现方式中，在所述数据增强处理包括下采样处理的情况下，所述对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像，包括：对所述至少部分样本图像进行下采样处理，得到中间图像；基于所述至少部分样本图像的分辨率，对所述中间图像进行上采样处理，得到所述处理后样本图像，所述处理后样本图像的分辨率与所述至少部分样本图像的分辨率相同。
上述实施例中，可以对样本图像进行下采样处理，得到中间图像。比如，可以按照预设规则对样本图像进行下采样处理。例如，可以利用取平均值的方式，对样本图像中2*2的像素进行下采样处理，得到处理后的中间图像；例如，可以利用取最大值的方式，对样本图像中3*3的像素进行下采样处理，得到处理后的中间图像。可以理解的是，具体下采样的方式还可以包括更多不同的实现方式。
由于中间图像是样本图像进行下采样处理后的图像，所以中间图像的分辨率与下采样处理之前的样本图像的分辨率之间存在差异。在本公开实施例中，可以基于下采样处理之前的样本图像的分辨率，对中间图像进行上采样处理，以使上采样处理后的中间图像的分辨率与下采样处理之前的样本图像的分辨率保持一致。上采样处理后的中间图像，即为处理后样本图像。
其中，类似下采样处理的过程，对中间图像进行上采样的处理可以包括多种不同的上采样的具体实现方式，本公开实施例中并不限制上采样处理的方式。
上述实现方式中，在对样本图像进行下采样处理过程中，可以保持下采样处理之前的样本图像的分辨率，与最终下采样处理后得到的处理后样本图像的分辨力一致。可以更加方便的，利用下采样数据增强处理后的图像作为训练样本，来训练得到活体识别神经网络。
在一种可实现的方式中，可以综合利用以上提供的数据增强方法，对样本图像进行数据增强处理。可以理解的是，除以上提到的数据增强方法，还可以包括更多对样本图像进行处理的方法。例如，翻转、旋转、缩放比例、裁剪、移位等等。
本公开实施例中，可以对第一训练样本中的部分或全部样本图像进行数据增强处理，得到处理后样本图像。将处理后样本图像与未进行处理的样本图像作为第二训练样本，并利用第二训练样本训练得到活体识别网络。参与训练的第二训练样本中，增加了进行数据增强处理的处理后样本图像，更新和丰富了训练样本中的样本图像。
其中，在对训练样本中的样本图像进行数据增强处理过程中，有针对性的模拟了多个场景下的样本图像。从而一定程度上，丰富了获取样本图像的场景。利用新训练样本训练得到的活体识别神经网络，也可以更好的对不同场景下的人脸进行活体识别，有效防止假人脸的攻击。
图3所示，本公开提供了一种活体识别装置，该装置可以执行本公开任一实施例的活体识别方法。该装置可以包括多人脸图像获取模块301、单人脸图像获取模块302和活体识别模块303。其中：
多人脸图像获取模块301，用于获取待识别的多人脸图像，所述多人脸图像中包括至少两张人脸；
单人脸图像获取模块302，用于由所述多人脸图像中获取多张单人脸图像；
活体识别模块303，用于分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果。
可选地，所述活体识别模块303，在用于分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果时，包括：
将所述每张单人脸图像输入预先训练得到的活体识别神经网络，由所述活体识别神经网络输出所述每张单人脸图像对应的人脸部分以及所述人脸部分对应的活体识别结果。
可选地，如图4所示，所述单人脸图像获取模块302，包括：
目标人脸检测子模块401，用于由所述多人脸图像的人脸中检测得到至少一个目标人脸，所述目标人脸的人脸质量信息满足质量条件；
单人脸图像提取子模块402，用于基于所述目标人脸，从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像。
可选地，所述目标人脸检测子模块401，在用于由所述多人脸图像的人脸中检测得到至少一个目标人脸时，包括：
将所述多人脸图像输入预先训练得到的人脸检测神经网络，由所述人脸检测神经网络输出所述多人脸图像中包括的多个人脸对应的人脸信息；
基于所述人脸信息，确定所述人脸的人脸质量信息；
将人脸质量信息满足所述质量条件的人脸，确定为所述目标人脸。
可选地，所述单人脸图像提取子模块402，在用于从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像时，包括：
获取所述目标人脸的人脸位置信息，所述人脸位置信息包括人脸框至少两个位置点的坐标；
根据所述人脸位置信息，从所述多人脸图像中提取包括所述目标人脸的单人脸图像。
可选地，如图5所示，所述装置还包括：
样本获取模块501，用于获取第一训练样本；所述第一训练样本中包括多张样本图像，每张所述样本图像中包括一张人脸；
增强处理模块502，用于对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像；
训练模块503，用于基于第二训练样本训练所述活体识别神经网络，所述第二训练样本中包括所述多张样本图像以及所述处理后样本图像。
可选地，所述数据增强处理，包括如下至少一项：模糊处理、亮度调整、噪声处理、遮挡处理、下采样处理。
可选地，在所述数据增强处理包括下采样处理的情况下，所述增强处理模块502，在用于对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像时，包括：
对所述至少部分样本图像进行下采样处理，得到中间图像；
基于所述至少部分样本图像的分辨率，对所述中间图像进行上采样处理，得到所述处理后样本图像，所述处理后样本图像的分辨率与所述至少部分样本图像的分辨率相同。
可选地，所述人脸质量信息包括如下至少一项：人脸大小、遮挡比例、俯仰角、旋转角。
可选地，所述人脸信息包括如下至少一项：人脸位置信息和人脸关键点信息。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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模块来实现本公开至少一个实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本公开还提供了一种计算机设备，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，所述处理器执行所述程序时能够实现本公开任一实施例的活体识别方法。
图6示出了本公开实施例所提供的一种更为具体的计算机设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本公开还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时能够实现本公开任一实施例的活体识别方法。
其中，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等，本申请并不对此进行限制。
在一些可选实施例中，本公开实施例提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的活体识别方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
以上所述仅为本公开的较佳实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (20)

1.一种活体识别方法，其特征在于，所述方法包括：
获取待识别的多人脸图像，所述多人脸图像中包括至少两张人脸；
由所述多人脸图像中获取多张单人脸图像；
分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果。
2.根据权利要求1所述的方法，其特征在于，所述分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果，包括：
将所述每张单人脸图像输入预先训练得到的活体识别神经网络，由所述活体识别神经网络输出所述每张单人脸图像对应的人脸部分以及所述人脸部分对应的活体识别结果。
3.根据权利要求1或2所述的方法，其特征在于，所述由所述多人脸图像中获取多张单人脸图像，包括：
由所述多人脸图像的人脸中检测得到至少一个目标人脸，所述目标人脸的人脸质量信息满足质量条件；
基于所述目标人脸，从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像。
4.根据权利要求3所述的方法，其特征在于，所述人脸质量信息包括如下至少一项：人脸大小、遮挡比例、俯仰角、旋转角。
5.根据权利要求3或4所述的方法，所述由所述多人脸图像的人脸中检测得到至少一个目标人脸，包括：
将所述多人脸图像输入预先训练得到的人脸检测神经网络，由所述人脸检测神经网络输出所述多人脸图像中包括的多个人脸对应的人脸信息；
基于所述人脸信息，确定所述人脸的人脸质量信息；
将人脸质量信息满足所述质量条件的人脸，确定为所述目标人脸。
6.根据权利要求5所述的方法，其特征在于，所述人脸信息包括如下至少一项：人脸位置信息和人脸关键点信息。
7.根据权利要求3至6中任一项所述的方法，其特征在于，所述从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像，包括：
获取所述目标人脸的人脸位置信息，所述人脸位置信息包括人脸框至少两个位置点的坐标；
根据所述人脸位置信息，从所述多人脸图像中提取包括所述目标人脸的单人脸图像。
8.根据权利要求2至7中任一项所述的方法，其特征在于，在所述将所述每张单人脸图像输入预先训练得到的活体识别神经网络之前，还包括：
获取第一训练样本；所述第一训练样本中包括多张样本图像，每张所述样本图像中包括一张人脸；
对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像；
基于第二训练样本训练所述活体识别神经网络，所述第二训练样本中包括所述多张样本图像以及所述处理后样本图像。
9.根据权利要求8所述的方法，其特征在于，所述数据增强处理，包括如下至少一项：模糊处理、亮度调整、噪声处理、遮挡处理、下采样处理。
10.根据权利要求8或9所述的方法，其特征在于，在所述数据增强处理包括下采样处理的情况下，所述对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像，包括：
对所述至少部分样本图像进行下采样处理，得到中间图像；
基于所述至少部分样本图像的分辨率，对所述中间图像进行上采样处理，得到所述处理后样本图像，所述处理后样本图像的分辨率与所述至少部分样本图像的分辨率相同。
11.一种活体识别装置，其特征在于，所述装置包括：
多人脸图像获取模块，用于获取待识别的多人脸图像，所述多人脸图像中包括至少两张人脸；
单人脸图像获取模块，用于由所述多人脸图像中获取多张单人脸图像；
活体识别模块，用于分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果。
12.根据权利要求11所述的装置，其特征在于，所述活体识别模块，在用于分别对所述多张单人脸图像进行活体识别，得到每张单人脸图像的活体识别结果时，包括：
将所述每张单人脸图像输入预先训练得到的活体识别神经网络，由所述活体识别神经网络输出所述每张单人脸图像对应的人脸部分以及所述人脸部分对应的活体识别结果。
13.根据权利要求11或12所述的装置，其特征在于，所述单人脸图像获取模块，包括：
目标人脸检测子模块，用于由所述多人脸图像的人脸中检测得到至少一个目标人脸，所述目标人脸的人脸质量信息满足质量条件；
单人脸图像提取子模块，用于基于所述目标人脸，从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像。
14.根据权利要求13所述的装置，所述目标人脸检测子模块，在用于由所述多人脸图像的人脸中检测得到至少一个目标人脸时，包括：
将所述多人脸图像输入预先训练得到的人脸检测神经网络，由所述人脸检测神经网络输出所述多人脸图像中包括的多个人脸对应的人脸信息；
基于所述人脸信息，确定所述人脸的人脸质量信息；
将人脸质量信息满足所述质量条件的人脸，确定为所述目标人脸。
15.根据权利要求13或14所述的装置，其特征在于，所述单人脸图像提取子模块，在用于从所述多人脸图像中提取包括所述目标人脸的图像，作为所述单人脸图像时，包括：
获取所述目标人脸的人脸位置信息，所述人脸位置信息包括人脸框至少两个位置点的坐标；
根据所述人脸位置信息，从所述多人脸图像中提取包括所述目标人脸的单人脸图像。
16.根据权利要求12至15中任一项所述的装置，其特征在于，所述装置还包括：
样本获取模块，用于获取第一训练样本；所述第一训练样本中包括多张样本图像，每张所述样本图像中包括一张人脸；
增强处理模块，用于对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像；
训练模块，用于基于第二训练样本训练所述活体识别神经网络，所述第二训练样本中包括所述多张样本图像以及所述处理后样本图像。
17.根据权利要求16所述的装置，其特征在于，所述数据增强处理，包括如下至少一项：模糊处理、亮度调整、噪声处理、遮挡处理、下采样处理。
18.根据权利要求16或17所述的装置，其特征在于，在所述数据增强处理包括下采样处理的情况下，所述增强处理模块，在用于对所述第一训练样本中的至少部分样本图像进行数据增强处理，得到处理后样本图像时，包括：
对所述至少部分样本图像进行下采样处理，得到中间图像；
基于所述至少部分样本图像的分辨率，对所述中间图像进行上采样处理，得到所述处理后样本图像，所述处理后样本图像的分辨率与所述至少部分样本图像的分辨率相同。
19.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现权利要求1-10任一所述的方法。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-10中任一项所述方法的步骤。
CN202010961327.0A 2020-09-14 2020-09-14 活体识别方法、装置、设备及存储介质 Pending CN112070954A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010961327.0A CN112070954A (zh) 2020-09-14 2020-09-14 活体识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010961327.0A CN112070954A (zh) 2020-09-14 2020-09-14 活体识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112070954A true CN112070954A (zh) 2020-12-11

Family

ID=73695662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010961327.0A Pending CN112070954A (zh) 2020-09-14 2020-09-14 活体识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112070954A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095180A (zh) * 2021-03-31 2021-07-09 上海商汤智能科技有限公司 活体检测方法及装置、设备、计算机存储介质
CN115937153A (zh) * 2022-12-13 2023-04-07 北京瑞医博科技有限公司 模型训练方法、装置、电子设备及计算机存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319930A (zh) * 2018-03-09 2018-07-24 百度在线网络技术（北京）有限公司 身份认证方法、系统、终端和计算机可读存储介质
CN108376434A (zh) * 2018-02-22 2018-08-07 陈崇 一种基于物联网的智能家居控制系统
CN110246244A (zh) * 2019-05-16 2019-09-17 珠海华园信息技术有限公司 基于人脸识别的智能前台管理系统
CN110276617A (zh) * 2019-06-24 2019-09-24 广州织点智能科技有限公司 无人便利店进门识别方法、装置、设备和存储介质
CN110555930A (zh) * 2019-08-30 2019-12-10 北京市商汤科技开发有限公司 门锁控制方法及装置、电子设备和存储介质
CN110705392A (zh) * 2019-09-17 2020-01-17 Oppo广东移动通信有限公司 一种人脸图像检测方法及装置、存储介质
CN111191521A (zh) * 2019-12-11 2020-05-22 智慧眼科技股份有限公司 人脸活体检测方法、装置、计算机设备及存储介质
CN111488756A (zh) * 2019-01-25 2020-08-04 杭州海康威视数字技术股份有限公司 基于面部识别的活体检测的方法、电子设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376434A (zh) * 2018-02-22 2018-08-07 陈崇 一种基于物联网的智能家居控制系统
CN108319930A (zh) * 2018-03-09 2018-07-24 百度在线网络技术（北京）有限公司 身份认证方法、系统、终端和计算机可读存储介质
CN111488756A (zh) * 2019-01-25 2020-08-04 杭州海康威视数字技术股份有限公司 基于面部识别的活体检测的方法、电子设备和存储介质
CN110246244A (zh) * 2019-05-16 2019-09-17 珠海华园信息技术有限公司 基于人脸识别的智能前台管理系统
CN110276617A (zh) * 2019-06-24 2019-09-24 广州织点智能科技有限公司 无人便利店进门识别方法、装置、设备和存储介质
CN110555930A (zh) * 2019-08-30 2019-12-10 北京市商汤科技开发有限公司 门锁控制方法及装置、电子设备和存储介质
CN110705392A (zh) * 2019-09-17 2020-01-17 Oppo广东移动通信有限公司 一种人脸图像检测方法及装置、存储介质
CN111191521A (zh) * 2019-12-11 2020-05-22 智慧眼科技股份有限公司 人脸活体检测方法、装置、计算机设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095180A (zh) * 2021-03-31 2021-07-09 上海商汤智能科技有限公司 活体检测方法及装置、设备、计算机存储介质
WO2022205643A1 (zh) * 2021-03-31 2022-10-06 上海商汤智能科技有限公司 活体检测方法及装置、设备、计算机存储介质
CN113095180B (zh) * 2021-03-31 2024-06-11 上海商汤智能科技有限公司 活体检测方法及装置、设备、计算机存储介质
CN115937153A (zh) * 2022-12-13 2023-04-07 北京瑞医博科技有限公司 模型训练方法、装置、电子设备及计算机存储介质

Similar Documents

Publication Publication Date Title
US10719954B2 (en) Method and electronic device for extracting a center position of an infrared spot
CN110517246B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN113592776B (zh) 图像处理方法及装置、电子设备、存储介质
CN107172354B (zh) 视频处理方法、装置、电子设备及存储介质
CN103093198B (zh) 一种人群密度监测方法及装置
JP4739870B2 (ja) サングラス検出装置及び顔中心位置検出装置
JP2008530701A (ja) 顔特徴の検出方法
CN111161181A (zh) 图像数据的增强方法、模型的训练方法、设备和存储介质
CN112749696B (zh) 一种文本检测方法及装置
CN112417955B (zh) 巡检视频流处理方法及装置
CN109035147B (zh) 图像处理方法及装置、电子装置、存储介质和计算机设备
CN113658197B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
KR102262671B1 (ko) 비디오 영상에 보케 효과를 적용하는 방법 및 기록매체
CN110557628A (zh) 一种检测摄像头遮挡的方法、装置及电子设备
CN110059607B (zh) 活体多重检测方法、装置、计算机设备及存储介质
CN112070954A (zh) 活体识别方法、装置、设备及存储介质
CN112200035A (zh) 用于模拟拥挤场景的图像获取方法、装置和视觉处理方法
CN116385316B (zh) 多目标图像动态捕捉方法及相关装置
CN113781421A (zh) 基于水下的目标识别方法、装置及系统
CN108229281B (zh) 神经网络的生成方法和人脸检测方法、装置及电子设备
CN113822927B (zh) 一种适用弱质量图像的人脸检测方法、装置、介质及设备
CN112766028A (zh) 人脸模糊处理方法、装置、电子设备及存储介质
CN114565531A (zh) 一种图像修复方法、装置、设备和介质
CN112861588B (zh) 一种活体检测的方法、装置
CN111914739A (zh) 智能跟随方法、装置、终端设备和可读存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201211

RJ01 Rejection of invention patent application after publication