CN112132000A - 一种活体检测方法、装置、计算机可读介质及电子设备 - Google Patents
一种活体检测方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN112132000A CN112132000A CN202010987208.2A CN202010987208A CN112132000A CN 112132000 A CN112132000 A CN 112132000A CN 202010987208 A CN202010987208 A CN 202010987208A CN 112132000 A CN112132000 A CN 112132000A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- sampling range
- sampling
- processed
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 238000005070 sampling Methods 0.000 claims abstract description 182
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000001727 in vivo Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000001574 biopsy Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012549 training 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
- G06V40/168—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
- 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)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请的实施例提供了一种活体检测方法、装置、计算机可读介质及电子设备。该活体检测方法包括:获取待处理图像,所述待处理图像包含检测对象;基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据;根据所述像素数据进行统计,确定所述采样范围对应的像素特征;将所述像素特征输入至分类器中,以使所述分类器输出所述检测对象是否活体的判断结果。本申请实施例的技术方案简化活体检测的识别过程,进而提高了活体检测的效率。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种活体检测方法、装置、计算机可读介质及电子设备。
背景技术
人脸活体检测是人脸识别系统的重要组成部分,通过区分摄像机前的物体是真人还是假体,可有效提升人脸识别系统的安全性。在目前的技术方案中,通过机器学习的方法,对可见光下的单帧人脸图像进行识别,以确定该人脸是活体或者假体。然而,其需要较为复杂的识别过程,识别效率较低。
发明内容
本申请的实施例提供了一种活体检测方法、装置、计算机可读介质及电子设备,进而至少在一定程度上可以简化识别过程,进而提高活体检测的效率。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种活体检测方法,该方法包括:
获取待处理图像,所述待处理图像包含检测对象;
基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据;
根据所述像素数据进行统计,确定所述采样范围对应的像素特征;
将所述像素特征输入至分类器中,以使所述分类器输出所述检测对象是否活体的判断结果。
在本申请的一些实施例中,基于前述方案,所述采样范围为多个,多个所述采样范围覆盖所述待处理图像;则基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据,包括:
基于所述待处理图像以及预定的多个采样范围,从所述待处理图像上获取与多个所述采样范围相对应的多组像素数据。
在本申请的一些实施例中,基于前述方案,所述待处理图像为三通道图像,则根据所述像素数据进行统计,确定所述采样范围对应的像素特征,包括:
根据所述像素数据,获取所述采样范围内各像素中每一通道的分量值;
根据所述采样范围内各像素中每一通道的分量值进行统计,获取所述采样范围对应的像素特征。
在本申请的一些实施例中,基于前述方案,根据所述采样范围内各像素中每一通道的分量值进行统计,获取所述采样范围对应的像素特征,包括:
根据所述采样范围内各像素中每一通道的分量值,计算所述采样范围内每一数值对应的分量值的数量;
根据所述采样范围内每一数值对应的分量值的数量,获取所述采样范围对应的像素特征。
在本申请的一些实施例中,基于前述方案,根据所述采样范围内每一数值对应的分量值的数量,获取所述采样范围对应的像素特征,包括:
将所述采样范围内每一数值对应的分量值的数量,按照对应的所述数值从小到大的顺序进行排列,得到排列序列;
若在排列序列中存在相邻两侧数值对应的分量值的数量小于中间数值对应的分量值的数量,则将所述中间数值识别为特征值;
获取所述特征值的相关信息,以作为所述采样范围对应的像素特征。
在本申请的一些实施例中,基于前述方案,将所述像素特征输入至分类器中,包括:
确定多个所述采样范围的面积占所述待处理图像的面积的比例;
根据所述比例以及预设的采样总量,确定各所述采样范围对应的特征数量;
从各所述采样范围对应的像素特征中,选取与所述特征数量对应数量的像素特征输入至分类器中。
根据本申请实施例的一个方面,提供了一种活体检测装置,该装置包括:
获取模块,用于获取待处理图像,所述待处理图像包含检测对象;
采样模块,用于基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据;
统计模块,用于根据所述像素数据进行统计,确定所述采样范围对应的像素特征;
处理模块,用于将所述像素特征输入至分类器中,以使所述分类器输出所述检测对象是否活体的判断结果。
在本申请的一些实施例中,基于前述方案,所述采样范围为多个,多个所述采样范围覆盖所述待处理图像;则所述采样模块被配置为:
基于所述待处理图像以及预定的多个采样范围,从所述待处理图像上获取与多个所述采样范围相对应的多组像素数据。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的活体检测方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的活体检测方法。
在本申请的一些实施例所提供的技术方案中,通过获取待处理图像,该待处理图像包含检测对象,基于待处理图像以及预定的采样范围,从待处理图像上获取与采样范围对应的像素数据,并根据像素数据进行统计,确定采样范围对应的像素特征,再将该像素特征输入至分类器中,以使分类器输出检测对象是否活体的判断结果。由此,可以基于待处理图像上对应于采样范围的像素特征,采用分类器即可实现检测,简化了活体检测的识别过程,进而提高了活体检测的效率。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2示出了根据本申请的一个实施例的活体检测方法的流程示意图;
图3A示出了根据本申请的一个实施例的对待处理图像进行分割的示意图;
图3B示出了根据本申请的另一个实施例的采样范围的示意图;
图4示出了根据本申请的一个实施例的图2的活体检测方法中步骤S230的流程示意图;
图5示出了根据本申请的一个实施例的图4的活体检测方法中步骤S420的流程示意图;
图6示出了根据本申请的一个实施例的图5的活体检测方法中步骤S520的流程示意图;
图7示出了根据本申请的一个实施例的活体检测方法中将像素特征输入至分类器的流程示意图;
图8示出了根据本申请的一个实施例的活体检测方法的流程示意图;图9示出了根据本申请的一个实施例的活体检测装置的框图;
图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括具有摄像功能的终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种,当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线通信链路、无线通信链路等等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
用户可以使用终端设备通过网络104与服务器105交互,以接收或发送消息等。服务器105可以是提供各种服务的服务器。例如终端设备103(也可以是终端设备101或102)可以获取包含检测对象的待处理图像,并向服务器105进行上传,服务器105可以获取待处理图像,所述待处理图像包含检测对象,基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据,并根据所述像素数据进行统计,确定所述采样范围对应的像素特征,再将所述像素特征输入至分类器中,以使所述分类器输出所述检测对象是否活体的判断结果。
需要说明的是,本申请实施例所提供的活体检测方法一般由服务器105执行,相应地,活体检测装置一般设置于服务器105中。但是,在本申请的其它实施例中,终端设备也可以与服务器具有相似的功能,从而执行本申请实施例所提供的活体检测方法的方案。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的活体检测方法的流程示意图。参照图2所示,该活体检测方法至少包括步骤S210至步骤S240,详细介绍如下:
在步骤S210中,获取待处理图像,所述待处理图像包含检测对象。
在本申请的一个实施例中,检测对象可以是活体上的任意部位,例如脸部、手部或者上半身等等。在一示例中,可以通过终端设备所配置的摄像设备,对检测对象的进行拍摄,以得到包含检测对象的待处理图像。终端设备可以通过网络向服务器上传该待处理图像,以供服务器进行检测。
在步骤S220中,基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据。
其中,采样范围可以是预先设定的且对应于待处理图像上的某一位置的范围信息。在一示例中,可以通过坐标信息来确定采样范围,例如采样范围A的坐标范围为0<X≤50,0<Y≤50,其中X和Y分别为横坐标和纵坐标等等,在本申请的其他示例中,也可以采用其他方式来确定采样范围,对此不做特殊限定。
在本申请的一个实施例中,基于预定的采样范围,可以从待处理图像上获取与采样范围相对应的位置上的像素数据。例如采样范围A的坐标范围为0<X≤50,0<Y≤50,则获取该待处理图像上0<X≤50,0<Y≤50范围内的像素数据。
应该理解的,像素是一个图像中不可再进行分割的组成单位,不同格式的图像,其像素可以对应不同类型的数值,例如对于RGB图像,则该图像中的每一像素都对应于三个通道即R通道、G通道以及B通道,每一通道可以对应于一个数值,用以确定该像素所显示的色彩;而对于YUV图像,则Y对应的数值用于表示明亮度、U和V则用于表示色度,等等。
由此,可以对采样范围内的每一像素进行拆分,得到每一像素对应的数值,从而整合成与该采样范围对应的像素数据。
在步骤S230中,根据所述像素数据进行统计,确定所述采样范围对应的像素特征。
其中,像素特征可以是用于表示该采样范围内的像素数据的特点的信息,例如某一采样范围内各像素对应的数值分布情况,或者不同通道的分量值之间的相对关系,等等。
在本申请的一个实施例中,可以根据该采样范围对应的像素数据,对其进行统计或分类,从而得到像素数据中的像素特征,以根据该像素特征在后续对检测是否活体进行检测。
以下为人脸为例进行说明,在基于人脸的活体检测中,不同位置的采样范围,其所获取到的像素数据是不同的。例如分别对应于额头以及脸颊的两个采样范围,对应于额头的采样范围所获取到像素数据,由于有头发的存在,所以该像素数据显示为较多黑色,而对应于脸颊的采样范围所获取到的像素数据则显示为黄色或者淡红色较多。因此,根据像素数据进行分析,可以获取到对应采样范围内的像素特征,而基于该像素特征,则可以对检测对象是否活体进行识别。
在步骤S240中,将所述像素特征输入至分类器中,以使所述分类器输出所述检测对象是否活体的判断结果。
在本申请的一个实施例中,可以采用支持向量机(Support Vector Machine,SVM)作为分类器,并预先对其进行训练。在获取到采样范围对应的像素特征之后,将该像素特征按照预定格式输入至支持向量机中进行判别,以使支持向量机输出检测对象是否活体的检测结果。
由此,通过获取待处理图像中采样范围内的像素特征,并采用分类器对其进行识别,以得到检测对象是否活体的判断结果。在保证判断结果的正确率的同时,无需复杂的识别过程,提高了活体检测的效率。
基于图2所示的实施例,在本申请的一个实施例中,采样范围为多个,且多个采样范围覆盖待处理图像;则基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据,包括:
基于所述待处理图像以及预定的多个采样范围,从所述待处理图像上获取与多个所述采样范围相对应的多组像素数据。
在该实施例中,采样范围的数量可以是多个,且多个采样范围相结合能够完整覆盖待处理图像。由此,可以保证对待处理图像的采样的覆盖率。需要说明的,采样范围之间可以不重合,也可以部分重合。
例如图3A所示,针对待处理图像,可以将待处理图像分割为为1、2、3以及4共四个部分,且分别对1、2、3和4四个部分采用如图3B的方式进行采样,每部分分别设定A、B、C、D和E共五个采样范围。由此,可以对将待处理图像分割为四个部分,每个部分包含五个采样范围,以对待处理图像能够进行全面的分析。
在其他实施例中,还可以将1、2、3和4四个部分按照上述分割方法继续分割,分割次数可以为2次、3次或者4次等,本领域技术人员可以根据实际实现需要设定分割次数,本申请对此不做特殊限定。当分割完成后,再对分割得到的每一部分按照如图3B的方式进行采样,以能够对待处理图像所包含的细节进行全面分析,从而保证后续检测结果的准确性。
基于图2以及上文所述的实施例,图4示出了根据本申请的一个实施例的图2的活体检测方法中步骤S230的流程示意图。参照图4所示,待处理图像为三通道图像时,则步骤S230至少包括步骤S410至步骤S420,详细介绍如下:
在步骤S410中,根据所述像素数据,获取所述采样范围内各像素中每一通道的分量值。
在本申请的一个实施例中,根据采样范围内的像素数据,可以对其进行解析,从而得到采样范围内每一像素对应的每一通道的分量值。例如以RGB图像(三通道24位图像)为例,在像素A中每一通道的分量值为R:125、G:230和B:90,在像素B中每一通道的分量值为R:130、G:120和B:90,等等。
在步骤S420中,根据所述采样范围内各像素中每一通道的分量值进行统计,获取所述采样范围对应的像素特征。
在本申请的一个实施例中,根据解析所得到的采样范围内每一像素对应的每一通道的分量值,可以对其进行统计和分析,从而得到该采样范围对应的像素特征,例如可以统计采样范围内每一通道的分量值的数值分布情况、或者两个通道的分量值之间的相对关系等等,并将其作为该采样范围内的像素特征。
由此,在图4所示的实施例中,基于采样范围内各像素中每一通道的分量值进行统计和分析,从而得到该采样范围对应的像素特征,能从本质上对待处理图像进行分析,从而保证了后续活体识别结果的准确性。
基于图2和图4所述的实施例。图5示出了根据本申请的一个实施例的图4的活体检测方法中步骤S420的流程示意图。参照图5所示,步骤S420至少包括步骤S510至步骤S520,详细介绍如下:
在步骤S510中,根据所述采样范围内各像素中每一通道的分量值,计算所述采样范围内每一数值对应的分量值的数量。
在本申请的一个实施例中,以深度为24的RGB图像为例,各像素中每一通道的分量值均是介于0-255之间,每一通道的分量用8位进行表示共24位,则该分量值的数值范围为0-255共256个值。基于多个像素,则可以统计在该采样范围内与某一数值所对应的分量值的数量,例如与数值0对应的分量值有200个、与数值1对应的分量值有100个、……、与数值255对应的分量值有200个,等等。
需要说明的,由于每一像素对应于三个通道,每个通道对应于一个分量值,所以每一像素对应于三个分量值,即若采样范围内包含A个像素点,则有3A个分量值参与统计。
在本申请的一个实施例中,可以根据各个像素中每一通道的分量值,建立采样范围内的分量值分布直方图,例如三个像素的分量值[R,G,B]分别为:[50,50,35]、[1,50,2]和[100,50,35],对所有分量值进行统计则可以得到该采样范围内的分量值分布直方图为:
(分量值:出现次数)
0:0
1:1
2:1
3-34:0
35:2
36-49:0
50:4
51-99:0
100:1
101-255:0
由此,可以清楚得到采样范围内分量值中某一数值所出现的次数。
在步骤S520中,根据所述采样范围内每一数值对应的分量值的数量,获取所述采样范围对应的像素特征。
在本申请的一个实施例中,根据统计得到的在采样范围内每一数值对应的分量值的数量,可以知晓某一数值出现的次数,并根据预定的像素特征获取规则,获取该采样范围内对应的像素特征。例如可以选取出现次数最少的数值大小以及该数值出现的次数作为该采样范围内的像素特征,或者获取该采样范围内出现次数最多的数值以及该数值所出现的次数作为像素特征,等等。本领域技术人员可以根据实际实现需要,预先设定对应的像素特征获取规则,从而从采样范围内每一数值对应的分量值的数量中获取像素特征。
基于图2、图4和图5所示的实施例,图6示出了根据本申请的一个实施例的图5的活体检测方法中步骤S520的流程示意图。参照图6所示,步骤S520至少包括步骤S610至步骤S630,详细介绍如下:
在步骤S610中,将所述采样范围内每一数值对应的分量值的数量,按照对应的所述数值从小到大的顺序进行排列,得到排列序列。
在本申请的一个实施例中,如上文所述,可以根据各个像素中每一通道的分量值,建立采样范围内的分量值分布直方图,由此根据该分布直方图,可以将采样范围内每一数值对应的分量值的数量,按照其对应的数值从小到大的顺序进行排列,从而得到排列序列。
在步骤S620中,若在排列序列中存在相邻两侧数值对应的分量值的数量小于中间数值对应的分量值的数量,则将所述中间数值识别为特征值。
在本申请的一个实施例中,若在该排列序列中存在相邻两侧数值对应的分量值的数量小于中间数值对应的分量值的数量,则表示中间数值所对应的分量值的数量为“像素峰”,则可以将该中间数值识别为特征值。
例如数值1、2和3对应的分量值的数量分别为21、35和27,则数值2所对应的分量值的数量即为像素峰,因此将该数值2识别为特征值,等等。
在步骤S630中,获取所述特征值的相关信息,以作为所述采样范围对应的像素特征。
在本申请的一个实施例中,根据识别出的特征值,获取该特征值的数值以及对应的分量值的数量,并将二者作为采样范围内的像素特征,例如数值2为特征值,数值2对应的分量值的数量为35,则将“2”与“35”进行关联,并作为采样范围内的像素特征。
应该理解的,在同一个采样范围内可以包含有多个像素峰,即可以有多个特征值。因此,一个采样范围可以有多个像素特征。
在本申请的一个实施例中,图7示出了根据本申请的一个实施例的活体检测方法中将像素特征输入至分类器的流程示意图。参照图7所示,将像素特征输入至分类器中至少包括步骤S710至步骤S730,详细介绍如下:
在步骤S710中,确定多个所述采样范围的面积占所述待处理图像的面积的比例。
在本申请的一个实施例中,根据各个采样范围的坐标信息,可以计算得到各采样范围的采样面积,将采样面积除以待处理图像的面积,即可得到各个采样范围占待处理图像的面积的比例。
在步骤S720中,根据所述比例以及预设的采样总量,确定各所述采样范围对应的特征数量。
在本申请的一个实施例中,采样总量可以是用于限定获取待处理图像的中像素特征的数量的信息。本领域技术人员可以根据实际实现需要,从而设定对应的采样总量,以便于模型训练以及实际识别过程中输入数据的统一。
应该理解的,采样范围越大,则应从中选取的像素特征的数量也就越多。所以,将各采样范围占待处理图像的面积的比例乘以采样总量,确定各个采样范围对应的特征数量。可以对采用总量在各个采样范围内进行合理的分配,避免出现某一采样范围过小却采集数量较多的像素特征,或者某一采样范围过大,却采集数量较少的像素特征。
在步骤S730中,从各所述采样范围对应的像素特征中,选取与所述特征数量对应数量的像素特征输入至分类器中。
在本申请的一个实施例中,基于各个采样范围对应的特征数量,从各采样范围对应的像素特征中选取对应数量的像素特征,再将所选取到的像素特征输入至分类器中。具体地,若各采样范围对应的像素特征的数量大于对应的特征数量,则可以优先选取对应分量值的数量较大的特征值,若采样范围对应的像素特征的数量小于对应的特征数量,则可以采用预定值进行补充,例如0、1等。
基于上述实施例的技术方案,以下介绍本申请的一个实施例的一个具体的应用场景:
图8示出了根据本申请的一个实施例的活体检测方法的流程示意图(以下以人脸为检测对象为例进行说明)。
如图8所示,采集部件M1可以获取包含有人脸的原始人脸图像(即包含有检测对象的待处理图像),并将该原始人脸图像发送至图像转换部件M2,以根据原始人脸图像进行分割得到处理后的区域1、区域2、…、区域n(即多个采样范围),活体判别模块M3则可以对各区域进行RGB分析以得到各区域对应的像素特征,并将所得到像素特征输入至SVM分类器中,使分类器输出是否活体的判断结果。
由此,通过获取待处理图像中采样范围内的像素特征,并采用分类器对其进行识别,以得到检测对象是否活体的判断结果。在保证判断结果的正确率的同时,无需复杂的识别过程,提高了活体检测的效率。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的活体检测方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的活体检测方法的实施例。
图9示出了根据本申请的一个实施例的活体检测装置的框图。
参照图9所示,根据本申请的一个实施例的活体检测装置,包括:
获取模块910,用于获取待处理图像,所述待处理图像包含检测对象;
采样模块920,用于基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据;
统计模块930,用于根据所述像素数据进行统计,确定所述采样范围对应的像素特征;
处理模块940,用于将所述像素特征输入至分类器中,以使所述分类器输出所述检测对象是否活体的判断结果。
基于图9所示的实施例,所述采样范围为多个,多个所述采样范围覆盖所述待处理图像;则所述采样模块920被配置为:
基于所述待处理图像以及预定的多个采样范围,从所述待处理图像上获取与多个所述采样范围相对应的多组像素数据。
图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图10示出的电子设备的计算机系统仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统包括中央处理单元(Central Processing Unit,CPU)1001,其可以根据存储在只读存储器(Read-Only Memory,ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(Random Access Memory,RAM)1003中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1003中,还存储有系统操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(Input /Output,I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请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。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种活体检测方法,其特征在于,包括:
获取待处理图像,所述待处理图像包含检测对象;
基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据;
根据所述像素数据进行统计,确定所述采样范围对应的像素特征;
将所述像素特征输入至分类器中,以使所述分类器输出所述检测对象是否活体的判断结果。
2.根据权利要求1所述的方法,其特征在于,所述采样范围为多个,多个所述采样范围覆盖所述待处理图像;则基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据,包括:
基于所述待处理图像以及预定的多个采样范围,从所述待处理图像上获取与多个所述采样范围相对应的多组像素数据。
3.根据权利要求2所述的活体检测方法,其特征在于,所述待处理图像为三通道图像,则根据所述像素数据进行统计,确定所述采样范围对应的像素特征,包括:
根据所述像素数据,获取所述采样范围内各像素中每一通道的分量值;
根据所述采样范围内各像素中每一通道的分量值进行统计,获取所述采样范围对应的像素特征。
4.根据权利要求3所述的方法,其特征在于,根据所述采样范围内各像素中每一通道的分量值进行统计,获取所述采样范围对应的像素特征,包括:
根据所述采样范围内各像素中每一通道的分量值,计算所述采样范围内每一数值对应的分量值的数量;
根据所述采样范围内每一数值对应的分量值的数量,获取所述采样范围对应的像素特征。
5.根据权利要求4所述的方法,其特征在于,根据所述采样范围内每一数值对应的分量值的数量,获取所述采样范围对应的像素特征,包括:
将所述采样范围内每一数值对应的分量值的数量,按照对应的所述数值从小到大的顺序进行排列,得到排列序列;
若在排列序列中存在相邻两侧数值对应的分量值的数量小于中间数值对应的分量值的数量,则将所述中间数值识别为特征值;
获取所述特征值的相关信息,以作为所述采样范围对应的像素特征。
6.根据权利要求2所述的方法,其特征在于,将所述像素特征输入至分类器中,包括:
确定多个所述采样范围的面积占所述待处理图像的面积的比例;
根据所述比例以及预设的采样总量,确定各所述采样范围对应的特征数量;
从各所述采样范围对应的像素特征中,选取与所述特征数量对应数量的像素特征输入至分类器中。
7.一种活体检测装置,其特征在于,包括:
获取模块,用于获取待处理图像,所述待处理图像包含检测对象;
采样模块,用于基于所述待处理图像以及预定的采样范围,从所述待处理图像上获取与所述采样范围相对应的像素数据;
统计模块,用于根据所述像素数据进行统计,确定所述采样范围对应的像素特征;
处理模块,用于将所述像素特征输入至分类器中,以使所述分类器输出所述检测对象是否活体的判断结果。
8.根据权利要求7所述的活体检测装置,其特征在于,所述采样范围为多个,多个所述采样范围覆盖所述待处理图像;则所述采样模块被配置为:
基于所述待处理图像以及预定的多个采样范围,从所述待处理图像上获取与多个所述采样范围相对应的多组像素数据。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的活体检测方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至6中任一项所述的活体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987208.2A CN112132000B (zh) | 2020-09-18 | 2020-09-18 | 一种活体检测方法、装置、计算机可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987208.2A CN112132000B (zh) | 2020-09-18 | 2020-09-18 | 一种活体检测方法、装置、计算机可读介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132000A true CN112132000A (zh) | 2020-12-25 |
CN112132000B CN112132000B (zh) | 2024-01-23 |
Family
ID=73841399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010987208.2A Active CN112132000B (zh) | 2020-09-18 | 2020-09-18 | 一种活体检测方法、装置、计算机可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132000B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332369A (zh) * | 2021-12-28 | 2022-04-12 | 埃洛克航空科技(北京)有限公司 | 楼体图像处理方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908140A (zh) * | 2010-07-29 | 2010-12-08 | 中山大学 | 一种在人脸识别中应用的活体检测方法 |
CN103116763A (zh) * | 2013-01-30 | 2013-05-22 | 宁波大学 | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 |
CN104933414A (zh) * | 2015-06-23 | 2015-09-23 | 中山大学 | 一种基于wld-top的活体人脸检测方法 |
US10061996B1 (en) * | 2017-10-09 | 2018-08-28 | Hampen Technology Corporation Limited | Face recognition method and system for personal identification and authentication |
CN110705530A (zh) * | 2019-12-13 | 2020-01-17 | 珠海亿智电子科技有限公司 | 基于活体识别的同一人脸框确认方法、装置、设备及介质 |
CN111666884A (zh) * | 2020-06-08 | 2020-09-15 | 睿云联(厦门)网络通讯技术有限公司 | 活体检测方法、装置、计算机可读介质及电子设备 |
-
2020
- 2020-09-18 CN CN202010987208.2A patent/CN112132000B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908140A (zh) * | 2010-07-29 | 2010-12-08 | 中山大学 | 一种在人脸识别中应用的活体检测方法 |
CN103116763A (zh) * | 2013-01-30 | 2013-05-22 | 宁波大学 | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 |
CN104933414A (zh) * | 2015-06-23 | 2015-09-23 | 中山大学 | 一种基于wld-top的活体人脸检测方法 |
US10061996B1 (en) * | 2017-10-09 | 2018-08-28 | Hampen Technology Corporation Limited | Face recognition method and system for personal identification and authentication |
CN110705530A (zh) * | 2019-12-13 | 2020-01-17 | 珠海亿智电子科技有限公司 | 基于活体识别的同一人脸框确认方法、装置、设备及介质 |
CN111666884A (zh) * | 2020-06-08 | 2020-09-15 | 睿云联(厦门)网络通讯技术有限公司 | 活体检测方法、装置、计算机可读介质及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332369A (zh) * | 2021-12-28 | 2022-04-12 | 埃洛克航空科技(北京)有限公司 | 楼体图像处理方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112132000B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11416781B2 (en) | Image processing method and apparatus, and computer-readable medium, and electronic device | |
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
US20220237811A1 (en) | Method for Testing Skin Texture, Method for Classifying Skin Texture and Device for Testing Skin Texture | |
CN107679466B (zh) | 信息输出方法和装置 | |
CN111242097B (zh) | 一种人脸识别方法、装置、计算机可读介质及电子设备 | |
CN108376117B (zh) | 交互响应的测试方法和设备 | |
CN110189336B (zh) | 图像生成方法、系统、服务器及存储介质 | |
CN110225366B (zh) | 视频数据处理及广告位确定方法、装置、介质及电子设备 | |
CN109344752B (zh) | 用于处理嘴部图像的方法和装置 | |
EP3709266A1 (en) | Human-tracking methods, apparatuses, systems, and storage media | |
JP2021532434A (ja) | 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体 | |
EP3006551B1 (en) | Image processing device, image processing method, program, and storage medium | |
CN110930296A (zh) | 图像处理方法、装置、设备及存储介质 | |
WO2021147866A1 (zh) | Ecg信号的获取方法及装置、存储介质、电子装置 | |
CN105979283A (zh) | 视频转码方法和装置 | |
CN111666884B (zh) | 活体检测方法、装置、计算机可读介质及电子设备 | |
CN110473176B (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
CN109241930B (zh) | 用于处理眉部图像的方法和装置 | |
CN112132000B (zh) | 一种活体检测方法、装置、计算机可读介质及电子设备 | |
CN108921792B (zh) | 用于处理图片的方法和装置 | |
CN107527011B (zh) | 一种非接触式皮肤电阻变化趋势检测方法、装置及设备 | |
WO2022177069A1 (ko) | 라벨링 방법 및 이를 위한 컴퓨팅 장치 | |
CN113298753A (zh) | 敏感肌的检测方法、图像处理方法、装置及设备 | |
CN111899239A (zh) | 图像处理方法和装置 | |
CN113344001A (zh) | 一种生物体估重方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |