CN112215045A - 一种活体检测方法和装置 - Google Patents
一种活体检测方法和装置 Download PDFInfo
- Publication number
- CN112215045A CN112215045A CN201910629385.0A CN201910629385A CN112215045A CN 112215045 A CN112215045 A CN 112215045A CN 201910629385 A CN201910629385 A CN 201910629385A CN 112215045 A CN112215045 A CN 112215045A
- Authority
- CN
- China
- Prior art keywords
- data
- face
- living body
- background
- area
- 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.)
- Withdrawn
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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种活体检测方法和装置，其中方法包括：预先利用具有近红外功能的摄像设备，采集人脸的活体数据和非活体数据；根据每张所述人脸的活体数据和非活体数据，分别生成相应的人脸区域数据和背景区域数据；利用所述人脸区域数据对预设的第一神经网络进行训练，得到人脸区域神经网络；利用所述背景区域数据对预设的第二神经网络进行训练，得到背景区域神经网络；利用具有近红外功能的摄像设备，拍摄待检测目标，得到待检测目标的图像数据；根据所述待检测目标的图像数据，利用所述人脸区域神经网络和所述背景区域神经网络，判断所述待检测目标是否为活体。采用本发明，可以增强活体检测的鲁棒性、改善用户体验以及降低实现成本。
Description
技术领域
本发明涉及人工智能技术，特别是涉及一种活体检测方法和装置。
背景技术
随着人工智能的不断发展，人脸识别技术不断成熟。作为一种高准确性、已安装、无侵犯性、易采集、易推广的技术已广泛应用于门禁考勤、系统登录、出入境管理等多种场景和领域。人脸识别在给人们生活带来智能化的同时也因人脸易被仿造和复制使得其在安全性要求较高的领域受到限制。常见的仿造人脸包括照片、视频、面具等方式。能够正确区分真脸和仿造人脸已经成为人脸识别系统中不可缺少的一部分。
人脸活体检测技术的目的是正确区分真脸和仿造人脸，作为一项人脸识别系统安全性的保障技术越来越受到业界的关注。目前人脸活体检测技术大致分为三种：一种是基于彩色图像特征的方法，此方法通过传统图像处理或深度学习手段学习具有判别性的特征，然后经过分类器，做二分类处理；二种是用户动作配合式的方法，此方法通过提示用户眨眼、摇头、张嘴等动作配合，判断是否满足活体要求；三种是基于特殊摄像头设备的方法，此方法基于近红外摄像头或者深度摄像头采集图像，利用其成像原理或深度信息辅助活体判别。
发明人在实现本发明的过程中发现上述现有的人脸活体检测技术存在下述问题：
上述基于彩色图像特征的技术利用图像二次采集的人像破绽，如摩尔纹、成像畸形等，采用颜色统计、纹理特征等传统图像处理特征，结合支持向量机等分类器做真假人脸二分类，或者直接将标准化的人脸图像输入神经网络训练模型，这种方法依赖于训练数据，且易受光照等条件的影响，缺乏一定的鲁棒性。
上述用户动作配合式的活体检测方法基于一定的检测周期，通过一次或随机多次动作配合的方式进行判断，此方法能有效防止照片攻击，但对于电子设备录好动作的视频则难以抵御，而且该方法与用户交互较多，实时性低，降低人脸识别系统的用户体验。
上述基于深度摄像机的活体检测方法是利用双摄像头标定或专业的深度相机，具有技术复杂或较高的设备费用，再加上目前还没有专门的针对深度信息的人脸定位技术，数据难以处理，使得该方法更加难以被利用和推广。
由此可见，现有的活体检测方法存在缺乏鲁棒性、降低用户体验或者实现成本高不易推广等问题。
发明内容
有鉴于此，本发明的主要目的在于提供一种活体检测方法和装置，可以增强活体检测的鲁棒性、改善用户体验以及降低实现成本。
为了达到上述目的，本发明提出的技术方案为：
一种活体检测方法，包括：
预先利用具有近红外功能的摄像设备，采集人脸的活体数据和人脸的非活体数据；根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据；根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据；利用所述人脸区域数据对预设的第一神经网络进行训练，得到人脸区域神经网络；利用所述背景区域数据对预设的第二神经网络进行训练，得到背景区域神经网络；
利用具有近红外功能的摄像设备，拍摄待检测目标，得到待检测目标的图像数据；
根据所述待检测目标的图像数据，利用所述人脸区域神经网络和所述背景区域神经网络，判断所述待检测目标是否为活体。
较佳地，所述采集人脸的活体数据和人脸的非活体数据包括：
对于预设样本人群中的每个人，分别利用所述具有近红外功能的摄像设备和普通摄像设备进行拍摄，得到该人的人脸全景图像；
将所述具有近红外功能的摄像设备拍摄到的人脸全景图像，作为所述活体数据；
将所述具有近红外功能的摄像设备拍摄到的人脸全景图像打印为黑白照片；将所述普通摄像设备拍摄到的人脸全景图像打印为彩色照片；
对于每张所述黑白照片和所述彩色照片，利用所述具有近红外功能的摄像设备进行拍摄，并将所拍摄到的该张照片的图像，作为所述非活体数据。
较佳地，所述根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据包括：
对于每张所述人脸的活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐；
所述根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据包括：
对于每张所述人脸的非活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐。
较佳地，所述第一神经网络和所述第二神经网络均为卷积神经网络。
较佳地，所述判断所述待检测目标是否为活体包括：
步骤x1、利用预设的人脸检测算法，根据所述待检测目标的图像数据，判断所述待检测目标是否包含人脸，并在包含人脸时定位人脸位置，如果不包含人脸，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤x2；
步骤x2、根据所述待检测目标的图像数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据，其中，在对所述人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对所述背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐；
步骤x3、利用所述人脸区域神经网络和所述背景区域神经网络，根据归一化后的所述人脸区域数据和背景区域数据，判断所述待检测目标是否为活体。
较佳地，所述步骤x3包括：
步骤y1、将所述人脸区域数据输入到所述人脸区域神经网络中进行活体检测，得到第一活体检测概率；
步骤y2、如果所述第一活体检测概率小于预设的第一活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y3；
步骤y3、将所述背景区域数据输入到所述背景区域神经网络中进行活体检测，得到第二活体检测概率；
步骤y4、如果所述第二活体检测概率小于预设的第二活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y5；
步骤y5、根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率，如果所述联合检测概率大于等于预设的第三活体概率阈值，则判定所述待检测目标为活体，否则，判定所述待检测目标非活体。
较佳地，步骤y5中根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率包括：
按照p＝a×p0+b×p1或者p＝p0×p1，计算得到所述联合检测概率，其中，p0为所述第一活体检测概率，p1为所述第二活体检测概率，p为所述联合检测概率，a为预设的第一权值系数，b为预设的第二权值系数，a+b＝1。
本发明还提供了一种活体检测装置，包括：处理器，所述处理器用于：
预先利用具有近红外功能的摄像设备，采集人脸的活体数据和人脸的非活体数据；根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据；根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据；利用所述人脸区域数据对预设的第一神经网络进行训练，得到人脸区域神经网络；利用所述背景区域数据对预设的第二神经网络进行训练，得到背景区域神经网络；
利用具有近红外功能的摄像设备，拍摄待检测目标，得到待检测目标的图像数据；
根据所述待检测目标的图像数据，利用所述人脸区域神经网络和所述背景区域神经网络，判断所述待检测目标是否为活体。
较佳地，所述处理器具体用于：采集人脸的活体数据和人脸的非活体数据包括：
对于预设样本人群中的每个人，分别利用所述具有近红外功能的摄像设备和普通摄像设备进行拍摄，得到该人的人脸全景图像；
将所述具有近红外功能的摄像设备拍摄到的人脸全景图像，作为所述活体数据；
将所述具有近红外功能的摄像设备拍摄到的人脸全景图像打印为黑白照片；将所述普通摄像设备拍摄到的人脸全景图像打印为彩色照片；
对于每张所述黑白照片和所述彩色照片，利用所述具有近红外功能的摄像设备进行拍摄，并将所拍摄到的该张照片的图像，作为所述非活体数据。
较佳地，所述处理器具体用于：根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据，包括：
对于每张所述人脸的活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐；
所述根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据包括：
对于每张所述人脸的非活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐。
较佳地，所述第一神经网络和所述第二神经网络均为卷积神经网络。
较佳地，所述处理器具体用于：判断所述待检测目标是否为活体，包括：
步骤x1、利用预设的人脸检测算法，根据所述待检测目标的图像数据，判断所述待检测目标是否包含人脸，并在包含人脸时定位人脸位置，如果不包含人脸，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤x2；
步骤x2、根据所述待检测目标的图像数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据，其中，在对所述人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对所述背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐；
步骤x3、利用所述人脸区域神经网络和所述背景区域神经网络，根据归一化后的所述人脸区域数据和背景区域数据，判断所述待检测目标是否为活体。
较佳地，所述处理器具体用于执行步骤x3，包括：
步骤y1、将所述人脸区域数据输入到所述人脸区域神经网络中进行活体检测，得到第一活体检测概率；
步骤y2、如果所述第一活体检测概率小于预设的第一活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y3；
步骤y3、将所述背景区域数据输入到所述背景区域神经网络中进行活体检测，得到第二活体检测概率；
步骤y4、如果所述第二活体检测概率小于预设的第二活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y5；
步骤y5、根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率，如果所述联合检测概率大于等于预设的第三活体概率阈值，则判定所述待检测目标为活体，否则，判定所述待检测目标非活体。
较佳地，所述处理器具体用于：根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率，包括：
按照p＝a×p0+b×p1或者p＝p0×p1，计算得到所述联合检测概率，其中，p0为所述第一活体检测概率，p1为所述第二活体检测概率，p为所述联合检测概率，a为预设的第一权值系数，b为预设的第二权值系数，a+b＝1。
本申请还公开了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如前所述的活体检测方法的步骤。
本申请还公开了一种电子设备，包括如前所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
由上述技术方案可见，本发明提出的活体检测方法和装置，利用具有近红外功能的摄像设备采集带人脸的样本图像，并利用样本图像的人脸区域及其周围的部分背景区域，分别训练两个神经网络模型，在需要进行活体检测时，利用具有近红外功能的摄像设备采集待检测目标的人脸图像，并利用训练好的上述两个神经网络模型，采用联合判别的方式，判断是否为活体。如此，一方面可以充分发挥具有近红外功能的摄像设备受环境因素影响较小、具有较好鲁棒性的优势，另一方面，由于在进行活体检测时仅需要一个具有近红外功能的摄像设备，因此可以有效降低实现成本，同时由于不需要用户的较多交互，因此，还可以获得较好的用户体验。
附图说明
图1为本发明实施例的方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步地详细描述。
图1为本发明实施例的流程示意图，如图1所示，该实施例实现的活体检测方法主要包括以下步骤：
步骤101、预先利用具有近红外功能的摄像设备，采集人脸的活体数据和人脸的非活体数据；根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据；根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据；利用所述人脸区域数据对预设的第一神经网络进行训练，得到人脸区域神经网络；利用所述背景区域数据对预设的第二神经网络进行训练，得到背景区域神经网络。
本步骤用于采集人脸的活体数据和非活体数据，基于这些数据生成用于对活体检测神经网络进行训练的样本数据，并利用这样本数据对两个神经网络进行训练。
需要说明的是，这里为了提高活体检测的准确性，这里需要基于具有近红外功能的摄像设备采集人脸图像。
由于普通照片、电子设备屏幕在具有近红外功能的摄像设备(如近红外摄像头)下反光，反光的图相中不包含人脸信息，检测不到人脸，从而使得近红外摄像头的方法能够天然的抵抗视频及部分照片攻击。近红外功能的摄像设备可以在夜间或光线阴暗的地方使用，受环境因素影响较小，具有较好的鲁棒性。由于具有近红外功能的摄像设备通过反射原理成像，背景处光线衰减严重，但是，图片中的背景信息受红外光线影响较大，二者成像有明显区别。基于此特点，本申请实施例中将结合背景信息的判别方法，来辅助人脸区域的活体判别，以可以提高判别准确性，因此，这里需要将根据每张人脸的活体数据(即真脸数据)和每张人脸的非活体数据(即假脸数据)，分别生成两部分数据(即相应的人脸区域数据和背景区域数据)，并利用这两部分数据分别作为两个神经网络(即第一神经网络和第二神经网络)的输入进行神经网络模型的训练，得到人脸区域神经网和背景区域神经网络。
本步骤中通过将背景区域和人脸区域神经网络模型分开训练，一方面可以利用两个神经网络模型采用联合判别的方式，提高活体检测的准确性，另一方面还可以防止伪造的人脸只有人脸区域的情况，实现对该伪造方式的准确识别。
本步骤中，较佳地可以采用下述方法采集人脸的活体数据和人脸的非活体数据：
步骤a1、对于预设样本人群中的每个人，分别利用所述具有近红外功能的摄像设备和普通摄像设备进行拍摄，得到该人的人脸全景图像；
步骤a2、将所述具有近红外功能的摄像设备拍摄到的人脸全景图像，作为所述活体数据；
步骤a3、将所述具有近红外功能的摄像设备拍摄到的人脸全景图像打印为黑白照片；将所述普通摄像设备拍摄到的人脸全景图像打印为彩色照片；
步骤a4、对于每张所述黑白照片和所述彩色照片，利用所述具有近红外功能的摄像设备进行拍摄，并将所拍摄到的该张照片的图像，作为所述非活体数据。
较佳地，步骤101中可以采用下述方法根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据：
对于每张所述人脸的活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐。
本步骤中，具体的归一化处理方法为本领域技术人员所掌握，在此不再赘述。
较佳地，步骤101中可以采用下述方法根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据：
对于每张所述人脸的非活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐。
这里需要说明的是，根据每张人脸的非活体数据，利用上述方法生成相应的人脸区域数据和背景区域数据，实质上是将一张人脸全景图拆分成两张相同尺寸规格的人脸图，其中，一张人脸图中包含的是拆分前的人脸区域数据，对于该人脸图中的除人脸区域外的其他部分则需要通过补零的方式进行填充，而另一张人脸图中包含的是拆分前所述人脸全景图中在所述尺寸规格内的背景区域数据，对于该人脸图中除背景区域外的其他部分则需要通过补零的方式进行填充，如此所获得两张人脸图数据才可以作为相应区域的神经网络模型的训练样本数据，以确保训练出的神经网络模型用于活体检测的准确性。
这里，拆分后的所述人脸图的尺寸规格可由本领域技术人员根据实际需要设置，只要至少将人脸全景图中的人脸包含在内即可。较佳地，为了尽可能的减少处理开销，可以是正好将人脸全景图中的人脸包含在内的方形或矩形区域，但不限于此。
上述对相应全景图中的人脸区域和背景区域进行检测和剪裁的具体实现方法，以及上述归一化处理的具体实现方法为本领域技术人员所掌握，在此不再赘述。
较佳地，所述第一神经网络和所述第二神经网络可以均为卷积神经网络。
可选地，上述两种卷积神经网络均可采用四层卷积网络，两层全连接网络结构，并以交叉熵损失为模型的损失函数，采用随机梯度下降的方法进行训练模型。另外，本步骤提到的卷积神经网络结构可替换为其他网络结构，也可以通过现有的网络结构做基于目标任务的微调训练。
步骤102、利用具有近红外功能的摄像设备，拍摄待检测目标，得到待检测目标的图像数据。
步骤103、根据所述待检测目标的图像数据，利用所述人脸区域神经网络和所述背景区域神经网络，判断所述待检测目标是否为活体。
本步骤，通过综合利用前述步骤综合训练的两个神经网络判断待检测目标是否为活体，可以确保判断的准确性。
较佳地，本步骤中可以采用下述方法判断所述待检测目标是否为活体：
步骤x1、利用预设的人脸检测算法，根据所述待检测目标的图像数据，判断所述待检测目标是否包含人脸，并在包含人脸时定位人脸位置，如果不包含人脸，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤x2。
步骤x2、根据所述待检测目标的图像数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据，其中，在对所述人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对所述背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐。
这里，根据所述待检测目标的图像数据，得到归一化后的人脸区域数据和背景区域数据的方法与步骤101中获得人脸区域数据和背景区域数据的方法相同，以保证活体检测处理后的信息与训练神经网络时的输入一致，从而确保检测的准确性。
步骤x3、利用所述人脸区域神经网络和所述背景区域神经网络，根据归一化后的所述人脸区域数据和背景区域数据，判断所述待检测目标是否为活体。
较佳地，步骤x3可以采用下述方法实现：
步骤y1、将所述人脸区域数据输入到所述人脸区域神经网络中进行活体检测，得到第一活体检测概率。
步骤y2、如果所述第一活体检测概率小于预设的第一活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y3。
这里，第一活体概率阈值可由本领域技术人员根据实际需要设置合适取值，例如可以为0.5，但不限于此。
步骤y3、将所述背景区域数据输入到所述背景区域神经网络中进行活体检测，得到第二活体检测概率。
步骤y4、如果所述第二活体检测概率小于预设的第二活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y5。
这里，第二活体概率阈值可由本领域技术人员根据实际需要设置合适取值，例如可以为0.5，但不限于此。
步骤y5、根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率，如果所述联合检测概率大于等于预设的第三活体概率阈值，则判定所述待检测目标为活体，否则，判定所述待检测目标非活体。
这里，第枯活体概率阈值可由本领域技术人员根据实际需要设置合适取值，例如可以为0.7，但不限于此。
较佳地，所述步骤y5中可以采用下述方法根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率：
按照p＝a×p0+b×p1或者p＝p0×p1，计算得到所述联合检测概率，其中，p0为所述第一活体检测概率，p1为所述第二活体检测概率，p为所述联合检测概率，a为预设的第一权值系数，b为预设的第二权值系数，a+b＝1。
所述a和所述b可由本领域技术人员根据实际需要设置合适取值，只要满足a+b＝1即可。
需要说明的是，在实际应用中在进行上述活体检测判断方法中，利用背景区域数据进行活体检测的判断和利用人脸区域数据进行活体检测判断的顺序不以互换，即：也可以先将所述背景区域数据输入到所述背景区域神经网络中进行活体检测，根据所得到第二活体检测概率判断是否是活体，然后，再将所述人脸区域数据输入到所述人脸区域神经网络中进行活体检测，得到第一活体检测概率。
与上述方法相对应，本发明还提供了一种活体检测装置，包括：处理器，所述处理器用于：
预先利用具有近红外功能的摄像设备，采集人脸的活体数据和人脸的非活体数据；根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据；根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据；利用所述人脸区域数据对预设的第一神经网络进行训练，得到人脸区域神经网络；利用所述背景区域数据对预设的第二神经网络进行训练，得到背景区域神经网络；
利用具有近红外功能的摄像设备，拍摄待检测目标，得到待检测目标的图像数据；
根据所述待检测目标的图像数据，利用所述人脸区域神经网络和所述背景区域神经网络，判断所述待检测目标是否为活体。
较佳地，所述处理器具体用于：采集人脸的活体数据和人脸的非活体数据包括：
对于预设样本人群中的每个人，分别利用所述具有近红外功能的摄像设备和普通摄像设备进行拍摄，得到该人的人脸全景图像；
将所述具有近红外功能的摄像设备拍摄到的人脸全景图像，作为所述活体数据；
将所述具有近红外功能的摄像设备拍摄到的人脸全景图像打印为黑白照片；将所述普通摄像设备拍摄到的人脸全景图像打印为彩色照片；
对于每张所述黑白照片和所述彩色照片，利用所述具有近红外功能的摄像设备进行拍摄，并将所拍摄到的该张照片的图像，作为所述非活体数据。
较佳地，所述处理器具体用于：根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据，包括：
对于每张所述人脸的活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐；
所述根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据包括：
对于每张所述人脸的非活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐。
较佳地，所述第一神经网络和所述第二神经网络均为卷积神经网络。
较佳地，所述处理器具体用于：判断所述待检测目标是否为活体，包括：
步骤x1、利用预设的人脸检测算法，根据所述待检测目标的图像数据，判断所述待检测目标是否包含人脸，并在包含人脸时定位人脸位置，如果不包含人脸，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤x2；
步骤x2、根据所述待检测目标的图像数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据，其中，在对所述人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对所述背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐；
步骤x3、利用所述人脸区域神经网络和所述背景区域神经网络，根据归一化后的所述人脸区域数据和背景区域数据，判断所述待检测目标是否为活体。
较佳地，所述处理器具体用于执行步骤x3，包括：
步骤y1、将所述人脸区域数据输入到所述人脸区域神经网络中进行活体检测，得到第一活体检测概率；
步骤y2、如果所述第一活体检测概率小于预设的第一活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y3；
步骤y3、将所述背景区域数据输入到所述背景区域神经网络中进行活体检测，得到第二活体检测概率；
步骤y4、如果所述第二活体检测概率小于预设的第二活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y5；
步骤y5、根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率，如果所述联合检测概率大于等于预设的第三活体概率阈值，则判定所述待检测目标为活体，否则，判定所述待检测目标非活体。
较佳地，所述处理器具体用于：根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率，包括：
按照p＝a×p0+b×p1或者p＝p0×p1，计算得到所述联合检测概率，其中，p0为所述第一活体检测概率，p1为所述第二活体检测概率，p为所述联合检测概率，a为预设的第一权值系数，b为预设的第二权值系数，a+b＝1。
此外，本申请实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如前所述的活体检测方法的步骤。
此外，本申请实施例还提供了一种电子设备，包括如上所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (16)
1.一种活体检测方法，其特征在于，包括：
预先利用具有近红外功能的摄像设备，采集人脸的活体数据和人脸的非活体数据；根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据；根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据；利用所述人脸区域数据对预设的第一神经网络进行训练，得到人脸区域神经网络；利用所述背景区域数据对预设的第二神经网络进行训练，得到背景区域神经网络；
利用具有近红外功能的摄像设备，拍摄待检测目标，得到待检测目标的图像数据；
根据所述待检测目标的图像数据，利用所述人脸区域神经网络和所述背景区域神经网络，判断所述待检测目标是否为活体。
2.根据权利要求1所述的方法，其特征在于，所述采集人脸的活体数据和人脸的非活体数据包括：
对于预设样本人群中的每个人，分别利用所述具有近红外功能的摄像设备和普通摄像设备进行拍摄，得到该人的人脸全景图像；
将所述具有近红外功能的摄像设备拍摄到的人脸全景图像，作为所述活体数据；
将所述具有近红外功能的摄像设备拍摄到的人脸全景图像打印为黑白照片；将所述普通摄像设备拍摄到的人脸全景图像打印为彩色照片；
对于每张所述黑白照片和所述彩色照片，利用所述具有近红外功能的摄像设备进行拍摄，并将所拍摄到的该张照片的图像，作为所述非活体数据。
3.根据权利要求1所述的方法，其特征在于，所述根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据包括：
对于每张所述人脸的活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐；
所述根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据包括：
对于每张所述人脸的非活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐。
4.根据权利要求1所述的方法，其特征在于，所述第一神经网络和所述第二神经网络均为卷积神经网络。
5.根据权利要求1所述的方法，其特征在于，所述判断所述待检测目标是否为活体包括：
步骤x1、利用预设的人脸检测算法，根据所述待检测目标的图像数据，判断所述待检测目标是否包含人脸，并在包含人脸时定位人脸位置，如果不包含人脸，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤x2；
步骤x2、根据所述待检测目标的图像数据，对相应全景图中的人脸区域和背景区域进行识别和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据，其中，在对所述人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对所述背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐；
步骤x3、利用所述人脸区域神经网络和所述背景区域神经网络，根据归一化后的所述人脸区域数据和背景区域数据，判断所述待检测目标是否为活体。
6.根据权利要求5所述的方法，其特征在于，所述步骤x3包括：
步骤y1、将所述人脸区域数据输入到所述人脸区域神经网络中进行活体检测，得到第一活体检测概率；
步骤y2、如果所述第一活体检测概率小于预设的第一活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y3；
步骤y3、将所述背景区域数据输入到所述背景区域神经网络中进行活体检测，得到第二活体检测概率；
步骤y4、如果所述第二活体检测概率小于预设的第二活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y5；
步骤y5、根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率，如果所述联合检测概率大于等于预设的第三活体概率阈值，则判定所述待检测目标为活体，否则，判定所述待检测目标非活体。
7.根据权利要求6所述的方法，其特征在于，步骤y5中根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率包括：
按照p＝a×p0+b×p1或者p＝p0×p1，计算得到所述联合检测概率，其中，p0为所述第一活体检测概率，p1为所述第二活体检测概率，p为所述联合检测概率，a为预设的第一权值系数，b为预设的第二权值系数，a+b＝1。
8.一种活体检测装置，其特征在于，包括：处理器，所述处理器用于：
预先利用具有近红外功能的摄像设备，采集人脸的活体数据和人脸的非活体数据；根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据；根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据；利用所述人脸区域数据对预设的第一神经网络进行训练，得到人脸区域神经网络；利用所述背景区域数据对预设的第二神经网络进行训练，得到背景区域神经网络；
利用具有近红外功能的摄像设备，拍摄待检测目标，得到待检测目标的图像数据；
根据所述待检测目标的图像数据，利用所述人脸区域神经网络和所述背景区域神经网络，判断所述待检测目标是否为活体。
9.如权利要求8所述的装置，其特征在于，所述处理器具体用于：采集人脸的活体数据和人脸的非活体数据包括：
对于预设样本人群中的每个人，分别利用所述具有近红外功能的摄像设备和普通摄像设备进行拍摄，得到该人的人脸全景图像；
将所述具有近红外功能的摄像设备拍摄到的人脸全景图像，作为所述活体数据；
将所述具有近红外功能的摄像设备拍摄到的人脸全景图像打印为黑白照片；将所述普通摄像设备拍摄到的人脸全景图像打印为彩色照片；
对于每张所述黑白照片和所述彩色照片，利用所述具有近红外功能的摄像设备进行拍摄，并将所拍摄到的该张照片的图像，作为所述非活体数据。
10.根据权利要求8所述的装置，其特征在于，所述处理器具体用于：根据每张所述人脸的活体数据，生成相应的人脸区域数据和背景区域数据，包括：
对于每张所述人脸的活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐；
所述根据每张所述人脸的非活体数据，生成相应的人脸区域数据和背景区域数据包括：
对于每张所述人脸的非活体数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据；其中，在对人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐。
11.根据权利要求8所述的装置，其特征在于，所述第一神经网络和所述第二神经网络均为卷积神经网络。
12.根据权利要求8所述的装置，其特征在于，所述处理器具体用于：判断所述待检测目标是否为活体，包括：
步骤x1、利用预设的人脸检测算法，根据所述待检测目标的图像数据，判断所述待检测目标是否包含人脸，并在包含人脸时定位人脸位置，如果不包含人脸，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤x2；
步骤x2、根据所述待检测目标的图像数据，对相应全景图中的人脸区域和背景区域进行检测和剪裁，并按照预设的图片尺寸，对所述人脸区域的数据和所述背景区域的数据分别进行归一化处理，得到归一化后的人脸区域数据和背景区域数据，其中，在对所述人脸区域的数据进行归一化处理时，将人脸区域中包含的背景部分以及与所述图片尺寸之间的空缺部分用零补齐；在对所述背景区域的数据进行归一化处理时，将背景区域被扣取人脸区域的部分用零补齐；
步骤x3、利用所述人脸区域神经网络和所述背景区域神经网络，根据归一化后的所述人脸区域数据和背景区域数据，判断所述待检测目标是否为活体。
13.根据权利要求12所述的装置，其特征在于，所述处理器具体用于执行步骤x3，包括：
步骤y1、将所述人脸区域数据输入到所述人脸区域神经网络中进行活体检测，得到第一活体检测概率；
步骤y2、如果所述第一活体检测概率小于预设的第一活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y3；
步骤y3、将所述背景区域数据输入到所述背景区域神经网络中进行活体检测，得到第二活体检测概率；
步骤y4、如果所述第二活体检测概率小于预设的第二活体概率阈值，则判定所述待检测目标非活体，结束所述判断；否则，执行步骤y5；
步骤y5、根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率，如果所述联合检测概率大于等于预设的第三活体概率阈值，则判定所述待检测目标为活体，否则，判定所述待检测目标非活体。
14.根据权利要求13所述的装置，其特征在于，所述处理器具体用于：根据所述第一活体检测概率和所述第二活体检测概率，生成联合检测概率，包括：
按照p＝a×p0+b×p1或者p＝p0×p1，计算得到所述联合检测概率，其中，p0为所述第一活体检测概率，p1为所述第二活体检测概率，p为所述联合检测概率，a为预设的第一权值系数，b为预设的第二权值系数，a+b＝1。
15.一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，其特征在于，所述指令在由处理器执行时使得所述处理器执行如权利要求1至7中任一项所述的活体检测方法的步骤。
16.一种电子设备，其特征在于，包括如权利要求15所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910629385.0A CN112215045A (zh) | 2019-07-12 | 2019-07-12 | 一种活体检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910629385.0A CN112215045A (zh) | 2019-07-12 | 2019-07-12 | 一种活体检测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112215045A true CN112215045A (zh) | 2021-01-12 |
Family
ID=74047845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910629385.0A Withdrawn CN112215045A (zh) | 2019-07-12 | 2019-07-12 | 一种活体检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215045A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158900A (zh) * | 2021-04-22 | 2021-07-23 | 中国平安人寿保险股份有限公司 | 人脸活体检测模型的训练方法、装置、设备及存储介质 |
| CN114627534A (zh) * | 2022-03-15 | 2022-06-14 | 平安科技（深圳）有限公司 | 活体判别方法及电子设备、存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技（深圳）有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
| CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
| CN108549887A (zh) * | 2018-07-23 | 2018-09-18 | 北京智芯原动科技有限公司 | 一种活体人脸检测方法及装置 |
| CN108846321A (zh) * | 2018-05-25 | 2018-11-20 | 北京小米移动软件有限公司 | 识别人脸假体的方法及装置、电子设备 |
| CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
| CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
| US20190026544A1 (en) * | 2016-02-09 | 2019-01-24 | Aware, Inc. | Face liveness detection using background/foreground motion analysis |
| US20190026606A1 (en) * | 2017-07-20 | 2019-01-24 | Beijing Baidu Netcom Science And Technology Co., Ltd. | To-be-detected information generating method and apparatus, living body detecting method and apparatus, device and storage medium |
| CN109684965A (zh) * | 2018-12-17 | 2019-04-26 | 上海资汇信息科技有限公司 | 一种基于近红外成像与深度学习的人脸识别系统 |
-
2019
- 2019-07-12 CN CN201910629385.0A patent/CN112215045A/zh not_active Withdrawn
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190026544A1 (en) * | 2016-02-09 | 2019-01-24 | Aware, Inc. | Face liveness detection using background/foreground motion analysis |
| US20190026606A1 (en) * | 2017-07-20 | 2019-01-24 | Beijing Baidu Netcom Science And Technology Co., Ltd. | To-be-detected information generating method and apparatus, living body detecting method and apparatus, device and storage medium |
| CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技（深圳）有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
| CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
| CN108846321A (zh) * | 2018-05-25 | 2018-11-20 | 北京小米移动软件有限公司 | 识别人脸假体的方法及装置、电子设备 |
| CN108549887A (zh) * | 2018-07-23 | 2018-09-18 | 北京智芯原动科技有限公司 | 一种活体人脸检测方法及装置 |
| CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
| CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
| CN109684965A (zh) * | 2018-12-17 | 2019-04-26 | 上海资汇信息科技有限公司 | 一种基于近红外成像与深度学习的人脸识别系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158900A (zh) * | 2021-04-22 | 2021-07-23 | 中国平安人寿保险股份有限公司 | 人脸活体检测模型的训练方法、装置、设备及存储介质 |
| CN114627534A (zh) * | 2022-03-15 | 2022-06-14 | 平安科技（深圳）有限公司 | 活体判别方法及电子设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109446981B (zh) | 一种脸部活体检测、身份认证方法及装置 | |
| CN111582238B (zh) | 一种应用于人脸遮挡场景的活体检测方法及装置 | |
| WO2019127262A1 (zh) | 基于云端的人脸活体检测方法、电子设备和程序产品 | |
| JP5076563B2 (ja) | 顔照合装置 | |
| CN111597938B (zh) | 活体检测、模型训练方法及装置 | |
| CN109190522B (zh) | 一种基于红外相机的活体检测方法 | |
| CN110059644A (zh) | 一种基于人脸图像的活体检测方法、系统及相关组件 | |
| KR101937323B1 (ko) | 위장 얼굴 판별 장치 및 방법 | |
| CN107292269B (zh) | 基于透视失真特性的人脸图像鉴伪方法、存储、处理设备 | |
| EP0844582A3 (en) | System and method for detecting a human face | |
| CN112052830B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
| CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
| CN111881726A (zh) | 一种活体检测方法、装置及存储介质 | |
| CN111209820B (zh) | 人脸活体检测方法、系统、设备及可读存储介质 | |
| CN109977846B (zh) | 一种基于近红外单目摄像的活体检测方法及系统 | |
| CN110866454A (zh) | 人脸活体检测方法及系统、计算机可读取的存储介质 | |
| CN111860394A (zh) | 一种基于姿态估计和动作检测的动作活体识别方法 | |
| CN111445640A (zh) | 基于虹膜识别的快递取件方法、装置、设备及存储介质 | |
| CN111832464A (zh) | 一种基于近红外摄像头的活体检测方法及装置 | |
| CN109543635A (zh) | 活体检测方法、装置、系统、解锁方法、终端及存储介质 | |
| CN112215045A (zh) | 一种活体检测方法和装置 | |
| CN115147936A (zh) | 一种活体检测方法、电子设备、存储介质及程序产品 | |
| KR20200083188A (ko) | 라이브니스 검출 방법 및 장치, 이를 이용한 객체 인식 방법 | |
| CN116057570A (zh) | 机器学习装置以及图像处理装置 | |
| CN109886084B (zh) | 基于陀螺仪的人脸认证方法、电子设备及存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210112 |
|
| WW01 | Invention patent application withdrawn after publication |