CN112232324B - 人脸验伪方法、装置、计算机设备和存储介质 - Google Patents

人脸验伪方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112232324B
CN112232324B CN202011468420.4A CN202011468420A CN112232324B CN 112232324 B CN112232324 B CN 112232324B CN 202011468420 A CN202011468420 A CN 202011468420A CN 112232324 B CN112232324 B CN 112232324B
Authority
CN
China
Prior art keywords
face
image
exposure time
depth
infrared
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.)
Active
Application number
CN202011468420.4A
Other languages
English (en)
Other versions
CN112232324A (zh
Inventor
陈鑫
郑东
赵拯
赵五岳
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.)
Hangzhou Yufan Intelligent Technology Co.,Ltd.
Original Assignee
Universal Ubiquitous 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 Universal Ubiquitous Technology Co ltd filed Critical Universal Ubiquitous Technology Co ltd
Priority to CN202011468420.4A priority Critical patent/CN112232324B/zh
Publication of CN112232324A publication Critical patent/CN112232324A/zh
Application granted granted Critical
Publication of CN112232324B publication Critical patent/CN112232324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
    • 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)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种人脸验伪方法、装置、计算机设备和存储介质，属于人脸识别领域，具体包括当判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像时，判断所述人脸图像对应的待验证目标是否为活体；当判定所述待验证目标为活体时，从所述红外图像中提取人脸关键点；采用所述人脸关键点对所述红外图像及与所述红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像；对4个通道的所述矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度；当所述比对相似度大于预设识别阈值时，判定人脸识别成功。通过本公开的处理方案，降低成本且提高人脸识别验证准确率。

Description

人脸验伪方法、装置、计算机设备和存储介质
技术领域
本发明涉及人脸识别领域，具体涉及一种人脸验伪方法、装置、计算机设备和存储介质。
背景技术
人脸识别作为重要的机器视觉技术，在人工智能领域发挥重大作用。在很多应用场景（如门锁、门禁、闸机等）对设备功耗、防攻能力、识别准确率与通过率有很高的要求。现在通常采用两种摄像头进行检测，例如采用RGB摄像头拍摄的图像进行人脸识别、IR摄像头拍摄的图像做活体检测，这样不仅增加了设备成本，而且IR摄像头容易过于依赖反馈的视频图像，一旦摄像头被攻击，例如攻击者将预先录制的视频图像替换摄像头采集的视频图像，则会导致活体检测失败或活体检测错误，给用户带来损失，安全性较低。
发明内容
因此，为了克服上述现有技术的缺点，本发明提供了一种降低成本且提高人脸识别验证准确率的人脸验伪方法、装置、计算机设备和存储介质。
为了实现上述目的，本发明提供一种人脸验伪方法，包括：当判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像时，判断所述人脸图像对应的待验证目标是否为活体；当判定所述待验证目标为活体时，从所述红外图像中提取人脸关键点；采用所述人脸关键点对所述红外图像及与所述红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像；对4个通道的所述矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度；当所述比对相似度大于预设识别阈值时，判定人脸识别成功。
在其中一个实施例中，所述判断所述人脸图像对应的待验证目标是否为活体，包括：将所述单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像转换成三通道数据；根据所述红外图像中的人脸坐标分别截取红外图像和所述三通道数据的图像中人脸区域，组成4个通道的人脸图像数据；将所述4个通道的人脸图像数据输入活体识别网络，计算出活体分数；当所述活体分数大于活体判断阈值时，采用人脸位置检测单元判定所述人脸图像数据对应的待验证目标为活体。
在其中一个实施例中，所述将所述单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像转换成三通道数据，包括：根据像素坐标与相机坐标的转换原理，将所述单3D结构光或TOF摄像头拍摄的深度图像上的点转化为相机坐标中的三维点，并将所述三维点组成红外图像的三个通道；计算每个像素点对应所述三维点的法向的方向以及偏移量；根据预设角度阈值对所述法向的方向进行迭代，并根据所述方向计算旋转矩阵得到三通道初始数据；将所述三通道初始数据归一化成值为0-255 的三通道数据。
在其中一个实施例中，判断单3D结构光或TOF摄像头拍摄的红外图像中是否存在人脸图像，包括：根据预设距离阈值对单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像中的深度距离信息进行二值化处理，得到二值化图像，设定低于所述预设距离阈值的区域为1，高于所述预设距离阈值的区域为0；确定所述二值化图像中连通区域，并计算连通域区的面积；当所述面积大于预设面积阈值时，判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像。
在其中一个实施例中，判断所述人脸图像对应的待验证目标是否为活体之前，还包括：判断所述红外图像中人脸区域的亮度和所述深度图像中人脸区域有效点云数量占比数是否处于预设阈值区间；当判定不处于时，计算所述人脸区域的亮度与所述预设阈值区间的亮度差异值；根据所述亮度差异值计算所述单3D结构光或TOF摄像头的拍摄红外图像的红外理想曝光时长区间；根据所述亮度差异值和深度图像中人脸区域的平均距离信息计算所述单3D结构光或TOF摄像头的拍摄深度图像的深度理想曝光时长区间；根据所述红外理想曝光时长区间和所述深度理想曝光时长区间调整所述单3D结构光或TOF摄像头的当前曝光时长。
在其中一个实施例中，所述根据所述红外理想曝光时长区间和所述深度理想曝光时长区间调整所述单3D结构光或TOF摄像头的当前曝光时长，包括：判断所述红外理想曝光时长区间和所述深度理想曝光时长区间是否存在交集；当判定存在交集时，设定所述交集的中心点值作为目标曝光时长，调整所述单3D结构光或TOF摄像头的当前曝光时长；当判定不存在交集时，调整单3D结构光或TOF摄像头识别距离，并重新计算所述红外理想曝光时长区间和所述深度理想曝光时长区间。
在其中一个实施例中，所述采用所述人脸关键点对所述红外图像及与所述红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像之后，包括：对所述矫正人脸图像进行归一化处理，得到各个通道下的固定尺寸的矫正人脸图像。
本发明提供一种人脸验伪装置，所述装置包括：活体判断模块，用于当判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像时，判断所述人脸图像对应的待验证目标是否为活体；图像提取模块，用于当判定所述待验证目标为活体时，从所述红外图像中提取人脸关键点；人脸矫正模块，用于采用所述人脸关键点对所述红外图像及与所述红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像；比对计算模块，用于对4个通道的所述矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度；人脸识别判断模块，用于当所述比对相似度大于预设识别阈值时，判定人脸识别成功。
本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述人脸验伪方法、装置、计算机设备和存储介质，通过单3D结构光或TOF摄像头，输出深度数据和红外视频流，在某些恶劣光线环境条件下（如强逆光、强顺光、低照度），红外成像质量会远高于RGB摄像头成像质量，受光线干扰较小，并通过结合红外图像和深度图像相做活体判断和人脸识别，不仅将深度图像转换为三种不同的通道(水平差异，对地高度以及表面法向量的角度) 通过每个通道数据之间的互补信息提升活体判断准确率，同时结合IR图像信息和深度信息，提升人脸识别准确率，实现高精度的防伪及人脸识别功能。另外可以去掉RGB摄像头，降低人脸识别硬件终端的成本。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。
图1为一个实施例中人脸验伪方法的应用场景图；
图2为一个实施例中人脸验伪方法的流程示意图；
图3为一个实施例中活体判断步骤的流程示意图；
图4为一个实施例中活体识别网络的示意图；
图5为另一个实施例中参数调整步骤的流程示意图；
图6为一个实施例中人脸验伪装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践方面。
本申请提供的人脸验伪方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102实时将拍摄的红外图像和深度图像上传给服务器104；服务器104接收终端102上传的红外图像和深度图像；当服务器104判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像时，服务器104判断人脸图像对应的待验证目标是否为活体；当服务器104判定待验证目标为活体时，服务器104从红外图像中提取人脸关键点；服务器104采用人脸关键点对红外图像及与红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像；服务器104对4个通道的矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度；当比对相似度大于预设识别阈值时，服务器104判定人脸识别成功。其中，终端102可以但不限于是各种携带有单3D结构光摄像头或TOF摄像头的设备或智能设备等，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种人脸验伪方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，当判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像时，判断人脸图像对应的待验证目标是否为活体。
服务器判断单3D结构光或TOF摄像头拍摄的红外图像（IR图像）中是否存在人脸图像。在一个实施例中，判断单3D结构光或TOF摄像头拍摄的红外图像中是否存在人脸图像，包括以下步骤：根据预设距离阈值对单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像中的深度距离信息进行二值化处理，得到二值化图像，设定低于预设距离阈值的区域为1，高于预设距离阈值的区域为0；确定二值化图像中连通区域，并计算连通域区的面积；当面积大于预设面积阈值时，判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像。在一个实施例中，当判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像且待验证目标到设备的距离在人脸识别距离阈值之内时，唤醒人脸识别服务；否则继续待机。这样可以维持摄像头所属的设备一直处于低功耗的状态。
当判定红外图像中存在人脸图像时，服务器判断人脸图像对应的待验证目标是否为活体。
步骤204，当判定待验证目标为活体时，从红外图像中提取人脸关键点。
当判定待验证目标为活体时，服务器从红外图像中提取人脸关键点。服务器可以根据预设规则确定关键点，并根据红外图像各像素点的数据计算得到关键点在红外图像中的坐标值。
步骤206，采用人脸关键点对红外图像及与红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像。
服务器采用人脸关键点对红外图像及与红外图像对应的深度图像（Depth图像）生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像。服务器采用HHA编码（horizontal disparity, height above ground, and the angle the pixel’s localsurface normal makes with the inferred gravity direction）将深度图像转换为三种不同的通道(水平差异，对地高度以及表面法向量的角度)。在一个实施例中，服务器还对矫正人脸图像进行归一化处理，得到各个通道下的固定尺寸的矫正人脸图像。
步骤208，对4个通道的矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度。
服务器对4个通道的矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度。特征库存储有大量的不同人的人脸各部位的图像特征。服务器可以对每个通道的矫正人脸图像都通过人脸特征抽取模型提取特征，并将每个矫正人脸图像特征都与特征库的特征作比对计算，得到每个矫正人脸图像特征的比对相似度。服务器可以根据每个矫正人脸图像特征的比对相似度计算每个矫正人脸图像的比对相似度；服务器也可以选择特定矫正人脸图像特征的比对相似度作为每个矫正人脸图像的比对相似度。
步骤210，当比对相似度大于预设识别阈值时，判定人脸识别成功。
当比对相似度大于预设识别阈值时，服务器判定人脸识别成功。当比对相似度小于预设识别阈值时，服务器判定人脸识别失败。
上述人脸验伪方法，通过单3D结构光或TOF摄像头，输出深度数据和红外视频流，在某些恶劣光线环境条件下（如强逆光、强顺光、低照度），红外成像质量会远高于RGB摄像头成像质量，受光线干扰较小，并通过结合红外图像和深度图像相做活体判断和人脸识别，不仅将深度图像转换为三种不同的通道(水平差异，对地高度以及表面法向量的角度) 通过每个通道数据之间的互补信息提升活体判断准确率，同时结合IR图像信息和深度信息，提升人脸识别准确率，实现高精度的防伪及人脸识别功能。另外可以去掉RGB摄像头，降低人脸识别硬件终端的成本。而且，服务器还可以只使用深度图像信息判断是否需要唤醒人脸识别服务，减少设备功耗的同时，也减少了服务器的运算量。
在一个实施例中，如图3所示，判断人脸图像对应的待验证目标是否为活体，包括：
步骤302，将单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像转换成三通道数据。
服务器将单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像转换成三通道数据。在一个实施例中，服务器可以根据像素坐标与相机坐标的转换原理，将单3D结构光或TOF摄像头拍摄的深度图像上的点转化为相机坐标中的三维点，并将三维点组成深度图像的三个通道。
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE004
。其中，Z c 对应原始深度图数值，（u,v）为图像坐标系下坐标点，（u 0 ,v 0 ）为图像坐标系的中心坐标，f/dx,f/dy分别为1/x轴方向上物理尺寸dx，1/y轴方向物理尺寸dy。服务器还可以计算每个像素点对应三维点的法向的方向以及偏移量。服务器可以设定参数R，取点周围
Figure DEST_PATH_IMAGE006
个点计算每个像素点对应三维点的法向的方向N（原点到三维点的连线）以及偏移量b，使得
Figure DEST_PATH_IMAGE008
。服务器根据预设角度阈值对法向的方向进行迭代，并根据方向计算旋转矩阵得到三通道初始数据。服务器可以给定两个阈值 45° 和 15°，分别做5次迭代，并根据阈值找到 “平行边” 与 “垂直边” 的集合，最优化方程如下：
Figure DEST_PATH_IMAGE010
，其中，
Figure DEST_PATH_IMAGE012
表示为在a和b之间的角度，平行边以及垂直边集合的定义为
Figure DEST_PATH_IMAGE014
。服务器将三通道初始数据归一化成值为0-255 的三通道数据。
步骤304，根据红外图像中的人脸坐标分别截取红外图像和三通道数据的图像中人脸区域，组成4个通道的人脸图像数据。
服务器根据红外图像中的人脸坐标分别截取红外图像和三通道数据的图像中人脸区域，组成4个通道的人脸图像数据。服务器根据IR 图像中人脸坐标分别截取IR图像和HHA编码生成的3个通道图像中的人脸区域，组成4个通道的人脸图像数据。
步骤306，将4个通道的人脸图像数据输入活体识别网络，计算出活体分数。
服务器将4个通道的人脸图像数据输入活体识别网络，计算出活体分数。如图4所示，活体识别网络可以包括Conv+bn+prelu、Resnet Blocks、FullyConnected、Softmaxloss等数据处理层。
步骤308，当活体分数大于活体判断阈值时，采用人脸位置检测单元判定人脸图像数据对应的待验证目标为活体。
当活体分数大于活体判断阈值时，服务器采用人脸位置检测单元对人脸图像数据进行检测，当检测到人脸时，服务器判定人脸图像数据对应的待验证目标为活体。
在一个实施例中，如图5所示，判断人脸图像对应的待验证目标是否为活体之前，还包括：
步骤502，判断红外图像中人脸区域的亮度和深度图像中人脸区域有效点云数量占比数是否处于预设阈值区间。
服务器获取红外图像中人脸区域的亮度
Figure DEST_PATH_IMAGE016
和深度图像中人脸区域有效点云数量占比数
Figure DEST_PATH_IMAGE018
。服务器判断亮度
Figure DEST_PATH_IMAGE016A
是否位于预设IR人脸区域亮度区间
Figure DEST_PATH_IMAGE020
内，并判断占比数
Figure DEST_PATH_IMAGE018A
是否位于预设Depth人脸区域有效点云数量占比区间
Figure DEST_PATH_IMAGE022
内。当判定
Figure DEST_PATH_IMAGE024
位于预设IR人脸区域亮度区间
Figure DEST_PATH_IMAGE020A
内且占比数
Figure DEST_PATH_IMAGE018AA
位于预设Depth人脸区域有效点云数量占比区间
Figure DEST_PATH_IMAGE026
内时，服务器判定红外图像和深度图像符合图像处理要求，可以用于判断人脸图像对应的待验证目标是否为活体。
步骤504，当判定不处于时，计算人脸区域的亮度与预设阈值区间的亮度差异值。
当服务器判定
Figure DEST_PATH_IMAGE028
不位于预设IR人脸区域亮度区间
Figure DEST_PATH_IMAGE030
内或占比数
Figure DEST_PATH_IMAGE032
不位于预设Depth人脸区域有效点云数量占比区间
Figure DEST_PATH_IMAGE034
内时，服务器计算人脸区域的亮度与预设IR人脸区域亮度区间
Figure DEST_PATH_IMAGE036
的亮度差异值
Figure DEST_PATH_IMAGE038
。
步骤506，根据亮度差异值计算单3D结构光或TOF摄像头的拍摄红外图像的红外理想曝光时长区间。
服务器根据亮度差异值计算单3D结构光或TOF摄像头的拍摄红外图像的红外理想曝光时长区间。服务器可以获取事先根据曝光时长和亮度
Figure DEST_PATH_IMAGE040
进行拟合得到的拟合函数
Figure DEST_PATH_IMAGE042
，计算单3D结构光或TOF摄像头的拍摄红外图像的红外理想曝光时长区间
Figure DEST_PATH_IMAGE044
，其中，
Figure DEST_PATH_IMAGE046
表示调整参数。为了使IR人脸区域亮度满足
Figure DEST_PATH_IMAGE048
，计算公式如下：
Figure DEST_PATH_IMAGE050
。
服务器根据光线light、距离dis和人脸亮度差异值diff对曝光时间进行调整得到
Figure DEST_PATH_IMAGE052
。服务器可以设定光线light和距离dis，并不断调整曝光时间，计算调整曝光时间前后的人脸亮度差异值diff；改变光线条件和距离值，多次测试并得到记录列表；根据记录列表中的记录参数值，拟合得到调整函数
Figure DEST_PATH_IMAGE052A
。
步骤508，根据亮度差异值和深度图像中人脸区域的平均距离信息计算摄像头的拍摄深度图像的深度理想曝光时长区间。
服务器根据亮度差异值和深度图像中人脸区域的平均距离信息计算摄像头的拍摄深度图像的深度理想曝光时长区间。服务器可以获取事先根据光线和距离对深度理想曝光时长区间拟合得到的拟合函数
Figure DEST_PATH_IMAGE054
，计算单3D结构光或TOF摄像头的拍摄深度图像的深度理想曝光时长区间
Figure DEST_PATH_IMAGE056
。服务器可以根据光线light和距离dis动态调整曝光时长，记录使Depth 图像中深度人脸信息满足质量要求的最小曝光时间
Figure DEST_PATH_IMAGE058
和最大曝光时间
Figure DEST_PATH_IMAGE060
；服务器改变光线条件和距离值，多次测试并得到记录列表；服务器根据记录列表中的记录参数拟合，得到拟合函数
Figure DEST_PATH_IMAGE062
。
步骤510，根据红外理想曝光时长区间和深度理想曝光时长区间调整摄像头的当前曝光时长。
服务器根据红外理想曝光时长区间和深度理想曝光时长区间调整摄像头的当前曝光时长。在一个实施例中，服务器可以先判断红外理想曝光时长区间和深度理想曝光时长区间是否存在交集。当服务器判定存在交集时，设定交集的中心点值作为目标曝光时长，调整单3D结构光或TOF摄像头的当前曝光时长，此时曝光时间为：
Figure DEST_PATH_IMAGE064
；当判定不存在交集时，根据深度图像中人脸区域的平均距离信息
Figure DEST_PATH_IMAGE066
和预设最佳识别距离
Figure DEST_PATH_IMAGE068
调整单3D结构光或TOF摄像头的识别距离，并重新计算红外理想曝光时长区间和深度理想曝光时长区间。当
Figure DEST_PATH_IMAGE070
，调大识别距离，当
Figure DEST_PATH_IMAGE072
，调小识别距离。
在一个实施例中，如图6所示，提供了一种人脸验伪装置，包括：活体判断模块602、图像提取模块604、人脸矫正模块606、比对计算模块608和人脸识别判断模块610，其中：
活体判断模块602，用于当判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像时，判断人脸图像对应的待验证目标是否为活体。
图像提取模块604，用于当判定待验证目标为活体时，从红外图像中提取人脸关键点。
人脸矫正模块606，用于采用人脸关键点对红外图像及与红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像。
比对计算模块608，用于对4个通道的矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度。
人脸识别判断模块610，用于当比对相似度大于预设识别阈值时，判定人脸识别成功。
在一个实施例中，活体判断模块602包括：
转换单元，用于将单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像转换成三通道数据。
图像截取单元，用于根据红外图像中的人脸坐标分别截取红外图像和三通道数据的图像中人脸区域，组成4个通道的人脸图像数据。
计算单元，用于将4个通道的人脸图像数据输入活体识别网络，计算出活体分数。
判断单元，用于当活体分数大于活体判断阈值时，判定人脸图像数据对应的待验证目标为活体。
在一个实施例中，活体判断模块602包括：
点转换单元，用于根据像素坐标与相机坐标的转换原理，将单3D结构光或TOF摄像头拍摄的深度图像上的点转化为相机坐标中的三维点，并将三维点组成红外图像的三个通道。
三维点计算单元，用于计算每个像素点对应三维点的法向的方向以及偏移量。
迭代单元，用于根据预设角度阈值对法向的方向进行迭代，并根据方向计算旋转矩阵得到三通道初始数据。
归一化单元，用于将三通道初始数据归一化成值为0-255 的三通道数据。
在一个实施例中，活体判断模块602包括：
二值化处理单元，用于根据预设距离阈值对单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像中的深度距离信息进行二值化处理，得到二值化图像，设定低于预设距离阈值的区域为1，高于预设距离阈值的区域为0。
面积计算单元，用于确定二值化图像中连通区域，并计算连通域区的面积。
判断单元，用于当面积大于预设面积阈值时，判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像。
在一个实施例中，装置还包括：
比对判断模块，用于判断红外图像中人脸区域的亮度和深度图像中人脸区域有效点云数量占比数是否处于预设阈值区间。
亮度差异值计算模块，用于当判定不处于时，计算人脸区域的亮度与预设阈值区间的亮度差异值。
红外理想曝光时间计算模块，用于根据亮度差异值计算单3D结构光或TOF摄像头的拍摄红外图像的红外理想曝光时长区间。
深度理想曝光时间计算模块，用于根据亮度差异值和深度图像中人脸区域的平均距离信息计算摄像头的拍摄深度图像的深度理想曝光时长区间。
时长调整模块，用于根据红外理想曝光时长区间和深度理想曝光时长区间调整摄像头的当前曝光时长。
在一个实施例中，装置还包括：
交集判断模块，用于判断红外理想曝光时长区间和深度理想曝光时长区间是否存在交集。
时长调整模块，用于当判定存在交集时，设定交集的中心点值作为目标曝光时长，调整单3D结构光或TOF摄像头的当前曝光时长；当判定不存在交集时，调整单3D结构光或TOF摄像头的识别距离，并重新计算红外理想曝光时长区间和深度理想曝光时长区间。
关于人脸验伪装置的具体限定可以参见上文中对于人脸验伪方法的限定，在此不再赘述。上述人脸验伪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库 。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储人脸验伪数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸验伪方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：当判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像时，判断人脸图像对应的待验证目标是否为活体；当判定待验证目标为活体时，从红外图像中提取人脸关键点；采用人脸关键点对红外图像及与红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像；对4个通道的矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度；当比对相似度大于预设识别阈值时，判定人脸识别成功。
在一个实施例中，处理器执行计算机程序时实现的判断人脸图像对应的待验证目标是否为活体，包括：将单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像转换成三通道数据；根据红外图像中的人脸坐标分别截取红外图像和三通道数据的图像中人脸区域，组成4个通道的人脸图像数据；将4个通道的人脸图像数据输入活体识别网络，计算出活体分数；当活体分数大于活体判断阈值时，判定人脸图像数据对应的待验证目标为活体。
在一个实施例中，处理器执行计算机程序时实现的将单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像转换成三通道数据，包括：根据像素坐标与相机坐标的转换原理，将单3D结构光或TOF摄像头拍摄的深度图像上的点转化为相机坐标中的三维点，并将三维点组成红外图像的三个通道；计算每个像素点对应三维点的法向的方向以及偏移量；根据预设角度阈值对法向的方向进行迭代，并根据方向计算旋转矩阵得到三通道初始数据；将三通道初始数据归一化成值为0-255 的三通道数据。
在一个实施例中，处理器执行计算机程序时实现的判断单3D结构光或TOF摄像头拍摄的红外图像中是否存在人脸图像，包括：根据预设距离阈值对单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像中的深度距离信息进行二值化处理，得到二值化图像，设定低于预设距离阈值的区域为1，高于预设距离阈值的区域为0；确定二值化图像中连通区域，并计算连通域区的面积；当面积大于预设面积阈值时，判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像。
在一个实施例中，处理器执行计算机程序时实现的判断人脸图像对应的待验证目标是否为活体之前，还包括：判断红外图像中人脸区域的亮度和深度图像中人脸区域有效点云数量占比数是否处于预设阈值区间；当判定不处于时，计算人脸区域的亮度与预设阈值区间的亮度差异值；根据亮度差异值计算单3D结构光或TOF摄像头的拍摄红外图像的红外理想曝光时长区间；根据亮度差异值和深度图像中人脸区域的平均距离信息计算单3D结构光或TOF摄像头的拍摄深度图像的深度理想曝光时长区间；根据红外理想曝光时长区间和深度理想曝光时长区间调整单3D结构光或TOF摄像头的当前曝光时长。
在一个实施例中，处理器执行计算机程序时实现的根据红外理想曝光时长区间和深度理想曝光时长区间调整单3D结构光或TOF摄像头的当前曝光时长，包括：判断红外理想曝光时长区间和深度理想曝光时长区间是否存在交集；当判定存在交集时，设定交集的中心点值作为目标曝光时长，调整单3D结构光或TOF摄像头的当前曝光时长；当判定不存在交集时，调整单3D结构光或TOF摄像头识别距离，并重新计算红外理想曝光时长区间和深度理想曝光时长区间。
在一个实施例中，处理器执行计算机程序时实现的采用人脸关键点对红外图像及与红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像之后，包括：对矫正人脸图像进行归一化处理，得到各个通道下的固定尺寸的矫正人脸图像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：当判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像时，判断人脸图像对应的待验证目标是否为活体；当判定待验证目标为活体时，从红外图像中提取人脸关键点；采用人脸关键点对红外图像及与红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像；对4个通道的矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度；当比对相似度大于预设识别阈值时，判定人脸识别成功。
在一个实施例中，计算机程序被处理器执行时实现的判断人脸图像对应的待验证目标是否为活体，包括：将单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像转换成三通道数据；根据红外图像中的人脸坐标分别截取红外图像和三通道数据的图像中人脸区域，组成4个通道的人脸图像数据；将4个通道的人脸图像数据输入活体识别网络，计算出活体分数；当活体分数大于活体判断阈值时，判定人脸图像数据对应的待验证目标为活体。
在一个实施例中，计算机程序被处理器执行时实现的将单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像转换成三通道数据，包括：根据像素坐标与相机坐标的转换原理，将单3D结构光或TOF摄像头拍摄的深度图像上的点转化为相机坐标中的三维点，并将三维点组成红外图像的三个通道；计算每个像素点对应三维点的法向的方向以及偏移量；根据预设角度阈值对法向的方向进行迭代，并根据方向计算旋转矩阵得到三通道初始数据；将三通道初始数据归一化成值为0-255 的三通道数据。
在一个实施例中，计算机程序被处理器执行时实现的判断单3D结构光或TOF摄像头拍摄的红外图像中是否存在人脸图像，包括：根据预设距离阈值对单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像中的深度距离信息进行二值化处理，得到二值化图像，设定低于预设距离阈值的区域为1，高于预设距离阈值的区域为0；确定二值化图像中连通区域，并计算连通域区的面积；当面积大于预设面积阈值时，判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像。
在一个实施例中，计算机程序被处理器执行时实现的判断人脸图像对应的待验证目标是否为活体之前，还包括：判断红外图像中人脸区域的亮度和深度图像中人脸区域有效点云数量占比数是否处于预设阈值区间；当判定不处于时，计算人脸区域的亮度与预设阈值区间的亮度差异值；根据亮度差异值计算单3D结构光或TOF摄像头的拍摄红外图像的红外理想曝光时长区间；根据亮度差异值和深度图像中人脸区域的平均距离信息计算单3D结构光或TOF摄像头的拍摄深度图像的深度理想曝光时长区间；根据红外理想曝光时长区间和深度理想曝光时长区间调整单3D结构光或TOF摄像头的当前曝光时长。
在一个实施例中，计算机程序被处理器执行时实现的根据红外理想曝光时长区间和深度理想曝光时长区间调整单3D结构光或TOF摄像头的当前曝光时长，包括：判断红外理想曝光时长区间和深度理想曝光时长区间是否存在交集；当判定存在交集时，设定交集的中心点值作为目标曝光时长，调整单3D结构光或TOF摄像头的当前曝光时长；当判定不存在交集时，调整单3D结构光或TOF摄像头识别距离，并重新计算红外理想曝光时长区间和深度理想曝光时长区间。
在一个实施例中，计算机程序被处理器执行时实现的采用人脸关键点对红外图像及与红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像之后，包括：对矫正人脸图像进行归一化处理，得到各个通道下的固定尺寸的矫正人脸图像。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种人脸验伪方法，其特征在于，包括：
当判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像时，判断所述红外图像中人脸区域的亮度和所述单3D结构光或TOF摄像头拍摄的深度图像中人脸区域有效点云数量占比数是否处于预设阈值区间；
当判定不处于时，计算所述人脸区域的亮度与所述预设阈值区间的亮度差异值；
根据所述亮度差异值计算所述单3D结构光或TOF摄像头的拍摄红外图像的红外理想曝光时长区间；
根据所述亮度差异值和深度图像中人脸区域的平均距离信息计算所述摄像头的拍摄深度图像的深度理想曝光时长区间；获取事先根据光线、距离和所述亮度差异值对深度理想曝光时长区间拟合得到的拟合函数，计算单3D结构光或TOF摄像头的拍摄深度图像的深度理想曝光时长区间，根据光线和距离动态调整曝光时长，记录使深度图像中深度人脸信息满足质量要求的最小曝光时间和最大曝光时间；改变光线条件和距离值，多次测试并得到记录列表；根据记录列表中的记录参数拟合，得到拟合函数，
根据所述红外理想曝光时长区间和所述深度理想曝光时长区间调整所述单3D结构光或TOF摄像头的当前曝光时长，判断红外理想曝光时长区间和深度理想曝光时长区间是否存在交集；当服务器判定存在交集时，设定交集的中心点值作为目标曝光时长，调整单3D结构光或TOF摄像头的当前曝光时长；当判定不存在交集时，根据深度图像中人脸区域的平均距离信息Distancecur和预设最佳识别距离Dmatch调整单3D结构光或TOF摄像头的识别距离，并重新计算红外理想曝光时长区间和深度理想曝光时长区间，当Distancecur＜Dmatch，调大识别距离，当Distancecur＞Dmatch，调小识别距离；控制所述单3D结构光或TOF摄像头根据所述当前曝光时长再次拍摄，得到修正后的红外图像；
判断修正后的所述红外图像中的所述人脸图像对应的待验证目标是否为活体；
当判定所述待验证目标为活体时，从所述红外图像中提取人脸关键点；
采用所述人脸关键点对所述红外图像及与所述红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像；
对4个通道的所述矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度；
当所述比对相似度大于预设识别阈值时，判定人脸识别成功。
2.根据权利要求1所述的人脸验伪方法，其特征在于，所述判断所述人脸图像对应的待验证目标是否为活体，包括：
将所述单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像转换成三通道数据；
根据所述红外图像中的人脸坐标分别截取红外图像和所述三通道数据的图像中人脸区域，组成4个通道的人脸图像数据；
将所述4个通道的人脸图像数据输入活体识别网络，计算出活体分数；
当所述活体分数大于活体判断阈值时，判定所述人脸图像数据对应的待验证目标为活体。
3.根据权利要求2所述的人脸验伪方法，其特征在于，所述将所述摄像头拍摄的与红外图像对应的深度图像转换成三通道数据，包括：
根据像素坐标与相机坐标的转换原理，将所述单3D结构光或TOF摄像头拍摄的深度图像上的点转化为相机坐标中的三维点，并将所述三维点组成深度图像的三个通道；
计算每个像素点对应所述三维点的法向的方向以及偏移量；
根据预设角度阈值对所述法向的方向进行迭代，并根据所述方向计算旋转矩阵得到三通道初始数据；
将所述三通道初始数据归一化成值为0-255的三通道数据。
4.根据权利要求1所述的人脸验伪方法，其特征在于，判断单3D结构光或TOF摄像头拍摄的红外图像中是否存在人脸图像，包括：
根据预设距离阈值对单3D结构光或TOF摄像头拍摄的与红外图像对应的深度图像中的深度距离信息进行二值化处理，得到二值化图像，设定低于所述预设距离阈值的区域为1，高于所述预设距离阈值的区域为0；
确定所述二值化图像中连通区域，并计算连通域区的面积；
当所述面积大于预设面积阈值时，采用人脸位置检测单元判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像。
5.根据权利要求1所述的人脸验伪方法，其特征在于，所述根据所述红外理想曝光时长区间和所述深度理想曝光时长区间调整所述单3D结构光或TOF摄像头的当前曝光时长，包括：
判断所述红外理想曝光时长区间和所述深度理想曝光时长区间是否存在交集；
当判定存在交集时，设定所述交集的中心点值作为目标曝光时长，调整所述单3D结构光或TOF摄像头的当前曝光时长；当判定不存在交集时，调整单3D结构光或TOF摄像头的识别距离，并重新计算所述红外理想曝光时长区间和所述深度理想曝光时长区间。
6.根据权利要求1所述的人脸验伪方法，其特征在于，所述采用所述人脸关键点对所述红外图像及与所述红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像之后，包括：
对所述矫正人脸图像进行归一化处理，得到各个通道下的固定尺寸的矫正人脸图像。
7.一种人脸验伪装置，其特征在于，所述装置包括：
比对判断模块，用于判断红外图像中人脸区域的亮度和深度图像中人脸区域有效点云数量占比数是否处于预设阈值区间；
亮度差异值计算模块，用于当判定不处于时，计算人脸区域的亮度与预设阈值区间的亮度差异值；
红外理想曝光时间计算模块，用于根据亮度差异值计算单3D结构光或TOF摄像头的拍摄红外图像的红外理想曝光时长区间；获取事先根据光线、距离和所述亮度差异值对深度理想曝光时长区间拟合得到的拟合函数，计算单3D结构光或TOF摄像头的拍摄深度图像的深度理想曝光时长区间，根据光线和距离动态调整曝光时长，记录使深度图像中深度人脸信息满足质量要求的最小曝光时间和最大曝光时间；改变光线条件和距离值，多次测试并得到记录列表；根据记录列表中的记录参数拟合，得到拟合函数，
深度理想曝光时间计算模块，用于根据亮度差异值和深度图像中人脸区域的平均距离信息计算摄像头的拍摄深度图像的深度理想曝光时长区间；
时长调整模块，用于根据红外理想曝光时长区间和深度理想曝光时长区间调整摄像头的当前曝光时长；
交集判断模块，用于判断红外理想曝光时长区间和深度理想曝光时长区间是否存在交集；
时长调整模块，用于当判定存在交集时，设定交集的中心点值作为目标曝光时长，调整单3D结构光或TOF摄像头的当前曝光时长；当判定不存在交集时，根据深度图像中人脸区域的平均距离信息Distancecur和预设最佳识别距离Dmatch调整单3D结构光或TOF摄像头的识别距离，并重新计算红外理想曝光时长区间和深度理想曝光时长区间，当Distancecur＜Dmatch，调大识别距离，当Distancecur＞Dmatch，调小识别距离；控制所述单3D结构光或TOF摄像头根据所述当前曝光时长再次拍摄，得到修正后的红外图像；
活体判断模块，用于当判定单3D结构光或TOF摄像头拍摄的红外图像中存在人脸图像时，判断所述人脸图像对应的待验证目标是否为活体；
图像提取模块，用于当判定所述待验证目标为活体时，从所述红外图像中提取人脸关键点；
人脸矫正模块，用于采用所述人脸关键点对所述红外图像及与所述红外图像对应的深度图像生成的三个通道图像进行人脸矫正，得到各个通道下的矫正人脸图像；
比对计算模块，用于对4个通道的所述矫正人脸图像通过人脸特征抽取模型提取特征，并与特征库的特征作比对计算，得到比对相似度；
人脸识别判断模块，用于当所述比对相似度大于预设识别阈值时，判定人脸识别成功。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202011468420.4A 2020-12-15 2020-12-15 人脸验伪方法、装置、计算机设备和存储介质 Active CN112232324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011468420.4A CN112232324B (zh) 2020-12-15 2020-12-15 人脸验伪方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011468420.4A CN112232324B (zh) 2020-12-15 2020-12-15 人脸验伪方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112232324A CN112232324A (zh) 2021-01-15
CN112232324B true CN112232324B (zh) 2021-08-03

Family

ID=74124195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011468420.4A Active CN112232324B (zh) 2020-12-15 2020-12-15 人脸验伪方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112232324B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861764B (zh) * 2021-02-25 2023-12-08 广州图语信息科技有限公司 一种人脸识别活体判断方法
CN113239828B (zh) * 2021-05-20 2023-04-07 清华大学深圳国际研究生院 一种基于tof摄像模组的人脸识别方法及装置
CN116935467A (zh) * 2021-08-12 2023-10-24 荣耀终端有限公司 数据处理方法及装置
CN113837033B (zh) * 2021-09-08 2024-05-03 江西合力泰科技有限公司 一种搭载有tof模组的人脸识别方法
CN114565993B (zh) * 2022-02-24 2023-11-17 深圳福鸽科技有限公司 基于人脸识别和猫眼的智能锁系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875522A (zh) * 2017-12-21 2018-11-23 北京旷视科技有限公司 人脸聚类方法、装置和系统及存储介质
CN108875470A (zh) * 2017-06-19 2018-11-23 北京旷视科技有限公司 对访客进行登记的方法、装置及计算机存储介质
CN112016485A (zh) * 2020-08-31 2020-12-01 罗普特科技集团股份有限公司 一种基于人脸识别的客流统计方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108462832A (zh) * 2018-03-19 2018-08-28 百度在线网络技术（北京）有限公司 用于获取图像的方法及装置
CN108764052B (zh) * 2018-04-28 2020-09-11 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和电子设备
CN109101871A (zh) * 2018-08-07 2018-12-28 北京华捷艾米科技有限公司 一种基于深度和近红外信息的活体检测装置、检测方法及其应用
CN109376515A (zh) * 2018-09-10 2019-02-22 Oppo广东移动通信有限公司 电子装置及其控制方法、控制装置和计算机可读存储介质
CN110463183A (zh) * 2019-06-28 2019-11-15 深圳市汇顶科技股份有限公司 识别装置及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875470A (zh) * 2017-06-19 2018-11-23 北京旷视科技有限公司 对访客进行登记的方法、装置及计算机存储介质
CN108875522A (zh) * 2017-12-21 2018-11-23 北京旷视科技有限公司 人脸聚类方法、装置和系统及存储介质
CN112016485A (zh) * 2020-08-31 2020-12-01 罗普特科技集团股份有限公司 一种基于人脸识别的客流统计方法和系统

Also Published As

Publication number Publication date
CN112232324A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN112232324B (zh) 人脸验伪方法、装置、计算机设备和存储介质
CN112232323B (zh) 人脸验证方法、装置、计算机设备和存储介质
WO2021036436A1 (zh) 一种人脸识别方法及装置
CN105450411B (zh) 利用卡片特征进行身份验证的方法、装置及系统
CN108573203B (zh) 身份认证方法和装置及存储介质
CN104966079B (zh) 区分真人面部与平坦表面
US9262614B2 (en) Image processing device, image processing method, and storage medium storing image processing program
JP7191061B2 (ja) ライブネス検査方法及び装置
KR20190097640A (ko) 영상 정합 방법 및 장치
CN108549867A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
US10922399B2 (en) Authentication verification using soft biometric traits
CN110956114A (zh) 人脸活体检测方法、装置、检测系统及存储介质
US9449217B1 (en) Image authentication
CN112825128A (zh) 用于活性测试和/或生物特征识别验证的方法和设备
CN110852310A (zh) 三维人脸识别方法、装置、终端设备及计算机可读介质
KR20210131891A (ko) 개인의 인증 또는 식별을 위한 방법
TWI731503B (zh) 活體臉部辨識系統與方法
KR101053253B1 (ko) 3차원 정보를 이용한 얼굴 인식 장치 및 방법
Sharma et al. Image-level iris morph attack
Wu et al. DepthFake: Spoofing 3D Face Authentication with a 2D Photo
KR20120114934A (ko) 무인접수시스템의 사용자 인증을 위한 얼굴 인식 시스템
KR20210128274A (ko) 라이브니스 검사 방법 및 장치
KR20170140519A (ko) 포즈 변화에 강인한 얼굴 인식 시스템 및 방법
US20240071142A1 (en) Moiré pattern detection in digital images and a liveness detection system thereof
CN112699763B (zh) 基于聚类数据库的人脸认证方法和系统

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
CP03 Change of name, title or address

Address after: Room 658, building 1, No.1, luting Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province 310000

Patentee after: Hangzhou Yufan Intelligent Technology Co.,Ltd.

Country or region after: China

Address before: Room 658, building 1, No.1, luting Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province 310000

Patentee before: UNIVERSAL UBIQUITOUS TECHNOLOGY Co.,Ltd.

Country or region before: China

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Facial authentication methods, devices, computer devices, and storage media

Granted publication date: 20210803

Pledgee: Guotou Taikang Trust Co.,Ltd.

Pledgor: Hangzhou Yufan Intelligent Technology Co.,Ltd.

Registration number: Y2024980020891