CN112329612A - 活体检测方法、装置及电子设备 - Google Patents
活体检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112329612A CN112329612A CN202011211641.3A CN202011211641A CN112329612A CN 112329612 A CN112329612 A CN 112329612A CN 202011211641 A CN202011211641 A CN 202011211641A CN 112329612 A CN112329612 A CN 112329612A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- detected
- face
- network
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000001727 in vivo Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 18
- 230000001678 irradiating effect Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 210000001747 pupil Anatomy 0.000 description 11
- 238000011176 pooling Methods 0.000 description 8
- 238000001574 biopsy Methods 0.000 description 7
- 238000002310 reflectometry Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- 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
-
- 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了活体检测方法、装置及电子设备,涉及计算机视觉和深度学习技术等人工智能领域。具体实现方案为:对目标图像进行图像处理,得到包括待检测对象的人脸区域的第一图像和包括待检测对象的眼睛区域的第二图像;目标图像为预设条件下采集的包括待检测对象的人脸的近红外图像,预设条件为待检测对象的人脸处于白光照射环境;对第一图像和第二图像进行特征提取,得到目标特征;目标特征包括人脸区域对应的第一特征和眼睛区域对应的第二特征;基于目标特征对待检测对象进行活体检测,得到待检测对象的活体检测结果。根据本申请的技术,解决了活体检测技术存在的准确率比较低的问题,提高了活体检测的准确率。
Description
技术领域
本申请涉及人工智能领域,尤其涉及计算机视觉和深度学习技术领域,具体涉及一种活体检测方法、装置及电子设备。
背景技术
活体检测即区分一张人脸图像是否为真人拍摄,是人脸识别系统的基础组成模块,能够保证人脸识别系统的安全性。而近红外活体检测指的是采用近红外摄像头采集人脸图像进行活体检测。
目前,可以采用深度学习技术对近红外摄像头采集的人脸图像进行活体检测,然而攻击样本复杂多样,如打印照片和3D头模等样本攻击,这会干扰到活体检测的实际应用性能。
发明内容
本公开提供了一种活体检测方法、装置及电子设备。
根据本公开的第一方面,提供了一种活体检测方法,包括:
对目标图像进行图像处理,得到包括待检测对象的人脸区域的第一图像和包括所述待检测对象的眼睛区域的第二图像;其中,所述目标图像为预设条件下采集的包括所述待检测对象的人脸的近红外图像,所述预设条件为所述待检测对象的人脸处于白光照射环境;
对所述第一图像和所述第二图像进行特征提取,得到目标特征;其中,所述目标特征包括所述人脸区域对应的第一特征和所述眼睛区域对应的第二特征;
基于所述目标特征对所述待检测对象进行活体检测,得到所述待检测对象的活体检测结果。
根据本公开的第二方面,提供了一种活体检测装置,包括:
图像处理模块,用于对目标图像进行图像处理,得到包括待检测对象的人脸区域的第一图像和包括所述待检测对象的眼睛区域的第二图像;其中,所述目标图像为预设条件下采集的包括所述待检测对象的人脸的近红外图像,所述预设条件为所述待检测对象的人脸处于白光照射环境;
特征提取模块,用于对所述第一图像和所述第二图像进行特征提取,得到目标特征;其中,所述目标特征包括所述人脸区域对应的第一特征和所述眼睛区域对应的第二特征;
活体检测模块,用于基于所述目标特征对所述待检测对象进行活体检测,得到所述待检测对象的活体检测结果。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面中的任一项方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行第一方面中的任一项方法。
根据本申请的技术解决了活体检测技术存在的准确率比较低的问题,提高了活体检测的准确率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的活体检测方法的流程示意图;
图2是白光照射环境下真人的眼睛瞳孔示意图;
图3是白光照射环境下攻击样本的眼睛瞳孔示意图;
图4是根据本申请第一实施例中一具体示例的活体检测方法的流程示意图;
图5是根据本申请第二实施例的活体检测装置的结构示意图;
图6是用来实现本申请实施例的活体检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
第一实施例
如图1所示,本申请提供一种活体检测方法,包括如下步骤:
步骤S101:对目标图像进行图像处理,得到包括待检测对象的人脸区域的第一图像和包括所述待检测对象的眼睛区域的第二图像;其中,所述目标图像为预设条件下采集的包括所述待检测对象的人脸的近红外图像,所述预设条件为所述待检测对象的人脸处于白光照射环境。
本实施例中,活体检测方法涉及图像处理技术,具体涉及计算机视觉技术、深度学习技术领域,其可以广泛应用于安防、考勤、门禁通行、金融支付等诸多场景。该方法可以应用于电子设备,该电子设备可以为服务器,也可以为终端,这里不做具体限定。
所述目标图像可以为实时采集的图像,所述目标图像中可以包括待检测对象的人脸,所述待检测对象可以理解为进行活体认证的对象,也就是说,所述目标图像可以为所述待检测对象在进行活体认证时实时采集的图像。
其中,所述待检测对象可以为真人,也可以为攻击样本,如打印照片和3D头模等。所述活体检测方法的目的即在于对待检测对象进行活体认证时,检测该待检测对象为真人还是攻击样本,以保证人脸识别系统的安全性。
所述目标图像可以为近红外图像,近红外图像指的是采用近红外摄像头采集的图像,其相对于彩色RGB图像,近红外摄像头采集的图像可以避免光照的影响,在光照较少的情况下也能得到清晰的图像进行活体检测。
另外,近红外图像在进行活体认证时还有一个明显特征,即在给待检测对象的人脸打上白光时,若待检测对象为真人,近红外图像中待检测对象的眼睛瞳孔中会有明显亮斑,如图2所示,而攻击样本的眼睛瞳孔中没有这种特性,如图3所示,因此,可以利用先验知识,即利用这个特征对待检测对象进行活体检测。也就是说,所述目标图像可以为预设条件下,采用近红外摄像头采集的包括所述待检测对象的人脸的图像,所述预设条件可以为所述待检测对象的人脸处于白光照射环境。
所述待检测对象的人脸处于白光照射环境可以理解为有白光打在所述待检测对象的人脸上。其中,可以直接或间接打白光在所述待检测对象的人脸上,如直接从人脸侧面、上面、下面或人脸正面打白光在待检测对象的人脸上,又如从人脸背面打白光,而通过屏幕间接将白光反射到待检测对象的人脸上。
所述白光可以为高光强的白光,也可以为中光强的白光,还可以为低光强的白光,这里不做具体限定。
需要说明的是,在待检测对象的白光强度越强,且待检测对象的眼睛处聚集的白光越多,其为真人时,近红外图像中眼睛瞳孔的亮斑越明显,活体检测则越精确。以下实施例中,将从人脸正面打高光强的白光在待检测对象的人脸上为例进行详细说明。
可以有多种方式使所述待检测对象的人脸处于白光照射环境,比如,可以利用其它光源设备打高光强的白光至待检测对象的人脸上。又比如,可以利用电子设备的屏幕打高光强的白光至待检测对象的人脸上,具体的做法可以是在电子设备的屏幕上显示白色图片,白色图片可以为像素点的像素全部为255的图片。当采用电子设备对待检测对象进行活体认证时,电子设备的屏幕对准待检测对象的人脸,此时,即将电子设备的屏幕的高光强的白光打在待检测对象的人脸上。
当然,上述白色图片为像素点的像素全部为255的图片只是一个举例,电子设备的屏幕上也可以显示像素为250或其他像素的图片,这里不做具体限定。
之后,电子设备采用近红外摄像头采集高光强白光下包括待检测对象的人脸的目标图像。
可以对目标图像进行图像处理,该图像处理可以为预处理过程,其目的在于获取包括待检测对象的人脸区域的第一图像和包括所述待检测对象的眼睛区域的第二图像,所述第一图像可以称之为人脸图像,所述第二图像可以称之为人眼图像。
可以有多种方式基于目标图像获取人脸图像和人眼图像,比如,可以检测出目标图像中待检测对象的人脸关键点的目标坐标信息,并利用目标图像中待检测对象的人脸关键点的目标坐标信息,截取目标图像中人脸区域,获得人脸图像,也可以利用人脸关键点中待检测对象的眼睛对应的目标关键点的坐标信息,截取目标图像中眼睛区域,获得人眼图像。
又比如,可以采用检测模型检测目标图像中人脸的大致位置和眼睛的大致位置,截取目标图像中人脸的大致位置区域,获得人脸图像,并截取目标图像中眼睛的大致位置区域,获得人眼图像。
还比如,在采集目标图像时,可以设定待检测对象的人脸位置进行居中拍摄,如在电子设备的屏幕上设定一个人脸框,待检测对象的人脸处于人脸框的中间位置时即进行拍摄,获得目标图像。相应的,截取目标图像的相应位置如中间位置的区域,得到人脸图像。而人眼图像可以基于人脸比例从人脸图像的相应位置截取获得。
另外,人眼图像中可以包括目标图像中待检测对象的任一个眼睛区域的图像数据,也可以包括目标图像中待检测对象的双眼区域的图像数据,这里不做具体限定。
之后,将人脸图像和人眼图像作为特征提取网络的输入,以提取出待检测对象的人脸区域对应的第一特征和眼睛区域对应的第二特征进行活体检测。
步骤S102:对所述第一图像和所述第二图像进行特征提取,得到目标特征;其中,所述目标特征包括所述人脸区域对应的第一特征和所述眼睛区域对应的第二特征。
该步骤中,可以采用一个或多个网络对第一图像和第二图像进行特征提取,获得目标特征。其中,所述目标特征包括所述人脸区域对应的第一特征和所述眼睛区域对应的第二特征。
所述第一特征可以包括待检测对象的人脸区域的纹理细节信息,然而,攻击样本的高仿真,可以将攻击样本的人脸区域的纹理细节做得与真人相似。为了提高活体检测的准确率和泛化性,以使在攻击样本的人脸区域的纹理细节与真人相似的情况下,也能检测出待检测对象不为真人,可以利用不同材质的攻击样本的反射率与真人皮肤的反射率不同的先验知识,来进行活体检测,相应的,所述第一特征也可以包括高光强白光照射下待检测对象的人脸区域皮肤的反射率信息。当然,所述第一特征中还可以包括表征待检测对象的人脸区域特征的其他信息,这里不做具体限定。
并且,可以利用给真人打光时眼睛瞳孔会有明显亮斑,而攻击样本没有这种特性的先验知识,来进行活体检测,相应的,所述第二特征可以包括高光强白光照射下待检测对象的眼睛区域的亮斑信息。当然,所述第二特征中还可以包括表征待检测对象的眼睛区域特征的其他信息,这里不做具体限定。
在实际应用中,可以将第一特征和第二特征进行融合,得到目标特征,并基于目标特征对待检测对象进行活体检测,即可以基于第一特征和第二特征综合评估所述待检测对象是否为真人,如此,考虑到了攻击样本的复杂情况,大大提高了活体检测的准确率和泛化性。
另外,所述第一图像中不仅可以包括所述待检测对象的人脸区域,还可以包括待检测对象的人脸的背景区域,相应的,所述目标特征还可以包括所述目标图像中背景区域的第三特征,即所述目标特征不仅融合了第一特征和第二特征,还可以融合第三特征。
所述第三特征可以包括所述背景区域所包括的背景信息,比如,所述背景区域所包括的背景信息中可以包括设备边框信息。在一些应用场景中,攻击样本为其他电子设备上呈现的照片,在进行活体认证时,采集的目标图像中可能还包括有呈现该照片的设备边框,在该种应用场景下,通过提取第三特征,所述第三特征中可以包括设备边框信息,如此,通过该第三特征可以判定所述待检测对象为非真人,是攻击样本。
步骤S103:基于所述目标特征对所述待检测对象进行活体检测,得到所述待检测对象的活体检测结果。
该步骤中,所述活体检测结果可以为二分类结果,即所述活体检测结果可以有两种情况,第一种情况可以为活体认证成功,即表明待检测对象为真人,第二种情况可以为活体认证失败,即表明待检测对象为非真人,是攻击样本。
在一可选实施方式中,可以基于目标特征,采用逻辑回归模型Softmax层对待检测对象进行活体检测,完成最终的近红外活体检测分类,输出待检测对象的活体检测结果。
为了提高活体认证的反欺诈效果,保证活体检测的准确率和泛化性,可以在第一特征表征待检测对象为真人,且第二特征也表征待检测对象为真人的情况下,也就是说,在目标特征中包括的纹理细节信息和反射率信息均表征待检测对象为真人,且目标特征中包括待检测对象的眼睛瞳孔的亮斑信息的情况下,确定活体认证成功。否则确定活体认证失败。
另外,在目标特征中还包括第三特征的情况下,若第三特征包括设备边框信息,或者包括表征待检测对象为攻击样本的其他信息的情况下,确定活体认证失败。
本实施例中,通过对待检测对象的人脸处于白光照射环境下采集的近红外图像进行图像处理,得到包括待检测对象的人脸区域的第一图像和包括所述待检测对象的眼睛区域的第二图像;然后,对所述第一图像和所述第二图像进行特征提取,得到目标特征;其中,所述目标特征包括所述人脸区域对应的第一特征和所述眼睛区域对应的第二特征;最后,基于所述目标特征对所述待检测对象进行活体检测,得到所述待检测对象的活体检测结果。如此,综合考虑了第一图像中人脸区域的第一特征和第二图像中眼睛区域的第二特征,利用了在给待检测对象的人脸打白光时,真人皮肤的反射率与攻击样本的发射率不同,同时给真人打光时眼睛瞳孔会有明显亮斑的这种特性,对待检测对象进行活体检测,大大提高了活体检测的准确率。
并且,还可以提高活体检测的泛化性,提升活体检测技术对于未知攻击样本的防御效果,提升活体检测技术的性能,帮助以人脸活体检测技术为基础的诸多应用场景提升效果和用户体验。
可选的,所述步骤S101之前,还包括:
向所述待检测对象的人脸照射白光,以形成所述白光照射环境。
本实施方式中,可以直接向所述待检测对象的人脸照射白光,以形成所述白光照射环境。
具体的,可以通过其他光源设备或电子设备的屏幕从人脸正面打高光强的白光至待检测对象的人脸上。
利用电子设备的屏幕打高光强的白光至待检测对象的人脸上时,具体的做法可以是在电子设备的屏幕上显示白色图片,白色图片可以为像素点的像素全部为255的图片。当采用电子设备对待检测对象进行活体认证时,电子设备的屏幕对准待检测对象的人脸,此时,即将电子设备的屏幕的高光强的白光从人脸正面打在待检测对象的人脸上。
本实施方式中,通过直接向所述待检测对象的人脸照射白光,以形成所述白光照射环境,相应的,采集人脸白光照射下的近红外图像进行活体检测,这样,在对第一图像和第二图像进行特征提取时,其提取的表征人脸皮肤的反射率信息的第一特征和表征眼睛瞳孔的亮斑信息的第二特征更加明显,从而可以进一步提高活体检测的准确率。
可选的,所述步骤S102具体包括:
将所述第一图像和所述第二图像输入至目标网络;其中,所述目标网络包括第一网络、第二网络和第三网络;
基于所述第一网络对所述第一图像进行第一特征提取,得到所述第一特征;并基于所述第二网络对所述第二图像进行第二特征提取,得到所述第二特征;
基于所述第三网络将所述第一特征和所述第二特征进行融合,得到所述目标特征。
本实施方式中,可以融合两条网络生成最终的目标特征,这两条网络分别为第一网络和第二网络,而通过第三网络融合这两条网络输出的特征,生成最终的目标特征。
具体的,得到人脸图像和人眼图像之后,将人脸图像和人眼图像输入至目标网络,所述目标网络可以为卷积神经网络,其可以包括第一网络、第二网络和第三网络。
所述第一网络作为人脸图像的特征提取网络,用于提取人脸区域对应的第一特征,其可以为轻量级的深层神经网络MobileNet。
所述第二网络作为人眼图像的特征提取网络,用于提取眼睛区域对应的第二特征,其可以包括多个卷积层和多个池化层,比如,所述第二网络可以为包括5个卷积层和3个池化层的卷积神经网络,所述池化层可用于实现人眼图像的下采样,因此所述第二网络中的池化层数量不宜过多。
所述第三网络作为第一特征和第二特征的融合网络,可以将第一网络输出的第一特征和第二网络输出的第二特征进行融合,得到目标特征。具体的,其可以包括全局平均池化模块和全连接层,可以将第一特征和第二特征进行连接,经过全局平均池化模块进行全局平均池化操作后,经过全连接层将第一特征和第二特征进行融合,最终得到目标特征。
本实施方式中,通过将人脸图像和人眼图像同时作为目标网络的输入,通过目标网络中的双流网络分别对人脸图像和人眼图像进行特征提取,获得人脸区域对应的第一特征和眼睛区域对应的第二特征,之后使用全连接层融合两条网络的结果。这样,目标特征中同时融合了第一特征和第二特征,如此综合考虑了人脸区域对应的第一特征和眼睛区域对应的第二特征,利用了在给待检测对象的人脸打白光时,真人皮肤的反射率与攻击样本的发射率不同,同时给真人打光时眼睛瞳孔会有明显亮斑的这种特性,对待检测对象进行活体检测,大大提高了活体检测的准确率和泛化性。
并且,通过双流网络进行特征提取,无需考虑人脸图像和人眼图像的图像尺寸差别,比如,输入至目标网络的人脸图像的图像尺寸可以为224×224,而输入至目标网络的人眼图像的图像尺寸可以为56×36,大大提高了活体检测的灵活性。
可选的,所述步骤S101具体包括:
对所述目标图像中所述待检测对象的人脸进行检测,得到所述目标图像中所述待检测对象的人脸位置区域;
基于所述人脸位置区域对所述目标图像中所述待检测对象的人脸关键点进行检测,得到所述待检测对象的人脸关键点的目标坐标信息;其中,所述人脸关键点包括所述待检测对象的眼睛对应的目标关键点;
基于所述目标坐标信息对所述目标图像中所述待检测对象的人脸区域进行截取,得到所述第一图像;并基于所述目标坐标信息中所述目标关键点的坐标信息,对所述目标图像中所述待检测对象的眼睛区域进行截取,得到所述第二图像。
本实施方式详细描述了基于目标图像获取人脸图像和人眼图像的具体过程。
具体的,可以通过检测模型对所述目标图像中待检测对象的人脸进行检测,得到所述目标图像中所述待检测对象的人脸位置区域,所述人脸位置区域可以为人脸的大致位置区域。
其中,所述检测模型可以为现有的或者新的人脸检测模型,其可以用于检测目标图像中的人脸位置。
根据目标图像中所述待检测对象的人脸位置区域,通过人脸关键点检测模型对所述目标图像中所述待检测对象的人脸关键点进行检测,得到所述待检测对象的人脸关键点的目标坐标信息,所述待检测对象的人脸关键点中可以包括待检测对象的眼睛对应的目标关键点。
其中,所述人脸关键点检测模型可以为现有的或者新的用于检测人脸关键点的模型,所述人脸关键点检测模型可以预先定义检测预设数量的人脸关键点,如人脸关键点检测模型可以检测出目标图像中待检测对象的72个人脸关键点,得到72个人脸关键点的目标坐标信息,分别为(x1,y1),(x2,y2),…,(x72,y72)。
之后,可以基于目标坐标信息对所述目标图像中所述待检测对象的人脸区域进行截取,得到人脸图像。作为目标网络的输入,为匹配目标网络的参数,可以调整人脸图像的图像尺寸,如可以将其尺寸调整至224×224。
可以基于所述目标坐标信息中所述目标关键点的坐标信息,对所述目标图像中所述待检测对象的眼睛区域进行截取,得到人眼图像。作为目标网络的输入,为匹配目标网络的参数,可以调整人眼图像的图像尺寸,如可以将其尺寸调整至56×36。
另外,在对目标图像进行截取以分别获得人脸图像和人眼图像时,可以执行复制操作,以得到多张目标图像,并分别执行截取操作,获得人脸图像和人眼图像。
本实施方式中,通过检测目标图像中待检测对象的人脸关键点的目标坐标信息,并基于目标坐标信息对目标图像中待检测对象的人脸区域进行截取,获得人脸图像,同时基于目标坐标信息中眼睛对应的目标关键点的坐标信息对目标图像中待检测对象的眼睛区域进行截取,获得人眼图像,从而可以准确获取待检测对象的人脸图像和人眼图像。
可选的,所述基于所述目标坐标信息对所述目标图像中所述待检测对象的人脸区域进行截取,得到所述第一图像之前,还包括:
基于所述待检测对象的眼睛对应的目标关键点的坐标信息,确定所述目标图像中所述待检测对象的人脸与水平方向的偏转角度;
基于所述偏转角度,旋转所述目标图像中所述待检测对象的人脸,以使所述目标图像中所述待检测对象的人脸与水平方向平行。
在对待检测对象进行活体检测时,或多或少会受到目标图像中待检测对象的人脸姿态的影响,而影响活体检测的准确率。本实施方式中,可以通过目标关键点的坐标信息检测出待检测对象的人脸姿态,并将其与目标人脸进行对齐,其中,所述目标人脸可以指的是处于水平姿态的人脸。也就是说,矫正待检测对象的人脸姿态,使得待检测对象的人脸处于水平姿态。
具体的,可以基于所述待检测对象的眼睛对应的目标关键点的坐标信息,确定两双眼睛的连线与水平方向的偏转角度,该偏转角度即为所述待检测对象的人脸与水平方向的偏转角度。之后,可以基于该偏转角度,旋转所述目标图像中所述待检测对象的人脸,使之与水平姿态的目标人脸对齐,即使所述目标图像中所述待检测对象的人脸与水平方向平行。
对齐之后,可以相应截取目标图像中的人脸区域,获得对齐的人脸图像。
本实施方式中,通过将目标图像中待检测对象的人脸与目标人脸进行对齐,可以避免真实场景中人脸姿态多大对待检测对象的活体检测的影响,进一步可以提高活体检测的准确率。
可选的,所述基于所述目标坐标信息对所述目标图像中所述待检测对象的人脸区域进行截取,得到所述第一图像包括:
基于所述目标坐标信息,确定所述目标图像中所述人脸区域对应的第一区域框;
将所述第一区域框进行放大,得到第二区域框;
按照所述第二区域框截取所述目标图像中所述待检测对象的人脸区域,得到所述第一图像。
本实施方式中,所述人脸图像中还可以包括背景区域,所述背景区域可以用于提取背景信息,获得第三特征。
具体的,可以基于人脸关键点的目标坐标信息,确定水平方向上最大的坐标值xmax和最小的坐标值xmin,以及确定竖直方向上最大的坐标值ymax和最小的坐标值ymin,根据这些坐标值可以确定一个人脸框,即人脸区域对应的第一区域框。
之后,将该人脸框进行放大如放大三倍,得到第二区域框,按照所述第二区域框截取目标图像中第二区域框的图像数据,得到人脸图像。所述人脸图像中包括所述待检测对象的人脸区域和背景区域。
本实施方式中,通过确定人脸框,并将人脸框放大后截取目标图像中放大后的人脸框的图像数据,得到人脸图像。这样,不仅可以截取目标图像中人脸区域的图像数据,还可以截取目标图像中背景区域的图像数据,如此可以基于背景区域所包括的背景信息进行活体检测,进一步可以提高活体检测的准确率。
可选的,所述步骤S102之前,还包括:
将所述第一图像和所述第二图像分别进行归一化处理;
所述对所述第一图像和所述第二图像进行特征提取,得到目标特征包括:
将归一化处理后的所述第一图像和归一化处理后的所述第二图像进行特征提取,得到所述目标特征。
本实施方式中,在将人脸图像和人眼图像输入至目标网络之前,可以对人脸图像和人眼图像分别进行归一化处理。其中,图像归一化处理,是将图像中的每一像素依次进行归一化处理,归一化处理的方式可以为:将图像中每个像素的像素值减去128后再除以256,使每个像素的像素值在-0.5至0.5之间。
之后,将归一化处理后的人脸图像和人眼图像输入至目标网络,这样可以减小目标网络对人脸图像和人眼图像特征提取的处理难度,且还能够提高活体检测的准确率。
为了更加清楚地了解本实施例的活体检测方法的整个过程,下面对此进行详细描述。
图4是根据本申请第一实施例中一具体示例的活体检测方法的流程示意图,如图4所示,流程如下:
步骤S401:采用近红外摄像头采集包括待检测对象的人脸的目标图像;
步骤S402:采用人脸检测模型对目标图像中的人脸进行检测,获得目标图像中待检测对象的人脸位置区域;
步骤S403:采用人脸关键点检测模型,基于人脸位置区域对目标图像中待检测对象的人脸关键点进行检测,得到72个人脸关键点的目标坐标信息;
步骤S404:基于待检测对象的眼睛对应的目标关键点的坐标信息,将目标图像中待检测对象的人脸与水平姿态下的目标人脸进行人脸对齐;
步骤S405:对齐之后,基于目标坐标信息确定人脸框;
步骤S406,将人脸框放大三倍后截取目标图像中放大后的人脸框的图像数据,获得人脸图像;同时基于眼睛的目标关键点的坐标信息截取目标图像中眼睛区域的图像数据,获得人眼图像;
步骤S407:人脸图像和人眼图像输入至目标网络,采用MobileNet提取人脸图像的特征,得到第一特征,并采用5个卷积层的卷积神经网络提取人眼图像的特征,得到第二特征;
步骤S408:将第一特征和第二特征进行连接,采用全局平均池化操作;
步骤S409:之后经过全连接层将第一特征和第二特征进行融合,得到目标特征;
步骤S410:采用Softmax层基于目标特征进行图像分类,输出活体检测结果。
第二实施例
如图5所示,本申请提供一种活体检测装置500,包括:
图像处理模块501,用于对目标图像进行图像处理,得到包括待检测对象的人脸区域的第一图像和包括所述待检测对象的眼睛区域的第二图像;其中,所述目标图像为预设条件下采集的包括所述待检测对象的人脸的近红外图像,所述预设条件为所述待检测对象的人脸处于白光照射环境;
特征提取模块502,用于对所述第一图像和所述第二图像进行特征提取,得到目标特征;其中,所述目标特征包括所述人脸区域对应的第一特征和所述眼睛区域对应的第二特征;
活体检测模块503,用于基于所述目标特征对所述待检测对象进行活体检测,得到所述待检测对象的活体检测结果。
可选的,所述装置还包括:
照射模块,用于向所述待检测对象的人脸照射白光,以形成所述白光照射环境。
可选的,其中,所述特征提取模块502包括:
输入单元,用于将所述第一图像和所述第二图像输入至目标网络;其中,所述目标网络包括第一网络、第二网络和第三网络;
第一特征提取单元,用于基于所述第一网络对所述第一图像进行第一特征提取,得到所述第一特征;
第二特征提取单元,用于基于所述第二网络对所述第二图像进行第二特征提取,得到所述第二特征;
融合单元,用于基于所述第三网络将所述第一特征和所述第二特征进行融合,得到所述目标特征。
可选的,其中,所述图像处理模块501包括:
第一检测单元,用于对所述目标图像中所述待检测对象的人脸进行检测,得到所述目标图像中所述待检测对象的人脸位置区域;
第二检测单元,用于基于所述人脸位置区域对所述目标图像中所述待检测对象的人脸关键点进行检测,得到所述待检测对象的人脸关键点的目标坐标信息;其中,所述人脸关键点包括所述待检测对象的眼睛对应的目标关键点;
截取单元,用于基于所述目标坐标信息对所述目标图像中所述待检测对象的人脸区域进行截取,得到所述第一图像;并基于所述目标坐标信息中所述目标关键点的坐标信息,对所述目标图像中所述待检测对象的眼睛区域进行截取,得到所述第二图像。
可选的,所述装置还包括:
确定模块,用于基于所述待检测对象的眼睛对应的目标关键点的坐标信息,确定所述目标图像中所述待检测对象的人脸与水平方向的偏转角度;
旋转模块,用于基于所述偏转角度,旋转所述目标图像中所述待检测对象的人脸,以使所述目标图像中所述待检测对象的人脸与水平方向平行。
可选的,其中,所述截取单元,具体用于基于所述目标坐标信息,确定所述目标图像中所述人脸区域对应的第一区域框;将所述第一区域框进行放大,得到第二区域框;按照所述第二区域框截取所述目标图像中所述待检测对象的人脸区域,得到所述第一图像。
可选的,所述装置还包括:
归一化处理模块,用于将所述第一图像和所述第二图像分别进行归一化处理;
所述特征提取模块,具体用于将归一化处理后的所述第一图像和归一化处理后的所述第二图像进行特征提取,得到所述目标特征。
本申请提供的活体检测装置500能够实现上述活体检测方法实施例实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的活体检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的活体检测方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的活体检测方法对应的程序指令/模块(例如,附图5所示的图像处理模块501、特征提取模块502和活体检测模块503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的活体检测方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据本申请实施例的方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至活体检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与本申请实施例的方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。
本实施例中,通过对待检测对象的人脸处于白光照射环境下采集的近红外图像进行图像处理,得到包括待检测对象的人脸区域的第一图像和包括所述待检测对象的眼睛区域的第二图像;然后,对所述第一图像和所述第二图像进行特征提取,得到目标特征;其中,所述目标特征包括所述人脸区域对应的第一特征和所述眼睛区域对应的第二特征;最后,基于所述目标特征对所述待检测对象进行活体检测,得到所述待检测对象的活体检测结果。如此,综合考虑了第一图像中人脸区域的第一特征和第二图像中眼睛区域的第二特征,利用了在给待检测对象的人脸打白光时,真人皮肤的反射率与攻击样本的发射率不同,同时给真人打光时眼睛瞳孔会有明显亮斑的这种特性,对待检测对象进行活体检测,大大提高了活体检测的准确率。因此,根据本申请实施例的技术方案,很好地解决了活体检测技术存在的准确率比较低的问题。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种活体检测方法,包括:
对目标图像进行图像处理,得到包括待检测对象的人脸区域的第一图像和包括所述待检测对象的眼睛区域的第二图像;其中,所述目标图像为预设条件下采集的包括所述待检测对象的人脸的近红外图像,所述预设条件为所述待检测对象的人脸处于白光照射环境;
对所述第一图像和所述第二图像进行特征提取,得到目标特征;其中,所述目标特征包括所述人脸区域对应的第一特征和所述眼睛区域对应的第二特征;
基于所述目标特征对所述待检测对象进行活体检测,得到所述待检测对象的活体检测结果。
2.根据权利要求1所述的方法,其中,所述对目标图像进行图像处理之前,还包括:
向所述待检测对象的人脸照射白光,以形成所述白光照射环境。
3.根据权利要求1所述的方法,其中,所述对所述第一图像和所述第二图像进行特征提取,得到所述待检测对象的目标特征包括:
将所述第一图像和所述第二图像输入至目标网络;其中,所述目标网络包括第一网络、第二网络和第三网络;
基于所述第一网络对所述第一图像进行第一特征提取,得到所述第一特征;并基于所述第二网络对所述第二图像进行第二特征提取,得到所述第二特征;
基于所述第三网络将所述第一特征和所述第二特征进行融合,得到所述目标特征。
4.根据权利要求1所述的方法,其中,所述对目标图像进行图像处理,得到包含待检测对象的人脸区域的第一图像和包含所述待检测对象的眼睛区域的第二图像包括:
对所述目标图像中所述待检测对象的人脸进行检测,得到所述目标图像中所述待检测对象的人脸位置区域;
基于所述人脸位置区域对所述目标图像中所述待检测对象的人脸关键点进行检测,得到所述待检测对象的人脸关键点的目标坐标信息;其中,所述人脸关键点包括所述待检测对象的眼睛对应的目标关键点;
基于所述目标坐标信息对所述目标图像中所述待检测对象的人脸区域进行截取,得到所述第一图像;并基于所述目标坐标信息中所述目标关键点的坐标信息,对所述目标图像中所述待检测对象的眼睛区域进行截取,得到所述第二图像。
5.根据权利要求4所述的方法,所述基于所述目标坐标信息对所述目标图像中所述待检测对象的人脸区域进行截取,得到所述第一图像之前,还包括:
基于所述待检测对象的眼睛对应的目标关键点的坐标信息,确定所述目标图像中所述待检测对象的人脸与水平方向的偏转角度;
基于所述偏转角度,旋转所述目标图像中所述待检测对象的人脸,以使所述目标图像中所述待检测对象的人脸与水平方向平行。
6.根据权利要求4所述的方法,其中,所述基于所述目标坐标信息对所述目标图像中所述待检测对象的人脸区域进行截取,得到所述第一图像包括:
基于所述目标坐标信息,确定所述目标图像中所述人脸区域对应的第一区域框;
将所述第一区域框进行放大,得到第二区域框;
按照所述第二区域框截取所述目标图像中所述待检测对象的人脸区域,得到所述第一图像。
7.根据权利要求1所述的方法,所述对所述第一图像和所述第二图像进行特征提取,得到目标特征之前,还包括:
将所述第一图像和所述第二图像分别进行归一化处理;
所述对所述第一图像和所述第二图像进行特征提取,得到目标特征包括:
将归一化处理后的所述第一图像和归一化处理后的所述第二图像进行特征提取,得到所述目标特征。
8.一种活体检测装置,包括:
图像处理模块,用于对目标图像进行图像处理,得到包括待检测对象的人脸区域的第一图像和包括所述待检测对象的眼睛区域的第二图像;其中,所述目标图像为预设条件下采集的包括所述待检测对象的人脸的近红外图像,所述预设条件为所述待检测对象的人脸处于白光照射环境;
特征提取模块,用于对所述第一图像和所述第二图像进行特征提取,得到目标特征;其中,所述目标特征包括所述人脸区域对应的第一特征和所述眼睛区域对应的第二特征;
活体检测模块,用于基于所述目标特征对所述待检测对象进行活体检测,得到所述待检测对象的活体检测结果。
9.根据权利要求8所述的装置,还包括:
照射模块,用于向所述待检测对象的人脸照射白光,以形成所述白光照射环境。
10.根据权利要求8所述的装置,其中,所述特征提取模块包括:
输入单元,用于将所述第一图像和所述第二图像输入至目标网络;其中,所述目标网络包括第一网络、第二网络和第三网络;
第一特征提取单元,用于基于所述第一网络对所述第一图像进行第一特征提取,得到所述第一特征;
第二特征提取单元,用于基于所述第二网络对所述第二图像进行第二特征提取,得到所述第二特征;
融合单元,用于基于所述第三网络将所述第一特征和所述第二特征进行融合,得到所述目标特征。
11.根据权利要求8所述的装置,其中,所述图像处理模块包括:
第一检测单元,用于对所述目标图像中所述待检测对象的人脸进行检测,得到所述目标图像中所述待检测对象的人脸位置区域;
第二检测单元,用于基于所述人脸位置区域对所述目标图像中所述待检测对象的人脸关键点进行检测,得到所述待检测对象的人脸关键点的目标坐标信息;其中,所述人脸关键点包括所述待检测对象的眼睛对应的目标关键点;
截取单元,用于基于所述目标坐标信息对所述目标图像中所述待检测对象的人脸区域进行截取,得到所述第一图像;并基于所述目标坐标信息中所述目标关键点的坐标信息,对所述目标图像中所述待检测对象的眼睛区域进行截取,得到所述第二图像。
12.根据权利要求11所述的装置,还包括:
确定模块,用于基于所述待检测对象的眼睛对应的目标关键点的坐标信息,确定所述目标图像中所述待检测对象的人脸与水平方向的偏转角度;
旋转模块,用于基于所述偏转角度,旋转所述目标图像中所述待检测对象的人脸,以使所述目标图像中所述待检测对象的人脸与水平方向平行。
13.根据权利要求11所述的装置,其中,所述截取单元,具体用于基于所述目标坐标信息,确定所述目标图像中所述人脸区域对应的第一区域框;将所述第一区域框进行放大,得到第二区域框;按照所述第二区域框截取所述目标图像中所述待检测对象的人脸区域,得到所述第一图像。
14.根据权利要求8所述的装置,还包括:
归一化处理模块,用于将所述第一图像和所述第二图像分别进行归一化处理;
所述特征提取模块,具体用于将归一化处理后的所述第一图像和归一化处理后的所述第二图像进行特征提取,得到所述目标特征。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211641.3A CN112329612A (zh) | 2020-11-03 | 2020-11-03 | 活体检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211641.3A CN112329612A (zh) | 2020-11-03 | 2020-11-03 | 活体检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329612A true CN112329612A (zh) | 2021-02-05 |
Family
ID=74323349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211641.3A Pending CN112329612A (zh) | 2020-11-03 | 2020-11-03 | 活体检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329612A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883918A (zh) * | 2021-03-22 | 2021-06-01 | 深圳市百富智能新技术有限公司 | 人脸检测方法、装置、终端设备及计算机可读存储介质 |
CN112906619A (zh) * | 2021-03-09 | 2021-06-04 | 福建库克智能科技有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN112949467A (zh) * | 2021-02-26 | 2021-06-11 | 北京百度网讯科技有限公司 | 人脸检测方法、装置、电子设备和存储介质 |
CN113052034A (zh) * | 2021-03-15 | 2021-06-29 | 上海商汤智能科技有限公司 | 基于双目摄像头的活体检测方法及相关装置 |
CN113205057A (zh) * | 2021-05-13 | 2021-08-03 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN113221767A (zh) * | 2021-05-18 | 2021-08-06 | 北京百度网讯科技有限公司 | 训练活体人脸识别模型、识别活体人脸的方法及相关装置 |
CN113361349A (zh) * | 2021-05-25 | 2021-09-07 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备和存储介质 |
CN113642428A (zh) * | 2021-07-29 | 2021-11-12 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN113657327A (zh) * | 2021-08-24 | 2021-11-16 | 平安科技(深圳)有限公司 | 适用于图像的非活体攻击判别方法、装置、设备及介质 |
CN113792701A (zh) * | 2021-09-24 | 2021-12-14 | 北京市商汤科技开发有限公司 | 一种活体检测方法、装置、计算机设备和存储介质 |
WO2023124869A1 (zh) * | 2021-12-30 | 2023-07-06 | 杭州萤石软件有限公司 | 用于活体检测的方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038456A (zh) * | 2017-12-19 | 2018-05-15 | 中科视拓(北京)科技有限公司 | 一种人脸识别系统中的防欺骗方法 |
CN109977867A (zh) * | 2019-03-26 | 2019-07-05 | 厦门瑞为信息技术有限公司 | 一种基于机器学习多特征融合的红外活体检测方法 |
CN110348319A (zh) * | 2019-06-18 | 2019-10-18 | 武汉大学 | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 |
CN111523344A (zh) * | 2019-02-01 | 2020-08-11 | 上海看看智能科技有限公司 | 人体活体检测系统及方法 |
CN111582045A (zh) * | 2020-04-15 | 2020-08-25 | 深圳市爱深盈通信息技术有限公司 | 一种活体的检测方法、装置以及电子设备 |
-
2020
- 2020-11-03 CN CN202011211641.3A patent/CN112329612A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038456A (zh) * | 2017-12-19 | 2018-05-15 | 中科视拓(北京)科技有限公司 | 一种人脸识别系统中的防欺骗方法 |
CN111523344A (zh) * | 2019-02-01 | 2020-08-11 | 上海看看智能科技有限公司 | 人体活体检测系统及方法 |
CN109977867A (zh) * | 2019-03-26 | 2019-07-05 | 厦门瑞为信息技术有限公司 | 一种基于机器学习多特征融合的红外活体检测方法 |
CN110348319A (zh) * | 2019-06-18 | 2019-10-18 | 武汉大学 | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 |
CN111582045A (zh) * | 2020-04-15 | 2020-08-25 | 深圳市爱深盈通信息技术有限公司 | 一种活体的检测方法、装置以及电子设备 |
Non-Patent Citations (2)
Title |
---|
张淑姚;李雅欣;陈欣乐;李晶;: "人脸识别活体检测技术研究", 信息记录材料, no. 06, 1 June 2018 (2018-06-01) * |
陈勇飞;刘新明;: "基于肤色和类Harr特征的人脸图像的人眼检测", 计算机工程与应用, no. 33, 21 November 2008 (2008-11-21) * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949467A (zh) * | 2021-02-26 | 2021-06-11 | 北京百度网讯科技有限公司 | 人脸检测方法、装置、电子设备和存储介质 |
CN112949467B (zh) * | 2021-02-26 | 2024-03-08 | 北京百度网讯科技有限公司 | 人脸检测方法、装置、电子设备和存储介质 |
CN112906619A (zh) * | 2021-03-09 | 2021-06-04 | 福建库克智能科技有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN113052034A (zh) * | 2021-03-15 | 2021-06-29 | 上海商汤智能科技有限公司 | 基于双目摄像头的活体检测方法及相关装置 |
CN112883918B (zh) * | 2021-03-22 | 2024-03-19 | 深圳市百富智能新技术有限公司 | 人脸检测方法、装置、终端设备及计算机可读存储介质 |
CN112883918A (zh) * | 2021-03-22 | 2021-06-01 | 深圳市百富智能新技术有限公司 | 人脸检测方法、装置、终端设备及计算机可读存储介质 |
CN113205057A (zh) * | 2021-05-13 | 2021-08-03 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN113205057B (zh) * | 2021-05-13 | 2023-08-08 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN113221767B (zh) * | 2021-05-18 | 2023-08-04 | 北京百度网讯科技有限公司 | 训练活体人脸识别模型、识别活体人脸的方法及相关装置 |
CN113221767A (zh) * | 2021-05-18 | 2021-08-06 | 北京百度网讯科技有限公司 | 训练活体人脸识别模型、识别活体人脸的方法及相关装置 |
CN113361349B (zh) * | 2021-05-25 | 2023-08-04 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备和存储介质 |
CN113361349A (zh) * | 2021-05-25 | 2021-09-07 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备和存储介质 |
CN113642428A (zh) * | 2021-07-29 | 2021-11-12 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN113657327A (zh) * | 2021-08-24 | 2021-11-16 | 平安科技(深圳)有限公司 | 适用于图像的非活体攻击判别方法、装置、设备及介质 |
CN113657327B (zh) * | 2021-08-24 | 2024-03-08 | 平安科技(深圳)有限公司 | 适用于图像的非活体攻击判别方法、装置、设备及介质 |
CN113792701A (zh) * | 2021-09-24 | 2021-12-14 | 北京市商汤科技开发有限公司 | 一种活体检测方法、装置、计算机设备和存储介质 |
WO2023124869A1 (zh) * | 2021-12-30 | 2023-07-06 | 杭州萤石软件有限公司 | 用于活体检测的方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329612A (zh) | 活体检测方法、装置及电子设备 | |
CN113361349B (zh) | 人脸活体检测方法、装置、电子设备和存储介质 | |
CN107609383B (zh) | 3d人脸身份认证方法与装置 | |
CN111783647B (zh) | 人脸融合模型的训练方法、人脸融合方法、装置及设备 | |
CN107633165B (zh) | 3d人脸身份认证方法与装置 | |
CN103577801B (zh) | 用于生物特征验证的质量度量的方法和系统 | |
CN113205057B (zh) | 人脸活体检测方法、装置、设备及存储介质 | |
CN111291885A (zh) | 近红外图像的生成方法、生成网络的训练方法和装置 | |
CN103383723A (zh) | 用于生物特征验证的电子欺骗检测的方法和系统 | |
CN108875468B (zh) | 活体检测方法、活体检测系统以及存储介质 | |
CN112330730B (zh) | 图像处理方法、装置、设备及存储介质 | |
JP2022547183A (ja) | 生体顔検出方法、装置、設備及びコンピュータプログラム | |
CN111783640A (zh) | 检测方法、装置、设备以及存储介质 | |
CN113469085B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN112270745A (zh) | 一种图像生成方法、装置、设备以及存储介质 | |
CN113553909A (zh) | 用于皮肤检测的模型训练方法、皮肤检测方法 | |
CN112949467B (zh) | 人脸检测方法、装置、电子设备和存储介质 | |
Perra et al. | Adaptive eye-camera calibration for head-worn devices | |
CN111861956A (zh) | 图片处理方法、装置、电子设备以及介质 | |
CN113221767B (zh) | 训练活体人脸识别模型、识别活体人脸的方法及相关装置 | |
CN115273184B (zh) | 人脸活体检测模型训练方法及装置 | |
US11195301B1 (en) | Estimation of head yaw in an image | |
CN112560678A (zh) | 表情识别方法、装置、设备及计算机存储介质 | |
CN115205939B (zh) | 人脸活体检测模型训练方法、装置、电子设备及存储介质 | |
CN114723611B (zh) | 图像重建模型训练方法、重建方法、装置、设备及介质 |
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 |