CN112364832A - 一种基于欧拉影像放大的人脸识别方法和系统 - Google Patents

一种基于欧拉影像放大的人脸识别方法和系统 Download PDF

Info

Publication number
CN112364832A
CN112364832A CN202011391997.XA CN202011391997A CN112364832A CN 112364832 A CN112364832 A CN 112364832A CN 202011391997 A CN202011391997 A CN 202011391997A CN 112364832 A CN112364832 A CN 112364832A
Authority
CN
China
Prior art keywords
face image
image
face
false
real
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
Application number
CN202011391997.XA
Other languages
English (en)
Other versions
CN112364832B (zh
Inventor
赵国强
史云飞
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.)
Hua Rong Information Industry Co ltd
Original Assignee
Hua Rong Information Industry 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 Hua Rong Information Industry Co ltd filed Critical Hua Rong Information Industry Co ltd
Priority to CN202011391997.XA priority Critical patent/CN112364832B/zh
Publication of CN112364832A publication Critical patent/CN112364832A/zh
Application granted granted Critical
Publication of CN112364832B publication Critical patent/CN112364832B/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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于欧拉影像放大的人脸识别方法和系统，其中，所述人脸识别方法包括：通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大；使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取，得到与人体呼吸相关的面部特征信息；使用与人体呼吸相关的面部特征信息对卷积神经网络进行训练，得到用于识别真脸图像和假脸图像的人脸识别检测模型；使用人脸识别检测模型对输入的脸部图像进行真假脸识别。本发明的技术方案能够解决现有技术中通过人体面部结构特征识别人脸的方式，无法准确识别现实中的人脸，导致人脸识别准确率低，影响识别安全性的问题。

Description

一种基于欧拉影像放大的人脸识别方法和系统
技术领域
本发明涉及图像分析技术领域，具体为一种基于欧拉影像放大的人脸识别方法和系统。
背景技术
人脸识别是指基于人的脸部特征信息进行身份识别的一种生物识别技术。具体地，通俗来讲，人脸识别是通过摄像机或摄像头采集含有人脸的图像或视频流，并自动在此种图像中检测和跟踪人脸，进而对检测到的人脸进行脸部特征识别的技术。
人脸识别技术因其唯一性和不可更改性，广泛应用于视频监控、快捷支付和安全防务等领域。现有的人脸识别技术，其方法如下：首先，采集并检测人脸图像，然后从采集到的人脸图像中识别人脸，并提取得到人脸特征，另外，将该人脸特征与数据库中的人脸特征进行匹配；当人脸特征匹配成功时，说明该人脸识别成功；若匹配失败，则说明该人脸识别失败。
通过上述人脸识别技术，能够唯一地对人员本身进行识别。然而现有的人脸识别技术，大多是通过识别人体面部结构特征，将人体面部特征与数据库中的人体面部特征比对进行人脸识别的，这样就导致现有的人脸识别技术无法区分真实人脸还是人脸图像。例如，如果操作人员使用认证人员的人脸照片，也能够通过识别人体面部结构特征的方式认证成功。通过上述方式可知，上述识别人体面部结构特征的人脸识别方式，无法准确地识别现实中的人脸，进而导致人脸识别准确率低，识别安全性下降。
发明内容
本发明提供一种基于欧拉影像放大的人脸识别方法和系统，旨在解决现有技术中通过人体面部结构特征识别人脸的方式，无法准确识别现实中的人脸，导致人脸识别准确率低，影响识别安全性的问题。
为解决上述问题，本发明提供了一种基于欧拉影像放大的人脸识别方法，包括：
通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大；
使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取，得到与人体呼吸相关的面部特征信息；
使用与人体呼吸相关的面部特征信息对卷积神经网络进行训练，得到用于识别真脸图像和假脸图像的人脸识别检测模型；
使用人脸识别检测模型对输入的脸部图像进行真假脸识别。
优选地，所述使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取的步骤，包括：
分别从真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域；
使用多任务级联卷积神经网络mtcnn算法提取面部结构区域的RGB三通道；
对每一通道的像素点进行时域快速傅里叶变换和归一化处理，得到每一通道的像素点对应的频域信息；
根据人体呼吸对应的频率范围，计算频域信息对应的能量值；
使用能量值计算真脸图像对应的频域特征向量和假脸图像对应的频域特征向量。
优选地，上述使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取的步骤，包括：
分别从真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域；
使用mtcnn算法提取面部结构区域的RGB三通道；
计算并提取RGB三通道对应的面部结构区域在人体呼吸对应的时间周期内的位移向量。
优选地，上述通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大的步骤，包括：
对真脸图像和假脸图像分别进行空间滤波和时域滤波，分别得到真脸图像和假脸图像对应的多条频带；
使用泰勒级数，对每条频带的信号进行差分放大；
对真脸图像和假脸图像，分别将差分放大后的频带的信号合成为整体图像。
优选地，上述使用人脸识别检测模型对输入的脸部图像进行真假脸识别的步骤，包括：
判断输入的脸部图像的频域特征向量是否在人体呼吸对应的频域特征向量范围内；和/或
判断输入的脸部图像的位移向量是否在人体呼吸对应的位移向量范围内。
根据本发明的第二方面，本发明还提供了一种基于欧拉影像放大的人脸识别系统，包括：
图像放大模块，用于通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大；
特征提取模块，用于使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取，得到与人体呼吸相关的面部特征信息；
模型训练模块，用于使用与人体呼吸相关的面部特征信息对卷积神经网络进行训练，得到用于识别真脸图像和假脸图像的人脸识别检测模型；
图像识别模块，用于使用人脸识别检测模型对输入的脸部图像进行真假脸识别。
优选地，上述特征提取模块包括：
第一面部结构定位子模块，用于分别从真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域；
第一通道提取子模块，用于使用多任务级联卷积神经网络mtcnn算法提取面部结构区域的RGB三通道；
像素处理子模块，用于对每一通道的像素点进行时域快速傅里叶变换和归一化处理，得到每一通道的像素点对应的频域信息；
能量值计算子模块，用于根据人体呼吸对应的频率范围，计算频域信息对应的能量值；
第一向量计算子模块，用于使用能量值计算真脸图像对应的频域特征向量和假脸图像对应的频域特征向量。
优选地，上述特征提取模块，包括：
第二面部结构定位子模块，用于分别从真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域；
第二通道提取子模块，用于使用mtcnn算法提取面部结构区域的RGB三通道；
第二向量计算子模块，用于计算并提取RGB三通道对应的面部结构区域在人体呼吸对应的时间周期内的位移向量。
优选地，上述图像放大模块，包括：
图像滤波子模块，用于对真脸图像和假脸图像分别进行空间滤波和时域滤波，分别得到真脸图像和假脸图像对应的多条频带；
差分放大子模块，用于使用泰勒级数，对每条频带的信号进行差分放大；
信号合成子模块，用于对真脸图像和假脸图像，分别将差分放大后的频带的信号合成为整体图像。
优选地，上述图像识别模块，包括：
频域特征向量判断子模块，用于判断输入的脸部图像的频域特征向量是否在人体呼吸对应的频域特征向量范围内；和/或
位移向量判断子模块，用于判断输入的脸部图像的位移向量是否在人体呼吸对应的位移向量范围内。
本发明技术方案提供的基于欧拉影像放大的人脸识别方案，通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大，因为欧拉影像放大技术能够对图像进行不失真地放大，并且能够显示与人体呼吸相关的面部特征，这样使用卷积神经网络对放大后的真脸图像和假脸图像进行特征提取，得到与人体呼吸相关的面部特征信息，然后使用该与人体呼吸相关的面部特征信息对卷积神经网络进行训练，能够得到用于识别真脸图像和假脸图像的人脸识别检测模型，该人脸识别检测模型能够通过上述与人体呼吸相关的面部特征信息判断是真脸图像还是假脸图像，这样就能够对输入的脸部图像进行真假脸的识别。综上，通过上述技术方案，能够解决现有技术中仅通过简单比对人体面部特征与数据库中的人体面部特征进行人脸识别，无法准确识别现实中的人脸，导致人脸识别准确率低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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示出的结构获得其他的附图。
图1是本发明实施例提供的一种基于欧拉影像放大的人脸识别方法的流程示意图；
图2是图1所示实施例提供的一种图像放大方法的流程示意图；
图3是图1所示实施例提供的第一种特征提取方法的流程示意图；
图4是图1所示实施例提供的第二种特征提取方法的流程示意图；
图5是图1所示实施例提供的一种真假脸识别方法的流程示意图；
图6是本发明实施例提供的一种基于欧拉影像放大的人脸识别系统的结构示意图；
图7是图6所示实施例提供的第一种特征提取模块的结构示意图；
图8是图6所示实施例提供的第二种特征提取模块的结构示意图；
图9是图6所示实施例提供的一种图像放大模块的结构示意图；
图10是图6实施例提供的一种图像识别模块的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；“连接”可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本申请下述实施例提供的基于欧拉影像放大的人脸识别方案，需要解决的技术问题如下：
现有人脸识别技术，大多通过将人体面部特征与数据库中的人体面部特征进行比对，根据比对结果进行人脸识别的，具体地，当人脸面部特征匹配成功，则说明人脸识别成功；当人脸面部特征匹配失败，则说明人脸识别失败。上述识别人脸面部结构特征的人脸识别方式，无法准确识别现实中的人脸，进而导致人脸识别准确率低，相关识别安全性下降。
为解决上述问题，参见图1，图1为本发明实施例提供的一种基于欧拉影像放大的人脸识别方法的流程示意图。如图1所示，该基于欧拉影像放大的人脸识别方法包括：
S110：通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大。欧拉影像放大算法能够对图像进行放大，将原本人类超出感知域的信号显现出来，通过空间滤波、时域滤波、放大滤波结果以及合成图像技术对图像进行拆分、滤波及合成，从而显现出需要的结果。
作为一种优选的实施例，具体参见图2，该通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大的步骤，包括：
S111：对真脸图像和假脸图像分别进行空间滤波和时域滤波，分别得到真脸图像和假脸图像对应的多条频带。空间滤波是指将视频序列进行金字塔多分辨率分解，滤除与人体呼吸无关的噪声信号，时域滤波是指对每个尺度的图像进行时域带通滤波，得到感兴趣的若干频带。因为频带是与人体面部特征对应的，所以通过时域滤波能够清晰显示与人体呼吸相关的人体面部特征。
S112：使用泰勒级数，对每条频带的信号进行差分放大。泰勒级数是用无限项连加式--级数来表示一个函数，这些相加的项由函数在某一点的导数求得。通过泰勒级数，能够对每个频带的信号进行差分逼近，线性放大逼近的结果。
S113：对真脸图像和假脸图像，分别将差分放大后的频带的信号合成为整体图像。
通过对真脸图像和假脸图像分别金俊秀空间滤波和时域滤波，能够分别得到真脸图像和假脸图像的多条频带，因为频带是与人体面部特征对应的，这样就能够清晰显示与人体呼吸相关的人体面部特征，然后使用泰勒级数对每条频带的信号进行差分放大，能够清晰准确地显现出需要获取的人体面部特征，最后将差分放大后的频带的信号进行合成，能够分别得到真脸图像的整体图像和假脸图像的整体图像，从而实现对真脸图像和假脸图像进行放大的结果。
S120：使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取，得到与人体呼吸相关的面部特征信息。
作为一种优选的实施例，因为人体呼吸会导致血液中血红细胞含氧量的轻微变化，反应在面部特征信息上即面部血管颜色的轻微变化，并且该变化会随着人体呼吸频率而做周期性改变，这样如果是真脸图像，就能够得到与人体呼吸相关的面部特征信息。
具体如图3所示，该使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取的步骤，具体包括：
S121：分别从真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域。这样就需要首先从真脸图像和假脸图像中定位人脸区域，然后再查找到与人体呼吸相关的面部结构区域。具体可在经过欧拉影像放大后的图像中查找该面部结构区域。该定位面部结构区域的步骤可通过卷积神经网络定位得到。
S122：使用多任务级联卷积神经网络mtcnn算法提取面部结构区域的RGB三通道。
S123：对每一通道的像素点进行时域快速傅里叶变换和归一化处理，得到每一通道的像素点对应的频域信息。这里首先需要进行时域的FFT变换，得到每个像素点在此段时间内的频域信息，然后进行归一化处理，得到每一通道的像素点对应的频域信息，具体地，在对欧拉影像放大后的真脸图像和假脸图像的RGB通道分别计算像素点的平均值，与人体呼吸相关的面部像素特征信号，因为RGB通道为三段，因此会得到三段面部像素特征信号P1(t)，P2(t)和P3(t)。对该RGB通道的面部像素特征信号进行归一化处理，就能进一步得到信号的功率谱密度。归一化处理的公式如下：
Figure BDA0002811201180000081
其中，μi为面部像素特征信号的均值，δi是面部像素信号的标准差，i取值为1，2，3。
S124：根据人体呼吸对应的频率范围，计算频域信息对应的能量值。因为人体呼吸存在着周期，反应到人体面部结构上就对应呼吸频率，因此就需要设定人体呼吸对应的频率范围，这样使用低通滤波器对上述频域信息进行低通滤波，具体能够设置低通滤波器的上端截止频率为0.6Hz。然后使用该频率范围计算上述频域信息z在该频率范围对应的能量值E1；另外，为了进行比较还需要计算该频率范围之外的信号能量E2。
S125：使用能量值计算真脸图像对应的频域特征向量和假脸图像对应的频域特征向量。
具体地，可以计算频率范围之内的信号能量以及频率范围之外的信号能量的能量比K，然后构造三个通道的频域特征向量[ER1，ER2，KR，EG1，EG2，KG，EB1，EB2，KB]，在构造三个通道的频域特征向量后，使用该构造的特征向量训练多任务级联卷积神经网络中的二分类支持向量机，能够得到用于识别真脸图像和假脸图像的人脸识别检测模型。
另外，人体呼吸还会导致人体面部微动，例如人体呼吸会导致脸部血管发生轻微位移，因此通过检测人体的面部结构区域随着人体呼吸的位移向量，就能够实现对真脸或假脸的识别。具体地，如图4所示，上述使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取的步骤包括：
S126：分别从真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域。
S127：使用mtcnn算法提取面部结构区域的RGB三通道。
S128：计算并提取RGB三通道对应的面部结构区域在人体呼吸对应的时间周期内的位移向量。
本申请实施例提供的技术方案，通过对与人体呼吸相关的面部结构区域提取RGB三通道，然后计算并提取人体呼吸对应的时间周期内的位移向量，能够根据该位移向量判断脸部图像中的人是否存在呼吸情况，进而确定对应的图像是真脸图像还是假脸信号。
在使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取后，如图1所示，还需要：
S130：使用与人体呼吸相关的面部特征信息对卷积神经网络进行训练，得到用于识别真脸图像和假脸图像的人脸识别检测模型；具体地，该面部特征信息，如上述频域特征向量以及位移向量，训练卷积神经网络中的二分类支持向量机，从而通过该二分类支持向量机得到用于识别真脸图像和假脸图像的人脸识别检测模型。
S140：使用人脸识别检测模型对输入的脸部图像进行真假脸识别。
作为一种优选的实施例，如图5所示，该使用人脸识别检测模型对输入的脸部图像进行真假脸识别的步骤具体包括：
S141：判断输入的脸部图像的频域特征向量是否在人体呼吸对应的频域特征向量范围内；和/或
S142：判断输入的脸部图像的位移向量是否在人体呼吸对应的位移向量范围内。
首先对输入的脸部图像进行欧拉影像放大，然后提取出该脸部图像的频域特征向量，通过判断该频域特征向量是否在人体呼吸对应的频域特征向量范围内，能够检测输入的脸部图像中的人员是否存在呼吸，进而确定输入的脸部图像是否为真实人脸。或者，判断输入的脸部图像是否存在位移向量，该位移向量是面部结构区域的位移向量，通过判断该位移向量是否在人体呼吸对应的位移向量范围内，能够确定该输入的脸部图像是否为真实人脸，进而实现对人脸的准确识别。
本发明实施例提供的基于欧拉影像放大的人脸识别方法，通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大，因为欧拉影像放大技术能够对图像进行不失真地放大，并且能够显示与人体呼吸相关的面部特征，这样使用卷积神经网络对放大后的真脸图像和假脸图像进行特征提取，得到与人体呼吸相关的面部特征信息，然后使用该与人体呼吸相关的面部特征信息对卷积神经网络进行训练，能够得到用于识别真脸图像和假脸图像的人脸识别检测模型，该人脸识别检测模型能够通过上述与人体呼吸相关的面部特征信息判断是真脸图像还是假脸图像，这样就能够对输入的脸部图像进行真假脸的识别。综上，通过上述技术方案，能够解决现有技术中仅通过简单比对人体面部特征与数据库中的人体面部特征进行人脸识别，无法准确识别现实中的人脸，导致人脸识别准确率低的问题。
另外，基于上述方法实施例的同一构思，本发明实施例还提供了基于欧拉影像放大的人脸识别系统，用于实现本发明的上述方法，由于该系统实施例解决问题的原理与上述方法相似，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
参见图6，图6为本发明实施例提供的一种基于欧拉影像放大的人脸识别系统的结构示意图。如图6所示，该基于欧拉影像放大的人脸识别系统包括：
图像放大模块110，用于通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大；
特征提取模块120，用于使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取，得到与人体呼吸相关的面部特征信息；
模型训练模块130，用于使用与人体呼吸相关的面部特征信息对卷积神经网络进行训练，得到用于识别真脸图像和假脸图像的人脸识别检测模型；
图像识别模块140，用于使用人脸识别检测模型对输入的脸部图像进行真假脸识别。
本发明实施例提供的基于欧拉影像放大的人脸识别系统，通过图像放大模块110使用欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大，因为欧拉影像放大技术能够对图像进行不失真地放大，并且能够显示与人体呼吸相关的面部特征，这样特征提取模块120使用卷积神经网络对放大后的真脸图像和假脸图像进行特征提取，能够得到与人体呼吸相关的面部特征信息，然后模型训练模块130使用该与人体呼吸相关的面部特征信息对卷积神经网络进行训练，能够得到用于识别真脸图像和假脸图像的人脸识别检测模型，该人脸识别检测模型能够通过上述与人体呼吸相关的面部特征信息判断是真脸图像还是假脸图像，这样图像识别模块140就能够对输入的脸部图像进行真假脸的识别。综上，通过上述技术方案，能够解决现有技术中仅通过简单比对人体面部特征与数据库中的人体面部特征进行人脸识别，无法准确识别现实中的人脸，导致人脸识别准确率低的问题。
作为一种优选的实施例，如图7所示，上述特征提取模块120包括：
第一面部结构定位子模块121，用于分别从真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域；
第一通道提取子模块122，用于使用多任务级联卷积神经网络mtcnn算法提取面部结构区域的RGB三通道；
像素处理子模块123，用于对每一通道的像素点进行时域快速傅里叶变换和归一化处理，得到每一通道的像素点对应的频域信息；
能量值计算子模块124，用于根据人体呼吸对应的频率范围，计算频域信息对应的能量值；
第一向量计算子模块125，用于使用能量值计算真脸图像对应的频域特征向量和假脸图像对应的频域特征向量。
另外，作为一种优选的实施例，如图8所示，上述特征提取模块120，包括：
第二面部结构定位子模块126，用于分别从真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域；
第二通道提取子模块127，用于使用mtcnn算法提取面部结构区域的RGB三通道；
第二向量计算子模块128，用于计算并提取RGB三通道对应的面部结构区域在人体呼吸对应的时间周期内的位移向量。
作为一种优选的实施例，如图9所示，上述图像放大模块110，包括：
图像滤波子模块111，用于对真脸图像和假脸图像分别进行空间滤波和时域滤波，分别得到真脸图像和假脸图像对应的多条频带；
差分放大子模块112，用于使用泰勒级数，对每条频带的信号进行差分放大；
信号合成子模块113，用于对真脸图像和假脸图像，分别将差分放大后的频带的信号合成为整体图像。
作为一种优选的实施例，如图10所示，上述图像识别模块140，包括：
频域特征向量判断子模块141，用于判断输入的脸部图像的频域特征向量是否在人体呼吸对应的频域特征向量范围内；和/或
位移向量判断子模块142，用于判断输入的脸部图像的位移向量是否在人体呼吸对应的位移向量范围内。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种基于欧拉影像放大的人脸识别方法，其特征在于，包括：
通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大；
使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取，得到与人体呼吸相关的面部特征信息；
使用所述与人体呼吸相关的面部特征信息对所述卷积神经网络进行训练，得到用于识别所述真脸图像和假脸图像的人脸识别检测模型；
使用所述人脸识别检测模型对输入的脸部图像进行真假脸识别。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取的步骤，包括：
分别从所述真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域；
使用多任务级联卷积神经网络mtcnn算法提取所述面部结构区域的RGB三通道；
对每一通道的像素点进行时域快速傅里叶变换和归一化处理，得到每一通道的像素点对应的频域信息；
根据所述人体呼吸对应的频率范围，计算所述频域信息对应的能量值；
使用所述能量值计算所述真脸图像对应的频域特征向量和所述假脸图像对应的频域特征向量。
3.根据权利要求1所述的人脸识别方法，其特征在于，所述使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取的步骤，包括：
分别从所述真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域；
使用mtcnn算法提取所述面部结构区域的RGB三通道；
计算并提取所述RGB三通道对应的面部结构区域在所述人体呼吸对应的时间周期内的位移向量。
4.根据权利要求1所述的人脸识别方法，其特征在于，所述通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大的步骤，包括：
对所述真脸图像和假脸图像分别进行空间滤波和时域滤波，分别得到所述真脸图像和假脸图像对应的多条频带；
使用泰勒级数，对每条频带的信号进行差分放大；
对所述真脸图像和假脸图像，分别将差分放大后的频带的信号合成为整体图像。
5.根据权利要求1所述的人脸识别方法，其特征在于，使用所述人脸识别检测模型对输入的脸部图像进行真假脸识别的步骤，包括：
判断所述输入的脸部图像的频域特征向量是否在所述人体呼吸对应的频域特征向量范围内；和/或
判断所述输入的脸部图像的位移向量是否在所述人体呼吸对应的位移向量范围内。
6.一种基于欧拉影像放大的人脸识别系统，其特征在于，包括：
图像放大模块，用于通过欧拉影像放大技术分别对预先获取的真脸图像和假脸图像进行放大；
特征提取模块，用于使用卷积神经网络对放大后的真脸图像和假脸图像分别进行特征提取，得到与人体呼吸相关的面部特征信息；
模型训练模块，用于使用所述与人体呼吸相关的面部特征信息对所述卷积神经网络进行训练，得到用于识别所述真脸图像和假脸图像的人脸识别检测模型；
图像识别模块，用于使用所述人脸识别检测模型对输入的脸部图像进行真假脸识别。
7.根据权利要求6所述的人脸识别系统，其特征在于，所述特征提取模块，包括：
第一面部结构定位子模块，用于分别从所述真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域；
第一通道提取子模块，用于使用多任务级联卷积神经网络mtcnn算法提取所述面部结构区域的RGB三通道；
像素处理子模块，用于对每一通道的像素点进行时域快速傅里叶变换和归一化处理，得到每一通道的像素点对应的频域信息；
能量值计算子模块，用于根据所述人体呼吸对应的频率范围，计算所述频域信息对应的能量值；
第一向量计算子模块，用于使用所述能量值计算所述真脸图像对应的频域特征向量和所述假脸图像对应的频域特征向量。
8.根据权利要求6所述的人脸识别系统，其特征在于，所述特征提取模块，包括：
第二面部结构定位子模块，用于分别从所述真脸图像和假脸图像中定位与人体呼吸相关的面部结构区域；
第二通道提取子模块，用于使用mtcnn算法提取所述面部结构区域的RGB三通道；
第二向量计算子模块，用于计算并提取所述RGB三通道对应的面部结构区域在所述人体呼吸对应的时间周期内的位移向量。
9.根据权利要求6所述的人脸识别系统，其特征在于，所述图像放大模块，包括：
图像滤波子模块，用于对所述真脸图像和假脸图像分别进行空间滤波和时域滤波，分别得到所述真脸图像和假脸图像对应的多条频带；
差分放大子模块，用于使用泰勒级数，对每条频带的信号进行差分放大；
信号合成子模块，用于对所述真脸图像和假脸图像，分别将差分放大后的频带的信号合成为整体图像。
10.根据权利要求6所述的人脸识别系统，其特征在于，所述图像识别模块，包括：
频域特征向量判断子模块，用于判断所述输入的脸部图像的频域特征向量是否在所述人体呼吸对应的频域特征向量范围内；和/或
位移向量判断子模块，用于判断所述输入的脸部图像的位移向量是否在所述人体呼吸对应的位移向量范围内。
CN202011391997.XA 2020-12-02 2020-12-02 一种基于欧拉影像放大的人脸识别方法和系统 Active CN112364832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011391997.XA CN112364832B (zh) 2020-12-02 2020-12-02 一种基于欧拉影像放大的人脸识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011391997.XA CN112364832B (zh) 2020-12-02 2020-12-02 一种基于欧拉影像放大的人脸识别方法和系统

Publications (2)

Publication Number Publication Date
CN112364832A true CN112364832A (zh) 2021-02-12
CN112364832B CN112364832B (zh) 2023-02-03

Family

ID=74536597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011391997.XA Active CN112364832B (zh) 2020-12-02 2020-12-02 一种基于欧拉影像放大的人脸识别方法和系统

Country Status (1)

Country Link
CN (1) CN112364832B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160095565A1 (en) * 2014-10-01 2016-04-07 Siemens Aktiengesellschaft Method and imaging system for compensating for location assignment errors in pet data occurring due to a cyclical motion of a patient
CN106845395A (zh) * 2017-01-19 2017-06-13 北京飞搜科技有限公司 一种基于人脸识别进行活体检测的方法
CN107122744A (zh) * 2017-04-28 2017-09-01 武汉神目信息技术有限公司 一种基于人脸识别的活体检测系统及方法
US20170367590A1 (en) * 2016-06-24 2017-12-28 Universita' degli Studi di Trento (University of Trento) Self-adaptive matrix completion for heart rate estimation from face videos under realistic conditions
CN108021892A (zh) * 2017-12-06 2018-05-11 上海师范大学 一种基于极短视频的人脸活体检测方法
CN109524109A (zh) * 2018-11-26 2019-03-26 江西科技师范大学 一种基于肌肉压力状态的非接触式疲劳监测方法
CN110427517A (zh) * 2019-07-18 2019-11-08 华戎信息产业有限公司 一种基于场景词典树的图搜视频方法，装置及计算机可读存储介质
CN110705357A (zh) * 2019-09-02 2020-01-17 深圳中兴网信科技有限公司 人脸识别方法和人脸识别装置
CN111259787A (zh) * 2020-01-15 2020-06-09 杭州市第一人民医院 开锁方法、装置、计算机设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160095565A1 (en) * 2014-10-01 2016-04-07 Siemens Aktiengesellschaft Method and imaging system for compensating for location assignment errors in pet data occurring due to a cyclical motion of a patient
US20170367590A1 (en) * 2016-06-24 2017-12-28 Universita' degli Studi di Trento (University of Trento) Self-adaptive matrix completion for heart rate estimation from face videos under realistic conditions
CN106845395A (zh) * 2017-01-19 2017-06-13 北京飞搜科技有限公司 一种基于人脸识别进行活体检测的方法
CN107122744A (zh) * 2017-04-28 2017-09-01 武汉神目信息技术有限公司 一种基于人脸识别的活体检测系统及方法
CN108021892A (zh) * 2017-12-06 2018-05-11 上海师范大学 一种基于极短视频的人脸活体检测方法
CN109524109A (zh) * 2018-11-26 2019-03-26 江西科技师范大学 一种基于肌肉压力状态的非接触式疲劳监测方法
CN110427517A (zh) * 2019-07-18 2019-11-08 华戎信息产业有限公司 一种基于场景词典树的图搜视频方法，装置及计算机可读存储介质
CN110705357A (zh) * 2019-09-02 2020-01-17 深圳中兴网信科技有限公司 人脸识别方法和人脸识别装置
CN111259787A (zh) * 2020-01-15 2020-06-09 杭州市第一人民医院 开锁方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN112364832B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN105922950B (zh) 辨认车辆驾驶者并确定驾驶者是否可以起动车辆的方法
CN108021892B (zh) 一种基于极短视频的人脸活体检测方法
RU2019102416A (ru) Способ и устройство для систем детектирования/распознавания лица
CN106934377B (zh) 一种改进的人脸检测系统
CN108509875B (zh) 无人机目标识别定位系统
CN112754431A (zh) 基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统
WO2005124688A1 (ja) 画像照合方法、画像照合装置、プログラム
CN107066961B (zh) 指纹配准方法及装置
US20220218218A1 (en) Video-based method and system for accurately estimating human body heart rate and facial blood volume distribution
CN112131976B (zh) 一种自适应人像温度匹配和口罩识别方法及装置
Liu et al. A nested spatial window-based approach to target detection for hyperspectral imagery
CN108710841A (zh) 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法
CN112364832B (zh) 一种基于欧拉影像放大的人脸识别方法和系统
CN111879724B (zh) 基于近红外光谱成像的人皮面具识别方法及系统
CN112244796A (zh) 一种智能检测人体生理指标的方法及看护设备
JP6577424B2 (ja) 行動認識装置、および、行動認識方法
CN112364808A (zh) 基于fmcw雷达与人脸跟踪识别的活体身份认证方法
CN111582233A (zh) 数据处理方法、电子设备和存储介质
CN112861588A (zh) 一种活体检测的方法、装置
CN112686880A (zh) 一种铁路机车部件异常检测的方法
Vu et al. Contraction detection in small bowel from an image sequence of wireless capsule endoscopy
CN102682300A (zh) 一种基于轮廓模板匹配的误检样本去除方法
KR101468121B1 (ko) 호기성 질병진단 시스템과 3d 영상기반의 설진시스템을 포함하는 하이브리드 의료 진단 시스템
KR20200042076A (ko) 피부영상을 이용한 디지털 호흡 청진 방법
Heuschkel et al. Reconsideration of Bertillonage in the age of digitalisation: Digital anthropometric patterns as a promising method for establishing identity

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