CN112507922B - 人脸活体检测方法、装置、电子设备及存储介质 - Google Patents

人脸活体检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112507922B
CN112507922B CN202011486852.8A CN202011486852A CN112507922B CN 112507922 B CN112507922 B CN 112507922B CN 202011486852 A CN202011486852 A CN 202011486852A CN 112507922 B CN112507922 B CN 112507922B
Authority
CN
China
Prior art keywords
face
face image
living body
frequency domain
image
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
CN202011486852.8A
Other languages
English (en)
Other versions
CN112507922A (zh
Inventor
周军
赖众程
梁俊杰
李会璟
王小红
王晟宇
洪叁亮
郑松辉
施国灏
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.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank 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 Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202011486852.8A priority Critical patent/CN112507922B/zh
Publication of CN112507922A publication Critical patent/CN112507922A/zh
Application granted granted Critical
Publication of CN112507922B publication Critical patent/CN112507922B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • G06V40/168—Feature extraction; Face representation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及人工智能领域，揭露了一种人脸活体检测方法，包括：基于随机生成的颜色序列，通过身份识别装置对人脸进行反光照射，得到人脸反光视频；对所述人脸反光视频进行人脸图像采样，生成人脸图像；对所述人脸图像进行脸部频域转换，得到目标人脸图像；利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列；根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果。本发明还提出一种人脸活体检测装置、电子设备以及存储介质。此外，本发明还涉及区块链技术，所述人脸图像可存储于区块链中。本发明可以提高人脸活体检测的准确率。

Description

人脸活体检测方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种人脸活体检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着移动互联网的发展，身份验证场景(确定用户对象的真实性)在金融保险、银行证券等领域得到越来越多关注，而人脸活体检测是一种有效解决身份验证场景中被非活体攻击问题的方法。
目前人脸活体检测普遍是通过手机等身份验证装置发送指定已编码好的序列光线，通过采集脸部对应反射光线的视频，利用脸部在不同反射光情况下的颜色差异来进行判别，但是目前市面上已有基于脸部RGB通道的人脸活体检测方法以及基于脸部HSV通道的人脸活体检测方法的抗环境光干扰能力差，导致人脸活体检测的准确性，从而造成人脸活体检测的效果并不理想。
发明内容
本发明提供一种人脸活体检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于增强人脸活体检测时的抗环境光干扰能力，提高人脸活体检测的准确性。
为实现上述目的，本发明提供的一种人脸活体检测方法，包括：
基于随机生成的颜色序列，通过身份识别装置对人脸进行反光照射，得到人脸反光视频；
对所述人脸反光视频进行人脸图像采样，生成人脸图像；
对所述人脸图像进行脸部频域转换，得到目标人脸图像；
利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列；
根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果。
可选地，所述对所述人脸反光视频进行人脸图像采样，生成人脸图像，包括：
获取所述人脸反光视频的总帧数，根据所述总帧数，识别出所述人脸反光视频中每个颜色的帧数范围；
获取所述帧数范围的起始帧数和终止帧数，利用预构建的人脸图像检测模型在所述起始帧数和终止帧数中进行人脸图像采样，生成人脸图像。
可选地，所述对所述人脸图像进行脸部频域转换，得到目标人脸图像，包括：
对所述人脸图像进行傅里叶变换，得到频域人脸图像；
过滤所述频域人脸图像中的环境光，得到标准频域人脸图像；
对所述标准频域人脸图像进行傅里叶反变换，得到空间频域人脸图像；
将所述标准频域人脸图像与所述空间频域人脸图像进行通道叠加，得到目标人脸图像。
可选地，所述过滤所述频域人脸图像中的环境光，包括：
计算所述频域人脸图像中其中两张频域人脸图像的环境光采样值；
根据所述环境光采样值，计算所述频域人脸图像的环境光滤波输出值；
基于所述环境光滤波输出值，执行所述频域人脸图像的环境光过滤。
可选地，所述根据所述本次环境光采样值及上次环境光采样值，计算所述频域人脸图像的环境光滤波输出值，包括：
利用下述公式计算所述频域人脸图像的环境光滤波输出值：
X(n)＝αY(n)+(1-α)Y(n-1)
其中，X(n)表示环境光滤波输出值，α表示滤波系数，Y(n)及Y(n-1)表示所述频域人脸图像中其中两张频域人脸图像的环境光采样值。
可选地，所述利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列之前，还包括：
获取训练图像；
利用预构建的人脸活体识别模型的深度可分离卷积模块对所述训练图像进行特征提取，得到特征图像；
利用所述预构建的人脸活体识别模型的注意力模块计算所述特征图像的损失值；
将所述损失值与预设阈值相比较，根据比较结果调整所述人脸活体识别模型的参数，直至所述损失值小于预设阈值时，结束所述人脸活体识别模型的参数调整，得到训练完成的人脸活体识别模型。
可选地，所述根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，包括：
计算所述颜色序列的损失值，识别出所述活体概率是否大于所述损失值或大于预设活体检测阈值；
若所述活体概率大于所述损失值和所述预设活体检测阈值中任意一个，则检测所述目标人脸图像为活体；
若所述若所述活体概率不大于所述损失值且不大于所述预设活体检测阈值，则检测所述目标人脸图像为非活体。
为了解决上述问题，本发明还提供一种人脸活体检测装置，所述装置包括：
照射模块，用于基于随机生成的颜色序列，通过身份识别装置对人脸进行反光照射，得到人脸反光视频；
采样模块，用于对所述人脸反光视频进行人脸图像采样，生成人脸图像；
转换模块，用于对所述人脸图像进行脸部频域转换，得到目标人脸图像；
识别模块，用于利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列；
检测模块，用于根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的人脸活体检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的人脸活体检测方法。
本发明实施例首先基于随机生成的颜色序列，对人脸进行反光照射，得到人脸反光视频，对所述人脸反光视频进行人脸图像采样，生成人脸图像，可以提高所述人脸图像的不易被窃取性；其次，本发明实施例对所述人脸图像进行脸部频域转换，得到目标人脸图像，利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列，可以分离出人脸图像的环境光，提高人脸图像的环境光抗干扰性，从而可以大幅度提高人脸图像活体识别的准确性；进一步地，本发明实施例根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果。因此，本发明提出的一种人脸活体检测方法、装置、电子设备以及存储介质可以提高人脸活体检测的准确性。
附图说明
图1为本发明一实施例提供的人脸活体检测方法的流程示意图；
图2为本发明第一实施例中图1提供的人脸活体检测方法其中一个步骤的详细流程示意图；
图3为本发明第一实施例中图1提供的人脸活体检测方法另外一个步骤的详细流程示意图；
图4为本发明一实施例提供的人脸活体检测装置的模块示意图；
图5为本发明一实施例提供的实现人脸活体检测方法的电子设备的内部结构示意图；
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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种人脸活体检测方法。所述人脸活体检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述人脸活体检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的人脸活体检测方法的流程示意图。在本发明实施例中，所述人脸活体检测方法包括：
S1、基于随机生成的颜色序列，通过身份识别装置对人脸进行反光照射，得到人脸反光视频。
应该了解，所述颜色序列根据不同颜色组合生成，在本发明实施例中，从赤橙黄绿青蓝紫黑白九种颜色中随机抽取四种颜色生成所述颜色序列。本发明实施例采用随机组合法可以得到3024种颜色序列，从而可以提高所述颜色序列的隐私性和不易被窃取性，进而保障了生成的人脸反光视频的可靠性。
详细地，参阅图2所示，所述S1包括：
S10、检测待反光照射的人脸及获取所述颜色序列的颜色顺序；
S11、根据所述颜色顺序，利用身份识别装置依次产生光线对所述人脸进行照射，并根据所述照射反射回来的反射光生成人脸反光视频。
其中，所述身份识别装置可以为手机的摄像头等。
S2、对所述人脸反光视频进行人脸图像采样，生成人脸图像。
本发明较佳实施例中，所述对所述人脸反光视频进行人脸图像采样，生成人脸图像，包括：获取所述人脸反光视频的总帧数，根据所述总帧数，识别出所述人脸反光视频中每个颜色的帧数范围；获取所述帧数范围的起始帧数和终止帧数，利用预构建的人脸图像检测模型在所述起始帧数和终止帧数中进行人脸图像采样，生成人脸图像。
需要声明的是，本发明根据所述人脸反光视频中的颜色数量，采集相应数量的人脸图像，比如，所述人脸反光视频中包含四种颜色，则在这四种颜色对应的帧数范围内各抽取一帧图像作为人脸图像。
一个可选实施例中，所述人脸图像检测模型可以通过dlib工具包的landmark68关键点模型构建，进一步地，本发明实施例对检测出的人脸图像进行矩阵比例扩张，即生成的人脸图像比检测出的人脸图像要大，以用于更好对所述人脸图像进行活体检测，提高人脸活体检测的准确性。其中，所述矩阵比例可以按照1:1.1进行扩张，则生成的人脸图像比检测的人脸图像大0.1倍。
示例性的，所述人脸反光视频的总帧数为N，所包含的颜色数量有4种，识别出所述人脸反光视频中一种颜色的起始帧为S，结束帧为E，则对应颜色的人脸图像采样方法包括：从第S帧开始，利用所述人脸图像检测模型对图像帧进行人脸提取，若人脸提取失败(检测不到人脸)，则继续遍历下一帧，若人脸提取成功，则将对应的图像帧提取出来作为人脸图像，遍历结束。
进一步地，为保障所述人脸图像的安全性和隐私性，所述人脸图像还可存储于一区块链节点中。
S3、对所述人脸图像进行脸部频域转换，得到目标人脸图像。
由于所述人脸图像对环境光的抗干扰性较差，容易影响人脸活体检测的准确性，因此，本发明实施例对所述人脸图像进行脸部频域转换，以分离出人脸图像的环境光，提高人脸图像的抗干扰性，从而可以大幅度提高人脸图像活体识别的准确性。
详细地，参阅图3所示，所述对所述人脸图像进行脸部频域转换，得到目标人脸图像，包括：
S30、对所述人脸图像进行傅里叶变换，得到频域人脸图像；
S31、过滤所述频域人脸图像中的环境光，得到标准频域人脸图像；
S32、对所述标准频域人脸图像进行傅里叶反变换，得到空间频域人脸图像；
S33、将所述标准频域人脸图像与所述空间频域人脸图像进行通道叠加，得到目标人脸图像。
其中，所述傅里叶变换用于将所述人脸图像从空间域转换到频域中，以分析出所述人脸图像的环境光频段，可选地，本发明实施例利用下述方法对所述人脸图像进行傅里叶变换：
其中，F(ω)表示频域人脸图像函数，f(t)表示人脸图像函数，e表示无线不循环小数。
一个可选实施例中，所述过滤所述频域人脸图像中的环境光，包括：
计算所述频域人脸图像中其中两张频域人脸图像的环境光采样值，根据所述环境光采样值，计算所述频域人脸图像的环境光滤波输出值，基于所述环境光滤波输出值，执行所述频域人脸图像的环境光过滤。
一个可选实施例中，所述环境光采样值的计算通过采集工具实现，所述采集工具包括当前已知的全景采集工具。
一个可选实施例中，利用下述公式执行所述频域人脸图像的环境光滤波输出值的计算：
X(n)＝αY(n)+(1-α)Y(n-1)
其中，X(n)表示环境光滤波输出值，α表示滤波系数，Y(n)及Y(n-1)表示所述频域人脸图像中其中两张频域人脸图像的环境光采样值。其中，本发明将人脸图像的本次环境光过滤采样值与上次滤波输出值进行加权，得到有效滤波值，使得输出对输入有反馈作用，提高人脸图像的环境光分离效果。
一个可选实施例中，所述频域人脸图像的环境光过滤通过低通滤波器实现。
进一步地，本发明实施例还可以包括：采用支持向量机(Support VectorMachine，SVM)中的高斯核函数训练所述低通滤波器的参数，保证低通滤波器过滤环境光的可靠性。
进一步地，本发明实施例将所述标准频域人脸图像进行傅里叶反变换，以使人脸图像从频域转换至空间域中，可选地，本发明利用下述方法将所述标准频域人脸图像进行傅里叶反变换：
其中，f(t)表示空间频域人脸图像函数，F(ω)表示表示频域人脸图像函数，e表示无线不循环小数。
进一步地，本发明实施例将所述标准频域人脸图像与所述空间频域人脸图像进行通道叠加，以提取出人脸图像的频域特性和提高人脸图像的抗环境光干扰性，从而可以提升人脸反光活体的识别准确率。例如，所述标准频域人脸图像的频域通道为F，所述空间频域人脸图像的通道为RGB，则将所述标准频域人脸图像与所述空间频域人脸图像按照通道顺序叠加，得到RGBF通道的人脸图像，即所述目标人脸图像。
S4、利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列。
本发明实施例中，所述人脸活体识别模型可通过Densenet201网络构建，所述人脸活体识别模型包括：深度可分离卷积模块和注意力模块(attention)。其中，所述深度可分离卷积模块是一种由逐通道卷积(Depthwise Convolution)和逐点卷积(PointwiseConvolution)组成的卷积模块，用于保持模型准确率的同时降低模型的参数量以及运算量；所述注意力模块用于将深度可分离卷积模块卷积得到的特征图(h*w*c)中每一个通道c(channel)设定不同的权重参数，以提高模型的泛化性，增强模型的学习能力。
本发明实施例中，在S4之前，还包括：获取训练图像；利用预构建的人脸活体识别模型的深度可分离卷积模块对所述训练图像进行特征提取，得到特征图像；利用所述预构建的人脸活体识别模型的注意力模块计算所述特征图像的损失值，将所述损失值与预设阈值相比较，根据比较结果调整所述人脸活体识别模型的参数，直至所述损失值小于预设阈值时，结束所述人脸活体识别模型的参数的调整，得到训练完成的人脸活体识别模型。
一个可选实施例中，利用下述方法计算所述特征图像的损失值：
其中，Loss表示特征图像的损失值，为特征图像活体/非活体的真实标签，特征图像活体/非活体的预测标签，/>为特征图像颜色序列的真实标签，/>为特征图像颜色序列的预测标签，BCE为二元交叉损失函数，MSE为均方差损失函数。
一个可选实施例中，所述预设阈值为0.1。
进一步地，需要声明的是，所述人脸活体识别模型采用多任务训练机制，即采用活体非活体二分类+颜色序列信息的多损失训练，于是，本发明实施例定义了所述人脸活体识别模型的两个输出结果，即一个输出颜色序列的信息，另一个输出活体/非活体的类别信息。
进一步地，本发明另一实施例还包括：利用预设的模型性能评价策略对所述训练完成的人脸活体识别模型进行性能指标评价，得到所述训练完成的人脸活体识别模型的性能指标评价值，以识别出所述人脸活体识别模型的性能，保障所述人脸活体识别模型的可靠性。
可选地，所述预设的模型性能评价策略为误识率(FAR，false acceptance rate)和拒识率(FRR，false rejection rate)双重指标加权的策略，其中，所述误识率指的是把不应该匹配的活体当成匹配的活体比例，所述拒识率指的是把应该相互匹配成功的活体当成不能匹配的活体的比例。
具体的，所述预设的模型性能评价策略，包括：
F＝0.1*FRR+0.9FAR
其中，F表示性能指标评价值，FRR表示活体误识率，FAR表示活体拒识率。
一个可选实施例中，利用下述方法计算所述活体误识率：
FRR＝FN/(TP+FN)*100％
一个可选实施例中，利用下述方法计算所述活体拒识率：
FAR＝FP/(TN+FP)*100％
其中，TP表示真阳例，表示人脸活体识别模型预测目标人脸图像为活体并且实际也为活体的个数；FP为假阳例，表示人脸活体识别模型预测目标人脸图像为活体而实际为非活体的个数；FN为假负例，表示人脸活体识别模型预测目标人脸图像为非活体而实际为活体的个数；TN为真负例，表示人脸活体识别模型预测目标人脸图像为非活体而实际也为非活体的个数。
S5、根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果。
本发明实施例中，所述根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果，包括：计算所述颜色序列的损失值，识别出所述活体概率是否大于所述损失值或大于预设活体检测阈值；若所述活体概率大于所述损失值和所述预设活体检测阈值中任意一个，则检测所述目标人脸图像为活体；若所述若所述活体概率不大于所述损失值且不大于所述预设活体检测阈值，则检测所述目标人脸图像为非活体。
其中，所述颜色序列的损失值通过上述均方差损失函数计算，所述预设活体检测阈值为0.6。
本发明实施例首先基于随机生成的颜色序列，对人脸进行反光照射，得到人脸反光视频，对所述人脸反光视频进行人脸图像采样，生成人脸图像，可以提高所述人脸图像的不易被窃取性；其次，本发明实施例对所述人脸图像进行脸部频域转换，得到目标人脸图像，利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列，可以分离出人脸图像的环境光，提高人脸图像的环境光抗干扰性，从而可以大幅度提高人脸图像活体识别的准确性；进一步地，本发明实施例根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果。因此，本发明提出的人脸活体检测方法可以提高人脸活体检测的准确性。
如图4所示，是本发明人脸活体检测装置的功能模块图。
本发明所述人脸活体检测装置100可以安装于电子设备中。根据实现的功能，所述人脸活体检测装置100可以包括照射模块101、采样模块102、转换模块103、识别模块104以及检测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述照射模块101，用于基于随机生成的颜色序列，通过身份识别装置对人脸进行反光照射，得到人脸反光视频。
应该了解，所述颜色序列根据不同颜色组合生成，在本发明实施例中，从赤橙黄绿青蓝紫黑白九种颜色中随机抽取四种颜色生成所述颜色序列。本发明实施例采用随机组合法可以得到3024种颜色序列，从而可以提高所述颜色序列的隐私性和不被窃取性，进而保障了生成的人脸反光视频的可靠性。
详细地，所述照射模块101采用下述方式实现基于随机生成的颜色序列，通过身份识别装置对人脸进行反光照射：
步骤A、检测待反光照射的人脸及获取所述颜色序列的颜色顺序；
步骤B、根据所述颜色顺序，利用身份识别装置依次产生光线对所述人脸进行照射，并根据所述照射反射回来的反射光生成人脸反光视频。
其中，所述身份识别装置可以为手机的摄像头等。
所述采样模块102，用于对所述人脸反光视频进行人脸图像采样，生成人脸图像。
本发明较佳实施例中，所述采样模块102采用下述方式执行对所述人脸反光视频进行人脸图像采样，生成人脸图像：获取所述人脸反光视频的总帧数，根据所述总帧数，识别出所述人脸反光视频中每个颜色的帧数范围；获取所述帧数范围的起始帧数和终止帧数，利用预构建的人脸图像检测模型在所述起始帧数和终止帧数中进行人脸图像采样，生成人脸图像。
需要声明的是，所述采样模块102根据所述人脸反光视频中的颜色数量，采集相应数量的人脸图像，比如，所述人脸反光视频中包含四种颜色，则在这四种颜色对应的帧数范围内各抽取一帧图像作为人脸图像。
一个可选实施例中，所述人脸图像检测模型可以通过dlib工具包的landmark68关键点模型构建，进一步地，本发明实施例对检测出的人脸图像进行矩阵比例扩张，即生成的人脸图像比检测出的人脸图像要大，以用于更好对所述人脸图像进行活体检测，提高人脸活体检测的准确性。其中，所述矩阵比例可以按照1:1.1进行扩张，则生成的人脸图像比检测的人脸图像大0.1倍。
示例性的，所述人脸反光视频的总帧数为N，所包含的颜色数量有4种，识别出所述人脸反光视频中一种颜色的起始帧为S，结束帧为E，则对应颜色的人脸图像采样方法包括：从第S帧开始，利用所述人脸图像检测模型对图像帧进行人脸提取，若人脸提取失败(检测不到人脸)，则继续遍历下一帧，若人脸提取成功，则将对应的图像帧提取出来作为人脸图像，遍历结束。
进一步地，为保障所述人脸图像的安全性和隐私性，所述人脸图像还可存储于一区块链节点中。
所述转换模块103，用于对所述人脸图像进行脸部频域转换，得到目标人脸图像。
由于所述人脸图像对环境光的抗干扰性较差，容易影响人脸活体检测的准确性，因此，本发明实施例利用所述转换模块103对所述人脸图像进行脸部频域转换，以分离出人脸图像的环境光，提高人脸图像的抗干扰性，从而可以大幅度提高人脸图像活体识别的准确性。
详细地，所述转换模块103采用下述方式执行对所述人脸图像进行脸部频域转换，得到目标人脸图像：
步骤a、对所述人脸图像进行傅里叶变换，得到频域人脸图像；
步骤b、所述频域人脸图像中的环境光，得到标准频域人脸图像；
步骤c、对所述标准频域人脸图像进行傅里叶反变换，得到空间频域人脸图像；
步骤d、将所述标准频域人脸图像与所述空间频域人脸图像进行通道叠加，得到目标人脸图像。
其中，所述傅里叶变换用于将所述人脸图像从空间域转换到频域中，以分析出所述人脸图像的环境光频段，可选地，所述转换模块103采用下述方法对所述人脸图像进行傅里叶变换：
其中，F(ω)表示频域人脸图像函数，f(t)表示人脸图像函数，e表示无线不循环小数。
一个可选实施例中，所述转换模块103采用下述方法过滤所述频域人脸图像中的环境光：
计算所述频域人脸图像中其中两张频域人脸图像的环境光采样值，根据所述环境光采样值，计算所述频域人脸图像的环境光滤波输出值，基于所述环境光滤波输出值，执行所述频域人脸图像的环境光过滤。
一个可选实施例中，所述频域人脸图像的环境光采样值的采集通过采集工具实现，所述采集工具包括当前已知的全景采集工具。
一个可选实施例中，所述转换模块103利用下述公式执行所述频域人脸图像的环境光滤波输出值的计算：
X(n)＝αY(n)+(1-α)Y(n-1)
其中，X(n)表示环境光滤波输出值，α表示滤波系数，Y(n)及Y(n-1)表示所述频域人脸图像中其中两张频域人脸图像的环境光采样值。其中，本发明将人脸图像的本次环境光过滤采样值与上次滤波输出值进行加权，得到有效滤波值，使得输出对输入有反馈作用，提高人脸图像的环境光分离效果。
一个可选实施例中，所述频域人脸图像的环境光过滤通过低通滤波器实现。
进一步地，本发明实施例所述转换模块103还可以用于：采用支持向量机(SupportVector Machine，SVM)中的高斯核函数训练所述低通滤波器的参数，保证低通滤波器过滤环境光的可靠性。
进一步地，所述转换模块103将所述标准频域人脸图像进行傅里叶反变换，以使人脸图像从频域转换至空间域中。可选地，所述转换模块103采用利用下述方法将所述标准频域人脸图像进行傅里叶反变换：
其中，f(t)表示空间频域人脸图像函数，F(ω)表示表示频域人脸图像函数，e表示无线不循环小数。
进一步地，所述转换模块103将所述标准频域人脸图像与所述空间频域人脸图像进行通道叠加，以提取出人脸图像的频域特性和提高人脸图像的抗环境光干扰性，从而可以提升人脸反光活体的识别准确率。例如，所述标准频域人脸图像的频域通道为F，所述空间频域人脸图像的通道为RGB，则将所述标准频域人脸图像与所述空间频域人脸图像按照通道顺序叠加，得到RGBF通道的人脸图像，即所述目标人脸图像。
所述识别模块104，用于利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列。
本发明实施例中，所述人脸活体识别模型可通过Densenet201网络构建，所述人脸活体识别模型包括：深度可分离卷积模块和注意力模块(attention)。其中，所述深度可分离卷积模块是一种由逐通道卷积(Depthwise Convolution)和逐点卷积(PointwiseConvolution)组成的卷积模块，用于保持模型准确率的同时降低模型的参数量以及运算量；所述注意力模块用于将深度可分离卷积模块卷积得到的特征图(h*w*c)中每一个通道c(channel)设定不同的权重参数，以提高模型的泛化性，增强模型的学习能力。
本发明实施例中，在利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列之前，所述识别模块104还用于：获取训练图像；利用预构建的人脸活体识别模型的深度可分离卷积模块对所述训练图像进行特征提取，得到特征图像；利用所述预构建的人脸活体识别模型的注意力模块计算所述特征图像的损失值，将所述损失值与预设阈值相比较，根据比较结果调整所述人脸活体识别模型的参数，直至所述损失值小于预设阈值时，结束所述人脸活体识别模型的参数的调整，得到训练完成的人脸活体识别模型。
一个可选实施例中，所述识别模块104利用下述方法计算所述特征图像的损失值：
其中，Loss表示特征图像的损失值，为特征图像活体/非活体的真实标签，特征图像活体/非活体的预测标签，/>为特征图像颜色序列的真实标签，/>为特征图像颜色序列的预测标签，BCE为二元交叉损失函数，MSE为均方差损失函数。
一个可选实施例中，所述预设阈值为0.1。
进一步地，需要声明的是，所述人脸活体识别模型采用多任务训练机制，即采用活体非活体二分类+颜色序列信息的多损失训练，于是，本发明实施例定义了所述人脸活体识别模型的两个输出结果，即一个输出颜色序列的信息，另一个输出活体/非活体的类别信息。
进一步地，本发明另一实施例，所述识别模块104还用于：利用预设的模型性能评价策略对所述训练完成的人脸活体识别模型进行性能指标评价，得到所述训练完成的人脸活体识别模型的性能指标评价值，以识别出所述人脸活体识别模型的性能，保障所述人脸活体识别模型的可靠性。
可选地，所述预设的模型性能评价策略为误识率(FAR，false acceptance rate)和拒识率(FRR，false rejection rate)双重指标加权的策略，其中，所述误识率指的是把不应该匹配的活体当成匹配的活体比例，所述拒识率指的是把应该相互匹配成功的活体当成不能匹配的活体的比例。
具体的，所述预设的模型性能评价策略，包括：
F＝0.1*FRR+0.9FAR
其中，F表示性能指标评价值，FRR表示活体误识率，FAR表示活体拒识率。
一个可选实施例中，所述识别模块104利用下述方法计算所述活体误识率：
FRR＝FN/(TP+FN)*100％
一个可选实施例中，所述识别模块104利用下述方法计算所述活体拒识率：
FAR＝FP/(TN+FP)*100％
其中，TP表示真阳例，表示人脸活体识别模型预测目标人脸图像为活体并且实际也为活体的个数；FP为假阳例，表示人脸活体识别模型预测目标人脸图像为活体而实际为非活体的个数；FN为假负例，表示人脸活体识别模型预测目标人脸图像为非活体而实际为活体的个数；TN为真负例，表示人脸活体识别模型预测目标人脸图像为非活体而实际也为非活体的个数。
所述检测模块105，用于根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果。
本发明实施例中，所述根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果，所述检测模块105采用下述方式执行：计算所述颜色序列的损失值，识别出所述活体概率是否大于所述损失值或大于预设活体检测阈值；若所述活体概率大于所述损失值和所述预设活体检测阈值中任意一个，则检测所述目标人脸图像为活体；若所述若所述活体概率不大于所述损失值且不大于所述预设活体检测阈值，则检测所述目标人脸图像为非活体。
其中，所述颜色序列的损失值通过上述均方差损失函数计算，所述预设活体检测阈值为0.6。
本发明实施例首先基于随机生成的颜色序列，对人脸进行反光照射，得到人脸反光视频，对所述人脸反光视频进行人脸图像采样，生成人脸图像，可以提高所述人脸图像的不易被窃取性；其次，本发明实施例对所述人脸图像进行脸部频域转换，得到目标人脸图像，利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列，可以分离出人脸图像的环境光，提高人脸图像的环境光抗干扰性，从而可以大幅度提高人脸图像活体识别的准确性；进一步地，本发明实施例根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果。因此，本发明提出的一种人脸活体检测装置可以提高人脸活体检测的准确性。
如图5所示，是本发明实现人脸活体检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如人脸活体检测程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如人脸活体检测的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行人脸活体检测等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，可选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的人脸活体检测12是多个指令的组合，在所述处理器10中运行时，可以实现：
基于随机生成的颜色序列，通过身份识别装置对人脸进行反光照射，得到人脸反光视频；
对所述人脸反光视频进行人脸图像采样，生成人脸图像；
对所述人脸图像进行脸部频域转换，得到目标人脸图像；
利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列；
根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (6)

1.一种人脸活体检测方法，其特征在于，所述方法包括：
基于随机生成的颜色序列，通过身份识别装置对人脸进行反光照射，得到人脸反光视频；
对所述人脸反光视频进行人脸图像采样，生成人脸图像；
对所述人脸图像进行脸部频域转换，得到目标人脸图像；
利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列；
根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果；
其中，所述对所述人脸反光视频进行人脸图像采样，生成人脸图像，包括：获取所述人脸反光视频的总帧数，根据所述总帧数，识别出所述人脸反光视频中每个颜色的帧数范围；获取所述帧数范围的起始帧数和终止帧数，利用预构建的人脸图像检测模型在所述起始帧数和终止帧数中进行人脸图像采样，生成人脸图像；
所述对所述人脸图像进行脸部频域转换，得到目标人脸图像，包括：对所述人脸图像进行傅里叶变换，得到频域人脸图像；过滤所述频域人脸图像中的环境光，得到标准频域人脸图像；对所述标准频域人脸图像进行傅里叶反变换，得到空间频域人脸图像；将所述标准频域人脸图像与所述空间频域人脸图像进行通道叠加，得到目标人脸图像；
所述过滤所述频域人脸图像中的环境光，包括：计算所述频域人脸图像中其中两张频域人脸图像的环境光采样值；根据所述环境光采样值，计算所述频域人脸图像的环境光滤波输出值；基于所述环境光滤波输出值，执行所述频域人脸图像的环境光过滤；
所述根据所述环境光采样值，计算所述频域人脸图像的环境光滤波输出值，包括：利用下述公式计算所述频域人脸图像的环境光滤波输出值：
X(n)=αY(n) + (1-α)Y(n-1)
其中，X(n)表示环境光滤波输出值，α表示滤波系数，Y(n)及Y(n-1)表示所述频域人脸图像中其中两张频域人脸图像的环境光采样值。
2.如权利要求1所述的人脸活体检测方法，其特征在于，所述利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列之前，还包括：
获取训练图像；
利用预构建的人脸活体识别模型的深度可分离卷积模块对所述训练图像进行特征提取，得到特征图像；
利用所述预构建的人脸活体识别模型的注意力模块计算所述特征图像的损失值；
将所述损失值与预设阈值相比较，根据比较结果调整所述人脸活体识别模型的参数，直至所述损失值小于预设阈值时，结束所述人脸活体识别模型的参数调整，得到训练完成的人脸活体识别模型。
3.如权利要求1至2中任意一项所述的人脸活体检测方法，其特征在于，所述根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，包括：
计算所述颜色序列的损失值，识别出所述活体概率是否大于所述损失值或大于预设活体检测阈值；
若所述活体概率大于所述损失值和所述预设活体检测阈值中任意一个，则检测所述目标人脸图像为活体；
若所述活体概率不大于所述损失值且不大于所述预设活体检测阈值，则检测所述目标人脸图像为非活体。
4.一种人脸活体检测装置，用于实现如权利要求1至3中任意一项所述的人脸活体检测方法，其特征在于，所述装置包括：
照射模块，用于基于随机生成的颜色序列，通过身份识别装置对人脸进行反光照射，得到人脸反光视频；
采样模块，用于对所述人脸反光视频进行人脸图像采样，生成人脸图像；
转换模块，用于对所述人脸图像进行脸部频域转换，得到目标人脸图像；
识别模块，用于利用训练完成的人脸活体识别模型识别所述目标人脸图像的活体概率和颜色序列；
检测模块，用于根据所述活体概率和颜色序列，执行所述目标人脸图像的活体检测，得到检测结果。
5.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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如权利要求1至3中任意一项所述的人脸活体检测方法。
6.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任意一项所述的人脸活体检测方法。
CN202011486852.8A 2020-12-16 2020-12-16 人脸活体检测方法、装置、电子设备及存储介质 Active CN112507922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011486852.8A CN112507922B (zh) 2020-12-16 2020-12-16 人脸活体检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011486852.8A CN112507922B (zh) 2020-12-16 2020-12-16 人脸活体检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112507922A CN112507922A (zh) 2021-03-16
CN112507922B true CN112507922B (zh) 2023-11-07

Family

ID=74972694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011486852.8A Active CN112507922B (zh) 2020-12-16 2020-12-16 人脸活体检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112507922B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032758B (zh) * 2021-03-26 2023-06-16 平安银行股份有限公司 视讯问答流程的身份识别方法、装置、设备及存储介质
CN113111811A (zh) * 2021-04-20 2021-07-13 北京嘀嘀无限科技发展有限公司 一种目标判别方法和系统
CN113139517B (zh) * 2021-05-14 2023-10-27 广州广电卓识智能科技有限公司 人脸活体模型训练方法、检测方法、存储介质和检测系统
CN113628735A (zh) * 2021-08-11 2021-11-09 中国医学科学院阜外医院 一种基于神经网络的线上预约挂号方法及装置
CN113657293B (zh) * 2021-08-19 2023-11-24 北京神州新桥科技有限公司 活体检测方法、装置、电子设备、介质及程序产品
CN113869219B (zh) * 2021-09-29 2024-05-21 平安银行股份有限公司 人脸活体检测方法、装置、设备及存储介质
CN113887408B (zh) * 2021-09-30 2024-04-23 平安银行股份有限公司 活化人脸视频的检测方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102641137A (zh) * 2011-02-17 2012-08-22 美国西门子医疗解决公司 使用幅度-相位调制超声波的粘弹性测量
CN107818785A (zh) * 2017-09-26 2018-03-20 平安普惠企业管理有限公司 一种从多媒体文件中提取信息的方法及终端设备
CN109101949A (zh) * 2018-08-29 2018-12-28 广州洪荒智能科技有限公司 一种基于彩色视频信号频域分析的人脸活体检测方法
CN110298312A (zh) * 2019-06-28 2019-10-01 北京旷视科技有限公司 活体检测方法、装置、电子设备及计算机可读存储介质
CN111222472A (zh) * 2020-01-09 2020-06-02 西安知象光电科技有限公司 一种基于结构光频域特征的人脸识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7136518B2 (en) * 2003-04-18 2006-11-14 Medispectra, Inc. Methods and apparatus for displaying diagnostic data
US9286944B2 (en) * 2009-11-04 2016-03-15 Koninklijke Philips N.V. Methods and systems for providing a combination of media data and metadata
WO2015172736A1 (en) * 2014-05-16 2015-11-19 Mediatek Inc. Living body determination devices and methods

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102641137A (zh) * 2011-02-17 2012-08-22 美国西门子医疗解决公司 使用幅度-相位调制超声波的粘弹性测量
CN107818785A (zh) * 2017-09-26 2018-03-20 平安普惠企业管理有限公司 一种从多媒体文件中提取信息的方法及终端设备
CN109101949A (zh) * 2018-08-29 2018-12-28 广州洪荒智能科技有限公司 一种基于彩色视频信号频域分析的人脸活体检测方法
CN110298312A (zh) * 2019-06-28 2019-10-01 北京旷视科技有限公司 活体检测方法、装置、电子设备及计算机可读存储介质
CN111222472A (zh) * 2020-01-09 2020-06-02 西安知象光电科技有限公司 一种基于结构光频域特征的人脸识别方法

Also Published As

Publication number Publication date
CN112507922A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112507922B (zh) 人脸活体检测方法、装置、电子设备及存储介质
Liu et al. Cross‐ethnicity face anti‐spoofing recognition challenge: A review
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN103116763B (zh) 一种基于hsv颜色空间统计特征的活体人脸检测方法
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
US20230021661A1 (en) Forgery detection of face image
CN113705462B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN111898538B (zh) 证件鉴伪方法、装置、电子设备及存储介质
US11935213B2 (en) Laparoscopic image smoke removal method based on generative adversarial network
CN112651342A (zh) 人脸识别方法、装置、电子设备及存储介质
JP7141518B2 (ja) 指静脈照合方法、装置、コンピュータ機器、及び記憶媒体
CN116311214A (zh) 车牌识别方法和装置
CN105184236A (zh) 机器人人脸识别系统
CN112906671B (zh) 面审虚假图片识别方法、装置、电子设备及存储介质
CN113033305B (zh) 活体检测方法、装置、终端设备和存储介质
CN116129537A (zh) 活体检测方法、装置、电子设备及存储介质
CN113723310B (zh) 基于神经网络的图像识别方法及相关装置
CN113792672B (zh) 公共场所健康码获取方法、装置、设备及介质
CN115798004A (zh) 基于局部区域的人脸打卡方法、装置、电子设备及介质
CN112507903B (zh) 假脸检测方法、装置、电子设备及计算机可读存储介质
CN115083006A (zh) 虹膜识别模型训练方法、虹膜识别方法及装置
CN112633183B (zh) 影像遮挡区域自动检测方法、装置及存储介质
CN114842559A (zh) 基于多模态时间感知和注意力的视频交互动作检测方法
CN112101192B (zh) 基于人工智能的伪装检测方法、装置、设备及介质
CN113920590A (zh) 活体检测方法、装置、设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant