CN112528973A - 人脸活体识别方法 - Google Patents
人脸活体识别方法 Download PDFInfo
- Publication number
- CN112528973A CN112528973A CN202110179288.3A CN202110179288A CN112528973A CN 112528973 A CN112528973 A CN 112528973A CN 202110179288 A CN202110179288 A CN 202110179288A CN 112528973 A CN112528973 A CN 112528973A
- Authority
- CN
- China
- Prior art keywords
- living body
- human face
- face
- data
- neural 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
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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (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
人脸活体识别方法,包括:获得人脸活体数据和人脸非活体数据;对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换;获得人脸活体识别的深度学习神经网络模型;采用变换后的人脸活体数据作为正样本训练集、采用变换后的人脸非活体数据作为负样本训练集,来对人脸活体识别的深度学习神经网络模型进行训练,得到训练后的人脸活体识别神经网络模型;采用训练后的人脸活体识别神经网络模型来进行人脸活体识别、以及判断被识别的对象是否为人脸活体,本发明以较小的运算量和存储空间,来实现高精度的人脸活体识别,具备运行稳定、功耗极低、精度高、用户体验佳等诸多优势,尤其适合应用于物联网设备、移动端设备、以及边缘计算设备。
Description
技术领域
本发明涉及人脸识别技术领域,特别是涉及一种人脸活体识别方法。
背景技术
人脸识别,是一种生物识别技术,基于人的脸部特征信息进行身份识别。采用摄像头来采集含有人脸的图像/视频流,在采集到的图像中进行检测和跟踪人脸,对检测到的人脸进行脸部特征识别等一系列相关技术,也被称作人像识别、面部识别等。
人脸特征容易被照片、视频、3D结构等方式仿制,因此,为了防止假的人脸特征被用于人脸识别系统验证,人脸识别系统中需要添加人脸活体识别功能,即判断提交的人脸特征是否来自有生命的真实本人。人脸识别验证及认证系统中的人脸活体识别功能,为各种商业化的刷脸支付提供了进一步的安全保障。
现有技术在人脸活体识别技术方面已经取得了一定的成果,主流的近红外人脸活体识别采用传统的LBP(Local Binary Pattern)图像特征提取与SVM(Support VectorMachines)数据分析来决策活体人脸与非活体人脸的区别,具体有基于主动指令集人脸活体识别技术、3D模组活体人脸活体识别技术、近红外人脸活体识别技术等,用于判断捕捉到的人脸是真实人脸,还是伪造的人脸攻击(例如彩色纸张打印人脸图、电子设备屏幕中的人脸数字图像以及3D面具等)。
但现有技术中的人脸活体识别方案无法兼顾识别精度和运算量,识别精度较高的方案往往依赖于较大的运算量和存储空间,难以在边缘计算设备上实施,且往往需要被识别者配合做出指定的表情/动作,用户体验差。
发明内容
本发明解决的技术问题是:如何以较小的运算量和存储空间,来实现高精度的人脸活体识别。
为了解决上述技术问题,本发明实施例提供一种人脸活体识别方法,包括:
获得人脸活体数据和人脸非活体数据;其中,所述人脸活体数据和人脸非活体数据为关于同一人脸的数据;
对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换,得到变换后的人脸活体数据和变换后的人脸非活体数据,FFT是离散傅立叶变换的快速算法;
获得人脸活体识别的深度学习神经网络模型;其中,所述人脸活体识别的深度学习神经网络模型的主干网络采用Resnet网络连接结构;
采用变换后的人脸活体数据作为正样本训练集、采用变换后的人脸非活体数据作为负样本训练集,来对人脸活体识别的深度学习神经网络模型进行训练,得到训练后的人脸活体识别神经网络模型;
采用训练后的人脸活体识别神经网络模型来进行人脸活体识别、以及判断被识别的对象是否为人脸活体。
可选的,还包括:
若被识别的对象为人脸活体,则将被识别的对象用绿色框标识;
若被识别的对象非人脸活体,则将被识别的对象用红色框标识。
可选的,所述获得人脸活体数据和人脸非活体数据包括:采用IR Sensor来采集人脸活体数据和人脸非活体数据。
可选的,所述人脸活体识别的深度学习神经网络模型由6个Resnet网络连接结构和4个全连接网络结构构建而成。
可选的,所述Resnet网络连接结构包括:残差块,多个相似的残差块串联构成ResNet,用于将原始数据映射到隐层特征空间。
可选的,所述全连接网络结构包括:激励层、偏置层、全连接层、连接层,所述全连接层用于将FFT变换后的IR活体数据分布式特征表示映射到样本标记空间。
可选的,所述采用变换后的人脸活体数据作为正样本训练集、采用变换后的人脸非活体数据作为负样本训练集,来对人脸活体识别的深度学习神经网络模型进行训练,得到训练后的人脸活体识别神经网络模型包括:
将变换后的人脸活体数据和变换后的人脸非活体数据输入到人脸活体识别的深度学习神经网络模型中;
以变换后的人脸活体数据作为正样本训练集,以变换后的人脸非活体数据作为负样本训练集,采用正样本训练集中的数据样本和负样本训练集中的数据样本来对人脸活体识别的深度学习神经网络模型进行训练;
重复上述2个步骤,直至浮点数模型的人脸活体识别的深度学习神经网络模型的精度达到预定标准。
可选的,还包括:对训练后的人脸活体识别神经网络模型进行量化,得到量化后的人脸活体识别神经网络模型,所述训练后的人脸活体识别神经网络模型为浮点数形式的模型,所述量化后的人脸活体识别神经网络模型为定点数形式的模型。
可选的,还包括:
判断量化后的人脸活体识别神经网络模型的精度是否达到预定标准;如果否,则重复执行上述对人脸活体识别的深度学习神经网络模型进行训练、以及对训练后的人脸活体识别神经网络模型进行量化的步骤,直至量化后的人脸活体识别神经网络模型的精度达到预定标准。
可选的,还包括:将量化后的人脸活体识别神经网络模型移植到2101C芯片平台上,得到移植后的人脸活体识别神经网络模型;所述2101C芯片平台包括用于AI计算及加速的运算芯片单元。
可选的,在所述将量化后的人脸活体识别神经网络模型移植到2101C芯片平台上,得到移植后的人脸活体识别神经网络模型之后,还包括:对移植后的人脸活体识别神经网络模型进行CPU调度运算以及网络输入输出数据前后处理。
与现有技术相比,本发明的技术方案具有以下有益效果:
获得人脸活体数据和人脸非活体数据;对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换;采用变换后的人脸活体数据作为正样本训练集、采用变换后的人脸非活体数据作为负样本训练集,来对人脸活体识别的深度学习神经网络模型进行训练,得到训练后的人脸活体识别神经网络模型;采用训练后的人脸活体识别神经网络模型来进行人脸活体识别、以及判断被识别的对象是否为人脸活体,从而以较小的运算量和存储空间,来实现高精度的人脸活体识别,具备运行稳定、功耗极低、精度高、用户体验佳等诸多优势,尤其适合应用于物联网设备、移动端设备、以及边缘计算设备。
进一步的,对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换,得到变换后的人脸活体数据和变换后的人脸非活体数据,从而便于人脸活体识别的深度学习神经网络对人脸活体数据和人脸非活体数据进行特征提取。
进一步的,人脸活体识别的深度学习神经网络模型的主干网络采用Resnet网络连接结构,有利于提高人脸活体识别的精度。
进一步的,采用IR Sensor来采集人脸活体数据和人脸非活体数据,无需被识别者主动配合也能完成人脸活体识别,有利于改善被识别者的体验。
进一步的,对训练后的浮点数模型的人脸活体识别神经网络模型进行量化,得到量化后的定点数模型的人脸活体识别神经网络模型,从而减小人脸活体识别神经网络模型所占用的存储空间,便于移动端部署移植。
进一步的,将量化后的人脸活体识别神经网络模型移植到2101C芯片平台上,所述2101C芯片平台包括用于AI计算及加速的运算芯片单元,使得人脸活体识别达到识别结果实时显示的效果,且具备较高的精度。
附图说明
图1为本发明实施例中人脸活体识别方法流程图;
图2为本发明实施例中深度学习人脸活体识别架构流程图。
具体实施方式
根据背景技术部分的分析可知,现有技术中,主流的近红外人脸活体识别采用传统的LBP(Local Binary Pattern)图像特征提取与SVM(Support Vector Machines)数据分析来决策活体人脸与非活体人脸的区别,具体有基于主动指令集人脸活体识别技术、3D模组活体人脸活体识别技术、近红外人脸活体识别技术等。但这些方案都存在各自不同的缺陷,具体的:
在主动配合下的人脸活体识别系统中,人脸活体识别需要采集人脸在多种不同情形下的特征,例如张嘴、眨眼、人脸左转、人脸右转等,并分别提取活体人脸的特征。该方案通常需要被识别者配合执行各种操作,用户体验较差,常常导致人脸活体准确率不高。
在3D(3 Dimension)人脸活体识别系统中,需要额外的添加3D结构模组,通过该模组提取活体与非活体的三维特征信息,并对这些三维的几何关系特征进行大量计算,得出人脸活体与非活体的分类器,从而实现人脸活体的识别。该方案通常用在特殊的场景中,而且该模组架构一般比较昂贵。
在IR Sensor人脸活体识别系统中,无需被识别者主动配合人脸活体识别指令集,主要基于IR Sensor发出的红外光,漫反射到活体人脸会导致光流的振转特性,在利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”,从图像序列中得到各个像素点的运行信息,然后再采用建模及传统高斯差分滤波器、LBP(Local BinaryPattern)特征提取和SVM(Support Vector Machines)进行数据统计分析。
本发明获得人脸活体数据和人脸非活体数据;对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换;获得人脸活体识别的深度学习神经网络模型;采用变换后的人脸活体数据作为正样本训练集、采用变换后的人脸非活体数据作为负样本训练集,来对人脸活体识别的深度学习神经网络模型进行训练,得到训练后的人脸活体识别神经网络模型;采用训练后的人脸活体识别神经网络模型来进行人脸活体识别、以及判断被识别的对象是否为人脸活体,从而以较小的运算量和存储空间,来实现高精度的人脸活体识别,具备运行稳定、功耗极低、精度高、用户体验佳等诸多优势,尤其适合应用于物联网设备、移动端设备、以及边缘计算设备。对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换,得到变换后的人脸活体数据和变换后的人脸非活体数据,从而便于人脸活体识别的深度学习神经网络对人脸活体数据和人脸非活体数据进行特征提取。人脸活体识别的深度学习神经网络模型的主干网络采用Resnet网络连接结构,有利于提高人脸活体识别的精度。
为使本领域技术人员更好地理解和实现本发明,以下参照附图,通过具体实施例进行详细说明。
如下所述,本发明实施例提供一种人脸活体识别方法。
参照图1所示的人脸活体识别方法流程图、以及图2所示的深度学习人脸活体识别架构流程图,以下通过具体步骤进行详细说明:
S101,获得人脸活体数据和人脸非活体数据。
其中,所述人脸活体数据和人脸非活体数据为关于同一人脸的数据。
在一些实施例中,所述获得人脸活体数据和人脸非活体数据具体可以是,采用IRSensor来采集人脸活体数据和人脸非活体数据。
通过以上对技术方案的描述可以看出:本实施例中,采用IR Sensor来采集人脸活体数据和人脸非活体数据,无需被识别者主动配合也能完成人脸活体识别,有利于改善被识别者的体验。
S102,对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换。
对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换,得到变换后的人脸活体数据和变换后的人脸非活体数据,FFT是离散傅立叶变换的快速算法。
S103,获得人脸活体识别的深度学习神经网络模型。
其中,所述人脸活体识别的深度学习神经网络模型的主干网络采用Resnet网络连接结构。
在一些实施例中,所述人脸活体识别的深度学习神经网络模型可以由6个Resnet网络连接结构和4个全连接网络结构构建而成。
其中,所述Resnet网络连接结构可以包括:Residual Block,即残差块,多个相似的Residual Block串联构成ResNet。随着人脸活体识别网络结构层次的增加,ResNet网络结构可以使模型在训练集和测试集上的性能变好,因为模型复杂度更高了,表达能力更强了,可以对潜在的映射关系拟合得更好,同时BN层的引入也基本解决了网络训练时的梯度消失和梯度爆炸问题。ResNet结构非常容易修改和扩展,通过调整模块内部的通道数量以及串联的模块数量,就可以很容易地调整网络的宽度和深度,通过FFT变换的IR活体数据集训练人脸活体识别网络,就可以获得更好的人脸活体识别性能。
所述全连接网络结构包括:激励层、偏置层、全连接层、连接层,在整个卷积神经网络中起到“分类器”的作用。ResNet主干网络起到将原始数据映射到隐层特征空间的作用,全连接层则起到将FFT变换后的IR活体数据分布式特征表示映射到样本标记空间的作用,最终输出为人脸活体与人脸非活体的结果。
S104,对人脸活体识别的深度学习神经网络模型进行训练。
采用变换后的人脸活体数据作为正样本训练集、采用变换后的人脸非活体数据作为负样本训练集,来对人脸活体识别的深度学习神经网络模型进行训练,得到训练后的人脸活体识别神经网络模型。
在一些实施例中,具体可以包括:
将变换后的人脸活体数据和变换后的人脸非活体数据输入到人脸活体识别的深度学习神经网络模型中;
以变换后的人脸活体数据作为正样本训练集,以变换后的人脸非活体数据作为负样本训练集,采用正样本训练集中的数据样本和负样本训练集中的数据样本来对人脸活体识别的深度学习神经网络模型进行训练;
重复上述2个步骤,直至浮点数模型的人脸活体识别的深度学习神经网络模型的精度达到预定标准。
S105,对训练后的人脸活体识别神经网络模型进行量化。
对训练后的人脸活体识别神经网络模型进行量化,得到量化后的人脸活体识别神经网络模型,所述训练后的人脸活体识别神经网络模型为浮点数形式的模型,所述量化后的人脸活体识别神经网络模型为定点数形式的模型。
通过以上对技术方案的描述可以看出:本实施例中,对训练后的浮点数模型的人脸活体识别神经网络模型进行量化,得到量化后的定点数模型的人脸活体识别神经网络模型,从而减小人脸活体识别神经网络模型所占用的存储空间,便于移动端部署移植。
S106,判断量化后的人脸活体识别神经网络模型的精度是否达到预定标准。
如果否,则重复执行上述对人脸活体识别的深度学习神经网络模型进行训练、以及对训练后的人脸活体识别神经网络模型进行量化的步骤(即步骤S104至步骤S105),直至量化后的人脸活体识别神经网络模型的精度达到预定标准。
步骤S105和步骤S106是可选步骤。
在一些实施例中,还可以包括:将量化后的人脸活体识别神经网络模型移植到2101C芯片平台上,得到移植后的人脸活体识别神经网络模型;所述2101C芯片平台包括用于AI计算及加速的运算芯片单元。
进一步的,在所述将量化后的人脸活体识别神经网络模型移植到2101C芯片平台上,得到移植后的人脸活体识别神经网络模型之后,还可以包括:对移植后的人脸活体识别神经网络模型进行CPU调度运算以及网络输入输出数据前后处理。
通过以上对技术方案的描述可以看出:本实施例中,将量化后的人脸活体识别神经网络模型移植到2101C芯片平台上,所述2101C芯片平台包括用于AI计算及加速的运算芯片单元,使得人脸活体识别达到识别结果实时显示的效果,且具备较高的精度。
S107,采用训练后的人脸活体识别神经网络模型来进行人脸活体识别、以及判断被识别的对象是否为人脸活体。
在一些实施例中,若被识别的对象为人脸活体,则将被识别的对象用绿色框标识;若被识别的对象非人脸活体,则将被识别的对象用红色框标识。
通过以上对技术方案的描述可以看出:本实施例中,获得人脸活体数据和人脸非活体数据;对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换;采用变换后的人脸活体数据作为正样本训练集、采用变换后的人脸非活体数据作为负样本训练集,来对人脸活体识别的深度学习神经网络模型进行训练,得到训练后的人脸活体识别神经网络模型;采用训练后的人脸活体识别神经网络模型来进行人脸活体识别、以及判断被识别的对象是否为人脸活体,从而以较小的运算量和存储空间,来实现高精度的人脸活体识别,具备运行稳定、功耗极低、精度高、用户体验佳等诸多优势,尤其适合应用于物联网设备、移动端设备、以及边缘计算设备。
进一步的,对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换,得到变换后的人脸活体数据和变换后的人脸非活体数据,从而便于人脸活体识别的深度学习神经网络对人脸活体数据和人脸非活体数据进行特征提取。
进一步的,人脸活体识别的深度学习神经网络模型的主干网络采用Resnet网络连接结构,有利于提高人脸活体识别的精度。
经实验,选取人脸活体测试样本50人,打印图片240张,深度学习的人脸活体识别性能指标如下表1所示,可见实现了高精度的人脸活体识别。
Threshold | P | N | TP | TN | FP | FN | FAR | FRR | ACC |
0.55 | 50 | 240 | 48 | 240 | 2 | 0 | 0 | 0.007 | 0.993 |
表1 人脸活体识别结果
本领域普通技术人员可以理解,上述实施例的各种方法中,全部或部分步骤是可以通过程序指令相关的硬件来完成的,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (11)
1.一种人脸活体识别方法,其特征在于,包括:
获得人脸活体数据和人脸非活体数据;其中,所述人脸活体数据和人脸非活体数据为关于同一人脸的数据;
对所述人脸活体数据和所述人脸非活体数据分别进行FFT变换,得到变换后的人脸活体数据和变换后的人脸非活体数据,FFT是离散傅立叶变换的快速算法;
获得人脸活体识别的深度学习神经网络模型;其中,所述人脸活体识别的深度学习神经网络模型的主干网络采用Resnet网络连接结构;
采用变换后的人脸活体数据作为正样本训练集、采用变换后的人脸非活体数据作为负样本训练集,来对人脸活体识别的深度学习神经网络模型进行训练,得到训练后的人脸活体识别神经网络模型;
采用训练后的人脸活体识别神经网络模型来进行人脸活体识别、以及判断被识别的对象是否为人脸活体。
2.如权利要求1所述的人脸活体识别方法,其特征在于,还包括:
若被识别的对象为人脸活体,则将被识别的对象用绿色框标识;
若被识别的对象非人脸活体,则将被识别的对象用红色框标识。
3.如权利要求1所述的人脸活体识别方法,其特征在于,所述获得人脸活体数据和人脸非活体数据包括:采用IR Sensor来采集人脸活体数据和人脸非活体数据。
4.如权利要求1所述的人脸活体识别方法,其特征在于,所述人脸活体识别的深度学习神经网络模型由6个Resnet网络连接结构和4个全连接网络结构构建而成。
5.如权利要求4所述的人脸活体识别方法,其特征在于,所述Resnet网络连接结构包括:残差块,多个相似的残差块串联构成ResNet,用于将原始数据映射到隐层特征空间。
6.如权利要求4所述的人脸活体识别方法,其特征在于,所述全连接网络结构包括:激励层、偏置层、全连接层、连接层,所述全连接层用于将FFT变换后的IR活体数据分布式特征表示映射到样本标记空间。
7.如权利要求1所述的人脸活体识别方法,其特征在于,所述采用变换后的人脸活体数据作为正样本训练集、采用变换后的人脸非活体数据作为负样本训练集,来对人脸活体识别的深度学习神经网络模型进行训练,得到训练后的人脸活体识别神经网络模型包括:
将变换后的人脸活体数据和变换后的人脸非活体数据输入到人脸活体识别的深度学习神经网络模型中;
以变换后的人脸活体数据作为正样本训练集,以变换后的人脸非活体数据作为负样本训练集,采用正样本训练集中的数据样本和负样本训练集中的数据样本来对人脸活体识别的深度学习神经网络模型进行训练;
重复上述2个步骤,直至浮点数模型的人脸活体识别的深度学习神经网络模型的精度达到预定标准。
8.如权利要求1所述的人脸活体识别方法,其特征在于,还包括:对训练后的人脸活体识别神经网络模型进行量化,得到量化后的人脸活体识别神经网络模型,所述训练后的人脸活体识别神经网络模型为浮点数形式的模型,所述量化后的人脸活体识别神经网络模型为定点数形式的模型。
9.如权利要求8所述的人脸活体识别方法,其特征在于,还包括:
判断量化后的人脸活体识别神经网络模型的精度是否达到预定标准;如果否,则重复执行上述对人脸活体识别的深度学习神经网络模型进行训练、以及对训练后的人脸活体识别神经网络模型进行量化的步骤,直至量化后的人脸活体识别神经网络模型的精度达到预定标准。
10.如权利要求8所述的人脸活体识别方法,其特征在于,还包括:将量化后的人脸活体识别神经网络模型移植到2101C芯片平台上,得到移植后的人脸活体识别神经网络模型;所述2101C芯片平台包括用于AI计算及加速的运算芯片单元。
11.如权利要求10所述的人脸活体识别方法,其特征在于,在所述将量化后的人脸活体识别神经网络模型移植到2101C芯片平台上,得到移植后的人脸活体识别神经网络模型之后,还包括:对移植后的人脸活体识别神经网络模型进行CPU调度运算以及网络输入输出数据前后处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179288.3A CN112528973A (zh) | 2021-02-08 | 2021-02-08 | 人脸活体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179288.3A CN112528973A (zh) | 2021-02-08 | 2021-02-08 | 人脸活体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528973A true CN112528973A (zh) | 2021-03-19 |
Family
ID=74975580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110179288.3A Pending CN112528973A (zh) | 2021-02-08 | 2021-02-08 | 人脸活体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528973A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188715A (zh) * | 2019-06-03 | 2019-08-30 | 广州二元科技有限公司 | 一种多帧检测投票的视频人脸活体检测方法 |
CN110462633A (zh) * | 2019-06-27 | 2019-11-15 | 深圳市汇顶科技股份有限公司 | 一种人脸识别的方法、装置和电子设备 |
CN110852439A (zh) * | 2019-11-20 | 2020-02-28 | 字节跳动有限公司 | 神经网络模型的压缩与加速方法、数据处理方法及装置 |
-
2021
- 2021-02-08 CN CN202110179288.3A patent/CN112528973A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188715A (zh) * | 2019-06-03 | 2019-08-30 | 广州二元科技有限公司 | 一种多帧检测投票的视频人脸活体检测方法 |
CN110462633A (zh) * | 2019-06-27 | 2019-11-15 | 深圳市汇顶科技股份有限公司 | 一种人脸识别的方法、装置和电子设备 |
CN110852439A (zh) * | 2019-11-20 | 2020-02-28 | 字节跳动有限公司 | 神经网络模型的压缩与加速方法、数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147721B (zh) | 一种三维人脸识别方法、模型训练方法和装置 | |
CN110659582A (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
CN104933414B (zh) | 一种基于wld-top的活体人脸检测方法 | |
US9042606B2 (en) | Hand-based biometric analysis | |
Dagnes et al. | Occlusion detection and restoration techniques for 3D face recognition: a literature review | |
CN112801057B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN106446754A (zh) | 图像识别方法、度量学习方法、图像来源识别方法及装置 | |
CN108596082A (zh) | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN113591747B (zh) | 一种基于深度学习的多场景虹膜识别方法 | |
CN107766864B (zh) | 提取特征的方法和装置、物体识别的方法和装置 | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及系统 | |
Garg et al. | Biometric authentication using finger nail surface | |
CN104915641B (zh) | 基于android平台获取人脸图像光源方位的方法 | |
CN116310008B (zh) | 一种基于少样本学习的图像处理方法及相关设备 | |
CN112528973A (zh) | 人脸活体识别方法 | |
CN114360058B (zh) | 一种基于行走视角预测的跨视角步态识别方法 | |
CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
CN115795394A (zh) | 层级多模态和高级增量学习的生物特征融合身份识别方法 | |
CN112733670B (zh) | 指纹特征提取方法、装置、电子设备及存储介质 | |
CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
Verissimo et al. | Transfer learning for face anti-spoofing detection | |
CN111274898A (zh) | 基于深度学习的视频流中群体情绪与凝聚力检测方法及装置 | |
CN117830083B (zh) | 一种人脸素描到人脸照片的生成方法、装置 | |
CN112437926B (zh) | 使用前馈卷积神经网络的快速鲁棒摩擦脊印痕细节提取 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |