CN112560742A - 基于多尺度局部二值模式的人脸活体检测方法、装置及设备 - Google Patents
基于多尺度局部二值模式的人脸活体检测方法、装置及设备 Download PDFInfo
- Publication number
- CN112560742A CN112560742A CN202011538785.XA CN202011538785A CN112560742A CN 112560742 A CN112560742 A CN 112560742A CN 202011538785 A CN202011538785 A CN 202011538785A CN 112560742 A CN112560742 A CN 112560742A
- Authority
- CN
- China
- Prior art keywords
- face
- binary pattern
- local binary
- server
- scale local
- 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 140
- 238000001727 in vivo Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004397 blinking Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V40/10—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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06V40/40—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)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度局部二值模式的人脸活体检测方法，应用于人脸活体检测领域，用于解决现有的人脸活体检测方法存在检测效率低和设备通用性差的问题。本发明提供的方法包括：基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取；根据多尺度局部二值模式特征对第二边缘计算设备的人脸活体检测模型进行训练，并获得分类结果；将分类结果上传到服务器，以使服务器根据接收到的所有分类结果，确定人脸图像集合的检测结果，并将检测结果反馈给第一边缘计算设备。
Description
技术领域
本发明涉及人脸活体检测领域，尤其涉及一种基于多尺度局部二值模式的人脸活体检测方法、装置、计算机设备及存储介质。
背景技术
目前，人脸识别技术被广泛应用在边缘计算设备(如5G边缘计算设备、AI边缘计算设备等)上，用于身份验证。然而，现有的人脸识别系统很容易被视频或者照片等进行误导，导致识别不出活体人脸，因此人脸活体检测技术应运而生，克服了人脸识别系统易被视频或照片等进行误导的不足之处。
在现有技术中，人脸活体检测的方法主要是通过两种方式实现，第一种方式是通过交互(系统要求被识别对象做出眨眼、摇头、张嘴等动作)进行活体检测判断，才能进行身份验证，这样导致检测效率相对较低。第二种方式是在进行人脸活体检测识别时，需要使用红外相机获取人脸红外光的强度而成的红外图以及从3D采集设备(如3D相机、3D传感器)到人脸各采集点的距离(深度)作为像素值的深度图等额外信息，然而这样就对人脸识别设备的硬件要求较高，从而导致该方式无法在不同硬件配置的设备上通用。
因此，由上述内容可知，现有的人脸活体检测方法存在检测效率低和设备通用性差的问题。
发明内容
本发明实施例提供一种基于多尺度局部二值模式的人脸活体检测方法、装置、计算机设备及存储介质，以解决现有的人脸活体检测方法存在检测效率低和设备通用性差的技术问题。
一种基于多尺度局部二值模式的人脸活体检测方法，包括：
基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取；
根据多尺度局部二值模式特征对第二边缘计算设备的人脸活体检测模型进行训练，并获得分类结果；
将分类结果上传到服务器，以使服务器根据接收到的所有分类结果，确定人脸图像集合的检测结果，并将检测结果反馈给第一边缘计算设备。
一种基于多尺度局部二值模式的人脸活体检测装置，包括：
特征提取模块，用于基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取；
分类结果获取模块，用于根据多尺度局部二值模式特征对第二边缘计算设备的人脸活体检测模型进行训练，并获得分类结果；
检测结果获取模块，用于将分类结果上传到所述服务器，以使服务器根据接收到的所有分类结果，确定人脸图像集合的检测结果，并将检测结果反馈给第一边缘计算设备。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多尺度局部二值模式的人脸活体检测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于多尺度局部二值模式的人脸活体检测方法的步骤。
本发明实施例提出的基于多尺度局部二值模式的人脸活体检测方法、装置、计算机设备及存储介质，基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取；根据多尺度局部二值模式特征对第二边缘计算设备的人脸活体检测模型进行训练，并获得分类结果；将分类结果上传到服务器，以使服务器根据接收到的所有分类结果，确定人脸图像集合的检测结果，并将检测结果反馈给第一边缘计算设备。通过人脸活体检测模型，提取多尺度局部二值模式特征，不需要利用人脸进行动作交互或者额外信息就可以进行人脸活体检测，提高了人脸活体检测的检测效率，并且对应用了人脸活体检测模型的设备没有特殊要求，保证了设备的通用性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于多尺度局部二值模式的人脸活体检测方法的一应用环境示意图；
图2是本发明一实施例中基于多尺度局部二值模式的人脸活体检测方法的一流程图；
图3是本发明一实施例中基于多尺度局部二值模式的人脸活体检测方法中一平均灰度计算结果图；
图4是本发明一实施例中基于多尺度局部二值模式的人脸活体检测方法的一二值计算结果图；
图5是本发明一实施例中基于多尺度局部二值模式的人脸活体检测装置的结构示意图；
图6是本发明一实施例中服务器的一示意图；
图7是本发明一实施例中终端设备的一示意图。
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，所描述的实施例是本发明一部分实施例，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。
本发明实施例提供的基于多尺度局部二值模式的人脸活体检测方法，可应用在如图1的应用环境中，其中，计算机设备/终端设备通过网络与服务器进行通信。其中，计算机设备/终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种基于多尺度局部二值模式的人脸活体检测方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤S101至S103：
S101、基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取。
在步骤S101中，上述多尺度局部二值模式特征是由多个局部二值模式特征拼接形成的。
此处需要说明的是：局部二值模式特征是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著的优点。
S102、根据多尺度局部二值模式特征对第二边缘计算设备的人脸活体检测模型进行训练，并获得分类结果。
在步骤S102中，上述分类结果包括是人脸活体和不是人脸活体。
S103、将分类结果上传到服务器，以使服务器根据接收到的所有分类结果，确定人脸图像集合的检测结果，并将检测结果反馈给第一边缘计算设备。
在步骤S103中，其具体是：服务器根据所有的分类结果，按照分类结果中数量比例较大的分类结果，确定人脸图像集合的检测结果。例如，所有的分类结果中，判断该人脸图像是人脸活体的数量比例较大，则该人脸图像的检测结果为人脸活体。
在本发明的另一实施例中，在步骤S101之前还包括如下步骤A至B：
A、基于人脸活体检测训练过程中获取的人脸图像集合，训练人脸活体检测模型。
B、将与边缘计算设备相对应的设备序列号上传到服务器，以使服务器根据哈希算法计算出设备序列号对应的哈希值，并将哈希值存储到区块链上。
在上述步骤B中，上述哈希算法包括但不限于MD5算法(Message-DigestAlgorithm，信息摘要算法)、SHA256算法(使用的哈希值长度是256位的算法)。
在该实施例中，在步骤S101之后还包括如下步骤C至D：
C、第一边缘计算设备将自身的设备序列号上传到服务器，以使服务器根据哈希算法计算出相应的第一哈希值，并将第一哈希值上传到区块链进行验证。
D、若区块链上存在与第一哈希值对应的哈希值，则将多尺度局部二值模式特征上传到服务器，且通过服务器将多尺度局部二值模式特征反馈给第二边缘计算设备；若区块链上不存在与第一哈希值对应的哈希值，则不将多尺度局部二值模式特征上传到服务器。
在该实施例中，步骤S101具体包括如下步骤E至G：
E、将人脸图像集合中的所有人脸图像置于预设人脸区域中。
F、根据图片划分预设规则，对所有人脸图像进行特征提取，获得多个人脸图像特征。
G、将所有人脸图像特征进行特征拼接，获得多尺度局部二值模式特征。
对于上述步骤E，预设的人脸区域包括但不限于正方形区域，长方形区域和圆形区域。
对于上述步骤F，此处需要说明的是：图片划分预设规则是指通过对人脸图像进行图片划分，以满足能够提取图像特征的规则。
步骤F具体包括：
对每个人脸图像进行多次划分得到对应人脸图像的多个人脸图像子块；
对每一次划分后得到的每一个人脸图像子块依次进行平均灰度值和二值计算，并将所获得的最小二进制数值作为该次划分所对应的人脸图像子块的特征。
每一次划分得到的所有人脸图像子块的特征为对应的人脸图像的特征。
为了更好地说明上述实施例，以下结合实例对步骤E到G作进一步的说明：
例如，假设预设的人脸区域为正方形区域，提取人脸图像的局部二值模式特征，将人脸图像进行两次均等划分。第一次划分后获得9个均等的人脸图像子块，第二次划分对第一次划分后得到的9个人脸图像子块进行再次均等划分，得到81个人脸图像子块。
对第一次划分后得到9个均等的人脸图像子块的其中一个人脸图像子块进行平均灰度值计算，例如，进行平均灰度值计算后结果如图3所示，再对图3得到的人脸图像子块进行二值计算，将正方形四周八个数字分别与中间的数字对比大小，大于中间数字的设为1，小于或等于中间数字的设为0，可得如图4所示的二值计算结果。
分别以图4的正方形四周八个数字，按顺时针记录二进制数值，其中，最小的数值为第一次划分的人脸图像中第一人脸图像子块的特征，例如，图4中最小的数值，是以左上角为起点的数值，为“00001011”。
将人脸图像子块的平均灰度值和二值计算过程应用到第一次划分过程的9个人脸图像子块中，获得9个特征；
将人脸图像子块的平均灰度值和二值计算过程应用到第二次划分过程中的81个人脸图像子块中，获得81个特征。
将上述人脸图像的局部二值模式特征、第一次划分得到的9个特征、第二次划分得到的81个特征进行特征拼接，获得91维的特征向量，该特征向量为对应人脸图像的多尺度局部二值模式特征。
在本发明的又一实施例中，在步骤S103之后还包括如下步骤H：
H、若检测结果的置信度大于预设值，则基于多尺度局部二值模式特征与检测结果，对第一边缘计算设备的人脸活体检测模型进行人脸活体检测训练。
在上述步骤H之前，还包括：基于人脸活体检测模型中的支持向量机对检测结果进行置信度判断。例如，当预设值为90％时，若支持向量机判断出该检测结果的置信度为98％，则将多尺度局部二值模式特征与检测结果加入到支持向量机中，进行训练，从而提高支持向量机的训练量。
本发明实施例提出的基于多尺度局部二值模式的人脸活体检测方法，基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取；根据多尺度局部二值模式特征对第二边缘计算设备的人脸活体检测模型进行训练，并获得分类结果；将分类结果上传到服务器，以使服务器根据接收到的所有分类结果，确定人脸图像集合的检测结果，并将检测结果反馈给第一边缘计算设备。通过人脸活体检测模型，提取多尺度局部二值模式特征，不需要利用人脸进行动作交互或者额外信息就可以进行人脸活体检测，提高了人脸活体检测的检测效率，并且对应用了人脸活体检测模型的设备没有特殊要求，保证了设备的通用性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种基于多尺度局部二值模式的人脸活体检测装置，该基于多尺度局部二值模式的人脸活体检测装置与上述实施例中基于多尺度局部二值模式的人脸活体检测方法一一对应。如图5所示，该基于多尺度局部二值模式的人脸活体检测装置包括特征提取模块11、分类结果获取模块12和检测结果获取模块13。各功能模块详细说明如下：
特征提取模块11，用于基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取。
分类结果获取模块12，用于根据多尺度局部二值模式特征对第二边缘计算设备的人脸活体检测模型进行训练，并获得分类结果。
检测结果获取模块13，用于将分类结果上传到服务器，以使服务器根据接收到的所有分类结果，确定人脸图像集合的检测结果，并将检测结果反馈给第一边缘计算设备。
在其中一个实施例中，特征提取模块11之前包括：
模型训练模块，用于基于人脸活体检测训练过程中获取的人脸图像集合，训练人脸活体检测模型。
设备序列号存储模块，用于将与边缘计算设备相对应的设备序列号上传到服务器，以使服务器根据哈希算法计算出设备序列号对应的哈希值，并将哈希值存储到区块链上。
在该实施例中，特征提取模块11之后包括：
哈希值计算模块，用于第一边缘计算设备将自身的设备序列号上传到服务器，以使服务器根据哈希算法计算出相应的第一哈希值，并将第一哈希值上传到区块链进行验证。
验证模块，用于若区块链上存在与第一哈希值对应的哈希值，则将多尺度局部二值模式特征上传到服务器，且通过服务器将多尺度局部二值模式特征反馈给第二边缘计算设备；若区块链上不存在与第一哈希值对应的哈希值，则不将多尺度局部二值模式特征上传到服务器。
在该实施例中，特征提取模块11具体包括：
图像预置单元，用于将人脸图像集合中的所有人脸图像置于预设人脸区域中。
特征提取单元，用于根据图片划分预设规则，对人脸图像进行特征提取，获得多个人脸图像特征。
特征拼接单元，用于将所有人脸图像特征进行特征拼接，获得多尺度局部二值模式特征。
作为可选的，基于多尺度局部二值模式的人脸活体检测装置进一步包括：
训练模块，用于若检测结果的置信度大于预设值，则基于多尺度局部二值模式特征与检测结果，对第一边缘计算设备的人脸活体检测模型进行人脸活体检测训练。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于基于多尺度局部二值模式的人脸活体检测装置的具体限定可以参见上文中对于基于多尺度局部二值模式的人脸活体检测方法的限定，在此不再赘述。上述基于多尺度局部二值模式的人脸活体检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于多尺度局部二值模式的人脸活体检测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多尺度局部二值模式的人脸活体检测方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多尺度局部二值模式的人脸活体检测方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于多尺度局部二值模式的人脸活体检测方法的步骤，例如图2所示的步骤S101至步骤S103及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中基于多尺度局部二值模式的人脸活体检测装置的各模块/单元的功能，例如图5所示模块11至模块13的功能。为避免重复，这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于多尺度局部二值模式的人脸活体检测方法的步骤，例如图2所示的步骤S101至步骤S103及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中基于多尺度局部二值模式的人脸活体检测装置的各模块/单元的功能，例如图5所示模块11至模块13的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多尺度局部二值模式的人脸活体检测方法，其特征在于，包括：
基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取；
根据所述多尺度局部二值模式特征对第二边缘计算设备的人脸活体检测模型进行训练，并获得分类结果；
将所述分类结果上传到所述服务器，以使所述服务器根据接收到的所有分类结果，确定所述人脸图像集合的检测结果，并将所述检测结果反馈给所述第一边缘计算设备。
2.根据权利要求1所述的方法，其特征在于，所述基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取之前还包括：
基于人脸活体检测训练过程中获取的人脸图像集合，训练人脸活体检测模型；
将与边缘计算设备相对应的设备序列号上传到所述服务器，以使所述服务器根据哈希算法计算出所述设备序列号对应的哈希值，并将所述哈希值存储到区块链上。
3.根据权利要求2所述的方法，其特征在于，所述基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取之后还包括：
所述第一边缘计算设备将自身的设备序列号上传到所述服务器，以使所述服务器根据所述哈希算法计算出相应的第一哈希值，并将第一哈希值上传到所述区块链进行验证；
若所述区块链上存在与所述第一哈希值对应的哈希值，则将所述多尺度局部二值模式特征上传到所述服务器，且通过所述服务器将所述多尺度局部二值模式特征反馈给所述第二边缘计算设备；若所述区块链上不存在与所述第一哈希值对应的哈希值，则不将所述多尺度局部二值模式特征上传到所述服务器。
4.根据权利要求1所述的方法，其特征在于，所述基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取的步骤包括：
将所述人脸图像集合中的所有人脸图像置于预设人脸区域中；
根据图片划分预设规则，对所述人脸图像进行特征提取，获得多个人脸图像特征；
将所有所述人脸图像特征进行特征拼接，获得所述多尺度局部二值模式特征。
5.根据权利要求1所述的方法，其特征在于，所述将所述分类结果上传到所述服务器，以使所述服务器根据接收到的所有分类结果，确定所述人脸图像集合的检测结果，并将所述检测结果反馈给所述第一边缘计算设备之后，还包括：
若所述检测结果的置信度大于预设值，则基于所述多尺度局部二值模式特征与所述检测结果，对所述第一边缘计算设备的人脸活体检测模型进行人脸活体检测训练。
6.一种基于多尺度局部二值模式的人脸活体检测装置，其特征在于，包括：
特征提取模块，用于基于第一边缘计算设备的人脸活体检测模型，对需要进行活体检测的人脸图像集合进行多尺度局部二值模式特征的提取；
分类结果获取模块，用于根据所述多尺度局部二值模式特征对第二边缘计算设备的人脸活体检测模型进行训练，并获得分类结果；
检测结果获取模块，用于将所述分类结果上传到所述服务器，以使所述服务器根据接收到的所有分类结果，确定所述人脸图像集合的检测结果，并将所述检测结果反馈给所述第一边缘计算设备。
7.根据权利要求6所述的装置，其特征在于，所述特征提取模块之前包括：
模型训练模块，用于基于人脸活体检测训练过程中获取的人脸图像集合，训练人脸活体检测模型；
设备序列号存储模块，用于将与边缘计算设备相对应的设备序列号上传到所述服务器，以使所述服务器根据哈希算法计算出所述设备序列号对应的哈希值，并将所述哈希值存储到区块链上。
8.根据权利要求6所述的装置，其特征在于，所述特征上传模块之前包括：
哈希值计算模块，用于所述第一边缘计算设备将自身的设备序列号上传到所述服务器，以使所述服务器根据所述哈希算法计算出相应的第一哈希值，并将第一哈希值上传到所述区块链进行验证；
验证模块，用于若所述区块链上存在与所述第一哈希值对应的哈希值，则将所述多尺度局部二值模式特征上传到所述服务器，且通过所述服务器将所述多尺度局部二值模式特征反馈给所述第二边缘计算设备；若所述区块链上不存在与所述第一哈希值对应的哈希值，则不将所述多尺度局部二值模式特征上传到所述服务器。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述基于多尺度局部二值模式的人脸活体检测方法的步骤。
10.一种计算机可读存储介质，所述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5中任一项所述基于多尺度局部二值模式的人脸活体检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011538785.XA CN112560742A (zh) | 2020-12-23 | 2020-12-23 | 基于多尺度局部二值模式的人脸活体检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011538785.XA CN112560742A (zh) | 2020-12-23 | 2020-12-23 | 基于多尺度局部二值模式的人脸活体检测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112560742A true CN112560742A (zh) | 2021-03-26 |
Family
ID=75030969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011538785.XA Pending CN112560742A (zh) | 2020-12-23 | 2020-12-23 | 基于多尺度局部二值模式的人脸活体检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560742A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技（深圳）有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
| CN109977771A (zh) * | 2019-02-22 | 2019-07-05 | 杭州飞步科技有限公司 | 司机身份的验证方法、装置、设备及计算机可读存储介质 |
| CN110084135A (zh) * | 2019-04-03 | 2019-08-02 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
| CN110351089A (zh) * | 2019-05-23 | 2019-10-18 | 西安电子科技大学 | 一种数据签名认证方法及装置 |
| WO2020164284A1 (zh) * | 2019-02-12 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于平面检测的活体识别方法、装置、终端及存储介质 |
| CN111626163A (zh) * | 2020-05-18 | 2020-09-04 | 浙江大华技术股份有限公司 | 一种人脸活体检测方法、装置及计算机设备 |
-
2020
- 2020-12-23 CN CN202011538785.XA patent/CN112560742A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技（深圳）有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
| WO2020164284A1 (zh) * | 2019-02-12 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于平面检测的活体识别方法、装置、终端及存储介质 |
| CN109977771A (zh) * | 2019-02-22 | 2019-07-05 | 杭州飞步科技有限公司 | 司机身份的验证方法、装置、设备及计算机可读存储介质 |
| CN110084135A (zh) * | 2019-04-03 | 2019-08-02 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
| WO2020199475A1 (zh) * | 2019-04-03 | 2020-10-08 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
| CN110351089A (zh) * | 2019-05-23 | 2019-10-18 | 西安电子科技大学 | 一种数据签名认证方法及装置 |
| CN111626163A (zh) * | 2020-05-18 | 2020-09-04 | 浙江大华技术股份有限公司 | 一种人脸活体检测方法、装置及计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 王延江等: "《数字图像处理》", 30 November 2016, 东营：中国石油大学出版社, pages: 6 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10332245B1 (en) | Systems and methods for quality assurance of image recognition model | |
| WO2020199480A1 (zh) | 一种人体动作的识别方法及设备 | |
| CN108399052B (zh) | 图片压缩方法、装置、计算机设备和存储介质 | |
| CN111275685B (zh) | 身份证件的翻拍图像识别方法、装置、设备及介质 | |
| CN106560840B (zh) | 一种图像信息识别处理方法及装置 | |
| CN110287836B (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
| CN111968134B (zh) | 目标分割方法、装置、计算机可读存储介质及计算机设备 | |
| WO2020252911A1 (zh) | 失踪人脸识别方法、装置、计算机设备和存储介质 | |
| CN110781770B (zh) | 基于人脸识别的活体检测方法、装置及设备 | |
| CN109308704B (zh) | 背景剔除方法、装置、计算机设备及存储介质 | |
| CN113505682B (zh) | 活体检测方法及装置 | |
| CN110163151B (zh) | 人脸模型的训练方法、装置、计算机设备和存储介质 | |
| CN111626163A (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
| CN113496208B (zh) | 视频的场景分类方法及装置、存储介质、终端 | |
| CN111144285A (zh) | 胖瘦程度识别方法、装置、设备及介质 | |
| CN110766077A (zh) | 证据链图像中特写图筛选方法、装置和设备 | |
| CN111080571A (zh) | 摄像头遮挡状态检测方法、装置、终端和存储介质 | |
| CN111079587B (zh) | 人脸的识别方法、装置、计算机设备及可读存储介质 | |
| CN109859142B (zh) | 图像亮度的调节方法、装置、计算机设备和存储介质 | |
| CN111680181A (zh) | 一种异常对象的识别方法及终端设备 | |
| KR20210088436A (ko) | 이미지 처리 방법, 장치 및 전자 기기 | |
| CN111428740A (zh) | 网络翻拍照片的检测方法、装置、计算机设备及存储介质 | |
| WO2022082401A1 (zh) | 宠物鼻纹识别方法、装置、计算机设备及存储介质 | |
| CN108564537B (zh) | 图像处理的方法、装置、电子设备及介质 | |
| US10212291B2 (en) | System, method, and non-transitory computer readable storage medium for image recognition based on convolutional neural networks |
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 |