CN112580454B - 基于图片材质分割标记的人脸防伪方法及系统 - Google Patents
基于图片材质分割标记的人脸防伪方法及系统 Download PDFInfo
- Publication number
- CN112580454B CN112580454B CN202011423182.5A CN202011423182A CN112580454B CN 112580454 B CN112580454 B CN 112580454B CN 202011423182 A CN202011423182 A CN 202011423182A CN 112580454 B CN112580454 B CN 112580454B
- Authority
- CN
- China
- Prior art keywords
- face
- model
- counterfeiting
- data set
- training
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 74
- 230000011218 segmentation Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000002372 labelling Methods 0.000 claims description 16
- 239000003086 colorant Substances 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Abstract
本申请公开了一种基于图片材质分割标记的人脸防伪方法及系统,所述方法包括:收集人脸数据集;基于所述人脸数据集进行模型训练,获取人脸材质分割模型;基于所述人脸数据集,以所述人脸材质分割模型作为辅助输入,训练已有的人脸防伪模型;应用训练好的所述人脸防伪模型进行人脸识别。通过本申请,在单目RGB摄像头的情景下,提高了人脸防伪检测结果的准确率。
Description
技术领域
本发明涉及人工智能领域。更具体的说,本发明涉及一种基于图片材质分割标记的人脸防伪方法及系统。
背景技术
目前,在人脸识别任务中,人脸防伪(也称为人脸活体检测)是非常重要的一环,其作用是:给定一张包含人脸的图片,判断图片中是否为用户本人。在仅使用普通RGB摄像头的条件下,人脸防伪模型需要将给定的人脸图片分类为1(活体人脸)和0(非活体的人脸),非活体的人脸通常包括:打印在纸上的人脸、电子设备屏幕上的人脸、3D打印的人脸面具等。由于人脸攻击方式的多样性,防伪模型很难在每种攻击情境下都表现得很好。
目前人脸防伪主要为三种,即基于RGB摄像头的人脸防伪、基于双目摄像头的近红外防伪、基于3D结构光摄像头的人脸防伪。基于RGB摄像头的人脸防伪:输入一张包含人脸的RGB图片,防伪模型输出该人脸的活体检测结果。基于双目摄像头的近红外防伪:由于人脸各个部位的温度不同,近红外摄像头拍摄的图片能天然抵御纸张、电子屏幕上人脸的攻击。基于3D结构光摄像头的人脸防伪:主动投射光线到人脸,能够获取面部的深度信息,从而有效抵御各种类型攻击。
但是以上人脸防伪技术仍有以下不足:
1、基于双目摄像头和3D结构光的人脸防伪技术都依赖于特定的硬件设备,由于较高的成本因素通常只能应用在高端手机上;
2、3D结构光识别距离较短,大约在0.2-1.2米之间;
3、近红外光摄像头对面具攻击的防御效果也一般。
发明内容
本申请实施例提供了一种基于图片材质分割标记的人脸防伪方法,以至少解决相关技术中主观因素影响的问题。
本发明提供了一种基于图片材质分割标记的人脸防伪方法,所述方法包括以下步骤:
收集步骤:收集人脸数据集;
第一训练步骤:基于所述人脸数据集进行模型训练,获取人脸材质分割模型;
第二训练步骤:基于所述人脸数据集,以所述人脸材质分割模型作为辅助输入,训练已有的人脸防伪模型;
人脸识别步骤:应用训练好的所述人脸防伪模型进行人脸识别。
作为本发明的进一步改进,所述第一训练步骤具体包括以下步骤:
标注步骤:依据所述人脸数据集中的人脸材质,使用图像标注工具对所述人脸数据集进行分割标注;
模型训练步骤:使用标注好的所述人脸数据集,训练所述人脸材质分割模型。
作为本发明的进一步改进,所述人脸材质分割模型选用DeepLab v3图像分割网络。
作为本发明的进一步改进,所述DeepLab v3图像分割网络的输入是RGB人脸图片,输出是每个像素点的材质。
作为本发明的进一步改进,所述标注步骤中对不同类型人脸材质采用不同颜色进行标注。
作为本发明的进一步改进,所述标注步骤中标注类型包括:真实的人脸、纸张打印的人脸,电子屏幕上显示的人脸、模具打印的人脸。
基于相同发明思想,本发明还基于任一项发明创造所揭示的基于图片材质分割标记的人脸防伪方法,揭示了一种基于图片材质分割标记的人脸防伪系统,
所述基于图片材质分割标记的人脸防伪系统包括:
收集模块,收集人脸数据集;
第一训练模块,基于所述人脸数据集进行模型训练,获取人脸材质分割模型;
第二训练模块,基于所述人脸数据集,以所述人脸材质分割模型作为辅助输入,训练已有的人脸防伪模型;
人脸识别模块,应用训练好的所述人脸防伪模型进行人脸识别。
作为本发明的进一步改进,所述第一训练模块具体包括:
标注单元,依据所述人脸数据集中的人脸材质,使用图像标注工具对所述人脸数据集进行分割标注;
模型训练单元,使用标注好的所述人脸数据集,训练所述人脸材质分割模型。
作为本发明的进一步改进,所述标注单元中对不同类型人脸材质采用不同颜色进行标注。
作为本发明的进一步改进,所述标注单元中标注类型包括:真实的人脸、纸张打印的人脸,电子屏幕上显示的人脸、模具打印的人脸。
与现有技术相比,本发明的有益效果如下:
1、提出了一种基于图片材质分割标记的人脸防伪方法,在单目RGB摄像头的情景下,通过引入人脸图像材质分割额外信息,提高了人脸防伪检测结果的准确率;
2、基于单目摄像头进行人脸防伪,成本低,可被布置在考勤机、智能货架、自助服务等设备上,具有很强的实用性;
3、对不同类型的攻击方式能够很好识别,局限性小。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本发明实施例提供的一种基于图片材质分割标记的人脸防伪方法整体流程图;
图2是本实施例所揭示的模型训练流程图;
图3是图1所揭示的步骤S2整体流程图;
图4是本发明实施例提供的三种攻击方式图;
图5是本发明实施例提供的图片材质分割标记示意图;
图6是本实施例提供的一种基于图片材质分割标记的人脸防伪系统结构框架图;
图7是根据本发明实施例的计算机设备的框架图。
以上图中:
100、收集模块;200、第一训练模块;300、第二训练模块;400、人脸识别模块;201、标注单元;202、模型训练单元;80、总线;81、处理器;82、存储器;83、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,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(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不待表针对对象的特定排序。
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替待,均属于本发明的保护范围之内。
在详细阐述本发明各个实施例之前,对本发明的核心发明思想予以概述,并通过下述若干实施例予以详细阐述。
本发明可基于图片材质分割标记对人脸进行识别,在单目RGB摄像头的情景下,提高了人脸防伪检测结果的准确率。
实施例一:
参照图1至图5所示,本实例揭示了一种基于图片材质分割标记的人脸防伪方法(以下简称“方法”)的具体实施方式。
具体而言参照图1和图2所示,本实施例所揭示的方法主要包括以下步骤:
步骤S1、收集人脸数据集。
具体而言,在其中一些实施例中,收集一批数据集包括:真实的人脸图片、纸张打印人脸图片、电子屏幕显示人脸、人脸模具等类型。
然后执行步骤S2、基于所述人脸数据集进行模型训练,获取人脸材质分割模型。
具体而言,在其中一些实施例中,参照图3所示步骤S2具体包括以下步骤:
S21、依据所述人脸数据集中的人脸材质,使用图像标注工具对所述人脸数据集进行分割标注;
S22、使用标注好的所述人脸数据集,训练所述人脸材质分割模型。
具体而言,在其中一些实施例中,依据图片中人脸材质,使用图像标注工具将不同类型人脸攻击图片进行分割标注,所述人脸材质分割模型选用DeepLab v3图像分割网络。所述DeepLab v3图像分割网络的输入是RGB人脸图片,输出是每个像素点的材质。DeepLabv3是由谷歌开发的语义分割网络,是一种非常先进的基于深度学习的图像语义分割方法,可对物体进行像素级分割。
具体而言,在其中一些实施例中,对不同类型人脸材质采用不同颜色进行标注,标注类型包括:0表示真实的人脸、1表示纸张打印的人脸,2表示电子屏幕上显示的人脸、3表示模具打印的人脸,本发明并不以此为限。图4为纸张打印人脸、电子屏幕显示人脸和人脸模具三种攻击方式图片,图5为对应图4的图片材质分割标记示意图。
然后执行步骤S3、基于所述人脸数据集,以所述人脸材质分割模型作为辅助输入,训练已有的人脸防伪模型。
具体而言,在其中一些实施例中,所述方法对人脸图片进行识别,尤其应用于单目RGB摄像头拍摄的人脸下,将人脸防伪数据集的每张图片,在RGB三通道的基础上加入模型材质分类的通道,作为防伪模型的输入,训练已有的防伪模型,得到最终的模型训练结果。
具体而言,RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红、绿、蓝三个通道的颜色。一幅图像的基本组成单位是以RGB为基础展开的,为此可以理解为一个图像由RGB这样的三个元素组成,R为一个红色通道,表示为1;G为一个绿色通道,表示为2;B为一个蓝色通道,表示为3;有一处白色图像则为4,它是由1、2、3处的通道颜色混合而成,这相当于使用的调色板,几种颜色混合在一起将产生一种新的颜色。
然后执行步骤S4、应用训练好的所述人脸防伪模型进行人脸识别。
通过本申请实施例所揭示的一种基于图片材质分割标记的人脸防伪方法,在单目RGB摄像头的情景下,通过引入人脸图像材质分割额外信息,提高了人脸防伪检测结果的准确率;基于单目摄像头进行人脸防伪,成本低,可被布置在考勤机、智能货架、自助服务等设备上,具有很强的实用性;对不同类型的攻击方式能够很好识别,局限性小。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
实施例二:
结合实施例一所揭示的一种基于图片材质分割标记的人脸防伪方法,本实施例揭示了一种基于图片材质分割标记的人脸防伪系统(以下简称“系统”)的具体实施示例。
参照图6所示,所述系统包括:
收集模块100,收集人脸数据集;
第一训练模块200,基于所述人脸数据集进行模型训练,获取人脸材质分割模型;
第二训练模块300,基于所述人脸数据集,以所述人脸材质分割模型作为辅助输入,训练已有的人脸防伪模型;
人脸识别模块400,应用训练好的所述人脸防伪模型进行人脸识别。
具体而言,在其中一些实施例中,所述第一训练模块200具体包括:
标注单元201,依据所述人脸数据集中的人脸材质,使用图像标注工具对所述人脸数据集进行分割标注;
模型训练单元202,使用标注好的所述人脸数据集,训练所述人脸材质分割模型。
具体而言,在其中一些实施例中,所述标注单元201中对不同类型人脸材质采用不同颜色进行标注,本发明并不以此为限。
具体而言,在其中一些实施例中,所述标注单元201中标注类型包括:真实的人脸、纸张打印的人脸,电子屏幕上显示的人脸、模具打印的人脸,本发明并不以此为限。
本实施例所揭示的一种基于图片材质分割标记的人脸防伪系统与实施例一所揭示的一种基于图片材质分割标记的人脸防伪方法中其余相同部分的技术方案,请参考实施例一所述,在此不再赘述。
实施例三:
结合图7所示,本实施例揭示了一种计算机设备的一种具体实施方式。计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上述实施例中的任意一种基于图片材质分割标记的人脸防伪方法。
在其中一些实施例中,计算机设备还可包括通信接口83和总线80。其中,如图7所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机设备可以基于图片材质分割标记实现人脸防伪,从而实现结合图1描述的方法。
另外,结合上述实施例中基于图片材质分割标记的人脸防伪方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于图片材质分割标记的人脸防伪方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
综上所述,基于本发明的有益效果在于,提出了一种基于图片材质分割标记的人脸防伪方法,在单目RGB摄像头的情景下,通过引入人脸图像材质分割额外信息,提高了人脸防伪检测结果的准确率;基于单目摄像头进行人脸防伪,成本低,可被布置在考勤机、智能货架、自助服务等设备上,具有很强的实用性;对不同类型的攻击方式能够很好识别,局限性小。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于图片材质分割标记的人脸防伪方法,其特征在于,包括如下步骤:
收集步骤:收集人脸数据集;
标注步骤:依据所述人脸数据集中的人脸材质,使用图像标注工具对所述人脸数据集进行分割标注;所述标注步骤中标注类型包括:真实的人脸、纸张打印的人脸,电子屏幕上显示的人脸、模具打印的人脸;
模型训练步骤:使用标注好的所述人脸数据集,训练人脸材质分割模型;所述人脸材质分割模型的输入是RGB人脸图片,输出是每个像素点的材质;
第二训练步骤:基于所述人脸数据集,以所述人脸材质分割模型作为辅助输入,训练已有的人脸防伪模型;将所述人脸数据集的每张图片,在RGB三通道的基础上加入模型材质分类的通道,作为所述人脸防伪模型的输入,训练已有的所述人脸防伪模型,得到最终的模型训练结果;
人脸识别步骤:应用训练好的所述人脸防伪模型进行人脸识别。
2.如权利要求1所述的基于图片材质分割标记的人脸防伪方法,其特征在于,所述人脸材质分割模型选用DeepLab v3图像分割网络。
3.如权利要求1所述的基于图片材质分割标记的人脸防伪方法,其特征在于,所述标注步骤中对不同类型人脸材质采用不同颜色进行标注。
4.一种基于图片材质分割标记的人脸防伪系统,其特征在于,包括:
收集模块,收集人脸数据集;
标注单元,依据所述人脸数据集中的人脸材质,使用图像标注工具对所述人脸数据集进行分割标注;所述标注单元中标注类型包括:真实的人脸、纸张打印的人脸,电子屏幕上显示的人脸、模具打印的人脸;
模型训练单元,使用标注好的所述人脸数据集,训练所述人脸材质分割模型;所述人脸材质分割模型的输入是RGB人脸图片,输出是每个像素点的材质;
第二训练模块,基于所述人脸数据集,以所述人脸材质分割模型作为辅助输入,训练已有的人脸防伪模型;将所述人脸数据集的每张图片,在RGB三通道的基础上加入模型材质分类的通道,作为所述人脸防伪模型的输入,训练已有的所述人脸防伪模型,得到最终的模型训练结果;
人脸识别模块,应用训练好的所述人脸防伪模型进行人脸识别。
5.如权利要求4所述的基于图片材质分割标记的人脸防伪系统,其特征在于,所述标注单元中对不同类型人脸材质采用不同颜色进行标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011423182.5A CN112580454B (zh) | 2020-12-08 | 2020-12-08 | 基于图片材质分割标记的人脸防伪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011423182.5A CN112580454B (zh) | 2020-12-08 | 2020-12-08 | 基于图片材质分割标记的人脸防伪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580454A CN112580454A (zh) | 2021-03-30 |
CN112580454B true CN112580454B (zh) | 2024-03-26 |
Family
ID=75127738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011423182.5A Active CN112580454B (zh) | 2020-12-08 | 2020-12-08 | 基于图片材质分割标记的人脸防伪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580454B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358157A (zh) * | 2017-06-07 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种人脸活体检测方法、装置以及电子设备 |
CN110443102A (zh) * | 2018-05-04 | 2019-11-12 | 北京眼神科技有限公司 | 活体人脸检测方法及装置 |
CN110765923A (zh) * | 2019-10-18 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种人脸活体检测方法、装置、设备及存储介质 |
CN110929566A (zh) * | 2019-10-16 | 2020-03-27 | 厦门大学 | 基于可见光和近红外双目摄像头的人脸活体检测方法 |
CN111291730A (zh) * | 2020-03-27 | 2020-06-16 | 深圳阜时科技有限公司 | 人脸防伪检测方法、服务器和存储介质 |
CN111695406A (zh) * | 2020-04-23 | 2020-09-22 | 西安电子科技大学 | 一种基于红外线的人脸识别反欺骗方法、系统及终端 |
-
2020
- 2020-12-08 CN CN202011423182.5A patent/CN112580454B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358157A (zh) * | 2017-06-07 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种人脸活体检测方法、装置以及电子设备 |
CN110443102A (zh) * | 2018-05-04 | 2019-11-12 | 北京眼神科技有限公司 | 活体人脸检测方法及装置 |
CN110929566A (zh) * | 2019-10-16 | 2020-03-27 | 厦门大学 | 基于可见光和近红外双目摄像头的人脸活体检测方法 |
CN110765923A (zh) * | 2019-10-18 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种人脸活体检测方法、装置、设备及存储介质 |
CN111291730A (zh) * | 2020-03-27 | 2020-06-16 | 深圳阜时科技有限公司 | 人脸防伪检测方法、服务器和存储介质 |
CN111695406A (zh) * | 2020-04-23 | 2020-09-22 | 西安电子科技大学 | 一种基于红外线的人脸识别反欺骗方法、系统及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112580454A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11341371B2 (en) | Method, device and terminal for generating training data | |
US10824910B2 (en) | Image processing method, non-transitory computer readable storage medium and image processing system | |
CN105049718A (zh) | 一种图像处理方法及终端 | |
CN107862698A (zh) | 基于k均值聚类的光场前景分割方法及装置 | |
CN106550243A (zh) | 直播视频处理方法、装置及电子设备 | |
EP3018627A1 (en) | A method and an apparatus for automatic segmentation of an object | |
CN111681177B (zh) | 视频处理方法及装置、计算机可读存储介质、电子设备 | |
CN109255356A (zh) | 一种文字识别方法、装置及计算机可读存储介质 | |
EP2863362B1 (en) | Method and apparatus for scene segmentation from focal stack images | |
CN109117773A (zh) | 一种图像特征点检测方法、终端设备及存储介质 | |
CN108764352A (zh) | 重复页面内容检测方法和装置 | |
CN111062381B (zh) | 一种基于深度学习的车牌位置检测方法 | |
CN107506738A (zh) | 特征提取方法、图像识别方法、装置及电子设备 | |
CN110599554A (zh) | 人脸肤色的识别方法和装置、存储介质及电子装置 | |
CN108564631A (zh) | 车灯光导色差检测方法、装置及计算机可读存储介质 | |
CN109993806A (zh) | 一种颜色识别方法、装置及电子设备 | |
CN112419214A (zh) | 一种标注图像生成方法、装置、可读存储介质及终端设备 | |
CN111382743A (zh) | 基于数据增强和数据生成的车牌字符识别方法 | |
CN113395440A (zh) | 一种图像处理方法及电子设备 | |
CN108108293A (zh) | 一种测试拖尾时间的方法和系统 | |
CN111462164A (zh) | 一种前景分割方法以及基于图像合成的数据增强方法 | |
CN106228165A (zh) | 一种照片分类的方法和移动终端 | |
CN112580454B (zh) | 基于图片材质分割标记的人脸防伪方法及系统 | |
CN114119964A (zh) | 一种网络训练的方法及装置、目标检测的方法及装置 | |
CN115967823A (zh) | 视频封面生成方法、装置、电子设备及可读介质 |
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 |