CN112633113A - 跨摄像头的人脸活体检测方法及系统 - Google Patents

跨摄像头的人脸活体检测方法及系统 Download PDF

Info

Publication number
CN112633113A
CN112633113A CN202011493977.3A CN202011493977A CN112633113A CN 112633113 A CN112633113 A CN 112633113A CN 202011493977 A CN202011493977 A CN 202011493977A CN 112633113 A CN112633113 A CN 112633113A
Authority
CN
China
Prior art keywords
camera
face
living body
image
data set
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
Application number
CN202011493977.3A
Other languages
English (en)
Inventor
高志斌
张盛
方孝轩
刘文斌
黄联芬
林和志
林英
黄继翔
周涛
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.)
Xiamen University
Fujian Landi Commercial Equipment Co Ltd
Original Assignee
Xiamen University
Fujian Landi Commercial Equipment 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 Xiamen University, Fujian Landi Commercial Equipment Co Ltd filed Critical Xiamen University
Priority to CN202011493977.3A priority Critical patent/CN112633113A/zh
Publication of CN112633113A publication Critical patent/CN112633113A/zh
Pending legal-status Critical Current

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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06V40/172—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)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种跨摄像头的人脸活体检测方法、介质及系统，其中方法包括：采集第一训练数据集，并训练得到人脸活体检测模型；通过源摄像头和目标摄像头进行活体样本对的采集，以根据活体样本对生成第二训练数据集，并根据第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；通过目标摄像头获取待检测人脸图像，并将待检测人脸图像输入到风格转移函数模型，以及将风格转移后的待检测人脸图像输入到人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果；能够在不对活体检测模型进行重新训练的情况下，保证跨摄像头活体检测结果的准确性。

Description

跨摄像头的人脸活体检测方法及系统
技术领域
本发明涉及人脸识别技术领域，特别涉及一种跨摄像头的人脸活体检测方法、一种计算机可读存储介质和一种跨摄像头的人脸活体检测系统。
背景技术
近年来，深度学习技术的发展提高了人脸识别的精度，促进了基于人脸系统的进一步应用。因此，人脸被越来越多地与隐私和个人财产联系在一起，所以，预防对于人脸识别系统的非真实人脸攻击就会非常重要，即人脸活体检测。
相关技术中，基于单摄像头训练得到的活体检测模型，在不同摄像头不同环境下测试时，泛化性能大大降低，活体检测效果差。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种跨摄像头的人脸活体检测方法，能够在不对活体检测模型进行重新训练的情况下，保证跨摄像头活体检测结果的准确性。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种跨摄像头的人脸活体检测系统。
为达到上述目的，本发明第一方面实施例提出了一种跨摄像头的人脸活体检测方法，包括以下步骤：通过源摄像头对样本图像进行采集，以得到第一训练数据集，并根据所述第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型；通过源摄像头和目标摄像头进行活体样本对的采集，以根据活体样本对生成第二训练数据集，并根据所述第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；通过目标摄像头获取待检测人脸图像，并将所述待检测人脸图像输入到所述风格转移函数模型，以及将风格转移后的待检测人脸图像输入到所述人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果。
根据本发明实施例的跨摄像头的人脸活体检测方法，首先，通过源摄像头对样本图像进行采集，以得到第一训练数据集，并根据第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型；接着，通过源摄像头和目标摄像头进行活体样本对的采集，以根据活体样本对生成第二训练数据集，并根据第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；然后，通过目标摄像头获取待检测人脸图像，并将待检测人脸图像输入到风格转移函数模型，以及将风格转移后的待检测人脸图像输入到人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果；从而实现在不对活体检测模型进行重新训练的情况下，保证跨摄像头活体检测结果的准确性。
另外，根据本发明上述实施例提出的跨摄像头的人脸活体检测方法还可以具有如下附加的技术特征：
可选地，在根据所述第一训练数据集进行神经网络模型的训练时，根据以下公式按权重增加中心差分卷积算子：
Figure BDA0002841536340000021
其中，w(m,n)表示卷积核对应的值，g(i,j)表示当前像素值，m,n表示卷积核的宽与长，θ，1-θ表示普通卷积算子与中心差分算子的权重，y(i,j)表示中心差分卷积算子。
可选地，在根据所述第一训练数据集进行神经网络模型的训练时，损失函数通过以下公式表述：
Figure BDA0002841536340000022
其中，L表示损失函数，qi,j(k)表示位置在(i,j,k)处的概率输出，p(k)表示标定真实值。
可选地，所述目标摄像头与所述源摄像头之间具有固定的距离差，其中，在通过源摄像头和目标摄像头进行活体样本对的采集之前，还包括：通过固定间距的目标摄像头与源摄像头对棋盘格进行拍照，以获取棋盘格图像对；提取所述棋盘格图像对中每个图像对应的角点坐标，并根据所有图像对应的角点坐标计算源摄像头和目标摄像头的内外参数矩阵，以及根据所述内外参数矩阵计算畸变系数，以便根据所述畸变系数对目标摄像头拍摄得到的图像进行去畸变。
可选地，根据以下公式计算所述畸变系数：
xdistorted＝x(1+k1r2+k2r4+k3r6)
ydisorted＝y(1+k1r2+k2r4+k3r6)
其中，xdistorted、ydisorted表示畸变后的位置，k1、k2、k3表示畸变系数，x，y表示去畸变后的位置，r2＝x2+y2。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有跨摄像头的人脸活体检测程序，该跨摄像头的人脸活体检测程序被处理器执行时实现如上述的跨摄像头的人脸活体检测方法。
根据本发明实施例的计算机可读存储介质，通过存储跨摄像头的人脸活体检测程序，以使得处理器在执行该跨摄像头的人脸活体检测程序时，实现如上述的跨摄像头的人脸活体检测方法，从而实现在不对活体检测模型进行重新训练的情况下，保证跨摄像头活体检测结果的准确性。
为达到上述目的，本发明第三方面实施例提出了一种跨摄像头的人脸活体检测系统，包括：源摄像头、目标摄像头和服务器，所述服务器分别与所述源摄像头和所述目标摄像头连接；所述源摄像头用于对样本图像进行采集，并将所述样本图像发送给所述服务器；所述服务器用于根据所述样本图像生成第一训练数据集，并根据所述第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型；所述源摄像头和所述目标摄像头相配合以进行活体样本对的采集，并将活体样本对发送给所述服务器；所述服务器还用于根据活体样本对生成第二训练数据集，并根据所述第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；所述目标摄像头还用于获取待检测人脸图像，并将所述待检测人脸图像发送给服务器；所述服务器还用于将所述待检测人脸图像输入到所述风格转移函数模型，并将风格转移后的待检测人脸图像输入到所述人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果。
根据本发明实施例的跨摄像头的人脸活体检测系统，包括：源摄像头、目标摄像头和服务器，服务器分别与源摄像头和目标摄像头连接；源摄像头用于对样本图像进行采集，并将样本图像发送给服务器；通过设置服务器用于根据样本图像生成第一训练数据集，并根据第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型；源摄像头和目标摄像头相配合以进行活体样本对的采集，并将活体样本对发送给服务器；服务器还用于根据活体样本对生成第二训练数据集，并根据第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；目标摄像头还用于获取待检测人脸图像，并将待检测人脸图像发送给服务器；服务器还用于将待检测人脸图像输入到风格转移函数模型，并将风格转移后的待检测人脸图像输入到人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果；从而实现在不对活体检测模型进行重新训练的情况下，保证跨摄像头活体检测结果的准确性。
另外，根据本发明上述实施例提出的跨摄像头的人脸活体检测系统还可以具有如下附加的技术特征：
可选地，在根据所述第一训练数据集进行神经网络模型的训练时，根据以下公式按权重增加中心差分卷积算子：
Figure BDA0002841536340000041
其中，w(m,n)表示卷积核对应的值，g(i,j)表示当前像素值，m,n表示卷积核的宽与长，θ，1-θ表示普通卷积算子与中心差分算子的权重，y(i,j)表示中心差分卷积算子。
可选地，在根据所述第一训练数据集进行神经网络模型的训练时，损失函数通过以下公式表述：
Figure BDA0002841536340000042
其中，L表示损失函数，qi,j(k)表示位置在(i,j,k)处的概率输出，p(k)表示标定真实值。
可选地，所述目标摄像头与所述源摄像头之间具有固定的距离差，其中，在通过源摄像头和目标摄像头进行活体样本对的采集之前，还包括：通过固定间距的目标摄像头与源摄像头对棋盘格进行拍照，以获取棋盘格图像对；提取所述棋盘格图像对中每个图像对应的角点坐标，并根据所有图像对应的角点坐标计算源摄像头和目标摄像头的内外参数矩阵，以及根据所述内外参数矩阵计算畸变系数，以便根据所述畸变系数对目标摄像头拍摄得到的图像进行去畸变。
附图说明
图1为根据本发明实施例的跨摄像头的人脸活体检测方法的流程示意图；
图2为根据本发明实施例的摄像头标定装置示意图；
图3为根据本发明实施例的跨摄像头的人脸活体检测系统的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
相关技术中，基于单摄像头训练得到的活体检测模型，在不同摄像头不同环境下测试时，泛化性能大大降低，活体检测效果差。根据本发明实施例的跨摄像头的人脸活体检测方法，首先，通过源摄像头对样本图像进行采集，以得到第一训练数据集，并根据第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型；接着，通过源摄像头和目标摄像头进行活体样本对的采集，以根据活体样本对生成第二训练数据集，并根据第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；然后，通过目标摄像头获取待检测人脸图像，并将待检测人脸图像输入到风格转移函数模型，以及将风格转移后的待检测人脸图像输入到人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果；从而实现在不对活体检测模型进行重新训练的情况下，保证跨摄像头活体检测结果的准确性。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的跨摄像头的人脸活体检测方法的流程示意图；如图1所示，该跨摄像头的人脸活体检测方法包括以下步骤：
S101，通过源摄像头对样本图像进行采集，以得到第一训练数据集，并根据第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型。
也就是说，通过源摄像头对样本图像进行采集，以生成对应的第一训练数据集，以便根据第一训练数据集进行训练，得到人脸活体检测模型。
需要说明的是，源摄像头指的是用于训练人脸活体检测模型的摄像头，而目标摄像头指的是除所述源摄像头之外的其他摄像头。
其中，样本图像的采集方式可以有多种。
作为一种示例，在样本图像的采集过程中，使用摄像头在光照、距离、角度情况下，其中的不同光照条件包括强光(11000Lux)、弱光(15Lux)、正常光(700Lux)、逆光(环境光700Lux，背景光11000Lux)、阴阳光(环境光700Lux、侧面光11000Lux)五种。距离包括近距离(40cm)、远距离(80cm)。角度包括俯仰角(-20°到20°)、旋转角(-20°到20°)、倾斜角(-20°到20°)、正面。以得到大量的、数据齐全的样本图像。
作为另一种示例，样本图像包括真人图像和假体图像；在获取到样本图像之后，对样本图像进行相应的数据标定。
在一些实施例中，根据所述第一训练数据集进行神经网络模型的训练时，根据以下公式按权重增加中心差分卷积算子：
Figure BDA0002841536340000051
其中，w(m,n)表示卷积核对应的值，g(i,j)表示当前像素值，m,n表示卷积核的宽与长，θ，1-θ表示普通卷积算子与中心差分算子的权重，y(i,j)表示中心差分卷积算子。
从而，通过该中心差分卷积算子可以获得人脸中丰富的细节信息，从而提升最终人脸活体检测模型的泛化性。
在一些实施例中，在根据所述第一训练数据集进行神经网络模型的训练时，损失函数通过以下公式表述：
Figure BDA0002841536340000061
其中，L表示损失函数，qi,j(k)表示位置在(i,j,k)处的概率输出，p(k)表示标定真实值。
可以理解，通过上述方式，网络就可以根据每个区域的损失从而优化整个网络参数。并且由于全卷积网络的原因在Fout的每一块概率特征可以映射回原图像的一块区域，对于原图像的中心部分是映射区域覆盖最多的。因此该网络对于原图像即人脸的中心会更加关注。
S102，通过源摄像头和目标摄像头进行活体样本对的采集，以根据活体样本对生成第二训练数据集，并根据第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型。
即言，由于源摄像头和目标摄像头可能是不同种类的摄像头，两者在对同一活体进行拍照时，可能会存在风格上的差异；因此，通过源摄像头和目标摄像头同时对活体进行拍摄，以获取对应的活体样本对；进而根据该活体样本对生成第二训练数据集，并根据该第二训练数据集进行生成对抗网络的训练，以生成风格转移函数模型。从而，后续可以根据该风格转移函数模型对目标摄像头拍摄得到的图像进行风格转移。
S103，通过目标摄像头获取待检测人脸图像，并将待检测人脸图像输入到风格转移函数模型，以及将风格转移后的待检测人脸图像输入到人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果。
也就是说，在目标摄像头获取到待检测的人脸图像之后，对待检测人脸图像进行风格转移，以将该待检测人脸图像的风格转移为源摄像头的风格，并将转移后的待检测人脸图像输入到人脸活体检测模型，以便输出活体检测结果；从而，通过这种方式可以提高人脸活体检测模型的泛化性能；无需在跨摄像头人脸活体检测时，因为摄像头种类不同而进行模型的重新训练，提高跨摄像头人脸活体检测结果的准确性。
在一些实施例中，目标摄像头与源摄像头之间具有固定的距离差，其中，在通过源摄像头和目标摄像头进行活体样本对的采集之前，还包括：通过固定间距的目标摄像头与源摄像头对棋盘格进行拍照，以获取棋盘格图像对；提取棋盘格图像对中每个图像对应的角点坐标，并根据所有图像对应的角点坐标计算源摄像头和目标摄像头的内外参数矩阵，以及根据内外参数矩阵计算畸变系数，以便根据畸变系数对目标摄像头拍摄得到的图像进行去畸变。
作为一种示例，如图2所示，将目标摄像头与源摄像头进行固定设置，两者之间的距离可以设置的尽可能小，固定之后，通过目标摄像头与源摄像头对棋盘格进行拍照，以获取棋盘格图像对；然后，检测出其中每个图像对应的角点坐标；接着，通过多个角点位置计算出摄像头的内外参数矩阵，其依据公式为：r2＝x2+y2。其中u,v为图像中角点的位置，xw，yw，zw为在相机坐标系中角点的坐标。其中
Figure BDA0002841536340000071
为相机的内参矩阵，其中的fx，fy分别为x，y方向上的焦距，cx，cy分别为中心点坐标。另外，
Figure BDA0002841536340000072
为外参矩阵，其中R为旋转矩阵，t为平移矩阵；接着，利用公式
Figure BDA0002841536340000073
求出畸变系数k1，k2，k3，其中，r2＝x2+y2且xdistorted，ydisorted为畸变后的位置，x，y为去畸变后的位置。
综上所述，根据本发明实施例的跨摄像头的人脸活体检测方法，首先，通过源摄像头对样本图像进行采集，以得到第一训练数据集，并根据第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型；接着，通过源摄像头和目标摄像头进行活体样本对的采集，以根据活体样本对生成第二训练数据集，并根据第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；然后，通过目标摄像头获取待检测人脸图像，并将待检测人脸图像输入到风格转移函数模型，以及将风格转移后的待检测人脸图像输入到人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果；从而实现在不对活体检测模型进行重新训练的情况下，保证跨摄像头活体检测结果的准确性。
为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有跨摄像头的人脸活体检测程序，该跨摄像头的人脸活体检测程序被处理器执行时实现如上述的跨摄像头的人脸活体检测方法。
根据本发明实施例的计算机可读存储介质，通过存储跨摄像头的人脸活体检测程序，以使得处理器在执行该跨摄像头的人脸活体检测程序时，实现如上述的跨摄像头的人脸活体检测方法，从而实现在不对活体检测模型进行重新训练的情况下，保证跨摄像头活体检测结果的准确性。
为了实现上述实施例，本发明实施例提出了一种跨摄像头的人脸活体检测系统，如图3所示，该跨摄像头的人脸活体检测系统包括：源摄像头10、目标摄像头20和服务器30。
其中，源摄像头10用于对样本图像进行采集，并将样本图像发送给服务器30；
服务器30用于根据样本图像生成第一训练数据集，并根据第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型；
源摄像头10和目标摄像头20相配合以进行活体样本对的采集，并将活体样本对发送给服务器30；
服务器30还用于根据活体样本对生成第二训练数据集，并根据第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；
目标摄像头20还用于获取待检测人脸图像，并将待检测人脸图像发送给服务器30；
服务器30还用于将待检测人脸图像输入到风格转移函数模型，并将风格转移后的待检测人脸图像输入到人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果。
在一些实施例中，在根据第一训练数据集进行神经网络模型的训练时，根据以下公式按权重增加中心差分卷积算子：
Figure BDA0002841536340000081
其中，w(m,n)表示卷积核对应的值，g(i,j)表示当前像素值，m,n表示卷积核的宽与长，θ，1-θ表示普通卷积算子与中心差分算子的权重，y(i,j)表示中心差分卷积算子。
在一些实施例中，在根据第一训练数据集进行神经网络模型的训练时，损失函数通过以下公式表述：
Figure BDA0002841536340000082
其中，L表示损失函数，qi,j(k)表示位置在(i,j,k)处的概率输出，p(k)表示标定真实值。
在一些实施例中，目标摄像头20与源摄像头10之间具有固定的距离差，其中，在通过源摄像头10和目标摄像头20进行活体样本对的采集之前，还包括：
通过固定间距的目标摄像头20与源摄像头10对棋盘格进行拍照，以获取棋盘格图像对；
提取棋盘格图像对中每个图像对应的角点坐标，并根据所有图像对应的角点坐标计算源摄像头10和目标摄像头20的内外参数矩阵，以及根据内外参数矩阵计算畸变系数，以便根据畸变系数对目标摄像头20拍摄得到的图像进行去畸变。
需要说明的是，上述关于图1中跨摄像头的人脸活体检测方法的描述同样适用于该跨摄像头的人脸活体检测系统，在此不做赘述。
综上所述，根据本发明实施例的跨摄像头的人脸活体检测系统，包括：源摄像头、目标摄像头和服务器，服务器分别与源摄像头和目标摄像头连接；源摄像头用于对样本图像进行采集，并将样本图像发送给服务器；通过设置服务器用于根据样本图像生成第一训练数据集，并根据第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型；源摄像头和目标摄像头相配合以进行活体样本对的采集，并将活体样本对发送给服务器；服务器还用于根据活体样本对生成第二训练数据集，并根据第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；目标摄像头还用于获取待检测人脸图像，并将待检测人脸图像发送给服务器；服务器还用于将待检测人脸图像输入到风格转移函数模型，并将风格转移后的待检测人脸图像输入到人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果；从而实现在不对活体检测模型进行重新训练的情况下，保证跨摄像头活体检测结果的准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示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一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，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“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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。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。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种跨摄像头的人脸活体检测方法，其特征在于，包括以下步骤：
通过源摄像头对样本图像进行采集，以得到第一训练数据集，并根据所述第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型；
通过源摄像头和目标摄像头进行活体样本对的采集，以根据活体样本对生成第二训练数据集，并根据所述第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；
通过目标摄像头获取待检测人脸图像，并将所述待检测人脸图像输入到所述风格转移函数模型，以及将风格转移后的待检测人脸图像输入到所述人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果。
2.如权利要求1所述的跨摄像头的人脸活体检测方法，其特征在于，在根据所述第一训练数据集进行神经网络模型的训练时，根据以下公式按权重增加中心差分卷积算子：
Figure FDA0002841536330000011
其中，w(m,n)表示卷积核对应的值，g(i,j)表示当前像素值，m,n表示卷积核的宽与长，θ，1-θ表示普通卷积算子与中心差分算子的权重，y(i,j)表示中心差分卷积算子。
3.如权利要求1所述的跨摄像头的人脸活体检测方法，其特征在于，在根据所述第一训练数据集进行神经网络模型的训练时，损失函数通过以下公式表述：
Figure FDA0002841536330000012
其中，L表示损失函数，qi,j(k)表示位置在(i,j,k)处的概率输出，p(k)表示标定真实值。
4.如权利要求1所述的跨摄像头的人脸活体检测方法，其特征在于，所述目标摄像头与所述源摄像头之间具有固定的距离差，其中，在通过源摄像头和目标摄像头进行活体样本对的采集之前，还包括：
通过固定间距的目标摄像头与源摄像头对棋盘格进行拍照，以获取棋盘格图像对；
提取所述棋盘格图像对中每个图像对应的角点坐标，并根据所有图像对应的角点坐标计算源摄像头和目标摄像头的内外参数矩阵，以及根据所述内外参数矩阵计算畸变系数，以便根据所述畸变系数对目标摄像头拍摄得到的图像进行去畸变。
5.如权利要求4所述的跨摄像头的人脸活体检测方法，其特征在于，根据以下公式计算所述畸变系数：
xdistorted＝x(1+k1r2+k2r4+k3r6)
ydisorted＝y(1+k1r2+k2r4+k3r6)
其中，xdistorted、ydisorted表示畸变后的位置，k1、k2、k3表示畸变系数，x，y表示去畸变后的位置，r2＝x2+y2。
6.一种计算机可读存储介质，其特征在于，其上存储有跨摄像头的人脸活体检测程序，该跨摄像头的人脸活体检测程序被处理器执行时实现如权利要求1-5中任一项所述的跨摄像头的人脸活体检测方法。
7.一种跨摄像头的人脸活体检测系统，其特征在于，包括：源摄像头、目标摄像头和服务器，所述服务器分别与所述源摄像头和所述目标摄像头连接；
所述源摄像头用于对样本图像进行采集，并将所述样本图像发送给所述服务器；
所述服务器用于根据所述样本图像生成第一训练数据集，并根据所述第一训练数据集进行神经网络模型的训练，以得到人脸活体检测模型；
所述源摄像头和所述目标摄像头相配合以进行活体样本对的采集，并将活体样本对发送给所述服务器；
所述服务器还用于根据活体样本对生成第二训练数据集，并根据所述第二训练数据集进行生成对抗网络的训练，以得到风格转移函数模型；
所述目标摄像头还用于获取待检测人脸图像，并将所述待检测人脸图像发送给服务器；
所述服务器还用于将所述待检测人脸图像输入到所述风格转移函数模型，并将风格转移后的待检测人脸图像输入到所述人脸活体检测模型，以得到待检测人脸图像对应的活体检测结果。
8.如权利要求7所述的跨摄像头的人脸活体检测系统，其特征在于，在根据所述第一训练数据集进行神经网络模型的训练时，根据以下公式按权重增加中心差分卷积算子：
Figure FDA0002841536330000021
其中，w(m,n)表示卷积核对应的值，g(i,j)表示当前像素值，m,n表示卷积核的宽与长，θ，1-θ表示普通卷积算子与中心差分算子的权重，y(i,j)表示中心差分卷积算子。
9.如权利要求7所述的跨摄像头的人脸活体检测系统，其特征在于，在根据所述第一训练数据集进行神经网络模型的训练时，损失函数通过以下公式表述：
Figure FDA0002841536330000022
其中，L表示损失函数，qi,j(k)表示位置在(i,j,k)处的概率输出，p(k)表示标定真实值。
10.如权利要求7所述的跨摄像头的人脸活体检测系统，其特征在于，所述目标摄像头与所述源摄像头之间具有固定的距离差，其中，在通过源摄像头和目标摄像头进行活体样本对的采集之前，还包括：
通过固定间距的目标摄像头与源摄像头对棋盘格进行拍照，以获取棋盘格图像对；
提取所述棋盘格图像对中每个图像对应的角点坐标，并根据所有图像对应的角点坐标计算源摄像头和目标摄像头的内外参数矩阵，以及根据所述内外参数矩阵计算畸变系数，以便根据所述畸变系数对目标摄像头拍摄得到的图像进行去畸变。
CN202011493977.3A 2020-12-17 2020-12-17 跨摄像头的人脸活体检测方法及系统 Pending CN112633113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011493977.3A CN112633113A (zh) 2020-12-17 2020-12-17 跨摄像头的人脸活体检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011493977.3A CN112633113A (zh) 2020-12-17 2020-12-17 跨摄像头的人脸活体检测方法及系统

Publications (1)

Publication Number Publication Date
CN112633113A true CN112633113A (zh) 2021-04-09

Family

ID=75316320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011493977.3A Pending CN112633113A (zh) 2020-12-17 2020-12-17 跨摄像头的人脸活体检测方法及系统

Country Status (1)

Country Link
CN (1) CN112633113A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378715A (zh) * 2021-06-10 2021-09-10 北京华捷艾米科技有限公司 一种基于彩色人脸图像的活体检测方法及相关设备
CN116758379A (zh) * 2023-08-14 2023-09-15 腾讯科技（深圳）有限公司 一种图像处理方法、装置、设备及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204833300U (zh) * 2015-08-20 2015-12-02 北京旷视科技有限公司 活体检测系统
CN108537152A (zh) * 2018-03-27 2018-09-14 百度在线网络技术（北京）有限公司 用于检测活体的方法和装置
CN109086723A (zh) * 2018-08-07 2018-12-25 广东工业大学 一种基于迁移学习的人脸检测的方法、装置以及设备
US20180373999A1 (en) * 2017-06-26 2018-12-27 Konica Minolta Laboratory U.S.A., Inc. Targeted data augmentation using neural style transfer
CN109344758A (zh) * 2018-09-25 2019-02-15 厦门大学 基于改进局部二值模式的人脸识别方法
WO2019114580A1 (zh) * 2017-12-13 2019-06-20 深圳励飞科技有限公司 活体检测方法、计算机装置及计算机可读存储介质
CN110148081A (zh) * 2019-03-25 2019-08-20 腾讯科技（深圳）有限公司 图像处理模型的训练方法、图像处理方法、装置及存储介质
CN110490076A (zh) * 2019-07-18 2019-11-22 平安科技（深圳）有限公司 活体检测方法、装置、计算机设备和存储介质
CN110909693A (zh) * 2019-11-27 2020-03-24 深圳市华付信息技术有限公司 3d人脸活体检测方法、装置、计算机设备及存储介质
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
CN111145271A (zh) * 2019-12-30 2020-05-12 广东博智林机器人有限公司 相机参数的精确度的确定方法、装置、存储介质及终端
CN111161132A (zh) * 2019-11-15 2020-05-15 上海联影智能医疗科技有限公司 用于图像风格转换的系统和方法
CN111243033A (zh) * 2020-01-10 2020-06-05 大连理工大学 一种优化双目相机外参数的方法
CN111476783A (zh) * 2020-04-13 2020-07-31 腾讯科技（深圳）有限公司 基于人工智能的图像处理方法、装置、设备及存储介质
CN111476708A (zh) * 2020-04-03 2020-07-31 广州市百果园信息技术有限公司 模型生成方法、模型获取方法、装置、设备及存储介质
CN111814682A (zh) * 2020-07-09 2020-10-23 泰康保险集团股份有限公司 人脸活体检测方法及装置
CN111814570A (zh) * 2020-06-12 2020-10-23 深圳禾思众成科技有限公司 一种基于动态阈值的人脸识别方法、系统及存储介质
CN112016271A (zh) * 2019-05-30 2020-12-01 北京三星通信技术研究有限公司 语言风格转换模型的训练方法、文本处理方法以及装置

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204833300U (zh) * 2015-08-20 2015-12-02 北京旷视科技有限公司 活体检测系统
US20180373999A1 (en) * 2017-06-26 2018-12-27 Konica Minolta Laboratory U.S.A., Inc. Targeted data augmentation using neural style transfer
WO2019114580A1 (zh) * 2017-12-13 2019-06-20 深圳励飞科技有限公司 活体检测方法、计算机装置及计算机可读存储介质
CN108537152A (zh) * 2018-03-27 2018-09-14 百度在线网络技术（北京）有限公司 用于检测活体的方法和装置
CN109086723A (zh) * 2018-08-07 2018-12-25 广东工业大学 一种基于迁移学习的人脸检测的方法、装置以及设备
CN109344758A (zh) * 2018-09-25 2019-02-15 厦门大学 基于改进局部二值模式的人脸识别方法
CN110148081A (zh) * 2019-03-25 2019-08-20 腾讯科技（深圳）有限公司 图像处理模型的训练方法、图像处理方法、装置及存储介质
US20210264655A1 (en) * 2019-03-25 2021-08-26 Tencent Technology (Shenzhen) Company Limited Training method and apparatus for image processing model, image processing method and apparatus for image processing model, and storage medium
CN112016271A (zh) * 2019-05-30 2020-12-01 北京三星通信技术研究有限公司 语言风格转换模型的训练方法、文本处理方法以及装置
CN110490076A (zh) * 2019-07-18 2019-11-22 平安科技（深圳）有限公司 活体检测方法、装置、计算机设备和存储介质
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
CN111161132A (zh) * 2019-11-15 2020-05-15 上海联影智能医疗科技有限公司 用于图像风格转换的系统和方法
CN110909693A (zh) * 2019-11-27 2020-03-24 深圳市华付信息技术有限公司 3d人脸活体检测方法、装置、计算机设备及存储介质
CN111145271A (zh) * 2019-12-30 2020-05-12 广东博智林机器人有限公司 相机参数的精确度的确定方法、装置、存储介质及终端
CN111243033A (zh) * 2020-01-10 2020-06-05 大连理工大学 一种优化双目相机外参数的方法
CN111476708A (zh) * 2020-04-03 2020-07-31 广州市百果园信息技术有限公司 模型生成方法、模型获取方法、装置、设备及存储介质
CN111476783A (zh) * 2020-04-13 2020-07-31 腾讯科技（深圳）有限公司 基于人工智能的图像处理方法、装置、设备及存储介质
CN111814570A (zh) * 2020-06-12 2020-10-23 深圳禾思众成科技有限公司 一种基于动态阈值的人脸识别方法、系统及存储介质
CN111814682A (zh) * 2020-07-09 2020-10-23 泰康保险集团股份有限公司 人脸活体检测方法及装置

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
ISRAEL A. LAURENSI R.等: "Style Transfer Applied to Face Liveness Detection with User-Centered Models", 《ARXIV》, 16 July 2019 (2019-07-16) *
ZITONG YU等: "Searching Central Difference Convolutional Networks for Face Anti-Spoofing", 《COMPUTER VISION AND PATTERN RECOGNITION》 *
于佃海;吴甜;: "深度学习技术和平台发展综述", 人工智能, no. 03 *
孙效华;张义文;侯璐;周雯洁;张绳宸;: "人工智能产品与服务体系研究综述", 包装工程, no. 10 *
时洪光;张凤生;郑春兰;: "双目视觉中摄像机标定技术的研究", 青岛大学学报(工程技术版), no. 04 *
李君艺;尧雪娟;李海林;: "基于感知对抗网络的图像风格迁移方法研究", 合肥工业大学学报(自然科学版), no. 05 *
李君艺;尧雪娟;李海林;: "基于感知对抗网络的图像风格迁移方法研究", 合肥工业大学学报(自然科学版), no. 05, 28 May 2020 (2020-05-28) *
王兆其, 张勇东, 夏时洪: "体育训练三维人体运动模拟与视频分析系统", 计算机研究与发展, no. 02, 16 February 2005 (2005-02-16) *
肖亚敏: "人脸活体检测与识别认证方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 3 - 4 *
许哲豪;陈玮;: "基于生成对抗网络的图片风格迁移", 软件导刊, no. 06 *
许哲豪;陈玮;: "基于生成对抗网络的图片风格迁移", 软件导刊, no. 06, 29 May 2018 (2018-05-29) *
马赫;张涛;卢涵宇;: "基于CycleGAN的图像风格迁移", 电脑知识与技术, no. 27 *
马赫;张涛;卢涵宇;: "基于CycleGAN的图像风格迁移", 电脑知识与技术, no. 27, 25 September 2020 (2020-09-25) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378715A (zh) * 2021-06-10 2021-09-10 北京华捷艾米科技有限公司 一种基于彩色人脸图像的活体检测方法及相关设备
CN113378715B (zh) * 2021-06-10 2024-01-05 北京华捷艾米科技有限公司 一种基于彩色人脸图像的活体检测方法及相关设备
CN116758379A (zh) * 2023-08-14 2023-09-15 腾讯科技（深圳）有限公司 一种图像处理方法、装置、设备及存储介质
CN116758379B (zh) * 2023-08-14 2024-05-28 腾讯科技（深圳）有限公司 一种图像处理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Wang et al. 360sd-net: 360 stereo depth estimation with learnable cost volume
CN110276411B (zh) 图像分类方法、装置、设备、存储介质和医疗电子设备
CN109003311B (zh) 一种鱼眼镜头的标定方法
US20220157047A1 (en) Feature Point Detection
CN107578376B (zh) 基于特征点聚类四叉划分和局部变换矩阵的图像拼接方法
CN106705849A (zh) 线结构光传感器标定方法
JP6501800B2 (ja) 信頼度マッチング付き生体内マルチカメラカプセルからの画像の再構築
CN112633113A (zh) 跨摄像头的人脸活体检测方法及系统
Bazin et al. Globally optimal inlier set maximization with unknown rotation and focal length
CN112927279A (zh) 一种图像深度信息生成方法、设备及存储介质
CN111563458A (zh) 基于YOLOv3和OpenCV的目标检测与定位方法
CN111383264B (zh) 一种定位方法、装置、终端及计算机存储介质
WO2021051382A1 (zh) 白平衡处理方法和设备、可移动平台、相机
CN114387353A (zh) 一种相机标定方法、标定装置及计算机可读存储介质
CN111758118B (zh) 一种视觉定位方法、装置、设备及可读存储介质
CN110827375B (zh) 一种基于微光图像的红外图像真彩着色方法及系统
CN110717441B (zh) 视频目标检测方法、装置、设备及介质
JP5439343B2 (ja) ３次元情報取得装置および３次元情報取得プログラム
CN116704401A (zh) 操作类考试的评分校验方法、装置、电子设备及存储介质
CN112154484A (zh) 正射影像生成方法、系统和存储介质
US11967096B2 (en) Methods and apparatuses of depth estimation from focus information
CN113160104B (zh) 一种基于密集连接网络的图像融合方法
CN115410014A (zh) 一种鱼眼图像的自监督特征点匹配方法及其存储介质
WO2021046861A1 (zh) 正射影像生成方法、系统和存储介质
CN116452488A (zh) 一种图像处理方法、设备及计算机可读存储介质

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