CN112651268A - 活体检测中排除黑白照片的方法、装置、电子设备 - Google Patents

活体检测中排除黑白照片的方法、装置、电子设备 Download PDF

Info

Publication number
CN112651268A
CN112651268A CN201910965059.7A CN201910965059A CN112651268A CN 112651268 A CN112651268 A CN 112651268A CN 201910965059 A CN201910965059 A CN 201910965059A CN 112651268 A CN112651268 A CN 112651268A
Authority
CN
China
Prior art keywords
image
component
features
equal
value
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.)
Granted
Application number
CN201910965059.7A
Other languages
English (en)
Other versions
CN112651268B (zh
Inventor
周军
孔勇
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.)
Beijing Eyes Intelligent Technology Co ltd
Beijing Eyecool Technology Co Ltd
Original Assignee
Beijing Eyes Intelligent Technology Co ltd
Beijing Eyecool Technology 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 Beijing Eyes Intelligent Technology Co ltd, Beijing Eyecool Technology Co Ltd filed Critical Beijing Eyes Intelligent Technology Co ltd
Priority to CN201910965059.7A priority Critical patent/CN112651268B/zh
Publication of CN112651268A publication Critical patent/CN112651268A/zh
Application granted granted Critical
Publication of CN112651268B publication Critical patent/CN112651268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种活体检测中排除黑白照片的方法、装置、电子设备及存储介质，属于图像处理和生物识别技术领域，所述方法包括：对待识别的人脸图像进行预处理，所述预处理包括：人脸检测、眼睛定位和人脸对齐；从预处理后的人脸图像中提取出多维特征，并输入到训练好的AdaBoost分类器中得到一个分数；若所述分数大于零，则认为是真人图像，若所述分数小于等于零，则认为是假体攻击。本发明准确率高，在测试集上达到99.4％的准确率，即能在几乎没有拒真的情况下排除几乎所有的黑白图像，而且检测快速，如果不包括人脸检测和人脸对齐过程，只有2ms。

Description

活体检测中排除黑白照片的方法、装置、电子设备
技术领域
本发明涉及图像处理和生物识别技术领域，特别涉及一种活体检测中排除黑白照片的方法、装置、电子设备及存储介质。
背景技术
在人脸识别中，活体检测主要用于排除照片、视频以及面具等的攻击介质。对于攻击介质，如果根据肤色来分类的话，可以分为黑白非肤色的图像、彩色(比如绿色、蓝色)但非肤色的图像、正常肤色的图像等。
为了减少攻击的种类、提高防假的准确度，有必要先排除掉黑白非肤色的图像、以及彩色但非肤色的图像，这样就可以排除掉约50％的攻击。一种最直接的排除方法就是利用肤色判断的方法(比如文献[1].Regina Lionnie&MudrikAlaydrus,“A comparison ofhuman skin color detection for biometrie identification”,2017InternationalConference on Broadband Communication,Wireless Sensors and Powering(BCWSP),IEEE,2017)，通过计算人脸区域肤色点的个数，再判断如果此个数小于某个阈值，则认为是不满足要求的图像，即是假体攻击。
然而，发明人在研究过程中发现，如果直接利用文献中常用的肤色判断的方法(比如文献[1]中的公式(1)、(2)、(3)、(4))，则会造成较多的拒真率和认假率，分析原因有：
a)有的摄像头的质量较差导致受环境影响较大，或者环境本身太恶劣比如暗光逆光时，拍出来的真人人脸区域偏绿、偏暗或者红色分量不正常等导致不满足肤色要求的像素点个数较少；
b)有的摄像头成像偏暖色，或者有额外的有色光源(比如近红外补光灯)的影响，使得黑白照片的成像中的像素满足肤色要求的个数很多。
下面，以利用文献[1]中的公式(1)的肤色判断公式计算肤色点的个数为例进行说明。
首先创建一个总共约21万张RGB图像的图像库(每张图像大小是64*64，即每张图像有4096个像素点)，库中包含了11多万张的真人图像、约10万张的黑白照片的图像以及少量的纯色(比如绿色、蓝色、白色)面具的图像等。其中17张标记为应该是满足要求的RGB图像，如图1所示(图中以灰度图示出)，根据文献[1]中的公式(1)计算的肤色点个数分别是[0,0,0,2,3,111,143,0,0,91,0,278,562,1387,3977,3981,3919]；4张标记为应该是不满足要求的RGB图像，如图2所示(图中以灰度图示出)，根据文献[1]中的公式(1)计算的肤色点个数分别是[2,2,214,225]，这样，如果设置肤色点个数的阈值是100，则上述17张应该满足要求的图像中有9张不合格(肤色点个数小于阈值100)。
当肤色点个数的阈值是100时，在图像库上真人的拒真率约是26.2％，黑白照片的认假率约是5％；当肤色点个数的阈值是10时，在图像库上真人的拒真率约是16.08％，黑白照片的认假率约是13.8％；当肤色点个数的阈值是1时，在图像库上真人的拒真率约是13.7％，黑白照片的认假率约是25％。
由此可知，如果只利用单纯的肤色判断，会有较多的真人的拒真率和黑白照片的认假率，故有必要做进一步的优化。
发明内容
为解决上述技术问题，本发明实施例提供一种准确率高的活体检测中排除黑白照片的方法、装置、电子设备及存储介质。
本发明实施例提供技术方案如下：
一方面，提供一种活体检测中排除黑白照片的方法，包括：
对待识别的人脸图像进行预处理，所述预处理包括：人脸检测、眼睛定位和人脸对齐；
从预处理后的人脸图像中提取出多维特征，并输入到训练好的AdaBoost分类器中得到一个分数；
若所述分数大于零，则认为是真人图像，若所述分数小于等于零，则认为是假体攻击；
其中，所述多维特征包括第一部分特征至第五部分特征；
第一部分特征包括：RGB图像格式中肤色点个数、R分量-G分量大于等于第一预设值的像素点个数、R分量-G分量的绝对值大于等于第二预设值的像素点个数、R分量-B分量的绝对值大于等于第三预设值的像素点个数、G分量-B分量的绝对值大于等于第四预设值的像素点个数；
第二部分特征包括：HSV图像格式中肤色点个数、H分量的均值、S分量的均值；
第三部分特征至第五部分特征基于RGB图像的颜色直方图得到，其中将R分量、G分量、B分量分别分成m个等长的区间，此时图像的颜色直方图的长度是m*m*m，每个等长的区间是256/m个像素，第三部分特征至第五部分特征中m取值均不相同，从颜色直方图的长度m*m*m中选取预设数量、预设位置的特征作为所述第三部分特征至第五部分特征。
在本发明一些实施例中，所述第三部分特征中m取值64，第四部分特征中m取值32，第五部分特征中m取值16。
在本发明一些实施例中，所述对待识别的人脸图像进行预处理之前，包括：
根据预先建立的包括真人图像和非真人图像的图像库，同样提取图像库中图像的多维特征，使用Gentle AdaBoost算法训练至少500个弱分类器构成一个强分类器，即得所述训练好的AdaBoost分类器。
在本发明一些实施例中，在所述AdaBoost分类器训练时，提取的图像的多维特征中，第一部分特征还包括：R分量-G分量小于等于第五预设值的像素点个数、R分量-B分量小于等于第六预设值的像素点个数；第二部分特征还包括：V分量的均值。
在本发明一些实施例中，在所述AdaBoost分类器训练时，提取的图像的多维特征中：
第三部分特征中m取值64，提取图像的64*64*64＝262144维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择的位置对应的数值作为第三部分特征；
第四部分特征中m取值32，提取图像的32*32*32＝32768维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前2000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前2000个最大的数值对应的位置，这4000个位置经过去重后选择的位置对应的数值作为第四部分特征；
第五部分特征中m取值16，提取图像的16*16*16＝4096维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择的位置对应的数值作为第五部分特征。
在本发明一些实施例中，所述人脸对齐包括归一化，归一化后的人脸图像中左眼坐标是(8,8)，右眼坐标是(56,8)，人脸大小是64*64。
在本发明一些实施例中，所述人脸对齐包括归一化，归一化后的人脸图像大小是64*64，只取包含鼻子和嘴巴而不包含眼睛的区域。
另一方面，提供一种活体检测中排除黑白照片的装置，包括：
预处理模块，用于对待识别的人脸图像进行预处理，所述预处理包括：人脸检测、眼睛定位和人脸对齐；
提取及输入模块，用于从预处理后的人脸图像中提取出多维特征，并输入到训练好的AdaBoost分类器中得到一个分数；
判定模块，用于若所述分数大于零，则认为是真人图像，若所述分数小于等于零，则认为是假体攻击；
其中，所述多维特征包括第一部分特征至第五部分特征；
第一部分特征包括：RGB图像格式中肤色点个数、R分量-G分量大于等于第一预设值的像素点个数、R分量-G分量的绝对值大于等于第二预设值的像素点个数、R分量-B分量的绝对值大于等于第三预设值的像素点个数、G分量-B分量的绝对值大于等于第四预设值的像素点个数；
第二部分特征包括：HSV图像格式中肤色点个数、H分量的均值、S分量的均值；
第三部分特征至第五部分特征基于RGB图像的颜色直方图得到，其中将R分量、G分量、B分量分别分成m个等长的区间，此时图像的颜色直方图的长度是m*m*m，每个等长的区间是256/m个像素，第三部分特征至第五部分特征中m取值均不相同，从颜色直方图的长度m*m*m中选取预设数量、预设位置的特征作为所述第三部分特征至第五部分特征。
在本发明一些实施例中，所述第三部分特征中m取值64，第四部分特征中m取值32，第五部分特征中m取值16。
在本发明一些实施例中，所述装置还包括：
训练模块，用于根据预先建立的包括真人图像和非真人图像的图像库，同样提取图像库中图像的多维特征，使用Gentle AdaBoost算法训练至少500个弱分类器构成一个强分类器，即得所述训练好的AdaBoost分类器。
在本发明一些实施例中，在所述AdaBoost分类器训练时，提取的图像的多维特征中，第一部分特征还包括：R分量-G分量小于等于第五预设值的像素点个数、R分量-B分量小于等于第六预设值的像素点个数；第二部分特征还包括：V分量的均值。
在本发明一些实施例中，在所述AdaBoost分类器训练时，提取的图像的多维特征中：
第三部分特征中m取值64，提取图像的64*64*64＝262144维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择的位置对应的数值作为第三部分特征；
第四部分特征中m取值32，提取图像的32*32*32＝32768维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前2000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前2000个最大的数值对应的位置，这4000个位置经过去重后选择的位置对应的数值作为第四部分特征；
第五部分特征中m取值16，提取图像的16*16*16＝4096维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择的位置对应的数值作为第五部分特征。
在本发明一些实施例中，所述人脸对齐包括归一化，归一化后的人脸图像中左眼坐标是(8,8)，右眼坐标是(56,8)，人脸大小是64*64。
在本发明一些实施例中，所述人脸对齐包括归一化，归一化后的人脸图像大小是64*64，只取包含鼻子和嘴巴而不包含眼睛的区域。
再一方面，提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行上述任一所述的方法。
又一方面，提供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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一所述的方法。
本发明实施例具有以下有益效果：
本发明实施例提供的活体检测中排除黑白照片的方法、装置、电子设备及存储介质，首先对待识别的人脸图像进行预处理，所述预处理包括：人脸检测、眼睛定位和人脸对齐，然后从预处理后的人脸图像中提取出多维特征，并输入到训练好的AdaBoost分类器中得到一个分数，最后若所述分数大于零，则认为是真人图像，若所述分数小于等于零，则认为是假体攻击。这样，通过提取融合了肤色、颜色直方图的多维特征，并将多维特征输入到训练好的AdaBoost分类器中得到一个分数，使得本发明准确率高，在测试集上达到99.4％的准确率，即能在几乎没有拒真的情况下排除几乎所有的黑白图像，而且检测快速，如果不包括人脸检测和人脸对齐过程，只有2ms。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为图像库中17张标记为应该是满足要求的图像；
图2为图像库中4张标记为应该是不满足要求的图像；
图3为本发明活体检测中排除黑白照片的方法实施例的流程示意图；
图4为图3所示方法实施例中人脸对齐后的图像；
图5为本发明活体检测中排除黑白照片的装置实施例的结构示意图；
图6为本发明的电子设备一个实施例的结构示意图。
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，所描述的实施例仅仅是本发明的一部分实施例，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。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
一方面，本发明实施例提供一种活体检测中排除黑白照片的方法，如图3所示，包括：
步骤101：对待识别的人脸图像进行预处理，所述预处理包括：人脸检测、眼睛定位和人脸对齐；
本步骤中，可以采用现有技术中已知方法进行预处理，例如：人脸检测可以采用利用Haar特征的AdaBoost人脸检测算法，眼睛定位可以采用利用Sift特征的SDM(SupvisedDescent Method)面部关键特征点定位算法，人脸对齐可以采用warpAffine或opencv仿射变换或相似性变换等。可以理解的是，人脸检测算法不限于AdaBoost，例如还可以是FaceCraft，SSD(Single Shot MultiBoxDetector)，Faster RCNN等；眼睛定位算法不限于SDM，例如还可以是LBF(Local binary feature)，LAB(LocallyAssembledBinary)等。
作为一种可选的实施例，所述人脸对齐可以包括归一化，归一化后的人脸图像中左眼坐标是(8,8)，右眼坐标是(56,8)，人脸大小是64*64。这样，归一化后的人脸区域不大，两侧只到眼睛区域、没有延扩到脸颊区域(参见图1)，是为了减少可能的干扰，根据实验这种取法的效果较好。
作为另一种可选的实施例，所述人脸对齐可以包括归一化，归一化后的人脸图像大小是64*64，只取包含鼻子和嘴巴而不包含眼睛的区域(参见图4，图中以灰度图示出)。同样道理，如此归一化后的人脸区域不大，且去除了对肤色点数量作用较小的眼睛区域，减少了干扰，根据实验这种取法的效果也相对较好。
步骤102：从预处理后的人脸图像中提取出多维特征，并输入到训练好的AdaBoost分类器中得到一个分数；
其中，所述多维特征包括第一部分特征至第五部分特征；
第一部分特征表示肤色信息，具体包括：
RGB图像格式中肤色点个数(待识别图像优选是RGB格式，如果不是，则可以先转化为RGB格式再进行计算；计算方法可以采用本领域各种算法，例如可以采用文献[1]中的公式(1)计算得到)；
R分量-G分量大于等于第一预设值的像素点个数(第一预设值可以根据需要灵活设定，例如为5、8、10、15等)；
R分量-G分量的绝对值大于等于第二预设值的像素点个数、R分量-B分量的绝对值大于等于第三预设值的像素点个数、G分量-B分量的绝对值大于等于第四预设值的像素点个数(第二预设值、第三预设值和第四预设值可以根据需要灵活设定，例如可以均为4、5、6等)。
第二部分特征也表示肤色信息，具体包括：
HSV图像格式中肤色点个数(待识别图像如果不是HSV格式，则可以先转化为HSV格式后再进行计算；计算方法可以采用本领域各种算法，例如可以采用文献[1]中的公式(3)或(4)计算得到)；
H分量的均值；
S分量的均值。
第三部分特征至第五部分特征基于RGB图像的颜色直方图得到，其中将R分量、G分量、B分量分别分成m个等长的区间，此时图像的颜色直方图的长度是m*m*m，每个等长的区间是256/m个像素，第三部分特征至第五部分特征中m取值均不相同，从颜色直方图的长度m*m*m中选取预设数量、预设位置的特征作为所述第三部分特征至第五部分特征。
通常，一个灰度图像的直方图是一个256维的向量，每个数值代表对应灰度值的像素点的个数。类似的，对于一个RGB图像，如果R分量、G分量、B分量都取256维的向量，则可以得到一个256*256*256的直方图，但这个数字256*256*256＝16777216过大了，即作为特征长度太大了，不容易训练。
故本申请中，将R分量、G分量、B分量分别分成m个等长的区间，此时RGB图像的颜色直方图的长度是m*m*m，每个等长的区间是256/m个像素。
为确保第三部分特征至第五部分特征既有区别性又有代表性，优选的，第三部分特征中取m＝64，颜色直方图的长度是64*64*64＝262144，此时每个区间的长度是4；第四部分特征中取m＝32，颜色直方图的长度是32*32*32＝32768，此时每个区间的长度是8；第五部分特征中取m＝16，颜色直方图的长度是16*16*16＝4096，此时每个区间的长度是16。可以发现，此时颜色直方图的长度是262144+32768+4096＝299008，维数仍然较大，故可以从中选取具有代表性的预设数量、预设位置的特征作为所述第三部分特征至第五部分特征，其中预设数量的选择应使得最终多维特征的维数总和与AdaBoost分类器所包含的弱分类器的个数相同，预设位置可以选择颜色直方图的平均值靠前的位置，具体可参考后面的实施例。
步骤103：若所述分数大于零，则认为是真人图像，若所述分数小于等于零，则认为是假体攻击；
本步骤中，如果分数>0，则认为是符合要求的图像，即是真人的图像，如果分数<＝0，则认为是不符合要求的图像，即是黑白照片的图像，是假体攻击。
作为一种可选的实施例，所述对待识别的人脸图像进行预处理(步骤101)之前，可以包括：
步骤100：根据预先建立的包括真人图像和非真人图像的图像库，同样提取图像库中图像的多维特征，使用Gentle AdaBoost算法训练至少500个弱分类器构成一个强分类器，即得所述训练好的AdaBoost分类器。
本步骤中，提取的多维特征与前述相同，然而可以理解的是，由于此时处于训练阶段，在不清楚哪些维度的特征对真人图像判断影响力更大时，特征维数越高，则训练出的AdaBoost分类器准确率会越高，然而维数过高的话，训练速度会变慢。
因此，为提高AdaBoost分类器准确率，优选的，在所述AdaBoost分类器训练时，提取的图像的多维特征中：
第一部分特征还可以包括：
R分量-G分量小于等于第五预设值的像素点个数(第五预设值可以根据需要灵活设定，例如为-50、-40、-30等)、
R分量-B分量小于等于第六预设值的像素点个数(第六预设值可以根据需要灵活设定，例如为1、2、3、4、5、6、7等)；
第二部分特征还可以包括：
V分量的均值。
同时，为降低特征维数，提高训练速度，优选的，在所述AdaBoost分类器训练时，提取的图像的多维特征中：
第三部分特征中m取值64，提取图像的64*64*64＝262144维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择的位置对应的数值作为第三部分特征，该第三部分特征的维数例如为500～1000；
第四部分特征中m取值32，提取图像的32*32*32＝32768维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前2000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前2000个最大的数值对应的位置，这4000个位置经过去重后选择的位置对应的数值作为第四部分特征，该第四部分特征的维数例如为3000～4000；
第五部分特征中m取值16，提取图像的16*16*16＝4096维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择的位置对应的数值作为第五部分特征，该第五部分特征的维数例如为1500～2000。
这样，通过取颜色直方图的平均值靠前且去重后选择的位置对应的数值作为特征，能够在保留数据的代表性的前提下，极大的降低颜色直方图中特征的维数。
综上，本发明实施例提供的活体检测中排除黑白照片的方法，首先对待识别的人脸图像进行预处理，所述预处理包括：人脸检测、眼睛定位和人脸对齐，然后从预处理后的人脸图像中提取出多维特征，并输入到训练好的AdaBoost分类器中得到一个分数，最后若所述分数大于零，则认为是真人图像，若所述分数小于等于零，则认为是假体攻击。这样，通过提取融合了肤色、颜色直方图的多维特征，并将多维特征输入到训练好的AdaBoost分类器中得到一个分数，使得本发明准确率高，在测试集上达到99.4％的准确率，即能在几乎没有拒真的情况下排除几乎所有的黑白图像，而且检测快速，如果不包括人脸检测和人脸对齐过程，只有2ms。
下面以一个具体的例子对本申请的技术方案进行详细说明。
首先，构建图像库，该图像库包含约21万张RGB图像(每张图像大小是64*64，即每张图像有4096个像素点)，库中包含11多万张的真人图像、约10万张非真人图像(即黑白照片的图像)，以及少量的纯色(比如绿色、蓝色、白色)面具的图像等。
其次，对图像库中的图像进行预处理，预处理包括：人脸检测、眼睛定位和人脸对齐，先通过人脸检测算法(利用Haar特征的AdaBoost人脸检测算法)检测到人脸，再通过眼睛定位算法(利用Sift特征的SDM面部关键特征点定位算法)定位到左眼和右眼，之后做人脸对齐：归一化后的左眼坐标是(8,8)，右眼坐标是(56,8)，人脸大小是64*64；之后对预处理后的图像提取出5370维特征，以用于后续训练AdaBoost分类器。
此处，融合了肤色、颜色直方图等信息构建了一个5370维的特征，这个5370维的特征由五部分组成，各自的维度分别是16维、5维、623维、3181维、1545维。
第一部分16维的特征组成分别是：
A1.根据文献[1]中公式(1)计算的肤色点个数；
A2.根据文献[1]中公式(2)计算的肤色点个数；
A3.满足R分量-G分量>＝15的像素点个数；
A4.满足R分量-G分量>＝10的像素点个数；
A5.满足R分量-G分量>＝8的像素点个数；
A6.满足R分量-G分量>＝5的像素点个数；
A7.满足(R分量-G分量的绝对值>＝4)或者(R分量-B分量的绝对值>＝4)或者(G分量-B分量的绝对值>＝4)的像素点个数；
A8.满足R分量-G分量<＝-50的像素点个数；
A9.满足R分量-B分量<＝-50的像素点个数；
A10.满足R分量-B分量<＝1的像素点个数；
A11.满足R分量-B分量<＝2的像素点个数；
A12.满足R分量-B分量<＝3的像素点个数；
A13.满足R分量-B分量<＝4的像素点个数；
A14.满足R分量-B分量<＝5的像素点个数；
A15.满足R分量-B分量<＝6的像素点个数；
A16.满足R分量-B分量<＝7的像素点个数；
需要说明的是，根据最终训练结果，查看权重分配可知，上述A1、3-5、7-9相对比较重要，其中A2侧重计算强光下肤色点个数，作用较小，可不用；A3-6侧重计算图像中的红色分量；A7侧重计算图像中各分量差异是否较小；A8侧重计算图像不能过绿；A9侧重计算图像不能偏蓝；A10-16侧重计算B分量不能过大，否则图像会偏暗。
第二部分5维的特征，将图像转成HSV空间图像后统计以下信息：
B1.根据文献[1]中公式(3)计算的肤色点个数；
B2.根据文献[1]中公式(4)计算的肤色点个数；
B3.H分量的均值；
B4.S分量的均值；
B5.V分量的均值；
需要说明的是，根据最终训练结果，查看权重分配可知，上述B1-5中B1-3重要，B4次之，B5不重要。
第三部分、第四部分、第五部分的特征都是基于RGB图像的颜色直方图得到。
通常，一个灰度图像的直方图是一个256维的向量，每个数值代表对应灰度值的像素点的个数。类似的，对于一个RGB图像，如果R分量、G分量、B分量都取256维的向量，可以得到一个256*256*256的直方图，但这个数字256*256*256＝16777216过大了，即作为特征长度太大了，不容易训练。
故，将R分量、G分量、B分量分别分成m个等长的区间，此时图像的颜色直方图的长度是m*m*m，每个等长的区间是256/m个像素。其中，第三部分中取m＝64，颜色直方图的长度是64*64*64＝262144，此时每个区间的长度是4；第四部分中取m＝32，颜色直方图的长度是32*32*32＝32768，此时每个区间的长度是8；第五部分中取m＝16，颜色直方图的长度是16*16*16＝4096，此时每个区间的长度是16。
实际上，当m＝64或者32时，对应的颜色直方图的长度还是太大了，当训练样本达到20万时，训练速度比较慢，可能要一两个星期才能得到较好的结果，如果从这些很长的特征能够初步筛选出一些更有价值的较少的特征，训练速度会大幅提升。因此，对第三部分至第五部分特征进行如下筛选，以将训练时间控制在一两天之内：
第三部分623维的特征，是基于RGB图像的颜色直方图，m＝64，每个区间的长度是4，颜色直方图的长度是64*64*64＝262144。
提取上述图像库中图像的262144维的颜色直方图，然后分别统计11多万的真人图像颜色直方图的平均值的前1000个最大的数值对应的位置，以及约10万黑白照片图像颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择了623个位置。
这样，对于一张新的图像，先提取其262144维的图像颜色直方图，然后再提取出这623个位置对应的数值作为其最后第三部分623维特征。
第四部分3181维的特征，是基于RGB图像的颜色直方图，m＝32，每个区间的长度是8，颜色直方图的长度是32*32*32＝32768。
提取上述图像库中图像的32768维的颜色直方图，之后分别统计11多万的真人图像颜色直方图的平均值的前2000个最大的数值对应的位置，以及约10万黑白照片图像颜色直方图的平均值的前2000个最大的数值对应的位置，这4000个位置经过去重后选择了3181个位置。
这样，对于一张新的图像，先提取其32768维的图像颜色直方图，然后再提取出这3181个位置对应的数值作为其最后第四部分3181维特征。
第五部分1545维的特征，是基于RGB图像的颜色直方图，m＝16，每个区间的长度是16，颜色直方图的长度是16*16*16＝4096。
提取上述图像库中图像的4096维的颜色直方图，之后分别统计11多万的真人图像颜色直方图的平均值的前1000个最大的数值对应的位置，以及约10万黑白照片图像颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择了1545个位置。
这样，对于一张新的图像，先提取其4096维的图像颜色直方图，然后再提取出这1545个位置对应的数值作为其最后第五部分1545维特征。
关于AdaBoost分类器：
使用Gentle AdaBoost算法训练了500个弱分类器构成了一个强分类器，从而得到训练好的AdaBoost分类器。
发明人实验发现，弱分类器数量为500以上时，对是否真人图像的检测准确率即较高，故此处弱分类器的数量也可以为1000、1500等，以进一步提高准确率。
最后，结合训练好的AdaBoost分类器进行实际应用时，给定一幅包含人脸的图像(待识别的人脸图像)，可以通过下面的步骤来排除黑白照片假体攻击：
步骤1)：人脸图像的预处理过程，包括：人脸检测、眼睛定位、人脸对齐(具体步骤与前面训练过程中的预处理步骤相同)；
步骤2)：提取出多维特征，并输入到训练好的AdaBoost分类器中得到一个分数；
可以理解的是，多维特征的维数与训练好的AdaBoost分类器中弱分类器的数量相同即可(多余的维数将不起作用)，由于本实施例中弱分类器个数为500个，故多维特征可以仅为500维；然而，在训练过程中提取的特征为5370维，则可以根据最终训练结果，查看权重分配情况找出该500个弱分类器对应哪500个位置的维度，然后对待识别的人脸图像只提取这500个位置的维度特征即可。为方便编程或特征提取，也可先提取出5370维特征，然后再从中找出对应位置的500维特征。
步骤3)：如果分数>0，则认为是符合要求的图像，即是真人的图像，如果分数<＝0，则认为是不符合要求的图像，即是黑白照片的图像、是假体攻击。
本发明实施例的方法，可以有效的排除黑白图像(也能排除掉纯色的面具，比如蓝色、绿色、白色等)，同时大幅降低真人的拒真率，本方法在测试集的等误率约是5.8‰，而如果只用文献[1]中的公式(1)时等误率约是15％，故本方法降低了约30倍。
并且，本发明实施例的方法的准确率高，在测试集上达到99.4％的准确率，即能在几乎没有拒真的情况下排除几乎所有的黑白图像，而且检测快速，如果不包括人脸检测和人脸对齐过程，只有2ms。
另一方面，本发明实施例提供一种活体检测中排除黑白照片的装置，如图5所示，包括：
预处理模块11，用于对待识别的人脸图像进行预处理，所述预处理包括：人脸检测、眼睛定位和人脸对齐；
提取及输入模块12，用于从预处理后的人脸图像中提取出多维特征，并输入到训练好的AdaBoost分类器中得到一个分数；
判定模块13，用于若所述分数大于零，则认为是真人图像，若所述分数小于等于零，则认为是假体攻击；
其中，所述多维特征包括第一部分特征至第五部分特征；
第一部分特征包括：RGB图像格式中肤色点个数、R分量-G分量大于等于第一预设值的像素点个数、R分量-G分量的绝对值大于等于第二预设值的像素点个数、R分量-B分量的绝对值大于等于第三预设值的像素点个数、G分量-B分量的绝对值大于等于第四预设值的像素点个数；
第二部分特征包括：HSV图像格式中肤色点个数、H分量的均值、S分量的均值；
第三部分特征至第五部分特征基于RGB图像的颜色直方图得到，其中将R分量、G分量、B分量分别分成m个等长的区间，此时图像的颜色直方图的长度是m*m*m，每个等长的区间是256/m个像素，第三部分特征至第五部分特征中m取值均不相同，从颜色直方图的长度m*m*m中选取预设数量、预设位置的特征作为所述第三部分特征至第五部分特征。
本实施例的装置，可以用于执行图3所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
优选的，所述第三部分特征中m取值64，第四部分特征中m取值32，第五部分特征中m取值16。
优选的，所述装置还可以包括：
训练模块，用于根据预先建立的包括真人图像和非真人图像的图像库，同样提取图像库中图像的多维特征，使用Gentle AdaBoost算法训练至少500个弱分类器构成一个强分类器，即得所述训练好的AdaBoost分类器。
优选的，在所述AdaBoost分类器训练时，提取的图像的多维特征中，第一部分特征还包括：R分量-G分量小于等于第五预设值的像素点个数、R分量-B分量小于等于第六预设值的像素点个数；第二部分特征还包括：V分量的均值。
优选的，在所述AdaBoost分类器训练时，提取的图像的多维特征中：
第三部分特征中m取值64，提取图像的64*64*64＝262144维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择的位置对应的数值作为第三部分特征；
第四部分特征中m取值32，提取图像的32*32*32＝32768维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前2000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前2000个最大的数值对应的位置，这4000个位置经过去重后选择的位置对应的数值作为第四部分特征；
第五部分特征中m取值16，提取图像的16*16*16＝4096维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择的位置对应的数值作为第五部分特征。
优选的，所述人脸对齐包括归一化，归一化后的人脸图像中左眼坐标是(8,8)，右眼坐标是(56,8)，人脸大小是64*64。需要说明的是，本说明书实施例中左眼坐标和右眼坐标的原点由归一化后定位到的眼睛坐标来决定，由于每个人或者表情夸张等因素的影响，原点坐标不完全一样，大体位于用户眉毛，一般是左眉毛的起点。
优选的，所述人脸对齐包括归一化，归一化后的人脸图像大小是64*64，只取包含鼻子和嘴巴而不包含眼睛的区域。
本发明实施例还提供一种电子设备，图6为本发明的电子设备一个实施例的结构示意图，可以实现本发明图3所示实施例的流程，如图6所示，上述电子设备可以包括：壳体41、处理器42、存储器43、电路板44和电源电路45，其中，电路板44安置在壳体41围成的空间内部，处理器42和存储器43设置在电路板44上；电源电路45，用于为上述电子设备的各个电路或器件供电；存储器43用于存储可执行程序代码；处理器42通过读取存储器43中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一方法实施例所述的方法。
处理器42对上述步骤的具体执行过程以及处理器42通过运行可执行程序代码来进一步执行的步骤，可以参见本发明图3所示实施例的描述，在此不再赘述。
该电子设备以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子设备。
本发明实施例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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例所述的方法步骤。
本发明实施例还提供一种应用程序，所述应用程序被执行以实现本发明任一方法实施例提供的方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种活体检测中排除黑白照片的方法，其特征在于，包括：
对待识别的人脸图像进行预处理，所述预处理包括：人脸检测、眼睛定位和人脸对齐；
从预处理后的人脸图像中提取出多维特征，并输入到训练好的AdaBoost分类器中得到一个分数；
若所述分数大于零，则认为是真人图像，若所述分数小于等于零，则认为是假体攻击；
其中，所述多维特征包括第一部分特征至第五部分特征；
第一部分特征包括：RGB图像格式中肤色点个数、R分量-G分量大于等于第一预设值的像素点个数、R分量-G分量的绝对值大于等于第二预设值的像素点个数、R分量-B分量的绝对值大于等于第三预设值的像素点个数、G分量-B分量的绝对值大于等于第四预设值的像素点个数；
第二部分特征包括：HSV图像格式中肤色点个数、H分量的均值、S分量的均值；
第三部分特征至第五部分特征基于RGB图像的颜色直方图得到，其中将R分量、G分量、B分量分别分成m个等长的区间，此时图像的颜色直方图的长度是m*m*m，每个等长的区间是256/m个像素，第三部分特征至第五部分特征中m取值均不相同，从颜色直方图的长度m*m*m中选取预设数量、预设位置的特征作为所述第三部分特征至第五部分特征。
2.根据权利要求1所述的方法，其特征在于，所述第三部分特征中m取值64，第四部分特征中m取值32，第五部分特征中m取值16。
3.根据权利要求1所述的方法，其特征在于，所述对待识别的人脸图像进行预处理之前，包括：
根据预先建立的包括真人图像和非真人图像的图像库，同样提取图像库中图像的多维特征，使用Gentle AdaBoost算法训练至少500个弱分类器构成一个强分类器，即得所述训练好的AdaBoost分类器。
4.根据权利要求3所述的方法，其特征在于，在所述AdaBoost分类器训练时，提取的图像的多维特征中，第一部分特征还包括：R分量-G分量小于等于第五预设值的像素点个数、R分量-B分量小于等于第六预设值的像素点个数；第二部分特征还包括：V分量的均值。
5.根据权利要求3所述的方法，其特征在于，在所述AdaBoost分类器训练时，提取的图像的多维特征中：
第三部分特征中m取值64，提取图像的64*64*64＝262144维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择的位置对应的数值作为第三部分特征；
第四部分特征中m取值32，提取图像的32*32*32＝32768维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前2000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前2000个最大的数值对应的位置，这4000个位置经过去重后选择的位置对应的数值作为第四部分特征；
第五部分特征中m取值16，提取图像的16*16*16＝4096维的颜色直方图，然后分别统计图像库中真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，以及非真人图像的颜色直方图的平均值的前1000个最大的数值对应的位置，这2000个位置经过去重后选择的位置对应的数值作为第五部分特征。
6.根据权利要求1-5中任一所述的方法，其特征在于，所述人脸对齐包括归一化，归一化后的人脸图像中左眼坐标是(8,8)，右眼坐标是(56,8)，人脸大小是64*64。
7.根据权利要求1-5中任一所述的方法，其特征在于，所述人脸对齐包括归一化，归一化后的人脸图像大小是64*64，只取包含鼻子和嘴巴而不包含眼睛的区域。
8.一种活体检测中排除黑白照片的装置，其特征在于，包括：
预处理模块，用于对待识别的人脸图像进行预处理，所述预处理包括：人脸检测、眼睛定位和人脸对齐；
提取及输入模块，用于从预处理后的人脸图像中提取出多维特征，并输入到训练好的AdaBoost分类器中得到一个分数；
判定模块，用于若所述分数大于零，则认为是真人图像，若所述分数小于等于零，则认为是假体攻击；
其中，所述多维特征包括第一部分特征至第五部分特征；
第一部分特征包括：RGB图像格式中肤色点个数、R分量-G分量大于等于第一预设值的像素点个数、R分量-G分量的绝对值大于等于第二预设值的像素点个数、R分量-B分量的绝对值大于等于第三预设值的像素点个数、G分量-B分量的绝对值大于等于第四预设值的像素点个数；
第二部分特征包括：HSV图像格式中肤色点个数、H分量的均值、S分量的均值；
第三部分特征至第五部分特征基于RGB图像的颜色直方图得到，其中将R分量、G分量、B分量分别分成m个等长的区间，此时图像的颜色直方图的长度是m*m*m，每个等长的区间是256/m个像素，第三部分特征至第五部分特征中m取值均不相同，从颜色直方图的长度m*m*m中选取预设数量、预设位置的特征作为所述第三部分特征至第五部分特征。
9.一种电子设备，其特征在于，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行上述权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述权利要求1-7任一所述的方法。
CN201910965059.7A 2019-10-11 2019-10-11 活体检测中排除黑白照片的方法、装置、电子设备 Active CN112651268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910965059.7A CN112651268B (zh) 2019-10-11 2019-10-11 活体检测中排除黑白照片的方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910965059.7A CN112651268B (zh) 2019-10-11 2019-10-11 活体检测中排除黑白照片的方法、装置、电子设备

Publications (2)

Publication Number Publication Date
CN112651268A true CN112651268A (zh) 2021-04-13
CN112651268B CN112651268B (zh) 2024-05-28

Family

ID=75342813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910965059.7A Active CN112651268B (zh) 2019-10-11 2019-10-11 活体检测中排除黑白照片的方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN112651268B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009230556A (ja) * 2008-03-24 2009-10-08 Seiko Epson Corp オブジェクト検出装置、オブジェクト検出方法、オブジェクト検出プログラムおよび印刷装置
CN103116763A (zh) * 2013-01-30 2013-05-22 宁波大学 一种基于hsv 颜色空间统计特征的活体人脸检测方法
CN103605964A (zh) * 2013-11-25 2014-02-26 上海骏聿数码科技有限公司 基于图像在线学习的人脸检测方法及系统
CN103886301A (zh) * 2014-03-28 2014-06-25 中国科学院自动化研究所 一种人脸活体检测方法
CN105354554A (zh) * 2015-11-12 2016-02-24 西安电子科技大学 基于颜色和奇异值特征的人脸活体检测方法
WO2016190814A1 (en) * 2015-05-25 2016-12-01 Trakomatic Pte. Ltd Method and system for facial recognition
CN106845328A (zh) * 2016-11-09 2017-06-13 广州市贺氏办公设备有限公司 一种基于双摄像头的智能人脸识别方法及系统
CN107798281A (zh) * 2016-09-07 2018-03-13 北京眼神科技有限公司 一种基于lbp特征的人脸活体检测方法和装置
US20180129859A1 (en) * 2016-11-10 2018-05-10 Synaptics Incorporated Systems and methods for improving spoof detection based on matcher alignment information
US20180239955A1 (en) * 2015-08-10 2018-08-23 Yoti Holding Limited Liveness detection
US10061996B1 (en) * 2017-10-09 2018-08-28 Hampen Technology Corporation Limited Face recognition method and system for personal identification and authentication
CN108549886A (zh) * 2018-06-29 2018-09-18 汉王科技股份有限公司 一种人脸活体检测方法及装置
CN110020573A (zh) * 2018-01-08 2019-07-16 上海聚虹光电科技有限公司 活体检测系统
CN110163078A (zh) * 2019-03-21 2019-08-23 腾讯科技（深圳）有限公司 活体检测方法、装置及应用活体检测方法的服务系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009230556A (ja) * 2008-03-24 2009-10-08 Seiko Epson Corp オブジェクト検出装置、オブジェクト検出方法、オブジェクト検出プログラムおよび印刷装置
CN103116763A (zh) * 2013-01-30 2013-05-22 宁波大学 一种基于hsv 颜色空间统计特征的活体人脸检测方法
CN103605964A (zh) * 2013-11-25 2014-02-26 上海骏聿数码科技有限公司 基于图像在线学习的人脸检测方法及系统
CN103886301A (zh) * 2014-03-28 2014-06-25 中国科学院自动化研究所 一种人脸活体检测方法
WO2016190814A1 (en) * 2015-05-25 2016-12-01 Trakomatic Pte. Ltd Method and system for facial recognition
US20180239955A1 (en) * 2015-08-10 2018-08-23 Yoti Holding Limited Liveness detection
CN105354554A (zh) * 2015-11-12 2016-02-24 西安电子科技大学 基于颜色和奇异值特征的人脸活体检测方法
CN107798281A (zh) * 2016-09-07 2018-03-13 北京眼神科技有限公司 一种基于lbp特征的人脸活体检测方法和装置
CN106845328A (zh) * 2016-11-09 2017-06-13 广州市贺氏办公设备有限公司 一种基于双摄像头的智能人脸识别方法及系统
US20180129859A1 (en) * 2016-11-10 2018-05-10 Synaptics Incorporated Systems and methods for improving spoof detection based on matcher alignment information
US10061996B1 (en) * 2017-10-09 2018-08-28 Hampen Technology Corporation Limited Face recognition method and system for personal identification and authentication
CN110020573A (zh) * 2018-01-08 2019-07-16 上海聚虹光电科技有限公司 活体检测系统
CN108549886A (zh) * 2018-06-29 2018-09-18 汉王科技股份有限公司 一种人脸活体检测方法及装置
CN110163078A (zh) * 2019-03-21 2019-08-23 腾讯科技（深圳）有限公司 活体检测方法、装置及应用活体检测方法的服务系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JAYANTI DAS等: "Human Face Detection in Color Images Using HSV Color Histogram and WLD", 《2014 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMMUNICATION NETWORKS》, 26 March 2015 (2015-03-26), pages 198 - 202 *
REGINA LIONNIE等: "A comparison of human skin color detection for biometrie identification", 《2017 INTERNATIONAL CONFERENCE ON BROADBAND COMMUNICATION, WIRELESS SENSORS AND POWERING (BCWSP)》, 1 February 2018 (2018-02-01), pages 1 - 5 *
丁莹: "人脸识别中活体检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, 15 January 2019 (2019-01-15), pages 138 - 4539 *
毕雪芹等: "基于肤色分割与AdaBoost算法的人脸检测", 《国外电子测量技术》, vol. 34, no. 12, 15 December 2015 (2015-12-15), pages 82 - 86 *
甘俊英等: "面向活体人脸检测的时空纹理特征级联方法", 《模式识别与人工智能》, vol. 32, no. 2, 3 April 2019 (2019-04-03), pages 117 - 123 *
蒋尚达: "基于视频的活体人脸检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 9, 15 September 2018 (2018-09-15), pages 138 - 232 *

Also Published As

Publication number Publication date
CN112651268B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN111488756B (zh) 基于面部识别的活体检测的方法、电子设备和存储介质
US11151363B2 (en) Expression recognition method, apparatus, electronic device, and storage medium
US10699103B2 (en) Living body detecting method and apparatus, device and storage medium
CN109657554B (zh) 一种基于微表情的图像识别方法、装置以及相关设备
US10733421B2 (en) Method for processing video, electronic device and storage medium
CN110084135B (zh) 人脸识别方法、装置、计算机设备及存储介质
CN108829900B (zh) 一种基于深度学习的人脸图像检索方法、装置及终端
CN110569756B (zh) 人脸识别模型构建方法、识别方法、设备和存储介质
CN106372629B (zh) 一种活体检测方法和装置
US20100278426A1 (en) Systems and methods for rule-based segmentation for objects with full or partial frontal view in color images
CN109271930B (zh) 微表情识别方法、装置与存储介质
CN110889312A (zh) 活体检测方法和装置、电子设备、计算机可读存储介质
CN106056064A (zh) 一种人脸识别方法及人脸识别装置
CN110781770B (zh) 基于人脸识别的活体检测方法、装置及设备
JPWO2017061106A1 (ja) 情報処理装置、画像処理システム、画像処理方法及びプログラム
CN113128373B (zh) 基于图像处理的色斑评分方法、色斑评分装置及终端设备
CN112036277B (zh) 一种人脸识别方法、电子设备以及计算机可读存储介质
CN113723310B (zh) 基于神经网络的图像识别方法及相关装置
CN112651268B (zh) 活体检测中排除黑白照片的方法、装置、电子设备
CN113780222A (zh) 一种人脸活体检测方法、装置、电子设备和可读存储介质
CN113610071A (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN111209863A (zh) 一种活体模型训练和人脸活体检测方法、装置和电子设备
CN112700398A (zh) 人脸皮肤检测方法及装置
CN117746477B (zh) 一种户外人脸识别方法、装置、电子设备及存储介质
CN112115833B (zh) 一种图片的活体检测及分类方法

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