CN112651311A - 一种人脸识别方法和相关设备 - Google Patents
一种人脸识别方法和相关设备 Download PDFInfo
- Publication number
- CN112651311A CN112651311A CN202011478613.8A CN202011478613A CN112651311A CN 112651311 A CN112651311 A CN 112651311A CN 202011478613 A CN202011478613 A CN 202011478613A CN 112651311 A CN112651311 A CN 112651311A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- pixels
- pixel
- real
- 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
- 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
- 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
- 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
Abstract
本发明涉及图像识别技术领域,尤其涉及一种人脸识别方法和相关设备。其中,该方法包括:从待检测图像中识别人脸区域图像;根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的像素点分为真脸像素、假脸像素和非人脸像素;根据所述真脸像素个数在所述人脸区域图像中所占的比例,确定所述待检测图像是否为活体人脸图像。通过上述方法,可以对人脸区域图像中的每个像素点的种类进行确定,以此避免非人脸像素对人脸识别的影响,提高人脸识别的准确性。
Description
【技术领域】
本发明涉及图像识别领域,尤其涉及一种人脸识别方法和相关设备。
【背景技术】
随着人脸识别技术的逐渐成熟,人脸识别技术被应用到更多的领域。例如,刷脸支付、门禁识别以及远程交易等。在上述应用领域中,存在着一些漏洞,例如不法分子可以用他人照片、视频以及3D面具等方式绕过人脸识别。对于此问题,现有技术中常用的解决方法为,采取交互式验证方法。具体为:用户按照提示,做出指定动作,当用户完成指定动作后,视为验证通过。但此类方法需要用户做多组动作,识别过程较长,用户体验较差,并且在用户进行互动时,系统容易出现误判等情况。因此,如何准确快速地对活体人脸进行识别,是目前有待解决的问题。
【发明内容】
为了解决上述问题,本发明实施例提供了一种人脸识别方法及系统,可以提高活体人脸识别准确性。
第一方面,本发明实施例提供了一种人脸识别方法,包括:
从待检测图像中识别人脸区域图像;
根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的像素点分为真脸像素、假脸像素和非人脸像素;
根据所述真脸像素个数在所述人脸区域图像中所占的比例,确定所述待检测图像是否为活体人脸图像。
上述方案中,从待检测图像中识别人脸区域图像,通过将人脸区域图像中的每个像素点分为真脸像素、假脸像素和非人脸像素,并根据真脸像素个数在所述人脸区域图像中所占的比例,确定待检测图像是否为活体人脸图像。由此可以提高活体人脸识别的准确性。
其中一种可能的实现方式中,根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的像素点分为真脸像素、假脸像素和非人脸像素,包括:
将所述人脸区域图像输入第一识别模型;
所述第一识别模型根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的各个像素点分别确定为真脸像素、假脸像素和非人脸像素。
其中一种可能的实现方式中,训练得到所述第一识别模型,包括:
确定训练图像集合和测试图像集合,所述训练图像集合包括:活体人脸图像和非活体人脸图像;所述活体人脸图像和所述非活体人脸图像的各个像素点分别标注有像素点类型,所述像素点类型包括真脸像素、假脸像素和非人脸像素;所述测试图像集合包含测试人脸图像;
利用所述训练图像集合各图像包含的真脸像素、假脸像素和非人脸像素的特征对第一识别模型进行训练,以使所述第一识别模型学习到真脸像素特征、假脸像素特征和非人脸像素特征;
利用所述测试图像集合包含的测试人脸图像,对所述第一识别模型进行像素点分类的测试,以使所述第一识别模型对测试人脸图像中的各像素点进行分类。
其中一种可能的实现方式中,根据所述真脸像素个数在所述人脸区域图像中所占的比例,确定所述待检测图像是否为活体人脸图像,包括:
根据所述真脸像素与所述假脸像素和/或所述非人脸像素个数的比值,确定所述待检测图像是否为活体人脸图像。
其中一种可能的实现方式中,根据所述真脸像素与所述假脸像素和/或所述非人脸像素个数的比值,确定所述待检测图像是否为活体人脸图像,包括:
根据所述真脸像素个数与第一像素之和的比值,确定所述待检测图像是否为活体人脸图像,其中,所述第一像素之和为真脸像素与所述假脸像素的个数之和。
其中一种可能的实现方式中,根据所述真脸像素个数与第一像素之和的比值,确定所述待检测图像是否为活体人脸图像,包括:
如果所述真脸像素个数与第一像素之和的比值大于等于第一阈值,则确定所述待检测图像为活体人脸图像;
否则,确定所述待检测图像为非活体人脸图像。
第二方面,本发明实施例提供一种人脸识别装置,包括:
识别模块,用于从待检测图像中识别人脸区域图像;
像素分类模块,用于根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的像素点分为真脸像素、假脸像素和非人脸像素;
确定模块,根据所述真脸像素个数在所述人脸区域图像中所占的比例,确定所述待检测图像是否为活体人脸图像。
其中一种可能的实现方式中,所述像素分类模块,用于根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的像素点分为真脸像素、假脸像素和非人脸像素,包括:
将所述人脸区域图像输入第一识别模型;
所述第一识别模型根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的各个像素点分别确定为真脸像素、假脸像素和非人脸像素。
其中一种可能的实现方式中,所述人脸识别装置,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求第一方面提供的方法。
第三方面,本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的方法。
应当理解的是,本发明实施例的第二~第三方面与本发明实施例的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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实施例的一些实施例,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获得其它的附图。
图1为本发明实施例提供的一种人脸识别方法的流程图;
图2为本发明实施例提供的另一种人脸识别方法的流程图;
图3为本发明实施例提供的一种人脸识别装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
【具体实施方式】
为了更好的理解本说明书的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
相关技术中,在对人脸进行识别时,会受到非人脸因素的影响,使得检测结果出现偏差。在判断待检测人脸是否为活体时,过程复杂,容易误判。为了解决上述问题,本发明实施例通过对待检测图片中人脸区域进行识别,将人脸区域内每个像素点分为的真脸像素、假脸像素、非人脸像素三类,并根据真脸像素与人脸区域像素之间的比值,确定待检测图像是否为活体。
图1为本发明实施例提供的一种人脸识别方法的流程图,如图1所示,上述人脸识别方法可以包括:
步骤101,从待检测图像中识别人脸区域图像。其中,待检测图像可以是检测终端的摄像头拍摄的图像。从所述摄像头拍摄的图像中,选择一帧或几帧图像作为待检测图像。检测终端可以为手机、银行的自助取款机等,所述检测终端通过设置摄像头的方式,拍摄待检测对象的图像并进行保存。对于保存的待检测对象的图像,可以对其中的人脸部分进行识别,得到待检测图像对应的人脸区域图像。其中,人脸区域图像可以为待检测图像中,包含人脸的一个矩形框区域图像。
步骤102,根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的像素点分为真脸像素、假脸像素和非人脸像素。一般,从待检测图像中识别的人脸区域图像为矩形,而人脸实际为椭圆形。因此,人脸区域图像中会含有一些非人脸的部分,如背景环境等,其在人脸区域图像上对应的像素即为非人脸像素。对于活体人脸,其在人脸区域图像上对应的像素为真脸像素。对于非活体人脸,如视频或者照片人脸等,其在人脸区域图像上对应的像素为假脸像素。本发明实施例,根据真脸像素特征、假脸像素特征和非人脸像素特征可以对人脸区域图像中的每个像素进行分类,获得人脸区域图像中每个像素点的分类情况,以避免非人脸部分或者假脸部分对人脸识别的干扰。
步骤103,根据所述真脸像素个数在所述人脸区域图像中所占的比例,确定所述待检测图像是否为活体人脸图像。例如,真脸像素个数在人脸区域图像中所占的比例大于等于70%时,可以确定待检测图像为活体人脸图像。如果真脸像素个数在人脸区域图像中所占的比例小于70%,则可以确定待检测图像不是活体人脸图像。
在一些实施例中,可以通过识别模型对人脸区域中的每个像素点进行分类。该方法的步骤包括:将人脸区域图像输入第一识别模型;所述第一识别模型根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的各个像素点分别确定为真脸像素、假脸像素和非人脸像素。其中,所述第一识别模型例如可以是基于卷积神经网络进行深度学习得到的识别模型。
在一些实施例中,第一识别模型的训练方法如图2所示,该方法步骤包括:
步骤201,确定训练图像集合和测试图像集合。所述训练图像集合包括:活体人脸图像和非活体人脸图像。所述活体人脸图像和所述非活体人脸图像的各个像素点分别标注有像素点类型,所述像素点类型包括真脸像素、假脸像素和非人脸像素。所述测试图像集合包含测试人脸图像。
步骤202,利用所述训练图像集合各图像包含的真脸像素、假脸像素和非人脸像素的特征对第一识别模型进行训练,以使所述第一识别模型学习到真脸像素特征、假脸像素特征和非人脸像素特征。
步骤203,利用所述测试图像集合包含的测试人脸图像,对所述第一识别模型进行像素点分类的测试,以使所述第一识别模型对测试人脸图像中的各像素点进行分类。通过上述训练方法,可以使第一识别模型具备对真脸像素、假脸像素以及非人脸像素的识别能力。使第一识别模型可以对待检测图像中的各个像素点进行分类。
在一些实施例中,当确定了待检测图像的人脸区域图像中的真脸像素、假脸像素以及非人脸像素后,可以将非人脸像素作为干扰项剔除,只考虑真脸像素与假脸像素之间的关系,以此来确定待检测图像是否为活体人脸,该方法包括:确定真脸像素个数与第一像素之和的比值;若所述比值大于等于第一阈值,则确定所述待检测图像为活体人脸图像;否则,确定所述待检测图像为非活体人脸图像。其中,所述第一像素之和可以为假脸像素个数之和,也可以为非人脸像素个数之和,也可以为真脸像素与假脸像素的个数之和。
例如,待检测图像的人脸区域图像中,包含真脸像素1000个,假脸像素100个,非人脸像素200个,第一阈值可以为0.8。当第一像素值和为真脸像素与假脸像素的个数之和时,则所述第一像素之和为1100个,真脸像素与第一像素之和的比值为1000/1100。此时真脸像素与第一像素之和的比值大于第一阈值,则可以确定待检测图像为活体人脸图像。
通过对人脸区域图像中的每个像素点进行分类,可以排除非人脸因素的干扰,并提高对活体人脸识别的准确性。
对应上述人脸识别方法,本发明实施例提供了一种人脸识别系统,如图3所示,人脸识别系统可以包括:识别模块301、像素分类模块302和确定模块303。其中,
识别模块301,用于从待检测图像中识别人脸区域图像。
像素分类模块302,用于根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的像素点分为真脸像素、假脸像素和非人脸像素。
确定模块303,用于根据所述真脸像素个数在所述人脸区域图像中所占的比例,确定所述待检测图像是否为活体人脸图像。
在一些实施例中,所述像素分类模块302具体用于:将所述人脸区域图像输入第一识别模型;所述第一识别模型根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的各个像素点分别确定为真脸像素、假脸像素和非人脸像素。
图3所示实施例提供的人脸识别系统可用于执行本说明书图1至图2所示方法实施例的技术方案,其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
图4为本说明书电子设备一个实施例的结构示意图,如图4所示,上述电子设备可以包括至少一个处理器;以及与上述处理器通信连接的至少一个存储器,其中:存储器存储有可被处理器执行的程序指令,上述处理器调用上述程序指令能够执行本说明书图1所示实施例提供的人脸识别方法。
图4示出了适于用来实现本说明书实施方式的示例性电子设备的框图。图4显示的电子设备仅仅是一个示例,不应对本说明书实施例的功能和使用范围带来任何限制。
如图4所示,电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:一个或者多个处理器410,通信接口420,存储器430,连接不同系统组件(包括存储器430、通信接口420和处理单元410)的通信总线440。
通信总线440表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器430可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。存储器330可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块的程序/实用工具,可以存储在存储器430中,这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本说明书所描述的实施例中的功能和/或方法。
处理器410通过运行存储在存储器430中的程序,从而执行各种功能应用以及数据处理,例如实现本说明书图1至图2所示实施例提供的人脸识别方法。
本说明书实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行本说明书图1至图2所示实施例提供的人脸识别方法。
上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory;以下简称:ROM)、可擦式可编程只读存储器(Erasable ProgrammableRead Only Memory;以下简称:EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本说明书操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network;以下简称:LAN)或广域网(Wide Area Network;以下简称:WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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说明书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。
此外,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至少一个该特征。在本说明书的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本说明书的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本说明书的实施例所属技术领域的技术人员所理解。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,本说明书实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer;以下简称:PC)、个人数字助理(Personal Digital Assistant;以下简称:PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
在本说明书所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本说明书各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
从待检测图像中识别人脸区域图像;
根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的像素点分为真脸像素、假脸像素和非人脸像素;
根据所述真脸像素个数在所述人脸区域图像中所占的比例,确定所述待检测图像是否为活体人脸图像。
2.根据权利要求1所述的方法,其特征在于,根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的像素点分为真脸像素、假脸像素和非人脸像素,包括:
将所述人脸区域图像输入第一识别模型;
所述第一识别模型根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的各个像素点分别确定为真脸像素、假脸像素和非人脸像素。
3.根据权利要求2所述的方法,其特征在于,训练得到所述第一识别模型,包括:
确定训练图像集合和测试图像集合,所述训练图像集合包括:活体人脸图像和非活体人脸图像;所述活体人脸图像和所述非活体人脸图像的各个像素点分别标注有像素点类型,所述像素点类型包括真脸像素、假脸像素和非人脸像素;所述测试图像集合包含测试人脸图像;
利用所述训练图像集合各图像包含的真脸像素、假脸像素和非人脸像素的特征对第一识别模型进行训练,以使所述第一识别模型学习到真脸像素特征、假脸像素特征和非人脸像素特征;
利用所述测试图像集合包含的测试人脸图像,对所述第一识别模型进行像素点分类的测试,以使所述第一识别模型对测试人脸图像中的各像素点进行分类。
4.根据权利要求1所述的方法,其特征在于,根据所述真脸像素个数在所述人脸区域图像中所占的比例,确定所述待检测图像是否为活体人脸图像,包括:
根据所述真脸像素与所述假脸像素和/或所述非人脸像素个数的比值,确定所述待检测图像是否为活体人脸图像。
5.根据权利要求4所述的方法,其特征在于,根据所述真脸像素与所述假脸像素和/或所述非人脸像素个数的比值,确定所述待检测图像是否为活体人脸图像,包括:
根据所述真脸像素个数与第一像素之和的比值,确定所述待检测图像是否为活体人脸图像,其中,所述第一像素之和为所述真脸像素与所述假脸像素的个数之和。
6.根据权利要求5所述的方法,其特征在于,根据所述真脸像素个数与第一像素之和的比值,确定所述待检测图像是否为活体人脸图像,包括:
如果所述真脸像素个数与第一像素之和的比值大于等于第一阈值,则确定所述待检测图像为活体人脸图像;
否则,确定所述待检测图像为非活体人脸图像。
7.一种人脸识别装置,其特征在于,包括:
识别模块,用于从待检测图像中识别人脸区域图像;
像素分类模块,用于根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的像素点分为真脸像素、假脸像素和非人脸像素;
确定模块,用于根据所述真脸像素个数在所述人脸区域图像中所占的比例,确定所述待检测图像是否为活体人脸图像。
8.根据权利要求7所述的装置,其特征在于,所述像素分类模块,具体用于将所述人脸区域图像输入第一识别模型;
所述第一识别模型根据真脸像素特征、假脸像素特征和非人脸像素特征,将所述人脸区域图像包含的各个像素点分别确定为真脸像素、假脸像素和非人脸像素。
9.一种人脸识别装置,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6中任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011478613.8A CN112651311A (zh) | 2020-12-15 | 2020-12-15 | 一种人脸识别方法和相关设备 |
PCT/CN2021/131045 WO2022127480A1 (zh) | 2020-12-15 | 2021-11-17 | 一种人脸识别方法和相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011478613.8A CN112651311A (zh) | 2020-12-15 | 2020-12-15 | 一种人脸识别方法和相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651311A true CN112651311A (zh) | 2021-04-13 |
Family
ID=75354066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011478613.8A Pending CN112651311A (zh) | 2020-12-15 | 2020-12-15 | 一种人脸识别方法和相关设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112651311A (zh) |
WO (1) | WO2022127480A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409220A (zh) * | 2021-06-28 | 2021-09-17 | 展讯通信(天津)有限公司 | 人脸图像处理方法、装置、介质及设备 |
CN114648814A (zh) * | 2022-02-25 | 2022-06-21 | 北京百度网讯科技有限公司 | 人脸活体检测方法及模型的训练方法、装置、设备及介质 |
WO2022127480A1 (zh) * | 2020-12-15 | 2022-06-23 | 展讯通信(天津)有限公司 | 一种人脸识别方法和相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
US20190026606A1 (en) * | 2017-07-20 | 2019-01-24 | Beijing Baidu Netcom Science And Technology Co., Ltd. | To-be-detected information generating method and apparatus, living body detecting method and apparatus, device and storage medium |
CN111767760A (zh) * | 2019-04-01 | 2020-10-13 | 北京市商汤科技开发有限公司 | 活体检测方法和装置、电子设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10176557B2 (en) * | 2016-09-07 | 2019-01-08 | The Boeing Company | Apparatus, system, and method for enhancing image video data |
CN108154090B (zh) * | 2017-12-11 | 2021-10-01 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN108549854B (zh) * | 2018-03-28 | 2019-04-30 | 中科博宏(北京)科技有限公司 | 一种人脸活体检测方法 |
CN111325051B (zh) * | 2018-12-13 | 2023-06-23 | 普天信息技术有限公司 | 一种基于人脸图像roi选取的人脸识别方法及装置 |
CN109753934A (zh) * | 2019-01-09 | 2019-05-14 | 中控智慧科技股份有限公司 | 一种识别图像真伪的方法以及识别装置 |
CN112651311A (zh) * | 2020-12-15 | 2021-04-13 | 展讯通信(天津)有限公司 | 一种人脸识别方法和相关设备 |
-
2020
- 2020-12-15 CN CN202011478613.8A patent/CN112651311A/zh active Pending
-
2021
- 2021-11-17 WO PCT/CN2021/131045 patent/WO2022127480A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190026606A1 (en) * | 2017-07-20 | 2019-01-24 | Beijing Baidu Netcom Science And Technology Co., Ltd. | To-be-detected information generating method and apparatus, living body detecting method and apparatus, device and storage medium |
CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
CN111767760A (zh) * | 2019-04-01 | 2020-10-13 | 北京市商汤科技开发有限公司 | 活体检测方法和装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022127480A1 (zh) * | 2020-12-15 | 2022-06-23 | 展讯通信(天津)有限公司 | 一种人脸识别方法和相关设备 |
CN113409220A (zh) * | 2021-06-28 | 2021-09-17 | 展讯通信(天津)有限公司 | 人脸图像处理方法、装置、介质及设备 |
CN114648814A (zh) * | 2022-02-25 | 2022-06-21 | 北京百度网讯科技有限公司 | 人脸活体检测方法及模型的训练方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022127480A1 (zh) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11436739B2 (en) | Method, apparatus, and storage medium for processing video image | |
US10699103B2 (en) | Living body detecting method and apparatus, device and storage medium | |
US11610394B2 (en) | Neural network model training method and apparatus, living body detecting method and apparatus, device and storage medium | |
US10936919B2 (en) | Method and apparatus for detecting human face | |
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
CN110197146B (zh) | 基于深度学习的人脸图像分析方法、电子装置及存储介质 | |
CN112651311A (zh) | 一种人脸识别方法和相关设备 | |
US20210042504A1 (en) | Method and apparatus for outputting data | |
CN111242291A (zh) | 神经网络后门攻击的检测方法、装置和电子设备 | |
US20210004587A1 (en) | Image detection method, apparatus, device and storage medium | |
WO2020006964A1 (zh) | 图像检测方法和装置 | |
CN110633991A (zh) | 风险识别方法、装置和电子设备 | |
US20210271857A1 (en) | Method and apparatus for identity verification, electronic device, computer program, and storage medium | |
CN109214501B (zh) | 用于识别信息的方法和装置 | |
CN113221771B (zh) | 活体人脸识别方法、装置、设备、存储介质及程序产品 | |
CN111291902B (zh) | 后门样本的检测方法、装置和电子设备 | |
CN112149570B (zh) | 多人活体检测方法、装置、电子设备及存储介质 | |
CN108399401B (zh) | 用于检测人脸图像的方法和装置 | |
CN113255516A (zh) | 活体检测方法、装置和电子设备 | |
CN110688878B (zh) | 活体识别检测方法、装置、介质及电子设备 | |
US9928408B2 (en) | Signal processing | |
CN114299366A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN113837257A (zh) | 一种目标检测方法及装置 | |
CN115565186B (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
CN111242322B (zh) | 后门样本的检测方法、装置和电子设备 |
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: 20210413 |