CN112668370A - 一种基于深度图像的生物特征活体识别检测方法、装置 - Google Patents
一种基于深度图像的生物特征活体识别检测方法、装置 Download PDFInfo
- Publication number
- CN112668370A CN112668370A CN201910981696.3A CN201910981696A CN112668370A CN 112668370 A CN112668370 A CN 112668370A CN 201910981696 A CN201910981696 A CN 201910981696A CN 112668370 A CN112668370 A CN 112668370A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- depth
- histogram
- gradient direction
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- -1 photos Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000741 silica gel Substances 0.000 description 1
- 229910002027 silica gel Inorganic materials 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于深度图像的生物特征活体识别检测方法，包括，获取当前包含有生物特征的被检测目标的深度图像，基于训练后的机器学习模型，对所述当前深度图像进行活体识别，其中，所述机器学习模型的训练包括，基于深度图像样本，计算深度图像中像素点的梯度，得到表征图像深度值变化程度的图像梯度特征；根据所述图像梯度特征，获取至少一个子区域图像的梯度幅值在其梯度方向分布的子区域梯度方向直方图；将所有子区域梯度方向直方图串接起来，得到提取的图像特征；将所述图像特征作为所述机器学习模型的样本，对所述机器学习模型进行训练。本申请算法简洁，响应时间短，实现了呈现攻击检测，提高识别设备的安全性。
Description
技术领域
本发明涉及图像识别检测领域，特别地，涉及一种基于深度图像的生物特征活体识别检测方法。
背景技术
活体识别检测主要是通过识别活体上的生物特征信息来进行，它把生物特征信息作为生命特征来区分用照片、硅胶、塑料等非生命物质伪造的生物特征。通俗地讲，就是在识别检测的过程中确定被检测目标确实是个“活体”，不是照片、视频或其他什么。
以人脸活体的识别检测为例。单一的基于可见光的人脸识别容易被照片和视频中的人脸攻破，不具备防假功能，安全性很低。目前，人脸活体检测技术主要有交互式动作、3D成像(多目成像、结构光、TOF等)、热红外和多光谱等，其中，
交互式动作其要求用户配合指令完成相应的动作，如眨眼、微笑、朗读等，根据判别得到的动作状态的变化情况来区分照片和活体人脸，需要用户配合，用户体验差，一旦获取所有交互指令可针对性地录制视频，从而难以防备视频攻击；
热红外识别检测技术通过热红外仪器采集被检测目标的红外图像来进行识别检测，由于热红外仪器成本昂贵且易受温度影响，检测效率以及准确性都欠理想；
多光谱识别检测技术利用不同材料在某些波段的光谱下成像效果不同，提取图片纹理特征，采用机器学习的方法判断是否为活体，该技术易受光照影响，且对特殊材质防攻击效果较差。
3D成像别检测技术基于深成的深度图像进行识别检测，受物体材质和光照影响较小，可以很好的区分真假人脸。
现有的基于深度图像的生物特征活体识别检测方法，使用卷积神经网络提取深度图像特征，计算量大，对硬件的计算性能要求高，响应时间长；而使用深度图像原始像素值降维作为图像特征，图像特征较为简单，鲁棒性较差。
发明内容
本发明提供了基于深度图像的生物特征活体识别检测方法，以兼顾检测的鲁棒性和效率。
本发明提供的一种基于深度图像的生物特征活体识别检测方法，该方法包括，
获取当前包含有生物特征的被检测目标的深度图像，
基于训练后的机器学习模型，对所述当前深度图像进行活体识别，
其中，所述机器学习模型的训练包括，
获取包含生物特征的深度图像样本，
基于深度图像样本，计算深度图像中像素点的梯度，得到表征图像深度值变化程度的图像梯度特征，其中，图像梯度特征包括梯度幅值和梯度方向；
根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图；其中，子区域图像为所述深度图像中不同区域的图像，直方图中容器bin在纵轴的高度与所述梯度幅值有关；
将所有子区域梯度方向直方图串接起来，得到提取的图像特征；其中，图像特征的向量维数为所串接的直方图中容器bin的个数之和；
将所述图像特征作为所述机器学习模型的样本，对所述机器学习模型进行训练。
较佳地，所述获取包含生物特征的深度图像样本包括，
如果深度图像中包括一个以上生物特征图像，则选取图像面积最大的生物特征；
基于选取的生物特征图像，裁剪出生物特征区域的深图图像；
对于深度值获取失败的位置点，使用位置点周围邻域的像素点的深度值按照插值来进行修复；对于深度值获取失败的区域，则按照插值，先修复该区域边缘的深度值，再逐渐向区域中心修复；
对所述深度图像进行归一化处理。
较佳地，所述基于深度图像样本，计算深度图像中像素点的梯度，包括，
对于深图图像中的任一像素点，
分别计算水平方向和垂直方向的深度导数，
根据计算水平和垂直方向的深度导数，分别计算梯度的幅值和方向，得到深度图像的各像素点的图像梯度。
较佳地，所述根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图，包括，
将深度图像分成大小相同的子区域；
对于任一子区域中的任一像素点，根据该像素点的梯度方向确定直方图中对应的bin，根据该像素点的梯度幅值确定直方图中bin的权重，得到该像素点的梯度幅值在梯度方向的分配；
统计子区域中的所有像素点的梯度幅值在梯度方向的分配，得到该子区域梯度方向直方图。
较佳地，所述将所有子区域梯度方向直方图串接起来，得到提取的图像特征，包括，
根据任一子区域梯度方向直方图，得到该子区域的B维图像特征，
将所有子区域梯度方向直方图沿梯度方向串接，得到N×B维的图像特征向量；
其中，图像的大小为W×H，子区域大小为w×h，
较佳地，所述根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图，包括，
设置用于控制相邻子区域是否重合的滑动步长，所述滑动步长包括水平方向步长和垂直方向步长，
对于任一子区域，
按照所述滑动步长确定子区域的位置，根据子区域中像素点的梯度方向确定直方图中对应的bin，根据像素点的梯度幅值确定直方图中bin的权重，得到该像素点的梯度幅值在梯度方向的分配；
统计滑动步长所确定的子区域中所有像素点的梯度幅值在梯度方向的分配，得到该子区域梯度方向直方图。
较佳地，将所有子区域梯度方向直方图串接起来，得到提取的图像特征，包括，
根据任一子区域梯度方向直方图，得到该子区域的B维图像特征，
将所有子区域梯度方向直方图沿梯度方向串接，得到N×B维的图像特征向量；
其中，图像的大小为W×H，子区域大小为w×h，水平方向滑动步长为s，竖直方向滑动步长为t，
较佳地，所述基于深度图像样本，计算深度图像中像素点的梯度，包括，
基于深度图像，定位出生物特征图像中至少一个关键点，
在关键点截取至少一个邻域；
对于邻域中的任一像素点，
分别计算水平方向和垂直方向的深度导数，
根据计算水平和垂直方向的深度导数，分别计算梯度的幅值和方向，得到该子区域各像素点的图像梯度。
较佳地，其特征在于，
所述根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图，包括，对于邻域中的任一像素点，
根据该像素点的梯度方向确定直方图中对应的bin，根据该像素点的梯度幅值确定直方图中bin的权重，得到该像素点的梯度幅值在梯度方向的分配；
统计邻域中的所有像素点的梯度幅值在梯度方向的分配，得到该邻域梯度方向直方图。
较佳地，所述邻域至少包括一个关键点；
所述将所有子区域梯度方向直方图串接起来，得到提取的图像特征，包括，
根据任一邻域梯度方向直方图，得到该邻域的图像特征，
将所有邻域梯度方向直方图沿梯度方向串接，得到图像特征向量；
其中，图像特征向量的维数为所串接的直方图中容器bin的个数之和，
该方法还包括，
将所有关键点的邻域梯度方向直方图沿梯度方向串接，得到图像特征向量，其中，图像特征向量的维数为l个所串接的直方图中容器bin的个数之和的累加结果，l为关键点的总数。
较佳地，所述根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图，包括，
设置用于控制相邻邻域是否重合的滑动步长，所述滑动步长包括水平方向步长和垂直方向步长，
对于任一关键点邻域，
按照所述滑动步长确定邻域的位置，根据邻域中像素点的梯度方向确定直方图中对应的bin，根据像素点的梯度幅值确定直方图中bin的权重，得到该像素点的梯度幅值在梯度方向的分配；
统计滑动步长所确定的邻域中所有像素点的梯度幅值在梯度方向的分配，得到邻域梯度方向直方图。
较佳地，所述将所有子区域梯度方向直方图串接起来，得到提取的图像特征，包括，
根据任一邻域梯度方向直方图，得到该邻域的B维图像特征，
将所有邻域梯度方向直方图沿梯度方向串接，得到N×B维的图像特征向量；
其中，邻域大小为Wl×Hl，水平方向滑动步长为s，竖直方向滑动步长为t，
该方法还包括，
将所有关键点的邻域梯度方向直方图沿梯度方向串接，得到l×N×B维的图像特征向量，其中，l为关键点的总数。
较佳地，所述分别计算水平方向和垂直方向的深度导数包括，
图像水平方向上，计算所述像素点相邻的下一像素点的深度值与所述像素点相邻的上一像素点的深度值之差，得到水平方向的深度导数；
图像垂直方向上，计算所述像素点相邻的下一像素点的深度值与所述像素点相邻的上一像素点的深度值之差，得到垂直方向的深度导数；
所述根据计算水平和垂直方向的深度导数，分别计算梯度的幅值和方向包括，
计算幅值为水平方向深度导数与垂直方向深度导数之平方和的平方根，得到梯度的幅值；
计算梯度的方向为水平方向的深度导数和垂直方向的深度导数之间的夹角大小，得到梯度的方向。
较佳地，其特征在于，所述根据该像素点的梯度幅值确定直方图定直方图中bin的权重包括，
根据梯度方向确定两个相邻的bin的最小中心点值，分别计算所述梯度方向与第一中心点的第一距离、以及第二中心点与所述梯度方向的第二距离，其中，第一中心点值大于第二中心点值；
将所述第一距离在第一中心点值与第二中心点值之间距离中所占的比例，作为分配至第二中心点的bin的权重，将该权重加权梯度幅值，得到该像素点的梯度幅值在该bin的分配；
将所述第二距离在第一中心点值与第二中心点值之间距离中所占的比例，作为分配至第一中心点的bin的权重，将该权重加权梯度幅值，得到该像素点的梯度幅值在该bin的分配；
或者，
将梯度幅值的单调递增函数作为在bin的分配。
本发明提供的一种基于深度图像的目标图像的特征提取方法，该方法包括，
获取包含被检测目标的深度图像；
基于深度图像，计算深度图像中像素点的梯度，得到表征图像深度值变化程度的图像梯度特征，其中，图像梯度特征包括梯度幅值和梯度方向；
根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图；其中，子区域图像为所述深度图像中不同区域的图像，直方图中容器bin在纵轴的高度与所述梯度幅值有关；
将所有子区域梯度方向直方图串接起来，得到提取的图像特征；其中，图像特征的向量维数为串接直方图中容器bin的个数之和。
本发明还提供一种基于深度图像的生物特征活体识别检测的设备，该设备包括获取当前包含有生物特征的被检测目标的深度图像的图像处理装置、存储器和处理器，所述存储器用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，对所述图像处理装置获取的当前深度图像实现上述任一所述识别检测方法。
本发明提供的一种基于深度图像的目标图像的特征提取装置，该装置包括存储器和处理器，所述存储器用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，实现上述所述特征提取方法。
本发明提供的一种计算机可读存储介质，其特征在于，所述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所述识别检测方法的步骤，和/或实现上述所述特征提取方法的步骤。
本发明提供的基于深度图像的生物特征活体识别检测方法，通过对深度图像样本的图像梯度特征来对机器学习模型进行训练，利用了深度图像中的凹凸立体感的数据特征，基于训练后机器学习来识别检测当前包含有生物特征的被检测目标的深度图像，算法简洁，响应时间短，能够有效抵御照片、视频显示(包括手机)的生物特征的攻击，实现了呈现攻击检测，提高识别设备的安全性。本发明实施例无需用户按特定指令进行配合，整个检测过程耗时少，对硬件要求低，适应性广泛。
附图说明
图1是为本申请实施例一人脸活体识别检测方法的一种流程示意图；
图2为人脸深度图像的一种示意图。
图3为基于深度图像计算的图像梯度特征的一种示意图。
图4为深度图像分成若干子区域的一种示意图。
图5为梯度方向直方图的一种示意图。
图6为本申请实施例二人脸活体识别检测方法的一种流程示意图。
图7为基于深度图像的生物特征活体识别检测的设备的一种示意图。
图8为基于深度图像的目标图像的特征提取装置的一种示意图。
具体实施方式
为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。
本申请基于深度相机采集的包括被检测目标的深度图像数据，计算深度图像中像素点的梯度特征，基于各个像素点梯度特征，统计包括至少一个以上像素点的子区域梯度方向直方图，将所有子区域的直方图连接起来，得到至少一维以上的图像特征，基于得到的一维以上的图像特征通过机器分类模型进行训练和识别，以识别检测被检测目标是真实的人还是尝试欺骗的人工制品。
为便于理解，以下将以被检测目标为人脸为实施例来进行说明，所应理解的是，本申请不限于人脸，还包括了其他生物特征，包括且不限于，人体、掌纹、指纹等。
实施例一
参见图1所示，图1为本申请人脸活体识别检测方法的一种流程示意图。
步骤101，获取包含被检测目标的深度图像样本；
通过深度相机采集被检测目标图像，例如，通过深度相机采集人脸深度图像，检测图像中的人脸区域，如果检测出多个人脸，则选取面积最大的人脸。
基于选取的人脸，裁剪出人脸区域的深度图像，对于深度值获取失败的位置点，使用位置点周围邻域的像素点的深度值按照插值来进行修复；如果一片区域的像素值都获取失败，则先修复区域边缘的深度值，再逐渐向区域中心修复，即，对于区域边缘的任一像素点，使用该像素点周围邻域的像素点的深度值按照插值来计算，将计算的插值结果作为该像素点的深度值；依此类推，逐渐通过插值计算方式获得区域中心像素点的深度值。
对图像尺寸做归一化处理，设归一化后的人脸深度图像尺寸为W×H，如图2所示，W为图像坐标系中x方向(水平方向)的尺寸，H为图像坐标系中y方向(垂直方向)的尺寸。
步骤102，基于深度图像数据，计算深度图像中每个像素点的梯度，包括幅值和方向，从而得到图像梯度特征。
深度图像是基于像素点坐标以像素点灰度值表征空间点之间距离值(深度值)的数据，可以表示为P(x，y，d)，其中，x、y为图像坐标系下像素点的坐标，d为该像素点对应的空间三维点的深度值。对于深度图像有：
d＝I(x，y)，
其中，d为像素点坐标(x，y)对应的深度值。
按照梯度的定义，图像函数在像素点(x，y)的梯度是一个具有大小和方向的矢量。
故而，对于深度图像中的任一像素点(x，y)，水平方向的深度导数为：图像水平方向上，所述像素点相邻的下一像素点的深度值与所述像素点相邻的上一像素点的深度值之差；垂直方向的深度导数为：图像垂直方向上，所述像素点相邻的下一像素点的深度值与所述像素点相邻的上一像素点的深度值之差；
水平和垂直方向的深度导数的数学表达分别为：
Gx(x，y)＝I(x+1，y)-I(x-1，y)，Gy(x，y)＝I(x，y+1)-I(x，y-1)
则，根据计算水平和垂直方向的深度导数，分别计算梯度的幅值和方向，其中，幅值为：水平方向深度导数与垂直方向深度导数之平方和的平方根，梯度的方向为：水平方向的深度导数和垂直方向的深度导数之间的夹角大小。
像素点坐标(x，y)的梯度的幅值m和方向θ的数学表达分别为：
将深度图像中的所有像素点分别计算梯度，得到表征图像深度值变化程度的图像梯度特征。
参见图3所示，图3为基于深度图像计算的图像梯度特征的一种示意图，包括了幅值和方向。
在该步骤中，通过深度图像的梯度特征的计算，能够凸显深度图像中的深度值有剧烈变化地方，去掉了不必要的信息，例如，不变的背景色，加重了图像的凸凹的立体感。这样，当使用人脸照片、视频显示(包括手机)的人脸进行攻击时，由于人脸照片和视频缺乏凸凹的立体感，从而很容易被识别，提高了人脸识别设备的安全性。
步骤103，把深度图像分成若干大小相同的子区域，统计各个子区域梯度方向的直方图，N个子区域对应得到N×B维的特征。其中，B为直方图的横轴所具有的容器(bin)的数量，N为子区域的总数。
参见图4所示，把深度图像分成若干子区域，每个子区域的大小为w×h；则有：
参见图5所示，图5是梯度方向直方图的一种示意图。直方图是以梯度方向为横轴、梯度幅值为纵轴，反映梯度幅值在梯度方向的分布的示图。在本实施例中，设直方图的横轴有B个容器(bin)，对应为B个维度，直方图纵轴上，将图像梯度幅值作为权值进行投影，用梯度方向决定向哪一维度进行投影。即，根据方向选择用哪个bin,根据梯度幅值来确定这个bin在纵轴上的高度，表征了该梯度幅值在该bin的分配。
其中，根据梯度幅值来确定这个bin在纵轴上的高度可以是，每个像素点分配到直方图的大小为梯度幅值m的函数f(m)，f(m)是单调递增函数，可以包括m本身、m2、
等，或者，根据梯度方向到bin的中心点的距离做软赋值，具体为：
根据梯度方向确定两个相邻的bin的最小中心点值，分别计算所述梯度方向与第一中心点的第一距离、以及第二中心点与所述梯度方向的第二距离，其中，第一中心点值大于第二中心点值；
将所述第一距离在第一中心点值与第二中心点值之间距离中所占的比例，作为分配至第二中心点的bin的权重，将该权重加权梯度幅值，得到该像素点的梯度幅值在该bin的分配；
将所述第二距离在第一中心点值与第二中心点值之间距离中所占的比例，作为分配至第一中心点的bin的权重，将该权重加权梯度幅值，得到概念像素点的梯度幅值在该bin的分配；
用数学表达为，设梯度方向θ∈[θ1，θ2]，θ1、θ2为两个相邻的bin的中心点值，则分配到两个bin的权重分别为
例如，由于梯度方向为0～180度范围，设直方图横轴有9个bin，则直方图每个bin代表20度；如果梯度方向θ为13度，则θ∈[0°，20°]，分配到中心点值为0的bin的权重为：
梯度幅值的投影为
分配到中心点值为20的bin的权重为：
梯度幅值的投影为
其中，m为像素点的梯度幅值。
对于每个子区域，统计梯度方向的直方图。具体地，对于任一子区域的任一像素点，根据该像素点的梯度方向，选择对应的bin，根据梯度幅值来确定对应的bin的权重；依次地对子区域的每个像素点的梯度方向、幅值进行直方图中bin的对应，直至子区域中所有像素点都统计完毕；对于每个bin，分别累加该bin的幅值，得到一子区域的梯度方向的直方图，从而一子区域可对应为B维的特征，即，提取了一子区域的图像特征，相当于提取了局部图像特征。把所有的子区域的直方图串接起来，N个子区域对应得到N×B维的图像特征。
进一步地，可以通过设置滑动步长来控制相邻两个子区域是否重合，对于每个子区域，按照从左到右、从上到下的顺序进行滑动，对图像进行遍历，其中，在水平方向和垂直方向滑动的步长(stride)分别为s和t，则：
对于尺寸为W×H的深度图像，一共有
个子区域，设
N为深度图像的子区域的总数。
对于每个子区域，统计梯度方向的直方图。具体地，对于任一子区域，按照滑动步长确定子区域的位置，对于子区域中的任一像素点，根据该像素点的梯度方向，选择对应的bin，根据梯度幅值来确定对应的bin的权重；依次地对每个像素点的梯度方向、幅值进行直方图中bin的对应，直至滑动所确定的子区域中所有像素点都对应统计完毕；对于每个bin，分别累加该bin的幅值，得到一子区域的梯度方向的直方图，按照直方图中bin的个数B，从该子区域提取到B维的特征。把所有的子区域的直方图串接起来，N个子区域对应得到N×B维的图像特征。
上述基于滑动步长所确定子区域的直方图统计，能够动态地调整待统计的区域，有利于关键信息的图像特征提取。
在本实施例中，直方图的横轴所具有的容器(bin)的数量相同，所应理解的是，各个子区域梯度方向的直方图的bin的数量也可以不同，则提取的图像特征的向量维数为所串接的直方图中容器bin的个数之和。
步骤104，将步骤103得到的图像特征作为样本，对机器学习模型进行训练。
在本实施例中，机器学习模型采用一种二分类模型，例如，支持向量机(SVM)。基于步骤103得到的图像特征，训练支持向量机，并保存训练后的支持向量机模型参数，以使得通过训练后的支持向量机识别出图像中的活体和非活体。
步骤105，获取当前包含有生物特征的任一被检测目标的深度图像，通过训练后的机器学习模型对当前深度图像进行活体识别，以确定当前被检测人脸是活体，还是图片、或视频中非活体人脸。
实施例二
参见图6所示，图6为本申请人脸活体识别检测方法的一种流程示意图。
步骤601，获取包含被检测目标的深度图像样本；该步骤与步骤101相同；
步骤602，为了减少人脸图片中背景的影响，基于深度图像，根据深度值定位出人脸部位中l个关键点：(x1，y1)、(x2，y2)、……(xl，yl)，
在该步骤中，由于人脸脸部五官等具有立体感的部位深度值有明显的差异，包括且不限于，鼻部、眼部、嘴部、唇部周围等以及这些部位的组合，基于此，可定位出立体感较强的部位的特征点作为关键点。
步骤603，在每个关键点周围分别截取大小为Wl×Hl的至少一个子区域作为关键点邻域；对于各个邻域中的像素点，计算每个像素点的梯度，包括幅值和方向，从而得到邻域图像梯度特征。具体的图像梯度计算方法与步骤102相同。
在该步骤中，根据关键点的情况，所截取的邻域大小可以不相同，具体可以根据需要而设定，较佳地，邻域至少包括一个关键点。
步骤604，基于各个邻域，分别统计各个邻域梯度方向的直方图，N个邻域对应得到N×B维的特征。其中，B为直方图的横轴所具有的容器(bin)的数量，N为邻域的总数。把所有的邻域的直方图沿梯度方向串接起来，N个邻域对应得到N×B维的图像特征。其中，若l个关键点有l个邻域，则N＝l，l个邻域对应得到l×B维的图像特征，这些图像特征可视为关键点区域的图像特征。
同样地，可以通过设置滑动步长来控制相邻两个邻域是否重合，对于每个邻域，按照从左到右、从上到下的顺序进行滑动，对邻域图像进行遍历，其中，在水平方向和垂直方向滑动的步长(stride)分别为s和t，则：
对于尺寸为Wl×Hl的邻域，一共有
个邻域，设
N为深度图像的邻域的总数，W×H为深度图像尺寸。
具体统计各个邻域梯度方向的直方图与步骤103相同。
在本实施例中，直方图的横轴所具有的容器(bin)的数量相同，所应理解的是，各个邻域梯度方向的直方图的bin的数量也可以不同，这时则提取的图像特征的向量维数为所串接的直方图中容器bin的个数之和，l个关键点的邻域梯度方向直方图沿梯度方向串接，得到的图像特征向量的维数为l个所串接的直方图中容器bin的个数之和的累加结果。
步骤605，将步骤604得到关键点的图像特征作为样本，对机器学习模型进行训练。
在该步骤中，基于步骤604得到关键点的图像特征，训练支持向量机，并保存训练后的支持向量机模型参数，以使得通过训练后的支持向量机识别出图像中的活体和非活体。
步骤606，该步骤与步骤105相同，获取当前包含有生物特征的任一被检测目标的深度图像，通过训练后的机器学习模型对当前深度图像进行活体识别，以确定当前被检测人脸是活体，还是图片、或视频中非活体人脸。
本实施例通过关键点来提取图像特征，减少了图片中背景的影响，提高了特征提取的准确性，降低了计算量，有效地提高了识别检测的响应时间。
本发明实施例的人脸活体识别检测方法，能够有效抵御人脸照片、视频显示(包括手机)的人脸的攻击，实现了人脸呈现攻击检测，提高人脸识别设备的安全性。本发明实施例无需用户按特定指令进行配合，整个检测过程耗时少，对硬件无特殊要求，适应性广泛。
参见图7所示，图7示出了基于深度图像的生物特征活体识别检测的设备的一种示意图。该设备包括，
图像获取装置，获取当前包含有生物特征的被检测目标的深度图像，
存储器用于存放计算机程序；
处理器，用于执行所述存储器上所存放的程序，对所述图像处理装置获取的当前深度图像实现以上所述识别检测方法。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
参见图8所示，图8示出了基于深度图像的目标图像的特征提取装置的一种示意图，该装置包括，
图像数据获取模块，获取包含被检测目标的深度图像；
梯度计算模块，基于深度图像，计算深度图像中像素点的梯度，得到表征图像深度值变化程度的图像梯度特征，其中，图像梯度特征包括梯度幅值和梯度方向；
统计模块，根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图；其中，子区域图像为所述深度图像中不同区域的图像，直方图中容器bin在纵轴的高度与所述梯度幅值有关；
特征提取模块，将所有子区域梯度方向直方图串接起来，得到图像特征；其中，图像特征的向量维数为所串接的直方图中容器bin的个数之和。
本发明实施例还提供了一种计算机可读存储介质，所述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如下步骤：
获取当前包含有生物特征的被检测目标的深度图像，
基于训练后的机器学习模型，对所述当前深度图像进行活体识别，
其中，所述机器学习模型的训练包括，
获取包含生物特征的深度图像样本，
基于深度图像样本，计算深度图像中像素点的梯度，得到表征图像深度值变化程度的图像梯度特征，其中，图像梯度特征包括梯度幅值和梯度方向；
根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图；其中，子区域图像为所述深度图像中不同区域的图像，直方图中容器bin在纵轴的高度与所述梯度幅值有关；
将所有子区域梯度方向直方图串接起来，得到提取的图像特征；其中，图像特征的向量维数为所串接的直方图中容器bin的个数之和
将所述图像特征作为所述机器学习模型的样本，对所述机器学习模型进行训练。
对于装置/网络侧设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (18)
1.一种基于深度图像的生物特征活体识别检测方法，其特征在于，该方法包括，
获取当前包含有生物特征的被检测目标的深度图像，
基于训练后的机器学习模型，对所述当前深度图像进行活体识别，
其中，所述机器学习模型的训练包括，
获取包含生物特征的深度图像样本，
基于深度图像样本，计算深度图像中像素点的梯度，得到表征图像深度值变化程度的图像梯度特征，其中，图像梯度特征包括梯度幅值和梯度方向；
根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图；其中，子区域图像为所述深度图像中不同区域的图像，直方图中容器bin在纵轴的高度与所述梯度幅值有关；
将所有子区域梯度方向直方图串接起来，得到提取的图像特征；其中，图像特征的向量维数为所串接的直方图中容器bin的个数之和；
将所述图像特征作为所述机器学习模型的样本，对所述机器学习模型进行训练。
2.如权利要求1所述的方法，其特征在于，所述获取包含生物特征的深度图像样本包括，
如果深度图像中包括一个以上生物特征图像，则选取图像面积最大的生物特征；
基于选取的生物特征图像，裁剪出生物特征区域的深图图像；
对于深度值获取失败的位置点，使用位置点周围邻域的像素点的深度值按照插值来进行修复；对于深度值获取失败的区域，则按照插值，先修复该区域边缘的深度值，再逐渐向区域中心修复；
对所述深度图像进行归一化处理。
3.如权利要求2所述的方法，其特征在于，所述基于深度图像样本，计算深度图像中像素点的梯度，包括，
对于深图图像中的任一像素点，
分别计算水平方向和垂直方向的深度导数，
根据计算水平和垂直方向的深度导数，分别计算梯度的幅值和方向，得到深度图像的各像素点的图像梯度。
4.如权利要求3所述的方法，其特征在于，所述根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图，包括，
将深度图像分成大小相同的子区域；
对于任一子区域中的任一像素点，根据该像素点的梯度方向确定直方图中对应的bin，根据该像素点的梯度幅值确定直方图中bin的权重，得到该像素点的梯度幅值在梯度方向的分配；
统计子区域中的所有像素点的梯度幅值在梯度方向的分配，得到该子区域梯度方向直方图。
5.如权利要求4所述的方法，其特征在于，所述将所有子区域梯度方向直方图串接起来，得到提取的图像特征，包括，
根据任一子区域梯度方向直方图，得到该子区域的B维图像特征，
将所有子区域梯度方向直方图沿梯度方向串接，得到N×B维的图像特征向量；
其中，图像的大小为W×H，子区域大小为w×h，
6.如权利要求4所述的方法，其特征在于，所述根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图，包括，
设置用于控制相邻子区域是否重合的滑动步长，所述滑动步长包括水平方向步长和垂直方向步长，
对于任一子区域，
按照所述滑动步长确定子区域的位置，根据子区域中像素点的梯度方向确定直方图中对应的bin，根据像素点的梯度幅值确定直方图中bin的权重，得到该像素点的梯度幅值在梯度方向的分配；
统计滑动步长所确定的子区域中所有像素点的梯度幅值在梯度方向的分配，得到该子区域梯度方向直方图。
7.如权利要求6所述的方法，其特征在于，将所有子区域梯度方向直方图串接起来，得到提取的图像特征，包括，
根据任一子区域梯度方向直方图，得到该子区域的B维图像特征，
将所有子区域梯度方向直方图沿梯度方向串接，得到N×B维的图像特征向量；
其中，图像的大小为W×H，子区域大小为w×h，水平方向滑动步长为s，竖直方向滑动步长为t，
8.如权利要求2所述的方法，其特征在于，所述基于深度图像样本，计算深度图像中像素点的梯度，包括，
基于深度图像，定位出生物特征图像中至少一个关键点，
在关键点截取至少一个邻域；
对于邻域中的任一像素点，
分别计算水平方向和垂直方向的深度导数，
根据计算水平和垂直方向的深度导数，分别计算梯度的幅值和方向，得到该子区域各像素点的图像梯度。
9.如权利要求8所述的方法，其特征在于，
所述根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图，包括，
对于邻域中的任一像素点，
根据该像素点的梯度方向确定直方图中对应的bin，根据该像素点的梯度幅值确定直方图中bin的权重，得到该像素点的梯度幅值在梯度方向的分配；
统计邻域中的所有像素点的梯度幅值在梯度方向的分配，得到该邻域梯度方向直方图。
10.如权利要求9所述的方法，其特征在于，所述邻域至少包括一个关键点；
所述将所有子区域梯度方向直方图串接起来，得到提取的图像特征，包括，
根据任一邻域梯度方向直方图，得到该邻域的图像特征，
将所有邻域梯度方向直方图沿梯度方向串接，得到图像特征向量；
其中，图像特征向量的维数为所串接的直方图中容器bin的个数之和，
该方法还包括，
将所有关键点的邻域梯度方向直方图沿梯度方向串接，得到图像特征向量，其中，图像特征向量的维数为l个所串接的直方图中容器bin的个数之和的累加结果，l为关键点的总数。
11.如权利要求8所述的方法，其特征在于，所述根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图，包括，
设置用于控制相邻邻域是否重合的滑动步长，所述滑动步长包括水平方向步长和垂直方向步长，
对于任一关键点邻域，
按照所述滑动步长确定邻域的位置，根据邻域中像素点的梯度方向确定直方图中对应的bin，根据像素点的梯度幅值确定直方图中bin的权重，得到该像素点的梯度幅值在梯度方向的分配；
统计滑动步长所确定的邻域中所有像素点的梯度幅值在梯度方向的分配，得到邻域梯度方向直方图。
12.如权利要求11所述的方法，其特征在于，所述将所有子区域梯度方向直方图串接起来，得到提取的图像特征，包括，
根据任一邻域梯度方向直方图，得到该邻域的B维图像特征，
将所有邻域梯度方向直方图沿梯度方向串接，得到N×B维的图像特征向量；
其中，邻域大小为Wl×Hl，水平方向滑动步长为s，竖直方向滑动步长为t，
该方法还包括，
将所有关键点的邻域梯度方向直方图沿梯度方向串接，得到l×N×B维的图像特征向量，其中，l为关键点的总数。
13.如权利要求3或8所述的方法，其特征在于，所述分别计算水平方向和垂直方向的深度导数包括，
图像水平方向上，计算所述像素点相邻的下一像素点的深度值与所述像素点相邻的上一像素点的深度值之差，得到水平方向的深度导数；
图像垂直方向上，计算所述像素点相邻的下一像素点的深度值与所述像素点相邻的上一像素点的深度值之差，得到垂直方向的深度导数；
所述根据计算水平和垂直方向的深度导数，分别计算梯度的幅值和方向包括，
计算幅值为水平方向深度导数与垂直方向深度导数之平方和的平方根，得到梯度的幅值；
计算梯度的方向为水平方向的深度导数和垂直方向的深度导数之间的夹角大小，得到梯度的方向。
14.如权利要求4、6、9、或11所述的方法，其特征在于，所述根据该像素点的梯度幅值确定直方图中bin的权重包括，
根据梯度方向确定两个相邻的bin的最小中心点值，分别计算所述梯度方向与第一中心点的第一距离、以及第二中心点与所述梯度方向的第二距离，其中，第一中心点值大于第二中心点值；
将所述第一距离在第一中心点值与第二中心点值之间距离中所占的比例，作为分配至第二中心点的bin的权重，将该权重加权梯度幅值，得到该像素点的梯度幅值在该bin的分配；
将所述第二距离在第一中心点值与第二中心点值之间距离中所占的比例，作为分配至第一中心点的bin的权重，将该权重加权梯度幅值，得到该像素点的梯度幅值在该bin的分配；
或者，
将梯度幅值的单调递增函数作为在bin的分配。
15.一种基于深度图像的目标图像的特征提取方法，其特征在于，该方法包括，
获取包含被检测目标的深度图像；
基于深度图像，计算深度图像中像素点的梯度，得到表征图像深度值变化程度的图像梯度特征，其中，图像梯度特征包括梯度幅值和梯度方向；
根据所述图像梯度特征，获取至少一个子区域图像的梯度方向直方图；其中，子区域图像为所述深度图像中不同区域的图像，直方图中容器bin在纵轴的高度与所述梯度幅值有关；
将所有子区域梯度方向直方图串接起来，得到提取的图像特征；其中，图像特征的向量维数为串接直方图中容器bin的个数之和。
16.一种基于深度图像的生物特征活体识别检测的设备，其特征在于，该设备包括获取当前包含有生物特征的被检测目标的深度图像的图像处理装置、存储器和处理器，所述存储器用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，对所述图像处理装置获取的当前深度图像实现权利要求1-14任一所述识别检测方法。
17.一种基于深度图像的目标图像的特征提取装置，其特征在于，该装置包括存储器和处理器，所述存储器用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，实现权利要求15所述特征提取方法。
18.一种计算机可读存储介质，其特征在于，所述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如权利要求1至14任一所述识别检测方法的步骤，和/或实现如权利要求15所述特征提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910981696.3A CN112668370B (zh) | 2019-10-16 | 2019-10-16 | 一种基于深度图像的生物特征活体识别检测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910981696.3A CN112668370B (zh) | 2019-10-16 | 2019-10-16 | 一种基于深度图像的生物特征活体识别检测方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112668370A true CN112668370A (zh) | 2021-04-16 |
| CN112668370B CN112668370B (zh) | 2023-08-25 |
Family
ID=75400254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910981696.3A Active CN112668370B (zh) | 2019-10-16 | 2019-10-16 | 一种基于深度图像的生物特征活体识别检测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668370B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120207384A1 (en) * | 2011-02-14 | 2012-08-16 | Fatih Porikli | Representing Object Shapes Using Radial Basis Function Support Vector Machine Classification |
| CN105139023A (zh) * | 2015-07-24 | 2015-12-09 | 福州大学 | 一种基于多尺度特征融合和极限学习机的种子识别方法 |
| CN105335722A (zh) * | 2015-10-30 | 2016-02-17 | 商汤集团有限公司 | 一种基于深度图像信息的检测系统及方法 |
| CN106228136A (zh) * | 2016-07-26 | 2016-12-14 | 厦门大学 | 基于聚合通道特征的全景街景隐私保护方法 |
| CN109522929A (zh) * | 2018-10-16 | 2019-03-26 | 南京农业大学 | 一种基于多源图像融合的自然环境下麦田杂草识别方法 |
-
2019
- 2019-10-16 CN CN201910981696.3A patent/CN112668370B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120207384A1 (en) * | 2011-02-14 | 2012-08-16 | Fatih Porikli | Representing Object Shapes Using Radial Basis Function Support Vector Machine Classification |
| CN105139023A (zh) * | 2015-07-24 | 2015-12-09 | 福州大学 | 一种基于多尺度特征融合和极限学习机的种子识别方法 |
| CN105335722A (zh) * | 2015-10-30 | 2016-02-17 | 商汤集团有限公司 | 一种基于深度图像信息的检测系统及方法 |
| CN106228136A (zh) * | 2016-07-26 | 2016-12-14 | 厦门大学 | 基于聚合通道特征的全景街景隐私保护方法 |
| CN109522929A (zh) * | 2018-10-16 | 2019-03-26 | 南京农业大学 | 一种基于多源图像融合的自然环境下麦田杂草识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112668370B (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105740780B (zh) | 人脸活体检测的方法和装置 | |
| CN105335722B (zh) | 一种基于深度图像信息的检测系统及方法 | |
| US9818023B2 (en) | Enhanced face detection using depth information | |
| Bustard et al. | Toward unconstrained ear recognition from two-dimensional images | |
| CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
| US8391590B2 (en) | System and method for three-dimensional biometric data feature detection and recognition | |
| CN106716450A (zh) | 利用边缘向量的基于图像的特征检测 | |
| CN108549886A (zh) | 一种人脸活体检测方法及装置 | |
| US20120027252A1 (en) | Hand gesture detection | |
| US20120027263A1 (en) | Hand gesture detection | |
| JP6112801B2 (ja) | 画像認識装置及び画像認識方法 | |
| CN110458063B (zh) | 防视频、照片欺骗的人脸活体检测方法 | |
| JP6351243B2 (ja) | 画像処理装置、画像処理方法 | |
| Diwakar et al. | An extraction and recognition of tongue-print images for biometrics authentication system | |
| CN101131728A (zh) | 一种基于Shape Context的人脸形状匹配方法 | |
| CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
| JP6410450B2 (ja) | オブジェクト識別装置、オブジェクト識別方法及びプログラム | |
| CN108875500B (zh) | 行人再识别方法、装置、系统及存储介质 | |
| Parziale et al. | Advanced technologies for touchless fingerprint recognition | |
| CN110222660B (zh) | 一种基于动态与静态特征融合的签名鉴伪方法及系统 | |
| Juang et al. | Stereo-camera-based object detection using fuzzy color histograms and a fuzzy classifier with depth and shape estimations | |
| Steinebach et al. | Towards image hashing robust against cropping and rotation | |
| WO2011099072A1 (ja) | パターン識別装置 | |
| CN110866442B (zh) | 基于实时人脸识别的人证合一查验系统和方法 | |
| CN112668370B (zh) | 一种基于深度图像的生物特征活体识别检测方法、装置 |
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 |