CN112883918A - 人脸检测方法、装置、终端设备及计算机可读存储介质 - Google Patents

人脸检测方法、装置、终端设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112883918A
CN112883918A CN202110302180.9A CN202110302180A CN112883918A CN 112883918 A CN112883918 A CN 112883918A CN 202110302180 A CN202110302180 A CN 202110302180A CN 112883918 A CN112883918 A CN 112883918A
Authority
CN
China
Prior art keywords
detection
face
image
detected
result
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
CN202110302180.9A
Other languages
English (en)
Other versions
CN112883918B (zh
Inventor
杨成贺
曾检生
黎贵源
王玉
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.)
Shenzhen Pax Smart New Technology Co ltd
Original Assignee
Shenzhen Pax Smart New 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 Shenzhen Pax Smart New Technology Co ltd filed Critical Shenzhen Pax Smart New Technology Co ltd
Priority to CN202110302180.9A priority Critical patent/CN112883918B/zh
Publication of CN112883918A publication Critical patent/CN112883918A/zh
Priority to PCT/CN2022/080800 priority patent/WO2022199419A1/zh
Priority to US18/370,177 priority patent/US20240013572A1/en
Application granted granted Critical
Publication of CN112883918B publication Critical patent/CN112883918B/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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种人脸检测方法、装置、终端设备及计算机可读存储介质，包括：获取待测图像，所述待测图像中存在第一人脸图像；对所述待测图像进行初步检测，获得初检结果；若所述初检结果表示检测通过，则将所述待测图像中的所述第一人脸图像与目标人脸图像进行比对，获得比对结果；根据所述比对结果确定所述待测图像的终检结果。通过上述方法，可以有效提高人脸检测的准确率。

Description

人脸检测方法、装置、终端设备及计算机可读存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及人脸检测方法、装置、终端设备及计算机可读存储介质。
背景技术
随着图像处理技术的发展，人脸检测逐渐成为最有潜力的生物身份验证方式，其被广泛应用于金融支付、安全防控和媒体娱乐等领域。现有人脸检测技术中，需要将采集到的人脸图像与用户注册的人脸图像进行比对，以确定采集到的人脸图像是否为用户本人。
实际应用中，采集到的人脸图像本身可能存在“瑕疵”，从而影响人脸检测的准确率。例如：图像光线较暗，或图像中的人脸区域存在遮挡，以至于无法检测出图像中的关键特征信息，进而影响检测结果。
发明内容
本申请实施例提供了一种人脸检测方法、装置、终端设备及计算机可读存储介质，可以有效提高人脸检测的准确率。
第一方面，本申请实施例提供了一种人脸检测方法，包括：
获取待测图像，所述待测图像中存在第一人脸图像；
对所述待测图像进行初步检测，获得初检结果；
若所述初检结果表示检测通过，则将所述待测图像中的所述第一人脸图像与目标人脸图像进行比对，获得比对结果；
根据所述比对结果确定所述待测图像的终检结果。
在本申请实施例中，首先对待测图像进行初步检测，这样可以滤除掉有“瑕疵”的待测图像；若待测图像通过了初步检测，再将待测图像中的第一人脸图像与目标人脸图像进行比对，根据比对结果确定终检结果。通过上述方法，能够有效提高人脸检测的准确率。
在第一方面的一种可能的实现方式中，所述获取待测图像，包括：
获取RGB图像和红外图像，所述RGB图像和所述红外图像中均存在所述第一人脸图像；
对所述红外图像中存在的所述第一人脸图像进行活体检测，获得活体检测结果；
若所述活体检测结果表示所述红外图像中存在的所述第一人脸图像为真实人脸，则将所述RGB图像确定为所述待测图像。
在第一方面的一种可能的实现方式中，所述对所述红外图像中存在的所述第一人脸图像进行活体检测，获得活体检测结果，包括：
检测所述红外图像中的人脸轮廓关键点；
根据所述人脸轮廓关键点截取所述红外图像中存在的所述第一人脸图像；
将所述红外图像中存在的所述第一人脸图像输入到训练后的活体检测模型，输出所述活体检测结果。
在第一方面的一种可能的实现方式中，所述初步检测包括以下至少一个检测项目：人脸姿态检测、人脸遮挡检测、人脸亮度检测和人脸模糊度检测；
所述对所述待测图像进行初步检测，获得初检结果，包括：
对所述待测图像分别执行所述初步检测中的每个所述检测项目，获得每个所述检测项目的项目结果；
若所述初步检测中每个所述检测项目的项目结果均表示检测通过，则所述初检结果表示检测通过。
在第一方面的一种可能的实现方式中，当所述检测项目为所述人脸姿态检测时，对所述待测图像执行所述人脸姿态检测，获得所述人脸姿态检测的项目结果，包括：
将所述待测图像输入到训练后的人脸姿态估计模型中，输出人脸三维角度信息；
根据所述人脸三维角度信息和预设角度范围确定所述人脸姿态检测的项目结果。
在第一方面的一种可能的实现方式中，当所述检测项目为所述人脸遮挡检测时，对所述待测图像执行所述人脸遮挡检测，获得所述人脸遮挡检测的项目结果，包括：
将所述待测图像中存在的所述第一人脸图像划分为N个面部区域，所述N为正整数；
将所述N个面部区域输入到各自对应的遮挡检测模型中，输出所述N个面部区域各自对应的遮挡检测结果；
根据所述N个面部区域各自对应的遮挡检测结果确定所述人脸遮挡检测的项目结果。
在第一方面的一种可能的实现方式中，当所述检测项目为所述人脸亮度检测时，对所述待测图像执行所述人脸亮度检测，获得所述人脸亮度检测的项目结果，包括：
计算所述待测图像中目标像素点的数量与所述待测图像中所有像素点的数量的比值，其中，所述目标像素点的像素值在预设灰度值范围内；
根据所述比值和预设阈值确定所述人脸亮度检测的项目结果。
在第一方面的一种可能的实现方式中，当所述检测项目为所述人脸模糊度检测时，对所述待测图像执行所述人脸模糊度检测，获得所述人脸模糊度检测的项目结果，包括：
计算所述待测图像的模糊度；
根据所述模糊度和预设数值范围确定所述人脸模糊度检测的项目结果。
第二方面，本申请实施例提供了一种人脸检测装置，包括：
获取单元，用于获取待测图像，所述待测图像中存在第一人脸图像；
初检单元，用于对所述待测图像进行初步检测，获得初检结果；
比对单元，用于若所述初检结果表示检测通过，则将所述待测图像中的所述第一人脸图像与目标人脸图像进行比对，获得比对结果；
终检单元，用于根据所述比对结果确定所述待测图像的终检结果。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的人脸检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，本申请实施例提供了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计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的人脸检测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的人脸检测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的人脸检测方法的流程示意图；
图2是本申请实施例提供的人脸特征关键点的示意图；
图3是本申请实施例提供的人脸轮廓关键点的示意图；
图4是本申请实施例提供的去背景过程示意图；
图5是本申请实施例提供的第一特征提取模块的结构示意图；
图6是本申请实施例提供的活体检测模型的结构示意图；
图7是本申请实施例提供的FSA-Net模型的示意图；
图8是本申请实施例提供的人脸检测装置的结构框图；
图9是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
如在本申请说明书和所附权利要求书中所使用的那样，术语“若”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
参见图1，是本申请实施例提供的人脸检测方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
S101，获取待测图像，待测图像中存在第一人脸图像。
在一个实施例中，通过拍摄装置采集目标人脸的RGB图像，将该RGB图像记为待测图像。待测图像中包括目标人脸所对应的第一人脸图像和背景图像。
实际应用中，可能存在仿造人脸图像的情况，如打印的人脸图像、人脸面具或电子设备屏幕中的人脸图像等。为了防止上述情况的发生，在另一个实施例中，需要进行人脸活体检测。具体如下。
S101的一种实现方式可以包括：获取目标人脸的RGB图像，然后对RGB图像中存在的第一人脸图像进行活体检测，获得活体检测结果；若活体检测结果表示RGB图像中存在的第一人脸图像为真实人脸，则将RGB图像确定为待测图像。
但是，RGB图像用于活体检测时，效果较差。为了提高活体检测的准确度，本申请实施例提供S101的另一种实现方式，包括：获取RGB图像和红外图像，RGB图像和所红外图像中均存在第一人脸图像；对红外图像中存在的第一人脸图像进行活体检测，获得活体检测结果；若活体检测结果表示红外图像中存在的第一人脸图像为真实人脸，则将RGB图像确定为待测图像。
RGB图像和红外图像可以是由同一个拍摄装置同时对同一个拍摄对象拍摄得到，或者由同一个拍摄装置先后对同一个拍摄对象拍摄得到。例如：第一拍摄装置能够拍摄RGB图像和红外图像，由第一拍摄装置同时对目标人脸进行拍摄，获得目标人脸的RGB图像和红外图像；还可以由第一拍摄装置先拍摄出目标人脸的RGB图像，再拍摄出目标人脸的红外图像，这种情况下，需要两次拍摄间隔时间较短，以保证目标人脸相对于拍摄装置的角度以及背景未发生较大变化。
RGB图像和红外图像也可以是由不同的拍摄装置对同一个拍摄对象同时拍摄得到，或者由不同的拍摄装置先后对同一个拍摄对象拍摄得到。例如：第二拍摄装置能够拍摄RGB图像，第三拍摄装置能够拍摄红外图像，令第二拍摄装置和第三拍摄装置同时对目标人脸进行拍摄，获得的RGB图像和红外图像中均包括目标人脸对应的第一人脸图像。还可以先由第二拍摄装置对目标人脸进行拍摄，获得RGB图像；再由第三拍摄装置对目标人脸进行拍摄，获得红外图像；这种情况下，需要两次拍摄间隔时间较短，以保证目标人脸相对于拍摄装置的角度以及背景未发生较大变化。
在一个实施例中，对红外图像中存在的第一人脸图像进行活体检测的一种实现方式包括：检测红外图像中的人脸轮廓关键点；根据人脸轮廓关键点截取红外图像中存在的第一人脸图像；将红外图像中存在的第一人脸图像输入到训练后的活体检测模型，输出活体检测结果。
红外图像中包括第一人脸图像和背景图像。实际应用中，采集的红外图像的背景图像中可能存在活体/非活体的图像，若将红外图像输入到活体检测模型中(即综合考虑背景图像和第一人脸图像的特征信息)，那么红外图像中的背景图像对应的特征信息将会对第一人脸图像对应的特征信息造成干扰，影响活体检测结果的准确性。为了解决上述问题，在本申请实施例中，先对红外图像进行去背景处理(即检测红外图像中的人脸轮廓关键点；根据人脸轮廓关键点截取红外图像中存在的第一人脸图像)，获得红外图像中的第一人脸图像，然后对第一人脸图像进行活体检测。
可选的，检测红外图像中的人脸轮廓关键点的一种实现方式可以包括：获取红外图像中第一人脸图像上的多个人脸特征关键点；从多个人脸特征关键点中确定出人脸轮廓关键点。
可以将红外图像输入到训练后的人脸检测模型中，输出多个人脸特征关键点。优选的，可以采用68个关键点的人脸检测模型。参见图2，是本申请实施例提供的人脸特征关键点的示意图。将待处理图像输入到训练后的人脸检测模型中，即可输出如图2所示的人脸特征关键点1-68的位置标记。
进一步的，从多个人脸特征关键点中确定出人脸轮廓关键点的一种实现方式可以包括：确定多个人脸特征关键点中的边界点；根据边界点确定人脸轮廓关键点。
示例性的，如图2所示，人脸特征关键点1-68中，1-17和18-27为边界点。
根据边界点确定人脸轮廓关键点的实现方式可以有以下几种：
1、将边界点确定为人脸轮廓关键点。
例如，如图2所示，将边界点1-17和18-27确定为人脸轮廓关键点。
2、将横坐标最大的边界点、横坐标最小的边界点、纵坐标最大的边界点和纵坐标最小的边界点确定为人脸轮廓边界点。
例如，如图2所示，将边界点1、9、16和25确定为人脸轮廓关键点。
3、计算边界点中的横坐标最大值、横坐标最小值和纵坐标最小值；根据横坐标最大值和纵坐标最小值确定第一顶点关键点，根据横坐标最小值和纵坐标最小值确定第二顶点关键点；将边界点1-17、第一顶点关键点和第二顶点关键点确定为人脸轮廓关键点。
参见图3，是本申请实施例提供的人脸轮廓关键点的示意图。如图3所示，第一顶点关键点为a(见图3中的左上角处)，第二顶点关键点(见图3中的右上角处)为b，由a、b和1-17这几个人脸轮廓关键点能够确定出人脸图像的轮廓。
第一种方式确定出的人脸图像的轮廓较小，失去了部分人脸特征信息。第二种方式确定出的人脸图像的轮廓为包含人脸图像的最小矩形，该轮廓中包括了较多的背景图像。而第三种方式确定出的人脸图像的轮廓较为合适，既保证了人脸图像的完整性，又较完全地滤除了背景图案。
可选的，根据人脸轮廓关键点截取红外图像中存在的第一人脸图像的一种实现方式可以包括：在由第一预设颜色填充的预设图层上，根据人脸轮廓关键点勾勒出第一区域；将预设图层中的第一区域填充为第二预设颜色，得到目标图层；将目标图层和待处理图像进行叠加处理，获得人脸图像。
这样目标图层上，由人脸轮廓关键点勾勒出的第一区域内为第二预设颜色，除第一区域外的第二区域内为第一预设颜色。示例性的，先创建一个黑色(即第二预设颜色)的预设图层(如掩膜，可以以程序数据的形式存储)；通过OpenCV中的polylines函数将人脸轮廓关键点绘制为曲线，该曲线围成的区域记为第一区域；通过fillpoly函数将第一区域填充为白色(即第一预设颜色)，得到目标图层；将目标图层与待处理图像执行逐像素按位与处理(即进行叠加处理)，得到人脸图像。
参见图4，是本申请实施例提供的去背景过程示意图。图4中左边的图像为去背景处理之前的红外图像，图4中右边的图像为去背景处理后的第一人脸图像。如图4所示，经过上述去背景处理过程，能够在保留完整的第一人脸图像的同时，滤除掉背景图像。
在从红外图像中获取第一人脸图像后，将第一人脸图像输入到训练后的活体检测模型，输出活体检测结果。
为了提高活体检测模型的特征提取能力，在本申请实施例中，活体检测模型包括第一特征提取模块和注意力机制模块。第一特征提取模块和注意力机制模块均用于提取特征，其中，注意力机制模块能够加强对具有鉴别力特征(如人眼的反光特征、皮肤纹理特征等)的学习能力。可选的，注意力机制模块可以采用SENet模块。
另外，与现有技术不同的是，本申请实施例的第一特征提取模块中，加入了并行的特征提取网络。具体的，参见图5，是本申请实施例提供的第一特征提取模块的结构示意图。现有技术中的第一特征提取模块结构如图5中的(a)所示，包括倒残差网络(包括用于升维的第二卷积层(1×1Conv)、第三卷积层(3×3DW Conv)和用于降维的第四卷积层(1×1Conv))。本申请实施例中的第一特征提取模块结构如图5中的(b)所示，包括并联的第一网络和倒残差网络；其中，第一网络包括第一平均池化层(2×2AVG Pool)和第一卷积层(1×1Conv)。
示例性的，参见图6，是本申请实施例提供的活体检测模型的结构示意图。图6中的Block A模块为图5中的(a)所示的第一特征提取模块，图6中的Block B模块为图5中的(b)所示的第一特征提取模块。如图6所示的活体检测模型中，第一特征提取模块和注意力机制模块交替执行特征提取任务，最后通过FC(fully connected layers，全连接层)将提取出的特征向量全连接到输出层。在活体检测过程中，将输出的特征向量通过分类层(如softmax)转换为概率值，通过概率值即可判断是否为活体。图6中所示的活体检测模型对2D和3D的人脸图像均具有较强的防御能力和安全性，活体检测的准确度较高。
上述实施例中，相当于先进行了活体检测的过程，在确定采集到的人脸图像为真实人脸后，再将采集到的RGB图像确定为待测图像，以进行后续步骤。通过上述方法，有效避免了伪造人脸的情况，有助于提高人脸检测的准确度。
S102，对待测图像进行初步检测，获得初检结果。
实际应用中，采集到的待测图像本身可能存在“瑕疵”，从而影响人脸检测的准确率。例如：图像光线较暗，或图像中的人脸区域存在遮挡，以至于无法检测出图像中的关键特征信息，进而影响检测结果。
为了提高人脸检测结果，本申请实施例中，对待测图像进行初步检测，目的是过滤掉存在“瑕疵”的待测图像。初步检测可以包括以下至少一个检测项目：人脸姿态检测、人脸遮挡检测、人脸亮度检测和人脸模糊度检测。下面分别介绍每种检测项目。
I、对待测图像执行人脸姿态检测，获得人脸姿态检测的项目结果，可以包括以下步骤：将待测图像输入到训练后的人脸姿态估计模型中，输出人脸三维角度信息；根据人脸三维角度信息和预设角度范围确定人脸姿态检测的项目结果。
可选的，人脸姿态估计模型可以采用FSA-Net模型。该模型由Stream one和Steamtwo两个分支组成，算法先在不同深度的层(有多层，只是取三层)上提取三个特征，然后对细粒度结构特征融合，再通过SSR(The sum of squares due to regression，预测值与真实值的均值之间差的平方和)模块回归预测得到人脸三维角度信息(Roll、Pitch和Yaw)。参见图7，是本申请实施例提供的FSA-Net模型的示意图。该模型对数据的处理速度较快，有助于提高人脸检测的效率。
可选的，若人脸三维角度信息在预设角度范围内，则人脸姿态检测的项目结果表示检测通过；若人脸三维角度信息不在预设角度范围内，则人脸姿态检测的项目结果表示检测未通过。
II、对待测图像执行人脸遮挡检测，获得人脸遮挡检测的项目结果，可以包括以下步骤：将待测图像中存在的第一人脸图像划分为N个面部区域，N为正整数；将N个面部区域输入到各自对应的遮挡检测模型中，输出N个面部区域各自对应的遮挡检测结果；根据N个面部区域各自对应的遮挡检测结果确定人脸遮挡检测的项目结果。
示例性的，可以根据检测出的第一人脸图像上的68个关键点，把第一人脸图像划分为7个区域，如左眼、右眼、鼻子、嘴巴、下巴、左脸、右脸。然后将这7个区域输入到各自对应的遮挡检测模型中，例如，将左眼图像输入到左眼遮挡检测模型中、将鼻子图像输入到鼻子遮挡检测模型中。7个遮挡检测模型分别输出遮挡概率值，然后判断遮挡概率值是否在预设概率范围内；若在，则表示当前区域未被遮挡；若不在，则表示当前区域存在遮挡。需要说明的是，上述只是划分区域的示例，并不对划分规则和区域数量等做具体限定。
当获取到N个面部区域对应的遮挡检测结果后，可选的，可以根据预设规则和N个遮挡检测结果确定人脸遮挡检测的项目结果。
示例性的，预设规则可以为：N个遮挡检测结果均为未被遮挡；相应的，若N个遮挡检测结果均为未被遮挡，则人脸遮挡检测的项目结果表示检测通过；若N个遮挡检测结果中存在未被遮挡的遮挡检测结果，则人脸遮挡检测的项目结果表示检测未通过。
预设规则还可以遮挡比例大于预设比例，其中，遮挡比例为未被遮挡的遮挡检测结果的数量与存在遮挡的遮挡检测结果的数量的比值；相应的，若N个遮挡检测结果中遮挡比例大于预设比例，则人脸遮挡检测的项目结果表示检测通过；若N个遮挡检测结果中遮挡比例小于或等于预设比例，则人脸遮挡检测的项目结果表示检测未通过。
需要说明的是，上述只是预设规则的示例，实际应用中，可以根据实际需要制定预设规则。
III、对待测图像执行人脸亮度检测，获得人脸亮度检测的项目结果，可以包括以下步骤：计算待测图像中目标像素点的数量与待测图像中所有像素点的数量的比值，其中，目标像素点的像素值在预设灰度值范围内；根据比值和预设阈值确定人脸亮度检测的项目结果。
可以预先计算待测图像的灰度直方图，然后根据灰度直方图设置预设灰度范围。
示例性的，将像素值在(0,30)内的像素点认为欠曝点，将欠曝点确定为目标像素点；然后计算目标像素点的数量与待测图像中所有像素点的数量的比值；若比值大于预设阈值，则人脸亮度检测的项目结果。还可以将像素值在(220,255)内的像素点认为过爆点，将过爆点确定为目标像素点；然后计算目标像素点的数量与待测图像中所有像素点的数量的比值；若比值大于预设阈值，则人脸亮度检测的项目结果。
IV、对待测图像执行人脸模糊度检测，获得人脸模糊度检测的项目结果，可以包括以下步骤：计算待测图像的模糊度；根据模糊度和预设数值范围确定人脸模糊度检测的项目结果。
可选的，计算待测图像的模糊度的一种实现方式为：利用拉普拉斯函数计算待测图像中每个像素点的模糊值；然后计算模糊值的方差，得到模糊度。
可选的，计算待测图像的模糊度的一种实现方式为：计算待测图像中每个像素点的灰度差值；然后计算灰度差值的平方和；将平方和确定为模糊度。
当然，也可以采用其他方式计算待测图像的模糊度，在此不做具体限定。
在计算得到待测图像的模糊度之后，可选的，若模糊度在预设数值范围内，则人脸模糊度检测的项目结果为检测通过；若模糊度未在预设数值范围内，则人脸模糊度检测的项目结果为检测未通过。
上述各个检测项目可以串行处理，也可以并行处理。示例性的，当串行处理时，若第一个检测项目的项目结果为检测通过，则执行第二个检测项目；若第二个检测项目的项目结果为检测通过，则执行第三个检测项目；依次类推；若任意一个检测项目的项目结果未检测未通过，则初步检测结果表示检测未通过。
当并行处理时，可以同时或先后分别执行每个检测项目。可选的，若任意M个检测项目的项目结果为检测未通过，则初步检测结果表示检测未通过，M为正整数；或指定的某个检测项目的项目结果为检测未通过，则初步检测结果表示检测未通过。
S103，若初检结果表示检测通过，则将待测图像中的所述第一人脸图像与目标人脸图像进行比对，获得比对结果。
可选的，可以通过计算欧氏距离确定比对结果，如下式：
Figure BDA0002986695980000131
其中，xi表示第一人脸图像中的像素点的特征值，yi表示目标人脸图像中的像素点的特征值。
当然，也可以采用其他距离计算方法(如马氏距离等)确定比对结果，在此不做具体限定。
可选的，特征值的计算方法可以采用Insightface算法，该算法具体步骤如下：
(1)使用mobilefacenet作为神经网络的主架构来提取待测图像的人脸特征，得到人脸特征向量。
(2)对人脸特征向量xi执行L2正则化得到
Figure BDA0002986695980000132
对特征矩阵的矩阵W(包括一批次处理的L张目标人脸图像)中的每一列Wj执行L2正则化，得到
Figure BDA0002986695980000133
(3)令
Figure BDA0002986695980000141
前面两项都为1，所以得到全连接输出cos(θj),j∈[1,…，H]；
(4)对输出中对应真实标签值
Figure BDA0002986695980000142
执行反余弦操作就得到
Figure BDA0002986695980000143
(5)因为mobilefacenet模型中的SphereFace、ArcFace和CosFace都有m参数，这里分别用m1、m2和m3表示，因此这三个算法整合在一起得到整合数值
Figure BDA0002986695980000144
(6)对得到的整合数值乘以一个尺度参数来放大，得到输出
Figure BDA0002986695980000145
然后该输出送到softmax函数里，得到最后输出的概率值，将概率值作为特征值。
S104，根据比对结果确定待测图像的终检结果。
可选的，当比对结果为第一人脸图像和目标人脸图像之间的距离值时，若比对结果在预设距离范围内，则终检结果表示匹配；若比对结果未在预设距离范围内，则终检结果表示不匹配。
S105，若初检结果表示检测未通过，则重新获取待测图像。
在本申请实施例中，首先对待测图像进行初步检测，这样可以滤除掉有“瑕疵”的待测图像；若待测图像通过了初步检测，再将待测图像中的第一人脸图像与目标人脸图像进行比对，根据比对结果确定终检结果。通过上述方法，能够有效提高人脸检测的准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的人脸检测方法，图8是本申请实施例提供的人脸检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图8，该装置包括：
获取单元81，用于获取待测图像，所述待测图像中存在第一人脸图像。
初检单元82，用于对所述待测图像进行初步检测，获得初检结果。
比对单元83，用于若所述初检结果表示检测通过，则将所述待测图像中的所述第一人脸图像与目标人脸图像进行比对，获得比对结果。
终检单元84，用于根据所述比对结果确定所述待测图像的终检结果。
可选的，获取单元81还用于：
获取RGB图像和红外图像，所述RGB图像和所述红外图像中均存在所述第一人脸图像；对所述红外图像中存在的所述第一人脸图像进行活体检测，获得活体检测结果；若所述活体检测结果表示所述红外图像中存在的所述第一人脸图像为真实人脸，则将所述RGB图像确定为所述待测图像。
可选的，获取单元81还用于：
检测所述红外图像中的人脸轮廓关键点；根据所述人脸轮廓关键点截取所述红外图像中存在的所述第一人脸图像；将所述红外图像中存在的所述第一人脸图像输入到训练后的活体检测模型，输出所述活体检测结果。
可选的，所述初步检测包括以下至少一个检测项目：人脸姿态检测、人脸遮挡检测、人脸亮度检测和人脸模糊度检测。
可选的，初检单元82还用于：
对所述待测图像分别执行所述初步检测中的每个所述检测项目，获得每个所述检测项目的项目结果；若所述初步检测中每个所述检测项目的项目结果均表示检测通过，则所述初检结果表示检测通过。
可选的，当所述检测项目为所述人脸姿态检测时，初检单元82还用于：
将所述待测图像输入到训练后的人脸姿态估计模型中，输出人脸三维角度信息；根据所述人脸三维角度信息和预设角度范围确定所述人脸姿态检测的项目结果。
可选的，当所述检测项目为所述人脸遮挡检测时，初检单元82还用于：
将所述待测图像中存在的所述第一人脸图像划分为N个面部区域，所述N为正整数；将所述N个面部区域输入到各自对应的遮挡检测模型中，输出所述N个面部区域各自对应的遮挡检测结果；根据所述N个面部区域各自对应的遮挡检测结果确定所述人脸遮挡检测的项目结果。
可选的，当所述检测项目为所述人脸亮度检测时，初检单元82还用于：
计算所述待测图像中目标像素点的数量与所述待测图像中所有像素点的数量的比值，其中，所述目标像素点的像素值在预设灰度值范围内；根据所述比值和预设阈值确定所述人脸亮度检测的项目结果。
可选的，当所述检测项目为所述人脸模糊度检测时，初检单元82还用于：
计算所述待测图像的模糊度；根据所述模糊度和预设数值范围确定所述人脸模糊度检测的项目结果。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
另外，图8所示的人脸检测装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图9是本申请实施例提供的终端设备的结构示意图。如图9所示，该实施例的终端设备9包括：至少一个处理器90(图9中仅示出一个)处理器、存储器91以及存储在所述存储器91中并可在所述至少一个处理器90上运行的计算机程序92，所述处理器90执行所述计算机程序92时实现上述任意各个人脸检测方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图9仅仅是终端设备9的举例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，该处理器90还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91在一些实施例中可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91在另一些实施例中也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了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计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人脸检测方法，其特征在于，包括：
获取待测图像，所述待测图像中存在第一人脸图像；
对所述待测图像进行初步检测，获得初检结果；
若所述初检结果表示检测通过，则将所述待测图像中的所述第一人脸图像与目标人脸图像进行比对，获得比对结果；
根据所述比对结果确定所述待测图像的终检结果。
2.如权利要求1所述的人脸检测方法，其特征在于，所述获取待测图像，包括：
获取RGB图像和红外图像，所述RGB图像和所述红外图像中均存在所述第一人脸图像；
对所述红外图像中存在的所述第一人脸图像进行活体检测，获得活体检测结果；
若所述活体检测结果表示所述红外图像中存在的所述第一人脸图像为真实人脸，则将所述RGB图像确定为所述待测图像。
3.如权利要求2所述的人脸检测方法，其特征在于，所述对所述红外图像中存在的所述第一人脸图像进行活体检测，获得活体检测结果，包括：
检测所述红外图像中的人脸轮廓关键点；
根据所述人脸轮廓关键点截取所述红外图像中存在的所述第一人脸图像；
将所述红外图像中存在的所述第一人脸图像输入到训练后的活体检测模型，输出所述活体检测结果。
4.如权利要求1至3任一项所述的人脸检测方法，其特征在于，所述初步检测包括以下至少一个检测项目：人脸姿态检测、人脸遮挡检测、人脸亮度检测和人脸模糊度检测；
所述对所述待测图像进行初步检测，获得初检结果，包括：
对所述待测图像分别执行所述初步检测中的每个所述检测项目，获得每个所述检测项目的项目结果；
若所述初步检测中每个所述检测项目的项目结果均表示检测通过，则所述初检结果表示检测通过。
5.如权利要求4所述的人脸检测方法，其特征在于，当所述检测项目为所述人脸姿态检测时，对所述待测图像执行所述人脸姿态检测，获得所述人脸姿态检测的项目结果，包括：
将所述待测图像输入到训练后的人脸姿态估计模型中，输出人脸三维角度信息；
根据所述人脸三维角度信息和预设角度范围确定所述人脸姿态检测的项目结果。
6.如权利要求4所述的人脸检测方法，其特征在于，当所述检测项目为所述人脸遮挡检测时，对所述待测图像执行所述人脸遮挡检测，获得所述人脸遮挡检测的项目结果，包括：
将所述待测图像中存在的所述第一人脸图像划分为N个面部区域，所述N为正整数；
将所述N个面部区域输入到各自对应的遮挡检测模型中，输出所述N个面部区域各自对应的遮挡检测结果；
根据所述N个面部区域各自对应的遮挡检测结果确定所述人脸遮挡检测的项目结果。
7.如权利要求4所述的人脸检测方法，其特征在于，当所述检测项目为所述人脸亮度检测时，对所述待测图像执行所述人脸亮度检测，获得所述人脸亮度检测的项目结果，包括：
计算所述待测图像中目标像素点的数量与所述待测图像中所有像素点的数量的比值，其中，所述目标像素点的像素值在预设灰度值范围内；
根据所述比值和预设阈值确定所述人脸亮度检测的项目结果。
8.如权利要求4所述的人脸检测方法，其特征在于，当所述检测项目为所述人脸模糊度检测时，对所述待测图像执行所述人脸模糊度检测，获得所述人脸模糊度检测的项目结果，包括：
计算所述待测图像的模糊度；
根据所述模糊度和预设数值范围确定所述人脸模糊度检测的项目结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
CN202110302180.9A 2021-03-22 2021-03-22 人脸检测方法、装置、终端设备及计算机可读存储介质 Active CN112883918B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110302180.9A CN112883918B (zh) 2021-03-22 2021-03-22 人脸检测方法、装置、终端设备及计算机可读存储介质
PCT/CN2022/080800 WO2022199419A1 (zh) 2021-03-22 2022-03-15 人脸检测方法、装置、终端设备及计算机可读存储介质
US18/370,177 US20240013572A1 (en) 2021-03-22 2023-09-19 Method for face detection, terminal device and non-transitory computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110302180.9A CN112883918B (zh) 2021-03-22 2021-03-22 人脸检测方法、装置、终端设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112883918A true CN112883918A (zh) 2021-06-01
CN112883918B CN112883918B (zh) 2024-03-19

Family

ID=76041636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110302180.9A Active CN112883918B (zh) 2021-03-22 2021-03-22 人脸检测方法、装置、终端设备及计算机可读存储介质

Country Status (3)

Country Link
US (1) US20240013572A1 (zh)
CN (1) CN112883918B (zh)
WO (1) WO2022199419A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663345A (zh) * 2022-01-13 2022-06-24 北京众禾三石科技有限责任公司 定点测量方法、装置、电子设备及存储介质
WO2022199395A1 (zh) * 2021-03-22 2022-09-29 深圳市百富智能新技术有限公司 人脸活体检测方法、终端设备及计算机可读存储介质
WO2022199419A1 (zh) * 2021-03-22 2022-09-29 深圳市百富智能新技术有限公司 人脸检测方法、装置、终端设备及计算机可读存储介质
WO2023231400A1 (zh) * 2022-05-31 2023-12-07 青岛云天励飞科技有限公司 人脸角度预测方法、装置、设备及可读存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11967184B2 (en) * 2021-05-21 2024-04-23 Ford Global Technologies, Llc Counterfeit image detection

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1536369A1 (en) * 2003-11-25 2005-06-01 Sony Corporation Device and method for detecting object and device and method for group learning
CN109034102A (zh) * 2018-08-14 2018-12-18 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、设备及存储介质
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
CN110826519A (zh) * 2019-11-14 2020-02-21 深圳市华付信息技术有限公司 人脸遮挡检测方法、装置、计算机设备及存储介质
CN111191616A (zh) * 2020-01-02 2020-05-22 广州织点智能科技有限公司 一种人脸遮挡检测方法、装置、设备及存储介质
CN112232323A (zh) * 2020-12-15 2021-01-15 杭州宇泛智能科技有限公司 人脸验证方法、装置、计算机设备和存储介质
CN112329720A (zh) * 2020-11-26 2021-02-05 杭州海康威视数字技术股份有限公司 人脸活体检测方法、装置及设备
CN112329612A (zh) * 2020-11-03 2021-02-05 北京百度网讯科技有限公司 活体检测方法、装置及电子设备
CN112487921A (zh) * 2020-11-25 2021-03-12 奥比中光科技集团股份有限公司 一种用于活体检测的人脸图像预处理方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948420A (zh) * 2019-01-04 2019-06-28 平安科技（深圳）有限公司 人脸比对方法、装置及终端设备
CN110909611B (zh) * 2019-10-29 2021-03-05 深圳云天励飞技术有限公司 一种关注区域检测方法、装置、可读存储介质及终端设备
CN112069887B (zh) * 2020-07-31 2023-12-29 深圳市优必选科技股份有限公司 一种人脸识别方法、装置、终端设备及存储介质
CN112084856A (zh) * 2020-08-05 2020-12-15 深圳市优必选科技股份有限公司 一种人脸姿态检测方法、装置、终端设备及存储介质
CN112883918B (zh) * 2021-03-22 2024-03-19 深圳市百富智能新技术有限公司 人脸检测方法、装置、终端设备及计算机可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1536369A1 (en) * 2003-11-25 2005-06-01 Sony Corporation Device and method for detecting object and device and method for group learning
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
CN109034102A (zh) * 2018-08-14 2018-12-18 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、设备及存储介质
CN110826519A (zh) * 2019-11-14 2020-02-21 深圳市华付信息技术有限公司 人脸遮挡检测方法、装置、计算机设备及存储介质
CN111191616A (zh) * 2020-01-02 2020-05-22 广州织点智能科技有限公司 一种人脸遮挡检测方法、装置、设备及存储介质
CN112329612A (zh) * 2020-11-03 2021-02-05 北京百度网讯科技有限公司 活体检测方法、装置及电子设备
CN112487921A (zh) * 2020-11-25 2021-03-12 奥比中光科技集团股份有限公司 一种用于活体检测的人脸图像预处理方法及系统
CN112329720A (zh) * 2020-11-26 2021-02-05 杭州海康威视数字技术股份有限公司 人脸活体检测方法、装置及设备
CN112232323A (zh) * 2020-12-15 2021-01-15 杭州宇泛智能科技有限公司 人脸验证方法、装置、计算机设备和存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022199395A1 (zh) * 2021-03-22 2022-09-29 深圳市百富智能新技术有限公司 人脸活体检测方法、终端设备及计算机可读存储介质
WO2022199419A1 (zh) * 2021-03-22 2022-09-29 深圳市百富智能新技术有限公司 人脸检测方法、装置、终端设备及计算机可读存储介质
CN114663345A (zh) * 2022-01-13 2022-06-24 北京众禾三石科技有限责任公司 定点测量方法、装置、电子设备及存储介质
CN114663345B (zh) * 2022-01-13 2023-09-01 北京众禾三石科技有限责任公司 定点测量方法、装置、电子设备及存储介质
WO2023231400A1 (zh) * 2022-05-31 2023-12-07 青岛云天励飞科技有限公司 人脸角度预测方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN112883918B (zh) 2024-03-19
US20240013572A1 (en) 2024-01-11
WO2022199419A1 (zh) 2022-09-29

Similar Documents

Publication Publication Date Title
Jourabloo et al. Face de-spoofing: Anti-spoofing via noise modeling
CN112883918B (zh) 人脸检测方法、装置、终端设备及计算机可读存储介质
Bondi et al. Tampering detection and localization through clustering of camera-based CNN features
Lin et al. Recent advances in passive digital image security forensics: A brief review
Hsu et al. Camera response functions for image forensics: an automatic algorithm for splicing detection
CN111274916B (zh) 人脸识别方法和人脸识别装置
CN108416291B (zh) 人脸检测识别方法、装置和系统
CN109948439B (zh) 一种活体检测方法、系统及终端设备
CN111754396A (zh) 脸部图像处理方法、装置、计算机设备和存储介质
Liu et al. Data-fusion-based two-stage cascade framework for multimodality face anti-spoofing
CN111860055B (zh) 人脸静默活体检测方法、装置、可读存储介质及设备
CN110956114A (zh) 人脸活体检测方法、装置、检测系统及存储介质
CN110059607B (zh) 活体多重检测方法、装置、计算机设备及存储介质
Yeh et al. Face liveness detection based on perceptual image quality assessment features with multi-scale analysis
CN111753782A (zh) 一种基于双流网络的假脸检测方法、装置及电子设备
WO2022199395A1 (zh) 人脸活体检测方法、终端设备及计算机可读存储介质
CN113642639A (zh) 活体检测方法、装置、设备和存储介质
Nikitin et al. Face anti-spoofing with joint spoofing medium detection and eye blinking analysis
CN113012030A (zh) 图像拼接方法、装置及设备
Sun et al. Multimodal face spoofing detection via RGB-D images
CN114529958A (zh) 活体检测方法、装置、电子设备及计算机可读存储介质
Nataraj et al. Holistic image manipulation detection using pixel co-occurrence matrices
CN113989870A (zh) 一种活体检测方法、门锁系统及电子设备
Quan et al. CGFormer: ViT-Based Network for Identifying Computer-Generated Images with Token Labeling
KR101346328B1 (ko) 저화질 이미지를 이용한 신분증 판별 장치 및 이를 이용한 판별 방법

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