CN112990166A - 一种人脸真伪的识别方法、识别装置及电子设备 - Google Patents
一种人脸真伪的识别方法、识别装置及电子设备 Download PDFInfo
- Publication number
- CN112990166A CN112990166A CN202110543710.9A CN202110543710A CN112990166A CN 112990166 A CN112990166 A CN 112990166A CN 202110543710 A CN202110543710 A CN 202110543710A CN 112990166 A CN112990166 A CN 112990166A
- Authority
- CN
- China
- Prior art keywords
- size
- convolution
- spatial feature
- determining
- pixel
- 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
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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种人脸真伪的识别方法、识别装置及电子设备,在待识别人脸图像上确定具有不同的尺寸种类的像素区域;将每类尺寸的像素区域分别按照预设每类尺寸下的像素区域数目进行拼接,确定空间特征图;针对每类尺寸的像素区域对应的空间特征图,将每个空间特征图分别输入至训练好的多卷积级联器,输出该类尺寸的像素区域对应的空间特征向量,其中,多卷积级联器由多个卷积层与多个斜差卷积层交替连接组成;根据多个尺寸种类的像素区域对应的空间特征向量,确定人脸真伪的识别结果。本申请通过将不同位置、大小的像素区域,依次经过多级多层次的传统卷积层与斜差卷积层的处理后,自动获取人脸真伪的识别结果,拥有较高的识别准确率。
Description
技术领域
本申请涉及身份验证技术领域,尤其是涉及一种人脸真伪的识别方法、识别装置及电子设备。
背景技术
目前,利用人脸识别的身份验证方式随处可见,但是随之带来的安全问题也层出不穷。人们已经逐渐认识到了人脸识别技术的缺陷,例如,可以采用打印纸、手机屏幕照片或面具伪造真实人脸的攻击方式,对人脸识别系统的攻击,为了防止上述攻击,减少人脸识别系统的识别错误率,需要采用人脸鉴伪技术对各种攻击行为进行识别。
现有的人脸鉴伪技术依赖于人为设定的具有伪造特点的图像特征:如针对打印纸的边界、边框识别,针对手机屏幕的反光,傅里叶频谱、手机黑边识别以及面具的色彩以及反射光识别,通过预先设定的特征,构建神经网络进行这些特征的识别以及处理,但是这些方法的识别准确率较低,仍然存在安全隐患。
发明内容
有鉴于此,本申请的目的在于提供一种人脸真伪的识别方法、识别装置及电子设备,通过获取不同位置以及不同大小的待识别人脸图像的部分像素区域,依次经过多级多层次的传统卷积网络与斜差卷积网络的网络结构处理后,弥补了传统的卷积层在空间特征提取上的不足,且采用传统卷积层与斜差卷积层间隔交替的级联方式进行融合网络,使得网络能够更好地区分伪造人脸与真实人脸之间的空间特征差异以及斜梯度差异,进而通过二分类网络自动获取人脸真伪的识别结果,拥有较高的识别准确率。
本申请实施例提供了一种人脸真伪的识别方法,所述方法包括:
在待识别人脸图像上确定多个像素区域,其中,所述像素区域包括不同的尺寸种类;
针对每类尺寸的像素区域,将该类尺寸的像素区域按照预设每类尺寸下的像素区域数目进行拼接,确定该类尺寸的像素区域对应的空间特征图;
针对每类尺寸的像素区域对应的空间特征图,将该类尺寸的像素区域对应的空间特征图输入至训练好的多卷积级联器,输出该类尺寸的像素区域对应的空间特征向量,其中,所述多卷积级联器由多个卷积层与多个斜差卷积层交替连接组成;
根据各个尺寸种类的像素区域对应的所述空间特征向量,确定人脸真伪的识别结果。
进一步的,所述针对每类尺寸的像素区域对应的空间特征图,将该类尺寸的像素区域对应的空间特征图输入至训练好的多卷积级联器,输出该类尺寸的像素区域对应的空间特征向量,具体包括:
根据预设像素区域尺寸种类数目,确定级数为所述预设像素区域尺寸种类数目的多卷积级联器;
在所述多卷积级联器中,确定所述卷积层与所述斜差卷积层之间的预设间隔层次数;
针对每类尺寸的像素区域,将数目为所述预设间隔层次数的卷积层及数目为所述预设间隔层次数的斜差卷积层间隔设置,交替处理该类尺寸对应的所述空间特征图,确定所述空间特征图对应的空间特征向量。
进一步的,基于以下方法确定所述空间特征图对应的空间特征向量:
根据所述斜差卷积层与所述卷积层,确定每一个所述空间特征图对应的梯度特征,其中,所述梯度特征反映所述空间特征图的纹理性质;
针对每一个所述空间特征图,根据该空间特征图对应的纹理性质,确定该空间特征图对应的空间特征向量。
进一步的,所述识别方法还包括:
所述像素区域设置在所述待识别人脸图像上的任意位置,且在每次识别过程中,所述像素区域在所述待识别人脸图像上的位置均不同。
进一步的,所述根据所述空间特征向量,确定人脸真伪的识别结果,具体包括:
拼接全部尺寸种类的像素区域对应的空间特征向量,确定所述待识别人脸图像对应的辨识特征向量;
将所述辨识特征向量输入至预先训练好的二分类网络中,所述辨识特征向量经过三层全连接层后输出二分类类别;
将所述二分类类别确定为所述人脸真伪的识别结果。
本申请实施例还提供了一种人脸真伪的识别装置,所述识别装置包括:
获取模块,用于在待识别人脸图像上确定多个像素区域,其中,所述像素区域包括不同的尺寸种类;
拼接模块,用于针对每类尺寸的像素区域,将该类尺寸的像素区域按照预设每类尺寸下的像素区域数目进行拼接,确定该类尺寸的像素区域对应的空间特征图;
运算模块,用于针对每类尺寸的像素区域对应的空间特征图,将该类尺寸的像素区域对应的空间特征图输入至训练好的多卷积级联器,输出该类尺寸的像素区域对应的空间特征向量,其中,所述多卷积级联器由多个卷积层与多个斜差卷积层交替连接组成;
第一确定模块,用于根据各个尺寸种类的像素区域对应的所述空间特征向量,确定人脸真伪的识别结果。
进一步的,所述运算模块具体用于:
根据预设像素区域尺寸种类数目,确定级数为所述预设像素区域尺寸种类数目的多卷积级联器;
在所述多卷积级联器中,确定所述卷积层与所述斜差卷积层之间的预设间隔层次数;
针对每类尺寸的像素区域,将数目为所述预设间隔层次数的卷积层及数目为所述预设间隔层次数的斜差卷积层间隔设置,交替处理该类尺寸对应的所述空间特征图,确定所述空间特征图对应的空间特征向量。
进一步的,所述识别装置还包括第二确定模块,所述第二确定模块用于:
拼接全部尺寸种类的像素区域对应的空间特征向量,确定所述待识别人脸图像对应的辨识特征向量;
将所述辨识特征向量输入至预先训练好的二分类网络中,所述辨识特征向量经过三层全连接层后输出二分类类别;
将所述二分类类别确定为所述人脸真伪的识别结果。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的人脸真伪的识别方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的人脸真伪的识别方法的步骤。
本申请实施例提供的一种人脸真伪的识别方法、识别装置及电子设备,通过获取不同位置以及不同大小的待识别人脸图像的部分像素区域,依次经过多级多层次的卷积传统卷积网络与斜差卷积网络的网络结构处理后,自动获取人脸真伪的识别结果,拥有较高的识别准确率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1 示出了本申请实施例所提供的一种人脸真伪的识别方法的流程图;
图2示出了本申请实施例所提供的另一种人脸真伪的识别方法的流程图;
图3示出了本申请实施例所提供的一种人脸真伪的识别装置的结构示意图;
图4示出了本申请实施例所提供的另一种人脸真伪的识别装置的结构示意图;
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于身份验证技术领域。
经研究发现,目前,利用人脸识别的身份验证方式随处可见,但是人们已经逐渐认识到了人脸识别技术的缺陷,采用打印纸、手机屏幕照片或面具的攻击方式,对人脸进行伪造并进行人脸识别系统的攻击。现有的人脸鉴伪技术依赖于人为设定的具有伪造特点的图像特征:如针对打印纸的边界、边框识别,针对手机屏幕的反光,傅里叶频谱、手机黑边识别以及面具的色彩以及反射光识别,通过预先设定的特征,构建神经网络进行这些特征的识别以及处理,但是这些方法的识别准确率较低,仍然存在安全隐患。
基于此,本申请实施例提供了一种人脸真伪的识别方法,以提升人脸真伪的识别准确率,降低身份验证的安全隐患。
请参阅图1,图1示出了本申请实施例所提供的一种人脸真伪的识别方法的流程图。如图1中所示,本申请实施例提供的识别方法,包括:
S101、在待识别人脸图像上确定多个像素区域,其中,所述像素区域包括不同的尺寸种类。
该步骤中,在待识别人脸图像上确定具有不同尺寸种类的像素区域,每种尺寸下具有多个相同尺寸种类的像素区域。
这里,所述像素区域为一种图像补丁,其数量通过预设的尺寸种类与每个预设的尺寸种类下的像素区域数目的乘积确定。
在具体实施过程中,所述像素区域设置在所述待识别人脸图像上的任意位置,且在每次识别过程中,所述像素区域在所述待识别人脸图像上的位置均不同。
这里,像素区域在待识别人脸图像上的位置为随机确定的,并且在对不同的待识别人脸图像的识别过程中,像素区域在待识别人脸图像上所选择的位置不同。
例如,在待识别人脸图像上随机位置产生N×M个像素区域,其中N为像素区域尺寸种类数目,M为每类像素区域的数目,作为一种可能的实施方式,采用S1=16×16,S2=32×32,S3=64×64,S4=90×90,S5=128×128,这5种像素区域,即像素区域的种类数目N=5,每个尺寸下的像素区域的数目为3,即3个16×16的像素区域,即M=3。
S102、针对每类尺寸的像素区域,将该类尺寸的像素区域按照预设每类尺寸下的像素区域数目进行拼接,确定该类尺寸的像素区域对应的空间特征图。
该步骤中,对于确定的不同尺寸种类的像素区域,将属于同种尺寸的像素区域进行拼接操作,其维度为该种尺寸下像素区域的数量,拼接后的像素区域即可形成与该类尺寸对应的空间特征图。
这里,所述空间特征图包含了待识别人脸图像的空间特征,其大小为Si×Si×M,其中,Si为该尺寸种类的像素区域大小,M为预设每类尺寸下的像素区域数目。所述空间特征图的数量与像素区域的尺寸种类数目相同。
这里,对于不同尺寸的像素区域,其预设每类尺寸下的像素区域数目相同。所述空间特征图的数量与像素区域尺寸种类数量相同。
这样,由于每类尺寸下的像素区域数目相同,则拼接后的多种尺寸种类的像素区域对应的空间特征图的维度相同,便于多个空间特征图的对齐。
S103、针对每类尺寸的像素区域对应的空间特征图,将该类尺寸的像素区域对应的空间特征图输入至训练好的多卷积级联器,输出该类尺寸的像素区域对应的空间特征向量,其中,所述多卷积级联器由多个卷积层与多个斜差卷积层交替连接组成。
该步骤中,将每类尺寸的像素区域对应的空间特征图依次输入至训练好的多卷积级联器,由该多卷积级联器输出每类尺寸的像素区域对应的空间特征向量。其中,所述多卷积级联器由多个卷积层与多个斜差卷积层交替连接组成。
这里,所述多卷积级联器按照像素区域的尺寸种类数目进行设计,所述多卷积级联器的级数与像素区域的尺寸种类数目相同。
其中,所述多卷积级联器的设计结构为卷积层与斜差卷积层间隔组成,网络中的卷积层、斜差卷积层的参数由大量标记的人脸数据经过多次训练得到。
这里,所述卷积层为传统卷积层,利用以下公式进行计算:
所述斜差卷积层通过以下公式进行计算:
作为一种可能的实施方式,根据以下方法确定所述空间特征图对应的空间特征向量:
(1)根据预设像素区域尺寸种类数目,确定级数为所述预设像素区域尺寸种类数目的多卷积级联器。
(2)在所述多卷积级联器中,确定所述卷积层与所述斜差卷积层之间的预设间隔层次数。
该步骤中,在多卷积级联器中预设有间隔层次数,所述间隔层次数可以根据实际需求进行设置,在此不做具体限制。
(3)针对每类尺寸的像素区域,将数目为所述预设间隔层次数的卷积层及数目为所述预设间隔层次数的斜差卷积层间隔设置,交替处理该类尺寸对应的所述空间特征图,确定所述空间特征图对应的空间特征向量。
可选的,当预设的间隔层次数为3时,空间特征图经过卷积层、斜差卷积层、卷积层、斜差卷积层、卷积层、斜差卷积层这6次操作后,输出得到该空间特征图对应的空间特征向量。
在实际应用过程中,由于伪造人脸的攻击方式多数使用纸质照片,电子显示屏幕,硅胶面具等方式,因此与真人人脸皮肤的纹理特性相比,具有本质性差别,因此所述斜差卷积层根据同卷积层的对角线上的像素值的差值形成一个像素梯度特征,该像素梯度特征可以反映该空间特征图的纹理性质。
针对每一个所述空间特征图,根据该空间特征图对应的纹理性质,确定该空间特征图对应的空间特征向量。
其中,由于输入至多卷积级联器的空间特征图的数量与像素区域的尺寸种类数目相同,因此输出得到的空间特征图对应的空间特征向量与每个像素区域的尺寸种类数目一一对应,其数量与像素区域的尺寸种类数目相同。
这样,每个尺寸种类的像素区域对应的空间特征图在经过卷积层与差分卷积层的处理后,可以充分利用图像上的像素空间特征以及像素斜梯度特征,使输出得到的空间特征向量携带有该尺寸像素区域对应的图像纹理特征,弥补了仅采用传统的卷积层导致的在空间特征提取上的不足,更加准确的识别伪造人脸与真实人脸之间的差异。
S104、根据各个尺寸种类的像素区域对应的所述空间特征向量,确定人脸真伪的识别结果。
该步骤中,由于每个尺寸的像素区域均对应一个空间特征向量,且该空间特征向量可以反映待识别图像在该尺寸像素区域内的纹理特征,因此、根据多个尺寸种类的像素区域对应的所述空间特征向量,即可确定该待识别图像所具有的纹理特征与真实人脸皮肤特征之间的差别,以确定人脸真伪的识别结果。
本申请实施例提供一种人脸真伪的识别方法,通过获取不同位置以及不同大小的待识别人脸图像的部分像素区域,依次经过多级多层次的传统卷积网络与斜差卷积网络的网络结构处理后,弥补了传统的卷积层在空间特征提取上的不足,且采用传统卷积层与斜差卷积层间隔交替的级联方式进行融合网络,使得网络能够更好地区分伪造人脸与真实人脸之间的空间特征差异以及斜梯度差异,进而通过二分类网络自动获取人脸真伪的识别结果,拥有较高的识别准确率。
请参阅图2,图2示出了本申请实施例所提供的另一种人脸真伪的识别方法的流程图。如图2中所示,本申请实施例提供的识别方法,包括:
S201、在待识别人脸图像上确定多个像素区域,其中,所述像素区域包括不同的尺寸种类。
S202、针对每类尺寸的像素区域,将该类尺寸的像素区域按照预设每类尺寸下的像素区域数目进行拼接,确定该类尺寸的像素区域对应的空间特征图。
S203、针对每类尺寸的像素区域对应的空间特征图,将该类尺寸的像素区域对应的空间特征图输入至训练好的多卷积级联器,输出该类尺寸的像素区域对应的空间特征向量,其中,所述多卷积级联器由多个卷积层与多个斜差卷积层交替连接组成。
S204、拼接全部尺寸种类的像素区域对应的空间特征向量,确定所述待识别人脸图像对应的辨识特征向量。
该步骤中,由于多卷积级联器输出的空间特征向量为与每一个尺寸类别的像素区域对应的,因此所述空间特征向量的数量与像素区域的尺寸类别数目相同,每个所述空间特征向量反映该尺寸像素区域内的空间特征与斜梯度差异,为了得到整个待识别图像的空间特征与斜梯度差异,需要将全部空间特征向量进行拼接,得到一个辨识特征向量,其中,所述辨识特征向量反映待识别图像的空间特征与斜梯度差异。
这里,基于以下公式确定所述辨识特征向量:
其中,Y为所述辨识特征向量,N为像素区域的尺寸种类数目,X i 为该尺寸像素区域对应的空间特征向量。
S205、将所述辨识特征向量输入至预先训练好的二分类网络中,所述辨识特征向量经过三层全连接层后输出二分类类别。
该步骤中,利用训练好的二分类网络对所述辨识特征向量进行处理,在经过三层全连接层后,自动输出待识别人脸图像是否为真实人脸的分类结果。
其中,所述全连接层的参数由大量标记的人脸数据经过多次训练得到。
S206、将所述二分类类别确定为所述人脸真伪的识别结果。
该步骤中,所述二分类网络对输入的待识别人脸图像对应的辨识特征向量进行处理后,输出的分类结果为:待识别人脸图像为真实人脸、待识别人脸图像为伪造人脸两种结果,将上述两种分类结果,作为待识别人脸图像的真伪识别结果。
其中,S201至S203的描述可以参照S101至S103的描述,并且能达到相同的技术效果,对此不做赘述。
本申请实施例提供一种人脸真伪的识别方法,通过获取不同位置以及不同大小的待识别人脸图像的部分像素区域,依次经过多级多层次的传统卷积网络与斜差卷积网络的网络结构处理后,弥补了传统的卷积层在空间特征提取上的不足,且采用传统卷积层与斜差卷积层间隔交替的级联方式进行融合网络,使得网络能够更好地区分伪造人脸与真实人脸之间的空间特征差异以及斜梯度差异,进而通过二分类网络自动获取人脸真伪的识别结果,拥有较高的识别准确率。
请参阅图3、图4,图3示出了本申请实施例所提供的一种人脸真伪的识别装置的结构示意图,图4示出了本申请实施例所提供的另一种人脸真伪的识别装置的结构示意图。如图3中所示,所述识别装置300包括:
获取模块310,用于在待识别人脸图像上确定多个像素区域,其中,所述像素区域包括不同的尺寸种类。
拼接模块320,用于针对每类尺寸的像素区域,将该类尺寸的像素区域按照预设每类尺寸下的像素区域数目进行拼接,确定该类尺寸的像素区域对应的空间特征图。
运算模块330,用于针对每类尺寸的像素区域对应的空间特征图,将该类尺寸的像素区域对应的空间特征图输入至训练好的多卷积级联器,输出该类尺寸的像素区域对应的空间特征向量,其中,所述多卷积级联器由多个卷积层与多个斜差卷积层交替连接组成。
第一确定模块340,用于根据各个尺寸种类的像素区域对应的所述空间特征向量,确定人脸真伪的识别结果。
进一步的,如图4所示,所述识别装置300还包括第二确定模块350,所述第二确定模块350用于:
拼接全部尺寸种类的像素区域对应的空间特征向量,确定所述待识别人脸图像对应的辨识特征向量;
将所述辨识特征向量输入至预先训练好的二分类网络中,所述辨识特征向量经过三层全连接层后输出二分类类别;
将所述二分类类别确定为所述人脸真伪的识别结果。
可选的,所述运算模块330具体用于:
根据预设像素区域尺寸种类数目,确定级数为所述预设像素区域尺寸种类数目的多卷积级联器;
在所述多卷积级联器中,确定所述卷积层与所述斜差卷积层之间的预设间隔层次数;
针对每类尺寸的像素区域,将数目为所述预设间隔层次数的卷积层及数目为所述预设间隔层次数的斜差卷积层间隔设置,交替处理该类尺寸对应的所述空间特征图,确定所述空间特征图对应的空间特征向量。
本申请实施例提供的一种人脸真伪的识别装置,通过获取不同位置以及不同大小的待识别人脸图像的部分像素区域,依次经过多级多层次的传统卷积网络与斜差卷积网络的网络结构处理后,弥补了传统的卷积层在空间特征提取上的不足,且采用传统卷积层与斜差卷积层间隔交替的级联方式进行融合网络,使得网络能够更好地区分伪造人脸与真实人脸之间的空间特征差异以及斜梯度差异,进而通过二分类网络自动获取人脸真伪的识别结果,拥有较高的识别准确率。
请参阅图5,图5示出了本申请实施例所提供的一种电子设备的结构示意图。如图5中所示,所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1以及图2所示方法实施例中的人脸真伪的识别方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的人脸真伪的识别方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请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。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,又例如,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通信接口,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。
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。
另外,在本申请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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种人脸真伪的识别方法,其特征在于,所述识别方法包括:
在待识别人脸图像上确定多个像素区域,其中,所述像素区域包括不同的尺寸种类;
针对每类尺寸的像素区域,将该类尺寸的像素区域按照预设每类尺寸下的像素区域数目进行拼接,确定该类尺寸的像素区域对应的空间特征图;
针对每类尺寸的像素区域对应的空间特征图,将该类尺寸的像素区域对应的空间特征图输入至训练好的多卷积级联器,输出该类尺寸的像素区域对应的空间特征向量,其中,所述多卷积级联器由多个卷积层与多个斜差卷积层交替连接组成;
根据各个尺寸种类的像素区域对应的所述空间特征向量,确定人脸真伪的识别结果。
2.根据权利要求1所述的识别方法,其特征在于,所述针对每类尺寸的像素区域对应的空间特征图,将该类尺寸的像素区域对应的空间特征图输入至训练好的多卷积级联器,输出该类尺寸的像素区域对应的空间特征向量,具体包括:
根据预设像素区域尺寸种类数目,确定级数为所述预设像素区域尺寸种类数目的多卷积级联器;
在所述多卷积级联器中,确定所述卷积层与所述斜差卷积层之间的预设间隔层次数;
针对每类尺寸的像素区域,将数目为所述预设间隔层次数的卷积层及数目为所述预设间隔层次数的斜差卷积层间隔设置,交替处理该类尺寸对应的所述空间特征图,确定所述空间特征图对应的空间特征向量。
3.根据权利要求2所述的识别方法,其特征在于,基于以下方法确定所述空间特征图对应的空间特征向量:
根据所述斜差卷积层与所述卷积层,确定每一个所述空间特征图对应的梯度特征,其中,所述梯度特征反映所述空间特征图的纹理性质;
针对每一个所述空间特征图,根据该空间特征图对应的纹理性质,确定该空间特征图对应的空间特征向量。
4.根据权利要求1所述的识别方法,其特征在于,所述识别方法还包括:
所述像素区域设置在所述待识别人脸图像上的任意位置,且在每次识别过程中,所述像素区域在所述待识别人脸图像上的位置均不同。
5.根据权利要求1所述的识别方法,其特征在于,所述根据所述空间特征向量,确定人脸真伪的识别结果,具体包括:
拼接全部尺寸种类的像素区域对应的空间特征向量,确定所述待识别人脸图像对应的辨识特征向量;
将所述辨识特征向量输入至预先训练好的二分类网络中,所述辨识特征向量经过三层全连接层后输出二分类类别;
将所述二分类类别确定为所述人脸真伪的识别结果。
6.一种人脸真伪的识别装置,其特征在于,所述识别装置包括:
获取模块,用于在待识别人脸图像上确定多个像素区域,其中,所述像素区域包括不同的尺寸种类;
拼接模块,用于针对每类尺寸的像素区域,将该类尺寸的像素区域按照预设每类尺寸下的像素区域数目进行拼接,确定该类尺寸的像素区域对应的空间特征图;
运算模块,用于针对每类尺寸的像素区域对应的空间特征图,将该类尺寸的像素区域对应的空间特征图输入至训练好的多卷积级联器,输出该类尺寸的像素区域对应的空间特征向量,其中,所述多卷积级联器由多个卷积层与多个斜差卷积层交替连接组成;
第一确定模块,用于根据各个尺寸种类的像素区域对应的所述空间特征向量,确定人脸真伪的识别结果。
7.根据权利要求6所述的识别装置,其特征在于,所述运算模块具体用于:
根据预设像素区域尺寸种类数目,确定级数为所述预设像素区域尺寸种类数目的多卷积级联器;
在所述多卷积级联器中,确定所述卷积层与所述斜差卷积层之间的预设间隔层次数;
针对每类尺寸的像素区域,将数目为所述预设间隔层次数的卷积层及数目为所述预设间隔层次数的斜差卷积层间隔设置,交替处理该类尺寸对应的所述空间特征图,确定所述空间特征图对应的空间特征向量。
8.根据权利要求6所述的识别装置,其特征在于,所述识别装置还包括第二确定模块,所述第二确定模块用于:
拼接全部尺寸种类的像素区域对应的空间特征向量,确定所述待识别人脸图像对应的辨识特征向量;
将所述辨识特征向量输入至预先训练好的二分类网络中,所述辨识特征向量经过三层全连接层后输出二分类类别;
将所述二分类类别确定为所述人脸真伪的识别结果。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5中任一所述的识别方法的步骤。
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上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5中任一所述的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110543710.9A CN112990166B (zh) | 2021-05-19 | 2021-05-19 | 一种人脸真伪的识别方法、识别装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110543710.9A CN112990166B (zh) | 2021-05-19 | 2021-05-19 | 一种人脸真伪的识别方法、识别装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990166A true CN112990166A (zh) | 2021-06-18 |
CN112990166B CN112990166B (zh) | 2021-08-24 |
Family
ID=76336785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110543710.9A Active CN112990166B (zh) | 2021-05-19 | 2021-05-19 | 一种人脸真伪的识别方法、识别装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990166B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537173A (zh) * | 2021-09-16 | 2021-10-22 | 中国人民解放军国防科技大学 | 一种基于面部补丁映射的人脸图像真伪识别方法 |
CN114092864A (zh) * | 2022-01-19 | 2022-02-25 | 湖南信达通信息技术有限公司 | 伪造视频的识别方法、装置、电子设备及计算机存储介质 |
CN114550312A (zh) * | 2022-01-12 | 2022-05-27 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578392A (zh) * | 2017-09-25 | 2018-01-12 | 华北电力大学 | 一种基于残余插值的卷积神经网络去马赛克算法 |
CN108830799A (zh) * | 2018-05-03 | 2018-11-16 | 南京邮电大学 | 基于相对极化全变差的极化sar影像相干斑抑制方法 |
CN111160216A (zh) * | 2019-12-25 | 2020-05-15 | 开放智能机器(上海)有限公司 | 一种多特征多模型的活体人脸识别方法 |
US10810725B1 (en) * | 2018-12-07 | 2020-10-20 | Facebook, Inc. | Automated detection of tampered images |
CN112200056A (zh) * | 2020-09-30 | 2021-01-08 | 汉王科技股份有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN112686191A (zh) * | 2021-01-06 | 2021-04-20 | 中科海微(北京)科技有限公司 | 基于人脸三维信息的活体防伪方法、系统、终端及介质 |
-
2021
- 2021-05-19 CN CN202110543710.9A patent/CN112990166B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578392A (zh) * | 2017-09-25 | 2018-01-12 | 华北电力大学 | 一种基于残余插值的卷积神经网络去马赛克算法 |
CN108830799A (zh) * | 2018-05-03 | 2018-11-16 | 南京邮电大学 | 基于相对极化全变差的极化sar影像相干斑抑制方法 |
US10810725B1 (en) * | 2018-12-07 | 2020-10-20 | Facebook, Inc. | Automated detection of tampered images |
CN111160216A (zh) * | 2019-12-25 | 2020-05-15 | 开放智能机器(上海)有限公司 | 一种多特征多模型的活体人脸识别方法 |
CN112200056A (zh) * | 2020-09-30 | 2021-01-08 | 汉王科技股份有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN112686191A (zh) * | 2021-01-06 | 2021-04-20 | 中科海微(北京)科技有限公司 | 基于人脸三维信息的活体防伪方法、系统、终端及介质 |
Non-Patent Citations (5)
Title |
---|
JIFENG DAI ET AL.: "Deformable convolutional networks", 《ARXIV》 * |
WEI HU ET AL.: "Exploring hypergraph representation on face anti-spoofing beyond 2d attacks", 《ARXIV》 * |
XIAO NING SONG ET AL.: "Face anti-spoofing detection using least square weight fusion of channel-based feature classifiers", 《EASY CHAIR》 * |
YINPENG DONG ET AL.: "Efficient decision-based black-box adversarial attacks on face recognition", 《ARXIV》 * |
傅勇等: "改进级联卷积神经网络的平面旋转人脸检测", 《计算机工程与设计》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537173A (zh) * | 2021-09-16 | 2021-10-22 | 中国人民解放军国防科技大学 | 一种基于面部补丁映射的人脸图像真伪识别方法 |
CN113537173B (zh) * | 2021-09-16 | 2022-03-18 | 中国人民解放军国防科技大学 | 一种基于面部补丁映射的人脸图像真伪识别方法 |
CN114550312A (zh) * | 2022-01-12 | 2022-05-27 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN114092864A (zh) * | 2022-01-19 | 2022-02-25 | 湖南信达通信息技术有限公司 | 伪造视频的识别方法、装置、电子设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112990166B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990166B (zh) | 一种人脸真伪的识别方法、识别装置及电子设备 | |
CN107292287B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
US9489573B2 (en) | System and method for comparing documents | |
CN112102402B (zh) | 闪光灯光斑位置识别方法、装置、电子设备及存储介质 | |
CN110766033A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110378254B (zh) | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 | |
EP3869395A1 (en) | Identity and liveness verification | |
CN110059607B (zh) | 活体多重检测方法、装置、计算机设备及存储介质 | |
CN111860369A (zh) | 一种欺诈识别方法、装置以及存储介质 | |
EP3869472A1 (en) | Detecting identification tampering using ultra-violet imaging | |
CN112528998A (zh) | 证件图像处理方法、装置、电子设备及可读存储介质 | |
CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
WO2023030824A1 (en) | Method for detecting a forgery of an identity document | |
CN112017352A (zh) | 证件鉴伪方法、装置、设备及可读存储介质 | |
CN111178398B (zh) | 检测身份证图像信息篡改的方法、系统、存储介质及装置 | |
CN107170108B (zh) | 一种拼接钞检测方法及系统 | |
CN110414586B (zh) | 基于深度学习的防伪标签验伪方法、装置、设备及介质 | |
CN112541899B (zh) | 证件的残缺检测方法、装置、电子设备及计算机存储介质 | |
CN108038516B (zh) | 基于低维图像编码与集成学习的白胚布平整度分级方法 | |
CN113869419A (zh) | 一种伪造图像识别方法、装置、设备及存储介质 | |
CN113077355A (zh) | 保险理赔方法、装置、电子设备及存储介质 | |
CN114118412A (zh) | 证件识别模型训练及证件识别的方法、系统、设备及介质 | |
CN112597810A (zh) | 身份证明文件认证方法和系统 | |
CN110598701A (zh) | 车牌防伪方法、装置及电子设备 | |
CN111222485A (zh) | 3d人脸识别方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |