CN113051955B - 虹膜锁上的活体检测方法、装置、可读存储介质及设备 - Google Patents
虹膜锁上的活体检测方法、装置、可读存储介质及设备 Download PDFInfo
- Publication number
- CN113051955B CN113051955B CN201911256778.8A CN201911256778A CN113051955B CN 113051955 B CN113051955 B CN 113051955B CN 201911256778 A CN201911256778 A CN 201911256778A CN 113051955 B CN113051955 B CN 113051955B
- Authority
- CN
- China
- Prior art keywords
- iris
- living body
- eye
- image
- body detection
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 136
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 52
- 210000001747 pupil Anatomy 0.000 claims abstract description 25
- 238000001574 biopsy Methods 0.000 claims description 40
- 238000001727 in vivo Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 55
- 238000003384 imaging method Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000001061 forehead Anatomy 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/19—Sensors therefor
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
- G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Ophthalmology & Optometry (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种虹膜锁上的活体检测方法、装置、可读存储介质及设备,属于虹膜识别领域。该方法包括:步骤S100:获取包括上半部分人脸的图像;步骤S200:在获取的图像上确定瞳孔内光斑的大小,若光斑的大小小于设定的光斑阈值,则为非活体,否则,执行步骤S300;步骤S300:在图像上截取两眼区域,将两眼区域输入第一级CNN,得到第一置信度分数,若第一置信度分数小于设定的第一置信度阈值,则为非活体,否则,执行步骤S400;步骤400:在图像上截取上半部分人脸区域,将上半部分人脸区域输入第二级CNN,得到第二置信度分数,若第二置信度分数小于设定的第二置信度阈值,则为非活体,否则,为活体。本发明准确率高、鲁棒性好、不需要用户配合,用户体验性好。
Description
技术领域
本发明涉及虹膜识别领域,特别是指一种虹膜锁上的活体检测方法、装置、可读存储介质及设备。
背景技术
目前,智能锁行业正在蓬勃发展,前景广阔。相对于传统的机械锁,智能锁在用户安全性、识别、管理性等方面,更加智能化、简便化。虹膜锁是一种集成了虹膜识别的智能锁,它具有高安全性、高识别率等特点。
虹膜锁通过镜头等采集设备采集虹膜图像,存在假体攻击的安全隐患。所以,研究评判虹膜图像是否来自真实活体对象的防伪技术(即活体检测)至关重要。
活体检测是一种加强安全性的技术手段。现有技术中,虹膜活体检测的区域一般只是集中在虹膜区域,比如中国专利文献CN107437064A中对虹膜区域做FFT变换分析其频谱信息来做分析,中国专利文献CN107292285A中利用了Harris角点检测、SIFT、SUSAN角点检测算法、小波变换、拉普拉斯变换等组合的特征,并用SVM分类来判断活体和假体。
虹膜锁通常的识别距离在25厘米~55至厘米之间,为了能在较远的距离(比如55厘米)处拍到清楚的虹膜、并保证虹膜半径在80个像素以上(清楚的虹膜和虹膜半径大于80个像素都是虹膜识别的基本要求),虹膜锁可以采用高分辨率的镜头(例如镜头的分辨率为500万,生成的图像大小是1920*1080),如图3所示。
对于类似图3所示的高分辨率的镜头在较远处(55厘米)获得的图像,可以看到,此图像中既有两个虹膜区域,也有鼻梁、鼻子、额头等区域,但是没有嘴巴及其以下的区域,故此图像不是完整的人脸。图3所示的图像与传统的虹膜识别的图像相比,其具有以下特点:
图2是传统的虹膜设备拍摄的虹膜图像,该图像的大小是640*480,统的虹膜设备的识别距离在20cm以内。图3所示的图像(虹膜锁高分辨率的镜头在较远处拍摄的图像)与图2所示的图像(传统的虹膜设备在较近处拍摄的图像)相比,其拍摄距离远,图3所示的图像的虹膜区域比图2所示的图像的虹膜区域半径要小、像素点总数要少,同时纹理亦不如后者丰富。
因为类似图3所示的高分辨率的镜头在较远处获得的图像的虹膜区域的特征不丰富,如果使用现有技术的只通过虹膜区域进行活体检测的方法进行活体检测,那么得到的结果准确性也就不高。
发明内容
为解决上述技术问题,本发明提供一种虹膜锁上的活体检测方法、装置、可读存储介质及设备,本发明准确率高、鲁棒性好、不需要用户配合,用户体验性好。
本发明提供技术方案如下:
第一方面,本发明提供一种虹膜锁上的活体检测方法,所述方法包括:
步骤S100:获取包括上半部分人脸的图像,所述图像为近红外图像;
步骤S200:在获取的图像上确定瞳孔内光斑的大小,若光斑的大小小于设定的光斑阈值,则活体检测结果为非活体,否则,执行步骤S300;
步骤S300:在获取的图像上截取两眼区域,将两眼区域输入训练后的第一级CNN,得到第一置信度分数,若第一置信度分数小于设定的第一置信度阈值,则活体检测结果为非活体,否则,执行步骤S400;
其中,所述两眼区域为由双眼及其周围区域以及双眼之间的区域组成的矩形区域;
步骤S400:在获取的图像上截取上半部分人脸区域,将上半部分人脸区域输入训练后的第二级CNN,得到第二置信度分数,若第二置信度分数小于设定的第二置信度阈值,则活体检测结果为非活体,否则,活体检测结果为活体。
进一步的,所述步骤S100之后,所述步骤S200之前,还包括:
步骤S110:在获取的图像上进行左眼虹膜和右眼虹膜定位,若定位到左眼虹膜和右眼虹膜,则执行步骤S200,否则,活体检测结果为非活体。
进一步的,在获取的图像上截取两眼区域时,根据左眼虹膜和右眼虹膜的位置进行截取;
在获取的图像上截取上半部分人脸区域时,根据左眼虹膜和右眼虹膜的位置进行截取。
进一步的,所述步骤S200包括:
统计瞳孔区域内像素灰度值大于200的像素点个数P,若P的值小于80,则活体检测结果为非活体,否则,执行步骤S300。
进一步的,所述第一级CNN和第二级CNN均依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第三池化层、第五卷积层、第六卷积层、第四池化层、第一全连接层、第一Dropout层、第二全连接层、第二Dropout层、第三全连接层和sigmoid层,所述第一级CNN和第二级CNN的损失函数为binary log loss。
第二方面,本发明提供一种与第一方面的虹膜锁上的活体检测方法对应的虹膜锁上的活体检测装置,所述装置包括:
获取模块,用于获取包括上半部分人脸的图像,所述图像为近红外图像;
第一检活模块,用于在获取的图像上确定瞳孔内光斑的大小,若光斑的大小小于设定的光斑阈值,则活体检测结果为非活体,否则,执行第二检活模块;
第二检活模块,用于在获取的图像上截取两眼区域,将两眼区域输入训练后的第一级CNN,得到第一置信度分数,若第一置信度分数小于设定的第一置信度阈值,则活体检测结果为非活体,否则,执行第三检活模块;
其中,所述两眼区域为由双眼及其周围区域以及双眼之间的区域组成的矩形区域;
第三检活模块,用于在获取的图像上截取上半部分人脸区域,将上半部分人脸区域输入训练后的第二级CNN,得到第二置信度分数,若第二置信度分数小于设定的第二置信度阈值,则活体检测结果为非活体,否则,活体检测结果为活体。
进一步的,所述装置还包括:
定位模块,用于在获取的图像上进行左眼虹膜和右眼虹膜定位,若定位到左眼虹膜和右眼虹膜,则执行第一检活模块,否则,活体检测结果为非活体。
进一步的,在获取的图像上截取两眼区域时,根据左眼虹膜和右眼虹膜的位置进行截取;
在获取的图像上截取上半部分人脸区域时,根据左眼虹膜和右眼虹膜的位置进行截取。
进一步的,所述第一检活模块包括:
统计瞳孔区域内像素灰度值大于200的像素点个数P,若P的值小于80,则活体检测结果为非活体,否则,执行第二检活模块。
进一步的,所述第一级CNN和第二级CNN均依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第三池化层、第五卷积层、第六卷积层、第四池化层、第一全连接层、第一Dropout层、第二全连接层、第二Dropout层、第三全连接层和sigmoid层,所述第一级CNN和第二级CNN的损失函数为binary log loss。
第三方面,本发明提供一种用于虹膜锁上的活体检测的计算机可读存储介质,包括用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括第一方面所述的虹膜锁上的活体检测方法的步骤。
第四方面,本发明提供一种用于虹膜锁上的活体检测的设备,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现第一方面所述的虹膜锁上的活体检测方法的步骤。
本发明具有以下有益效果:
本发明不需要用户配合,是一种虹膜静默活体检测方法。该方法采用三级级联的活体检测策略,第一级级联的活体检测策略利用瞳孔内光斑的大小来进行初步的活体检测,第二级级联的活体检测策略利用第一级CNN对两眼区域进行活体检测,第三级级联的活体检测策略利用第二级CNN对上半部分人脸区域进行活体检测。
本发明并不是单纯的利用虹膜区域进行虹膜的活体检测,而是基于虹膜锁上的成像特点,利用更大的两眼区域和上半部分人脸区域进行虹膜的活体检测,并且还基于瞳孔成像的光斑特征进行虹膜的初步活体检测。其活体检测准确率高、鲁棒性好、不需要用户配合,用户体验性好。
附图说明
图1为本发明的虹膜锁上的活体检测方法的流程图;
图2为传统的虹膜设备在拍摄的图像;
图3为本发明的包括上半部分人脸的图像;
图4为两眼区域的示意图;
图5为上半部分人脸区域的示意图;
图6为本发明的虹膜锁上的活体检测装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明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发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,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所有其他实施例,都属于本发明保护的范围。
实施例1:
本发明实施提供了一种虹膜锁上的活体检测方法,如图1所示,该方法包括:
步骤S100:获取包括上半部分人脸的图像,所述图像为近红外图像。
本发明的虹膜锁上的活体检测方法适用于虹膜锁的高分辨率的镜头在较远处(例如55厘米)获得的图像。
由背景技术可知,该图像是上半部分不完整的人脸,其包括两个虹膜区域,也有鼻梁、鼻子、额头等区域,既有但是没有嘴巴及其以下的区域。并且该图像比传统的虹膜设备的拍摄距离远、虹膜区域半径小、像素点总数少,纹理信息不丰富。如果只使用虹膜区域进行活体检测,那么得到的结果准确性不高。
基于前述的虹膜锁的成像特点,本发明采用图3所示的上半部分人脸区域以及双眼区域进行活体检测,弥补了单纯使用虹膜区域进行活体检测的不足。因此需要获取包括上半部分人脸的图像。
本步骤并不限定获取图像的方式,可以是通过虹膜锁上的镜头拍摄一幅图像,也可以是镜头拍摄的视频流中选取出一帧图像。本发明获取的图像为近红外图像。
步骤S200:在获取的图像上确定瞳孔内光斑的大小,若光斑的大小小于设定的光斑阈值,则活体检测结果为非活体,否则,执行步骤S300。
发明人通过分析虹膜锁拍出的近红外图像(使用的近红外补光灯的波长是850nm)发现真人虹膜和假体虹膜具有以下特点:
真人虹膜图像都会在瞳孔区域生成一个很亮的光斑(即一个灰度值很高的小区域);而约30%的打印的假体照片的光斑很不明显。
因此,可以利用这个光斑特征来进行初步的活体检测,若光斑的大小小于设定的光斑阈值,则判断为非活体,否则,进行后续的进一步判断。
本步骤是第一级级联的活体检测策略,可以利用瞳孔内的光斑特征来快速排除掉一部分的假体照片,但保证真人虹膜图像全部通过。
步骤S300:在获取的图像上截取两眼区域,将两眼区域输入训练后的第一级CNN,得到第一置信度分数,若第一置信度分数小于设定的第一置信度阈值,则活体检测结果为非活体,否则,执行步骤S400。
其中,所述两眼区域为由双眼及其周围区域以及双眼之间的区域组成的矩形区域。
本步骤是第二级级联的活体检测策略,使用第一级CNN对两眼区域的特征进行活体检测。第一级CNN在使用前需要进行训练,在训练时,使用活体和非活体的两眼区域样本训练第一级CNN。训练完成后,将两眼区域输入第一级CNN,即可得到第一置信度分数,根据第一置信度分数即可判断出是否为活体。
本步骤并不是仅仅利用虹膜区域进行活体检测,而是利用更大的两眼区域进行活体检测,两眼区域相比于虹膜区域,特征更丰富,活体检测准确性跟高。
步骤S400:在获取的图像上截取上半部分人脸区域,将上半部分人脸区域输入训练后的第二级CNN,得到第二置信度分数,若第二置信度分数小于设定的第二置信度阈值,则活体检测结果为非活体,否则,活体检测结果为活体。
本发明的上半部分人脸区域包括两眼区域、鼻子区域和额头区域,也就是嘴巴以上的区域,不包括嘴巴及嘴巴以下的部分。
本步骤是第三级级联的活体检测策略,使用第二级CNN对上半部分人脸区域的特征进行活体检测。第二级CNN在使用前需要进行训练,在训练时,使用活体和非活体的上半部分人脸区域样本训练第二级CNN。在训练完成后,将上半部分人脸区域输入第二级CNN,即可得到第二置信度分数,根据第二置信度分数即可判断出是否为活体。
本发明不需要用户配合,是一种虹膜静默活体检测方法。该方法采用三级级联的活体检测策略,第一级级联的活体检测策略利用瞳孔内光斑的大小来进行初步的活体检测,第二级级联的活体检测策略利用第一级CNN对两眼区域进行活体检测,第三级级联的活体检测策略利用第二级CNN对上半部分人脸区域进行活体检测。
本发明并不是单纯的利用虹膜区域进行虹膜的活体检测,而是基于虹膜锁上的成像特点,利用更大的两眼区域和上半部分人脸区域进行虹膜的活体检测,并且还基于瞳孔成像的光斑特征进行虹膜的初步活体检测。其活体检测准确率高、鲁棒性好、不需要用户配合,用户体验性好。
作为本发明的一种改进,步骤S100之后,步骤S200之前,还包括:
步骤S110:在获取的图像上进行左眼虹膜和右眼虹膜定位,若定位到左眼虹膜和右眼虹膜,则执行步骤S200,否则,活体检测结果为非活体。
本发明进行左眼虹膜和右眼虹膜定位,如果左眼虹膜和右眼虹膜均被定位到,说明图像可用,若没有定位到虹膜或只定位到了一个虹膜,说明图像不可用,可以认为是非活体。
本发明通过虹膜检测算法检测到虹膜,之后通过虹膜定位算法来确定左眼虹膜的坐标和半径(xL,yL,rL)、右眼虹膜的坐标和半径(xR,yR,rR)。
虹膜检测算法可以为LBP特征+Adaboost算法等,虹膜定位算法可以为Daugman微积分内外圆检测算子等。
定位出左眼虹膜和右眼虹膜后,在获取的图像上截取两眼区域时,可以根据左眼虹膜和右眼虹膜的位置进行截取。
具体的,可以根据左右虹膜的坐标(xL,yL),(xR,yR)做人脸对齐,然后截取出两眼区域,最后归一化到72*24的大小,如图4所示,归一化后左眼坐标为(13,12),右眼坐标为(60,12)。
同样的,在获取的图像上截取上半部分人脸区域时,也根据左眼虹膜和右眼虹膜的位置进行截取。
具体的,可以根据左右虹膜的坐标(xL,yL),(xR,yR)做人脸对齐,然后截取出上半部分人脸区域,最后归一化到96*48的大小,如图5所示,归一化后左眼坐标为(25,16),右眼坐标为(72,16)。
作为本发明的另一种改进,步骤S200包括:
统计瞳孔区域内像素灰度值大于200的像素点个数P,若P的值小于80,则活体检测结果为非活体,否则,可能为真人图像,执行步骤S300进行进一步判断。
本发明的第一级CNN和第二级CNN均为轻量级CNN,使得本发明实时性好。并且本发明并不限制第一级CNN和第二级CNN的结构,只要能够完成相应的功能即可。
在其中一个示例中,第一级CNN和第二级CNN均包括6个卷积层(每个卷积层依次是是BN层和relu层),4个max池化层,3个全连接层,2个dropout层(10%)和一个sigmoid层。
具体的,第一级CNN和第二级CNN均依次包括第一卷积层Conv1、第一池化层Pool1、第二卷积层Conv2、第二池化层Pool2、第三卷积层Conv31、第四卷积层Conv32、第三池化层Pool3、第五卷积层Conv41、第六卷积层Conv42、第四池化层Pool4、第一全连接层Fc1、第一Dropout层Dropout1、第二全连接层Fc2、第二Dropout层Dropout2、第三全连接层Fc3和sigmoid层Sigmoid1。第一级CNN和第二级CNN的损失函数为binary log loss。
第一级CNN的输入为归一化后的两眼区域,大小为72*24,第一级CNN的具体结构参见表1。
表1:第一级CNN的具体结构
第一级CNN的损失函数为binary log loss,即L(x,c)=-log(c(x-0.5)+0.5),其中x的取值范围是[0,1],c的取值是+1或-1。sigmoid层输出的数值是一个0~1的数值,作为第一置信度分数,可以设置第一置信度阈值s1,例如s1=0.1即表示第一置信度分数小于0.1的是非活体,否则可能是活体,进行后续的判断。
第二级CNN的输入为归一化后的上半部分人脸区域,大小为96*48,第二级CNN的具体结构参见表2。
表2:第二级CNN的具体结构
第二级CNN的损失函数为binary log loss,即L(x,c)=-log(c(x-0.5)+0.5),其中x的取值范围是[0,1],c的取值是+1或-1。sigmoid层输出的数值是一个0~1的数值,作为第二置信度分数,可以设置第二置信度阈值s2,例如s2=0.5即表示第二置信度分数小于0.5的是非活体,否则为活体。
实施例2:
本发明实施例提供了一种虹膜锁上的活体检测装置,如图6所示,该装置包括:
获取模块10,用于获取包括上半部分人脸的图像,所述图像为近红外图像。
第一检活模块20,用于在获取的图像上确定瞳孔内光斑的大小,若光斑的大小小于设定的光斑阈值,则活体检测结果为非活体,否则,执行第二检活模块。
第二检活模块30,用于在获取的图像上截取两眼区域,将两眼区域输入训练后的第一级CNN,得到第一置信度分数,若第一置信度分数小于设定的第一置信度阈值,则活体检测结果为非活体,否则,执行第三检活模块。
其中,所述两眼区域为由双眼及其周围区域以及双眼之间的区域组成的矩形区域。
第三检活模块40,用于在获取的图像上截取上半部分人脸区域,将上半部分人脸区域输入训练后的第二级CNN,得到第二置信度分数,若第二置信度分数小于设定的第二置信度阈值,则活体检测结果为非活体,否则,活体检测结果为活体。
本发明不需要用户配合,是一种虹膜静默活体检测方法。其采用三级级联的活体检测策略,第一级级联的活体检测策略利用瞳孔内光斑的大小来进行初步的活体检测,第二级级联的活体检测策略利用第一级CNN对两眼区域进行活体检测,第三级级联的活体检测策略利用第二级CNN对上半部分人脸区域进行活体检测。
本发明并不是单纯的利用虹膜区域进行虹膜的活体检测,而是基于虹膜锁上的成像特点,利用更大的两眼区域和上半部分人脸区域进行虹膜的活体检测,并且还基于瞳孔成像的光斑特征进行虹膜的初步活体检测。其活体检测准确率高、鲁棒性好、不需要用户配合,用户体验性好。
作为本发明的一种改进,该装置还包括:
定位模块,用于在获取的图像上进行左眼虹膜和右眼虹膜定位,若定位到左眼虹膜和右眼虹膜,则执行第一检活模块,否则,活体检测结果为非活体。
本发明在获取的图像上截取两眼区域时,根据左眼虹膜和右眼虹膜的位置进行截取;
在获取的图像上截取上半部分人脸区域时,也根据左眼虹膜和右眼虹膜的位置进行截取。
第一检活模块包括:
统计瞳孔区域内像素灰度值大于200的像素点个数P,若P的值小于80,则活体检测结果为非活体,否则,执行第二检活模块。
第一级CNN和第二级CNN均依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第三池化层、第五卷积层、第六卷积层、第四池化层、第一全连接层、第一Dropout层、第二全连接层、第二Dropout层、第三全连接层和sigmoid层,所述第一级CNN和第二级CNN的损失函数为binary log loss。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例1相同,为简要描述,该装置实施例部分未提及之处,可参考前述方法实施例1中相应内容。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,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例1中的对应过程,在此不再赘述。
实施例3:
本说明书提供的上述实施例1所述的方法可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例1所描述方案的效果。因此,本发明还提供用于虹膜锁上的活体检测的计算机可读存储介质,包括用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括实施例1的虹膜锁上的活体检测方法的步骤。
本发明不需要用户配合,是一种虹膜静默活体检测方法。其采用三级级联的活体检测策略,第一级级联的活体检测策略利用瞳孔内光斑的大小来进行初步的活体检测,第二级级联的活体检测策略利用第一级CNN对两眼区域进行活体检测,第三级级联的活体检测策略利用第二级CNN对上半部分人脸区域进行活体检测。
本发明并不是单纯的利用虹膜区域进行虹膜的活体检测,而是基于虹膜锁上的成像特点,利用更大的两眼区域和上半部分人脸区域进行虹膜的活体检测,并且还基于瞳孔成像的光斑特征进行虹膜的初步活体检测。其活体检测准确率高、鲁棒性好、不需要用户配合,用户体验性好。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
上述所述的装置根据方法实施例1的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例1的描述,在此不作一一赘述。
实施例4:
本发明还提供一种用于虹膜锁上的活体检测的设备,所述的设备可以为单独的计算机,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述用于虹膜锁上的活体检测的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器,处理器执行所述指令时实现上述任意一个或者多个实施例1中所述虹膜锁上的活体检测方法的步骤。
本发明不需要用户配合,是一种虹膜静默活体检测方法。其采用三级级联的活体检测策略,第一级级联的活体检测策略利用瞳孔内光斑的大小来进行初步的活体检测,第二级级联的活体检测策略利用第一级CNN对两眼区域进行活体检测,第三级级联的活体检测策略利用第二级CNN对上半部分人脸区域进行活体检测。
本发明并不是单纯的利用虹膜区域进行虹膜的活体检测,而是基于虹膜锁上的成像特点,利用更大的两眼区域和上半部分人脸区域进行虹膜的活体检测,并且还基于瞳孔成像的光斑特征进行虹膜的初步活体检测。其活体检测准确率高、鲁棒性好、不需要用户配合,用户体验性好。
上述所述的设备根据方法或者装置实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例1的描述,在此不作一一赘述。
需要说明的是,本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类、存储介质+程序实施例而言,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。
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。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。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。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是,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、商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、商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、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,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并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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,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发明揭露的技术范围内,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发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种虹膜锁上的活体检测方法,其特征在于,所述方法包括:
步骤S100:获取包括上半部分人脸的图像,所述图像为近红外图像;
步骤S200:在获取的图像上确定瞳孔内光斑的大小,若光斑的大小小于设定的光斑阈值,则活体检测结果为非活体,否则,执行步骤S300;
步骤S300:在获取的图像上截取两眼区域,将两眼区域输入训练后的第一级CNN,得到第一置信度分数,若第一置信度分数小于设定的第一置信度阈值,则活体检测结果为非活体,否则,执行步骤S400;
其中,所述两眼区域为由双眼及其周围区域以及双眼之间的区域组成的矩形区域;
步骤S400:在获取的图像上截取上半部分人脸区域,将上半部分人脸区域输入训练后的第二级CNN,得到第二置信度分数,若第二置信度分数小于设定的第二置信度阈值,则活体检测结果为非活体,否则,活体检测结果为活体。
2.根据权利要求1所述的虹膜锁上的活体检测方法,其特征在于,所述步骤S100之后,所述步骤S200之前,还包括:
步骤S110:在获取的图像上进行左眼虹膜和右眼虹膜定位,若定位到左眼虹膜和右眼虹膜,则执行步骤S200,否则,活体检测结果为非活体。
3.根据权利要求2所述的虹膜锁上的活体检测方法,其特征在于,在获取的图像上截取两眼区域时,根据左眼虹膜和右眼虹膜的位置进行截取;
在获取的图像上截取上半部分人脸区域时,根据左眼虹膜和右眼虹膜的位置进行截取。
4.根据权利要求1-3任一所述的虹膜锁上的活体检测方法,其特征在于,所述步骤S200包括:
统计瞳孔区域内像素灰度值大于200的像素点个数P,若P的值小于80,则活体检测结果为非活体,否则,执行步骤S300。
5.根据权利要求4所述的虹膜锁上的活体检测方法,其特征在于,所述第一级CNN和第二级CNN均依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第三池化层、第五卷积层、第六卷积层、第四池化层、第一全连接层、第一Dropout层、第二全连接层、第二Dropout层、第三全连接层和sigmoid层,所述第一级CNN和第二级CNN的损失函数为binary log loss。
6.一种虹膜锁上的活体检测装置,其特征在于,所述装置包括:
获取模块,用于获取包括上半部分人脸的图像,所述图像为近红外图像;
第一检活模块,用于在获取的图像上确定瞳孔内光斑的大小,若光斑的大小小于设定的光斑阈值,则活体检测结果为非活体,否则,执行第二检活模块;
第二检活模块,用于在获取的图像上截取两眼区域,将两眼区域输入训练后的第一级CNN,得到第一置信度分数,若第一置信度分数小于设定的第一置信度阈值,则活体检测结果为非活体,否则,执行第三检活模块;
其中,所述两眼区域为由双眼及其周围区域以及双眼之间的区域组成的矩形区域;
第三检活模块,用于在获取的图像上截取上半部分人脸区域,将上半部分人脸区域输入训练后的第二级CNN,得到第二置信度分数,若第二置信度分数小于设定的第二置信度阈值,则活体检测结果为非活体,否则,活体检测结果为活体。
7.根据权利要求6所述的虹膜锁上的活体检测装置,其特征在于,所述装置还包括:
定位模块,用于在获取的图像上进行左眼虹膜和右眼虹膜定位,若定位到左眼虹膜和右眼虹膜,则执行第一检活模块,否则,活体检测结果为非活体。
8.根据权利要求7所述的虹膜锁上的活体检测装置,其特征在于,所述第一检活模块包括:
统计瞳孔区域内像素灰度值大于200的像素点个数P,若P的值小于80,则活体检测结果为非活体,否则,执行第二检活模块。
9.一种用于虹膜锁上的活体检测的计算机可读存储介质,其特征在于,包括用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括权利要求1-5任一所述虹膜锁上的活体检测方法的步骤。
10.一种用于虹膜锁上的活体检测的设备,其特征在于,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-5中任意一项所述虹膜锁上的活体检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911256778.8A CN113051955B (zh) | 2019-12-10 | 2019-12-10 | 虹膜锁上的活体检测方法、装置、可读存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911256778.8A CN113051955B (zh) | 2019-12-10 | 2019-12-10 | 虹膜锁上的活体检测方法、装置、可读存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113051955A CN113051955A (zh) | 2021-06-29 |
CN113051955B true CN113051955B (zh) | 2023-05-30 |
Family
ID=76505105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911256778.8A Active CN113051955B (zh) | 2019-12-10 | 2019-12-10 | 虹膜锁上的活体检测方法、装置、可读存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113051955B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1426760A (zh) * | 2001-12-18 | 2003-07-02 | 中国科学院自动化研究所 | 基于活体虹膜的身份识别方法 |
CN102129558A (zh) * | 2011-01-30 | 2011-07-20 | 哈尔滨工业大学 | 基于普尔钦斑分析的虹膜采集系统及虹膜采集方法 |
CN108009531A (zh) * | 2017-12-28 | 2018-05-08 | 北京工业大学 | 一种多策略防欺诈的人脸识别方法 |
CN109190522A (zh) * | 2018-08-17 | 2019-01-11 | 浙江捷尚视觉科技股份有限公司 | 一种基于红外相机的活体检测方法 |
CN109657531A (zh) * | 2018-09-18 | 2019-04-19 | 深圳先牛信息技术有限公司 | 一种基于眼球上光斑的人脸活体检测方法及检测装置 |
CN109871811A (zh) * | 2019-02-22 | 2019-06-11 | 中控智慧科技股份有限公司 | 一种基于图像的活体目标检测方法、装置及系统 |
CN110443102A (zh) * | 2018-05-04 | 2019-11-12 | 北京眼神科技有限公司 | 活体人脸检测方法及装置 |
-
2019
- 2019-12-10 CN CN201911256778.8A patent/CN113051955B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1426760A (zh) * | 2001-12-18 | 2003-07-02 | 中国科学院自动化研究所 | 基于活体虹膜的身份识别方法 |
CN102129558A (zh) * | 2011-01-30 | 2011-07-20 | 哈尔滨工业大学 | 基于普尔钦斑分析的虹膜采集系统及虹膜采集方法 |
CN108009531A (zh) * | 2017-12-28 | 2018-05-08 | 北京工业大学 | 一种多策略防欺诈的人脸识别方法 |
CN110443102A (zh) * | 2018-05-04 | 2019-11-12 | 北京眼神科技有限公司 | 活体人脸检测方法及装置 |
CN109190522A (zh) * | 2018-08-17 | 2019-01-11 | 浙江捷尚视觉科技股份有限公司 | 一种基于红外相机的活体检测方法 |
CN109657531A (zh) * | 2018-09-18 | 2019-04-19 | 深圳先牛信息技术有限公司 | 一种基于眼球上光斑的人脸活体检测方法及检测装置 |
CN109871811A (zh) * | 2019-02-22 | 2019-06-11 | 中控智慧科技股份有限公司 | 一种基于图像的活体目标检测方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113051955A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
Durga et al. | A ResNet deep learning based facial recognition design for future multimedia applications | |
CN110163111B (zh) | 基于人脸识别的叫号方法、装置、电子设备及存储介质 | |
CN112733802B (zh) | 图像的遮挡检测方法、装置、电子设备及存储介质 | |
Raghavendra et al. | Exploring the usefulness of light field cameras for biometrics: An empirical study on face and iris recognition | |
Yang et al. | PipeNet: Selective modal pipeline of fusion network for multi-modal face anti-spoofing | |
CN111860078B (zh) | 人脸静默活体检测方法、装置、可读存储介质及设备 | |
CN111860055B (zh) | 人脸静默活体检测方法、装置、可读存储介质及设备 | |
WO2021203718A1 (zh) | 人脸识别方法及系统 | |
CN113298158A (zh) | 数据检测方法、装置、设备及存储介质 | |
Nikitin et al. | Face anti-spoofing with joint spoofing medium detection and eye blinking analysis | |
WO2015131571A1 (zh) | 一种实现图片排序的方法及终端 | |
Mosayyebi et al. | Gender recognition in masked facial images using EfficientNet and transfer learning approach | |
CN111881803B (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN112949353B (zh) | 虹膜静默活体检测方法、装置、可读存储介质及设备 | |
Elloumi et al. | Anti-spoofing in face recognition: Deep learning and image quality assessment-based approaches | |
CN116778533A (zh) | 一种掌纹全感兴趣区域图像提取方法、装置、设备及介质 | |
CN113051955B (zh) | 虹膜锁上的活体检测方法、装置、可读存储介质及设备 | |
Medjdoubi et al. | Smart city surveillance: Edge technology face recognition robot deep learning based | |
CN113435229B (zh) | 人脸虹膜多模态识别方法、装置、可读存储介质及设备 | |
CN112906508B (zh) | 一种基于卷积神经网络的面部活体检测方法 | |
CN112541576B (zh) | Rgb单目图像的生物活体识别神经网络构建方法 | |
Nguyen et al. | LAWNet: A lightweight attention-based deep learning model for wrist vein verification in smartphones using RGB images | |
Hosur et al. | Facial emotion detection using convolutional neural networks | |
Filius | Interpol review of imaging and video 2016–2019 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Live detection method, device, readable storage medium and equipment on iris lock Granted publication date: 20230530 Pledgee: Bank of Communications Co.,Ltd. Hebei Xiong'an Branch Pledgor: BEIJING EYECOOL TECHNOLOGY Co.,Ltd. Registration number: Y2024980028247 |