CN113111750A - 人脸活体检测方法、装置、计算机设备及存储介质 - Google Patents
人脸活体检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113111750A CN113111750A CN202110352424.4A CN202110352424A CN113111750A CN 113111750 A CN113111750 A CN 113111750A CN 202110352424 A CN202110352424 A CN 202110352424A CN 113111750 A CN113111750 A CN 113111750A
- Authority
- CN
- China
- Prior art keywords
- node
- face
- detected
- tree
- feature map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000001727 in vivo Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000001331 nose Anatomy 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- 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)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸活体检测方法,应用于计算机视觉处理领域,用于解决人脸活体检测过程中准确率低的问题。本发明提供的方法包括:获取待检测人脸图像;将待检测人脸图像输入人脸活体检测深度树模型中,其中,人脸活体检测深度树模型包括叶子节点和至少两层树节点;采用树节点,对待检测人脸图像进行特征提取,获得目标特征图;采用叶子节点对目标特征图进行概率计算,获得概率分数;根据概率分数,确定待检测人脸图像是否属于人脸活体。
Description
技术领域
本发明涉及计算机视觉处理领域,尤其涉及一种人脸活体检测的方法、装置、计算机设备及存储介质。
背景技术
人脸识别能够得以推广到安防、金融和实际生活中应用,前提是做好人脸活体检测。只有人脸活体检测技术足够精准,才能判断摄像头捕捉的是人脸活体还是伪造活体(比如视频、照片),从而可以防止对于人脸识别系统的伪造活体攻击。
目前,人脸活体检测的方法主要包括:基于BGR图像的人脸活体检测技术、基于近红外或者深度图的人脸活体检测技术。
基于BGR图像的人脸活体检测技术,通过针对BGR图像提取特征,进行二分类,从而判断是否为人脸活体,但由于BGR图像成像受光照、伪造活体的介质等影响,在光照强度不同时,获取到的BGR图像不够精准,导致采用该方式进行人脸活体检测的结果准确率低、鲁棒性、泛化能力低。基于近红外或者深度图的人脸活体检测,需要结合额外的硬件设备,采用近红外摄像头或者结构光、TOF摄像头采集的近红外图像和3D深度图像,并针对近红外图像和3D深度图像提取特征,进行二分类,从而判断是否为真实人脸。
因此,上述方法在人脸活体检测中存在准确率低的问题。
发明内容
本发明实施例提供一种人脸活体检测方法、装置、计算机设备及存储介质,以提高人脸活体检测的准确率。
一种人脸活体检测方法,包括:
获取待检测人脸图像;
将所述待检测人脸图像输入所述人脸活体检测深度树模型中,其中,所述人脸活体检测深度树模型包括叶子节点和至少两层树节点;
采用所述树节点,对所述待检测人脸图像进行特征提取,获得目标特征图;
采用所述叶子节点对所述目标特征图进行概率计算,获得概率分数;
根据所述概率分数,确定所述待检测人脸图像是否属于人脸活体。
一种人脸活体检测装置,包括:
图像获取模块,用于获取待检测人脸图像;
图像输入模块,用于将所述待检测人脸图像输入所述人脸活体检测深度树模型中,其中,所述人脸活体检测深度树模型包括叶子节点和至少两层树节点;
目标特征图获取模块,用于采用所述树节点,对所述待检测人脸图像进行特征提取,获得目标特征图;
概率分数获取模块,用于采用所述叶子节点对所述目标特征图进行概率计算,获得概率分数;
人脸活体确定模块,用于根据所述概率分数,确定所述待检测人脸图像是否属于人脸活体。
一种计算机设备,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,所述处理器执行所述计算机程序时实现上述人脸活体检测方法的步骤。
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上述人脸活体检测方法的步骤。
本发明实施例中的人脸活体检测方法、装置、计算机设备及存储介质,通过获取待检测人脸图像;将待检测人脸图像输入人脸活体检测深度树模型中,其中,人脸活体检测深度树模型包括叶子节点和至少两层树节点;采用树节点,对待检测人脸图像进行特征提取,获得目标特征图;采用叶子节点对目标特征图进行概率计算,获得概率分数;根据概率分数,确定待检测人脸图像是否属于人脸活体,通过采用人脸活体检测深度树模型,提高对人脸活体检测的准确率,从而提高了人脸活体检测的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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发明的一些实施例,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是本发明一实施例中人脸活体检测方法的一应用环境示意图;
图2是本发明一实施例中人脸活体检测方法的一流程图;
图3是本发明一实施例中人脸活体检测装置的结构示意图;
图4是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本申请提供的人脸活体检测方法,可应用在如图1的应用环境中,其中,计算机设备通过网络与服务器进行通信。其中,计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种人脸活体检测方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤S101至步骤S105:
S101、获取待检测人脸图像。
在步骤S101中,上述待检测人脸图像包括但不限于BGR(Blue,Green,Red)人脸图像、HSV(Hue,Saturation,Value)人脸图像、BGR与HSV叠加的人脸图像。
优先地,获取BGR与HSV叠加的待检测人脸图像,这有利于解决在光照强度不同时,获取到的待检测人脸图像不够精准,通过提高获取待检测人脸图像受光照强度、环境、材质等的影响,从而提高了人脸活体检测的准确率。
S102、将待检测人脸图像输入人脸活体检测深度树模型中,其中,人脸活体检测深度树模型包括叶子节点和至少两层树节点。
在步骤S102中,其具体是:
初始化人脸活体检测深度树模型;
将待检测人脸图像输入人脸活体检测深度树模型。
上述人脸活体检测深度树模型是指基于深度二叉树学习算法建立的人脸活体检测模型。
上述树节点包括卷积残差单元和树路由单元,此处需要说明的是,上述卷积残差单元是指对卷积层、最大池化层和/或卷积层和卷积层之间的残差进行卷积计算的单元,上述树路由单元是一个用于映射待检测人脸图像的线性函数。
上述叶子节点包括卷积残差单元和监督特征学习单元,此处需要说明的是,上述卷积残差单元是指对卷积层、最大池化层和/或卷积层和卷积层之间的残差进行卷积计算的单元,上述监督特征学习单元是指通过卷积层提取图像特征,并通过全连接层对图像特征进行全连接以及分类的单元。
S103、采用树节点,对待检测人脸图像进行特征提取,获得目标特征图。
在步骤S103中,上述提取的特征包括共性特征和非共性特征。共性特征是待检测人脸图像共同具有的特征,比如眼睛,鼻子等,非共性特征是指待检测人脸图像具有不同性质的特征,比如眼睛的大小,鼻子的高低等。
上述特征提取的方法包括但不限于主成分分析、线性判别分析。此处需要说明的是,主成分分析是指是一种通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量的统计方法,该转换后的这组变量叫主成分。线性判别分析是指一种基于监督学习的降维技术。
上述目标特征图是指经过对待检测人脸图像进行特征提取后,能够对待检测人脸图像共性特征和非共性特征进行量化分析的特征图。
通过提取待检测人脸图像的共性和非共性特征,增强了人脸活体检测深度树模型对未见过样本的鲁棒性,并且增强了模型的人脸活体检测能力。
在步骤S103中,具体包括如下步骤:
A、采用第一层树节点,对待检测人脸图像进行特征提取,获得初始特征图。
B、将下一层节点作为当前树节点,并使用当前树节点对初始特征图进行特征提取,获得当前特征图。
C、判断当前树节点的下一层节点是否为叶子节点。
D、当当前树节点的下一层节点不为叶子节点时,下一层节点返回将下一层节点作为当前树节点,并使用当前树节点对初始特征图进行特征提取,获得当前特征图的步骤继续执行。
E、当当前树节点的下一层节点为叶子节点时,将当前特征图作为目标特征图。
对于上述步骤B,上述当前特征图是指当前树节点中对来自上一层节点的特征图进行特征提取从而获得的特征图。
对于上述步骤D,其具体是,当当前树节点的下一层节点不为叶子节点时,将当前特征图作为初始特征图输入下一层节点,并将下一层节点返回将下一层节点作为当前树节点,并使用当前树节点对初始特征图进行特征提取,获得当前特征图的步骤继续执行。例如,当当前树节点的下一层节点为第四层树节点且不为叶子节点,将当前树节点通过特征提取获得的第三层特征图作为初始特征图并输入到第四层树节点。此时,第四层树节点作为当前树节点,并通过第四层树节点对第三层特征图进行特征提取,获得第四层特征图。
对于上述步骤E,上述目标特征图是指对待检测人脸图像进行特征提取到叶子节点的特征图。
通过上述步骤A至E中每一层树节点对待检测人脸图像的特征提取,能够提高提取特征的准确度,从而提高了人脸活体检测深度树模型的准确度。
在上述步骤A之后,并且,在上述步骤B之前,其具体包括了如下步骤:
a、基于预设的映射方式,对初始特征图进行特征投影,获得投影区分值。
b、根据投影区分值,将初始特征图输入到当前树节点。
对于上述步骤a,上述预设的映射方式是指通过一个线性映射函数计算初始特征图的投影区分值,根据该投影区分值,通过树路由单元对所述初始特征图进行特征投影。
按照如下算式所表示的线性映射函数对初始特征图进行投影区分值计算:
根据线性映射函数,将初始特征图在方向上进行投影,找到方差最大的方向,并在方差最大的方向上进行特征投影,以使得不同的待检测人脸图像的区分度最大。
对于上述步骤b,其具体包括:
当投影区分值大于预设值时,将初始特征图输入到左子树节点;
当投影区分值不大于预设值时,将初始特征图输入到右子树节点。
此处需要说明的是,子树节点是指以当前树节点而言,该树节点的分支所在的节点。
下面以一具体实施例,对上述步骤b进行举例说明,在一具体示例中,预设值为0,当投影区分值大于0时,将初始特征图输入到左子树节点,当投影区分值不大于0时,将初始特征图输入到右子树节点。
通过上述步骤,在人脸活体检测深度树模型中,对初始特征图进行特征提取并划分到子树中,直到子树为叶子节点。大于该预设值的,为非共性特征,划分到左子树节点,不大于该预设值的,为共性特征,划分到右子树节点,通过不断的划分特征,从而提高了人脸活体检测深度树模型对人脸活体检测的准确度。
S104、采用叶子节点对目标特征图进行概率计算,获得概率分数。
对于上述步骤S104,采用叶子节点的卷积残差单元对目标特征图进行特征提取并通过叶子节点的监督特征学习单元对该目标特征图进行概率计算,获得概率分数。
在步骤S104中,其具体包括如下步骤:
采用叶子节点对目标特征图进行卷积计算以及全连接,获取特征向量;
对特征向量进行概率计算,获得概率分数。
下面以一具体实施例,对上述步骤S104进行举例说明,在一具体示例中,叶子节点的卷积残差单元由三个3*3*40,通道为1的卷积层构成,监督特征学习单元由2个2*2*40,通道为2的卷积层、两个全连接层构成,目标特征图为32*32*40的特征图。
采用叶子节点的卷积残差单元对目标特征图进行特征提取,提取到32*32*40的特征图;
采用叶子节点的监督学习单元的2个卷积层对该32*32*40的特征图进行卷积计算和其中1个全连接层对卷积计算后的特征图进行全连接,获得1*500的特征向量;
采用叶子节点的监督学习单元中的最后一个全连接层对1*500的特征向量进行概率计算,从而得到了概率分数。
通过上述步骤计算,得到待检测人脸图像的概率分数,量化待检测人脸活体图像,有利于进一步分析判断待检测人脸活体图像属于人脸活体的概率,从而提高了人脸活体检测深度树模型的泛化能力。
S105、根据概率分数,确定待检测人脸图像是否属于人脸活体。
在步骤S105中,上述概率分数是指用于量化待检测人脸活体图像是否属于人脸活体概率的分数,例如,当概率分数为0.6时,表示待检测人脸活体图像60%的概率为人脸活体。
在步骤S105之中,其具体包括如下步骤F至H:
F、判断人脸活体检测深度树模型中的目标函数是否收敛。
G、当目标函数未收敛,将目标特征图作为待检测人脸图像,返回执行采用树节点,对待检测人脸图像进行特征提取,获得目标特征图,直到目标函数收敛为止。
H、当目标函数收敛,则根据概率分数,对待检测人脸图像进行判断,确定待检测人脸图像是否属于人脸活体。
对于上述步骤F,上述目标函数包括但不限于交叉熵损失函数、指数损失函数等。上述判断目标函数是否收敛的方法包括但不限于比较法,例如,当目标函数的值小于预设收敛值时,则确定目标函数收敛,当目标函数的值不小于预设收敛值时,则确定目标函数未收敛。
对于上述步骤H,当概率分数不小于预设概率分数值时,则确定待检测人脸图像为人脸活体图像。当概率分数小于预设概率分数值时,则确定待检测人脸图像不为人脸活体图像。
下面以一具体实施例,对上述步骤F至H进行举例说明,在一具体示例中,预设收敛值为0.1,目标函数的值为0.05,概率分数为0.8,预设概率分数值为0.5。
在步骤F中,通过比较法判断目标函数的值0.05小于预设收敛值0.1,则确定目标函数收敛。
在步骤H中,通过确定目标函数收敛,则根据概率分数0.8确定待检测人脸图像是否为人脸活体图像。
比较概率分数与预设概率分数的大小,概率分数0.8大于预设概率分数0.5,则确定待检测人脸图形为人脸活体图像。
通过判断目标函数是否收敛,对人脸活体检测深度树模型的准确度进行验证,当收敛时,人脸活体检测深度树模型的准确度高。在准确度高的时候,在进行比较概率分数与预设概率分数的大小,从而确定待检测人脸活体图像是否属于人脸活体,提高了人脸活体检测的准确度。
本发明实施例中的人脸活体检测方法,通过获取待检测人脸图像;将待检测人脸图像输入人脸活体检测深度树模型中,其中,人脸活体检测深度树模型包括叶子节点和至少两层树节点;采用树节点,对待检测人脸图像进行特征提取,获得目标特征图;采用叶子节点对目标特征图进行概率计算,获得概率分数;根据概率分数,确定待检测人脸图像是否属于人脸活体,通过采用人脸活体检测深度树模型,提高对人脸活体检测的准确率。
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,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种人脸活体检测装置,该人脸活体检测装置与上述实施例中人脸活体检测方法一一对应。如图3所示,该人脸活体检测装置包括图像获取模块11、图像输入模块12、目标特征图获取模块13、概率分数获取模块14和人脸活体确定模块15。各功能模块详细说明如下:
图像获取模块11,用于获取待检测人脸图像。
图像输入模块12,用于将待检测人脸图像输入人脸活体检测深度树模型中,其中,人脸活体检测深度树模型包括叶子节点和至少两层树节点。
目标特征图获取模块13,用于采用树节点,对待检测人脸图像进行特征提取,获得目标特征图。
概率分数获取模块14,用于采用叶子节点对目标特征图进行概率计算,获得概率分数。
人脸活体确定模块15,用于根据概率分数,确定待检测人脸图像是否属于人脸活体。
在其中一个实施例中,目标特征图获取模块13进一步包括:
初始特征图获取单元,用于采用第一层树节点,对待检测人脸图像进行特征提取,获得初始特征图。
当前特征图获取单元,用于将下一层节点作为当前树节点,并使用当前树节点对初始特征图进行特征提取,获得当前特征图。
判断单元,用于判断当前树节点的下一层节点是否为叶子节点。
特征提取单元,用于当当前树节点的下一层节点不为叶子节点时,下一层节点返回将下一层节点作为当前树节点,并使用当前树节点对初始特征图进行特征提取,获得当前特征图的步骤继续执行。
目标特征图获取单元,用于当当前树节点的下一层节点为叶子节点时,将当前特征图作为目标特征图。
在其中一个实施例中,在初始特征图获取单元之后,并且,在当前特征图获取单元之前,进一步包括:
投影区分值获取单元,用于基于预设的映射方式,对初始特征图进行特征投影,获得投影区分值。
特征图输入单元,用于根据投影区分值,将初始特征图输入到当前树节点。
在其中一个实施例中,特征图输入单元进一步包括:
第一输入单元,用于当投影区分值大于预设值时,将初始特征图输入到左子树节点。
第二输入单元,用于当投影区分值不大于预设值时,将初始特征图输入到右子树节点。
在其中一个实施例中,概率分数获取模块14进一步包括:
特征向量获取单元,用于采用叶子节点对目标特征图进行卷积计算以及全连接,获取特征向量。
概率分数获取单元,用于对特征向量进行概率计算,获得概率分数。
在其中一个实施例中,人脸活体确定模块15进一步包括:
判断单元,用于判断人脸活体检测深度树模型中的目标函数是否收敛。
未收敛单元,用于当目标函数未收敛,将目标特征图作为待检测人脸图像,返回执行采用树节点,对待检测人脸图像进行特征提取,获得目标特征图,直到目标函数收敛为止。
收敛单元,用于当目标函数收敛,则根据概率分数,对待检测人脸图像进行判断,确定待检测人脸图像是否属于人脸活体。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分,并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块,本申请中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式。
关于人脸活体检测装置的具体限定可以参见上文中对于人脸活体检测方法的限定,在此不再赘述。上述人脸活体检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储人脸活体检测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸活体检测方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中人脸活体检测方法的步骤,例如图2所示的步骤S101至步骤S105及该方法的其它扩展和相关步骤的延伸。或者,处理器执行计算机程序时实现上述实施例中人脸活体检测装置的各模块/单元的功能,例如图3所示模块11至模块15的功能。为避免重复,这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),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,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中,也可以与所述处理器分开设置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中人脸活体检测方法的步骤,例如图2所示的步骤S101至步骤S105及该方法的其它扩展和相关步骤的延伸。或者,计算机程序被处理器执行时实现上述实施例中人脸活体检测装置的各模块/单元的功能,例如图3所示模块11至模块15的功能。为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;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: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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种人脸活体检测方法,其特征在于,包括:
获取待检测人脸图像;
将所述待检测人脸图像输入所述人脸活体检测深度树模型中,其中,所述人脸活体检测深度树模型包括叶子节点和至少两层树节点;
采用所述树节点,对所述待检测人脸图像进行特征提取,获得目标特征图;
采用所述叶子节点对所述目标特征图进行概率计算,获得概率分数;
根据所述概率分数,确定所述待检测人脸图像是否属于人脸活体。
2.根据权利要求1所述的方法,其特征在于,所述采用所述树节点,对所述待检测人脸图像进行特征提取,获得目标特征图的步骤包括:
采用第一层树节点,对所述待检测人脸图像进行特征提取,获得初始特征图;
将下一层节点作为当前树节点,并使用所述当前树节点对所述初始特征图进行特征提取,获得当前特征图;
判断所述当前树节点的下一层节点是否为叶子节点;
当所述当前树节点的下一层节点不为叶子节点时,下一层节点返回所述将下一层节点作为当前树节点,并使用所述当前树节点对所述初始特征图进行特征提取,获得当前特征图的步骤继续执行;
当所述当前树节点的下一层节点为叶子节点时,将所述当前特征图作为所述目标特征图。
3.根据权利要求2所述的方法,其特征在于,在所述采用第一层树节点,对所述待检测人脸图像进行特征提取,获得初始特征图之后,并且,在所述使用所述当前树节点对所述初始特征图进行特征提取,获得当前特征图之前,所述方法还包括:
基于预设的映射方式,对所述初始特征图进行特征投影,获得投影区分值;
根据所述投影区分值,将所述初始特征图输入到所述当前树节点。
4.根据权利要求3所述的方法,其特征在于,所述根据所述投影区分值,将所述初始特征图输入到所述当前树节点包括:
当所述投影区分值大于预设值时,将所述初始特征图输入到左子树节点;
当所述投影区分值不大于预设值时,将所述初始特征图输入到右子树节点。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述采用所述叶子节点对所述目标特征图进行概率计算,获得概率分数的步骤包括:
采用所述叶子节点对所述目标特征图进行卷积计算以及全连接,获取特征向量;
对所述特征向量进行概率计算,获得概率分数。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述概率分数,确定所述待检测人脸图像是否属于人脸活体的步骤包括:
判断所述人脸活体检测深度树模型中的目标函数是否收敛;
当所述目标函数未收敛,将所述目标特征图作为待检测人脸图像,返回执行所述采用所述树节点,对所述待检测人脸图像进行特征提取,获得目标特征图,直到所述目标函数收敛为止;
当所述目标函数收敛,则根据所述概率分数,对所述待检测人脸图像进行判断,确定所述待检测人脸图像是否属于人脸活体。
7.一种人脸活体检测装置,其特征在于,包括:
图像获取模块,用于获取待检测人脸图像;
图像输入模块,用于将所述待检测人脸图像输入所述人脸活体检测深度树模型中,其中,所述人脸活体检测深度树模型包括叶子节点和至少两层树节点;
目标特征图获取模块,用于采用所述树节点,对所述待检测人脸图像进行特征提取,获得目标特征图;
概率分数获取模块,用于采用所述叶子节点对所述目标特征图进行概率计算,获得概率分数;
人脸活体确定模块,用于根据所述概率分数,确定所述待检测人脸图像是否属于人脸活体。
8.根据权利要求7所述的装置,其特征在于,所述目标特征图获取模块包括:
初始特征图获取单元,用于采用第一层树节点,对所述待检测人脸图像进行特征提取,获得初始特征图;
当前特征图获取单元,用于将下一层节点作为当前树节点,并使用所述当前树节点对所述初始特征图进行特征提取,获得当前特征图;
判断单元,用于判断所述当前树节点的下一层节点是否为叶子节点;
特征提取单元,用于当所述当前树节点的下一层节点不为叶子节点时,下一层节点返回所述将下一层节点作为当前树节点,并使用所述当前树节点对所述初始特征图进行特征提取,获得当前特征图的步骤继续执行;
目标特征图获取单元,用于当所述当前树节点的下一层节点为叶子节点时,将所述当前特征图作为所述目标特征图。
9.一种计算机设备,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6中任一项所述人脸活体检测方法的步骤。
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6中任一项所述人脸活体检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352424.4A CN113111750A (zh) | 2021-03-31 | 2021-03-31 | 人脸活体检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352424.4A CN113111750A (zh) | 2021-03-31 | 2021-03-31 | 人脸活体检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113111750A true CN113111750A (zh) | 2021-07-13 |
Family
ID=76713750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110352424.4A Pending CN113111750A (zh) | 2021-03-31 | 2021-03-31 | 人脸活体检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111750A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494002A (zh) * | 2022-03-30 | 2022-05-13 | 广州公评科技有限公司 | 一种基于ai换脸视频的原脸图像智能还原方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018000871A (ja) * | 2016-07-08 | 2018-01-11 | 国立大学法人岩手大学 | 生体の動作識別システム及び生体の動作識別方法 |
CN108416324A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术(北京)有限公司 | 用于检测活体的方法和装置 |
CN109858381A (zh) * | 2019-01-04 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
CN110135259A (zh) * | 2019-04-15 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 静默式活体图片识别方法、装置、计算机设备和存储介质 |
CN110309767A (zh) * | 2019-06-28 | 2019-10-08 | 广州致远电子有限公司 | 活体检测设备、识别方法、装置及存储介质 |
CN110866454A (zh) * | 2019-10-23 | 2020-03-06 | 智慧眼科技股份有限公司 | 人脸活体检测方法及系统、计算机可读取的存储介质 |
CN111222432A (zh) * | 2019-12-30 | 2020-06-02 | 新大陆数字技术股份有限公司 | 人脸活体检测方法、系统、设备及可读存储介质 |
CN111966825A (zh) * | 2020-07-16 | 2020-11-20 | 电子科技大学 | 一种基于机器学习的电网设备缺陷文本分类方法 |
CN111973919A (zh) * | 2020-06-24 | 2020-11-24 | 江苏深渡消防装备科技有限公司 | 一种基于图像识别的火源精准定位方法 |
CN112464864A (zh) * | 2020-12-08 | 2021-03-09 | 上海交通大学 | 基于树形神经网络结构的人脸活体检测方法 |
-
2021
- 2021-03-31 CN CN202110352424.4A patent/CN113111750A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018000871A (ja) * | 2016-07-08 | 2018-01-11 | 国立大学法人岩手大学 | 生体の動作識別システム及び生体の動作識別方法 |
CN108416324A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术(北京)有限公司 | 用于检测活体的方法和装置 |
CN109858381A (zh) * | 2019-01-04 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
CN110135259A (zh) * | 2019-04-15 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 静默式活体图片识别方法、装置、计算机设备和存储介质 |
CN110309767A (zh) * | 2019-06-28 | 2019-10-08 | 广州致远电子有限公司 | 活体检测设备、识别方法、装置及存储介质 |
CN110866454A (zh) * | 2019-10-23 | 2020-03-06 | 智慧眼科技股份有限公司 | 人脸活体检测方法及系统、计算机可读取的存储介质 |
CN111222432A (zh) * | 2019-12-30 | 2020-06-02 | 新大陆数字技术股份有限公司 | 人脸活体检测方法、系统、设备及可读存储介质 |
CN111973919A (zh) * | 2020-06-24 | 2020-11-24 | 江苏深渡消防装备科技有限公司 | 一种基于图像识别的火源精准定位方法 |
CN111966825A (zh) * | 2020-07-16 | 2020-11-20 | 电子科技大学 | 一种基于机器学习的电网设备缺陷文本分类方法 |
CN112464864A (zh) * | 2020-12-08 | 2021-03-09 | 上海交通大学 | 基于树形神经网络结构的人脸活体检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494002A (zh) * | 2022-03-30 | 2022-05-13 | 广州公评科技有限公司 | 一种基于ai换脸视频的原脸图像智能还原方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599451B (zh) | 医学图像病灶检测定位方法、装置、设备及存储介质 | |
WO2019100724A1 (zh) | 训练多标签分类模型的方法和装置 | |
CN109271870B (zh) | 行人重识别方法、装置、计算机设备及存储介质 | |
CN110490076B (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
CN111860147B (zh) | 行人重识别模型优化处理方法、装置和计算机设备 | |
CN110163193B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN109871821B (zh) | 自适应网络的行人重识别方法、装置、设备及存储介质 | |
CN111191539A (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
CN110046577B (zh) | 行人属性预测方法、装置、计算机设备和存储介质 | |
CN111832581B (zh) | 肺部特征识别方法、装置、计算机设备及存储介质 | |
CN112633159B (zh) | 人-物交互关系识别方法、模型训练方法及对应装置 | |
CN111968134B (zh) | 目标分割方法、装置、计算机可读存储介质及计算机设备 | |
CN110941989A (zh) | 图像校验、视频校验方法、装置、设备及存储介质 | |
CN111985340A (zh) | 基于神经网络模型的人脸识别方法、装置和计算机设备 | |
CN113111750A (zh) | 人脸活体检测方法、装置、计算机设备及存储介质 | |
CN116385745A (zh) | 图像识别方法、装置、电子设备和存储介质 | |
CN111159476A (zh) | 目标对象的搜索方法、装置、计算机设备及存储介质 | |
KR102325250B1 (ko) | 반려동물 식별 시스템 및 그 방법 | |
CN111079587B (zh) | 人脸的识别方法、装置、计算机设备及可读存储介质 | |
CN111178162B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN111428643A (zh) | 指静脉图像识别方法、装置、计算机设备及存储介质 | |
CN112269976A (zh) | 物联网人工智能人脸验证方法及系统 | |
CN116071804A (zh) | 人脸识别的方法、装置和电子设备 | |
CN110633647A (zh) | 活体检测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |