CN113191189A - 人脸活体检测方法、终端设备及计算机可读存储介质 - Google Patents
人脸活体检测方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113191189A CN113191189A CN202110303487.0A CN202110303487A CN113191189A CN 113191189 A CN113191189 A CN 113191189A CN 202110303487 A CN202110303487 A CN 202110303487A CN 113191189 A CN113191189 A CN 113191189A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- key points
- processed
- living body
- 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 75
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 10
- 238000001727 in vivo Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000036548 skin texture Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06V40/168—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
- 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
- G06N3/048—Activation functions
-
- 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
- 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)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于图像处理技术领域,提供了一种人脸活体检测方法、终端设备及计算机可读存储介质,包括:获取待处理图像,所述待处理图像中存在人脸图像;检测所述待处理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待处理图像中的所述人脸图像;将所述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。通过上述方法,能够有效提高人脸活体检测的准确率。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及人脸活体检测方法、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。现有的人脸检测技术中,为了防止伪造人脸图像(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),通常需要进行人脸活体检测,即判断采集图像中的人脸是真实人脸、还是伪造的人脸。
在进行人脸活体检测时,通常是根据采集图像进行活体检测。由于采集图像中包含了大量的背景信息,将会对采集图像中的人脸特征信息造成干扰,进而影响活体检测结果的准确性。
发明内容
本申请实施例提供了一种人脸活体检测方法、终端设备及计算机可读存储介质,可以有效提高人脸活体检测的准确率。
第一方面,本申请实施例提供了一种人脸活体检测方法,包括:
获取待处理图像,所述待处理图像中存在人脸图像;
检测所述待处理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待处理图像中的所述人脸图像;
将所述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。
本申请实施例中,首先检测待处理图像中的人脸轮廓关键点,然后根据人脸轮廓关键点截取待处理图像中的人脸图像,通过上述方法,相当于滤除了待处理图像中除人脸图像外的背景图像;然后将人脸图像输入到训练后的活体检测模型中,输出活体检测结果。通过上述方法,避免了待处理图像中的背景信息对人脸特征信息造成的干扰,有效提高了活体检测的准确率。
在第一方面的一种可能的实现方式中,所述检测所述待处理图像中的人脸轮廓关键点,包括:
获取所述待处理图像中所述人脸图像上的多个人脸特征关键点;
从所述多个人脸特征关键点中确定出所述人脸轮廓关键点。
在第一方面的一种可能的实现方式中,所述从所述多个人脸特征关键点中确定出所述人脸轮廓关键点,包括:
确定所述多个人脸特征关键点中的边界点;
根据所述边界点确定所述人脸轮廓关键点。
在第一方面的一种可能的实现方式中,所述根据所述人脸轮廓关键点截取所述待处理图像中的所述人脸图像,包括:
根据所述人脸轮廓关键点获取目标图层,其中,所述目标图层中包括由第一预设颜色填充的第一区域和由第二预设颜色填充的第二区域,所述第一区域为根据所述人脸轮廓关键点确定的区域,所述第二区域为所述目标图层中除所述第一区域外的区域;
将所述目标图层和所述待处理图像进行叠加处理,获得所述人脸图像。
在第一方面的一种可能的实现方式中,所述根据所述人脸轮廓关键点获取目标图层,包括:
在由所述第二预设颜色填充的预设图层上,根据所述人脸轮廓关键点勾勒出所述第一区域;
将所述预设图层中的所述第一区域填充为所述第一预设颜色,得到所述目标图层。
在第一方面的一种可能的实现方式中,所述活体检测模型包括第一特征提取模块;
所述第一特征提取模块包括第一网络和第二网络,所述第一网络和所述第二网络并联连接;
所述第一网络包括第一平均池化层和第一卷积层;
所述第二网络为倒残差网络。
在第一方面的一种可能的实现方式中,所述活体检测模型还包括注意力机制模块。
第二方面,本申请实施例提供了一种人脸活体检测装置,包括:
图像获取单元,用于获取待处理图像,所述待处理图像中存在人脸图像;
关键点检测单元,用于检测所述待处理图像中的人脸轮廓关键点;
人脸截取单元,用于根据所述人脸轮廓关键点截取所述待处理图像中的所述人脸图像;
活体检测单元,用于将所述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。
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活体检测方法。
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活体检测方法。
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活体检测方法。
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活体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注意力机制模块的结构示意图;
图7是本申请实施例提供的活体检测模型的结构示意图;
图8是本申请实施例提供的人脸活体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。
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活体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,获取待处理图像,待处理图像中存在人脸图像。
待处理图像可以为RGB图像。但RGB图像用于活体检测时,效果较差,因此,本申请实施例中的待处理图像为红外图像。实际应用中,可以通过红外双目摄像头采集红外图像。
待处理图像中通常包括人脸图像和背景图像。实际应用中,采集的待处理图像的背景图像中可能存在活体/非活体的图像,若将待处理图像输入到活体检测模型中(即综合考虑背景图像和人脸图像的特征信息),那么待处理图像中的背景图像对应的特征信息将会对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,先对待处理图像进行去背景处理(详见S102-S103),获得待处理图像中的人脸图像,然后对人脸图像进行活体检测。具体步骤如下所述。
S102,检测待处理图像中的人脸轮廓关键点。
在一个实施例中,S102的一种实现方式可以包括:
获取训练后的人脸轮廓模板;在待处理图像中搜索与人脸轮廓模板匹配的人脸轮廓关键点。
上述方法中,需要对待处理图像中的每个像素点进行处理,数据处理量较大;而且在采集待处理图像时,人脸相对于拍摄装置的角度往往不同(如人脸为侧脸、仰视或俯视状态),这将会影响待处理图像与人脸轮廓模板的匹配结果。
为了提高人脸轮廓关键点检测的准确性,在本申请实施例中,S102的另一种实现方式可以包括:
获取待处理图像中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。
可以将待处理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。
可以根据现有的边缘检测算法检测待处理图像中人脸图像的边界线,然后将边界线经过的人脸特征关键点确定为人脸轮廓关键点。但实际应用中,有时人脸图像与背景图像的交界并不明显,导致现有的边缘检测算法无法准确地检测出人脸图像的边界线,进而无法根据边界线确定人脸轮廓关键点。
为了解决上述问题,在本申请实施例中,可选的,从多个人脸特征关键点中确定出人脸轮廓关键点的步骤可以包括:
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。
S103,根据人脸轮廓关键点截取待处理图像中的人脸图像。
在一个实施例中,S103的一种实现方式包括:
根据人脸轮廓关键点拟合出人脸轮廓边界线;根据人脸轮廓边界线从待处理图像中剪裁出人脸图像。
在另一个实施例中,S103的一种实现方式包括:
根据人脸轮廓关键点获取目标图层,其中,目标图层中包括由第一预设颜色填充的第一区域和由第二预设颜色填充的第二区域,第一区域为根据人脸轮廓关键点确定的区域,第二区域为目标图层中除第一区域外的区域;将目标图层和待处理图像进行叠加处理,获得人脸图像。
可选的,根据人脸轮廓关键点获取目标图层的一种实现方式包括:
在由第二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一预设颜色,得到目标图层。
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待处理图像,图4中右边的图像为去背景处理后的人脸图像。如图4所示,经过上述S102-S103的去背景处理过程,能够在保留完整的人脸图像的同时,滤除掉背景图像。
S104,将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。
在一个实施例中,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,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。如图5中的(a)所示,第一特征提取模块包括倒残差网络。其中,倒残差网络依次包括用于升维的第二卷积层(1×1Conv)、第三卷积层(3×3DWConv)和用于降维的第四卷积层(1×1Conv)。倒残差网络可以用于加速特征学习的过程。
为了增强特征学习能力,可选的,可以在上述第一特征提取模块的基础上增加第一网络。如图5中的(b)所示,第一特征提取模块包括第一网络和第二网络,第一网络和第二网络并联连接。第一网络包括第一平均池化层(2×2AVG Pool)和第一卷积层(1×1Conv)。第二网络为倒残差网络。第一网络和第二网络共享输入端,第一网络的输出和第二网络的输出经过特征融合层(concat)进行特征融合,得到第一特征提取模块的输出。
可选的,注意力机制模块可以采用SENet模块。参见图6,是本申请实施例提供的注意力机制模块的结构示意图。如图6所示,注意力机制模块包括残差层(Residual)、全局池化层(Global pooling)、全连接层(FC,fully connected layers)、激励层(ReLU)、激活函数层(Sigmoid)和尺寸变换层(Scale)。
示例性的,参见图7,是本申请实施例提供的活体检测模型的结构示意图。图7中的Block A模块为图5中的(a)所示的第一特征提取模块,图7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7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7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。
需要说明的是,上述只是活体检测模型的示例,并不对各模块的数量和先后顺序做具体限定。
本申请实施例中,首先检测待处理图像中的人脸轮廓关键点,然后根据人脸轮廓关键点截取待处理图像中的人脸图像,通过上述方法,相当于滤除了待处理图像中除人脸图像外的背景图像;然后将人脸图像输入到训练后的活体检测模型中,输出活体检测结果。通过上述方法,避免了待处理图像中的背景信息对人脸特征信息造成的干扰,有效提高了活体检测的准确率。
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活体检测方法,图8是本申请实施例提供的人脸活体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:
图像获取单元81,用于获取待处理图像,所述待处理图像中存在人脸图像。
关键点检测单元82,用于检测所述待处理图像中的人脸轮廓关键点。
人脸截取单元83,用于根据所述人脸轮廓关键点截取所述待处理图像中的所述人脸图像。
活体检测单元84,用于将所述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。
可选的,关键点检测单元82还用于:
获取所述待处理图像中所述人脸图像上的多个人脸特征关键点;从所述多个人脸特征关键点中确定出所述人脸轮廓关键点。
可选的,关键点检测单元82还用于:
确定所述多个人脸特征关键点中的边界点;根据所述边界点确定所述人脸轮廓关键点。
可选的,人脸截取单元83还用于:
根据所述人脸轮廓关键点获取目标图层,其中,所述目标图层中包括由第一预设颜色填充的第一区域和由第二预设颜色填充的第二区域,所述第一区域为根据所述人脸轮廓关键点确定的区域,所述第二区域为所述目标图层中除所述第一区域外的区域;将所述目标图层和所述待处理图像进行叠加处理,获得所述人脸图像。
可选的,人脸截取单元83还用于:
在由所述第二预设颜色填充的预设图层上,根据所述人脸轮廓关键点勾勒出所述第一区域;将所述预设图层中的所述第一区域填充为所述第一预设颜色,得到所述目标图层。
可选的,所述活体检测模型包括第一特征提取模块;所述第一特征提取模块包括第一网络和第二网络,所述第一网络和所述第二网络并联连接;所述第一网络包括第一平均池化层和第一卷积层;所述第二网络为倒残差网络。
可选的,所述活体检测模型还包括注意力机制模块。
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所示的人脸活体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活体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)
1.一种人脸活体检测方法,其特征在于,包括:
获取待处理图像,所述待处理图像中存在人脸图像;
检测所述待处理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待处理图像中的所述人脸图像;
将所述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。
2.如权利要求1所述的人脸活体检测方法,其特征在于,所述检测所述待处理图像中的人脸轮廓关键点,包括:
获取所述待处理图像中所述人脸图像上的多个人脸特征关键点;
从所述多个人脸特征关键点中确定出所述人脸轮廓关键点。
3.如权利要求2所述的人脸活体检测方法,其特征在于,所述从所述多个人脸特征关键点中确定出所述人脸轮廓关键点,包括:
确定所述多个人脸特征关键点中的边界点;
根据所述边界点确定所述人脸轮廓关键点。
4.如权利要求1所述的人脸活体检测方法,其特征在于,所述根据所述人脸轮廓关键点截取所述待处理图像中的所述人脸图像,包括:
根据所述人脸轮廓关键点获取目标图层,其中,所述目标图层中包括由第一预设颜色填充的第一区域和由第二预设颜色填充的第二区域,所述第一区域为根据所述人脸轮廓关键点确定的区域,所述第二区域为所述目标图层中除所述第一区域外的区域;
将所述目标图层和所述待处理图像进行叠加处理,获得所述人脸图像。
5.如权利要求4所述的人脸活体检测方法,其特征在于,所述根据所述人脸轮廓关键点获取目标图层,包括:
在由所述第二预设颜色填充的预设图层上,根据所述人脸轮廓关键点勾勒出所述第一区域;
将所述预设图层中的所述第一区域填充为所述第一预设颜色,得到所述目标图层。
6.如权利要求1至5任一项所述的人脸活体检测方法,其特征在于,所述活体检测模型包括第一特征提取模块;
所述第一特征提取模块包括第一网络和第二网络,所述第一网络和所述第二网络并联连接;
所述第一网络包括第一平均池化层和第一卷积层;
所述第二网络为倒残差网络。
7.如权利要求6所述的人脸活体检测方法,其特征在于,所述活体检测模型还包括注意力机制模块。
8.一种人脸活体检测装置,其特征在于,包括:
图像获取单元,用于获取待处理图像,所述待处理图像中存在人脸图像;
关键点检测单元,用于检测所述待处理图像中的人脸轮廓关键点;
人脸截取单元,用于根据所述人脸轮廓关键点截取所述待处理图像中的所述人脸图像;
活体检测单元,用于将所述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。
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7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7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303487.0A CN113191189A (zh) | 2021-03-22 | 2021-03-22 | 人脸活体检测方法、终端设备及计算机可读存储介质 |
PCT/CN2022/080158 WO2022199395A1 (zh) | 2021-03-22 | 2022-03-10 | 人脸活体检测方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303487.0A CN113191189A (zh) | 2021-03-22 | 2021-03-22 | 人脸活体检测方法、终端设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191189A true CN113191189A (zh) | 2021-07-30 |
Family
ID=76973548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110303487.0A Pending CN113191189A (zh) | 2021-03-22 | 2021-03-22 | 人脸活体检测方法、终端设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113191189A (zh) |
WO (1) | WO2022199395A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114333011A (zh) * | 2021-12-28 | 2022-04-12 | 北京的卢深视科技有限公司 | 网络训练、人脸识别方法、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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977867A (zh) * | 2019-03-26 | 2019-07-05 | 厦门瑞为信息技术有限公司 | 一种基于机器学习多特征融合的红外活体检测方法 |
CN110765924A (zh) * | 2019-10-18 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种活体检测方法、装置以及计算机可读存储介质 |
CN111862031A (zh) * | 2020-07-15 | 2020-10-30 | 北京百度网讯科技有限公司 | 一种人脸合成图检测方法、装置、电子设备及存储介质 |
CN112257501A (zh) * | 2020-09-16 | 2021-01-22 | 深圳数联天下智能科技有限公司 | 人脸特征增强显示方法、装置、电子设备和介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764069B (zh) * | 2018-05-10 | 2022-01-14 | 北京市商汤科技开发有限公司 | 活体检测方法及装置 |
CN109637664A (zh) * | 2018-11-20 | 2019-04-16 | 平安科技(深圳)有限公司 | 一种bmi评测方法、装置及计算机可读存储介质 |
CN111652082B (zh) * | 2020-05-13 | 2021-12-28 | 北京的卢深视科技有限公司 | 人脸活体检测方法和装置 |
CN111914775B (zh) * | 2020-08-06 | 2023-07-28 | 平安科技(深圳)有限公司 | 活体检测方法、装置、电子设备及存储介质 |
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 |
CN113191189A (zh) * | 2021-03-22 | 2021-07-30 | 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 |
-
2021
- 2021-03-22 CN CN202110303487.0A patent/CN113191189A/zh active Pending
-
2022
- 2022-03-10 WO PCT/CN2022/080158 patent/WO2022199395A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977867A (zh) * | 2019-03-26 | 2019-07-05 | 厦门瑞为信息技术有限公司 | 一种基于机器学习多特征融合的红外活体检测方法 |
CN110765924A (zh) * | 2019-10-18 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种活体检测方法、装置以及计算机可读存储介质 |
CN111862031A (zh) * | 2020-07-15 | 2020-10-30 | 北京百度网讯科技有限公司 | 一种人脸合成图检测方法、装置、电子设备及存储介质 |
CN112257501A (zh) * | 2020-09-16 | 2021-01-22 | 深圳数联天下智能科技有限公司 | 人脸特征增强显示方法、装置、电子设备和介质 |
Non-Patent Citations (1)
Title |
---|
赵永强等: ""深度学习目标检测方法综述"", 《中国图像图像学报》, vol. 25, no. 4, 15 April 2020 (2020-04-15), pages 629 - 653 * |
Cited By (3)
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 |
CN114333011A (zh) * | 2021-12-28 | 2022-04-12 | 北京的卢深视科技有限公司 | 网络训练、人脸识别方法、电子设备及存储介质 |
CN114333011B (zh) * | 2021-12-28 | 2022-11-08 | 合肥的卢深视科技有限公司 | 网络训练、人脸识别方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022199395A1 (zh) | 2022-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3916627A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN112883918B (zh) | 人脸检测方法、装置、终端设备及计算机可读存储介质 | |
CN112633144A (zh) | 人脸遮挡检测方法、系统、设备及存储介质 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
CN111340077B (zh) | 基于注意力机制的视差图获取方法和装置 | |
CN111067522A (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN113807451B (zh) | 全景图像特征点匹配模型的训练方法、装置以及服务器 | |
CN113191189A (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
CN115512258A (zh) | 一种视频图像的脱敏方法、装置、终端设备和存储介质 | |
CN114612987A (zh) | 一种表情识别方法及装置 | |
CN111325709A (zh) | 无线胶囊内窥镜图像检测系统及检测方法 | |
CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
CN109523570B (zh) | 运动参数计算方法及装置 | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
CN113012030A (zh) | 图像拼接方法、装置及设备 | |
CN116129504A (zh) | 一种活体检测模型训练方法和活体检测方法 | |
CN111126248A (zh) | 一种遮挡下的车辆识别方法及装置 | |
CN111401365B (zh) | Ocr图像自动生成方法及装置 | |
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 | |
CN113724176A (zh) | 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质 | |
CN112348112A (zh) | 图像识别模型的训练方法、训练装置及终端设备 | |
CN113628148A (zh) | 红外图像降噪方法和装置 | |
CN111860486A (zh) | 卡片识别方法、装置及设备 | |
US20240193987A1 (en) | Face liveness detection method, terminal device and non-transitory computer-readable storage medium |
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 |