CN113255400A - 活体人脸识别模型的训练、识别方法、系统、设备及介质 - Google Patents
活体人脸识别模型的训练、识别方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN113255400A CN113255400A CN202010084732.9A CN202010084732A CN113255400A CN 113255400 A CN113255400 A CN 113255400A CN 202010084732 A CN202010084732 A CN 202010084732A CN 113255400 A CN113255400 A CN 113255400A
- Authority
- CN
- China
- Prior art keywords
- face
- living body
- image
- training
- images
- 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
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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06V40/40—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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种活体人脸识别模型的训练、识别方法、系统、设备及介质,包括如下步骤:采集多张训练图像,对每一训练图像进行关键点检测,确定多个第一人脸关键点;将训练图像进行归一化至预设定的尺寸生成预处理人脸图像,并在预处理人脸图像中确定第二人脸关键点的位置;根据第二人脸关键点中获取多个目标人脸关键点在预处理人脸图像中截取多个包括目标人脸关键点的多个ROI区域;将每一预处理人脸图像对应的ROI区域合成一训练数据,根据训练数据训练生成活体人脸识别模型。本发明能够提供活体人脸识别模型的识别准确度,降低了训练数据中噪声的干扰。
Description
技术领域
本发明涉及人脸识别系统,具体地,涉及一种活体人脸识别模型的训练、识别方法、系统、设备及介质。
背景技术
2014年,深度学习首次应用在人脸识别领域,展示了强大的特征学习能力,将LFW(Labeled Faces in the Wild)识别准确率从94%提升到97%,大幅超越了经典的人脸识别方法。随着相关深度学习理论的发展,以及大规模人脸数据的驱动,人脸识别的准确率继续攀升,很快突破99.8%大关,预示着人脸识别算法趋于成熟,并迅速的商业应用落地。目前人脸识别技术广泛应用于安防、自助通关、医疗、教育、户政和支付等领域。
在用基于深度学习的人脸识别系统中,输入是2D RGB或者IR图像,在可控场景下能够取得很好的人脸识别效果。但是受光照、人脸姿态和人脸表情变化等影响,人脸识别准确率在黑暗、逆光等情况下迅速下降;并且基于2D图像的人脸识别系统在抗假体(假脸)攻击方面存在很大的风险,影响了人脸识别在门锁、金融支付等场景的应用推广。
3D摄像模组拓宽了前端感知的维度,能够解决2D人脸识别遇到的抗假体攻击和极端情况下识别准确率降低的问题,效果得到了市场的认可,需求强烈。但是现有技术中的活体算法识别准确率暂时还无法满足人脸支付对安全性的要求,需要进一步的提升活体算法的提升空间。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种活体人脸识别模型的训练、识别方法、系统、设备及介质。
根据本发明提供的活体人脸识别模型的训练方法,包括如下步骤:
步骤S1:采集多张训练图像,对每一所述训练图像进行关键点检测,确定多个第一人脸关键点;
步骤S2:将所述训练图像进行归一化至预设定的尺寸生成预处理人脸图像,并在所述预处理人脸图像中确定第二人脸关键点的位置;
步骤S3:根据所述第二人脸关键点中获取多个目标人脸关键点在所述预处理人脸图像中截取多个包括所述目标人脸关键点的多个ROI区域;
步骤S4:将每一所述预处理人脸图像对应的ROI区域合成一训练数据,根据所述训练数据训练生成活体人脸识别模型。
优选地,所述训练图像的图像类型包括RGB人脸图像、红外人脸图像以及深度人脸图像;
每一图像类型的训练图像生成对应类型的训练数据,进而生成对应类型的活体人脸识别模型。
优选地,所述步骤S2包括如下步骤:
步骤S201:获取预设置的标准关键点的位置信息;
步骤S202:根据所述第一人脸关键点的位置信息和所述标准关键点的位置信息计算所述第一人脸关键点的转换矩阵;
步骤S203:根据所述转换矩阵和所述第一人脸关键点的位置信息确定所述预处理人脸图像中的第二人脸关键点的位置。
优选地,所述ROI区域包括人脸图像中的左眼区域、右眼区域、鼻尖区域以及嘴部区域中任一区域多任多区域。
优选地,所述步骤S3包括如下步骤:
步骤S301:在所述预处理人脸图像中预设置位于左眼区域、右眼区域、鼻尖区域以及嘴部区域中心的第二人脸关键点为目标人脸关键点;
步骤S302:获取所述目标人脸关键点的位置信息;
步骤S303:以所述目标人脸关键点的位置信息为中心在所述预处理人脸图像中截取多个ROI区域。
本发明提供的活体人脸识别模型的训练系统,包括如下模块:
关键点检测模块,用于获取采集的多张训练图像,对每一所述训练图像进行关键点检测,确定多个第一人脸关键点;
归一化处理模块,用于将所述训练图像进行归一化至预设定的尺寸生成预处理人脸图像,并在所述预处理人脸图像中确定第二人脸关键点的位置;
ROI区域截取模块,用于根据所述第二人脸关键点中获取多个目标人脸关键点在所述预处理人脸图像中截取多个包括所述目标人脸关键点的多个ROI区域;
模型训练模块,用于将每一所述预处理人脸图像对应的ROI区域合成一训练数据,根据所述训练数据训练生成活体人脸识别模型。
本发明提供的活体人脸识别方法,通过所述的训练方法训练生成的所述活体检测模型进行识别,包括如下步骤:
步骤M1:采集至少一组人脸图像,每组所述人脸图像的图像类型包括RGB人脸图像、红外人脸图像以及深度人脸图像;
步骤M2:根据每组所述人脸图像的图像类型,将每一类型的人脸图像对应输入预设置的活体人脸识别模型进行活体检测;
步骤M3:当多个活体人脸识别模型均判定对应类型的所述人脸图像为活体人脸时,则输出该组人脸图像为活体人脸,否则输出该组人脸图像为假体人脸。
本发明提供的活体人脸识别系统,包括如下模块:
图像采集模块,用于采集至少一组人脸图像,每组所述人脸图像的图像类型包括RGB人脸图像、红外人脸图像以及深度人脸图像;
活体检测模块,用于根据每组所述人脸图像的图像类型,将每一类型的人脸图像对应输入预设置的活体人脸识别模型进行活体检测;
结果输出模块,用于当多个活体人脸识别模型均判定对应类型的所述人脸图像为活体人脸时,则输出该组人脸图像为活体人脸,否则输出该组人脸图像为假体人脸。
本发明提供的活体人脸识别设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行所述的活体人脸识别方法的步骤。
本发明提供的计算机可读存储介质,用于存储程序,所述程序被执行时实现所述的活体人脸识别方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
本发明中通过将目标人脸关键点截取多个ROI区域,并将每一述预处理人脸图像对应的ROI区域合成一训练数据,进行活体人脸识别模型的训练,从而能够提供活体人脸识别模型的识别准确度,降低了训练数据中噪声的干扰;
本发明中通过采集一组人脸图像,分别对每种图像类型的人脸图像进行活体检测,仅当多个活体人脸识别模型均判定为活体人脸时才输出该组人脸图像为活体,提高了活体人脸识别的准确度,使得识别准确度大于99.9%,完全能够满足人脸支付的安全要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例中活体人脸识别模型的训练方法的步骤流程图;
图2为本发明实施例中第二人脸关键点的位置确定方法的步骤流程图;
图3为本发明实施例中在预处理人脸图像中截取多个ROI区域的步骤流程图;
图4为本发明实施例中活体人脸模型的训练系统的模块示意图;
图5为本发明实施例中活体人脸识别方法的步骤流程图;
图6为本发明实施例中活体人脸识别系统的模块示意图;
图7为本发明实施例中活体人脸识别方法应用于门锁系统的示意图;
图8为本发明实施例中活体人脸识别方法应用于人脸识别支付系统的示意图;
图9为本发明实施例中活体人脸识别设备的结构示意图;以及
图10为本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。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单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,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单元。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供的具有3D人脸识别的支付系统,旨在解决现有技术中存在的问题。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图1为本发明实施例中活体人脸识别模型的训练方法的步骤流程图,如图1所示,本发明提供的活体人脸识别模型的训练方法,包括如下步骤:
步骤S1:采集多张训练图像,对每一所述训练图像进行关键点检测,确定多个第一人脸关键点;
在本发明实施例中,所述训练图像的图像类型包括RGB人脸图像、红外人脸图像以及深度人脸图像;
每一图像类型的训练图像生成对应类型的训练数据,进而生成对应类型的活体人脸识别模型。
步骤S2:将所述训练图像进行归一化至预设定的尺寸生成预处理人脸图像,并在所述预处理人脸图像中确定第二人脸关键点的位置;
在本发明实施例中,所述预设定的尺寸为180×220像素数。
图2为本发明实施例中第二人脸关键点的位置确定方法的步骤流程图,如图2所示,所述步骤S2包括如下步骤:
步骤S201:获取预设置的标准关键点的位置信息;
步骤S202:根据所述第一人脸关键点的位置信息和所述标准关键点的位置信息计算所述第一人脸关键点的转换矩阵;
步骤S203:根据所述转换矩阵和所述第一人脸关键点的位置信息确定所述预处理人脸图像中的第二人脸关键点的位置。
在本发明实施例中,所述标准关键点为在预设定的尺寸的人脸图像中设置的标准关键点,以便于对所述训练图像中第一人脸关键点进行位置转换。
步骤S3:根据所述第二人脸关键点中获取多个目标人脸关键点在所述预处理人脸图像中截取多个包括所述目标人脸关键点的多个ROI区域;
在本发明实施例中,所述ROI区域包括人脸图像中的左眼区域、右眼区域、鼻尖区域以及嘴部区域中任一区域多任多区域。
图3为本发明实施例中在预处理人脸图像中截取多个ROI区域的步骤流程图,如图3所示,所述步骤S3包括如下步骤:
步骤S301:在所述预处理人脸图像中预设置位于左眼区域、右眼区域、鼻尖区域以及嘴部区域中心的第二人脸关键点为目标人脸关键点;
步骤S302:获取所述目标人脸关键点的位置信息;
步骤S303:以所述目标人脸关键点的位置信息为中心在所述预处理人脸图像中截取多个ROI区域。
步骤S4:将每一所述预处理人脸图像对应的ROI区域合成一训练数据,根据所述训练数据训练生成活体人脸识别模型。
在本发明实施例中,具体为将四个ROI区域合成为一四通道的训练数据。每一所述ROI区域的尺寸为48×48,单位为像素。所述第一人脸关键点和第二人脸关键点的数量为106个。
在本发明实施例中,在进行所述活体人脸识别模型训练时,所述训练数据包括正样本和负样本,通过深度学习的方法进行训练。
在本发明实施例中,本发明通过将目标人脸关键点截取多个ROI区域,并将每一述预处理人脸图像对应的ROI区域合成一训练数据,进行活体人脸识别模型的训练,从而能够提供活体人脸识别模型的识别准确度,降低了训练数据中噪声的干扰。
图4为本发明实施例中活体人脸模型的训练系统的模块示意图,如图4所示,本发明提供的活体人脸识别模型的训练系统,包括如下模块:
关键点检测模块,用于获取采集的多张训练图像,对每一所述训练图像进行关键点检测,确定多个第一人脸关键点;
归一化处理模块,用于将所述训练图像进行归一化至预设定的尺寸生成预处理人脸图像,并在所述预处理人脸图像中确定第二人脸关键点的位置;
ROI区域截取模块,用于根据所述第二人脸关键点中获取多个目标人脸关键点在所述预处理人脸图像中截取多个包括所述目标人脸关键点的多个ROI区域;
模型训练模块,用于将每一所述预处理人脸图像对应的ROI区域合成一训练数据,根据所述训练数据训练生成活体人脸识别模型。
在本发明实施例中,在进行所述活体人脸识别模型训练时,所述训练数据包括正样本和负样本,通过深度学习的方法进行训练。
图5为本发明实施例中活体人脸识别方法的步骤流程图,如图5所示,本发明提供的活体人脸识别方法,通过所述的训练方法训练生成的所述活体检测模型进行识别,包括如下步骤:
步骤M1:采集至少一组人脸图像,每组所述人脸图像的图像类型包括RGB人脸图像、红外人脸图像以及深度人脸图像;
步骤M2:根据每组所述人脸图像的图像类型,将每一类型的人脸图像对应输入预设置的活体人脸识别模型进行活体检测;
步骤M3:当多个活体人脸识别模型均判定对应类型的所述人脸图像为活体人脸时,则输出该组人脸图像为活体人脸,否则输出该组人脸图像为假体人脸。
在本发明实施例中,所述活体检测模型包括基于RGB人脸图像训练生成的第一活体检测模型、基于红外人脸图像训练生成的第二活体检测模型以及基于深度人脸图像训练生成的第三活体检测模型;
当进行活体人脸识别时,通过所述第一活体检测模型、第二活体检测模型以及第三活体检测模型中任一模型或任多模型进行活体人脸识别;
在通过三个活体检测模型进行活体识别时,仅当三个活体检测模型均判断为活体人脸时,则判断该人脸图像为活体人脸。
本发明中通过采集一组人脸图像,分别对每种图像类型的人脸图像进行活体检测,仅当三个活体人脸识别模型均判定为活体人脸时才输出该组人脸图像为活体,提高了活体人脸识别的准确度,使得识别准确度大于99.9%,完全能够满足人脸支付的安全要求。
图6为本发明实施例中活体人脸识别系统的模块示意图,如图6所示,本发明提供的活体人脸识别系统,包括如下模块:
图像采集模块,用于采集至少一组人脸图像,每组所述人脸图像的图像类型包括RGB人脸图像、红外人脸图像以及深度人脸图像;
活体检测模块,用于根据每组所述人脸图像的图像类型,将每一类型的人脸图像对应输入预设置的活体人脸识别模型进行活体检测;
结果输出模块,用于当多个活体人脸识别模型均判定对应类型的所述人脸图像为活体人脸时,则输出该组人脸图像为活体人脸,否则输出该组人脸图像为假体人脸。
图7为本发明实施例中活体人脸识别方法应用于门锁系统的示意图,如图7所示,门锁主控模块上的接近传感器一直进行人脸的探测,当探测到人脸靠近时,如人脸距离接近传感器只有50厘米时,触发3D人脸识别模型,此时3D人脸模块启动,并打开RGB摄像模组和红外摄像模组,采集该目标人脸的RGB人脸图像和红外人脸图像,对所述RGB人脸图像和所述红外人脸图像进行人脸检测和关键点检测,确定所述RGB人脸图像和所述红外人脸图像上的人脸区域和关键点,根据所述红外图像或光斑图案计算生成深度人脸图像,通过本发明实施例中活体人脸识别方法对RGB人脸图像、深度人脸图像以及红外人脸图像进行活体后输出识别结果。在所述识别结果为活体时,对所述RGB人脸图像和红外人脸图像进行人脸识别确定是否为预存储的允许开锁的白名单人脸。仅当该目标人脸通过活体识别和人脸识别时输出验证通过的识别结果,否则输出识别错误的识别结果。当输出验证通过的识别结果时,触发3D人脸识别模型将开锁指令发送至所述门锁主控模块,所述门锁主控模块控制门锁进行开锁。本发明从启动到输出识别结果用时仅为两秒。
图8为本发明实施例中活体人脸识别方法应用于人脸识别支付系统的示意图,如图8所示,需要进行人脸支付时,可以输入一触发信号,所述触发信号可以有收银系统输出,也可以通过预设置的触发按钮输出,当收到所述触发信号时,所述3D人脸识别模块控制所述RGB摄像模组和所述红外摄像模组抓拍目标人脸的RGB人脸图像和红外人脸图像,对所述RGB人脸图像和所述红外人脸图像进行人脸检测和关键点检测,确定所述RGB人脸图像和所述红外人脸图像上的人脸区域和关键点,根据所述红外人脸图像或红外探测器采集的光斑图案计算生成深度人脸图像,通过本发明实施例中活体人脸识别方法依次对RGB人脸图像、深度人脸图像以及红外人脸图像进行活体后输出识别结果。当所述活体识别时输出验证为活体的识别结果,将所述人脸图像和所述识别结果发送至所述人脸识别支付模块,否则输出识别错误的识别结果。所述人脸识别支付模块,判断所述人脸图像是否为注册人脸,当所述人脸图像为注册人脸时对所述注册人脸对应的支付账户执行扣款操作。此外在活体抓拍流程之外,所述3D人脸识别模块持续采集所述RGB人脸图像或任意物体的RGB图像,以便于预览。
本发明实施例中还提供一种活体人脸识别设备,包括处理器。存储器,其中存储有处理器的可执行指令。其中,处理器配置为经由执行可执行指令来执行的活体人脸识别方法的步骤。
如上,该实施例能够通过采集一组人脸图像,分别对每种图像类型的人脸图像进行活体检测,仅当多个活体人脸识别模型均判定为活体人脸时才输出该组人脸图像为活体,提高了活体人脸识别的准确度,使得识别准确度大于99.9%,完全能够满足人脸支付的安全要求。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
图9是本发明实施例中的活体人脸识别设备的结构示意图。下面参照图9来描述根据本发明的这种实施方式的电子设备600。图9显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行本说明书上述活体人脸识别方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图9中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例中还提供一种计算机可读存储介质,用于存储程序,程序被执行时实现的活体人脸识别方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述活体人脸识别方法部分中描述的根据本发明各种示例性实施方式的步骤。
如上所示,该实施例的计算机可读存储介质的程序在执行时,通过采集一组人脸图像,分别对每种图像类型的人脸图像进行活体检测,仅当多个活体人脸识别模型均判定为活体人脸时才输出该组人脸图像为活体,提高了活体人脸识别的准确度,使得识别准确度大于99.9%,完全能够满足人脸支付的安全要求。
图10是本发明实施例中的计算机可读存储介质的结构示意图。参考图10所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本发明实施例中,通过将目标人脸关键点截取多个ROI区域,并将每一述预处理人脸图像对应的ROI区域合成一训练数据,进行活体人脸识别模型的训练,从而能够提供活体人脸识别模型的识别准确度,降低了训练数据中噪声的干扰;
本发明中通过采集一组人脸图像,分别对每种图像类型的人脸图像进行活体检测,仅当多个活体人脸识别模型均判定为活体人脸时才输出该组人脸图像为活体,提高了活体人脸识别的准确度,使得识别准确度大于99.9%,完全能够满足人脸支付的安全要求。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种活体人脸识别模型的训练方法,其特征在于,包括如下步骤:
步骤S1:采集多张训练图像,对每一所述训练图像进行关键点检测,确定多个第一人脸关键点;
步骤S2:将所述训练图像进行归一化至预设定的尺寸生成预处理人脸图像,并在所述预处理人脸图像中确定第二人脸关键点的位置;
步骤S3:根据所述第二人脸关键点中获取多个目标人脸关键点在所述预处理人脸图像中截取多个包括所述目标人脸关键点的多个ROI区域;
步骤S4:将每一所述预处理人脸图像对应的ROI区域合成一训练数据,根据所述训练数据训练生成活体人脸识别模型。
2.根据权利要求1所述的活体人脸识别模型的训练方法,其特征在于,所述训练图像的图像类型包括RGB人脸图像、红外人脸图像以及深度人脸图像;
每一图像类型的训练图像生成对应类型的训练数据,进而生成对应类型的活体人脸识别模型。
3.根据权利要求1所述的活体人脸识别模型的训练方法,其特征在于,所述步骤S2包括如下步骤:
步骤S201:获取预设置的标准关键点的位置信息;
步骤S202:根据所述第一人脸关键点的位置信息和所述标准关键点的位置信息计算所述第一人脸关键点的转换矩阵;
步骤S203:根据所述转换矩阵和所述第一人脸关键点的位置信息确定所述预处理人脸图像中的第二人脸关键点的位置。
4.根据权利要求1所述的活体人脸识别模型的训练方法,其特征在于,所述ROI区域包括人脸图像中的左眼区域、右眼区域、鼻尖区域以及嘴部区域中任一区域多任多区域。
5.根据权利要求1所述的活体人脸识别模型的训练方法,其特征在于,所述步骤S3包括如下步骤:
步骤S301:在所述预处理人脸图像中预设置位于左眼区域、右眼区域、鼻尖区域以及嘴部区域中心的第二人脸关键点为目标人脸关键点;
步骤S302:获取所述目标人脸关键点的位置信息;
步骤S303:以所述目标人脸关键点的位置信息为中心在所述预处理人脸图像中截取多个ROI区域。
6.一种活体人脸识别模型的训练系统,其特征在于,包括如下模块:
关键点检测模块,用于获取采集的多张训练图像,对每一所述训练图像进行关键点检测,确定多个第一人脸关键点;
归一化处理模块,用于将所述训练图像进行归一化至预设定的尺寸生成预处理人脸图像,并在所述预处理人脸图像中确定第二人脸关键点的位置;
ROI区域截取模块,用于根据所述第二人脸关键点中获取多个目标人脸关键点在所述预处理人脸图像中截取多个包括所述目标人脸关键点的多个ROI区域;
模型训练模块,用于将每一所述预处理人脸图像对应的ROI区域合成一训练数据,根据所述训练数据训练生成活体人脸识别模型。
7.一种活体人脸识别方法,其特征在于,通过权利要求1至5任一项所述的训练方法训练生成的所述活体检测模型进行识别,包括如下步骤:
步骤M1:采集至少一组人脸图像,每组所述人脸图像的图像类型包括RGB人脸图像、红外人脸图像以及深度人脸图像;
步骤M2:根据每组所述人脸图像的图像类型,将每一类型的人脸图像对应输入预设置的活体人脸识别模型进行活体检测;
步骤M3:当多个活体人脸识别模型均判定对应类型的所述人脸图像为活体人脸时,则输出该组人脸图像为活体人脸,否则输出该组人脸图像为假体人脸。
8.一种活体人脸识别系统,其特征在于,包括如下模块:
图像采集模块,用于采集至少一组人脸图像,每组所述人脸图像的图像类型包括RGB人脸图像、红外人脸图像以及深度人脸图像;
活体检测模块,用于根据每组所述人脸图像的图像类型,将每一类型的人脸图像对应输入预设置的活体人脸识别模型进行活体检测;
结果输出模块,用于当多个活体人脸识别模型均判定对应类型的所述人脸图像为活体人脸时,则输出该组人脸图像为活体人脸,否则输出该组人脸图像为假体人脸。
9.一种活体人脸识别设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求7所述的活体人脸识别方法的步骤。
10.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被执行时实现权利要求7所述的活体人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010084732.9A CN113255400A (zh) | 2020-02-10 | 2020-02-10 | 活体人脸识别模型的训练、识别方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010084732.9A CN113255400A (zh) | 2020-02-10 | 2020-02-10 | 活体人脸识别模型的训练、识别方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255400A true CN113255400A (zh) | 2021-08-13 |
Family
ID=77219348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010084732.9A Pending CN113255400A (zh) | 2020-02-10 | 2020-02-10 | 活体人脸识别模型的训练、识别方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255400A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463860A (zh) * | 2021-12-14 | 2022-05-10 | 浙江大华技术股份有限公司 | 检测模型的训练方法、活体检测方法及相关装置 |
CN115116146A (zh) * | 2022-06-02 | 2022-09-27 | 支付宝(杭州)信息技术有限公司 | 活体检测方法、装置、设备及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105227316A (zh) * | 2015-09-01 | 2016-01-06 | 深圳市创想一登科技有限公司 | 基于人脸图像身份验证的移动互联网账号登录系统及方法 |
CN108549884A (zh) * | 2018-06-15 | 2018-09-18 | 天地融科技股份有限公司 | 一种活体检测方法及装置 |
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 |
CN109247923A (zh) * | 2018-11-15 | 2019-01-22 | 中国科学院自动化研究所 | 基于视频的非接触式脉搏实时估计方法及设备 |
CN109325462A (zh) * | 2018-10-11 | 2019-02-12 | 深圳斐视沃德科技有限公司 | 基于虹膜的人脸识别活体检测方法及装置 |
WO2019114580A1 (zh) * | 2017-12-13 | 2019-06-20 | 深圳励飞科技有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
US20190347823A1 (en) * | 2018-05-10 | 2019-11-14 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting living body, system, electronic device, and storage medium |
CN110516649A (zh) * | 2019-09-02 | 2019-11-29 | 南京微小宝信息技术有限公司 | 基于人脸识别的校友认证方法及系统 |
CN110718008A (zh) * | 2019-11-15 | 2020-01-21 | 杭州艾芯智能科技有限公司 | 3d人脸识别模组、门锁及门 |
-
2020
- 2020-02-10 CN CN202010084732.9A patent/CN113255400A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105227316A (zh) * | 2015-09-01 | 2016-01-06 | 深圳市创想一登科技有限公司 | 基于人脸图像身份验证的移动互联网账号登录系统及方法 |
WO2019114580A1 (zh) * | 2017-12-13 | 2019-06-20 | 深圳励飞科技有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
US20190347823A1 (en) * | 2018-05-10 | 2019-11-14 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting living body, system, electronic device, and storage medium |
CN108549884A (zh) * | 2018-06-15 | 2018-09-18 | 天地融科技股份有限公司 | 一种活体检测方法及装置 |
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 |
CN109325462A (zh) * | 2018-10-11 | 2019-02-12 | 深圳斐视沃德科技有限公司 | 基于虹膜的人脸识别活体检测方法及装置 |
CN109247923A (zh) * | 2018-11-15 | 2019-01-22 | 中国科学院自动化研究所 | 基于视频的非接触式脉搏实时估计方法及设备 |
CN110516649A (zh) * | 2019-09-02 | 2019-11-29 | 南京微小宝信息技术有限公司 | 基于人脸识别的校友认证方法及系统 |
CN110718008A (zh) * | 2019-11-15 | 2020-01-21 | 杭州艾芯智能科技有限公司 | 3d人脸识别模组、门锁及门 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463860A (zh) * | 2021-12-14 | 2022-05-10 | 浙江大华技术股份有限公司 | 检测模型的训练方法、活体检测方法及相关装置 |
CN115116146A (zh) * | 2022-06-02 | 2022-09-27 | 支付宝(杭州)信息技术有限公司 | 活体检测方法、装置、设备及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10699103B2 (en) | Living body detecting method and apparatus, device and storage medium | |
US8675926B2 (en) | Distinguishing live faces from flat surfaces | |
US8649575B2 (en) | Method and apparatus of a gesture based biometric system | |
CN110610127B (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
CN110555931A (zh) | 一种基于深度学习识别的人脸检测与门禁系统装置 | |
CN111368811B (zh) | 活体检测方法、装置、设备及存储介质 | |
EP4033458A2 (en) | Method and apparatus of face anti-spoofing, device, storage medium, and computer program product | |
CN113313856A (zh) | 具有3d人脸识别的门锁系统及使用方法 | |
CN113255400A (zh) | 活体人脸识别模型的训练、识别方法、系统、设备及介质 | |
CN113642639A (zh) | 活体检测方法、装置、设备和存储介质 | |
CN110910445A (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN113256298A (zh) | 具有3d人脸识别的支付系统及使用方法 | |
WO2020167155A1 (ru) | Способ и система выявления тревожных событий при взаимодействии с устройством самообслуживания | |
CN112949467B (zh) | 人脸检测方法、装置、电子设备和存储介质 | |
CN113255401A (zh) | 3d人脸摄像装置 | |
US20230386256A1 (en) | Techniques for detecting a three-dimensional face in facial recognition | |
EP4064215A2 (en) | Method and apparatus for face anti-spoofing | |
WO2020232889A1 (zh) | 支票取现方法、装置、设备及计算机可读存储介质 | |
CN108133183B (zh) | 定点捕捉人像的方法、装置、自助设备及计算机可读存储介质 | |
CN105139254A (zh) | 一种基于耳纹识别银行远程身份认证的方法及系统 | |
CN116884078B (zh) | 摄像装置控制方法、监控设备和计算机可读介质 | |
CN110891049A (zh) | 基于视频的账户登录方法、装置、介质、电子设备 | |
CN113468920A (zh) | 基于人脸光斑图像的活体检测方法、系统、设备及介质 | |
CN114758369A (zh) | 活体检测模型训练方法、系统、设备及存储介质 | |
WO2024117457A1 (ko) | 무인점포 환경에서의 도난 방지 방법 및 시스템 |
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 |