CN113255586B - 基于rgb图像和ir图像对齐的人脸防作弊方法及相关设备 - Google Patents
基于rgb图像和ir图像对齐的人脸防作弊方法及相关设备 Download PDFInfo
- Publication number
- CN113255586B CN113255586B CN202110697203.0A CN202110697203A CN113255586B CN 113255586 B CN113255586 B CN 113255586B CN 202110697203 A CN202110697203 A CN 202110697203A CN 113255586 B CN113255586 B CN 113255586B
- Authority
- CN
- China
- Prior art keywords
- image
- rgb
- areas
- rgb image
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000001559 infrared map Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000010606 normalization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请属于人工智能领域，涉及基于RGB图像和IR图像对齐的人脸防作弊方法及相关设备，该方法包括:采集RGB图像和IR图像并分别获取梯度图；在RGB图像的梯度图中选取多个第一区域并确定中心位置，根据第一区域在IR图像的梯度图上匹配相同数量的第二区域，根据各第二区域在RGB图像的梯度图上匹配相应数量的第三区域并确定中心位置；当每个第一区域与最近邻的第三区域的中心位置偏差均小于第一预设阈值时，判定图像区域匹配；对区域匹配后的图像进行物体识别再进行对齐，完成图像对齐；根据对齐后的图像进行人脸防作弊识别。本申请还涉及区块链技术，对齐后的图像可存储于区块链中。本申请采用算法配准图像，准确率实时性高，可有效防止人脸识别作弊。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及基于RGB图像和IR图像对齐的人脸防作弊方法、装置、计算机设备及存储介质。
背景技术
RGB色彩模式是工业界的一种颜色标准，RGB即是代表红、绿、蓝三个通道的颜色，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。IR图是包含与视点的场景对象的表面的距离有关的信息的图像，其类似于灰度图像，区别在于它的每个像素值是传感器距离物体的实际距离。
RGB图像和IR图像是配准的，即像素点之间具有一对一的对应关系。现有的配准方式有基于深度摄像头的RGB图像和IR图像的配准，比如中国专利申请201910678583.6，但是深度摄像头价格昂贵，难以普及。此外还有基于三角相似计算对不同摄像头拍摄的两幅图像进行配准，但是因为摄像头焦距不同，标定过程复杂，难以实用。
发明内容
本申请实施例的目的在于提出一种基于RGB图像和IR图像对齐的人脸防作弊方法、装置、计算机设备及存储介质，以解决现有技术中硬件设备昂贵，采用三角相似计算配准标定过程复杂的问题。
为了解决上述技术问题，本申请实施例提供一种基于RGB图像和IR图像对齐的人脸防作弊方法，采用了如下所述的技术实施例：
基于RGB图像和IR图像对齐的人脸防作弊方法，包括下述步骤：
根据间隔满足预设条件的两个摄像头分别采集RGB图像和IR图像，基于所述RGB图像和所述IR图像分别获取对应的梯度图；
在所述RGB图像对应的梯度图中选取多个第一区域，确定各所述第一区域的中心位置，根据所述第一区域在所述IR图像对应的梯度图上匹配相同数量的第二区域，再根据各所述第二区域在所述RGB图像对应的梯度图上匹配相同数量的第三区域，确定各所述第三区域的中心位置；
获取每个所述第一区域与最近邻的第三区域的中心位置偏差，若所有的中心位置偏差均小于第一预设阈值，则判定所述RGB图像和所述IR图像区域匹配；
通过预训练的模型对区域匹配后的所述RGB图像和所述IR图像进行物体识别，当所述RGB图像和所述IR图像中均识别出至少一个物体时，根据仿射变换原理对识别的物体进行对齐，完成所述RGB图像和所述IR图像的图像对齐；
根据对齐后的所述RGB图像和所述IR图像进行人脸防作弊识别。
为了解决上述技术问题，本申请实施例还提供一种基于RGB图像和IR图像对齐的人脸防作弊装置，采用了如下所述的技术实施例：
基于RGB图像和IR图像对齐的人脸防作弊装置，包括：
图像采集模块，用于根据间隔满足预设条件的两个摄像头分别采集RGB图像和IR图像，基于所述RGB图像和所述IR图像分别获取对应的梯度图；
图像分区处理模块，用于在所述RGB图像对应的梯度图中选取多个第一区域，确定各所述第一区域的中心位置，根据所述第一区域在所述IR图像对应的梯度图上匹配相同数量的第二区域，再根据各所述第二区域在所述RGB图像对应的梯度图上匹配相同数量的第三区域，确定各所述第三区域的中心位置；
图像匹配模块，用于获取每个所述第一区域与最近邻的第三区域的中心位置偏差，若所有的中心位置偏差均小于第一预设阈值，则判定所述RGB图像和所述IR图像区域匹配；
图像对齐模块，用于通过预训练的模型对区域匹配后的所述RGB图像和所述IR图像进行物体识别，当所述RGB图像和所述IR图像中均识别出至少一个物体时，根据仿射变换原理对识别的物体进行对齐，完成所述RGB图像和所述IR图像的图像对齐；
人脸识别模块，用于根据对齐后的所述RGB图像和所述IR图像进行人脸防作弊识别。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术实施例：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于RGB图像和IR图像对齐的人脸防作弊方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术实施例：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于RGB图像和IR图像对齐的人脸防作弊方法的步骤。
与现有技术相比，本申请实施例提供的基于RGB图像和IR图像对齐的人脸防作弊方法、装置、计算机设备及存储介质主要有以下有益效果：
本申请通过快速搭建简单的RGB和IR双摄像头来采集RGB图像和IR图像，通过区域匹配和物体识别后进行图像对齐配置，可以节省硬件成本，且采用算法配准图像，准确率高，节省时间和成本，同时实时性高，可有效防止人脸识别过程中的作弊情况。
附图说明
为了更清楚地说明本申请中的实施例，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，下面描述中的附图对应于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是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的基于RGB图像和IR图像对齐的人脸防作弊方法的一个实施例的流程图；
图3是图像区域匹配的示意图；
图4是根据本申请的基于RGB图像和IR图像对齐的人脸防作弊装置的一个实施例的结构示意图；
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请实施例，下面将结合附图，对本申请实施例中的技术实施例进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于RGB图像和IR图像对齐的人脸防作弊方法一般由服务器执行，相应地，基于RGB图像和IR图像对齐的人脸防作弊装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本申请的基于RGB图像和IR图像对齐的人脸防作弊方法的一个实施例的流程图。所述的基于RGB图像和IR图像对齐的人脸防作弊方法包括以下步骤：
S201，根据间隔满足预设条件的两个摄像头分别采集RGB图像和IR图像，基于所述RGB图像和所述IR图像分别获取对应的梯度图；
S202，在所述RGB图像对应的梯度图中选取多个第一区域，确定各所述第一区域的中心位置，根据所述第一区域在所述IR图像对应的梯度图上匹配相同数量的第二区域，再根据各所述第二区域在所述RGB图像对应的梯度图上匹配相同数量的第三区域，确定各所述第三区域的中心位置；
S203，获取每个所述第一区域与最近邻的第三区域的中心位置偏差，若所有的中心位置偏差均小于第一预设阈值，则判定所述RGB图像和所述IR图像区域匹配；
S204，通过预训练的模型对区域匹配后的所述RGB图像和所述IR图像进行物体识别，当所述RGB图像和所述IR图像中均识别出至少一个物体时，根据仿射变换原理对识别的物体进行对齐，完成所述RGB图像和所述IR图像的图像对齐；
S205，根据对齐后的所述RGB图像和所述IR图像进行人脸防作弊识别。
采用本实施例可以快速搭建RGB和IR双摄像头，采用算法配准图像，准确率高，节省时间和成本，同时实时性高，可有效防止人脸识别过程中的作弊情况。
下面对上述步骤进行展开说明。
对于步骤S201，可采用现有的RGB摄像头和IR摄像头固定在同一水平线上，使两个摄像头的光心间隔一定的距离，当进行人脸识别时，使两个摄像头分别于同一时刻采集包含人脸的RGB图像和IR图像。在基于RGB图像和IR图像获取对应的梯度图的过程中，对于RGB图像，首先将彩色的RGB图像转为灰度图像，再根据灰度图像生成梯度图，而对于IR图像，由于IR图像类似于灰度图，可直接根据IR图生成梯度图。
在本实施例中，在所述基于所述RGB图像和所述IR图像分别获取对应的梯度图的步骤之前，所述方法还包括：判断所述RGB图像和所述IR图像的图片大小是否一致，若一致则维持所述RGB图像和所述IR图像的图片大小，否则以所述RGB图像和所述IR图像中尺寸较小的图像为基准调整另一图像的大小，使所述RGB图像和所述IR图像的图片大小保持一致。比如RGB图像的尺寸较小，则将IR图像的图像尺寸调整为RGB图像的尺寸。在一些实施例中，所述方法进一步包括调整所述RGB图像和所述IR图像的图片大小为基准尺寸，比如在本实施例中同时将所述RGB图像和所述IR图像缩放为640x480，以方便进行后续的图像区域匹配和物体识别。
对于步骤S202，所述在所述RGB图像对应的梯度图中选取多个第一区域的步骤包括：将所述RGB图像对应的梯度图进行区域划分，从划分后的区域中选取至少两个区域作为所述第一区域。在本实施例中，在进行区域划分或选取时，选作第一区域的各区域优选为互不重叠，即各第一区域为邻接关系，或者相邻的两个第一区域间隔一定的距离，以此保证后续处理的精度，比如当各第一区域为邻接关系时，如图3所示采用九宫格的区域划分方式将RGB图像对应的梯度图(记为图像A)划分了九个区域，可以选择其中部分区域作为第一区域，也可以选择所有9个区域作为第一区域，当在图3中选择九个第一区域时，各第一区域依次记作ROIA1，ROIA2，…ROIA9,其中的ROIA代指一个区域，无其它含义，下文同。在一些实施例中，在实际进行图像区域匹配时，相邻的第一区域可以存在部分重叠区域，且重叠区域的大小小于预设阈值，一方面可以保证整个梯度图的区域都能被覆盖，另一方面便于图像区域匹配，下文部分实施例中将存在各相邻第一区域部分重叠的情形。
在本实施例中，确定各所述第一区域的中心位置时，各第一区域的中心位置具体指各第一区域的坐标中心点，这些坐标中心点作为图像区域匹配的基准点，例如图3中9个第一区域的坐标中心点形成图像A的第一基准点集C_P_A1，C_P_A2,…C_P_A9,其中的C_P_A代指一个基准点，无其它含义，下文同。
在本实施例中，根据所述第一区域在所述IR图像对应的梯度图上匹配相同数量的第二区域时，具体采用相关系数归一化的模板匹配方式在IR图像对应的梯度图上匹配第二区域，得到一组最佳匹配关系，即将RGB图像对应的梯度图作为模板，在IR图像对应的梯度图中确定与各第一区域具有最佳匹配关系的第二区域，如图3中在IR图像对应的梯度图(图像B)中匹配到与第一区域ROIA1匹配的第二区域ROIA1'，以此类推，在完成第二区域的匹配后，也可得到图像B中的一组基准点集C_P_B1，C_P_B2,…C_P_B9；进一步进行交叉验证根据多个第二区域在RGB图像对应的梯度图上匹配相应数量的第三区域，在进行第三区域的匹配时，同样采用相关系数归一化的模板匹配方式进行，得到另一组最佳匹配关系，具体以IR图像的梯度图作为模板，在RGB图像对应的梯度图中确定与各第二区域具有最佳匹配关系的第三区域，比如根据第二区域ROIA1'在RGB图像对应的梯度图中匹配第三区域ROIA1”，以此类推。
在确定各所述第三区域的中心位置时，各第三区域的中心位置相应的具体指各第三区域的坐标中心点，这些坐标中心点作为图像区域匹配的基准点，例如图3中9个第一区域的坐标中心点形成图像A的第二基准点集C_P_A1'，C_P_A2',…C_P_A9'。
对于步骤S203，本步骤的目的是进行图像区域匹配，在图像A上得到与第一区域数量相同的多个第三区域后，由于第三区域是基于第二区域获得，因此通过对第一区域和第三区域的匹配来实现RGB图像和IR图像的区域匹配，具体为判断第一区域与最近邻的第三区域的中心位置偏差是否均小于第一预设阈值，若小于则每个第一区域将对应一个大致重叠或完全重叠的第三区域，即区域匹配，比如设定第一预设阈值为5个像素值，若每个第一区域与最近邻的第三区域的中心位置偏差均小于5个像素值，则认为RGB图像和IR图像的区域匹配关系成立。
在本实施例中，若存在中心位置偏差不小于所述第一预设阈值，即存在部分第一区域或全部第一区域与临近的第三区域的中心位置偏差不小于第一预设阈值，所述方法还包括：判断不小于所述第一预设阈值的中心位置偏差是否小于第二预设阈值，若小于则以预设比例扩大所述第一区域的范围，根据扩大范围后的各第一区域在所述IR图像对应的梯度图上重新匹配相同数量的第二区域，以及根据重新匹配的第二区域在所述RGB图像对应的梯度图上重新匹配相应数量的第三区域，计算扩大范围后的各第一区域和重新匹配的最近邻的第三区域的中心位置偏差，判断新的中心位置偏差是否小于所述第一预设阈值，若小于则判定所述RGB图像和所述IR图像的区域匹配。前文中提到多个第一区域中，相邻的第一区域可以部分重叠，在本实施例中，若首次确定的第一区域之间为邻接关系，在对部分或全部第一区域扩大范围后得到的新的第一区域，将不存在部分第一区域的邻接区域发生重叠，这样有利于实现更精准的匹配，其中，扩大第一区域范围的预设比例可以是1.5倍。
在本实施例中，所述方法还包括：若每个所述第一区域与最近邻的第三区域的中心位置偏差存在不小于第二预设阈值的情形，或者扩大范围后的各第一区域和重新匹配的最近邻的第三区域的中心位置偏差中存在不小于所述第一预设阈值的情形，则判定所述RGB图像和所述IR图像的区域匹配失败，丢弃所述RGB图像和所述IR图像，重新获取新的RGB图像和IR图像进行区域匹配；其中所述第二预设阈值大于所述第一预设阈值。比如设定第一预设阈值为5个像素值，设定第二预设预置位50个像素值，若存在扩大范围后的第一区域和重新匹配的最近邻的第三区域的中心位置偏差不小于5个像素值，或者存在原始的所述第一区域与原始的最近邻的第三区域的中心位置偏差不小于50个像素值，则认为RGB图像和IR图像的区域匹配关系不成立。
完成上述步骤完成图像区域匹配后，最后可以得到RGB图像和IR图像几个基准点对的对应位置，用于后续的图像对齐。
对于步骤S204，本实施例采用深度学习模型分别检测完成图像区域匹配后的所述RGB图像和所述IR图像，在两幅图像中分别检测出至少一个物体时，将两幅图像中的物体建立对应关系，并根据仿射变换原理进行对齐，即完成所述RGB图像和所述IR图像的图像对齐操作。其中，如果图像A和图像B中都只有一个物体，则该物体为同一个物体，直接进行对齐操作；若图像A和图像B中都存在多个物体，对于每个物体通过仿射变换原理进行对齐，比如图像A中的物体Obj1，根据仿射变换原理，假设物体Obj1的位置为PA1，找到最近的3的基准点C_P_A1，C_P_A2,C_P_A3，及图像B中对应的基准点C_P_B1，C_P_B2,C_P_B3，根据三对匹配点，计算变换矩阵M，则计算出对应的图像B中Obj1的位置：PB1＝M·PA1，根据PB1所处位置，查找其在图像B中最近的物体，如果位置差小于预设值比如5个像素值，则认为是Obj1在图像B的成像,则将图像A中物体Obj1与其在图像B中的成像进行对齐，采用该方式依次计算所有的物体对象，从而找到所有的对应关系，从而建立两幅图像中所有对象的对齐关系。
在一些实施例中，进行图像对齐操作时，可对完成图像区域匹配后的第一区域和第二区域分别进行图像对齐，比如图3中9个第一区域和9个第二区域，首先对匹配后的所述RGB图像对应的梯度图中的第一区域ROIA1和所述IR图像对应的梯度图中的第二区域ROIA1'中的物体进行检测，然后再进行对齐；之后再进行第一区域ROIA2和第二区域ROIA2'中的物体的检测和对齐，以此类推，其中检测和对其过程和上述整幅图像的物体检测和对齐方法相同。
对于步骤S205，基于对齐后的RGB图像和IR图像进行人脸识别，人脸识别的过程可参考现有的识别方式，本实施例由于实时对齐所述RGB图像和所述IR图像，可以保证人脸采集的实时性和真实性，避免人脸识别的作弊。
本申请提供的基于RGB图像和IR图像对齐的人脸防作弊方法，通过快速搭建简单的RGB和IR双摄像头来采集RGB图像和IR图像，通过区域匹配和物体识别后进行图像对齐配置，可以节省硬件成本，且采用算法配准图像，准确率高，节省时间和成本，同时实时性高，可有效防止人脸识别过程中的作弊情况。
需要强调的是，为进一步保证信息的私密和安全性，在所述完成所述RGB图像和所述IR图像的图像对齐的步骤之后，所述对齐后的所述RGB图像和所述IR图像还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请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申请，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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4，作为对上述图2所示方法的实现，本申请提供了一种基于RGB图像和IR图像对齐的人脸防作弊装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例所述的基于RGB图像和IR图像对齐的人脸防作弊装置包括：图像采集模块401、图像分区处理模块402、图像匹配模块403、图像对齐模块404以及人脸识别模块405。
其中，所述图像采集模块401用于根据间隔满足预设条件的两个摄像头分别采集RGB图像和IR图像，基于所述RGB图像和所述IR图像分别获取对应的梯度图；所述图像分区处理模块402用于在所述RGB图像对应的梯度图中选取多个第一区域，确定各所述第一区域的中心位置，根据所述第一区域在所述IR图像对应的梯度图上匹配相同数量的第二区域，再根据各所述第二区域在所述RGB图像对应的梯度图上匹配相同数量的第三区域，确定各所述第三区域的中心位置；所述图像匹配模块403用于获取每个所述第一区域与最近邻的第三区域的中心位置偏差，若所有的中心位置偏差均小于第一预设阈值，则判定所述RGB图像和所述IR图像区域匹配；所述图像对齐模块404用于通过预训练的模型对区域匹配后的所述RGB图像和所述IR图像进行物体识别，当所述RGB图像和所述IR图像中均识别出至少一个物体时，根据仿射变换原理对识别的物体进行对齐，完成所述RGB图像和所述IR图像的图像对齐；所述人脸识别模块405用于根据对齐后的所述RGB图像和所述IR图像进行人脸防作弊识别。
在本实施例中，所述图像采集模块401通过固定在同一水平线上的RGB摄像头和IR摄像头于同一时刻采集包含人脸的RGB图像和IR图像，以进行后续人脸识别，其中两个摄像头的光心间隔一定的距离。所述图像采集模块401在基于RGB图像和IR图像获取对应的梯度图的过程中，对于RGB图像，首先将彩色的RGB图像转为灰度图像，再根据灰度图像生成梯度图，而对于IR图像，由于IR图像类似于灰度图，直接根据IR图生成梯度图。
在本实施例中，在所述图像采集模块401基于所述RGB图像和所述IR图像分别获取对应的梯度图之前，还用于：判断所述RGB图像和所述IR图像的图片大小是否一致，若一致则维持所述RGB图像和所述IR图像的图片大小，否则以所述RGB图像和所述IR图像中尺寸较小的图像为基准调整另一图像的大小，使所述RGB图像和所述IR图像的图片大小保持一致。具体可参考上述方法实施例，在此不做展开。
在本实施例中，所述图像分区处理模块402在所述RGB图像对应的梯度图中选取多个第一区域时具体用于：将所述RGB图像对应的梯度图进行区域划分，从划分后的区域中选取至少两个区域作为所述第一区域。在本实施例中，在进行区域划分或选取时，选作第一区域的各区域优选为互不重叠，即各第一区域为邻接关系，或者相邻的两个第一区域间隔一定的距离，以此保证后续处理的精度，具体可参考上述方法实施例，在此不做展开。
在本实施例中，所述图像分区处理模块402确定各所述第一区域的中心位置时，各第一区域的中心位置具体指各第一区域的坐标中心点，这些坐标中心点作为图像区域匹配的基准点。
在本实施例中，所述图像分区处理模块402根据所述第一区域在所述IR图像对应的梯度图上匹配相同数量的第二区域时，具体采用相关系数归一化的模板匹配方式在IR图像对应的梯度图上匹配第二区域，得到一组最佳匹配关系，即将RGB图像对应的梯度图作为模板，在IR图像对应的梯度图中确定与各第一区域具有最佳匹配关系的第二区域，进一步进行交叉验证根据多个第二区域在RGB图像对应的梯度图上匹配相应数量的第三区域，在进行第三区域的匹配时，同样采用相关系数归一化的模板匹配方式进行，得到另一组最佳匹配关系，具体以IR图像的梯度图作为模板，在RGB图像对应的梯度图中确定与各第二区域具有最佳匹配关系的第三区域，各第三区域的中心位置相应的具体指各第三区域的坐标中心点，具体可参考上述方法实施例，在此不做展开。
在本实施例中，所述图像匹配模块403的功能是进行图像区域匹配，在图像A上得到与第一区域数量相同的多个第三区域后，由于第三区域是基于第二区域获得，因此通过对第一区域和第三区域的匹配来实现RGB图像和IR图像的区域匹配，具体为判断第一区域与最近邻的第三区域的中心位置偏差是否均小于第一预设阈值，若小于则每个第一区域将对应一个大致重叠或完全重叠的第三区域，即区域匹配，比如设定第一预设阈值为5个像素值，若每个第一区域与最近邻的第三区域的中心位置偏差均小于5个像素值，则认为RGB图像和IR图像的区域匹配关系成立。
在本实施例中，若存在中心位置偏差不小于所述第一预设阈值，即存在部分第一区域或全部第一区域与临近的第三区域的中心位置偏差不小于第一预设阈值，所述图像匹配模块403还用于：判断不小于所述第一预设阈值的中心位置偏差是否小于第二预设阈值，若小于则以预设比例扩大所述第一区域的范围，根据扩大范围后的各第一区域在所述IR图像对应的梯度图上重新匹配相同数量的第二区域，以及根据重新匹配的第二区域在所述RGB图像对应的梯度图上重新匹配相应数量的第三区域，计算扩大范围后的各第一区域和重新匹配的最近邻的第三区域的中心位置偏差，判断新的中心位置偏差是否小于所述第一预设阈值，若小于则判定所述RGB图像和所述IR图像的区域匹配。前文中提到多个第一区域中，相邻的第一区域可以部分重叠，在本实施例中，若首次确定的第一区域之间为邻接关系，在对部分或全部第一区域扩大范围后得到的新的第一区域，将不存在部分第一区域的邻接区域发生重叠，这样有利于实现更精准的匹配，其中，扩大第一区域范围的预设比例可以是1.5倍。
在本实施例中，所述图像匹配模块403还用于：若每个所述第一区域与最近邻的第三区域的中心位置偏差存在不小于第二预设阈值的情形，或者扩大范围后的各第一区域和重新匹配的最近邻的第三区域的中心位置偏差中存在不小于所述第一预设阈值的情形，则判定所述RGB图像和所述IR图像的区域匹配失败，丢弃所述RGB图像和所述IR图像，重新获取新的RGB图像和IR图像进行区域匹配；其中所述第二预设阈值大于所述第一预设阈值。比如设定第一预设阈值为5个像素值，设定第二预设预置位50个像素值，若存在扩大范围后的第一区域和重新匹配的最近邻的第三区域的中心位置偏差不小于5个像素值，或者存在原始的所述第一区域与原始的最近邻的第三区域的中心位置偏差不小于50个像素值，则认为RGB图像和IR图像的区域匹配关系不成立。
所述图像匹配模块403完成图像区域匹配后，最后可以得到RGB图像和IR图像几个基准点对的对应位置，用于后续的图像对齐。
在本实施例中，所述图像对齐模块404采用深度学习模型分别检测完成图像区域匹配后的所述RGB图像和所述IR图像，在两幅图像中分别检测出至少一个物体时，将两幅图像中的物体建立对应关系，并根据仿射变换原理进行对齐，即完成所述RGB图像和所述IR图像的图像对齐操作。其中，如果图像A和图像B中都只有一个物体，则该物体为同一个物体，直接进行对齐操作；若图像A和图像B中都存在多个物体，对于每个物体通过仿射变换原理进行对齐，具体可参考上述方法实施例。在一些实施例中，进行图像对齐操作时，可对完成图像区域匹配后的第一区域和第二区域分别以此进行图像对齐，具体可参考上述方法实施例。
在本实施例中，所述人脸识别模块405基于对齐后的RGB图像和IR图像进行人脸识别，人脸识别的过程可参考现有的识别方式，本实施例由于实时对齐所述RGB图像和所述IR图像，可以保证人脸采集的实时性和真实性，避免人脸识别的作弊。
本申请提供的基于RGB图像和IR图像对齐的人脸防作弊装置，通过快速搭建简单的RGB和IR双摄像头来采集RGB图像和IR图像，通过区域匹配和物体识别后进行图像对齐配置，可以节省硬件成本，且采用算法配准图像，准确率高，节省时间和成本，同时实时性高，可有效防止人脸识别过程中的作弊情况。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口55，所述存储器51中存储有计算机可读指令，所述处理器52执行所述计算机可读指令时实现上述方法实施例中所述的基于RGB图像和IR图像对齐的人脸防作弊方法的步骤，并具有与上述基于RGB图像和IR图像对齐的人脸防作弊方法相对应的有益效果，在此不作展开。
需要指出的是，图中仅示出了具有存储器51、处理器52、网络接口55的计算机设备5，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
在本实施例中，所述存储器51至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器51可以是所述计算机设备5的内部存储单元，例如该计算机设备5的硬盘或内存。在另一些实施例中，所述存储器51也可以是所述计算机设备5的外部存储设备，例如该计算机设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中，所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件，例如对应于上述基于RGB图像和IR图像对齐的人脸防作弊方法的计算机可读指令等。此外，所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中，所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据，例如运行对应于所述基于RGB图像和IR图像对齐的人脸防作弊方法的计算机可读指令。
所述网络接口55可包括无线网络接口或有线网络接口，该网络接口55通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于RGB图像和IR图像对齐的人脸防作弊方法的步骤，并具有与上述基于RGB图像和IR图像对齐的人脸防作弊方法相对应的有益效果，在此不作展开。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术实施例本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术实施例进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (8)
1.基于RGB图像和IR图像对齐的人脸防作弊方法，其特征在于，包括下述步骤：
根据间隔满足预设条件的两个摄像头分别采集RGB图像和IR图像，基于所述RGB图像和所述IR图像分别获取对应的梯度图；
在所述RGB图像对应的梯度图中选取多个第一区域，确定各所述第一区域的中心位置，根据所述第一区域在所述IR图像对应的梯度图上匹配相同数量的第二区域，再根据各所述第二区域在所述RGB图像对应的梯度图上匹配相同数量的第三区域，确定各所述第三区域的中心位置；
获取每个所述第一区域与最近邻的第三区域的中心位置偏差，若所有的中心位置偏差均小于第一预设阈值，则判定所述RGB图像和所述IR图像区域匹配；若存在中心位置偏差不小于所述第一预设阈值，则判断不小于所述第一预设阈值的中心位置偏差是否小于第二预设阈值，若小于则以预设比例扩大所述第一区域的范围，根据扩大范围后的各第一区域在所述IR图像对应的梯度图上重新匹配相同数量的第二区域，以及根据重新匹配的第二区域在所述RGB图像对应的梯度图上重新匹配相应数量的第三区域，计算扩大范围后的各第一区域和重新匹配的最近邻的第三区域的中心位置偏差，判断新的中心位置偏差是否小于所述第一预设阈值，若小于则判定所述RGB图像和所述IR图像的区域匹配；若每个所述第一区域与最近邻的第三区域的中心位置偏差存在不小于第二预设阈值的情形，或者扩大范围后的各第一区域和重新匹配的最近邻的第三区域的中心位置偏差中存在不小于所述第一预设阈值的情形，则判定所述RGB图像和所述IR图像的区域匹配失败，丢弃所述RGB图像和所述IR图像，重新获取新的RGB图像和IR图像进行区域匹配，其中所述第二预设阈值大于所述第一预设阈值；
通过预训练的模型对区域匹配后的所述RGB图像和所述IR图像进行物体识别，当所述RGB图像和所述IR图像中均识别出至少一个物体时，根据仿射变换原理对识别的物体进行对齐，完成所述RGB图像和所述IR图像的图像对齐；
根据对齐后的所述RGB图像和所述IR图像进行人脸防作弊识别。
2.根据权利要求1所述的基于RGB图像和IR图像对齐的人脸防作弊方法，其特征在于，所述第一预设阈值为五个像素值，所述第二预设阈值为五十个像素值。
3.根据权利要求1或2所述的基于RGB图像和IR图像对齐的人脸防作弊方法，其特征在于，在所述基于所述RGB图像和所述IR图像分别获取对应的梯度图的步骤之前，所述方法还包括：
判断所述RGB图像和所述IR图像的图片大小是否一致，若一致则维持所述RGB图像和所述IR图像的图片大小，否则以所述RGB图像和所述IR图像中尺寸较小的图像为基准调整另一图像的大小，使所述RGB图像和所述IR图像的图片大小保持一致。
4.根据权利要求1或2所述的基于RGB图像和IR图像对齐的人脸防作弊方法，其特征在于，所述在所述RGB图像对应的梯度图中选取多个第一区域的步骤包括：将所述RGB图像对应的梯度图进行区域划分，从划分后的区域中选取至少两个区域作为所述第一区域。
5.根据权利要求1或2所述的基于RGB图像和IR图像对齐的人脸防作弊方法，其特征在于，在所述完成所述RGB图像和所述IR图像的图像对齐的步骤之后还包括：将所述对齐后的所述RGB图像和所述IR图像存储至区块链中。
6.基于RGB图像和IR图像对齐的人脸防作弊装置，其特征在于，包括：
图像采集模块，用于根据间隔满足预设条件的两个摄像头分别采集RGB图像和IR图像，基于所述RGB图像和所述IR图像分别获取对应的梯度图；
图像分区处理模块，用于在所述RGB图像对应的梯度图中选取多个第一区域，确定各所述第一区域的中心位置，根据所述第一区域在所述IR图像对应的梯度图上匹配相同数量的第二区域，再根据各所述第二区域在所述RGB图像对应的梯度图上匹配相同数量的第三区域，确定各所述第三区域的中心位置；
图像匹配模块，用于获取每个所述第一区域与最近邻的第三区域的中心位置偏差，若所有的中心位置偏差均小于第一预设阈值，则判定所述RGB图像和所述IR图像区域匹配；若存在中心位置偏差不小于所述第一预设阈值，则判断不小于所述第一预设阈值的中心位置偏差是否小于第二预设阈值，若小于则以预设比例扩大所述第一区域的范围，根据扩大范围后的各第一区域在所述IR图像对应的梯度图上重新匹配相同数量的第二区域，以及根据重新匹配的第二区域在所述RGB图像对应的梯度图上重新匹配相应数量的第三区域，计算扩大范围后的各第一区域和重新匹配的最近邻的第三区域的中心位置偏差，判断新的中心位置偏差是否小于所述第一预设阈值，若小于则判定所述RGB图像和所述IR图像的区域匹配；若每个所述第一区域与最近邻的第三区域的中心位置偏差存在不小于第二预设阈值的情形，或者扩大范围后的各第一区域和重新匹配的最近邻的第三区域的中心位置偏差中存在不小于所述第一预设阈值的情形，则判定所述RGB图像和所述IR图像的区域匹配失败，丢弃所述RGB图像和所述IR图像，重新获取新的RGB图像和IR图像进行区域匹配，其中所述第二预设阈值大于所述第一预设阈值；
图像对齐模块，用于通过预训练的模型对区域匹配后的所述RGB图像和所述IR图像进行物体识别，当所述RGB图像和所述IR图像中均识别出至少一个物体时，根据仿射变换原理对识别的物体进行对齐，完成所述RGB图像和所述IR图像的图像对齐；
人脸识别模块，用于根据对齐后的所述RGB图像和所述IR图像进行人脸防作弊识别。
7.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的基于RGB图像和IR图像对齐的人脸防作弊方法的步骤。
8.一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可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的基于RGB图像和IR图像对齐的人脸防作弊方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697203.0A CN113255586B (zh) | 2021-06-23 | 2021-06-23 | 基于rgb图像和ir图像对齐的人脸防作弊方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697203.0A CN113255586B (zh) | 2021-06-23 | 2021-06-23 | 基于rgb图像和ir图像对齐的人脸防作弊方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113255586A CN113255586A (zh) | 2021-08-13 |
| CN113255586B true CN113255586B (zh) | 2024-03-15 |
Family
ID=77189177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110697203.0A Active CN113255586B (zh) | 2021-06-23 | 2021-06-23 | 基于rgb图像和ir图像对齐的人脸防作弊方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255586B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232326A (zh) * | 2019-05-20 | 2019-09-13 | 平安科技（深圳）有限公司 | 一种三维物体识别方法、装置及存储介质 |
| WO2020078243A1 (zh) * | 2018-10-19 | 2020-04-23 | 阿里巴巴集团控股有限公司 | 一种图像处理和人脸图像识别方法、装置及设备 |
| CN111539311A (zh) * | 2020-04-21 | 2020-08-14 | 上海锘科智能科技有限公司 | 基于ir和rgb双摄的活体判别方法、装置及系统 |
| CN111798506A (zh) * | 2020-06-30 | 2020-10-20 | 上海数迹智能科技有限公司 | 一种图像处理方法、控制方法、终端及计算机可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8139142B2 (en) * | 2006-06-01 | 2012-03-20 | Microsoft Corporation | Video manipulation of red, green, blue, distance (RGB-Z) data including segmentation, up-sampling, and background substitution techniques |
| CN105389774B (zh) * | 2014-09-05 | 2019-03-01 | 华为技术有限公司 | 对齐图像的方法和装置 |
-
2021
- 2021-06-23 CN CN202110697203.0A patent/CN113255586B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020078243A1 (zh) * | 2018-10-19 | 2020-04-23 | 阿里巴巴集团控股有限公司 | 一种图像处理和人脸图像识别方法、装置及设备 |
| CN110232326A (zh) * | 2019-05-20 | 2019-09-13 | 平安科技（深圳）有限公司 | 一种三维物体识别方法、装置及存储介质 |
| CN111539311A (zh) * | 2020-04-21 | 2020-08-14 | 上海锘科智能科技有限公司 | 基于ir和rgb双摄的活体判别方法、装置及系统 |
| CN111798506A (zh) * | 2020-06-30 | 2020-10-20 | 上海数迹智能科技有限公司 | 一种图像处理方法、控制方法、终端及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113255586A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764048B (zh) | 人脸关键点检测方法及装置 | |
| WO2018028546A1 (zh) | 一种关键点的定位方法及终端、计算机存储介质 | |
| US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
| CN106203242B (zh) | 一种相似图像识别方法及设备 | |
| US20210342990A1 (en) | Image coordinate system transformation method and apparatus, device, and storage medium | |
| WO2020207190A1 (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
| US20220180534A1 (en) | Pedestrian tracking method, computing device, pedestrian tracking system and storage medium | |
| CN107169458B (zh) | 数据处理方法、装置及存储介质 | |
| WO2022134584A1 (zh) | 房产图片验证方法、装置、计算机设备及存储介质 | |
| CN109815843A (zh) | 目标检测方法及相关产品 | |
| CN112560753B (zh) | 基于特征融合的人脸识别方法、装置、设备及存储介质 | |
| CN111931153B (zh) | 基于人工智能的身份验证方法、装置和计算机设备 | |
| WO2023124040A1 (zh) | 一种人脸识别方法及装置 | |
| JP6046501B2 (ja) | 特徴点出力装置、特徴点出力プログラム、特徴点出力方法、検索装置、検索プログラムおよび検索方法 | |
| CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
| US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
| CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
| Park et al. | Estimating the camera direction of a geotagged image using reference images | |
| CN111274602B (zh) | 一种图像特征信息替换方法、装置、设备及介质 | |
| CN113255586B (zh) | 基于rgb图像和ir图像对齐的人脸防作弊方法及相关设备 | |
| CN112381118A (zh) | 一种大学舞蹈考试测评方法及装置 | |
| CN116563588A (zh) | 图像聚类方法、装置、电子设备及存储介质 | |
| CN111767839A (zh) | 一种车辆行驶轨迹确定方法、装置、设备及介质 | |
| CN115424335B (zh) | 活体识别模型训练方法、活体识别方法及相关设备 | |
| JP6365117B2 (ja) | 情報処理装置、画像判定方法、及びプログラム |
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 |