CN113269149A - 活体人脸图像的检测方法、装置、计算机设备及存储介质 - Google Patents
活体人脸图像的检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113269149A CN113269149A CN202110703151.3A CN202110703151A CN113269149A CN 113269149 A CN113269149 A CN 113269149A CN 202110703151 A CN202110703151 A CN 202110703151A CN 113269149 A CN113269149 A CN 113269149A
- Authority
- CN
- China
- Prior art keywords
- image
- living body
- sample
- detection model
- body face
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- WNKZOJNKBOBRAY-UHFFFAOYSA-N cdba Chemical compound O=CC1=CC=CC=C1.O1C(C(C2O)O)C(COC)OC2OC(C(C2O)O)C(COC)OC2OC(C(C2O)O)C(COC)OC2OC(C(C2O)O)C(COC)OC2OC(C(O)C2O)C(COC)OC2OC(C(C2O)O)C(COC)OC2OC2C(O)C(O)C1OC2COC WNKZOJNKBOBRAY-UHFFFAOYSA-N 0.000 description 31
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect 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
- 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
- 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
- G06V40/10—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种活体人脸图像的检测方法,应用于人工智能技术领域,用于解决通过常规手段对活体人脸图像进行检测时缺乏鲁棒性,在真实预测场景下的预测准确性较差的技术问题。本发明提供的方法包括:获取待检测的人脸图像;通过训练好的活体人脸检测模型的图像质量特征提取器对该人脸图像进行特征提取,得到第一特征;通过该训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取,得到第二特征;将第一特征和第二特征进行拼接得到第三特征;将该第三特征输入该训练好的活体人脸检测模型的全连接层,并将该全连接层对第三特征的输出结果输入至该训练好的活体人脸检测模型的分类器,得到该人脸图像是否为活体人脸的预测结果。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种活体人脸图像的检测方法、装置、计算机设备及存储介质。
背景技术
随着手机、相机等成像设备的更新换代以及拍摄处理技术日新月异,非人脸活体图像假冒人脸活体图像的欺诈手段也随之层出不穷。目前对于人脸活体图像的识别一般是通过训练好的活体人脸检测模型来进行预测,当预测识别出非人脸活体时,需要用户进一步核查该人脸图像是否为活体人脸图像。
在对活体人脸检测模型的训练过程中,我们发现训练好的活体人脸检测模型的预测准确性会受参与训练的人脸图像样本的光照环境、图像质量等外界因素的影响,例如当参与训练的人脸图像样本的拍摄光线较为灰暗或人脸图像样本的成像质量较差时,训练出的活体人脸检测模型对于拍摄光线较暗或图片质量较差的人脸图像进行是否为活体人脸的预测准确性会降低。
由于通过常规手段训练出的活体人脸检测模型难以抵抗环境噪声,导致训练出的活体人脸检测模型对于新型的攻击类型缺乏鲁棒性,使得通过常规训练方法训练出的活体人脸检测模型在真实预测场景下的预测准确性欠佳。
发明内容
本发明实施例提供一种活体人脸图像的检测方法、装置、计算机设备及存储介质,以解决通过常规手段对活体人脸图像进行检测时缺乏鲁棒性,在真实预测场景下的预测准确性较差的技术问题。
一种活体人脸图像的检测方法,该方法包括:
获取待检测的人脸图像;
通过预先训练好的活体人脸检测模型的图像质量特征提取器对该人脸图像进行特征提取,得到第一特征;
通过该训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取,得到第二特征;
将该第一特征和该第二特征进行拼接,得到第三特征;
将该第三特征输入该训练好的活体人脸检测模型的全连接层,并将该全连接层对该第三特征的输出结果输入至该训练好的活体人脸检测模型的分类器,得到该人脸图像是否为活体人脸的预测结果。
一种活体人脸图像的检测装置,该装置包括:
图像获取模块,用于获取待检测的人脸图像;
第一特征提取模块,用于通过预先训练好的活体人脸检测模型的图像质量特征提取器对该人脸图像进行特征提取,得到第一特征;
第二特征提取模块,用于通过该训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取,得到第二特征;
拼接模块,用于将该第一特征和该第二特征进行拼接,得到第三特征;
预测模块,用于将该第三特征输入该训练好的活体人脸检测模型的全连接层,并将该全连接层对该第三特征的输出结果输入至该训练好的活体人脸检测模型的分类器,得到该人脸图像是否为活体人脸的预测结果。
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活体人脸图像的检测方法的步骤。
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活体人脸图像的检测方法的步骤。
本发明提出的活体人脸图像的检测方法、装置、计算机设备及存储介质,在对待检测的人脸图像进行活体检测时,通过预先训练好的活体人脸检测模型的图像质量特征提取器对该人脸图像进行特征提取,降低了图像清晰度质量对判断该人脸图像是否为活体的影响,另一方面又通过训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取,同时还降低了光照条件对检测结果的不良影响,然后将通过图像质量特征提取器得到的第一特征和通过注意力纹理特征提取器得到的第二特征进行拼接,最后通过该活体人脸检测模型的全连接层和分类器输出该人脸图像是否为活体的预测结果,使得本发明提出的活体人脸图像的检测方法能够更好的抵抗环境噪声,提高对于新型的伪造活体人脸攻击检测的鲁棒性,从而提高在真实预测场景下的预测准确性。
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活体人脸图像的检测方法的一应用环境示意图;
图2是本发明一实施例中活体人脸图像的检测方法的一流程图;
图3是本发明一实施例中活体人脸检测模型的网络结构示意图;
图4是本发明一实施例中图像质量特征提取器的网络结构示意图;
图5是本发明一实施例中attention模块对输入特征的处理流程图;
图6是本发明一实施例中活体人脸图像的检测装置的结构示意图;
图7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。
本申请提供的活体人脸图像的检测方法,可应用在如图1的应用环境中,其中,该计算机设备可通过网络与服务器进行通信。其中,该计算机设备包括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,提供一种活体人脸图像的检测方法,以该方法应用在图1中的计算机设备为例进行说明,包括如下步骤S101至S105。
S101、获取待检测的人脸图像。
可以理解的是,该待检测的人脸图像可以是活体人脸图像,也可以是翻拍或者伪造的非活体人脸图像。可以通过摄像头实时获取该待检测的人脸图像,也可以接受其他设备发送的待检测的人脸图像或存储在本地的人脸图像。
S102、通过预先训练好的活体人脸检测模型的图像质量特征提取器对所述人脸图像进行特征提取,得到第一特征。
其中,所述人脸检测模型的图像质量特征提取器的网络结构可以选用DNN(DeepNeural Networks,深度神经网络)的特征提取器的网络结构,但是该图像质量特征提取器的损失函数需要根据本实施例提出的活体人脸图像的检测方法来单独设计。
在其中一个实施例中,图3是本发明一实施例中活体人脸检测模型的网络结构示意图,所述活体人脸检测模型的网络结构如图3所示,其中,CD表示中心差异卷积,也叫中心差分卷积,CDBA表示中心差异卷积+attention模块,3*3表示卷积核的尺寸,64、128、1均表示通道数,256*256*3表示人脸图像的长宽均为258且通道数为3。如图3所示,该活体人脸检测模型10包括图像质量特征提取器、注意力纹理特征提取器20、全连接层Dense和分类器。该分类器可以选用softmax归一化指数函数。图3中的“缩放”操作可以将输出的特征通过一个1*1的卷积来进行缩放。
在其中一个实施例中,训练所述活体人脸检测模型的图像质量特征提取器的步骤包括以下步骤S301至S305。
S301、从数据集中获取样本图像、所述样本图像的真实质量分数的波动值和所述样本图像的真实质量分数的均值。
可以理解的是,该步骤中的样本图像不一定是人脸图像,也可以是其他类型的清晰度不同的样本图像。
S302、从所述样本图像中随机配对得到多个样本图像组。
S303、从多个样本图像组中随机抽取一个样本图像组,将抽取到的所述样本图像组输入至待训练的图像质量特征提取器,得到所述样本图像组的预测质量分数和预测质量分数的波动。
S304、根据所述样本图像组的预测质量分数、所述样本图像组的预测质量分数的波动、所述样本图像的真实质量分数的波动值、所述样本图像的真实适量分数的均值以及图像质量损失函数计算所述图像质量特征提取器的损失。
在其中一个实施例中,每个所述样本图像组均包括第一样本图像和第二样本图像,所述将抽取到所述样本图像组输入至待训练的图像质量特征提取器,得到所述样本图像组的预测质量分数和预测质量分数的波动的步骤进一步包括以下步骤(1):
(1)、将所述样本图像组输入至待训练的图像质量特征提取器,得到所述第一样本图像的预测质量分数、所述第二样本图像的预测质量分数、所述第一样本图像的预测分数的拨动和所述第二样本图像的预测质量分数的波动。
图4是本发明一实施例中图像质量特征提取器的网络结构示意图,在其中一个实施例中,所述图像质量特征提取器的网络结构如图4所示,其中,数据集1、数据集2和数据集3可以是不同类别的数据集,例如风景类、人物类、动物类等等,随机配对表示从对应的数据集中随机抽取两个数据形成所述样本图像组,可以理解的是,抽取后每个所述样本图像组均包括第一样本图像和第二样本图像,将收取得到的各个样本图像组组成图4中的Data数据,在对该图像质量特征提取器进行训练时,依次将每个所述样本图像组输入深度神经网络的特征提取器,得到第一样本图像x0和第二样本图像x1的fidelity loss及hinge loss,fw(x0)表示当前参数w下第一样本图像x0的预测质量分数,fw(x1)表示当前参数w下第二样本图像x1的预测质量分数,σw(x0)表示当前参数w下第一样本图像x0的预测质量分数的波动,σw(x1)表示当前参数w下第二样本图像x1的预测质量分数的波动。
在其中一个实施例中,所述步骤S304进一步包括:
通过以下公式(1)至(5)计算所述图像质量特征提取器的损失:
LH(x0,x1,t,W)=max(0,ξ-t(σw(x0)-σw(x1))) (3);
其中,L(B,W)表示所述图像质量损失函数,λ和ξ表示超参数,B表示所述样本图像组的数据量,LF(x0,x1,P,W)表示fidelity loss,LH(x0,x1,t,W)表示hinge loss,σ(x0)≥σ(x1)时,t=1,否则,t=-1,x0表示所述第一样本图像,x1表示所述第二样本图像,w表示所述图像质量特征提取器中需要调节训练的参数,fw表示当前参数w下的预测质量分数,σw表示当前参数w下的预测质量分数的波动,σ表示真实质量分数的波动值,μ表示真实质量分数的均值,Φ表示高斯累积分布函数CDF(Cumulative Distribution Function)。
S305、根据所述图像质量特征提取器的损失判断所述图像质量损失函数是否收敛,若否,则调节所述图像质量特征提取器的参数,循环所述从多个样本图像组中随机抽取一个样本图像组至所述根据所述图像质量特征提取器的损失判断所述图像质量损失函数是否收敛的步骤,直到所述图像质量损失函数收敛。
当所述图像质量特征提取器的图像质量损失函数收敛时,即可将该图像质量特征提取器应用到本实施例提出的待训练的活体人脸检测模型中,以便于对该活体人脸检测模型进行后续训练。
S103、通过所述训练好的活体人脸检测模型的注意力纹理特征提取器对所述人脸图像进行特征提取,得到第二特征。
如图3所示,该注意力纹理特征提取器20包括一个中心差异卷积CD和三个CDBA,分别为第一CDBA、第二CDBA和第三CDBA,在后CDBA的输入特征为相邻上一个CDBA的输出特征,将第一CDBA的输出特征通过一个1*1的卷积进行缩放,将第二CDBA的输出特征也通过一个1*1的卷积进行缩放,使得第一CDBA、第二CDBA和第三CDBA输出特征的维度相同,最后将第一CDBA缩放后的特征、第二CDBA缩放后的特征和第三CDBA的输出特征拼接在一起即可得到所述第二特征。
可以理解的是,该活体人脸检测模型中的图像质量特征提取器和该注意力纹理特征提取器需要在先分别独立地进行训练的,当训练到该图像质量特征提取器和该注意力纹理特征提取器损失函数均收敛时,可以应用到本实施例的活体人脸检测模型中,进一步对该活体人脸检测模型进行训练。
在其中一个实施例中,如图3所示,该注意力纹理特征提取器包括一个中心差异卷积CD,所述中心差异卷积具体表示为:
其中,等式右边第一项为普通卷积,等式右边第二项为卷积区域的中心像素和相邻像素的差异卷积,θ表示权重,θ∈(0,1],p0表示卷积区域的中心位置,pn表示卷积区域R中的位置索引,w表示所述位置索引pn的权重,x(p0+pn)表示人脸图像中索引为pn的像素值。
进一步地,CDBA表示中心差异卷积+attention模块,图5是本发明一实施例中attention模块对输入特征的处理流程图,该attention模块对输入特征的处理过程如下图5所示,图5中,“+”表示特征图的元素相加,“×”表示矩阵点乘,concat表示拼接,M×N×C1表示特征图F矩阵的第一维为M、第二维为N、通道数为C1,1×C1表示对特征图F的空间进行池化后得到的通道特征图,r表示预设的压缩比例,r为整数,r的取值例如8、16、32等。M×N×C2表示特征图F’矩阵的第一维为M、第二维为N、通道数为C2,1×M×N表示对特征图F’的通道进行池化后得到的空间特征图,7*7卷积操作表示对拼接的结果进行卷积处理,卷积核的尺寸为7*7。
可以理解的是,将所述中心差异卷积CD的输出特征输入至图5所示的attention模块,通过该attention模块的特征输出结果即可作为图3中CDBA的输出特征。
S104、将所述第一特征和所述第二特征进行拼接,得到第三特征。
可以理解的是,将该第一特征和第二特征拼接后,得到的第三特征同时包括了第一特征和第二特征中携带的信息,即同时包括了图像质量特征信息和注意力纹理特征信息。
S105、将所述第三特征输入所述训练好的活体人脸检测模型的全连接层,并将所述全连接层对所述第三特征的输出结果输入至所述训练好的活体人脸检测模型的分类器,得到所述人脸图像是否为活体人脸的预测结果。
通过本实施例提出的活体人脸图像的检测方法在对待检测的人脸图像进行活体检测时,通过预先训练好的活体人脸检测模型的图像质量特征提取器对该人脸图像进行特征提取,降低了图像清晰度质量对人脸图像的影响,另一方面又通过训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取,同时还降低了光照条件对检测结果的不良影响,然后将通过图像质量特征提取器得到的第一特征和通过注意力纹理特征提取器得到的第二特征进行拼接,最后通过该活体人脸检测模型的全连接层和分类器输出该人脸图像是否为活体的预测结果,使得本实施例提出的活体人脸图像的检测方法能够更好的抵抗环境噪声,提高对于新型的伪造活体人脸攻击检测的鲁棒性,从而提高在真实预测场景下的预测准确性。
在其中一个实施例中,训练所述活体人脸检测模型的步骤包括以下步骤S401至S409:
S401、获取人脸样本图像,所述人脸样本图像携带有所述人脸图像是否为活体的标识。
在其中一个实施例中,所述人脸图像携带的是否为活体的标识可以通过人工进行简单标识,例如可以用“0”标识活体,用“1”标识非活体。
在其他实施例中,也可以借助现有的技术手段对该人脸样本图像进行更多信息量的标识,例如,可以通过将活体人脸样本图像输入至PRnet网络,得到该活体人脸样本图像的深度特征图,可以将通过PRnet网络得到的深度特征图作为该活体人脸样本图像的真实深度特征图。
S402、对所述人脸样本图像随机抽取,通过预先训练好的图像质量特征提取器对抽取的所述人脸样本图像进行特征提取,得到第一样本特征。
S403、通过预先训练好的注意力纹理特征提取器对抽取的所述人脸样本图像进行特征提取,得到第二样本特征。
S404、将所述第一样本特征和所述第二样本特征进行拼接,得到第三样本特征。
S405、将所述第三样本特征输入待训练的活体人脸检测模型的全连接层,并将所述全连接层对所述第三样本特征的输出结果输入至所述待训练的活体人脸检测模型的分类器,得到抽取的所述人脸样本图像是否为活体人脸的样本预测结果。
S406、通过待训练的活体人脸检测模型的中心差异卷积模块对所述第二样本特征进行卷积处理,得到抽取的所述人脸样本图像的预测深度特征图。
如图3所示,所述中心差异卷积模块包括第一中心差异卷积、第二中心差异卷积和第三中心差异卷积,其中,所述第一中心差异卷积的卷积核尺寸为3*3,通道数为128,所述第二中心差异卷积的卷积核尺寸为3*3,通道数为64,所述第三中心差异卷积的卷积核尺寸为3*3,通道数为1,最终通过所述第三中心差异卷积输出所述人脸样本图像的预测深度特征图。
S407、获取抽取的所述人脸样本图像的真实深度特征图。
在其中一个实施例中,所述获取所述人脸样本图像的真实深度特征图的步骤包括:
根据所述标识判断所述人脸样本图像是否为活体;
当所述人脸样本图像为活体时,将所述人脸样本图像输入至PRnet网络,得到活体人脸样本图像的真实深度特征图;
当所述人脸样本图像不为活体时,将预先设置的全0矩阵对应的全黑深度图作为非活体人脸样本图像的真实深度特征图。
S408、根据抽取的所述人脸样本图像的预测深度特征图、真实深度特征图、样本预测结果、抽取的所述人脸样本图像的标识以及所述活体人脸检测模型的损失函数计算所述活体人脸检测模型的损失。
在其中一个实施例中,所述活体人脸检测模型的损失函数表示为:
Loverall=LMSE+LCDL+αLCE+(1-α)LGHM
其中,LMSE表示深度图的均值方差误差,LCDL表示对比深度损失,α表示超参数,LCE表示二值交叉熵损失,LGHM表示二分类损失。
其中,深度图的均值方差误差LMSE、二值交叉熵损失LCE和二分类损失LGHM均可以通过常规手段计算得到,在此就不在赘述了。在计算该对比深度损失,通过以下公式计算该对比深度损失LCDL:
进一步地:
可以理解的是,在计算对比深度损失LCDL时,需要将ki中i取的每个值都带入公式里参与计算。
S409、根据所述活体人脸检测模型的损失判断所述活体人脸检测模型的损失函数是否收敛,若否,则调节所述活体人脸检测模型的参数,循环所述对所述人脸样本图像随机抽取至所述根据所述活体人脸检测模型的损失判断所述活体人脸检测模型的损失函数是否收敛的步骤,直到所述活体人脸检测模型的损失函数收敛。
在其中一个实施例中,为了使得待检测的人脸图像的检测结果更为直观,所述方法还包括以下步骤S106和S107:
S106、通过所述训练好的活体人脸检测模型的中心差异卷积模块对所述第二特征进行卷积处理,得到所述人脸图像的预测深度特征图。
S107、输出预测得到的所述预测深度特征图。
本实施例通过对待检测的人脸图像的深度特征图进行预测,使得检测员在通过该活体人脸检测模型进行活体人脸检测并在线下查验时,可以同时看到预测到的深度图,便于在检测到非人脸活体的人脸图像时,可以一目了然地定位到判断该人脸图像为非活体人脸的原因,提高检测员在线下验证的效率。
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,提供一种活体人脸图像的检测装置,该活体人脸图像的检测装置与上述实施例中活体人脸图像的检测方法一一对应。如图6所示,该活体人脸图像的检测装置100包括图像获取模块11、第一特征提取模块12、第二特征提取模块13、拼接模块14和预测模块15。各功能模块详细说明如下:
图像获取模块11,用于获取待检测的人脸图像。
第一特征提取模块12,用于通过预先训练好的活体人脸检测模型的图像质量特征提取器对该人脸图像进行特征提取,得到第一特征。
第二特征提取模块13,用于通过该训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取,得到第二特征。
如图3所示,该注意力纹理特征提取器20包括一个中心差异卷积CD和三个CDBA,分别为第一CDBA、第二CDBA和第三CDBA,在后CDBA的输入特征为相邻上一个CDBA的输出特征,将第一CDBA的输出特征通过一个1*1的卷积进行缩放,将第二CDBA的输出特征也通过一个1*1的卷积进行缩放,使得第一CDBA、第二CDBA和第三CDBA输出特征的维度相同,最后将第一CDBA缩放后的特征、第二CDBA缩放后的特征和第三CDBA的输出特征拼接在一起即可得到所述第二特征。
可以理解的是,该活体人脸检测模型中的图像质量特征提取器和该注意力纹理特征提取器需要在先分别独立地进行训练的,当训练到该图像质量特征提取器和该注意力纹理特征提取器损失函数均收敛时,可以应用到本实施例的活体人脸检测模型中,进一步对该活体人脸检测模型进行训练。
在其中一个实施例中,如图3所示,该注意力纹理特征提取器包括一个中心差异卷积CD,所述中心差异卷积具体表示为:
其中,等式右边第一项为普通卷积,等式右边第二项为卷积区域的中心像素和相邻像素的差异卷积,θ表示权重,θ∈(0,1],p0表示卷积区域的中心位置,pn表示卷积区域R中的位置索引,w表示所述位置索引pn的权重,x(p0+pn)表示人脸图像中索引为pn的像素值。
进一步地,CDBA表示中心差异卷积+attention模块,attention模块对输入特征的处理过程如图5所示。可以理解的是,将所述中心差异卷积CD的输出特征输入至图5所示的attention模块,通过该attention模块的特征输出结果即可作为图3中CDBA的输出特征。
拼接模块14,用于将该第一特征和该第二特征进行拼接,得到第三特征。
预测模块15,用于将该第三特征输入该训练好的活体人脸检测模型的全连接层,并将该全连接层对该第三特征的输出结果输入至该训练好的活体人脸检测模型的分类器,得到该人脸图像是否为活体人脸的预测结果。
通过本实施例提出的活体人脸图像的检测装置在对待检测的人脸图像进行活体检测时,通过预先训练好的活体人脸检测模型的图像质量特征提取器对该人脸图像进行特征提取,降低了图像清晰度质量对人脸图像的影响,另一方面又通过训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取,同时还降低了光照条件对检测结果的不良影响,然后将通过图像质量特征提取器得到的第一特征和通过注意力纹理特征提取器得到的第二特征进行拼接,最后通过该活体人脸检测模型的全连接层和分类器输出该人脸图像是否为活体的预测结果,使得本实施例提出的活体人脸图像的检测方法能够更好的抵抗环境噪声,提高对于新型的伪造活体人脸攻击检测的鲁棒性,从而提高在真实预测场景下的预测准确性。
在其中一个实施例中,该活体人脸图像的检测装置100还包括:
卷积模块,用于通过该训练好的活体人脸检测模型的中心差异卷积模块对该第二特征进行卷积处理,得到该人脸图像的预测深度特征图;
深度预测模块,用于输出预测得到的该预测深度特征图。
本实施例通过新增卷积模块和深度预测模块,对待检测的人脸图像的深度特征图进行预测,使得检测员在通过该活体人脸检测模型进行活体人脸检测并在线下查验时,可以同时看到预测到的深度图,便于在检测到非人脸活体的人脸图像时,可以一目了然地定位到判断该人脸图像为非活体人脸的原因,提高检测员在线下验证的效率。
在其中一个实施例中,该活体人脸图像的检测装置100还包括:
样本获取模块,用于获取人脸样本图像,该人脸样本图像携带有该人脸图像是否为活体的标识;
第一样本特征提取模块,用于对该人脸样本图像随机抽取,通过预先训练好的图像质量特征提取器对抽取的该人脸样本图像进行特征提取,得到第一样本特征;
第二样本特征提取模块,用于通过预先训练好的注意力纹理特征提取器对抽取的该人脸样本图像进行特征提取,得到第二样本特征;
样本拼接模块,用于将该第一样本特征和该第二样本特征进行拼接,得到第三样本特征;
样本预测模块,用于将该第三样本特征输入待训练的活体人脸检测模型的全连接层,并将该全连接层对该第三样本特征的输出结果输入至该待训练的活体人脸检测模型的分类器,得到抽取的该人脸样本图像是否为活体人脸的样本预测结果;
样本深度预测模块,用于通过待训练的活体人脸检测模型的中心差异卷积模块对该第二样本特征进行卷积处理,得到抽取的该人脸样本图像的预测深度特征图;
样本真实深度获取模块,用于获取抽取的该人脸样本图像的真实深度特征图;
模型损失计算模块,用于根据抽取的该人脸样本图像的预测深度特征图、真实深度特征图、样本预测结果、抽取的该人脸样本图像的标识以及该活体人脸检测模型的损失函数计算该活体人脸检测模型的损失;
第一循环模块,用于根据该活体人脸检测模型的损失判断该活体人脸检测模型的损失函数是否收敛,若否,则调节该活体人脸检测模型的参数,循环该对该人脸样本图像随机抽取至该根据该活体人脸检测模型的损失判断该活体人脸检测模型的损失函数是否收敛的步骤,直到该活体人脸检测模型的损失函数收敛。
在其中一个实施例中,所述样本真实深度获取模块进一步包括:
判断单元,用于根据所述标识判断所述人脸样本图像是否为活体;
输入单元,用于当所述人脸样本图像为活体时,将所述人脸样本图像输入至PRnet网络,得到活体人脸样本图像的真实深度特征图;
全黑深度图获取单元,当所述人脸样本图像不为活体时,将预先设置的全0矩阵对应的全黑深度图作为非活体人脸样本图像的真实深度特征图。
在其中一个实施例中,该活体人脸检测模型的损失函数表示为:
Loverall=LMSE+LCDL+αLCE+(1-α)LGHM;
其中,LMSE表示深度图的均值方差误差,LCDL表示对比深度损失,α表示超参数,LCE表示二值交叉熵损失,LGHM表示二分类损失。
其中,深度图的均值方差误差LMSE、二值交叉熵损失LCE和二分类损失LGHM均可以通过常规手段计算得到,在此就不在赘述了。在计算该对比深度损失,通过以下公式计算该对比深度损失LCDL:
进一步地:
可以理解的是,在计算对比深度损失LCDL时,需要将ki中i取的每个值都带入公式里参与计算。
在其中一个实施例中,该活体人脸图像的检测装置100还包括:
样本图像获取模块,用于从数据集中获取样本图像、该样本图像的真实质量分数的波动值和该样本图像的真实质量分数的均值;
配对模块,用于从该样本图像中随机配对得到多个样本图像组;
样本输入模块,用于从多个样本图像组中随机抽取一个样本图像组,将抽取到的该样本图像组输入至待训练的图像质量特征提取器,得到该样本图像组的预测质量分数和预测质量分数的波动;
特征提取器损失计算模块,用于根据该样本图像组的预测质量分数、该样本图像组的预测质量分数的波动、该样本图像的真实质量分数的波动值、该样本图像的真实适量分数的均值以及图像质量损失函数计算该图像质量特征提取器的损失;
第二循环模块,用于根据该图像质量特征提取器的损失判断该图像质量损失函数是否收敛,若否,则调节该图像质量特征提取器的参数,循环该从多个样本图像组中随机抽取一个样本图像组至该根据该图像质量特征提取器的损失判断该图像质量损失函数是否收敛的步骤,直到该图像质量损失函数收敛。
在其中一个实施例中,每个该样本图像组均包括第一样本图像和第二样本图像,该样本输入模块具体用于:将该样本图像组输入至待训练的图像质量特征提取器,得到该第一样本图像的预测质量分数、该第二样本图像的预测质量分数、该第一样本图像的预测分数的拨动和该第二样本图像的预测质量分数的波动。
在其中一个实施例中,该特征提取器损失计算模块具体用于通过以下公式计算该图像质量特征提取器的损失:
LH(x0,x1,t,W)=max(0,ξ-t(σw(x0)-σw(x1)));
其中,L(B,W)表示所述图像质量损失函数,λ和ξ表示超参数,B表示所述样本图像组的数据量,σ(x0)≥σ(x1)时,t=1,否则,t=-1,x0表示所述第一样本图像,x1表示所述第二样本图像,w表示所述图像质量特征提取器中需要调节训练的参数,fw表示当前参数w下的预测质量分数,σw表示当前参数w下的预测质量分数的波动,σ表示真实质量分数的波动值,μ表示真实质量分数的均值,Φ表示高斯累积分布函数。
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。
关于活体人脸图像的检测装置的具体限定可以参见上文中对于活体人脸图像的检测方法的限定,在此不再赘述。上述活体人脸图像的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终端,其内部结构图可以如图7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、显示屏和输入装置。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和计算机程序。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。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种活体人脸图像的检测方法。
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活体人脸图像的检测方法的步骤,例如图2所示的步骤101至步骤105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活体人脸图像的检测装置的各模块/单元的功能,例如图6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活体人脸图像的检测方法的步骤,例如图2所示的步骤101至步骤105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活体人脸图像的检测装置的各模块/单元的功能,例如图6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)
1.一种活体人脸图像的检测方法,其特征在于,所述方法包括:
获取待检测的人脸图像;
通过预先训练好的活体人脸检测模型的图像质量特征提取器对所述人脸图像进行特征提取,得到第一特征;
通过所述训练好的活体人脸检测模型的注意力纹理特征提取器对所述人脸图像进行特征提取,得到第二特征;
将所述第一特征和所述第二特征进行拼接,得到第三特征;
将所述第三特征输入所述训练好的活体人脸检测模型的全连接层,并将所述全连接层对所述第三特征的输出结果输入至所述训练好的活体人脸检测模型的分类器,得到所述人脸图像是否为活体人脸的预测结果。
2.根据权利要求1所述的活体人脸图像的检测方法,其特征在于,在得到所述第二特征的步骤之后,所述方法还包括:
通过所述训练好的活体人脸检测模型的中心差异卷积模块对所述第二特征进行卷积处理,得到所述人脸图像的预测深度特征图;
输出预测得到的所述预测深度特征图。
3.根据权利要求1所述的活体人脸图像的检测方法,其特征在于,训练所述活体人脸检测模型的步骤包括:
获取人脸样本图像,所述人脸样本图像携带有所述人脸图像是否为活体的标识;
对所述人脸样本图像随机抽取,通过预先训练好的图像质量特征提取器对抽取的所述人脸样本图像进行特征提取,得到第一样本特征;
通过预先训练好的注意力纹理特征提取器对抽取的所述人脸样本图像进行特征提取,得到第二样本特征;
将所述第一样本特征和所述第二样本特征进行拼接,得到第三样本特征;
将所述第三样本特征输入待训练的活体人脸检测模型的全连接层,并将所述全连接层对所述第三样本特征的输出结果输入至所述待训练的活体人脸检测模型的分类器,得到抽取的所述人脸样本图像是否为活体人脸的样本预测结果;
通过待训练的活体人脸检测模型的中心差异卷积模块对所述第二样本特征进行卷积处理,得到抽取的所述人脸样本图像的预测深度特征图;
获取抽取的所述人脸样本图像的真实深度特征图;
根据抽取的所述人脸样本图像的预测深度特征图、真实深度特征图、样本预测结果、抽取的所述人脸样本图像的标识以及所述活体人脸检测模型的损失函数计算所述活体人脸检测模型的损失;
根据所述活体人脸检测模型的损失判断所述活体人脸检测模型的损失函数是否收敛,若否,则调节所述活体人脸检测模型的参数,循环所述对所述人脸样本图像随机抽取至所述根据所述活体人脸检测模型的损失判断所述活体人脸检测模型的损失函数是否收敛的步骤,直到所述活体人脸检测模型的损失函数收敛。
5.根据权利要求1所述的活体人脸图像的检测方法,其特征在于,训练所述图像质量特征提取器的步骤包括:
从数据集中获取样本图像、所述样本图像的真实质量分数的波动值和所述样本图像的真实质量分数的均值;
从所述样本图像中随机配对得到多个样本图像组;
从多个样本图像组中随机抽取一个样本图像组,将抽取到的所述样本图像组输入至待训练的图像质量特征提取器,得到所述样本图像组的预测质量分数和预测质量分数的波动;
根据所述样本图像组的预测质量分数、所述样本图像组的预测质量分数的波动、所述样本图像的真实质量分数的波动值、所述样本图像的真实适量分数的均值以及图像质量损失函数计算所述图像质量特征提取器的损失;
根据所述图像质量特征提取器的损失判断所述图像质量损失函数是否收敛,若否,则调节所述图像质量特征提取器的参数,循环所述从多个样本图像组中随机抽取一个样本图像组至所述根据所述图像质量特征提取器的损失判断所述图像质量损失函数是否收敛的步骤,直到所述图像质量损失函数收敛。
6.根据权利要求5所述的活体人脸图像的检测方法,其特征在于,每个所述样本图像组均包括第一样本图像和第二样本图像,所述将抽取到的所述样本图像组输入至待训练的图像质量特征提取器,得到所述样本图像组的预测质量分数和预测质量分数的波动的步骤进一步包括:
将所述样本图像组输入至待训练的图像质量特征提取器,得到所述第一样本图像的预测质量分数、所述第二样本图像的预测质量分数、所述第一样本图像的预测分数的拨动和所述第二样本图像的预测质量分数的波动。
7.根据权利要求6所述的活体人脸图像的检测方法,其特征在于,所述计算所述图像质量特征提取器的损失的步骤进一步包括:
通过以下公式计算所述图像质量特征提取器的损失:
LH(x0,x1,t,W)=max(0,ξ-t(σw(x0)-σw(x1)));
其中,L(B,W)表示所述图像质量损失函数,λ和ξ表示超参数,B表示所述样本图像组的数据量,σ(x0)≥σ(x1)时,t=1,否则,t=-1,x0表示所述第一样本图像,x1表示所述第二样本图像,w表示所述图像质量特征提取器中需要调节训练的参数,fw表示当前参数w下的预测质量分数,σw表示当前参数w下的预测质量分数的波动,σ表示真实质量分数的波动值,μ表示真实质量分数的均值,Φ表示高斯累积分布函数。
8.一种活体人脸图像的检测装置,其特征在于,所述装置包括:
图像获取模块,用于获取待检测的人脸图像;
第一特征提取模块,用于通过预先训练好的活体人脸检测模型的图像质量特征提取器对所述人脸图像进行特征提取,得到第一特征;
第二特征提取模块,用于通过所述训练好的活体人脸检测模型的注意力纹理特征提取器对所述人脸图像进行特征提取,得到第二特征;
拼接模块,用于将所述第一特征和所述第二特征进行拼接,得到第三特征;
预测模块,用于将所述第三特征输入所述训练好的活体人脸检测模型的全连接层,并将所述全连接层对所述第三特征的输出结果输入至所述训练好的活体人脸检测模型的分类器,得到所述人脸图像是否为活体人脸的预测结果。
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7中任一项所述活体人脸图像的检测方法的步骤。
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7中任一项所述活体人脸图像的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110703151.3A CN113269149B (zh) | 2021-06-24 | 2021-06-24 | 活体人脸图像的检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110703151.3A CN113269149B (zh) | 2021-06-24 | 2021-06-24 | 活体人脸图像的检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269149A true CN113269149A (zh) | 2021-08-17 |
CN113269149B CN113269149B (zh) | 2024-06-07 |
Family
ID=77235828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110703151.3A Active CN113269149B (zh) | 2021-06-24 | 2021-06-24 | 活体人脸图像的检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269149B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807281A (zh) * | 2021-09-23 | 2021-12-17 | 深圳信息职业技术学院 | 图像检测模型的生成方法、检测方法、终端及存储介质 |
CN115147895A (zh) * | 2022-06-16 | 2022-10-04 | 北京百度网讯科技有限公司 | 人脸鉴伪方法、装置及计算机程序产品 |
CN116259091A (zh) * | 2023-01-18 | 2023-06-13 | 北京飞腾时光信息科技有限公司 | 一种静默活体检测的方法和装置 |
WO2023231753A1 (zh) * | 2022-05-31 | 2023-12-07 | 华为技术有限公司 | 一种神经网络的训练方法、数据的处理方法以及设备 |
WO2024131291A1 (zh) * | 2022-12-22 | 2024-06-27 | 腾讯科技(深圳)有限公司 | 一种人脸活体检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992842A (zh) * | 2017-12-13 | 2018-05-04 | 深圳云天励飞技术有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
CN109766925A (zh) * | 2018-12-20 | 2019-05-17 | 深圳云天励飞技术有限公司 | 特征融合方法、装置、电子设备及存储介质 |
CN112329745A (zh) * | 2021-01-04 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 训练方法、人脸防伪检测方法、相关设备及存储介质 |
CN112861659A (zh) * | 2021-01-22 | 2021-05-28 | 平安科技(深圳)有限公司 | 一种图像模型训练方法、装置及电子设备、存储介质 |
-
2021
- 2021-06-24 CN CN202110703151.3A patent/CN113269149B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992842A (zh) * | 2017-12-13 | 2018-05-04 | 深圳云天励飞技术有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
CN109766925A (zh) * | 2018-12-20 | 2019-05-17 | 深圳云天励飞技术有限公司 | 特征融合方法、装置、电子设备及存储介质 |
CN112329745A (zh) * | 2021-01-04 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 训练方法、人脸防伪检测方法、相关设备及存储介质 |
CN112861659A (zh) * | 2021-01-22 | 2021-05-28 | 平安科技(深圳)有限公司 | 一种图像模型训练方法、装置及电子设备、存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807281A (zh) * | 2021-09-23 | 2021-12-17 | 深圳信息职业技术学院 | 图像检测模型的生成方法、检测方法、终端及存储介质 |
CN113807281B (zh) * | 2021-09-23 | 2024-03-29 | 深圳信息职业技术学院 | 图像检测模型的生成方法、检测方法、终端及存储介质 |
WO2023231753A1 (zh) * | 2022-05-31 | 2023-12-07 | 华为技术有限公司 | 一种神经网络的训练方法、数据的处理方法以及设备 |
CN115147895A (zh) * | 2022-06-16 | 2022-10-04 | 北京百度网讯科技有限公司 | 人脸鉴伪方法、装置及计算机程序产品 |
WO2024131291A1 (zh) * | 2022-12-22 | 2024-06-27 | 腾讯科技(深圳)有限公司 | 一种人脸活体检测方法、装置、设备及存储介质 |
CN116259091A (zh) * | 2023-01-18 | 2023-06-13 | 北京飞腾时光信息科技有限公司 | 一种静默活体检测的方法和装置 |
CN116259091B (zh) * | 2023-01-18 | 2023-11-10 | 北京飞腾时光信息科技有限公司 | 一种静默活体检测的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113269149B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403876B2 (en) | Image processing method and apparatus, facial recognition method and apparatus, and computer device | |
CN113269149A (zh) | 活体人脸图像的检测方法、装置、计算机设备及存储介质 | |
WO2021057848A1 (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
CN111368342B (zh) | 图像篡改识别模型训练方法、图像篡改识别方法及装置 | |
CN112950581B (zh) | 质量评估方法、装置和电子设备 | |
CN110163235A (zh) | 图像增强模型的训练、图像增强方法、装置和存储介质 | |
CN112052787A (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
CN111080628A (zh) | 图像篡改检测方法、装置、计算机设备和存储介质 | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
CN112101359B (zh) | 文本公式的定位方法、模型训练方法及相关装置 | |
CN114549913B (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN109165654B (zh) | 一种目标定位模型的训练方法和目标定位方法及装置 | |
CN113158900A (zh) | 人脸活体检测模型的训练方法、装置、设备及存储介质 | |
CN113139462A (zh) | 无监督的人脸图像质量评估方法、电子设备和存储介质 | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
CN112950497A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113283388B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
CN109145743A (zh) | 一种基于深度学习的图像识别方法及装置 | |
CN115170834A (zh) | 色差度量方法、装置、电子设备 | |
CN111428740A (zh) | 网络翻拍照片的检测方法、装置、计算机设备及存储介质 | |
CN111242176A (zh) | 计算机视觉任务的处理方法、装置及电子系统 | |
CN113139915A (zh) | 人像修复模型的训练方法和装置、电子设备 | |
CN109871814B (zh) | 年龄的估计方法、装置、电子设备和计算机存储介质 | |
CN111612732A (zh) | 图像质量评估方法、装置、计算机设备及存储介质 |
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 |