CN113378715A - 一种基于彩色人脸图像的活体检测方法及相关设备 - Google Patents
一种基于彩色人脸图像的活体检测方法及相关设备 Download PDFInfo
- Publication number
- CN113378715A CN113378715A CN202110650126.3A CN202110650126A CN113378715A CN 113378715 A CN113378715 A CN 113378715A CN 202110650126 A CN202110650126 A CN 202110650126A CN 113378715 A CN113378715 A CN 113378715A
- Authority
- CN
- China
- Prior art keywords
- image
- face image
- illumination
- living body
- color 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 156
- 238000005286 illumination Methods 0.000 claims abstract description 238
- 238000006243 chemical reaction Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims description 110
- 230000006870 function Effects 0.000 claims description 60
- 238000000034 method Methods 0.000 claims description 38
- 238000001727 in vivo Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开提供的一种基于彩色人脸图像的活体检测方法及相关设备，获得待转化彩色人脸图像；将待转化彩色人脸图像输入至已建立的光照转化模型中，以使光照转化模型将待转化彩色人脸图像按照预设卷积网络进行卷积，获得与待转化彩色人脸图像的原始光照属性特征关联的第一光照模型，利用第一光照模型对待转化彩色人脸图像进行图像光照属性转化，获得具有目标光照属性特征的待检测彩色人脸图像；对待检测彩色人脸图像进行活体检测，获得检测结果。本公开实施例通过与彩色人脸图像的原始光照属性关联的光照模型对该彩色人脸图像进行光照属性转化，使得转化后的彩色人脸图像具备活体检测要求的目标光照属性特征，从而提高对彩色人脸图像活体检测的精度。
Description
技术领域
本公开涉及图像活体检测技术领域，尤其涉及一种基于彩色人脸图像的活体检测方法及相关设备。
背景技术
随着人脸识别技术的广泛应用，人脸活体检测也变得越来越重要。例如：在人脸支付场景下，必须保证进行人脸识别的人脸图像来自支付账号对应用户的真人，若不法分子拿着该用户的照片通过了人脸识别进行人脸支付，将造成用户财产损失。
目前，对彩色人脸图像进行活体检测易受图像采集时的光照环境影响，在一些光照环境下采集的彩色人脸图像的活体检测的精度低，因此，如何提高彩色人脸图像的活体检测精度，成为急需解决的技术问题。
发明内容
鉴于上述问题，本公开提供一种克服上述问题或者至少部分地解决上述问题的一种基于彩色人脸图像的活体检测方法及相关设备，技术方案如下：
一种基于彩色人脸图像的活体检测方法，包括：
获得待转化彩色人脸图像；
将所述待转化彩色人脸图像输入至已建立的光照转化模型中，以使所述光照转化模型将所述待转化彩色人脸图像按照预设卷积网络进行卷积，获得与所述待转化彩色人脸图像的原始光照属性特征关联的第一光照模型，利用所述第一光照模型对所述待转化彩色人脸图像进行图像光照属性转化，获得具有目标光照属性特征的待检测彩色人脸图像；
对所述待检测彩色人脸图像进行活体检测，获得检测结果。
可选的，所述利用所述第一光照模型对所述待转化彩色人脸图像进行图像转化，获得具有目标光照属性特征的待检测彩色人脸图像，包括：
分别将所述第一光照模型与所述待转化彩色人脸图像之间对应位置上的元素相加，获得具有目标光照属性特征的待检测彩色人脸图像。
可选的，所述光照转化模型的建立过程包括：
搭建神经网络模型，其中，所述神经网络模型包括生成器、第一判别器、第二判别器和预设活体检测模型；
获得多个训练图像，其中，所述训练图像为彩色人脸图像，所述训练图像对应有光照环境标签和活体属性标签，其中，所述光照环境标签为目标光照环境标签或非目标光照环境标签，所述活体属性标签为活体标签或非活体标签；
将所述训练图像输入至所述生成器中，以使所述生成器将所述训练图像按照所述预设卷积网络进行卷积，获得与所述训练图像中的原始光照属性特征关联的第二光照模型，利用所述第二光照模型对所述训练图像进行图像光照属性转化，获得具有所述目标光照属性特征的生成图像；
将对应有所述非目标光照环境标签的所述训练图像及其所述生成图像作为非目标光照环境下的第一待判别图像，将所述第一待判别图像输入至所述第一判别器中，获得所述第一判别器输出的第一判别结果，其中，所述第一判别结果指示所述第一待判别图像是否为真实的人脸图像；
将对应有所述目标光照环境标签的所述训练图像及其所述生成图像作为目标光照环境下的第二待判别图像，将所述第二待判别图像输入至所述第二判别器中，获得所述第二判别器输出的第二判别结果，其中，所述第二判别结果指示所述第二待判别图像是否为真实的人脸图像；
将各所述训练图像及其所述生成图像输入至所述预设活体检测模型中进行活体检测，获得所述预设活体检测模型输出的检测结果；
将第一预设损失函数作为所述生成器的目标函数，将第二预设损失函数作为所述第一判别器和所述第二判别器的目标函数，对所述生成器、所述第一判别器和所述第二判别器进行交替迭代训练，在满足预设结束训练条件后，将结束训练后的所述生成器确定为所述光照转化模型。
可选的，所述对所述待检测彩色人脸图像进行活体检测，获得检测结果，包括：
将所述待检测彩色人脸图像输入至所述预设活体检测模型中，获得所述预设活体检测模型输出的检测结果。
可选的，所述将所述待检测彩色人脸图像输入至所述预设活体检测模型中，获得所述预设活体检测模型输出的检测结果，包括：
将所述待检测彩色人脸图像输入至所述预设活体检测模型中，以使所述预设活体检测模型检测出所述待检测彩色人脸图像的活体结果值，并将所述活体结果值与预设活体阈值进行比较，在所述活体结果值不小于所述预设活体阈值时，则输出的检测结果为活体图像，在所述活体结果值小于所述预设活体阈值时，输出的检测结果为非活体图像。
可选的，所述第一预设损失函数为：
LG＝λ1Lr+λ2La+λ3Ll+λ4Lp
其中，LG为所述第一预设损失函数，λ1为第一权重，λ2为第二权重，λ3为第三权重，λ4为第四权重，Lr为图像转化损失监督函数，La为判别器监督函数，Ll为活体检测模型监督函数，Lp为模型一致性监督函数。
可选的，所述第二预设损失函数为：
LD＝-E1-E2-E3-E4
其中，LD为所述第二预设损失函数；E表示数学期望；
表示所述第二判别器D2的输入为：所述生成器输出的对应有所述目标光照环境标签的生成图像；
表示所述第一判别器D1的输入为：所述生成器输出的对应有所述非目标光照环境标签的生成图像；I∈Izc表示所述第二判别器D2的输入为：对应有所述目标光照环境标签的训练图像；I∈Its表示所述第一判别器D1的输入为：对应有所述非目标光照环境标签的训练图像。
一种基于彩色人脸图像的活体检测装置，包括：待转化图像获得单元、图像转化单元和活体检测单元，
所述待转化图像获得单元，用于获得待转化彩色人脸图像；
所述图像转化单元，用于将所述待转化彩色人脸图像输入至已建立的光照转化模型中，以使所述光照转化模型将所述待转化彩色人脸图像按照预设卷积网络进行卷积，获得与所述待转化彩色人脸图像的原始光照属性特征关联的第一光照模型，利用所述第一光照模型对所述待转化彩色人脸图像进行图像光照属性转化，获得具有目标光照属性特征的待检测彩色人脸图像；
所述活体检测单元，用于对所述待检测彩色人脸图像进行活体检测，获得检测结果。
一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现如上述任一项所述的基于彩色人脸图像的活体检测方法。
一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述任一项所述的基于彩色人脸图像的活体检测方法。
借由上述技术方案，本公开提供的一种基于彩色人脸图像的活体检测方法及相关设备，可以获得待转化彩色人脸图像；将待转化彩色人脸图像输入至已建立的光照转化模型中，以使光照转化模型将待转化彩色人脸图像按照预设卷积网络进行卷积，获得与待转化彩色人脸图像的原始光照属性特征关联的第一光照模型，利用第一光照模型对待转化彩色人脸图像进行图像光照属性转化，获得具有目标光照属性特征的待检测彩色人脸图像；对待检测彩色人脸图像进行活体检测，获得检测结果。本公开实施例通过与彩色人脸图像的原始光照属性关联的光照模型对该彩色人脸图像进行光照属性转化，使得转化后的彩色人脸图像具备活体检测要求的目标光照属性特征，从而提高对彩色人脸图像活体检测的精度。
上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本公开的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本公开实施例提供的基于彩色人脸图像的活体检测方法的一种实施方式的示意图；
图2示出了本公开实施例提供的光照转化模型的建立过程的示意图；
图3示出了本公开实施例提供的生成器的一种网络结构示意图；
图4示出了本公开实施例提供的判别器的一种网络结构示意图；
图5示出了本公开实施例提供的基于彩色人脸图像的活体检测方法的另一种实施方式的示意图；
图6示出了本公开实施例提供的基于彩色人脸图像的活体检测装置的一种结构组成的示意图；
图7示出了本公开实施例提供的光照转化模型建立装置的一种结构组成的示意图；
图8示出了本公开实施例提供的电子设备的一种结构组成的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本公开实施例提供的基于彩色人脸图像的活体检测方法的一种实施方式的示意图，该基于彩色人脸图像的活体检测方法可以包括：
S100、获得待转化彩色人脸图像。
其中，彩色人脸图像可以是使用具有彩色摄像功能的图像采集设备采集的具有人脸特征的图像。本公开实施例可以获得在各种光照环境场景下采集的彩色人脸图像。光照环境与光度、光位、光质、光型、光比和光色有关。
S200、将待转化彩色人脸图像输入至已建立的光照转化模型中，以使光照转化模型将待转化彩色人脸图像按照预设卷积网络进行卷积，获得与待转化彩色人脸图像的原始光照属性特征关联的第一光照模型，利用第一光照模型对待转化彩色人脸图像进行图像光照属性转化，获得具有目标光照属性特征的待检测彩色人脸图像。
本公开实施例可以预先对目标光照环境进行设置。可以理解的是，在目标光照环境下采集的彩色人脸图像具有目标光照属性特征。本公开实施例可以通过将各光照环境下彩色人脸图像进行活体检测，将活体检测精度较高的彩色人脸图像所对应的光照环境确定为目标光照环境。同时，目标光照属性特征可以是在活体检测中检测精度较高的彩色人脸图像所具备的光照属性特征。
本公开实施例将非目标光照环境下的彩色人脸图像分解为目标光照环境下的彩色人脸图像和该彩色人脸图像具有的原始光照属性特征关联的光照模型，关系如下：
Its＝Izc+R (1)
其中，Its为非目标光照环境下的彩色人脸图像，Izc为正常光照环境下的彩色人脸图像，R为该彩色人脸图像具有的原始光照属性特征关联的光照模型的线索参数。
因此，将非目标光照环境下的彩色人脸图像转化为目标光照环境下的彩色人脸图像的过程，即对彩色人脸图像进行图像光照属性转化过程包括求解该彩色人脸图像具有的原始光照属性特征关联的光照模型的过程，由式(1)可得：
Izc＝Its-R (2)
由式(2)可知，若输入为非目标光照环境下的彩色人脸图像，已知R，则可以获得对应的目标光照环境下的彩色人脸图像。由于R为光照模型的线索参数，具体取值是在光照转化模型的训练中确定，因此，式(2)可以写为：
Izc＝Its+r (3)
其中，r为需要获得的彩色人脸图像具有的原始光照属性特征关联的光照模型，即与原始光照属性特征相关的线索。本公开实施例可以通过基于深度学习技术的神经网络模型求取光照模型，将非目标光照环境下的彩色人脸图像转化为目标光照环境下的彩色人脸图像。
可选的，本公开实施例可以分别将第一光照模型与待转化彩色人脸图像之间对应位置上的元素相加，获得具有目标光照属性特征的待检测彩色人脸图像。
光照模型与待转化彩色人脸图像的尺度可以相同。光照模型上的任一位置在待转化彩色人脸图像上都存在对应位置。例如：光照模型的左上角像素点对应待转化彩色人脸图像的左上角的像素点。
可选的，如图2所示，本公开实施例提供的光照转化模型的建立过程，可以包括：
S01、搭建神经网络模型，其中，神经网络模型包括生成器、第一判别器、第二判别器和预设活体检测模型。
本公开实施例可以预先设置该神经网络模型的超参数，例如：初始学习率以及最大训练轮数(epochs)等。
S02、获得多个训练图像，其中，训练图像为彩色人脸图像，训练图像对应有光照环境标签和活体属性标签，其中，光照环境标签为目标光照环境标签或非目标光照环境标签，活体属性标签为活体标签或非活体标签。
S03、将训练图像输入至生成器中，以使生成器将训练图像按照预设卷积网络进行卷积，获得与训练图像中的原始光照属性特征关联的第二光照模型，利用第二光照模型对训练图像进行图像光照属性转化，获得具有目标光照属性特征的生成图像。
具体的，本公开实施例可以将第二光照模型与训练图像之间对应位置上的元素相加，获得具有目标光照属性特征的生成图像。可以理解的是，生成图像为彩色人脸图像。生成图像与训练图像的区别在于：生成图像具有目标光照属性特征。
其中，预设卷积网络包括编码器Enc和解码器Dec。可选的，生成器的网络结构可以如图3所示。其中，“Input：256*256*3”表示输入的图像的高为256，宽为256，通道数为3。在该网络结构中卷积层的卷积核大小均为3*3。例如：“128*128*96”标识该卷积层的卷积核大小为3*3，通道数与输入特征图的通道数相同，卷积核个数为96，该卷积层输出的特征图高为128，宽为128，通道数为96，每个卷积层后都存在一个批归一化层和激活层，图3中卷积层之间的箭头方向为数据传递方向，“concat”箭头表示将箭头两端的数据串接为一个特征图，“add”表示将输入图像和光照模型对应位置上的元素相加。“/2”表示降采样操作，将输入的特征图的高和宽减半。可以理解的是，降采样操作可以通过最大池化层(maxpooling)实现，也可以通过srtide＝2的卷积操作实现。“*2”表示上采样操作，将输入的特征图的高和宽增加两倍，上采样操作可以通过插值方式或转置卷积实现。“r：256*256*3”表示获得的光照模型。“Output：256*256*3”表示转化完成后输出的生成图像。其中，生成图像的尺度可以与输入生成器的训练图像的尺度相同。
可以理解的是，生成器的网络结构可以根据实际需求进行调整。例如：可以调整生成器的输入图像和输出图像的高、宽和通道数、卷积层数、卷积层的卷积核个数和卷积核大小。
由式(3)和生成器可得：对应有目标光照环境标签的训练图像Izc、生成器输出的对应有目标光照环境标签的生成图像
对应有非目标光照环境标签的训练图像Its和生成器输出的对应有非目标光照环境标签的生成图像
之间的关系为：
式(4)中，G(Its)表示将对应有非目标光照环境标签的训练图像Its输入生成器得到的输出图像，r1表示将对应有非目标光照环境标签的训练图像Its输入生成器，生成器得到的光照模型。式(5)中，G(Izc)表示将对应有目标光照环境标签的训练图像Izc输入生成器得到的输出图像，r2表示将对应有目标光照环境标签的训练图像Izc输入生成器，生成器得到的光照模型，在理想情况下，r2为0；式(6)中，G(Its)-Its表示输入生成器的为对应有非目标光照环境标签的训练图像Its时，得到的光照模型。
S04、将对应有非目标光照环境标签的训练图像及其生成图像作为非目标光照环境下的第一待判别图像，将第一待判别图像输入至第一判别器中，获得第一判别器输出的第一判别结果，其中，第一判别结果指示第一待判别图像是否为真实的人脸图像。
S05、将对应有目标光照环境标签的训练图像及其生成图像作为目标光照环境下的第二待判别图像，将第二待判别图像输入至第二判别器中，获得第二判别器输出的第二判别结果，其中，第二判别结果指示第二待判别图像是否为真实的人脸图像。
其中，第一判别器和第二判别器的网络结构可以相同。可选的，判别器的网络结构可以如图4所示。其中，“Input：256*256*3”表示输入的图像的高为256，宽为256，通道数为3。在该网络结构中卷积层的卷积核大小均为3*3。每个卷积层后都存在一个批归一化层和激活层。“vector”表示将输入的特征图转变为向量。例如：本公开实施例可以直接将输入特征图resize成一维向量，也可以用全局平均池化操作将输入特征图转为长度为512的一维向量。“fc”表示全连接层，全连接层的输出为长度为2的一维向量，表示判别器的输出结果。“/2”表示降采样操作，将输入的特征图的高和宽减半。可以理解的是，降采样操作可以通过最大池化层(maxpooling)实现，也可以通过srtide＝2的卷积操作实现。
可以理解的是，判别器的网络结构可以根据实际需求进行调整。例如：可以调整判别器的输入图像和输出图像的高、宽和通道数、卷积层数、卷积层的卷积核个数和卷积核大小。
可以理解的是，本文所涉的卷积层所使用的激活函数类型均可根据实际需求调整。
S06、将各训练图像及其生成图像输入至预设活体检测模型中进行活体检测，获得预设活体检测模型输出的检测结果。
本公开实施例通过第一判别器、第二判别器和预设活体检测模型对生成器提供间接监督。在整个光照转化模型建立过程中，预设活体检测模型的参数固定，无需训练，预设活体检测模型在光照转化模型建立过程中可以保证获得的光照转化模型转化的图像不会改变图像上的活体属性特征，即彩色人脸图像在经光照转化模型转化前后的活体属性特征一致。
S07、将第一预设损失函数作为生成器的目标函数，将第二预设损失函数作为第一判别器和第二判别器的目标函数，对生成器、第一判别器和第二判别器进行交替迭代训练，在满足预设结束训练条件后，将结束训练后的生成器确定为光照转化模型。
可选的，第一预设损失函数为：
LG＝λ1Lr+λ2La+λ3Ll+λ4Lp (7)
其中，LG为第一预设损失函数，λ1为第一权重，λ2为第二权重，λ3为第三权重，λ4为第四权重，Lr为图像转化损失监督函数，La为判别器监督函数，Ll为活体检测模型监督函数，Lp为模型一致性监督函数。
其中，λ1、λ2、λ3和λ4可以根据实际需求进行设置。
图像转化损失监督函数Lr，用于在对光照转化模型训练的过程中，使得光照模型模型最小，即训练目标为对输入至生成器的彩色人脸图像进行较小的改变即可完成图像光照属性转化。
其中，a为超参数，E表示数学期望；大于1时表示在输入图像I为对应有目标光照环境标签的训练图像时，强制光照模型趋于0。I∈zcl表示输入图像I为对应有目标光照环境标签的真实的训练图像。I∈tsl表示输入图像I为对应有非目标光照环境标签的真实的训练图像。i表示输入的训练图像的编号，ri表示编号i的训练图像在生成器中得到的光照模型。
ri＝G(Ii)-Ii (9)
其中，G表示生成器，Ii表示输入生成器的训练图像。
判别器监督函数La，用于在对光照转化模型训练的过程中，第一判别器和第二判别器对生成器进行监督，使得La最小可以保证生成器输出的图像的真实性。具体如式(10)。
其中，E表示数学期望；
表示第一判别器D1的输入为：生成器输出的对应有非目标光照环境标签的生成图像。
表示第二判别器D2的输入为：生成器输出的对应有目标光照环境标签的生成图像。
活体检测模型监督函数Ll，用于在对光照转化模型训练的过程中，对生成器进行监督，使得彩色人脸图像在经生成器转化前后只改变光照属性特征，不改变原有活体属性特征。具体如式(11)。
Ll＝-EI∈Rlog(D3(G(I)))-EI∈Flog(1-D3(G(I))) (11)
其中，E表示数学期望。G表示生成器。D3表示预先训练好的可对具有目标光照属性特征的彩色人脸图像进行活体检测的活体检测模型。
I∈R表示活体检测模型D3的输入为：对应有活体标签的真实的训练图像和生成图像。I∈F表示活体检测模型D3的输入为：对应有非活体标签的真实的训练图像和生成图像。
模型一致性监督函数Lp，用于在对光照转化模型训练的过程中，保证生成器学习到的光照模型具有一致性。具体如式(12)。
其中，E表示数学期望。n为对应有目标光照环境标签的真实的训练图像的编号。In∈zcl表示输入图像I为对应有目标光照环境标签的真实的训练图像。m为对应有非目标光照环境标签的真实的训练图像的编号。Im∈tsl表示输入图像I为对应有非目标光照环境标签的真实的训练图像。G表示生成器。
可选的，第二预设损失函数为：
LD＝-E1-E2-E3-E4 (13)
其中，LD为第二预设损失函数；E表示数学期望；
表示第二判别器D2的输入为：生成器输出的对应有目标光照环境标签的生成图像；
表示第一判别器D1的输入为：生成器输出的对应有非目标光照环境标签的生成图像；I∈Izc表示第二判别器D2的输入为：对应有目标光照环境标签的训练图像；I∈Its表示第一判别器D1的输入为：对应有非目标光照环境标签的训练图像。
可以理解的是，光照转化模型的建立过程就是更新第一判别器和第二判别器的网络参数，使得第二预设损失函数取得最小值的过程。
本公开实施例可以使用第一预设损失函数和第二预设损失函数分别交替训练生成器和判别器，即训练生成器时，保持判别器的参数固定，训练判别器时，保持生成器的参数固定。本公开实施例可根据需求对生成器训练的轮数和对判别器训练的轮数进行设置。
可选的，预设结束训练条件可以是当损失函数的输出小于预设结束阈值时结束训练，也可以是训练轮数达到预设轮数阈值时结束训练。
S300、对待检测彩色人脸图像进行活体检测，获得检测结果。
可选的，本公开实施例可以采用现有的活体检测方法对待检测彩色人脸图像进行活体检测。
可选的，本公开实施例可以预先训练一个活体检测模型，使用该活体检测模型对彩色人脸图像进行活体检测。具体的，本公开实施例可以使用卷积神经网络模型构建活体检测模型。例如：本公开实施例可以使用resnet18作为活体检测模型的网络主体，将最后的全连接输出神经元个数调整为2、使用预设训练数据集对该活体检测模型进行训练，其中。预设训练数据集可以包括50万个对应有活体标签的彩色人脸图像和50万个对应有非活体标签的彩色人脸图像。为了减少模型收敛时间，也可以使用在imagenet数据集上预先训练好的模型。在训练好活体检测模型之后，本公开实施例可以使用预设验证数据集输入至已训练好的活体检测模型中进行验证，其中，预设验证数据集可以包括5万个对应有活体标签的彩色人脸图像和5万个对应有非活体标签的彩色人脸图像。控制活体检测模型的活体检测输出结果再0到1之间，以每增加1/10000为一个阈值间隔确定多个阈值，统计各阈值下的活体检测率，将活体检测率最大时对应的阈值作为预设活体阈值，可以理解的是，阈值间隔可以根据实际需求进行设置。若活体检测模型对输入的彩色人脸图像的活体结果值不小于该预设活体阈值时，确定该彩色人脸图像为活体图像。若活体检测模型对输入的彩色人脸图像的活体结果值小于该预设活体阈值时，确定该彩色人脸图像为非活体图像。
可选的，如图5所示，本公开实施例提供的基于彩色人脸图像的活体检测方法的另一种实施方式的示意图，步骤S300可以包括：
S310、将待检测彩色人脸图像输入至预设活体检测模型中，获得预设活体检测模型输出的检测结果。
可选的，本公开实施例可以将待检测彩色人脸图像输入至预设活体检测模型中，以使预设活体检测模型检测出待检测彩色人脸图像的活体结果值，并将活体结果值与预设活体阈值进行比较，在活体结果值不小于预设活体阈值时，则输出的检测结果为活体图像，在活体结果值小于预设活体阈值时，输出的检测结果为非活体图像。
在实际使用中，输入至活体检测模型的均为具有目标光照属性特征的待检测彩色人脸图像，使得活体检测模型仅需适应目标光照环境采集的彩色人脸图像的活体检测，无需考虑非目标光照环境采集的彩色人脸图像的活体检测，从而提高了活体检测精度。
本公开提供的一种基于彩色人脸图像的活体检测方法，可以获得待转化彩色人脸图像；将待转化彩色人脸图像输入至已建立的光照转化模型中，以使光照转化模型将待转化彩色人脸图像按照预设卷积网络进行卷积，获得与待转化彩色人脸图像的原始光照属性特征关联的第一光照模型，利用第一光照模型对待转化彩色人脸图像进行图像光照属性转化，获得具有目标光照属性特征的待检测彩色人脸图像；对待检测彩色人脸图像进行活体检测，获得检测结果。本公开实施例通过与彩色人脸图像的原始光照属性关联的光照模型对该彩色人脸图像进行光照属性转化，使得转化后的彩色人脸图像具备活体检测要求的目标光照属性特征，从而提高对彩色人脸图像活体检测的精度。
虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
与上述方法实施例相对应，本公开实施例还提供一种基于彩色人脸图像的活体检测装置，其结构如图6所示，可以包括：待转化图像获得单元100、图像转化单元200和活体检测单元300。
待转化图像获得单元100，用于获得待转化彩色人脸图像。
图像转化单元200，用于将待转化彩色人脸图像输入至已建立的光照转化模型中，以使光照转化模型将待转化彩色人脸图像按照预设卷积网络进行卷积，获得与待转化彩色人脸图像的原始光照属性特征关联的第一光照模型，利用第一光照模型对待转化彩色人脸图像进行图像光照属性转化，获得具有目标光照属性特征的待检测彩色人脸图像。
活体检测单元300，用于对待检测彩色人脸图像进行活体检测，获得检测结果。
可选的，本公开实施例可以分别将第一光照模型与待转化彩色人脸图像之间对应位置上的元素相加，获得具有目标光照属性特征的待检测彩色人脸图像。
如图7所示，本公开实施例还提供光照转化模型建立装置，其结构可以包括：模型搭建单元01、训练图像获得单元02、生成器训练单元03、第一判别器训练单元04、第二判别器训练单元05、活体检测模型监督单元06以及交替迭代训练单元07。
模型搭建单元01，用于搭建神经网络模型，其中，所述神经网络模型包括生成器、第一判别器、第二判别器和预设活体检测模型。
训练图像获得单元02，用于获得多个训练图像，其中，所述训练图像为彩色人脸图像，所述训练图像对应有光照环境标签和活体属性标签，其中，所述光照环境标签为目标光照环境标签或非目标光照环境标签，所述活体属性标签为活体标签或非活体标签。
生成器训练单元03，用于将所述训练图像输入至所述生成器中，以使所述生成器将所述训练图像按照所述预设卷积网络进行卷积，获得与所述训练图像中的原始光照属性特征关联的第二光照模型，利用所述第二光照模型对所述训练图像进行图像光照属性转化，获得具有所述目标光照属性特征的生成图像。
第一判别器训练单元04，用于将对应有所述非目标光照环境标签的所述训练图像及其所述生成图像作为非目标光照环境下的第一待判别图像，将所述第一待判别图像输入至所述第一判别器中，获得所述第一判别器输出的第一判别结果，其中，所述第一判别结果指示所述第一待判别图像是否为真实的人脸图像。
第二判别器训练单元05，用于将对应有所述目标光照环境标签的所述训练图像及其所述生成图像作为目标光照环境下的第二待判别图像，将所述第二待判别图像输入至所述第二判别器中，获得所述第二判别器输出的第二判别结果，其中，所述第二判别结果指示所述第二待判别图像是否为真实的人脸图像。
活体检测模型监督单元06，用于将各所述训练图像及其所述生成图像输入至所述预设活体检测模型中进行活体检测，获得所述预设活体检测模型输出的检测结果。
交替迭代训练单元07，用于将第一预设损失函数作为所述生成器的目标函数，将第二预设损失函数作为所述第一判别器和所述第二判别器的目标函数，对所述生成器、所述第一判别器和所述第二判别器进行交替迭代训练，在满足预设结束训练条件后，将结束训练后的所述生成器确定为所述光照转化模型。
可选的，活体检测单元300，具体用于将待检测彩色人脸图像输入至预设活体检测模型中，获得预设活体检测模型输出的检测结果。
可选的，活体检测单元300，具体用于将待检测彩色人脸图像输入至预设活体检测模型中，以使预设活体检测模型检测出待检测彩色人脸图像的活体结果值，并将活体结果值与预设活体阈值进行比较，在活体结果值不小于预设活体阈值时，则输出的检测结果为活体图像，在活体结果值小于预设活体阈值时，输出的检测结果为非活体图像。
可选的，第一预设损失函数为：
LG＝λ1Lr+λ2La+λ3Ll+λ4Lp
其中，LG为第一预设损失函数，λ1为第一权重，λ2为第二权重，λ3为第三权重，λ4为第四权重，Lr为图像转化损失监督函数，La为判别器监督函数，Ll为活体检测模型监督函数，Lp为模型一致性监督函数。
可选的，第二预设损失函数为：
LD＝-E1-E2-E3-E4
其中，LD为第二预设损失函数；E表示数学期望；
表示第二判别器D2的输入为：生成器输出的对应有目标光照环境标签的生成图像；
表示第一判别器D1的输入为：生成器输出的对应有非目标光照环境标签的生成图像；I∈Izc表示第二判别器D2的输入为：对应有目标光照环境标签的训练图像；I∈Its表示第一判别器D1的输入为：对应有非目标光照环境标签的训练图像。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
所述基于彩色人脸图像的活体检测装置包括处理器和存储器，上述待转化图像获得单元100、图像转化单元200和活体检测单元300等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来通过与彩色人脸图像的原始光照属性关联的光照模型对该彩色人脸图像进行光照属性转化，使得转化后的彩色人脸图像具备活体检测要求的目标光照属性特征，从而提高对彩色人脸图像活体检测的精度。
本公开实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述基于彩色人脸图像的活体检测方法。
本公开实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述基于彩色人脸图像的活体检测方法。
如图8所示，本公开实施例提供了一种电子设备400，电子设备400包括至少一个处理器401、以及与处理器401连接的至少一个存储器402、总线403；其中，处理器401、存储器402通过总线403完成相互间的通信；处理器401用于调用存储器402中的程序指令，以执行上述的基于彩色人脸图像的活体检测方法。本文中的电子设备400可以是服务器、PC、PAD、手机等。
本公开还提供了一种计算机程序产品，当在电子设备上执行时，适于执行初始化有上述基于彩色人脸图像的活体检测方法步骤的程序。
本公开是参照根据本公开实施例的方法、装置、电子设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器，使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，电子设备包括一个或多个处理器(CPU)、存储器和总线。电子设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
在本公开的描述中，需要理解的是，如若涉及术语“上”、“下”、“前”、“后”、“左”和“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的位置或元件必须具有特定方位、以特定的方位构成和操作，因此不能理解为本公开的限制。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本公开的实施例可提供为方法、系统或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本公开的实施例而已，并不用于限制本公开。对于本领域技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的权利要求范围之内。
Claims (10)
1.一种基于彩色人脸图像的活体检测方法，其特征在于，包括：
获得待转化彩色人脸图像；
将所述待转化彩色人脸图像输入至已建立的光照转化模型中，以使所述光照转化模型将所述待转化彩色人脸图像按照预设卷积网络进行卷积，获得与所述待转化彩色人脸图像的原始光照属性特征关联的第一光照模型，利用所述第一光照模型对所述待转化彩色人脸图像进行图像光照属性转化，获得具有目标光照属性特征的待检测彩色人脸图像；
对所述待检测彩色人脸图像进行活体检测，获得检测结果。
2.根据权利要求1所述的方法，其特征在于，所述利用所述第一光照模型对所述待转化彩色人脸图像进行图像转化，获得具有目标光照属性特征的待检测彩色人脸图像，包括：
分别将所述第一光照模型与所述待转化彩色人脸图像之间对应位置上的元素相加，获得具有目标光照属性特征的待检测彩色人脸图像。
3.根据权利要求1所述的方法，其特征在于，所述光照转化模型的建立过程包括：
搭建神经网络模型，其中，所述神经网络模型包括生成器、第一判别器、第二判别器和预设活体检测模型；
获得多个训练图像，其中，所述训练图像为彩色人脸图像，所述训练图像对应有光照环境标签和活体属性标签，其中，所述光照环境标签为目标光照环境标签或非目标光照环境标签，所述活体属性标签为活体标签或非活体标签；
将所述训练图像输入至所述生成器中，以使所述生成器将所述训练图像按照所述预设卷积网络进行卷积，获得与所述训练图像中的原始光照属性特征关联的第二光照模型，利用所述第二光照模型对所述训练图像进行图像光照属性转化，获得具有所述目标光照属性特征的生成图像；
将对应有所述非目标光照环境标签的所述训练图像及其所述生成图像作为非目标光照环境下的第一待判别图像，将所述第一待判别图像输入至所述第一判别器中，获得所述第一判别器输出的第一判别结果，其中，所述第一判别结果指示所述第一待判别图像是否为真实的人脸图像；
将对应有所述目标光照环境标签的所述训练图像及其所述生成图像作为目标光照环境下的第二待判别图像，将所述第二待判别图像输入至所述第二判别器中，获得所述第二判别器输出的第二判别结果，其中，所述第二判别结果指示所述第二待判别图像是否为真实的人脸图像；
将各所述训练图像及其所述生成图像输入至所述预设活体检测模型中进行活体检测，获得所述预设活体检测模型输出的检测结果；
将第一预设损失函数作为所述生成器的目标函数，将第二预设损失函数作为所述第一判别器和所述第二判别器的目标函数，对所述生成器、所述第一判别器和所述第二判别器进行交替迭代训练，在满足预设结束训练条件后，将结束训练后的所述生成器确定为所述光照转化模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述待检测彩色人脸图像进行活体检测，获得检测结果，包括：
将所述待检测彩色人脸图像输入至所述预设活体检测模型中，获得所述预设活体检测模型输出的检测结果。
5.根据权利要求4所述的方法，其特征在于，所述将所述待检测彩色人脸图像输入至所述预设活体检测模型中，获得所述预设活体检测模型输出的检测结果，包括：
将所述待检测彩色人脸图像输入至所述预设活体检测模型中，以使所述预设活体检测模型检测出所述待检测彩色人脸图像的活体结果值，并将所述活体结果值与预设活体阈值进行比较，在所述活体结果值不小于所述预设活体阈值时，则输出的检测结果为活体图像，在所述活体结果值小于所述预设活体阈值时，输出的检测结果为非活体图像。
6.根据权利要求3所述的方法，其特征在于，所述第一预设损失函数为：
LG＝λ1Lr+λ2La+λ3Ll+λ4Lp
其中，LG为所述第一预设损失函数，λ1为第一权重，λ2为第二权重，λ3为第三权重，λ4为第四权重，Lr为图像转化损失监督函数，La为判别器监督函数，Ll为活体检测模型监督函数，Lp为模型一致性监督函数。
7.根据权利要求3所述的方法，其特征在于，所述第二预设损失函数为：
LD＝-E1-E2-E3-E4
其中，LD为所述第二预设损失函数；E表示数学期望；
表示所述第二判别器D2的输入为：所述生成器输出的对应有所述目标光照环境标签的生成图像；
表示所述第一判别器D1的输入为：所述生成器输出的对应有所述非目标光照环境标签的生成图像；I∈Izc表示所述第二判别器D2的输入为：对应有所述目标光照环境标签的训练图像；I∈Its表示所述第一判别器D1的输入为：对应有所述非目标光照环境标签的训练图像。
8.一种基于彩色人脸图像的活体检测装置，其特征在于，包括：待转化图像获得单元、图像转化单元和活体检测单元，
所述待转化图像获得单元，用于获得待转化彩色人脸图像；
所述图像转化单元，用于将所述待转化彩色人脸图像输入至已建立的光照转化模型中，以使所述光照转化模型将所述待转化彩色人脸图像按照预设卷积网络进行卷积，获得与所述待转化彩色人脸图像的原始光照属性特征关联的第一光照模型，利用所述第一光照模型对所述待转化彩色人脸图像进行图像光照属性转化，获得具有目标光照属性特征的待检测彩色人脸图像；
所述活体检测单元，用于对所述待检测彩色人脸图像进行活体检测，获得检测结果。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的基于彩色人脸图像的活体检测方法。
10.一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至7中任一项所述的基于彩色人脸图像的活体检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110650126.3A CN113378715B (zh) | 2021-06-10 | 2021-06-10 | 一种基于彩色人脸图像的活体检测方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110650126.3A CN113378715B (zh) | 2021-06-10 | 2021-06-10 | 一种基于彩色人脸图像的活体检测方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378715A true CN113378715A (zh) | 2021-09-10 |
| CN113378715B CN113378715B (zh) | 2024-01-05 |
Family
ID=77573803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110650126.3A Active CN113378715B (zh) | 2021-06-10 | 2021-06-10 | 一种基于彩色人脸图像的活体检测方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378715B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115601818A (zh) * | 2022-11-29 | 2023-01-13 | 海豚乐智科技（成都）有限责任公司（Cn） | 一种轻量化可见光活体检测方法及装置 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416324A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术（北京）有限公司 | 用于检测活体的方法和装置 |
| CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
| WO2019071664A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技（深圳）有限公司 | 结合深度信息的人脸识别方法、装置及存储介质 |
| CN109815893A (zh) * | 2019-01-23 | 2019-05-28 | 中山大学 | 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法 |
| 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 |
| CN110008783A (zh) * | 2018-01-04 | 2019-07-12 | 杭州海康威视数字技术股份有限公司 | 基于神经网络模型的人脸活体检测方法、装置及电子设备 |
| CN110490076A (zh) * | 2019-07-18 | 2019-11-22 | 平安科技（深圳）有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
| WO2020000908A1 (zh) * | 2018-06-29 | 2020-01-02 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
| CN110766631A (zh) * | 2019-10-21 | 2020-02-07 | 北京旷视科技有限公司 | 人脸图像的修饰方法、装置、电子设备和计算机可读介质 |
| WO2020037680A1 (zh) * | 2018-08-24 | 2020-02-27 | 太平洋未来科技（深圳）有限公司 | 基于光线的三维人脸优化方法、装置及电子设备 |
| WO2020125623A1 (zh) * | 2018-12-20 | 2020-06-25 | 上海瑾盛通信科技有限公司 | 活体检测方法、装置、存储介质及电子设备 |
| CN111680672A (zh) * | 2020-08-14 | 2020-09-18 | 腾讯科技（深圳）有限公司 | 人脸活体检测方法、系统、装置、计算机设备和存储介质 |
| CN112069887A (zh) * | 2020-07-31 | 2020-12-11 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、装置、终端设备及存储介质 |
| WO2020258120A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
| WO2020258119A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
| WO2020258121A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳市汇顶科技股份有限公司 | 一种人脸识别的方法、装置和电子设备 |
| CN112633113A (zh) * | 2020-12-17 | 2021-04-09 | 厦门大学 | 跨摄像头的人脸活体检测方法及系统 |
| WO2021068322A1 (zh) * | 2019-10-10 | 2021-04-15 | 平安科技（深圳）有限公司 | 活体检测模型的训练方法、装置、计算机设备和存储介质 |
-
2021
- 2021-06-10 CN CN202110650126.3A patent/CN113378715B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019071664A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技（深圳）有限公司 | 结合深度信息的人脸识别方法、装置及存储介质 |
| 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 |
| CN110008783A (zh) * | 2018-01-04 | 2019-07-12 | 杭州海康威视数字技术股份有限公司 | 基于神经网络模型的人脸活体检测方法、装置及电子设备 |
| CN108416324A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术（北京）有限公司 | 用于检测活体的方法和装置 |
| WO2020000908A1 (zh) * | 2018-06-29 | 2020-01-02 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
| WO2020037680A1 (zh) * | 2018-08-24 | 2020-02-27 | 太平洋未来科技（深圳）有限公司 | 基于光线的三维人脸优化方法、装置及电子设备 |
| CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
| WO2020125623A1 (zh) * | 2018-12-20 | 2020-06-25 | 上海瑾盛通信科技有限公司 | 活体检测方法、装置、存储介质及电子设备 |
| CN109815893A (zh) * | 2019-01-23 | 2019-05-28 | 中山大学 | 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法 |
| WO2020258119A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
| WO2020258121A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳市汇顶科技股份有限公司 | 一种人脸识别的方法、装置和电子设备 |
| WO2020258120A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
| CN110490076A (zh) * | 2019-07-18 | 2019-11-22 | 平安科技（深圳）有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
| WO2021068322A1 (zh) * | 2019-10-10 | 2021-04-15 | 平安科技（深圳）有限公司 | 活体检测模型的训练方法、装置、计算机设备和存储介质 |
| CN110766631A (zh) * | 2019-10-21 | 2020-02-07 | 北京旷视科技有限公司 | 人脸图像的修饰方法、装置、电子设备和计算机可读介质 |
| CN112069887A (zh) * | 2020-07-31 | 2020-12-11 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、装置、终端设备及存储介质 |
| CN111680672A (zh) * | 2020-08-14 | 2020-09-18 | 腾讯科技（深圳）有限公司 | 人脸活体检测方法、系统、装置、计算机设备和存储介质 |
| CN112633113A (zh) * | 2020-12-17 | 2021-04-09 | 厦门大学 | 跨摄像头的人脸活体检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| HU FEI等: "Multi-cue fusion face liveness detection based on fine-tuning strategy", COMPUTER ENGINEERING, vol. 45, no. 5, pages 256 - 260 * |
| 晏鹏程;张一鸣;童光红;黄锋;欧先锋;: "基于卷积神经网络的视频监控人脸识别方法", 成都工业学院学报, no. 01, pages 32 - 37 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115601818A (zh) * | 2022-11-29 | 2023-01-13 | 海豚乐智科技（成都）有限责任公司（Cn） | 一种轻量化可见光活体检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378715B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840531B (zh) | 训练多标签分类模型的方法和装置 | |
| WO2019100724A1 (zh) | 训练多标签分类模型的方法和装置 | |
| JP6798183B2 (ja) | 画像解析装置、画像解析方法およびプログラム | |
| CN110717851A (zh) | 图像处理方法及装置、神经网络的训练方法、存储介质 | |
| JP2017062781A (ja) | 深層ｃｎｎプーリング層を特徴として用いる、類似度に基づく重要な対象の検知 | |
| CN111612834B (zh) | 生成目标图像的方法、装置及设备 | |
| CN111754546A (zh) | 一种基于多特征图融合的目标跟踪方法、系统及存储介质 | |
| CN114049332A (zh) | 异常检测方法及装置、电子设备和存储介质 | |
| JP2010157118A (ja) | パターン識別装置及びパターン識別装置の学習方法ならびにコンピュータプログラム | |
| CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN111310821A (zh) | 多视图特征融合方法、系统、计算机设备及存储介质 | |
| CN115631112B (zh) | 一种基于深度学习的建筑轮廓矫正方法及装置 | |
| Linda et al. | Color-mapped contour gait image for cross-view gait recognition using deep convolutional neural network | |
| CN113408554A (zh) | 数据处理方法、模型训练方法、装置及设备 | |
| CN112204957A (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
| CN113378715A (zh) | 一种基于彩色人脸图像的活体检测方法及相关设备 | |
| JP2018120402A (ja) | イベント検出装置、イベント検出方法、プログラム | |
| CN113111687A (zh) | 数据处理方法、系统及电子设备 | |
| CN112613574B (zh) | 一种图像分类模型的训练方法、图像分类方法和装置 | |
| CN114820755A (zh) | 一种深度图估计方法及系统 | |
| KR20230111010A (ko) | 관절 예측을 위한 학습 데이터 생성 방법 및 장치 | |
| CN113962846A (zh) | 图像对齐方法及装置、计算机可读存储介质及电子设备 | |
| Choi et al. | TMO: Textured Mesh Acquisition of Objects with a Mobile Device by using Differentiable Rendering | |
| CN111275183A (zh) | 视觉任务的处理方法、装置和电子系统 | |
| CN116993929B (zh) | 基于人眼动态变化的三维人脸重建方法、装置及存储介质 |
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 | ||
| GR01 | Patent grant |