CN113505722B - 一种基于多尺度特征融合的活体检测方法、系统及装置 - Google Patents
一种基于多尺度特征融合的活体检测方法、系统及装置 Download PDFInfo
- Publication number
- CN113505722B CN113505722B CN202110835583.XA CN202110835583A CN113505722B CN 113505722 B CN113505722 B CN 113505722B CN 202110835583 A CN202110835583 A CN 202110835583A CN 113505722 B CN113505722 B CN 113505722B
- Authority
- CN
- China
- Prior art keywords
- face image
- features
- feature
- image
- real
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000001727 in vivo Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000001574 biopsy Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度特征融合的活体检测方法、系统及装置,包括:获取训练图像并对训练图像进行人脸关键点检测并进行裁剪,得到裁剪后的训练图像;基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征;基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征;基于三元组损失函数对重构真实人脸图像特征和攻击人脸图像特征进行约束,得到分类边界;采用全连接层作为分类器并根据分类边界对待测图像进行检测,得到检测结果。本发明方法提高人脸活体检测性能。本发明作为一种基于多尺度特征融合的活体检测方法、系统及装置,可广泛应用于计算机视觉领域。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种基于多尺度特征融合的活体检测方法、系统及装置。
背景技术
作为生物识别系统的代表技术之一,人脸识别技术逐渐成熟并商业化,目前已经被广泛应用于各种领域,包括身份验证、刑事侦查等。但由此也引发了一系列不容忽视的安全问题,黑客利用廉价的照片或者视频就可以对人脸识别系统进行攻击。目前已有的人脸活体检测技术存在用户友好性不强和对光照强度过于敏感等问题,且在复杂多变的环境下稳定性不高,例如改变光照、距离、表情、姿势、攻击类型、摄像设备的分辨率等,都会使得检测性能大幅下降。
发明内容
为了解决上述问题,本发明的目的是提供一种基于多尺度特征融合的活体检测方法、系统及装置,以提高人脸活体检测性能。
本发明所采用的第一技术方案是:一种基于多尺度特征融合的活体检测方法,包括以下步骤:
S1、获取训练图像并对训练图像进行人脸关键点检测并进行裁剪,得到裁剪后的训练图像;
S2、基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征;
S3、基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征;
S4、基于三元组损失函数对重构真实人脸图像特征和攻击人脸图像特征进行约束,得到分类边界;
S5、采用全连接层作为分类器并根据分类边界对待测图像进行检测,得到检测结果。
进一步,所述获取训练图像并对训练图像进行人脸关键点检测并进行裁剪,得到裁剪后的训练图像这一步骤,其具体还包括:
S11、获取训练用的真实人脸图像和对应的攻击人脸图像;
S12、基于多任务卷积神经网络对真实人脸图像和对应的攻击人脸图像进行人脸关键点检测,得到人脸位置;
S13、根据人脸位置对真实人脸图像和对应的攻击人脸图像进行裁剪,得到裁剪后的训练图像。
进一步,所述特征提取网络包括由8个级联的卷积层构成的神经网络和多尺度特征融合模块,所述基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征这一步骤,其具体包括:
基于多个卷积层分别裁剪后的训练图像分别进行特征提取,得到真实人脸图像和攻击人脸图像各层特征;
基于多尺度特征融合模块对真实人脸图像和攻击人脸图像各层特征进行融合,得到真实人脸图像特征和攻击人脸图像特征。
进一步,所述生成对抗网络包括特征生成器和特征判别器,所述基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征这一步骤,其具体包括:
S31、特征生成器根据真实人脸图像特征生成多个重构特征;
S32、特征判别器对重构特征进行判别;
S33、当重构特征被判定为虚假特征,对特征生成器和特征判别器进行参数调整;
S34、循环步骤S31-S33,直至生成的重构特征被判定为真实人脸图像特征。
进一步,所述对特征生成器和特征判别器进行参数调整具体基于损失函数进行调整,公式如下:
上式中,D表示特征判别器,G表示特征生成器,D(x)表示x为真实图片的概率,Ex~pdata(x)表示data(x)分布函数的期望,Ez~pz(z)表示z(z)分布函数的期望。
进一步,所述三元组损失函数的表达式如下:
上式中,G表示输入的人脸图片数据集,表示计算欧式距离,/>表示数据集中的锚点,/>表示锚点对应的正例,/>表示锚点对应的负例,α是/>指/>与之间的距离和/>与之间的距离的最小间隔。
进一步,所述采用全连接层作为分类器并根据分类边界对待测图像进行检测这一步骤之前还包括对待测图像进行图像对齐和图像裁剪。
本发明所采用的第一技术方案是:基于多尺度特征融合的活体检测系统,包括以下模块:
预处理模块,用于获取训练图像并对训练图像进行人脸关键点检测并进行裁剪,得到裁剪后的训练图像;
特征提取模块,用于基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征;
重构模块,用于基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征;
约束模块,用于基于三元组损失函数对重构真实人脸图像特征和攻击人脸图像特征进行约束,得到分类边界;
检测模块,用于采用全连接层作为分类器并根据分类边界对待测图像进行检测,得到检测结果。
本发明所采用的第三技术方案:一种基于多尺度特征融合的活体检测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种基于多尺度特征融合的活体检测方法。
本发明方法的有益效果是:本发明通过对抗生成网络忽略人脸图像中的域信息,使得提取到的特征对图片分辨率、光照、姿势等环境变化具有显著的鲁棒性,通过特征提取网络提取更有利于分类的空间维度上的特征,使得在相同参数量的基础上,获得更具有判别性、灵活性的特征,以进一步提高检测性能。
附图说明
图1是本发明一种基于多尺度特征融合的活体检测方法的步骤流程图;
图2是本发明具体实施例基于多尺度特征融合的活体检测过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1和图2,本发明提供了一种基于多尺度特征融合的活体检测方法,包括以下步骤:
S1、获取训练图像并对训练图像进行人脸关键点检测并进行裁剪,得到裁剪后的训练图像;
S2、基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征;
具体地,为保证特征提取方式的一致性,真实人脸和攻击人脸图像特征提取器共享网络权值参数。
S3、基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征;
S4、基于三元组损失函数对重构真实人脸图像特征和攻击人脸图像特征进行约束,得到分类边界;
具体地,利用三元组损失对图像特征进行约束,将真实人脸与攻击人脸间隔开来,从而寻求一个更好的分类边界。
S5、采用全连接层作为分类器并根据分类边界对待测图像进行检测,得到检测结果。
进一步作为本方法的优选实施例,所述获取训练图像并对训练图像进行人脸关键点检测并进行裁剪,得到裁剪后的训练图像这一步骤,其具体还包括:
S11、获取训练用的真实人脸图像和对应的攻击人脸图像;
S12、基于多任务卷积神经网络对真实人脸图像和对应的攻击人脸图像进行人脸关键点检测,得到人脸位置;
S13、根据人脸位置对真实人脸图像和对应的攻击人脸图像进行裁剪,得到裁剪后的训练图像。
具体地,裁剪的大小为256×256×3。再对图像进行随机裁剪为不同的图像块,作为网络的输入,随机输入人脸图像的局部块,忽略人脸图像各个像素点在空间的顺序,使得提取到的特征对于各种攻击类型以及外部条件具有较好的泛化能力。
进一步作为本方法的优选实施例,所述特征提取网络包括由8个级联的卷积层构成的神经网络和多尺度特征融合模块,所述基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征这一步骤,其具体包括:
S21、基于多个卷积层分别裁剪后的训练图像分别进行特征提取,得到真实人脸图像和攻击人脸图像各层特征;
S22、基于多尺度特征融合模块对真实人脸图像和攻击人脸图像各层特征进行融合,得到真实人脸图像特征和攻击人脸图像特征。
具体地,多尺度特征融合模块从空间维度上融合了来自不同卷积层的特征,从而尽可能地获取有效的信息。由于来自高层的特征具有更深层次的语义信息,而低层的特征包含更具有细粒度的信息,我们需要对不同层的特征应用不同的关注度,即需要采用空间注意力模块对进行不同的关注。其中,为了减少使用的参数量以及保持特征图的维度一直,该模块对特征图采用了下采样以及1×1的卷积操作,最后提炼出有效信息。
进一步作为本方法优选实施例,所述生成对抗网络包括特征生成器和特征判别器,所述基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征这一步骤,其具体包括:
S31、特征生成器根据真实人脸图像特征生成多个重构特征;
S32、特征判别器对重构特征进行判别;
S33、当重构特征被判定为虚假特征,对特征生成器和特征判别器进行参数调整;
S34、循环步骤S31-S33,直至生成的重构特征被判定为真实人脸图像特征。
具体地,生成对抗网络对真实人脸进行重构,提升网络对真实人脸的鉴别能力,换言之,也就对攻击类型具有泛化能力。生成对抗网络由一个特征生成器G和特征判别器D构成,在训练过程中,D会接收真数据和G产生的假数据,其功能是判断图片是属于真数据的还是假数据的。训练会一直持续到两者进入到一个均衡和谐的状态,即直至G生成的特征足以以假乱真。
进一步作为本方法优选实施例,所述对特征生成器和特征判别器进行参数调整具体基于损失函数进行调整,公式如下:
上式中,D表示特征判别器,G表示特征生成器,D(x)表示x为真实图片的概率,Ex~pdata(x)表示data(x)分布函数的期望,Ez~pz(z)表示z(z)分布函数的期望。
进一步作为本方法的优选实施例,所述三元组损失函数的表达式如下:
上式中,G表示输入的人脸图片数据集,表示计算欧式距离,/>表示数据集中的锚点,/>表示锚点对应的正例,/>表示锚点对应的负例,α是/>指/>与之间的距离和/>与之间的距离的最小间隔。
进一步作为本方法的优选实施例,所述采用全连接层作为分类器并根据分类边界对待测图像进行检测这一步骤之前还包括对待测图像进行图像对齐和图像裁剪。
具体地,裁剪之后的大小统一为256×256×3,有利于增强有关信息的可检测性和最大限度地简化数据。
一种基于多尺度特征融合的活体检测系统,包括:
预处理模块,用于获取训练图像并对训练图像进行人脸关键点检测并进行裁剪,得到裁剪后的训练图像;
特征提取模块,用于基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征;
重构模块,用于基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征;
约束模块,用于基于三元组损失函数对重构真实人脸图像特征和攻击人脸图像特征进行约束,得到分类边界;
检测模块,用于采用全连接层作为分类器并根据分类边界对待测图像进行检测,得到检测结果。
一种基于多尺度特征融合的活体检测装置:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种基于多尺度特征融合的活体检测方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种基于多尺度特征融合的活体检测方法,其特征在于,包括以下步骤:
S1、获取训练图像并对训练图像进行人脸关键点检测并进行裁剪,得到裁剪后的训练图像;
S2、基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征;
所述特征提取网络包括由8个级联的卷积层构成的神经网络和多尺度特征融合模块,所述基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征这一步骤,其具体包括:
S21、基于多个卷积层分别裁剪后的训练图像分别进行特征提取,得到真实人脸图像和攻击人脸图像各层特征;
S22、基于多尺度特征融合模块对真实人脸图像和攻击人脸图像各层特征进行融合,得到真实人脸图像特征和攻击人脸图像特征;
S3、基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征;
S4、基于三元组损失函数对重构真实人脸图像特征和攻击人脸图像特征进行约束,得到分类边界;
S5、采用全连接层作为分类器并根据分类边界对待测图像进行检测,得到检测结果;
所述生成对抗网络包括特征生成器和特征判别器,所述基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征这一步骤,其具体包括:
S31、特征生成器根据真实人脸图像生成多个重构特征;
S32、特征判别器对重构特征进行判别;
S33、当重构特征被判定为虚假特征,对特征生成器和特征判别器进行参数调整;
S34、循环步骤S31-S33,直至生成的重构特征被判定为真实人脸图像特征;
所述三元组损失函数的表达式如下:
上式中,G表示输入的人脸图片数据集,表示计算欧式距离,/>表示数据集中的锚点,/>表示锚点对应的正例,/>表示锚点对应的负例,α是/>指/>与之间的距离和/>与/>之间的距离的最小间隔。
2.根据权利要求1所述一种基于多尺度特征融合的活体检测方法,其特征在于,所述获取训练图像并对训练图像进行人脸关键点检测并进行裁剪,得到裁剪后的训练图像这一步骤,其具体还包括:
S11、获取训练用的真实人脸图像和对应的攻击人脸图像;
S12、基于多任务卷积神经网络对真实人脸图像和对应的攻击人脸图像进行人脸关键点检测,得到人脸位置;
S13、根据人脸位置对真实人脸图像和对应的攻击人脸图像进行裁剪,得到裁剪后的训练图像。
3.根据权利要求1所述一种基于多尺度特征融合的活体检测方法,其特征在于,所述对特征生成器和特征判别器进行参数调整具体基于损失函数进行调整,公式如下:
上式中,D表示特征判别器,G表示特征生成器,D(x)表示x为真实图片的概率,Ex~pdata(x)表示data(x)分布函数的期望,Ez~pz(z)表示z(z)分布函数的期望。
4.根据权利要求1所述一种基于多尺度特征融合的活体检测方法,其特征在于,所述采用全连接层作为分类器并根据分类边界对待测图像进行检测这一步骤之前还包括对待测图像进行图像对齐和图像裁剪。
5.一种基于多尺度特征融合的活体检测系统,其特征在于,包括:
预处理模块,用于获取训练图像并对训练图像进行人脸关键点检测并进行裁剪,得到裁剪后的训练图像;
特征提取模块,用于基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征;
重构模块,用于基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征;
约束模块,用于基于三元组损失函数对重构真实人脸图像特征和攻击人脸图像特征进行约束,得到分类边界;
检测模块,用于采用全连接层作为分类器并根据分类边界对待测图像进行检测,得到检测结果;
所述特征提取网络包括由8个级联的卷积层构成的神经网络和多尺度特征融合模块,所述基于特征提取网络对裁剪后的训练图像进行特征提取,得到真实人脸图像特征和攻击人脸图像特征这一步骤,其具体包括:
S21、基于多个卷积层分别裁剪后的训练图像分别进行特征提取,得到真实人脸图像和攻击人脸图像各层特征;
S22、基于多尺度特征融合模块对真实人脸图像和攻击人脸图像各层特征进行融合,得到真实人脸图像特征和攻击人脸图像特征;
所述生成对抗网络包括特征生成器和特征判别器,所述基于生成对抗网络对真实人脸图像特征进行重构,得到重构真实人脸图像特征,其具体包括:
S31、特征生成器根据真实人脸图像生成多个重构特征;
S32、特征判别器对重构特征进行判别;
S33、当重构特征被判定为虚假特征,对特征生成器和特征判别器进行参数调整;
S34、循环步骤S31-S33,直至生成的重构特征被判定为真实人脸图像特征;
所述三元组损失函数的表达式如下:
上式中,G表示输入的人脸图片数据集,表示计算欧式距离,/>表示数据集中的锚点,/>表示锚点对应的正例,/>表示锚点对应的负例,α是/>指/>与之间的距离和/>与/>之间的距离的最小间隔。
6.一种基于多尺度特征融合的活体检测装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-4任一项所述一种基于多尺度特征融合的活体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110835583.XA CN113505722B (zh) | 2021-07-23 | 2021-07-23 | 一种基于多尺度特征融合的活体检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110835583.XA CN113505722B (zh) | 2021-07-23 | 2021-07-23 | 一种基于多尺度特征融合的活体检测方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505722A CN113505722A (zh) | 2021-10-15 |
CN113505722B true CN113505722B (zh) | 2024-01-02 |
Family
ID=78014378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110835583.XA Active CN113505722B (zh) | 2021-07-23 | 2021-07-23 | 一种基于多尺度特征融合的活体检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505722B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114596615B (zh) * | 2022-03-04 | 2023-05-05 | 湖南中科助英智能科技研究院有限公司 | 基于对抗学习的人脸活体检测方法、装置、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217195A (zh) * | 2014-08-07 | 2014-12-17 | 中国矿业大学 | 手部静脉立体成像与识别系统 |
CN104851123A (zh) * | 2014-02-13 | 2015-08-19 | 北京师范大学 | 一种三维人脸变化模拟方法 |
CN107194376A (zh) * | 2017-06-21 | 2017-09-22 | 北京市威富安防科技有限公司 | 面具造假卷积神经网络训练方法及人脸活体检测方法 |
CN109523463A (zh) * | 2018-11-20 | 2019-03-26 | 中山大学 | 一种基于条件生成对抗网络的人脸老化方法 |
CN109543640A (zh) * | 2018-11-29 | 2019-03-29 | 中国科学院重庆绿色智能技术研究院 | 一种基于图像转换的活体检测方法 |
CN111967331A (zh) * | 2020-07-20 | 2020-11-20 | 华南理工大学 | 基于融合特征和字典学习的人脸表示攻击检测方法及系统 |
CN112052761A (zh) * | 2020-08-27 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种对抗人脸图像的生成方法和装置 |
CN112215043A (zh) * | 2019-07-12 | 2021-01-12 | 普天信息技术有限公司 | 一种人脸活体检测方法 |
CN113112411A (zh) * | 2020-01-13 | 2021-07-13 | 南京信息工程大学 | 基于多尺度特征融合的人脸图像语义修复方法 |
CN115376184A (zh) * | 2022-07-20 | 2022-11-22 | 新大陆数字技术股份有限公司 | 一种基于生成对抗网络的ir图像活体检测方法 |
-
2021
- 2021-07-23 CN CN202110835583.XA patent/CN113505722B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851123A (zh) * | 2014-02-13 | 2015-08-19 | 北京师范大学 | 一种三维人脸变化模拟方法 |
CN104217195A (zh) * | 2014-08-07 | 2014-12-17 | 中国矿业大学 | 手部静脉立体成像与识别系统 |
CN107194376A (zh) * | 2017-06-21 | 2017-09-22 | 北京市威富安防科技有限公司 | 面具造假卷积神经网络训练方法及人脸活体检测方法 |
CN109523463A (zh) * | 2018-11-20 | 2019-03-26 | 中山大学 | 一种基于条件生成对抗网络的人脸老化方法 |
CN109543640A (zh) * | 2018-11-29 | 2019-03-29 | 中国科学院重庆绿色智能技术研究院 | 一种基于图像转换的活体检测方法 |
CN112215043A (zh) * | 2019-07-12 | 2021-01-12 | 普天信息技术有限公司 | 一种人脸活体检测方法 |
CN113112411A (zh) * | 2020-01-13 | 2021-07-13 | 南京信息工程大学 | 基于多尺度特征融合的人脸图像语义修复方法 |
CN111967331A (zh) * | 2020-07-20 | 2020-11-20 | 华南理工大学 | 基于融合特征和字典学习的人脸表示攻击检测方法及系统 |
CN112052761A (zh) * | 2020-08-27 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种对抗人脸图像的生成方法和装置 |
CN115376184A (zh) * | 2022-07-20 | 2022-11-22 | 新大陆数字技术股份有限公司 | 一种基于生成对抗网络的ir图像活体检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113505722A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nguyen et al. | Modular convolutional neural network for discriminating between computer-generated images and photographic images | |
CN113076557B (zh) | 一种基于对抗攻击的多媒体隐私保护方法、装置及设备 | |
WO2015149534A1 (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
CN111680675B (zh) | 人脸活体检测方法、系统、装置、计算机设备和存储介质 | |
EP3944188A1 (en) | Image processing device, image processing method, and recording medium in which program is stored | |
CN111274947A (zh) | 一种多任务多线索人脸识别方法、系统及存储介质 | |
CN113505722B (zh) | 一种基于多尺度特征融合的活体检测方法、系统及装置 | |
CN105469042A (zh) | 一种改进型的人像比对方法 | |
CN101711399B (zh) | 静脉图案管理系统、静脉图案登记装置、静脉图案认证装置、静脉图案登记方法、静脉图案认证方法和静脉数据存储装置 | |
Liu et al. | Code-level information fusion of low-resolution iris image sequences for personal identification at a distance | |
CN113011544B (zh) | 基于二维码的人脸生物信息识别方法、系统、终端、介质 | |
CN110502961B (zh) | 一种面部图像检测方法及装置 | |
CN114220097A (zh) | 一种基于对抗攻击的图像语义信息敏感像素域的筛选方法及应用方法与系统 | |
Zhang et al. | Deep learning for finger vein recognition: A brief survey of recent trend | |
Shen et al. | Iritrack: Face presentation attack detection using iris tracking | |
CN113486688A (zh) | 一种人脸识别方法及智能设备 | |
Shao et al. | Eye-based recognition for user identification on mobile devices | |
CN116311389B (zh) | 指纹识别的方法和装置 | |
Kong et al. | Taming self-supervised learning for presentation attack detection: De-folding and de-mixing | |
CN112613470A (zh) | 一种人脸静默活体检测方法、装置、终端及存储介质 | |
Policepatil et al. | Face liveness detection: An overview | |
Sun et al. | Presentation attacks in palmprint recognition systems | |
CN111104982A (zh) | 一种标签无关的跨任务对抗样本生成方法 | |
Peng et al. | End-to-End Anti-Attack Iris Location Based on Lightweight Network | |
KR102513075B1 (ko) | 신경망을 이용한 신분증 도용 탐지 서버 및 방법 |
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 |