CN113542142A - 人像防伪检测方法、装置及计算设备 - Google Patents

人像防伪检测方法、装置及计算设备 Download PDF

Info

Publication number
CN113542142A
CN113542142A CN202010291382.3A CN202010291382A CN113542142A CN 113542142 A CN113542142 A CN 113542142A CN 202010291382 A CN202010291382 A CN 202010291382A CN 113542142 A CN113542142 A CN 113542142A
Authority
CN
China
Prior art keywords
image
detection
portrait
feature
counterfeiting
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
Application number
CN202010291382.3A
Other languages
English (en)
Other versions
CN113542142B (zh
Inventor
陈青青
李伟
陈爽月
严昱超
陈宁华
杨巧节
范胡磊
戚靓亮
穆铁马
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010291382.3A priority Critical patent/CN113542142B/zh
Publication of CN113542142A publication Critical patent/CN113542142A/zh
Application granted granted Critical
Publication of CN113542142B publication Critical patent/CN113542142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G06F18/21355—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis nonlinear criteria, e.g. embedding a manifold in a Euclidean space
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/27—Evaluation or update of window size, e.g. using information derived from acknowledged [ACK] packets
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/29—Flow control; Congestion control using a combination of thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L49/00—Packet switching elements
    • H04L49/20—Support for services
    • H04L49/208—Port mirroring

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例涉及图像处理技术领域，公开了一种人像防伪检测方法、装置及计算设备，该方法包括：获取图像并进行预处理；在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；利用区域搜索匹配方式检测所述图像是否为一图多用。通过上述方式，本发明实施例能够极大提升了人像防伪检测的准确性，能够覆盖95％以上的造假场景，检测实时性高。

Description

人像防伪检测方法、装置及计算设备
技术领域
本发明实施例涉及图像处理技术领域，具体涉及一种人像防伪检测方法、装置及计算设备。
背景技术
在数字化时代，采用人脸识别进行身份验证已经应用到越来越多的生活场景，比如宾馆住宿登记、火车站入站检测、电信运营商实名制业务办理等。在确保实名制业务安全的同时，提高了业务办理的效率，给人们的生产、生活带来了极大的便利。然而由于人脸极易用照片、视频、面具等方式进行复制,由此给人脸识别系统带来了巨大的安全隐患。为了提高人脸识别的安全性，人像防伪技术应运而生。现有的人像防伪技术主要包括数字水印技术和基于动态视频的防伪技术。
数字水印技术主要通过在图像采集环节，在原始图像中加入隐含的水印数据，虽然肉眼不可见图像的变化，但通过水印算法可以验证图像是否被篡改。
动态视频技术，主要包含配合式视频防伪和非配合式视频防伪。配合式视频防伪方法包含动作方式配合式方法和语音配合式方法。动作配合式方法一般采用指令动作配合的，需要用户根据提示完成摇头、眨眼等一系列动作，来判断用户是否完成相应动作来进行防伪检测。语音配合式方法需要用户配合读出屏幕显示的数字或文字，利用语音识别、唇语识别和声话同步检测等技术，判断用户视频中是否准确读出相应文字来进行防伪检测。非配合式视频防伪检测方法包含近红外光防伪、3D光结构防伪和微动作防伪。近红外防伪借助近红外摄像头模组，利用光线在不同材质表面的反射特性来区分人脸和纸片、屏幕等伪造材质。3D光结构防伪借助3D摄像头，相比于传统摄像头，3D摄像头能够采集人脸区域的三维信息，从而抵御纸片、屏幕等攻击手段。微动作防伪借助高清双摄像头模组，通过采集人眼球的细微动作，判断用户是否为真人。
现有方案中，数字水印方法会导致原始图像数据不可恢复的改变，虽然肉眼不可见，但是在涉及法律等敏感领域时是不被允许的。同时，数字水印方法需要配合专用的采集设备使用，且一旦前端图像采集设备被破解，数字水印方法就会失效。而基于动态视频技术的防伪方法，无论是配合式还是非配合式方案，均需要采集用户视频进行检测，实时性能差、网络开销大、设备要求高。其中，动作配合式易于攻破，而语音配合式的技术难度高，且准确率较低，很大程度上受到用户语音语调及方言的影响。非配合式方法虽然准确率较高，但主要缺点在于：需要借助特殊的摄像头模组，价格高昂，且无法集成到普通的电话设备上，适用场景较为局限。
发明内容
鉴于上述问题，本发明实施例提供了一种人像防伪检测方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种人像防伪检测方法，所述方法包括：应用旁挂在机房出口的旁挂设备镜像机房出口交换机节点的上行报文数据；根据所述上行报文数据分析计算出机房出口所述交换机节点的下行实际流量数据；根据所述交换机节点的所述下行实际流量数据应用预设的阈值规则对所述交换机节点进行流量调度。
在一种可选的方式中，所述根据所述上行报文数据分析计算出机房出口所述交换机节点的下行实际流量数据，包括：根据所述上行报文数据获取ACK确认号；根据所述ACK确认号计算所述下行实际流量数据。
在一种可选的方式中，所述根据所述上行报文数据获取ACK确认号，包括：读取所述上行报文数据中的源IP、源端口、目的IP、目的端口和ACK报文，记录ACK初始序号值X；所述ACK确认号根据流量进行累加，记录最终ACK确认号数值Y；所述根据所述ACK确认号计算所述下行实际流量数据，包括：所述下行实际流量数据大小为ACK确认号数值Y与所述ACK初始序号值X的差值。
在一种可选的方式中，所述根据所述下行实际流量数据应用预设的阈值规则对所述交换机节点进行流量调度，包括：根据所述交换机节点的所述下行实际流量数据确定待调出节点和对应的待调出流量、以及可调入节点和对应的可调入流量；应用预设的调度策略将所述待调出节点的待调出流量调度至所述可调入节点。
在一种可选的方式中，所述根据所述交换机节点的所述下行实际流量数据确定待调出节点和对应的待调出流量、以及可调入节点和对应的可调入流量，包括：所述交换机节点的所述下行实际流量数据大于第一流量阈值时，确定所述交换机节点为所述待调出节点，对应的所述待调出流量＝所述下行实际流量数据-第二流量阈值；所述交换机节点的所述下行实际流量数据小于所述第二流量阈值时，确定所述交换机节点为所述可调入节点，对应的所述可调入流量＝所述第二流量阈值-所述下行实际流量数据；所述交换机节点的所述下行实际流量数据在所述第一流量阈值与所述第二流量阈值之间时，确定所述交换机节点不参与流量的调入和调出。
在一种可选的方式中，所述应用预设的调度策略将所述待调出节点的待调出流量调度至所述可调入节点，包括：根据所述待调出流量确定待调出的地址段；将所述可调入节点根据所述可调入流量进行降序排列；将所述可调入节点按照所述可调入流量从高到低作为待调出节点的地址段匹配的对象，直至待调出的地址段全部分配完毕或者可调入节点的可调入流量小于剩余待调出的地址段的所述待调出流量。
在一种可选的方式中，所述根据所述待调出流量确定待调出的地址段之前，包括：通过源IP维度统计流量大小，结合区域网段访问控制列表，获得用户各地址段的所述下行实际流量数据。
根据本发明实施例的另一个方面，提供了一种人像防伪检测装置，所述装置包括：镜像单元，用于应用旁挂在机房出口的旁挂设备镜像机房出口交换机节点的上行报文数据；下行流量计算单元，用于根据所述上行报文数据分析计算出机房出口所述交换机节点的下行实际流量数据；流量调度单元，用于根据所述交换机节点的所述下行实际流量数据应用预设的阈值规则对所述交换机节点进行流量调度。
根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述人像防伪检测方法的步骤。
根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述人像防伪检测方法的步骤。
本发明实施例通过应用旁挂在机房出口的旁挂设备镜像机房出口交换机节点的上行报文数据；根据所述上行报文数据分析计算出机房出口所述交换机节点的下行实际流量数据；根据所述交换机节点的所述下行实际流量数据应用预设的阈值规则对所述交换机节点进行流量调度，能够利用上行报文实现对服务器下行流量数值的计算，简化操作步骤，对原有服务器改动小，利用阈值规则将节点分类和调度，能够有效解决传统全局负载均衡的调度不精确、不实时、不细致的缺陷。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
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，而并不认为是对本发明的限制。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示出了本发明实施例提供的人像防伪检测方法的流程示意图；
图2示出了本发明实施例提供的人像防伪检测方法的P图检测流程示意图；
图3示出了本发明实施例提供的人像防伪检测方法的背景干扰检测示意图；
图4示出了本发明实施例提供的人像防伪检测装置的结构示意图；
图5示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明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发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的人像防伪检测方法的流程示意图。如图1所示，该人像防伪检测方法包括：
步骤S11：获取图像并进行预处理。
本发明实施例的人像防伪检测方法应用在服务器中。客户端通过普通摄像头和二代读卡器进行图片采集，采集到的图传输像到服务器端进行图像预处理。客户端可以是计算机、手机、平板等终端。应用服务器中的应用程序编程接口(ApplicationProgrammingInterface，API)获取采集的图像，具体通过服务器中的交互层对外提供具备表现层状态转移(Representational State Transfer，RESTFUL)风格的微服务接口，易于被客户端应用快速调用。然后对采集的图像进行二值化灰度转换等预处理。
步骤S12：在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图。
对于P图图像来说，虽然肉眼看不出明显的P图痕迹，但是在图像的频域和颜色空间上会留下异常的过渡区域。算法通过Gabor变换和GLCM特征结合，提取图像在多个方向上的空间频率和局部结构特性，并在彩色空间使用卷积神经网络(Convolutional NeuralNetwork，CNN)提取边缘分布特征，通过两者结合有效地检测出P图。在本发明实施例中，如图2所示，步骤S12包括：
步骤S121：应用加博滤波器和灰度共生矩阵特征相结合获取纹理特征。
使用加博(Gabor)滤波器对图像中所有的像素在多角度和多尺度方向上提取特征；对滤波后的所述图像计算幅值特征图；提取所述幅值特征图的灰度共生矩阵(Grey-Level Co-occurrence Matrix，GLCM)特征，并将所述灰度共生矩阵特征的统计特征作为纹理特征。具体在GLCM的基础上计算9种统计特征，均值、方差、标准差、同质性、对比度、非相似性、熵、角二阶矩、相关性作为纹理特征。
步骤S122：在彩色空间上应用卷积神经网络提取边缘特征。
选取所述图像的RGB彩色空间，计算每个像素与周围像素的颜色距离；根据所述颜色距离确定所述卷积神经网络；将所述图像输入所述卷积神经网络，得到所述图像的所述边缘特征。具体地，计算每个像素与其周围8个像素的距离，根据颜色距离确定CNN反馈模板和控制模板，进而将彩色图像输入到对应的CNN网络中，得到彩色图像的边缘特征。
步骤S123：所述纹理特征和所述边缘特征组合形成特征向量，并进行非线性特征降维。
将上述两种方法提取的纹理特征和边缘特征直接组合成特征向量，采用核主成分分析(Kernel Principal Component Analysis，KPCA)算法进行非线性特征降维，减少计算量。KPCA算法使用的核函数如下：
Figure BDA0002450518340000061
其中，C为核函数的值，N表示特征向量的维度，x表示特征向量，
Figure BDA0002450518340000062
表示映射函数。
步骤S124：根据降维后的所述特征向量应用分类器进行分类，得到P图或未P图的分类结果。
在本发明实施例中，使用支持向量机(Support Vector Machine，SVM)分类器进行分类，最终得到P图和未P图的分类结果。
S13步骤：对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像。
在本发明实施例中，应用改进的网络层数和卷积核的Inception v2模型对所述图像进行细节处理和复杂场景检测；应用Faster RCNN分别框出人像框和设备边框的位置，并根据所述人像框和所述设备边框的位置确定所述图像是否为翻拍图像。
进行复杂场景检测时，使用Inception v2模型，通过改进网络层数、卷积核来提取更深层次的图像特征，以达到精确检测的目的。Inception v2模型的网络结构如下表1。
表1Inception v2模型的网络结构
网络类别 卷积窗口/卷积步长 输入网格
卷积层 3*3/2 299*299*3
卷积层 3*3/1 149*149*32
带padding的卷积层 3*3/1 147*147*32
池化层 3*3/2 147*147*64
卷积层 3*3/1 73*73*64
卷积层 3*3/2 71*71*80
卷积层 3*3/1 35*35*192
三层inception — 35*35*288
五层inception — 17*17*768
两层inception — 8*8*1280
池化层 8*8 8*8*2048
输出层 Logits 1*1*2048
Softmax层 — 1*1*1000
进行背景干扰检测时，针对背景中可能包含手机边框或者电脑边框的图像，使用Faster RCNN(Regions with CNN features)分别框出人像边框和设备边框的位置，如果人像框和设备边框重叠度较大，则认定为是翻拍照片，否则为正常照片。Faster RCNN为由区域生成网络风险系数(risk priority number，RPN)加Fast RCNN组成的系统，属于基于候选区域生成的目标检测网络。具体过程如图3所示，将原始图片输入卷积神经网络，应用卷积层进行特征提取，得到特征图，在RPN网络中滑动窗口获取多个候选区域，并获取各候选区域对应的特征信息，根据特征信息获得各候选区域得分，进而提供候选区域建议，选择候选区域。在Fast RCNN网络中，根据特征图以及建议的区域进行池化(ROIPooling)操作，得到对应的特征信息，然后获取分类得分和包围盒(bounding boxes，BBOX)得分，进行确定是否为翻拍照片。
S14步骤：利用区域搜索匹配方式检测所述图像是否为一图多用。
对于同一张图片，用户可能使用部分区域剪裁或者上妆的方式来伪造成不同的图像，实际为同一张图片的重复利用。针对这种造假行为，使用区域搜索匹配的方式，寻找到最佳剪裁区域，然后对肤色、色度、饱和度等特征进行归一化，最后与历史图片进行相似度计算，从而判断是否为一图多用造假。在本发明实施例中，应用多任务卷积神经网络算法进行人脸检测，并获取最佳剪裁区域；对所述最佳剪裁区域进行特征归一；应用dlib对所述最佳剪裁区域进行特征提取，并与历史图像进行相似度识别，确定所述图像是否为一图多用。具体地，使用多任务卷积神经网络(Multi-task convolutional neural network，MTCNN)算法进行人脸检测和最佳剪裁区域搜索，然后使用肤色均衡算法、偏色检测算法和饱和度均衡算法，将两张图片中人脸肤色区域统一到指定的肤色区间范围内。最后对预处理的图片后的人脸区域使用dlib进行特征提取和相似度识别，通过设定相似度阈值来判断是否为同一张图片通过剪裁、上妆处理。
在本发明实施例中，步骤S12-步骤S14应用在服务器的服务层，服务层是人像防伪检测应用的核心部分，其接收来自交互层的图片输入，并行调用P图检测、翻拍检测、一图多用检测三种人像防伪算法进行防伪检测，预处理后的图片利用三项防伪算法检测进行检测，检测通过，方可进入人证比对环节，如检测不通过，则要求重新采集图像。
本发明实施例的人像防伪检测方法融合P图检测、翻拍检测、一图多用检测三种深度学习算法，能够解决P图、翻拍、一图多用3类防伪场景，通过服务化封装、容器化部署，适配多种前端设备，采用深度学习的方法，区别于传统的纯工程防伪检测技术，极大提升了检测准确性，能够覆盖95％以上的造假场景，适配多种前端设备，检测实时性高。
本发明实施例通过获取图像并进行预处理；在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；利用区域搜索匹配方式检测所述图像是否为一图多用，能够极大提升了人像防伪检测的准确性，能够覆盖95％以上的造假场景，检测实时性高。
图4出了本发明实施例的人像防伪检测装置的结构示意图。如图4示，该人像防伪检测装置包括：图像采集单元401、P图检测单元402、翻拍检测单元403以及一图多用检测单元404。其中：
图像采集单元401用于获取图像并进行预处理；P图检测单元402用于在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；翻拍检测单元403用于对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；一图多用检测单元404用于利用区域搜索匹配方式检测所述图像是否为一图多用。
在一种可选的方式中，P图检测单元402用于：应用加博滤波器和灰度共生矩阵特征相结合获取纹理特征；在彩色空间上应用卷积神经网络提取边缘特征；将所述纹理特征和所述边缘特征组合形成特征向量，并进行非线性特征降维；根据降维后的所述特征向量应用分类器进行分类，得到P图或未P图的分类结果。
在一种可选的方式中，P图检测单元402用于：应用加博滤波器对所述图像中所有的像素在多角度和多尺度方向上提取特征；对滤波后的所述图像计算幅值特征图；提取所述幅值特征图的灰度共生矩阵特征，并将所述灰度共生矩阵特征的统计特征作为纹理特征。
在一种可选的方式中，P图检测单元402用于：选取所述图像的RGB彩色空间，计算每个像素与周围像素的颜色距离；根据所述颜色距离确定所述卷积神经网络；将所述图像输入所述卷积神经网络，得到所述图像的所述边缘特征。
在一种可选的方式中，翻拍检测单元403用于：应用改进的网络层数和卷积核的Inception v2模型对所述图像进行细节处理和复杂场景检测；应用Faster RCNN分别框出人像框和设备边框的位置，并根据所述人像框和所述设备边框的位置确定所述图像是否为翻拍图像。
在一种可选的方式中，一图多用检测单元404用于：应用多任务卷积神经网络算法进行人脸检测，并获取最佳剪裁区域；对所述最佳剪裁区域进行特征归一；应用dlib对所述最佳剪裁区域进行特征提取，并与历史图像进行相似度识别，确定所述图像是否为一图多用。
在一种可选的方式中，一图多用检测单元404用于：分别应用肤色均衡算法、偏色检测算法和饱和度均衡算法将图像中所述最佳剪裁区域的肤色、色度、饱和度特征统一到预设的区间范围内。
本发明实施例通过获取图像并进行预处理；在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；利用区域搜索匹配方式检测所述图像是否为一图多用，能够极大提升了人像防伪检测的准确性，能够覆盖95％以上的造假场景，检测实时性高。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的人像防伪检测方法。
可执行指令具体可以用于使得处理器执行以下操作：
获取图像并进行预处理；
在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；
对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；
利用区域搜索匹配方式检测所述图像是否为一图多用。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用加博滤波器和灰度共生矩阵特征相结合获取纹理特征；
在彩色空间上应用卷积神经网络提取边缘特征；
将所述纹理特征和所述边缘特征组合形成特征向量，并进行非线性特征降维；
根据降维后的所述特征向量应用分类器进行分类，得到P图或未P图的分类结果。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用加博滤波器对所述图像中所有的像素在多角度和多尺度方向上提取特征；
对滤波后的所述图像计算幅值特征图；
提取所述幅值特征图的灰度共生矩阵特征，并将所述灰度共生矩阵特征的统计特征作为纹理特征。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
选取所述图像的RGB彩色空间，计算每个像素与周围像素的颜色距离；
根据所述颜色距离确定所述卷积神经网络；
将所述图像输入所述卷积神经网络，得到所述图像的所述边缘特征。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用改进的网络层数和卷积核的Inception v2模型对所述图像进行细节处理和复杂场景检测；
应用Faster RCNN分别框出人像框和设备边框的位置，并根据所述人像框和所述设备边框的位置确定所述图像是否为翻拍图像。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用多任务卷积神经网络算法进行人脸检测，并获取最佳剪裁区域；
对所述最佳剪裁区域进行特征归一；
应用dlib对所述最佳剪裁区域进行特征提取，并与历史图像进行相似度识别，确定所述图像是否为一图多用。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
分别应用肤色均衡算法、偏色检测算法和饱和度均衡算法将图像中所述最佳剪裁区域的肤色、色度、饱和度特征统一到预设的区间范围内。
本发明实施例通过获取图像并进行预处理；在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；利用区域搜索匹配方式检测所述图像是否为一图多用，能够极大提升了人像防伪检测的准确性，能够覆盖95％以上的造假场景，检测实时性高。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的人像防伪检测方法。
可执行指令具体可以用于使得处理器执行以下操作：
获取图像并进行预处理；
在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；
对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；
利用区域搜索匹配方式检测所述图像是否为一图多用。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用加博滤波器和灰度共生矩阵特征相结合获取纹理特征；
在彩色空间上应用卷积神经网络提取边缘特征；
将所述纹理特征和所述边缘特征组合形成特征向量，并进行非线性特征降维；
根据降维后的所述特征向量应用分类器进行分类，得到P图或未P图的分类结果。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用加博滤波器对所述图像中所有的像素在多角度和多尺度方向上提取特征；
对滤波后的所述图像计算幅值特征图；
提取所述幅值特征图的灰度共生矩阵特征，并将所述灰度共生矩阵特征的统计特征作为纹理特征。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
选取所述图像的RGB彩色空间，计算每个像素与周围像素的颜色距离；
根据所述颜色距离确定所述卷积神经网络；
将所述图像输入所述卷积神经网络，得到所述图像的所述边缘特征。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用改进的网络层数和卷积核的Inception v2模型对所述图像进行细节处理和复杂场景检测；
应用Faster RCNN分别框出人像框和设备边框的位置，并根据所述人像框和所述设备边框的位置确定所述图像是否为翻拍图像。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用多任务卷积神经网络算法进行人脸检测，并获取最佳剪裁区域；
对所述最佳剪裁区域进行特征归一；
应用dlib对所述最佳剪裁区域进行特征提取，并与历史图像进行相似度识别，确定所述图像是否为一图多用。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
分别应用肤色均衡算法、偏色检测算法和饱和度均衡算法将图像中所述最佳剪裁区域的肤色、色度、饱和度特征统一到预设的区间范围内。
本发明实施例通过获取图像并进行预处理；在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；利用区域搜索匹配方式检测所述图像是否为一图多用，能够极大提升了人像防伪检测的准确性，能够覆盖95％以上的造假场景，检测实时性高。
图5示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。处理器502，用于执行程序510，具体可以执行上述人像防伪检测方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个CPU；也可以是不同类型的处理器，如一个或各个CPU以及一个或各个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
获取图像并进行预处理；
在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；
对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；
利用区域搜索匹配方式检测所述图像是否为一图多用。
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
应用加博滤波器和灰度共生矩阵特征相结合获取纹理特征；
在彩色空间上应用卷积神经网络提取边缘特征；
将所述纹理特征和所述边缘特征组合形成特征向量，并进行非线性特征降维；
根据降维后的所述特征向量应用分类器进行分类，得到P图或未P图的分类结果。
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
应用加博滤波器对所述图像中所有的像素在多角度和多尺度方向上提取特征；
对滤波后的所述图像计算幅值特征图；
提取所述幅值特征图的灰度共生矩阵特征，并将所述灰度共生矩阵特征的统计特征作为纹理特征。
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
选取所述图像的RGB彩色空间，计算每个像素与周围像素的颜色距离；
根据所述颜色距离确定所述卷积神经网络；
将所述图像输入所述卷积神经网络，得到所述图像的所述边缘特征。
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
应用改进的网络层数和卷积核的Inception v2模型对所述图像进行细节处理和复杂场景检测；
应用Faster RCNN分别框出人像框和设备边框的位置，并根据所述人像框和所述设备边框的位置确定所述图像是否为翻拍图像。
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
应用多任务卷积神经网络算法进行人脸检测，并获取最佳剪裁区域；
对所述最佳剪裁区域进行特征归一；
应用dlib对所述最佳剪裁区域进行特征提取，并与历史图像进行相似度识别，确定所述图像是否为一图多用。
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
分别应用肤色均衡算法、偏色检测算法和饱和度均衡算法将图像中所述最佳剪裁区域的肤色、色度、饱和度特征统一到预设的区间范围内。
本发明实施例通过获取图像并进行预处理；在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；利用区域搜索匹配方式检测所述图像是否为一图多用，能够极大提升了人像防伪检测的准确性，能够覆盖95％以上的造假场景，检测实时性高。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种人像防伪检测方法，其特征在于，所述方法包括：
获取图像并进行预处理；
在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；
对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；
利用区域搜索匹配方式检测所述图像是否为一图多用。
2.根据权利要求1所述的方法，其特征在于，所述在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图，包括：
应用加博滤波器和灰度共生矩阵特征相结合获取纹理特征；
在彩色空间上应用卷积神经网络提取边缘特征；
将所述纹理特征和所述边缘特征组合形成特征向量，并进行非线性特征降维；
根据降维后的所述特征向量应用分类器进行分类，得到P图或未P图的分类结果。
3.根据权利要求2所述的方法，其特征在于，所述应用加博滤波器和灰度共生矩阵特征相结合获取纹理特征，包括：
应用加博滤波器对所述图像中所有的像素在多角度和多尺度方向上提取特征；
对滤波后的所述图像计算幅值特征图；
提取所述幅值特征图的灰度共生矩阵特征，并将所述灰度共生矩阵特征的统计特征作为纹理特征。
4.根据权利要求2所述的方法，其特征在于，所述在彩色空间上应用卷积神经网络提取边缘特征，包括：
选取所述图像的RGB彩色空间，计算每个像素与周围像素的颜色距离；
根据所述颜色距离确定所述卷积神经网络；
将所述图像输入所述卷积神经网络，得到所述图像的所述边缘特征。
5.根据权利要求1所述的方法，其特征在于，所述对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像，包括：
应用改进的网络层数和卷积核的Inception v2模型对所述图像进行细节处理和复杂场景检测；
应用Faster RCNN分别框出人像框和设备边框的位置，并根据所述人像框和所述设备边框的位置确定所述图像是否为翻拍图像。
6.根据权利要求1所述的方法，其特征在于，所述利用区域搜索匹配方式检测所述图像是否为一图多用，包括：
应用多任务卷积神经网络算法进行人脸检测，并获取最佳剪裁区域；
对所述最佳剪裁区域进行特征归一；
应用dlib对所述最佳剪裁区域进行特征提取，并与历史图像进行相似度识别，确定所述图像是否为一图多用。
7.根据权利要求6所述的方法，其特征在于，所述对所述最佳剪裁区域进行特征归一，包括：
分别应用肤色均衡算法、偏色检测算法和饱和度均衡算法将图像中所述最佳剪裁区域的肤色、色度、饱和度特征统一到预设的区间范围内。
8.一种人像防伪检测装置，其特征在于，所述装置包括：
图像采集单元，用于获取图像并进行预处理；
P图检测单元，用于在所述图像的频域或颜色空间上提取特征，并检测所述图像是否进行了P图；
翻拍检测单元，用于对所述图像进行复杂场景和背景干扰检测，确定所述图像是否为翻拍图像；
一图多用检测单元，用于利用区域搜索匹配方式检测所述图像是否为一图多用。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行根据权利要求1-7任一项所述人像防伪检测方法的步骤。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行根据权利要求1-7任一项所述人像防伪检测方法的步骤。
CN202010291382.3A 2020-04-14 2020-04-14 人像防伪检测方法、装置及计算设备 Active CN113542142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010291382.3A CN113542142B (zh) 2020-04-14 2020-04-14 人像防伪检测方法、装置及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010291382.3A CN113542142B (zh) 2020-04-14 2020-04-14 人像防伪检测方法、装置及计算设备

Publications (2)

Publication Number Publication Date
CN113542142A true CN113542142A (zh) 2021-10-22
CN113542142B CN113542142B (zh) 2024-03-22

Family

ID=78088090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010291382.3A Active CN113542142B (zh) 2020-04-14 2020-04-14 人像防伪检测方法、装置及计算设备

Country Status (1)

Country Link
CN (1) CN113542142B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118048A (zh) * 2015-07-17 2015-12-02 北京旷视科技有限公司 翻拍证件图片的识别方法及装置
US9336433B1 (en) * 2013-07-24 2016-05-10 University Of Central Florida Research Foundation, Inc. Video face recognition
US20160292494A1 (en) * 2007-12-31 2016-10-06 Applied Recognition Inc. Face detection and recognition
CN108038179A (zh) * 2017-12-07 2018-05-15 泰康保险集团股份有限公司 身份信息认证方法与装置
CN109859227A (zh) * 2019-01-17 2019-06-07 平安科技（深圳）有限公司 翻拍图像检测方法、装置、计算机设备及存储介质
CN109948718A (zh) * 2019-03-26 2019-06-28 广州国音智能科技有限公司 一种基于多算法融合的系统及方法
CN110348511A (zh) * 2019-07-08 2019-10-18 创新奇智(青岛)科技有限公司 一种图片翻拍检测方法、系统及电子设备
CN110472664A (zh) * 2019-07-17 2019-11-19 杭州有盾网络科技有限公司 一种基于深度学习的证件图片识别方法、装置及设备
CN110516616A (zh) * 2019-08-29 2019-11-29 河南中原大数据研究院有限公司 一种基于大规模rgb以及近红外数据集的双重认证人脸防伪方法
CN110610505A (zh) * 2019-09-25 2019-12-24 中科新松有限公司 一种融合深度和色彩信息的图像分割方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160292494A1 (en) * 2007-12-31 2016-10-06 Applied Recognition Inc. Face detection and recognition
US9336433B1 (en) * 2013-07-24 2016-05-10 University Of Central Florida Research Foundation, Inc. Video face recognition
CN105118048A (zh) * 2015-07-17 2015-12-02 北京旷视科技有限公司 翻拍证件图片的识别方法及装置
CN108038179A (zh) * 2017-12-07 2018-05-15 泰康保险集团股份有限公司 身份信息认证方法与装置
CN109859227A (zh) * 2019-01-17 2019-06-07 平安科技（深圳）有限公司 翻拍图像检测方法、装置、计算机设备及存储介质
CN109948718A (zh) * 2019-03-26 2019-06-28 广州国音智能科技有限公司 一种基于多算法融合的系统及方法
CN110348511A (zh) * 2019-07-08 2019-10-18 创新奇智(青岛)科技有限公司 一种图片翻拍检测方法、系统及电子设备
CN110472664A (zh) * 2019-07-17 2019-11-19 杭州有盾网络科技有限公司 一种基于深度学习的证件图片识别方法、装置及设备
CN110516616A (zh) * 2019-08-29 2019-11-29 河南中原大数据研究院有限公司 一种基于大规模rgb以及近红外数据集的双重认证人脸防伪方法
CN110610505A (zh) * 2019-09-25 2019-12-24 中科新松有限公司 一种融合深度和色彩信息的图像分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘丽;赵凌君;郭承玉;王亮;汤俊;: "图像纹理分类方法研究进展和展望", 自动化学报, no. 04 *
周明月;白晓亮;史红;刘微;: "一种快速车牌识别系统", 长春理工大学学报(自然科学版), no. 04 *
奚永忠;李健;: "数字图像的真伪检验", 产业与科技论坛, no. 02 *
康凯;王重道;王生进;范英;: "面向人口信息人像比对应用的人像比对算法研究", 信息网络安全, no. 12 *
陈靖;王飞;张儒良;: "聚集人群人脸检测研究", 软件导刊, no. 04 *

Also Published As

Publication number Publication date
CN113542142B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
US20200364443A1 (en) Method for acquiring motion track and device thereof, storage medium, and terminal
Marciniak et al. Influence of low resolution of images on reliability of face detection and recognition
CN108334848B (zh) 一种基于生成对抗网络的微小人脸识别方法
RU2691195C1 (ru) Качество изображения и признака, улучшение изображения и выделение признаков для распознавания по сосудам глаза и лицам, и объединение информации о сосудах глаза с информацией о лицах и/или частях лиц для биометрических систем
González-Briones et al. A multi-agent system for the classification of gender and age from images
US9104914B1 (en) Object detection with false positive filtering
TW505892B (en) System and method for promptly tracking multiple faces
US9042650B2 (en) Rule-based segmentation for objects with frontal view in color images
US6661907B2 (en) Face detection in digital images
CN109948566B (zh) 一种基于权重融合与特征选择的双流人脸反欺诈检测方法
KR101781358B1 (ko) 디지털 영상 내의 얼굴 인식을 통한 개인 식별 시스템 및 방법
JP2001216515A (ja) 人物の顔の検出方法およびその装置
CN110427972B (zh) 证件视频特征提取方法、装置、计算机设备和存储介质
CN111222433B (zh) 自动人脸稽核方法、系统、设备及可读存储介质
US11670069B2 (en) System and method for face spoofing attack detection
JP2020518879A (ja) 検出システム、検出装置およびその方法
Tsai et al. Robust in-plane and out-of-plane face detection algorithm using frontal face detector and symmetry extension
Devadethan et al. Face detection and facial feature extraction based on a fusion of knowledge based method and morphological image processing
Peng et al. Presentation attack detection based on two-stream vision transformers with self-attention fusion
CN113468954B (zh) 基于多通道下局部区域特征的人脸伪造检测方法
JP3962517B2 (ja) 顔面検出方法及びその装置、コンピュータ可読媒体
CN108810455A (zh) 一种可人脸识别的智能视频监控系统
CN113837019B (zh) 一种化妆进度检测方法、装置、设备及存储介质
CN113542142A (zh) 人像防伪检测方法、装置及计算设备
Borah et al. ANN based human facial expression recognition in color images

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