CN113610042B - 一种基于预训练图片残差的人脸识别活体检测方法 - Google Patents
一种基于预训练图片残差的人脸识别活体检测方法 Download PDFInfo
- Publication number
- CN113610042B CN113610042B CN202110951138.XA CN202110951138A CN113610042B CN 113610042 B CN113610042 B CN 113610042B CN 202110951138 A CN202110951138 A CN 202110951138A CN 113610042 B CN113610042 B CN 113610042B
- Authority
- CN
- China
- Prior art keywords
- face
- real
- residual
- fake
- resimg
- 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
Images
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
- G06N3/08—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)
- Collating Specific Patterns (AREA)
Abstract
本发明公开一种基于预训练图片残差的人脸识别活体检测方法,具体包括如下步骤:对数据集做平均脸处理;将输入判断的图片与平均脸做残差获得残差图像;将处理后的图像输入神经网络中获取判断结果。本发明通过对比平均脸模型的图片残差,根据神经网络模型判断得出结果,基于常用的神经网络模型ShuffleNet,耗时低,速度快,使用单镜头的准确度与多模镜头的识别率相当。使用对比平均脸模型的图片残差的方式可以显著增强模型泛化性,使用单镜头的方案,适用范围广,成本低,兼容当前主流设备。
Description
技术领域
本发明应用于活体检测领域,具体是一种基于预训练图片残差的人脸识别活体检测方法。
背景技术
随着科技的发展,移动支付,智能门锁的场景越来越多的出现。使用人脸支付或者解锁门禁因为其方便程度而逐渐被大众所接受。但是与此而来的就是要判别检测到的人脸是否是一张真正的人脸,还是由打印纸,电子屏或者面具显示的一张虚假的脸。这个问题是是否能安全使用人脸技术的核心之一。主流的解决方案需要两个甚至更多的镜头去检测人脸是否是活体,使用多模镜头成本较高,如果使用多RGB镜头,耗时较高,且需要前期的标定,如果使用红外镜头,无法自由调节所选红外射线的波长,如果使用深度镜头,成本较高。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种基于预训练图片残差的人脸识别活体检测方法。
为解决上述技术问题,本发明的一种基于预训练图片残差的人脸识别活体检测方法,具体包括如下步骤:
对数据集做平均脸处理;
将输入判断的图片与平均脸做残差获得残差图像;
将处理后的图像输入神经网络中获取判断结果。
作为一种可能的实施方式,进一步的,所述对数据集做平均脸处理步骤具体为:
根据训练数据集中的真脸和假脸获取各自平均人脸成像:
得到真人平均脸Realavg和伪造平均脸Fakeavg。
作为一种可能的实施方式,进一步的,所述将输入判断的图片与平均脸做残差获得残差图像步骤具体包括:
获取残差底图和残差平均脸;
利用残差底图和残差平均脸对真人脸输入Realinput和伪造脸输入Fakeinput均进行数据增强;
获取数据增强后的数据集。
作为一种可能的实施方式,进一步的,所述获取残差底图步骤具体为:准备一张像素值均为(128,128,128)的图像作为残差底图ResImgbase。
作为一种可能的实施方式,进一步的,所述残差平均脸获取步骤具体为:利用获取的真人平均脸Realavg和伪造平均脸Fakeavg求得残差平均脸,计算公式为:ResImgavg=Realavg-Fakeavg+ResImgbase。
作为一种可能的实施方式,进一步的,所述数据增强具体包括如下步骤:
获取残差伪造脸:ResImgfake=Realavg-Fakeinput+ResImgbase
获取残差平均脸融合伪造脸:MergeImgfake=Fakeinput+ResImgavg
获取残差真人脸:ResImgreal=Realavg-Realinput+ResImgbase
获取残差平均脸融合真人脸:MergeImgreal=Realinput+ResImgavg。
作为一种可能的实施方式,进一步的,所述获取数据增强后的数据集步骤获取到的数据集为三组相对的数据集:
DA:(Realinput,Fakeinput)
DB:(ResImgreal,ResImgfake)
Dc:(MergeImgreal,MergeImgfake)。
作为一种可能的实施方式,进一步的,所述将处理后的图像输入神经网络中获取判断结果步骤具体为:将DA,DB,Dc送入ShuffleNet神经网络,进行训练分类操作。
本发明采用以上技术方案,具有以下有益效果:本发明通过对比平均脸模型的图片残差,根据神经网络模型判断得出结果,基于常用的神经网络模型ShuffleNet,耗时低,速度快,使用单镜头的准确度与多模镜头的识别率相当。使用对比平均脸模型的图片残差的方式可以显著增强模型泛化性,使用单镜头的方案,适用范围广,成本低,兼容当前主流设备。
附图说明
下面结合附图与具体实施方式对本发明做进一步详细的说明:
图1为本发明流程简图;
图2为本发明原理示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述。
如图1-2所示,本发明提供了一种基于预训练图片残差的人脸识别活体检测方法,先对数据集做平均脸处理,然后将输入判断的图片与平均脸做残差获得残差图像,最后将处理后的图像输入ShuffleNet神经网络中获取判断结果,具体包括如下步骤:
对数据集做平均脸处理;具体为:
根据训练数据集中的真脸和假脸获取各自平均人脸成像:
得到真人平均脸Realavg和伪造平均脸Fakeavg。
将输入判断的图片与平均脸做残差获得残差图像;
具体包括:
获取残差底图和残差平均脸;
利用残差底图和残差平均脸对真人脸输入Realinput和伪造脸输入Fakeinput均进行数据增强;
获取数据增强后的数据集。
其中,获取残差底图步骤具体为:准备一张像素值均为(128,128,128)的图像作为残差底图ResImgbase。
其中,残差平均脸获取步骤具体为:利用获取的真人平均脸Realavg和伪造平均脸Fakeavg求得残差平均脸,计算公式为:ResImgavg=Realavg-Fakeavg+ResImgbase。
其中,数据增强具体包括如下步骤:
获取残差伪造脸:ResImgfake=Realavg-Fakeinput+ResImgbase
获取残差平均脸融合伪造脸:MergeImgfake=Fakeinput+ResImgavg
获取残差真人脸:ResImgreal=Realavg-Realinput+ResImgbase
获取残差平均脸融合真人脸:MergeImgreal=Realinput+ResImgavg。
其中,获取数据增强后的数据集步骤获取到的数据集为三组相对的数据集:
DA:(Realinput,Fakeinput)
DB:(ResImgreal,ResImgfake)
Dc:(MergeImgreal,MergeImgfake)。
将处理后的图像输入神经网络中获取判断结果,具体为:将DA,DB,Dc送入ShuffleNet神经网络,进行训练分类操作。
一种基于预训练图片残差的人脸识别活体检测系统,包括:
M1:采集部件。用于采集人脸的检测图像,不需要任何额外处理,然后输出给M2部件。
M2:将采集的人脸图像归一化,并通过不同的变换方式生成不同的图像。之后输出给M3部件。
M3:活体判别部件,将不同变换方式生成的图像输入ShuffleNet深度学习神经网络中,得出最终的判断结果。
其中M2可以单独工作,构成根据原始图像生成不同图像的功能。M2,M3也可以作为一个整体单独工作,成为一个人脸图像活体检验系统。当这些部件作为一个整体时,将具备实时性的人脸图像活体判别功能。
M1可以进一步改善,如增加RGB镜头分辨率,使用视角畸变小的镜头等。可以进一步降低在M3区域识别时的错误率。
M1也可以用其他部件替代,只需要能按M2要求输出给M2相应的图片帧即可,并不仅限于M1的具体实现方案。
M2中的不同的生成图像并不是全部必须的,根据实际情况可选择只使用残差人脸或者残差平均脸融合人脸来进行后续的判断。
以上所述为本发明的实施例,对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理和精神的情况下凡依本发明申请专利范围所做的均等变化、修改、替换和变型,皆应属本发明的涵盖范围。
Claims (2)
1.一种基于预训练图片残差的人脸识别活体检测方法,其特征在于,具体包括如下步骤:
(1)对数据集做平均脸处理;具体为:
根据训练数据集中的真脸和假脸获取各自平均人脸成像:
得到真人平均脸Realavg和伪造平均脸Fakeavg;
(2)将输入判断的图片与平均脸做残差获得残差图像;具体包括:
获取残差底图和残差平均脸;所述获取残差底图步骤具体为:准备一张像素值均为(128,128,128)的图像作为残差底图ResImgbase;所述残差平均脸获取步骤具体为:利用获取的真人平均脸Realavg和伪造平均脸Fakeavg求得残差平均脸,计算公式为:ResImgavg=Realavg-Fakeavg+ResImgbase;
利用残差底图和残差平均脸对真人脸输入Realinput和伪造脸输入Fakeinput均进行数据增强;所述数据增强具体包括如下步骤:
获取残差伪造脸:ResImgfake=Realavg-Fakeinput+ResImgbase
获取残差平均脸融合伪造脸:MergeImgfake=Fakeinput+ResImgavg
获取残差真人脸:ResImgreal=Realavg-Realinput+ResImgbase
获取残差平均脸融合真人脸:MergeImgreal=Realinput+ResImgavg;
蔟取数据增强后的数据集:蔟取到的数据集为三组相对的数据集:
DA:(Realinput,Fakeinput)
DB:(ResImgreal,ResImgfake)
Dc:(MergeImgreal,MergeImgfake);
(3)将处理后的图像输入神经网络中获取判断结果。
2.根据权利要求1所述的一种基于预训练图片残差的人脸识别活体检测方法,其特征在于:所述将处理后的图像输入神经网络中获取判断结果步骤具体为:将DA,DB,Dc送入ShuffleNet神经网络,进行训练分类操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951138.XA CN113610042B (zh) | 2021-08-18 | 2021-08-18 | 一种基于预训练图片残差的人脸识别活体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951138.XA CN113610042B (zh) | 2021-08-18 | 2021-08-18 | 一种基于预训练图片残差的人脸识别活体检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610042A CN113610042A (zh) | 2021-11-05 |
CN113610042B true CN113610042B (zh) | 2023-05-23 |
Family
ID=78341135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110951138.XA Active CN113610042B (zh) | 2021-08-18 | 2021-08-18 | 一种基于预训练图片残差的人脸识别活体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610042B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458763A (zh) * | 2008-10-30 | 2009-06-17 | 中国人民解放军国防科学技术大学 | 基于图像加权平均的自动人脸识别方法 |
CN104881657A (zh) * | 2015-06-08 | 2015-09-02 | 微梦创科网络科技(中国)有限公司 | 侧脸识别方法、侧脸构建方法及系统 |
CN107798667A (zh) * | 2017-11-23 | 2018-03-13 | 中电科新型智慧城市研究院有限公司 | 基于残差学习的人脸增强方法 |
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 |
WO2021068323A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技(深圳)有限公司 | 多任务面部动作识别模型训练方法、多任务面部动作识别方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-18 CN CN202110951138.XA patent/CN113610042B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458763A (zh) * | 2008-10-30 | 2009-06-17 | 中国人民解放军国防科学技术大学 | 基于图像加权平均的自动人脸识别方法 |
CN104881657A (zh) * | 2015-06-08 | 2015-09-02 | 微梦创科网络科技(中国)有限公司 | 侧脸识别方法、侧脸构建方法及系统 |
CN107798667A (zh) * | 2017-11-23 | 2018-03-13 | 中电科新型智慧城市研究院有限公司 | 基于残差学习的人脸增强方法 |
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 |
WO2021068323A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技(深圳)有限公司 | 多任务面部动作识别模型训练方法、多任务面部动作识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113610042A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909693B (zh) | 3d人脸活体检测方法、装置、计算机设备及存储介质 | |
US8254644B2 (en) | Method, apparatus, and program for detecting facial characteristic points | |
CN109871845B (zh) | 证件图像提取方法及终端设备 | |
CN105787454A (zh) | 用于生物特征验证的纹理特征的方法和系统 | |
CN111368717B (zh) | 视线确定方法、装置、电子设备和计算机可读存储介质 | |
CN110991266A (zh) | 一种双目人脸活体检测方法及装置 | |
CN106643555B (zh) | 基于结构光三维测量系统的连接件识别方法 | |
WO2013040933A1 (zh) | 有价文件鉴别方法及其鉴别装置 | |
CN112052830B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
CN110059607B (zh) | 活体多重检测方法、装置、计算机设备及存储介质 | |
JP2006099718A (ja) | 個人認証装置 | |
CN111767879A (zh) | 一种活体检测方法 | |
Tian et al. | Face anti-spoofing by learning polarization cues in a real-world scenario | |
WO2021046773A1 (zh) | 人脸防伪检测方法、装置、芯片、电子设备和计算机可读介质 | |
CN113610042B (zh) | 一种基于预训练图片残差的人脸识别活体检测方法 | |
Narang et al. | Robust face recognition method based on SIFT features using Levenberg-Marquardt Backpropagation neural networks | |
CN116823694A (zh) | 基于多聚焦信息整合的红外与可见光图像融合方法及系统 | |
CN111444929A (zh) | 一种基于模糊神经网络的显著图计算方法及系统 | |
CN104794445A (zh) | 一种基于arm平台的动态人脸虹膜采集方法 | |
US11568683B2 (en) | Facial biometrics system and method using digital fingerprints | |
CN109086738A (zh) | 一种基于模板匹配的字符识别方法及装置 | |
JP4449576B2 (ja) | 画像処理方法および画像処理装置 | |
KR101711307B1 (ko) | 깊이정보 기반의 안면인식 휴대장치 또는 컴퓨터 기기 잠금해제시스템 | |
CN111860343B (zh) | 确定人脸对比结果的方法及装置 | |
CN110781712A (zh) | 一种基于人脸检测与识别的人头空间定位方法 |
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 |