CN113762179B - 活体检测方法和装置 - Google Patents
活体检测方法和装置 Download PDFInfo
- Publication number
- CN113762179B CN113762179B CN202111067410.4A CN202111067410A CN113762179B CN 113762179 B CN113762179 B CN 113762179B CN 202111067410 A CN202111067410 A CN 202111067410A CN 113762179 B CN113762179 B CN 113762179B
- Authority
- CN
- China
- Prior art keywords
- glare
- living body
- target object
- image
- probability value
- 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 61
- 230000004313 glare Effects 0.000 claims abstract description 79
- 239000003086 colorant Substances 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims description 31
- 238000012706 support-vector machine Methods 0.000 claims description 19
- 238000001727 in vivo Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000001678 irradiating effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 238000001574 biopsy Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004397 blinking Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000001795 light effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- 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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种活体检测方法,包括:通过显示屏的炫彩闪光照射目标对象并采集被照射目标对象的图像,其中该炫彩闪光在同一时刻发射多种颜色的光;以及基于该目标对象的采集图像来确定该目标对象是否为活体。在一些实施例中,在图像采集过程中炫彩闪光是不变的。在一些实施例中,在图像采集过程中炫彩闪光是变化的。还公开了相应的活体检测装置。
Description
技术领域
本发明涉及活体检测领域,具体涉及一种基于炫彩闪光的活体检测方法和装置。
背景技术
活体检测是人脸识别系统中保证链路安全的重要环节。在各种活体检测方法中,相较于静默活体和多动作活体,炫彩活体检测以其特征信息丰富、随机灵活变换、无须用户高度配合等优势而被广泛应用。在手机移动端进行炫彩活体检测时,手机屏幕主动发射不同颜色的光线,当这些光线照射到不同材质物体时会出现不同程度的光吸收现象和偏振光效应。炫彩活体检测就是借助于这些光学特征对活体人脸和攻击介质进行区分。
目前在炫彩活体检测环节所使用的随机颜色打光通常都是基于单一颜色界面来呈现的,例如整个界面(例如,手机屏幕)在某一时刻全部闪蓝光而在下一时刻全部闪红光,这会导致闪光颜色切换很突然且彩光利用效率不高。
针对现有炫彩活体检测方法的不足,期望提供一种改进的炫彩活体检测方法和装置。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在标识出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是以简化形式给出一个或多个方面的一些概念以作为稍后给出的更详细描述之序言。
本发明提供了一种活体检测方法,包括:通过显示屏的炫彩闪光照射目标对象并采集被照射目标对象的图像,其中该炫彩闪光在同一时刻发射多种颜色的光;以及基于该目标对象的采集图像来确定该目标对象是否为活体。
在一些实施例中,在图像采集过程中炫彩闪光是不变的。
在一些实施例中,在图像采集过程中炫彩闪光是变化的。
在一些实施例中,炫彩闪光的变化包括以下一者或多者的随机变化:炫彩闪光中的多种光的颜色、各种颜色的光的位置、各种颜色的光的闪烁频率。
在一些实施例中,基于目标对象的采集图像来确定该目标对象是否为活体包括:将该目标对象的采集图像分割成多个图像块,其中每个图像块被单一颜色的光照射;通过相应分类器对每个图像块进行二分类以获得该图像块中的局部对象为活体的局部概率值,其中该相应分类器是针对照射该图像块的光的颜色进行训练而形成的;以及基于每个图像块的局部概率值获得整体概率值;如果该整体概率值大于或等于预设阈值,则确定该目标对象为活体;以及如果该整体概率值小于该预设阈值,则确定该目标对象为非活体。
在一些实施例中,分类器包括:支持向量机(SVM)分类器或基于深度学习的二分类卷积网络。
在一些实施例中,基于每个图像块的局部概率值获得整体概率值包括:通过对每个图像块的局部概率值进行求平均、加权求和、或级联增强中的一者来获得整体概率值。
在一些实施例中,多种颜色的光在显示屏上呈等宽条纹形状分布或者呈四方格矩阵形状分布。
本发明还提供了一种活体检测装置,包括:炫彩闪光模块,通过显示屏的炫彩闪光照射目标对象,其中该炫彩闪光在同一时刻发射多种颜色的光;图像采集模块,采集被炫彩闪光照射的目标对象的图像;以及活体检测模块,基于目标对象的采集图像来确定该目标对象是否为活体。
在一些实施例中,在图像采集过程中炫彩闪光是不变的。
在一些实施例中,在图像采集过程中炫彩闪光是变化的。
在一些实施例中,炫彩闪光模块的炫彩闪光的变化是以下一者或多者的随机变化:炫彩闪光中的多种光的颜色、各种颜色的光的位置、各种颜色的光的闪烁频率。
在一些实施例中,活体检测模块进一步:将目标对象的采集图像分割成多个图像块,其中每个图像块被单一颜色的光照射;通过相应分类器对每个图像块进行二分类以获得该图像块中的局部对象为活体的局部概率值,其中该相应分类器是针对照射该图像块的光的颜色进行训练而形成的;以及基于每个图像块的局部概率值获得整体概率值;如果该整体概率值大于或等于预设阈值,则确定该目标对象为活体;以及如果该整体概率值小于该预设阈值,则确定该目标对象为非活体。
在一些实施例中,分类器包括:支持向量机(SVM)分类器或基于深度学习的二分类卷积网络。
在一些实施例中,活体检测模块进一步:通过对每个图像块的局部概率值进行求平均、加权求和、或级联增强中的一者来获得整体概率值。
在一些实施例中,多种颜色的光在显示屏上呈等宽条纹形状分布或者呈四方格矩阵形状分布。
本发明还提供了一种计算机可读存储介质,其存储计算机程序,该计算机程序能被处理器执行以执行前述活体检测方法。
本发明的技术方案利用在同一时刻发射多种颜色的炫彩闪光照射目标对象,并在下一时刻随机改变炫彩闪光。这种基于随机彩光的炫彩界面在进行彩光变换时不会过于突变而导致人眼不适应,并且同一时刻能发射出多种不同颜色的闪光,使得炫彩闪光的利用效率更高、步骤更简洁紧凑,节省用户时间。
附图说明
结合附图理解下面阐述的详细描述时,本发明的特征、本质和优点将变得更加明显。在附图中,相同附图标记始终作相应标识。要注意,所描述的附图只是示意性的并且是非限制性的。在附图中,一些部件的尺寸可放大并且出于解说性的目的不按比例绘制。
图1示出了本发明的活体检测方法的一个实施例。
图2示出了本发明的活体检测方法的另一实施例。
图3示出了本发明的基于目标对象的采集图像来确定目标对象是否为活体的示例性方法的流程图。
图4A和4B示出了使用本发明的活体检测方法进行活体检测的示例性过程的示图。
图5示出了本发明的活体检测装置的框图。
图6示出了包括本发明的活体检测装置的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图对本发明进一步详细说明。在以下详细描述中,阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。然而,对于本领域技术人员显而易见的是,可以在没有这些具体细节中的一些或全部的情况下实践所描述的实施例。在其它示例性实施例中,没有详细描述公知的结构,以避免不必要地模糊本公开的概念。应当理解,本文所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。同时,在不冲突的情况下,实施例所描述的各个方面可以任意组合。
真实的人脸皮肤对不同颜色的光的选择性吸收现象和偏振光效应与攻击介质(例如,打印的人脸照片、仿真面具、拍摄的人脸视频等等)不同。具体而言,真实皮肤在不同颜色的光照射下的吸收特性(以及因此反射特性)与攻击介质不同。此外,真实皮肤在不同颜色的光照射下的偏振特性(例如,偏振的取向、振幅、相位、角度、形状、程度等等)与攻击介质也不同。炫彩活体算法就是借助于这些光学特性来区分活体人脸和攻击介质。
然而,目前在移动设备上进行炫彩活体检测时,屏幕所使用的随机颜色打光通常都是基于单一颜色界面来发射的。例如,整个屏幕在第一时间段内发射蓝光,同时采集在蓝光照射下整个目标对象(例如,目标人脸)的图像;屏幕在某一时刻将蓝光随机切换成红光并在接下去的第二时间段内发射红光,同时采集在红光照射下整个人脸的图像;屏幕在某一时刻将红光随机切换成黄光并在接下去的第三时间段内发射黄光,同时采集在黄光照射下整个人脸的图像;依此类推。随后可以将在不同颜色的光照射下的人脸图像送入分类器中进行二分类,以检测图像中的人脸是否为活体。常规炫彩活体检测的这种炫彩打光方式会导致闪光颜色切换很突然而使人眼不适应,用户体验欠佳。同时,为了采集不同颜色的光照射下的人脸图像所花费的时间较长,检测过程不够简洁紧凑,炫彩闪光的利用效率不高。
本发明提出了一种同时发射多种随机颜色光线的高效率炫彩活体检测方法,该方法使手机屏幕在同一时刻发射多种颜色的光,同时采集此时的人脸图像。屏幕可以在下一时刻改变光线(例如,改变多种光的颜色、各种颜色的位置、各种颜色的光的闪烁频率等等),同时继续采集此时的人脸图像。本发明的炫彩活体检测方法可以在同一时刻发射多种颜色的闪光,缩短了采集不同颜色的光照射下的人脸图像所花费的时间,从而使检测过程更加紧凑,并且炫彩闪光的利用效率更高。同时,本发明的这种炫彩打光方式在变换颜色时不会过于突兀而导致人眼不适,提升了用户体验。此外,本发明的炫彩活体检测方法还可以将所采集的人脸图像分割成图像块,并基于图像块中的局部人脸为活体的概率来确定整幅图像中的人脸为活体的概率,进一步提高了活体检测的稳定性和准确性。
图1示出了本发明的活体检测方法100的一个实施例。
在方法100开始之前,可首先确定目标对象满足活体检测条件。例如,可以确定目标对象(例如,待检测的目标人脸)与发出炫彩闪光的显示屏的角度和距离是否满足相应的阈值。如果检测到目标对象与显示屏的角度或距离不满足相应的阈值(例如,目标对象与显示屏的角度过大,目标对象离显示屏太远,等等),则提示目标对象调整角度或距离。
当确定目标对象满足活体检测条件之后,方法100开始。在步骤102,通过显示屏的炫彩闪光照射目标对象并(例如,通过相机、摄像头等图像采集装置)采集被照射目标对象的图像,其中该炫彩闪光在同一时刻发射多种颜色的光。
在一些实施例中,该多种颜色的光可以在显示屏上呈等宽条纹形状(在本文中也被称为“光栅形状”)分布。在另外一些实施例中,该多种颜色的光可以在显示屏上呈四方格矩阵形状分布。
在步骤104,基于目标对象的采集图像来确定目标对象是否为活体。步骤104的详细过程将在图3中进一步解说。
图2示出了本发明的活体检测方法200的另一实施例。
方法200开始于步骤202,在步骤202,通过显示屏的炫彩闪光照射目标对象并(例如,通过相机、摄像头等图像采集装置)采集被照射目标对象的图像,其中该炫彩闪光在同一时刻发射多种颜色的光。
在一些实施例中,在图像采集过程中炫彩闪光可以是不变的(204)。在替换实施例中,在图像采集过程中炫彩闪光可以是变化的(206)。例如,炫彩闪光的变化可以包括以下一者或多者的随机变化:炫彩闪光中的多种光的颜色、各种颜色的光的位置、各种颜色的光的闪烁频率等等。
作为示例,假设显示屏上的炫彩闪光自上而下包括红色、绿色、蓝色、黄色这4种颜色。在一种实现中,可以将炫彩闪光改变为红色、橙色、紫色、黄色(即,将绿色改变为新的颜色(橙色),将蓝色改变为新的颜色(紫色))。替换地,可以将炫彩闪光改变为蓝色、黄色、红色、绿色(即,仅改变各颜色在显示屏上的位置而未添加新的颜色)。替换地,还可以改变炫彩闪光中各种颜色的光的闪烁频率(例如,从以f0Hz闪烁改变为以f1Hz闪烁)。
在步骤208,基于目标对象的采集图像来确定目标对象是否为活体。在炫彩闪光改变一次或多次的情况下,可以基于在图像采集过程中采集到的所有图像来确定目标对象是否为活体。步骤208类似于图1中的步骤104,并且其详细过程将在图3中进一步解说。
图3示出了本发明的基于目标对象的采集图像来确定目标对象是否为活体的示例性方法300的流程图。
方法300开始于步骤302。在步骤302,将目标对象的采集图像分割成多个图像块,其中每个图像块被单一颜色的光照射。
举例而言,如果照射目标对象的炫彩闪光中包括4种颜色的光,并且这些颜色在显示屏上呈等宽条纹形状分布,则可以将目标对象的采集图像根据颜色分割成4个等宽条纹形状的图像块,其中每个图像块被4种颜色中的1种颜色的光照射。
在步骤304,通过分类器中的相应分类器对每个图像块进行二分类以获得该图像块中的局部对象为活体的局部概率值,其中该相应分类器是针对照射该图像块的光的颜色进行训练而形成的。
具体而言,由于皮肤在不同颜色的光线下的吸收现象和偏振效应不同,因此对于每一种颜色的光线都需要训练一个对应的分类器,以检测该颜色光线照射下的对象是否为活体。在炫彩闪光包括4种颜色的光的情况下,可以训练4个分类器,每个分类器对应于这4种颜色中的1种颜色。在训练过程中,可以提供足够数量的正样本(活体人脸皮肤)和负样本(攻击介质)作为训练集来对分类器进行训练。
在一些实施例中,分类器可以包括SVM分类器或基于深度学习的二分类卷积网络。关于SVM分类器和基于深度学习的二分类卷积网络在本领域中是众所周知的,在此不再赘述。
在获得每个图像块的局部概率值之后,方法300行进至步骤306。在步骤306,基于每个图像块的局部概率值获得整体概率值,该整体概率值表示整个目标对象为活体的概率。例如,可以通过对每个图像块的局部概率值进行求平均、加权求和、或级联增强中的一者来获得整体概率值。
随后,在步骤308,确定在步骤306获得的整体概率值是否大于或等于预设阈值。预设阈值可以根据经验设定、经由训练或实验过程设定、或通过理论计算来设定。
如果整体概率值大于或等于预设阈值(在308处为“是”),则确定目标对象为活体(310)。如果整体概率值小于预设阈值(在308处为“否”),则确定目标对象为非活体(312)。
图1-图3的活体检测方法能够在同一时刻发射出多种不同颜色的闪光,使得炫彩闪光的利用效率更高、步骤更简洁紧凑,节省用户时间。此外,该活体检测方法基于人脸图像块的局部活体概率来获得整个人脸的活体概率,提高了活体检测的稳定性和准确性。
图4A和4B示出了使用本发明的活体检测方法进行活体检测的示例性过程400的示图。作为示例,在过程400中,采用智能手机进行活体检测。具体而言,采用智能手机的屏幕发射炫彩闪光,并使用集成在智能手机内的摄像头来采集图像。
如图4A所示,首先对摄像头进行初始化并完成参数设置(402)。例如,可以设置对焦模式、测光模式、白平衡模式、色彩空间等各种参数,以确保摄像头能够采集足够质量的图像。
随后运行人脸检测算法以提取出摄像头视野中最大最明显的人脸区域,并对人脸的关键点(例如,眼睛、鼻子、嘴、耳朵等等)进行定位(404)。
接着,使用人脸质量模型对检测到的人脸区域进行质量分预测(406)。可以采用现有技术中已有的各种人脸质量模型和质量分预测方法,也可以自行定义人脸质量模型和质量分预测方法。
在获得预测的质量分之后,判断质量分是否小于阈值(408)。如果质量分小于阈值(在408处为“是”),则通过手机界面提醒用户进行调整(410)。例如,用户可以调整与手机屏幕的角度和/或与手机屏幕的距离。用户调整完成后,继续进行人脸检测和关键点定位。
如果人脸的质量分大于或等于阈值(在408处为“否”),则表示目标人脸满足活体检测条件。
在确定目标人脸满足活体检测条件之后,过程400前往图4B并进入活体检测环节。
如图4B所示,在进入活体检测环节之后,手机屏幕生成炫彩闪光。在图4B中,炫彩闪光包括4种颜色的光,并且这些颜色在屏幕上呈光栅形状等宽均匀分布。为了便于解说,假定炫彩闪光的颜色自上而下依次为:红色、黄色、蓝色、绿色(如图4B中最左侧的屏幕所示)。
在生成炫彩闪光之后,手机屏幕将包括这4种颜色的炫彩闪光同时照射到屏幕前的目标人脸上,并通过摄像头采集此时的目标人脸图像K。
在一些实现中,在图像采集过程中炫彩闪光可以保持不变。举例而言,用颜色自上而下依次为红色、黄色、蓝色、绿色的炫彩闪光(即,如图4B中最左侧的屏幕所示的炫彩闪光)在10秒(s)的时间段内进行图像采集,则该炫彩闪光在10s的时间段内保持不变(炫彩闪光中的多种光的颜色、各种颜色的光的位置、各种颜色的光的闪烁频率等等均保持不变)。在此类实现中采集到的所有图像中,人脸的特定区域均被单一颜色的光照射。如图所示,人脸的鼻子所在区域均被蓝光照射,嘴唇所在区域均被绿光照射。
在一些实现中,在图像采集过程中炫彩闪光可以是变化的。在此类实施例中,炫彩闪光的变化可以包括以下一者或多者的随机变化:炫彩闪光中的多种光的颜色、各种颜色的光的位置、各种颜色的光的闪烁频率等等。在图4B中,作为示例而非限制,示出了改变炫彩闪光中的各种颜色的光的位置。具体而言,在时间t0处发射炫彩闪光(自上而下顺序为红色、黄色、蓝色、绿色),随后在时间t1处将炫彩闪光改变为自上而下顺序为黄色、蓝色、绿色、红色并发射改变后的炫彩闪光,继以在时间t2处将炫彩闪光进一步改变为蓝色、黄色、红色、绿色并发射改变后的炫彩闪光。在各个实施例中,炫彩闪光可以按固定间隔进行改变(即,t1-t0=t2-t1),也可以按非固定间隔进行改变(即,t1-t0≠t2-t1)。在此类实现中采集到的所有图像中,人脸的特定区域可被多种颜色的光照射。如图所示,在时间t0处发射的炫彩闪光下采集到的人脸图像中,鼻子所在区域被蓝光照射,而嘴唇所在区域被绿光照射。在时间t1处发射的炫彩闪光下采集到的人脸图像中,鼻子所在区域被绿光照射,而嘴唇所在区域被红光照射。在时间t2处发射的炫彩闪光下采集到的人脸图像中,鼻子所在区域被红光照射,而嘴唇所在区域被绿光照射。
图4示出了通过改变颜色的位置(改变了两次)来改变炫彩闪光。在不同实现中,可以采用其它方式来改变炫彩闪光,并且可以使炫彩闪光改变多于或少于两次。
接着,将在各个炫彩闪光照射下采集到的所有目标人脸图像分割成多个图像块。具体而言,可以根据光线颜色对图像进行分割,以使得每个图像块被单一颜色的光照射。以一幅图像为例,如图4B中所示,可以将所采集的图像K分割成4个图像块K1、K2、K3和K4,其中K1被红光照射,K2被黄光照射,K3被蓝光照射,而K4被绿光照射。
在将所采集的图像分割成图像块之后,可以将每个图像块送入各自相应的分类器(例如,SVM分类器)中进行二分类,以获得每个图像块中的局部对象为活体的局部概率值。
如图4B中所示,针对4种颜色的光分别训练了4个相应的SVM分类器:SVM红光、SVM黄光、SVM蓝光和SVM绿光。将图像块K1、K2、K3和K4送入这4个SVM分类器中,以获得相应的局部概率值p1、p2、p3和p4。具体而言,p1表示图像块K1中的局部对象为活体的概率,p2表示图像块K2中的局部对象为活体的概率,p3表示图像块K3中的局部对象为活体的概率,并且p4表示图像块K4中的局部对象为活体的概率。
接着对局部概率值p1、p2、p3和p4求平均,即可获得整个人脸图像为活体的整体概率值应注意,虽然在图4B中示出了通过对局部概率值求平均来获得整体概率值,但在不同实现中,也可以通过对局部概率值进行加权求和、级联增强等其它运算来获得整体概率值。
在获得整体概率值P之后,可以对P和预设阈值进行比较,并基于该比较来输出活体检测结果,如图所示。具体而言,如果整体概率值P大于或等于预设阈值,则可以判定目标人脸为活体并输出该判定结果。如果整体概率值P小于预设阈值,则可以判定目标人脸为非活体(攻击介质)并输出该判定结果。
应注意,图4A和4B中所示出的过程400仅是作为示例来提供的,并非旨在限制本发明。在不同实现中,可以在不同于智能手机的设备(例如,计算机、服务器等等)上进行活体检测。此外,可以采用与图4A和4B中所示的炫彩闪光不同颜色数量和分布的炫彩闪光,还可以采用不同的分类器来获得概率值。此外,在图4A和4B中仅示出了基于单幅采集图像K来判定目标人脸是否为活体。在图像采集过程中改变炫彩闪光的实现中,还可以基于在变化的炫彩闪光照射下采集的所有图像来判定目标人脸是否为活体。例如,可以对基于每幅图像获得的概率值(该图像中的目标人脸为活体的概率值)进行求平均、加权求和、级联增强等,以获得最终概率值。
如先前所述,在图像采集过程中炫彩闪光保持不变的实现中,在采集到的所有图像中,人脸的特定区域均被单一颜色的光照射。例如,鼻子所在区域均被均被蓝光照射。在此类情形中,鼻子所在的各个图像块均被送入单个分类器(例如,针对蓝光进行训练的SVM蓝光)中进行二分类,以获得各个图像块的局部概率值。
相比之下,在图像采集过程中改变炫彩闪光的实现中,在所采集到的所有图像中,人脸的特定区域可被多种颜色的光照射。例如,鼻子所在区域可被蓝光、绿光和红光照射。在此类情形中,鼻子所在的各个图像块可被送入多个分类器(例如,针对蓝光进行训练的SVM蓝光、针对绿光进行训练的SVM绿光、针对红光进行训练的SVM红光)中进行二分类,以获得各个图像块的局部概率值。由此可见,在图像采集过程中改变炫彩闪光可以进一步提高活体检测的准确性和可靠性。
图5示出了本发明的活体检测装置500的框图。
参见图5,装置500可以包括炫彩闪光模块502、图像采集模块504和活体检测模块506。这些模块中的每一者可在一条或多条总线508上直接或间接地彼此连接或通信。
在本发明的各实施例中,炫彩闪光模块502可通过显示屏的炫彩闪光照射目标对象,其中该炫彩闪光在同一时刻发射多种颜色的光。在一些实施例中,该多种颜色的光在显示屏上呈等宽条纹形状分布或者呈四方格矩阵形状分布。
在一些实施例中,在图像采集过程中炫彩闪光是不变的。在一些实施例中,在图像采集过程中炫彩闪光是变化的,并且在此类实施例中,炫彩闪光的变化包括以下一者或多者的随机变化:炫彩闪光中的多种光的颜色、各种颜色的光的位置、各种颜色的光的闪烁频率。
图像采集模块504可采集被炫彩闪光照射的目标对象的图像。
活体检测模块506可基于目标对象的采集图像来确定该目标对象是否为活体。在一些实施例中,活体检测模块506可进一步:将目标对象的采集图像分割成多个图像块,其中每个图像块被单一颜色的光照射;通过相应分类器对每个图像块进行二分类以获得该图像块中的局部对象为活体的局部概率值,其中该相应分类器是针对照射该图像块的光的颜色进行训练而形成的;以及基于每个图像块的局部概率值获得整体概率值;如果该整体概率值大于或等于预设阈值,则确定该目标对象为活体;以及如果该整体概率值小于预设阈值,则确定该目标对象为非活体。
在一些实施例中,分类器包括SVM分类器或基于深度学习的二分类卷积网络。在一些实施例中,活体检测模块506可进一步通过对每个图像块的局部概率值进行求平均、加权求和、或级联增强中的一者来获得整体概率值。
虽然图5中示出了装置500的特定模块,但应理解,这些模块仅是示例性的而非限制性的。在不同的实现中,可以组合、拆分、移除这些模块中的一个或多个模块,或者添加另外的模块。例如,在一些实现中,炫彩闪光模块502和图像采集模块504可以被合并成单个模块。在一些实现中,活体检测模块506可以被拆分成图像分割子模块、二分类子模块、概率值获取子模块、判定子模块等等(图中未示出)。
图6示出了包括本发明的活体检测装置的设备600的框图。
该设备示出了一般硬件环境,可在其中根据本发明的示例性实施例应用本发明。
现在将参照图6描述设备600,其是可以应用于本发明的各方面的硬件设备的示例性实施例。设备600可以是被配置为执行处理和/或计算的任何机器,可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数字助理(PDA)、智能电话、或其任何组合。上述系统可以全部或至少部分地由设备600或类似设备或系统实现。
设备600可包括可以经由一个或多个接口与总线612连接或与总线612通信的组件。例如,设备600可包括总线612、处理器602、存储器604、输入设备608、以及输出设备610等等。
处理器602可以是任何类型的处理器,并且可包括但不限于通用处理器和/或专用处理器(例如特殊处理芯片)、智能硬件设备(例如,通用处理器、DSP、CPU、微控制器、ASIC、FPGA、可编程逻辑器件、分立的门或晶体管逻辑组件、分立的硬件组件、或其任何组合)。在一些情形中,处理器602可被配置成使用存储器控制器来操作存储器阵列。在其它情形中,存储器控制器(未示出)可被集成到处理器602中。处理器602可以负责管理总线和一般性处理,包括执行存储在存储器上的软件。处理器602还可以被配置成执行本文中所描述的与活体检测相关的各种功能。例如,处理器602可被配置成:通过显示屏的炫彩闪光照射目标对象并采集被照射目标对象的图像,其中该炫彩闪光在同一时刻发射多种颜色的光;基于目标对象的采集图像来确定该目标对象是否为活体。
存储器604可以是可实现数据存储的任何存储设备。存储器604可包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、软盘、硬盘、磁带或任何其它磁介质、光盘或任何其它光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何其它存储器芯片或盒、和/或计算机可从其读取数据、指令和/或代码的任何其它介质。存储器604可存储包括计算机可读指令的计算机可执行软件606,这些指令在被执行时使得处理器执行本文中所描述的与活体检测相关的各种功能。
输入设备608可以是可以用于输入信息的任何类型的设备。
输出设备610可以是用于输出信息的任何类型的设备。在一种情形中,输出设备610可以是可显示信息的任何类型的输出设备。
以上结合附图阐述的详细说明描述了示例而不代表可被实现或者落在权利要求的范围内的所有示例。术语“示例”和“示例性”在本说明书中使用时意指“用作示例、实例或解说”,并不意指“优于或胜过其它示例”。
贯穿本说明书引述的“一个实施例”或“一实施例”意指结合该实施例描述的特定特征、结构或特性是包含在本发明的至少一个实施例中的。因此,这些短语的使用可以不仅仅指代一个实施例。此外,所描述的特征,结构或特性可以在一个或多个实施例中以任何合适的方式组合。
提供之前的描述是为了使本领域任何技术人员均能够实践本文中所描述的各种方面。对这些方面的各种修改将容易为本领域技术人员所明白,并且在本文中所定义的普适原理可被应用于其它方面。因此,权利要求并非旨在被限定于本文中所示的方面,而是应被授予与语言上的权利要求相一致的全部范围,其中对要素的单数形式的引述除非特别声明,否则并非旨在表示“有且仅有一个”,而是“一个或多个”。除非特别另外声明,否则术语“一些”指的是一个或多个。本发明通篇描述的各个方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此,且旨在被权利要求所涵盖。
还应注意,这些实施例可能是作为被描绘为流程图、流图、结构图、或框图的过程来描述的。尽管流程图可能会把诸操作描述为顺序过程,但是这些操作中有许多操作能够并行或并发地执行。另外,这些操作的次序可被重新安排。
虽然已经说明和描述了各种实施例,但是应该理解,实施例不限于上述精确配置和组件。可以在本文公开的设备的布置、操作和细节上作出对本领域技术人员显而易见的各种修改、替换和改进而不脱离权利要求的范围。
Claims (13)
1.一种活体检测方法,包括:
通过显示屏的炫彩闪光照射目标对象并采集被照射目标对象的图像,其中所述炫彩闪光在同一时刻发射多种颜色的光;
将所述目标对象的采集图像分割成多个图像块,其中每个图像块被单一颜色的光照射,并且其中图像分割是按照照射所述目标对象的炫彩闪光颜色的数量、形状和分布进行分割的,以得到与所述炫彩闪光的颜色数量相同数量的图像块;
通过相应分类器对每个图像块进行二分类以获得该图像块中的局部对象为活体的局部概率值,其中所述相应分类器是针对照射该图像块的光的颜色进行训练而形成的;
基于每个图像块的局部概率值获得整体概率值;
如果所述整体概率值大于或等于预设阈值,则确定所述目标对象为活体;以及
如果所述整体概率值小于所述预设阈值,则确定所述目标对象为非活体。
2.根据权利要求1所述的方法,其特征在于,在图像采集过程中所述炫彩闪光是不变的。
3.根据权利要求1所述的方法,其特征在于,在图像采集过程中所述炫彩闪光是变化的。
4.根据权利要求3所述的方法,其特征在于,所述炫彩闪光的变化包括以下一者或多者的随机变化:所述炫彩闪光中的多种光的颜色、各种颜色的光的位置、各种颜色的光的闪烁频率。
5.根据权利要求1所述的方法,其特征在于,所述分类器包括:支持向量机(SVM)分类器或基于深度学习的二分类卷积网络。
6.根据权利要求1所述的方法,其特征在于,基于每个图像块的局部概率值获得整体概率值包括:
通过对每个图像块的局部概率值进行求平均、加权求和、或级联增强中的一者来获得所述整体概率值。
7.根据权利要求1所述的方法,其特征在于,所述多种颜色的光在所述显示屏上呈等宽条纹形状分布或者呈四方格矩阵形状分布。
8.一种活体检测装置,包括:
炫彩闪光模块,通过显示屏的炫彩闪光照射目标对象,其中所述炫彩闪光在同一时刻发射多种颜色的光;
图像采集模块,采集被所述炫彩闪光照射的所述目标对象的图像;以及
活体检测模块,其被配置成:
将所述目标对象的采集图像分割成多个图像块,其中每个图像块被单一颜色的光照射,并且其中图像分割是按照照射所述目标对象的炫彩闪光颜色的数量、形状和分布进行分割的,以得到与所述炫彩闪光的颜色数量相同数量的图像块;
通过相应分类器对每个图像块进行二分类以获得该图像块中的局部对象为活体的局部概率值,其中所述相应分类器是针对照射该图像块的光的颜色进行训练而形成的;以及
基于每个图像块的局部概率值获得整体概率值;
如果所述整体概率值大于或等于预设阈值,则确定所述目标对象为活体;以及
如果所述整体概率值小于所述预设阈值,则确定所述目标对象为非活体。
9.根据权利要求8所述的装置,其特征在于,在图像采集过程中所述炫彩闪光是不变的。
10.根据权利要求8所述的装置,其特征在于,在图像采集过程中所述炫彩闪光是变化的。
11.根据权利要求10所述的装置,其特征在于,所述炫彩闪光的变化包括以下一者或多者的随机变化:所述炫彩闪光中的多种光的颜色、各种颜色的光的位置、各种颜色的光的闪烁频率。
12.根据权利要求8所述的装置,其特征在于,所述活体检测模块进一步:
通过对每个图像块的局部概率值进行求平均、加权求和、或级联增强中的一者来获得所述整体概率值。
13.一种计算机可读存储介质,其存储计算机程序,所述计算机程序能被处理器执行以执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067410.4A CN113762179B (zh) | 2021-09-13 | 2021-09-13 | 活体检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067410.4A CN113762179B (zh) | 2021-09-13 | 2021-09-13 | 活体检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762179A CN113762179A (zh) | 2021-12-07 |
CN113762179B true CN113762179B (zh) | 2024-03-29 |
Family
ID=78795239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111067410.4A Active CN113762179B (zh) | 2021-09-13 | 2021-09-13 | 活体检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762179B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116978078A (zh) * | 2022-04-14 | 2023-10-31 | 京东科技信息技术有限公司 | 活体检测方法和装置、系统、电子设备、计算机可读介质 |
CN117011950B (zh) * | 2023-08-29 | 2024-02-02 | 国政通科技有限公司 | 一种活体检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007069393A1 (ja) * | 2005-12-14 | 2007-06-21 | Nec Corporation | オブジェクト認識装置、オブジェクト認識方法、およびオブジェクト認識プログラム |
WO2020124511A1 (zh) * | 2018-12-20 | 2020-06-25 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置和电子设备 |
CN111523438A (zh) * | 2020-04-20 | 2020-08-11 | 支付宝实验室(新加坡)有限公司 | 一种活体识别方法、终端设备和电子设备 |
CN111914763A (zh) * | 2020-08-04 | 2020-11-10 | 网易(杭州)网络有限公司 | 活体检测方法、装置和终端设备 |
JP2021018729A (ja) * | 2019-07-23 | 2021-02-15 | 株式会社ソニー・インタラクティブエンタテインメント | 個人識別装置、ヘッドマウントディスプレイ、コンテンツ配信サーバ、および個人識別方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805047B (zh) * | 2018-05-25 | 2021-06-25 | 北京旷视科技有限公司 | 一种活体检测方法、装置、电子设备和计算机可读介质 |
-
2021
- 2021-09-13 CN CN202111067410.4A patent/CN113762179B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007069393A1 (ja) * | 2005-12-14 | 2007-06-21 | Nec Corporation | オブジェクト認識装置、オブジェクト認識方法、およびオブジェクト認識プログラム |
WO2020124511A1 (zh) * | 2018-12-20 | 2020-06-25 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置和电子设备 |
JP2021018729A (ja) * | 2019-07-23 | 2021-02-15 | 株式会社ソニー・インタラクティブエンタテインメント | 個人識別装置、ヘッドマウントディスプレイ、コンテンツ配信サーバ、および個人識別方法 |
CN111523438A (zh) * | 2020-04-20 | 2020-08-11 | 支付宝实验室(新加坡)有限公司 | 一种活体识别方法、终端设备和电子设备 |
CN111914763A (zh) * | 2020-08-04 | 2020-11-10 | 网易(杭州)网络有限公司 | 活体检测方法、装置和终端设备 |
Non-Patent Citations (1)
Title |
---|
基于目标识别与显著性检测的图像场景多对象分割;李青;袁家政;刘宏哲;;计算机科学(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113762179A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113762179B (zh) | 活体检测方法和装置 | |
WO2018188453A1 (zh) | 人脸区域的确定方法、存储介质、计算机设备 | |
JP4408784B2 (ja) | 赤目軽減方法 | |
US9773189B2 (en) | Recognition apparatus and recognition method | |
WO2022078041A1 (zh) | 遮挡检测模型的训练方法及人脸图像的美化处理方法 | |
CN109325462B (zh) | 基于虹膜的人脸识别活体检测方法及装置 | |
CN104951773A (zh) | 一种实时人脸识别监视系统 | |
CN106971187B (zh) | 一种基于车辆特征点的车辆部件检测方法和系统 | |
CN103116749A (zh) | 一种基于自建图像库的近红外人脸识别方法 | |
KR20070016849A (ko) | 얼굴 검출과 피부 영역 검출을 적용하여 피부의 선호색변환을 수행하는 방법 및 장치 | |
JP2013504114A (ja) | 目状態検出装置及び方法 | |
CN105022999A (zh) | 一种人码伴随实时采集系统 | |
CN109766828A (zh) | 一种车辆目标分割方法、装置及通信设备 | |
JP2013027636A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN106651797A (zh) | 一种信号灯有效区域的确定方法和装置 | |
Mady et al. | Efficient real time attendance system based on face detection case study “MEDIU staff” | |
JP2007026213A (ja) | 撮像装置 | |
JP2015204030A (ja) | 認識装置及び認識方法 | |
WO2022156214A1 (zh) | 一种活体检测方法及装置 | |
KR20140141917A (ko) | 홍채 병소 영상의 자동분석을 위한 효율적인 동공 및 홍채 열공 데이터 획득, 홍채 열공 특징추출, 데이터 분석(학습), 그리고 판단(분류) 방법 | |
KR100837435B1 (ko) | 촬영장치 및 이의 대상 추적제어방법 | |
JP2016095701A (ja) | 画像処理装置、画像処理方法、及び、プログラム | |
Yuan et al. | Ear detection based on CenterNet | |
Hong et al. | Scene perception using pareidolia of faces and expressions of emotion | |
EP2927841A1 (en) | Spoof prevention for face recognition |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40058805 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |