CN113822222A - 人脸反作弊方法、装置、计算机设备及存储介质 - Google Patents
人脸反作弊方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113822222A CN113822222A CN202111183527.9A CN202111183527A CN113822222A CN 113822222 A CN113822222 A CN 113822222A CN 202111183527 A CN202111183527 A CN 202111183527A CN 113822222 A CN113822222 A CN 113822222A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- infrared
- features
- person
- 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.)
- Pending
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能领域,公开了一种人脸反作弊方法、装置、计算机设备及存储介质。该方法包括:获取待识别人物在同一时间区间的若干红外图像和若干彩色图像;从红外图像提取待识别人物的红外图像特征;从彩色图像提取待识别人物的彩色图像特征;计算若干彩色图像的若干帧间光流特征;将红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将融合特征输入预设的分类器进行处理,输出待识别人物的人脸为活体人脸或为作弊人脸的分类结果。本发明可综合判断待识别人物的人脸为活体人脸还是作弊人脸,识别准确性高,且耗时短。此外,本发明方案可应用于智慧城市、智慧教育等领域,有利于推动智慧城市或智慧教育的建设。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种人脸反作弊方法、装置、计算机设备及存储介质。
背景技术
随着互联网技术的不断发展,视频监控已被广泛应用于各个领域。众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速人脸识别技术,以求远距离快速准确确认人员身份,实现智能预警。为了提高人脸识别的准确性和安全性,人脸反作弊技术应运而生。人脸反作弊是应用在人脸识别场景中的防止冒充他人人脸的一种技术。通常冒充他人人脸的行为是使用手机、平板、打印纸张等,向识别系统展示他人的人脸照片或视频。
现有技术主要是采用交互式验证来防止人脸作弊,即客户端向被识别者发出眨眼、转头、抬头、张嘴等指令,若检测不到被识别者的相应动作的发生,则认为是作弊,不予通过。这种方法通过人机交互进行人脸反作弊验证,耗时较长,且仅适合一对一的场景,不适用与多人同时识别的场景。而采用红外光照射在真人和手机、纸张上的不同表现来判断是否作弊,这种方法虽然可支持多人识别的场景,但是当被识别者与摄像头的距离稍微远一些时,就会经常产生错误识别。
可见,现有的人脸反作弊方式存在耗时长、识别准确性不高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种人脸反作弊方法、装置、计算机设备及存储介质,以解决现有的人脸反作弊方式存在耗时长、识别准确性不高的问题。
一种人脸反作弊方法,包括:
获取待识别人物在同一时间区间的若干红外图像和若干彩色图像;
从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征;
计算所述若干彩色图像的若干帧间光流特征;
将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出所述待识别人物的人脸为活体人脸或为作弊人脸的分类结果。
一种人脸反作弊装置,包括:
图像获取模块,用于获取待识别人物在同一时间区间的若干红外图像和若干彩色图像;
特征提取模块,用于从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征;
计算模块,用于计算所述若干彩色图像的若干帧间光流特征;
分类模块,用于将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出所述待识别人物的人脸为活体人脸或为作弊人脸的分类结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述人脸反作弊方法。
一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如上述人脸反作弊方法。
上述人脸反作弊方法、装置、计算机设备及存储介质,通过获取待识别人物在同一时间区间的若干红外图像和若干彩色图像;从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征;计算所述若干彩色图像的若干帧间光流特征;将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出所述待识别人物的人脸为活体人脸或为作弊人脸的分类结果。本发明通过采集待识别人物在同一时间区间的红外图像和彩色图像,可以避免待识别人物在识别过程中进行人脸作弊操作,即可有效防止人脸作弊,并提取红外图像中待识别人物(人脸区域)的红外图像特征,以及彩色图像中待识别人物(人脸区域)的彩色图像特征,同时,还计算彩色图像的帧间光流特征(可表示待识别人物在上述时间区间的动态变化,如人脸的偏转角度等),将上述的红外图像特征、彩色图像特征和帧间光流特征(两静态和一动态特征)进行融合,从而综合判断该待识别人物的人脸为活体人脸还是作弊人脸,识别准确性高,且耗时短。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中人脸反作弊方法的应用环境示意图;
图2是本发明一实施例中人脸反作弊方法的流程示意图;
图3是本发明一实施例中人脸反作弊装置的结构示意图;
图4是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
人工智能是计算机科学的一个分支,该领域的研究包括机器人、语音、生物识别(包括人脸识别等)、自然语言处理和专家系统等。本发明涉及到生物识别中的人脸识别,所提出的人脸反作弊方法,通过采集待识别人物在同一时间区间的红外图像和彩色图像,可以避免待识别人物在识别过程中进行人脸作弊操作,即可有效防止人脸作弊,并提取红外图像中待识别人物(人脸区域)的红外图像特征,以及彩色图像中待识别人物(人脸区域)的彩色图像特征,同时,还计算彩色图像的帧间光流特征(可表示待识别人物在上述时间区间的动态变化,如人脸的偏转角度等),将上述的红外图像特征、彩色图像特征和帧间光流特征(两静态和一动态特征)进行融合,从而综合判断该待识别人物的人脸为活体人脸还是作弊人脸,识别准确性高,且耗时短。
本实施例提供的人脸反作弊方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种人脸反作弊方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤:
步骤S10、获取待识别人物在同一时间区间的红外图像和彩色图像。
其中,时间区间可以根据实际需要进行设置,如可以是10s或20s。同一时间区间,说明红外图像的采集时间与彩色图像的采集时间的时间差小于时间区间的时间长度。红外图像的采集时间与彩色图像的采集时间可以相等,也可以不相等。示例性的,预设的时间区间为10秒,采集红外图像的采集时间在这时间区间内的第1秒,采集彩色图像的采集时间在这时间区间内的第5秒。红外图像的采集时间与彩色图像的采集时间的时间差为4秒,小于时间区间的时间长度10秒。
作为一示例,可以通过一预置的红外摄像装置同时采集待识别人物的红外图像和彩色图像。例如,可按照25帧/秒的采集速率在同时采集待识别人物的红外图像和彩色图像,1秒后可分别获得25帧待识别人物的红外图像以及25帧待识别人物的彩色图像。
作为另一示例,还可以分别通过不同的摄像装置采集待识别人物的红外图像和彩色图像。例如,采用摄像装置A采集待识别人物的红外图像,采用摄像装置B采集待识别人物的彩色图像。
通过在同一时间区间内获取待识别人物的红外图像和彩色图像,可防止待识别人物在身份识别过程中进行人脸作弊操作,因为在如此短的时间间隔内,几乎不可能来得及实施作弊动作,从而可有效地防止人脸作弊而冒认他人身份,进而可大大降低用户的个人信息外泄的可能性,有利于保护用户的个人信息安全。
步骤S20、从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征。
其中,红外图像特征,可为通过将红外图像输入预设的卷积神经网络中,获得一个N维向量(包括N个浮点数),该N维向量中可能包含有该红外图像的色调、清晰度、人脸情况、背景情况等。
彩色图像特征,可为通过将彩色图像输入预设的卷积神经网络中,获得另一个N维向量(包括N个浮点数),该N维向量中可能包含有该彩色图像的色调、清晰度、人脸情况、背景情况等。
步骤S30、计算所述彩色图像的帧间光流特征。
其中,帧间光流特征,是图像处理领域的一个常用特征,用来表示物体的运动方向,通常采用两帧图像计算出物体的运动,这两帧图像可以是连续的两帧,也可以是间隔了若干帧的两帧图像。可以直接调用开源工具opencv(用于图像处理、分析、机器视觉方面的开源函数库)的相关函数计算若干彩色图像的若干帧间光流特征。
作为一示例,假设在步骤S10中,在1秒内获取到25帧待识别人物的彩色图像,分别给这25帧彩色图像按时间顺序进行编号,标记得第1帧~第25帧,每间隔5帧彩色图像计算一个帧间光流特征。具体的,每间隔5帧,计算第1帧和第5帧、第5帧和第10帧、第10帧和第15帧、第15帧和第20帧、第20帧和第25帧的彩色图像的帧间光流特征,总共得到5个帧间光流特征。
步骤S40、将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出所述待识别人物的人脸为活体人脸或为作弊人脸的分类结果。
其中,预设的分类器(具体是分类算法模型),可以是决策树、逻辑回归、朴素贝叶斯、神经网络等算法模型。
作为一示例,可以将上述红外图像特征、彩色图像特征和帧间光流特征输入预设的神经网络模型中进行融合,获得融合特征。将该融合特征输入预设的分类器进行处理,以计算出该待识别人物的人脸为活体人脸的概率值,以及为作弊人脸的概率值,并根据这两概率值,确定待识别人物的人脸为活体人脸还是作弊人脸(即得到分类结果)。
本发明通过采集待识别人物在同一时间区间的红外图像和彩色图像,可以避免待识别人物在识别过程中进行人脸作弊操作,即可有效防止人脸作弊,并提取红外图像中待识别人物(人脸区域)的红外图像特征,以及彩色图像中待识别人物(人脸区域)的彩色图像特征,同时,还计算彩色图像的帧间光流特征(可表示待识别人物在上述时间区间的动态变化,如人脸的偏转角度等),将上述的红外图像特征、彩色图像特征和帧间光流特征(两静态和一动态特征)进行融合,从而综合判断该待识别人物的人脸活体人脸还是作弊人脸,识别准确性高,且耗时短。
在一实施例中,上述步骤S10中,获取待识别人物在同一时间区间的红外图像和彩色图像,包括:
当预置的拍摄装置检测到有物体进入预设拍摄区域时,向所述物体发射红外线,并接收所述物体反射的红外线漫反射信号,形成红外图像;其中,所述物体包括待识别人物;
在预设的时间区间内,采集所述物体的彩色图像。
其中,物体包括待识别人物(例如,员工甲)以及在该待识别人物周围的背景物(例如,车辆、室内墙壁等)。
预设拍摄区域,可以是在摄像装置(如红外摄像头)的拍摄视野范围内的区域。
作为一示例,当预置的拍摄装置检测到员工甲进入其拍摄视野范围内时,向员工甲发射红外线,并接收员工甲反射的红外线漫反射信号,形成红外图像。
此处,预设的时间区间,是指上述步骤S10中的时间区间。
示例性的,假设预设的时间区间为10秒,当检测到员工甲进入预置的拍摄装置的拍摄视野范围内时,向向员工甲发射红外线,并接收员工甲反射的红外线漫反射信号,形成红外图像是在该预设时间区间内的第3秒,那么可在这10秒内采集员工甲的彩色图像。比如,可以在该预设的时间区间内的第4秒采集员工甲的彩色图像。
在一实施例中,上述步骤在预设的时间区间内,采集所述物体的彩色图像,具体包括:
采集所述拍摄装置的安装位置的所属地区在当前拍摄时间的天气信息、接收所述物体反射红外线漫反射信号的时间点、以及所述拍摄区域的光线强度。
其中,天气信息包括天气阴晴、紫外线强度等。
拍摄区域的光线强度,通常是指拍摄区域内的可见光的光通量,即拍摄区域被照明程度的度量。
通常,彩色图像的效果与拍摄天气、时间、拍摄区域光线强度等有关。比如,在天气晴朗、拍摄区域被照明程度较高、拍摄时间在上午11点钟以前和下午2点钟以后拍摄,光线比较柔和,采集到的彩色图像的画面更加饱和、清晰。
根据所述天气信息、时间点以及光线强度,为所述拍摄装置匹配相对应的拍摄模式,以使所述拍摄装置启动所述拍摄模式,在预设的时间区间内,采集所述物体的彩色图像。
作为一示例,可预先构建不同的天气信息、时间点以及光线强度搭配与拍摄模式的对应关系表,具体的,可构建如下表1所示的对应关系表。
表1不同的天气信息、时间点以及光线强度搭配与拍摄模式的对应关系表
需要说明的是,上述不同的天气信息、时间点以及光线强度搭配与拍摄模式的对应关系可以根据实际情况灵活设计,在本实施例不做限制。
作为一示例,当根据所述天气信息、时间点以及光线强度,为所述拍摄装置匹配相对应的拍摄模式为不补光拍摄,那么可使用该拍摄装置在预设的时间区间内,采集所述物体的彩色图像。
通过根据不同的天气信息、时间点以及光线强度,为拍摄装置匹配相对应的拍摄模式,可以提高彩色图像的采集质量,可提高后续人脸检测的精准度,从而提高人脸反作弊的识别度。
在一实施例中,上述步骤S20中,从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征,包括:
确定所述待识别人物在所述红外图像中的红外人脸区域的第一尺寸,以及在所述彩色图像中的彩色人脸区域的第二尺寸。
作为一示例,可以先通过人脸检测器检测并确定待识别人物在红外图像中的红外人脸区域,然后获取该红外人脸区域的边界像素点坐标,根据该边界像素点坐标可以计算并确定红外人脸区域的尺寸大小(一般是宽度和高度大小)。
类似的,彩色人脸区域的尺寸大小可以参照上述红外人脸区域的尺寸大小的确定方法来确定。
根据预设的尺寸修改值,对所述第一尺寸进行尺寸调整,获得调整后的红外人脸区域;以及对所述第二尺寸进行尺寸调整,获得调整后的彩色人脸区域。
其中,预设的尺寸修改值,是指宽度和/或高度的修改值。例如,红外人脸区域的原始尺寸大小为700*1080像素(宽度*高度),预设的修改尺寸可以是1400*2160像素(宽度*高度)。
作为一示例,结合上述示例,可根据预设的修改尺寸1400*2160像素(宽度*高度)将红外人脸区域的原始尺寸大小700*1080像素(宽度*高度)调整成1400*2160像素(宽度*高度),获得调整后的红外人脸区域。
类似的,对于彩色人脸区域进行尺寸调整可以参照上述红外人脸区域的尺寸调整方式来进行调整,在此不再赘述。
作为另一示例,还可以采用线性插值法来实现对红外人脸区域、彩色人脸区域的尺寸放大或者缩小处理。
作为又一示例,还可以使用预设的图像处理软件(如Photoshop软件等)对红外人脸区域、彩色人脸区域按照预设的扩大倍数(例如,2倍、3倍等)进行扩大处理,得到调整后的红外人脸区域,以及调整后的彩色人脸区域。
从所述调整后的红外人脸区域提取所述待识别人物的红外图像特征;从所述调整后的彩色人脸区域提取所述待识别人物的彩色图像特征。
作为一示例,可以采用预设的神经网络从调整后的红外人脸区域提取所述待识别人物的红外图像特征,从调整后的彩色人脸区域提取所述待识别人物的彩色图像特征,具体的实现过程可参考现有的神经网络提取人脸特征的实现流程,具体不在此赘述。
在一实施例中,上述步骤从所述调整后的红外人脸区域提取所述待识别人物的红外图像特征;从所述调整后的彩色人脸区域提取所述待识别人物的彩色图像特征,包括:
对所述调整后的红外人脸区域的边界像素点坐标进行标记,以确定第一抠取区域,以及对所述调整后的彩色人脸区域的边界像素点坐标进行标记,以确定第二抠取区域。
作为一示例,通过对调整后的红外人脸区域的边界像素点坐标进行标记,标记时可以是采用颜色突显示、加标记符号(如数字、字母等)。调整后的人脸区域为一矩形或者正方形区域,在标记时,可以选择只标记该红外人脸区域的四个角顶点的像素点坐标,然后将这四个角顶点的像素点坐标连起来,即可确定第一抠取区域。当然,在标记时,还可以对该红外人脸区域的边界每个像素点坐标进行标记,以确定第一抠取区域。
类似的,确定第二抠取区域的方式可参照上述第一抠取区域的确定方法,在此不再赘述。
从所述红外图像抠取所述第一抠取区域,获得红外人脸图像;从所述彩色图像抠取所述第二抠取区域,获得彩色人脸图像。
作为一示例,经上述操作确定在红外图像中的第一抠取区域之后,可以第一抠取区域为边界对红外图像进行切分,以获得第一抠取区域内的待抠取部分图像,即红外人脸图像,以及第一抠取区域之外的其他部分。即非抠取部分图像。
类似的,对于彩色人脸图像的获取方式可以参照上述关于红外人脸图像的抠取方式,在此不再赘述。
在一实施例中,上述步骤S30中,计算所述彩色图像的帧间光流特征,包括:
按预设的时间间隔从所述若干彩色图像中抽取第一帧图像和第二帧图像;对所述第一帧图像和第二帧图像进行人脸检测,确定同一待识别人物在所述第一帧图像中的第一图像区域,以及在所述第二帧图像中的第二图像区域。
在本发明实施例中,彩色图像的采集时间通常为25帧/秒,即每0.04秒采集一帧,因此,此处预设的时间间隔,可为0.04秒、0.08秒、0.12秒、0.16秒等,即第一帧图像和第二帧图像可以是连续的两帧,也可以是中间间隔若干帧。例如,第一帧图像可以是在0秒时采集的彩色图像,第二帧图像为在0.04秒时采集的彩色图像。又例如,第一帧图像为在0秒时采集的彩色图像,第二帧图像为在0.16秒时采集的彩色图像。
由于彩色图像和红外图像是在同一时间区间内采集得到的,所以同一待识别人物在彩色图像和红外图像中的位置基本上是相同的。假设在彩色图像和红外图像中均检测到两个人脸框,这两个人脸框分别在图像的左上角和右下角处位置,那么可以将同在彩色图像和红外图像的帧左上角处的人脸框确定为一待识别人物的人脸图像区域,将同在彩色图像和红外图像的帧右下角处的人脸框确定为另一待识别人物的人脸图像区域。
由上述方法,可确定同一待识别人物在第一帧图像中的第一图像区域,以及在第二帧图像中的第二图像区域。
对所述第一图像区域进行扩大处理,并从所述第一帧图像中抠取出扩大后的第一图像区域,获得第一扩大图像区域。
作为一示例,第一扩大图像区域的获取方法可参考上述步骤S201、S202的实现方式获得,在此不再赘述。
对所述第二图像区域进行扩大处理,并从所述第二帧图像中抠取出扩大后的第二图像区域,获得第二扩大图像区域。
作为一示例,第二扩大图像区域的获取方法可参考上述步骤S201、S202的实现方式来获得,在此不再赘述。
计算所述第一扩大图像区域和所述第二扩大图像区域的第一帧间光流特征;或者,计算所述第一图像区域与所述第二扩大图像区域的第二帧间光流特征。
作为一示例,第一帧间光流特征以及第二帧间光流特征的计算,可以参考上述步骤S30的实施方式,在此不再赘述。
在一实施例中,上述步骤S40中,将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出所述待识别人物的人脸为活体人脸或为作弊人脸的分类结果,包括:
将所述红外图像特征、彩色图像特征和帧间光流特征输入预设的特征融合网络,以将三个N维向量转化成一个M维向量,获得融合特征。
作为一示例,预设的特征融合网络,为卷积神经网络。红外图像特征、彩色图像特征和帧间光流特征分别为一个N维向量。通过将红外图像特征、彩色图像特征和帧间光流特征这三个N维向量输入卷积神经网络进行处理,可将这三个N维向量转化成一个M维向量,即可获得融合特征。
将所述融合特征输入预设的分类器进行处理,输出二维向量;所述二维向量包括所述待识别人物的人脸为活体人脸的第一概率值,以及为作弊人脸的第二概率值。
作为一示例,可将上述获得的融合特征输入softmax分类器,输出二维向量[A,B],其中,A表示待识别人物为活体人脸的第一概率值,B表示待识别人物为作弊人脸的第二概率值。根据该二维向量中的较大概率值可确定待识别人物为哪种人脸。例如,输出的二维向量为[0.95,0.05],其中,待识别人物为活体人脸的概率值要大于为作弊人脸的概率值,那么可最终确定该待识别人物的人脸为活体人脸。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种人脸反作弊装置,该人脸反作弊装置与上述实施例中人脸反作弊方法一一对应。如图3所示,该人脸反作弊装置包括图像获取模块11、特征提取模块12、计算模块13和分类模块14。各功能模块详细说明如下:
图像获取模块11,用于获取待识别人物在同一时间区间的红外图像和彩色图像;
特征提取模块12,用于从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征;
计算模块13,用于计算所述彩色图像的帧间光流特征;
分类模块14,用于将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出分类结果。
在一实施例中,上述图像获取模块11包括:
红外图像生成单元,用于当预置的拍摄装置检测到有物体进入预设拍摄区域时,向所述物体发射红外线,并接收所述物体反射的红外线漫反射信号,形成红外图像;其中,所述物体包括待识别人物;
彩色图像采集单元,用于,在预设的时间区间内,采集所述物体的彩色图像。
在一实施例中,上述彩色图像采集单元具体用于:
采集所述拍摄装置的安装位置的所属地区在当前拍摄时间的天气信息、接收所述物体反射红外线漫反射信号的时间点、以及所述拍摄区域的光线强度;
根据所述天气信息、时间点以及光线强度,为所述拍摄装置匹配相对应的拍摄模式,以使所述拍摄装置启动所述拍摄模式,在预设的时间区间内,采集所述物体的彩色图像。
在一实施例中,上述特征提取模块12包括:
尺寸确定单元,用于确定所述待识别人物在所述红外图像中的红外人脸区域的第一尺寸,以及在所述彩色图像中的彩色人脸区域的第二尺寸;
尺寸调整单元,用于根据预设的尺寸修改值,对所述第一尺寸进行尺寸调整,获得调整后的红外人脸区域;以及对所述第二尺寸进行尺寸调整,获得调整后的彩色人脸区域;
特征提取单元,用于从所述调整后的红外人脸区域提取所述待识别人物的红外图像特征;从所述调整后的彩色人脸区域提取所述待识别人物的彩色图像特征。
在一实施例中,上述特征提取单元具体用于:
对所述调整后的红外人脸区域的边界像素点坐标进行标记,以确定第一抠取区域,以及对所述调整后的彩色人脸区域的边界像素点坐标进行标记,以确定第二抠取区域;
从所述红外图像抠取所述第一抠取区域,获得红外人脸图像;从所述彩色图像抠取所述第二抠取区域,获得彩色人脸图像。
在一实施例中,上述计算模块13包括:
图像区域确定单元,用于按预设的时间间隔从所述若干彩色图像中抽取第一帧图像和第二帧图像;对所述第一帧图像和第二帧图像进行人脸检测,确定同一待识别人物在所述第一帧图像中的第一图像区域,以及在所述第二帧图像中的第二图像区域;
第一扩大处理单元,用于对所述第一图像区域进行扩大处理,并从所述第一帧图像中抠取出扩大后的第一图像区域,获得第一扩大图像区域;
第二扩大处理单元,用于对所述第二图像区域进行扩大处理,并从所述第二帧图像中抠取出扩大后的第二图像区域,获得第二扩大图像区域;
光流特征计算单元,用于计算所述第一扩大图像区域和所述第二扩大图像区域的第一帧间光流特征;或者,计算所述第一图像区域与所述第二扩大图像区域的第二帧间光流特征。
在一实施例中,上述分类模块14包括:
特征融合单元,用于将所述红外图像特征、彩色图像特征和帧间光流特征输入预设的特征融合网络,以将三个N维向量转化成一个M维向量,获得融合特征;
分类单元,用于将所述融合特征输入softmax分类器进行处理,输出二维向量;所述二维向量包括所述待识别人物的人脸为活体人脸的第一概率值,以及为作弊人脸的第二概率值。
关于人脸反作弊装置的具体限定可以参见上文中对于人脸反作弊方法的限定,在此不再赘述。上述人脸反作弊装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储人脸反作弊方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种人脸反作弊方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
获取待识别人物在同一时间区间的红外图像和彩色图像;
从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征;
计算所述若干彩色图像的帧间光流特征;
将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出所述待识别人物的人脸为活体人脸或为作弊人脸的分类结果。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
获取待识别人物在同一时间区间的红外图像和彩色图像;
从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征;
计算所述彩色图像的若干帧间光流特征;
将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出所述待识别人物的人脸为活体人脸或为作弊人脸的分类结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种人脸反作弊方法,其特征在于,包括:
获取待识别人物在同一时间区间的红外图像和彩色图像;
从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征;
计算所述彩色图像的帧间光流特征;
将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出所述待识别人物的人脸为活体人脸或为作弊人脸的分类结果。
2.如权利要求1所述的人脸反作弊方法,其特征在于,所述获取待识别人物在同一时间区间的红外图像和若干彩色图像,包括:
当预置的拍摄装置检测到有物体进入预设拍摄区域时,向所述物体发射红外线,并接收所述物体反射的红外线漫反射信号,形成红外图像;其中,所述物体包括待识别人物;
在预设的时间区间内,采集所述物体的彩色图像。
3.如权利要求2所述的人脸反作弊方法,其特征在于,所述在预设的时间区间内,采集所述物体的彩色图像,包括:
采集所述拍摄装置的安装位置的所属地区在当前拍摄时间的天气信息、接收所述物体反射红外线漫反射信号的时间点、以及所述拍摄区域的光线强度;
根据所述天气信息、时间点以及光线强度,为所述拍摄装置匹配相对应的拍摄模式,以使所述拍摄装置启动所述拍摄模式,在预设的时间区间内,采集所述物体的彩色图像。
4.如权利要求1所述的人脸反作弊方法,其特征在于,所述从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征,包括:
确定所述待识别人物在所述红外图像中的红外人脸区域的第一尺寸,以及在所述彩色图像中的彩色人脸区域的第二尺寸;
根据预设的尺寸修改值,对所述第一尺寸进行尺寸调整,获得调整后的红外人脸区域;以及对所述第二尺寸进行尺寸调整,获得调整后的彩色人脸区域;
从所述调整后的红外人脸区域提取所述待识别人物的红外图像特征;从所述调整后的彩色人脸区域提取所述待识别人物的彩色图像特征。
5.如权利要求4所述的人脸反作弊方法,其特征在于,所述从所述调整后的红外人脸区域提取所述待识别人物的红外图像特征;从所述调整后的彩色人脸区域提取所述待识别人物的彩色图像特征,包括:
对所述调整后的红外人脸区域的边界像素点坐标进行标记,以确定第一抠取区域,以及对所述调整后的彩色人脸区域的边界像素点坐标进行标记,以确定第二抠取区域;
从所述红外图像抠取所述第一抠取区域,获得红外人脸图像;从所述彩色图像抠取所述第二抠取区域,获得彩色人脸图像。
6.如权利要求1所述的人脸反作弊方法,其特征在于,所述计算所述若干彩色图像的若干帧间光流特征,包括:
按预设的时间间隔从所述若干彩色图像中抽取第一帧图像和第二帧图像;对所述第一帧图像和第二帧图像进行人脸检测,确定同一待识别人物在所述第一帧图像中的第一图像区域,以及在所述第二帧图像中的第二图像区域;
对所述第一图像区域进行扩大处理,并从所述第一帧图像中抠取出扩大后的第一图像区域,获得第一扩大图像区域;
对所述第二图像区域进行扩大处理,并从所述第二帧图像中抠取出扩大后的第二图像区域,获得第二扩大图像区域;
计算所述第一扩大图像区域和所述第二扩大图像区域的第一帧间光流特征;或者,计算所述第一图像区域与所述第二扩大图像区域的第二帧间光流特征。
7.如权利要求1所述的人脸反作弊方法,其特征在于,所述将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出所述待识别人物的人脸为活体人脸或为作弊人脸的分类结果,包括:
将所述红外图像特征、彩色图像特征和帧间光流特征输入预设的特征融合网络,以将三个N维向量转化成一个M维向量,获得融合特征;
将所述融合特征输入预设的分类器进行处理,输出二维向量;所述二维向量包括所述待识别人物的人脸为活体人脸的第一概率值,以及为作弊人脸的第二概率值。
8.一种人脸反作弊装置,其特征在于,包括:
图像获取模块,用于获取待识别人物在同一时间区间的红外图像和彩色图像;
特征提取模块,用于从所述红外图像提取所述待识别人物的红外图像特征;从所述彩色图像提取所述待识别人物的彩色图像特征;
计算模块,用于计算所述彩色图像的若干帧间光流特征;
分类模块,用于将所述红外图像特征、彩色图像特征和帧间光流特征进行融合,获得融合特征;将所述融合特征输入预设的分类器进行处理,输出所述待识别人物的人脸为活体人脸或为作弊人脸的分类结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述人脸反作弊方法。
10.一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至7中任一项所述人脸反作弊方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183527.9A CN113822222A (zh) | 2021-10-11 | 2021-10-11 | 人脸反作弊方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183527.9A CN113822222A (zh) | 2021-10-11 | 2021-10-11 | 人脸反作弊方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822222A true CN113822222A (zh) | 2021-12-21 |
Family
ID=78916367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111183527.9A Pending CN113822222A (zh) | 2021-10-11 | 2021-10-11 | 人脸反作弊方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822222A (zh) |
-
2021
- 2021-10-11 CN CN202111183527.9A patent/CN113822222A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543867B (zh) | 一种多摄像头条件下的人群密度估测系统及方法 | |
US10719743B2 (en) | License plate reader using optical character recognition on plural detected regions | |
CN106991395B (zh) | 信息处理方法、装置及电子设备 | |
US8866931B2 (en) | Apparatus and method for image recognition of facial areas in photographic images from a digital camera | |
US20150193649A1 (en) | Enhanced face detection using depth information | |
CN112381075B (zh) | 一种机房特定场景下进行人脸识别的方法及系统 | |
CN109298785A (zh) | 一种监测设备的人机联控系统及方法 | |
CN114842397B (zh) | 一种基于异常检测的实时老人跌倒检测方法 | |
CN108960076B (zh) | 基于卷积神经网络的耳朵识别与跟踪方法 | |
JP2005056387A (ja) | 画像処理装置、撮像装置、画像処理方法 | |
CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
JP6157165B2 (ja) | 視線検出装置及び撮像装置 | |
CN105022999A (zh) | 一种人码伴随实时采集系统 | |
CN111191535B (zh) | 基于深度学习的行人检测模型构建方法及行人检测方法 | |
WO2023279799A1 (zh) | 对象识别方法、装置和电子系统 | |
CN111353429A (zh) | 基于眼球转向的感兴趣度方法与系统 | |
JP7074174B2 (ja) | 識別器学習装置、識別器学習方法およびコンピュータプログラム | |
KR102171384B1 (ko) | 영상 보정 필터를 이용한 객체 인식 시스템 및 방법 | |
KR20080073598A (ko) | 실시간 얼굴 인식을 위한 방법 및 장치 | |
CN115862128A (zh) | 一种基于人体骨架的顾客异常行为识别方法 | |
Curran et al. | The use of neural networks in real-time face detection | |
CN113822222A (zh) | 人脸反作弊方法、装置、计算机设备及存储介质 | |
CN114387670A (zh) | 基于时空特征融合的步态识别方法、装置及存储介质 | |
CN111368726B (zh) | 建筑工地作业面人数统计方法、系统、存储介质及装置 | |
CN111368608B (zh) | 一种人脸识别方法、装置及系统 |
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 |