CN114202806A - 活体检测方法、装置、电子设备和存储介质 - Google Patents
活体检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114202806A CN114202806A CN202111422895.4A CN202111422895A CN114202806A CN 114202806 A CN114202806 A CN 114202806A CN 202111422895 A CN202111422895 A CN 202111422895A CN 114202806 A CN114202806 A CN 114202806A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- updated
- brightness
- living body
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 claims description 63
- 238000000605 extraction Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001727 in vivo Methods 0.000 claims description 8
- 230000001815 facial effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000001574 biopsy Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种活体检测方法、装置、电子设备和存储介质,涉及人工智能领域,具体为深度学习、计算机视觉技术领域,可应用于人脸识别、活体检测等场景。具体实现方案为:根据脸部图像中脸部设定区域的亮度,确定目标亮度值,并根据目标亮度值,对脸部图像进行亮度调整,以得到更新图像,从而可根据更新图像进行活体检测。由此,可以实现对脸部图像进行活体检测,以满足实际的应用需求。并且,对亮度调整后的脸部图像进行活体检测,可以避免因图像亮度过高或过低而导致识别结果准确性较低的情况,提升活体检测结果的可靠性。
Description
技术领域
本公开涉及人工智能领域,具体为深度学习、计算机视觉技术领域,可应用于人脸识别、活体检测等场景,尤其涉及活体检测方法、装置、电子设备和存储介质。
背景技术
随着人脸识别技术的不断发展,在各类身份认证系统中,通过人脸识别技术对用户身份进行认证的应用越来越普及。对于采用人脸识别技术进行身份认证的系统而言,通常需要对用户进行人脸验证和活体检测。其中,活体检测,用于确认采集到的人脸图像等数据是否来自用户本人,而非回放或者伪造材料。
发明内容
本公开提供了一种用于活体检测方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种活体检测方法,包括:
获取脸部图像;
根据所述脸部图像中脸部设定区域的亮度,确定目标亮度值;
根据所述目标亮度值,对所述脸部图像进行亮度调整,以得到更新图像;
根据所述更新图像进行活体检测。
根据本公开的另一方面,提供了一种活体检测装置,包括:
获取模块,用于获取脸部图像;
确定模块,用于根据所述脸部图像中脸部设定区域的亮度,确定目标亮度值;
调整模块,用于根据所述目标亮度值,对所述脸部图像进行亮度调整,以得到更新图像;
检测模块,用于根据所述更新图像进行活体检测。
根据本公开的又一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开上述一方面提出的活体检测方法。
根据本公开的再一方面,提供了一种计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开上述一方面提出的活体检测方法。
根据本公开的还一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开上述一方面提出的活体检测方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例一所提供的活体检测方法的流程示意图;
图2为本公开实施例二所提供的活体检测方法的流程示意图;
图3为本公开实施例三所提供的活体检测方法的流程示意图;
图4为本公开实施例四所提供的活体检测方法的流程示意图;
图5为本公开实施例五所提供的活体检测方法的流程示意图;
图6为本公开实施例六所提供的活体检测方法的流程示意图;
图7为本公开实施例七所提供的活体检测装置的结构示意图;
图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
相关技术中,对于NIR(near infrared,近红外)图像的活体检测,仅将未处理过的NIR图像,作为网络的输入进行特征学习。
然而上述方式,未考虑到NIR图像的特点,网络学习到的特征的鲁棒性不强。具体地,NIR图像的亮度易受到相机曝光、增益、分辨率等因素的影响,不同NIR图像的亮度差异较大,而NIR图像中用于区分活体和非活体的关键信息,并非为与曝光、增益等因素强相关的亮度,而是与亮度相关性不太强的特征,比如纹理信息等特征。如果直接使用未做处理的NIR图像作为网络输入,模型学习到的大部分特征会与图像亮度相关,泛化性较差。
针对上述问题,本公开提出一种活体检测方法、装置、电子设备和存储介质。
下面参考附图描述本公开实施例的活体检测方法、装置、电子设备和存储介质。
图1为本公开实施例一所提供的活体检测方法的流程示意图。
本公开实施例以该活体检测方法被配置于活体检测装置中来举例说明,该活体检测装置可以应用于任一电子设备中,以使该电子设备可以执行活体检测功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑、移动终端、服务器等,移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该活体检测方法可以包括以下步骤:
步骤101,获取脸部图像。
在本公开实施例中,脸部图像为包含目标对象脸部的图像,其中,目标对象可以为人,或者也可以为动物,本公开对此并不做限制。
在本公开实施例中,对脸部图像的类型不作限制,比如,脸部图像可以为NIR图像,或者,脸部图像也可以为RGB图像、TIR(thermal infrared,热感红外)图像等。
在本公开实施例中,脸部图像可以从现有的测试集获取,或者,脸部图像可以在线采集,比如可以通过网络爬虫技术,在线采集目标对象的脸部图像,或者,脸部图像也可以为实时采集的目标对象的脸部图像,或者,脸部图像也可以为人工合成的图像,等等,本公开实施例对此并不做限制。
步骤102,根据脸部图像中脸部设定区域的亮度,确定目标亮度值。
在本公开实施例中,脸部设定区域为预先设置的脸部中的某一区域,比如,脸部设定区域可以为眼睛区域,或者,脸部设定区域也可以为鼻尖等其他区域,本公开对此并不作限制。
在本公开实施例中,可以根据脸部图像中脸部设定区域的亮度,确定目标亮度值,其中,目标亮度值与脸部设定区域的亮度成正向关系,即目标亮度值随脸部设定区域的亮度的增大而增大,反之,目标亮度值随脸部设定区域的亮度的减小而减小。
步骤103,根据目标亮度值,对脸部图像进行亮度调整,以得到更新图像。
在本公开实施例中,可以根据目标亮度值,对脸部图像进行亮度调整,以得到更新图像。例如,针对脸部图像中的每个像素点,可以将该像素点的亮度减去目标亮度值,以得到更新图像。
步骤104,根据更新图像进行活体检测。
在本公开实施例中,可以根据更新图像进行活体检测,以确定脸部图像中的目标对象是否为活体。比如,为了提升检测结果的准确性,可以采用深度学习技术,对更新图像进行活体检测。
本公开实施例的活体检测方法,通过根据脸部图像中脸部设定区域的亮度,确定目标亮度值,并根据目标亮度值,对脸部图像进行亮度调整,以得到更新图像,从而可根据更新图像进行活体检测。由此,可以实现对脸部图像进行活体检测,以满足实际的应用需求。并且,对亮度调整后的脸部图像进行活体检测,可以避免因图像亮度过高或过低而导致识别结果准确性较低的情况,提升活体检测结果的可靠性。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息(比如脸部图像)的收集、存储、使用、加工、传输、提供和公开等处理,均在征得用户同意的前提下进行,并且均符合相关法律法规的规定,且不违背公序良俗。
为了清楚说明本公开上述实施例中是如何根据更新图像进行活体检测的,本公开还提出一种活体检测方法。
图2为本公开实施例二所提供的活体检测方法的流程示意图。
如图2所示,该活体检测方法可以包括以下步骤:
步骤201,获取脸部图像。
步骤202,根据脸部图像中脸部设定区域的亮度,确定目标亮度值。
步骤203,根据目标亮度值,对脸部图像进行亮度调整,以得到更新图像。
步骤201至203的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
步骤204,对更新图像进行边缘特征提取,得到边缘特征图。
在本公开实施例中,可以基于边缘特征提取算法,对更新图像进行边缘特征提取,得到边缘特征图。例如,可以采用sobel算子,对更新图像进行边缘特征提取,得到边缘特征图。其中,sobel算子的内核大小(kernel size)可以为3。
步骤205,将边缘特征图与更新图像进行融合,得到融合图像。
在本公开实施例中,可以将边缘特征图与更新图像进行融合,以得到融合图像。
在本公开实施例的一种可能的实现方式中,可以将边缘特征图与更新图像进行拼接,得到融合图像。例如,可以将边缘特征图与更新图像在通道(channel)维度方向进行相加或拼接,得到融合图像。
在本公开实施例的另一种可能的实现方式中,可以将边缘特征图与更新图像进行拼接,得到拼接特征图,比如,可以将边缘特征图与更新图像在通道(channel)维度方向进行拼接,得到拼接特征图,之后,可将拼接特征图输入卷积层,以融合得到上述融合图像。其中,卷积层可以为活体检测模型中的卷积层,或者,也可以为独立于活体检测模型的卷积网络,本公开对此并不作限制。
由此,可以实现根据多种方式,对边缘特征图与更新图像进行融合,提升该方法的灵活性和适用性。
步骤206,对融合图像进行活体检测,以确定脸部图像中的目标对象是否为活体。
在本公开实施例中,可以对融合图像进行活体检测,以确定脸部图像中的目标对象是否为活体。比如,为了提升检测结果的准确性,可以采用深度学习技术,对融合图像进行活体检测,以确定脸部图像中的目标对象是否为活体。
应当理解的是,当采用深度学习技术,对融合图像进行活体检测时,由于边缘特征图中携带了目标对象的纹理信息,结合边缘特征图和更新图像来进行活体检测的方式,可以使得模型关注于用于区分活体和非活体的重要特征(比如纹理特征),从而提升模型的鲁棒性。
本公开实施例的活体检测方法,通过对更新图像进行边缘特征提取,得到边缘特征图;将边缘特征图与更新图像进行融合,得到融合图像;对融合图像进行活体检测,以确定脸部图像中的目标对象是否为活体。本公开中,由于边缘特征图中携带了目标对象的纹理信息,结合边缘特征图和更新图像来进行活体检测,可以进一步提升检测结果的准确性。
为了清楚说明本公开上述实施例中是如何对融合图像进行活体检测的,本公开还提出一种活体检测方法。
图3为本公开实施例三所提供的活体检测方法的流程示意图。
如图3所示,该活体检测方法可以包括以下步骤:
步骤301,获取脸部图像。
步骤302,根据脸部图像中脸部设定区域的亮度,确定目标亮度值。
步骤303,根据目标亮度值,对脸部图像进行亮度调整,以得到更新图像。
步骤304,对更新图像进行边缘特征提取,得到边缘特征图。
步骤305,将边缘特征图与更新图像进行融合,得到融合图像。
步骤301至305的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
步骤306,采用活体检测模型中的特征提取层,对融合图像进行特征提取,得到目标特征图。
在本公开实施例中,可以采用活体检测模型中的特征提取层,对融合图像进行特征提取,得到目标特征图。比如,特征提取层可以为活体检测模型中的主干网络(backbone),比如CNN(Convolutional Neural Network,卷积神经网络)、残差网络Resnet等。
步骤307,采用活体检测模型中的预测层对目标特征图进行分类,得到脸部图像中目标对象的分类概率。
在本公开实施例中,可以采用活体检测模型中的预测层,对目标特征图进行分类,得到脸部图像中目标对象的分类概率。比如,预测层可以包括分类器,通过分类器对目标特征图进行分类,得到脸部图像中目标对象的分类概率。
步骤308,根据分类概率,确定目标对象是否为活体。
在本公开实施例中,可以根据分类概率,确定目标对象是否为活体。例如,可以判断分类概率是否大于设定概率阈值(比如0.5),响应于分类概率大于设定概率阈值,确定目标对象为活体,响应于分类概率未大于设定概率阈值,确定目标对象为非活体。
本公开实施例的活体检测方法,通过采用活体检测模型中的特征提取层,对融合图像进行特征提取,得到目标特征图;采用活体检测模型中的预测层对目标特征图进行分类,得到脸部图像中目标对象的分类概率;根据分类概率,确定目标对象是否为活体。由此,基于深度学习技术,对融合图像进行活体检测,可以提升检测结果的准确性和可靠性。并且,融合特征是根据边缘特征图与更新图像生成的,而边缘特征图中携带了目标对象的纹理信息,结合边缘特征图和更新图像来进行活体检测,可以使得模型关注于用于区分活体和非活体的重要特征(比如纹理特征),从而提升模型的鲁棒性。
为了清楚说明本公开上述任一实施例中是如何获取脸部图像的,本公开还提出一种活体检测方法。
图4为本公开实施例四所提供的活体检测方法的流程示意图。
如图4所示,该活体检测方法可以包括以下步骤:
步骤401,获取包含目标对象的脸部的源图像。
在本公开实施例中,源图像可以从现有的测试集获取,或者,源图像可以在线采集,比如可以通过网络爬虫技术,在线采集包含目标对象的脸部的源图像,或者,源图像也可以为实时采集的包含目标对象的脸部的图像,或者,源图像也可以为人工合成的图像,等等,本公开实施例对此并不做限制。
步骤402,对源图像进行脸部检测,以确定包含脸部的检测框,并确定检测框在源图像中的第一位置。
在本公开实施例中,可以通过脸部识别技术,对源图像进行脸部检测,确定包含脸部的检测框,并确定检测框在源图像中的位置,本公开中记为第一位置。
以目标对象为人进行示例性说明,可以基于人脸检测技术或人脸识别技术,对源图像进行脸部检测,得到包含脸部的检测框,在确定检测框后,即可确定该检测框在源图像中的坐标。
步骤403,对源图像进行关键点检测,以确定各关键点在源图像中的第二位置。
在本公开实施例中,可以基于关键点检测技术,对源图像进行关键点检测,以确定各关键点在源图像中的位置,本公开中记为第二位置。
仍以目标对象为人进行示例性说明,可以基于人脸关键点检测技术,对源图像进行关键点检测,得到72个人脸关键点在源图像中的坐标。
步骤404,根据第一位置和各第二位置,对源图像中脸部的角度和位置进行调整,以得到脸部图像,其中,调整后的脸部位于脸部图像的中心,且调整后的脸部的角度符合设定角度。
在本公开实施例中,可以根据脸部的检测框在源图像中的第一位置,以及各关键点在源图像中的第二位置,对源图像中目标对象的脸部的角度和位置进行调整,以得到脸部图像,其中,调整后的目标对象的脸部位于脸部图像的中心,且调整后的脸部的角度符合设定角度。
仍以目标对象为人进行示例性说明,可以采用人脸对齐算法,根据脸部的检测框在源图像中的第一位置,以及各关键点在源图像中的第二位置,对源图像中目标对象的脸部的角度和位置进行调整,以实现对源图像中的目标对象的脸部进行校正,从而可以将脸部校正后的源图像,作为待检测的脸部图像。
步骤405,根据脸部图像中脸部设定区域的亮度,确定目标亮度值。
步骤406,根据目标亮度值,对脸部图像进行亮度调整,以得到更新图像。
步骤407,根据更新图像进行活体检测。
步骤405至407的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
本公开实施例的活体检测方法,通过对源图像进行脸部检测,以确定包含脸部的检测框,并确定检测框在源图像中的第一位置;对源图像进行关键点检测,以确定各关键点在源图像中的第二位置;根据第一位置和各第二位置,对源图像中脸部的角度和位置进行调整,以得到脸部图像,其中,调整后的脸部位于脸部图像的中心,且调整后的脸部的角度符合设定角度。由此,可以实现对脸部图像中目标对象的脸部进行校正,从而基于脸部校正后的图像进行活体检测,可以进一步提升检测结果的可靠性。
为了清楚说明本公开上述任一实施例中是如何对脸部图像进行亮度调整的,本公开还提出一种活体检测方法。
图5为本公开实施例五所提供的活体检测方法的流程示意图。
如图5所示,该活体检测方法可以包括以下步骤:
步骤501,获取脸部图像。
步骤502,根据脸部图像中脸部设定区域的亮度,确定目标亮度值。
步骤501至502的执行过程可以参见上述任一实施例的执行过程,在此不做赘述。
在本公开的任意一个实施例之中,可以确定脸部图像中脸部设定区域的亮度,将脸部设定区域的亮度减去设定亮度值,得到目标亮度值。
其中,为了避免亮度调整后的更新图像发生过暗或过量的情况,设定亮度值不应过大也不应过小,例如设定亮度值可以选择一个中间取值,比如,设定亮度值可以为125,当然,设定亮度值也可以为其他取值,比如123、124、126、127等等,本公开对此并不作限制。
作为一种示例,可以计算脸部图像中脸部设定区域中各像素点的亮度均值,将脸部图像中脸部设定区域中各像素点的亮度均值,确定为脸部设定区域的亮度。
作为另一种示例,可以从脸部图像中,确定位于脸部设定区域中心的目标像素点,将该目标像素点的亮度,确定为脸部设定区域的亮度。
当然也可以采用其他算法,根据脸部设定区域中各像素点的亮度,确定该脸部设定区域的亮度,本公开对此并不做限制。
应当理解的是,目标亮度值可以为正数,或者也可以为负数。比如,当脸部图像中脸部设定区域的亮度小于设定亮度值时,目标亮度值为负数,而当脸部图像中脸部设定区域的亮度大于设定亮度值时,目标亮度值为正数。
综上,可以实现根据脸部设定区域的亮度,有效计算得到目标亮度值,从而后续可以采用目标亮度值,对脸部图像的亮度进行有效调整。
步骤503,针对脸部图像中的每个像素点,将像素点的亮度减去目标亮度值,得到像素点对应的更新亮度值。
在本公开实施例中,针对脸部图像中的每个像素点,可以将该像素点的亮度减去目标亮度值,得到该像素点对应的更新亮度值。
步骤504,响应于像素点的更新亮度值小于第一设定阈值,将像素点的更新亮度值更新为第一设定阈值。
在本公开实施例中,第一设定阈值为预先设定的亮度值,该第一设定阈值为较小的亮度值,比如,该第一设定阈值可以为0。
在本公开实施例中,在像素点的更新亮度值小于第一设定阈值的情况下,可以将该像素点的更新亮度值更新为第一设定阈值。例如,当目标亮度值为正值时,如果像素点的亮度小于目标亮度值,则该像素点的更新亮度值小于第一设定阈值,此时,可以将该像素点的更新亮度值更新为第一设定阈值。
步骤505,响应于像素点的更新亮度值大于第二设定阈值,将像素点的更新亮度值更新为第二设定阈值。
在本公开实施例中,第二设定阈值为预先设定的亮度值,该第二设定阈值为较大的亮度值,比如,该第二设定阈值可以为255。
在本公开实施例中,在像素点的更新亮度值大于第二设定阈值的情况下,可以将该像素点的更新亮度值更新为第二设定阈值。例如,当目标亮度值为负值时,像素点的亮度减去目标亮度值,可能大于第二设定阈值,此时,可以将该像素点的更新亮度值更新为第二设定阈值。
步骤506,根据各像素点更新后的亮度值,生成更新图像。
在本公开实施例中,可以根据脸部图像中各像素点更新后的亮度值,生成更新图像,也就是说,可以对脸部图像的亮度进行整体调整,以得到更新图像。
步骤507,根据更新图像进行活体检测。
步骤507的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
作为一种示例,以脸部图像为包含人脸的NIR图像进行示例性说明,由于NIR图像的特性,用于区分真人和攻击样本的特征,主要是与人脸不同区域的相对纹理的相关性较大,而非亮度等与相机增益强相关的因素,因此,本公开中,可以降低图像绝对亮度对于模型效果的影响,通过采用基于人脸的图像亮度对齐,以及提取对齐后的图像(即更新图像)中的纹理信息作为辅助信息,来实现对NIR图像进行活体检测。
活体检测的流程图可以如图6所示,首先,对于NIR图像,可以获取人脸的坐标和72个关键点的坐标,基于上述坐标,采用人脸对齐算法,将人脸校正。
对于人脸校正后的图像,计算人脸眼睛区域亮度的均值,并计算均值与设定亮度值(比如125)之间的差值,本公开中记为目标亮度值V_move。
将人脸校正后的图像中各像素点的亮度减去V_move,得到更新图像Img_new。
对Img_new提取sobel特征,得到Img_new_sobel;其中,sobel的kernel size=3。
将Img_new和Img_new_sobel沿着通道维度方向进行拼接,作为模型的输入,模型可以选择Resnet18,损失函数为交叉熵。
由此,使用人脸眼睛区域的亮度,对脸部图像的亮度进行对齐,可以降低NIR图像中因为曝光、增益等因素造成的图像亮度变化对于模型鲁棒性的影响,并且,提取图像中的Sobel纹理特征作为辅助信息输入模型,可以增强模型对于用于区分活体和非活体的重要特征(比如纹理特征)的关注,提高了模型的鲁棒性。
本公开实施例的活体检测方法,通过针对脸部图像中的每个像素点,将像素点的亮度减去目标亮度值,得到像素点对应的更新亮度值;响应于像素点的更新亮度值小于第一设定阈值,将像素点的更新亮度值更新为第一设定阈值;响应于像素点的更新亮度值大于第二设定阈值,将像素点的更新亮度值更新为第二设定阈值;根据各像素点更新后的亮度值,生成更新图像。由此,可以实现对脸部图像的亮度进行调整,从而基于亮度调整后的图像进行活体检测,可以避免因图像亮度过高或过低而导致识别结果准确性较低的情况,提升活体检测结果的可靠性。
与上述图1至图6实施例提供的活体检测方法相对应,本公开还提供一种活体检测装置,由于本公开实施例提供的活体检测装置与上述图1至图6实施例提供的活体检测方法相对应,因此在活体检测方法的实施方式也适用于本公开实施例提供的活体检测装置,在本公开实施例中不再详细描述。
图7为本公开实施例七所提供的活体检测装置的结构示意图。
如图7所示,该活体检测装置700可以包括:获取模块710、确定模块720、调整模块730以及检测模块740。
其中,获取模块710,用于获取脸部图像。
确定模块720,用于根据脸部图像中脸部设定区域的亮度,确定目标亮度值。
调整模块730,用于根据目标亮度值,对脸部图像进行亮度调整,以得到更新图像。
检测模块740,用于根据更新图像进行活体检测。
在本公开实施例的一种可能的实现方式中,检测模块740,可以包括:
提取单元,用于对更新图像进行边缘特征提取,得到边缘特征图。
融合单元,用于将边缘特征图与更新图像进行融合,得到融合图像。
检测单元,用于对融合图像进行活体检测,以确定脸部图像中的目标对象是否为活体。
在本公开实施例的一种可能的实现方式中,检测单元,具体用于:采用活体检测模型中的特征提取层,对融合图像进行特征提取,得到目标特征图;采用活体检测模型中的预测层对目标特征图进行分类,得到脸部图像中目标对象的分类概率;根据分类概率,确定目标对象是否为活体。
在本公开实施例的一种可能的实现方式中,融合单元,具体用于:将边缘特征图与更新图像进行拼接,以得到融合图像。
在本公开实施例的一种可能的实现方式中,融合单元,具体用于:将边缘特征图与更新图像进行拼接,得到拼接图像;将拼接图像输入卷积层,以融合得到融合图像。
在本公开实施例的一种可能的实现方式中,获取模块710,具体用于:获取包含目标对象的脸部的源图像;对源图像进行脸部检测,以确定包含脸部的检测框,并确定检测框在源图像中的第一位置;对源图像进行关键点检测,以确定各关键点在源图像中的第二位置;根据第一位置和各第二位置,对源图像中脸部的角度和位置进行调整,以得到脸部图像,其中,调整后的脸部位于脸部图像的中心,且调整后的脸部的角度符合设定角度。
在本公开实施例的一种可能的实现方式中,确定模块720,具体用于:将脸部图像中脸部设定区域中各像素点的亮度均值,确定为脸部设定区域的亮度;将脸部设定区域的亮度减去设定亮度值,得到目标亮度值。
在本公开实施例的一种可能的实现方式中,调整模块730,具体用于:针对脸部图像中的每个像素点,将像素点的亮度减去目标亮度值,得到像素点对应的更新亮度值;响应于像素点的更新亮度值小于第一设定阈值,将像素点的更新亮度值更新为第一设定阈值;响应于像素点的更新亮度值大于第二设定阈值,将像素点的更新亮度值更新为第二设定阈值;根据各像素点更新后的亮度值,生成更新图像。
本公开实施例的活体检测装置,通过根据脸部图像中脸部设定区域的亮度,确定目标亮度值,并根据目标亮度值,对脸部图像进行亮度调整,以得到更新图像,从而可根据更新图像进行活体检测。由此,可以实现对脸部图像进行活体检测,以满足实际的应用需求。并且,对亮度调整后的脸部图像进行活体检测,可以避免因图像亮度过高或过低而导致识别结果准确性较低的情况,提升活体检测结果的可靠性。
为了实现上述实施例,本公开还提供一种电子设备,该电子设备可以包括至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开上述任一实施例提出的活体检测方法。
为了实现上述实施例,本公开还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开上述任一实施例提出的活体检测方法。
为了实现上述实施例,本公开还提供一种计算机程序产品,该计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现本公开上述任一实施例提出的活体检测方法。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)802中的计算机程序或者从存储单元808加载到RAM(Random AccessMemory,随机访问/存取存储器)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。I/O(Input/Output,输入/输出)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如上述活体检测方法。例如,在一些实施例中,上述活体检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的活体检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述活体检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(VirtualPrivate Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本公开实施例的技术方案,通过根据脸部图像中脸部设定区域的亮度,确定目标亮度值,并根据目标亮度值,对脸部图像进行亮度调整,以得到更新图像,从而可根据更新图像进行活体检测。由此,可以实现对脸部图像进行活体检测,以满足实际的应用需求。并且,对亮度调整后的脸部图像进行活体检测,可以避免因图像亮度过高或过低而导致识别结果准确性较低的情况,提升活体检测结果的可靠性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种活体检测方法,所述方法包括:
获取脸部图像;
根据所述脸部图像中脸部设定区域的亮度,确定目标亮度值;
根据所述目标亮度值,对所述脸部图像进行亮度调整,以得到更新图像;
根据所述更新图像进行活体检测。
2.根据权利要求1所述的方法,其中,所述根据所述更新图像进行活体检测,包括:
对所述更新图像进行边缘特征提取,得到边缘特征图;
将所述边缘特征图与所述更新图像进行融合,得到融合图像;
对所述融合图像进行活体检测,以确定所述脸部图像中的目标对象是否为活体。
3.根据权利要求2所述的方法,其中,所述对所述融合图像进行活体检测,以确定所述脸部图像中的目标对象是否为活体,包括:
采用活体检测模型中的特征提取层,对所述融合图像进行特征提取,得到目标特征图;
采用所述活体检测模型中的预测层对所述目标特征图进行分类,得到所述脸部图像中所述目标对象的分类概率;
根据所述分类概率,确定所述目标对象是否为活体。
4.根据权利要求2所述的方法,其中,所述将所述边缘特征图与所述更新图像进行融合,得到融合图像,包括:
将所述边缘特征图与所述更新图像进行拼接,以得到所述融合图像。
5.根据权利要求2所述的方法,其中,所述将所述边缘特征图与所述更新图像进行融合,得到融合图像,包括:
将所述边缘特征图与所述更新图像进行拼接,得到所述拼接图像;
将所述拼接图像输入卷积层,以融合得到所述融合图像。
6.根据权利要求1所述的方法,其中,所述获取脸部图像,包括:
获取包含所述目标对象的脸部的源图像;
对所述源图像进行脸部检测,以确定包含所述脸部的检测框,并确定所述检测框在所述源图像中的第一位置;
对所述源图像进行关键点检测,以确定各所述关键点在所述源图像中的第二位置;
根据所述第一位置和各所述第二位置,对所述源图像中所述脸部的角度和位置进行调整,以得到所述脸部图像,其中,调整后的所述脸部位于所述脸部图像的中心,且调整后的所述脸部的角度符合设定角度。
7.根据权利要求1-6中任一项所述的方法,其中,所述根据所述脸部图像中脸部设定区域的亮度,确定目标亮度值,包括:
将所述脸部图像中所述脸部设定区域中各像素点的亮度均值,确定为所述脸部设定区域的亮度;
将所述脸部设定区域的亮度减去设定亮度值,得到所述目标亮度值。
8.根据权利要求1-6中任一项所述的方法,其中,所述根据所述目标亮度值,对所述脸部图像进行亮度调整,以得到更新图像,包括:
针对所述脸部图像中的每个像素点,将所述像素点的亮度减去所述目标亮度值,得到所述像素点对应的更新亮度值;
响应于所述像素点的更新亮度值小于第一设定阈值,将所述像素点的更新亮度值更新为所述第一设定阈值;
响应于所述像素点的更新亮度值大于第二设定阈值,将所述像素点的更新亮度值更新为所述第二设定阈值;
根据各所述像素点更新后的亮度值,生成所述更新图像。
9.一种活体检测装置,所述装置包括:
获取模块,用于获取脸部图像;
确定模块,用于根据所述脸部图像中脸部设定区域的亮度,确定目标亮度值;
调整模块,用于根据所述目标亮度值,对所述脸部图像进行亮度调整,以得到更新图像;
检测模块,用于根据所述更新图像进行活体检测。
10.根据权利要求9所述的装置,其中,所述检测模块,包括:
提取单元,用于对所述更新图像进行边缘特征提取,得到边缘特征图;
融合单元,用于将所述边缘特征图与所述更新图像进行融合,得到融合图像;
检测单元,用于对所述融合图像进行活体检测,以确定所述脸部图像中的目标对象是否为活体。
11.根据权利要求10所述的装置,其中,所述检测单元,具体用于:
采用活体检测模型中的特征提取层,对所述融合图像进行特征提取,得到目标特征图;
采用所述活体检测模型中的预测层对所述目标特征图进行分类,得到所述脸部图像中所述目标对象的分类概率;
根据所述分类概率,确定所述目标对象是否为活体。
12.根据权利要求10所述的装置,其中,所述融合单元,具体用于:
将所述边缘特征图与所述更新图像进行拼接,以得到所述融合图像。
13.根据权利要求10所述的装置,其中,所述融合单元,具体用于:
将所述边缘特征图与所述更新图像进行拼接,得到所述拼接图像;
将所述拼接图像输入卷积层,以融合得到所述融合图像。
14.根据权利要求9所述的装置,其中,所述获取模块,具体用于:
获取包含所述目标对象的脸部的源图像;
对所述源图像进行脸部检测,以确定包含所述脸部的检测框,并确定所述检测框在所述源图像中的第一位置;
对所述源图像进行关键点检测,以确定各所述关键点在所述源图像中的第二位置;
根据所述第一位置和各所述第二位置,对所述源图像中所述脸部的角度和位置进行调整,以得到所述脸部图像,其中,调整后的所述脸部位于所述脸部图像的中心,且调整后的所述脸部的角度符合设定角度。
15.根据权利要求9-14中任一项所述的装置,其中,所述确定模块,具体用于:
将所述脸部图像中所述脸部设定区域中各像素点的亮度均值,确定为所述脸部设定区域的亮度;
将所述脸部设定区域的亮度减去设定亮度值,得到所述目标亮度值。
16.根据权利要求9-14中任一项所述的装置,其中,所述调整模块,具体用于:
针对所述脸部图像中的每个像素点,将所述像素点的亮度减去所述目标亮度值,得到所述像素点对应的更新亮度值;
响应于所述像素点的更新亮度值小于第一设定阈值,将所述像素点的更新亮度值更新为所述第一设定阈值;
响应于所述像素点的更新亮度值大于第二设定阈值,将所述像素点的更新亮度值更新为所述第二设定阈值;
根据各所述像素点更新后的亮度值,生成所述更新图像。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的活体检测方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的活体检测方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述活体检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111422895.4A CN114202806A (zh) | 2021-11-26 | 2021-11-26 | 活体检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111422895.4A CN114202806A (zh) | 2021-11-26 | 2021-11-26 | 活体检测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202806A true CN114202806A (zh) | 2022-03-18 |
Family
ID=80649189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111422895.4A Pending CN114202806A (zh) | 2021-11-26 | 2021-11-26 | 活体检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202806A (zh) |
-
2021
- 2021-11-26 CN CN202111422895.4A patent/CN114202806A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232369B (zh) | 一种人脸识别方法和电子设备 | |
CN113343826B (zh) | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 | |
CN113205057B (zh) | 人脸活体检测方法、装置、设备及存储介质 | |
CN113221771B (zh) | 活体人脸识别方法、装置、设备、存储介质及程序产品 | |
CN113469085B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN112396050B (zh) | 图像的处理方法、设备以及存储介质 | |
CN114360074A (zh) | 检测模型的训练方法、活体检测方法、装置、设备和介质 | |
CN116403083A (zh) | 图像的处理方法、装置、电子设备及存储介质 | |
KR20220100812A (ko) | 안면 생체 검출 방법, 장치, 전자 기기 및 저장 매체 | |
CN113569708A (zh) | 活体识别方法、装置、电子设备以及存储介质 | |
CN115116111B (zh) | 抗扰动人脸活体检测模型训练方法、装置及电子设备 | |
CN115273184B (zh) | 人脸活体检测模型训练方法及装置 | |
CN115249281B (zh) | 图像遮挡和模型训练方法、装置、设备以及存储介质 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN114202806A (zh) | 活体检测方法、装置、电子设备和存储介质 | |
CN114140320A (zh) | 图像迁移方法和图像迁移模型的训练方法、装置 | |
CN114445898A (zh) | 人脸活体检测方法、装置、设备、存储介质及程序产品 | |
CN113569707A (zh) | 活体检测方法、装置、电子设备以及存储介质 | |
CN114596638A (zh) | 人脸活体检测方法、装置及存储介质 | |
CN115205939B (zh) | 人脸活体检测模型训练方法、装置、电子设备及存储介质 | |
CN113642428B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN112819715B (zh) | 数据还原方法、网络训练方法、相关装置及电子设备 | |
CN113553905B (zh) | 图像识别方法、装置及系统 | |
CN114550242A (zh) | 训练人脸活体检测模型、人脸活体检测方法、装置及介质 | |
CN114140854A (zh) | 一种活体检测方法、装置、电子设备及存储介质 |
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 |