CN114724220A - 活体检测方法、装置及可读介质 - Google Patents
活体检测方法、装置及可读介质 Download PDFInfo
- Publication number
- CN114724220A CN114724220A CN202210383890.3A CN202210383890A CN114724220A CN 114724220 A CN114724220 A CN 114724220A CN 202210383890 A CN202210383890 A CN 202210383890A CN 114724220 A CN114724220 A CN 114724220A
- Authority
- CN
- China
- Prior art keywords
- living body
- image
- face
- data
- body detection
- 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 101
- 238000001727 in vivo Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 36
- 230000005484 gravity Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 101150062285 PGF gene Proteins 0.000 claims description 3
- 102100035194 Placenta growth factor Human genes 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/047—Probabilistic or stochastic 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
Abstract
本发明涉及人脸识别领域，尤其涉及活体检测方法、装置及可读介质。一种活体检测方法，包括：获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；根据所述活体元素向量判定活体检测是否通过。使用活体检测模型对人脸图像进行识别，能够快速判定人脸图像中的人脸是否为活体，若是则通过，若否则不通过，其中，活体检测模型基于局部引力模式辅助训练得到的，因局部引力模式具有光照不敏感特性，则在对人脸检测时对光照不敏感，能够适应各种光照的条件下进行检测。
Description
技术领域
本发明涉及人脸识别领域，尤其涉及活体检测方法、装置及可读介质。
背景技术
随着人工智能技术的发展，出现了活体检测技术，活体检测技术广泛应用于银行远程业务、人脸支付和门禁系统中。专利号CN113505756A的专利文献公开了一种人脸活体检测方法，采用连续捕获用户照片的方法判断是否为活体。专利号CN112883944B的专利文献公开了一种通过深度估计模型对所述待检测图像进行深度估计来判断是否为活体。但上述技术对于光照条件较差环境下的活体检测，效果不佳。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供活体检测方法、装置及可读介质，采用局部引力模式辅助的学习神经网络模型，能够适应各种光照条件环境下的活体检测。
为了达到上述目的，本发明采取了以下技术方案：
一方面本发明提供一种活体检测方法，包括：
获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；
使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；
根据所述活体元素向量判定活体检测是否通过。
优选的，所述的活体检测方法，所述辅助训练为使用训练集对神经网络模型进行训练；所述训练集包括若干样本图像；所述样本图像为标注了人脸类型的人脸图像；
针对每个样本图像的训练过程具体包括：
获取样本图像，对所述样本图像基于重采样得到第一图像数据、基于局部引力模式计算得到局部引力特征图；
基于所述神经网络模型对所述第一图像数据进行卷积处理分别得到第二图像数据和第三图像数据；
基于所述第二图像数据使用交叉熵随时函数得到第一损失参数；基于所述第三图像数据和所述具备引力特征图使用均方误差函数得到第二损失参数；
基于所述第一损失参数和第二损失参数使用随机梯度下降函数对所述神经网络模型进行优化，得到活体检测模型。
优选的，所述的活体检测方法，所述第二图像数据和所述第三图像数据的获取步骤为：
对所述第一图像数据进行两次卷积块计算，得到第一预选数据；
对所述第一预选数据进行深度可分离卷积块计算，得到第二预选数据；
对所述第二预选数据进行线性卷积块计算，得到所述第二图像数据；
对所述第二预选数据进行卷积块计算，得到所述第三图像数据。
优选的，所述的活体检测方法，所述第一损失参数的获取步骤为：
对所述第二图像数据进行线性化得到第二图像线性数据；
对所述第二图像线性数据用交叉熵损失函数进行误差估计得到所述第一损失参数。
优选的，所述的活体检测方法，所述第二损失参数的获取步骤为：
对局部引力特征图进行重采样，得到引力特征数据；
对所述第三图像数据进行线性卷积块计算，得到第三图像线性数据；
对所述引力特征数据和所述第三图像线性数据使用均方误差函数进行误差估计得到第二损失参数。
优选的，所述的活体检测方法，所述局部引力模式计算的公式为：
其中，xn为PLGF特征图；*为卷积计算；rn为原始图像；
优选的，所述的活体检测方法，所述活体元素向量包括多个元素，每个所述元素对应一种人脸类型；所述人脸类型包括活体类型、照片类型、头模面具类型；
判定活体检测是否通过的具体步骤包括：
对所述活体元素向量中的每个元素基于归一化指数函数进行计算，得到每个人脸类型的类型概率；
当活体类型的类型概率大于设定阈值时，判定活体检测通过；否则不通过。
另一方面，本发明提供一种活体检测装置，包括：
获取模块，用于获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；
处理模块，用于使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；根据所述活体元素向量判定活体检测是否通过。
另一方面，本发明提供一种活体检测装置，包括：
存储器，存储有计算机程序；
处理器，在执行所述计算机程序时实现前述所述的活体检测方法。
另一方面，本发明提供一种计算机可读介质，存储有计算程序，所述计算机程序被处理器执行时实现前述所述的活体检测方法。
相较于现有技术，本发明提供的活体检测方法、装置及可读介质，具有以下有益效果：
使用本发明提供的活体检测方法，使用活体检测模型对人脸图像进行识别，能够快速判定人脸图像中的人脸是否为活体，若是则通过，若否则不通过，其中，活体检测模型基于局部引力模式辅助训练得到的，因局部引力模式具有光照不敏感特性，则在对人脸检测时对光照不敏感，能够适应各种光照的条件下进行检测，极大的提高了活体检测的准确性，提升活体检测效果。
附图说明
图1是本发明提供的活体检测方法的流程图。
图2是本发明提供的活体检测方法一种实施例的流程图。
图3是本发明提供的活体检测模型训练步骤流程图。
图4是本发明提供的活体检测模型训练步骤一种实施例的流程图。
图5是本发明提供的活体检测装置的机构框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本领域技术人员应当理解，前面的一般描述和下面的详细描述是本发明的示例性和说明性的具体实施例，不意图限制本发明。
本文中术语“包括”，“包含”或其任何其他变体旨在覆盖非排他性包括，使得包括步骤列表的过程或方法不仅包括那些步骤，而且可以包括未明确列出或此类过程或方法固有的其他步骤。同样，在没有更多限制的情况下，以“包含...一个”开头的一个或多个设备或子系统，元素或结构或组件也不会没有更多限制，排除存在其他设备或其他子系统或其他元素或其他结构或其他组件或其他设备或其他子系统或其他元素或其他结构或其他组件。在整个说明书中，短语“在一个实施例中”，“在另一个实施例中”的出现和类似的语言可以但不一定都指相同的实施例。
除非另有定义，否则本文中使用的所有技术和科学术语具有与本发明所属领域的普通技术人员通常所理解的相同含义。
请参阅图1和图2，本发明提供一种活体检测方法，包括：
S1、获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；具体的，首先，使用摄像头采集的图像进行人脸检测，得到人脸数据，进而对所述人脸数据进行重采样，得到80*80的人脸图像参与后续步骤。
S2、使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；
S3、根据所述活体元素向量判定活体检测是否通过。
使用本发明提供的活体检测方法，使用活体检测模型对人脸图像进行识别，能够快速判定人脸图像中的人脸是否为活体，若是则通过，若否则不通过，其中，活体检测模型基于局部引力模式辅助训练得到的，因局部引力模式具有光照不敏感特性，则在对人脸检测时对光照不敏感，能够适应各种光照的条件下进行检测，极大的提高了活体检测的准确性，提升活体检测效果。
进一步的，请参阅3和图4，作为优选方案，本实施例中，所述辅助训练为使用训练集对神经网络模型进行训练；所述训练集包括若干样本图像；所述样本图像为标注了人脸类型的人脸图像；所述人脸类型至少包括活体类型、照片类型、头模面具类型。
针对每个样本图像的训练过程具体包括：
S21、获取样本图像，对所述样本图像基于重采样得到第一图像数据、基于局部引力模式计算得到局部引力特征图；具体的，对输入的样本图像进行重采样，得到为80x80大小的第一图像数据。
进一步的，作为优选方案，本实施例中，所述局部引力模式计算的公式为：
其中，xn为PLGF特征图；*为卷积计算；rn为原始图像；
S22、基于所述神经网络模型对所述第一图像数据进行卷积处理分别得到第二图像数据和第三图像数据；在本实施例中，所述第二图像与所述第三图像可以是使用相同的处理过程得到的数据，也可是经过不同的处理过程分别得到数据，主要用于后续对第一损失参数和第二损失参数的计算。
S23、基于所述第二图像数据使用交叉熵随时函数得到第一损失参数；基于所述第三图像数据和所述具备引力特征图使用均方误差函数得到第二损失参数；所述第二损失参数是通过局部引力模式辅助计算得到，当使用所述第二损失参数对神经网络模型进行参数优化时，所得到的活体检测模型则带有局部引力模式的对光照不敏感特性，提高活体检测模型的检测效果。
S24、基于所述第一损失参数和第二损失参数使用随机梯度下降函数对所述神经网络模型进行优化，得到活体检测模型。具体的，使用综合损失参数进行模型训练优化，优选的优化方法为SGD(随机梯度下降)方法。所述综合损失参数的计算公式为：
L＝a*LCross Entropy Loss+b*LMSE Loss；
其中，L为综合损失参数；LCross Entropy Loss为第一损失参数；LMSE Loss为第二损失参数；a、b为系数，同时a+b＝1。进一步的实施例中，a＝b＝0.5，即第一损失参数和第二损失参数对模型优化的贡献相等。
在训练过程中，参与训练的样本图像将会依次对所述神经网络模型进行训练，直到达到预定条件时对外输出活体检测模型。所述预定条件为在使用训练集训练活体检测模型过程中，出现活体检测模型的检测成功率达到预定值(例如使用测试集测试，成功率为80％-90％)或训练次数达到预定次数(例如所有的样本图像均已参与训练)。
进一步的，请参阅图4，作为优选方案，本实施例中，所述第二图像数据和所述第三图像数据的获取步骤为：
对所述第一图像数据进行两次卷积块计算，得到第一预选数据；具体的，对所述第一图像进行第一次卷积块计算，得到80*80*3的预处理数据，然后对预处理数据进行第二次卷积块计算得到40*40*32的第一预选数据。
对所述第一预选数据进行深度可分离卷积块计算，得到第二预选数据；具体的，对所述第一预选数据进行深度可分离卷积块计算，得到10*10*128的第二预选数据。
对所述第二预选数据进行线性卷积块计算，得到所述第二图像数据；具体的，对所述第二预选数据进行线性卷积块计算，得到1*128的第二图像数据。
对所述第二预选数据进行卷积块计算，得到所述第三图像数据。具体的，对所述第二预选数据进行线性卷积块计算，得到10*10*1的第三图像数据。本实施例给出所述第二图像数据和所述第三图像数据的获取步骤，方便后续对第一损失参数和第二损失参数的计算。
进一步的，请参阅图4，作为优选方案，本实施例中，所述第一损失参数的获取步骤为：
对所述第二图像数据进行线性化得到第二图像线性数据；具体的，对所述第二图像数据进行线性化处理，得到1*3的第二图像线性数据。
对所述第二图像线性数据用交叉熵损失函数进行误差估计得到所述第一损失参数。具体的，对得到的所述第二图像线性数据用Cross Entropy Loss(交叉熵损失函数)进行误差估计，既可以得到所述第一损失参数。
进一步的，请参阅图4，作为优选方案，本实施例中，所述第二损失参数的获取步骤为：
对局部引力特征图进行重采样，得到引力特征数据；具体的，对得到的PLGF特征图(局部引力特征图)进行重采样，得到10*10*1的引力特征数据。
对所述第三图像数据进行线性卷积块计算，得到第三图像线性数据；具体的，对所述第三图像数据进行线性卷积块计算，得到10*10*1的第三图像线性数据。
对所述引力特征数据和所述第三图像线性数据使用均方误差函数进行误差估计得到第二损失参数。具体的，对得到的10*10*1引力特征数据和第三图像线性数据用MSELoss(均方误差函数)进行误差估计即可得到所述第二损失参数。
进一步的，作为优选方案，本实施例中，所述活体元素向量包括多个元素，每个所述元素对应一种人脸类型；所述人脸类型包括活体类型、照片类型、头模面具类型；在本实施例中，主要对三种人脸类型进行识别，若是存在其他可能，则还会针对更多的人脸类型进行训练和识别。
判定活体检测是否通过的具体步骤包括：
对所述活体元素向量中的每个元素基于归一化指数函数进行计算，得到每个人脸类型的类型概率；
当活体类型的类型概率大于设定阈值时，判定活体检测通过；否则不通过。
具体的，将重采样的人脸图像输入到训练好的基于深度学习模型的活体检测模型中，计算得到元素为3的向量，对向量每个值进行softmax函数(归一化指数函数，Normalized exponential function)计算，得3个分类的概率，其中分类1为活体分类，分类2为照片分类，分类3为头模面具分类。从而根据分类概率大小判断是否为活体，若分类1的概率大于0.5，则为活体，否则为非活体。
请参阅图5，本发明还提供一种活体检测装置，包括：
获取模块，用于获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；
处理模块，用于使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；根据所述活体元素向量判定活体检测是否通过。
本发明还提供一种活体检测装置，包括：
存储器，存储有计算机程序；
处理器，在执行所述计算机程序时实现前述任一实施例所述的活体检测方法。
本发明还提供一种计算机可读介质，存储有计算程序，所述计算机程序被处理器执行时实现前述任一实施例所述的活体检测方法。
计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种活体检测方法，其特征在于，包括：
获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；
使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；
根据所述活体元素向量判定活体检测是否通过。
2.根据权利要求1所述的活体检测方法，其特征在于，所述辅助训练为使用训练集对神经网络模型进行训练；所述训练集包括若干样本图像；所述样本图像为标注了人脸类型的人脸图像；
针对每个样本图像的训练过程具体包括：
获取样本图像，对所述样本图像基于重采样得到第一图像数据、基于局部引力模式计算得到局部引力特征图；
基于所述神经网络模型对所述第一图像数据进行卷积处理分别得到第二图像数据和第三图像数据；
基于所述第二图像数据使用交叉熵随时函数得到第一损失参数；基于所述第三图像数据和具备所述引力特征图使用均方误差函数得到第二损失参数；
基于所述第一损失参数和第二损失参数使用随机梯度下降函数对所述神经网络模型进行优化，得到活体检测模型。
3.根据权利要求2所述的活体检测方法，其特征在于，所述第二图像数据和所述第三图像数据的获取步骤为：
对所述第一图像数据进行两次卷积块计算，得到第一预选数据；
对所述第一预选数据进行深度可分离卷积块计算，得到第二预选数据；
对所述第二预选数据进行线性卷积块计算，得到所述第二图像数据；
对所述第二预选数据进行卷积块计算，得到所述第三图像数据。
4.根据权利要求2所述的活体检测方法，其特征在于，所述第一损失参数的获取步骤为：
对所述第二图像数据进行线性化得到第二图像线性数据；
对所述第二图像线性数据用交叉熵损失函数进行误差估计得到所述第一损失参数。
5.根据权利要求2所述的活体检测方法，其特征在于，所述第二损失参数的获取步骤为：
对局部引力特征图进行重采样，得到引力特征数据；
对所述第三图像数据进行线性卷积块计算，得到第三图像线性数据；
对所述引力特征数据和所述第三图像线性数据使用均方误差函数进行误差估计得到第二损失参数。
6.根据权利要求2所述的活体检测方法，其特征在于，所述局部引力模式计算的公式为：
其中，xn为PLGF特征图；*为卷积计算；rn为原始图像；
7.根据权利要求1所述的活体检测方法，其特征在于，所述活体元素向量包括多个元素，每个所述元素对应一种人脸类型；所述人脸类型包括活体类型、照片类型、头模面具类型；
判定活体检测是否通过的具体步骤包括：
对所述活体元素向量中的每个元素基于归一化指数函数进行计算，得到每个人脸类型的类型概率；
当活体类型的类型概率大于设定阈值时，判定活体检测通过；否则不通过。
8.一种活体检测装置，其特征在于，包括：
获取模块，用于获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；
处理模块，用于使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；根据所述活体元素向量判定活体检测是否通过。
9.一种活体检测装置，其特征在于，包括：
存储器，存储有计算机程序；
处理器，在执行所述计算机程序时实现权利要求1-7任一所述的活体检测方法。
10.一种计算机可读介质，其特征在于，存储有计算程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的活体检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210383890.3A CN114724220A (zh) | 2022-04-12 | 2022-04-12 | 活体检测方法、装置及可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210383890.3A CN114724220A (zh) | 2022-04-12 | 2022-04-12 | 活体检测方法、装置及可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114724220A true CN114724220A (zh) | 2022-07-08 |
Family
ID=82244511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210383890.3A Pending CN114724220A (zh) | 2022-04-12 | 2022-04-12 | 活体检测方法、装置及可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114724220A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180211102A1 (en) * | 2017-01-25 | 2018-07-26 | Imam Abdulrahman Bin Faisal University | Facial expression recognition |
| WO2019152983A2 (en) * | 2018-02-05 | 2019-08-08 | Board Of Trustees Of Michigan State University | System and apparatus for face anti-spoofing via auxiliary supervision |
| CN112036331A (zh) * | 2020-09-03 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 活体检测模型的训练方法、装置、设备及存储介质 |
| CN112329696A (zh) * | 2020-11-18 | 2021-02-05 | 携程计算机技术（上海）有限公司 | 人脸活体检测方法、系统、设备及存储介质 |
| CN112580576A (zh) * | 2020-12-28 | 2021-03-30 | 华南理工大学 | 基于多尺度光照不变性纹理特征的人脸欺骗检测方法及系统 |
| CN113221842A (zh) * | 2021-06-04 | 2021-08-06 | 第六镜科技(北京)有限公司 | 模型训练方法、图像识别方法、装置、设备及介质 |
| CN113657154A (zh) * | 2021-07-08 | 2021-11-16 | 浙江大华技术股份有限公司 | 活体检测方法、装置、电子装置和存储介质 |
| CN113743192A (zh) * | 2021-07-16 | 2021-12-03 | 华中科技大学 | 静默式人脸活体检测模型及方法 |
| CN114067444A (zh) * | 2021-10-12 | 2022-02-18 | 中新国际联合研究院 | 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统 |
-
2022
- 2022-04-12 CN CN202210383890.3A patent/CN114724220A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180211102A1 (en) * | 2017-01-25 | 2018-07-26 | Imam Abdulrahman Bin Faisal University | Facial expression recognition |
| WO2019152983A2 (en) * | 2018-02-05 | 2019-08-08 | Board Of Trustees Of Michigan State University | System and apparatus for face anti-spoofing via auxiliary supervision |
| CN112036331A (zh) * | 2020-09-03 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 活体检测模型的训练方法、装置、设备及存储介质 |
| CN112329696A (zh) * | 2020-11-18 | 2021-02-05 | 携程计算机技术（上海）有限公司 | 人脸活体检测方法、系统、设备及存储介质 |
| CN112580576A (zh) * | 2020-12-28 | 2021-03-30 | 华南理工大学 | 基于多尺度光照不变性纹理特征的人脸欺骗检测方法及系统 |
| CN113221842A (zh) * | 2021-06-04 | 2021-08-06 | 第六镜科技(北京)有限公司 | 模型训练方法、图像识别方法、装置、设备及介质 |
| CN113657154A (zh) * | 2021-07-08 | 2021-11-16 | 浙江大华技术股份有限公司 | 活体检测方法、装置、电子装置和存储介质 |
| CN113743192A (zh) * | 2021-07-16 | 2021-12-03 | 华中科技大学 | 静默式人脸活体检测模型及方法 |
| CN114067444A (zh) * | 2021-10-12 | 2022-02-18 | 中新国际联合研究院 | 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
| CN108416323B (zh) | 用于识别人脸的方法和装置 | |
| CN110059579B (zh) | 用于活体检验的方法和装置，电子设备和存储介质 | |
| CN112560710B (zh) | 一种用于构建指静脉识别系统的方法及指静脉识别系统 | |
| CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
| CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
| CN111539456B (zh) | 一种目标识别方法及设备 | |
| CN111027400A (zh) | 一种活体检测方法及装置 | |
| CN111862040B (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
| CN114241505A (zh) | 化学结构图像的提取方法、装置、存储介质及电子设备 | |
| CN111507262A (zh) | 用于检测活体的方法和装置 | |
| CN114721403B (zh) | 基于OpenCV的自动驾驶控制方法、装置及存储介质 | |
| CN109978058B (zh) | 确定图像分类的方法、装置、终端及存储介质 | |
| CN112613471B (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
| JP2012103859A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
| CN111652242B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112580581A (zh) | 目标检测方法、装置及电子设备 | |
| CN112070181A (zh) | 一种基于图像流的协同检测方法及装置、存储介质 | |
| CN115170942B (zh) | 一种声音与视觉多级融合的鱼类行为识别方法 | |
| CN114724220A (zh) | 活体检测方法、装置及可读介质 | |
| CN116503376A (zh) | 生态挡土墙砌块及其智能化制备方法 | |
| CN116258686A (zh) | 基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法 | |
| CN113378715B (zh) | 一种基于彩色人脸图像的活体检测方法及相关设备 | |
| CN111767829B (zh) | 一种活体检测方法、装置、系统及存储介质 | |
| CN112070022A (zh) | 人脸图像识别方法、装置、电子设备和计算机可读介质 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No. 001-030, Yuntong space, office building, No. 9, Kelin Road, Science City, Guangzhou hi tech Industrial Development Zone, Guangzhou, Guangdong 510000 Applicant after: GRG TALLY-VISION I.T. Co.,Ltd. Applicant after: Guangdian Yuntong Group Co.,Ltd. Address before: No. 001-030, Yuntong space, office building, No. 9, Kelin Road, Science City, Guangzhou hi tech Industrial Development Zone, Guangzhou, Guangdong 510000 Applicant before: GRG TALLY-VISION I.T. Co.,Ltd. Country or region before: China Applicant before: GRG BANKING EQUIPMENT Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240123 Address after: No. 001-030, Yuntong space, office building, No. 9, Kelin Road, Science City, Guangzhou hi tech Industrial Development Zone, Guangzhou, Guangdong 510000 Applicant after: GRG TALLY-VISION I.T. Co.,Ltd. Country or region after: China Address before: No. 001-030, Yuntong space, office building, No. 9, Kelin Road, Science City, Guangzhou hi tech Industrial Development Zone, Guangzhou, Guangdong 510000 Applicant before: GRG TALLY-VISION I.T. Co.,Ltd. Country or region before: China Applicant before: Guangdian Yuntong Group Co.,Ltd. |
|
| TA01 | Transfer of patent application right |