CN114926890A - 一种人脸真伪的区分方法、装置、电子设备及存储介质 - Google Patents

一种人脸真伪的区分方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114926890A
CN114926890A CN202210849940.2A CN202210849940A CN114926890A CN 114926890 A CN114926890 A CN 114926890A CN 202210849940 A CN202210849940 A CN 202210849940A CN 114926890 A CN114926890 A CN 114926890A
Authority
CN
China
Prior art keywords
face image
face
pseudo
image
matrix
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.)
Granted
Application number
CN202210849940.2A
Other languages
English (en)
Other versions
CN114926890B (zh
Inventor
王楚涵
白世杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yuanjian Information Technology Co Ltd
Original Assignee
Beijing Yuanjian Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yuanjian Information Technology Co Ltd filed Critical Beijing Yuanjian Information Technology Co Ltd
Priority to CN202210849940.2A priority Critical patent/CN114926890B/zh
Publication of CN114926890A publication Critical patent/CN114926890A/zh
Application granted granted Critical
Publication of CN114926890B publication Critical patent/CN114926890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Abstract

本发明涉及人脸真伪区分技术领域，尤其涉及一种人脸真伪的区分方法、装置、电子设备及存储介质，该方法包括：根据真人脸样本图像和伪人脸样本图像，确定真人脸图像特征矩阵和伪人脸图像特征矩阵；确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值；根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重；根据特征距离权重，确定待区分人脸图像的区分结果。通过本申请的方式，能够区分各种人脸伪造手段伪造的人脸。

Description

一种人脸真伪的区分方法、装置、电子设备及存储介质
技术领域
本发明涉及人脸真伪区分技术领域，具体而言，涉及一种人脸真伪的区分方法、装置、电子设备及存储介质。
背景技术
通过人脸识别技术验证身份信息已经被应用到各种各样的领域，随之而来的，也出现了越来越多的人脸伪造手段，通过人脸伪造手段伪造的人脸对身份信息安全造成了威胁。
现有的人脸真伪区分技术，都是针对某种人脸伪造手段而研发的，导致无法以一种人脸真伪区分技术，区分通过各种人脸伪造手段伪造的人脸真伪。
发明内容
有鉴于此，本申请的目的在于提供一种人脸真伪的区分方法、装置、电子设备及存储介质，能够区分各种人脸伪造手段伪造的人脸。
第一方面，本申请实施例提供了一种人脸真伪的区分方法，该人脸真伪的区分方法包括：
获取真人脸样本图像和伪人脸样本图像，真人脸样本图像和伪人脸样本图像中包括人脸位置信息；
根据真人脸样本图像和伪人脸样本图像，确定真人脸图像特征矩阵和伪人脸图像特征矩阵；
确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值；
根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重；
根据特征距离权重，确定待区分人脸图像的区分结果，待区分人脸图像中包括人脸位置信息。
在一种可能的实施方式中，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值，包括：
对真人脸图像特征矩阵、伪人脸图像特征矩阵分别进行特征融合，得到真人脸图像融合特征矩阵和伪人脸图像融合特征矩阵；
确定真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值。
在一种可能的实施方式中，确定真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值，包括：
通过下列公式计算真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值；
Figure M_220705154200439_439194001
；
其中，R为真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值，F为真人脸图像融合特征矩阵，Fʹ为伪人脸图像融合特征矩阵。
在一种可能的实施方式中，根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重，包括：
通过下列公式确定特征距离权重；
Figure M_220705154200472_472419001
；
其中，i为真人脸图像融合特征矩阵，
Figure M_220705154200519_519282001
为伪人脸图像特征矩阵，I * 为伪人脸图像特征矩阵集合，
Figure M_220705154200550_550583002
为真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重，
Figure M_220705154200566_566142003
为真人脸图像融合特征矩阵与伪人脸图像特征矩阵集合中第j个伪人脸图像特征矩阵之间的差异值，k为伪人脸图像特征矩阵集合中包含伪人脸图像特征矩阵的个数。
在一种可能的实施方式中，根据特征距离权重，确定待区分人脸图像的区分结果，包括：
根据特征距离权重、待区分人脸图像，确定待区分人脸图像的伪特征矩阵；
根据待区分人脸图像的伪特征矩阵，确定待区分人脸图像的伪特征信息量，伪特征信息量用于表征待区分人脸图像的伪造程度；
根据待区分人脸图像的伪特征信息量，确定待区分人脸图像的区分结果。
在一种可能的实施方式中，根据特征距离权重、待区分人脸图像，确定待区分人脸图像的伪特征矩阵，包括：
通过下列公式确定待区分人脸图像的伪特征矩阵；
Figure M_220705154200597_597396001
；
其中，
Figure M_220705154200644_644267001
为待区分人脸图像的伪特征矩阵，
Figure M_220705154200660_660843002
为待区分人脸图像，
Figure M_220705154200692_692623003
为待区分人脸图像中包括的人脸位置信息，
Figure M_220705154200723_723874004
为待区分人脸特征矩阵。
在一种可能的实施方式中，根据待区分人脸图像的伪特征矩阵，确定待区分人脸图像的伪特征信息量，包括：
通过下列公式确定待区分人脸图像的伪特征信息量；
Figure M_220705154200755_755118001
；
其中，
Figure M_220705154200786_786397001
为伪特征信息量，n为待区分人脸图像的伪特征矩阵中元素个数，
Figure M_220705154200817_817620002
为待区分人脸图像的伪特征矩阵中第q个元素。
在一种可能的实施方式中，根据待区分人脸图像的伪特征信息量，确定待区分人脸图像的区分结果，包括：
判断伪特征信息量是否小于预设阈值；
若伪特征信息量小于预设阈值，则待区分人脸图像为真人脸图像；
若伪特征信息量大于或等于预设阈值，则待区分人脸图像为伪人脸图像。
第二方面，本申请实施例还提供了一种人脸真伪的区分装置，该人脸真伪的区分装置包括：
获取模块，用于获取真人脸样本图像和伪人脸样本图像，真人脸样本图像和伪人脸样本图像中包括人脸位置信息；
确定模块，用于根据真人脸样本图像和伪人脸样本图像，确定真人脸图像特征矩阵和伪人脸图像特征矩阵；
确定模块，还用于确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值；
确定模块，还用于根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重；
确定模块，还用于根据特征距离权重，确定待区分人脸图像的区分结果，待区分人脸图像中包括人脸位置信息。
在一种可能的实施方式中，确定模块，具体用于对真人脸图像特征矩阵、伪人脸图像特征矩阵分别进行特征融合，得到真人脸图像融合特征矩阵和伪人脸图像融合特征矩阵；确定真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值。
在一种可能的实施方式中，确定模块，具体用于通过下列公式计算真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值；
Figure M_220705154200849_849809001
；其中，R为真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值，F为真人脸图像融合特征矩阵，Fʹ为伪人脸图像融合特征矩阵。
在一种可能的实施方式中，确定模块，具体用于通过下列公式确定特征距离权重；
Figure M_220705154200881_881587001
；其中，i为真人脸图像融合特征矩阵，
Figure M_220705154200912_912829002
为伪人脸图像特征矩阵，I * 为伪人脸图像特征矩阵集合，
Figure M_220705154200944_944085003
为真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重，
Figure M_220705154200959_959749004
为真人脸图像融合特征矩阵与伪人脸图像特征矩阵集合中第j个伪人脸图像特征矩阵之间的差异值，k为伪人脸图像特征矩阵集合中包含伪人脸图像特征矩阵的个数。
在一种可能的实施方式中，确定模块，具体用于根据特征距离权重、待区分人脸图像，确定待区分人脸图像的伪特征矩阵；根据待区分人脸图像的伪特征矩阵，确定待区分人脸图像的伪特征信息量，伪特征信息量用于表征待区分人脸图像的伪造程度；根据待区分人脸图像的伪特征信息量，确定待区分人脸图像的区分结果。
在一种可能的实施方式中，确定模块，具体用于通过下列公式确定待区分人脸图像的伪特征矩阵；
Figure M_220705154200990_990964001
；其中，
Figure M_220705154201022_022214002
为待区分人脸图像的伪特征矩阵，
Figure M_220705154201037_037838003
为待区分人脸图像，
Figure M_220705154201071_071030004
为待区分人脸图像中包括的人脸位置信息，
Figure M_220705154201086_086676005
为待区分人脸特征矩阵。
在一种可能的实施方式中，确定模块，具体用于通过下列公式确定待区分人脸图像的伪特征信息量；
Figure M_220705154201117_117904001
；其中，
Figure M_220705154201164_164837002
为伪特征信息量，n为待区分人脸图像的伪特征矩阵中元素个数，
Figure M_220705154201179_179970003
为待区分人脸图像的伪特征矩阵中第q个元素。
在一种可能的实施方式中，确定模块，具体用于判断伪特征信息量是否小于预设阈值；若伪特征信息量小于预设阈值，则待区分人脸图像为真人脸图像；若伪特征信息量大于或等于预设阈值，则待区分人脸图像为伪人脸图像。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行如第一方面任一项人脸真伪的区分方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行如第一方面任一项人脸真伪的区分方法的步骤。
本申请实施例提供了一种人脸真伪的区分方法、装置、电子设备及存储介质，该方法包括：获取真人脸样本图像和伪人脸样本图像，真人脸样本图像和伪人脸样本图像中包括人脸位置信息；根据真人脸样本图像和伪人脸样本图像，确定真人脸图像特征矩阵和伪人脸图像特征矩阵；确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值；根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重；根据特征距离权重，确定待区分人脸图像的区分结果，待区分人脸图像中包括人脸位置信息。本申请通过真人脸样本图像的真人脸图像特征矩阵和伪人脸样本图像的伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值，再根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重，最后根据特征距离权重，确定待区分人脸图像的区分结果，能够区分各种人脸伪造手段伪造的人脸。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种人脸真伪的区分方法的流程图；
图2示出了本申请实施例提供的另一种人脸真伪的区分方法的流程图；
图3示出了本申请实施例提供的一种人脸真伪的区分装置的结构示意图；
图4示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。 应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。 此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“人脸真伪区分技术领域”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕“人脸真伪区分技术领域”进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
下面对本申请实施例提供的一种人脸真伪的区分方法进行详细说明。
参照图1所示，为本申请实施例提供的一种人脸真伪的区分方法的流程示意图，下面对本申请实施例示例性的各步骤进行说明：
S101、获取真人脸样本图像和伪人脸样本图像。
在本申请实施方式中，获取人脸样本图像，人脸样本图像包括一张真人脸样本图像和一张伪人脸样本图像，伪人脸样本图像可以是通过各种人脸伪造类型得到的伪人脸样本图像，人脸伪造方式包括打印纸张、手机和电脑屏幕呈现、各种纸质类型的人脸面具、涂改等等。
其中，真人脸样本图像和伪人脸样本图像中包括人脸位置信息，人脸位置信息为人脸中心位置相对于人脸样本图像右上顶点的位置。
进一步地，为了过滤真人脸样本图像和伪人脸样本图像中与人脸无关的边缘信息，将真人脸样本图像或伪人脸样本图像裁剪为以人脸中心位置为中心，边长分别为真人脸样本图像或伪人脸样本图像的最短边边长的0.8、0.6、0.4倍的正方形的真人脸样本图像或伪人脸样本图像，可以得到真人脸样本图像子图像系列{i s ，i m ，i l }和伪人脸样本图像子图像系列{ i* s ，i* m ，i* l }。
例如，若真人脸样本图像或伪人脸样本图像的高大于宽，则将真人脸样本图像或伪人脸样本图像裁剪得到以人脸中心位置为中心，边长为0.8*真人脸样本图像或伪人脸样本图像的宽的正方形的真人脸样本图像子图像i l 或伪人脸样本图像子图像i* l 、边长为0.6*真人脸样本图像或伪人脸样本图像的宽的正方形的真人脸样本图像的子图像i m 或伪人脸样本图像的子图像i* m 、边长为0.4*真人脸样本图像或伪人脸样本图像的宽的正方形的真人脸样本图像的子图像i l 或伪人脸样本图像的子图像i* l 。
S102、根据真人脸样本图像和伪人脸样本图像，确定真人脸图像特征矩阵和伪人脸图像特征矩阵。
在本申请实施例中，将裁剪后得到的所有真人脸样本图像和伪人脸样本图像输入到模型中，模型中包括人脸真伪特征生成器M，该人脸真伪特征生成器提取所有真人脸样本图像和伪人脸样本图像的特征矩阵，得到多个真人脸图像特征矩阵和多个伪人脸图像特征矩阵。
这里，通过人脸真伪特征生成器M对真人脸样本图像子图像系列{i s ，i m ，i l }、伪人脸样本图像子图像系列{ i* s ，i* m ，i* l }进行特征提取的过程：Fs=M(i s )，F m =M(i m )，F l =M(i l )，F* s=M(i* s )，F* m =M(i* m )，F* l =M(i* l )。
其中，该人脸真伪特征生成器主要包括多层卷积模块和残差模块，卷积模块包含卷积函数CONV，池化函数POOLING，激活函数RELU。
S103、确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值。
在本申请实施方式中，对真人脸图像特征矩阵、伪人脸图像特征矩阵分别进行特征融合，得到真人脸图像融合特征矩阵和伪人脸图像融合特征矩阵；确定真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值。
通过下列公式对所有真人脸图像特征矩阵、所有伪人脸图像特征矩阵分别进行特征融合。
Figure M_220705154201211_211214001
；
Figure M_220705154201260_260967001
；
其中，F为真人脸图像融合特征矩阵，Fs为真人脸样本图像的子图像i s 的真人脸图像特征矩阵，F m 为真人脸样本图像的子图像i m 的真人脸图像特征矩阵，F l 为真人脸样本图像的子图像i l 的真人脸图像特征矩阵，Fʹ为伪人脸图像融合特征矩阵， F* s为伪人脸样本图像的子图像i* s 的伪人脸图像特征矩阵，F* m 为伪人脸样本图像的子图像i* m 的伪人脸图像特征矩阵，F* l 为伪人脸样本图像的子图像i* l 的伪人脸图像特征矩阵。
进一步地，通过下列公式计算真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值。
Figure M_220705154201292_292737001
；
其中，R为真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值，F为真人脸图像融合特征矩阵，Fʹ为伪人脸图像融合特征矩阵。
S104、根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重。
具体地，通过下列公式确定特征距离权重。
Figure M_220705154201339_339581001
。
其中，i为真人脸图像融合特征矩阵，
Figure M_220705154201370_370847001
为伪人脸图像特征矩阵，I * 为伪人脸图像特征矩阵集合，
Figure M_220705154201402_402086002
为真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重，
Figure M_220705154201417_417756003
为真人脸图像融合特征矩阵与伪人脸图像特征矩阵集合中第j个伪人脸图像特征矩阵之间的差异值，k为伪人脸图像特征矩阵集合中包含伪人脸图像特征矩阵的个数。
S105、根据特征距离权重，确定待区分人脸图像的区分结果。
其中，待区分人脸图像中包括人脸位置信息。
本申请实施例提供了一种人脸真伪的区分方法，该方法包括：获取真人脸样本图像和伪人脸样本图像，真人脸样本图像和伪人脸样本图像中包括人脸位置信息；根据真人脸样本图像和伪人脸样本图像，确定真人脸图像特征矩阵和伪人脸图像特征矩阵；确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值；根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重；根据特征距离权重，确定待区分人脸图像的区分结果，待区分人脸图像中包括人脸位置信息。本申请通过真人脸样本图像的真人脸图像特征矩阵和伪人脸样本图像的伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值，再根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重，最后根据特征距离权重，确定待区分人脸图像的区分结果，能够区分各种人脸伪造手段伪造的人脸。
参照图2所示，为本申请实施例提供的另一种人脸真伪的区分方法的流程示意图，下面对本申请实施例示例性的各步骤进行说明：
S201、根据特征距离权重、待区分人脸图像，确定待区分人脸图像的伪特征矩阵。
具体地，通过下列公式确定待区分人脸图像的伪特征矩阵。
Figure M_220705154201450_450887001
。
其中，
Figure M_220705154201482_482686001
为待区分人脸图像的伪特征矩阵，
Figure M_220705154201513_513895002
为待区分人脸图像，
Figure M_220705154201529_529571003
为待区分人脸图像中包括的人脸位置信息，
Figure M_220705154201560_560785004
为待区分人脸特征矩阵。
这里，待区分人脸图像的伪特征矩阵即为待区分人脸图像的伪造特征矩阵。
S202、根据待区分人脸图像的伪特征矩阵，确定待区分人脸图像的伪特征信息量。
在本申请实施方式中，伪特征信息量用于表征待区分人脸图像的伪造程度，伪特征信息量越大，伪造程度越高，伪特征信息量越小，伪造程度越低。
具体地，通过下列公式确定待区分人脸图像的伪特征信息量。
Figure M_220705154201592_592027001
。
其中，
Figure M_220705154201622_622832001
为伪特征信息量，n为待区分人脸图像的伪特征矩阵中元素个数，
Figure M_220705154201655_655966002
为待区分人脸图像的伪特征矩阵中第q个元素。
S203、根据待区分人脸图像的伪特征信息量，确定待区分人脸图像的区分结果。
具体地，判断伪特征信息量是否小于预设阈值；若伪特征信息量小于预设阈值，则待区分人脸图像为真人脸图像；若伪特征信息量大于或等于预设阈值，则待区分人脸图像为伪人脸图像。
本申请实施例提供了另一种人脸真伪的区分方法，该方法包括：根据特征距离权重、待区分人脸图像，确定待区分人脸图像的伪特征矩阵，根据待区分人脸图像的伪特征矩阵，确定待区分人脸图像的伪特征信息量，根据待区分人脸图像的伪特征信息量，确定待区分人脸图像的区分结果。通过本申请的方式，能够确定待区分人脸图像的区分结果。
参照图3所示，为本申请实施例提供的一种人脸真伪的区分装置的示意图，该人脸真伪的区分装置包括：
获取模块301，用于获取真人脸样本图像和伪人脸样本图像，真人脸样本图像和伪人脸样本图像中包括人脸位置信息；
确定模块302，用于根据真人脸样本图像和伪人脸样本图像，确定真人脸图像特征矩阵和伪人脸图像特征矩阵；
确定模块302，还用于确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值；
确定模块302，还用于根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重；
确定模块302，还用于根据特征距离权重，确定待区分人脸图像的区分结果，待区分人脸图像中包括人脸位置信息。
在一种可能的实施方式中，确定模块302，具体用于对真人脸图像特征矩阵、伪人脸图像特征矩阵分别进行特征融合，得到真人脸图像融合特征矩阵和伪人脸图像融合特征矩阵；确定真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值。
在一种可能的实施方式中，确定模块302，具体用于通过下列公式计算真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值；
Figure M_220705154201672_672108001
；其中，R为真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值，F为真人脸图像融合特征矩阵，Fʹ为伪人脸图像融合特征矩阵。
在一种可能的实施方式中，确定模块302，具体用于通过下列公式确定特征距离权重；
Figure M_220705154201703_703372001
；其中，i为真人脸图像融合特征矩阵，
Figure M_220705154201750_750262002
为伪人脸图像特征矩阵，I * 为伪人脸图像特征矩阵集合，
Figure M_220705154201765_765877003
为真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重，
Figure M_220705154201797_797141004
为真人脸图像融合特征矩阵与伪人脸图像特征矩阵集合中第j个伪人脸图像特征矩阵之间的差异值，k为伪人脸图像特征矩阵集合中包含伪人脸图像特征矩阵的个数。
在一种可能的实施方式中，确定模块302，具体用于根据特征距离权重、待区分人脸图像，确定待区分人脸图像的伪特征矩阵；根据待区分人脸图像的伪特征矩阵，确定待区分人脸图像的伪特征信息量，伪特征信息量用于表征待区分人脸图像的伪造程度；根据待区分人脸图像的伪特征信息量，确定待区分人脸图像的区分结果。
在一种可能的实施方式中，确定模块302，具体用于通过下列公式确定待区分人脸图像的伪特征矩阵；
Figure M_220705154201828_828392001
；其中，
Figure M_220705154201860_860558002
为待区分人脸图像的伪特征矩阵，
Figure M_220705154201876_876762003
为待区分人脸图像，
Figure M_220705154201907_907951004
为待区分人脸图像中包括的人脸位置信息，
Figure M_220705154201939_939194005
为待区分人脸特征矩阵。
在一种可能的实施方式中，确定模块302，具体用于通过下列公式确定待区分人脸图像的伪特征信息量；
Figure M_220705154201970_970455001
；其中，
Figure M_220705154202001_001715002
为伪特征信息量，n为待区分人脸图像的伪特征矩阵中元素个数，
Figure M_220705154202032_032965003
为待区分人脸图像的伪特征矩阵中第q个元素。
在一种可能的实施方式中，确定模块302，具体用于判断伪特征信息量是否小于预设阈值；若伪特征信息量小于预设阈值，则待区分人脸图像为真人脸图像；若伪特征信息量大于或等于预设阈值，则待区分人脸图像为伪人脸图像。
本申请实施例提供了一种人脸真伪的区分装置，该装置包括：获取模块301，用于获取真人脸样本图像和伪人脸样本图像，真人脸样本图像和伪人脸样本图像中包括人脸位置信息；确定模块302，用于根据真人脸样本图像和伪人脸样本图像，确定真人脸图像特征矩阵和伪人脸图像特征矩阵；确定模块302，还用于确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值；确定模块302，还用于根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重；确定模块302，还用于根据特征距离权重，确定待区分人脸图像的区分结果，待区分人脸图像中包括人脸位置信息。本申请通过真人脸样本图像的真人脸图像特征矩阵和伪人脸样本图像的伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的差异值，再根据差异值、伪人脸图像特征矩阵，确定真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重，最后根据特征距离权重，确定待区分人脸图像的区分结果，能够区分各种人脸伪造手段伪造的人脸。
如图4所示，本申请实施例提供的一种电子设备400，包括：处理器401、存储器402和总线，存储器402存储有处理器401可执行的机器可读指令，当电子设备运行时，处理器401与存储器402之间通过总线通信，处理器401执行机器可读指令，以执行如上述人脸真伪的区分方法的步骤。
具体地，上述存储器402和处理器401能够为通用的存储器和处理器，这里不做具体限定，当处理器401运行存储器402存储的计算机程序时，能够执行上述人脸真伪的区分方法。
对应于上述人脸真伪的区分方法，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述人脸真伪的区分方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述信息处理方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种人脸真伪的区分方法，其特征在于，所述人脸真伪的区分方法包括：
获取真人脸样本图像和伪人脸样本图像，真人脸样本图像和伪人脸样本图像中包括人脸位置信息；
根据所述真人脸样本图像和所述伪人脸样本图像，确定真人脸图像特征矩阵和伪人脸图像特征矩阵；
确定所述真人脸图像特征矩阵与所述伪人脸图像特征矩阵之间的差异值；
根据所述差异值、所述伪人脸图像特征矩阵，确定所述真人脸图像特征矩阵与所述伪人脸图像特征矩阵之间的特征距离权重；
根据所述特征距离权重，确定待区分人脸图像的区分结果，所述待区分人脸图像中包括人脸位置信息。
2.根据权利要求1所述的人脸真伪的区分方法，其特征在于，所述确定所述真人脸图像特征矩阵与所述伪人脸图像特征矩阵之间的差异值，包括：
对真人脸图像特征矩阵、伪人脸图像特征矩阵分别进行特征融合，得到真人脸图像融合特征矩阵和伪人脸图像融合特征矩阵；
确定所述真人脸图像融合特征矩阵与所述伪人脸图像融合特征矩阵之间的差异值。
3.根据权利要求2所述的人脸真伪的区分方法，其特征在于，所述确定所述真人脸图像融合特征矩阵与所述伪人脸图像融合特征矩阵之间的差异值，包括：
通过下列公式计算所述真人脸图像融合特征矩阵与所述伪人脸图像融合特征矩阵之间的差异值；
Figure M_220705154157329_329826001
；
其中，R为真人脸图像融合特征矩阵与伪人脸图像融合特征矩阵之间的差异值，F为真人脸图像融合特征矩阵，Fʹ为伪人脸图像融合特征矩阵。
4.根据权利要求3所述的人脸真伪的区分方法，其特征在于，所述根据所述差异值、所述伪人脸图像特征矩阵，确定所述真人脸图像特征矩阵与所述伪人脸图像特征矩阵之间的特征距离权重，包括：
通过下列公式确定所述特征距离权重；
Figure M_220705154157392_392328001
；
其中，i为真人脸图像融合特征矩阵，
Figure M_220705154157455_455279001
为伪人脸图像特征矩阵，I * 为伪人脸图像特征矩阵集合，
Figure M_220705154157486_486081002
为真人脸图像特征矩阵与伪人脸图像特征矩阵之间的特征距离权重，
Figure M_220705154157501_501678003
为真人脸图像融合特征矩阵与伪人脸图像特征矩阵集合中第j个伪人脸图像特征矩阵之间的差异值，k为伪人脸图像特征矩阵集合中包含伪人脸图像特征矩阵的个数。
5.根据权利要求4所述的人脸真伪的区分方法，其特征在于，所述根据所述特征距离权重，确定待区分人脸图像的区分结果，包括：
根据所述特征距离权重、所述待区分人脸图像，确定所述待区分人脸图像的伪特征矩阵；
根据所述待区分人脸图像的伪特征矩阵，确定所述待区分人脸图像的伪特征信息量，所述伪特征信息量用于表征所述待区分人脸图像的伪造程度；
根据所述待区分人脸图像的伪特征信息量，确定所述待区分人脸图像的区分结果。
6.根据权利要求5所述的人脸真伪的区分方法，其特征在于，所述根据所述特征距离权重、所述待区分人脸图像，确定所述待区分人脸图像的伪特征矩阵，包括：
通过下列公式确定所述待区分人脸图像的伪特征矩阵；
Figure M_220705154157532_532955001
；
其中，
Figure M_220705154157579_579909001
为待区分人脸图像的伪特征矩阵，
Figure M_220705154157611_611087002
为待区分人脸图像，
Figure M_220705154157642_642321003
为待区分人脸图像中包括的人脸位置信息，
Figure M_220705154157659_659397004
为待区分人脸特征矩阵。
7.根据权利要求5所述的人脸真伪的区分方法，其特征在于，所述根据所述待区分人脸图像的伪特征矩阵，确定所述待区分人脸图像的伪特征信息量，包括：
通过下列公式确定所述待区分人脸图像的伪特征信息量；
Figure M_220705154157691_691142001
；
其中，
Figure M_220705154157738_738059001
为伪特征信息量，n为待区分人脸图像的伪特征矩阵中元素个数，
Figure M_220705154157769_769299002
为待区分人脸图像的伪特征矩阵中第q个元素。
8.根据权利要求6或7所述的人脸真伪的区分方法，其特征在于，所述根据所述待区分人脸图像的伪特征信息量，确定所述待区分人脸图像的区分结果，包括：
判断所述伪特征信息量是否小于预设阈值；
若所述伪特征信息量小于预设阈值，则所述待区分人脸图像为真人脸图像；
若所述伪特征信息量大于或等于预设阈值，则所述待区分人脸图像为伪人脸图像。
9.一种人脸真伪的区分装置，其特征在于，所述人脸真伪的区分装置包括：
获取模块，用于获取真人脸样本图像和伪人脸样本图像，真人脸样本图像和伪人脸样本图像中包括人脸位置信息；
确定模块，用于根据所述真人脸样本图像和所述伪人脸样本图像，确定真人脸图像特征矩阵和伪人脸图像特征矩阵；
所述确定模块，还用于确定所述真人脸图像特征矩阵与所述伪人脸图像特征矩阵之间的差异值；
所述确定模块，还用于根据所述差异值、所述伪人脸图像特征矩阵，确定所述真人脸图像特征矩阵与所述伪人脸图像特征矩阵之间的特征距离权重；
所述确定模块，还用于根据所述特征距离权重，确定待区分人脸图像的区分结果，所述待区分人脸图像中包括人脸位置信息。
10.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至8任一项所述的人脸真伪的区分方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至8任一项所述的人脸真伪的区分方法的步骤。
CN202210849940.2A 2022-07-20 2022-07-20 一种人脸真伪的区分方法、装置、电子设备及存储介质 Active CN114926890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210849940.2A CN114926890B (zh) 2022-07-20 2022-07-20 一种人脸真伪的区分方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210849940.2A CN114926890B (zh) 2022-07-20 2022-07-20 一种人脸真伪的区分方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114926890A true CN114926890A (zh) 2022-08-19
CN114926890B CN114926890B (zh) 2022-09-30

Family

ID=82815661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210849940.2A Active CN114926890B (zh) 2022-07-20 2022-07-20 一种人脸真伪的区分方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114926890B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140328512A1 (en) * 2013-05-05 2014-11-06 Nice Systems Ltd. System and method for suspect search
CN106599778A (zh) * 2016-11-03 2017-04-26 南京邮电大学 一种快速精确的人脸检测方法
CN108549886A (zh) * 2018-06-29 2018-09-18 汉王科技股份有限公司 一种人脸活体检测方法及装置
US20200005023A1 (en) * 2018-07-02 2020-01-02 Stowers Institute For Medical Research Facial image recognition using pseudo-images
CN113920556A (zh) * 2021-07-30 2022-01-11 秒针信息技术有限公司 一种人脸防伪方法、装置、存储介质及电子设备
CN114170690A (zh) * 2022-02-14 2022-03-11 中国科学院自动化研究所 活体识别和构建活体识别模型的方法、装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140328512A1 (en) * 2013-05-05 2014-11-06 Nice Systems Ltd. System and method for suspect search
CN106599778A (zh) * 2016-11-03 2017-04-26 南京邮电大学 一种快速精确的人脸检测方法
CN108549886A (zh) * 2018-06-29 2018-09-18 汉王科技股份有限公司 一种人脸活体检测方法及装置
US20200005023A1 (en) * 2018-07-02 2020-01-02 Stowers Institute For Medical Research Facial image recognition using pseudo-images
CN113920556A (zh) * 2021-07-30 2022-01-11 秒针信息技术有限公司 一种人脸防伪方法、装置、存储介质及电子设备
CN114170690A (zh) * 2022-02-14 2022-03-11 中国科学院自动化研究所 活体识别和构建活体识别模型的方法、装置

Also Published As

Publication number Publication date
CN114926890B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
JP6452186B2 (ja) 複数の写真の一致性に基づく保険賠償詐欺防止方法、システム、装置及び読み取り可能な記録媒体
US10262190B2 (en) Method, system, and computer program product for recognizing face
CN108986891A (zh) 医疗影像处理方法及装置、电子设备及存储介质
TW202026992A (zh) 行業識別模型確定方法和裝置
CN112528998B (zh) 证件图像处理方法、装置、电子设备及可读存储介质
CN110378254B (zh) 车损图像修改痕迹的识别方法、系统、电子设备及存储介质
CN114419029B (zh) 表面缺陷检测模型的训练方法、表面缺陷检测方法及装置
CN108389053B (zh) 支付方法、装置、电子设备及可读存储介质
CN115205547A (zh) 一种目标图像的检测方法、装置、电子设备及存储介质
CN111372042B (zh) 故障检测方法、装置、计算机设备和存储介质
CN110796709A (zh) 车架号尺寸获取方法、装置、计算机设备和存储介质
EP4141830A1 (en) Method for detecting a forgery of an identity document
CN105989377A (zh) 一种字符识别方法及装置
CN112036400A (zh) 构建用于目标检测的网络的方法和目标检测方法及系统
CN112990166A (zh) 一种人脸真伪的识别方法、识别装置及电子设备
CN111738080A (zh) 一种人脸检测和对齐的方法及装置
CN114926890B (zh) 一种人脸真伪的区分方法、装置、电子设备及存储介质
CN114004289A (zh) 一种车辆损伤识别模型建立方法、损伤识别方法及装置
CN114339049A (zh) 一种视频处理方法、装置、计算机设备和存储介质
JP2008009617A (ja) 個人生体情報照合装置、個人生体情報照合プログラムおよび個人生体情報照合方法
WO2015022872A1 (ja) 印刷のミクロ的輪郭形状を識別子とする個別物品の自動真贋判定方法
CN105550650B (zh) 一种指纹安全保护方法与系统
CN111866589A (zh) 一种视频数据验证方法、装置、电子设备及存储介质
CN113284137B (zh) 纸张褶皱检测方法、装置、设备及存储介质
CN115147705B (zh) 人脸翻拍检测方法、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
GR01 Patent grant
GR01 Patent grant