CN115481382A - 人脸验证的处理方法及装置 - Google Patents

人脸验证的处理方法及装置 Download PDF

Info

Publication number
CN115481382A
CN115481382A CN202211207946.6A CN202211207946A CN115481382A CN 115481382 A CN115481382 A CN 115481382A CN 202211207946 A CN202211207946 A CN 202211207946A CN 115481382 A CN115481382 A CN 115481382A
Authority
CN
China
Prior art keywords
face
face image
features
verification
extracting
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
Application number
CN202211207946.6A
Other languages
English (en)
Inventor
别林林
庞婷尹
崔欣
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202211207946.6A priority Critical patent/CN115481382A/zh
Publication of CN115481382A publication Critical patent/CN115481382A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种人脸验证的处理方法及装置，涉及图像处理技术领域，该方法包括：收集人脸图像数据；根据所述人脸图像数据训练二次构图模型；提取客户人脸图像数据的纹理特征；将纹理特征作为输入样本，利用二次构图模型对人脸图像进行二次构图，得到二次构图后的人脸图像；根据二次构图后的人脸图像训练特征提取模型；利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征；获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果。

Description

人脸验证的处理方法及装置
技术领域
本发明涉及图像处理技术领域，尤指一种人脸验证的处理方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
在传统的手机银行在进行人脸验证时，通常是在一定距离，圆形中进行人脸验证，非常的不便。
综上来看，亟需一种可以克服上述缺陷，改进人脸验证方式的的技术方案。
发明内容
为解决现有技术存在的问题，本发明提出了一种人脸验证的处理方法及装置。本发明根据训练好的模型，在手机银行进行人脸验证时，通过二次构图提取人脸特征，用于验证，打破了传统人脸验证时在圆形中获取人脸部特征的限制，从而更加的实用方便。
在本发明实施例的第一方面，提出了一种人脸验证的处理方法，包括：
收集人脸图像数据；
根据所述人脸图像数据训练二次构图模型；提取客户人脸图像数据的纹理特征；将纹理特征作为输入样本，利用二次构图模型对人脸图像进行二次构图，得到二次构图后的人脸图像；
根据二次构图后的人脸图像训练特征提取模型；利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征；
获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果。
在本发明实施例的第二方面，提出了一种人脸验证的处理装置，包括：
数据收集模块，用于收集人脸图像数据；
二次构图模块，用于根据所述人脸图像数据训练二次构图模型；提取客户人脸图像数据的纹理特征；将纹理特征作为输入样本，利用二次构图模型对人脸图像进行二次构图，得到二次构图后的人脸图像；
特征提取模块，用于根据二次构图后的人脸图像训练特征提取模型；利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征；
人脸验证模块，用于获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果。
在本发明实施例的第三方面，提出了一种计算机设备，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程序，所述处理器执行所述计算机程序时实现人脸验证的处理方法。
在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现人脸验证的处理方法。
在本发明实施例的第五方面，提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现人脸验证的处理方法。
本发明提出的人脸验证的处理方法及装置通过收集人脸图像数据；根据所述人脸图像数据训练二次构图模型；提取客户人脸图像数据的纹理特征；将纹理特征作为输入样本，利用二次构图模型对人脸图像进行二次构图，得到二次构图后的人脸图像；根据二次构图后的人脸图像训练特征提取模型；利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征；获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果，本发明针对获取人脸图像时，人脸在圆形框中或人脸的一部分不在圆形框的情况都能够进行人脸验证，在确保人脸验证效果的前提下，使得人脸识别更加便捷。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一实施例的人脸验证的处理方法流程示意图。
图2是本发明一实施例的二次构图的流程示意图。
图3是本发明一具体实施例的人脸验证的处理方法流程示意图。
图4是本发明一实施例的人脸验证的处理装置架构示意图。
图5是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种人脸验证的处理方法及装置，涉及图像处理技术领域。本发明能够不限于特定区域获取到人脸数据，通过获取到的人脸数据，进行二次构图，只留下主体信息，进行特征提取，从而更加的便捷和有效。
需要说明的术语有：
ResNet50模型：一种新的深度学习网络模型，在加深了网络深度的同时，提出残差学习的结构来减轻深层网络训练的难度。重新构建了网络，以便学习包含推理的残差函数，而不是学习未经过推理的函数。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
图1是本发明一实施例的人脸验证的处理方法流程示意图。如图1所示，该方法包括：
S1，收集人脸图像数据；
S2，根据所述人脸图像数据训练二次构图模型；提取客户人脸图像数据的纹理特征；将纹理特征作为输入样本，利用二次构图模型对人脸图像进行二次构图，得到二次构图后的人脸图像；
S3，根据二次构图后的人脸图像训练特征提取模型；利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征；
S4，获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果。
在S2中，提取客户人脸图像数据的纹理特征，包括：
采用LBP方法提取所述人脸图像数据的纹理特征。
具体的，在采用LBP方法提取纹理特征时，将LBP算子定义为3×3的窗口，以窗口中心像素为阈值，将相邻的8个像素的灰度值与窗口中心像素进行比较，若相邻的8个像素值大于窗口中心像素值，则窗口中心像素点的位置被标记为1，否则为0；在3×3的窗口内，除窗口中心像素以外的8个像素点经过比较产生8位二进制数，将8位二进制数转换为十进制数，得到窗口中心像素点的LBP值，并利用LBP值反映纹理特征。
在S3中，利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征，包括：
采用局部图结构方法提取人脸特征；其中，对于每个目标元素，选择6个相邻像素组成一个局部图结构，局部图结构包含有关局部微图案分布的信息，根据局部图结构提取人脸特征。
在S4中，参考图2，获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果，包括：
S41，在客户录入信息阶段，根据客户录入的人脸图像数据获取人脸特征，根据所述验证数据设置验证数据集；
S42，在客户发起人脸验证请求时，根据客户录入的实时人脸图像数据获取待验证的人脸特征。
实际上，S41、S42获取人脸特征的过程都是基于S1-S3进行，区别在于S41的过程是系统设置验证数据集，该验证数据集用于验证S42的客户发起人脸验证时所录入的人脸数据。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
为了对上述人脸验证的处理方法进行更为清楚的解释，下面参考图3，结合一个具体的实施例来进行说明。
S301，收集数据：
收集大量的包含人脸的数据集，采用ResNet50模型对收集到的数据集进行二次构图模型的训练。
主要采集图片的纹理特征，通过提取的这些特征，来进行图片的二次构图，从而得到更加适合识别的人脸图像。
S302，二次构图：
通过提取到的纹理特征，进行图片的重新构图，自动裁剪成适合识别的人脸图像，为进一步提取脸部特征做准备。
二次构图模型可以通过特征的提取，摒弃图片中多余的部位，从而得到一张更加合适的图片，用于人脸部特征的提取。
在进行重新构图后，得到的是一个除去头部多余部位的一个人脸图像(类似于人脸验证时需要将放在特定的圆形框里的图像)，主要是为了消除在人脸验证时，要放在一个特定框中的限制。
纹理特征采用LBP(local binary patterns，局部二值模式)方法；具体的，LBP算子，定义为在3×3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3×3邻域内的8个点经过比较可产生8位二进制数(通常转换为十进制数即LBP码，共256种)，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。
S303，特征提取：
接收来自二次构图的数据，用于特征模型训练，主要提取人脸部的特征进行人脸识别。
在本实施例中，采用局部图结构方法，对经过二次构图后图像进行人脸特征的提取；局部图结构方法的原理是：对于每个目标元素，选择6个相邻像素组成一个定向图结构，局部图结构包含有关局部微图案(边缘，斑点，平坦区域)分布的信息，并且该方法对照明强度非常不敏感，计算时间快。
具体的，采用局部图结构方法提取人面部器官特点、面部奇异特征，类似伤疤，黑痣酒窝等。
首先，对图像做傅里叶变化，保留低频部分的实部和虚部的系数，当做全局傅里叶特征向量。这一步操作可以选用低分辨率的人脸图像就能满足要求。
将图像分N块，然后用Gabor核函数与每一块图像卷积，得到N个特征，然后将这些特征串联起来，形成局部Gabor特征向量。这一步操作需要选用高分辨率的人脸图像。
最后，使用LDA线性判别分析对得到的一个全局特征向量和N个局部特征向量进行降维处理，得到了全局分类器和局部分量分类器。
将N个局部向量分类器进行加权求和，得到局部分类器。全局分类器也与局部分类器进行加权求和，并行集成，得到全局分类器。
对待对比的两幅图像做同样的以上处理，然后分别对比他们对应的N+1个向量的像素度，常用的归一化互相关(normalized cross-correlation,简称NCC)方法来计算对应特征向量的相似度。根据集成学习理论，将以上全局分类器和局部分类器输出的相似度进行加权求和，作为最终的相似度。
S304，人脸验证：
接收来自特征提取的数据，用于对提取到的人脸部特征的验证，从而得出模型的可靠性。
在本实施例中，利用提取到的人脸特征，进行人脸识别验证。
具体的，人脸验证是1：1的比对，其身份验证模式本质上是计算机对当前人脸与人像数据库进行快速人脸比对，并得出是否匹配的过程；其中，待验证数据来自特征提取；验证数据来自验证数据集。
在采集数据时候，将采集到的数据分为2部分，一部分用于训练，另一部分用于验证；即，客户在录入信息阶段，将人脸图像数据录入，经过处理得到该客户的人脸特征；将该客户的信息与该客户的人脸特征存储至验证数据集；在客户发起人脸验证请求时，根据客户录入的实时人脸图像，提取待验证的人脸特征，通过验证数据集来验证待验证的人脸特征与验证数据是否为同一人。
在介绍了本发明示例性实施方式的方法之后，接下来，参考图4对本发明示例性实施方式的人脸验证的处理装置进行介绍。
人脸验证的处理装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
基于同一发明构思，本发明还提出了一种人脸验证的处理装置，如图4所示，该装置包括：
数据收集模块110，用于收集人脸图像数据；
二次构图模块120，用于根据所述人脸图像数据训练二次构图模型；提取客户人脸图像数据的纹理特征；将纹理特征作为输入样本，利用二次构图模型对人脸图像进行二次构图，得到二次构图后的人脸图像；
特征提取模块130，用于根据二次构图后的人脸图像训练特征提取模型；利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征；
人脸验证模块140，用于获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果。
在一实施例中，所述二次构图模块具体用于：
采用LBP方法提取所述人脸图像数据的纹理特征。
在一实施例中，所述二次构图模块具体用于：
采用LBP方法提取纹理特征；其中，将LBP算子定义为3×3的窗口，以窗口中心像素为阈值，将相邻的8个像素的灰度值与窗口中心像素进行比较，若相邻的8个像素值大于窗口中心像素值，则窗口中心像素点的位置被标记为1，否则为0；在3×3的窗口内，除窗口中心像素以外的8个像素点经过比较产生8位二进制数，将8位二进制数转换为十进制数，得到窗口中心像素点的LBP值，并利用LBP值反映纹理特征。
在一实施例中，所述特征提取模块具体用于：
采用局部图结构方法提取人脸特征；其中，对于每个目标元素，选择6个相邻像素组成一个局部图结构，局部图结构包含有关局部微图案分布的信息，根据局部图结构提取人脸特征。
在一实施例中，人脸验证模块具体用于：
在客户录入信息阶段，根据客户录入的人脸图像数据获取人脸特征，根据所述验证数据设置验证数据集；
在客户发起人脸验证请求时，根据客户录入的实时人脸图像数据获取待验证的人脸特征。
应当注意，尽管在上文详细描述中提及了人脸验证的处理装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思，如图5所示，本发明还提出了一种计算机设备500，包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530，所述处理器520执行所述计算机程序530时实现前述人脸验证的处理方法。
基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述人脸验证的处理方法。
基于前述发明构思，本发明提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现人脸验证的处理方法。
本发明提出的人脸验证的处理方法及装置通过收集人脸图像数据；根据所述人脸图像数据训练二次构图模型；提取客户人脸图像数据的纹理特征；将纹理特征作为输入样本，利用二次构图模型对人脸图像进行二次构图，得到二次构图后的人脸图像；根据二次构图后的人脸图像训练特征提取模型；利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征；获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果，本发明针对获取人脸图像时，人脸在圆形框中或人脸的一部分不在圆形框的情况都能够进行人脸验证，在确保人脸验证效果的前提下，使得人脸识别更加便捷。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (13)

1.一种人脸验证的处理方法，其特征在于，包括：
收集人脸图像数据；
根据所述人脸图像数据训练二次构图模型；提取客户人脸图像数据的纹理特征；将纹理特征作为输入样本，利用二次构图模型对人脸图像进行二次构图，得到二次构图后的人脸图像；
根据二次构图后的人脸图像训练特征提取模型；利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征；
获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果。
2.根据权利要求1所述的方法，其特征在于，提取客户人脸图像数据的纹理特征，包括：
采用LBP方法提取所述人脸图像数据的纹理特征。
3.根据权利要求2所述的方法，其特征在于，采用LBP方法提取所述人脸图像数据的纹理特征，包括：
采用LBP方法提取纹理特征；其中，将LBP算子定义为3×3的窗口，以窗口中心像素为阈值，将相邻的8个像素的灰度值与窗口中心像素进行比较，若相邻的8个像素值大于窗口中心像素值，则窗口中心像素点的位置被标记为1，否则为0；在3×3的窗口内，除窗口中心像素以外的8个像素点经过比较产生8位二进制数，将8位二进制数转换为十进制数，得到窗口中心像素点的LBP值，并利用LBP值反映纹理特征。
4.根据权利要求1所述的方法，其特征在于，利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征，包括：
采用局部图结构方法提取人脸特征；其中，对于每个目标元素，选择6个相邻像素组成一个局部图结构，局部图结构包含有关局部微图案分布的信息，根据局部图结构提取人脸特征。
5.根据权利要求1所述的方法，其特征在于，获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果，包括：
在客户录入信息阶段，根据客户录入的人脸图像数据获取人脸特征，根据所述验证数据设置验证数据集；
在客户发起人脸验证请求时，根据客户录入的实时人脸图像数据获取待验证的人脸特征。
6.一种人脸验证的处理装置，其特征在于，包括：
数据收集模块，用于收集人脸图像数据；
二次构图模块，用于根据所述人脸图像数据训练二次构图模型；提取客户人脸图像数据的纹理特征；将纹理特征作为输入样本，利用二次构图模型对人脸图像进行二次构图，得到二次构图后的人脸图像；
特征提取模块，用于根据二次构图后的人脸图像训练特征提取模型；利用特征提取模型提取所述二次构图后的人脸图像中的人脸特征；
人脸验证模块，用于获取待验证的人脸特征，根据验证数据集对待验证的人脸特征进行验证，得到人脸验证结果。
7.根据权利要求6所述的装置，其特征在于，所述二次构图模块具体用于：
采用LBP方法提取所述人脸图像数据的纹理特征。
8.根据权利要求7所述的装置，其特征在于，所述二次构图模块具体用于：
采用LBP方法提取纹理特征；其中，将LBP算子定义为3×3的窗口，以窗口中心像素为阈值，将相邻的8个像素的灰度值与窗口中心像素进行比较，若相邻的8个像素值大于窗口中心像素值，则窗口中心像素点的位置被标记为1，否则为0；在3×3的窗口内，除窗口中心像素以外的8个像素点经过比较产生8位二进制数，将8位二进制数转换为十进制数，得到窗口中心像素点的LBP值，并利用LBP值反映纹理特征。
9.根据权利要求6所述的装置，其特征在于，所述特征提取模块具体用于：
采用局部图结构方法提取人脸特征；其中，对于每个目标元素，选择6个相邻像素组成一个局部图结构，局部图结构包含有关局部微图案分布的信息，根据局部图结构提取人脸特征。
10.根据权利要求6所述的装置，其特征在于，人脸验证模块具体用于：
在客户录入信息阶段，根据客户录入的人脸图像数据获取人脸特征，根据所述验证数据设置验证数据集；
在客户发起人脸验证请求时，根据客户录入的实时人脸图像数据获取待验证的人脸特征。
11.一种计算机设备，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程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。
12.一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存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
CN202211207946.6A 2022-09-30 2022-09-30 人脸验证的处理方法及装置 Pending CN115481382A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211207946.6A CN115481382A (zh) 2022-09-30 2022-09-30 人脸验证的处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211207946.6A CN115481382A (zh) 2022-09-30 2022-09-30 人脸验证的处理方法及装置

Publications (1)

Publication Number Publication Date
CN115481382A true CN115481382A (zh) 2022-12-16

Family

ID=84393914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211207946.6A Pending CN115481382A (zh) 2022-09-30 2022-09-30 人脸验证的处理方法及装置

Country Status (1)

Country Link
CN (1) CN115481382A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778562A (zh) * 2023-08-22 2023-09-19 中移(苏州)软件技术有限公司 面部验证方法、装置、电子设备及可读储存介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778562A (zh) * 2023-08-22 2023-09-19 中移(苏州)软件技术有限公司 面部验证方法、装置、电子设备及可读储存介质
CN116778562B (zh) * 2023-08-22 2024-05-28 中移(苏州)软件技术有限公司 面部验证方法、装置、电子设备及可读储存介质

Similar Documents

Publication Publication Date Title
Wang et al. Multistage attention network for image inpainting
Yuan et al. Fingerprint liveness detection using an improved CNN with image scale equalization
Galbally et al. Iris image reconstruction from binary templates: An efficient probabilistic approach based on genetic algorithms
Babaee et al. Person identification from partial gait cycle using fully convolutional neural networks
CN112437926B (zh) 使用前馈卷积神经网络的快速鲁棒摩擦脊印痕细节提取
Salman et al. Classification of real and fake human faces using deep learning
WO2007088926A1 (ja) 画像処理、画像特徴抽出、および画像照合の装置、方法、およびプログラム並びに画像照合システム
CN110310247B (zh) 图像处理方法、装置、终端及计算机可读存储介质
CN115481382A (zh) 人脸验证的处理方法及装置
Neto et al. Beyond masks: On the generalization of masked face recognition models to occluded face recognition
CN108182399B (zh) 指静脉特征比对方法、装置、存储介质和处理器
CN116012255A (zh) 一种基于循环一致性生成对抗网络的低光图像增强方法
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
Yang et al. Finger-vein pattern restoration with generative adversarial network
Stephen et al. Enhancing fingerprint image through ridge orientation with neural network approach and ternarization for effective minutiae extraction
Kaur et al. Finger print recognition using genetic algorithm and neural network
CN113011277A (zh) 基于人脸识别的数据处理方法、装置、设备及介质
Marín-Jiménez et al. Empirical study of multi-scale filter banks for object categorization
CN110738144A (zh) 基于神经网络的手指静脉验证方法、装置和存储介质
CN117636416B (zh) 基于人脸不适度的人脸伪造与活体联合检测方法和相关设备
US20240212392A1 (en) Determining inconsistency of local motion to detect edited video
CN115050085B (zh) 基于图谱的模拟机管理系统对象识别方法、系统及设备
CN110334667B (zh) 基于ircnn和mtcnn的具有尺度旋转不变性的静脉识别方法及系统
Ismaeil et al. Fingerprint Image Quality Analysis and Enhancement Using Fuzzy Logic Technique
CN114117101A (zh) 一种基于问题和图像成对训练的vqa方法和视觉问答装置

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