CN115984978A - 人脸活体检测方法、装置以及计算机可读存储介质 - Google Patents
人脸活体检测方法、装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115984978A CN115984978A CN202211684312.XA CN202211684312A CN115984978A CN 115984978 A CN115984978 A CN 115984978A CN 202211684312 A CN202211684312 A CN 202211684312A CN 115984978 A CN115984978 A CN 115984978A
- Authority
- CN
- China
- Prior art keywords
- face
- dimensional depth
- depth image
- image
- 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
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种人脸活体检测方法、装置以及计算机可读存储介质,方法包括:从人脸图像中提取特征;基于人脸图像的特征,按预设方式计算人脸图像的活体检测分析结果;对人脸图像的特征进行特征可视化处理,得到第一三维深度图像;将第一三维深度图像与预生成的人脸图像对应的第二三维深度图像进行比较;根据比较结果对活体检测分析结果进行调整,按照调整后的活体检测分析结果判断人脸图像是否来自活体。本发明实际上使用了深度图像作监督信息,以保证人脸活体检测得到准确的检测结果。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种人脸活体检测方法、装置以及计算机可读存储介质。
背景技术
随着人脸识别、人脸解锁、人脸支付等技术在金融、门禁、移动设备等日常生活中的广泛应用,人脸防伪/活体检测(Face Anti-Spoofing)技术在近年来得到了越来越多的关注。
活体检测技术主要是判别机器前出现的人脸是真实还是伪造的,其中借助其他媒介呈现的人脸都可以定义为虚假的人脸,包括打印的纸质照片、电子产品的显示屏幕、硅胶面具、立体的3D(三维)人像等。
目前主流的活体解决方案分为配合式活体检测和非配合式活体检测(静默活体检测)。配合式活体检测需要用户根据提示完成指定的动作,然后再进行活体检测。配合式活体检测通过眨眼、张嘴、摇头、点头等配合式组合动作,使用人脸关键点及人脸追踪技术,通过连续的图片,计算变化距离与不变距离的比值,进行上一帧图像与下一帧图像的对比,从而验证用户是否为真实活体本人操作。静默活体则在用户无感的情况下直接进行活体校验。静默式活体检测无需用户进行额外动作,而是直接基于算法甄别纸张照片、屏幕成像、人脸面具等伪造人脸攻击。与配合式相比,静默式的用户体验更好,速度更快,可在无感的情况下直接进行活体检测。实际使用中,可根据具体场景选择方案,如闸机、门禁、验票等对检测速度要求更高的场景,一般推荐选用静默式活体检测。
现有活体检测技术的主要技术问题在于检测精度不高,本发明旨在提供一种新的活体检测技术方案,显著提升活体检测准确性。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决提升活体检测准确性的人脸活体检测方法、装置以及计算机可读存储介质。
第一方面,本发明提供一种人脸活体检测方法,所述方法包括:从人脸图像中提取特征;基于所述人脸图像的特征,按预设方式计算所述人脸图像的活体检测分析结果;对所述人脸图像的特征进行特征可视化处理,得到第一三维深度图像;将所述第一三维深度图像与预生成的所述人脸图像对应的第二三维深度图像进行比较;根据比较结果对所述活体检测分析结果进行调整,按照调整后的所述活体检测分析结果判断所述人脸图像是否来自活体。
优选地,前述的人脸活体检测方法,在“从人脸图像中提取特征”的步骤之前,还包括:对所述人脸图像进行人脸识别,根据识别结果在所述人脸图像中绘制第一边框;按照预设的外扩比例,对所述第一边框进行处理得到第二边框;“从人脸图像中提取特征”的步骤包括:从所述人脸图像中位于所述第二边框内的区域提取所述特征。
优选地,前述的人脸活体检测方法,“按照预设外扩比例,对所述第一边框进行处理得到第二边框”的步骤包括:基于所述第一边框的短边,生成正方形的第三边框;按照所述外扩比例放大所述第三边框,得到所述第二边框。
优选地,前述的人脸活体检测方法,在“将所述第一三维深度图像与预生成的所述人脸图像对应的第二三维深度图像进行比较”的步骤之前,还包括:基于所述人脸图像中位于所述第二边框内的区域,生成第二三维深度图像。
优选地,前述的人脸活体检测方法,“生成第二三维深度图像”的步骤还包括:根据所述第一边框生成二元矩形蒙版;根据所述第一边框在所述人脸图像中的第一位置,计算所述二元矩形蒙版在所述第二三维深度图像中的第二位置;基于所述第二位置,使用所述二元矩形蒙版对所述第二三维深度图像进行处理。
优选地,前述的人脸活体检测方法,“使用所述二元矩形蒙版对所述第二三维深度图像进行处理”的步骤还包括:将所述第二三维深度图像中所述二元矩形蒙版覆盖的区域置1,将未覆盖的区域置0。
优选地,前述的人脸活体检测方法,“将所述第一三维深度图像与预生成的所述人脸图像对应的第二三维深度图像进行比较”的步骤包括:计算所述第一三维深度图像与所述第二三维深度图像之差;“根据比较结果对所述活体检测分析结果进行调整”的步骤包括:根据所述第一三维深度图像与所述第二三维深度图像之差设置权重,对所述活体检测分析结果进行调整。
优选地,前述的人脸活体检测方法,“按预设方式计算所述人脸图像的活体检测分析结果”的步骤包括:使用sigmod函数计算所述活体检测分析结果。
第二方面,本发明提供一种人脸活体检测装置,所述装置包括:特征提取模块,从人脸图像中提取特征;人脸分析模块,基于所述人脸图像的特征,按预设方式计算所述人脸图像的活体检测分析结果;特征可视化模块,对所述人脸图像的特征进行特征可视化处理,得到第一三维深度图像;比较模块,将所述第一三维深度图像与预生成的所述人脸图像对应的第二三维深度图像进行比较;结果调整模块,根据比较结果对所述活体检测分析结果进行调整,按照调整后的所述活体检测分析结果判断所述人脸图像是否来自活体。
第三方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述人脸活体检测方法的技术方案中任一项技术方案所述的上述人脸活体检测方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明的技术方案,与现有技术方案不同,在基于人脸图像的特征进行活体检测分析得到结果后,并未直接判断人脸图像是否来自活体,而是在特征提取阶段使用了特征可视化技术生成三维深度图像,将其与预生成的人脸图像匹配的真实三维深度图像进行比较,如果二者接近,则表示提取的特征能够较好地反映人脸的立体感,用于活体检测则能够更准确地获得检测结果,如果二者差距较大,表示提取的特征无法准确反映人脸的立体感,用于活体检测则难以得到准确的检测结果,本发明的技术方案实际上使用了深度图像作监督信息,以确保得到准确的活体检测结果。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。其中:
图1是根据本发明的一个实施例的人脸活体检测方法的流程图;
图2是根据本发明的一个实施例的人脸活体检测方法的流程图;
图3是根据本发明的一个实施例的人脸活体检测装置的框图;
图4是根据本发明的一个实施例的人脸活体检测装置的框图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
如图1所示,本发明的一个实施例中提供了一种人脸活体检测方法,方法包括:
步骤S110,从人脸图像中提取特征。
本实施例中,人脸图像通常为RGB(一种颜色标准)图像。
步骤S120,基于人脸图像的特征,按预设方式计算人脸图像的活体检测分析结果。
本实施例中,使用由数个堆叠的CNN(卷积神经网络)模块组合而成的模型来从人脸图像中提取特征。模型可以维持较小的模型结构和参数量,以达到又快又好的目的。
步骤S130,对人脸图像的特征进行特征可视化处理,得到第一三维深度图像。
本实施例中,预先设置特征可视化模块,通过特征可视化技术(深度学习领域的一种技术)来生成特征对应的3D depth图像(即第一三维深度图像)。
步骤S140,将第一三维深度图像与预生成的人脸图像对应的第二三维深度图像进行比较。
本实施例中,将人脸图像匹配的真实三维深度图像作为监督信息。本实施例中,将特征可视化得到的深度图像与监督的深度图像进行比较,差距越小,提取的特征越好,反之差距越大,提取的特征越不好。
步骤S150,根据比较结果对活体检测分析结果进行调整,按照调整后的活体检测分析结果判断人脸图像是否来自活体。
根据本实施例的技术方案,在基于人脸图像的特征进行活体检测分析得到结果后,并未直接判断人脸图像是否来自活体,而是在特征提取阶段使用了特征可视化技术生成三维深度图像,将其与预生成的人脸图像匹配的真实三维深度图像进行比较,如果二者接近,则表示提取的特征能够较好地反映人脸的立体感,用于活体检测则能够更准确地获得检测结果,如果二者差距较大,表示提取的特征无法准确反映人脸的立体感,用于活体检测则难以得到准确的检测结果,本发明的技术方案实际上使用了深度图像作监督信息,以确保得到准确的活体检测结果。
如图2所示,本发明的一个实施例中提供了一种人脸活体检测方法,方法包括:
步骤S210,对人脸图像进行人脸识别,根据识别结果在人脸图像中绘制第一边框。
本实施例中,对人脸图像进行人脸检测(Face Detection),得到的Bounding box(bbox_1),即第一边框,确定其坐标信息。通过人脸检测得到的bbox_1内仅仅只包含人脸五官。
步骤S220,按照预设的外扩比例,对第一边框进行处理得到第二边框。具体地,基于第一边框的短边,生成正方形的第三边框;按照外扩比例放大第三边框,得到第二边框。
本实施例中,取bbox-1的短边形成一个正方形bbox_2(避免改变人脸尺寸的时候人脸发生扭曲),即第三边框,然后设定一个往外扩的比例scale_size,比如scale_size=2.7,这个时候裁剪出的人脸就会比原始的bbox_1要大,能够完全涵盖人脸部分,且带有稍许背景信息。
步骤S230,基于人脸图像中位于第二边框内的区域,生成第二三维深度图像。
具体地,根据第一边框生成二元矩形蒙版;根据第一边框在人脸图像中的第一位置,计算二元矩形蒙版在第二三维深度图像中的第二位置;基于第二位置,使用二元矩形蒙版对第二三维深度图像进行处理,并将第二三维深度图像中二元矩形蒙版覆盖的区域置1,将未覆盖的区域置0。
本实施例中,预设一个人脸3D depth模型并对进行训练,使其能够基于人脸图像生成对应的三维深度图像。本实施例中,根据bbox_1生成一个二元矩形mask(蒙版),根据bbox_1的坐标确定二元矩形mask在3D depth图像中的位置,将二元矩形mask外的部分作为背景并置0,将二元矩形mask覆盖的部分置1。
步骤S240,从人脸图像中位于第二边框内的区域提取特征。
步骤S250,对人脸图像的特征进行特征可视化处理,得到第一三维深度图像。
步骤S260,基于人脸图像的特征,按预设方式计算人脸图像的活体检测分析结果。具体地,使用sigmod函数计算活体检测分析结果。
步骤S270,计算第一三维深度图像与第二三维深度图像之差。
步骤S280,根据第一三维深度图像与第二三维深度图像之差设置权重,对活体检测分析结果进行调整,按照调整后的活体检测分析结果判断人脸图像是否来自活体。
本实施例中,基于提取的特征生成一个1×1的特征图,然后经过sigmoid函数生成一个0~1的score(即活体检测分析结果);将实际的3D depth图像(第二三维深度图像)与生成的3D depth图像(第一三维深度图像)作差(depth_diff),然后取score_weight(权重)=1-depth_diff,final score(调整后的活体检测分析结果)=score_weight×score,实现了基于3D depth监督信息生成的score_weight对score进行修正。本实施例中,实际上是将3D depth图像作为监督信息,实现了对人脸活体检测结果的修正。
本实施例的技术方案,设计了一种基于RGB人脸图像的单模态静默活体检测方案,能够保证在有效防御常规攻击的人脸活体攻击同时,达到很快的处理速度。
如图3所示,本发明的一个实施例中提供了一种人脸活体检测装置,装置包括:
特征提取模块310,从人脸图像中提取特征。
本实施例中,人脸图像通常为RGB(一种颜色标准)图像。
人脸分析模块320,基于人脸图像的特征,按预设方式计算人脸图像的活体检测分析结果。
本实施例中,使用由数个堆叠的CNN(卷积神经网络)模块组合而成的模型来从人脸图像中提取特征。模型可以维持较小的模型结构和参数量,以达到又快又好的目的。
特征可视化模块330,对人脸图像的特征进行特征可视化处理,得到第一三维深度图像。
本实施例中,预先设置特征可视化模块,通过特征可视化技术(深度学习领域的一种技术)来生成特征对应的3D depth图像(即第一三维深度图像)。
比较模块340,将第一三维深度图像与预生成的人脸图像对应的第二三维深度图像进行比较。
本实施例中,将人脸图像匹配的真实三维深度图像作为监督信息。本实施例中,将特征可视化得到的深度图像与监督的深度图像进行比较,差距越小,提取的特征越好,反之差距越大,提取的特征越不好。
结果调整模块350,根据比较结果对活体检测分析结果进行调整,按照调整后的活体检测分析结果判断人脸图像是否来自活体。
根据本实施例的技术方案,在基于人脸图像的特征进行活体检测分析得到结果后,并未直接判断人脸图像是否来自活体,而是在特征提取阶段使用了特征可视化技术生成三维深度图像,将其与预生成的人脸图像匹配的真实三维深度图像进行比较,如果二者接近,则表示提取的特征能够较好地反映人脸的立体感,用于活体检测则能够更准确地获得检测结果,如果二者差距较大,表示提取的特征无法准确反映人脸的立体感,用于活体检测则难以得到准确的检测结果,本发明的技术方案实际上使用了深度图像作监督信息,以确保得到准确的活体检测结果。
如图4所示,本发明的一个实施例中提供了一种人脸活体检测装置,装置包括:
人脸识别模块410,对人脸图像进行人脸识别,根据识别结果在人脸图像中绘制第一边框。
本实施例中,对人脸图像进行人脸检测(Face Detection),得到的Bounding box(bbox_1),即第一边框,确定其坐标信息。通过人脸检测得到的bbox_1内仅仅只包含人脸五官。
人脸识别模块410按照预设的外扩比例,对第一边框进行处理得到第二边框。具体地,基于第一边框的短边,生成正方形的第三边框;按照外扩比例放大第三边框,得到第二边框。
本实施例中,取bbox-1的短边形成一个正方形bbox_2(避免改变人脸尺寸的时候人脸发生扭曲),即第三边框,然后设定一个往外扩的比例scale_size,比如scale_size=2.7,这个时候裁剪出的人脸就会比原始的bbox_1要大,能够完全涵盖人脸部分,且带有稍许背景信息。
深度图像生成模块420,基于人脸图像中位于第二边框内的区域,生成第二三维深度图像。
具体地,根据第一边框生成二元矩形蒙版;根据第一边框在人脸图像中的第一位置,计算二元矩形蒙版在第二三维深度图像中的第二位置;基于第二位置,使用二元矩形蒙版对第二三维深度图像进行处理,并将第二三维深度图像中二元矩形蒙版覆盖的区域置1,将未覆盖的区域置0。
本实施例中,预设一个人脸3D depth模型并对进行训练,使其能够基于人脸图像生成对应的三维深度图像。本实施例中,根据bbox_1生成一个二元矩形mask(蒙版),根据bbox_1的坐标确定二元矩形mask在3D depth图像中的位置,将二元矩形mask外的部分作为背景并置0,将二元矩形mask覆盖的部分置1。
特征提取模块430,从人脸图像中位于第二边框内的区域提取特征。
特征可视化模块440,对人脸图像的特征进行特征可视化处理,得到第一三维深度图像。
人脸分析模块450,基于人脸图像的特征,按预设方式计算人脸图像的活体检测分析结果。具体地,使用sigmod函数计算活体检测分析结果。
比较模块460,计算第一三维深度图像与第二三维深度图像之差。
结果调整模块470,根据第一三维深度图像与第二三维深度图像之差设置权重,对活体检测分析结果进行调整,按照调整后的活体检测分析结果判断人脸图像是否来自活体。
本实施例中,基于提取的特征生成一个1×1的特征图,然后经过sigmoid函数生成一个0~1的score(即活体检测分析结果);将实际的3D depth图像(第二三维深度图像)与生成的3D depth图像(第一三维深度图像)作差(depth_diff),然后取score_weight(权重)=1-depth_diff,final score(调整后的活体检测分析结果)=score_weight×score,实现了基于3D depth监督信息生成的score_weight对score进行修正。本实施例中,实际上是将3D depth图像作为监督信息,实现了对人脸活体检测结果的修正。
本实施例的技术方案,设计了一种基于RGB人脸图像的单模态静默活体检测方案,能够保证在有效防御常规攻击的人脸活体攻击同时,达到很快的处理速度。
本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的人脸活体检测方法的程序,该程序可以由处理器加载并运行以实现上述人脸活体检测方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的移动终端的处理装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种人脸活体检测方法,其特征在于,包括:
从人脸图像中提取特征;
基于所述人脸图像的特征,按预设方式计算所述人脸图像的活体检测分析结果;
对所述人脸图像的特征进行特征可视化处理,得到第一三维深度图像;
将所述第一三维深度图像与预生成的所述人脸图像对应的第二三维深度图像进行比较;
根据比较结果对所述活体检测分析结果进行调整,按照调整后的所述活体检测分析结果判断所述人脸图像是否来自活体。
2.根据权利要求1所述的人脸活体检测方法,其特征在于,在“从人脸图像中提取特征”的步骤之前,还包括:
对所述人脸图像进行人脸识别,根据识别结果在所述人脸图像中绘制第一边框;
按照预设的外扩比例,对所述第一边框进行处理得到第二边框;
“从人脸图像中提取特征”的步骤包括:
从所述人脸图像中位于所述第二边框内的区域提取所述特征。
3.根据权利要求2所述的人脸活体检测方法,其特征在于,“按照预设外扩比例,对所述第一边框进行处理得到第二边框”的步骤包括:
基于所述第一边框的短边,生成正方形的第三边框;
按照所述外扩比例放大所述第三边框,得到所述第二边框。
4.根据权利要求2所述的人脸活体检测方法,其特征在于,在“将所述第一三维深度图像与预生成的所述人脸图像对应的第二三维深度图像进行比较”的步骤之前,还包括:
基于所述人脸图像中位于所述第二边框内的区域,生成第二三维深度图像。
5.根据权利要求4所述的人脸活体检测方法,其特征在于,“生成第二三维深度图像”的步骤还包括:
根据所述第一边框生成二元矩形蒙版;
根据所述第一边框在所述人脸图像中的第一位置,计算所述二元矩形蒙版在所述第二三维深度图像中的第二位置;
基于所述第二位置,使用所述二元矩形蒙版对所述第二三维深度图像进行处理。
6.根据权利要求5所述的人脸活体检测方法,其特征在于,“使用所述二元矩形蒙版对所述第二三维深度图像进行处理”的步骤还包括:
将所述第二三维深度图像中所述二元矩形蒙版覆盖的区域置1,将未覆盖的区域置0。
7.根据权利要求1所述的人脸活体检测方法,其特征在于,“将所述第一三维深度图像与预生成的所述人脸图像对应的第二三维深度图像进行比较”的步骤包括:
计算所述第一三维深度图像与所述第二三维深度图像之差;
“根据比较结果对所述活体检测分析结果进行调整”的步骤包括:
根据所述第一三维深度图像与所述第二三维深度图像之差设置权重,对所述活体检测分析结果进行调整。
8.根据权利要求1所述的人脸活体检测方法,其特征在于,“按预设方式计算所述人脸图像的活体检测分析结果”的步骤包括:
使用sigmod函数计算所述活体检测分析结果。
9.一种人脸活体检测装置,其特征在于,包括:
特征提取模块,从人脸图像中提取特征;
人脸分析模块,基于所述人脸图像的特征,按预设方式计算所述人脸图像的活体检测分析结果;
特征可视化模块,对所述人脸图像的特征进行特征可视化处理,得到第一三维深度图像;
比较模块,将所述第一三维深度图像与预生成的所述人脸图像对应的第二三维深度图像进行比较;
结果调整模块,根据比较结果对所述活体检测分析结果进行调整,按照调整后的所述活体检测分析结果判断所述人脸图像是否来自活体。
10.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的人脸活体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211684312.XA CN115984978A (zh) | 2022-12-27 | 2022-12-27 | 人脸活体检测方法、装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211684312.XA CN115984978A (zh) | 2022-12-27 | 2022-12-27 | 人脸活体检测方法、装置以及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984978A true CN115984978A (zh) | 2023-04-18 |
Family
ID=85964352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211684312.XA Pending CN115984978A (zh) | 2022-12-27 | 2022-12-27 | 人脸活体检测方法、装置以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984978A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117539452A (zh) * | 2024-01-10 | 2024-02-09 | 天翼电子商务有限公司 | 人脸识别方法和装置及电子设备 |
-
2022
- 2022-12-27 CN CN202211684312.XA patent/CN115984978A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117539452A (zh) * | 2024-01-10 | 2024-02-09 | 天翼电子商务有限公司 | 人脸识别方法和装置及电子设备 |
CN117539452B (zh) * | 2024-01-10 | 2024-04-30 | 天翼电子商务有限公司 | 人脸识别方法和装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
WO2018166525A1 (zh) | 人脸防伪检测方法和系统、电子设备、程序和介质 | |
WO2022156640A1 (zh) | 一种图像的视线矫正方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
EP4345777A1 (en) | Living body detection method and apparatus, and training method and apparatus for living body detection system | |
CN112801057B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN106372629A (zh) | 一种活体检测方法和装置 | |
CN111738243A (zh) | 人脸图像的选择方法、装置、设备及存储介质 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN111401134A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN111325107A (zh) | 检测模型训练方法、装置、电子设备和可读存储介质 | |
CN111815606B (zh) | 图像质量评估方法、存储介质及计算装置 | |
CN112651333A (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN115984978A (zh) | 人脸活体检测方法、装置以及计算机可读存储介质 | |
US7006102B2 (en) | Method and apparatus for generating models of individuals | |
CN111597944B (zh) | 活体检测方法、装置、计算机设备及存储介质 | |
CN113570615A (zh) | 一种基于深度学习的图像处理方法、电子设备及存储介质 | |
CN113632137A (zh) | 用于基于二维面部图像的两个或更多个输入自适应地构建三维面部模型的系统和方法 | |
CN111191549A (zh) | 一种两级人脸防伪检测方法 | |
CN115082992A (zh) | 人脸活体检测方法、装置、电子设备及可读存储介质 | |
CN113468954B (zh) | 基于多通道下局部区域特征的人脸伪造检测方法 | |
CN110866508B (zh) | 识别目标对象的形态的方法、装置、终端及存储介质 | |
CN113657197A (zh) | 图像识别方法、图像识别模型的训练方法以及相关装置 | |
US20240212393A1 (en) | Face anti-spoofing method, device, and computer-readable storage medium | |
CN117351579B (zh) | 基于多源信息融合的虹膜活体检测方法及装置 |
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 |