CN116071834A - 基于改进的核密度估计算法的实名制认证活体检测方法 - Google Patents

基于改进的核密度估计算法的实名制认证活体检测方法 Download PDF

Info

Publication number
CN116071834A
CN116071834A CN202211735372.XA CN202211735372A CN116071834A CN 116071834 A CN116071834 A CN 116071834A CN 202211735372 A CN202211735372 A CN 202211735372A CN 116071834 A CN116071834 A CN 116071834A
Authority
CN
China
Prior art keywords
dynamic video
training set
random
picture data
real
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
CN202211735372.XA
Other languages
English (en)
Inventor
詹振辉
左绘
沈江兵
周倜
王业民
蔡致通
汪浩航
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.)
Tianyi IoT Technology Co Ltd
Original Assignee
Tianyi IoT 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 Tianyi IoT Technology Co Ltd filed Critical Tianyi IoT Technology Co Ltd
Priority to CN202211735372.XA priority Critical patent/CN116071834A/zh
Publication of CN116071834A publication Critical patent/CN116071834A/zh
Pending legal-status Critical Current

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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进的核密度估计算法的实名制认证活体检测方法，包括：随机向活体提示一组动作，获取活体完成动作的随机动态视频；从随机动态视频中采集N张训练集图片构建训练集以及采集M张测试集图片构建测试集；利用核密度估计算法计算训练集图片数据的概率密度函数；对训练集图片数据的概率密度函数进行滤波消噪；基于设定的动态占比阈值和滤波消噪后的训练集图片数据的概率密度函数判断所述随机动态视频是否为正常的动态视频；若随机动态视频为正常的动态视频，再对随机动态视频进行动作校验，若随机动态视频中识别到的各个动作及各个动作的先后顺序均正确，则动作校验通过，否则不通过。本发明可以提升活体的识别能力及识别准确率。

Description

基于改进的核密度估计算法的实名制认证活体检测方法
技术领域
本发明涉及物联网技术领域，尤其涉及一种基于改进的核密度估计算法的实名制认证活体检测方法。
背景技术
在实名制校验中通常通过录制视频的形式对用户进行活体认证。目前存在伪造活体认证的现象，如用户利用软件对上传的静态照片检测人脸部的眼睛、嘴巴然后形成动态动作，最终生成动态视频，以伪造用于实名认证的视频。相关技术无法对活体的关键帧按场景进行真伪辨别。
发明内容
本发明所要解决的技术问题在于提供一种基于改进的核密度估计算法的实名制认证活体检测方法，可以提升活体的识别能力及识别准确率。
为解决上述技术问题，本发明采用如下所述的技术方案：
一种基于改进的核密度估计算法的实名制认证活体检测方法，其包括有如下步骤：随机向活体提示一组动作，获取活体在提示下完成动作的随机动态视频；从随机动态视频中采集N张训练集图片构建训练集以及采集M张测试集图片构建测试集，N、M为预设常数；基于训练集和测试集，利用核密度估计算法计算训练集图片数据的概率密度函数；对训练集图片数据的概率密度函数进行滤波消噪；根据人体特征设置动态占比阈值，基于设定的动态占比阈值和滤波消噪后的训练集图片数据的概率密度函数判断所述随机动态视频是否为正常的动态视频；若随机动态视频为正常的动态视频，再对随机动态视频进行动作校验，若随机动态视频中识别到的各个动作及各个动作的先后顺序均正确，则动作校验通过，否则不通过。
本发明的有益技术效果在于：上述的基于改进的核密度估计算法的实名制认证活体检测方法，利用核密度估计算法结合根据人体特征设置的动态占比阈值对视频数据进行处理，数据处理更具有针对性，能够更有效的降低数据处理的误差，解决了实名制认证过程中的无法辨别视频真伪的技术问题，能够有效的鉴别出利用静态照片模拟伪造的动态视频，从而提升活体的识别能力及识别准确率。此外，增加随机动作的校验功能，实名制认证时自动提示一组随机动作，需识别到的各个动作及各个动作的先后顺序均正确，方可通过校验，进一步加强验证的可靠性。
附图说明
图1为本发明的基于改进的核密度估计算法的实名制认证活体检测方法的流程示意图。
具体实施方式
为使本领域的普通技术人员更加清楚地理解本发明的目的、技术方案和优点，以下结合附图和实施例对本发明做进一步的阐述。
如图1所示，在本发明一个实施例中，基于改进的核密度估计算法的实名制认证活体检测方法包括有步骤S10至步骤S60。
S10、随机向活体提示一组动作，获取活体在提示下完成动作的随机动态视频。
本步骤为视频获取步骤，在活体用户通过APP进行实名制认证时执行。当设备检测到有用户在进行实名制认证操作时，随机产生一组随机动作数据，并根据随机动作数据向活体提示一组动作。提示的动作包括眨眼、摇头、张嘴、闭嘴等，每次提示的各个动作出现的先后顺序都是随机的。设备通过摄像头对活体进行拍摄，获取活体在提示下完成动作的随机动态视频，该随机动态视频用于后续的活体检测。
S20、从随机动态视频中采集N张训练集图片构建训练集以及采集M张测试集图片构建测试集。
本步骤为数据提取步骤，在获取随机动态视频后执行。通过将随机动态视频按照总时长T进行N等分，得到N个时长为T/N的小视频，然后采集每个时长为T/N的小视频的中间帧(或者其他帧)的图片作为训练集图片；通过将随机动态视频按照总时长T进行M等分，得到M个时长为T/M的小视频，然后采集每个时长为T/M的小视频的中间帧的图片作为测试集图片。
所述N、M为预设常数，可以根据实际需要进行设置，在本实施例中，N取值为20，M取值为3。
S30、基于训练集和测试集，利用核密度估计算法计算训练集图片数据的概率密度函数。
本步骤为数据处理步骤，核密度估计(Kernel density estimation)，是一种用于估计概率密度函数的非参数方法。本步骤利用核密度估计算法计算训练集图片数据的概率密度函数。
步骤S30包括有步骤31至步骤S35：
S31、利用im2double函数将每个测试集图片的灰度图像转换为双精度的测试集图片数据T{a}，利用im2double函数将每个训练集图片的灰度图像转换为双精度的训练集图片数据A{i}。
S32、基于测试集图片数据T{a}和训练集图片数据A{i}，获取每个训练集图片数据与测试集图片数据的R，G，B三个维度差值：
Figure BDA0004031996840000041
S33、计算每个训练集图片数据的核密度函数值，核密度公式为：
Figure BDA0004031996840000042
S34、对随机动态视频进行处理得到图片，获取随机动态视频中图片的数据集合，得到图片的像素值，构造对应的零矩阵：zeros＝(m n)，其中，m，n分别为图片的像素矩阵值的大小。
S35、将零矩阵循环累加N个训练集图片数据的核密度函数值，使处理后的训练集图片数据结合，计算训练集图片数据的概率密度函数：
f＝zeros+RGB(i)
Figure BDA0004031996840000043
其中，N为训练集图片的个数，h为带宽，在本实施例中，带宽h＝0.855。
S40、对训练集图片数据的概率密度函数进行滤波消噪。
本步骤的目的是为了为过滤掉图像转数据过程中造成的异常数据。本发明实施例采用中值滤波法对训练集图片数据的概率密度函数进行滤波消噪，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。
Prb＝medfilt2(Pr,[3,3])
S50、根据人体特征设置动态占比阈值，基于设定的动态占比阈值和滤波消噪后的训练集图片数据的概率密度函数判断所述随机动态视频是否为正常的动态视频。
本步骤为视频真伪鉴别步骤，用于识别伪造的用于实名认证的视频。步骤S50包括有步骤51至步骤S53：
S51、根据五官在脸部的占比设置动态占比阈值Kbasic。
在本实施例中，根据眼睛加嘴唇在脸部的占比设置动态占比阈值Kbasic。根据人类五官比例中“三庭五眼”比例。静态情况下，眼睛加嘴唇在脸部占比为10％左右。利用软件通过上传静态照片检测人脸部的眼镜、嘴巴形成动态动作。按照眼睛增加10％比例范围，嘴唇增加100％比例范围，可得到占比范围为14％左右。考虑动作处理误差。将比值设置到18％。即动态占比阈值设置到Kbasic＝0.18。需要说明的是，在其他实施例中，也可以根据诸如鼻子等其他在脸部的占比设置动态占比阈值Kbasic，或者根据其他非五官的人体特征来设置动态占比阈值。
S52、基于设定的动态占比阈值Kbasic和滤波消噪后的训练集图片数据的概率密度函数选取基础像素点Rgbbasic：
Figure BDA0004031996840000051
S53、估算随机动态视频中每帧图片的像素点超过基础像素点的概率K，若K大于等于动态占比阈值，则判定随机动态视频为正常的动态视频，否则，判定随机动态视频为异常动态视频。
在步骤S53中，先计算训练集中像素点低于基础像素点的18％的训练集图片的占比，设为krgb；再计算测试集中每张测试集照片的像素点低于基础像素点的18％的概率
Figure BDA0004031996840000052
最后，利用K'rgb估计整个随机动态视频中每帧图片的像素点超过基础像素点的概率K，若K大于等于动态占比阈值，则判定随机动态视频为正常的动态视频，否则，判定随机动态视频为异常动态视频(伪造视频)。
S60、若随机动态视频为正常的动态视频，再对随机动态视频进行动作校验，若随机动态视频中识别到的各个动作及各个动作的先后顺序均正确，则动作校验通过，否则不通过。
在执行步骤S10向活体提示一组随机动作时，会同时将生成的随机动作数据进行保存，该随机动作数据包括向活体提示的各个动作以及各个动作的出现的先后顺序。根据上一步骤S50的识别判断，确认随机动态视频为正常的动态视频后，依据随机动作数据进行动作校验。例如，根据随机动作数据得到活体动态数据为“张嘴-眨眼-摇头”，在进行动作校验时，如果依次识别出“张嘴-眨眼-摇头”动作，则认为各个动作及各个动作的先后顺序均正确，动作校验通过，如果识别到的动作数量不一致或者动作的先后顺序不一致，则动作校验不通过。
以上所述仅为本发明的优选实施例，而非对本发明做任何形式上的限制。本领域的技术人员可在上述实施例的基础上施以各种等同的更改和改进，凡在权利要求范围内所做的等同变化或修饰，均应落入本发明的保护范围之内。

Claims (10)

1.一种基于改进的核密度估计算法的实名制认证活体检测方法，其特征在于，所述基于改进的核密度估计算法的实名制认证活体检测方法包括有如下步骤：
S10、随机向活体提示一组动作，获取活体在提示下完成动作的随机动态视频；
S20、从随机动态视频中采集N张训练集图片构建训练集以及采集M张测试集图片构建测试集，N、M为预设常数；
S30、基于训练集和测试集，利用核密度估计算法计算训练集图片数据的概率密度函数；
S40、对训练集图片数据的概率密度函数进行滤波消噪；
S50、根据人体特征设置动态占比阈值，基于设定的动态占比阈值和滤波消噪后的训练集图片数据的概率密度函数判断所述随机动态视频是否为正常的动态视频；
S60、若随机动态视频为正常的动态视频，再对随机动态视频进行动作校验，若随机动态视频中识别到的各个动作及各个动作的先后顺序均正确，则动作校验通过，否则不通过。
2.如权利要求1所述的基于改进的核密度估计算法的实名制认证活体检测方法，其特征在于，所述步骤S10进一步包括有步骤：
S11、在检测到实名制认证操作时，随机产生一组随机动作数据；
S12、根据随机动作数据向活体提示一组动作；
S13、对活体进行拍摄，获取活体在提示下完成动作的随机动态视频。
3.如权利要求1所述的基于改进的核密度估计算法的实名制认证活体检测方法，其特征在于，所述步骤S20进一步包括有步骤：
S21、将随机动态视频按照总时长T进行N等分，得到N个时长为T/N的视频，然后采集每个时长为T/N的视频的中间帧的图片作为训练集图片；
S22、将随机动态视频按照总时长T进行M等分，得到M个时长为T/M的视频，然后采集每个时长为T/M的视频的中间帧的图片作为测试集图片。
4.如权利要求1所述的基于改进的核密度估计算法的实名制认证活体检测方法，其特征在于，所述步骤S30进一步包括有步骤：
S31、利用im2double函数将每个测试集图片的灰度图像转换为双精度的测试集图片数据T{a}，利用im2double函数将每个训练集图片的灰度图像转换为双精度的训练集图片数据A{i}；
S32、基于测试集图片数据T{a}和训练集图片数据A{i}，获取每个训练集图片数据与测试集图片数据的R，G，B三个维度差值：
Figure FDA0004031996830000021
S33、计算每个训练集图片数据的核密度函数值，公式为：
Figure FDA0004031996830000022
S34、获取随机动态视频中图片的数据集合，得到图片的像素值，构造对应的零矩阵：zeros＝(m n)，其中，m，n分别为图片的像素矩阵值的大小；
S35、将零矩阵循环累加N个训练集图片数据的核密度函数值，计算训练集图片数据的概率密度函数：
f＝zeros+RGB(i)
Figure FDA0004031996830000023
其中，N为训练集图片的个数，h为带宽。
5.如权利要求4所述的基于改进的核密度估计算法的实名制认证活体检测方法，其特征在于，带宽h＝0.855。
6.如权利要求4所述的基于改进的核密度估计算法的实名制认证活体检测方法，其特征在于，在所述步骤S40中，采用中值滤波法对训练集图片数据的概率密度函数进行滤波消噪：Prb＝medfilt2(Pr,[3,3])。
7.如权利要求6所述的基于改进的核密度估计算法的实名制认证活体检测方法，其特征在于，所述步骤S50进一步包括有步骤：
S51、根据五官在脸部的占比设置动态占比阈值Kbasic；
S52、基于设定的动态占比阈值Kbasic和滤波消噪后的训练集图片数据的概率密度函数选取基础像素点Rgbbasic：
Figure FDA0004031996830000031
S53、估算随机动态视频中每帧图片的像素点超过基础像素点的概率K，若K大于等于动态占比阈值，则判定随机动态视频为正常的动态视频，否则，判定随机动态视频为异常动态视频。
8.如权利要求7所述的基于改进的核密度估计算法的实名制认证活体检测方法，其特征在于，所述步骤S53进一步包括有步骤：
S531、计算训练集中像素点低于基础像素点的18％的训练集图片的占比，设为krgb；
S532、计算测试集中每张测试集照片的像素点低于基础像素点的18％的概率
Figure FDA0004031996830000032
S533、利用K'rgb估计整个随机动态视频中每帧图片的像素点超过基础像素点的概率K；
S534、若K大于等于动态占比阈值，则判定随机动态视频为正常的动态视频，否则，判定随机动态视频为异常动态视频。
9.如权利要求7所述的基于改进的核密度估计算法的实名制认证活体检测方法，其特征在于，所述步骤S51进一步包括：根据眼睛加嘴唇在脸部的占比设置动态占比阈值Kbasic。
10.如权利要求9所述的基于改进的核密度估计算法的实名制认证活体检测方法，其特征在于，Kbasic＝0.18。
CN202211735372.XA 2022-12-30 2022-12-30 基于改进的核密度估计算法的实名制认证活体检测方法 Pending CN116071834A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211735372.XA CN116071834A (zh) 2022-12-30 2022-12-30 基于改进的核密度估计算法的实名制认证活体检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211735372.XA CN116071834A (zh) 2022-12-30 2022-12-30 基于改进的核密度估计算法的实名制认证活体检测方法

Publications (1)

Publication Number Publication Date
CN116071834A true CN116071834A (zh) 2023-05-05

Family

ID=86172693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211735372.XA Pending CN116071834A (zh) 2022-12-30 2022-12-30 基于改进的核密度估计算法的实名制认证活体检测方法

Country Status (1)

Country Link
CN (1) CN116071834A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741070A (zh) * 2024-02-21 2024-03-22 山东多瑞电子科技有限公司 基于深度学习的气体安全智能检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741070A (zh) * 2024-02-21 2024-03-22 山东多瑞电子科技有限公司 基于深度学习的气体安全智能检测方法
CN117741070B (zh) * 2024-02-21 2024-05-03 山东多瑞电子科技有限公司 基于深度学习的气体安全智能检测方法

Similar Documents

Publication Publication Date Title
WO2021184894A1 (zh) 一种去模糊的人脸识别方法、系统和一种巡检机器人
Hsu et al. Video forgery detection using correlation of noise residue
JP5390943B2 (ja) 画像処理装置及び画像処理方法
US11600025B2 (en) Image processing method, image processing apparatus, image processing system, and learnt model manufacturing method
WO2015184208A1 (en) Constant bracketing for high dynamic range operations (chdr)
US20200285901A1 (en) Image processing method, image processing apparatus, storage medium, image processing system, and manufacturing method of learnt model
JP2004357277A (ja) デジタル画像処理方法
CN111161178A (zh) 基于生成式对抗网络的单幅低光图像增强方法
CN110232670B (zh) 一种基于高低频分离的图像视觉效果增强的方法
US9525866B1 (en) Building a digital camera fingerprint from cropped or corrupted images
Hu et al. Source camera identification using large components of sensor pattern noise
CN110458792B (zh) 人脸图像质量的评价方法及装置
CN110728705B (zh) 图像处理方法、装置、存储介质及电子设备
TWI399971B (zh) 降低數位影像雜訊的方法及其電子裝置
CN116071834A (zh) 基于改进的核密度估计算法的实名制认证活体检测方法
TW201822708A (zh) 動態影像之心率活動偵測系統與其方法
CN111696064B (zh) 图像处理方法、装置、电子设备及计算机可读介质
JP7268725B2 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
CN114820394A (zh) 一种基于稳健参数估计的图像噪点滤波方法及装置
CN106851140A (zh) 一种使用空域平滑滤波的数字照片图像来源识别方法
CN112507818B (zh) 一种基于近红外图像的光照估计方法及系统
Gupta et al. Improving performance of source-camera identification by suppressing peaks and eliminating low-frequency defects of reference SPN
CN111476741B (zh) 图像的去噪方法、装置、电子设备和计算机可读介质
Chen et al. A study on the photo response non-uniformity noise pattern based image forensics in real-world applications
CN110136085B (zh) 一种图像的降噪方法及装置

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