CN116311467A - 一种基于人脸识别的身份验证处理方法及装置 - Google Patents

一种基于人脸识别的身份验证处理方法及装置 Download PDF

Info

Publication number
CN116311467A
CN116311467A CN202310318678.3A CN202310318678A CN116311467A CN 116311467 A CN116311467 A CN 116311467A CN 202310318678 A CN202310318678 A CN 202310318678A CN 116311467 A CN116311467 A CN 116311467A
Authority
CN
China
Prior art keywords
face
features
image
detection frame
layer
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
CN202310318678.3A
Other languages
English (en)
Inventor
黄娜
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310318678.3A priority Critical patent/CN116311467A/zh
Publication of CN116311467A publication Critical patent/CN116311467A/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
    • G06V40/10—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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Medical Informatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于人脸识别的身份验证处理方法及装置，涉及深度学习技术领域，可用于金融领域或其他技术领域。所述方法包括：获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。所述装置执行上述方法。本发明实施例提供的基于人脸识别的身份验证处理方法及装置，能够提高化妆人脸识别的准确率，进而提高基于人脸身份验证的效率。

Description

一种基于人脸识别的身份验证处理方法及装置
技术领域
本发明涉及深度学习技术领域，具体涉及一种基于人脸识别的身份验证处理方法及装置。
背景技术
身份验证是银行业务流程中必要的一项，普通业务通常由客户输入密码来进行身份验证，而复杂业务或金额较大的业务通常需要人脸比对方法来对客户身份进行验证。人脸比对是指对两张图像中的人脸部分进行比对，判断两张人脸的相似程度，得出人脸相似度评分，如果评分超过一定阈值，则判断是同一人，可以继续办理业务；如果评分超不过阈值，则判断不是同一人，不可继续办理业务。
在实际生活中，前往银行办理业务的客户现场拍摄照片，通常带妆、佩戴饰品或变换发型，妆容、饰品及发型会对人脸造成不同程度的遮挡，使其与身份证等作为比对基准的照片相比，相似度评分较低，与实际情况不符，影响身份验证。
银行目前的身份验证流程，将客户现场照片与身份证照片进行人脸比对，相似度达90％以上视为同一人，通过验证，可继续办理业务；如相似度不达标，无法通过验证，则需要提供其他辅助证件(例如医保卡、驾驶证等)证明身份。如果客户没有通过人脸比对，又没有携带其他辅助身份证件，则难以进行身份验证，无法继续办理业务。
现有的基于生成的人脸比对、人脸识别等方法，多数集中于针对极端角度的人脸图像或模糊人脸图像，生成正视角度的清晰人脸，再将生成的人脸图像放入判别器进行判断，虽生成网络同样适用于化妆人脸，但并没有专门考虑化妆对人脸比对及识别造成的影响，对于化妆人脸的识别效果并不好。
发明内容
针对现有技术中的问题，本发明实施例提供一种基于人脸识别的身份验证处理方法及装置，能够至少部分地解决现有技术中存在的问题。
一方面，本发明提出一种基于人脸识别的身份验证处理方法，包括：
获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；
根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；
将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
其中，所述根据所述待验证人脸图像进行特征提取，包括：
提取所述待验证人脸图像的各层人脸浅层特征和人脸深层特征；
将所述人脸深层特征分别加入各高层人脸浅层特征中，得到各高层融合特征；其中，各高层人脸浅层特征为剔除首层人脸浅层特征后保留的各层人脸浅层特征；
对各高层融合特征中的最高层融合特征再次进行特征提取，得到各高层深度融合特征。
其中，所述根据提取到的特征对人脸检测框进行微调，包括：
基于所述各高层深度融合特征和预设人脸检测框微调模型对人脸检测框的四个端点的坐标进行数值调整，得到与所述四个端点分别对应的坐标调整值；
其中，所述预设人脸检测框微调模型包括依次串联的三个卷积层和一个全连接层；
根据各坐标调整值对所述人脸检测框进行微调，得到微调后的人脸检测框。
其中，所述基于所述各高层深度融合特征和预设人脸检测框微调模型对人脸检测框的四个端点的坐标进行数值调整，包括：
使用所述人脸检测框在所述各高层深度融合特征中截取对应特征片段；
基于所述预设人脸检测框微调模型输出的各坐标调整值。
其中，所述根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像，包括：
使用所述微调后的人脸检测框从所述提取到的特征中截取目标特征片段；所述目标特征片段包括各高层深度融合特征和各层人脸浅层特征；
基于预设妆容分离模型对各高层深度融合特征和各层人脸浅层特征分别进行图像分辨率调整，并将调整分辨率后的两类特征进行拼接；
对拼接后的特征进行特征尺寸和通道数调整，得到中间特征，对所述中间特征进行两次深度可分离卷积操作，得到注意力权重，将所述注意力权重与所述中间特征相乘得到妆容图层特征；
将所述中间特征减去所述妆容图层特征，并对相减结果进行提高特征分辨率操作和降低通道维度操作，得到素颜人脸图像；
其中，所述预设妆容分离模型包括上采样模型单元和妆容分离模型单元；
所述上采样模型单元包括并行连接的第一通道和第二通道；
所述第一通道包括两个串联的转置卷积层，用于对各高层深度融合特征图像分辨率进行调整；
所述第二通道包括一个转置卷积层，用于对各层人脸浅层特征进行图像分辨率进行调整；
在所述第一通道和所述第二通道末端包括两个串联的转置卷积层，用于对拼接后的特征进行特征尺寸和通道数调整，得到所述中间特征；
所述妆容分离模型单元包括两个串联的深度可分离卷积层，用于得到妆容图层特征；
在得到所述相减结果后所述上采样模型单元还包括三个串联的转置卷积层，用于提高特征分辨率、降低通道维度，得到素颜人脸图像。
其中，所述基于人脸识别的身份验证处理方法还包括：
所述预设人脸检测框微调模型预先通过第一损失函数训练得到；
所述第一损失函数为平滑损失函数L1。
其中，所述基于人脸识别的身份验证处理方法还包括：
所述预设妆容分离模型预先通过第二损失函数训练得到；
所述第二损失函数由感知损失函数与均方误差函数相加得到。
一方面，本发明提出一种基于人脸识别的身份验证处理装置，包括：
获取单元，用于获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；
分离单元，用于根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；
验证单元，用于将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
再一方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；
根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；
将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；
根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；
将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
本发明实施例提供的基于人脸识别的身份验证处理方法及装置，获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果，能够提高化妆人脸识别的准确率，进而提高基于人脸身份验证的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。在附图中：
图1是本发明一实施例提供的基于人脸识别的身份验证处理方法的流程示意图。
图2是本发明另一实施例提供的基于人脸识别的身份验证处理方法的流程示意图。
图3是本发明实施例提供的预测阶段模型整体结构图。
图4是本发明实施例提供的预测阶段Adjust结构图。
图5是本发明实施例提供的预测阶段Fack photo generator结构图。
图6是本发明实施例提供的预测阶段Discriminator结构图。
图7是本发明实施例提供的训练阶段模型整体结构图。
图8是本发明实施例提供的训练阶段Adjust结构图。
图9是本发明实施例提供的训练阶段Fack photo generator结构图。
图10是本发明实施例提供的训练阶段Discriminator结构图。
图11是本发明一实施例提供的基于人脸识别的身份验证处理装置的结构示意图。
图12为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
相关术语说明：
ResNet-101：一个主干网络，用于提取特征。
FPN：特征金字塔网络，用于将神经网络中深层语义信息融入浅层特征。
RPN：区域生成网络(RegionProposal Network)，用于在检测任务中生成候选框。
RoiAlign：一种框体截取特征区域的算法。
图1是本发明一实施例提供的基于人脸识别的身份验证处理方法的流程示意图，如图1所示，本发明实施例提供的基于人脸识别的身份验证处理方法，包括：
步骤S1：获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像。
步骤S2：根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像。
步骤S3：将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
在上述步骤S1中，装置获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像。装置可以是执行该方法的计算机设备，例如可以包括服务器。需要说明是，本发明实施例涉及数据的获取及分析是经客户授权的。
如图2所示，对本发明实施例提供的基于人脸识别的身份验证处理方法整体流程说明如下：
银行员工使用高拍仪为客户拍摄人脸照片，对图像进行预处理，包括调整尺寸等操作，主干网络进行特征提取，使用人脸轮廓、纹理、语义等特征进行人脸检测，对检测到的人脸“卸妆”，生成素颜人脸图像，并与素颜证件照进行比对，获得相似度评分。
如图3所示，对整体模型的预测阶段进行说明：在对待验证人脸图像进行特征提取之前，可以先对待验证人脸图像进行预处理，然后再提取特征，如图3所示，C1-C5对应分别人脸浅层特征，C2为C1的上一层，每一个人脸浅层特征对应三个数值，以C1为例，前两个数值表示图像分辨率28×28，后一个数值表示通道数为512。
所述根据所述待验证人脸图像进行特征提取，包括：
提取所述待验证人脸图像的各层人脸浅层特征和人脸深层特征；如图3所示，各层人脸浅层特征包括C1-C5，人脸深层特征为语义特征，例如人脸中的具体部位，包括眼睛、鼻子和嘴等的语义描述。
将所述人脸深层特征分别加入各高层人脸浅层特征中，得到各高层融合特征；其中，各高层人脸浅层特征为剔除首层人脸浅层特征后保留的各层人脸浅层特征；如图3所示，剔除首层人脸浅层特征C1，保留的各高层人脸浅层特征为C2-C5，将人脸深层特征加入到C2-C5中，得到各高层融合特征为P2-P5。
对各高层融合特征中的最高层融合特征再次进行特征提取，得到各高层深度融合特征。各高层融合特征中的最高层融合特征为P5，对P5再次进行特征提取，得到P6，各高层深度融合特征为P2-P6。
需要说明的是，在实际办理业务中，银行员工对客户进行身份验证时，拍摄范围内只有当前办理业务的一位客户，画面内只有一个人像且位置相对居中，这对于人脸检测来说，在获得初次人脸检测框后，第二次调整仅需微调检测框四角坐标位置即可，AdjustII对人脸检测框追加一次调整，以提高人脸检测的准确度。
所述根据提取到的特征对人脸检测框进行微调，包括：
基于所述各高层深度融合特征和预设人脸检测框微调模型对人脸检测框的四个端点的坐标进行数值调整，得到与所述四个端点分别对应的坐标调整值；如图4所示，各高层深度融合特征由Pn表示P2-P6。
所述基于所述各高层深度融合特征和预设人脸检测框微调模型对人脸检测框的四个端点的坐标进行数值调整，包括：
使用所述人脸检测框在所述各高层深度融合特征中截取对应特征片段；用RPN生成的初次人脸检测框RoIs，到FPN相应的输出特征P2-P6截取对应特征片段，截取方法不限于RoiAlign。
基于所述预设人脸检测框微调模型输出的各坐标调整值。将特征片段输入至预设人脸检测框微调模型，将预设人脸检测框微调模型的输出结果作为各坐标调整值，由于人脸检测框为矩形，矩形有四个端点，因此，各坐标调整值具体为矩形的四个端点分别对应的坐标调整值。
其中，所述预设人脸检测框微调模型包括依次串联的三个卷积层和一个全连接层；需要说明的是，本发明实施例的卷积层以及后续的转置卷积层等，后面都带有一个ReLu函数，这个ReLu函数与每个卷积层或转置卷积层一一对应，用于增加神经网络各层之间的非线性关系。
如图4所示，这三个卷积层的第一个卷积层为3x3卷积层，通道数：512，用于调整图像分辨率和通道数。
这三个卷积层的第二个卷积层为14x14卷积层，通道数：1024，也用于调整图像分辨率和通道数。
这三个卷积层的第三个卷积层为1x1卷积层，通道数：1024，通过三个连续的卷积层能够实现平滑的调整调整图像分辨率和通道数。
全连接层作用是输出1x1的各坐标调整值，即水平方向上两个调整值，竖直方向上两个调整值。
根据各坐标调整值对所述人脸检测框进行微调，得到微调后的人脸检测框。即通过调整上述四个端点分别对应的坐标位置，实现对人脸检测框进行微调。
在上述步骤S2中，装置根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像。所述根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像，包括：
使用所述微调后的人脸检测框从所述提取到的特征中截取目标特征片段；所述目标特征片段包括各高层深度融合特征和各层人脸浅层特征；如图5所示，对预设妆容分离模型说明如下：
其中，所述预设妆容分离模型包括上采样模型单元(对应图5中的Upsampling)和妆容分离模型单元(对应图5中的Makeup)；上采样模型单元主要作用是恢复分辨率，妆容分离模型单元主要作用是提取妆容图层特征，通过注意力机制引导特征提取。
所述上采样模型单元包括并行连接的第一通道和第二通道；
所述第一通道包括两个串联的转置卷积层，用于对各高层深度融合特征图像分辨率进行调整；第一通道中的两个转置卷积层实现将分辨率调整至28×28，通道数调整至512。
所述第二通道包括一个转置卷积层，用于对各层人脸浅层特征进行图像分辨率进行调整；第二通道中的一个转置卷积层实现将分辨率调整至28×28，通道数调整至512。
在所述第一通道和所述第二通道末端包括两个串联的转置卷积层，用于对拼接后的特征进行特征尺寸和通道数调整，得到所述中间特征；拼接对应图5中的concat，拼接后的特征为分辨率28×28和通道数1024。经过两次调整得到的中间特征为分辨率112×112和通道数256。
所述妆容分离模型单元包括两个串联的深度可分离卷积层，用于得到妆容图层特征；第一个深度可分离卷积层对中间特征进行Depthwise convolution操作以及ReLu函数激活，Depthwise convolution操作可以使特征不进行通道间的信息交互，只针对独立的通道特征。
第二个深度可分离卷积层对第一次深度可分离操作结果进行Depthwiseconvolution操作以及Sigmoid函数激活，生成注意力权重，将注意力权重与中间特征相乘，得到妆容图层特征，然后再由中间特征减去妆容图层特征，得到相减结果。
在得到所述相减结果后所述上采样模型单元还包括三个串联的转置卷积层，用于提高特征分辨率、降低通道维度，得到素颜人脸图像。如图5所示，将通道数调整为3，得到了素颜人脸图像，即Fack photo。
预设妆容分离模型对应图5中的Fack photo generator，使用微调后的人脸检测框从所述提取到的特征中截取各层人脸浅层特征C1-C5，以及各高层深度融合特征P2-P6。
基于预设妆容分离模型对各高层深度融合特征和各层人脸浅层特征分别进行图像分辨率调整，并将调整分辨率后的两类特征进行拼接；可参照上述说明。
对拼接后的特征进行特征尺寸和通道数调整，得到中间特征，对所述中间特征进行两次深度可分离卷积操作，得到注意力权重，将所述注意力权重与所述中间特征相乘得到妆容图层特征；可参照上述说明。
将所述中间特征减去所述妆容图层特征，并对相减结果进行提高特征分辨率操作和降低通道维度操作，得到素颜人脸图像；可参照上述说明。
在上述步骤S3中，装置将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。基准人脸图像可以是身份证照片对应图2中的IDphoto，图像相似度基于Discrominator模型实现。
如图6所示，对Discrominator模型说明如下：
首先基准人脸图像需要进行人脸检测处理，任意人脸检测方法皆可，获得尺寸同为448×448×3的人脸图像。
将生成的素颜人脸图像和基准人脸图像拼接，参考ResNet-101，利用Conv-block和Identity-block两个模块，重复操作6次，得到特征尺寸为：7×7，通道数：1024；一层7×7×1204卷积操作，ReLu函数激活，输出特征尺寸：1×1，通道数：1024；一层1×1×1024卷积操作，ReLu函数激活，输出特征尺寸不变；全连接层Dense，Nums_classes为分类数，在此是二分类问题，由Softmax函数激活，获得人脸相似度评分。
所述基于人脸识别的身份验证处理方法还包括：
所述预设人脸检测框微调模型预先通过第一损失函数训练得到；
所述第一损失函数为平滑损失函数L1。
所述基于人脸识别的身份验证处理方法还包括：
所述预设妆容分离模型预先通过第二损失函数训练得到；
所述第二损失函数由感知损失函数与均方误差函数(Mean Square Error,MSE)相加得到。
如图7所示，训练集为带妆人脸照片以及对应的素颜证件照，一张带妆人脸照片对应一张素颜证件照，每张照片对应一张人脸二值图，人脸部分值为1，其余部分值为0，即人脸部分为白色，其余部分为黑色，用于计算人脸检测位置坐标。图7与图3的大部分内容相同，不再赘述，区别部分仅在于训练的损失函数部分，与RPN对应的损失函数为Loss_RPN，与AdjustII对应的损失函数为Loss_Adjust，即第一损失函数，与预设妆容分离模型对应的损失函数为Loss_G，即第二损失函数，与Discrominator模型对应的损失函数为Loss_D。
AdjustII的损失函数表达式如下：
Figure BDA0004150958680000111
Lreg(ci,ci *)＝∑smoothL1(ci-ci *)
Figure BDA0004150958680000112
其中，ci是网络预测调整值，ci *是目标集中的真实调整值，x1和x2表示框体水平方向的坐标调整值，y1和y2表示框体竖直方向的坐标调整值，λ表示损失函数权重，Nreg表示样本总数，损失计算为四个调整值的smoothL1损失和。关于相应的目标集由计算得到，具体为实际人脸位置坐标减去RoIs相应位置坐标。
图8中的Loss_Adjust可以参照上述说明，其余部分可以参照图4相关说明。
图9中的MSE可以参照上述说明，其中，证件照同级特征是证件照片经过相同卷积网络计算所得，不参与网络训练，将证件照同级特征和去除妆容的特征计算感知损失函数，是为深度监督以提高素颜特征的准确性，其余部分可以参照图5相关说明。
图10中的损失函数部分不再赘述，其余部分可以参照图6相关说明。
本发明实施例提供的基于人脸识别的身份验证处理方法，获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果，能够提高化妆人脸识别的准确率，进而提高基于人脸身份验证的效率。
进一步地，所述根据所述待验证人脸图像进行特征提取，包括：
提取所述待验证人脸图像的各层人脸浅层特征和人脸深层特征；可参照上述实施例说明，不再赘述。
将所述人脸深层特征分别加入各高层人脸浅层特征中，得到各高层融合特征；其中，各高层人脸浅层特征为剔除首层人脸浅层特征后保留的各层人脸浅层特征；可参照上述实施例说明，不再赘述。
对各高层融合特征中的最高层融合特征再次进行特征提取，得到各高层深度融合特征。可参照上述实施例说明，不再赘述。
本发明实施例提供的基于人脸识别的身份验证处理方法，提取各高层深度融合特征，能够提高图像识别的精细度。
进一步地，所述根据提取到的特征对人脸检测框进行微调，包括：
基于所述各高层深度融合特征和预设人脸检测框微调模型对人脸检测框的四个端点的坐标进行数值调整，得到与所述四个端点分别对应的坐标调整值；可参照上述实施例说明，不再赘述。
其中，所述预设人脸检测框微调模型包括依次串联的三个卷积层和一个全连接层；可参照上述实施例说明，不再赘述。
根据各坐标调整值对所述人脸检测框进行微调，得到微调后的人脸检测框。可参照上述实施例说明，不再赘述。
本发明实施例提供的基于人脸识别的身份验证处理方法，通过微调人脸检测框，能够提高身份验证的准确性。
进一步地，所述基于所述各高层深度融合特征和预设人脸检测框微调模型对人脸检测框的四个端点的坐标进行数值调整，包括：
使用所述人脸检测框在所述各高层深度融合特征中截取对应特征片段；可参照上述实施例说明，不再赘述。
基于所述预设人脸检测框微调模型输出的各坐标调整值。可参照上述实施例说明，不再赘述。
本发明实施例提供的基于人脸识别的身份验证处理方法，通过预设人脸检测框微调模型输出各坐标调整值，能够提高数值调整的处理效率。
进一步地，所述根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像，包括：
使用所述微调后的人脸检测框从所述提取到的特征中截取目标特征片段；所述目标特征片段包括各高层深度融合特征和各层人脸浅层特征；可参照上述实施例说明，不再赘述。
基于预设妆容分离模型对各高层深度融合特征和各层人脸浅层特征分别进行图像分辨率调整，并将调整分辨率后的两类特征进行拼接；可参照上述实施例说明，不再赘述。
对拼接后的特征进行特征尺寸和通道数调整，得到中间特征，对所述中间特征进行两次深度可分离卷积操作，得到注意力权重，将所述注意力权重与所述中间特征相乘得到妆容图层特征；可参照上述实施例说明，不再赘述。
将所述中间特征减去所述妆容图层特征，并对相减结果进行提高特征分辨率操作和降低通道维度操作，得到素颜人脸图像；可参照上述实施例说明，不再赘述。
其中，所述预设妆容分离模型包括上采样模型单元和妆容分离模型单元；可参照上述实施例说明，不再赘述。
所述上采样模型单元包括并行连接的第一通道和第二通道；可参照上述实施例说明，不再赘述。
所述第一通道包括两个串联的转置卷积层，用于对各高层深度融合特征图像分辨率进行调整；可参照上述实施例说明，不再赘述。
所述第二通道包括一个转置卷积层，用于对各层人脸浅层特征进行图像分辨率进行调整；可参照上述实施例说明，不再赘述。
在所述第一通道和所述第二通道末端包括两个串联的转置卷积层，用于对拼接后的特征进行特征尺寸和通道数调整，得到所述中间特征；可参照上述实施例说明，不再赘述。
所述妆容分离模型单元包括两个串联的深度可分离卷积层，用于得到妆容图层特征；可参照上述实施例说明，不再赘述。
在得到所述相减结果后所述上采样模型单元还包括三个串联的转置卷积层，用于提高特征分辨率、降低通道维度，得到素颜人脸图像。可参照上述实施例说明，不再赘述。
本发明实施例提供的基于人脸识别的身份验证处理方法，能够准确获取妆容图层特征，并通过分离妆容图层特征，提高素颜人脸图像的准确度。
进一步地，所述基于人脸识别的身份验证处理方法还包括：
所述预设人脸检测框微调模型预先通过第一损失函数训练得到；
所述第一损失函数为平滑损失函数L1。可参照上述实施例说明，不再赘述。
本发明实施例提供的基于人脸识别的身份验证处理方法，能够提高预设人脸检测框微调模型的训练效率。
进一步地，所述基于人脸识别的身份验证处理方法还包括：
所述预设妆容分离模型预先通过第二损失函数训练得到；
所述第二损失函数由感知损失函数与均方误差函数相加得到。可参照上述实施例说明，不再赘述。
本发明实施例提供的基于人脸识别的身份验证处理方法，能够提高预设妆容分离模型的训练效率。
需要说明的是，本发明实施例提供的基于人脸识别的身份验证处理方法可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对基于人脸识别的身份验证处理方法的应用领域不做限定。
图11是本发明一实施例提供的基于人脸识别的身份验证处理装置的结构示意图，如图11所示，本发明实施例提供的基于人脸识别的身份验证处理装置，包括获取模块1101、分离单元1102和验证单元1103，其中：
获取单元1101用于获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；分离单元1102用于根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；验证单元1103用于将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
具体的，装置中的获取单元1101用于获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；分离单元1102用于根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；验证单元1103用于将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
本发明实施例提供的基于人脸识别的身份验证处理装置，获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果，能够提高化妆人脸识别的准确率，进而提高基于人脸身份验证的效率。
进一步地，所述获取单元1101具体用于：
提取所述待验证人脸图像的各层人脸浅层特征和人脸深层特征；
将所述人脸深层特征分别加入各高层人脸浅层特征中，得到各高层融合特征；其中，各高层人脸浅层特征为剔除首层人脸浅层特征后保留的各层人脸浅层特征；
对各高层融合特征中的最高层融合特征再次进行特征提取，得到各高层深度融合特征。
本发明实施例提供的基于人脸识别的身份验证处理装置，提取各高层深度融合特征，能够提高图像识别的精细度。
进一步地，所述获取单元1101还具体用于：
基于所述各高层深度融合特征和预设人脸检测框微调模型对人脸检测框的四个端点的坐标进行数值调整，得到与所述四个端点分别对应的坐标调整值；
其中，所述预设人脸检测框微调模型包括依次串联的三个卷积层和一个全连接层；
根据各坐标调整值对所述人脸检测框进行微调，得到微调后的人脸检测框。
本发明实施例提供的基于人脸识别的身份验证处理装置，通过微调人脸检测框，能够提高身份验证的准确性。
进一步地，所述获取单元1101还具体用于：
使用所述人脸检测框在所述各高层深度融合特征中截取对应特征片段；
基于所述预设人脸检测框微调模型输出的各坐标调整值。
本发明实施例提供的基于人脸识别的身份验证处理装置，通过预设人脸检测框微调模型输出各坐标调整值，能够提高数值调整的处理效率。
进一步地，所述分离单元1102还具体用于：
使用所述微调后的人脸检测框从所述提取到的特征中截取目标特征片段；所述目标特征片段包括各高层深度融合特征和各层人脸浅层特征；
基于预设妆容分离模型对各高层深度融合特征和各层人脸浅层特征分别进行图像分辨率调整，并将调整分辨率后的两类特征进行拼接；
对拼接后的特征进行特征尺寸和通道数调整，得到中间特征，对所述中间特征进行两次深度可分离卷积操作，得到注意力权重，将所述注意力权重与所述中间特征相乘得到妆容图层特征；
将所述中间特征减去所述妆容图层特征，并对相减结果进行提高特征分辨率操作和降低通道维度操作，得到素颜人脸图像；
其中，所述预设妆容分离模型包括上采样模型单元和妆容分离模型单元；
所述上采样模型单元包括并行连接的第一通道和第二通道；
所述第一通道包括两个串联的转置卷积层，用于对各高层深度融合特征图像分辨率进行调整；
所述第二通道包括一个转置卷积层，用于对各层人脸浅层特征进行图像分辨率进行调整；
在所述第一通道和所述第二通道末端包括两个串联的转置卷积层，用于对拼接后的特征进行特征尺寸和通道数调整，得到所述中间特征；
所述妆容分离模型单元包括两个串联的深度可分离卷积层，用于得到妆容图层特征；
在得到所述相减结果后所述上采样模型单元还包括三个串联的转置卷积层，用于提高特征分辨率、降低通道维度，得到素颜人脸图像。
本发明实施例提供的基于人脸识别的身份验证处理装置，能够准确获取妆容图层特征，并通过分离妆容图层特征，提高素颜人脸图像的准确度。
进一步地，所述基于人脸识别的身份验证处理装置还用于：
所述预设人脸检测框微调模型预先通过第一损失函数训练得到；
所述第一损失函数为平滑损失函数L1。
本发明实施例提供的基于人脸识别的身份验证处理装置，能够提高预设人脸检测框微调模型的训练效率。
进一步地，所述基于人脸识别的身份验证处理装置还用于：
所述预设妆容分离模型预先通过第二损失函数训练得到；
所述第二损失函数由感知损失函数与均方误差函数相加得到。
本发明实施例提供的基于人脸识别的身份验证处理装置，能够提高预设妆容分离模型的训练效率。
本发明实施例提供基于人脸识别的身份验证处理装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图12为本发明实施例提供的电子设备实体结构示意图，如图12所示，所述电子设备包括：处理器(processor)1201、存储器(memory)1202和总线1203；
其中，所述处理器1201、存储器1202通过总线1203完成相互间的通信；
所述处理器1201用于调用所述存储器1202中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；
根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；
将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；
根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；
将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：
获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；
根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；
将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
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、系统、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、设备(系统)、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。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人脸识别的身份验证处理方法，其特征在于，包括：
获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；
根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；
将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
2.根据权利要求1所述的基于人脸识别的身份验证处理方法，其特征在于，所述根据所述待验证人脸图像进行特征提取，包括：
提取所述待验证人脸图像的各层人脸浅层特征和人脸深层特征；
将所述人脸深层特征分别加入各高层人脸浅层特征中，得到各高层融合特征；其中，各高层人脸浅层特征为剔除首层人脸浅层特征后保留的各层人脸浅层特征；
对各高层融合特征中的最高层融合特征再次进行特征提取，得到各高层深度融合特征。
3.根据权利要求2所述的基于人脸识别的身份验证处理方法，其特征在于，所述根据提取到的特征对人脸检测框进行微调，包括：
基于所述各高层深度融合特征和预设人脸检测框微调模型对人脸检测框的四个端点的坐标进行数值调整，得到与所述四个端点分别对应的坐标调整值；
其中，所述预设人脸检测框微调模型包括依次串联的三个卷积层和一个全连接层；
根据各坐标调整值对所述人脸检测框进行微调，得到微调后的人脸检测框。
4.根据权利要求3所述的基于人脸识别的身份验证处理方法，其特征在于，所述基于所述各高层深度融合特征和预设人脸检测框微调模型对人脸检测框的四个端点的坐标进行数值调整，包括：
使用所述人脸检测框在所述各高层深度融合特征中截取对应特征片段；
基于所述预设人脸检测框微调模型输出的各坐标调整值。
5.根据权利要求2所述的基于人脸识别的身份验证处理方法，其特征在于，所述根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像，包括：
使用所述微调后的人脸检测框从所述提取到的特征中截取目标特征片段；所述目标特征片段包括各高层深度融合特征和各层人脸浅层特征；
基于预设妆容分离模型对各高层深度融合特征和各层人脸浅层特征分别进行图像分辨率调整，并将调整分辨率后的两类特征进行拼接；
对拼接后的特征进行特征尺寸和通道数调整，得到中间特征，对所述中间特征进行两次深度可分离卷积操作，得到注意力权重，将所述注意力权重与所述中间特征相乘得到妆容图层特征；
将所述中间特征减去所述妆容图层特征，并对相减结果进行提高特征分辨率操作和降低通道维度操作，得到素颜人脸图像；
其中，所述预设妆容分离模型包括上采样模型单元和妆容分离模型单元；
所述上采样模型单元包括并行连接的第一通道和第二通道；
所述第一通道包括两个串联的转置卷积层，用于对各高层深度融合特征图像分辨率进行调整；
所述第二通道包括一个转置卷积层，用于对各层人脸浅层特征进行图像分辨率进行调整；
在所述第一通道和所述第二通道末端包括两个串联的转置卷积层，用于对拼接后的特征进行特征尺寸和通道数调整，得到所述中间特征；
所述妆容分离模型单元包括两个串联的深度可分离卷积层，用于得到妆容图层特征；
在得到所述相减结果后所述上采样模型单元还包括三个串联的转置卷积层，用于提高特征分辨率、降低通道维度，得到素颜人脸图像。
6.根据权利要求3所述的基于人脸识别的身份验证处理方法，其特征在于，所述基于人脸识别的身份验证处理方法还包括：
所述预设人脸检测框微调模型预先通过第一损失函数训练得到；
所述第一损失函数为平滑损失函数L1。
7.根据权利要求5所述的基于人脸识别的身份验证处理方法，其特征在于，所述基于人脸识别的身份验证处理方法还包括：
所述预设妆容分离模型预先通过第二损失函数训练得到；
所述第二损失函数由感知损失函数与均方误差函数相加得到。
8.一种基于人脸识别的身份验证处理装置，其特征在于，包括：
获取单元，用于获取待验证人脸图像，根据所述待验证人脸图像进行特征提取，并根据提取到的特征对人脸检测框进行微调；所述待验证人脸图像为包含已化妆用户人脸的图像；
分离单元，用于根据微调后的人脸检测框、所述提取到的特征提取妆容特征，并分离出所述妆容特征，得到素颜人脸图像；
验证单元，用于将所述素颜人脸图像与基准人脸图像进行图像相似度对比，得到基于人脸识别的身份验证结果。
9.一种电子设备，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7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
CN202310318678.3A 2023-03-28 2023-03-28 一种基于人脸识别的身份验证处理方法及装置 Pending CN116311467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310318678.3A CN116311467A (zh) 2023-03-28 2023-03-28 一种基于人脸识别的身份验证处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310318678.3A CN116311467A (zh) 2023-03-28 2023-03-28 一种基于人脸识别的身份验证处理方法及装置

Publications (1)

Publication Number Publication Date
CN116311467A true CN116311467A (zh) 2023-06-23

Family

ID=86784942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310318678.3A Pending CN116311467A (zh) 2023-03-28 2023-03-28 一种基于人脸识别的身份验证处理方法及装置

Country Status (1)

Country Link
CN (1) CN116311467A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789272A (zh) * 2023-12-26 2024-03-29 中邮消费金融有限公司 身份验证方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789272A (zh) * 2023-12-26 2024-03-29 中邮消费金融有限公司 身份验证方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Yuan et al. Fingerprint liveness detection using an improved CNN with image scale equalization
US9454700B2 (en) Feature extraction and matching for biometric authentication
Cament et al. Fusion of local normalization and Gabor entropy weighted features for face identification
Barbu Gabor filter-based face recognition technique
CN111967427A (zh) 一种伪造人脸视频鉴别方法、系统和可读存储介质
US9202109B2 (en) Method, apparatus and computer readable recording medium for detecting a location of a face feature point using an Adaboost learning algorithm
CN107871103B (zh) 一种人脸认证方法和装置
CN113614731A (zh) 使用软生物特征的认证验证
HN et al. Human Facial Expression Recognition from static images using shape and appearance feature
CN110599187A (zh) 一种基于人脸识别的支付方法、装置、计算机设备和存储介质
KR20180006284A (ko) 홍채 이미지 부호화를 위한 적응적 양자화 방법
CN116311467A (zh) 一种基于人脸识别的身份验证处理方法及装置
Maw et al. Face recognition based on illumination invariant techniques model
Praveenbalaji et al. ID photo verification by face recognition
Mráček et al. 3D face recognition on low-cost depth sensors
Borah et al. ANN based human facial expression recognition in color images
Solomon Face Anti-Spoofing and Deep Learning Based Unsupervised Image Recognition Systems
Geetha et al. 3D face recognition using Hadoop
Al Daoud Enhancement of the face recognition using a modified Fourier-Gabor filter
CN111428670B (zh) 人脸检测方法、装置、存储介质及设备
CN111191519B (zh) 一种用于移动供电装置用户接入的活体检测方法
Dhavale Robust iris recognition based on statistical properties of Walsh Hadamard transform domain
Harakannanavar et al. Performance evaluation of face recognition based on multiple feature descriptors using Euclidean distance classifier
Gnanasivam et al. Ear and fingerprint biometrics for personal identification
Zhilali et al. Face Recognition Using Local Binary Pattern (LBP) and Local Enhancement (LE) Methods At Night Period

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