CN116486202A - 活体人脸检测模型的训练样本确定方法及装置、设备 - Google Patents

活体人脸检测模型的训练样本确定方法及装置、设备 Download PDF

Info

Publication number
CN116486202A
CN116486202A CN202310405412.2A CN202310405412A CN116486202A CN 116486202 A CN116486202 A CN 116486202A CN 202310405412 A CN202310405412 A CN 202310405412A CN 116486202 A CN116486202 A CN 116486202A
Authority
CN
China
Prior art keywords
face image
face
feature vector
gradient
image
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
CN202310405412.2A
Other languages
English (en)
Inventor
隋孟君
刘琛
田昌英
杨凯
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.)
Inspur Cloud Information Technology Co Ltd
Original Assignee
Inspur Cloud 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 Inspur Cloud Information Technology Co Ltd filed Critical Inspur Cloud Information Technology Co Ltd
Priority to CN202310405412.2A priority Critical patent/CN116486202A/zh
Publication of CN116486202A publication Critical patent/CN116486202A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/80—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
    • 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
    • G06V40/10—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
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种活体人脸检测模型的训练样本确定方法及装置、设备，方法包括：采用近红外摄像机获取近红外人脸视频，检测所述近红外人脸视频中是否存在人脸图像；若是，则对所述人脸图像进行方向梯度直方图处理，得到第一特征向量；对所述人脸图像进行高斯模糊处理，得到第一处理图像，并对所述第一处理图像进行方向梯度直方图处理，得到第二特征向量；将所述第一特征向量和所述第二特征向量进行串联融合，得到所述人脸图像对应的特征向量；根据所述人脸图像对应的特征向量，形成所述活体人脸检测模型的一个训练样本。利用本发明实施例确定的训练样本进行模型训练，训练得到的模型在应用时不需要用户主动配合，所需时间也比较短。

Description

活体人脸检测模型的训练样本确定方法及装置、设备
技术领域
本发明涉及人脸检测技术领域，尤其是涉及一种活体人脸检测模型的训练样本确定方法及装置、设备。
背景技术
近年来，人脸识别技术的发展尤为迅速，已成为生物识别领域的重要技术之一，例如，企业考勤签到系统、住宅小区的门禁系统等。与此同时，也存在非法用户使用照片、视频或面具等伪装人脸对人脸识别系统进行攻击的问题。因此如何高效的辨别人脸的真实性，抵御欺骗攻击，以确保安全性是目前亟待解决的问题。
目前，常见的活体人脸检测方法主要是采用人机交互的方式，使用者需要完成指定动作，例如，眨眼、张嘴、左右摇头或者说出一串特定数字等，人脸识别系统通过分析用户的动作，检测使用者是否为真人。交互式方法检测所需的时间过长，且需要用户主动配合，用户体验较差。
发明内容
针对以上至少一个技术问题，本发明实施例提供一种活体人脸检测模型的训练样本确定方法及装置、设备。
根据第一方面，本发明实施例提供的活体人脸检测模型的训练样本确定方法，包括：
采用近红外摄像机获取近红外人脸视频，并采用人脸检测技术检测所述近红外人脸视频中是否存在人脸图像；
若是，则对所述人脸图像进行方向梯度直方图处理，得到第一特征向量；对所述人脸图像进行高斯模糊处理，得到第一处理图像，并对所述第一处理图像进行方向梯度直方图处理，得到第二特征向量；
将所述第一特征向量和所述第二特征向量进行串联融合，得到所述人脸图像对应的特征向量；
根据所述人脸图像对应的特征向量，形成所述活体人脸检测模型的一个训练样本。
根据第二方面，本发明实施例提供的活体人脸检测模型的训练样本确定装置，包括：
第一检测模块，用于采用近红外摄像机获取近红外人脸视频，并采用人脸检测技术检测所述近红外人脸视频中是否存在人脸图像；
第一处理模块，用于若是，则对所述人脸图像进行方向梯度直方图处理，得到第一特征向量；对所述人脸图像进行高斯模糊处理，得到第一处理图像，并对所述第一处理图像进行方向梯度直方图处理，得到第二特征向量；
特征联合模块，用于将所述第一特征向量和所述第二特征向量进行串联融合，得到所述人脸图像对应的特征向量；
样本确定模块，用于根据所述人脸图像对应的特征向量，形成所述活体人脸检测模型的一个训练样本。
根据第三方面，本发明实施例提供计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行实现第一方面提供的方法。
根据第四方面，本发明实施例提供的计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面提供的方法。
本发明实施例提供的活体人脸检测模型的训练样本确定方法及装置、介质、设备，首先采用近红外摄像机获取近红外人脸视频，并采用人脸检测技术检测所述近红外人脸视频中是否存在人脸图像；若是，则对所述人脸图像进行方向梯度直方图处理，得到第一特征向量；对所述人脸图像进行高斯模糊处理，得到第一处理图像，并对所述第一处理图像进行方向梯度直方图处理，得到第二特征向量；将所述第一特征向量和所述第二特征向量进行串联融合，得到所述人脸图像对应的特征向量；根据所述人脸图像对应的特征向量，形成所述活体人脸检测模型的一个训练样本。利用近红外光下的成像特性，完全抵御住了表面光滑的相纸照片、塑封照片、电子屏幕成像等欺骗攻击。而且，从人脸视频中的人脸图像提取出第一特征向量和第二特征向量，得到两种纹理特征，通过两种纹理特征的融合来形成人脸图像的特征向量。利用真假人脸在近红外相机中成像质量之间的差异进行区分，针对真假人脸在近红外光下的成像质量不同的特点，区分真假人脸，具有响应较快，容易实现等优点。利用本发明实施例确定的训练样本进行模型训练，训练得到的模型在应用时不需要用户主动配合，所需时间也比较短。
附图说明
图1为本发明一实施例中活体人脸检测模型的训练样本确定方法的流程示意图；
图2是真假人脸经过伽马光照校正后的对比图，左侧为真实人脸经过伽马光照校正后的图像，右侧为虚假人脸经过伽马光照校正后的图像；
图3是模糊梯度处理后的效果图；第一行为真实人脸，第二行为虚假人脸，左侧为原始的人脸图像，中间为经过高斯模糊处理后的第一处理图像，右侧为对第一处理图像进行方向梯度直方图处理后的图像。
具体实施方式
第一方面，本发明实施例提供一种活体人脸检测模型的训练样本确定样本确定方法，参见图1～3，该方法包括如下步骤S110～S140：
S110、采用近红外摄像机获取近红外人脸视频，并采用人脸检测技术检测所述近红外人脸视频中是否存在人脸图像；
在一个实施例中，所述近红外摄像机可以包括LED灯和采集模块，所述LED灯用于发射近红外射线，所述采集模块用于接收到物体所反射的近红外射线从而进行成像。
其中，LED灯可以为两列且设置在采集模块的四周，通过近红外摄像机采集的近红外人脸视频是物体或人脸接收到LED灯发射的近红外射线后反射回采集模块的近红外射线所成的像形成的视频，并非是人体或者物体自身发散的红外热辐射。
其中，近红外摄像机的近红外波长范围在760nm到1400nm。
其中，人脸检测技术可以根据需要选择，不限于Haar级联检测、Retinaface等人脸检测技术。
在获取近红外人脸视频后，采用人脸检测技术检测红外人脸视频中是否存在人脸。如果检测到人脸，需要执行S120。即便检测到人脸，有可能是打印的粗糙纸质的人脸图像，也有可能是面具人脸，未必一定是真实人脸。如果没有检测到人脸，则说明近红外人脸视频中的人脸是非活体人脸，因为在近红外光下表面光滑的相纸照片、塑封照片或电子屏幕等无法成像，所以无法提取到人脸坐标，因此可以直接判定为非活体人脸。
也就是说，在一个实施例中，本发明实施例提供的方法还可以包括：若未从所述人脸视频中检测出人脸图像，则确定所述人脸视频中不存在活体人脸。
S120、若是，则对所述人脸图像进行方向梯度直方图处理，得到第一特征向量；对所述人脸图像进行高斯模糊处理，得到第一处理图像，并对所述第一处理图像进行方向梯度直方图处理，得到第二特征向量；
也就是说，对于在S110中检测出的人脸图像，分别进行方向梯度直方图处理和高斯模糊处理，经过方向梯度直方图处理后得到方向梯度特征向量即第一特征向量，经过高斯模糊处理后得到第一处理图像，进一步对第一处理图像进行方向梯度直方图处理，得到模糊方向梯度特征向量即第二特征向量。
在一个实施例中，在对所述人脸图像进行方向梯度直方图处理和对所述人脸图像进行高斯模糊处理之前，还可以包括：对所述人脸图像进行伽马光照校正，得到校正后的人脸图像，并对所述校正后的人脸图像进行尺寸归一化处理，得到归一化的人脸图像。
对应的，所述对所述人脸图像进行方向梯度直方图处理，得到第一特征向量，包括：对所述归一化的人脸图像进行方向梯度直方图处理，得到第一特征向量；所述对所述人脸图像进行高斯模糊处理，得到第一处理图像，包括：对所述归一化的人脸图像进行高斯模糊处理，得到第一处理图像。
其中，对人脸图像进行伽马光照校正，可以降低图像的对比度，进而放大图片质量差异，便于进行特征提取。
进一步的，所述对所述人脸图像进行伽马光照校正，包括：采用第一公式对所述人脸图像进行伽马光照校正，所述第一公式为：
F(I)＝Iγ
其中，I为校正前的人脸图像的像素矩阵，F(I)为校正后的人脸图像的像素矩阵，γ为预设伽马值。
其中，γ可以根据需要设置，例如，设置为5。
其中，对校正后的人脸图像进行尺寸归一化处理，即，将校正后的图像的尺寸统一为规定的大小，例如，统一后的尺寸为32*32。
其中，对人脸图像进行方向梯度直方图处理和对第一处理图像进行方向梯度直方图处理的步骤是一样的，下面仅说明对人脸图像进行方向梯度直方图处理的过程。
在一个实施例中，所述对所述人脸图像进行方向梯度直方图处理，得到第一特征向量，可以包括如下步骤S1～S6：
S1、将所述人脸图像划分为N1*N1个子图，以使所述人脸图像中的不同器官位于不同的子图中；其中，N1为大于1的正整数；
例如，将N1取为4，这样就会将一个人脸图像划分为16个子图。
S2、针对每一个子图中的每一个像素点，计算对应的总梯度值和梯度方向值；
具体的，可以采用第二公式计算每一个像素点I(x，y)的总梯度值和梯度方向值，所述第二公式为：
其中，Gx(x,y)为像素点I(x，y)在水平方向上的梯度，Gy(x,y)为像素点I(x，y)在垂直方向上的梯度，M(x,y)为像素点I(x，y)的总梯度值，α(x,y)为像素点I(x，y)的梯度方向值。
其中，梯度方向值的取值范围在0°～360°。
S3、将0°～360°等值划分为N2个区间；其中，N2为大于1的正整数；
例如，将N2取10，也就是说，划分为10个等值区间。第一个区间的梯度方向值的取值范围为0°～36°，第二个区间的梯度方向值的取值范围为37°～72°，依次类推，得到每一个区间的梯度方向值的取值范围。
S4、针对每一个子图中梯度方向值位于每一个区间内的各个像素点，以对应的总梯度值为权重值，将该区间内的各个像素点的梯度方向值进行加权求和，得到该区间对应的梯度直方图分量；其中，每一个子图对应N2个梯度直方图分量；
S5、将每一个子图对应的N2个梯度直方图分量形成该子图对应的梯度直方图分量向量，并将各个子图对应的梯度直方图分量向量进行串联，得到所述人脸图像对应的方向梯度直方图向量；
例如，针对第一个子图中梯度方向值位于第一个区间内的各个像素点，将每一个像素点的总梯度值和梯度方向值相乘，得到一个乘积，将各个像素点对应的乘积求和，得到第一个子图中第一个区间对应的梯度直方图分量。由于一共划分了N2个区间，因此第一个子图对应N2个梯度直方图分量，将这N2个梯度直方图分量形成一个向量，得到第一个子图对应的梯度直方图分量向量。针对其它的子图也是如此。如果N1为4，则一共可以得到16个梯度直方图分量向量，将这16个梯度直方图分量向量串联起来，形成一个大向量，即所述人脸图像对应的方向梯度直方图向量。
S6、对所述方向梯度直方图向量进行范数标准化处理，得到所述第一特征。例如，对对所述方向梯度直方图向量进行L2范数标准化处理。
在一个实施例中，所述对所述人脸图像进行高斯模糊处理，得到第一处理图像，可以包括：选取高斯函数，所述高斯函数的高斯核取(3，3)，且在垂直方向和水平方向上的标准偏差均取3；利用所述高斯函数对所述人脸图像进行高斯模糊处理，得到第一处理图像。
例如，从OpenCV函数库中选取一个高斯函数，即Gaussian函数。
S130、将所述第一特征向量和所述第二特征向量进行串联融合，得到所述人脸图像对应的特征向量；
例如，第一特征向量为L1，第二特征向量为L2，将第一特征向量和第二特征向量进行串联后形成一个大的向量(L1,L2)，该向量为人脸图像对应的特征向量。
S140、根据所述人脸图像对应的特征向量，形成所述活体人脸检测模型的一个训练样本。
通过步骤S110～S130可以得到一个人脸图像的特征向量，然后将该特征向量进行标定，标定为真实人脸图像或者虚假人脸图像，从而得到一个标定后的训练样本。
通过这种方式可以得到多个训练样本，进而得到一个训练样本集，在训练样本集中包括真实人脸图像对应的特征向量和虚拟人脸图像对应的特征向量，且特征向量均为标定后的特征向量，增加训练样本的多样性。进而将训练样本集输入到以径向基为核函数的分类器进行模型训练，从而得到上述活体人脸检测模型。训练结束后，可以利用活体人脸检测模型对红外光下的人脸图像进行识别分类，判断是真实人脸还是虚假人脸。
在确定训练样本时，可以增加不同年龄段的个体数量，补充真实人脸和虚假人脸两种类型的人脸图像的特征向量，提高训练得到的模型的检测精度。
可理解的是，本发明实施例针对高分辨视频或照片极易攻破人脸识别系统的问题，采用了近红外光波长在的在760nm到1400nm之间的近红外摄像机，利用近红外摄像机下电子类产品和光滑纸面不能成像的特点，直接杜绝该类攻击方式，提高了检测的准确性。
可理解的是，本发明实施例采用了模糊梯度特征融合的方式，分别对原图和高斯模糊放大后的图像进行方向梯度直方图处理，得到两种纹理特征，通过两种纹理特征的融合来形成人脸图像的特征向量，从而使得训练得到的模型提高了近红场景下的检测准确性。
本发明实施例提供的方法，针对活体人脸检测系统易被高清视频及图像攻破的问题，提供了一种基于模糊梯度特征融合的近红外图像活体人脸检测模型的训练样本的确定方法。具体的，使用波长范围在波长在760nm到1400nm之间近红外摄像机采集人脸视频，从人脸视频中的人脸图像提取出第一特征向量和第二特征向量，将两个特征向量融合，也就是说，将高斯模糊特征与方向梯度直方图(应为为Histogram of oriented gradient，简称HOG)特征融合形成特征向量的思想。本发明实施例利用真假人脸在近红外相机中成像质量之间的差异进行区分，具有响应较快，容易实现等优点。
可见，本发明实施例提供了一种基于模糊梯度特征融合的近红外图像活体人脸检测模型的训练样本的确定方法，针对真假人脸在近红外光下的成像质量不同的特点，区分真假人脸；同时利用近红外光下的成像特性，完全抵御住了表面光滑的相纸照片、塑封照片、电子屏幕成像等欺骗攻击，具有计算量小、容易实现等优点。
第二方面，本发明实施例提供一种活体人脸检测模型的训练样本确定样本确定装置，包括：
第一检测模块，用于采用近红外摄像机获取近红外人脸视频，并采用人脸检测技术检测所述近红外人脸视频中是否存在人脸图像；
第一处理模块，用于若是，则对所述人脸图像进行方向梯度直方图处理，得到第一特征向量；对所述人脸图像进行高斯模糊处理，得到第一处理图像，并对所述第一处理图像进行方向梯度直方图处理，得到第二特征向量；
特征联合模块，用于将所述第一特征向量和所述第二特征向量进行串联融合，得到所述人脸图像对应的特征向量；
样本确定模块，用于根据所述人脸图像对应的特征向量，形成所述活体人脸检测模型的一个训练样本。
在一个实施例中，所述近红外摄像机包括LED灯和采集模块，所述LED灯用于发射近红外射线，所述采集模块用于接收到物体所反射的近红外射线从而进行成像。
在一个实施例中，第一检测模块还用于：若未从所述人脸视频中检测出人脸图像，则确定所述人脸视频中不存在活体人脸。
在一个实施例中，第一处理模块在对所述人脸图像进行方向梯度直方图处理和对所述人脸图像进行高斯模糊处理之前，还用于：对所述人脸图像进行伽马光照校正，得到校正后的人脸图像，并对所述校正后的人脸图像进行尺寸归一化处理，得到归一化的人脸图像；
对应的，所述第一处理模块中包括第一处理单元，所述第一处理单元具体用于：对所述归一化的人脸图像进行方向梯度直方图处理，得到第一特征向量；所述第一处理模块中包括第二处理单元，所述第二处理单元具体用于：对所述归一化的人脸图像进行高斯模糊处理，得到第一处理图像。
在一个实施例中，所述第一处理模块采用第一公式对所述人脸图像进行伽马光照校正，所述第一公式为：
F(I)＝Iγ
其中，I为校正前的人脸图像的像素矩阵，F(I)为校正后的人脸图像的像素矩阵，γ为预设伽马值。
在一个实施例中，所述第一处理单元包括：
第一划分子单元，用于将所述人脸图像划分为N1*N1个子图，以使所述人脸图像中的不同器官位于不同的子图中；其中，N1为大于1的正整数；
第一计算子单元，用于针对每一个子图中的每一个像素点，计算对应的总梯度值和梯度方向值；
第二划分子单元，用于将0°～360°等值划分为N2个区间；其中，N2为大于1的正整数；
第一求和子单元，用于针对每一个子图中梯度方向值位于每一个区间内的各个像素点，以对应的总梯度值为权重值，将该区间内的各个像素点的梯度方向值进行加权求和，得到该区间对应的梯度直方图分量；其中，每一个子图对应N2个梯度直方图分量；
第一串联子单元，用于将每一个子图对应的N2个梯度直方图分量形成该子图对应的梯度直方图分量向量，并将各个子图对应的梯度直方图分量向量进行串联，得到所述人脸图像对应的方向梯度直方图向量；
第一处理子单元，用于对所述方向梯度直方图向量进行范数标准化处理，得到所述第一特征。
在一个实施例中，第一计算子单元具体用于：采用第二公式计算每一个像素点I(x，y)的总梯度值和梯度方向值，所述第二公式为：
其中，Gx(x,y)为像素点I(x，y)在水平方向上的梯度，Gy(x,y)为像素点I(x，y)在垂直方向上的梯度，M(x,y)为像素点I(x，y)的总梯度值，α(x,y)为像素点I(x，y)的梯度方向值。
在一个实施例中，第一处理模块中所述对所述人脸图像进行高斯模糊处理，得到第一处理图像，包括：选取高斯函数，所述高斯函数的高斯核取(3，3)，且在垂直方向和水平方向上的标准偏差均取3；利用所述高斯函数对所述人脸图像进行高斯模糊处理，得到第一处理图像。
可理解的是，本发明实施例提供的装置中有关内容的解释、具体实施方式、有益效果、举例等内容可以参见第一方面提供的方法中的相应部分，此处不再赘述。
第三方面，本发明实施例提供一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面提供的方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
可理解的是，本发明实施例提供的计算机可读介质中有关内容的解释、具体实施方式、有益效果、举例等内容可以参见第一方面提供的方法中的相应部分，此处不再赘述。
第四方面，本说明书一个实施例提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现执行说明书中任一个实施例中的方法。
可理解的是，本发明实施例提供的计算设备中有关内容的解释、具体实施方式、有益效果、举例等内容可以参见第一方面提供的方法中的相应部分，此处不再赘述。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，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方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种活体人脸检测模型的训练样本确定样本确定方法，其特征在于，包括：
采用近红外摄像机获取近红外人脸视频，并采用人脸检测技术检测所述近红外人脸视频中是否存在人脸图像；
若是，则对所述人脸图像进行方向梯度直方图处理，得到第一特征向量；对所述人脸图像进行高斯模糊处理，得到第一处理图像，并对所述第一处理图像进行方向梯度直方图处理，得到第二特征向量；
将所述第一特征向量和所述第二特征向量进行串联融合，得到所述人脸图像对应的特征向量；
根据所述人脸图像对应的特征向量，形成所述活体人脸检测模型的一个训练样本。
2.根据权利要求1所述的方法，其特征在于，所述近红外摄像机包括LED灯和采集模块，所述LED灯用于发射近红外射线，所述采集模块用于接收到物体所反射的近红外射线从而进行成像。
3.根据权利要求1所述的方法，其特征在于，还包括：
若未从所述人脸视频中检测出人脸图像，则确定所述人脸视频中不存在活体人脸。
4.根据权利要求1所述的方法，其特征在于，在对所述人脸图像进行方向梯度直方图处理和对所述人脸图像进行高斯模糊处理之前，还包括：对所述人脸图像进行伽马光照校正，得到校正后的人脸图像，并对所述校正后的人脸图像进行尺寸归一化处理，得到归一化的人脸图像；
对应的，所述对所述人脸图像进行方向梯度直方图处理，得到第一特征向量，包括：对所述归一化的人脸图像进行方向梯度直方图处理，得到第一特征向量；所述对所述人脸图像进行高斯模糊处理，得到第一处理图像，包括：对所述归一化的人脸图像进行高斯模糊处理，得到第一处理图像。
5.根据权利要求4所述的方法，其特征在于，所述对所述人脸图像进行伽马光照校正，包括：采用第一公式对所述人脸图像进行伽马光照校正，所述第一公式为：
F(I)＝Iγ
其中，I为校正前的人脸图像的像素矩阵，F(I)为校正后的人脸图像的像素矩阵，γ为预设伽马值。
6.根据权利要求1所述的方法，其特征在于，所述对所述人脸图像进行方向梯度直方图处理，得到第一特征向量，包括：
将所述人脸图像划分为N1*N1个子图，以使所述人脸图像中的不同器官位于不同的子图中；其中，N1为大于1的正整数；
针对每一个子图中的每一个像素点，计算对应的总梯度值和梯度方向值；
将0°～360°等值划分为N2个区间；其中，N2为大于1的正整数；
针对每一个子图中梯度方向值位于每一个区间内的各个像素点，以对应的总梯度值为权重值，将该区间内的各个像素点的梯度方向值进行加权求和，得到该区间对应的梯度直方图分量；其中，每一个子图对应N2个梯度直方图分量；
将每一个子图对应的N2个梯度直方图分量形成该子图对应的梯度直方图分量向量，并将各个子图对应的梯度直方图分量向量进行串联，得到所述人脸图像对应的方向梯度直方图向量；
对所述方向梯度直方图向量进行范数标准化处理，得到所述第一特征。
7.根据权利要求6所述的方法，其特征在于，所述针对每一个子图中的每一个像素点，计算对应的总梯度值和梯度方向值，包括：采用第二公式计算每一个像素点I(x，y)的总梯度值和梯度方向值，所述第二公式为：
其中，Gx(x,y)为像素点I(x，y)在水平方向上的梯度，Gy(x,y)为像素点I(x，y)在垂直方向上的梯度，M(x,y)为像素点I(x，y)的总梯度值，α(x,y)为像素点I(x，y)的梯度方向值。
8.根据权利要求1所述的方法，其特征在于，所述对所述人脸图像进行高斯模糊处理，得到第一处理图像，包括：
选取高斯函数，所述高斯函数的高斯核取(3，3)，且在垂直方向和水平方向上的标准偏差均取3；利用所述高斯函数对所述人脸图像进行高斯模糊处理，得到第一处理图像。
9.一种活体人脸检测模型的训练样本确定样本确定装置，其特征在于，包括：
第一检测模块，用于采用近红外摄像机获取近红外人脸视频，并采用人脸检测技术检测所述近红外人脸视频中是否存在人脸图像；
第一处理模块，用于若是，则对所述人脸图像进行方向梯度直方图处理，得到第一特征向量；对所述人脸图像进行高斯模糊处理，得到第一处理图像，并对所述第一处理图像进行方向梯度直方图处理，得到第二特征向量；
特征联合模块，用于将所述第一特征向量和所述第二特征向量进行串联融合，得到所述人脸图像对应的特征向量；
样本确定模块，用于根据所述人脸图像对应的特征向量，形成所述活体人脸检测模型的一个训练样本。
10.一种计算设备，其特征在于，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1～8中的任一项所述的方法。
CN202310405412.2A 2023-04-12 2023-04-12 活体人脸检测模型的训练样本确定方法及装置、设备 Pending CN116486202A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310405412.2A CN116486202A (zh) 2023-04-12 2023-04-12 活体人脸检测模型的训练样本确定方法及装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310405412.2A CN116486202A (zh) 2023-04-12 2023-04-12 活体人脸检测模型的训练样本确定方法及装置、设备

Publications (1)

Publication Number Publication Date
CN116486202A true CN116486202A (zh) 2023-07-25

Family

ID=87224487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310405412.2A Pending CN116486202A (zh) 2023-04-12 2023-04-12 活体人脸检测模型的训练样本确定方法及装置、设备

Country Status (1)

Country Link
CN (1) CN116486202A (zh)

Similar Documents

Publication Publication Date Title
CN109508694B (zh) 一种人脸识别方法及识别装置
KR102324706B1 (ko) 얼굴인식 잠금해제 방법 및 장치, 기기, 매체
CN107423690B (zh) 一种人脸识别方法及装置
WO2018166525A1 (zh) 人脸防伪检测方法和系统、电子设备、程序和介质
CN109086718A (zh) 活体检测方法、装置、计算机设备及存储介质
Pan et al. Exposing image forgery with blind noise estimation
CN110807759B (zh) 照片质量的评价方法及装置、电子设备、可读存储介质
WO2019137178A1 (zh) 人脸活体检测
CN109948566B (zh) 一种基于权重融合与特征选择的双流人脸反欺诈检测方法
KR20190089387A (ko) 라이브니스 검사 방법 및 장치
WO2016084072A1 (en) Anti-spoofing system and methods useful in conjunction therewith
KR101781358B1 (ko) 디지털 영상 내의 얼굴 인식을 통한 개인 식별 시스템 및 방법
US20120093362A1 (en) Device and method for detecting specific object in sequence of images and video camera device
CN111368601B (zh) 活体检测方法和装置、电子设备和计算机可读存储介质
CN108416902A (zh) 基于差异识别的实时物体识别方法和装置
CN110458063B (zh) 防视频、照片欺骗的人脸活体检测方法
WO2020195732A1 (ja) 画像処理装置、画像処理方法、およびプログラムが格納された記録媒体
Yeh et al. Face liveness detection based on perceptual image quality assessment features with multi-scale analysis
CN114387548A (zh) 视频及活体检测方法、系统、设备、存储介质及程序产品
CN115240280A (zh) 人脸活体检测分类模型的构建方法、检测分类方法及装置
CN113642639A (zh) 活体检测方法、装置、设备和存储介质
CN109543635A (zh) 活体检测方法、装置、系统、解锁方法、终端及存储介质
JP3962517B2 (ja) 顔面検出方法及びその装置、コンピュータ可読媒体
CN116958795A (zh) 翻拍图像的识别方法、装置、电子设备及存储介质
CN111767868A (zh) 人脸检测方法、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