CN116778562B - 面部验证方法、装置、电子设备及可读储存介质 - Google Patents
面部验证方法、装置、电子设备及可读储存介质 Download PDFInfo
- Publication number
- CN116778562B CN116778562B CN202311058365.5A CN202311058365A CN116778562B CN 116778562 B CN116778562 B CN 116778562B CN 202311058365 A CN202311058365 A CN 202311058365A CN 116778562 B CN116778562 B CN 116778562B
- Authority
- CN
- China
- Prior art keywords
- image
- verified
- target
- face
- acquiring
- 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.)
- Active
Links
- 238000012795 verification Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000003190 augmentative effect Effects 0.000 claims abstract description 15
- 230000001815 facial effect Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 8
- 210000001508 eye Anatomy 0.000 description 7
- 238000001914 filtration Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06V40/50—Maintenance of biometric data or enrolment thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种面部验证方法、装置、电子设备及可读储存介质,属于面部识别技术领域。其中,所述方法包括:基于预设增强现实AR模型获取第一图像;对所述第一图像进行预处理,获取第二图像;提取所述第二图像中的多个目标特征,并对每个所述目标特征进行编码,得到目标纹理图谱;获取待验证面部图像;将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果。本申请提供的方案能够解决现有技术中直接利用用户脸部信息进行面部验证容易泄露用户隐私信息的问题。
Description
技术领域
本申请属于面部识别技术领域,具体涉及一种面部验证方法、装置、电子设备及可读储存介质。
背景技术
在人机交互相关的技术领域中,通常需要对用户身份进行识别验证,一般通过采用验证码识别、指纹识别、面部识别等验证方式,面部识别验证的方式相较于验证码识别、指纹识别等方式具有更高的安全性,能够区分执行验证操作的操作者是否为用户本人。但是,现有技术中的面部验证技术需要先采集用户面部信息,通过用户执行多个面部动作提取其脸部特征和面部信息,发送给后台进行匹配和验证。因此,目前通过直接利用用户脸部信息进行验证的面部验证技术,存在着泄露用户隐私信息的风险。
发明内容
本申请实施例的目的是提供一种面部验证方法、装置、电子设备及可读储存介质,能够解决现有技术中直接利用用户脸部信息进行面部验证容易泄露用户隐私信息的问题。
第一方面,本申请实施例提供了一种面部验证方法,所述方法包括:
基于预设增强现实AR模型获取第一图像;
对所述第一图像进行预处理,获取第二图像;
提取所述第二图像中的多个目标特征,并对每个所述目标特征进行编码,得到目标纹理图谱;
获取待验证面部图像;
将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果。
第二方面,本申请实施例提供了一种面部验证装置,包括:
第一获取模块,用于基于预设增强现实AR模型获取第一图像;
预处理模块,用于对所述第一图像进行预处理,获取第二图像;
特征编码模块,用于提取所述第二图像中的多个目标特征,并对每个所述目标特征进行编码,得到目标纹理图谱;
第二获取模块,用于获取待验证面部图像;
比对验证模块,用于将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的面部验证方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的面部验证方法的步骤。
在本申请实施例中,在采集用户面部图像的阶段,通过将预设AR模型叠加到用户面部图像上,对用户面部进行增强,获得增强后的图像即第一图像。随后对第一图像进行预处理,获得第二图像。再从第二图像中提取特征并对特征进行编码,形成用户面部的目标纹理图谱。从通过将待验证纹理图谱与目标纹理图谱进行匹配,实现对待验证图像对应的验证对象的面部验证。由于在采集用户面部图像的阶段获取的是增强后的第一图像,因此对增强后的图像进行预处理,能够降低用户隐私泄露的风险,安全性较高。同时,对第二图像进行的特征提取和编码处理,能够获取用于验证用户身份的纹理图谱,实现了对用户身份的准确验证。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种面部验证方法的流程示意图之一;
图2是本申请实施例提供的一种面部验证方法的流程示意图之二;
图3是本申请实施例提供的一种面部验证装置的结构示意图;
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的面部验证方法、装置、电子设备及可读储存介质进行详细地说明。
请参照图1,图1是本申请实施例提供的一种面部验证方法的流程图。如图1所示,该面部验证方法包括以下步骤:
步骤101、基于预设增强现实(Augmented Reality , AR)模型获取第一图像;
需要说明的是,本申请提供的一种面部验证方法可以应用于各种需要对用户身份进行确认验证的场景中,相较于直接对用户面部图像进行采集验证的技术,例如,在手机银行进行交易的过程中,需要对用户身份进行验证,可以采用人脸识别的方式进行验证,用户打开手机银行应用程序开启摄像头自动获取用户面部图像进行识别,除了获取用户面部图像外还会提示用户一定动作(如眨眼、点头、张嘴、左转头、右转头等),只有在每个动作都被识别到时才会提取到用户脸部特征值和相应人脸信息,然后才能发送到后台服务器进行匹配和校验。在用户待识别面部图像的采集过程中不直接获取用户面部图像,而可以将预设AR模型叠加在用户面部图像上形成用户面部增强图像。
具体地,可以由用户预先选择一种AR模型成为预设AR模型,用户选取的预设AR模型可以是预先储存在数据库中的AR模型,用户可以针对个人喜好选择。在确定预设AR模型之后获取该预设AR模型的特征信息,可以包括五官信息、皮肤信息等,将获取的预设AR模型的特征信息叠加在采集的用户面部图像上形成第一图像。这样,在收集用户面部图像的过程中直接对用户面部图像进行叠加预设AR模型,降低了直接获取用户面部图像造成用户隐私泄露的风险,也提升了用户体验,增强用户趣味性、娱乐性。
步骤102、对所述第一图像进行预处理,获取第二图像;
具体地,进行预处理的过程可以包括对第一图像灰度化处理、归一化处理、将第一图像转换为矩形图像、直方图均衡化处理等,能够对第一图像的特征进行调整,将第一图像内的特征值大小调整到相近的范围,特征值较小时梯度值也较小。这样,可以通过对第一图像进行预处理操作以增强第一图像中的特征,获取第二图像,便于后续提取目标特征,获得更加清晰的纹理。
步骤103、提取所述第二图像中的多个目标特征,并对每个所述目标特征进行编码,得到目标纹理图谱;
可以理解地,提取第二图像中的多个目标特征,可以采取哈尔(Alfred Haar)小波变换、二维Gabor滤波等技术来提取第二图像中的纹理信息。具体地,可以先对第二图像进行Haar小波变换,以提取第二图像内的每个通道的平均能量值和方差,随后基于不同的平均能量值和方差对第二图像内的各个特征,可以采取基于欧式距离的K-means聚类算法获得第二图像的多个小样本集的圆环图像。对圆环图像采取二维Gabor滤波以提取圆环图像中的纹理特征,同时可以得到纹理特征对应的纹理特征参数。此时,纹理信息即为第二图像中的目标特征。
进一步地,对每个目标特征进行编码可以是对确定了纹理特征参数的目标特征进行的,通过确定纹理特征参数中系数的实部和虚部,进行量化编码,以获取每个目标特征对应的特征码,并组成目标纹理图谱。由于不同的用户其面部具有不同的纹理特征,通过对纹理特征进行量化编码,能够针对不同用户确定一个对应的目标纹理图谱。目标纹理图谱与用户面部特征相对应,不易被篡改、无法复制,能够用于识别验证用户的身份。另外,本申请还可以通过方向梯度直方图(Histogram of Oriented Gradient, HOG)、局部二值模式(Local Binary Pattern,LBP)等技术来提取第二图像内的目标特征,本申请在此对具体采用的特征提取算法不作限制。
步骤104、获取待验证面部图像;
可以理解地,在确定了用户的目标纹理图谱之后,可以将目标纹理图谱上传至云端服务器进行储存,便于用户需要进行身份验证时调用比对。在需要对用户身份进行识别验证时,可以获取用户的待验证面部图像,该待验证面部图像可以是实时获取的,也可以是预先存储的。此外,该待验证面部图像可以包括用户待验证的红外图像,红外图像可以对用户是否为活体对象进行检测验证,在确定用户为活体对象的基础上再对用户的身份进行验证,以提升面部验证的安全性。待验证面部图像还可以包括用户面部的可见光图像,该可见光图像可以是进行面部验证的终端设备所携带的摄像头等设备获取的。在该可见光图像的基础上叠加AR模型,此时的AR模型可以与第一图像叠加的预设AR模型不一致,这样,获取用户待验证面部图像的客户端接收的信息也是经过AR处理后的图像,降低了用户隐私泄露的风险,提高面部验证过程的安全性。
步骤105、将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果。
具体地,上述将待验证面部图像对应的待验证纹理图谱与目标纹理图谱进行比对,可以是对待验证纹理图谱中各个特征对应的特征码与目标纹理图谱中各个目标特征对应的特征码进行比对。例如,在待验证纹理图谱中的嘴巴这一特征对应的特征码与目标纹理图谱中嘴巴对应的特征码匹配时,表明验证对象的嘴巴特征与目标对象的嘴巴特征一致。在待验证纹理图谱中所有或者大部分特征与目标纹理图谱一致时,可以确定验证对象与目标对象为同一用户。这样,可以通过每个目标对象专属的目标纹理图谱,对用户面部进行验证,以辨别验证对象的身份,提高面部验证的安全性与准确性。
可选地,所述基于预设增强现实AR模型获取第一图像,包括:
获取所述预设AR模型的第一特征信息;
获取目标对象的面部图像,并获取所述面部图像的第二特征信息;
将与所述第二特征信息对应的所述第一特征信息叠加至所述面部图像上,得到第三图像;
基于所述第三图像采集面部全景图像,并将所述面部全景图像中的第三特征信息添加至所述第三图像中,得到所述第一图像。
在本申请的一个实施例中,可以将预设AR模型叠加在目标对象的面部图像上,具体可以通过将预设AR模型中的第一特征信息与面部图像中的第二特征信息进行匹配。例如,第一特征信息包括眼睛、鼻子等五官特征,第二特征信息中也包括眼睛、鼻子等五官特征,将第一特征信息中的眼睛与第二特征信息中的眼睛相对应,将第一特征信息中的眼睛叠加在目标对象的面部图像中眼睛所处的位置处。在将第一特征信息中所有的特征叠加至面部图像中之后,可以通过采集用户的面部全景图像以获取目标对象更多的特征信息,并将其添加至第三图像中,以得到第一图像。其中,全景图像可以通过引导用户进行头部旋转来采集,也可以通过获取用户多个角度的面部图像获取目标对象更多的特征信息。这样,获得第一图像的过程没有直接对用户面部图像进行处理,降低了用户隐私泄露的风险,提高用户面部验证的安全性。
可选地,所述对所述第一图像进行预处理,获取第二图像,包括:
对所述第一图像进行灰度化处理,获取第四图像;
对所述第四图像进行归一化处理,获取第五图像;
对所述第五图像进行直方图均衡化处理,得到所述第二图像。
在本申请的又一个实施例中,对第一图像进行预处理,可以先对第一图像进行灰度化处理,突出第一图像中的目标特征。随后,可以对灰度化处理得到的第四图像进行归一化处理,以调整第四图像中各个目标特征的特征值得到第五图像,便于对第五图像进行直方图均衡化处理,增强各个目标特征,以便于提取目标特征。其中,对第五图像进行直方图均衡化处理获得的第二图像具有更加清晰的纹理,便于提取目标特征。对第五图像进行直方图均衡化可以是:
;
其中,为第五图像的总像素数,/>为灰度级,/>为灰度值的像素数,k为灰度数,/>为灰度级的传递函数,/>是变换后的灰度级。
这样,通过对第一图像进行预处理,增强第一图像中的各个目标特征,得到增强后的第二图像,便于提取第二图像中的目标特征。
可选地,所述对所述第四图像进行归一化处理,获取第五图像,包括:
基于所述第四图像中目标部位与面部皮肤之间的灰度级差值,确定所述目标部位的边缘轮廓,并基于所述边缘轮廓确定所述目标部位的中心位置;
确定所述第四图像中的第一部位和第二部位分别与所述中心位置之间的第一距离和第二距离,其中,所述第一距离大于所述第二距离;
以所述中心位置为圆心、所述第一距离为半径获取第一区域,以所述中心位置为圆心、所述第二距离为半径获取第二区域;
将所述第一区域中未与所述第二区域相交的部分确定为待处理区域;
对所述第四图像中的所述待处理区域进行归一化处理,得到所述第五图像。
在具体实施中,归一化处理的具体过程可以是,可以通过第四图像中的目标部位与面部皮肤之间存在的灰度级差值,确定该目标部位的边缘轮廓,并在该边缘轮廓中确定一个中心位置为该目标部位的中心位置。其中,目标部位可以是面部图像中任一五官部位,本申请对此不作限制。
举例而言,当目标部位为鼻子是,可以根据第四图像中鼻子与面部皮肤之间存在的灰度级差值,定位鼻子的边缘轮廓,并确定鼻子的中心位置。随后可以以该目标部位的中心位置为圆心,再确定面部图像中另外两个部位,以该圆心分别到两个部位之间的距离为半径作圆,确定两个同心圆之间不相交的部分为待处理区域。
其中,上述第一部位和第二部位也可以是目标对象五官部位中的两个部位,可以是左眼和右眼,也可以将第一部位和第二部位设置为左边眉毛和右边眉毛。例如,以提取的鼻子的中心位置为圆心,以圆心到左边眉尾边缘的距离为第一距离,以圆心到右边眉尾边缘的距离为第二距离。分别以第一距离和第二距离作为圆的半径,绘制两个同心圆,提取两个同心圆之间的圆环作为待处理区域。在确定了待处理区域后,对该待处理区域进行归一化处理:
;
;
其中,表示待处理区域的图像,/>表示归一化极坐标(r∈[0,1],θ∈[0°,180°],当r=0时,表示是待处理区域内边缘的像素点。当r=1时,/>表示是待处理区域外边缘的像素点)。
这样,可以确定待处理区域中每个点的/>,可以通过考虑每个点与中心点/>的关系,以r和θ为直角坐标,将待处理区域的图像转化为矩形图像。需要说明的是,归一化处理后获取的第五图像可以是矩形图像,便于对第五图像进行直方图均衡化处理,提取图像中的目标特征。
可选地,所述提取所述第二图像中的多个目标特征,并对每个所述特征编码,获取针对所述用户面部的目标纹理图谱,包括:
提取所述第二图像中各个通道的平均能量值和方差;
基于所述各个通道的平均能量值和方差,确定所述第二图像中多个目标特征;
对所述多个目标特征进行聚类,获取样本集图像;
提取所述样本集图像中的纹理信息;
对每个所述纹理信息进行量化编码,得到所述目标纹理图谱。
在本申请的一个具体的实施例中,提取第二图像中的多个目标特征,具体可以通过Haar小波变换提取第二图像中每个通道的平均能量值μ和方差σ,并进行K-means聚类,得到样本集图像。其中,该样本集图像可以是小样本集的待处理区域图像。随后,再通过二维Gabor滤波提取待处理区域的纹理信息,可以得到对应的纹理特征参数。具体地,二维Gabor滤波的表达式为:
;
;
;
其中,λ是以像素为单位指定的波长,λ表示Gabor函数中余弦函数的波长参数(λ以像素为单位,通常大于或等于2,但不允许大于a的五分之一输入图像的大小);表示方向,用于指定Gabor函数的平行条纹的方向(/>取值在0到180度之间);/>表示Gabor函数的高斯因子的标准偏差;/>为虚数单位,/>。
进一步地,在获得样本集图像中的纹理信息和纹理信息对应的特征参数之后,可以确定纹理特征参数的系数的实部和虚部的正负,对纹理特征进行量化编码,具体包括:
;
;
;
其中,表示纹理特征参数的实部,/>表示纹理特征参数的虚部,/>表示傅里叶变换,/>表示傅里叶反演,/>表示对应于上述G(x,y)的滤波器,/>表示第二图像。
这样,通过上述对第二图像中目标特征的提取,以及确定目标特征的纹理信息和纹理信息对应的参数,基于此参数确定第二图像中目标特征的目标纹理图谱。此过程对应目标对象的目标特征进行处理,不同用户具有的目标纹理图谱不同,能够准确对不同用户进行区分,且目标纹理图谱难以篡改,无法复制,提升了面部验证的准确性和安全性。
可选地,所述待验证面部图像包括待验证第一图像和待验证红外图像,所述将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果,包括:
基于所述待验证红外图像判断所述待验证面部图像对应的验证对象是否为活体对象;
在所述验证对象为活体对象的情况下,获取所述待验证第一图像对应的待验证纹理图谱;
在所述待验证纹理图谱中的特征编码与所述目标纹理图谱中的特征编码匹配的情况下,输出面部验证成功的提示信息;
在所述待验证纹理图谱中的特征编码与所述目标纹理图谱中的特征编码不匹配的情况下,输出面部验证失败的提示信息。
在本申请的具体实施例中,在对待验证面部图像对应的待验证纹理图谱与目标纹理图谱进行比对之前,可以对待验证对象进行活体检测,只有在确定验证对象为活体对象的情况下才能够进行面部验证,以防止盗用他人信息进行面部验证,提升面部验证的安全性。
具体可以使用基于汉明距离的分类器进行匹配,计算公式为:
;
其中,为汉明距离,/>为纹理特征码的位数,/>表示异或运算,/>和/>分别表示纹理特征码/>和/>的第/>位。
进一步地,可以通过设定阈值与HD进行大小比较来判断待验证纹理图谱是否与目标纹理图谱相匹配,进而确定待验证面部图像对应的验证对象与目标纹理图谱对应的目标对象是否为同一用户。例如,如果所获取的HD值大于预设的预设阈值,则可以确定待验证纹理图谱与目标纹理图谱不同,如果所获取的HD值大于预设的预设阈值,则可以确定待验证纹理图谱与目标纹理图谱相匹配,则可以确定面部验证结果为成功,待验证面部图像对应的验证对象与目标纹理图谱对应的目标对象为同一个用户。
这样,能够较为准确的对用户面部进行验证,且通过纹理图谱进行比较,不易被篡改,安全性高。
可选地,所述将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果,包括:
将所述目标纹理图谱传输给算力网络;
对所述待验证面部图像进行加密处理;
将加密处理后的所述待验证面部图像发送给所述算力网络;
将所述待验证纹理图谱发送给所述算力网络;
接收所述算力网络发送的所述面部验证结果,所述面部验证结果在所述算力网络对加密处理后的所述待验证纹理图谱进行解密处理后,基于所述待验证纹理图谱与所述目标纹理图谱的比对确定。
在本申请的又一个具体实施例中,还可以引入算力网络,将确定的目标纹理图谱传输给算力网络进行存储,可以存储在云端服务器中,便于随时调用与待验证纹理图谱进行比对。另外,在获取待验证面部图像后可以对待验证面部图像进行加密处理,将加密的待验证面部图像传输给算力网络,以降低用户隐私泄露的风险。
进一步地,算力网络可以基于待验证面部图像获取对应的待验证纹理图谱,也可以接收终端设备处理后获取的待验证纹理图谱。上述待验证纹理图谱与所述目标纹理图谱的比对可以在算力网络中进行,也可以在客户端进行比对。其中,上述实施例中采用的算力网络可以提供更低的时延和更多的算力调度,以降低处理延迟,满足忙时的业务需求,提升业务处理效率。
请参考图2,图2是本申请实施例提供的一种面部验证方法的流程示意图之二,具体步骤包括:
步骤201、获取所述预设AR模型的第一特征信息;
步骤202、获取目标对象的面部图像,并获取所述面部图像的第二特征信息;
步骤203、将与所述第二特征信息对应的所述第一特征信息叠加至所述面部图像上,得到第三图像;
步骤204、基于所述第三图像采集面部全景图像,并将所述面部全景图像中的第三特征信息添加至所述第三图像中,得到所述第一图像;
步骤205、判断采集的第一图像是否符合预设标准;
步骤206、在采集的第一图像符合预设标准时,对所述第一图像进行灰度化处理,获取第四图像;
需要说明的是,上述预设标准可以第一图像中采集的角度标准、采集的面部特征的数量标准、采集的第一图像的尺寸标准等,例如只有在采集的第一图像具有目标对象面部180度的各个特征时才符合预设标准,能够对第一图像进行灰度化处理。通过设置预设标准,使得第一图像中具有较多的面部特征,以便提取识别标对象的面部纹理特征。
步骤207、对所述第四图像进行归一化处理,获取第五图像;
步骤208、对所述第五图像进行直方图均衡化处理,得到所述第二图像;
步骤209、提取所述第二图像中的多个特征,并对每个所述特征编码,获取针对所述用户面部的目标纹理图谱;
步骤210、提取所述第二图像中的多个特征,并对每个所述特征编码,获取针对所述用户面部的目标纹理图谱;
步骤211、获取待验证面部图像,所述待验证面部图像包括待验证第一图像和待验证红外图像;
步骤212、基于待验证红外图像判断待验证面部图像对应的验证对象是否为活体对象;
步骤213、在验证对象为活体对象的情况下,获取所述待验证第一图像对应的待验证纹理图谱;
步骤214、判断目标纹理图谱与待验证纹理图谱是否匹配;
步骤215、在目标纹理图谱与待验证纹理图谱匹配时,输出面部验证成功的提示信息;
步骤216、在目标纹理图谱与待验证纹理图谱不匹配时,输出面部验证失败的提示信息。
上述实施例能够实现图1所述方法实施例实现的各个过程,请具体参考前述实施例说明,需要注意的是,本实施例且能够达到与图1中各实施例相同的有益效果,为避免重复,这里不再赘述。
在本申请的一个实施例中还提供一种面部验证装置300,如图3所示,该面部验证装置300具体包括:
第一获取模块301,用于基于预设增强现实AR模型获取第一图像;
预处理模块302,用于对所述第一图像进行预处理,获取第二图像;
特征编码模块303,用于提取所述第二图像中的多个目标特征,并对每个所述目标特征进行编码,得到目标纹理图谱;
第二获取模块304,用于获取待验证面部图像;
比对验证模块305,用于将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果。
可选地,所述第一获取模块301用于:
获取所述预设AR模型的第一特征信息;
获取目标对象的面部图像,并获取所述面部图像的第二特征信息;
将与所述第二特征信息对应的所述第一特征信息叠加至所述面部图像上,得到第三图像;
基于所述第三图像采集面部全景图像,并将所述面部全景图像中的第三特征信息添加至所述第三图像中,得到所述第一图像。
可选地,所述预处理模块302包括:
灰度化处理子模块,用于对所述第一图像进行灰度化处理,获取第四图像;
归一化处理子模块,用于对所述第四图像进行归一化处理,获取第五图像;
直方图均衡化处理子模块,用于对所述第五图像进行直方图均衡化处理,得到所述第二图像。
可选地,所述归一化处理子模块包括:
位置确定单元,用于基于所述第四图像中目标部位与面部皮肤之间的灰度级差值,确定所述目标部位的边缘轮廓,并基于所述边缘轮廓确定所述目标部位的中心位置;
第一确定单元,用于确定所述第四图像中的第一部位和第二部位分别与所述中心位置之间的第一距离和第二距离,其中,所述第一距离大于所述第二距离;
区域获取单元,用于以所述中心位置为圆心、所述第一距离为半径获取第一区域,以所述中心位置为圆心、所述第二距离为半径获取第二区域;
第二确定单元,用于将所述第一区域中未与所述第二区域相交的部分确定为待处理区域;
归一化处理单元,用于对所述第四图像中的所述待处理区域进行归一化处理,得到所述第五图像。
可选地,所述特征编码模块303用于:
提取所述第二图像中各个通道的平均能量值和方差;
基于所述各个通道的平均能量值和方差,确定所述第二图像中多个目标特征;
对所述多个目标特征进行聚类,获取样本集图像;
提取所述样本集图像中的纹理信息;
对每个所述纹理信息进行量化编码,得到所述目标纹理图谱。
可选地,所述待验证面部图像包括待验证第一图像和待验证红外图像,所述比对验证模块305包括:
活体判断单元,用于基于所述待验证红外图像判断所述待验证面部图像对应的验证对象是否为活体对象;
图谱获取单元,用于在所述验证对象为活体对象的情况下,获取所述待验证第一图像对应的待验证纹理图谱;
验证成功单元,用于在所述待验证纹理图谱中的特征编码与所述目标纹理图谱中的特征编码匹配的情况下,输出面部验证成功的提示信息;
验证识别单元,用于在所述待验证纹理图谱中的特征编码与所述目标纹理图谱中的特征编码不匹配的情况下,输出面部验证失败的提示信息。
可选地,所述比对验证模块305用于:
将所述目标纹理图谱传输给算力网络;
对所述待验证面部图像进行加密处理;
将加密处理后的所述待验证面部图像发送给所述算力网络;
将所述待验证纹理图谱发送给所述算力网络;
接收所述算力网络发送的所述面部验证结果,所述面部验证结果在所述算力网络对加密处理后的所述待验证纹理图谱进行解密处理后,基于所述待验证纹理图谱与所述目标纹理图谱的比对确定。
本申请实施例提供的面部验证装置300能够实现图1所述方法实施例实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
请参见图4,图4是本申请实施例提供的一种电子设备的结构图,如图4所示,所述电子设备包括:处理器400、存储器420及存储在所述存储器420上并可在所述处理器400上运行的程序或指令,处理器400,用于读取存储器420中的程序或指令;所述电子设备还包括总线接口和收发机410。
收发机410,用于在处理器400的控制下接收和发送数据。
其中,在图4中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器400代表的一个或多个处理器和存储器420代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机410可以是多个元件,即包括发送机和收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器400负责管理总线架构和通常的处理,存储器420可以存储处理器400在执行操作时所使用的数据。
其中,处理器400,用于读取存储器420中的程序或指令,执行如下步骤:
基于预设增强现实AR模型获取第一图像;
对所述第一图像进行预处理,获取第二图像;
提取所述第二图像中的多个目标特征,并对每个所述目标特征进行编码,得到目标纹理图谱;
获取待验证面部图像;
将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果。
可选地,处理器400,用于读取存储器420中的程序或指令,执行如下步骤:
获取所述预设AR模型的第一特征信息;
获取目标对象的面部图像,并获取所述面部图像的第二特征信息;
将与所述第二特征信息对应的所述第一特征信息叠加至所述面部图像上,得到第三图像;
基于所述第三图像采集面部全景图像,并将所述面部全景图像中的第三特征信息添加至所述第三图像中,得到所述第一图像。
可选地,处理器400,用于读取存储器420中的程序或指令,执行如下步骤:
对所述第一图像进行灰度化处理,获取第四图像;
对所述第四图像进行归一化处理,获取第五图像;
对所述第五图像进行直方图均衡化处理,得到所述第二图像。
可选地,处理器400,用于读取存储器420中的程序或指令,执行如下步骤:
基于所述第四图像中目标部位与面部皮肤之间的灰度级差值,确定所述目标部位的边缘轮廓,并基于所述边缘轮廓确定所述目标部位的中心位置;
确定所述第四图像中的第一部位和第二部位分别与所述中心位置之间的第一距离和第二距离,其中,所述第一距离大于所述第二距离;
以所述中心位置为圆心、所述第一距离为半径获取第一区域,以所述中心位置为圆心、所述第二距离为半径获取第二区域;
将所述第一区域中未与所述第二区域相交的部分确定为待处理区域;
对所述第四图像中的所述待处理区域进行归一化处理,得到所述第五图像。
可选地,处理器400,用于读取存储器420中的程序或指令,执行如下步骤:
提取所述第二图像中各个通道的平均能量值和方差;
基于所述各个通道的平均能量值和方差,确定所述第二图像中多个目标特征;
对所述多个目标特征进行聚类,获取样本集图像;
提取所述样本集图像中的纹理信息;
对每个所述纹理信息进行量化编码,得到所述目标纹理图谱。
可选地,处理器400,用于读取存储器420中的程序或指令,执行如下步骤:
基于所述待验证红外图像判断所述待验证面部图像对应的验证对象是否为活体对象;
在所述验证对象为活体对象的情况下,获取所述待验证第一图像对应的待验证纹理图谱;
在所述待验证纹理图谱中的特征编码与所述目标纹理图谱中的特征编码匹配的情况下,输出面部验证成功的提示信息;
在所述待验证纹理图谱中的特征编码与所述目标纹理图谱中的特征编码不匹配的情况下,输出面部验证失败的提示信息。
可选地,处理器400,用于读取存储器420中的程序或指令,执行如下步骤:
将所述目标纹理图谱传输给算力网络;
对所述待验证面部图像进行加密处理;
将加密处理后的所述待验证面部图像发送给所述算力网络;
将所述待验证纹理图谱发送给所述算力网络;
接收所述算力网络发送的所述面部验证结果,所述面部验证结果在所述算力网络对加密处理后的所述待验证纹理图谱进行解密处理后,基于所述待验证纹理图谱与所述目标纹理图谱的比对确定。
本申请实施例中的电子设备能够运行时能够实现如图1或者图2中所述的一种面部验证方法,且能够实现相同的技术效果,达到相同的有益效果,具体可以参照上述实施例中的说明,为避免重复,在此不再赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述图1所述面部验证方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory, RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述图1所述面部验证方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (9)
1.一种面部验证方法,其特征在于,所述方法包括:
基于预设增强现实AR模型获取第一图像;
对所述第一图像进行预处理,获取第二图像;
提取所述第二图像中的多个目标特征,并对每个所述目标特征进行编码,得到目标纹理图谱;其中,所述目标纹理图谱上传至云端服务器进行储存;
获取待验证面部图像;其中,所述待验证面部图像上叠加了AR模型,所述AR模型与所述预设增强现实AR模型不一致;
将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果;
所述基于预设增强现实 AR模型获取第一图像,包括:
获取所述预设增强现实AR 模型的第一特征信息;
获取目标对象的面部图像,并获取所述面部图像的第二特征信息;
将与所述第二特征信息对应的所述第一特征信息叠加至所述面部图像上;
采集所述目标对象的面部全景图像以获取目标对象的第三特征信息;
将所述第三特征信息添加至叠加了与所述第二特征信息对应的所述第一特征信息的所述面部图像上,得到所述第一图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一图像进行预处理,获取第二图像,包括:
对所述第一图像进行灰度化处理,获取第四图像;
对所述第四图像进行归一化处理,获取第五图像;
对所述第五图像进行直方图均衡化处理,得到所述第二图像。
3.根据权利要求2所述的方法,其特征在于,所述对所述第四图像进行归一化处理,获取第五图像,包括:
基于所述第四图像中目标部位与面部皮肤之间的灰度级差值,确定所述目标部位的边缘轮廓,并基于所述边缘轮廓确定所述目标部位的中心位置;
确定所述第四图像中的第一部位和第二部位分别与所述中心位置之间的第一距离和第二距离,其中,所述第一距离大于所述第二距离;
以所述中心位置为圆心、所述第一距离为半径获取第一区域,以所述中心位置为圆心、所述第二距离为半径获取第二区域;
将所述第一区域中未与所述第二区域相交的部分确定为待处理区域;
对所述第四图像中的所述待处理区域进行归一化处理,得到所述第五图像。
4.根据权利要求1所述的方法,其特征在于,所述提取所述第二图像中的多个目标特征,并对每个所述目标特征编码,得到目标纹理图谱,包括:
提取所述第二图像中各个通道的平均能量值和方差;
基于所述各个通道的平均能量值和方差,确定所述第二图像中多个目标特征;
对所述多个目标特征进行聚类,获取样本集图像;
提取所述样本集图像中的纹理信息;
对每个所述纹理信息进行量化编码,得到所述目标纹理图谱。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述待验证面部图像包括待验证第一图像和待验证红外图像,所述将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果,包括:
基于所述待验证红外图像判断所述待验证面部图像对应的验证对象是否为活体对象;
在所述验证对象为活体对象的情况下,获取所述待验证第一图像对应的待验证纹理图谱;
在所述待验证纹理图谱中的特征编码与所述目标纹理图谱中的特征编码匹配的情况下,输出面部验证成功的提示信息;
在所述待验证纹理图谱中的特征编码与所述目标纹理图谱中的特征编码不匹配的情况下,输出面部验证失败的提示信息。
6.根据权利要求1所述的方法,其特征在于,所述将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果,包括:
将所述目标纹理图谱传输给算力网络;
对所述待验证面部图像进行加密处理;
将加密处理后的所述待验证面部图像发送给所述算力网络;
将所述待验证纹理图谱发送给所述算力网络;
接收所述算力网络发送的所述面部验证结果,所述面部验证结果在所述算力网络对加密处理后的所述待验证纹理图谱进行解密处理后,基于所述待验证纹理图谱与所述目标纹理图谱的比对确定。
7.一种面部验证装置,其特征在于,包括:
第一获取模块,用于基于预设增强现实AR模型获取第一图像;
预处理模块,用于对所述第一图像进行预处理,获取第二图像;
特征编码模块,用于提取所述第二图像中的多个目标特征,并对每个所述目标特征进行编码,得到目标纹理图谱;其中,所述目标纹理图谱上传至云端服务器进行储存;
第二获取模块,用于获取待验证面部图像;其中,所述待验证面部图像上叠加了AR模型,所述AR模型与所述预设增强现实AR模型不一致;
比对验证模块,用于将所述待验证面部图像对应的待验证纹理图谱与所述目标纹理图谱进行比对,获取面部验证结果;
所述第一获取模块用于:
获取所述预设增强现实AR 模型的第一特征信息;
获取目标对象的面部图像,并获取所述面部图像的第二特征信息;
采集所述目标对象的面部全景图像以获取目标对象的第三特征信息;
将所述第三特征信息添加至叠加了与所述第二特征信息对应的所述第一特征信息的所述面部图像上,得到所述第一图像。
8.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-6中任一项所述的面部验证方法的步骤。
9.一种可读储存介质,其特征在于,所述可读储存介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-6中任一项所述的面部验证方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058365.5A CN116778562B (zh) | 2023-08-22 | 2023-08-22 | 面部验证方法、装置、电子设备及可读储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058365.5A CN116778562B (zh) | 2023-08-22 | 2023-08-22 | 面部验证方法、装置、电子设备及可读储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116778562A CN116778562A (zh) | 2023-09-19 |
CN116778562B true CN116778562B (zh) | 2024-05-28 |
Family
ID=87986316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311058365.5A Active CN116778562B (zh) | 2023-08-22 | 2023-08-22 | 面部验证方法、装置、电子设备及可读储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778562B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894041B (zh) * | 2024-03-14 | 2024-06-04 | 陕西微牧云信息科技有限公司 | 一种基于物联网的屠宰场智能管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977839A (zh) * | 2019-03-20 | 2019-07-05 | 北京字节跳动网络技术有限公司 | 信息处理方法和装置 |
CN110222486A (zh) * | 2019-05-18 | 2019-09-10 | 王�锋 | 用户身份验证方法、装置、设备及计算机可读存储介质 |
CN112528259A (zh) * | 2020-12-23 | 2021-03-19 | 平安普惠企业管理有限公司 | 身份验证方法、装置、计算机设备和存储介质 |
CN113989443A (zh) * | 2021-12-07 | 2022-01-28 | 南方电网电力科技股份有限公司 | 一种虚拟人脸图像重建方法及相关装置 |
CN115204893A (zh) * | 2022-06-20 | 2022-10-18 | 平安银行股份有限公司 | 用于电子支付的人脸识别方法、装置、计算机设备 |
CN115481382A (zh) * | 2022-09-30 | 2022-12-16 | 中国银行股份有限公司 | 人脸验证的处理方法及装置 |
CN116168152A (zh) * | 2023-01-31 | 2023-05-26 | 西北工业大学 | 人脸图像生成方法、电子设备及计算机可读存储介质 |
-
2023
- 2023-08-22 CN CN202311058365.5A patent/CN116778562B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977839A (zh) * | 2019-03-20 | 2019-07-05 | 北京字节跳动网络技术有限公司 | 信息处理方法和装置 |
CN110222486A (zh) * | 2019-05-18 | 2019-09-10 | 王�锋 | 用户身份验证方法、装置、设备及计算机可读存储介质 |
CN112528259A (zh) * | 2020-12-23 | 2021-03-19 | 平安普惠企业管理有限公司 | 身份验证方法、装置、计算机设备和存储介质 |
CN113989443A (zh) * | 2021-12-07 | 2022-01-28 | 南方电网电力科技股份有限公司 | 一种虚拟人脸图像重建方法及相关装置 |
CN115204893A (zh) * | 2022-06-20 | 2022-10-18 | 平安银行股份有限公司 | 用于电子支付的人脸识别方法、装置、计算机设备 |
CN115481382A (zh) * | 2022-09-30 | 2022-12-16 | 中国银行股份有限公司 | 人脸验证的处理方法及装置 |
CN116168152A (zh) * | 2023-01-31 | 2023-05-26 | 西北工业大学 | 人脸图像生成方法、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116778562A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11669607B2 (en) | ID verification with a mobile device | |
CN108985134B (zh) | 基于双目摄像机的人脸活体检测及刷脸交易方法及系统 | |
TWI687879B (zh) | 伺服器、客戶端、用戶核身方法及系統 | |
EP2883190B1 (en) | Texture features for biometric authentication | |
Ortega-Delcampo et al. | Border control morphing attack detection with a convolutional neural network de-morphing approach | |
Alheeti | Biometric iris recognition based on hybrid technique | |
CN103914676A (zh) | 一种在人脸识别中使用的方法和装置 | |
CN116778562B (zh) | 面部验证方法、装置、电子设备及可读储存介质 | |
CN109416734B (zh) | 用于虹膜图像编码的自适应量化方法 | |
Rana et al. | Iris recognition system using PCA based on DWT | |
WO2020033902A1 (en) | Techniques for matching disparate input data | |
KR102215535B1 (ko) | 신경망을 이용한 안면 부분 이미지 기반 신분 인증 방법 및 이를 수행하는 시스템 | |
KR102286455B1 (ko) | 인공지능을 활용한 위조 홍채 생성 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
TWM592131U (zh) | 特徵編碼系統與應用其之網路銀行服務系統 | |
Ashiba et al. | Implementation face based cancelable multi-biometric system | |
CN115410257A (zh) | 图像保护方法及相关设备 | |
CN114612991A (zh) | 攻击人脸图片的转换方法及装置、电子设备及存储介质 | |
US10438061B2 (en) | Adaptive quantization method for iris image encoding | |
Tobji et al. | A Synthetic Fusion Rule Based on FLDA and PCA for Iris Recognition Using 1D Log‐Gabor Filter | |
CN111428670A (zh) | 人脸检测方法、装置、存储介质及设备 | |
Pukdesree et al. | Reviewed: The face authentication processes for accessing cloud computing services using iPhone | |
Hombalimath et al. | Image quality assessment for iris recognition | |
Ghouti et al. | Iris fusion for multibiometric systems | |
Suma et al. | A multi-biometric iris recognition system using convolution neural network | |
CN117894107A (zh) | 智能建筑安防监控系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |