CN117456589A - 基于ai的人脸识别访问控制方法及门禁监控控制系统 - Google Patents
基于ai的人脸识别访问控制方法及门禁监控控制系统 Download PDFInfo
- Publication number
- CN117456589A CN117456589A CN202311774276.0A CN202311774276A CN117456589A CN 117456589 A CN117456589 A CN 117456589A CN 202311774276 A CN202311774276 A CN 202311774276A CN 117456589 A CN117456589 A CN 117456589A
- Authority
- CN
- China
- Prior art keywords
- image block
- face
- living body
- living
- knowledge
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001228 spectrum Methods 0.000 claims abstract description 224
- 230000001815 facial effect Effects 0.000 claims abstract description 68
- 238000012795 verification Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 56
- 238000001514 detection method Methods 0.000 claims description 44
- 230000002776 aggregation Effects 0.000 claims description 39
- 238000004220 aggregation Methods 0.000 claims description 39
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 15
- 230000006399 behavior Effects 0.000 abstract description 2
- 210000001331 nose Anatomy 0.000 description 52
- 230000006870 function Effects 0.000 description 8
- 238000001727 in vivo Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003405 preventing effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- 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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/38—Individual registration on entry or exit not involving the use of a pass with central registration
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例涉及图像处理技术领域,具体涉及基于AI的人脸识别访问控制方法及门禁监控控制系统,构建了一个复杂的面部扫描图像块关系网和活体要素描述谱,能够从待识别的人脸图像数据中提取出重要的特征信息,并建立起各个特征之间的关联,提高对人脸图像数据的理解能力,能够捕获到更丰富、更深入的人脸特征信息。然后,优化了人脸识别过程。通过选择目标活体要素单元,并确定与其相关的前后序活体比对知识,能够更准确地分析和比对面部特征,提高人脸识别的准确性。最后,实现了活体身份验证功能。通过生成活体访问控制验证知识,并结合人脸识别辅助模型,能够有效地确定待识别的人脸图像数据是否为真实人脸,从而防止欺诈和冒用等行为。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于AI的人脸识别访问控制方法及门禁监控控制系统。
背景技术
传统的人脸识别系统通常依赖于基础的面部特征进行匹配,例如眼睛、鼻子和嘴巴的位置、大小和形状。然而,这种方法的准确性受到许多因素的影响,比如光线条件、面部表情、头部姿态等。在复杂的环境下,如光线变化大、面部部分被遮挡或者有复杂背景干扰等情况下,只依赖于基础面部特征的识别系统可能会产生误判,导致识别精度不足。
此外,传统的人脸识别系统通常缺乏有效的活体检测机制。也就是说,它们可能无法区分一张真实的人脸和一张打印出来的照片,或者播放在屏幕上的视频图像。这样的问题使得这些系统容易受到欺诈和冒用等恶意行为的攻击。比如,有人可能使用一张已经授权用户的照片试图欺骗系统,或者使用一段模拟人脸动作的视频来冒充真实用户。如果系统不能有效地进行活体检测,那么这些恶意行为就可能成功,从而对用户的安全和隐私造成威胁。
因此,传统的人脸识别技术在精度、效率和安全性等方面存在着一些挑战。
发明内容
为改善相关技术中存在的技术问题,本发明提供了一种基于AI的人脸识别访问控制方法及门禁监控控制系统。
第一方面,本发明实施例提供了一种基于AI的人脸识别访问控制方法,应用于门禁监控控制系统,所述方法包括:
依据待识别人脸图像数据中的X个面部扫描图像块,确定与所述待识别人脸图像数据具有联系的面部扫描图像块关系网;X为大于1的整数;
在所述面部扫描图像块关系网所包括的所述X个面部扫描图像块中,确定用于生成活体要素描述谱的Y个目标面部扫描图像块,依据所述Y个目标面部扫描图像块和所述面部扫描图像块关系网,生成得到所述活体要素描述谱;所述活体要素描述谱包括Y个活体要素单元;Y为大于1的整数,且Y不大于X;一个活体要素单元是通过一个目标面部扫描图像块所确定的,一个活体要素单元的前后序牵涉指针是通过一个目标面部扫描图像块在所述面部扫描图像块关系网中的图像块相对分布标签所对应的描述谱牵涉分布标签确定的;所述图像块相对分布标签和所述描述谱牵涉分布标签为邻居分布标签,且所述描述谱牵涉分布标签为所述目标面部扫描图像块在所述面部扫描图像块关系网中的后一面部扫描图像块的分布标签;
从所述Y个活体要素单元中获取目标活体要素单元,将所述目标活体要素单元所对应的目标面部扫描图像块作为候选面部扫描图像块,依据所述候选面部扫描图像块在所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识;所述前后序活体比对知识的知识特征尺寸为1*Y;
在获取到所述候选面部扫描图像块的原始图像块描述知识时,依据所述前后序活体比对知识、所述原始图像块描述知识和与所述待识别人脸图像数据具有联系的人脸识别辅助模型,得到所述候选面部扫描图像块的活体访问控制验证知识;所述活体访问控制验证知识的知识特征尺寸和所述原始图像块描述知识的知识特征尺寸均为1*Y;所述候选面部扫描图像块的活体访问控制验证知识用于确定所述待识别人脸图像数据的活体身份验证。
可选的,所述依据待识别人脸图像数据中的X个面部扫描图像块,确定与所述待识别人脸图像数据具有联系的面部扫描图像块关系网,包括:
依据所述X个面部扫描图像块和所述X个面部扫描图像块在所述待识别人脸图像数据中的图像块区域标识,确定与所述待识别人脸图像数据具有联系的面部扫描图像块关系网;其中,所述X个面部扫描图像块包括面部扫描图像块a和面部扫描图像块b;a和b均为小于X的正整数,且a≠b;
在a<b时,所述面部扫描图像块a的图像块区域标识为在所述面部扫描图像块b的图像块区域标识之前的图像块区域标识,且所述面部扫描图像块a的图像块相对分布标签为在所述面部扫描图像块b的图像块相对分布标签之前的图像块相对分布标签。
可选的,所述在所述面部扫描图像块关系网所包括的所述X个面部扫描图像块中,确定用于生成活体要素描述谱的Y个目标面部扫描图像块,包括:
将所述面部扫描图像块关系网所包括的所述X个面部扫描图像块分组至第一扫描图像块集;所述X个面部扫描图像块包括第一面部扫描图像块和第二面部扫描图像块;
从所述第一扫描图像块集中检索图像块特征与所述第一面部扫描图像块相同的面部扫描图像块;
在检索到图像块特征与所述第一面部扫描图像块相同的面部扫描图像块时,将所述第一面部扫描图像块从所述第一扫描图像块集中清洗,得到第二扫描图像块集;
从所述第二扫描图像块集中检索图像块特征与所述第二面部扫描图像块相同的面部扫描图像块;
在检索到图像块特征与所述第二面部扫描图像块相同的面部扫描图像块时,将所述第二面部扫描图像块从所述第二扫描图像块集中清洗,得到第三扫描图像块集;
依据所述第三扫描图像块集所包括的面部扫描图像块,确定用于生成所述活体要素描述谱的所述Y个目标面部扫描图像块。
可选的,所述依据所述Y个目标面部扫描图像块和所述面部扫描图像块关系网,生成得到所述活体要素描述谱,包括:
从所述Y个目标面部扫描图像块中获取基准面部扫描图像块;
从所述面部扫描图像块关系网中,获取在所述基准面部扫描图像块的图像块相对分布标签所对应的描述谱牵涉分布标签下的面部扫描图像块,将在所述基准面部扫描图像块的图像块相对分布标签所对应的描述谱牵涉分布标签下的面部扫描图像块作为与所述基准面部扫描图像块存在图像块联系的联动面部扫描图像块;
生成所述基准面部扫描图像块对应的第一活体要素单元,以及所述联动面部扫描图像块对应的第二活体要素单元,依据所述基准面部扫描图像块和所述联动面部扫描图像块之间的第一图像块牵涉特征,生成得到所述基准面部扫描图像块对应的局部活体要素描述谱;所述基准面部扫描图像块对应的局部活体要素描述谱包括所述第一活体要素单元的前后序牵涉指针,且所述基准面部扫描图像块和所述联动面部扫描图像块之间的第一图像块牵涉特征用于指示所述第一活体要素单元的前后序牵涉指针的传递顺序为从所述第一活体要素单元到所述第二活体要素单元;
当所述Y个目标面部扫描图像块均作为所述基准面部扫描图像块时,得到所述Y个目标面部扫描图像块对应的Y个局部活体要素描述谱;一个目标面部扫描图像块对应的一个局部活体要素描述谱;
依据所述Y个局部活体要素描述谱,确定所述活体要素描述谱。
可选的,所述Y个局部活体要素描述谱包括第一局部活体要素描述谱和第二局部活体要素描述谱;
所述依据所述Y个局部活体要素描述谱,确定所述活体要素描述谱,包括:
在所述第二局部活体要素描述谱中,检索与所述第一局部活体要素描述谱中的活体要素单元相匹配的活体要素单元,将所述第二局部活体要素描述谱中所检索到的活体要素单元作为第一拟集成要素单元,并将所述第一局部活体要素描述谱中与所述第一拟集成要素单元相匹配的活体要素单元作为第二拟集成要素单元;
依据所述第一拟集成要素单元和所述第二拟集成要素单元,对所述第一局部活体要素描述谱和所述第二局部活体要素描述谱进行聚合操作,得到所述第一局部活体要素描述谱和所述第二局部活体要素描述谱所对应的局部活体要素聚合描述谱;所述第一拟集成要素单元和所述第二拟集成要素单元在所述局部活体要素聚合描述谱中被聚合成一个活体要素单元;
依据所述局部活体要素聚合描述谱,确定所述活体要素描述谱。
可选的,所述第二局部活体要素描述谱包括所述第一拟集成要素单元的前后序牵涉指针;所述第一局部活体要素描述谱包括所述第二拟集成要素单元的前后序牵涉指针;
所述依据所述第一拟集成要素单元和所述第二拟集成要素单元,对所述第一局部活体要素描述谱和所述第二局部活体要素描述谱进行聚合操作,得到所述第一局部活体要素描述谱和所述第二局部活体要素描述谱所对应的局部活体要素聚合描述谱,包括:对所述第一拟集成要素单元和所述第二拟集成要素单元进行聚合,得到所述第一拟集成要素单元和所述第二拟集成要素单元之间的聚合要素单元;依据所述第一拟集成要素单元的前后序牵涉指针和所述第二拟集成要素单元的前后序牵涉指针,确定所述局部活体要素聚合描述谱;
所述局部活体要素聚合描述谱中包括所述聚合要素单元的前后序牵涉指针,且所述聚合要素单元的前后序牵涉指针包括:所述第一拟集成要素单元的前后序牵涉指针、所述第二拟集成要素单元的前后序牵涉指针。
可选的,所述活体要素描述谱包括的活体要素单元中任一个为中间活体要素单元;所述依据所述候选面部扫描图像块在所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识,包括:
生成所述中间活体要素单元对应的目标面部扫描图像块的第二图像块牵涉特征;
依据所述中间活体要素单元对应的目标面部扫描图像块的第二图像块牵涉特征,在所述活体要素描述谱中,添加所述中间活体要素单元的前后序牵涉指针;所述中间活体要素单元对应的目标面部扫描图像块的第二图像块牵涉特征用于指示所述中间活体要素单元对应添加的前后序牵涉指针的传递顺序为从所述中间活体要素单元到所述中间活体要素单元;
依据所述候选面部扫描图像块在添加有所述中间活体要素单元的前后序牵涉指针的所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识。
可选的,所述依据所述候选面部扫描图像块在所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识,包括:
获取所述候选面部扫描图像块的原始活体检测知识;所述原始活体检测知识包括Y个第一知识成员;所述Y个第一知识成员的知识特征变量均为原始知识特征变量;一个第一知识成员对应所述Y个活体要素单元中的一个活体要素单元;
依据所述候选面部扫描图像块对应的目标活体要素单元在所述活体要素描述谱中的前后序牵涉指针,确定与所述目标活体要素单元具有联系的基准活体要素单元;所述基准活体要素单元是所述目标活体要素单元的前后序牵涉指针所指向的活体要素单元;
依据所述目标活体要素单元的前后序牵涉指针的指针个数,确定与所述基准活体要素单元具有联系的目标知识特征变量;
在所述原始活体检测知识中,将所述基准活体要素单元对应的第一知识成员由所述原始知识特征变量调整为与所述基准活体要素单元具有联系的目标知识特征变量;
依据存在与所述基准活体要素单元具有联系的目标知识特征变量的原始活体检测知识,确定所述候选面部扫描图像块的前后序活体比对知识。
可选的,所述依据存在与所述基准活体要素单元具有联系的目标知识特征变量的原始活体检测知识,确定所述候选面部扫描图像块的前后序活体比对知识,包括:
依据存在与所述基准活体要素单元具有联系的目标知识特征变量的原始活体检测知识,确定所述候选面部扫描图像块的目标活体检测知识;
对所述候选面部扫描图像块的目标活体检测知识进行区间数值映射处理,将区间数值映射后的目标活体检测知识作为所述候选面部扫描图像块的前后序活体比对知识。
除此之外,在一些可独立的实施例中,所述方法还包括:
为所述候选面部扫描图像块添加图像块掩码变量;
所述候选面部扫描图像块的图像块掩码变量为不大于Y的正整数,且所述候选面部扫描图像块的图像块掩码变量异于所述Y个目标面部扫描图像块中除所述候选面部扫描图像块之外的目标面部扫描图像块的图像块掩码变量;
获取所述候选面部扫描图像块的原始图像描述子;所述原始图像描述子包括Y个第二知识成员;所述Y个第二知识成员均为第一知识特征变量;
在所述原始图像描述子中,将所述候选面部扫描图像块的图像块掩码变量所关联的第二知识成员由所述第一知识特征变量调整为第二知识特征变量;
依据携带所述第二知识特征变量的原始图像描述子确定所述候选面部扫描图像块的目标图像描述子,将所述候选面部扫描图像块的目标图像描述子作为所述候选面部扫描图像块的原始图像块描述知识。
除此之外,在一些可独立的实施例中,所述Y个目标面部扫描图像块的原始图像块描述知识用于生成原始图像块描述知识链;所述Y个目标面部扫描图像块的前后序活体比对知识用于生成前后序牵涉描述知识链;若所述候选面部扫描图像块为所述Y个目标面部扫描图像块中的第c个目标面部扫描图像块,则所述候选面部扫描图像块的原始图像块描述知识是所述原始图像块描述知识链中的第c个描述知识组,且所述候选面部扫描图像块的前后序活体比对知识是所述前后序牵涉描述知识链中的第c个描述知识组;c为不大于Y的正整数;
所述依据所述前后序活体比对知识、所述原始图像块描述知识和与所述待识别人脸图像数据具有联系的人脸识别辅助模型,得到所述候选面部扫描图像块的活体访问控制验证知识,包括:
将所述前后序牵涉描述知识链、所述原始图像块描述知识链传入所述人脸识别辅助模型,通过所述人脸识别辅助模型,依据所述前后序牵涉描述知识链对所述原始图像块描述知识链进行知识提炼,得到所述原始图像块描述知识链对应的目标图像块描述知识链;
将所述目标图像块描述知识链中的第c个描述知识组作为所述候选面部扫描图像块的活体访问控制验证知识。
第二方面,本发明还提供了一种门禁监控控制系统,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
应用本发明实施例,构建了一个复杂的面部扫描图像块关系网和活体要素描述谱,能够从待识别的人脸图像数据中提取出重要的特征信息,并建立起各个特征之间的关联,提高对人脸图像数据的理解能力,能够捕获到更丰富、更深入的人脸特征信息。然后,优化了人脸识别过程。通过选择目标活体要素单元,并确定与其相关的前后序活体比对知识,能够更准确地分析和比对面部特征,提高人脸识别的准确性。最后,实现了活体身份验证功能。通过生成活体访问控制验证知识,并结合人脸识别辅助模型,能够有效地确定待识别的人脸图像数据是否为真实人脸,从而防止欺诈和冒用等行为。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于AI的人脸识别访问控制方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与本发明的一些方面相一致的装置和方法的例子。
需要说明的是,本发明的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在门禁监控控制系统、计算机设备或者类似的运算装置中执行。以运行在门禁监控控制系统上为例,门禁监控控制系统可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器,可选地,上述门禁监控控制系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述门禁监控控制系统的结构造成限定。例如,门禁监控控制系统还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种基于AI的人脸识别访问控制方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至门禁监控控制系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括门禁监控控制系统的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本发明实施例所提供的一种基于AI的人脸识别访问控制方法的流程示意图,该方法应用于门禁监控控制系统,进一步可以包括步骤10-步骤40。
步骤10、依据待识别人脸图像数据中的X个面部扫描图像块,确定与所述待识别人脸图像数据具有联系的面部扫描图像块关系网;X为大于1的整数。
其中,待识别人脸图像数据是需要被门禁监控控制系统识别的目标人脸图像数据。面部扫描图像块是通过对待识别人脸图像数据进行分析和处理后得到的一组具有特定信息的图像块。面部扫描图像块关系网是由X个面部扫描图像块之间的相互关系构成的网络。这种关系可以包括图像块之间的位置关系、形状关系等。
在一些更为具体的示例中,假设用户XXX在一家公司工作,公司使用基于AI的人脸识别技术进行门禁控制。当用户XXX站在入口处的摄像头前时,摄像头会捕获用户XXX的脸部图像。这个图像就是待识别人脸图像数据,它需要被门禁监控控制系统识别,以决定是否允许用户XXX进入。
然后,门禁监控控制系统会对用户XXX的脸部图像进行分析和处理。比如,它可能会用某种算法将用户XXX的脸部图像划分为多个小块,每个小块都包含一部分面部特征。例如,眼睛、鼻子、嘴巴、脸颊等部位都可以被视为一个独立的面部扫描图像块。每个图像块都包含了一些有关那部分脸部特征的信息,如形状、大小、色彩、纹理等。
接下来,门禁监控控制系统会分析这些面部扫描图像块之间的关系,构建出一个面部扫描图像块关系网。这个网络描述了各个面部扫描图像块之间的相对位置、形状等关系。例如,眼睛图像块位于鼻子图像块的上方,左眼图像块和右眼图像块是对称的,嘴巴图像块位于鼻子图像块的下方等。这个网络能够帮助门禁监控控制系统理解脸部特征的整体结构和排列方式。
步骤20、在所述面部扫描图像块关系网所包括的所述X个面部扫描图像块中,确定用于生成活体要素描述谱的Y个目标面部扫描图像块,依据所述Y个目标面部扫描图像块和所述面部扫描图像块关系网,生成得到所述活体要素描述谱。
其中,所述活体要素描述谱包括Y个活体要素单元;Y为大于1的整数,且Y不大于X;一个活体要素单元是通过一个目标面部扫描图像块所确定的,一个活体要素单元的前后序牵涉指针是通过一个目标面部扫描图像块在所述面部扫描图像块关系网中的图像块相对分布标签所对应的描述谱牵涉分布标签确定的;所述图像块相对分布标签和所述描述谱牵涉分布标签为邻居分布标签,且所述描述谱牵涉分布标签为所述目标面部扫描图像块在所述面部扫描图像块关系网中的后一面部扫描图像块的分布标签。
其中,活体要素描述谱是一种数据结构,用于记录人脸的重要特征。它包含了Y个活体要素单元,每个单元都代表了一个独特的面部特征。目标面部扫描图像块是被选中用来生成活体要素描述谱的面部扫描图像块。活体要素单元是活体要素描述谱中的一个元素,每个单元都是通过一个目标面部扫描图像块确定的。前后序牵涉指针是一种数据结构,用于记录每个活体要素单元在描述谱中的位置信息。前后序牵涉指针通过目标面部扫描图像块在面部扫描图像块关系网中的相对位置标签确定。图像块相对分布标签是一个标签,用于表示面部扫描图像块在关系网中的相对位置。描述谱牵涉分布标签是一个标签,用于表示活体要素单元在描述谱中的相对位置。邻居分布标签是一个标签,用于表示面部扫描图像块和其相邻图像块之间的关系。
以人脸识别为例,在步骤20中,门禁监控控制系统首先从面部扫描图像块关系网中选取Y个目标面部扫描图像块,比如眼睛、鼻子等。然后,门禁监控控制系统依据这些目标图像块和关系网,生成了活体要素描述谱。每个活体要素单元都是通过一个目标图像块确定的,比如一个活体要素单元可能代表“左眼”。每个活体要素单元的前后序牵涉指针是通过目标图像块在关系网中的相对位置标签确定的,比如如果左眼在右眼的左边,则左眼的前后序牵涉指针就会指向右眼。所有的这些信息都会被记录在活体要素描述谱中,形成一种独特的人脸模式,有助于后续的身份验证过程。
在一些更为具体的示例中,活体要素描述谱类似于一张包含多个特征单元的表格或列表。例如,对于一个人脸,可能有一个描述谱,其中包含了每个面部扫描图像块的特征,比如眼睛的形状、鼻子的长度等。目标面部扫描图像块是被选中用来生成活体要素描述谱的面部扫描图像块。比如,在一个人脸图像中,眼睛、鼻子、嘴巴等部分都可能被选择作为目标图像块。在活体要素描述谱中,每一个条目或单元都代表一个特定的面部特征,这个特征是由目标面部扫描图像块确定的。比如,一个活体要素单元可能代表“眼睛的形状”,而另一个活体要素单元可能代表“鼻子的长度”。前后序牵涉指针用于记录每个活体要素单元在描述谱中的位置信息。例如,一个前后序牵涉指针可能表示“眼睛的形状”这个特征是描述谱中的第一个特征,而“鼻子的长度”是第二个特征。图像块相对分布标签用于表示面部扫描图像块在关系网中的相对位置。例如,“眼睛”图像块的标签可能表示它位于“鼻子”图像块的上方。描述谱牵涉分布标签用于表示活体要素单元在描述谱中的相对位置。例如,“眼睛的形状”这个特征的标签可能表示它是描述谱中的第一个特征。邻居分布标签用于表示面部扫描图像块和其相邻图像块之间的关系。例如,“眼睛”图像块的邻居分布标签可能表示它位于“鼻子”图像块的上方。
步骤30、从所述Y个活体要素单元中获取目标活体要素单元,将所述目标活体要素单元所对应的目标面部扫描图像块作为候选面部扫描图像块,依据所述候选面部扫描图像块在所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识;所述前后序活体比对知识的知识特征尺寸为1*Y。
其中,目标活体要素单元是从Y个活体要素单元中获取的一个特定单元,该单元代表了被选择用于进行人脸识别的面部特征。候选面部扫描图像块是与目标活体要素单元相对应的面部扫描图像块,它将被用于生成活体访问控制验证知识。前后序活体比对知识是通过考虑候选面部扫描图像块在活体要素描述谱中的位置信息(由前后序牵涉指针确定)而得到的数据。它提供了一种方法来比较和分析面部特征的相对位置和关系。知识特征尺寸是表示知识特征的维度或规模的数值。在此处,前后序活体比对知识的知识特征尺寸为1*Y,意味着该知识特征是一个Y维向量。
以人脸识别为例,在步骤30中,门禁监控控制系统首先从Y个活体要素单元中获取目标活体要素单元,比如代表“左眼”的活体要素单元。然后,门禁监控控制系统将这个活体要素单元所对应的面部扫描图像块(即左眼的图像块)作为候选面部扫描图像块。接着,门禁监控控制系统根据候选图像块在活体要素描述谱中的位置信息,确定了候选图像块的前后序活体比对知识。这种知识可以帮助门禁监控控制系统理解面部特征的相对位置和关系,例如,左眼位于鼻子的左侧。通过这种方式,门禁监控控制系统能够生成更准确的人脸识别结果。
在一些更为详细的示例中,有一个活体要素描述谱,其中包含三个活体要素单元:眼睛的形状、鼻子的长度和嘴巴的宽度。这些特征可能由一组数值来表示,例如:
眼睛的形状:[0.8,0.2];
鼻子的长度:[0.6];
嘴巴的宽度:[0.4,0.7]。
现在,收到了一个新的面部扫描图像块,并需要将其与活体要素描述谱进行比对。
首先,提取出新图像中的对应特征,并得到一组新的数值:
眼睛的形状:[0.7,0.3];
鼻子的长度:[0.5];
嘴巴的宽度:[0.5,0.6]。
接下来,将新图像的特征数值与活体要素描述谱中的特征数值进行比对。对于“眼睛的形状”,看到两者的数值非常接近,因此可以认为这个特征是匹配的。对于“鼻子的长度”,新图像的数值稍微小一些,但仍然在可接受范围内,所以也可以认为这个特征是匹配的。对于“嘴巴的宽度”,虽然新图像的数值略有差距,但由于这是一个相对较小的特征,也可以接受这个差异。因此,通过前后序活体比对,可以认为新的面部扫描图像块与活体要素描述谱是匹配的。
步骤40、在获取到所述候选面部扫描图像块的原始图像块描述知识时,依据所述前后序活体比对知识、所述原始图像块描述知识和与所述待识别人脸图像数据具有联系的人脸识别辅助模型,得到所述候选面部扫描图像块的活体访问控制验证知识。
其中,所述活体访问控制验证知识的知识特征尺寸和所述原始图像块描述知识的知识特征尺寸均为1*Y;所述候选面部扫描图像块的活体访问控制验证知识用于确定所述待识别人脸图像数据的活体身份验证。
其中,原始图像块描述知识是对候选面部扫描图像块(如左眼的图像块)的基本特征描述,可以包括色彩、形状、纹理等信息。此信息用于支持后续的面部识别过程。人脸识别辅助模型是一个预先训练好的模型,能够处理并分析面部特征数据。它可以根据输入的原始图像块描述知识和前后序活体比对知识,生成活体访问控制验证知识。活体访问控制验证知识是通过人脸识别辅助模型得到的一种复杂的知识表述,它集成了多元信息(如原始图像块描述知识和前后序活体比对知识),用于更精确地进行活体身份验证。活体身份验证是确认待识别人脸图像是否为真实人脸的过程,通常基于活体访问控制验证知识来进行。
以人脸识别为例,步骤40首先获取到候选面部扫描图像块(如左眼的图像块)的原始图像块描述知识。然后,根据这个原始图像块描述知识和前后序活体比对知识(如“左眼位于鼻子的左侧”),使用预训练的人脸识别辅助模型生成活体访问控制验证知识。这个验证知识会包含更深入、更复杂的面部特征信息,以提供更精确的活体身份验证结果。例如,门禁监控控制系统可能会根据活体访问控制验证知识确认待识别的人脸图像是否是真实人脸,而不是照片或电脑生成的图像。
在人脸识别技术中,活体访问控制验证知识是一种结合了面部特征和辅助模型的信息,用于进行身份验证的关键数据。以下是一个简化的例子来说明这个概念:
例如有一个面部扫描图像块,其特征值为:
眼睛的形状:[0.7,0.3];
鼻子的长度:[0.5];
嘴巴的宽度:[0.5,0.6]。
同时,也有一个人脸识别辅助模型,它可以是一个神经网络模型,该模型已经通过大量的人脸图像训练过,可以提供准确的面部特征识别和比对。
接下来,将面部扫描图像块的特征值输入到这个辅助模型中,得到一个输出结果,这个结果就是所说的活体访问控制验证知识。
例如模型的输出结果是:[0.72,0.48,0.56]。这个结果实际上是一个代表该面部图像块身份信息的特征向量。它结合了图像块的原始特征和辅助模型的预测能力,可以用于进一步的身份验证。
进一步地,可以将这个特征向量与数据库中存储的已知用户的特征向量进行比对。如果找到了一个非常接近的匹配,那么就可以验证这个面部图像块代表的是该用户。在实际应用中,活体访问控制验证知识的计算会涉及更多的特征和更复杂的模型。此外,也需要考虑各种安全和隐私问题,以确保数据的安全性和用户的隐私权益。
上述技术方案的核心思想是通过构建和利用面部扫描图像块关系网、活体要素描述谱等信息,以及利用人脸识别辅助模型,进行更精确的活体身份验证。
详细地,步骤10和步骤20主要构建了一个复杂的面部扫描图像块关系网和活体要素描述谱。这些步骤使得系统能够从待识别的人脸图像数据中提取出重要的特征信息,并建立起各个特征之间的关联。这有助于提高系统对人脸图像数据的理解能力,使得系统能够捕获到更丰富、更深入的人脸特征信息。步骤30则进一步优化了人脸识别过程。通过选择目标活体要素单元,并确定与其相关的前后序活体比对知识,系统能够更准确地分析和比对面部特征,从而进一步提高人脸识别的准确性。最后,步骤40实现了活体身份验证功能。通过生成活体访问控制验证知识,并结合人脸识别辅助模型,系统能够有效地确定待识别的人脸图像数据是否为真实人脸,从而防止欺诈和冒用等行为。
可见,上述技术方案能够有效提高活体人脸识别的准确性和安全性。它通过深入分析和理解面部特征,以及利用先进的人脸识别模型,实现了精确、可靠的活体身份验证功能。
在一些可选的实施例中,步骤10所描述的依据待识别人脸图像数据中的X个面部扫描图像块,确定与所述待识别人脸图像数据具有联系的面部扫描图像块关系网,包括步骤11-步骤12。
步骤11、依据所述X个面部扫描图像块和所述X个面部扫描图像块在所述待识别人脸图像数据中的图像块区域标识,确定与所述待识别人脸图像数据具有联系的面部扫描图像块关系网;其中,所述X个面部扫描图像块包括面部扫描图像块a和面部扫描图像块b;a和b均为小于X的正整数,且a≠b。
步骤12、在a<b时,所述面部扫描图像块a的图像块区域标识为在所述面部扫描图像块b的图像块区域标识之前的图像块区域标识,且所述面部扫描图像块a的图像块相对分布标签为在所述面部扫描图像块b的图像块相对分布标签之前的图像块相对分布标签。
其中,图像块区域标识是对面部扫描图像块在待识别人脸图像数据中位置的一种标记。比如,在一个完整的人脸图像中,“眼睛”、“鼻子”和“嘴巴”的图像块区域标识可以用来表示它们在人脸上的相对位置。图像块相对分布标签是对面部扫描图像块在关系网中相对位置的一种标记。例如,"眼睛"的图像块相对分布标签可能会表明它位于“鼻子”的上方,并且位于“嘴巴”的上方。
在步骤11中,根据X个面部扫描图像块(如眼睛、鼻子和嘴巴等)以及它们在待识别人脸图像数据中的图像块区域标识,确定了与待识别人脸图像数据具有联系的面部扫描图像块关系网。接下来,在步骤12中,如果面部扫描图像块a(比如眼睛)的序号小于面部扫描图像块b(比如鼻子),那么图像块a的图像块区域标识就会被视为在图像块b的图像块区域标识之前。同时,图像块a的图像块相对分布标签也会被视为在图像块b的图像块相对分布标签之前。
通过这种方式,可以理解和记录面部特征在人脸上的相对位置和顺序,这将有助于生成更精确的活体要素描述谱,并提高面部识别的准确性。
在一些优选的实施例中,步骤20中的在所述面部扫描图像块关系网所包括的所述X个面部扫描图像块中,确定用于生成活体要素描述谱的Y个目标面部扫描图像块,包括步骤21-步骤26。
步骤21、将所述面部扫描图像块关系网所包括的所述X个面部扫描图像块分组至第一扫描图像块集;所述X个面部扫描图像块包括第一面部扫描图像块和第二面部扫描图像块。
步骤22、从所述第一扫描图像块集中检索图像块特征与所述第一面部扫描图像块相同的面部扫描图像块。
步骤23、在检索到图像块特征与所述第一面部扫描图像块相同的面部扫描图像块时,将所述第一面部扫描图像块从所述第一扫描图像块集中清洗,得到第二扫描图像块集。
步骤24、从所述第二扫描图像块集中检索图像块特征与所述第二面部扫描图像块相同的面部扫描图像块。
步骤25、在检索到图像块特征与所述第二面部扫描图像块相同的面部扫描图像块时,将所述第二面部扫描图像块从所述第二扫描图像块集中清洗,得到第三扫描图像块集。
步骤26、依据所述第三扫描图像块集所包括的面部扫描图像块,确定用于生成所述活体要素描述谱的所述Y个目标面部扫描图像块。
其中,第一扫描图像块集是面部扫描图像块关系网所包括的X个面部扫描图像块的集合,其中包括了第一面部扫描图像块和第二面部扫描图像块。第二扫描图像块集是在第一扫描图像块集中,清洗掉与第一面部扫描图像块特征相同的图像块后得到的新的图像块集合。第三扫描图像块集是在第二扫描图像块集中,清洗掉与第二面部扫描图像块特征相同的图像块后得到的新的图像块集合。
举例来说,假设人脸识别系统收到一张待识别的人脸图像,经过预处理步骤后得到了X个面部扫描图像块,其中包括眼睛、鼻子、嘴巴等特征。这些图像块构成了第一扫描图像块集。然后,系统会检索出与第一面部扫描图像块(例如眼睛)特征相同的其他图像块,并将这些图像块从第一扫描图像块集中清洗掉,得到了第二扫描图像块集。接下来,系统会继续检索出与第二面部扫描图像块(例如鼻子)特征相同的其他图像块,并将这些图像块从第二扫描图像块集中清洗掉,得到了第三扫描图像块集。最后,系统根据第三扫描图像块集中包含的图像块,确定用于生成活体要素描述谱的Y个目标面部扫描图像块。例如,系统可能选择眼睛、鼻子和嘴巴等图像块作为目标图像块。
通过逐步清洗和优化图像块集合,有效地提高了活体要素描述谱的质量和精确性,从而可以提高人脸识别的准确性和效率。同时,由于清洗过程去除了冗余和不必要的图像块,还能够降低计算复杂度,提高系统的运行速度。
在另一些可能的实施例中,步骤20中的依据所述Y个目标面部扫描图像块和所述面部扫描图像块关系网,生成得到所述活体要素描述谱,包括步骤20a-步骤20e。
步骤20a、从所述Y个目标面部扫描图像块中获取基准面部扫描图像块。
步骤20b、从所述面部扫描图像块关系网中,获取在所述基准面部扫描图像块的图像块相对分布标签所对应的描述谱牵涉分布标签下的面部扫描图像块,将在所述基准面部扫描图像块的图像块相对分布标签所对应的描述谱牵涉分布标签下的面部扫描图像块作为与所述基准面部扫描图像块存在图像块联系的联动面部扫描图像块。
步骤20c、生成所述基准面部扫描图像块对应的第一活体要素单元,以及所述联动面部扫描图像块对应的第二活体要素单元,依据所述基准面部扫描图像块和所述联动面部扫描图像块之间的第一图像块牵涉特征,生成得到所述基准面部扫描图像块对应的局部活体要素描述谱。
其中,所述基准面部扫描图像块对应的局部活体要素描述谱包括所述第一活体要素单元的前后序牵涉指针,且所述基准面部扫描图像块和所述联动面部扫描图像块之间的第一图像块牵涉特征用于指示所述第一活体要素单元的前后序牵涉指针的传递顺序为从所述第一活体要素单元到所述第二活体要素单元。
步骤20d、当所述Y个目标面部扫描图像块均作为所述基准面部扫描图像块时,得到所述Y个目标面部扫描图像块对应的Y个局部活体要素描述谱;一个目标面部扫描图像块对应的一个局部活体要素描述谱。
步骤20e、依据所述Y个局部活体要素描述谱,确定所述活体要素描述谱。
在上述实施例中,基准面部扫描图像块是从Y个目标面部扫描图像块中选取的一个图像块,作为生成活体要素描述谱的基准。联动面部扫描图像块是与基准面部扫描图像块存在图像块联系的面部扫描图像块。在基准面部扫描图像块的图像块相对分布标签所对应的描述谱牵涉分布标签下获取。第一图像块牵涉特征用于指示基准面部扫描图像块和联动面部扫描图像块之间的联系,用于生成局部活体要素描述谱。局部活体要素描述谱是由基准面部扫描图像块和联动面部扫描图像块生成的活体要素描述谱,可以看作是全局活体要素描述谱的一个组成部分。
举例说明,如果待识别人脸图像数据包括眼睛、鼻子和嘴巴的面部扫描图像块,步骤20a可能会选取眼睛作为基准面部扫描图像块。接下来,步骤20b可能会根据眼睛的图像块相对分布标签,找到与其存在联系的联动面部扫描图像块,例如鼻子。然后,步骤20c生成眼睛(基准)和鼻子(联动)各自对应的活体要素单元,并依据它们之间的第一图像块牵涉特征(如相对位置或形状等),生成对应的局部活体要素描述谱。在步骤20d中,当所有目标面部扫描图像块(眼睛、鼻子和嘴巴)都作为基准面部扫描图像块时,就可以得到对应的多个局部活体要素描述谱。最后,在步骤20e中,通过整合这些局部活体要素描述谱,确定了最终的活体要素描述谱。
通过从全局和局部两个角度进行活体要素描述,增强了活体人脸识别的准确性和鲁棒性,能够更好地处理复杂和多变的人脸识别场景。
在一些示例中,所述Y个局部活体要素描述谱包括第一局部活体要素描述谱和第二局部活体要素描述谱。基于此,步骤20e中的依据所述Y个局部活体要素描述谱,确定所述活体要素描述谱,包括步骤20e1-步骤20e3。
步骤20e1、在所述第二局部活体要素描述谱中,检索与所述第一局部活体要素描述谱中的活体要素单元相匹配的活体要素单元,将所述第二局部活体要素描述谱中所检索到的活体要素单元作为第一拟集成要素单元,并将所述第一局部活体要素描述谱中与所述第一拟集成要素单元相匹配的活体要素单元作为第二拟集成要素单元。
步骤20e2、依据所述第一拟集成要素单元和所述第二拟集成要素单元,对所述第一局部活体要素描述谱和所述第二局部活体要素描述谱进行聚合操作,得到所述第一局部活体要素描述谱和所述第二局部活体要素描述谱所对应的局部活体要素聚合描述谱;所述第一拟集成要素单元和所述第二拟集成要素单元在所述局部活体要素聚合描述谱中被聚合成一个活体要素单元。
步骤20e3、依据所述局部活体要素聚合描述谱,确定所述活体要素描述谱。
其中,第一局部活体要素描述谱和第二局部活体要素描述谱是活体要素描述谱的子集,分别包含了一部分活体要素单元。比如,第一局部活体要素描述谱可能包含了眼睛和鼻子的特征,而第二局部活体要素描述谱可能包含了嘴巴和脸颊的特征。第一拟集成要素单元和第二拟集成要素单元是从第一局部活体要素描述谱和第二局部活体要素描述谱中选取的活体要素单元,用于生成局部活体要素聚合描述谱。局部活体要素聚合描述谱是通过对第一拟集成要素单元和第二拟集成要素单元进行聚合操作得到的新的描述谱。
举例来说,可以先根据待识别人脸图像数据中的面部扫描图像块,生成第一局部活体要素描述谱(包括眼睛和鼻子的特征)和第二局部活体要素描述谱(包括嘴巴和脸颊的特征)。然后,在第二局部活体要素描述谱中检索与第一局部活体要素描述谱中的活体要素单元相匹配的活体要素单元,并将它们作为第一拟集成要素单元和第二拟集成要素单元。接下来,通过对这两个拟集成要素单元进行聚合操作,得到局部活体要素聚合描述谱。最后,根据这个局部活体要素聚合描述谱,确定活体要素描述谱。
通过将活体要素描述谱分解为多个局部活体要素描述谱,然后再进行聚合操作,能够更准确地捕捉到人脸的特征信息,从而提高人脸识别的准确性。同时,由于采用了分解和聚合的方式处理活体要素描述谱,也可以提高处理效率,降低计算复杂度。
在一些示例中,所述第二局部活体要素描述谱包括所述第一拟集成要素单元的前后序牵涉指针;所述第一局部活体要素描述谱包括所述第二拟集成要素单元的前后序牵涉指针。基于此,步骤20e2所描述的依据所述第一拟集成要素单元和所述第二拟集成要素单元,对所述第一局部活体要素描述谱和所述第二局部活体要素描述谱进行聚合操作,得到所述第一局部活体要素描述谱和所述第二局部活体要素描述谱所对应的局部活体要素聚合描述谱,包括:对所述第一拟集成要素单元和所述第二拟集成要素单元进行聚合,得到所述第一拟集成要素单元和所述第二拟集成要素单元之间的聚合要素单元;依据所述第一拟集成要素单元的前后序牵涉指针和所述第二拟集成要素单元的前后序牵涉指针,确定所述局部活体要素聚合描述谱;所述局部活体要素聚合描述谱中包括所述聚合要素单元的前后序牵涉指针,且所述聚合要素单元的前后序牵涉指针包括:所述第一拟集成要素单元的前后序牵涉指针、所述第二拟集成要素单元的前后序牵涉指针。
其中,第一拟集成要素单元和第二拟集成要素单元是构成局部活体要素描述谱的元素,可以代表人脸上不同的特征区域,比如眼睛和鼻子等。聚合要素单元是通过将第一拟集成要素单元和第二拟集成要素单元进行聚合得到的要素单元,它可能包含了两者的共享特征或相关信息。局部活体要素聚合描述谱是依据聚合要素单元及其前后序牵涉指针确定的新的描述谱,它是对人脸上某个特定区域的更全面的描述。
举例来说,如果待识别人脸图像数据包括眼睛、鼻子和嘴巴等多个目标面部扫描图像块,首先会为每一个图像块生成一个局部活体要素描述谱,这些描述谱分别包含了第一拟集成要素单元和第二拟集成要素单元的前后序牵涉指针。接下来,在步骤20e2中,会对第一拟集成要素单元和第二拟集成要素单元进行聚合,得到一个新的聚合要素单元。然后,依据这个聚合要素单元及其前后序牵涉指针,就可以生成一个新的局部活体要素聚合描述谱。这个描述谱不仅包含了聚合要素单元的前后序牵涉指针,还包括了第一拟集成要素单元和第二拟集成要素单元的前后序牵涉指针。
可见,通过对多个局部活体要素描述谱进行聚合,可以生成一个更全面、更准确的活体要素描述信息,从而提高人脸识别的准确性和鲁棒性。同时,通过利用更丰富的前后序牵涉指针信息,还能够更好地理解和描述人脸特征之间的关系,进一步提高系统的识别性能。
在一些示例中,所述活体要素描述谱包括的活体要素单元中任一个为中间活体要素单元。基于此,步骤30中的依据所述候选面部扫描图像块在所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识,包括步骤31-步骤33。
步骤31、生成所述中间活体要素单元对应的目标面部扫描图像块的第二图像块牵涉特征。
步骤32、依据所述中间活体要素单元对应的目标面部扫描图像块的第二图像块牵涉特征,在所述活体要素描述谱中,添加所述中间活体要素单元的前后序牵涉指针;所述中间活体要素单元对应的目标面部扫描图像块的第二图像块牵涉特征用于指示所述中间活体要素单元对应添加的前后序牵涉指针的传递顺序为从所述中间活体要素单元到所述中间活体要素单元。
步骤33、依据所述候选面部扫描图像块在添加有所述中间活体要素单元的前后序牵涉指针的所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识。
其中,中间活体要素单元是构成活体要素描述谱的一种特殊类型的活体要素单元,位于活体要素描述谱的中间位置,用于帮助确定候选面部扫描图像块的前后序活体比对知识。第二图像块牵涉特征是由中间活体要素单元生成的一个特性,用于在活体要素描述谱中添加中间活体要素单元的前后序牵涉指针。前后序活体比对知识是根据候选面部扫描图像块在活体要素描述谱中的前后序牵涉指针确定的信息,用于进行人脸识别。
举例来说,假设有一个包含眼睛、鼻子和嘴巴等多个活体要素单元的活体要素描述谱。其中,鼻子可能被视为中间活体要素单元。首先,系统会根据鼻子生成第二图像块牵涉特征。然后,系统会根据这个特征,在活体要素描述谱中为鼻子添加前后序牵涉指针。接下来,系统会根据候选面部扫描图像块(例如待识别人脸图像中的鼻子)在添加有鼻子的前后序牵涉指针的活体要素描述谱中的位置,确定候选面部扫描图像块的前后序活体比对知识。这些知识可能包括该图像块在整个人脸中的相对位置、形状等特性。
通过使用中间活体要素单元和第二图像块牵涉特征,可以更准确地理解和描述活体要素之间的关系,从而提高人脸识别的准确性。同时,通过生成前后序活体比对知识,也能够为人脸识别提供更多的参考信息,进一步提高识别效率。
在一些可能的实施例中,步骤30中的依据所述候选面部扫描图像块在所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识,包括步骤30a1-步骤30a5。
步骤30a1、获取所述候选面部扫描图像块的原始活体检测知识;所述原始活体检测知识包括Y个第一知识成员;所述Y个第一知识成员的知识特征变量均为原始知识特征变量;一个第一知识成员对应所述Y个活体要素单元中的一个活体要素单元。
步骤30a2、依据所述候选面部扫描图像块对应的目标活体要素单元在所述活体要素描述谱中的前后序牵涉指针,确定与所述目标活体要素单元具有联系的基准活体要素单元;所述基准活体要素单元是所述目标活体要素单元的前后序牵涉指针所指向的活体要素单元。
步骤30a3、依据所述目标活体要素单元的前后序牵涉指针的指针个数,确定与所述基准活体要素单元具有联系的目标知识特征变量。
步骤30a4、在所述原始活体检测知识中,将所述基准活体要素单元对应的第一知识成员由所述原始知识特征变量调整为与所述基准活体要素单元具有联系的目标知识特征变量。
步骤30a5、依据存在与所述基准活体要素单元具有联系的目标知识特征变量的原始活体检测知识,确定所述候选面部扫描图像块的前后序活体比对知识。
其中,原始活体检测知识是对候选面部扫描图像块进行初步活体检测时获取的信息,包含了Y个第一知识成员。第一知识成员是构成原始活体检测知识的基本单元,每一个第一知识成员都对应一个活体要素单元。原始知识特征变量是第一知识成员的属性参数,用于描述活体要素单元的特性。基准活体要素单元是由目标活体要素单元的前后序牵涉指针所指向的活体要素单元,用于确定目标知识特征变量。目标知识特征变量是根据基准活体要素单元确定的新的特征变量,用于调整原始活体检测知识。
举例来说,假设正在分析的候选面部扫描图像块是人脸上的鼻子。首先,获取鼻子的原始活体检测知识,它包含了对应鼻子的第一知识成员。然后,根据鼻子在活体要素描述谱中的前后序牵涉指针,确定与鼻子有联系的基准活体要素单元,比如眼睛。接下来,根据鼻子的前后序牵涉指针的数量,确定与眼睛有联系的目标知识特征变量。然后,在原始活体检测知识中,将眼睛对应的第一知识成员由原始知识特征变量调整为目标知识特征变量。最后,根据存在目标知识特征变量的原始活体检测知识,确定鼻子的前后序活体比对知识。
通过使用基准活体要素单元和目标知识特征变量,可以更准确地描述和理解活体要素之间的关系,从而提高人脸识别的准确性。同时,通过生成前后序活体比对知识,还能够为人脸识别提供更多的参考信息,进一步提高识别效率。
在一些可能的实施例中,步骤30a5中的依据存在与所述基准活体要素单元具有联系的目标知识特征变量的原始活体检测知识,确定所述候选面部扫描图像块的前后序活体比对知识,包括:依据存在与所述基准活体要素单元具有联系的目标知识特征变量的原始活体检测知识,确定所述候选面部扫描图像块的目标活体检测知识;对所述候选面部扫描图像块的目标活体检测知识进行区间数值映射处理,将区间数值映射后的目标活体检测知识作为所述候选面部扫描图像块的前后序活体比对知识。
其中,目标活体检测知识是基于原始活体检测知识,通过引入与基准活体要素单元具有联系的目标知识特征变量后获得的改进版活体检测知识。区间数值映射处理是一种数学处理方法,它将数据从一个数值范围映射到另一个数值范围,用于调整或标准化数据。
例如,在前面的例子中,已经获取了鼻子的原始活体检测知识,并根据眼睛(即基准活体要素单元)确定了目标知识特征变量。然后,根据这些目标知识特征变量,调整了原始活体检测知识,得到了目标活体检测知识。接下来,对目标活体检测知识进行区间数值映射处理。比如,假设原始的目标活体检测知识的数值范围是0-100,可以将其映射到0-1的范围内,使得数据更加标准化。最后,将区间数值映射后的目标活体检测知识作为候选面部扫描图像块(即鼻子)的前后序活体比对知识。
通过这个技术方案,不仅可以更准确地描述和利用活体要素之间的关系,提高人脸识别的准确性,而且还能通过区间数值映射处理,使得活体检测知识更加标准化,进一步提高了数据处理的效率和准确性。
在一些优选的设计思路下,所述方法还包括步骤01-步骤04。
步骤01、为所述候选面部扫描图像块添加图像块掩码变量;所述候选面部扫描图像块的图像块掩码变量为不大于Y的正整数,且所述候选面部扫描图像块的图像块掩码变量异于所述Y个目标面部扫描图像块中除所述候选面部扫描图像块之外的目标面部扫描图像块的图像块掩码变量。
步骤02、获取所述候选面部扫描图像块的原始图像描述子;所述原始图像描述子包括Y个第二知识成员;所述Y个第二知识成员均为第一知识特征变量。
步骤03、在所述原始图像描述子中,将所述候选面部扫描图像块的图像块掩码变量所关联的第二知识成员由所述第一知识特征变量调整为第二知识特征变量。
步骤04、依据携带所述第二知识特征变量的原始图像描述子确定所述候选面部扫描图像块的目标图像描述子,将所述候选面部扫描图像块的目标图像描述子作为所述候选面部扫描图像块的原始图像块描述知识。
其中,图像块掩码变量是为候选面部扫描图像块添加的一个参数,是一个不大于Y的正整数。该参数用来标识并区分不同的目标面部扫描图像块。原始图像描述子是获取的所述候选面部扫描图像块的初步信息,包括Y个第二知识成员。第二知识成员事构成原始图像描述子的基本单元,每个第二知识成员都为第一知识特征变量。第一知识特征变量用于描述第二知识成员的属性参数。第二知识特征变量是通过调整第一知识特征变量得到的新的特征变量。
以人脸识别系统为例,首先,为每个候选面部扫描图像块(如眼睛、鼻子、嘴巴等)添加一个图像块掩码变量作为唯一标识。接着,获取每个候选面部扫描图像块的原始图像描述子,包括Y个第二知识成员,每个第二知识成员都有一个与之关联的第一知识特征变量。
然后,在原始图像描述子中,根据图像块掩码变量将关联的第二知识成员由第一知识特征变量调整为第二知识特征变量。最后,通过带有第二知识特征变量的原始图像描述子,确定了候选面部扫描图像块的目标图像描述子,并将其作为原始图像块描述知识。
可见,通过引入图像块掩码变量,能够更准确地区分和管理不同的面部扫描图像块。同时,通过使用第二知识特征变量,可以更有效地描述和理解面部扫描图像块的特性,从而提高人脸识别的准确性和效率。
在一些可能的实施例中,所述Y个目标面部扫描图像块的原始图像块描述知识用于生成原始图像块描述知识链;所述Y个目标面部扫描图像块的前后序活体比对知识用于生成前后序牵涉描述知识链;若所述候选面部扫描图像块为所述Y个目标面部扫描图像块中的第c个目标面部扫描图像块,则所述候选面部扫描图像块的原始图像块描述知识是所述原始图像块描述知识链中的第c个描述知识组,且所述候选面部扫描图像块的前后序活体比对知识是所述前后序牵涉描述知识链中的第c个描述知识组;c为不大于Y的正整数。基于此,步骤40中的依据所述前后序活体比对知识、所述原始图像块描述知识和与所述待识别人脸图像数据具有联系的人脸识别辅助模型,得到所述候选面部扫描图像块的活体访问控制验证知识,包括步骤41-步骤42。
步骤41、将所述前后序牵涉描述知识链、所述原始图像块描述知识链传入所述人脸识别辅助模型,通过所述人脸识别辅助模型,依据所述前后序牵涉描述知识链对所述原始图像块描述知识链进行知识提炼,得到所述原始图像块描述知识链对应的目标图像块描述知识链。
步骤42、将所述目标图像块描述知识链中的第c个描述知识组作为所述候选面部扫描图像块的活体访问控制验证知识。
其中,原始图像块描述知识链是一个由Y个目标面部扫描图像块的原始图像块描述知识组成的链条(序列)。前后序牵涉描述知识链是一个由Y个目标面部扫描图像块的前后序活体比对知识组成的链条。人脸识别辅助模型是一种用于人脸识别的辅助工具或框架,可以帮助处理和理解人脸数据。知识提炼是一种通过分析和处理数据来提取有用信息的过程。目标图像块描述知识链是一个通过知识提炼后得到的,由Y个目标面部扫描图像块的描述知识组成的链条。
例如,假设有三个(即Y=3)目标面部扫描图像块,包括眼睛、鼻子和嘴巴。每个图像块都有自己的原始图像块描述知识和前后序活体比对知识。首先将这些知识串联起来,形成了原始图像块描述知识链和前后序牵涉描述知识链。接着,将这两条知识链输入到人脸识别辅助模型中,并依据前后序牵涉描述知识链对原始图像块描述知识链进行知识提炼,得到目标图像块描述知识链。例如,可能发现鼻子的形状和位置与眼睛和嘴巴的比例关系对于人脸识别特别重要,因此在知识提炼过程中,可能会增强这部分信息。最后,将目标图像块描述知识链中的第c个描述知识组(例如,鼻子的描述知识)作为候选面部扫描图像块的活体访问控制验证知识。
通过这个技术方案,可以更有效地管理和使用面部扫描图像块的描述知识,提高人脸识别的准确性和效率。此外,通过知识提炼和活体访问控制验证,还可以进一步提升系统的安全性。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以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中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、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AI的人脸识别访问控制方法,其特征在于,应用于门禁监控控制系统,所述方法包括:
依据待识别人脸图像数据中的X个面部扫描图像块,确定与所述待识别人脸图像数据具有联系的面部扫描图像块关系网;X为大于1的整数;
在所述面部扫描图像块关系网所包括的所述X个面部扫描图像块中,确定用于生成活体要素描述谱的Y个目标面部扫描图像块,依据所述Y个目标面部扫描图像块和所述面部扫描图像块关系网,生成得到所述活体要素描述谱;所述活体要素描述谱包括Y个活体要素单元;Y为大于1的整数,且Y不大于X;一个活体要素单元是通过一个目标面部扫描图像块所确定的,一个活体要素单元的前后序牵涉指针是通过一个目标面部扫描图像块在所述面部扫描图像块关系网中的图像块相对分布标签所对应的描述谱牵涉分布标签确定的;所述图像块相对分布标签和所述描述谱牵涉分布标签为邻居分布标签,且所述描述谱牵涉分布标签为所述目标面部扫描图像块在所述面部扫描图像块关系网中的后一面部扫描图像块的分布标签;
从所述Y个活体要素单元中获取目标活体要素单元,将所述目标活体要素单元所对应的目标面部扫描图像块作为候选面部扫描图像块,依据所述候选面部扫描图像块在所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识;所述前后序活体比对知识的知识特征尺寸为1*Y;
在获取到所述候选面部扫描图像块的原始图像块描述知识时,依据所述前后序活体比对知识、所述原始图像块描述知识和与所述待识别人脸图像数据具有联系的人脸识别辅助模型,得到所述候选面部扫描图像块的活体访问控制验证知识;所述活体访问控制验证知识的知识特征尺寸和所述原始图像块描述知识的知识特征尺寸均为1*Y;所述候选面部扫描图像块的活体访问控制验证知识用于确定所述待识别人脸图像数据的活体身份验证。
2.如权利要求1所述的方法,其特征在于,所述依据待识别人脸图像数据中的X个面部扫描图像块,确定与所述待识别人脸图像数据具有联系的面部扫描图像块关系网,包括:
依据所述X个面部扫描图像块和所述X个面部扫描图像块在所述待识别人脸图像数据中的图像块区域标识,确定与所述待识别人脸图像数据具有联系的面部扫描图像块关系网;其中,所述X个面部扫描图像块包括面部扫描图像块a和面部扫描图像块b;a和b均为小于X的正整数,且a≠b;
在a<b时,所述面部扫描图像块a的图像块区域标识为在所述面部扫描图像块b的图像块区域标识之前的图像块区域标识,且所述面部扫描图像块a的图像块相对分布标签为在所述面部扫描图像块b的图像块相对分布标签之前的图像块相对分布标签。
3.如权利要求1所述的方法,其特征在于,所述在所述面部扫描图像块关系网所包括的所述X个面部扫描图像块中,确定用于生成活体要素描述谱的Y个目标面部扫描图像块,包括:
将所述面部扫描图像块关系网所包括的所述X个面部扫描图像块分组至第一扫描图像块集;所述X个面部扫描图像块包括第一面部扫描图像块和第二面部扫描图像块;
从所述第一扫描图像块集中检索图像块特征与所述第一面部扫描图像块相同的面部扫描图像块;
在检索到图像块特征与所述第一面部扫描图像块相同的面部扫描图像块时,将所述第一面部扫描图像块从所述第一扫描图像块集中清洗,得到第二扫描图像块集;
从所述第二扫描图像块集中检索图像块特征与所述第二面部扫描图像块相同的面部扫描图像块;
在检索到图像块特征与所述第二面部扫描图像块相同的面部扫描图像块时,将所述第二面部扫描图像块从所述第二扫描图像块集中清洗,得到第三扫描图像块集;
依据所述第三扫描图像块集所包括的面部扫描图像块,确定用于生成所述活体要素描述谱的所述Y个目标面部扫描图像块。
4.如权利要求1所述的方法,其特征在于,所述依据所述Y个目标面部扫描图像块和所述面部扫描图像块关系网,生成得到所述活体要素描述谱,包括:
从所述Y个目标面部扫描图像块中获取基准面部扫描图像块;
从所述面部扫描图像块关系网中,获取在所述基准面部扫描图像块的图像块相对分布标签所对应的描述谱牵涉分布标签下的面部扫描图像块,将在所述基准面部扫描图像块的图像块相对分布标签所对应的描述谱牵涉分布标签下的面部扫描图像块作为与所述基准面部扫描图像块存在图像块联系的联动面部扫描图像块;
生成所述基准面部扫描图像块对应的第一活体要素单元,以及所述联动面部扫描图像块对应的第二活体要素单元,依据所述基准面部扫描图像块和所述联动面部扫描图像块之间的第一图像块牵涉特征,生成得到所述基准面部扫描图像块对应的局部活体要素描述谱;所述基准面部扫描图像块对应的局部活体要素描述谱包括所述第一活体要素单元的前后序牵涉指针,且所述基准面部扫描图像块和所述联动面部扫描图像块之间的第一图像块牵涉特征用于指示所述第一活体要素单元的前后序牵涉指针的传递顺序为从所述第一活体要素单元到所述第二活体要素单元;
当所述Y个目标面部扫描图像块均作为所述基准面部扫描图像块时,得到所述Y个目标面部扫描图像块对应的Y个局部活体要素描述谱;一个目标面部扫描图像块对应的一个局部活体要素描述谱;
依据所述Y个局部活体要素描述谱,确定所述活体要素描述谱。
5.如权利要求4所述的方法,其特征在于,所述Y个局部活体要素描述谱包括第一局部活体要素描述谱和第二局部活体要素描述谱;
所述依据所述Y个局部活体要素描述谱,确定所述活体要素描述谱,包括:
在所述第二局部活体要素描述谱中,检索与所述第一局部活体要素描述谱中的活体要素单元相匹配的活体要素单元,将所述第二局部活体要素描述谱中所检索到的活体要素单元作为第一拟集成要素单元,并将所述第一局部活体要素描述谱中与所述第一拟集成要素单元相匹配的活体要素单元作为第二拟集成要素单元;
依据所述第一拟集成要素单元和所述第二拟集成要素单元,对所述第一局部活体要素描述谱和所述第二局部活体要素描述谱进行聚合操作,得到所述第一局部活体要素描述谱和所述第二局部活体要素描述谱所对应的局部活体要素聚合描述谱;所述第一拟集成要素单元和所述第二拟集成要素单元在所述局部活体要素聚合描述谱中被聚合成一个活体要素单元;
依据所述局部活体要素聚合描述谱,确定所述活体要素描述谱。
6.如权利要求5所述的方法,其特征在于,所述第二局部活体要素描述谱包括所述第一拟集成要素单元的前后序牵涉指针;所述第一局部活体要素描述谱包括所述第二拟集成要素单元的前后序牵涉指针;
所述依据所述第一拟集成要素单元和所述第二拟集成要素单元,对所述第一局部活体要素描述谱和所述第二局部活体要素描述谱进行聚合操作,得到所述第一局部活体要素描述谱和所述第二局部活体要素描述谱所对应的局部活体要素聚合描述谱,包括:对所述第一拟集成要素单元和所述第二拟集成要素单元进行聚合,得到所述第一拟集成要素单元和所述第二拟集成要素单元之间的聚合要素单元;依据所述第一拟集成要素单元的前后序牵涉指针和所述第二拟集成要素单元的前后序牵涉指针,确定所述局部活体要素聚合描述谱;
所述局部活体要素聚合描述谱中包括所述聚合要素单元的前后序牵涉指针,且所述聚合要素单元的前后序牵涉指针包括:所述第一拟集成要素单元的前后序牵涉指针、所述第二拟集成要素单元的前后序牵涉指针。
7.如权利要求1所述的方法,其特征在于,所述活体要素描述谱包括的活体要素单元中任一个为中间活体要素单元;所述依据所述候选面部扫描图像块在所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识,包括:
生成所述中间活体要素单元对应的目标面部扫描图像块的第二图像块牵涉特征;
依据所述中间活体要素单元对应的目标面部扫描图像块的第二图像块牵涉特征,在所述活体要素描述谱中,添加所述中间活体要素单元的前后序牵涉指针;所述中间活体要素单元对应的目标面部扫描图像块的第二图像块牵涉特征用于指示所述中间活体要素单元对应添加的前后序牵涉指针的传递顺序为从所述中间活体要素单元到所述中间活体要素单元;
依据所述候选面部扫描图像块在添加有所述中间活体要素单元的前后序牵涉指针的所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识。
8.如权利要求1所述的方法,其特征在于,所述依据所述候选面部扫描图像块在所述活体要素描述谱中的前后序牵涉指针,确定所述候选面部扫描图像块的前后序活体比对知识,包括:
获取所述候选面部扫描图像块的原始活体检测知识;所述原始活体检测知识包括Y个第一知识成员;所述Y个第一知识成员的知识特征变量均为原始知识特征变量;一个第一知识成员对应所述Y个活体要素单元中的一个活体要素单元;
依据所述候选面部扫描图像块对应的目标活体要素单元在所述活体要素描述谱中的前后序牵涉指针,确定与所述目标活体要素单元具有联系的基准活体要素单元;所述基准活体要素单元是所述目标活体要素单元的前后序牵涉指针所指向的活体要素单元;
依据所述目标活体要素单元的前后序牵涉指针的指针个数,确定与所述基准活体要素单元具有联系的目标知识特征变量;
在所述原始活体检测知识中,将所述基准活体要素单元对应的第一知识成员由所述原始知识特征变量调整为与所述基准活体要素单元具有联系的目标知识特征变量;
依据存在与所述基准活体要素单元具有联系的目标知识特征变量的原始活体检测知识,确定所述候选面部扫描图像块的前后序活体比对知识;
其中,所述依据存在与所述基准活体要素单元具有联系的目标知识特征变量的原始活体检测知识,确定所述候选面部扫描图像块的前后序活体比对知识,包括:
依据存在与所述基准活体要素单元具有联系的目标知识特征变量的原始活体检测知识,确定所述候选面部扫描图像块的目标活体检测知识;
对所述候选面部扫描图像块的目标活体检测知识进行区间数值映射处理,将区间数值映射后的目标活体检测知识作为所述候选面部扫描图像块的前后序活体比对知识。
9.一种门禁监控控制系统,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311774276.0A CN117456589B (zh) | 2023-12-22 | 2023-12-22 | 基于ai的人脸识别访问控制方法及门禁监控控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311774276.0A CN117456589B (zh) | 2023-12-22 | 2023-12-22 | 基于ai的人脸识别访问控制方法及门禁监控控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117456589A true CN117456589A (zh) | 2024-01-26 |
CN117456589B CN117456589B (zh) | 2024-04-26 |
Family
ID=89591459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311774276.0A Active CN117456589B (zh) | 2023-12-22 | 2023-12-22 | 基于ai的人脸识别访问控制方法及门禁监控控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117456589B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709458A (zh) * | 2016-12-27 | 2017-05-24 | 深圳市捷顺科技实业股份有限公司 | 一种人脸活体检测方法及装置 |
US20170286754A1 (en) * | 2016-03-29 | 2017-10-05 | Microsoft Technology Licensing, Llc | Recognizing A Face And Providing Feedback On The Face-Recognition Process |
CN107644191A (zh) * | 2016-07-21 | 2018-01-30 | 中兴通讯股份有限公司 | 一种人脸识别方法及系统、终端及服务器 |
CN110245645A (zh) * | 2019-06-21 | 2019-09-17 | 北京字节跳动网络技术有限公司 | 人脸活体识别方法、装置、设备及存储介质 |
CN112101200A (zh) * | 2020-09-15 | 2020-12-18 | 北京中合万象科技有限公司 | 一种人脸反识别方法、系统、计算机设备及可读存储介质 |
US20210137406A1 (en) * | 2018-04-20 | 2021-05-13 | Valtronic Technologies (Holding) Sa | Scanning device for living objects |
CN112801013A (zh) * | 2021-02-08 | 2021-05-14 | 的卢技术有限公司 | 一种基于关键点识别校验的人脸识别方法、系统及装置 |
US20220021669A1 (en) * | 2019-04-02 | 2022-01-20 | Japan Display Inc. | Biometric authentication system and living body information detection device |
US20230095182A1 (en) * | 2021-03-08 | 2023-03-30 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for extracting biological features, device, medium, and program product |
-
2023
- 2023-12-22 CN CN202311774276.0A patent/CN117456589B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286754A1 (en) * | 2016-03-29 | 2017-10-05 | Microsoft Technology Licensing, Llc | Recognizing A Face And Providing Feedback On The Face-Recognition Process |
CN107644191A (zh) * | 2016-07-21 | 2018-01-30 | 中兴通讯股份有限公司 | 一种人脸识别方法及系统、终端及服务器 |
CN106709458A (zh) * | 2016-12-27 | 2017-05-24 | 深圳市捷顺科技实业股份有限公司 | 一种人脸活体检测方法及装置 |
US20210137406A1 (en) * | 2018-04-20 | 2021-05-13 | Valtronic Technologies (Holding) Sa | Scanning device for living objects |
US20220021669A1 (en) * | 2019-04-02 | 2022-01-20 | Japan Display Inc. | Biometric authentication system and living body information detection device |
CN110245645A (zh) * | 2019-06-21 | 2019-09-17 | 北京字节跳动网络技术有限公司 | 人脸活体识别方法、装置、设备及存储介质 |
CN112101200A (zh) * | 2020-09-15 | 2020-12-18 | 北京中合万象科技有限公司 | 一种人脸反识别方法、系统、计算机设备及可读存储介质 |
CN112801013A (zh) * | 2021-02-08 | 2021-05-14 | 的卢技术有限公司 | 一种基于关键点识别校验的人脸识别方法、系统及装置 |
US20230095182A1 (en) * | 2021-03-08 | 2023-03-30 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for extracting biological features, device, medium, and program product |
Non-Patent Citations (2)
Title |
---|
盘海玲;: "人脸识别系统中活体检测技术", 科技资讯, no. 10, 3 April 2015 (2015-04-03) * |
马思源;郑涵;郭文;: "应用深度光学应变特征图的人脸活体检测", 中国图象图形学报, no. 03, 16 March 2020 (2020-03-16) * |
Also Published As
Publication number | Publication date |
---|---|
CN117456589B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719188B (zh) | 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 | |
CN109543640B (zh) | 一种基于图像转换的活体检测方法 | |
CN105404860B (zh) | 用于管理走失人员信息的方法和设备 | |
CN110163078A (zh) | 活体检测方法、装置及应用活体检测方法的服务系统 | |
CN109190470B (zh) | 行人重识别方法及装置 | |
Shi et al. | Image manipulation detection and localization based on the dual-domain convolutional neural networks | |
CN111160313B (zh) | 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法 | |
CN109376604B (zh) | 一种基于人体姿态的年龄识别方法和装置 | |
WO2022222575A1 (zh) | 用于目标识别的方法和系统 | |
CN113449725B (zh) | 对象分类方法、装置、设备及存储介质 | |
US20210406606A1 (en) | Systems and methods for distributed data analytics | |
CN115186303B (zh) | 一种基于大数据云平台的金融签章安全管理方法及系统 | |
Agarwal et al. | Iris sensor identification in multi-camera environment | |
CN111291773A (zh) | 特征识别的方法及装置 | |
CN112784741A (zh) | 宠物身份识别方法、装置及非易失性存储介质 | |
CN111553241A (zh) | 掌纹的误匹配点剔除方法、装置、设备及存储介质 | |
CN112926557B (zh) | 一种训练多模态人脸识别模型的方法以及多模态人脸识别方法 | |
CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
WO2018185574A1 (en) | Apparatus and method for documents and/or personal identities recognition and validation | |
CN117456589B (zh) | 基于ai的人脸识别访问控制方法及门禁监控控制系统 | |
Chawla et al. | Classification of computer generated images from photographic images using convolutional neural networks | |
You et al. | Tampering detection and localization base on sample guidance and individual camera device convolutional neural network features | |
CN109978028B (zh) | 一种基于集成深度学习的特定辐射源识别方法 | |
CN111597896B (zh) | 异常人脸的识别方法、识别装置、识别设备和存储介质 | |
CN114612989A (zh) | 人脸识别数据集的生成方法及装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |