KR20220104110A - 안면 생체 검출 방법, 장치, 전자 기기 및 저장 매체 - Google Patents

안면 생체 검출 방법, 장치, 전자 기기 및 저장 매체 Download PDF

Info

Publication number
KR20220104110A
KR20220104110A KR1020220083658A KR20220083658A KR20220104110A KR 20220104110 A KR20220104110 A KR 20220104110A KR 1020220083658 A KR1020220083658 A KR 1020220083658A KR 20220083658 A KR20220083658 A KR 20220083658A KR 20220104110 A KR20220104110 A KR 20220104110A
Authority
KR
South Korea
Prior art keywords
detection
model
image
facial
biometric
Prior art date
Application number
KR1020220083658A
Other languages
English (en)
Inventor
커야오 왕
총이 리우
궈셩 쟝
제 루
쯔어빈 황
쟈오판 쩌우
하이샤오 위에
하오쳥 펑
하오?? 펑
Original Assignee
베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
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 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 filed Critical 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Publication of KR20220104110A publication Critical patent/KR20220104110A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • 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
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/22—Cropping

Landscapes

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

Abstract

본 개시는 안면 생체 검출 방법, 장치, 전자 기기 및 저장 매체를 제공하며, 이미지 처리 기술 분야, 구체적으로 컴퓨터 시각 및 딥러닝 등 인공지능 기술 분야에 관한 것이다. 구체적인 구현 수단은 검출할 안면을 포함하는 소스 이미지를 획득하는 단계; 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하는 단계 - 검출 모델은 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 포함하는 바, 인자 검출 보조 모델은 생체 검출 중 하나의 공격 방지 인자에 대해 검출하는데 사용됨 -; 생체 검출 메인 모델의 제1 검출 확률 및 인자 검출 보조 모델의 제2 검출 확률을 획득하는 단계; 및 제1 검출 확률 및 제2 검출 확률에 따라, 생체 검출 결과를 결정하는 단계;를 포함한다. 이에 따라, 안면 생체 검출의 정확도 및 범화성을 향상시킬 수 있다.

Description

안면 생체 검출 방법, 장치, 전자 기기 및 저장 매체{METHOD AND APPARATUS FOR DETECTING LIVING FACE, ELECTRONIC DEVICE AND STORAGE MEDIUM}
본 개시는 이미지 처리 기술 분야에 관한 것으로, 구체적으로 컴퓨터 시각 및 딥러닝 등 인공지능 기술 분야에 관한 것이다.
안면 생체 검출은 안면 검출 분야의 기본 기술 중 하나이며, 보안, 출퇴근, 금융, 접근 통제 등 많은 시나리오에 적용된다. 안면 생체 검출이라는 것은 이미지가 실제 사람이 촬영된 것인지 여부를 구분하기 위한 것으로, 안면 인식 시스템의 안전성을 확보하는 기본이다.
본 개시는 안면 생체 검출에 적용되는 방법, 장치, 전자 기기 및 저장 매체를 제공한다.
본 개시의 제1 측면에 따르면, 안면 생체 검출 방법이 제공되며, 검출할 안면을 포함하는 소스 이미지를 획득하는 단계; 상기 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하는 단계 - 상기 검출 모델은 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 포함하고, 상기 인자 검출 보조 모델은 생체 검출 중 하나의 공격 방지 인자에 대해 검출하는데 사용됨 -; 상기 생체 검출 메인 모델의 제1 검출 확률 및 상기 인자 검출 보조 모델의 제2 검출 확률을 획득하는 단계; 및 상기 제1 검출 확률 및 상기 제2 검출 확률에 따라, 생체 검출 결과를 결정하는 단계;를 포함한다.
본 개시의 제2 측면에 따르면, 안면 생체 검출 장치가 제공되며, 검출할 안면을 포함하는 소스 이미지를 획득하는 제1 획득 모듈; 상기 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하는 제2 획득 모듈 - 상기 검출 모델은 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 포함하고, 상기 인자 검출 보조 모델은 생체 검출 중 하나의 공격 방지 인자에 대해 검출하는데 사용됨 -; 상기 생체 검출 메인 모델의 제1 검출 확률 및 상기 인자 검출 보조 모델의 제2 검출 확률을 획득하는 제3 획득 모듈; 및 상기 제1 검출 확률 및 상기 제2 검출 확률에 따라, 생체 검출 결과를 결정하는 결정 모듈;을 포함한다.
본 개시의 제3 측면에 따르면, 전자 기기가 제공되며,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 통신 가능하게 연결되는 메모리;를 포함하고,
상기 메모리에 상기 적어도 하나의 프로세서에 의해 수행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 수행될 경우, 상기 적어도 하나의 프로세서가 상기 일 측면의 실시예에 따른 안면 생체 검출 방법을 수행한다.
본 개시의 제4 측면에 따르면, 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체가 제공되며, 컴퓨터 프로그램이 저장되어 있고, 상기 컴퓨터 명령은 컴퓨터가 상기 일 측면의 실시예에 따른 안면 생체 검출 방법을 수행하는데 사용된다.
본 개시의 제5 측면에 따르면, 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램이 제공되며, 상기 컴퓨터 프로그램의 명령이 프로세서에 의해 수행될 경우, 상기 일 측면의 실시예에 따른 안면 생체 검출 방법이 구현된다.
이해 가능한 바로는, 본 부분에서 설명된 내용은 본 개시의 실시예의 핵심 또는 중요한 특징을 식별하기 위한 것이 아니며, 본 개시의 범위를 한정하지도 않는다. 본 개시의 다른 특징들은 하기의 명세서에 의해 쉽게 이해될 것이다.
첨부된 도면은 본 기술 수단을 더 잘 이해하기 위한 것으로, 본 개시에 대한 한정이 구성되지 않는다.
도 1은 본 개시의 실시예에서 제공되는 안면 생체 검출 방법의 개략적인 흐름도이다.
도 2는 본 개시의 실시예에서 제공되는 다른 안면 생체 검출 방법의 개략적인 흐름도이다.
도 3은 본 개시의 실시예에서 제공되는 안면 생체 검출 방법의 T자형 영역 이미지의 개략도이다.
도 4는 본 개시의 실시예에서 제공되는 다른 안면 생체 검출 방법의 개략적인 흐름도이다.
도 5는 본 개시의 실시예에서 제공되는 다른 안면 생체 검출 방법의 개략적인 흐름도이다.
도 6은 본 개시의 실시예에서 제공되는 다른 안면 생체 검출 방법의 개략적인 흐름도이다.
도 7은 본 개시의 실시예에서 제공되는 다른 안면 생체 검출 방법의 개략적인 흐름도이다.
도 8은 본 개시의 실시예에서 제공되는 안면 생체 검출 방법의 전체 흐름의 개략도이다.
도 9는 본 개시의 실시예에서 제공되는 안면 생체 검출 장치의 구조 개략도이다.
도 10은 본 개시의 실시예에 따른 안면 생체 검출 방법의 전자 기기의 블록도이다.
이하, 첨부된 도면을 결부하여 본 개시의 예시적인 실시예에 대해 설명하며, 여기에는 이해를 돕기 위해 본 개시의 실시예의 다양한 세부 사항을 포함하므로, 이는 단지 예시적인 것으로 이해해야 한다. 따라서, 당업자는 본 개시의 범위 및 사상을 벗어나지 않는 한 여기에 설명된 실시예에 대해 다양한 변경 및 수정이 이루어질 수 있음을 인식해야 한다. 마찬가지로, 명확성과 간결성을 위해, 하기의 설명에서는 공지된 기능 및 구조에 대한 설명을 생략한다.
이하, 첨부된 도면을 참조하여 본 개시의 실시예에 따른 안면 생체 검출 방법, 장치 및 전자 기기를 설명한다.
인공지능(Artificial Intelligence, 약자 AI)은 인간의 특정 사유 과정 및 지능 행위(예컨대, 러닝, 추리, 사고, 계획 등)를 컴퓨터로 시뮬레이션하기 위해 연구하는 학과이며, 하드웨어 방면의 기술 뿐만 아니라 소프트웨어 방면의 기술도 포함한다. 인공지능 하드웨어 기술은 일반적으로 컴퓨터 시각 기술, 음성 인식 기술 및 기계 러닝/딥러닝, 빅데이터 처리 기술, 지식 그래프 기술 등 몇 가지 주요 방향을 포함한다.
딥러닝(Deep Learning, DL)은 기계 러닝(Machine Learning, ML) 분야의 새로운 연구 방향이며, 기계 러닝에 인입되어 기계 러닝을 최초의 타겟 - 인공지능에 더 가까워지도록 한다. 딥러닝은 샘플 데이터의 내재적 법칙 및 표현 계층을 러닝하는 것이며, 이러한 러닝 과정에서 획득된 정보는 문자, 이미지 및 소리 등과 같은 데이터의 해석에 대해 큰 도움이 된다. 딥러닝의 최종 타겟은 기계로 하여금 인간과 같은 분석 러닝 능력을 구비할 수 있고, 문자, 이미지 및 소리 등과 같은 데이터를 인식할 수 있도록 한다. 딥러닝은 복잡한 기계 러닝 알고리즘이며, 음성 및 이미지 인식 측면에서 달성한 효과는 기존의 관련 기술을 훨씬 초과한다.
컴퓨터 시각, 컴퓨터 시각은 기계가 "보게"하는 방법을 연구하는 과학이며, 더 나아가, 사람의 눈 대신 카메라와 컴퓨터를 사용하여 타겟에 대해 인식, 추적 및 측정 등 기계 시각을 수행하고, 나아가 이미지 처리를 수행하여 컴퓨터 처리를 통해 사람의 눈으로 관찰하기 더 적합하거나 또는 기기에 전송하여 검출을 위한 이미지를 제공하는 것을 의미한다. 하나의 과학 분야로서, 컴퓨터 시각은 관련 이론 및 기술을 연구하여, 이미지 또는 다차원 데이터로부터 "정보"를 획득할 수 있는 인공지능 시스템의 구축을 시도하며, 당해 정보는 "결정"을 내리는데 도움이 되는 정보이다. 감지는 감각 신호에서 정보를 추출하는 것으로 볼 수 있기 때문에, 컴퓨터 시각은 인공 시스템이 이미지 또는 다차원 데이터에서 "감지"하도록 하는 방법을 연구하는 과학으로도 볼 수 있다.
이미지 처리(Image Processing)는 컴퓨터를 사용하여 이미지를 분석하여 원하는 결과를 얻는 기술이며, 영상 처리라고도 한다. 이미지 처리는 일반적으로 디지털 이미지 처리를 의미한다. 디지털 이미지는 산업용 카메라, 비디오 카메라, 스캐너 등 기기로 촬영하여 얻은 큰 2차원 배열을 의미하며, 당해 배열의 요소를 픽셀이라고 하고 그 값을 그레이 값이라고 한다. 이미지 처리 기술은 일반적으로 이미지 압축, 향상 및 복원, 매칭, 설명 및 인식의 세 부분으로 구성된다.
본 개시의 실시예에서 제공되는 안면 생체 검출 방법은 전자 기기에 의해 수행될 수 있으며, 당해 전자 기기는 개인용 컴퓨터(Personal Computer, PC), 태블릿 컴퓨터, 팜탑 컴퓨터 또는 휴대폰 등일 수 있으나, 여기서 한정하지 않는다.
본 개시의 실시예에서, 전자 기기에 처리 컴포넌트, 저장 컴포넌트 및 구동 컴포넌트가 구성될 수 있다. 선택적으로, 당해 구동 컴포넌트 및 처리 컴포넌트는 통합 설정될 수 있고, 당해 저장 컴포넌트는 조작 시스템, 응용 프로그램 또는 다른 프로그램 모듈을 저장할 수 있고, 당해 처리 컴포넌트는 저장 컴포넌트에 저장된 응용 프로그램을 수행하여 본 개시의 실시예에서 제공되는 안면 생체 검출 방법을 구현한다.
설명해야 하는 바로는, 본 개시의 실시예에서 제공되는 안면 생체 검출 방법은 안면 인식 기능을 구비한 응용 프로그램(Application, APP)에 적용될 수 있고, 전용 비디오 APP에 적용될 수도 있으나, 여기서 한정하지 않는다. 또한, 상기 안면 인식 기능을 구비한 APP는 모두 전자 기기(예를 들어, 휴대폰, 태블릿 컴퓨터 등)에 장착될 수 있다.
도 1은 본 개시의 실시예에서 제공되는 안면 생체 검출 방법의 개략적인 흐름도이다.
본 개시의 실시예의 안면 생체 검출 방법은 또한 본 개시의 실시예에서 제공되는 안면 생체 검출 장치에 의해 수행될 수 있으며, 당해 장치는 검출할 안면을 포함하는 소스 이미지를 획득하는 단계; 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하는 단계 - 검출 모델은 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 포함하는 바, 인자 검출 보조 모델은 생체 검출 중 하나의 공격 방지 인자에 대해 검출하는데 사용됨 -; 생체 검출 메인 모델의 제1 검출 확률 및 인자 검출 보조 모델의 제2 검출 확률을 획득하는 단계; 및 제1 검출 확률 및 제2 검출 확률에 따라, 생체 검출 결과를 결정하는 단계;를 구현하도록 전자 기기에 구성될 수 있다. 본 개시에서, 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 설정하였기 때문에, 다수 차원에서 안면 이미지에 대해 생체 검출을 수행할 수 있으므로, 안면 생체 검출의 범화성 및 정밀도를 향상시킬 수 있다.
가능한 상황으로서, 본 개시의 실시예의 안면 생체 검출 방법은 또한 서버 쪽에서 수행될 수 있으며, 당해 서버는 클라우드 서버일 수 있고, 클라우드 쪽에서 당해 안면 생체 검출 방법을 수행할 수 있다.
도 1에 도시된 바와 같이, 당해 안면 생체 검출 방법은 단계 101 내지 단계 104를 포함할 수 있다.
단계 101, 검출할 안면을 포함하는 소스 이미지를 획득한다.
설명해야 하는 바로는, 본 개시의 실시예에서 설명되는 소스 이미지는 레드 그린 블루 색(Red Green Blue, RGB) 이미지이다.
본 개시의 실시예에서, 다양한 방법으로 검출할 안면을 포함하는 소스 이미지를 획득할 수 있으며, 그 중에서 수집 장치(예를 들어, 주변 카메라)에 의해 실시간으로 촬영하여 안면을 포함하는 소스 이미지를 획득하여, 통신 연결을 통해 전자 기기에 송신할 수 있다. 설명해야 하는 바로는, 당해 통신 연결은 무선 네트워크 연결 및 유선 네트워크 연결 중의 적어도 하나일 수 있다.
다른 가능한 상황으로서, 사용자의 선택 조작을 통해 이미지 라이브러리에서 안면을 포함하는 이미지를 소스 이미지로 선택하여, 당해 소스 이미지를 전자 기기에 입력할 수 있다.
단계 102, 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하며, 검출 모델은 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 포함하는 바, 인자 검출 보조 모델은 생체 검출 중 하나의 공격 방지 인자에 대해 검출하는데 사용된다.
설명해야 하는 바로는, 당해 실시예에서 설명되는 검출 모델은 호출 및 적용을 용이하게 하기 위해, 사전에 트레이닝되고 전자 기기의 저장 공간에 미리 저장될 수 있다. 당해 저장 공간은 하드 디스크와 같은 엔티티 기반의 저장 공간에 한정되지 않고, 상기 저장 공간은 또한 전자 기기에 연결된 네트워크 하드 디스크의 저장 공간(클라우드 저장 공간)일 수 있다.
선택적으로, 당해 검출 모델의 트레이닝 및 생성은 모두 관련된 트레이닝 서버에 의해 수행될 수 있으며, 당해 트레이닝 서버는 클라우드 쪽 서버일 수 있고, 컴퓨터의 호스트일 수도 있다. 당해 트레이닝 서버는 본 개시의 실시예에서 제공되는 안면 생체 검출 방법을 수행할 수 있는 전자 기기에 통신 가능하게 연결될 수 있으며, 당해 통신 연결은 무선 네트워크 연결 및 유선 네트워크 연결 중의 적어도 하나일 수 있다. 당해 트레이닝 서버는 트레이닝이 완료된 검출 모델을 당해 전자 기기에 송신하여, 당해 전자 기기가 필요할 때 이를 호출할 수 있으므로, 당해 전자 기기의 컴퓨팅 압력을 크게 줄일 수 있다.
본 개시의 실시예에서, 인자 검출 보조 모델은 다양할 수 있으며, 예를 들어, 스크린 인자 검출 보조 모델, 마스크 인자 검출 보조 모델, T자형 인자 검출 보조 모델, 안면 기관 인자 검출 보조 모델 등일 수 있다. 본 개시에서 생체 검출 메인 모델 및 인자 검출 보조 모델은 하나의 생체 검출 시스템을 구성할 수 있고, 실제 상황에 따라 당해 생체 검출 시스템에 대해 하나 또는 하나 이상의 인자 검출 보조 모델을 설정하여, 생체 검출을 보조할 수 있다.
선택적으로, 당해 실시예에서 설명되는 각 검출 모델에 대응되는 검출 이미지는 상이한 안면 영역 이미지일 수 있으며, 예를 들어, 안면 기관 인자 검출 보조 모델에 대응되는 검출 이미지는 안면 기관 이미지일 수 있고, T자형 인자 검출 보조 모델의 검출 이미지는 안면 이미지에서 눈 및 코 영역을 추출하여 생성된 T자형 영역 이미지일 수 있고, 안면 기관 인자 검출 보조 모델의 검출 이미지는 안면 기관 이미지등일 수 있다.
선택적으로, 본 개시의 실시예에서, 안면의 소스 이미지를 검출 이미지 생성 모델에 입력하여, 각 검출 모델의 검출 이미지를 획득할 수 있다.
선택적으로, 전자 기기가 안면의 소스 이미지를 획득한 후, 소스 이미지를 검출 이미지 생성 모델에 입력할 수 있으며, 따라서 검출 이미지 생성 모델을 통해 소스 이미지에 대해 처리(추출)하여, 당해 검출 이미지 생성 모델로 하여금 적어도 2개의 검출 이미지 즉 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델의 검출 이미지를 출력하도록 한다.
설명해야 하는 바로는, 당해 실시예에서 설명되는 검출 이미지 생성 모델은 호출 및 적용을 용이하게 하기 위해, 사전에 트레이닝되고 전자 기기의 저장 공간에 미리 저장될 수 있다.
선택적으로, 검출 이미지 생성 도구(예를 들어, 플러그인)로 소스 이미지를 사전 처리하여, 검출 이미지를 획득할 수 있다.
단계 103, 생체 검출 메인 모델의 제1 검출 확률 및 인자 검출 보조 모델의 제2 검출 확률을 획득한다.
본 개시의 실시예에서, 전자 기기가 각 검출 모델의 검출 이미지를 획득한 후, 대응되는 검출 이미지를 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델에 각각 입력하여, 제1 검출 확률 및 적어도 하나의 제2 검출 확률을 획득할 수 있다. 설명해야 하는 바로는, 제1 검출 확률은 생체 검출 메인 모델이 안면이 생체임을 검출하는 가능성을 나타내고; 제2 검출 확률은 인자 검출 보조 모델이 안면이 생체임을 검출하는 가능성을 나타낸다.
설명해야 하는 바로는, 상기 제1 검출 확률 및 제2 검출 확률은 모두 0보다 크고 1보다 작은 수이다.
단계 104, 제1 검출 확률 및 제2 검출 확률에 따라, 생체 검출 결과를 결정한다.
본 개시의 실시예에서, 제1 검출 확률 및 제2 검출 확률을 생체 검출 결과 알고리즘에 입력하고 계산하여, 생체 검출 확률을 생성할 수 있다.
나아가, 생체 검출 확률을 통과 임계값과 비교하여, 생체 검출 확률이 통과 임계값보다 클 경우, 입력 이미지는 생체 이미지 입력인 것을 결정하고, 대응되는 생체 검출 결과는 생체 검출을 통과하였다는 것이다. 생체 검출 확률이 통과 임계값보다 작을 경우, 입력 이미지는 비생체 이미지 입력인 것을 결정하고, 대응되는 생체 검출 결과는 생체 검출을 통과하지 못하였다는 것이다.
설명해야 하는 바로는, 당해 실시예에서 설명되는 통과 임계값은 0보다 크고 1보다 작은 수이며, 실제 상황에 따라 설정될 수 있다.
선택적으로, 상기 실시예에서 설명된 생체 검출 결과 알고리즘은 호출 및 적용을 용이하게 하기 위해, 사전에 편집되고, 전자 기기의 저장 공간에 미리 저장될 수 있다.
본 개시의 실시예에서, 먼저 검출할 안면을 포함하는 소스 이미지를 획득하여, 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하고 - 검출 모델은 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 포함하는 바, 인자 검출 보조 모델은 생체 검출 중 하나의 공격 방지 인자에 대해 검출하는데 사용됨 -, 다음 생체 검출 메인 모델의 제1 검출 확률 및 인자 검출 보조 모델의 제2 검출 확률을 획득하여, 제1 검출 확률 및 제2 검출 확률에 따라, 생체 검출 결과를 결정한다. 적어도 하나의 인자 검출 보조 모델을 추가하여 생체 검출 메인 모델의 조작을 보조함으로써, 생체 검출의 차원을 증가하고, 생체 검출 방법의 성능을 개선하고, 이에 따라, 안면 생체 검출의 정확도 및 범화성을 향상시킬 수 있다.
상기 실시예에서, 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하는 단계는 도 2를 결부하여 더 이해할 수 있다. 도 2는 본 개시의 실시예에서 제공되는 다른 안면 생체 검출 방법의 개략적인 흐름도이며, 도 2에 도시된 바와 같이, 당해 방법은 단계 201 내지 단계 202를 포함한다.
단계 201, 소스 이미지에 대해 안면 검출을 수행하여, 소스 이미지에서 안면 이미지를 절취한다.
본 개시의 실시예에서, 전자 기기가 소스 이미지를 획득한 후, 소스 이미지를 안면 검출 모델에 입력하여, 소스 이미지에서 안면 이미지를 절취하기 위해 당해 안면 검출 모델을 통해 소스 이미지에서 안면의 위치를 검출할 수 있다.
설명해야 하는 바로는, 상기 실시예에서 설명된 안면 검출 모델은 호출 및 적용을 용이하게 하기 위해, 사전에 트레이닝되고, 전자 기기의 저장 공간에 미리 저장될 수 있다. 당해 저장 공간은 하드 디스크와 같은 엔티티 기반의 저장 공간에 한정되지 않고, 상기 저장 공간은 또한 전자 기기에 연결된 네트워크 하드 디스크의 저장 공간(클라우드 저장 공간)일 수 있다.
선택적으로, 전자 기기가 소스 이미지를 획득한 후, 소스 이미지를 처리하여 복수의 안면 좌표 키포인트를 획득할 수 있으며, 이러한 키포인트를 통해 안면 기관의 위치 및 안면 윤곽을 결정할 수 있고, 또한 안면 좌표 키포인트를 통해 안면 이미지를 절취할 수 있다.
단계 202, 각 검출 모델에 대해, 안면 이미지에 대해 검출 모델에 매칭되는 이미지 처리 조작을 수행하여, 검출 모델의 검출 이미지를 생성한다.
본 개시의 실시예에서, 먼저 소스 이미지에 대해 안면 검출을 수행하여, 소스 이미지에서 안면 이미지를 절취한 후, 각 검출 모델에 대해, 안면 이미지에 대해 검출 모델에 매칭되는 이미지 처리 조작을 수행하여, 검출 모델의 검출 이미지를 생성한다. 설명해야 하는 바로는, 각 검출 모델의 검출 이미지는 상이한 이미지일 수 있다.
구체적으로, 검출 모델이 생체 검출 메인 모델 또는 스크린 인자 검출 보조 모델임에 응답하여, 안면 이미지를 제1 설정 값으로 확대하여, 생체 검출 메인 모델 또는 스크린 인자 검출 보조 모델의 검출 이미지로 사용하며, 스크린 인자 검출 모델은 검출 이미지의 배경에 베젤 및 반사 중의 적어도 하나가 존재하는지 여부를 검출하는데 사용된다.
설명해야 하는 바로는, 스크린 인자 검출 보조 모델은 주로 전자 스크린 공격을 목표로 한다. 전자 스크린 공격은 휴대폰 사진 공격, 컴퓨터 스크린 사진 공격, 팜탑 컴퓨터 사진 공격, 고화질 사진 공격 등과 같은 흔히 볼 수 있는 공격 방식이며, 전자 스크린 공격 방식이 풍부하고 쉽게 얻을 수 있고, 대부분의 전자 스크린은 베젤 및/또는 반사가 있다.
선택적으로, 생체 검출 메인 모델 또는 스크린 인자 검출 보조 모델의 제1 설정 값은 3일 수 있으며, 즉 안면 이미지를 3배로 확대하며, 확대된 안면 이미지의 크기를 224Х224로 조정하여, 생체 검출 메인 모델 또는 스크린 인자 검출 보조 모델의 검출 이미지로 사용한다.
선택적으로, 전자 기기가 안면 검출 박스를 결정한 후, 당해 안면 검출 박스를 3배로 확대한 다음 안면 이미지를 절취할 수 있고, 절취된 RGB 안면 이미지에 대해 이미지 정규화 처리를 수행할 수 있다. 설명해야 하는 바로는, 이미지 정규화 처리는 이미지의 각 픽셀을 순차적으로 정규화 처리하는 것이다. 예를 들어 설명하면, 정규화 처리 방법은 각 픽셀의 픽셀값에서 128을 뺀 후 256으로 나누어, 각 픽셀의 픽셀값이 [-0.5, 0.5] 사이에 되도록 하는 것일 수 있다. 정규화 처리된 이미지에 대해 랜덤 데이터 향상 처리를 수행하여, 생체 검출 메인 모델 및 스크린 인자 검출 보조 모델의 입력으로 사용한다.
나아가, 생체 검출 메인 모델 및 스크린 인자 검출 보조 모델은 입력 이미지를 수신한 후, 특징 추출 네트워크를 통해 MobileNet(모바일 측 딥러닝 네트워크)를 컨볼루션 신경망의 backbone(신경망 응용 프레임워크)로 사용할 수 있고, 마지막으로 완전 연결 계층 및 Softmax(정규화) 계층을 경과하여 이미지 분류를 수행하여 스크린 인자의 생체 검출 분류를 완료하며, 상응한 제1 검출 확률 및 적어도 하나의 제2 검출 확률을 획득한다.
다른 가능한 상황으로서, 검출 모델이 마스크 인자 검출 보조 모델임에 응답하여, 안면 이미지를 제2 설정 값으로 확대하여, 마스크 인자 검출 보조 모델의 검출 이미지로 사용한다. 마스크 인자 검출 모델은 검출 이미지가 재단된 2D(two-dimens, 2차원) 마스크인지 여부를 검출하는데 사용되며, 2D 마스크는 공격에 사용되는 안면을 포함한다.
설명해야 하는 바로는, 마스크 인자 검출 보조 모델은 주로 2D 마스크 공격을 목표로 한다. 2D 마스크 공격은 실제 안면의 크기로 프린트 종이 또는 프린트 사진을 재단하여 얻은 것으로, 안면 크기에 부합하게 머리카락과 안면의 가장자리를 따라 재단하고, 눈, 코, 입 영역을 재단하여 실제 사람이 당해 2D 마스크를 착용할 때 오관이 정상적으로 노출될 수 있고, 정상적으로 동작을 할 수 있다. 2D 마스크의 공격 방식도 비교적 흔하며, 안면과 잘 맞고 구별이 어렵다.
선택적으로, 본 개시의 실시예에서, 제2 설정 값은 1.5일 수 있으며, 즉 안면 이미지를 1.5배로 확대하여, 마스크 인자 검출 보조 모델의 검출 이미지를 획득한다.
예를 들어 설명하면, 전자 기기가 72개의 안면 좌표 키포인트를 포함하는 안면 이미지를 획득한 후 당해 안면 박스를 1.5배로 확대한 후 안면 이미지를 절취하고, 224Х224의 크기로 조정할 수 있다.
나아가, 마스크 인자 검출 보조 모델이 검출 이미지를 수신한 후, 전자 기기는 특징 추출 네트워크를 통해 MobileNet를 컨볼루션 신경망의 backbone로 사용할 수 있고, 마지막으로 완전 연결 계층 및 Softmax 계층을 경과하여 이미지 분류를 수행하여 스크린 인자의 생체 검출 분류를 완료하며, 상응한 제1 검출 확률 및 적어도 하나의 제2 검출 확률을 획득한다.
다른 가능한 상황으로서, 검출 모델이 T자형 인자 검출 보조 모델임에 응답하여, 안면 이미지에서 눈 및 코 영역을 추출하여 생성된 T자형 영역 이미지를 T자형 인자 검출 보조 모델의 검출 이미지로 사용하며, T자형 인자 검출 보조 모델은 검출 이미지가 재단된 T자형 마스크인지 여부를 검출하는데 사용되며, T자형 마스크는 눈 및 코만을 포함한다.
설명해야 하는 바로는, T자형 인자 검출 보조 모델은 주로 T자형 공격을 목표로 한다. T자형 공격은 새로운 공격 방식으로서, 구체적인 공격 방식은 프린트 종이를 눈과 코만 있는 T자형 마스크로 재단하여, 안경에 붙여 공격하는 것이며, 현재의 많은 RGB 사일런트 생체만을 사용하는 휴대폰의 잠금 화면을 돌파할 수 있다.
선택적으로, T자형 영역 이미지는 코 중심의 키포인트를 중심으로 재단된 영역일 수 있다. 도 3에 도시된 바와 같이, 전자 기기가 72개의 안면 좌표 키포인트를 포함하는 안면 이미지를 획득한 후, 코 중심의 키포인트를 중심으로 코 영역을 재단하고, 전자 기기를 통해 재단된 이미지를 224Х224의 크기로 조정할 수 있다.
나아가, T자형 인자 검출 보조 모델이 T자형 영역 이미지를 수신한 후, 특징 추출 네트워크를 통해 MobileNet를 컨볼루션 신경망의 backbone로 사용할 수 있고, 마지막으로 완전 연결 계층 및 Softmax 계층을 경과하여 이미지 분류를 수행하여 스크린 인자의 생체 검출 분류를 완료하며, 상응한 제1 검출 확률 및 적어도 하나의 제2 검출 확률을 획득한다.
다른 가능한 상황으로서, 검출 모델이 안면 기관 인자 검출 보조 모델임에 응답하여, 안면 이미지에서 안면 기관 이미지를 획득하여 안면 기관 인자 검출 보조 모델의 검출 이미지로 사용한다. 안면 기관 인자 검출 보조 모델은 검출 이미지에 대해 검출하여 안면 기관인지 여부를 결정하는데 사용된다.
설명해야 하는 바로는, 상기 실시예에서 설명된 안면 기관 인자 검출 보조 모델은 안면 기관 공격을 목표로 하여 생체 검출을 수행하는 것이며, 안면 기관은 안경, 입, 코 등을 포함할 수 있다.
선택적으로, 안면 기관 이미지는 72개의 안면 키포인트 좌표의 위치 결정을 통해 획득될 수 있다. 예를 들어 설명하면, 눈의 안면 기관 이미지를 획득하는 단계는, 전자 기기가 72개의 안면 키포인트 좌표를 획득한 후, 두눈 영역의 이미지를 절취하여 안면 키포인트에 따라 왼쪽 눈의 왼쪽 안각 좌표(xa, ya) 및 오른쪽 눈의 안각 좌표(xb, yb)를 찾아내고, 안각의 거리 L1 및 눈의 중심점 C1을 구하고, 아핀 변환 행렬 M1을 구하여, 아핀 변환에 따라 원본 이미지를 크기가 120x40이고 두눈을 포함하는 이미지로 아핀 변환한다.
나아가, 안면 기관 인자 검출 보조 모델이 안면 기관 이미지를 다시 수신한 후, 획득한 안면 기관 이미지를 5 계층의 컨볼루션 + 3 계층의 최대 풀링 + 1 계층의 완전 연결 계층의 컨볼루션 신경망에 보내 이진 분류 생체 트레이닝을 수행하여, 안면 기관 인자 검출 보조 모델의 생체 검출 분류를 완료한다.
이에 따라, 상이한 검출 모델에 대해, 당해 검출 모델에 매칭되는 검출 이미지를 생성할 수 있으며, 검출 모델로 하여금 상이한 검출 차원 또는 일부 입력이 상이한 검출 이미지에 대해 복수의 차원에서 안면 생체 검출을 수행할 수 있으므로, 안면 생체 검출의 정확성 및 범화성을 크게 향상시킨다.
상기 실시예에서, 소스 이미지에서 안면 이미지를 절취하는 단계에 관하여, 도 4를 결부하여 더 이해할 수 있다. 도 4는 본 개시의 실시예에서 제공되는 다른 안면 생체 검출 방법의 개략적인 흐름도이며, 도 4에 도시된 바와 같이, 당해 방법은 단계 401 내지 단계 403을 포함한다.
단계 401, 소스 이미지에서 안면이 위치한 영역을 결정한다.
본 개시의 실시예에서, 전자 기기가 소스 이미지를 획득한 후, 소스 이미지를 안면 검출 모델에 입력하고 처리(위치 결정)를 수행하여, 안면의 대략적인 위치 영역을 획득할 수 있다.
선택적으로, 전자 기기는 또한 안면 윤곽 검출 소프트웨어(예를 들어, 플러그인)로 검출을 수행하여, 안면 윤곽의 대략적인 위치 영역을 획득할 수 있다.
단계 402, 안면이 위치한 영역에 대해 안면 키포인트 검출을 수행하여, 검출된 안면 키포인트의 좌표값을 획득한다.
선택적으로, 전자 기기는 안면 키포인트 검출 모델을 통해 검출된 안면 위치 영역에 대해 안면 키포인트 검출을 수행하여, 안면의 N개의 키포인트 및 N개의 키포인트의 좌표값을 획득할 수 있다. 안면 키포인트는 왼쪽 안각 키포인트, 오른쪽 안각 키포인트, 코 윤곽 키포인트 등을 포함할 수 있으며, 구체적으로 실제 상황에 따라 설정된다.
설명해야 하는 바로는, 당해 키포인트 좌표값은 2차원 좌표값(xN, yN)이며, N은 양의 정수이다. 예를 들어 설명하면, 안면이 검출된 영역을 안면 키포인트 검출 모델에 입력하여, 각각 (x1, y1) (x2, y2) ... (x72, y72)인 72개의 안면 키포인트 좌표를 획득할 수 있다.
단계 403, 검출된 안면 키포인트의 좌표값을 기반으로, 소스 이미지에서 안면 이미지를 절취한다.
본 개시의 실시예에서, 전자 기기가 안면 키포인트 좌표를 획득한 후, 안면의 키포인트 좌표값에 따라 타겟 안면에 대해 안면 정렬을 수행하여 안면 이미지를 획득할 수 있다. 구체적으로, 72개의 안면 키포인트 좌표에 따라 x와 y의 최대 및 최소값 xmin, xmax, ymin, ymax를 획득하고, 최대 및 최소값에 따라 하나의 안면 박스를 결정할 수 있고, 안면 이미지를 절취한다. 나아가, 본 개시의 실시예에서, 안면 키포인트의 최대 좌표값 및 최소 좌표값을 획득하여, 최대 좌표값 및 최소 좌표값에 따라, 소스 이미지에서 안면 검출 박스를 결정하고, 안면 검출 박스에서 안면 이미지를 절취한다.
구체적으로, 전자 기기가 안면 키포인트 좌표값을 획득한 후, 획득된 안면 키포인트 좌표값에 따라 x와 y의 최대 및 최소값 xmin, xmax, ymin, ymax를 획득하고, 최대 및 최소값에 따라 하나의 안면 박스를 결정할 수 있고, 당해 안면 박스를 복수 배로 확대한 후, 안면 검출 박스에서 안면 이미지를 절취할 수 있다.
예를 들어 설명하면, 안면 키포인트 좌표는 72개일 수 있으며, 각각 (x1, y1) (x2, y2) ... (x72, y72)이고, 72개의 안면 키포인트 좌표에 따라 x와 y의 최대 및 최소값 xmin, xmax, ymin, ymax를 획득하고, 최대 및 최소값에 따라 하나의 안면 박스를 결정할 수 있고, 다음 당해 안면 박스를 3배로 확대한 후 안면 이미지를 절취하여, 224x224의 크기로 조정한다.
설명해야 하는 바로는, 상기 실시예에서 설명된 확대 배수는 상이한 모델에 따라 설정될 수 있다. 이에 따라, 안면 키포인트 좌표에 따라, 안면 박스를 정확하게 결정할 수 있으므로, 후속 조작을 위해 정확한 안면 이미지를 제공할 수 있다.
본 개시의 실시예에서, 먼저 소스 이미지에서 안면이 위치한 영역을 결정하고, 안면이 위치한 영역에 대해 안면 키포인트 검출을 수행하여, 검출된 안면 키포인트의 좌표값을 획득한 후, 검출된 안면 키포인트의 좌표값을 기반으로, 소스 이미지에서 안면 이미지를 절취한다. 이에 따라, 소스 이미지에서 안면 이미지를 정확하게 추출할 수 있으므로, 정확한 검출 이미지를 생성할 수 있도록 확보한다.
상기 실시예에서, 제1 검출 확률 및 제2 검출 확률에 따라, 생체 검출 결과를 결정하는 단계에 대해, 도 5를 결부하여 더 해석할 수 있다. 도 5는 본 개시의 실시예에서 제공되는 다른 안면 생체 검출 방법의 개략적인 흐름도이며, 도 5에 도시된 바와 같이, 당해 방법은 단계 501 내지 단계 505를 포함한다.
단계 501, 검출할 안면을 포함하는 소스 이미지를 획득한다.
단계 502, 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하며, 검출 모델은 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 포함하는 바, 인자 검출 보조 모델은 생체 검출 중 하나의 공격 방지 인자에 대해 검출하는데 사용된다.
단계 503, 생체 검출 메인 모델의 제1 검출 확률 및 인자 검출 보조 모델의 제2 검출 확률을 획득한다.
단계 501 내지 단계 503의 구현 방식은 상기 실시예에 기재된 관련 내용을 참조할 수 있으나, 여기서 반복하지 않는다.
단계 504, 제1 검출 확률에 따라 생체 검출 메인 모델이 검출을 통과한 것을 결정함, 및 제2 검출 확률에 따라 인자 검출 보조 모델이 모두 검출을 통과한 것을 결정함에 응답하여, 생체 검출 결과가 생체 검출을 통과한 것으로 결정한다.
단계 505, 제1 검출 확률에 따라 생체 검출 메인 모델이 검출을 통과하지 못한 것을 결정함, 및 제2 검출 확률에 따라 적어도 일부 인자 검출 보조 모델이 검출을 통과하지 못한 것을 결정함 중의 적어도 하나에 응답하여, 생체 검출 결과가 생체 검출을 통과하지 못한 것으로 결정한다.
본 개시의 실시예에서, 전자 기기가 제1 검출 확률 및 제2 검출 확률을 획득한 후, 제1 검출 확률 및 제2 검출 확률을 각각 제1 통과 임계값 및 제2 통과 임계값과 비교하여, 제1 검출 확률이 제1 통과 임계값보다 클 경우, 생체 검출 메인 모델이 검출을 통과한 것으로 결정하고, 제1 검출 확률이 제1 통과 임계값보다 작을 경우, 생체 검출 메인 모델이 검출을 통과하지 못하는 것으로 결정할 수 있다. 마찬가지로, 제2 검출 확률이 제2 통과 임계값보다 클 경우, 인자 검출 보조 모델이 검출을 통과한 것으로 결정하고, 제2 검출 확률이 제2 통과 임계값보다 작을 경우, 인자 검출 보조 모델이 검출을 통과하지 못하는 것으로 결정할 수 있다.
나아가, 새로 추가된 인자 모델로 인해 생체 통과률이 저하되는 것을 방지하기 위해, 제2 통과 임계값은 일반적으로 제1 통과 임계값보다 많이 작다. 예를 들어 설명하면, 제1 통과 임계값은 0.9일 수 있고, 제2 통과 임계값은 0.05일 수 있다.
즉, 생체 검출의 정확성을 확보하고, 나아가 안면 인식을 기반으로 하는 각 적용 시나리오의 안전성을 향상시키기 위해, 전자 기기는 생체 검출 메인 모델이 검출을 통과하고, 인자 검출 보조 모델도 모두 검출을 통과할 경우, 생체 검출 결과를 최종적으로 생체 검출을 통과한 것으로 결정한다.
선택적으로, 생체 검출 메인 모델이 검출을 통과하지 못했지만, 인자 검출 보조 모델은 검출을 통과한 상황하에서, 소스 이미지는 생체에 대해 실시간으로 수집하여 획득된 이미지가 아니고, 위조된 보조 모델을 우회할 수 있는 공격 이미지인 것을 의미하며, 이때 생체 검출의 정확성을 확보하기 위해, 전자 기기는 생체 검출 결과를 생체 검출을 통과하지 못한 것으로 직접 결정할 수 있다.
선택적으로, 생체 검출 메인 모델이 검출을 통과하였지만, 하나 또는 하나 이상의 인자 검출 보조 모델은 검출을 통과하지 못한 상황하에서, 복수의 인자 검출 보조 모델은 생체 검출의 안전성을 확보하기 위한 것으로, 인자 검출 보조 모델이 검출을 통과하지 못한 것은 소스 이미지가 대응 인자의 공격 이미지인 것을 의미하며, 이때 생체 검출의 정확성을 확보하기 위해, 전자 기기는 생체 검출 결과를 생체 검출을 통과하지 못한 것으로 직접 결정할 수 있다.
선택적으로, 생체 검출 메인 모델이 검출을 통과하지 못하고, 인자 검출 보조 모델도 검출을 통과하지 못한 상황하에서, 전자 기기는 생체 검출 결과를 생체 검출을 통과하지 못한 것으로 직접 결정할 수 있다.
설명해야 하는 바로는, 본 개시의 안면 생체 검출 방법은 보안, 출퇴근, 금융, 접근 통제와 같은 많은 시나리오에 적용될 수 있고, 현재의 많은 업무에서 널리 적용되고 있다. 본 개시의 수단에 따르면, 안면 생체 검출의 검출 차원을 증가하고, 생체 검출의 성능을 개선하고, 따라서, 사용 안전성 및 범화성을 크게 향상시킬 수 있다.
이에 따라, 제1 검출 확률 및 제2 검출 확률을 통해 생체 검출 메인 모델 및 인자 검출 보조 모델이 검출을 통과하였는지 여부를 판정할 수 있으므로, 생체 검출 결과를 정확하게 판정할 수 있다.
상기 실시예에서, 제1 검출 확률 및 제2 검출 확률에 따라, 생체 검출 결과를 결정하는 단계는 도6을 결부하여 더 해석할 수 있다. 도 6은 본 개시의 실시예에서 제공되는 다른 안면 생체 검출 방법의 개략적인 흐름도이며, 도 6에 도시된 바와 같이, 당해 방법은 단계 601 내지 단계 603을 포함한다.
단계 601, 제2 검출 확률에 따라 인자 검출 보조 모델에 검출을 통과하지 못한 타겟 인자 검출 보조 모델이 존재하는 것을 결정함에 응답하여, 제1 검출 확률을 감소하게 조정하여, 제3 검출 확률을 획득한다.
설명해야 하는 바로는, 상기 실시예에서 설명된 제1 검출 확률을 감소하게 조정하는 것은, 제1 검출 확률에 감소 계수 N을 곱하는 것일 수 있으며, 여기서 0＜N＜1, 예를 들어, 감소 계수 N은 0.9일 수 있다.
구체적으로, 전자 기기는 검출을 통과하지 못한 타겟 인자 검출 보조 모델을 검출할 때마다, 제1 검출 확률에 감소 계수 N을 곱하며, 최종적으로 제3 검출 확률을 획득한다.
단계 602, 제3 검출 확률이 생체 검출 임계값보다 크거나 같음에 응답하여, 생체 검출 결과가 생체 검출을 통과한 것으로 결정한다.
단계 603, 제3 검출 확률이 생체 검출 임계값보다 작음에 응답하여, 생체 검출 결과가 생체 검출을 통과하지 못한 것으로 결정한다.
설명해야 하는 바로는, 상기 실시예에서 설명된 생체 검출 임계값은 0보다 크고 1보다 작은 수이다. 예를 들어, 생체 검출 임계값은 0.9일 수 있다.
본 개시의 실시예에서, 먼저 제2 검출 확률에 따라 인자 검출 보조 모델에 검출을 통과하지 못한 타겟 인자 검출 보조 모델이 존재하는 것을 결정함에 응답하여, 제1 검출 확률을 감소하게 조정하여, 제3 검출 확률을 획득한다. 제3 검출 확률이 생체 검출 임계값보다 크거나 같음에 응답하여, 생체 검출 결과가 생체 검출을 통과한 것으로 결정하고; 제3 검출 확률이 생체 검출 임계값보다 작음에 응답하여, 생체 검출 결과가 생체 검출을 통과하지 못한 것으로 결정한다. 이에 따라, 인자 검출 보조 모델의 검출 결과를 통해 생체 검출 메인 모델의 검출 결과에 대해 다수 차원에서 조정할 수 있으므로, 생체 검출의 정확도를 크게 향상시킬 수 있다.
상기 실시예에서, 제2 검출 확률을 감소하게 조정하여 제3 검출 확률을 생성하는 단계는 도7을 결부하여 더 해석할 수 있다. 도 7은 본 개시의 실시예에서 제공되는 다른 안면 생체 검출 방법의 개략적인 흐름도이며, 도 7에 도시된 바와 같이, 당해 방법은 단계 701 내지 단계 704를 포함한다.
단계 701, 타겟 인자 검출 보조 모델의 유형에 따라, 타겟 인자 검출 보조 모델의 조정 계수를 결정하며, 조정 계수는 제1 검출 확률을 조정하는데 사용된다.
본 개시의 실시예에서, 조정 계수는 통과 계수 및 미통과 계수를 포함하며, 검출 이미지가 타겟 인자 검출 보조 모델의 생체 검출을 통과할 경우, 조정 계수는 통과 계수이고, 생체 검출을 통과하지 못할 경우, 조정 계수는 미통과 계수이다.
설명해야 하는 바로는, 상기 통과 계수는 1이고, 미통과 계수는 0보다 크고 1보다 작은 수이다.
선택적으로, 상이한 인자 검출 보조 모델의 조정 계수는 상이할 수 있으며, 구체적인 수치는 실제 상황에 따라 설정된다. 예를 들어 설명하면, 마스크 인자 검출 보조 모델의 조정 계수는 0.95일 수 있고, 스크린 인자 검출 보조 모델의 조정 계수는 0.97일 수 있고, T자형 인자 검출 보조 모델의 조정 계수는 0.93일 수 있고, 등등.
단계 702, 하나의 타겟 인자 검출 보조 모델이 존재함에 응답하여, 제1 검출 확률에 조정 계수를 곱하여, 제3 검출 확률을 획득한다.
단계 703, 2개 또는 2개 이상의 타겟 인자 검출 보조 모델이 존재함에 응답하여, 타겟 인자 검출 보조 모델의 조정 계수를 곱하여, 총 조정 계수를 획득한다.
예를 들어 설명하면, 전자 기기가 획득한 타겟 인자 검출 보조 모델(1)의 조정 계수는 K1이고, 타겟 인자 검출 보조 모델(2)의 조정 계수는 K2이고, 타겟 인자 검출 보조 모델(3)의 조정 계수는 K3이고 ...... 타겟 인자 검출 보조 모델(N)의 조정 계수는 KN일 경우, 총 조정 계수는 K1* K2* K3......*KN이다.
단계 704, 제1 검출 확률에 총 조정 계수를 곱하여, 제3 검출 확률을 획득한다. 상기 실시예에 따라 획득된 총 조정 계수를 제1 검출 확률에 곱하여, 제3 검출 확률을 획득할 수 있다. 제3 검출 확률은 K1* K2* K3......*KN*제1 검출 확률일 수 있다.
본 개시의 실시예에서, 먼저 타겟 인자 검출 보조 모델의 유형에 따라, 타겟 인자 검출 보조 모델의 조정 계수를 결정하며, 조정 계수는 제1 검출 확률을 조정하는데 사용되고, 하나의 타겟 인자 검출 보조 모델이 존재함에 응답할 경우, 제1 검출 확률에 조정 계수를 곱하여, 제3 검출 확률을 획득하고, 2개 또는 2개 이상의 타겟 인자 검출 보조 모델이 존재함에 응답할 경우, 타겟 인자 검출 보조 모델의 조정 계수를 곱하여, 총 조정 계수를 획득하여, 제1 검출 확률에 총 조정 계수를 곱하여, 제3 검출 확률을 획득한다. 이에 따라, 인자 검출 보조 모델의 검출 결과를 통해 생체 검출 메인 모델의 검출 결과를 조정하여 정확한 검출 결과를 획득할 수 있다.
도 8은 안면 생체 검출 방법의 전체 흐름의 개략도이며, 도 8에 도시된 바와 같이, 먼저 안면을 포함하는 소스 이미지를 전자 기기에 입력하고, 전자 기기가 안면 검출 모델을 호출하여 소스 이미지에 대해 처러하여 안면이 위치한 영역을 획득한 다음, 전자 기기가 안면 키포인트 검출 모델을 호출하여 안면 키포인트를 검출하여 안면의 다수 키포인트 좌표값을 획득할 수 있고, 다음 안면 키포인트 좌표에 따라 x와 y의 최대 및 최소값 xmin, xmax, ymin, ymax를 획득하고, 최대 및 최소값에 따라 하나의 안면 박스를 결정할 수 있으므로, 안면 정렬을 구현한다. 검출 모델이 생체 검출 메인 모델 또는 스크린 인자 검출 보조 모델임에 응답하여, 제1 설정 값은 3일 수 있으며, 즉 안면 이미지를 3배로 확대하여, 생체 검출 메인 모델 또는 스크린 인자 검출 보조 모델의 검출 이미지로 사용하고, 제1 검출 확률 및 스크린 인자 검출 보조 모델의 제2 검출 확률을 출력하며; 검출 모델이 마스크 인자 검출 보조 모델임에 응답하여, 제2 설정 값은 1.5일 수 있으며, 즉 안면 이미지를 1.5배로 확대하여, 마스크 인자 검출 보조 모델에 입력하고, 마스크 인자 검출 보조 모델의 제2 검출 확률을 출력하며; 검출 모델이 T자형 인자 검출 보조 모델임에 응답하여, 안면 이미지에서 눈 및 코 영역을 추출하여 생성된 T자형 영역 이미지를 T자형 인자 검출 보조 모델의 검출 이미지로 사용하고, T자형 인자 검출 보조 모델의 제2 검출 확률을 출력하며; 검출 모델이 안면 기관 인자 검출 보조 모델임에 응답하여, 안면 이미지에서 안면 기관 이미지를 획득하여 안면 기관 인자 검출 보조 모델의 입력 이미지로 사용하고, 안면 기관 인자 검출 보조 모델의 제2 검출 확률을 출력한다. 마지막으로 제1 검출 확률, 마스크 인자 검출 보조 모델의 제2 검출 확률, T자형 인자 검출 보조 모델의 제2 검출 확률, 안면 기관 인자 검출 보조 모델의 제2 검출 확률 및 스크린 인자 검출 보조 모델의 제2 검출 확률을 통해 생체 검출 결과를 획득한다.
전술한 다수 실시예에서 제공되는 안면 생체 검출 방법에 대응되게, 본 개시의 실시예에서 또한 안면 생체 검출 장치를 제공하며, 본 개시의 실시예에서 제공되는 안면 생체 검출 장치는 전술한 다수 실시예에서 제공되는 안면 생체 검출 방법에 대응되기 때문에, 상기 안면 생체 검출 방법의 실시 방식은 본 개시의 실시예에서 제공되는 안면 생체 검출 장치에도 적용되어, 하기 실시예에서 상세히 설명하지 않는다.
도 9는 본 개시의 실시예에서 제공되는 안면 생체 검출 장치의 구조 개략도이다.
도 9에 도시된 바와 같이, 당해 안면 생체 검출 장치(900)는 제1 획득 모듈(910), 제2 획득 모듈(920), 제3 획득 모듈(930), 결정 모듈(940)을 포함할 수 있다.
제1 획득 모듈(910)은 검출할 안면을 포함하는 소스 이미지를 획득하는데 사용되고;
제2 획득 모듈(920)은 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하는데 사용되고 - 검출 모델은 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 포함하는 바, 인자 검출 보조 모델은 생체 검출 중 하나의 공격 방지 인자에 대해 검출하는데 사용됨 -;
제3 획득 모듈(930)은 생체 검출 메인 모델의 제1 검출 확률 및 인자 검출 보조 모델의 제2 검출 확률을 획득하는데 사용되고;
결정 모듈(940)은 제1 검출 확률 및 제2 검출 확률에 따라, 생체 검출 결과를 결정하는데 사용된다.
본 개시의 일 실시예에서, 제2 획득 모듈(920)은 또한 소스 이미지에 대해 안면 검출을 수행하여, 소스 이미지에서 안면 이미지를 절취하고; 각 검출 모델에 대해, 안면 이미지에 대해 검출 모델에 매칭되는 이미지 처리 조작을 수행하여, 검출 모델의 검출 이미지를 생성하는;데 사용된다.
본 개시의 일 실시예에서, 제2 획득 모듈(920)은 또한 소스 이미지에서 안면이 위치한 영역을 결정하고; 안면이 위치한 영역에 대해 안면 키포인트 검출을 수행하여, 검출된 안면 키포인트의 좌표값을 획득하고; 검출된 안면 키포인트의 좌표값을 기반으로, 소스 이미지에서 안면 이미지를 절취하는;데 사용된다.
본 개시의 일 실시예에서, 제2 획득 모듈(920)은 또한 안면 키포인트의 최대 좌표값 및 최소 좌표값을 획득하고, 최대 좌표값 및 최소 좌표값에 따라, 소스 이미지에서 안면 검출 박스를 결정하고, 안면 검출 박스에서 안면 이미지를 절취하는데 사용된다.
본 개시의 일 실시예에서, 결정 모듈(940)은 또한 제1 검출 확률에 따라 생체 검출 메인 모델이 검출을 통과한 것을 결정함, 및 제2 검출 확률에 따라 인자 검출 보조 모델이 모두 검출을 통과한 것을 결정함에 응답하여, 생체 검출 결과가 생체 검출을 통과한 것으로 결정하고; 제1 검출 확률에 따라 생체 검출 메인 모델이 검출을 통과하지 못한 것을 결정함, 및 제2 검출 확률에 따라 적어도 일부 인자 검출 보조 모델이 검출을 통과하지 못한 것을 결정함 중의 적어도 하나에 응답하여, 생체 검출 결과가 생체 검출을 통과하지 못한 것으로 결정하는;데 사용된다.
본 개시의 일 실시예에서, 결정 모듈(940)은 또한 제2 검출 확률에 따라 인자 검출 보조 모델에 검출을 통과하지 못한 타겟 인자 검출 보조 모델이 존재하는 것을 결정함에 응답하여, 제1 검출 확률을 감소하게 조정하여, 제3 검출 확률을 획득하고; 제3 검출 확률이 생체 검출 임계값보다 크거나 같음에 응답하여, 생체 검출 결과가 생체 검출을 통과한 것으로 결정하고; 제3 검출 확률이 생체 검출 임계값보다 작음에 응답하여, 생체 검출 결과가 생체 검출을 통과하지 못한 것으로 결정하는;데 사용된다.
본 개시의 일 실시예에서, 결정 모듈(940)은 또한 타겟 인자 검출 보조 모델의 유형에 따라, 타겟 인자 검출 보조 모델의 조정 계수를 결정하고 - 조정 계수는 제1 검출 확률을 조정하는데 사용됨 -; 하나의 타겟 인자 검출 보조 모델이 존재함에 응답하여, 제1 검출 확률에 조정 계수를 곱하여, 제3 검출 확률을 획득하거나; 또는, 2개 또는 2개 이상의 타겟 인자 검출 보조 모델이 존재함에 응답하여, 타겟 인자 검출 보조 모델의 조정 계수를 곱하여, 총 조정 계수를 획득하고; 제2 검출 확률에 총 조정 계수를 곱하여, 제3 검출 확률을 획득하는;데 사용된다.
본 개시의 기술적 수단에서, 관련된 사용자 개인 정보의 획득, 저장 및 적용 등은 모두 관계법령을 준수하고, 공서양속에 반하지 않는다.
본 개시의 실시예에 따르면, 본 개시는 전자 기기, 판독 가능 저장 매체 및 컴퓨터 프로그램을 더 제공한다.
도 10은 본 개시의 실시예를 실시하기 위한 예시적인 전자 기기(1000)의 개략적인 블록도이다. 전자 기기는 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크 스테이션, 개인용 디지털 비서, 서버, 블레이드 서버, 메인 프레임워크 컴퓨터 및 기타 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 나타내기 위한 것이다. 전자 기기는 또한 개인용 디지털 처리, 셀룰러 폰, 스마트 폰, 웨어러블 기기 및 기타 유사한 컴퓨팅 장치와 같은 다양한 형태의 모바일 장치를 나타낼 수도 있다. 본 명세서에서 제시된 구성 요소, 이들의 연결 및 관계, 또한 이들의 기능은 단지 예일 뿐이며 본문에서 설명되거나 및/또는 요구되는 본 개시의 구현을 제한하려는 의도가 아니다.
도 10에 도시된 바와 같이, 기기(1000)는 컴퓨팅 유닛(1001)을 포함하며, 읽기 전용 메모리(ROM)(1002)에 저장된 컴퓨터 프로그램에 의해 또는 저장 유닛(1006)으로부터 랜덤 액세스 메모리(RAM)(1003)에 로딩된 컴퓨터 프로그램에 의해 수행되어 각종 적절한 동작 및 처리를 수행할 수 있다. RAM(1003)에, 또한 기기(1000)가 조작을 수행하기 위해 필요한 각종 프로그램 및 데이터가 저장되어 있다. 컴퓨팅 유닛(1001), ROM(1002) 및 RAM(1003)은 버스(1004)를 통해 서로 연결되어 있다. 입력/출력(I/O) 인터페이스(1005)도 버스(1004)에 연결되어 있다.
키보드, 마우스 등과 같은 입력 유닛(1006); 각종 유형의 모니터, 스피커 등과 같은 출력 유닛(1007); 자기 디스크, 광 디스크 등과 같은 저장 유닛(1008); 및 네트워크 카드, 모뎀, 무선 통신 트랜시버 등과 같은 통신 유닛(1009)을 포함하는 기기(1000) 중의 복수의 부품은 I/O 인터페이스(1005)에 연결된다. 통신 유닛(1009)은 기기(1000)가 인터넷과 같은 컴퓨터 네트워크 및/또는 다양한 통신 네트워크를 통해 다른 기기와 정보/데이터를 교환하는 것을 허락한다.
컴퓨팅 유닛(1001)은 프로세싱 및 컴퓨팅 능력을 구비한 다양한 범용 및/또는 전용 프로세싱 컴포넌트일 수 있다. 컴퓨팅 유닛(1001)의 일부 예시는 중앙 처리 유닛(CPU), 그래픽 처리 유닛(GPU), 다양한 전용 인공 지능(AI) 컴퓨팅 칩, 기계 러닝 모델 알고리즘을 수행하는 다양한 컴퓨팅 유닛, 디지털 신호 처리기(DSP), 및 임의의 적절한 프로세서, 컨트롤러, 마이크로 컨트롤러 등을 포함하지만, 이에 제한되지 않는다. 컴퓨팅 유닛(1001)은 예를 들어 안면 생체 검출 방법과 같은 윗글에서 설명된 각각의 방법 및 처리를 수행한다. 예를 들어, 일부 실시예에서, 안면 생체 검출 방법은 저장 유닛(1006)과 같은 기계 판독 가능 매체에 유형적으로 포함되어 있는 컴퓨터 소프트웨어 프로그램으로 구현될 수 있다. 일부 실시예에서, 컴퓨터 프로그램의 일부 또는 전부는 ROM(1002) 및/또는 통신 유닛(1009)을 통해 기기(1000)에 로드 및/또는 설치될 수 있다. 컴퓨터 프로그램이 RAM(1003)에 로딩되고 컴퓨팅 유닛(1001)에 의해 수행될 경우, 전술한 안면 생체 검출 방법의 하나 또는 하나 이상의 단계를 수행할 수 있다. 대안적으로, 다른 실시예에서, 컴퓨팅 유닛(1001)은 임의의 다른 적절한 방식을 통해(예를 들어, 펌웨어에 의해) 구성되어 안면 생체 검출 방법을 수행하도록 한다.
여기서 설명되는 시스템 및 기술의 다양한 실시 방식은 디지털 전자 회로 시스템, 집적 회로 시스템, 필드 프로그래머블 게이트 어레이(FPGA), 주문형 집적 회로(ASIC), 특정 용도 표준 제품(ASSP), 시스템온칩(SOC), 복합 프로그래머블 논리 소자(CPLD), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및 이들의 조합 중의 적어도 하나로 구현될 수 있다. 이러한 다양한 실시 방식은 하나 또는 하나 이상의 컴퓨터 프로그램에서의 구현을 포함할 수 있으며, 당해 하나 또는 하나 이상의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템에서 수행 및/또는 해석될 수 있고, 당해 프로그램 가능 프로세서는 전용 또는 일반용일 수 있고, 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신하고 또한 데이터 및 명령을 당해 저장 시스템, 당해 적어도 하나의 입력 장치 및 당해 적어도 하나의 출력 장치에 전송할 수 있다.
본 개시의 방법을 구현하기 위해 사용되는 프로그램 코드는 하나 또는 하나 이상의 프로그래밍 언어의 임의의 조합으로 작성될 수 있다. 이러한 프로그램 코드는 범용 컴퓨터, 전용 컴퓨터 또는 기타 프로그래머블 데이터 처리 장치의 프로세서 또는 컨트롤러에 제공될 수 있으므로, 프로그램 코드가 프로세서 또는 컨트롤러에 의해 수행될 경우, 흐름도 및/또는 블록도에서 규정한 기능/조작을 구현하도록 한다. 프로그램 코드는 전체적으로 기계에서 수행되거나, 부분적으로 기계에서 수행되거나, 독립 소프트웨어 패키지로서 부분적으로 기계에서 수행되고 부분적으로 원격 기계에서 수행되거나 또는 전체적으로 원격 기계 또는 서버에서 수행될 수 있다.
본 개시의 문맥에서, 기계 판독 가능 매체는 자연어 수행 시스템, 장치 또는 기기에 의해 사용되거나 자연어 수행 시스템, 장치 또는 기기와 결합하여 사용되는 프로그램을 포함하거나 저장할 수 있는 유형의 매체일 수 있다. 기계 판독 가능 매체는 기계 판독 가능 신호 매체 또는 기계 판독 가능 저장 매체일 수 있다. 기계 판독 가능 매체는 전자, 자기, 광학, 전자기, 적외선 또는 반도체 시스템, 장치 또는 기기, 또는 상기 내용의 임의의 적절한 조합을 포함할 수 있지만 이에 제한되지 않는다. 기계 판독 가능 저장 매체의 더 구체적인 예시는 하나 또는 하나 이상의 전선을 기반하는 전기 연결, 휴대용 컴퓨터 디스크, 하드 디스크, 랜덤 액세스 메모리(RAM), 읽기 전용 메모리(ROM), 지울 수 있는 프로그래머블 읽기 전용 메모리(EPROM 또는 플래시 메모리), 광섬유, 휴대용 컴팩트 디스크 읽기 전용 메모리(CD-ROM), 광학 저장 기기, 자기 저장 기기 또는 상기 내용의 임의의 적절한 조합을 포함할 수 있지만 이에 제한되지 않는다.
사용자와의 인터랙션을 제공하기 위해 여기에 설명된 시스템 및 기술은 컴퓨터에서 실시될 수 있다. 당해 컴퓨터는 사용자에게 정보를 디스플레이하기 위한 디스플레이 장치(예를 들어, CRT(음극선관) 또는 LCD(액정 디스플레이) 모니터); 및 키보드 및 포인팅 장치(예를 들어, 마우스 또는 트랙볼)를 구비하며, 사용자는 당해 키보드 및 당해 포인팅 장치를 통해 컴퓨터에 입력을 제공할 수 있다. 다른 유형의 장치를 사용하여 사용자와의 인터랙션을 제공할 수도 있으며, 예를 들어, 사용자에게 제공되는 피드백은 임의의 형태의 감지 피드백(예를 들어, 시각적 피드백, 청각적 피드백 또는 촉각적 피드백)일 수 있고; 임의의 형태(소리 입력, 음성 입력 또는 촉각 입력을 포함)로 사용자로부터의 입력을 수신할 수 있다.
여기서 설명되는 시스템 및 기술은 백엔드 부품을 포함하는 컴퓨팅 시스템(예를 들어, 데이터 서버로서), 또는 미들웨어 부품을 포함하는 컴퓨팅 시스템(예를 들어, 응용 서버), 또는 프런트 엔드 부품을 포함하는 컴퓨팅 시스템(예를 들어, 그래픽 사용자 인터페이스 또는 네트워크 브라우저를 구비하는 사용자 컴퓨터인 바, 사용자는 당해 그래픽 사용자 인터페이스 또는 네트워크 브라우저를 통해 여기서 설명되는 시스템 및 기술의 실시 방식과 인터랙션할 수 있음), 또는 이러한 백엔드 부품, 미들웨어 부품 또는 프런트 엔드 부품의 임의의 조합을 포한하는 컴퓨팅 시스템에서 실시될 수 있다. 시스템의 부품은 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)을 통해 서로 연결될 수 있다. 통신 네트워크의 예시는 근거리 통신망(LAN), 광역 통신망(WAN), 인터넷 및 블록체인 네트워크를 포함한다.
컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트 및 서버는 일반적으로 서로 멀리 떨어져 있고, 통신 네트워크를 통해 인터랙션한다. 서로 클라이언트-서버 관계를 가지는 컴퓨터 프로그램을 대응되는 컴퓨터에서 수행하여 클라이언트와 서버 간의 관계를 생성한다. 서버는 클라우드 컴퓨팅 서버일 수 있고, 분산 시스템의 서버일 수도 있고, 또는 블록체인을 결합한 서버일 수도 있다.
이해 가능한 바로는, 전술한 다양한 형식의 프로세스에 있어서 단계 재정렬, 추가 또는 삭제를 할 수 있다. 예를 들어, 본 개시에 개시된 기술 솔루션이 이루고자 하는 결과를 구현할 수 있는 한, 본 개시에 기재된 각 단계들은 병렬로, 순차적으로 또는 다른 순서로 수행될 수 있으나, 본 명세서에서 이에 대해 한정하지 않는다.
전술한 구체적인 실시 방식들은 본 개시의 보호 범위에 대한 한정을 구성하지 않는다. 당업자라면 본 개시의 설계 요건 및 기타 요인에 따라 다양한 수정, 조합, 서비스 조합 및 대체가 이루어질 수 있음을 이해해야 한다. 본 개시의 정신과 원칙 내에서 이루어진 모든 수정, 동등한 대체 및 개선은 본 개시의 보호 범위에 포함된다.

Claims (19)

  1. 안면 생체 검출 방법에 있어서,
    검출할 안면을 포함하는 소스 이미지를 획득하는 단계;
    상기 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하는 단계 - 상기 검출 모델은 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 포함하고, 상기 인자 검출 보조 모델은 생체 검출 중 하나의 공격 방지 인자에 대해 검출하는데 사용됨 -;
    상기 생체 검출 메인 모델의 제1 검출 확률 및 상기 인자 검출 보조 모델의 제2 검출 확률을 획득하는 단계; 및
    상기 제1 검출 확률 및 상기 제2 검출 확률에 따라, 생체 검출 결과를 결정하는 단계;를 포함하는,
    것을 특징으로 하는 안면 생체 검출 방법.
  2. 제1항에 있어서,
    상기 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하는 단계는,
    상기 소스 이미지에 대해 안면 검출을 수행하여, 상기 소스 이미지에서 안면 이미지를 절취하는 단계; 및
    각각의 상기 검출 모델에 대해, 상기 안면 이미지에 대해 상기 검출 모델에 매칭되는 이미지 처리 조작을 수행하여, 상기 검출 모델의 검출 이미지를 생성하는 단계;를 포함하는,
    것을 특징으로 하는 안면 생체 검출 방법.
  3. 제2항에 있어서,
    상기 소스 이미지에 대해 안면 검출을 수행하여, 상기 소스 이미지에서 안면 이미지를 절취하는 단계는,
    상기 소스 이미지에서 안면이 위치한 영역을 결정하는 단계;
    상기 안면이 위치한 영역에 대해 안면 키포인트 검출을 수행하여, 검출된 안면 키포인트의 좌표값을 획득하는 단계; 및
    상기 검출된 안면 키포인트의 좌표값을 기반으로, 상기 소스 이미지에서 상기 안면 이미지를 절취하는 단계;를 포함하는,
    것을 특징으로 하는 안면 생체 검출 방법.
  4. 제3항에 있어서,
    상기 검출된 상기 키포인트의 좌표값을 기반으로, 상기 소스 이미지에서 상기 안면 이미지를 절취하는 단계는,
    상기 안면 키포인트의 최대 좌표값 및 최소 좌표값을 획득하고, 상기 최대 좌표값 및 상기 최소 좌표값에 따라, 상기 소스 이미지에서 안면 검출 박스를 결정하고, 상기 안면 검출 박스에서 상기 안면 이미지를 절취하는 단계를 포함하는,
    것을 특징으로 하는 안면 생체 검출 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 제1 검출 확률 및 상기 제2 검출 확률에 따라, 생체 검출 결과를 결정하는 단계는,
    상기 제1 검출 확률에 따라 상기 생체 검출 메인 모델이 검출을 통과한 것을 결정함, 및 상기 제2 검출 확률에 따라 상기 인자 검출 보조 모델이 모두 검출을 통과한 것을 결정함에 응답하여, 상기 생체 검출 결과가 생체 검출을 통과한 것으로 결정하는 단계; 및
    상기 제1 검출 확률에 따라 상기 생체 검출 메인 모델이 검출을 통과하지 못한 것을 결정함, 및 상기 제2 검출 확률에 따라 적어도 일부 상기 인자 검출 보조 모델이 검출을 통과하지 못한 것을 결정함 중의 적어도 하나에 응답하여, 상기 생체 검출 결과가 생체 검출을 통과하지 못한 것으로 결정하는 단계;를 포함하는,
    것을 특징으로 하는 안면 생체 검출 방법.
  6. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 제1 검출 확률 및 상기 제2 검출 확률에 따라, 생체 검출 결과를 결정하는 단계는,
    상기 제2 검출 확률에 따라 상기 인자 검출 보조 모델에 검출을 통과하지 못한 타겟 인자 검출 보조 모델이 존재하는 것을 결정함에 응답하여, 상기 제1 검출 확률을 감소하게 조정하여, 제3 검출 확률을 획득하는 단계;
    상기 제3 검출 확률이 생체 검출 임계값보다 크거나 같음에 응답하여, 상기 생체 검출 결과가 생체 검출을 통과한 것으로 결정하는 단계; 및
    상기 제3 검출 확률이 상기 생체 검출 임계값보다 작음에 응답하여, 상기 생체 검출 결과가 생체 검출을 통과하지 못한 것으로 결정하는 단계;를 포함하는,
    것을 특징으로 하는 안면 생체 검출 방법.
  7. 제6항에 있어서,
    상기 제2 검출 확률을 감소하게 조정하여, 제3 검출 확률을 생성하는 단계는,
    상기 타겟 인자 검출 보조 모델의 유형에 따라, 상기 타겟 인자 검출 보조 모델의 조정 계수를 결정하는 단계 - 상기 조정 계수는 상기 제1 검출 확률을 조정하는데 사용됨 -;
    하나의 상기 타겟 인자 검출 보조 모델이 존재함에 응답하여, 상기 제1 검출 확률에 상기 조정 계수를 곱하여, 상기 제3 검출 확률을 획득하는 단계; 또는,
    2개 또는 2개 이상의 상기 타겟 인자 검출 보조 모델이 존재함에 응답하여, 상기 타겟 인자 검출 보조 모델의 상기 조정 계수를 곱하여, 총 조정 계수를 획득하는 단계;
    상기 제2 검출 확률에 총 조정 계수를 곱하여, 상기 제3 검출 확률을 획득하는 단계;를 포함하는,
    것을 특징으로 하는 안면 생체 검출 방법.
  8. 제2항에 있어서,
    상기 안면 이미지에 대해 상기 검출 모델에 매칭되는 이미지 처리 조작을 수행하여, 상기 검출 모델의 상기 검출 이미지를 생성하는 단계는,
    상기 검출 모델이 상기 생체 검출 메인 모델 또는 스크린 인자 검출 보조 모델임에 응답하여, 상기 안면 이미지를 제1 설정 값으로 확대하여, 상기 생체 검출 메인 모델 또는 스크린 인자 검출 보조 모델의 상기 검출 이미지로 사용하는 단계 - 상기 스크린 인자 검출 모델은 상기 검출 이미지의 배경에 베젤 및 반사 중의 적어도 하나가 존재하는지 여부를 검출하는데 사용됨 -; 또는,
    상기 검출 모델이 마스크 인자 검출 보조 모델임에 응답하여, 상기 안면 이미지를 제2 설정 값으로 확대하여, 상기 마스크 인자 검출 보조 모델의 상기 검출 이미지로 사용하는 단계 - 상기 마스크 인자 검출 모델은 상기 검출 이미지가 재단된 2D 마스크인지 여부를 검출하는데 사용되며, 상기 2D 마스크는 공격에 사용되는 안면을 포함함 -; 또는,
    상기 검출 모델이 T자형 인자 검출 보조 모델임에 응답하여, 상기 안면 이미지에서 눈 및 코 영역을 추출하여 생성된 T자형 영역 이미지를 상기 T자형 인자 검출 보조 모델의 상기 검출 이미지로 사용하는 단계 - 상기 T자형 인자 검출 보조 모델은 상기 검출 이미지가 재단된 T자형 마스크인지 여부를 검출하는데 사용되며, 상기 T자형 마스크는 눈 및 코만을 포함함 -; 또는,
    상기 검출 모델이 안면 기관 인자 검출 보조 모델임에 응답하여, 상기 안면 이미지에서 안면 기관 이미지를 획득하여 상기 안면 기관 인자 검출 보조 모델의 상기 검출 이미지로 사용하는 단계 - 상기 안면 기관 인자 검출 보조 모델은 상기 검출 이미지에 대해 검출하여 안면 기관인지 여부를 결정하는데 사용됨 -;를 포함하는,
    것을 특징으로 하는 안면 생체 검출 방법.
  9. 안면 생체 검출 장치에 있어서,
    검출할 안면을 포함하는 소스 이미지를 획득하는 제1 획득 모듈;
    상기 소스 이미지를 기반으로, 각 검출 모델의 검출 이미지를 획득하는 제2 획득 모듈 - 상기 검출 모델은 생체 검출 메인 모델 및 적어도 하나의 인자 검출 보조 모델을 포함하고, 상기 인자 검출 보조 모델은 생체 검출 중 하나의 공격 방지 인자에 대해 검출하는데 사용됨 -;
    상기 생체 검출 메인 모델의 제1 검출 확률 및 상기 인자 검출 보조 모델의 제2 검출 확률을 획득하는 제3 획득 모듈; 및
    상기 제1 검출 확률 및 상기 제2 검출 확률에 따라, 생체 검출 결과를 결정하는 결정 모듈;을 포함하는,
    것을 특징으로 하는 안면 생체 검출 장치.
  10. 제9항에 있어서,
    상기 제2 획득 모듈은, 또한
    상기 소스 이미지에 대해 안면 검출을 수행하여, 상기 소스 이미지에서 안면 이미지를 절취하고;
    각각의 상기 검출 모델에 대해, 상기 안면 이미지에 대해 상기 검출 모델에 매칭되는 이미지 처리 조작을 수행하여, 상기 검출 모델의 검출 이미지를 생성하는;데 사용되는,
    것을 특징으로 하는 안면 생체 검출 장치.
  11. 제10항에 있어서,
    상기 제2 획득 모듈은, 또한
    상기 소스 이미지에서 안면이 위치한 영역을 결정하고;
    상기 안면이 위치한 영역에 대해 안면 키포인트 검출을 수행하여, 검출된 안면 키포인트의 좌표값을 획득하고;
    상기 검출된 안면 키포인트의 좌표값을 기반으로, 상기 소스 이미지에서 상기 안면 이미지를 절취하는;데 사용되는,
    것을 특징으로 하는 안면 생체 검출 장치.
  12. 제11항에 있어서,
    상기 제2 획득 모듈은, 또한
    상기 안면 키포인트의 최대 좌표값 및 최소 좌표값을 획득하고, 상기 최대 좌표값 및 상기 최소 좌표값에 따라, 상기 소스 이미지에서 안면 검출 박스를 결정하고, 상기 안면 검출 박스에서 상기 안면 이미지를 절취하는데 사용되는,
    것을 특징으로 하는 안면 생체 검출 장치.
  13. 제9항 내지 제12항 중 어느 한 항에 있어서,
    상기 결정 모듈은, 또한
    상기 제1 검출 확률에 따라 상기 생체 검출 메인 모델이 검출을 통과한 것을 결정함, 및 상기 제2 검출 확률에 따라 상기 인자 검출 보조 모델이 모두 검출을 통과한 것을 결정함에 응답하여, 상기 생체 검출 결과가 생체 검출을 통과한 것으로 결정하고;
    상기 제1 검출 확률에 따라 상기 생체 검출 메인 모델이 검출을 통과하지 못한 것을 결정함, 및 상기 제2 검출 확률에 따라 적어도 일부 상기 인자 검출 보조 모델이 검출을 통과하지 못한 것을 결정함 중의 적어도 하나에 응답하여, 상기 생체 검출 결과가 생체 검출을 통과하지 못한 것으로 결정하는;데 사용되는,
    것을 특징으로 하는 안면 생체 검출 장치.
  14. 제9항 내지 제12항 중 어느 한 항에 있어서,
    상기 결정 모듈은, 또한
    상기 제2 검출 확률에 따라 상기 인자 검출 보조 모델에 검출을 통과하지 못한 타겟 인자 검출 보조 모델이 존재하는 것을 결정함에 응답하여, 상기 제1 검출 확률을 감소하게 조정하여, 제3 검출 확률을 획득하고;
    상기 제3 검출 확률이 생체 검출 임계값보다 크거나 같음에 응답하여, 상기 생체 검출 결과가 생체 검출을 통과한 것으로 결정하고;
    상기 제3 검출 확률이 상기 생체 검출 임계값보다 작음에 응답하여, 상기 생체 검출 결과가 생체 검출을 통과하지 못한 것으로 결정하는;데 사용되는,
    것을 특징으로 하는 안면 생체 검출 장치.
  15. 제13항에 있어서,
    상기 제2 검출 확률을 감소하게 조정하여, 제3 검출 확률을 생성하는 것은,
    상기 타겟 인자 검출 보조 모델의 유형에 따라, 상기 타겟 인자 검출 보조 모델의 조정 계수를 결정하고 - 상기 조정 계수는 상기 제1 검출 확률을 조정하는데 사용됨 -;
    하나의 상기 타겟 인자 검출 보조 모델이 존재함에 응답하여, 상기 제1 검출 확률에 상기 조정 계수를 곱하여, 상기 제3 검출 확률을 획득하는 것; 또는,
    2개 또는 2개 이상의 상기 타겟 인자 검출 보조 모델이 존재함에 응답하여, 상기 타겟 인자 검출 보조 모델의 상기 조정 계수를 곱하여, 총 조정 계수를 획득하고;
    상기 제2 검출 확률에 총 조정 계수를 곱하여, 상기 제3 검출 확률을 획득하는 것;을 포함하는,
    것을 특징으로 하는 안면 생체 검출 장치.
  16. 제10항에 있어서,
    상기 제2 획득 모듈은, 또한
    상기 검출 모델이 상기 생체 검출 메인 모델 또는 스크린 인자 검출 보조 모델임에 응답하여, 상기 안면 이미지를 제1 설정 값으로 확대하여, 상기 생체 검출 메인 모델 또는 스크린 인자 검출 보조 모델의 상기 검출 이미지로 사용하고 - 상기 스크린 인자 검출 모델은 상기 검출 이미지의 배경에 베젤 및 반사 중의 적어도 하나가 존재하는지 여부를 검출하는데 사용됨 -; 또는,
    상기 검출 모델이 마스크 인자 검출 보조 모델임에 응답하여, 상기 안면 이미지를 제2 설정 값으로 확대하여, 상기 마스크 인자 검출 보조 모델의 상기 검출 이미지로 사용하고 - 상기 마스크 인자 검출 모델은 상기 검출 이미지가 재단된 2D 마스크인지 여부를 검출하는데 사용되며, 상기 2D 마스크는 공격에 사용되는 안면을 포함함 -; 또는,
    상기 검출 모델이 T자형 인자 검출 보조 모델임에 응답하여, 상기 안면 이미지에서 눈 및 코 영역을 추출하여 생성된 T자형 영역 이미지를 상기 T자형 인자 검출 보조 모델의 상기 검출 이미지로 사용하고 - 상기 T자형 인자 검출 보조 모델은 상기 검출 이미지가 재단된 T자형 마스크인지 여부를 검출하는데 사용되며, 상기 T자형 마스크는 눈 및 코만을 포함함 -; 또는,
    상기 검출 모델이 안면 기관 인자 검출 보조 모델임에 응답하여, 상기 안면 이미지에서 안면 기관 이미지를 획득하여 상기 안면 기관 인자 검출 보조 모델의 상기 검출 이미지로 사용하는 - 상기 안면 기관 인자 검출 보조 모델은 상기 검출 이미지에 대해 검출하여 안면 기관인지 여부를 결정하는데 사용됨 -;데 사용되는,
    것을 특징으로 하는 안면 생체 검출 장치.
  17. 전자 기기에 있어서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 통신 가능하게 연결되는 메모리;를 포함하고,
    상기 메모리에 상기 적어도 하나의 프로세서에 의해 수행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 수행될 경우, 상기 적어도 하나의 프로세서가 제1항 내지 제4항, 제7항, 제8항 중 어느 한 항에 따른 안면 생체 검출 방법을 수행하는,것을 특징으로 하는 전자 기기.
  18. 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체에 있어서,
    상기 컴퓨터 명령은 컴퓨터가 제1항 내지 제4항, 제7항, 제8항 중 어느 한 항에 따른 안면 생체 검출 방법을 수행하는데 사용되는,
    것을 특징으로 하는 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체.
  19. 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램의 명령이 프로세서에 의해 수행될 경우 제1항 내지 제4항, 제7항, 제8항 중 어느 한 항에 따른 안면 생체 검출 방법이 구현되는,
    것을 특징으로 하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
KR1020220083658A 2021-07-29 2022-07-07 안면 생체 검출 방법, 장치, 전자 기기 및 저장 매체 KR20220104110A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110865025.8 2021-07-29
CN202110865025.8A CN113642428B (zh) 2021-07-29 2021-07-29 人脸活体检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
KR20220104110A true KR20220104110A (ko) 2022-07-26

Family

ID=78418890

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220083658A KR20220104110A (ko) 2021-07-29 2022-07-07 안면 생체 검출 방법, 장치, 전자 기기 및 저장 매체

Country Status (4)

Country Link
EP (1) EP4064215A3 (ko)
JP (1) JP7414902B2 (ko)
KR (1) KR20220104110A (ko)
CN (1) CN113642428B (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202806A (zh) * 2021-11-26 2022-03-18 北京百度网讯科技有限公司 活体检测方法、装置、电子设备和存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276250B (zh) * 2015-01-12 2023-06-02 创新先进技术有限公司 一种人脸活体检测方法和装置
CN104794453B (zh) * 2015-04-29 2018-11-06 徐州旷视数据科技有限公司 活体验证方法及装置
CN107194376A (zh) * 2017-06-21 2017-09-22 北京市威富安防科技有限公司 面具造假卷积神经网络训练方法及人脸活体检测方法
US11023757B2 (en) * 2018-02-14 2021-06-01 Samsung Electronics Co., Ltd. Method and apparatus with liveness verification
US10776609B2 (en) * 2018-02-26 2020-09-15 Samsung Electronics Co., Ltd. Method and system for facial recognition
CN109086718A (zh) * 2018-08-02 2018-12-25 深圳市华付信息技术有限公司 活体检测方法、装置、计算机设备及存储介质
CN109558840A (zh) * 2018-11-29 2019-04-02 中国科学院重庆绿色智能技术研究院 一种特征融合的活体检测方法
CN110705392A (zh) * 2019-09-17 2020-01-17 Oppo广东移动通信有限公司 一种人脸图像检测方法及装置、存储介质
CN110765924A (zh) * 2019-10-18 2020-02-07 腾讯科技（深圳）有限公司 一种活体检测方法、装置以及计算机可读存储介质
CN110765923B (zh) * 2019-10-18 2024-05-24 腾讯科技（深圳）有限公司 一种人脸活体检测方法、装置、设备及存储介质
CN110991249A (zh) * 2019-11-04 2020-04-10 支付宝(杭州)信息技术有限公司 人脸检测方法、装置、电子设备及介质
CN112800997B (zh) * 2020-04-10 2024-01-05 支付宝(杭州)信息技术有限公司 一种活体检测方法、装置及设备
CN111680588A (zh) * 2020-05-26 2020-09-18 广州多益网络股份有限公司 一种基于可见光和红外光的人脸闸机活体检测方法
CN112149615A (zh) * 2020-10-12 2020-12-29 平安科技（深圳）有限公司 人脸活体检测方法、装置、介质及电子设备
CN112329612A (zh) * 2020-11-03 2021-02-05 北京百度网讯科技有限公司 活体检测方法、装置及电子设备
CN113033465B (zh) * 2021-04-13 2023-11-14 北京百度网讯科技有限公司 活体检测模型训练方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
JP7414902B2 (ja) 2024-01-16
CN113642428A (zh) 2021-11-12
CN113642428B (zh) 2022-09-27
EP4064215A2 (en) 2022-09-28
JP2022141940A (ja) 2022-09-29
EP4064215A3 (en) 2023-01-18

Similar Documents

Publication Publication Date Title
EP3742332B1 (en) Method and apparatus for training model for recognizing key points of hand, and method and apparatus for recognizing key points of hand
US11487995B2 (en) Method and apparatus for determining image quality
WO2021258588A1 (zh) 一种人脸图像识别方法、装置、设备及存储介质
US20190392587A1 (en) System for predicting articulated object feature location
KR102597377B1 (ko) 이미지 인식방법, 장치, 기기, 컴퓨터 저장매체 및 컴퓨터 프로그램
WO2020103700A1 (zh) 一种基于微表情的图像识别方法、装置以及相关设备
CN110826521A (zh) 驾驶员疲劳状态识别方法、系统、电子设备和存储介质
US11361587B2 (en) Age recognition method, storage medium and electronic device
JP2022177232A (ja) 画像処理方法、テキスト認識方法及び装置
KR20220063127A (ko) 얼굴 생체 검출 방법, 장치, 전자 기기, 저장 매체, 및 컴퓨터 프로그램
CN113221771B (zh) 活体人脸识别方法、装置、设备、存储介质及程序产品
US20230036338A1 (en) Method and apparatus for generating image restoration model, medium and program product
EP3905124A2 (en) Three-dimensional object detecting method, apparatus, device, and storage medium
EP3955217A2 (en) Human behavior recognition method, apparatus, storage medium and program product
KR20220100812A (ko) 안면 생체 검출 방법, 장치, 전자 기기 및 저장 매체
JP2022185144A (ja) 対象検出方法、対象検出モデルのレーニング方法および装置
KR20220104110A (ko) 안면 생체 검출 방법, 장치, 전자 기기 및 저장 매체
CN114049290A (zh) 图像处理方法、装置、设备及存储介质
CN113255511A (zh) 用于活体识别的方法、装置、设备以及存储介质
CN113409340A (zh) 语义分割模型训练方法、语义分割方法、装置及电子设备
US20230115765A1 (en) Method and apparatus of transferring image, and method and apparatus of training image transfer model
EP4086853A2 (en) Method and apparatus for generating object model, electronic device and storage medium
CN115410257A (zh) 图像保护方法及相关设备
KR20210095817A (ko) 얼굴 합성 이미지의 검출방법, 검출장치, 전자기기 및 저장매체
CN113205131A (zh) 图像数据的处理方法、装置、路侧设备和云控平台