CN107077608A - 图像生物特征识别中的面部活体检测 - Google Patents
图像生物特征识别中的面部活体检测 Download PDFInfo
- Publication number
- CN107077608A CN107077608A CN201580058663.1A CN201580058663A CN107077608A CN 107077608 A CN107077608 A CN 107077608A CN 201580058663 A CN201580058663 A CN 201580058663A CN 107077608 A CN107077608 A CN 107077608A
- Authority
- CN
- China
- Prior art keywords
- face
- user
- light
- image sequence
- test
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
- H04W12/065—Continuous authentication
-
- 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
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
-
- 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
- G06V40/172—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
- G06V40/10—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
- G06V40/174—Facial expression recognition
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/19—Sensors therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本文中描述了在图像生物特征识别中用于进行欺骗检测的***和技术。可以从相机中获得图像序列;所述图像序列中的第一多个图像包括对用户身体部位的表示,并且所述图像序列中的第二多个图像包括对所述用户的环境的表示。可以创建对所述身体部位的所述表示的标记。可以使用第三组电路来在所述图像序列中标识在所述第二多个图像期间呈现的所述用户的所述环境的特征。可以对所述标记与所述图像序列中的所述环境的所述特征之间的相关性进行量化以便产生所述标记与所述环境的所述特征相关的程度的同步性度量。
Description
优先权要求
本专利申请要求以下所有申请的权益和优先权:于2014年11月13日提交的题为“LIVENESS DETECTION IN FACIAL RECOGNITION WITH SPOOF-RESISTANT PROGRESSIVEEYELID TRACKING(具有防欺骗的渐进眼睑跟踪的面部识别中的活体检测)”的美国临时申请序列号62/079,011;于2014年11月13日提交的题为“FACIALSPOOFING DETECTION INIMAGE BASED BIOMETRICS(基于图像的生物特征识别中的面部欺骗检测)”的美国临时申请序列号62/079,020;于2014年11月13日提交的题为“COVERT LIVENESS DETECTION SYSTEMAND METHOD(隐蔽活体检测***和方法)”的美国临时申请序列号62/079,036;于2014年11月13日提交的题为“FACIAL SPOOFING DETECTION FACILITATION(面部欺骗检测促进)”的美国临时申请序列号62/079,044;于2014年11月13日提交的题为“SCREEN REFLECTIONANTI-SPOOFING SYSTEM AND METHOD(屏幕反射防欺骗***和方法)”的美国临时申请序列号62/079,082;于2014年11月13日提交的题为“EYELIDTRACKING FOR BIOMETRIC LIVE-NESS TEST(用于生物特征活体测试的眼睑跟踪)”的美国临时申请序列号62/079,095;以及于2014年11月13日提交的题为“SPOOFING DETECTION IN IMAGE BASED BIOMETRICS(基于图像的生物特征识别中的欺骗检测)”的美国临时申请序列号62/079,102;所述申请的全部内容通过引用结合在此。
技术领域
本文中所描述的实施例总体上涉及生物特征计算机认证,并且更具体地,涉及图像生物特征识别中的面部活体检测。
背景技术
用于认证目的的面部识别允许用户使用她的面部来向计算机***进行认证。通常,捕获用户的面部并对其进行分析以便产生并存储用于在设置过程期间对用户进行唯一标识的特征集。当用户希望在未来的认证尝试中使用她的面部时,相机将捕获对用户面部的表示并对其进行分析以便判定其是否与所存储的特征集充分匹配。当进行了用户面部的当前图像捕获与所存储的特征集之间的充分匹配时,向计算机***认证了所述用户。
附图说明
在不一定按比例绘制的附图中,相同标号可以描述不同视图中的类似部件。具有不同字母后缀的相同标号可以表示类似部件的不同实例。附图总体上通过示例的方式而不是通过限制的方式展示了本文档中所讨论的各种实施例。
图1是根据实施例的包括用于图像生物特征识别的***的环境的示例的框图。
图2是根据实施例的由用于图像生物特征识别的相机可见的场景的示例。
图3是根据实施例的用于图像生物特征识别的***和场景成分的示例安排的图示。
图4是根据实施例的不可见光的场景反射率的示例的图示。
图5A是根据实施例的所发射的图案的示例,并且图5B是根据实施例的在所发射的图案下的场景反射率的示例。
图6是根据实施例的场景中的距离平面的示例。
图7是根据实施例的与所提供的提示的眼睛注视相关性的示例。
图8是根据实施例的用于图像生物特征识别的用户界面的示例的框图。
图9是根据实施例的使用所标识的面部标记来进行的场景线性变换。
图10是根据实施例的对使用所标识的面部标记来进行的场景线性变换的场景简化。
图11是根据实施例的示例用户界面序列,在所述用户界面中,向用户呈现目标。
图12A和图12B是根据实施例的向用户呈现的目标提示的示例用户界面,在所述用户界面中,模糊了场景。
图13是根据实施例的用于促进目标放置的示例注视向量确定。
图14是根据实施例的眨眼时的眼睑运动序列的示例。
图15是根据实施例的跟踪眼睛的眨眼特性的帧序列。
图16是根据实施例的对两只眼睛中的每只眼睛的眨眼的示例活动分析。
图17是根据实施例的对两只眼睛中的每只眼睛的眨眼的示例活动分析。
图18展示了根据实施例的在图像生物特征识别中用于进行欺骗检测的方法的示例的流程图。
图19展示了根据实施例的在图像生物特征识别中用于进行面部活体检测的方法的示例的流程图。
图20是框图,展示了可以在其上实施一个或多个实施例的机器的示例。
具体实施方式
一些当前面部识别解决方案易于通过例如电话、平板计算机等上的照片来欺骗(例如,伪造)。例如,人员可以例如经由平板计算机相机或者从雇员的社交媒体简况中获取用户的照片,在设备上显示该照片,并将所述设备保持在用于捕获面部表示的相机前面以便认证用户。因此,所述人员已经欺骗了用户的真实面部以便规避基于面部的认证过程。
为了防止面部欺骗,可以采用一些类型的防欺骗技术(单独地或组合地),比如,让用户执行某些任务(例如,调用可能很难预测的动态用户参与以便使欺骗复杂化)或分析图像捕获的情境(例如,环境)以便判定所捕获的图像是否表示“活体(live)”用户。两种技术都可以在活体用户与仿真品之间进行区分,但是仅要求更多用户输入(例如,以特定任务的形式、采取身***置等)可能呈现一些用户体验挑战(例如,如何呈现请求、用户遵循请求的难度、执行请求的过多时间等)。然而,分析在其中捕获图像的情境可以避免与更加交互式的技术相关联的用户体验挑战。进一步地,在没有特定指令的情况下,可以采用技术来诱导用户行为。例如,简单地呈现移动的令人感兴趣的物体将捕获用户注意力,而不必告知用户跟踪物体。这种技术可以在不烦扰用户的情况下增加环境观察。
以下描述了用于分析认证情境的机制和技术。如本文中所使用的,情境不包括如当日时间、位置或其他可辨别情境等情境,而是包括可从认证设备上的相机或其他传感器中观察的或者向用户引入的环境情境(例如,屏幕上的移动目标)。而且,尽管以下可能描述了用于标识欺骗尝试(例如,使用仿真品而不是活体生物特征成分来认证用户)的技术,但是可以使用相同技术来标识活体生物特征成分。因此,甚至在欺骗不是问题的环境中——比如,在是否可以为了应用或环境定制而不是访问安全而将认证主要用于标识用户的家庭中,标识活体面部可以通过避免对身体部位的无生命表示(例如,抱在孩子手臂中的玩偶)的认证处理来减小处理开销或否定的认证尝试。
图1是根据实施例的包括用于图像生物特征识别的***105的环境100的示例的框图。***105可以包括传感器120(例如,数码相机或录像机、不可见光检测器等)、显示器145(例如,屏幕、监视器、可见光发射器等)、(可选地)附加发射器150(例如,红外线(IR)或其他不可见或可见光谱发射器)、环境特征检测器125、生物特征检测器130、同步性检测器135和欺骗指示控制器140。当分析从标识欺骗尝试转移到标识活体身体部位(例如,面部)时,欺骗指示控制器140还可以被称为活体指示控制器。***105还可以包括用于实际执行对用户115的认证的认证控制器(未示出)。如以下关于图20而描述的,在如电路组等计算机硬件中实施这些成分中的每个成分。
***105可以从传感器120获得图像序列。图像序列包括第一多个图像(例如,帧、图片等),所述第一多个图像包括对用户身体部位(例如,面部、手指等)的表示。如本文中所使用的,对身体部位的表示是对实际部位的传感器表示。因此,用户面部的数字图像是对面部的表示。图像序列还包括第二多个图像,所述第二多个图像包括对用户115的环境的表示。此第一多个图像和第二多个图像可以完全或部分重叠(例如,包括相同图像或其他传感器读数)。如所展示的,传感器120是具有视场110的相机,所述视场包括用户115以及如用户115的背景等其他一些物体。在示例中,可以对图像序列进行处理以便减小噪声(例如,应用滤波器)。在示例中,可以对图像序列进行处理以便减少颜色信息。在示例中,可以将颜色信息减少至每像素一位(例如,黑色和白色)。
在示例中,可以在用户115靠近传感器120时捕获图像序列。例如,连续流中的相关图像受约束于靠近传感器120的或者在附加传感器(未示出)指示用户115正靠近(例如,经由设备定位或基于位置的服务、运动检测器等)时激活传感器120的用户115的标识。这种早期激活(例如,在做出认证请求之前)可以提供可以在以下所描述的技术中使用的附加情境信息(例如,用户115与其他环境成分之间的相对运动)。
生物特征检测器(BFD)130可以获得传感器120数据并创建用于身体部位的表示的标记。如本文中所使用的,标记是对身体部位的变换或替代性表示并且特定于正应用的活体或欺骗测试。例如,眼睛在对面部的表示中的位置可以是确定面部在图像中的位置所需的唯一定位信息。相应地,标记可以是表示眼睛的中心的点。
在示例中,标记可以是基于深度测量结果(以下所描述的)的对身体部位的测量结果。可以通过按与在其中检测到身体部位的区域相关联的深度来缩放对身体部位的像素表示从而执行这种测量。这种测量不可以直接转化为身体部位的真实大小,而更远的物体将被缩放成比附近物体更大。在示例中,传感器120的光学特性可以用于使用深度测量结果来缩放身体部位。尽管这种机制可能比简单的缩放机制更复杂,但是有可能导致对相应身体部位的大小的更准确确定。在示例中,可以通过以下方式来确定基于深度测量结果以及对身体部位的表示的对身体部位的测量结果:使用身体部位的深度图像和对身体部位的表示的尺寸(例如,长度、宽度、高度、体积等)来推断身体部位的大小。也就是说,可以缩放单个尺寸,而不是缩放整个身体部位表示。在示例中,测量可以包括身体部位的深度图。这种图可以提供轮廓细节,所述轮廓细节可以用于与***105所维持的身体部位模型的关联目的。
在示例中,标记可以是在对身体部位的表示中的眼睛之间的线。在示例中,标记可以是所述线中间的点。在示例中,标记可以是以对身体部位的表示的形心为中心的形状。
在示例中,BFD 130可以从对身体部位的表示中跟踪眼睛注视。因此,BFD 130可以在任何给定时刻确定眼睛盯着的方向。在示例中,这种跟踪在图像序列中的多个图像中发生。在示例中,可以通过测量对眼睛可见的虹膜的量来确定眼睛的注视。在示例中,校准会话可由BFD 130用于校准眼睛跟踪。在示例中,校准会话可以包括呈现移动提示。可以在呈现移动提示期间捕获第二(例如,不同的)图像序列。用户115的眼睑位置与移动提示的对应性可以从第二图像序列中测量。然后,所测量的对应性可以用作以下所描述的欺骗指示尝试阈值。
在示例中,标记可以是所测量的眨眼序列。也就是说,可以跟踪一只或多只眼睛的眨眼,贯穿眨眼而测量眼睛的特性。
环境特征检测器(EFD)125可以获得传感器120数据并且标识用户115的环境的在图像序列中的第二多个图像期间呈现的特征。在示例中,标识环境特征可以包括例如使用显示器145或发射器150来将图案发射到环境中。均匀图案在空间和时间上是相同的(在公差内)。这种均匀图案可以包括聚光灯或其他照明器。非均匀图案在发射空间或时间、波长或振幅方面变化。这种变化是蓄意的而非偶然的。例如,图5中所描绘的波动图案是非均匀图案,而如灯泡等球形发射器是均匀图案发射(即使可能存在发射变化)。
图案发射可以在不使用户115负担任务的情况下提供关于环境的许多有用细节。例如,发射可以用于确定与环境成分的距离。进一步地,这些环境成分的一些表面可能具有可以用于在设备屏幕与例如活体面部之间进行区分的不同反射特性。在示例中,图案可以是均匀的。在示例中,图案可以是非均匀的。在示例中,图案可以在可见光谱中。在示例在,图案可以在不可见光谱中。在示例中,图案的不可见光谱包括IR光。
在示例中,可以在可见光谱中发射非均匀图案中的图案。在示例中,非均匀图案是移动图案。移动图案涉及在时间上随着区域的波长和振幅变化,从而使得对于用户115而言,好像图案的一部分从一个地方移动到另一个地方。例如,从显示器145的顶部横穿到底部的黑色水平条。在示例中,例如由发射器150在不可见光谱中发射图案。在示例中,不可见光谱发射是IR发射。
在示例中,环境的特征是源自图案的对身体部位的深度测量结果。例如,反射出表面的发射的飞行时间可以用于测量从发射器到表面的深度或距离。还可以使用如发射已知图案和确定图案反射变化等其他机制。例如,可以发射点图案。对于更近物体,反射点之间的距离将更大,并且对于反射出遥远物体的点,所述距离将更小。可以在可见或不可见光谱中执行类似分析。在可见光谱中,图案可以是认证屏幕的背景。在示例中,可见光谱图案可以包括如白色上的黑色或黑色上的白色等高对比度要素。
在示例中,所述环境的特征可以是图案在所述环境的包含所述标记的区域中的反射率。虽然设备和墨水通常吸收IR光,但是以相对均匀的方式反射可见光。相反,例如,人类面部反射IR并且是可见光的不良反射器。此外,设备或纸张的平整表面以及用于认证的大多数身体部位的带轮廓的性质两者都对发射进行反射导致不同的反射特性(即使两者都反射发射)。
在示例中,环境的特征可以包括在所述多个图像中检测到的边缘上的点凸包。也就是说,在分析图像序列中的可检测边缘时,所述边缘可能暗示封闭形状。当所述边缘相交或符合期预期相交(例如,并不实际相交,但是足够接近给定形状模型)并且相交边缘封闭区域时构造凸包。在示例中,可以将所述边缘与设备边缘构型目录进行比较以便判定所述边缘是否表示已知设备。在此示例中,点凸包基于已知设备的物理构型。在示例中,边缘是移动边缘。也就是说,非移动边缘被排除在凸包构造之外。此示例承认欺骗设备在如与例如挂在办公室中的一件艺术品相反的视场110内可移动。
在示例中,环境的特征可以是接近于身体部位的背景。如本文中所使用的,接近表示毗邻身体部位的区域,包括可单独标识的特征,并且不是身体部位的一部分。接近度可以基于阈值距离。因此,在阈值距离上毗邻图像序列中的身体部位的要素被视为接近真实场景中的身体部位。
在示例中,接近度可以包括与对身体部位的表示相交的物体。因此,检测到的接触对身体部位的表示的书橱可以被视为是接近的。因此,只要物体接触图像序列中的身体部位,就不需要应用特定阈值距离。应当注意的是,因为通过身体部位之下的物体将好像接触对身体部位的表示(当被扁平化成图像序列中的二维表示时),所以“接触”无需是真实构成中的实际接触。
背景与对身体部位的表示之间的接近度仅解决了认证环境背景也处于具有欺骗设备的视场中的问题。因此,尽管背景将围绕如设备所显示的身体部位,但是认证环境背景也可以是可检测的。然而,此处重要的特征是身体部位周围的将难以在移动设备时相对于身体部位而变化的背景特性。
在示例中,环境特征是眨眼序列的模型。在此示例中,环境特征是环境的功能,但不可直接从环境本身中观察。眨眼模型提供偏差,可以将所测量的眨眼序列与所述偏差进行比较。眨眼模型提供用户115的活体眨眼的预期特性。可以基于如有可能增大用户115眨眼的眨眼速率或其他特性的光照条件等环境条件来提供不同的眨眼模型。在示例中,所述模型可以限定与眼睑相对应的眼睑序列,所述眼睑在与异常眼睑序列相反的方向上移动。
同步性检测器(SD)135可以量化标记与图像序列中的环境的特征之间的相关性以便产生对标记与环境的特征相关的程度的同步性度量。因此,将标记与环境特征进行比较以便确定他们有多靠近。然后,向此靠近度分配值。所述值可以是许多离散值之一、真实表示(例如,对计算硬件所允许的精确度的数字表示)、二进制表示等。特定量化(例如,对靠近度的测量)将取决于所使用的特定环境特征和标记。
在环境特征是对身体部位的深度测量结果且标记是对身体部位的测量的示例中,相关性可以是身体部位的测量结果符合深度测量结果处的活体身体部位的程度。因此,可以维持可接受身体部位大小的范围。如果身体部位测量超出所维持的范围之外,则发生这种情况的程度可以是同步性度量。在示例中,同步性度量可以是关于测量落入所述范围内与否的二进制指示。
在示例中,环境的特征与标记之间的相关性可以是区域反射图案的程度。例如,在IR发射中,将不预期设备反射许多IR光。因此,如果身体部位由设备显示,则在其中发现身体部位的区域与反射特性之间应当存在更高相关性。相反,如果身体部位是真实的,则可以分配更低相关性。如果预期设备,则可以颠倒关联的方向(例如,高或低)。在示例中,图案是移动的,并且区域反射图案的程度包括判定图案的指定特征是否移动了预期距离。例如,如果直射光移动图案投射到平整表面上,则在反射时,线的进度应当是均匀的。然而,如果图案移动跨过带有轮廓的表面(比如,面部或指尖),则图案将被扭曲并且由此将不会移动预期距离。在示例中,区域反射图案的程度可以包括对光的反射的均匀性。
在环境特征包括以上所描述的凸包的示例中,标记与环境特征之间的相关性可以是在凸包内找到标记的程度。因此,更大的相关性可以归因于标记处于凸包之内,并且更小的相关性可以归因于标记处于凸包之外。相关性中的附加梯度可以归因于标记与凸包的边缘之间的给定相对距离。因此,更小的相关性可以归因于标记比仍处于凸包之外的但更靠近凸包的第二标记更远地处于凸包之外。
在示例中,SD 135可以测量所跟踪的眼睛注视跟踪在显示器145上显示的移动图案的程度。因此,可以利用人员在视觉上跟踪移动提示的本能倾向来确定活体,而无需要求用户115执行特定任务。在此示例中,活人将预期跟踪移动图案或其一部分,而仿真品将难以模拟这种跟踪。
在环境特征是接近于身体部位的背景的示例中,相关性可以是接近于图像序列中的身体部位的背景随着标记移动的程度。因此,如果接近背景随着对身体部位的表示移动,则可以假设背景是包括身体部位的图片的一部分并且由此是欺骗尝试。相反,如果在对身体部位的表示移动的同时,接近背景保持静止,则可以假设相应身体部位属于活人。这种相关性测量涉及身体部位移动跨过背景。尽管通常自然地发生这种情况,但是其也可以被促进。例如,可以在显示器145上向用户115显示目标。这种目标不是对用户115的特定指令,而是依赖于用户115朝着目标移动的自然倾向。
在示例中,可以向用户115显示目标连同对身体部位的表示。在此示例中,在与对身体部位的表示不同的位置中显示目标。因此,用户115将倾向于移动,以便将身体部位置于目标上。用户实际到达目标不重要,而重要的是发生某个移动。在示例中,目标是一定形状的轮廓,所述形状的大小被设定成使得当形状的中心与对身体部位的表示的中心重合时对身体部位的表示放置在形状之内。例如,圆的轮廓可以是目标,圆足够大以便将对用户115的面部的表示放置在其之内。因此,用户115可以倾向于尝试并将她的面部置于圆内。在示例中,形状可以是矩形、椭圆形、星形或三角形。在示例中,目标是一定形状,所述形状的大小被设定成使得当形状的中心与对身体部位的表示的中心重合时对身体部位的表示不放置在形状之内。在示例中,目标可以是图标、形状、点或其他区分视觉元素。
在示例中,目标位于与对身体部位的表示不同的位置中可以包括在与身体部位的某个偏移处显示目标。在示例中,偏移可由相对运动模型来确定,所述相对运动模型限定了身体部位的运动参数以便在捕获图像序列的传感器120的视场110中的前景物体与背景物体之间进行区分。相对运动模型由此指示将允许在前景物体(像身体部位)与背景物体之间的区分的运动量。在示例中,相对运动模型可以包括足以在前景物体与背景物体之间进行区分的移动的阈值。
在示例中,对身体部位的表示可以是模糊身体部位的来自图像序列的至少一个特征的符号。在示例中,符号可以是对身体部位的展示。模糊对身体部位的表示或者所显示的目标场景的其他部分为可能在展示对身体部位的表示向以下所描述的目标的运动时执行的操纵提供益处。进一步地,这种模糊可能使恶意人员难以精确地确定***105正监控的东西并且由此更难创建用于欺骗目的的现实仿真品。
在示例中,身体部位可以是面部,并且偏移的方向与面部的取向相反。因此,目标被置于用户115的向前运动的前方的方向上。这可能导致从用户115的角度而言的更直观运动。在示例中,与对身体部位的表示的偏移的距离可能不耦合至在图像序列中捕获的身体部位与目标之间的像素位置差。在示例中,显示对身体部位的表示可以包括使用相对运动模型来修改身体部位的运动。这种修改可以包括在贯穿移动的各个点处加速或减慢移动。因此,目标可以转移、生长、收缩等,或者对身体部位的表示可以在所显示的图像内转化。这种操纵可能引起从用户处的更大运动,同时指示向用户115指示到达目标的进展。如以上所描述的,在对用户115模糊了场景时,这种技术可能更容易。
在测量眨眼序列的示例中,相关性可以是所测量的眨眼序列符合眨眼模型的程度。在此示例中,强相关性指示活人,而差相关性指示欺骗尝试。在示例中,可以通过凭借于图案识别器来处理从眼睑阻碍的眼睛百分比中计算的所述对应分数系列从而确定所测量的眨眼序列符合所述模型的程度。在此示例中,图案识别器基于模型检查异常眼睑序列或异常眨眼序列中的至少一者的对应分数系列。在示例中,在验证眼睑序列正常之后,图案识别器可以连续地检查异常眨眼序列。也就是说,首先执行眼睑序列检查。如果眼睑序列检查通过,则检查异常眨眼序列。
欺骗指示控制器(SIC)140可以响应于同步性度量超过阈值而提供欺骗尝试指示。在示例中,SIC 140可以提供活体指示或除了或替代提供欺骗指示之外以其他方式将对身体部位的表示分类为活的。在示例中,可以在欺骗尝试指示的情况下拒绝认证尝试。在示例中,可以将欺骗尝试指示与其他欺骗尝试指示组合以便判定是否拒绝认证尝试。例如,每个欺骗尝试指示可以是加权值。将加权值相加得到总数,将所述总数与阈值进行比较以便判定是否正进行活动的欺骗尝试;在活动的欺骗尝试期间拒绝认证。在示例中,向要用于认证过程的另一个***部件提供欺骗指示。
在环境中的区域的反射率是同步性度量的偏差的示例中,阈值可以限定图案的最小反射率。也就是说,如果预期设备对发射进行反射,则当区域反射足够(例如,大于阈值)时,进行欺骗尝试指示。在示例中,最小反射率包括图案的指定特征的最小反射率。这种特征可以包括视觉特征(例如,所发射的线或形状的一部分)、波长等。
在环境中的区域的反射率是同步性度量的偏差的示例中,阈值可以限定图案的最大反射率。也就是说,如果预期设备不对发射(在IR光的情况下)进行反射,则当区域反射足够的光(例如,小于阈值)时,进行欺骗尝试指示。在图案处于不可见光谱中的示例中,区域反射图案的程度包括对不可见光的反射的均匀性。在示例中,区域反射图案的程度可以包括对不可见光的反射的亮度,明亮反射与高反射率相对应。在此示例中,不可见光谱中的高反射表面将不会被认为是欺骗设备。相反,将预期设备具有均匀的低反射率。
在示例中,SIC 140可以响应于所跟踪的眼睛注视跟踪在显示器145中提供的移动图案的程度而提供欺骗指示尝试。如以上指出的,如果程度很低,指示差跟踪或不存在的跟踪,则有可能的是,相应身体部位是不真实的。相反,高跟踪程度指示正在对身体部位的表示中表示活人。
在相关性是接近背景随着对身体部位的表示移动的程度的示例中,当程度很低时,SIC140可以提供欺骗指示。在示例中,可以在对身体部位的表示到达目标之前作出欺骗尝试指示。也就是说,欺骗尝试指示并不依赖于用户实际移动到目标中,而是在已经发生必需的运动量以便将对身体部位的表示的相对运动与接近背景关联之后。
图2至图17展示了以上相对于图1而描述的实施例的各种特征。通常,所述图中的一个或多个图展示了EFD 125、BFD 130与SD 135之间相对于特定实施例的交互。
图2是根据实施例的由用于图像生物特征识别的相机可见的场景210。图2展示了环境成分,比如,对用户115的表示205、设备220、设备220上的面部215以及其他背景成分。场景210是对图1上所展示的视场110内的成分的图形表示。此场景210包括在图3至图13中所展示的大多数实施例示例中使用的要素。
图3是根据实施例的用于图像生物特征识别的***和场景成分的示例安排300的图示。如以上所指出的,将光发射到环境中可以产生有用的测量以便确定环境特征。安排300包括传感器120以及用于发射目的显示器145。在示例中,可以除了显示器145以外或者单独地使用发射器150来将光发射到环境中。在安排300中,用户115握着设备220。实线箭头指示在显示器145发射光之后光从设备145反射到传感器120。类似地,虚线箭头指示在发射光之后,光从用户115反射到传感器120。
图4是根据实施例的不可见光的场景反射率405的图示。如所展示的,阴影越暗,不可见光反射率水平越大。因此,设备220正以类似于背景410的水平均匀地反射光,并且对用户115的表示205指示比背景410水平更大的非均匀光反射。如以上所指出的,设备220的显示器和许多商业墨水通常不充分地反射IR光,而人类皮肤则不这样。将场景反射率405与场景205组合允许区域中的反射率促进关于以下各项的确定:表示205是否是活体的(通过在图像序列中的相同位置处找到非均匀反射率)或者是否是仿真面部215(通过记录均匀反射)或者在设备220的位置处缺少反射。
图5A是根据实施例的所发射的图案的示例,并且图5B是根据实施例的在所发射的图案下的场景反射率505的示例。在此示例中,所展示的波动图案是非均匀的并且由显示器145发射。如图5B中所展示的,这种发射将投射到环境中,并且反射出其中的表面以便由传感器120进行测量。与以上所描述的不可见反射率相反,将预期可见光反射率在设备220的发光面上更大。因此,可以在设备220上而不是在对用户115的表示205上观察图案。在图案充分地从用户115反射的示例中,用户115的面部的非均匀性质将导致可以观察到的图案扭曲。在任一种情况下,设备220具有与用户115的反射特性不同的反射特性。
以下描述了这种技术的附加特征。这种技术通过将已知图案投射到环境中然后检测在欺骗图像上是否呈现反射来利用欺骗介质中的许多欺骗介质的反射性质。对在传感器120的图像中的这种唯一图案的检测暗示使用欺骗设备220来替代用户115的面部。因为这种技术避免了社交可观察的定向移动(例如,照手稿进行的眨眼或姿势移动)给用户带来不便,使其在登录身份验证阶段期间透明,所以这种方式比例如基于定向或照手稿进行的用户移动的防欺骗技术更好。做到这一点还维持了基于特征的认证的初始易于访问承诺。
在示例中,在显示器145上放置了似乎无害的欢迎屏幕。当用户115试图登录时,由于图案漫射在面部和衣服上而未检测到从他们面部的任何反射。然而,当如电话或平板计算机等设备220将个人的面部215呈现给传感器120时,如由显示器145投射的欢迎屏幕的图案从设备220的屏幕中反射。在示例中,在图像序列中的多个图像中跟踪图案的特征。如果信噪比超过阈值,则此面部215被宣告无效。
在示例中,图案包括与在人类面部、上部躯体或身体的其他项上找到的或者穿戴在身体上的有机形状良好分离的特征。在示例中,图案被作为BFD 130的一部分而提供。在示例中,图案是传感器120的硬件、软件或固件的一部分。在示例中,图案由用户115提供。在示例中,当图案由用户115提交时,可由***105对图像执行分析和特征提取以便确保可以在离开设备220时检测到图案。
在示例中,图案可以移动跨过屏幕145。静态图像的显性特性是直线的锐边缘对比度。在示例中,移动的高对比度线边缘集合可以以固定移动速率横扫显示器145,并且由此在检测静态图像时有效。这种方式还具有增大信噪比的益处。其还避免静态图案的特征落在面部的使图案的重要方面模糊的部分(例如,胡须)上的问题。在示例中,***105可以在传感器120的视场110中搜索一条或多条扫略线的特征。如果在图像中检测到图案特征,则使用对扫略速率和传感器120取样时间的了解来预测该特征在随后图像中的位置。以此方式,实现了***105正生成反射图案的附加确定性。
图6是根据实施例的场景600中的距离平面605和610的示例。如以上所指出的,可以经由在可见光谱中的图案缩放,或者经由在不可见光谱中的图案缩放、变形或飞行时间经由来自显示器145、发射器150或两者的发射来确定距离平面605和610。在典型场景中,将需要把设备220保持靠近传感器120,以便让面部215大到足以试图进行认证。当将这种接近度与对用户115的表示205的接近度进行比较时,变得明显的是,面部215太小而不能作为有效人类面部。
图7是根据实施例的与所提供的提示的眼睛注视相关性的示例。图7展示了帧705至730的序列700,每个帧包括线位置和相应眼睛位置。如以上关于图1和图5而指出的,可以从显示器145中发射可见移动图案。随着序列700进行,从顶部到底部并且再次向上返回扫略。如人类本能地倾向于进行的那样,眼睛(真实眼睛)跟踪移动图案。在示例中,移动要素可以以非线性方式移动,比如,沿着显示器145半路向下停止并且移动向上返回或从显示器145的顶部跳到底部。在示例中,可以通过眼睑定位(例如,跟踪眼睑位置以及推断眼睛注视方向)来执行眼睛跟踪。
在示例中,移动图案可以采取包括形状(例如,水平线、星形等)、照片或字母数字字符的许多图形形式。每次接收到认证请求时,移动图案可以在显示器145上的随机点处开始。在示例中,移动图案并不跨越整个显示器145。例如,可以在web浏览器的窗口内显示移动图案。在示例中,可以在认证请求所源自的分离设备上显示移动图案。例如,用户115可以携带包括相机和用于呈现移动图案的显示屏幕的配套设备。
在示例中,图像序列可以与移动图案同步。同步可以是基于时间的或者基于图案位置的。例如,在基于时间的方式中,可以在第一次显示移动图案的时刻与时间戳‘0’一起存储图像序列。还可以在认证序列(例如,显示移动图案)期间针对移动图案的每个位置而存储时间戳。当使用基于图案位置的方式来存储视频数据时,图像序列包括当捕获图像序列时移动图案处于显示器145上的位置(例如,绝对坐标或与显示器145的一个或多个边缘的相对位置)的指示。
在示例中,对图像序列进行分析以便判定用户115的眼睑的位置是否与移动图案的位置一致。例如,完全张开的眼睑位置可以被视为与靠近显示器145的顶部的移动图案一致。在示例中,眼睛跟踪技术用于定位用户115的(多只)眼睛以及确定可见虹膜的量。可见虹膜的量可以用作眼睑位置的代用品。因此,如果虹膜完全可见,则眼睑的位置可以是100%张开或完全张开。在各种示例中,虹膜的量可以从顶部或底部测量。换言之,虹膜可能从底部或顶部被覆盖。
图8至图10展示了使用凸包来进行活体检测。这种技术利用框入边缘(具体地,移动边缘)中的面部有可能是活体面部的可能性。
图8是根据实施例的用于图像生物特征识别的用户界面805的示例的框图。界面805可以包括观察孔810中的图像序列。如所示出的,观察孔810包括面部215以及具有对用户115的面部的表示205的设备220。
图9是根据实施例的使用所标识的面部标记来进行的场景线性变换。可以对图8中所展示的图像进行分析以便辨别环境特征和标记的相对运动。如所展示的,虚线为非移动边缘,点线为图像中的曲线(例如,不是直边缘),并且实线是移动边缘。BFD 130可以检测所表示的面部,并且创建活体面部的标记905以及欺骗面部的标记910。进一步地,EFD 125可以确定边缘915移动到一起并且封闭区域。SD 135和SIC 140可以确定标记910在移动边缘915内,并且由此,这种面部是应当被标记或者以其他方式未能认证用户115的可能欺骗尝试。相比而言,标记905不在边缘915之内并且所以可能不会像欺骗尝试一样容易地被访问。然而,如果标记905与移动边缘915同步移动,则可以确定图像中的每件事物都是用户环境的仿真品——尽管在所展示的示例中,因为如由虚线所证明的,边缘中的一些边缘并未相对于移动边缘915而移动,所以这不可能。
图10是根据实施例的对使用所标识的面部标记来进行的场景线性变换的场景简化。图9的移动边缘可以包括比执行分析必要的复杂事物更多的复杂事物(例如,如图9中所展示的设备边缘内的显示边缘)。进一步地,只要标记是可确定的,就有必要确定面部表示的取向。对场景线性变换的简化通过基于来自移动边缘的一组转角来创建凸包1015从而提供这些简化。如所示出的,凸包1015包括区域,所述区域包括设备220的边缘。进一步地,可以将标记910和905改变为第二标记1010和1005(在此示例中,在图9的眼睛线标记的中点处的点)。因此,可以做出关于第二标记是否在凸包之内的简明确定,像第二标记1010和凸包1015的情况而不是第二标记1005和凸包1015的情况一样。这考虑了同步的概念,其中,检测移动设备的界限内的面部足以标识欺骗尝试。这种方式具有进一步优点:在设备220上播放的视频而不是用作仿真品的静态图像将因为其仍然由设备220框住而无效。
图11至图13展示了各种技术,其中,相对背景的用户115移动提供了关于身体部位是否活体的指示。
图11是根据实施例的示例用户界面的序列1100,在所述用户界面中,目标1115与对用户115的表示205一起呈现在框中。活体用户115相对他们的背景移动。相比而言,当攻击者尝试移动设备显示的仿真面部215来模拟用户115的运动时,背景随着仿真面部215移动。***105可以通过使用户115执行将难以用静态图像来模拟的动作从而利用此特性。例如,人们可以要求用户115执行如眨眼或转头等动作。
然而,***105可以通过在用户处于传感器120前面之后诱导用户115移动来利用活体场景与静态图像之间的差异。在示例中,***105将目标1115置于屏幕上包括对用户115的表示205的一部分的但是远离表示205的中心的位置中。目标1115诱导用户115移动,从而使得她的面部205以目标为中心。这允许***105检查被验证的特征(例如,面部、脚、手、眼睛形状等)正独立于背景而移动。所述方法如此流畅且自然以至于用户115甚至感觉他们不必做任何交互性事情。
如所展示的,当用户115靠近传感器120时,捕获图像序列。图像包括对用户115的表示205和背景图像。在基于面部的认证实施例中,认证***105检测用户115面部205在框1105中的位置并且将目标1115投射到框1110中的表示205周围或远离其中心。
对目标1115的放置诱导用户115将他们的表示205置于目标1115之内以便进行认证。在示例中,目标1115是距离传感器120的比可以实际显示的视图小得多的视图,比如,200x200像素而不是640x480。在示例中,代替总是让此窗口处于框的中心处,其将移动至当前并不由表示205占据的点。然后,用户115将保证他们在目标1115所限定的框中,并且将自然地移动至正确区域。如框1120A中所展示的,这种移动向***105呈现足够的数据以便确保表示205移动而背景未移动。如在框1120B中所展示的,如果背景像针对静态图像而预期的那样移动(即,随着用户115移动),则图像是模拟物。
此流程如此自然以便用户甚至认为他们未进行任何交互性事情。不存在要读出的词语、要遵循的步骤,仅存在对他们面部的自然定位。
图12A和图12B是根据实施例的向用户呈现的目标提示1210的示例用户界面805,在所述用户界面中,模糊了场景。用户界面805包括显示区域1205、视觉目标1210和对身体部位1215的表示。如所展示的,没有对在用户115的面部或其他方面之后的身体部位1215的表示进行建模。相反,对用户115而言,模糊了所感知的身体部位的特定性质。通过从所显示的表示中模糊图像序列中的实际图像数据之间的关系,恶意用户将更难确定如何移动面部仿真品以便击败本文中所描述的防欺骗技术。
尽管之前描述了在与对用户115的表示1215的某个偏移处呈现目标1210,但是目标1210或对用户115的表示1215都不需要与显示区域1205的位置(例如,中心)保持任何特殊关系。图12A展示了接近对用户115的表示1215的目标1210,而图12B展示了作为目标1210的任意形状。
图13是根据实施例的用于促进目标放置1320的示例注视向量1315确定。如所展示的,用户面部1310不在目标点1320上。面部取向被确定为与包含用户眼睛之间的线的平面垂直的向量并且以该线为中心。偏移1325是作为面部取向向量1315的分量(或所有分量)的反向量,以目标点1320为中心,并且具有由相对运动模型确定的大小的向量,以便促进用户115的充分移动——试图将对用户115的表示1215移动到目标1210上而执行——从而促进场景分析和防欺骗技术。
图14至图17展示了观察眨眼和将该观察的眨眼与模型进行比较以便判定相应面部是否活体。用于活体检测的现有解决方案可以将眨眼和头部移动跟踪用作用于将活体主体与欺骗主体区分的方式。部署在当前面部识别产品中的眨眼检测解决方案经常使用二进制眼睛状态——张开的眼睛和闭上的眼睛——并且通过计算这两个状态之差来检测眨眼。这些解决方案具有许多弊端。第一,这些解决方案通常要求用户115在面部捕获期间是静止的以便尝试防止错误的眨眼检测;如果用户115正在行走或以其他方式移动(比如,在车辆中或在车辆上),则错误的眨眼检测往往会增加。第二,这些解决方案通常需要非常好的光照条件。第三,这些解决方案通常需要具有极佳的信噪比(“SNR”)的非常好的相机。第四,这些解决方案通常要求用户115的眼睛张开很宽;在更小眼睛的情况下或者在面部处于某个距离的情况下,它们通常也不会起作用。最后,使用图像操纵的动画往往容易欺骗这些解决方案。
相比而言,本文中所给出的示例使用任何数码相机(包括低质量嵌入式相机(包括在当前市场上的大多数低成本膝上型计算机中))而表现成功。在一些示例中,因为跟踪眼睛移动序列而不是单个图像,减小了任何给定图像所需的质量,所述SNR并不重要。进一步地,即使噪声显著,在序列中呈现的噪声也可能在序列中的每一帧中呈现,并且算法排除这种噪声。
图14是根据实施例的眨眼时的眼睑运动序列1400的示例。随着序列1400从帧1405到1410到1415进行时,眼睛正眨眼闭上。帧1415到1420到1425展示了眨眼序列1400的张开部分。
图15是根据实施例的跟踪眼睛的眨眼特性的帧序列1500具体地,序列1500展示了随着眼睛从张开位置转变成闭上位置的典型人类眨眼图案。示出了眼睛(底部)的原始图像以及眼睛(顶部)的二进制(例如,黑色或白色)图像版本以便每个帧1505至1530展示一些实施例如何跟踪帧序列中的眼睑位置。如所展示的眼睑位置等眼睑位置的序列可以用于检测帧1500序列中的眼睑是否在张开的眼睛(例如,帧1505)与闭上的眼睛(例如,1530)位置之间以自然(例如,正常)或不自然(例如,异常)的方式转变。在示例中,从闭上的眼睛(例如,帧1530)到部分张开的眼睛(例如,帧1510至1525中的任何帧)并且然后到完全张开的眼睛(例如,帧1505)监测像素强度变化。在示例中,以相反顺序监测像素强度变化。在示例中,监测两种顺序(例如,闭上的眼睛到张开的眼睛,以及张开的眼睛到闭上的眼睛)的像素强度变化。在示例中,监测许多(例如,多于3个)不同的眼睑移动状态。
图16是根据实施例的对两只眼睛中的每只眼睛的眨眼的示例活动分析1600。活动分析1600展示了典型人类眨眼模式中的眼睑序列。在所展示的图表中,x轴是时间,并且y轴是对眼睑多么张开的测量。如图16中所展示的,人类的正常眨眼模式遵循张开的眼睛的状态与闭上的眼睛的状态之间的似正弦波。此外,正常的眨眼模式在眨眼之前具有稳定的张开眼睛位置,然后在眨眼期间具有基本上均匀的闭上和张开眼睑序列。尽管左眼和右眼几乎同步地移动并且产生类似移动,但是在人类的正常眨眼模式中,左眼和右眼通常显示出彼此之间的轻微差异。使用操纵的图像和图像操纵动画来模拟的眨眼通常不显示这种序列。在示例中,图案识别器1605对验证张开动作、眼睛闭上动作或两者进行操作。在活动分析1600中所展示的实施例中,图案识别器1605对眼睛张开动作进行操作。
图17是根据实施例的对两只眼睛中的每只眼睛的眨眼的示例活动分析1700。活动分析1700展示了基于图像操纵动画的活体欺骗攻击期间观察到的示例异常眨眼模式。在示例中,具有低振幅和或高抖动的眼睑移动被检测和标记为异常。在示例中,不同步的眼睑移动被检测和标记为异常。在示例中,不同步的眼睑移动包括在相反方向上移动的眼睑。
图18展示了根据实施例的在图像生物特征识别中用于进行欺骗检测的方法1800的示例的流程图。在如以上关于图1而描述的部件或以下关于图20而描述的部件等计算机硬件上执行方法1800的操作。如以上所指出的,在基于图像的生物特征认证中,检测欺骗尝试是硬币的一面;另一面是活体检测。方法1800针对确定面部是否是仿造的或欺骗的。然而,可以稍微改变所描述的技术中的许多技术以便执行活体评估。
在操作1805处,可以从相机获得图像序列。图像序列中的第一多个图像可以包括对用户身体部位的表示和对用户环境的表示。在示例中,身体部位是面部。在示例中,可以对图像序列进行处理以便减小噪声。在示例中,可以对图像序列进行处理以便减少颜色信息。在示例中,可以将颜色信息减少至每像素1位(例如,黑色和白色)。在示例中,可以随着用户靠近相机发起捕获图像序列。
在操作1810处,可以创建对身体部位的表示的标记。标记与对身体部位的表示中的特征相对应。在示例中,标记可以是应用于身体部位的缩放。在示例中,可以通过以下方式来确定基于深度测量结果以及对身体部位的表示的身体部位的测量结果:使用身体部位的深度图像和对身体部位的表示的尺寸来推断身体部位的大小。可以通过以下方式来实现这种缩放:取得图像序列中对身体部位的像素表示以及通过考虑到场景中的物体离相机的距离的透视模型来对其进行变换。在一些示例中,对身体部位的测量可以包括身体部位的深度图。
在示例中,标记可以是在面部中的眼睛之画的线。在示例中,标记可以是眼睛之间的中心点处的单个点。在示例中,标记可以是所测量的眨眼序列。在示例中,可以通过从图像序列中在其中检测到用户的眼睛的每个图像中提取的与用户的每只眼睛相对应的对应兴趣区域(所述对应兴趣区域包括眼睑)来确定所测量的眨眼序列。然后,对于每个对应兴趣区域,可以计算与眼睑所阻碍的眼睛百分比相对应的对应分数以便创建对应分数系列。
在操作1815处,可以对在图像序列中的第二多个图像期间呈现的用户的环境的特征进行标识。在示例中,标识环境的特征可以包括将图案发射到环境中。图案包括光在认证相机的视场内的位置处的频率和振幅。因此,图案可以是均匀的,比如,单个波长在视场(例如,实线图案)内随着时间的均匀振幅,或者是非均匀的,从而使得波长或振幅中的至少一者在视场内随着时间变化,比如,具有白色背景的绿色星形被投射到视场中。在示例中,非均匀图案可以是对用户或者对相机可辨别的移动图案。移动图案包括相对于所发射的其他特征而变化以便暗示随着时间的移动的波长或振幅的至少一个变化(例如,在对图像的光栅表示的随后更大行上的水平黑条的之前表示未被复制或覆盖(例如,由背景图像或颜色)的同时随着时间重复所述条,给出所述条向下移动的印象)。
在具有移动非均匀图案的示例中,方法1800的操作可以可选地包括:从对身体的表示中跟踪眼睛注视;测量注视跟踪移动图案的程度;以及响应于注视跟踪移动图案的程度满足预定范围而提供欺骗尝试指示。在此示例中,可以利用用户跟踪移动物体的自然倾向来确定用户活体,而无需附加程序或指令。因此,这种观察可以与其他欺骗指示组合以便提供更准确的欺骗决策,而无需用户进行附加开销活动。在示例中,可以通过测量对眼睛可见的虹膜的量来确定眼睛的注视。为了确保准确结果,可以在某个点处对用户进行校准会话,并将其存储以便评价用户的眼睑位置从而确定眼睛的注视。这种校准会话可以包括呈现移动提示;在呈现移动提示期间捕获第二图像序列;从第二图像序列中测量用户眼睑位置与移动提示的对应性;以及将所述对应性用作针对用户的阈值。
在示例中,可以发射对人类眼睛不可见的光谱中的图案。这种不可见光可以是红外(IR)或更长波长的光,或紫外或短波长的光。
在示例中,环境特征可以是源自所述图案的对身体部位的深度测量结果。例如,IR深度相机可以用于确定场景中的物体的深度信息。在示例中,如记录对反射至相机的非均匀图案的缩放等可见光深度计算可以用于收集深度信息。
在示例中,环境特征可以包括图案在包含身体部位的标记的环境区域中的反射率。这种反射率可以指示该区域处可能与非欺骗身体部位不一致的材料或表面。例如,人类表面对近红外线是部分反射的,而大多数商业墨水和设备屏幕是不反射的。然而,如相纸或设备屏幕等光泽面通常比人类面部更好地反射可见光谱的光。
在示例中,环境的特征可以包括在所述多个图像中检测到的边缘上的点凸包。这种结构提供了由在图像序列中移动到一起的边缘封闭的区域,比如,设备或设备屏幕的边界。在示例中,可以将所述边缘与设备边缘构型目录进行比较,以便判定所述边缘是否表示已知设备。然后,可以将点的特定凸包放置到已知设备的物理构型中。在示例中,仅移动边缘用作边缘。也就是说,忽略图像序列中的图像之间的非移动边缘。
在示例中,环境特征是接近于身体部位的背景。
在示例中,环境特征可以是眨眼序列的模型。这种模型存在于捕获图像序列之前。
在操作1820处,可以量化标记与图像序列中的环境的特征之间的相关性以便产生对标记与环境的特征相关的程度的同步性度量。在标记是对身体的缩放且环境特征是相机到身体部位的距离的示例中,相关性可以是对身体部位的测量符合深度测量结果处的活体身体部位的程度。由此,可以确定身体部位是否太小而不能来自有效人类(比如,将是在电话显示器中的表示或者人员的小复制品用于欺骗认证尝试的情况下的结果)。
在示例中,标记与环境的特征与标记之间的相关性可以是区域反射图案的程度。如以上所指出的,这种相关性可以提供对材料的理解,所述材料提供图像序列中的身体部位表示。在示例中,图案均匀性可以用于关联效应。例如,从设备屏幕反射的IR光的均匀不存在和从人类面部的不均匀IR反射可以是将身体标记与环境特征关联的偏差。
在环境特征是点凸包的示例中,标记与凸包之间的相关性是标记位于凸包内的程度。
在环境特征是接近于身体部位的背景的示例中,相关性可以是接近背景随着标记移动的程度。因此,如果标记在图像序列上从右到左移动,并且如边缘等背景反射标记的移动、取向变化等,则两个成分之间将存在高关联移动。因此,同步性度量是这些移动实际关联的程度。为了促进测量这些成分的关联移动,诱导用户移动可能有帮助。为此,可以向用户显示目标,连同对身体部位的表示。用户未被提供有特定指令,但相反可能本能地试图将身体部位移动至目标。因此,这种机制诱导某个用户移动,但是所述移动是移动程度并且不依赖于特定移动类型(例如,进行一组照手稿进行的位置)。
在示例中,目标可以是一定形状的轮廓,所述形状的大小被设定成使得当形状的中心与对身体部位的表示的中心重合时对身体部位的表示放置在形状之内。在示例中,形状可以是矩形。在示例中,目标可以是一定形状,所述形状的大小被设定成使得当形状的中心与对身体部位的表示的中心重合时对身体部位的表示并不放置在形状之内。在示例中,对身体部位的表示可以是模糊身体部位的来自图像序列的至少一个特征的符号。在示例中,符号是对身体部位的展示。
在示例中,可以在与身体部位的某个偏移处显示目标。在示例中,偏移可由相对运动模型来确定,所述相对运动模型限定了身体部位的运动参数以便在捕获图像序列的相机的视场中的前景物体与背景物体之间进行区分。在示例中,当身体部位是面部时,偏移的方向与面部的取向相反。在示例中,与对身体部位的表示的偏移的距离可能不耦合至在图像序列中捕获的身体部位与目标之间的像素位置差。也就是说,偏移不需要反映图像序列中的身体部位与填有目标的区域之间的差异的现实。在示例中,相对运动模型包括足以将前景物体与背景物体进行区分的移动的阈值。在示例中,显示对身体部位的表示可以包括使用相对运动模型来修改身体部位的运动。这种修改可以包括在贯穿移动的各个点处加速或减慢移动。因此,用户可以从左到右横跨整个图像,显示器仍然指示身体部位在目标左方。
在示例中,相关性是以上所描述的所测量的眨眼序列标记符合眨眼环境模型的程度。这种相关性解决了使用于进行欺骗以便模拟眨眼的静止图片生动的不正确尝试。在通过以下方式来确定眨眼序列的示例中:针对每个对应兴趣区域,计算与眼睑所阻碍的眼睛百分比相对应的对应分数以便创建对应分数系列,可以通过凭借于图案识别器来处理对应分数系列从而确定所测量的眨眼序列符合模型的程度。图案识别器基于眨眼模型检查异常眼睑序列或异常眨眼序列中的至少一者的对应分数系列。在示例中,在验证眼睑序列正常之后,图案识别器可以连续地检查异常眨眼序列。在示例中,所述模型限定了与眼睑相对应的眼睑序列,所述眼睑在与异常眼睑序列相反的方向上移动。
在操作1825处,可以响应于同步性度量超过阈值而提供欺骗尝试指示。在示例中,认证过程可以响应于欺骗尝试指示而拒绝认证用户。在相关性基于所发射的光的反射率的示例中,阈值可以限定图案的最小反射率。因此,在所反射的图案超过阈值的情况下,指示欺骗尝试。从设备屏幕反射的可见光图案的情况就是这样。这种反射不可能从人类面部发生。在示例中,图案的最小反射率可以包括图案的指定特征的最小反射率。例如,如果发射星形的高对比度图像,则即使辨别出从面部的反射,也可预期忠实再现发射出如屏幕等平整表面,而不是人类面部。在示例中,图案是移动的并且区域反射图案的程度可以包括判定图案的指定特征是否移动了预期距离。
在示例中,阈值可以限定图案的最大分辨率。在这种情况下,如与IR光一起发生的,预期所发射的光将比其将反射出仿真品更好地反射出真实身体部位。因此,在具有很少至没有IR反射的区域中发生欺骗尝试面部。
在鼓励用户移动通过目标并且产生同步性度量的相关性是标记和接近背景的移动的示例中,可以在标记到达目标之前提供欺骗指示。因此,如以上所解释的,用户不需要实际到达目标,而仅需要移动得足以确定前景物体和背景物体的相对移动。当前景物体和背景物体移动到一起时,已经有可能尝试了欺骗尝试。
图19展示了根据实施例的在图像生物特征识别中用于进行面部活体检测的方法1900的示例的流程图。在如以上关于图1而描述的部件或以下关于图20而描述的部件等计算机硬件上执行方法1900的操作。如以上所指出的,在基于图像的生物特征认证中,检测活体检测是硬币的一面;另一面是欺骗尝试检测。方法1900涉及确定面部或其他身体部位是否是活体的(如与仿真品相反的)。然而,可以稍微改变所描述的技术中的许多技术以便执行欺骗尝试评估。
在操作1905处,可以在由用户进行认证尝试期间捕获的图像序列中检测到潜在认证面部集合。
在操作1910处,将迭代过程应用于检测到的面部以便判定哪些是活体的以及哪些不是活体的。
在决策1915处,如果不存在更多的新面部(例如,一次对所述集合中的每个面部进行处理),则方法1900继续至操作1935。
在操作1920处,将活体模型测试集合应用于当前面部。如以上所指出的,可以使用多于一项测试来提供对面部活体的理解。活体测试集合中的每项测试可以包括在活体面部与在对面部的图形表示上模拟的面部之间存在差异的试验(例如,测试)。也就是说,所述试验基于活体面部的至少一个模型在活体面部与仿真品之间进行区分。例如,人类面部可能具有根据经验确定的可接受大小范围。在袖珍屏幕上呈现的仿真品很可能比可接受大小范围小得多。因此,试验对面部的大小进行测试以便判定其是否在可接受大小范围内。进一步地,试验独立于给用户的身体安排指令而进行操作。也就是说,试验既不使用也不依赖于给出用户指令(比如,按命令眨眼、以特定方式定位手臂等等)。尽管试验可能使用用户提示,但是不使用提示来向用户给出关于做什么的任何特定指令。因此,在进行认证时,用户从任何特定手稿中解脱出来。
在示例中,活体模型中的测试可以包括使用发射器来朝面部发射光。测试还可以包括测量光与面部的相互作用。测试可以进一步包括将相互作用与活体面部的模型进行比较。使用所发射的光的测试可以提供许多有用测量以便由测试的试验使用。在示例中,光与面部的相互作用提供面部与发射器之间的距离测量结果。在此示例中,活体面部的模型可以包括活体面部的可接受大小范围。因此,将相互作用与模型进行比较可以包括使用距离测量结果来对从图像序列中获取的面部的可见光谱表示(例如,所捕获的面部照片)进行缩放以便判定面部是是否在活体面部的可接受大小范围内。
来自所发射的光的另一个有用测量是各种场景表面相对于各种类型的光的反射率。光与面部的相互作用可以是从面部反射的光的特性的反射率测量结果。光特性可以包括根据区域和时间的振幅或波长。在示例中,发射光可以包括发射不可见光谱光。在此示例中,活体面部的模型可以包括光的非均匀正反射率。也就是说,活体面部反射可检测量的不可见光。此外,所反射的光是非均匀的(均匀发射暗示与人类表面不一致的平整表面)。因此,将相互作用与面部的模型进行比较可以包括判定在其中找到面部的区域是否在所述不可见光谱光中具有非均匀正反射率。在示例中,不可见光谱光是IR光。
在示例中,发射光可以包括发射可见光的非均匀图案。如以上所指出的,非均匀图案的波长或振幅中的至少一者随着区域而变化(比如,图5A中所示出的图案)。在此示例中,活体面部的模型不反射(或者不良地反射)图案。不良图案反射可以通过调整阈值(例如,滤波器)来解决,计算超过所述阈值的反射率,并且因此低于阈值的局部反射率可以被视为不反射表面。而且,在此示例中,将相互作用与面部的模型进行比较可以包括判定是否可在面部上辨别所述图案。例如,在图像序列中不应当使用图案的重叠来表示不反射人类面部,而设备的反射表面将显示如图5B中所展示的这种图案。
在示例中,活体测试模型中的测试可以包括在没有给所述用户指令的情况下,在显示器上提供目标。这种目标可以驱使用户以特定方式移动,但是并不要求遵守手稿或其他所指示的诡计来证明活体。例如,移动目标将可能引起用户使用他们的眼睛来跟随目标的本能反应。类似地,呈现转换自对用户面部的表示的面部轮廓将有可能提示由用户尝试将他们的面部置于轮廓内。在示例中,目标是移动的。在此示例中,来自活体模型测试集合的测试可以包括跟踪用户相对于目标的眼睛注视。而且,在此示例中,试验是对眼睛注视多么紧密地跟踪目标的评估。此处,对刺激物的自然人类反应用于在真实面部与仿真品之间进行区别。
在示例中,目标是叠加在向用户重新显示的图像序列上的框。因此,用户看见他们自己以及显示器中的仿造框。在此示例中,来自活体模型测试的测试包括确定用户与可从图像序列中确定的环境特征之间的同步移动。因此,通过面部相对于其周围环境的独立性来确定活体。例如,仿真面部将有可能具有随着环境移动的伪像形式(比如,背景影像、设备边界等)。相比而言,活体面部将不具有这种伪像。因此,在此示例中,试验是对环境特征的移动与用户的移动多么同步的评估。目标诱导用户移动,直到已经发生了足以判定用户与环境特征充分分离(以便确定活体)的移动为止。
在示例中,目标可以是包括用户的头像的显示区域中的图标。在此示例中,显示区域不包括图像序列,而相反模糊认证的环境。这种模糊允许操纵可测量元素的相对运动或位置来使欺骗攻击复杂化。在此示例中,来自活体模型测试集合的测试可以包括确定用户与可从图像序列中确定的环境特征之间的同步移动。进一步地,试验可以是对环境特征的移动与用户的移动多么同步的评估。
在示例中,活体测试模型中的测试可以包括在图像序列中标识符合设备的轮廓。在此示例中,试验可以是面部在所述图像序列中的多个图像中是否出现在轮廓内。因此,如果面部在整个视频中都置于设备轮廓内,则可以确定设备正生成面部。相应地,在设备边缘轮廓内不发生活体面部。
在操作1925处,当活体模型测试集合的结果满足阈值时,可以将当前面部添加到认证面部集合中。在示例中,认证面部集合可以被维持为分离的数据结构,或者可以是被选择为认证面部的面部的标记或记录。在示例中,如果面部出现在图像序列中的图像的区域中并且轮廓封闭了图像序列中的先前图像集合中的区域,则面部在所述多个图像序列中是否出现在轮廓内为真。这种规定捕获了这样的真实性:低质量照明或图像捕获可能导致不可在其中辨别设备轮廓但是可以在其中辨别面部的帧,或反之亦然。如果发生不可在其中辨别设备的帧,但之前的帧具有可辨别设备轮廓,则可以在所述帧中推断设备轮廓。在示例中,可以基于应用于轮廓的移动阈值来选择之前的图像集合。因此,可以计算移动跨过视场的轮廓的速度。如果速度指示移动,则在判定在轮廓内是否出现面部时,之前的轮廓位置将不会用作推断的设备轮廓。相应地,移动阈值表示轮廓移动以便确定可以推断轮廓在图像的什么区域内的程度。
在操作1930处,潜在认证面部集合中的下一个面部被选择为当前面部以供分析。操作1930可以作为决策1915的一部分,在操作1920之前,或者在如此处所展示的操作1925之后被执行。
在操作1935处,在增添认证面部集合之后,可以将面部认证应用于认证面部集合中的面部。在示例中,可以在每个当前面部被标识为活体时执行操作1935,而不是等待,直到已经处理了所有面部位置为止。
图20展示了可以在其上执行本文中所讨论的技术(例如,方法)中的任何一中或多种技术的示例机器2000的框图。在替代性实施例中,机器2000可作为独立设备而进行操作或者可以连接(例如,连网)至其他机器。在联网部署中,机器2000在服务器-客户端网络环境中可以以服务器机器、客户端机器、或两者的身份进行操作。在示例中,机器2000可以充当点到点(P2P)(或其他分布式)网络环境中的对等机器。机器2000可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、移动电话、web电器、网络路由器、交换机或桥接器、或能够(顺序的或以其他方式)执行指定要由该机器采取的动作的指令的任何机器。进一步地,虽然仅展示了单个机器,但术语“机器”也应视为包括机器的任何集合,这些机器单独地或联合地执行一组(或多组)指令以便执行本文中所讨论的方法中的任何一种或多种方法,比如,云计算、作为服务的软件(SaaS)、其他计算机集群配置。
如本文中所描述的示例可以包括逻辑或许多部件或机制或可由其操作。电路组是在包括硬件的有形实体中实施的电路的集合(例如,简单电路、栅极、逻辑等)。电路组隶属可随着时间而是灵活的并且可以是硬件可变性的基础。电路组包括当进行操作时可以单独地或组合地执行指定操作的构件。在示例中,电路组的硬件可以被不变地设计成用于实施特定操作(例如,硬接线)。在示例中,电路组的硬件可以包括不定连接的物理部件(例如,执行单元、晶体管、简单电路等),包括被物理地修改成(例如,对不变质量粒子的磁性、电可移动放置等)用于对特定操作的指令进行编码的计算机可读介质。在连接物理部件时,硬件组成部分的基本电气性质例如从绝缘体改变成导体,或反之亦然。指令使嵌入式硬件(例如,执行单元或加载机制)能够经由可变连接来在硬件中创建电路组的构件以便当运行时执行特定操作的部分。相应地,当设备正运行时,计算机可读介质通信地耦合至电路组构件的其他部件。在示例中,物理部件中的任何物理部件可以用于多于一个电路组的多于一个构件中。例如,在运行时,执行单元可以在一个时间点用于第一电路组的第一电路中,并且由第一电路组中的第二电路重复使用,或者在不同时间处由第二电路组中的第三电路重复使用。
机器(例如,计算机***)2000可以包括硬件处理器2002(例如,中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核、或其任何组合)、主存储器2004和静态存储器2006,其中的一些或全部可以经由互连链路(例如,总线)2008彼此通信。机器2000可以进一步包括显示单元2010、字母数字输入设备2012(例如,键盘)和用户接口(U1)导航设备2014(例如,鼠标)。在一个示例中,显示单元2010、输入设备2012和UI导航设备2014可以是触摸屏显示器。机器2000可以附加地包括存储设备(例如,驱动单元)2016、信号生成设备2018(例如,扬声器)、网络接口设备2020、以及一个或多个传感器2021(比如,全球定位***(GPS)传感器、罗盘、加速度计、或其他传感器)。机器2000可以包括输出控制器2028(比如,串行(例如,通用串行总线(USB)、并行、或其他有线或无线(例如,红外(IR)、近场通信(NFC)等)连接以便通信或控制一个或多个***设备(例如,打印机、读卡器等)。
存储设备2016可以包括机器可读介质2022,在机器可读介质上存储了通过本文中描述的技术或功能中的任何一种或多种来实施或利用的一组或多组数据结构或一个或多个指令集2024(例如,软件)。指令2024还可以在由机器2000执行期间完全或至少部分地驻留在主存储器2004内、静态存储器2006内或硬件处理器2002内。在一个示例中,硬件处理器2002、主存储器2004、静态存储器2006或存储设备2016的一个组合或任何组合可构成机器可读介质。
虽然机器可读介质2022被展示为单个介质,但是术语“机器可读介质”可以包括被配置成用于存储一个或多个指令2024的单个介质或多个介质(例如,集中式或分布式数据库、和/或相关联的高速缓存和服务器)。
术语“机器可读介质”可以包括能够存储、编码或承载用于由机器2000执行的指令、且使机器2000执行本公开的技术中的任何一种或多种的任何介质、或能够存储、编码、或承载由这种指令使用或与这种指令相关联的数据结构的任何介质。非限制性机器可读介质示例可以包括固态存储器、以及光介质和磁介质。在示例中,大容量的机器可读介质包括带有具有不变(例如,静止)质量的多个粒子的机器可读介质。相应地,大容量的机器可读介质不是瞬态传播信号。大容量的机器可读介质的特定示例可以包括:非易失性存储器,例如,半导体存储器设备(例如,电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))和闪速存储器设备;磁盘,例如,内部硬盘和可移动盘;磁光盘;以及CD-ROM和DVD-ROM盘。
可以进一步利用多个传输协议(例如,帧中继、互联网协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)中的任一种协议、经由网络接口设备2020、使用传输介质、通过通信网络2026来传输或接收指令2024。示例通信网络可以包括:局域网(LAN)、广域网(WAN)、分组数据网络(例如,因特网)、移动电话网络(例如,蜂窝网络)、普通老式电话(POTS)网络、以及无线数据网络(例如,已知为的电气与电子工程师协会(IEEE)802.11标准家族、已知为的IEEE 802.16标准家族)、IEEE802.15.4标准家族、点对点(P2P)网络等等。在示例中,网络接口设备2020可以包括一个或多个物理插孔(例如,以太网、同轴、或电话插孔)或一个或多个天线以便连接至通信网络2026。在示例中,网络接口设备2020可以包括多个天线以便用于使用单输入多输出(SMO)、多输入多输出(MIMO)或多输入单输出(MISO)技术中的至少一种技术来进行无线通信。术语“传输介质”应视为包括能够存储、编码或承载由机器2000执行的指令的任何无形介质,并且包括数字或模拟通信信号或者促进这种软件通信的其他无形介质。
额外的注意事项与示例:
示例1包括在图像生物特征识别中用于进行欺骗检测的主题(比如,一种方法;用于执行动作的装置;包括指令的机器可读介质,所述指令当由机器执行时使所述机器执行动作;或者一种用于执行的装置),所述主题包括:传感器获得图像序列,所述图像序列中的第一多个图像包括对用户身体部位的表示,并且所述图像序列中的第二多个图像包括对所述用户的环境的表示,所述传感器是相机;生物特征检测器创建用于所述身体部位的所述表示的标记,所述标记与所述身体部位的所述表示中的特征相对应;环境特征检测器在所述图像序列中标识在所述第二多个图像期间呈现的所述用户的所述环境的特征;同步性检测器对所述标记与所述图像序列中的所述环境的所述特征之间的相关性进行量化以便产生所述标记与所述环境的所述特征相关的程度的同步性度量;以及欺骗指示控制器响应于所述同步性度量超过阈值而提供欺骗尝试指示。
在示例2中,如示例1所述的主题可以包括:其中,所述身体部位是面部。
在示例3中,如示例1至2中任一项所述的主题可以包括:其中,所述***用于处理所述图像序列以便减小噪声。
在示例4中,如示例1至3中任一项所述的主题可以包括:其中,所述***用于处理所述图像序列以便减少颜色信息。
在示例5中,如示例1至4中任一项所述的主题可以包括:其中,所述颜色信息被减少至每像素一位。
在示例6中,如示例1至5中任一项所述的主题可以包括:其中,所述传感器用于当所述用户靠近所述传感器时使用相机来捕获所述图像序列。
在示例7中,如示例1至6中任一项所述的主题可以包括:认证控制器响应于所述欺骗尝试指示而拒绝用户认证。
在示例8中,如示例1至7中任一项所述的主题可以包括:其中,标识所述环境的所述特征包括所述***的发射器将图案发射到所述环境中。
在示例9中,如示例1至8中任一项所述的主题可以包括:其中,发射所述图案包括所述发射器在可见光谱中发射非均匀图案。
在示例10中,如示例1至9中任一项所述的主题可以包括:其中,所述非均匀图案是移动图案。
在示例11中,如示例1至10中任一项所述的主题可以包括:其中,所述生物特征检测器用于从对所述身体部位的所述表示中跟踪眼睛注视;所述同步性检测器用于测量所述注视跟踪所述移动图案的程度;以及所述欺骗指示控制器用于响应于所述注视跟踪所述移动图案的所述程度满足预定范围而提供第二欺骗尝试指示。
在示例12中,如示例1至11中任一项所述的主题可以包括:所述***用于执行呈现移动提示的校准会话;在呈现所述移动提示期间捕获第二图像序列;从所述第二图像序列中测量用户眼睑位置与所述移动提示的对应性;将所述对应性用作所述阈值。
在示例13中,如示例1至12中任一项所述的主题可以包括:其中,通过测量对所述眼睛可见的虹膜的量来确定所述眼睛的所述注视。
在示例14中,如示例1至13中任一项所述的主题可以包括:其中,发射所述图案包括所述发射器在不可见光谱中发射所述图案。
在示例15中,如示例1至14中任一项所述的主题可以包括:其中,所述环境的所述特征是源自所述图案的对所述身体部位的深度测量结果,其中,所述标记是基于所述深度测量结果以及对所述身体部位的所述表示的对所述身体部位的测量结果,其中,所述相关性是所述身体部位的所述测量结果符合所述深度测量结果处的活体身体部位的程度。
在示例16中,如示例1至15中任一项所述的主题可以包括:其中,通过以下方式来确定基于所述深度测量结果以及对所述身体部位的所述表示的对所述身体部位的所述测量结果:使用所述身体部位的深度图像以及对所述身体部位的表示的尺寸来推断所述身体部位的大小。
在示例17中,如示例1至16中任一项所述的主题可以包括:其中,所述身体部位的所述测量结果包括所述身体部位的深度图。
在示例18中,如示例1至17中任一项所述的主题可以包括:其中,所述环境的所述特征包括所述图案在所述环境的包含所述标记的区域中的反射率。
在示例19中,如示例1至18中任一项所述的主题可以包括:其中,所述环境的所述特征与所述标记之间的所述相关性是所述区域反射所述图案的程度。
在示例20中,如示例1至19中任一项所述的主题可以包括:其中,所述阈值限定了所述图案的最小反射率。
在示例21中,如示例1至20中任一项所述的主题可以包括:其中,所述图案的所述最小反射率包括所述图案的指定特征的最小反射率。
在示例22中,如示例1至21任一项所述的主题可以包括:其中,所述图案是移动的,并且其中,所述区域反射所述图案的所述程度包括判定所述图案的所述指定特征是否移动了预期距离。
在示例23中,如示例1至22中任一项所述的主题可以包括:其中,所述阈值限定了所述图案的最大反射率。
在示例24中,如示例1至23中任一项所述的主题可以包括:其中,发射所述图案包括所述发射器在不可见光谱中发射所述图案,其中,所述区域反射所述图案的所述程度包括对所述不可见光的反射的均匀性。
在示例25中,如示例1至24中任一项所述的主题可以包括:其中,所述区域反射所述图案的所述程度包括对不可见光的所述反射的亮度,明亮反射与高反射率相对应。
在示例26中,如示例1至25中任一项所述的主题可以包括:其中,所述环境的所述特征包括在所述多个图像中检测到的边缘上的点凸包。
在示例27中,如示例1至26中任一项所述的主题可以包括:其中,将所述边缘与设备边缘构型目录进行比较以便判定所述边缘是否表示已知设备,并且其中,所述点凸包基于所述已知设备的物理构型。
在示例28中,如示例1至27中任一项所述的主题可以包括:其中,所述边缘是移动边缘。
在示例29中,如示例1至28中任一项所述的主题可以包括:其中,所述标记与所述环境的所述特征之间的所述相关性是在所述凸包内找到标记的程度。
在示例30中,如示例1至29中任一项所述的主题可以包括:其中,所述标记是在对所述身体部位的所述表示中的眼睛之间的线。
在示例31中,如示例1至30中任一项所述的主题可以包括:其中,所述环境的所述特征是接近于所述身体部位的背景,并且其中,所述相关性是接近于所述身体部位的所述背景与所述标记一起移动的程度。
在示例32中,如示例1至31中任一项所述的主题可以包括显示器,并且其中,所述***用于在所述显示器上向所述用户显示目标以及对所述身体部位的所述表示,所述目标位于与对所述身体部位的所述表示不同的位置中。
在示例33中,如示例1至32中任一项所述的主题可以包括:其中,所述目标是一定形状的轮廓,所述形状的大小被设定成使得当所述形状的中心与对所述身体部位的所述表示的中心重合时对所述身体部位的所述表示放置在所述形状之内。
在示例34中,如示例1至33中任一项所述的主题可以包括:其中,所述形状是矩形。
在示例35中,如示例1至34中任一项所述的主题可以包括:其中,所述目标是一定形状,所述形状的大小被设定成使得当所述形状的中心与对所述身体部位的所述表示的中心重合时对所述身体部位的所述表示不放置在所述形状之内。
在示例36中,如示例1至35中任一项所述的主题可以包括:其中,所述目标位于与对所述身体部位的所述表示不同的位置中包括在与所述身体部位的某个偏移处显示所述目标,所述偏移由相对运动模型确定,所述相对运动模型限定了所述身体部位的运动参数以便在捕获所述图像序列的所述传感器的视场中的前景物体与背景物体之间进行区分。
在示例37中,如示例1至36中任一项所述的主题可以包括:其中,所述身体部位是面部,并且其中,所述偏移的方向与所述面部的取向相反。
在示例38中,如示例1至37中任一项所述的主题可以包括:其中,与对所述身体部位的所述表示的所述偏移的距离不耦合至在所述图像序列中捕获的所述身体部位与所述目标之间的像素位置差。
在示例39中,如示例1至38中任一项所述的主题可以包括:其中,所述相对运动模型包括足以将前景物体与背景物体进行区分的移动的阈值。
在示例40中,如示例1至39中任一项所述的主题可以包括:其中,显示对所述身体部位的所述表示包括所述***使用所述相对运动模型来修改所述身体部位的运动,在贯穿所述移动的各个点处加速或减慢所述移动。
在示例41中,如示例1至40中任一项所述的主题可以包括:其中,在对所述身体部位的所述表示到达所述目标之前作出所述欺骗尝试指示。
在示例42中,如示例1至41中任一项所述的主题可以包括:其中,对所述身体部位的所述表示是模糊所述身体部位的来自所述图像序列的至少一个特征的符号。
在示例43中,如示例1至42中任一项所述的主题可以包括:其中,所述符号是对所述身体部位的展示。
在示例44中,如示例1至43中任一项所述的主题可以包括:其中,所述环境特征是眨眼序列的模型,其中,所述标记是所测量的眨眼序列,并且其中,所述相关性是所述所测量的眨眼序列符合所述模型的程度。
在示例45中,如示例1至44中任一项所述的主题可以包括:其中,所述所测量的眨眼序列由所述生物特征检测器确定,所述生物特征检测器用于:从所述图像序列中在其中检测到所述用户的眼睛的每个图像中提取与所述用户的每只眼睛相对应的对应兴趣区域,所述对应兴趣区域包括眼睑;以及对于每个对应兴趣区域,计算与所述眼睑所阻碍的所述眼睛的百分比相对应的对应分数以便创建对应分数系列;并且其中,通过凭借于图案识别器来处理所述对应分数系列从而确定所述所测量的眨眼序列符合所述模型的所述程度,所述图案识别器基于所述模型检查异常眼睑序列或异常眨眼序列中的至少一者的所述对应分数系列。
在示例46中,如示例1至45中任一项所述的主题可以包括:其中,在验证所述眼睑序列正常之后,所述图案识别器连续地检查所述异常眨眼序列。
在示例47中,如示例1至46中任一项所述的主题可以包括:其中,所述模型限定了与眼睑相对应的眼睑序列,所述眼睑在与异常眼睑序列相反的方向上移动。
示例48包括在图像生物特征识别中用于进行欺骗检测的主题(比如,一种方法;用于执行动作的装置;包括指令的机器可读介质,所述指令当由机器执行时使所述机器执行动作;或者一种用于执行的装置),所述主题包括:使用第一组电路来从相机中获得图像序列,所述图像序列中的第一多个图像包括对用户身体部位的表示,并且所述图像序列中的第二多个图像包括对所述用户的环境的表示,所述传感器是相机;使用第二组电路来创建用于所述身体部位的所述表示的标记,所述标记与所述身体部位的所述表示中的特征相对应;使用第三组电路来在所述图像序列中标识在所述第二多个图像期间呈现的所述用户的所述环境的特征;使用第三组电路来量化所述标记与所述图像序列中的所述环境的所述特征之间的相关性以便产生所述标记与所述环境的所述特征相关的程度的同步性度量;以及响应于所述同步性度量超过阈值而使用第四组电路来提供欺骗尝试指示。
在示例49中,如示例48所述的主题可以包括:其中,所述身体部位是面部。
在示例50中,如示例48至49中任一项所述的主题可以包括:处理所述图像序列以便减小噪声。
在示例51中,如示例48至50中任一项所述的主题可以包括:处理所述图像序列以便减少颜色信息。
在示例52中,如示例48至51中任一项所述的主题可以包括:其中,所述颜色信息被减少至每像素一位。
在示例53中,如示例48至52中任一项所述的主题可以包括:当所述用户靠近相机时使用所述相机来捕获所述图像序列。
在示例54中,如示例48至53中任一项所述的主题可以包括:响应于所述欺骗尝试指示而拒绝用户认证。
在示例55中,如示例48至54中任一项所述的主题可以包括:其中,标识所述环境的所述特征包括将图案发射到所述环境中。
在示例56中,如示例48至55中任一项所述的主题可以包括:其中,发射所述图案包括在可见光谱中发射非均匀图案。
在示例57中,如示例48至56中任一项所述的主题可以包括:其中,所述非均匀图案是移动图案。
在示例58中,如示例48至57中任一项所述的主题可以包括:从对所述身体部位的所述表示中跟踪眼睛注视;测量所述注视跟踪所述移动图案的程度;以及响应于所述注视跟踪所述移动图案的所述程度满足预定范围而提供第二欺骗尝试指示。
在示例59中,如示例48至58中任一项所述的主题可以包括:校准会话呈现移动提示;在呈现所述移动提示期间捕获第二图像序列;从所述第二图像序列中测量用户眼睑位置与所述移动提示的对应性;以及将所述对应性用作所述阈值。
在示例60中,如示例48至59中任一项所述的主题可以包括:其中,通过测量对所述眼睛可见的虹膜的量来确定所述眼睛的所述注视。
在示例61中,如示例48至60中任一项所述的主题可以包括:其中,发射所述图案包括在不可见光谱中发射所述图案。
在示例62中,如示例48至61中任一项所述的主题可以包括:其中,所述环境的所述特征是源自所述图案的对所述身体部位的深度测量结果,其中,所述标记是基于所述深度测量结果以及对所述身体部位的所述表示的对所述身体部位的测量结果,其中,所述相关性是所述身体部位的所述测量结果符合所述深度测量结果处的活体身体部位的程度。
在示例63中,如示例48至62中任一项所述的主题可以包括:其中,通过以下方式来确定基于所述深度测量结果以及对所述身体部位的所述表示的对所述身体部位的所述测量结果:使用所述身体部位的深度图像和对所述身体部位的表示的尺寸来推断所述身体部位的大小。
在示例64中,如示例48至63中任一项所述的主题可以包括:其中,所述身体部位的所述测量结果包括所述身体部位的深度图。
在示例65中,如示例48至64中任一项所述的主题可以包括:其中,所述环境的所述特征包括所述图案在所述环境的包含所述标记的区域中的反射率。
在示例66中,如示例48至65中任一项所述的主题可以包括:其中,所述环境的所述特征与所述标记之间的所述相关性是所述区域反射所述图案的程度。
在示例67中,如示例48至66中任一项所述的主题可以包括:其中,所述阈值限定了所述图案的最小反射率。
在示例68中,如示例48至67中任一项所述的主题可以包括:其中,所述图案的所述最小反射率包括所述图案的指定特征的最小反射率。
在示例69中,如示例48至68任一项所述的主题可以包括:其中,所述图案是移动的,并且其中,所述区域反射所述图案的所述程度包括判定所述图案的所述指定特征是否移动了预期距离。
在示例70中,如示例48至69中任一项所述的主题可以包括:其中,所述阈值限定了所述图案的最大反射率。
在示例71中,如示例48至70中任一项所述的主题可以包括:其中,发射所述图案包括在不可见光谱中发射所述图案,其中,所述区域反射所述图案的所述程度包括对所述不可见光的反射的均匀性。
在示例72中,如示例48至71中任一项所述的主题可以包括:其中,所述区域反射所述图案的所述程度包括对不可见光的所述反射的亮度,明亮反射与高反射率相对应。
在示例73中,如示例48至72中任一项所述的主题可以包括:其中,所述环境的所述特征包括在所述多个图像中检测到的边缘上的点凸包。
在示例74中,如示例48至73中任一项所述的主题可以包括:其中,将所述边缘与设备边缘构型目录进行比较以便判定所述边缘是否表示已知设备,并且其中,所述点凸包基于所述已知设备的物理构型。
在示例75中,如示例48至74中任一项所述的主题可以包括:其中,所述边缘是移动边缘。
在示例76中,如示例48至75中任一项所述的主题可以包括:其中,所述标记与所述环境的所述特征之间的所述相关性是在所述凸包内找到标记的程度。
在示例77中,如示例48至76中任一项所述的主题可以包括:其中,所述标记是在对所述身体部位的所述表示中的眼睛之间的线。
在示例78中,如示例48至77中任一项所述的主题可以包括:其中,所述环境的所述特征是接近于所述身体部位的背景,并且其中,所述相关性是接近于所述身体部位的所述背景与所述标记一起移动的程度。
在示例79中,如示例48至78中任一项所述的主题可以包括向所述用户显示目标以及对所述身体部位的所述表示,所述目标位于与对所述身体部位的所述表示不同的位置中。
在示例80中,如示例48至79中任一项所述的主题可以包括:其中,所述目标是一定形状的轮廓,所述形状的大小被设定成使得当所述形状的中心与对所述身体部位的所述表示的中心重合时对所述身体部位的所述表示放置在所述形状之内。
在示例81中,如示例48至80中任一项所述的主题可以包括:其中,所述形状是矩形。
在示例82中,如示例48至81中任一项所述的主题可以包括:其中,所述目标是一定形状,所述形状的大小被设定成使得当所述形状的中心与对所述身体部位的所述表示的中心重合时对所述身体部位的所述表示不放置在所述形状之内。
在示例83中,如示例48至82中任一项所述的主题可以包括:其中,所述目标位于与对所述身体部位的所述表示不同的位置中包括在与所述身体部位的某个偏移处显示所述目标,所述偏移由相对运动模型确定,所述相对运动模型限定了所述身体部位的运动参数以便在捕获所述图像序列的相机的视场中的前景物体与背景物体之间进行区分。
在示例84中,如示例48至83中任一项所述的主题可以包括:其中,所述身体部位是面部,并且其中,所述偏移的方向与所述面部的取向相反。
在示例85中,如示例48至84中任一项所述的主题可以包括:其中,与对所述身体部位的所述表示的所述偏移的距离不耦合至在所述图像序列中捕获的所述身体部位与所述目标之间的像素位置差。
在示例86中,如示例48至85中任一项所述的主题可以包括:其中,所述相对运动模型包括足以将前景物体与背景物体进行区分的移动的阈值。
在示例87中,如示例48至86中任一项所述的主题可以包括:其中,显示对所述身体部位的所述表示包括使用所述相对运动模型来修改所述身体部位的运动,在贯穿所述移动的各个点处加速或减慢所述移动。
在示例88中,如示例48至87中任一项所述的主题可以包括:其中,在对所述身体部位的所述表示到达所述目标之前作出所述欺骗尝试指示。
在示例89中,如示例48至88中任一项所述的主题可以包括:其中,对所述身体部位的所述表示是模糊所述身体部位的来自所述图像序列的至少一个特征的符号。
在示例90中,如示例48至89中任一项所述的主题可以包括:其中,所述符号是对所述身体部位的展示。
在示例91中,如示例48至90中任一项所述的主题可以包括:其中,所述环境特征是眨眼序列的模型,其中,所述标记是所测量的眨眼序列,并且其中,所述相关性是所述所测量的眨眼序列符合所述模型的程度。
在示例92中,如示例48至91中任一项所述的主题可以包括:其中,通过以下方式确定所述所测量的眨眼序列:从所述图像序列中在其中检测到所述用户的眼睛的每个图像中提取与所述用户的每只眼睛相对应的对应兴趣区域,所述对应兴趣区域包括眼睑;以及对于每个对应兴趣区域,计算与所述眼睑所阻碍的所述眼睛的百分比相对应的对应分数以便创建对应分数系列;并且其中,通过凭借于图案识别器来处理所述对应分数系列从而确定所述所测量的眨眼序列符合所述模型的所述程度,所述图案识别器基于所述模型检查异常眼睑序列或异常眨眼序列中的至少一者的所述对应分数系列。
在示例93中,如示例48至92中任一项所述的主题可以包括:其中,在验证所述眼睑序列正常之后,所述图案识别器连续地检查所述异常眨眼序列。
在示例94中,如示例48至93中任一项所述的主题可以包括:其中,所述模型限定了与眼睑相对应的眼睑序列,所述眼睑在与异常眼睑序列相反的方向上移动。
示例97包括在图像生物特征识别中用于进行面部活体检测的主题(比如,设备、装置或机器),所述主题包括:生物特征检测器,所述生物特征检测器用于在用户进行认证尝试期间捕获的图像序列中检测潜在认证面部集合;活体指示控制器,所述活体指示控制器用于:针对所述潜在认证面部集合中的每个面部:调用同步性检测器来将活体模型测试集合应用于所述面部,在所述活体测试集合中的每项测试包括在活体面部与在对面部的图形表示上模拟的面部之间存在差异的试验,所述试验独立于给所述用户的身体安排指令而进行操作;以及当所述活体模型测试集合的结果满足阈值时,将所述面部添加到认证面部集合中;以及认证控制器,所述认证控制器用于将面部认证应用于所述认证面部集合中的面部。
在示例98中,如示例97所述的主题可以包括:其中,所述活体测试模型中的测试包括:所述***的发射器朝所述面部发射光;所述***的传感器测量所述光与所述面部的相互作用;以及所述同步性检测器将所述相互作用与活体面部的模型进行比较。
在示例99中,如示例97至98中任一项所述的主题可以包括:其中,所述光与所述面部的所述相互作用提供了所述面部与所述发射器之间的距离测量结果,其中,所述活体面部的所述模型包括活体面部的可接受大小范围,并且其中,将所述相互作用与所述模型进行比较包括所述同步性检测器使用所述距离测量结果来缩放从所述图像序列中获取的对所述面部的可见光谱表示以便判定所述面部是否在活体面部的所述可接受大小范围内。
在示例100中,如示例97至99中任一项所述的主题可以包括:其中,所述光与所述面部的所述相互作用是从所述面部反射的所述光的特性的反射率测量结果。
在示例101中,如示例97至100中任一项所述的主题可以包括:其中,发射所述光包括所述发射器发射不可见光谱光,其中,活体面部的所述模型包括所述光的非均匀正反射率,并且其中,将所述相互作用与所述面部的所述模型进行比较包括所述同步性检测器判定在其中找到所述面部的区域是否在所述不可见光谱光中具有非均匀正反射率。
在示例102中,如示例97至101中任一项所述的主题可以包括:其中,所述不可见光谱光是红外光。
在示例103中,如示例97至102中任一项所述的主题可以包括:其中,发射所述光包括所述发射器发射可见光的非均匀图案,其中,活体面部的所述模型不反射所述图案,并且其中,将所述相互作用与所述面部的所述模型进行比较包括所述同步性检测器判定是否可在所述面部上辨别所述图案。
在示例104中,如示例97至103中任一项所述的主题可以包括:其中,所述活体测试模型中的测试包括在没有给所述用户指令的情况下,在显示器上提供目标。
在示例105中,如示例97至104中任一项所述的主题可以包括:其中,所述目标是移动的,其中,来自所述活体模型测试集合的所述测试包括所述生物特征检测器跟踪所述用户相对于所述目标的眼睛注视,并且其中,所述试验是对所述眼睛注视多么紧密地跟踪所述目标的评估。
在示例106中,如示例97至105中任一项所述的主题可以包括:其中,所述目标是叠加于经由所述***的显示器来向所述用户重新显示的所述图像序列上的框,其中,来自所述活体模型测试集合的所述测试包括所述同步性检测器确定所述用户与可从所述图像序列中确定的环境特征之间的同步移动,并且其中,所述试验是对所述环境特征的移动与所述用户的移动多么紧密地同步的评估。
在示例107中,如示例97至106中任一项所述的主题可以包括:其中,所述目标是包括所述用户的头像的显示区域中的图标,所述显示区域不包括环境特征检测器检测到的所述图像序列,其中,来自所述活体模型测试集合的所述测试包括所述同步性检测器确定所述用户与可从所述图像序列中确定的环境特征之间的同步移动,并且其中,所述试验是对所述环境特征的移动与所述用户的移动多么紧密地同步的评估。
在示例108中,如示例97至107中任一项所述的主题可以包括:其中,所述活体测试模型中的测试包括所述环境特征检测器在所述图像序列中标识符合设备的轮廓,并且其中,所述试验是所述面部在所述图像序列中的多个图像中是否出现在所述轮廓内。
在示例109中,如示例97至108中任一项所述的主题可以包括:其中,如果所述面部出现在所述图像序列中的图像的区域中并且所述轮廓封闭了所述图像序列中的之前的图像集合中的所述区域,则所述面部在所述多个所述图像序列中是否出现在所述轮廓内为真,所述之前的图像集合是基于应用于所述轮廓的移动阈值来选择的。
示例110包括在图像生物特征识别中用于进行面部活体检测的主题(比如,一种方法;用于执行动作的装置;包括指令的机器可读介质,所述指令当由机器执行时使所述机器执行动作;或者一种用于执行的装置),所述主题包括:在用户进行认证尝试期间捕获的图像序列中检测潜在认证面部集合;针对所述潜在认证面部集合中的每个面部,执行以下操作:将活体模型测试集合应用于所述面部,在所述活体测试集合中的每项测试包括在活体面部与在对面部的图形表示上模拟的面部之间存在差异的试验,所述试验独立于给所述用户的身体安排指令而进行操作;以及当所述活体模型测试集合的结果满足阈值时,将所述面部添加到认证面部集合中;以及将面部认证应用于所述认证面部集合中的面部。
在示例111中,如示例110所述的主题可以包括:其中,所述活体测试模型中的测试包括:使用发射器来朝所述面部发射光;测量所述光与所述面部的相互作用;以及将所述相互作用与活体面部的模型进行比较。
在示例112中,如示例110至111中任一项所述的主题可以包括:其中,所述光与所述面部的所述相互作用提供了所述面部与所述发射器之间的距离测量结果,其中,所述活体面部的所述模型包括活体面部的可接受大小范围,并且其中,将所述相互作用与所述模型进行比较包括使用所述距离测量结果来缩放从所述图像序列中获取的对所述面部的可见光谱表示以便判定所述面部是否在活体面部的所述可接受大小范围内。
在示例113中,如示例110至112中任一项所述的主题可以包括:其中,所述光与所述面部的所述相互作用是从所述面部反射的所述光的特性的反射率测量结果。
在示例114中,如示例110至113中任一项所述的主题可以包括:其中,发射所述光包括发射不可见光谱光,其中,活体面部的所述模型包括所述光的非均匀正反射率,并且其中,将所述相互作用与所述面部的所述模型进行比较包括判定在其中找到所述面部的区域是否在所述不可见光谱光中具有非均匀正反射率。
在示例115中,如示例110至114中任一项所述的主题可以包括:其中,所述不可见光谱光是红外光。
在示例116中,如示例110至115中任一项所述的主题可以包括:其中,发射所述光包括发射可见光的非均匀图案,其中,活体面部的所述模型不反射所述图案,并且其中,将所述相互作用与所述面部的所述模型进行比较包括判定是否可在所述面部上辨别所述图案。
在示例117中,如示例110至116中任一项所述的主题可以包括:其中,所述活体测试模型中的测试包括在没有给所述用户指令的情况下,在显示器上提供目标。
在示例118中,如示例110至117中任一项所述的主题可以包括:其中,所述目标是移动的,其中,来自所述活体模型测试集合的所述测试包括跟踪所述用户相对于所述目标的眼睛注视,并且其中,所述试验是对所述眼睛注视多么紧密地跟踪所述目标的评估。
在示例119中,如示例110至118中任一项所述的主题可以包括:其中,所述目标是叠加于向所述用户重新显示的所述图像序列上的框,其中,来自所述活体模型测试集合的所述测试包括确定所述用户与可从所述图像序列中确定的环境特征之间的同步移动,并且其中,所述试验是对所述环境特征的移动与所述用户的移动多么紧密地同步的评估。
在示例120中,如示例110至119中任一项所述的主题可以包括:其中,所述目标是包括所述用户的头像的显示区域中的图标,所述显示区域不包括所述图像序列,其中,来自所述活体模型测试集合的所述测试包括确定所述用户与可从所述图像序列中确定的环境特征之间的同步移动,并且其中,所述试验是对所述环境特征的移动与所述用户的移动多么紧密地同步的评估。
在示例121中,如示例110至120中任一项所述的主题可以包括:其中,所述活体测试模型中的测试包括在所述图像序列中标识符合设备的轮廓,并且其中,所述试验是所述面部在所述图像序列中的多个图像中是否出现在所述轮廓内。
在示例122中,如示例110至121中任一项所述的主题可以包括:其中,如果所述面部出现在所述图像序列中的图像的区域中并且所述轮廓封闭了所述图像序列中的之前的图像集合中的所述区域,则所述面部在所述多个所述图像序列中是否出现在所述轮廓内为真,所述之前的图像集合是基于应用于所述轮廓的移动阈值来选择的。
以上的具体实施方式包括对附图的参考,所述附图形成具体实施方式的一部分。附图通过展示的方式示出了可以实践的特定实施例。所述实施例在本文中也被称为“示例”。这种示例可以包括除所示出或所描述的要素之外的要素。然而,诸位发明人还设想了其中仅提供所示出或所描述的那些要素的示例。另外,诸位发明人还设想了相对于特定示例(或其一个或多个方面)或者相对于本文中所示出或所描述的其他示例(或其一个或多个方面),使用所示出或所描述的那些要素(或其一个或多个方面)的任何组合或排列的示例。
在此文档中提及的所有出版物、专利和专利文档通过引用而整体结合在此,如同通过引用而单独地结合。如果在本文档与通过引用结合的那些文档之间出现不一致的使用情况,则所结合的(多个)参考文档中的使用情况应被视为是对本文档的补充;对于不可调和的不一致,本文档中的使用情况占主导。
在本文档中,如在专利文档中是普遍的,术语“一个(a)”或“一个(an)”用于包括一个或多于一个,独立于“至少一个”或者“一个或多个”的任何其他实例或用法。在本文档中,术语“或者”用于指代非排他的或,从而使得除非另外指示,“A或B”包括“A而没有B”、“B而没有A”以及“A和B”。在所附权利要求书中,术语“包括(including)”和“其中(in which)”用作对应术语“包括(comprising)”和“其中(wherein)”的通俗的英文等价词。此外,在以下权利要求书中,术语“包括(including)”和“包括(comprising)”是开放式的,即,除在权利要求中列在此类术语之后的那些元素外还包括元素的***、设备、物品或过程仍被视为落入该权利要求的范围内。此外,在以下权利要求书中,术语“第一”、“第二”和“第三”等仅仅用作标签,并且不旨在对它们的对象施加数值要求。
以上说明旨在是说明性的,而非限制性的。例如,以上所描述的示例(或其一个或多个方面)可相互结合使用。可以使用其他实施例,比如,由本领域的技术人员在审阅以上说明时使用。本摘要用于允许读者快速地确定本技术公开的性质,并且提交本摘要的同时要明白,将不用它来解释或限制权利要求书的范围或含义。而且,在以上具体实施方式中,可以将各种特征组合在一起以便简化本公开。这不应当被解释为意图指未要求保护的公开的特征对于任何权利要求是必需的。相反,发明性主题可在于比特定的公开实施例的所有特征要少的特征。因此,据此将以下权利要求书结合到具体实施方式中,每一项权利要求独立地代表单独的实施例。所述实施例的范围应当参考所附权利要求书、连同这种权利要求书有权获得的等效物的全部范围来确定。
权利要求书(按照条约第19条的修改)
1.由国际局于2015年10月28日(28.10.15)接收
一种设备,包括:基座单元,所述基座单元被配置成用于接纳吸液管尖端,所述基座单元被配置成提供所述吸液管尖端在光供应单元与安装至所述基座单元的光收集单元之间的结构对准,其中,所述基座单元具有限定容纳空间的内轮廓,其中,所述基座单元的所述内轮廓被配置成与被配置成用于固定吸液管尖端的部件单元的外轮廓物理地相互作用。
2.如权利要求1所述的设备,进一步包括:吸液管尖端,所述吸液管尖端被适配成附接至吸液管,其中,所述吸液管尖端包括被定位在所述光供应单元与所述光收集单元之间的至少一个观察区域中的至少一个光学部件。
3.如权利要求1所述的设备,进一步包括吸液管尖端,所述吸液管尖端被适配成附接至吸液管,其中,所述吸液管尖端被配置成具有至少一个光学透明的平整区域。
4.如权利要求1所述的设备,进一步包括吸液管尖端,所述吸液管尖端被适配成附接至吸液管,其中,所述吸液管尖端被配置成具有至少一个柔性区域,所述至少一个柔性区域由至少一个光供应单元接触以便改变通过所述吸液管尖端中的液体样本的路径长度。
5.如权利要求1所述的设备,进一步包括吸液管尖端,所述吸液管尖端被适配成附接至吸液管,其中,所述吸液管尖端被配置成具有至少一个柔性区域,所述至少一个柔性区域由至少一个光收集单元接触以便改变通过所述吸液管尖端中的液体样本的路径长度。
6.一种测量***,包括:基座单元,所述基座单元具有限定容纳空间的内轮廓;部件单元,所述部件单元被配置成用于固定吸液管尖端,并且所述部件具有被配置成与所述基座单元的所述内轮廓物理地相互作用的外轮廓;至少一个光供应单元,所述至少一个光供应单元被定位成向所述吸液管尖端中的液体样本供应光;以及至少一个光收集单元,所述至少一个光收集单元被定位成从所述吸液管尖端中的液体样本中收集光,所述测量***进一步包括:光学透明的液体收集吸液管尖端,所述吸液管尖端被适配成附接至吸液管,其中,所述吸液管尖端被配置成具有至少一个柔性区域。
7.如权利要求6所述的***,其中,所述光供应单元和所述光收集单元被安装至所述基座单元,并且所述基座单元被配置成用于提供对所述吸液管尖端的结构对准。
8.如权利要求6所述的***,其中,所述吸液管尖端被配置成具有至少一个平整区域。
9.如权利要求6所述的***,其中,所述吸液管尖端被配置成具有至少两个平行的平整区域。
10.如权利要求6所述的***,其中,所述至少一个柔性区域由至少一个光供应单元接触以便改变通过所述液体样本的路径长度。
11.如权利要求6所述的***,其中,所述至少一个柔性区域由至少一个光收集单元接触以便改变通过所述液体样本的路径长度。
12.如权利要求6所述的***,其中,所述吸液管尖端包括被定位在所述光供应单元与所述光收集单元之间的至少一个观察区域中的至少一个光学部件。
13.一种用于在光测量***中使用分立吸液管尖端的方法,所述方法包括:提供由被配置成用于接纳吸液管尖端的基座单元组成的设备,所述基座单元被配置成提供所述吸液管尖端在光供应单元与安装至所述基座单元的光收集单元之间的结构对准,其中,所述基座单元具有限定容纳空间的内轮廓,其中,所述基座单元的所述内轮廓被配置成与配置成固定吸液管尖端的部件单元的外轮廓物理地相互作用;以及
将吸液管尖端***所述设备中。
14.如权利要求17所述的方法,进一步包括:将液体样本添加到所述吸液管尖端中。
15.如权利要求18所述的方法,进一步包括通过与所述基座单元的相互作用来定位所述吸液管尖端的步骤。
16.如权利要求17所述的方法,其中,所述吸液管尖端被配置成具有柔性区域,所述方法进一步包括通过使所述柔性区域与至少一个光供应单元接触以改变通过所述液体样的路径长度来移动所述柔性区域的步骤。
17.如权利要求17所述的方法,其中,所述吸液管尖端被配置成具有柔性区域,所述方法进一步包括通过使所述柔性区域与至少一个光收集单元接触以改变通过所述液体样本的路径长度来接触所述柔性区域的步骤。
18.如权利要求17所述的方法,其中,所述吸液管尖端被配置成具有至少一个光学透明的平整区域,所述方法进一步包括将所述吸液管尖端的所述至少一个光学透明的平整区域与至少一个光学单元对准的步骤。
19.如权利要求17所述的方法,其中,所述吸液管尖端被配置成具有至少一个光学透明的平整区域,所述方法进一步包括将所述吸液管尖端的所述至少一个光学平整区域与至少一个光收集单元对准的步骤。
20.如权利要求17所述的方法,进一步包括使用所述吸液管尖端内部的所述液体样本来恢复所述吸液管尖端的步骤。
Claims (25)
1.一种用于在图像生物特征识别中进行面部活体检测的***,所述***包括:
生物特征检测器,所述生物特征检测器用于在用户进行认证尝试期间捕获的图像序列中检测潜在认证面部集合;
活体指示控制器,所述活体指示控制器用于:
针对所述潜在认证面部集合中的每个面部:
调用同步性检测器来将活体模型测试集合应用于所述面部,所述活体测试集合中的每项测试包括在活体面部与在对面部的图形表示上模拟的面部之间存在差异的试验,所述试验独立于给所述用户的身体安排指令而进行操作;并且
当所述活体模型测试集合的结果满足阈值时,将所述面部添加到认证面部集合中;以及
认证控制器,所述认证控制器用于将面部认证应用于所述认证面部集合中的面部。
2.如权利要求1所述的***,其中,所述活体测试模型中的测试包括:
所述***的发射器朝所述面部发射光;
所述***的传感器测量所述光与所述面部的相互作用;以及
所述同步性检测器将所述相互作用与活体面部的模型进行比较。
3.如权利要求2所述的***,其中,所述光与所述面部的所述相互作用提供所述面部与所述发射器之间的距离测量,其中,所述活体面部的所述模型包括活体面部的可接受大小范围,并且其中,将所述相互作用与所述模型进行比较包括所述同步性检测器使用所述距离测量来缩放从所述图像序列中获取的所述面部的可见光谱表示,以便判定所述面部是否在活体面部的所述可接受大小范围内。
4.如权利要求2所述的***,其中,所述光与所述面部的所述相互作用是从所述面部反射的所述光的特性的反射率测量。
5.如权利要求4所述的***,其中,发射所述光包括所述发射器发射不可见光谱光,其中,活体面部的所述模型包括所述光的非均匀正反射率,并且其中,将所述相互作用与所述面部的所述模型进行比较包括所述同步性检测器判定在其中找到所述面部的区域是否在所述不可见光谱光中具有非均匀正反射率。
6.如权利要求4所述的***,其中,发射所述光包括所述发射器发射可见光的非均匀图案,其中,活体面部的所述模型不反射所述图案,并且其中,将所述相互作用与所述面部的所述模型进行比较包括所述同步性检测器判定是否可在所述面部上辨别所述图案。
7.如权利要求1所述的***,其中,所述活体测试模型中的测试包括在没有给所述用户指令的情况下,在显示器上提供目标。
8.如权利要求7所述的***,其中,所述目标是移动的,其中,来自所述活体模型测试集合的所述测试包括所述生物特征检测器跟踪所述用户相对于所述目标的眼睛注视,并且其中,所述试验是对所述眼睛注视多么紧密地跟踪所述目标的评估。
9.如权利要求8所述的***,其中,所述目标是叠加于经由所述***的显示器来向所述用户重新显示的所述图像序列上的框,其中,来自所述活体模型测试集合的所述测试包括所述同步性检测器确定所述用户与可从所述图像序列中确定的环境特征之间的同步移动,并且其中,所述试验是对所述环境特征的移动与所述用户的移动多么紧密地同步的评估。
10.如权利要求8所述的***,其中,所述目标是包括所述用户的化身的显示区域中的图标,所述显示区域不包括环境特征检测器检测到的所述图像序列,其中,来自所述活体模型测试集合的所述测试包括所述同步性检测器确定所述用户与可从所述图像序列中确定的环境特征之间的同步移动,并且其中,所述试验是对所述环境特征的移动与所述用户的移动多么紧密地同步的评估。
11.如权利要求1所述的***,其中,所述活体测试模型中的测试包括所述环境特征检测器跨所述图像序列标识符合设备的轮廓,并且其中,所述试验是所述面部是否跨所述图像序列中的多个图像出现在所述轮廓内。
12.如权利要求11所述的***,其中,如果所述面部出现在所述图像序列中的图像的区域中并且所述轮廓封入所述图像序列中的之前的图像集合中的所述区域,则所述面部是否跨所述多个所述图像序列出现在所述轮廓内为真,所述之前的图像集合是基于应用于所述轮廓的移动阈值来选择的。
13.一种用于在图像生物特征识别中进行面部活体检测的方法,所述方法包括:
在用户进行认证尝试期间捕获的图像序列中检测潜在认证面部集合;
针对所述潜在认证面部集合中的每个面部,执行以下操作:
将活体模型测试集合应用于所述面部,在所述活体测试集合中的每项测试包括在活体面部与在对面部的图形表示上模拟的面部之间存在差异的试验,所述试验独立于给所述用户的身体安排指令而进行操作;以及
当所述活体模型测试集合的结果满足阈值时,将所述面部添加到认证面部集合中;以及
将面部认证应用于所述认证面部集合中的面部。
14.如权利要求13的方法,其中,将所述活体模型测试集合应用于所述面部包括:
使用发射器来朝所述面部发射光;
测量所述光与所述面部的相互作用;以及
将所述相互作用与活体面部的模型进行比较。
15.如权利要求14所述的***,其中,所述光与所述面部的所述相互作用提供所述面部与所述发射器之间的距离测量,其中,所述活体面部的所述模型包括活体面部的可接受大小范围,并且其中,将所述相互作用与所述模型进行比较包括使用所述距离测量来缩放从所述图像序列中获取的所述面部的可见光谱表示,以便判定所述面部是否在活体面部的所述可接受大小范围内。
16.如权利要求14所述的方法,其中,所述光与所述面部的所述相互作用是从所述面部反射的所述光的特性的反射率测量。
17.如权利要求16所述的方法,其中,发射所述光包括发射不可见光谱光,其中,活体面部的所述模型包括所述光的非均匀正反射率,并且其中,将所述相互作用与所述面部的所述模型进行比较包括判定在其中找到所述面部的区域是否在所述不可见光谱光中具有非均匀正反射率。
18.如权利要求16所述的方法,其中,发射所述光包括发射可见光的非均匀图案,其中,活体面部的所述模型不反射所述图案,并且其中,将所述相互作用与所述面部的所述模型进行比较包括判定是否可在所述面部上辨别所述图案。
19.如权利要求13所述的方法,其中,所述活体测试模型中的测试包括在没有给所述用户指令的情况下在显示器上提供目标。
20.如权利要求19所述的方法,其中,所述目标是移动的,其中,来自所述活体模型测试集合的所述测试包括跟踪所述用户相对于所述目标的眼睛注视,并且其中,所述试验是对所述眼睛注视多么紧密地跟踪所述目标的评估。
21.如权利要求19所述的方法,其中,所述目标是叠加于向所述用户重新显示的所述图像序列上的框,其中,来自所述活体模型测试集合的所述测试包括确定所述用户与可从所述图像序列中确定的环境特征之间的同步移动,并且其中,所述试验是对所述环境特征的移动与所述用户的移动多么紧密地同步的评估。
22.如权利要求19所述的方法,其中,所述目标是包括所述用户的头像的显示区域中的图标,所述显示区域不包括所述图像序列,其中,来自所述活体模型测试集合的所述测试包括确定所述用户与可从所述图像序列中确定的环境特征之间的同步移动,并且其中,所述试验是对所述环境特征的移动与所述用户的移动多么紧密地同步的评估。
23.如权利要求13所述的方法,其中,所述活体测试模型中的测试包括跨所述图像序列标识符合设备的轮廓,并且其中,所述试验是所述面部是否跨所述图像序列中的多个图像出现在所述轮廓内。
24.至少一种机器可读介质,包括指令,所述指令当被机器执行时使所述机器执行如权利要求13至23中任一项所述的方法。
25.一种***,所述***包括用于执行如权利要求13至23中任一项所述的方法的装置。
Applications Claiming Priority (15)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462079020P | 2014-11-13 | 2014-11-13 | |
US201462079095P | 2014-11-13 | 2014-11-13 | |
US201462079082P | 2014-11-13 | 2014-11-13 | |
US201462079102P | 2014-11-13 | 2014-11-13 | |
US201462079011P | 2014-11-13 | 2014-11-13 | |
US201462079036P | 2014-11-13 | 2014-11-13 | |
US201462079044P | 2014-11-13 | 2014-11-13 | |
US62/079,082 | 2014-11-13 | ||
US62/079,044 | 2014-11-13 | ||
US62/079,102 | 2014-11-13 | ||
US62/079,036 | 2014-11-13 | ||
US62/079,020 | 2014-11-13 | ||
US62/079,011 | 2014-11-13 | ||
US62/079,095 | 2014-11-13 | ||
PCT/US2015/022934 WO2016076914A1 (en) | 2014-11-13 | 2015-03-27 | Facial liveness detection in image biometrics |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107077608A true CN107077608A (zh) | 2017-08-18 |
CN107077608B CN107077608B (zh) | 2021-06-29 |
Family
ID=55954814
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580058663.1A Active CN107077608B (zh) | 2014-11-13 | 2015-03-27 | 图像生物特征识别中的面部活体检测 |
CN201580059167.8A Pending CN107111745A (zh) | 2014-11-13 | 2015-03-27 | 图像生物特征识别中的欺骗检测 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580059167.8A Pending CN107111745A (zh) | 2014-11-13 | 2015-03-27 | 图像生物特征识别中的欺骗检测 |
Country Status (4)
Country | Link |
---|---|
US (3) | US9672415B2 (zh) |
EP (2) | EP3218844A4 (zh) |
CN (2) | CN107077608B (zh) |
WO (2) | WO2016076914A1 (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832669A (zh) * | 2017-10-11 | 2018-03-23 | 广东欧珀移动通信有限公司 | 人脸检测方法及相关产品 |
CN108121977A (zh) * | 2018-01-08 | 2018-06-05 | 深圳天珑无线科技有限公司 | 一种移动终端及其活体人脸识别方法和*** |
CN108229120A (zh) * | 2017-09-07 | 2018-06-29 | 北京市商汤科技开发有限公司 | 人脸解锁及其信息注册方法和装置、设备、程序、介质 |
US10198645B2 (en) | 2014-11-13 | 2019-02-05 | Intel Corporation | Preventing face-based authentication spoofing |
CN109376595A (zh) * | 2018-09-14 | 2019-02-22 | 杭州宇泛智能科技有限公司 | 基于人眼注意力的单目rgb摄像头活体检测方法及*** |
CN109409325A (zh) * | 2018-11-09 | 2019-03-01 | 联想(北京)有限公司 | 一种识别方法和电子设备 |
CN109564627A (zh) * | 2018-10-30 | 2019-04-02 | 深圳市汇顶科技股份有限公司 | 具光学指纹防伪感测功能的屏下光学指纹装置及手持装置 |
US10360442B2 (en) | 2014-11-13 | 2019-07-23 | Intel Corporation | Spoofing detection in image biometrics |
CN110309767A (zh) * | 2019-06-28 | 2019-10-08 | 广州致远电子有限公司 | 活体检测设备、识别方法、装置及存储介质 |
CN111368665A (zh) * | 2020-02-25 | 2020-07-03 | 西华大学 | 一种基于竞争与协作机制的高抗哄骗多模态身份验证方法 |
CN111382661A (zh) * | 2018-12-26 | 2020-07-07 | 阿里巴巴集团控股有限公司 | 使用双频荧光进行欺骗检测的方法和*** |
CN111460419A (zh) * | 2020-03-31 | 2020-07-28 | 周亚琴 | 物联网人工智能人脸验证方法及物联网云服务器 |
CN111738161A (zh) * | 2020-06-23 | 2020-10-02 | 支付宝实验室(新加坡)有限公司 | 一种活体检测方法、装置及电子设备 |
CN113051982A (zh) * | 2019-12-28 | 2021-06-29 | 浙江宇视科技有限公司 | 人脸活体检测方法、装置、设备和存储介质 |
CN114902171A (zh) * | 2019-12-31 | 2022-08-12 | 斯纳普公司 | 消息***中的捕获后处理 |
WO2023156315A1 (en) * | 2022-02-15 | 2023-08-24 | Trinamix Gmbh | Face authentication including material data extracted from image |
US12034687B2 (en) | 2019-12-31 | 2024-07-09 | Snap Inc. | Providing post-capture media overlays for post-capture processing in a messaging system |
Families Citing this family (79)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9202105B1 (en) * | 2012-01-13 | 2015-12-01 | Amazon Technologies, Inc. | Image analysis for user authentication |
US9230158B1 (en) * | 2012-12-18 | 2016-01-05 | Amazon Technologies, Inc. | Fraud detection for facial recognition systems |
US9294475B2 (en) * | 2013-05-13 | 2016-03-22 | Hoyos Labs Ip, Ltd. | System and method for generating a biometric identifier |
JP6227996B2 (ja) * | 2013-12-18 | 2017-11-08 | 浜松ホトニクス株式会社 | 計測装置及び計測方法 |
US10614204B2 (en) | 2014-08-28 | 2020-04-07 | Facetec, Inc. | Facial recognition authentication system including path parameters |
US11256792B2 (en) | 2014-08-28 | 2022-02-22 | Facetec, Inc. | Method and apparatus for creation and use of digital identification |
US10698995B2 (en) | 2014-08-28 | 2020-06-30 | Facetec, Inc. | Method to verify identity using a previously collected biometric image/data |
US10192109B2 (en) * | 2015-04-16 | 2019-01-29 | Tobii Ab | Identification and/or authentication of a user using gaze information |
US10678897B2 (en) | 2015-04-16 | 2020-06-09 | Tobii Ab | Identification, authentication, and/or guiding of a user using gaze information |
US10546183B2 (en) | 2015-08-10 | 2020-01-28 | Yoti Holding Limited | Liveness detection |
US9794260B2 (en) * | 2015-08-10 | 2017-10-17 | Yoti Ltd | Liveness detection |
CN105184246B (zh) * | 2015-08-28 | 2020-05-19 | 北京旷视科技有限公司 | 活体检测方法和活体检测*** |
US9639560B1 (en) * | 2015-10-22 | 2017-05-02 | Gopro, Inc. | Systems and methods that effectuate transmission of workflow between computing platforms |
US10452935B2 (en) * | 2015-10-30 | 2019-10-22 | Microsoft Technology Licensing, Llc | Spoofed face detection |
JP6324939B2 (ja) * | 2015-11-05 | 2018-05-16 | 株式会社ソニー・インタラクティブエンタテインメント | 情報処理装置およびログイン制御方法 |
CN106843709B (zh) * | 2015-12-04 | 2020-04-14 | 阿里巴巴集团控股有限公司 | 根据实时信息显示展现对象的方法和装置 |
WO2017151747A1 (en) * | 2016-03-02 | 2017-09-08 | EyeVerify Inc. | Spoof detection using proximity sensors |
US10698998B1 (en) | 2016-03-04 | 2020-06-30 | Jpmorgan Chase Bank, N.A. | Systems and methods for biometric authentication with liveness detection |
US10733275B1 (en) * | 2016-04-01 | 2020-08-04 | Massachusetts Mutual Life Insurance Company | Access control through head imaging and biometric authentication |
US10097745B2 (en) * | 2016-04-27 | 2018-10-09 | Zepp Labs, Inc. | Head rotation tracking device for video highlights identification |
US10311219B2 (en) * | 2016-06-07 | 2019-06-04 | Vocalzoom Systems Ltd. | Device, system, and method of user authentication utilizing an optical microphone |
CN106203297B (zh) | 2016-06-30 | 2019-11-08 | 北京七鑫易维信息技术有限公司 | 一种身份识别方法及装置 |
WO2018009568A1 (en) * | 2016-07-05 | 2018-01-11 | Wu Yecheng | Spoofing attack detection during live image capture |
US10599911B2 (en) | 2016-07-20 | 2020-03-24 | Cypress Semiconductor Corporation | Anti-spoofing protection for fingerprint controllers |
US10460144B2 (en) | 2016-07-20 | 2019-10-29 | Cypress Semiconductor Corporation | Non-finger object rejection for fingerprint sensors |
US9886640B1 (en) * | 2016-08-08 | 2018-02-06 | International Business Machines Corporation | Method and apparatus to identify a live face image using a thermal radiation sensor and a visual radiation sensor |
US10157323B2 (en) * | 2016-08-30 | 2018-12-18 | Qualcomm Incorporated | Device to provide a spoofing or no spoofing indication |
US10558976B1 (en) * | 2016-09-23 | 2020-02-11 | Wells Fargo Bank, N.A. | Unique identification of customer using an image |
US11301703B2 (en) | 2017-03-21 | 2022-04-12 | Sri International | Robust biometric access control based on dynamic structural changes in tissue |
KR102387571B1 (ko) | 2017-03-27 | 2022-04-18 | 삼성전자주식회사 | 라이브니스 검사 방법 및 장치 |
US11723566B2 (en) * | 2017-05-09 | 2023-08-15 | Eye-Minders Ltd. | Deception detection system and method |
US10387632B2 (en) * | 2017-05-17 | 2019-08-20 | Bank Of America Corporation | System for provisioning and allowing secure access to a virtual credential |
US10657401B2 (en) * | 2017-06-06 | 2020-05-19 | Microsoft Technology Licensing, Llc | Biometric object spoof detection based on image intensity variations |
CN113177437A (zh) * | 2017-06-13 | 2021-07-27 | 阿里巴巴集团控股有限公司 | 一种人脸识别方法和装置 |
CN107609462A (zh) * | 2017-07-20 | 2018-01-19 | 北京百度网讯科技有限公司 | 待检测信息生成及活体检测方法、装置、设备及存储介质 |
CN107343174A (zh) * | 2017-07-26 | 2017-11-10 | 浙江树人学院 | 远距离移动目标防伪人脸虹膜抓拍装置及方法 |
EP3662411A1 (en) * | 2017-08-01 | 2020-06-10 | Apple Inc. | Biometric authentication techniques |
EP3447684A1 (en) * | 2017-08-22 | 2019-02-27 | Eyn Limited | Verification method and system |
GB2567798A (en) * | 2017-08-22 | 2019-05-01 | Eyn Ltd | Verification method and system |
GB2570620A (en) * | 2017-08-22 | 2019-08-07 | Eyn Ltd | Verification method and system |
WO2019045750A1 (en) * | 2017-09-01 | 2019-03-07 | Magic Leap, Inc. | DETAILED EYE SHAPE MODEL FOR ROBUST BIOMETRIC APPLICATIONS |
CN107590463A (zh) * | 2017-09-12 | 2018-01-16 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
SG11202002399SA (en) * | 2017-09-18 | 2020-04-29 | Element Inc | Methods, systems, and media for detecting spoofing in mobile authentication |
WO2019056310A1 (en) * | 2017-09-22 | 2019-03-28 | Qualcomm Incorporated | SYSTEMS AND METHODS FOR DETECTING FACIAL ACTIVITY |
CN109583285B (zh) * | 2017-09-29 | 2023-03-07 | 阿里巴巴集团控股有限公司 | 对象识别方法 |
US11580775B2 (en) * | 2017-10-18 | 2023-02-14 | Fingerprint Cards Anacatum Ip Ab | Differentiating between live and spoof fingers in fingerprint analysis by machine learning |
CN107832712A (zh) * | 2017-11-13 | 2018-03-23 | 深圳前海微众银行股份有限公司 | 活体检测方法、装置和计算机可读存储介质 |
US10726245B2 (en) * | 2017-12-12 | 2020-07-28 | Black Sesame International Holding Limited | Secure facial authentication system using active infrared light source and RGB-IR sensor |
US10673888B1 (en) * | 2017-12-14 | 2020-06-02 | Ca, Inc. | Systems and methods for managing illegitimate authentication attempts |
GB2569794A (en) | 2017-12-21 | 2019-07-03 | Yoti Holding Ltd | Biometric user authentication |
KR102455633B1 (ko) | 2017-12-21 | 2022-10-17 | 삼성전자주식회사 | 라이브니스 검사 방법 및 장치 |
US11093770B2 (en) | 2017-12-29 | 2021-08-17 | Idemia Identity & Security USA LLC | System and method for liveness detection |
US11100204B2 (en) * | 2018-07-19 | 2021-08-24 | Motorola Mobility Llc | Methods and devices for granting increasing operational access with increasing authentication factors |
KR102664710B1 (ko) * | 2018-08-08 | 2024-05-09 | 삼성전자주식회사 | 외부 객체의 위치의 변화에 따라 외부 객체에 대응하는 아바타를 표시하기 위한 전자 장치 |
TWI704501B (zh) * | 2018-08-09 | 2020-09-11 | 宏碁股份有限公司 | 可由頭部操控的電子裝置與其操作方法 |
CN110866418B (zh) * | 2018-08-27 | 2023-05-09 | 阿里巴巴集团控股有限公司 | 图像底库生成方法、装置、设备、***及存储介质 |
US11273841B2 (en) * | 2018-09-20 | 2022-03-15 | Toyota Research Institute, Inc. | Method and apparatus for spoofing prevention |
SG11202103106YA (en) | 2018-09-26 | 2021-04-29 | Nec Corp | Information providing device, information providing method, and storage medium |
US11709925B1 (en) * | 2018-09-27 | 2023-07-25 | Amazon Technologies, Inc. | Visual token passwords |
US10885363B2 (en) | 2018-10-25 | 2021-01-05 | Advanced New Technologies Co., Ltd. | Spoof detection using structured light illumination |
US10783388B2 (en) * | 2018-10-26 | 2020-09-22 | Alibaba Group Holding Limited | Spoof detection using multiple image acquisition devices |
WO2020095350A1 (ja) * | 2018-11-05 | 2020-05-14 | 日本電気株式会社 | 情報処理装置、情報処理方法及び記録媒体 |
US11403884B2 (en) | 2019-01-16 | 2022-08-02 | Shenzhen GOODIX Technology Co., Ltd. | Anti-spoofing face ID sensing |
US10970574B2 (en) | 2019-02-06 | 2021-04-06 | Advanced New Technologies Co., Ltd. | Spoof detection using dual-band near-infrared (NIR) imaging |
US11244146B2 (en) * | 2019-03-05 | 2022-02-08 | Jpmorgan Chase Bank, N.A. | Systems and methods for secure user logins with facial recognition and blockchain |
SG11202109983RA (en) | 2019-03-12 | 2021-10-28 | Element Inc | Detecting spoofing of facial recognition with mobile devices |
US11328043B2 (en) | 2019-03-15 | 2022-05-10 | Advanced New Technologies Co., Ltd. | Spoof detection by comparing images captured using visible-range and infrared (IR) illuminations |
TWI731503B (zh) * | 2019-12-10 | 2021-06-21 | 緯創資通股份有限公司 | 活體臉部辨識系統與方法 |
KR20210074749A (ko) * | 2019-12-12 | 2021-06-22 | 삼성전자주식회사 | 라이브니스 검사 방법 및 라이브니스 검사 장치 |
US11507248B2 (en) | 2019-12-16 | 2022-11-22 | Element Inc. | Methods, systems, and media for anti-spoofing using eye-tracking |
US11462050B2 (en) | 2019-12-19 | 2022-10-04 | Certify Global Inc. | Systems and methods of liveness determination |
CN110929705A (zh) * | 2020-02-17 | 2020-03-27 | 京东数字科技控股有限公司 | 活体检测方法和装置、身份认证方法和***、存储介质 |
EP4128142A4 (en) * | 2020-03-27 | 2023-04-12 | Nec Corporation | IMAGE PROCESSING DEVICE, IMAGE PROCESSING METHOD AND STORAGE MEDIUM |
CN111611934A (zh) * | 2020-05-22 | 2020-09-01 | 北京华捷艾米科技有限公司 | 一种人脸检测模型生成和人脸检测方法、装置及设备 |
CN111914775B (zh) * | 2020-08-06 | 2023-07-28 | 平安科技(深圳)有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN112990140B (zh) * | 2021-04-29 | 2021-08-10 | 南昌虚拟现实研究院股份有限公司 | 手势轮廓提取方法、装置、可读存储介质及电子设备 |
CN113313057A (zh) * | 2021-06-16 | 2021-08-27 | 山东省科学院激光研究所 | 一种人脸活体检测与识别*** |
CN113627256B (zh) * | 2021-07-09 | 2023-08-18 | 武汉大学 | 基于眨眼同步及双目移动检测的伪造视频检验方法及*** |
US20240004977A1 (en) * | 2022-06-30 | 2024-01-04 | Microsoft Technology Licensing, Llc | Sequence-based authentication using rhythm and/or poses |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1703440A2 (en) * | 2005-03-15 | 2006-09-20 | Omron Corporation | Face authentication apparatus, contrl method and program, electronic device having the same, and program recording medium |
CN101030252A (zh) * | 2006-03-03 | 2007-09-05 | 富士通株式会社 | 具有测距功能的图像捕获装置 |
CN101339607A (zh) * | 2008-08-15 | 2009-01-07 | 北京中星微电子有限公司 | 人脸识别方法及***、人脸识别模型训练方法及*** |
US7508960B1 (en) * | 2008-05-06 | 2009-03-24 | International Business Machines Corporation | Projection of light patterns for liveness verification of biometrics |
EP2546782A1 (en) * | 2011-07-11 | 2013-01-16 | Accenture Global Services Limited | Liveness detection |
US20130188840A1 (en) * | 2012-01-20 | 2013-07-25 | Cyberlink Corp. | Liveness detection system based on face behavior |
CN103440479A (zh) * | 2013-08-29 | 2013-12-11 | 湖北微模式科技发展有限公司 | 一种活体人脸检测方法与*** |
CN103678984A (zh) * | 2013-12-20 | 2014-03-26 | 湖北微模式科技发展有限公司 | 一种利用摄像头实现用户身份验证的方法 |
US8856541B1 (en) * | 2013-01-10 | 2014-10-07 | Google Inc. | Liveness detection |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0316631D0 (en) * | 2003-07-16 | 2003-08-20 | Omniperception Ltd | Facial liveness assessment system |
JP4899551B2 (ja) | 2006-03-15 | 2012-03-21 | オムロン株式会社 | 認証装置、認証方法、認証プログラムおよびコンピュータ読み取り可能な記録媒体 |
KR100851981B1 (ko) | 2007-02-14 | 2008-08-12 | 삼성전자주식회사 | 비디오 영상에서 실 객체 판별 방법 및 장치 |
CN100592322C (zh) * | 2008-01-04 | 2010-02-24 | 浙江大学 | 照片人脸与活体人脸的计算机自动鉴别方法 |
JP5374135B2 (ja) * | 2008-12-16 | 2013-12-25 | オリンパス株式会社 | 画像処理装置、画像処理装置の作動方法および画像処理プログラム |
KR20100073191A (ko) | 2008-12-22 | 2010-07-01 | 한국전자통신연구원 | 거리 정보를 이용한 위조 얼굴 검출 방법 및 장치 |
US8364971B2 (en) | 2009-02-26 | 2013-01-29 | Kynen Llc | User authentication system and method |
US8515124B2 (en) | 2010-02-04 | 2013-08-20 | Electronics And Telecommunications Research Institute | Method and apparatus for determining fake image |
JP5597021B2 (ja) * | 2010-04-15 | 2014-10-01 | オリンパス株式会社 | 画像処理装置及びプログラム |
US9082235B2 (en) | 2011-07-12 | 2015-07-14 | Microsoft Technology Licensing, Llc | Using facial data for device authentication or subject identification |
US9081947B2 (en) | 2011-12-27 | 2015-07-14 | Intel Corporation | Turing test based user authentication and user presence verification system, device, and method |
US9202105B1 (en) | 2012-01-13 | 2015-12-01 | Amazon Technologies, Inc. | Image analysis for user authentication |
US9075975B2 (en) * | 2012-02-21 | 2015-07-07 | Andrew Bud | Online pseudonym verification and identity validation |
US8542879B1 (en) | 2012-06-26 | 2013-09-24 | Google Inc. | Facial recognition |
US8457367B1 (en) | 2012-06-26 | 2013-06-04 | Google Inc. | Facial recognition |
US8437513B1 (en) * | 2012-08-10 | 2013-05-07 | EyeVerify LLC | Spoof detection for biometric authentication |
US9058519B2 (en) * | 2012-12-17 | 2015-06-16 | Qualcomm Incorporated | System and method for passive live person verification using real-time eye reflection |
US10270748B2 (en) | 2013-03-22 | 2019-04-23 | Nok Nok Labs, Inc. | Advanced authentication techniques and applications |
US9524421B2 (en) * | 2013-12-09 | 2016-12-20 | Google Inc. | Differentiating real faces from representations |
CN107077608B (zh) | 2014-11-13 | 2021-06-29 | 英特尔公司 | 图像生物特征识别中的面部活体检测 |
US10198645B2 (en) | 2014-11-13 | 2019-02-05 | Intel Corporation | Preventing face-based authentication spoofing |
-
2015
- 2015-03-27 CN CN201580058663.1A patent/CN107077608B/zh active Active
- 2015-03-27 WO PCT/US2015/022934 patent/WO2016076914A1/en active Application Filing
- 2015-03-27 US US14/779,540 patent/US9672415B2/en active Active
- 2015-03-27 WO PCT/US2015/022924 patent/WO2016076912A1/en active Application Filing
- 2015-03-27 EP EP15858234.6A patent/EP3218844A4/en not_active Withdrawn
- 2015-03-27 US US14/779,546 patent/US9875396B2/en not_active Expired - Fee Related
- 2015-03-27 CN CN201580059167.8A patent/CN107111745A/zh active Pending
- 2015-03-27 EP EP15858459.9A patent/EP3218845A4/en not_active Withdrawn
-
2018
- 2018-01-22 US US15/876,846 patent/US10360442B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1703440A2 (en) * | 2005-03-15 | 2006-09-20 | Omron Corporation | Face authentication apparatus, contrl method and program, electronic device having the same, and program recording medium |
CN101030252A (zh) * | 2006-03-03 | 2007-09-05 | 富士通株式会社 | 具有测距功能的图像捕获装置 |
US7508960B1 (en) * | 2008-05-06 | 2009-03-24 | International Business Machines Corporation | Projection of light patterns for liveness verification of biometrics |
CN101339607A (zh) * | 2008-08-15 | 2009-01-07 | 北京中星微电子有限公司 | 人脸识别方法及***、人脸识别模型训练方法及*** |
EP2546782A1 (en) * | 2011-07-11 | 2013-01-16 | Accenture Global Services Limited | Liveness detection |
US20130188840A1 (en) * | 2012-01-20 | 2013-07-25 | Cyberlink Corp. | Liveness detection system based on face behavior |
US8856541B1 (en) * | 2013-01-10 | 2014-10-07 | Google Inc. | Liveness detection |
CN103440479A (zh) * | 2013-08-29 | 2013-12-11 | 湖北微模式科技发展有限公司 | 一种活体人脸检测方法与*** |
CN103678984A (zh) * | 2013-12-20 | 2014-03-26 | 湖北微模式科技发展有限公司 | 一种利用摄像头实现用户身份验证的方法 |
Non-Patent Citations (1)
Title |
---|
孙霖: "人脸识别中的活体检测技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10198645B2 (en) | 2014-11-13 | 2019-02-05 | Intel Corporation | Preventing face-based authentication spoofing |
US10360442B2 (en) | 2014-11-13 | 2019-07-23 | Intel Corporation | Spoofing detection in image biometrics |
CN108229120A (zh) * | 2017-09-07 | 2018-06-29 | 北京市商汤科技开发有限公司 | 人脸解锁及其信息注册方法和装置、设备、程序、介质 |
CN107832669A (zh) * | 2017-10-11 | 2018-03-23 | 广东欧珀移动通信有限公司 | 人脸检测方法及相关产品 |
CN108121977A (zh) * | 2018-01-08 | 2018-06-05 | 深圳天珑无线科技有限公司 | 一种移动终端及其活体人脸识别方法和*** |
CN109376595A (zh) * | 2018-09-14 | 2019-02-22 | 杭州宇泛智能科技有限公司 | 基于人眼注意力的单目rgb摄像头活体检测方法及*** |
CN109564627A (zh) * | 2018-10-30 | 2019-04-02 | 深圳市汇顶科技股份有限公司 | 具光学指纹防伪感测功能的屏下光学指纹装置及手持装置 |
CN109564627B (zh) * | 2018-10-30 | 2023-09-05 | 深圳市汇顶科技股份有限公司 | 具光学指纹防伪感测功能的屏下光学指纹装置及手持装置 |
CN109409325A (zh) * | 2018-11-09 | 2019-03-01 | 联想(北京)有限公司 | 一种识别方法和电子设备 |
CN111382661A (zh) * | 2018-12-26 | 2020-07-07 | 阿里巴巴集团控股有限公司 | 使用双频荧光进行欺骗检测的方法和*** |
CN110309767A (zh) * | 2019-06-28 | 2019-10-08 | 广州致远电子有限公司 | 活体检测设备、识别方法、装置及存储介质 |
CN113051982A (zh) * | 2019-12-28 | 2021-06-29 | 浙江宇视科技有限公司 | 人脸活体检测方法、装置、设备和存储介质 |
CN113051982B (zh) * | 2019-12-28 | 2024-04-02 | 浙江宇视科技有限公司 | 人脸活体检测方法、装置、设备和存储介质 |
CN114902171A (zh) * | 2019-12-31 | 2022-08-12 | 斯纳普公司 | 消息***中的捕获后处理 |
US12034687B2 (en) | 2019-12-31 | 2024-07-09 | Snap Inc. | Providing post-capture media overlays for post-capture processing in a messaging system |
CN111368665A (zh) * | 2020-02-25 | 2020-07-03 | 西华大学 | 一种基于竞争与协作机制的高抗哄骗多模态身份验证方法 |
CN111368665B (zh) * | 2020-02-25 | 2022-08-02 | 西华大学 | 一种基于竞争与协作机制的高抗哄骗多模态身份验证方法 |
CN111460419A (zh) * | 2020-03-31 | 2020-07-28 | 周亚琴 | 物联网人工智能人脸验证方法及物联网云服务器 |
CN111460419B (zh) * | 2020-03-31 | 2020-11-27 | 深圳市微网力合信息技术有限公司 | 物联网人工智能人脸验证方法及物联网云服务器 |
CN111738161A (zh) * | 2020-06-23 | 2020-10-02 | 支付宝实验室(新加坡)有限公司 | 一种活体检测方法、装置及电子设备 |
CN111738161B (zh) * | 2020-06-23 | 2024-02-27 | 支付宝实验室(新加坡)有限公司 | 一种活体检测方法、装置及电子设备 |
WO2023156315A1 (en) * | 2022-02-15 | 2023-08-24 | Trinamix Gmbh | Face authentication including material data extracted from image |
Also Published As
Publication number | Publication date |
---|---|
EP3218844A1 (en) | 2017-09-20 |
WO2016076912A1 (en) | 2016-05-19 |
EP3218845A1 (en) | 2017-09-20 |
CN107111745A (zh) | 2017-08-29 |
EP3218845A4 (en) | 2018-07-11 |
US9672415B2 (en) | 2017-06-06 |
US20180373923A1 (en) | 2018-12-27 |
EP3218844A4 (en) | 2018-07-04 |
CN107077608B (zh) | 2021-06-29 |
US10360442B2 (en) | 2019-07-23 |
WO2016076914A1 (en) | 2016-05-19 |
US20170193285A1 (en) | 2017-07-06 |
US9875396B2 (en) | 2018-01-23 |
US20160335483A1 (en) | 2016-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107077608A (zh) | 图像生物特征识别中的面部活体检测 | |
CN105117695B (zh) | 活体检测设备和活体检测方法 | |
KR102266361B1 (ko) | 거울을 가상화하는 디바이스들, 시스템들 및 방법들 | |
CN105338887B (zh) | 肌肤的感官评价装置以及肌肤的评价方法 | |
CN108229329A (zh) | 人脸防伪检测方法和***、电子设备、程序和介质 | |
CN104537292B (zh) | 用于生物特征验证的电子欺骗检测的方法和*** | |
CN107111743A (zh) | 使用渐进式眼睑跟踪的生命活性检测 | |
US9690998B2 (en) | Facial spoofing detection in image based biometrics | |
CN108369785A (zh) | 活性检测 | |
KR102106135B1 (ko) | 행동 인식 기반의 응용 서비스 제공 장치 및 그 방법 | |
CN106462725A (zh) | 监测游戏场所的活动的***和方法 | |
KR20170138475A (ko) | 시선 정보를 사용하는 사용자의 식별 및/또는 인증 | |
WO2016059786A1 (ja) | なりすまし検知装置、なりすまし検知方法、および、記憶媒体 | |
CN112513875B (zh) | 眼部纹理修复 | |
CN109684965A (zh) | 一种基于近红外成像与深度学习的人脸识别*** | |
CN104584070A (zh) | 认证装置以及认证方法 | |
KR102369989B1 (ko) | 적외선 이미징을 사용한 색상 식별 | |
KR20220028654A (ko) | 미러 디스플레이를 이용하여 태권도 동작 코칭 서비스를 제공하는 장치 및 방법 | |
WO2018125563A1 (en) | Identification, authentication, and/or guiding of a user using gaze information | |
CN110929705A (zh) | 活体检测方法和装置、身份认证方法和***、存储介质 | |
CN111638798A (zh) | 一种ar合影方法、装置、计算机设备及存储介质 | |
JP2012053629A (ja) | 画像生成装置、画像生成方法、及びプログラム | |
KR20140088286A (ko) | Nui 장치를 이용한 온라인 게이트볼 게임 서비스 시스템 및 방법 | |
CN109858216A (zh) | 身份认证方法、装置和*** | |
US20230368574A1 (en) | User identification via extended reality image capture |
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 |