CN107992833A - 图像识别方法、装置及存储介质 - Google Patents
图像识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN107992833A CN107992833A CN201711297684.6A CN201711297684A CN107992833A CN 107992833 A CN107992833 A CN 107992833A CN 201711297684 A CN201711297684 A CN 201711297684A CN 107992833 A CN107992833 A CN 107992833A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- frame
- sample
- picture frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种图像识别方法、装置及存储介质,用以解决相关技术中利用动态活体检测方式进行图像识别操作较为复杂的问题。公开的图像识别方法包括:获取预设个数的连续图像帧中相同位置的目标图像;将目标图像输入预设神经网络,得到图像识别结果,其中,图像识别结果包括:当前检测的对象为活体或非活体。本公开使得活体检测操作变得简单方便,提高了用户体验。
Description
技术领域
本公开涉及通信技术领域,尤其涉及图像识别方法、装置及存储介质。
背景技术
图像识别解锁正成为目前移动终端设备解锁的一种趋势,用户仅需拿起移动终端设备对着自己,即可解锁终端屏幕,不用输入密码或者指纹,操作较为简捷方便。但是目前图像解锁存在一些欺诈的问题,例如针对人脸解锁来说,如攻击者使用机主的照片、视频或者仿制三维模型进行解锁,从而窃取机主信息。活体检测可用于区分真实人脸和欺诈人脸。目前活体检测分为基于动态特征和静态图像特征两种主流检测方式。动态活体检测要求用户做出指定动作,如睁眼闭眼,点头摇头,读出一段文字等;静态活体检测则是从图像特征来区分,依据是欺诈人脸(如照片)经过二次采样,会损失部分高频信息,而且由于反光特性和真实人脸不同,会在图像细节上有所体现。从检测精确度来说,动态活体检测更好,但人脸解锁的场景不适合使用动态活体检测方法,因为需要用户主动进行动态配合,这样则丧失了人脸识别解锁本身所具备的便利性,使得用户在对移动终端设备进行解锁的操作变得复杂,影响了用户了使用体验。
发明内容
为克服相关技术中存在的利用动态活体检测方式进行图像识别操作较为复杂的问题,本公开提供一种图像识别方法、装置及存储介质。
根据本申请的第一个方面,提供了一种图像识别方法,包括:获取预设个数的连续图像帧中相同位置的目标图像;将所述目标图像输入预设神经网络,得到图像识别结果,其中,所述图像识别结果包括:当前检测的对象为活体或非活体。
可选地,所述获取预设个数的连续图像帧中相同位置的目标图像的步骤,包括:将所述预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别,得到第一目标图像;在与所述第一图像帧相邻的第二图像帧以及第三图像帧中截取与所述第一目标图像位置相同的第二目标图像以及第三目标图像,其中,所述目标图像至少包括所述第一目标图像、所述第二目标图像以及所述第三目标图像。
可选地,所述将所述预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别的步骤包括:对所述第一图像帧进行目标对象区域分割;将分割得到的目标对象区域按照预设系数扩大,得到所述第一目标图像。
可选地,所述将所述预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别的步骤包括:基于所述第一图像帧建立图像金字塔;对所述图像金字塔中的各层进行滑动窗口式搜索,提取每个搜索窗口的Haar特征;将提取到的Haar特征输入预先训练得到的分类器,获得分类结果;在所述分类结果大于所述分类器的最优阈值时,确定当前搜索窗口识别到目标对象区域;将识别到的所述目标对象区域按照预设系数扩大,得到所述第一目标图像。
可选地,所述方法还包括:在获取预设个数的连续图像帧中相同位置的目标图像之前,将所述预设个数的连续图像帧样本中位于中间位置的第一图像帧样本进行纹理特征识别,得到第一目标图像样本;在与所述第一图像帧样本相邻的第二图像帧样本以及第三图像帧样本中截取与所述第一目标图像样本位置相同的第二目标图像样本以及第三目标图像样本;对所述第一目标图像样本、所述第二目标图像样本以及所述第三图像样本进行标识,所述标识包括活体标识或非活体标识;将标识后的所述第一目标图像样本、所述第二目标图像样本以及所述第三目标图像样本输入神经网络,进行神经网络训练,得到所述预设神经网络。
可选地,所述方法还包括:在获取预设个数的连续图像帧中相同位置的目标图像的步骤之前,从视频数据中每隔第一预设数据的图像帧抽取第二预设数目的连续图像帧。
根据本公开的第二个方面,提供了一种图像识别装置,包括:获取模块,被配置为获取预设个数的连续图像帧中相同位置的目标图像;第一识别模块,被配置为将所述目标图像输入预设神经网络,得到图像识别结果,其中,所述图像识别结果包括:当前检测的对象为活体或非活体。
可选地,所述获取模块,包括:识别单元,被配置为将所述预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别,得到第一目标图像;截取单元,被配置为在与所述第一图像帧相邻的第二图像帧以及第三图像帧中截取与所述第一目标图像位置相同的第二目标图像以及第三目标图像,其中,所述目标图像至少包括所述第一目标图像、所述第二目标图像以及所述第三目标图像。
可选地,所述识别单元包括:分割子单元,被配置为对所述第一图像帧进行目标对象区域分割;第一扩大子单元,被配置为将分割得到的目标对象区域按照预设系数扩大,得到所述第一目标图像。
可选地,所述识别单元包括:建立子单元,被配置为基于所述第一图像帧建立图像金字塔;提取子单元,被配置为对所述图像金字塔中的各层进行滑动窗口式搜索,提取每个搜索窗口的Haar特征;输入子单元,被配置为将提取到的Haar特征输入预先训练得到的分类器,获得分类结果;确定子单元,被配置为在所述分类结果大于所述分类器的最优阈值时,确定当前搜索窗口识别到目标对象区域;第二扩大单元,被配置为将识别到的所述目标对象区域按照预设系数扩大,得到所述第一目标图像。
可选地,所述装置还包括:第二识别模块,被配置为识别在获取预设个数的连续图像帧中相同位置的目标图像之前,将所述预设个数的连续图像帧样本中位于中间位置的第一图像帧样本进行纹理特征识别,得到第一目标图像样本;截取模块,被配置为在与所述第一图像帧样本相邻的第二图像帧样本以及第三图像帧样本中截取与所述第一目标图像样本位置相同的第二目标图像样本以及第三目标图像样本;标识模块,被配置为对所述第一目标图像样本、所述第二目标图像样本以及所述第三图像样本进行标识,所述标识包括活体标识或非活体标识;输入模块,被配置为将标识后的所述第一目标图像样本、所述第二目标图像样本以及所述第三目标图像样本输入神经网络,进行神经网络训练,得到所述预设神经网络。
可选地,所述装置还包括:抽取模块,被配置为在获取预设个数的连续图像帧中相同位置的目标图像的步骤之前,从视频数据中每隔第一预设数据的图像帧抽取第二预设数目的连续图像帧。
根据本公开的第三个方面,提供了一种图像识别装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:获取预设个数的连续图像帧中相同位置的目标图像;将所述目标图像输入预设神经网络,得到图像识别结果,其中,所述图像识别结果包括:当前检测的对象为活体或非活体。
根据本公开的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一个方面所述图像识别方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
本申请实施例的图像识别方法,对获取到的视频数据中的图像进行特征识别获取图像的纹理特征,以及通过将得到的目标图像区域中连续的图像帧进行对齐获取图像帧的运动特征,再将抽取的连续图像帧基于预先训练的神经网络进行分类,得到当前检测对象是否为活体的检测结果。该过程无需用户主动配合执行相应的操作,操作简单方便,提高了用户体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像识别方法的流程图。
图2是根据一示例性实施例示出的一种图像识别装置的框图。
图3是根据一示例性实施例示出的一种图像识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请实施例提供了一种图像识别方法,该方法可以由移动终端设备来执行,图1是该方法的流程图,如图1所示,该方法包括如下步骤:
S11:获取预设个数的连续图像帧中相同位置的目标图像;
S12:将获取到的目标图像输入预设神经网络,得到图像识别结果。
其中,图像识别结果包括:当前检测的对象为活体或非活体。
在一个示例性实施例中,获取预设个数的连续图像帧中相同位置的目标图像的步骤包括:将预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别,得到第一目标图像;在与第一图像帧相邻的第二图像帧以及第三图像帧中截取与第一目标图像位置相同的第二目标图像以及第三目标图像,其中,目标图像至少包括第一目标图像、第二目标图像以及第三目标图像。示例的,预设个数可以是三个。以进行人脸检测为例进行说明,则以上获取目标图像的过程包括:选取连续图像帧中位于中间位置的图像帧,基于选择的该图像帧进行人脸识别,获得最大的人脸图像,在该图像帧相邻的两图像帧中截取与获得的人脸图像同样位置的人脸图像。
在一个示例性实施例中,将预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别的步骤包括:对第一图像帧进行目标对象区域分割;其中,目标对象例如可以是人脸,还可以是手掌或手势。将分割得到的目标对象区域按照预设系数扩大,得到第一目标图像。
示例的,本申请实施例中对图像进行纹理特征识别可以是对图像进行人脸识别。在此基础上,对图像进行纹理特征识别时可以使用基于Adaboost框架的人脸检测器,其人脸检测的基本原理是先对获取到的图像进行人脸区域的切分,再将分割得到的人脸区域图像调整大小为256*256的图像。与一般检测器不同的是,利用Adaboost框架的人脸检测器切割得到的人脸区域并非是刚好包含人脸的区域,而是扩大了一个系数alpha(即本实施中的预设系数)后的区域,该系数用于控制包含背景区域的比例。示例的,在本申请的实施例中,取alpha=1.6时进行人脸检测的效果最好。
基于Adaboost框架人脸检测器进行人脸检测的实现原理,在本申请的实施例中,将预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别的步骤包括:基于第一图像帧建立图像金字塔,该第一图像帧为连续图像帧中位于中间位置的图像帧;对图像金字塔中的各层进行滑动窗口式搜索,提取每个搜索窗口的Haar特征;将提取到的Haar特征输入预先训练得到的分类器,获得分类结果;在分类结果大于分类器的最优阈值(theta)时,确定当前搜索窗口识别到目标对象区域;将识别到的目标对象区域按照预设系数扩大,得到上述第一目标图像。其中,预先训练得到的分类器可以利用Adaboost中训练分类器的方式获得。
本申请的实施例的图像识别方法还包括训练神经网络的步骤,在获取预设个数的连续图像帧中相同位置的目标图像之前,将预设个数的连续图像帧样本中位于中间位置的第一图像帧样本进行纹理特征识别,得到第一目标图像样本;在与第一图像帧样本相邻的第二图像帧样本以及第三图像帧样本中截取与第一目标图像样本位置相同的第二目标图像样本以及第三目标图像样本;对第一目标图像样本、第二目标图像样本以及第三图像样本进行标识,标识包括活体标识或非活体标识;将标识后的第一目标图像样本、第二目标图像样本以及第三目标图像样本输入神经网络,进行神经网络训练,即得到上述预设神经网络。此外,在将训练数据输入神经网络时,还可以使用SGD(Stochastic Gradient Descent,随机共轭梯度下降)的方法对神经网络进行训练,后续在进行训练收敛,即可得到稳定的神经网络参数。
在一个示例性实施例中,本申请的图像识别方法还可以包括:在获取预设个数的连续图像帧中相同位置的目标图像的步骤之前,从视频数据中每隔第一预设数据的图像帧抽取第二预设数目的连续图像帧。例如,可以每隔5帧抽取连续的3帧图像数据。
在一个实施例中,将获取到的目标图像输入预设神经网络,得到图像识别结果包括:将抽取的连续图像帧输入预先训练完成的神经网络,进行一次神经网络的前向传播(Feedforward),得到神经网络输出的分类结果,该分类结果即上述图像识别结果,该结果可能是当前检测的对象为活体或当前检测的对象为非活体。
示例的,本申请实施例中的图像纹理特征识别也可以改为其他的方法,如使用HOG(Histogram of Oriented Gradient,方向梯度直方图)特征的目标对象检测器;此外,使用的神经网络结构也可以用其他的更简单的网络,如Alexnet来代替,但准确度有可能会下降,适用于对检测准确度要求不高的使用场景。
本申请实施例的图像识别方法在对图像进行识别的过程无需用户主动配合作出相应的举动,识别操作简单方便,且结合图像的纹理特征以及图像帧的运动特征也进一步提高了活体识别的准确性。
本申请的实施例还提供了一种图像识别装置,该方法用于实现本申请实施例的图像识别方法,该装置可以设置于移动终端设备中,图2是该装置的框图,如图2所示,该装置20包括如下组成部分:
获取模块21,被配置为获取预设个数的连续图像帧中相同位置的目标图像;
第一识别模块22,被配置为将目标图像输入预设神经网络,得到图像识别结果。其中,图像识别结果包括:当前检测的对象为活体或非活体。
在一个示例性实施例中,获取模块21包括:识别单元,被配置为将预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别,得到第一目标图像;截取单元,被配置为在与第一图像帧相邻的第二图像帧以及第三图像帧中截取与第一目标图像位置相同的第二目标图像以及第三目标图像,其中,目标图像至少包括第一目标图像、第二目标图像以及第三目标图像。
在一个示例性实施例中,识别单元包括:分割子单元,被配置为对第一图像帧进行目标对象区域分割;第一扩大子单元,被配置为将分割得到的目标对象区域按照预设系数扩大,得到第一目标图像。
在另一个示例性实施例中,识别单元包括:建立子单元,被配置为基于第一图像帧建立图像金字塔;提取子单元,被配置为对图像金字塔中的各层进行滑动窗口式搜索,提取每个搜索窗口的Haar特征;输入子单元,被配置为将提取到的Haar特征输入预先训练得到的分类器,获得分类结果;确定子单元,被配置为在分类结果大于分类器的最优阈值时,确定当前搜索窗口识别到目标对象区域;第二扩大单元,被配置为将识别到的目标对象区域按照预设系数扩大,得到第一目标图像。
在一个示例性实施例中,本申请实施例的图像识别装置还包括:第二识别模块,被配置为识别在获取预设个数的连续图像帧中相同位置的目标图像之前,将预设个数的连续图像帧样本中位于中间位置的第一图像帧样本进行纹理特征识别,得到第一目标图像样本;截取模块,被配置为在与第一图像帧样本相邻的第二图像帧样本以及第三图像帧样本中截取与第一目标图像样本位置相同的第二目标图像样本以及第三目标图像样本;标识模块,被配置为对第一目标图像样本、第二目标图像样本以及第三图像样本进行标识,标识包括活体标识或非活体标识;输入模块,被配置为将标识后的第一目标图像样本、第二目标图像样本以及第三目标图像样本输入神经网络,进行神经网络训练,得到预设神经网络。
在一个示例性实施例中,本申请实施例的图像识别装置还包括:抽取模块,被配置为在获取预设个数的连续图像帧中相同位置的目标图像的步骤之前,从视频数据中每隔第一预设数据的图像帧抽取第二预设数目的连续图像帧。
本申请的实施例还提供了另一种图像识别装置,该装置包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为:获取预设个数的连续图像帧中相同位置的目标图像;将目标图像输入预设神经网络,得到图像识别结果。其中,图像识别结果包括:当前检测的对象为活体或非活体。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的图像识别方法的步骤。
图3是根据一示例性实施例示出的一种图像识别装置300的框图。例如,装置300可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图3,装置300可以包括以下一个或多个组件:处理组件302,存储器304,电力组件306,多媒体组件308,音频组件310,输入/输出(I/O)的接口312,传感器组件314,以及通信组件316。
处理组件302通常控制装置300的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件302可以包括一个或多个处理器320来执行指令,以完成上述的图像识别方法的全部或部分步骤。此外,处理组件302可以包括一个或多个模块,便于处理组件302和其他组件之间的交互。例如,处理组件302可以包括多媒体模块,以方便多媒体组件308和处理组件302之间的交互。
存储器304被配置为存储各种类型的数据以支持在装置300的操作。这些数据的示例包括用于在装置300上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件306为装置300的各种组件提供电力。电力组件306可以包括电源管理***,一个或多个电源,及其他与为装置300生成、管理和分配电力相关联的组件。
多媒体组件308包括在所述装置300和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件308包括一个前置摄像头和/或后置摄像头。当装置300处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以获取外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件310被配置为输出和/或输入音频信号。例如,音频组件310包括一个麦克风(MIC),当装置300处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器304或经由通信组件316发送。在一些实施例中,音频组件310还包括一个扬声器,用于输出音频信号。
I/O接口312为处理组件302和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件314包括一个或多个传感器,用于为装置300提供各个方面的状态评估。例如,传感器组件314可以检测到装置300的打开/关闭状态,组件的相对定位,例如所述组件为装置300的显示器和小键盘,传感器组件314还可以检测装置300或装置300一个组件的位置改变,用户与装置300接触的存在或不存在,装置300方位或加速/减速和装置300的温度变化。传感器组件314可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件314还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件316被配置为便于装置300和其他设备之间有线或无线方式的通信。装置300可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件316经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件316还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述图像识别方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器304,上述指令可由装置300的处理器20执行以完成上述图像识别方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本申请实施例的图像识别装置在对图像进行识别的过程中无需用户主动配合做出相应的举动,识别操作简单方便,且结合图像的纹理特征以及图像帧的运动特征也进一步提高了活体识别的准确性。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (14)
1.一种图像识别方法,其特征在于,包括:
获取预设个数的连续图像帧中相同位置的目标图像;
将所述目标图像输入预设神经网络,得到图像识别结果,其中,所述图像识别结果包括:当前检测的对象为活体或非活体。
2.根据权利要求1所述的图像识别方法,其特征在于,所述获取预设个数的连续图像帧中相同位置的目标图像的步骤,包括:
将所述预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别,得到第一目标图像;
在与所述第一图像帧相邻的第二图像帧以及第三图像帧中截取与所述第一目标图像位置相同的第二目标图像以及第三目标图像,其中,所述目标图像至少包括所述第一目标图像、所述第二目标图像以及所述第三目标图像。
3.根据权利要求2所述的图像识别方法,其特征在于,所述将所述预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别的步骤包括:
对所述第一图像帧进行目标对象区域分割;
将分割得到的目标对象区域按照预设系数扩大,得到所述第一目标图像。
4.根据权利要求2所述的图像识别方法,其特征在于,所述将所述预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别的步骤包括:
基于所述第一图像帧建立图像金字塔;
对所述图像金字塔中的各层进行滑动窗口式搜索,提取每个搜索窗口的Haar特征;
将提取到的Haar特征输入预先训练得到的分类器,获得分类结果;
在所述分类结果大于所述分类器的最优阈值时,确定当前搜索窗口识别到目标对象区域;
将识别到的所述目标对象区域按照预设系数扩大,得到所述第一目标图像。
5.根据权利要求1所述的图像识别方法,其特征在于,所述方法还包括:
在获取预设个数的连续图像帧中相同位置的目标图像之前,将所述预设个数的连续图像帧样本中位于中间位置的第一图像帧样本进行纹理特征识别,得到第一目标图像样本;
在与所述第一图像帧样本相邻的第二图像帧样本以及第三图像帧样本中截取与所述第一目标图像样本位置相同的第二目标图像样本以及第三目标图像样本;
对所述第一目标图像样本、所述第二目标图像样本以及所述第三图像样本进行标识,所述标识包括活体标识或非活体标识;
将标识后的所述第一目标图像样本、所述第二目标图像样本以及所述第三目标图像样本输入神经网络,进行神经网络训练,得到所述预设神经网络。
6.根据权利要求1至5任意一项所述的图像识别方法,其特征在于,所述方法还包括:
在获取预设个数的连续图像帧中相同位置的目标图像的步骤之前,从视频数据中每隔第一预设数据的图像帧抽取第二预设数目的连续图像帧。
7.一种图像识别装置,其特征在于,包括:
获取模块,被配置为获取预设个数的连续图像帧中相同位置的目标图像;
第一识别模块,被配置为将所述目标图像输入预设神经网络,得到图像识别结果,其中,所述图像识别结果包括:当前检测的对象为活体或非活体。
8.根据权利要求7所述的图像识别装置,其特征在于,所述获取模块,包括:
识别单元,被配置为将所述预设个数的连续图像帧中位于中间位置的第一图像帧进行纹理特征识别,得到第一目标图像;
截取单元,被配置为在与所述第一图像帧相邻的第二图像帧以及第三图像帧中截取与所述第一目标图像位置相同的第二目标图像以及第三目标图像,其中,所述目标图像至少包括所述第一目标图像、所述第二目标图像以及所述第三目标图像。
9.根据权利要求8所述的图像识别装置,其特征在于,所述识别单元包括:
分割子单元,被配置为对所述第一图像帧进行目标对象区域分割;
第一扩大子单元,被配置为将分割得到的目标对象区域按照预设系数扩大,得到所述第一目标图像。
10.根据权利要求8所述的图像识别装置,其特征在于,所述识别单元包括:
建立子单元,被配置为基于所述第一图像帧建立图像金字塔;
提取子单元,被配置为对所述图像金字塔中的各层进行滑动窗口式搜索,提取每个搜索窗口的Haar特征;
输入子单元,被配置为将提取到的Haar特征输入预先训练得到的分类器,获得分类结果;
确定子单元,被配置为在所述分类结果大于所述分类器的最优阈值时,确定当前搜索窗口识别到目标对象区域;
第二扩大单元,被配置为将识别到的所述目标对象区域按照预设系数扩大,得到所述第一目标图像。
11.根据权利要求7所述的图像识别装置,其特征在于,所述装置还包括:
第二识别模块,被配置为识别在获取预设个数的连续图像帧中相同位置的目标图像之前,将所述预设个数的连续图像帧样本中位于中间位置的第一图像帧样本进行纹理特征识别,得到第一目标图像样本;
截取模块,被配置为在与所述第一图像帧样本相邻的第二图像帧样本以及第三图像帧样本中截取与所述第一目标图像样本位置相同的第二目标图像样本以及第三目标图像样本;
标识模块,被配置为对所述第一目标图像样本、所述第二目标图像样本以及所述第三图像样本进行标识,所述标识包括活体标识或非活体标识;
输入模块,被配置为将标识后的所述第一目标图像样本、所述第二目标图像样本以及所述第三目标图像样本输入神经网络,进行神经网络训练,得到所述预设神经网络。
12.根据权利要求7至11任意一项所述的图像识别装置,其特征在于,所述装置还包括:
抽取模块,被配置为在获取预设个数的连续图像帧中相同位置的目标图像的步骤之前,从视频数据中每隔第一预设数据的图像帧抽取第二预设数目的连续图像帧。
13.一种图像识别装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取预设个数的连续图像帧中相同位置的目标图像;
将所述目标图像输入预设神经网络,得到图像识别结果,其中,所述图像识别结果包括:当前检测的对象为活体或非活体。
14.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711297684.6A CN107992833A (zh) | 2017-12-08 | 2017-12-08 | 图像识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711297684.6A CN107992833A (zh) | 2017-12-08 | 2017-12-08 | 图像识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107992833A true CN107992833A (zh) | 2018-05-04 |
Family
ID=62035855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711297684.6A Pending CN107992833A (zh) | 2017-12-08 | 2017-12-08 | 图像识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992833A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805047A (zh) * | 2018-05-25 | 2018-11-13 | 北京旷视科技有限公司 | 一种活体检测方法、装置、电子设备和计算机可读介质 |
CN108846321A (zh) * | 2018-05-25 | 2018-11-20 | 北京小米移动软件有限公司 | 识别人脸假体的方法及装置、电子设备 |
WO2020010927A1 (zh) * | 2018-07-11 | 2020-01-16 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512638A (zh) * | 2015-12-24 | 2016-04-20 | 黄江 | 一种基于融合特征的人脸检测与对齐方法 |
CN105956572A (zh) * | 2016-05-15 | 2016-09-21 | 北京工业大学 | 一种基于卷积神经网络的活体人脸检测方法 |
CN106228133A (zh) * | 2016-07-21 | 2016-12-14 | 北京旷视科技有限公司 | 用户验证方法及装置 |
US20170118207A1 (en) * | 2014-06-11 | 2017-04-27 | Socure Inc. | Analyzing facial recognition data and social network data for user authentication |
CN106778496A (zh) * | 2016-11-22 | 2017-05-31 | 重庆中科云丛科技有限公司 | 活体检测方法及装置 |
CN107122744A (zh) * | 2017-04-28 | 2017-09-01 | 武汉神目信息技术有限公司 | 一种基于人脸识别的活体检测***及方法 |
-
2017
- 2017-12-08 CN CN201711297684.6A patent/CN107992833A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170118207A1 (en) * | 2014-06-11 | 2017-04-27 | Socure Inc. | Analyzing facial recognition data and social network data for user authentication |
CN105512638A (zh) * | 2015-12-24 | 2016-04-20 | 黄江 | 一种基于融合特征的人脸检测与对齐方法 |
CN105956572A (zh) * | 2016-05-15 | 2016-09-21 | 北京工业大学 | 一种基于卷积神经网络的活体人脸检测方法 |
CN106228133A (zh) * | 2016-07-21 | 2016-12-14 | 北京旷视科技有限公司 | 用户验证方法及装置 |
CN106778496A (zh) * | 2016-11-22 | 2017-05-31 | 重庆中科云丛科技有限公司 | 活体检测方法及装置 |
CN107122744A (zh) * | 2017-04-28 | 2017-09-01 | 武汉神目信息技术有限公司 | 一种基于人脸识别的活体检测***及方法 |
Non-Patent Citations (3)
Title |
---|
焦玉英等: "《信息检索新论》", 31 August 2008 * |
甘俊英等: "基于3D卷积神经网络的活体人脸检测", 《信号处理》 * |
颜志国等: "《多摄像机协同关注目标检测跟踪技术》", 30 June 2017 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805047A (zh) * | 2018-05-25 | 2018-11-13 | 北京旷视科技有限公司 | 一种活体检测方法、装置、电子设备和计算机可读介质 |
CN108846321A (zh) * | 2018-05-25 | 2018-11-20 | 北京小米移动软件有限公司 | 识别人脸假体的方法及装置、电子设备 |
CN108846321B (zh) * | 2018-05-25 | 2022-05-03 | 北京小米移动软件有限公司 | 识别人脸假体的方法及装置、电子设备 |
WO2020010927A1 (zh) * | 2018-07-11 | 2020-01-16 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104112091A (zh) | 文件锁定方法和装置 | |
CN106504390A (zh) | 门锁控制方法、装置及*** | |
CN106650575A (zh) | 人脸检测方法及装置 | |
CN105224924A (zh) | 活体人脸识别方法和装置 | |
CN105635567A (zh) | 拍照方法和装置 | |
CN106548468B (zh) | 图像清晰度的判别方法及装置 | |
CN104361303A (zh) | 终端异常的处理方法及装置、电子设备 | |
CN106022072A (zh) | 实现指纹解锁的方法及装置、电子设备 | |
CN108154465A (zh) | 图像处理方法及装置 | |
CN107357505A (zh) | 屏幕截图的方法、装置及计算机可读存储介质 | |
CN105631804B (zh) | 图片处理方法及装置 | |
CN107944447A (zh) | 图像分类方法及装置 | |
CN107886070A (zh) | 人脸图像的验证方法、装置及设备 | |
CN106778531A (zh) | 人脸定位方法及装置 | |
CN105528078B (zh) | 控制电子设备的方法及装置 | |
CN107766820A (zh) | 图像分类方法及装置 | |
CN107015648A (zh) | 图片处理方法及装置 | |
CN107992833A (zh) | 图像识别方法、装置及存储介质 | |
CN106503628A (zh) | 用于指纹匹配的方法及装置 | |
CN109992176A (zh) | 一种信息识别码的扫描方法和装置 | |
CN108154466A (zh) | 图像处理方法及装置 | |
CN105868709A (zh) | 关闭指纹识别功能的方法及装置 | |
CN104899501A (zh) | 对话列表的显示方法、装置及终端 | |
CN107247936A (zh) | 图像识别方法及装置 | |
CN107992811A (zh) | 人脸识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |