CN108229359A - 一种人脸图像处理方法及装置 - Google Patents
一种人脸图像处理方法及装置 Download PDFInfo
- Publication number
- CN108229359A CN108229359A CN201711435188.2A CN201711435188A CN108229359A CN 108229359 A CN108229359 A CN 108229359A CN 201711435188 A CN201711435188 A CN 201711435188A CN 108229359 A CN108229359 A CN 108229359A
- Authority
- CN
- China
- Prior art keywords
- image
- frame video
- facial image
- video image
- target
- 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
- G06Q20/40145—Biometric identity checks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种人脸图像处理方法及装置。获取视频中相邻的前一帧视频图像和后一帧视频图像,前一帧视频图像和后一帧视频图像中均包括目标人脸图像;预测前一帧视频图像中的目标人脸图像在后一帧视频图像中的预测位置;获取后一帧视频图像中的目标人脸图像的在后一帧视频图像中的真实位置;判断真实位置与预测位置之间的距离是否大于预设距离阈值;如果大于预设距离阈值,确定目标人脸图像为非真实的人脸图像。通过本发明,可以确定目标人脸图像是否为真实的人脸图像,并在目标人脸图像为非真实的人脸图像时,拒绝使用目标人脸图像进行支付,防止不法分子使用包含人脸图像的照片或者视频进行不法支付活动,从而避免给用户带来经济损失。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种人脸图像处理方法及装置。
背景技术
当前,用户在超市购买商品时,需要在结算台支付购买的商品。随着技术的飞速发展,在结算台支付购买的商品时,越来越多的用户使用人脸图像进行支付。
当用户需要使用用户的人脸图像支付时,结算台的图像采集设备可以采集用户的人脸图像,并根据用户的人脸图像获取用户的人脸特征,以及根据人脸特征确定用户的支付账户,进而使用用户的支付账户支付用户购买的商品。
但是,有时候不法分子可能会使用包含有用户的人脸图像的照片支付不法分子购买的商品,或者,使用包括用户的人脸图像的视频支付不法分子购买的商品,从而给用户带来经济损失。
发明内容
为了避免给用户带来经济损失,本发明实施例示出了一种人脸图像处理方法及装置。
第一方面,本发明实施例示出了一种人脸图像处理方法,所述方法包括:
获取视频中相邻的前一帧视频图像和后一帧视频图像,所述前一帧视频图像和所述后一帧视频图像中均包括目标人脸图像;
预测所述前一帧视频图像中的所述目标人脸图像在所述后一帧视频图像中的预测位置;
获取所述后一帧视频图像中的所述人脸图像在所述后一帧视频图像中的真实位置;
判断所述真实位置与所述预测位置之间的距离是否大于预设距离阈值;
如果所述距离大于所述预设距离阈值,确定所述目标人脸图像为非真实的人脸图像。
在一个可选的实现方式中,所述方法还包括:
如果所述距离小于或等于所述预设距离阈值,将所述后一帧视频图像与所述前一帧视频图像相减,得到差分图像,差分图像中至少包括由所述目标人脸图像得到的前景图像;
对所述差分图像进行二值化处理,得到运动信息图像;
获取所述运动信息图像的特征信息,特征信息至少包括所述前景图像的离散度、面积和位置;
根据所述特征信息确定所述目标人脸图像是否为真实的人脸图像。
在一个可选的实现方式中,如果所述差分图像中包括多个前景图像,则所述特征信息还包括各个前景图像之间的距离。
在一个可选的实现方式中,所述根据所述特征信息确定所述目标人脸图像是否为真实的人脸图像,包括:
将所述特征信息输入预先设置的人脸图像分类器,得到分类器输出的所述目标人脸图像是否为真实的人脸图像的判定结果。
在一个可选的实现方式中,所述预测所述前一帧视频图像中的所述目标人脸图像在所述后一帧视频图像中的预测位置,包括:
使用人脸跟踪算法预测所述前一帧视频图像中的所述人脸图像在所述后一帧视频图像中的预测位置;
其中,所述人脸跟踪算法至少包括:粒子滤波PF、跟踪学习检测TLD以及多域网络MdNet。
第二方面,本发明实施例示出了一种人脸图像处理装置,所述装置包括:
第一获取模块,用于获取视频中相邻的前一帧视频图像和后一帧视频图像,所述前一帧视频图像和所述后一帧视频图像中均包括目标人脸图像;
预测模块,用于预测所述前一帧视频图像中的所述目标人脸图像在所述后一帧视频图像中的预测位置;
第二获取模块,用于获取所述后一帧视频图像中的所述人脸图像的在所述后一帧视频图像中的真实位置;
判断模块,用于判断所述真实位置与所述预测位置之间的距离是否大于预设距离阈值;
第一确定模块,用于如果所述距离大于所述预设距离阈值,确定所述目标人脸图像为非真实的人脸图像。
在一个可选的实现方式中,所述装置还包括:
相减模块,用于如果所述距离小于或等于所述预设距离阈值,将所述后一帧视频图像与所述前一帧视频图像相减,得到差分图像,差分图像中至少包括由所述目标人脸图像得到的前景图像;
二值化模块,用于对所述差分图像进行二值化处理,得到运动信息图像;
第三获取模块,用于获取所述运动信息图像的特征信息,特征信息至少包括所述前景图像的离散度、面积和位置;
第二确定模块,用于根据所述特征信息确定所述目标人脸图像是否为真实的人脸图像。
在一个可选的实现方式中,如果所述差分图像中包括多个前景图像,则所述特征信息还包括各个前景图像之间的距离。
在一个可选的实现方式中,所述第二确定模块具体用于:
将所述特征信息输入预先设置的人脸图像分类器,得到分类器输出的所述目标人脸图像是否为真实的人脸图像的判定结果。
在一个可选的实现方式中,所述预测模块具体用于:
使用人脸跟踪算法预测所述前一帧视频图像中的所述人脸图像在所述后一帧视频图像中的预测位置;
其中,所述人脸跟踪算法至少包括:粒子滤波PF、跟踪学习检测TLD以及多域网络MdNet。
与现有技术相比,本发明实施例包括以下优点:
在本发明实施例中,获取视频中相邻的前一帧视频图像和后一帧视频图像,前一帧视频图像和后一帧视频图像中均包括目标人脸图像;预测前一帧视频图像中的目标人脸图像在后一帧视频图像中的预测位置;获取后一帧视频图像中的目标人脸图像的在后一帧视频图像中的真实位置;判断真实位置与预测位置之间的距离是否大于预设距离阈值;如果该距离大于预设距离阈值,确定目标人脸图像为非真实的人脸图像。通过本发明实施例的方法,可以确定出目标人脸图像是否为真实的人脸图像,并在目标人脸图像为非真实的人脸图像时,拒绝使用目标人脸图像进行支付,从而防止不法分子使用包含人脸图像的照片或者视频进行不法支付活动,从而避免给用户带来经济损失。
附图说明
图1是本发明的一种人脸图像处理方法实施例的步骤流程图;
图2是本发明的一种人脸图像处理方法实施例的步骤流程图;
图3是本发明的一种人脸图像处理装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明的一种人脸图像处理方法实施例的步骤流程图,具体可以包括如下步骤:
在步骤S101中,获取视频中相邻的前一帧视频图像和后一帧视频图像,前一帧视频图像和后一帧视频图像中均包括目标人脸图像;
本发明实施例的视频为图像采集设备采集到的包括人脸图像的视频,例如,用户需要使用用户的人脸图像支付,图像采集设备可以采集用户的人脸图像,并根据用户的人脸图像获取用户的人脸特征,根据用户的人脸特征确定用户的支付账户,然后使用用户的支付账户进行支付。
但是,有时候不法分子可能会使用包含有用户的人脸图像的照片支付不法分子购买的商品,或者使用包括用户的人脸图像的视频支付不法分子购买的商品,从而给用户带来经济损失。
为了避免给用户带来经济损失,在用户使用用户的人脸图像进行支付之前,图像采集设备需要采集包含用户的人脸图像的视频,并根据用户的人脸图像的视频来判断用户的人脸图像为真实的人脸图像还是为非真实的人脸图像,当为真实的人脸图像时,则可以使用用户的人脸图像进行支付,当为非真实的人脸图像时,则拒绝使用用户的人脸图像进行支付,从而避免给用户带来经济损失。
在本发明实施例中,视频中包括多帧视频图像,且视频中的多帧视频图像之间基于时间先后顺序排列,每一帧视频图像中都包括用户的人脸图像,即目标人脸图像。
在检测视频图像中的目标人脸图像是真实的人脸图像或者是非真实的人脸图像时,可以将视频中的每相邻的两个视频图像组成视频图像组。
在本发明实施例中,当用户站在图像采集设备前方时,图像采集设备采集到的视频图像中的包含的人脸图像为用户的真实的人脸图像。
当将包含用户的人脸图像的照片放置在图像采集设备前方时,则图像采集设备采集到的视频图像中包括该照片,该照片包括用户的人脸图像,此时采集到的人脸图像为非真实的人脸图像。
当将使用视频播放设备在图像采集设备前方播放包含用户的人脸图像的视频时,则图像采集设备采集到的视频图像中包括播放的该视频中的用户的人脸图像,此时采集到的人脸图像为非真实的人脸图像。
在步骤S102中,预测前一帧视频图像中的目标人脸图像在后一帧视频图像中的预测位置;
在本步骤中,可以利用人脸检测算法检测前一帧视频图像的目标人脸图像,并确定目标人脸图像在前一帧视频图像中的真实位置,然后使用人脸跟踪算法预测前一帧视频图像中的目标人脸图像在后一帧视频图像中的预测位置。
在本发明实施例中,人脸图像在视频图像中的位置可以为人脸图像的中心在视频图像中的坐标等等。
在本发明实施例中的人脸跟踪算法至少包括:PF(Particle Filter,粒子滤波)、TLD(Tracking Learning Detection,跟踪学习检测)、MdNet(Multi Domain Network,多域网络)等,当然,还可以包括其他人脸跟踪算法,本发明实施例对此不加以限定。
在步骤S103中,获取后一帧视频图像中的目标人脸图像的在后一帧视频图像中的真实位置;
在本步骤中,可以利用人脸检测算法检测后一帧视频图像的目标人脸图像,并确定目标人脸图像在后一帧视频图像中的真实位置。
在步骤S104中,判断真实位置与预测位置之间的距离是否大于预设距离阈值;
计算真实位置与预测位置之间的距离,然后比较该距离与预设阈值的大小。
如果该距离大于预设距离阈值,在步骤S105中,确定目标人脸图像为非真实的人脸图像。
在本发明实施例中,视频中任意相邻的两帧视频图像之间相隔的时间非常短,真实的人体的头部在如此短的时间段内往往会移动一段距离,但真实的人体在如此短的时间段内移动头部的距离非常短,其中,人体的头部移动的方向与人体的人脸图像的方向有关,且与人体的身体的方向有关,以及与历史过程中人体的头部的移动方向有关等。
真实的人体的头部在移动时的移动方向和移动速度是有规律的,头部的移动方向不会随意变化,且移动速度不会随意变化。如此,前一帧视频图像中的目标人脸图像在前一阵视频图像中的真实位置与后一帧视频图像中的目标人脸图像在后一帧视频图像中的真实位置之间的距离通常较短。
而当不法分子在图像采集设备前展示包含了目标人脸图像的照片,通常会晃动照片,且往往随机晃动的,晃动照片的方向没有规律,且晃动的速率较快,从而导致晃动的方向与真实的人体的头部移动方向差距较大,导致前一帧视频图像中的目标人脸图像在前一阵视频图像中的真实位置与后一帧视频图像中的目标人脸图像在后一阵视频图像中的真实位置之间的距离通常较长。
因此,事先可以根据训练样本来训练预设距离阈值,如果该距离大于预设距离阈值,则确定目标人脸图像为非真实的人脸图像。训练样本为真实的人脸图像在各个视频图像中的真实位置,以及非真实的人脸图像在各个视频图像中的真实位置。
在本发明实施例中,获取视频中相邻的前一帧视频图像和后一帧视频图像,前一帧视频图像和后一帧视频图像中均包括目标人脸图像;预测前一帧视频图像中的目标人脸图像在后一帧视频图像中的预测位置;获取后一帧视频图像中的目标人脸图像的在后一帧视频图像中的真实位置;判断真实位置与预测位置之间的距离是否大于预设距离阈值;如果该距离大于预设距离阈值,确定目标人脸图像为非真实的人脸图像。通过本发明实施例的方法,可以确定出目标人脸图像是否为真实的人脸图像,并在目标人脸图像为非真实的人脸图像时,拒绝使用目标人脸图像进行支付,从而防止不法分子使用包含人脸图像的照片或者视频进行不法支付活动,从而避免给用户带来经济损失。
如果该距离小于或等于预设距离阈值,则还需要通过图2所示的实施例来继续确定该人脸图像是否为非真实的人脸图像。具体的,参见图2,该方法还包括:
如果该距离小于或等于预设距离阈值,在步骤S201中,将后一帧视频图像与前一帧视频图像相减,得到差分图像,差分图像中至少包括由目标人脸图像得到的前景图像;
在步骤S202中,对差分图像进行二值化处理,得到运动信息图像;
在步骤S203中,获取运动信息图像的特征信息,特征信息至少包括前景图像的离散度、面积和位置;
在本发明实施例中,如果差分图像中包括多个前景图像,则特征信息还包括各个前景图像之间的距离。
在步骤S204中,根据该特征信息确定目标人脸图像是否为真实的人脸图像。
在本发明实施例中,可以事先选定一个分类器训练方法,例如决策树、SVM(Support Vector Machine,支持向量机)、Adaboost(迭代算法)或者softmax等等,然后使用训练样本训练分类器,得到人脸图像分类器,人脸图像分类器用于根据输入的运动信息图像的特征信息来输出目标人脸图像是否为真实的人脸图像的判定结果。
训练样本为多个包含真实的人脸图像的视频图像中的、相邻的视频图像之间的运动信息图像的特征信息。
因此,在本步骤中,可以将运动信息图像的特征信息输入预先设置的人脸图像分类器,得到分类器输出的目标人脸图像是否为真实的人脸图像的判定结果。
在本发明实施例中,图像采集设备采集到的视频中的每一个视频图像中均包括目标人脸图像,在步骤S101中会将视频中的每相邻的两个视频图像组成视频图像组。如果对一个视频图像组执行上述步骤S101~步骤S105的流程以及执行上述步骤S201~步骤S204的流程后仍旧确定出目标人脸图像为真实的人脸图像,则对其他视频图像组继续执行上述步骤S101~步骤S105的流程以及执行上述步骤S201~步骤S204的流程。
只要对任意一个视频图像组通过步骤S101~步骤S105的流程或者步骤S201~步骤S204的流程判断出目标人脸图像为非真实的人脸图像,则确定目标人脸图像为非真实的人脸图像,如果对每一个视频图像组通过步骤S101~步骤S105的流程以及步骤S201~步骤S204的流程判断出目标人脸图像为真实的人脸图像,则确定目标人脸图像为真实的人脸图像。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图3,示出了本发明一种人脸图像处理装置实施例的结构框图,具体可以包括如下模块:
第一获取模块11,用于获取视频中相邻的前一帧视频图像和后一帧视频图像,所述前一帧视频图像和所述后一帧视频图像中均包括目标人脸图像;
预测模块12,用于预测所述前一帧视频图像中的所述目标人脸图像在所述后一帧视频图像中的预测位置;
第二获取模块13,用于获取所述后一帧视频图像中的所述人脸图像的在所述后一帧视频图像中的真实位置;
判断模块14,用于判断所述真实位置与所述预测位置之间的距离是否大于预设距离阈值;
第一确定模块15,用于如果所述距离大于所述预设距离阈值,确定所述目标人脸图像为非真实的人脸图像。
在一个可选的实现方式中,所述装置还包括:
相减模块,用于如果所述距离小于或等于所述预设距离阈值,将所述后一帧视频图像与所述前一帧视频图像相减,得到差分图像,差分图像中至少包括由所述目标人脸图像得到的前景图像;
二值化模块,用于对所述差分图像进行二值化处理,得到运动信息图像;
第三获取模块,用于获取所述运动信息图像的特征信息,特征信息至少包括所述前景图像的离散度、面积和位置;
第二确定模块,用于根据所述特征信息确定所述目标人脸图像是否为真实的人脸图像。
在一个可选的实现方式中,如果所述差分图像中包括多个前景图像,则所述特征信息还包括各个前景图像之间的距离。
在一个可选的实现方式中,所述第二确定模块具体用于:
将所述特征信息输入预先设置的人脸图像分类器,得到分类器输出的所述目标人脸图像是否为真实的人脸图像的判定结果。
在一个可选的实现方式中,所述预测模块12具体用于:
使用人脸跟踪算法预测所述前一帧视频图像中的所述人脸图像在所述后一帧视频图像中的预测位置;
其中,所述人脸跟踪算法至少包括:粒子滤波PF、跟踪学习检测TLD以及多域网络MdNet。
在本发明实施例中,获取视频中相邻的前一帧视频图像和后一帧视频图像,前一帧视频图像和后一帧视频图像中均包括目标人脸图像;预测前一帧视频图像中的目标人脸图像在后一帧视频图像中的预测位置;获取后一帧视频图像中的目标人脸图像的在后一帧视频图像中的真实位置;判断真实位置与预测位置之间的距离是否大于预设距离阈值;如果该距离大于预设距离阈值,确定目标人脸图像为非真实的人脸图像。通过本发明实施例的方法,可以确定出目标人脸图像是否为真实的人脸图像,并在目标人脸图像为非真实的人脸图像时,拒绝使用目标人脸图像进行支付,从而防止不法分子使用包含人脸图像的照片或者视频进行不法支付活动,从而避免给用户带来经济损失。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种人脸图像处理方法及装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种人脸图像处理方法,其特征在于,所述方法包括:
获取视频中相邻的前一帧视频图像和后一帧视频图像,所述前一帧视频图像和所述后一帧视频图像中均包括目标人脸图像;
预测所述前一帧视频图像中的所述目标人脸图像在所述后一帧视频图像中的预测位置;
获取所述后一帧视频图像中的所述人脸图像在所述后一帧视频图像中的真实位置;
判断所述真实位置与所述预测位置之间的距离是否大于预设距离阈值;
如果所述距离大于所述预设距离阈值,确定所述目标人脸图像为非真实的人脸图像。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果所述距离小于或等于所述预设距离阈值,将所述后一帧视频图像与所述前一帧视频图像相减,得到差分图像,差分图像中至少包括由所述目标人脸图像得到的前景图像;
对所述差分图像进行二值化处理,得到运动信息图像;
获取所述运动信息图像的特征信息,特征信息至少包括所述前景图像的离散度、面积和位置;
根据所述特征信息确定所述目标人脸图像是否为真实的人脸图像。
3.根据权利要求2所述的方法,其特征在于,如果所述差分图像中包括多个前景图像,则所述特征信息还包括各个前景图像之间的距离。
4.根据权利要求2所述的方法,其特征在于,所述根据所述特征信息确定所述目标人脸图像是否为真实的人脸图像,包括:
将所述特征信息输入预先设置的人脸图像分类器,得到分类器输出的所述目标人脸图像是否为真实的人脸图像的判定结果。
5.根据权利要求1所述的方法,其特征在于,所述预测所述前一帧视频图像中的所述目标人脸图像在所述后一帧视频图像中的预测位置,包括:
使用人脸跟踪算法预测所述前一帧视频图像中的所述人脸图像在所述后一帧视频图像中的预测位置;
其中,所述人脸跟踪算法至少包括:粒子滤波PF、跟踪学习检测TLD以及多域网络MdNet。
6.一种人脸图像处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取视频中相邻的前一帧视频图像和后一帧视频图像,所述前一帧视频图像和所述后一帧视频图像中均包括目标人脸图像;
预测模块,用于预测所述前一帧视频图像中的所述目标人脸图像在所述后一帧视频图像中的预测位置;
第二获取模块,用于获取所述后一帧视频图像中的所述人脸图像的在所述后一帧视频图像中的真实位置;
判断模块,用于判断所述真实位置与所述预测位置之间的距离是否大于预设距离阈值;
第一确定模块,用于如果所述距离大于所述预设距离阈值,确定所述目标人脸图像为非真实的人脸图像。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
相减模块,用于如果所述距离小于或等于所述预设距离阈值,将所述后一帧视频图像与所述前一帧视频图像相减,得到差分图像,差分图像中至少包括由所述目标人脸图像得到的前景图像;
二值化模块,用于对所述差分图像进行二值化处理,得到运动信息图像;
第三获取模块,用于获取所述运动信息图像的特征信息,特征信息至少包括所述前景图像的离散度、面积和位置;
第二确定模块,用于根据所述特征信息确定所述目标人脸图像是否为真实的人脸图像。
8.根据权利要求7所述的装置,其特征在于,如果所述差分图像中包括多个前景图像,则所述特征信息还包括各个前景图像之间的距离。
9.根据权利要求7所述的装置,其特征在于,所述第二确定模块具体用于:
将所述特征信息输入预先设置的人脸图像分类器,得到分类器输出的所述目标人脸图像是否为真实的人脸图像的判定结果。
10.根据权利要求6所述的装置,其特征在于,所述预测模块具体用于:
使用人脸跟踪算法预测所述前一帧视频图像中的所述人脸图像在所述后一帧视频图像中的预测位置;
其中,所述人脸跟踪算法至少包括:粒子滤波PF、跟踪学习检测TLD以及多域网络MdNet。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711435188.2A CN108229359A (zh) | 2017-12-26 | 2017-12-26 | 一种人脸图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711435188.2A CN108229359A (zh) | 2017-12-26 | 2017-12-26 | 一种人脸图像处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229359A true CN108229359A (zh) | 2018-06-29 |
Family
ID=62648090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711435188.2A Pending CN108229359A (zh) | 2017-12-26 | 2017-12-26 | 一种人脸图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229359A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046788A (zh) * | 2019-12-10 | 2020-04-21 | 北京文安智能技术股份有限公司 | 一种停留人员的检测方法、装置及*** |
CN112446229A (zh) * | 2019-08-27 | 2021-03-05 | 北京地平线机器人技术研发有限公司 | 一种标志杆的像素坐标获取方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679118A (zh) * | 2012-09-07 | 2014-03-26 | 汉王科技股份有限公司 | 一种人脸活体检测方法及*** |
US8856541B1 (en) * | 2013-01-10 | 2014-10-07 | Google Inc. | Liveness detection |
CN104269028A (zh) * | 2014-10-23 | 2015-01-07 | 深圳大学 | 一种疲劳驾驶检测方法及*** |
CN105205455A (zh) * | 2015-08-31 | 2015-12-30 | 李岩 | 一种移动平台上人脸识别的活体检测方法及*** |
CN106372576A (zh) * | 2016-08-23 | 2017-02-01 | 南京邮电大学 | 一种基于深度学习的智能室内入侵检测方法及*** |
CN106897658A (zh) * | 2015-12-18 | 2017-06-27 | 腾讯科技(深圳)有限公司 | 人脸活体的鉴别方法和装置 |
CN107133973A (zh) * | 2017-05-12 | 2017-09-05 | 暨南大学 | 一种桥梁防撞***中的船舶检测方法 |
-
2017
- 2017-12-26 CN CN201711435188.2A patent/CN108229359A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679118A (zh) * | 2012-09-07 | 2014-03-26 | 汉王科技股份有限公司 | 一种人脸活体检测方法及*** |
US8856541B1 (en) * | 2013-01-10 | 2014-10-07 | Google Inc. | Liveness detection |
CN104269028A (zh) * | 2014-10-23 | 2015-01-07 | 深圳大学 | 一种疲劳驾驶检测方法及*** |
CN105205455A (zh) * | 2015-08-31 | 2015-12-30 | 李岩 | 一种移动平台上人脸识别的活体检测方法及*** |
CN106897658A (zh) * | 2015-12-18 | 2017-06-27 | 腾讯科技(深圳)有限公司 | 人脸活体的鉴别方法和装置 |
CN106372576A (zh) * | 2016-08-23 | 2017-02-01 | 南京邮电大学 | 一种基于深度学习的智能室内入侵检测方法及*** |
CN107133973A (zh) * | 2017-05-12 | 2017-09-05 | 暨南大学 | 一种桥梁防撞***中的船舶检测方法 |
Non-Patent Citations (1)
Title |
---|
胡一帆等: "基于视频监控的人脸检测跟踪识别***研究", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446229A (zh) * | 2019-08-27 | 2021-03-05 | 北京地平线机器人技术研发有限公司 | 一种标志杆的像素坐标获取方法及装置 |
CN111046788A (zh) * | 2019-12-10 | 2020-04-21 | 北京文安智能技术股份有限公司 | 一种停留人员的检测方法、装置及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875676B (zh) | 活体检测方法、装置及*** | |
KR102189205B1 (ko) | 사람의 활동 개요 생성 시스템 및 방법 | |
JP5674212B2 (ja) | 映像ストリーム処理のための方法、コンピュータプログラムおよびシステム | |
CN109840502B (zh) | 一种基于ssd模型进行目标检测的方法及设备 | |
US10580143B2 (en) | High-fidelity 3D reconstruction using facial features lookup and skeletal poses in voxel models | |
CN109145867A (zh) | 人体姿态估计方法、装置、***、电子设备、存储介质 | |
JP6103080B2 (ja) | ビデオにおけるカメラ動きの型を検出する方法および装置 | |
Jain et al. | Deep NeuralNet for violence detection using motion features from dynamic images | |
CN109284864A (zh) | 行为序列获取方法及装置、用户转化率预测方法及装置 | |
CN106651901A (zh) | 对象跟踪方法和设备 | |
CN111614867B (zh) | 一种视频去噪方法、装置、移动终端和存储介质 | |
CN110111106A (zh) | 交易风险监控方法及装置 | |
CN111160187B (zh) | 一种遗留物体检测的方法、装置及*** | |
CN107609703A (zh) | 一种应用于实体零售店的商品定位方法和*** | |
CN111263224A (zh) | 视频处理方法、装置及电子设备 | |
CN111291668A (zh) | 活体检测方法、装置、电子设备及可读存储介质 | |
CN108229359A (zh) | 一种人脸图像处理方法及装置 | |
CN105657446B (zh) | 一种视频中贴片广告的检测方法和装置 | |
CN108174026A (zh) | 一种移动终端的安全提醒方法、装置及电子设备 | |
Liu et al. | ACDnet: An action detection network for real-time edge computing based on flow-guided feature approximation and memory aggregation | |
CN111260685B (zh) | 视频处理方法、装置及电子设备 | |
CN105120153B (zh) | 一种图像拍摄方法及装置 | |
CN104123716B (zh) | 检测图像稳定性的方法、装置和终端 | |
Feng et al. | Online principal background selection for video synopsis | |
CN111429209A (zh) | 用于多用户虚拟逛街的方法及装置、服务器 |
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: 20180629 |