CN108280418A - 脸部图像的欺骗识别方法及装置 - Google Patents
脸部图像的欺骗识别方法及装置 Download PDFInfo
- Publication number
- CN108280418A CN108280418A CN201810048661.XA CN201810048661A CN108280418A CN 108280418 A CN108280418 A CN 108280418A CN 201810048661 A CN201810048661 A CN 201810048661A CN 108280418 A CN108280418 A CN 108280418A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- face image
- value
- depth
- 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
- G06V40/40—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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
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
本公开涉及一种脸部图像的欺骗识别方法及装置,所述方法包括:获取待识别的脸部图像;利用训练好的第一神经网络提取所述脸部图像中脸部的局部特征,得到所述脸部图像的局部特征值;利用训练好的第二神经网络提取所述脸部图像中脸部的深度特征,得到所述脸部图像的深度特征值;将所述局部特征值和所述深度特征值进行融合,得到所述脸部图像的融合值;将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像的欺骗识别结果。本公开识别准确度高,鲁棒性好,能够应对多种图像欺骗攻击。
Description
技术领域
本公开涉及图像识别技术领域,尤其涉及一种脸部图像的欺骗识别方法及装置。
背景技术
人脸识别技术是基于人的脸部特征进行身份识别的一种生物识别技术,随着信息科技的不断发展,计算机技术的广泛应用,也相继产生了许多优秀的人脸识别算法,如Fisher脸法,局部持征分析法,子空间法等等,特别是在特征脸(eigenface)法提出之后,人脸识别有了更进一步的重大发展。随着对人脸识别方法研究的深入,当前的人脸识别算法己经到达了较高的水平,人脸识别也成为了主流的生物识别技术,在实践中得到了广泛的应用,比如网络账户登录,银行***登录,出入控制,人脸支付等等。生物识别技术通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合,利用人体固有的生理特性,(如指纹、脸象、虹膜等)和行为特征(如笔迹、声音、步态等)来进行个人身份的鉴定。生物识别技术利用诸如指纹,脸部和虹膜等生理特征,或者诸如打字节奏和步态的行为特征来唯一地识别或验证个体。由于生物识别***被广泛应用于包括移动电话认证和访问控制在内的实际应用中,生物特征欺骗或演示攻击(PA)正在成为一个更大的威胁,其中伪造的生物特征样本被呈现给生物特征识别***并试图被认证。由于人脸是最容易获取的生物特征模式,因此人脸的多种不同类型的人脸识别包括打印攻击,重放攻击,3D掩模等等。因此,传统的人脸识别***对于这样的演示攻击是非常脆弱的。
发明内容
为克服相关技术中存在的问题,本公开提供一种脸部图像的欺骗识别方法及装置,用于解决传统方法中,脸部图像的欺骗导致脸部识别准确率低的问题。
根据本公开实施例的一个方面,提供一种脸部图像的欺骗识别方法,所述方法包括:
获取待识别的脸部图像;
利用训练好的第一神经网络提取所述脸部图像中脸部的局部特征,得到所述脸部图像的局部特征值;
利用训练好的第二神经网络提取所述脸部图像中脸部的深度特征,得到所述脸部图像的深度特征值;
将所述局部特征值和所述深度特征值进行融合,得到所述脸部图像的融合值;
将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像的欺骗识别结果。
在一种可能的实现方式中,获取待识别的脸部图像,包括:
获取待识别脸部的第一图像和第二图像,所述第一图像和所述第二图像的成像方法不同;
根据所述第一图像和所述第二图像,得到所述待识别的脸部图像。
在一种可能的实现方式中,利用训练好的第一神经网络提取所述脸部图像中脸部的局部特征,得到所述脸部图像的局部特征值,包括:
在所述脸部图像中随机确定脸部的子区域;
利用训练好的第一神经网络在所述子区域中提取局部特征,得到所述脸部图像的子区域特征;
根据所述子区域特征,得到所述脸部图像的局部特征值。
在一种可能的实现方式中,利用训练好的第二神经网络提取所述脸部图像中脸部的深度特征,得到所述脸部图像的深度特征值,包括:
在所述脸部图像中确定脸部的深度计算区域;
利用训练好的第二神经网络提取所述深度计算区域的深度特征,得到所述脸部图像的深度特征值。
在一种可能的实现方式中,将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像的欺骗识别结果,包括:
将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像为现场图像或欺骗图像。
根据本公开实施例的另一个方面,提供一种脸部图像的欺骗识别装置,包括:
脸部图像获取模块,用于获取待识别的脸部图像;
局部特征获取模块,用于利用训练好的第一神经网络提取所述脸部图像中脸部的局部特征,得到所述脸部图像的局部特征值;
深度特征获取模块,用于利用训练好的第二神经网络提取所述脸部图像中脸部的深度特征,得到所述脸部图像的深度特征值;
融合模块,用于将所述局部特征值和所述深度特征值进行融合,得到所述脸部图像的融合值;
识别结果获取模块,用于将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像的欺骗识别结果。
在一种可能的实现方式中,所述脸部图像获取模块,包括:
第一图像获取子模块,用于获取待识别脸部的第一图像和第二图像,所述第一图像和所述第二图像的成像方法不同;
第二图像获取子模块,用于根据所述第一图像和所述第二图像,得到所述待识别的脸部图像。
在一种可能的实现方式中,所述局部特征获取模块,包括:
子区域确定子模块,用于在所述脸部图像中随机确定脸部的子区域;
子区域特征获取子模块,用于利用训练好的第一神经网络在所述子区域中提取局部特征,得到所述脸部图像的子区域特征;
局部特征获取子模块,用于根据所述子区域特征,得到所述脸部图像的局部特征值。
在一种可能的实现方式中,所述深度特征获取模块,包括:
深度计算区域子模块,用于在所述脸部图像中确定脸部的深度计算区域;
深度特征获取子模块,用于利用训练好的第二神经网络提取所述深度计算区域的深度特征,得到所述脸部图像的深度特征值。
在一种可能的实现方式中,所述识别结果获取模块,包括:
识别结果获取子模块,用于将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像为现场图像或欺骗图像。
根据本公开实施例的另一个方面,提供一种脸部图像的欺骗识别装置,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:执行本公开实施例中任意一项所述的方法。
根据本公开实施例的另一个方面,提供一种非易失性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,所述计算机程序指令被处理器执行时,使得处理器能够执行本公开实施例中任意一项所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果:通过提取待识别脸部图像的局部特征和深度特征,得到待识别脸部图像的融合特征值,将融合特征值与阈值比较后,得到所述待识别脸部图像的欺骗识别结果。本公开识别准确度高,鲁棒性好,能够应对多种图像欺骗攻击。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且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脸部图像的欺骗识别方法的流程图;
图2是根据一示例性实施例示出的脸部图像的欺骗识别方法的流程图;
图3是根据一示例性实施例示出的脸部图像的欺骗识别方法的流程图;
图4是根据一示例性实施例示出的脸部图像的欺骗识别方法的流程图;
图5是根据一示例性实施例示出的脸部图像的欺骗识别方法的流程图;
图6是根据一示例性实施例示出的脸部图像的欺骗识别方法的流程图;
图7是根据一示例性实施例示出的脸部图像的欺骗识别装置的框图;
图8是根据一示例性实施例示出的脸部图像的欺骗识别装置的框图;
图9是根据一示例性实施例示出的一种脸部图像的欺骗识别装置的框图。
图10是根据一示例性实施例示出的一种脸部图像的欺骗识别装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
现有的脸部图像的识别方法包括:
1.基于纹理的识别方式:人脸的纹理特征具有较高的鉴别性,所以提取人脸图像的纹理特征往往能得到良好的分类识别效果。图像的纹理特征提取方法一般可归类为统计方法、模型方法、结构方法、信号处理方法4个大类。
2.基于采集脸部运动的方式:比如眼球和嘴唇的运动,通过提取图像中人的脸部运动来识别是否是真实的人脸。
3.基于图像质量和反射率的相关方法:通过提取和比较图像上的光照和噪声信息来判别是否是真实的人脸。
但提取的纹理特征的像素密度和不同的攻击方式之间没有较大的相关性,因此提取稳定使用的纹理特征显得十分困难采集脸部运动的方式对于识别静态的图像有一定的优势,但是对于视频或者图像重放攻击无效。基于图像质量和反射率的方法对图像要求较高,对噪声敏感,不利于稳定识别。
图1是根据一示例性实施例示出的脸部图像的欺骗识别方法的流程图,如图1所示,该脸部图像的欺骗识别方法可以包括:
步骤S10,获取待识别的脸部图像。
步骤S20,利用训练好的第一神经网络提取所述脸部图像中脸部的局部特征,得到所述脸部图像的局部特征值。
步骤S30,利用训练好的第二神经网络提取所述脸部图像中脸部的深度特征,得到所述脸部图像的深度特征值。
步骤S40,将所述局部特征值和所述深度特征值进行融合,得到所述脸部图像的融合值。
步骤S50,将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像的欺骗识别结果。
待识别的脸部图像可以包括多种。例如,现场拍摄得到的活体例如人的脸部图像,和可能为欺骗图像的非活体的脸部图像。
由于单独的提取脸部的局部特征,不利于抵御现有的欺骗图像的攻击。本公开将待识别脸部图像中的脸部划分为多个子区域,并提取待识别脸部图像各子区域的局部特征。本公开还以待识别脸部图像中脸部自身的深度为参照,提取待识别脸部图像整体的深度特征。本公开将提取到的局部特征和整体特征进行融合后,利用融合值和设定的阈值进行比较,根据比较结果判断待识别脸部图像是否为欺骗图像,提高欺骗图像的识别准确率。
图2是根据一示例性实施例示出的脸部图像的欺骗识别方法的流程图,如图2所示,与上述实施例的不同之处在于,步骤S10包括:
步骤S11,获取待识别脸部的第一图像和第二图像,所述第一图像和所述第二图像的成像方法不同。
步骤S12,根据所述第一图像和所述第二图像,得到所述待识别的脸部图像。
在一种可能的实现方式中,通过红外成像方式获取第一图像,第一图像为红外光图像。通过可见光成像方式获取第二图像,第二图像为可见光图像。将第一图像和第二图像进行图像融合,得到待识别的脸部图像。图像融合由低到高分为三个层次:数据级融合、特征级融合和决策级融合。
其中,数据级融合也称像素级融合,是指直接对传感器采集来得数据进行处理而获得融合图像的过程,可保持尽可能多的现场原始数据。在特征级融合中,可以保证不同图像包含信息的特征,如红外光对于对象热量的表征,可见光对于对象亮度的表征等。决策级融合主要在于主观的要求,可以采用一些规则,如贝叶斯法,D-S证据法和表决法等。
将融合后得到的图像利用图像识别技术进行脸部识别,包括利用训练好的脸部识别神经网络进行脸部检测,得到脸部图像。
图3是根据一示例性实施例示出的脸部图像的欺骗识别方法的流程图,如图3所示,与上述实施例的不同之处在于,步骤S20包括:
步骤S21,在所述脸部图像中随机确定脸部的子区域。
步骤S22,利用训练好的第一神经网络在所述子区域中提取局部特征,得到所述脸部图像的子区域特征。
步骤S23,根据所述子区域特征,得到所述脸部图像的局部特征值。
在一种可能的实现方式中,在待识别的脸部图像中随机确定的脸部的子区域,可以包括眼部子区域、鼻部子区域、嘴部子区域等按照脸部的部位区分的子区域,也可以包括比脸部的各部位更小的子区域。利用训练好的第一神经网络,在各子区域中提取局部特征,例如提取SIFT(Scale-invariant feature transform,尺度不变特征变换)特征,LBP(Local Binary Patterns,局部二值模式特征)特征,HOG(Histogram of OrientedGradient,方向梯度直方图)特征。将提取到的各子区域的局部特征进行数据处理后,得到待识别脸部图像的局部特征值。
图4是根据一示例性实施例示出的脸部图像的欺骗识别方法的流程图,如图4所示,与上述实施例的不同之处在于,步骤S30包括:
步骤S31,在所述脸部图像中确定脸部的深度计算区域。
步骤S32,利用训练好的第二神经网络提取所述深度计算区域的深度特征,得到所述脸部图像的深度特征值。
在一种可能的实现方式中,在本公开中,深度为脸部区域以自身的某个位置为参照的深度,而不是以其它物体为参照的深度,也不是脸部区域到其它外部位置的距离。计算脸部图像的深度,不需要计算脸部图像中的所有区域。一种方式是,先在脸部图像中确定深度计算区域,只在深度计算区域中计算脸部的深度。在确定的深度计算区域中,利用第二神经网络提取深度特征后,根据提取到的深度特征得到脸部图像的深度特征值。
图5是根据一示例性实施例示出的脸部图像的欺骗识别方法的流程图,如图5所示,与上述实施例的不同之处在于,步骤S50包括:
步骤S51,将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像为现场图像或欺骗图像。
在一种可能的实现方式中,将脸部图像的局部特征值和深度特征值进行融合后得到融合值。再将融合值和设定的阈值进行比较。如果融合值高于阈值,则待识别的脸部图像为欺骗图像。如果融合值低于阈值,则待识别的脸部图像为现场图像。
为更好的说明本公开的方法,以下实施例为本公开一示例性实施例。图6是根据另一示例性实施例示出的脸部图像的欺骗识别方法的流程图,如图6所示,包括:
步骤1,利用不同的成像方式分别获取图像。例如利用红外摄像头拍摄获取的红外光图像,利用可见光摄像头拍摄获取的可见光图像。在实际应用中可以利用双目摄像头同时获取红外光图像和可见光图像。
步骤2,将红外光图像和可见光图像融合后,得到输入图像。参见上述实施例中的相关描述。
步骤3,在输入图像中检测人脸后,得到用于分析的脸部图像。包括利用图像识别技术在输入的图像中进行脸部识别。参见上述实施例中的相关描述。
步骤4,将脸部图像分别输入两个神经网络中,图6中利用上下两个流程分别标识两个CNN(Convolutional Neural Network,卷积神经网络)中的处理步骤。图6中,上部分的CNN流程处理脸部图像的局部特征。在脸部图像中提取局部补丁特征,即在脸部图像中随机划分子区域后,分别提取各子区域的局部特征。下部分的CNN流程中,将脸部图像输入基于深度的CNN中,提取脸部图像的整体深度特征。
随着感知环境和图像欺骗的方式越来越多,单独提取特征进行识别已经不能覆盖所有的攻击,因此使用卷积神经网络来对海量的数据进行学***坦的深度图,而活人脸包含正常的人脸深度。且基于深度的CNN基于外观或深度提示可以独立检测脸部攻击。
步骤5,在上部分的CNN流程中,将提取到的各子区域的局部特诊,输入基于局部补丁的CNN中进行处理。在下部分的CNN流程中,根据基于深度的CNN输出的深度特征,得到脸部图像的深度特征。深度特征利用了整个人脸,并将人脸描述为一个3D物体,而将非活体脸部描述为一个平坦的平面。
从单个RGB图像估计深度是计算机视觉中的一个基本问题。对于人脸图像,可以将来自一个图像或多个图像的脸部重建视为深度估计的一种方式。本公开估计活体脸部和非活体脸部的深度,以脸部自身为深度参照,而不是将脸部与拍摄脸部的相机之间的固定距离作为深度进行计算。
步骤6,在上部分的CNN流程中,为各局部特征估计活跃度分数,从而得到脸部图像的局部特征的得分。在下部分的CNN流程中,对整体特征进行SVM(Support VectorMachine,支持向量机)分类,得到脸部图像的深度特征的得分。
上部分的CNN是端到端的训练,并从脸部图像分配每个随机提取的补丁分数。然后分配脸部图像的平均分数。下部分的CNN估计人脸图像的深度图并基于估计的深度图向人脸图像提供活跃度分数。
步骤7,将局部特征的得分和深度特征的得分进行融合后,将融合得分与设定的阈值进行比较。
步骤8,根据比较结果判断所述脸部图像为虚假图像或现场活体图像。将局部特征得分和深度特征得分融合输出称为欺骗得分。如果欺骗分数高于预定义的阈值,则脸部图像或视频剪辑被分类为非活体图像。
本实施例提出一种新型的利用两个卷积神经网络进行人脸验证反欺骗的方法:采用一个神经网络提取局部特征,采用一个神经网络提取深度特征,通过独立于全局特征提取得到的深度图谱来验证输入的图像是否是实体。本实施例基于双路神经网络的搭建分别识别局部特征和整体深度特征,对局部特征和深度特征判别得分融合比较的技术,更快更便捷地实现活体人脸的识别,在身份验证之前检测是否为活体,同时能够有效检测照片、视频、3D面具等的欺骗攻击。
本实施例基于红外摄像头和可见光摄像头同时采集图像,采用二路神经网络进行局部和深度判别,技术新颖,识别准确度高,同时鲁棒性好,能够应对多种图像欺骗攻击。
图7是根据一示例性实施例示出的脸部图像的欺骗识别装置的框图,如图7所示,脸部图像的欺骗识别装置包括:
脸部图像获取模块61,用于获取待识别的脸部图像;
局部特征获取模块62,用于利用训练好的第一神经网络提取所述脸部图像中脸部的局部特征,得到所述脸部图像的局部特征值;
深度特征获取模块63,用于利用训练好的第二神经网络提取所述脸部图像中脸部的深度特征,得到所述脸部图像的深度特征值;
融合模块64,用于将所述局部特征值和所述深度特征值进行融合,得到所述脸部图像的融合值;
识别结果获取模块65,用于将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像的欺骗识别结果。
图8是根据一示例性实施例示出的脸部图像的欺骗识别装置的框图,如图8所示,
在一种可能的实现方式中,所述脸部图像获取模块61,包括:
第一图像获取子模块611,用于获取待识别脸部的第一图像和第二图像,所述第一图像和所述第二图像的成像方法不同;
第二图像获取子模块612,用于根据所述第一图像和所述第二图像,得到所述待识别的脸部图像。
在一种可能的实现方式中,所述局部特征获取模块62,包括:
子区域确定子模块621,用于在所述脸部图像中随机确定脸部的子区域;
子区域特征获取子模块622,用于利用训练好的第一神经网络在所述子区域中提取局部特征,得到所述脸部图像的子区域特征;
局部特征获取子模块623,用于根据所述子区域特征,得到所述脸部图像的局部特征值。
在一种可能的实现方式中,所述深度特征获取模块63,包括:
深度计算区域子模块631,用于在所述脸部图像中确定脸部的深度计算区域;
深度特征获取子模块632,用于利用训练好的第二神经网络提取所述深度计算区域的深度特征,得到所述脸部图像的深度特征值。
在一种可能的实现方式中,所述识别结果获取模块65,包括:
识别结果获取子模块651,用于将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像为现场图像或欺骗图像。
图9是根据一示例性实施例示出的一种用于脸部图像的欺骗识别的装置800的框图。例如,装置800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9,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800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802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800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,图像,视频等。存储器804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。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800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808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。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810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800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804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814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814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814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816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800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816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816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800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,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图10是根据一示例性实施例示出的一种用于脸部图像的欺骗识别的装置1900的框图。例如,装置1900可以被提供为一服务器。参照图10,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种脸部图像的欺骗识别方法,其特征在于,所述方法包括:
获取待识别的脸部图像;
利用训练好的第一神经网络提取所述脸部图像中脸部的局部特征,得到所述脸部图像的局部特征值;
利用训练好的第二神经网络提取所述脸部图像中脸部的深度特征,得到所述脸部图像的深度特征值;
将所述局部特征值和所述深度特征值进行融合,得到所述脸部图像的融合值;
将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像的欺骗识别结果。
2.根据权利要求1所述的方法,其特征在于,获取待识别的脸部图像,包括:
获取待识别脸部的第一图像和第二图像,所述第一图像和所述第二图像的成像方法不同;
根据所述第一图像和所述第二图像,得到所述待识别的脸部图像。
3.根据权利要求1所述的方法,其特征在于,利用训练好的第一神经网络提取所述脸部图像中脸部的局部特征,得到所述脸部图像的局部特征值,包括:
在所述脸部图像中随机确定脸部的子区域;
利用训练好的第一神经网络在所述子区域中提取局部特征,得到所述脸部图像的子区域特征;
根据所述子区域特征,得到所述脸部图像的局部特征值。
4.根据权利要求1所述的方法,其特征在于,利用训练好的第二神经网络提取所述脸部图像中脸部的深度特征,得到所述脸部图像的深度特征值,包括:
在所述脸部图像中确定脸部的深度计算区域;
利用训练好的第二神经网络提取所述深度计算区域的深度特征,得到所述脸部图像的深度特征值。
5.根据权利要求1所述的方法,其特征在于,将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像的欺骗识别结果,包括:
将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像为现场图像或欺骗图像。
6.一种脸部图像的欺骗识别装置,其特征在于,包括:
脸部图像获取模块,用于获取待识别的脸部图像;
局部特征获取模块,用于利用训练好的第一神经网络提取所述脸部图像中脸部的局部特征,得到所述脸部图像的局部特征值;
深度特征获取模块,用于利用训练好的第二神经网络提取所述脸部图像中脸部的深度特征,得到所述脸部图像的深度特征值;
融合模块,用于将所述局部特征值和所述深度特征值进行融合,得到所述脸部图像的融合值;
识别结果获取模块,用于将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像的欺骗识别结果。
7.根据权利要求6所述的装置,其特征在于,所述脸部图像获取模块,包括:
第一图像获取子模块,用于获取待识别脸部的第一图像和第二图像,所述第一图像和所述第二图像的成像方法不同;
第二图像获取子模块,用于根据所述第一图像和所述第二图像,得到所述待识别的脸部图像。
8.根据权利要求6所述的装置,其特征在于,所述局部特征获取模块,包括:
子区域确定子模块,用于在所述脸部图像中随机确定脸部的子区域;
子区域特征获取子模块,用于利用训练好的第一神经网络在所述子区域中提取局部特征,得到所述脸部图像的子区域特征;
局部特征获取子模块,用于根据所述子区域特征,得到所述脸部图像的局部特征值。
9.根据权利要求6所述的装置,其特征在于,所述深度特征获取模块,包括:
深度计算区域子模块,用于在所述脸部图像中确定脸部的深度计算区域;
深度特征获取子模块,用于利用训练好的第二神经网络提取所述深度计算区域的深度特征,得到所述脸部图像的深度特征值。
10.根据权利要求6所述的装置,其特征在于,所述识别结果获取模块,包括:
识别结果获取子模块,用于将所述融合值和阈值进行比较,根据比较结果判断所述脸部图像为现场图像或欺骗图像。
11.一种脸部图像的欺骗识别装置,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:执行权利要求1至5中任意一项所述的方法。
12.一种非易失性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,所述计算机程序指令被处理器执行时,使得处理器能够执行根据权利要求1至5中任意一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017113148674 | 2017-12-12 | ||
CN201711314867 | 2017-12-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108280418A true CN108280418A (zh) | 2018-07-13 |
Family
ID=62804076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810048661.XA Pending CN108280418A (zh) | 2017-12-12 | 2018-01-18 | 脸部图像的欺骗识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280418A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034102A (zh) * | 2018-08-14 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN109344747A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 一种篡改图的识别方法、存储介质和服务器 |
CN109583375A (zh) * | 2018-11-30 | 2019-04-05 | 中山大学 | 一种多特征融合的人脸图像光照识别方法及*** |
CN109886244A (zh) * | 2019-03-01 | 2019-06-14 | 北京视甄智能科技有限公司 | 一种人脸识别活体检测方法及装置 |
CN109948467A (zh) * | 2019-02-28 | 2019-06-28 | 中国科学院深圳先进技术研究院 | 人脸识别的方法、装置、计算机设备和存储介质 |
CN110059579A (zh) * | 2019-03-27 | 2019-07-26 | 北京三快在线科技有限公司 | 用于活体检验的方法和装置,电子设备和存储介质 |
CN110414437A (zh) * | 2019-07-30 | 2019-11-05 | 上海交通大学 | 基于卷积神经网络模型融合篡改人脸检测分析方法和*** |
CN110490060A (zh) * | 2019-07-10 | 2019-11-22 | 特斯联(北京)科技有限公司 | 一种基于机器学习硬件架构的安防前端视频设备 |
WO2020019760A1 (zh) * | 2018-07-27 | 2020-01-30 | 北京市商汤科技开发有限公司 | 活体检测方法、装置及***、电子设备和存储介质 |
WO2020151489A1 (zh) * | 2019-01-25 | 2020-07-30 | 杭州海康威视数字技术股份有限公司 | 基于面部识别的活体检测的方法、电子设备和存储介质 |
CN111666901A (zh) * | 2020-06-09 | 2020-09-15 | 创新奇智(北京)科技有限公司 | 一种活体人脸检测方法、装置、电子设备及存储介质 |
CN111767760A (zh) * | 2019-04-01 | 2020-10-13 | 北京市商汤科技开发有限公司 | 活体检测方法和装置、电子设备及存储介质 |
CN112085035A (zh) * | 2020-09-14 | 2020-12-15 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
CN112434647A (zh) * | 2020-12-09 | 2021-03-02 | 浙江光珀智能科技有限公司 | 一种人脸活体检测方法 |
CN112668453A (zh) * | 2020-12-24 | 2021-04-16 | 平安科技(深圳)有限公司 | 视频识别方法及相关设备 |
CN113051998A (zh) * | 2019-12-27 | 2021-06-29 | 豪威科技股份有限公司 | 生物标识技术中使用近红外和可见光波长带的偏振线索的具鲁棒性的反欺骗技术 |
CN113450806A (zh) * | 2021-05-18 | 2021-09-28 | 科大讯飞股份有限公司 | 语音检测模型的训练方法以及相关方法、装置、设备 |
CN113537173A (zh) * | 2021-09-16 | 2021-10-22 | 中国人民解放军国防科技大学 | 一种基于面部补丁映射的人脸图像真伪识别方法 |
CN113610071A (zh) * | 2021-10-11 | 2021-11-05 | 深圳市一心视觉科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN113627263A (zh) * | 2021-07-13 | 2021-11-09 | 支付宝(杭州)信息技术有限公司 | 一种基于人脸检测的曝光方法、装置以及设备 |
CN114627537A (zh) * | 2022-03-21 | 2022-06-14 | 平安普惠企业管理有限公司 | 微表情识别模型的训练方法、反欺诈方法和相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874871A (zh) * | 2017-02-15 | 2017-06-20 | 广东光阵光电科技有限公司 | 一种活体人脸双摄像头识别方法及识别装置 |
CN107358157A (zh) * | 2017-06-07 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种人脸活体检测方法、装置以及电子设备 |
CN107368810A (zh) * | 2017-07-20 | 2017-11-21 | 北京小米移动软件有限公司 | 人脸检测方法及装置 |
-
2018
- 2018-01-18 CN CN201810048661.XA patent/CN108280418A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874871A (zh) * | 2017-02-15 | 2017-06-20 | 广东光阵光电科技有限公司 | 一种活体人脸双摄像头识别方法及识别装置 |
CN107358157A (zh) * | 2017-06-07 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种人脸活体检测方法、装置以及电子设备 |
CN107368810A (zh) * | 2017-07-20 | 2017-11-21 | 北京小米移动软件有限公司 | 人脸检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
YOUSEF ATOUM,YAOJIE LIU ET AL.: "Face Anti-Spoofing Using Patch and Depth-Based CNNs", 《2017 IEEE INTERNATIONAL JOINT CONFERENCE ON BIOMETRICS》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7026225B2 (ja) | 2018-07-27 | 2022-02-25 | ベイジン センスタイム テクノロジー デベロップメント カンパニー, リミテッド | 生体検出方法、装置及びシステム、電子機器並びに記憶媒体 |
US11321575B2 (en) | 2018-07-27 | 2022-05-03 | Beijing Sensetime Technology Development Co., Ltd. | Method, apparatus and system for liveness detection, electronic device, and storage medium |
KR102391792B1 (ko) * | 2018-07-27 | 2022-04-28 | 베이징 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 | 생체 검출 방법, 장치 및 시스템, 전자 기기 및 저장 매체 |
WO2020019760A1 (zh) * | 2018-07-27 | 2020-01-30 | 北京市商汤科技开发有限公司 | 活体检测方法、装置及***、电子设备和存储介质 |
KR20200081450A (ko) * | 2018-07-27 | 2020-07-07 | 베이징 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 | 생체 검출 방법, 장치 및 시스템, 전자 기기 및 저장 매체 |
JP2021503659A (ja) * | 2018-07-27 | 2021-02-12 | ベイジン センスタイム テクノロジー デベロップメント カンパニー, リミテッド | 生体検出方法、装置及びシステム、電子機器並びに記憶媒体 |
CN109034102A (zh) * | 2018-08-14 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN109344747A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 一种篡改图的识别方法、存储介质和服务器 |
CN109344747B (zh) * | 2018-09-17 | 2024-01-05 | 平安科技(深圳)有限公司 | 一种篡改图的识别方法、存储介质和服务器 |
CN109583375A (zh) * | 2018-11-30 | 2019-04-05 | 中山大学 | 一种多特征融合的人脸图像光照识别方法及*** |
CN109583375B (zh) * | 2018-11-30 | 2021-04-06 | 中山大学 | 一种多特征融合的人脸图像光照识别方法及*** |
WO2020151489A1 (zh) * | 2019-01-25 | 2020-07-30 | 杭州海康威视数字技术股份有限公司 | 基于面部识别的活体检测的方法、电子设备和存储介质 |
US11830230B2 (en) | 2019-01-25 | 2023-11-28 | Hangzhou Hikvision Digital Technology Co., Ltd. | Living body detection method based on facial recognition, and electronic device and storage medium |
CN109948467A (zh) * | 2019-02-28 | 2019-06-28 | 中国科学院深圳先进技术研究院 | 人脸识别的方法、装置、计算机设备和存储介质 |
CN109886244A (zh) * | 2019-03-01 | 2019-06-14 | 北京视甄智能科技有限公司 | 一种人脸识别活体检测方法及装置 |
CN110059579A (zh) * | 2019-03-27 | 2019-07-26 | 北京三快在线科技有限公司 | 用于活体检验的方法和装置,电子设备和存储介质 |
CN111767760A (zh) * | 2019-04-01 | 2020-10-13 | 北京市商汤科技开发有限公司 | 活体检测方法和装置、电子设备及存储介质 |
CN110490060B (zh) * | 2019-07-10 | 2020-09-11 | 特斯联(北京)科技有限公司 | 一种基于机器学习硬件架构的安防前端视频设备 |
CN110490060A (zh) * | 2019-07-10 | 2019-11-22 | 特斯联(北京)科技有限公司 | 一种基于机器学习硬件架构的安防前端视频设备 |
CN110414437A (zh) * | 2019-07-30 | 2019-11-05 | 上海交通大学 | 基于卷积神经网络模型融合篡改人脸检测分析方法和*** |
CN113051998A (zh) * | 2019-12-27 | 2021-06-29 | 豪威科技股份有限公司 | 生物标识技术中使用近红外和可见光波长带的偏振线索的具鲁棒性的反欺骗技术 |
CN111666901A (zh) * | 2020-06-09 | 2020-09-15 | 创新奇智(北京)科技有限公司 | 一种活体人脸检测方法、装置、电子设备及存储介质 |
CN112085035A (zh) * | 2020-09-14 | 2020-12-15 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
CN112434647A (zh) * | 2020-12-09 | 2021-03-02 | 浙江光珀智能科技有限公司 | 一种人脸活体检测方法 |
CN112668453A (zh) * | 2020-12-24 | 2021-04-16 | 平安科技(深圳)有限公司 | 视频识别方法及相关设备 |
CN112668453B (zh) * | 2020-12-24 | 2023-11-14 | 平安科技(深圳)有限公司 | 视频识别方法及相关设备 |
WO2022134418A1 (zh) * | 2020-12-24 | 2022-06-30 | 平安科技(深圳)有限公司 | 视频识别方法及相关设备 |
CN113450806B (zh) * | 2021-05-18 | 2022-08-05 | 合肥讯飞数码科技有限公司 | 语音检测模型的训练方法以及相关方法、装置、设备 |
CN113450806A (zh) * | 2021-05-18 | 2021-09-28 | 科大讯飞股份有限公司 | 语音检测模型的训练方法以及相关方法、装置、设备 |
CN113627263A (zh) * | 2021-07-13 | 2021-11-09 | 支付宝(杭州)信息技术有限公司 | 一种基于人脸检测的曝光方法、装置以及设备 |
CN113627263B (zh) * | 2021-07-13 | 2023-11-17 | 支付宝(杭州)信息技术有限公司 | 一种基于人脸检测的曝光方法、装置以及设备 |
CN113537173B (zh) * | 2021-09-16 | 2022-03-18 | 中国人民解放军国防科技大学 | 一种基于面部补丁映射的人脸图像真伪识别方法 |
CN113537173A (zh) * | 2021-09-16 | 2021-10-22 | 中国人民解放军国防科技大学 | 一种基于面部补丁映射的人脸图像真伪识别方法 |
CN113610071A (zh) * | 2021-10-11 | 2021-11-05 | 深圳市一心视觉科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN114627537A (zh) * | 2022-03-21 | 2022-06-14 | 平安普惠企业管理有限公司 | 微表情识别模型的训练方法、反欺诈方法和相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280418A (zh) | 脸部图像的欺骗识别方法及装置 | |
JP7040952B2 (ja) | 顔認証方法及び装置 | |
US10275672B2 (en) | Method and apparatus for authenticating liveness face, and computer program product thereof | |
JP6878572B2 (ja) | 顔認識に基づいた認証 | |
CN107438854B (zh) | 使用移动设备捕获的图像执行基于指纹的用户认证的***和方法 | |
US9652663B2 (en) | Using facial data for device authentication or subject identification | |
CN108197586A (zh) | 脸部识别方法和装置 | |
CN105426867B (zh) | 人脸识别验证方法及装置 | |
US8856541B1 (en) | Liveness detection | |
TW201911130A (zh) | 一種翻拍影像識別方法及裝置 | |
CN106295511B (zh) | 人脸跟踪方法及装置 | |
EP2863339A2 (en) | Methods and systems for determing user liveness | |
WO2016084072A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
CN110503023A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN108985176A (zh) | 图像生成方法及装置 | |
CN110298310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
EP3282390A1 (en) | Methods and systems for determining user liveness and verifying user identities | |
US11074469B2 (en) | Methods and systems for detecting user liveness | |
US20190384965A1 (en) | A method for selecting frames used in face processing | |
CN110287671A (zh) | 验证方法及装置、电子设备和存储介质 | |
KR20120139100A (ko) | 얼굴 인증을 이용한 보안 장치 및 방법 | |
CN109934275A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
TWI752105B (zh) | 特徵圖像的獲取方法及獲取裝置、使用者認證方法 | |
CN108197585A (zh) | 脸部识别方法和装置 | |
CN110532956A (zh) | 图像处理方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180713 |
|
RJ01 | Rejection of invention patent application after publication |