CN108549836B - 照片的翻拍检测方法、装置、设备及可读存储介质 - Google Patents
照片的翻拍检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN108549836B CN108549836B CN201810196019.6A CN201810196019A CN108549836B CN 108549836 B CN108549836 B CN 108549836B CN 201810196019 A CN201810196019 A CN 201810196019A CN 108549836 B CN108549836 B CN 108549836B
- Authority
- CN
- China
- Prior art keywords
- image
- photo
- face
- key
- extracting
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—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
本发明涉及一种照片的翻拍检测方法,包括:将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位;提取所述各个关键部位中的特征值;将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得融合特征值;将所述融合特征值输入分类器进行分类获得分类结果;若所述分类结果为翻拍类,则确认所述照片为翻拍。以上人脸照片的翻拍检测方法,首先将人脸细分为关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。本发明还提供了一种翻拍的检测装置、设备及可读存储介质。
Description
技术领域
本发明涉及图像识别领域,特别是涉及照片的翻拍检测方法、装置、设备及可读存储介质。
背景技术
目前人脸识别的应用越来越广泛,然而一些不法分子利用人脸识别技术的漏洞,使用人脸证件照翻拍进行***欺骗,从而骗过人脸识别***,获取***非法权限。因此,如何检测人脸照片是否经过翻拍成为本领域的热点问题。
传统的翻拍检测方法有基于视频的翻拍检测方法,主要利用了视频图像中人脸附带的时间信息,即随着时间的变化,人脸的面部表情会发生一定的变化,而且这些变化必然导致图像特征的变化。然而,翻拍的照片随着时间的变化不会发生面部表情的细微变化,因此可利用此类特征进行生物活体识别。但是基于视频的翻拍检测方法需要用户进行配合,使用不方便。
因此,出现了基于单张照片的翻拍检测方法,但是,目前基于单张照片的翻拍检测方法通常将人脸作为一个整体进行特征提取,由于人脸的不同区域有不同的特点,因此这种方法检测的精确度较低。
发明内容
基于此,有必要针对传统方法对人脸照片翻拍检测的精确度较低的问题,提供一种照片的翻拍检测方法、装置、设备及可读存储介质。
一种照片的翻拍检测方法,其中,所述方法包括:
将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位;
提取所述各个关键部位中的特征值;
将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得得到融合特征值;
将所述融合特征值输入分类器进行分类获得分类结果;
若所述分类结果为翻拍类,则确认所述照片为翻拍。
以上人脸照片的翻拍检测方法,首先将人脸细分为关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。
作为一种实施例,其中,所述将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位包括:
判断所述待检测的图像中是否包括人脸信息;
若是,则执行将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位。
作为一种实施例,其中,将所述照片转换为二值图片,并基于二值图像的连通域算法获取待检测的图像中的关键部位包括:
对输入图像进行色彩空间转换,得到色彩图像;
将所述色彩图像二值化,得到二值化图像;
对所述二值化图像进行垂直映射,获得所述二值化图像中的脸部区域;
将所述脸部区域进行灰度转换,获得所述脸部区域的灰度图像;
对所述灰度图像进行图像卷积,并对卷积后的图像进行二值化,获得二值化卷积图像;
通过连通域搜索算法,从所述二值化卷积图像中提取所述关键部位。
作为一种实施例,其中,关键部位包括鼻部、眼部以及口部;
所述提取所述关键部位中的特征的步骤包括:
采用灰度共生矩阵提取鼻部特征;
采用LBP算法提取眼部特征;
采用小波变换提取口部特征。
一种照片的翻拍检测装置,其中,所述装置包括:
关键部位获取模块,用于将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位;
特征值提取模块,用于提取所述各个关键部位中的特征;
特征值融合模块,用于将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得得到融合特征值;
分类结果获取模块,用于将所述融合特征值输入分类器进行分类获得分类结果;
翻拍判断模块,用于若所述分类结果为翻拍类,则确认所述照片为翻拍。
以上人脸照片的翻拍检测装置,首先将人脸细分为关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。
作为一个实施例,其中,所述关键部位获取模块包括:
人脸检测单元,用于判断所述待检测的图像中是否包括人脸信息;
若是,则由关键部位获取模块继续执行将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位。
作为一个实施例,其中,所述关键部位获取模块包括:
色彩图像获取单元,用于对输入图像进行色彩空间转换,得到色彩图像;
二值化图像获取单元,用于将所述色彩图像二值化,得到二值化图像;
脸部区域获取单元,用于对所述二值化图像进行垂直映射,获得所述二值化图像中的脸部区域;
灰度图像获取单元,用于将所述脸部区域进行灰度转换,获得所述脸部区域的灰度图像;
二值化卷积图像单元,用于对所述灰度图像进行图像卷积,并对卷积后的图像进行二值化,获得二值化卷积图像;
关键部位提取单元,用于通过连通域搜索算法,从所述二值化卷积图像中提取所述关键部位。
作为一个实施例,其中,关键部位包括鼻部、眼部以及口部;
所述特征值提取模块包括:
鼻部特征提取单元,用于采用灰度共生矩阵提取鼻部特征;
眼部特征提取单元,用于采用LBP算法提取眼部特征;
口部特征提取单元,用于采用小波变换提取口部特征。
一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时,实现以下步骤:
将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位;
提取所述各个关键部位中的特征;
将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得得到融合特征值;
将所述融合特征值输入分类器进行分类获得分类结果;
若所述分类结果为翻拍类,则确认所述照片为翻拍。
以上计算机设备中的计算机程序在被处理器执行时所实现的方法,首先将人脸细分为关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。
作为一个实施例,其中,处理器所执行的所述将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位,包括:
判断所述待检测的图像中是否包括人脸信息;
若是,则执行将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位。
作为一个实施例,其中,处理器所执行的将所述照片转换为二值图片,并基于二值图像的连通域算法获取待检测的图像中的关键部位包括:
对输入图像进行色彩空间转换,得到色彩图像;
将所述色彩图像二值化,得到二值化图像;
对所述二值化图像进行垂直映射,获得所述二值化图像中的脸部区域;
将所述脸部区域进行灰度转换,获得所述脸部区域的灰度图像;
对所述灰度图像进行图像卷积,并对卷积后的图像进行二值化,获得二值化卷积图像;
通过连通域搜索算法,从所述二值化卷积图像中提取所述关键部位。
作为一个实施例,其中,处理器所执行的关键部位包括鼻部、眼部以及口部;
所述提取所述关键部位中的特征的步骤包括:
采用灰度共生矩阵提取鼻部特征;
采用LBP算法提取眼部特征;
采用小波变换提取口部特征。
一种可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位;
提取所述各个关键部位中的特征;
将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得得到融合特征值;
将所述融合特征值输入分类器进行分类获得分类结果;
若所述分类结果为翻拍类,则确认所述照片为翻拍。
以上可读存储介质的计算机程序在被处理器执行时所实现的方法,首先将人脸细分为关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。
作为一个实施例,其中,可存储介质存储的计算机程序在被处理器执行时实现的所述将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位,包括:
判断所述待检测的图像中是否包括人脸信息;
若是,则执行将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位。
作为一个实施例,其中,可存储介质存储的计算机程序在被处理器执行时实现的将所述照片转换为二值图片,并基于二值图像的连通域算法获取待检测的图像中的关键部位包括:
对输入图像进行色彩空间转换,得到色彩图像;
将所述色彩图像二值化,得到二值化图像;
对所述二值化图像进行垂直映射,获得所述二值化图像中的脸部区域;
将所述脸部区域进行灰度转换,获得所述脸部区域的灰度图像;
对所述灰度图像进行图像卷积,并对卷积后的图像进行二值化,获得二值化卷积图像;
通过连通域搜索算法,从所述二值化卷积图像中提取所述关键部位。
作为一个实施例,其中,可存储介质存储的计算机程序在被处理器执行时实现的方法中,所述关键部位包括鼻部、眼部以及口部;
所述提取所述关键部位中的特征的步骤包括:
采用灰度共生矩阵提取鼻部特征;
采用LBP算法提取眼部特征;
采用小波变换提取口部特征。
附图说明
图1为其中一种实施方式提供的翻拍检测方法的流程图;
图2为其中一种实施方式提供的翻拍检测方法的部分流程图;
图3为其中一种实施方式提供的翻拍检测方法的部分流程图;
图4为其中一个实施方式提供的LBP值的计算过程的示意图;
图5是其中一个实施方式提供的照片的翻拍检测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1,图1为其中一种实施方式提供的翻拍检测方法的流程图。
步骤S102,将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位。
具体地,首先在待检测图像中获取关键部位,所述关键部位可以包括鼻部、眼部、嘴部中的至少一种。
具体地,可以通过颜色等信息进行人脸关键部位检测,并且获取关键部位。首先将照片转换为二值图片,然后再基于二值图像的连通域算法获取照片中的关键部位。
步骤S104,提取所述各个关键部位中的特征;
具体地,由于各个关键部位的特点不同,因此针对不同部位进行特征值的提取,可以提高人脸照片翻拍检测的精度。
具体地,可以采用几何法、模型法、信号处理法等方法对关键部位的特征值进行提取。也可以根据不同的关键部位分别采用灰度共生矩阵算法、LBP算法或者小波变换算法对所述关键部位的特征值进行提取。例如,可以采用灰度共生矩阵提取鼻部特征,可以采用LBP算法提取眼部特征,可以采用小波变换提取口部特征。
步骤S106,将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得得到融合特征值。
具体地,将提取的特征进行融合,可以先将S104提取的关键部位的特征值进行归一化,所述归一化是指,以所述关键部位中的任意一个部位为标准,将其他部位的特征值按照这种标准进行转换。然后采用相加的方式拼接得到融合特征,也可以先将S104提取的关键部位的特征归一化,然后根据具体需求给定不同的权重,通过加权相加的方式获得融合特征。可以理解,所述融合特征需要体现各个关键部位中的特征,但是各个不同部位的特征的可以根据具体需求设置不同的权重,以体现融合特征中不同部位的特征的重要性的不同。
步骤S108,将所述融合特征值输入分类器进行分类获得分类结果;
具体地,可以使用支持向量机(SVM)或其它分类器进行检测。首先使用一些训练图像进行训练,生成训练模型。然后结合所述训练模型,通过支持向量机(SVM)或其它分类器对输入的融合特征进行分类,获取分类结果,并根据分类结果确定所述照片是否为翻拍。
步骤S110,若所述分类结果为翻拍类,则确认所述照片为翻拍。
具体地,分类结果可以为翻拍类以及非翻拍类,如果所述分类结果为翻拍类,则所述照片为翻拍的照片。相应的,如果分类结果为非翻拍类,则所述判断所述照片不是翻拍的照片。以上人脸照片的翻拍检测方法,首先将人脸细分为关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。
以上人脸照片的翻拍检测方法,首先将人脸细分为关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。
作为其中一种实施方式提供的翻拍检测方法,所述获取待检测的图像中的关键部位的步骤包括:判断所述待检测的图像中是否包括人脸信息;若是,则执行在待检测图像中获取关键部位的步骤;若否,则结束本次检测。
具体地,采用人脸检测算法对图像中的人脸进行检测,直接排除不存在的人脸照片。所述人脸检测算法可以根据具体需求采用基于特征点的识别算法、基于神经网络的识别算法等。
以上人脸照片的翻拍检测方法,获取待检测的图像中的关键部位的步骤之前增加一个人脸识别的过程,直接排除不存在人脸的照片,进一步提高了翻拍检测的效率。
作为其中一种实施方式提供的翻拍检测方法,所述关键部位包括鼻部、眼部、口部。
具体地,为了获得更高的检测精度,所述关键部位可以包括鼻部、眼部、口部这三个关键部位。
以上人脸照片的翻拍检测方法,同时使用鼻部、眼部、口部这三个关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。
作为其中一种实施方式提供的翻拍检测方法,请一并参阅图2,图2为其中一种实施方式提供的翻拍检测方法的部分流程图。
步骤S102中将所述照片转换为二值图片,并基于二值图像的连通域算法获取待检测的图像中的关键部位的步骤可以由以下步骤完成,具体包括:
步骤S202,对输入图像进行色彩空间转换,得到色彩图像。
具体地,对输入图像进行色彩空间转换,得到色彩图像。例如,可以对输入图像进行YcbCr转换,得到YcbCr域的图像。
进一步地,可以将输入图像RGB数值按照如下公式进行转换:
Y=0.2990R+0.5870G+0.1140B
Cb=-0.1787R-0.3313G+0.5000B+128
Cr=0.500R-0.4187G-0.0813B+128。
步骤S204,将所述色彩图像二值化,得到二值化图像。
具体地,将步骤S202得到的色彩图像做二值化处理,可以得到二值化图像。例如,将YcbCr域的图像中的Cb,Cr的值进行二值化处理,即如果93<Cb<133且123<Cr<175,则属于肤色范围的像素。对于属于肤色范围的像素,赋值为255,否则赋值为0。因此可以获得二值化图像I(x,y)。
步骤S206,对所述二值化图像进行垂直映射以及曲线平滑,获得所述二值化图像中的脸部区域。
具体地,首先对二值化图像进行垂直映射,然后再进行曲线平滑,可以确定脸部区域。
步骤S208,将所述脸部区域进行灰度转换,获得所述脸部区域的灰度图像。
具体地,根据所述脸部区域,可以得到脸部区域的RGB域数值,将数值用下述公式进行转换,可以得到灰度图像。
I=0.259R+0.587G+0.144B。
步骤S210,对所述灰度图像进行图像卷积,并对卷积后的图像进行二值化,获得二值化卷积图像。
具体地,利用卷积模板对灰度图像进行图像卷积,然后对卷积后的图像进行二值化。
步骤S212,通过连通域搜索算法,从所述二值化卷积图像中提取所述关键部位。
具体地,基于扫描线的连通域算法,就可以获得眼部、鼻部和口部这三个关键部位。
以上人脸照片的翻拍检测方法,使用上述方法获得眼部、鼻部、口部这三个关键区域,获取效率较高。
请参阅图3,图3为作为其中一种实施方式提供的翻拍检测方法的部分流程图,其中,所述提取所述关键部位中的特征的步骤包括:
步骤S302,采用灰度共生矩阵提取鼻部特征。
具体地,对于鼻部区域,首先获取灰度共生矩阵,然后通过灰度共生矩阵选择反差、能量以及熵的至少一种作为鼻部特征,由于鼻部区域的特点,采用灰度共生矩阵的方法提取鼻部特征会得到更好的效果。
具体地,假设鼻部图像中坐标为(x,y)的任意一点A及偏离它的点B,点B的坐标为(x+a,y+b),其中,a、b为根据具体需求预先配置的整数,所述点A与所述点B构成点对,设所述点对的灰度值为(f1,f2)。在鼻部图像中不同的点,就可以得到不同点对的灰度值。设所述鼻部图像的最大灰度级为L,则共有L2种不同的灰度值。对于整幅图像,统计出每一种(f1,f2)值出现的次数,然后排列成一个方阵,再用(f1,f2)出现的总次数将他们归一化为出现的概率P(f1,f2),由此产生的矩阵就是所述灰度共生矩阵。
具体地,所述反差又称为对比度,用来度量矩阵的值的分布以及图像中局部变化量。所述反差反应了图像的清晰度和纹理的沟纹深浅,纹理的沟纹越深,反差越大,图像越清晰,反之,沟纹越浅,反差越小,图像越模糊。所述能量是指灰度共生矩阵各元素值的平方和,用来度量图像纹理的灰度变化稳定程度所述能量反应了图像灰度分布均匀程度和纹理粗细度,能量值大表明当前纹理是一种变化较为稳定的纹理。所述熵用来度量指图像包含信息量的随机性,当共生矩阵中所有值均相等或者像素值表现出越大的随机性时,熵越大,因此熵值表明了图像灰度分布的复杂程度,熵值越大,图像越复杂。
步骤S304,采用LBP算法提取眼部特征。
具体地,在眼部区域,由于眼部区域的特点,采用LBP算法提取眼部特征会得到更好的效果。
具体地,选择不同尺度的区域,如3×3的正方形区域内,以区域中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0,由此可以获得该中心像素的LBP值,所述LBP值可以反映该区域的纹理特征。请一并参阅图4,图4为一个实施方式提供的LBP值的计算过程。所述401是3×3的正方形区域内的9个像素点的灰度值,其中区域中心像素点的灰度值为5。所述403是二值化后的带灰度值的正方形区域,从左上顶角开始沿着顺时针方向排列灰度值,可得到一个二进制码405,所述407是将所述二进制码做十进制转换得到的该中心像素的LBP值:19。
步骤306,采用小波变换提取口部特征。
具体地,根据口部特征的特点,采用小波变换算法提取口部特征会得到更好的效果。
具体地,首先根据需求选取小波函数并设定变换尺度,例如可以选取Haar小波函数并设定变换尺度为3。然后对图像进行行变换和列变换。最后对变换后的数值进行量化,即可得到特征向量。
可以理解,上述步骤302、步骤304以及步骤306之间并没有先后顺序,可以使用根据需求将上述三个步骤以任何顺序进行组合。
以上人脸照片的翻拍检测方法,采用不同的方法获得眼部、鼻部、口部这三个关键区域的特征,进一步提高了检测精确度。
一种照片的翻拍检测装置,其中,所述装置包括:
关键部位获取模块501,用于将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位;
特征值提取模块503,用于提取所述各个关键部位中的特征;
特征值融合模块505,用于将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得得到融合特征值;
分类结果获取模块507,用于将所述融合特征值输入分类器进行分类获得分类结果;
翻拍判断模块509,用于若所述分类结果为翻拍类,则确认所述照片为翻拍。
以上人脸照片的翻拍检测装置,首先将人脸细分为关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。
作为一个实施例,其中,所述关键部位获取模块包括:
人脸检测单元,用于判断所述待检测的图像中是否包括人脸信息;
若是,则由关键部位获取模块继续执行将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位。
作为一个实施例,其中,所述关键部位获取模块包括:
色彩图像获取单元,用于对输入图像进行色彩空间转换,得到色彩图像;
二值化图像获取单元,用于将所述色彩图像二值化,得到二值化图像;
脸部区域获取单元,用于对所述二值化图像进行垂直映射,获得所述二值化图像中的脸部区域;
灰度图像获取单元,用于将所述脸部区域进行灰度转换,获得所述脸部区域的灰度图像;
二值化卷积图像单元,用于对所述灰度图像进行图像卷积,并对卷积后的图像进行二值化,获得二值化卷积图像;
关键部位提取单元,用于通过连通域搜索算法,从所述二值化卷积图像中提取所述关键部位。
作为一个实施例,其中,关键部位包括鼻部、眼部以及口部;
所述特征值提取模块包括:
鼻部特征提取单元,用于采用灰度共生矩阵提取鼻部特征;
眼部特征提取单元,用于采用LBP算法提取眼部特征;
口部特征提取单元,用于采用小波变换提取口部特征。
一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时,实现以下步骤:
将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位;
提取所述各个关键部位中的特征;
将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得得到融合特征值;
将所述融合特征值输入分类器进行分类获得分类结果;
若所述分类结果为翻拍类,则确认所述照片为翻拍。
以上计算机设备中的计算机程序在被处理器执行时所实现的方法,首先将人脸细分为关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。
作为一个实施例,其中,处理器所执行的所述将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位,包括:
判断所述待检测的图像中是否包括人脸信息;
若是,则执行将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位。
作为一个实施例,其中,处理器所执行的将所述照片转换为二值图片,并基于二值图像的连通域算法获取待检测的图像中的关键部位包括:
对输入图像进行色彩空间转换,得到色彩图像;
将所述色彩图像二值化,得到二值化图像;
对所述二值化图像进行垂直映射,获得所述二值化图像中的脸部区域;
将所述脸部区域进行灰度转换,获得所述脸部区域的灰度图像;
对所述灰度图像进行图像卷积,并对卷积后的图像进行二值化,获得二值化卷积图像;
通过连通域搜索算法,从所述二值化卷积图像中提取所述关键部位。
作为一个实施例,其中,处理器所执行的关键部位包括鼻部、眼部以及口部;
所述提取所述关键部位中的特征的步骤包括:
采用灰度共生矩阵提取鼻部特征;
采用LBP算法提取眼部特征;
采用小波变换提取口部特征。
一种可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位;
提取所述各个关键部位中的特征;
将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得得到融合特征值;
将所述融合特征值输入分类器进行分类获得分类结果;
若所述分类结果为翻拍类,则确认所述照片为翻拍。
以上可读存储介质的计算机程序在被处理器执行时所实现的方法,首先将人脸细分为关键区域,然后对所述关键区域进行特征的提取,从而使人脸照片的翻拍检测方法的精度更高。
作为一个实施例,其中,可存储介质存储的计算机程序在被处理器执行时实现的所述将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位,包括:
判断所述待检测的图像中是否包括人脸信息;
若是,则执行将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位。
作为一个实施例,其中,可存储介质存储的计算机程序在被处理器执行时实现的将所述照片转换为二值图片,并基于二值图像的连通域算法获取待检测的图像中的关键部位包括:
对输入图像进行色彩空间转换,得到色彩图像;
将所述色彩图像二值化,得到二值化图像;
对所述二值化图像进行垂直映射,获得所述二值化图像中的脸部区域;
将所述脸部区域进行灰度转换,获得所述脸部区域的灰度图像;
对所述灰度图像进行图像卷积,并对卷积后的图像进行二值化,获得二值化卷积图像;
通过连通域搜索算法,从所述二值化卷积图像中提取所述关键部位。
作为一个实施例,其中,可存储介质存储的计算机程序在被处理器执行时实现的方法中,所述关键部位包括鼻部、眼部以及口部;
所述提取所述关键部位中的特征的步骤包括:
采用灰度共生矩阵提取鼻部特征;
采用LBP算法提取眼部特征;
采用小波变换提取口部特征。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解为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设备上,使得在计算机或其他可编程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。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种照片的翻拍检测方法,其特征在于,所述方法包括:
根据预设的人脸检测算法对图像中的人脸进行检测,得到人脸图像照片;
将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位;
提取所述各个关键部位中的特征值;
将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得融合特征值;
将所述融合特征值输入分类器进行分类获得分类结果;
若所述分类结果为翻拍类,则确认所述照片为翻拍。
2.根据权利要求1所述的翻拍检测方法,其特征在于,所述将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位,包括:
判断待检测的所述人脸图像照片中是否包括人脸信息;
若是,则执行将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位。
3.根据权利要求1或2所述的翻拍检测方法,其特征在于,将所述照片转换为二值图片,并基于二值图像的连通域算法获取待检测的图像中的关键部位包括:
对输入图像进行色彩空间转换,得到色彩图像;
将所述色彩图像二值化,得到二值化图像;
对所述二值化图像进行垂直映射,获得所述二值化图像中的脸部区域;
将所述脸部区域进行灰度转换,获得所述脸部区域的灰度图像;
对所述灰度图像进行图像卷积,并对卷积后的图像进行二值化,获得二值化卷积图像;
通过连通域搜索算法,从所述二值化卷积图像中提取所述关键部位。
4.根据权利要求1所述的翻拍检测方法,其特征在于,关键部位包括鼻部、眼部以及口部;
所述提取所述关键部位中的特征的步骤包括:
采用灰度共生矩阵提取鼻部特征;
采用LBP算法提取眼部特征;
采用小波变换提取口部特征。
5.一种照片的翻拍检测装置,其特征在于,所述装置包括:
人脸检测模块,用于根据预设的人脸检测算法对图像中的人脸进行检测,得到人脸图像照片;
关键部位获取模块,用于将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位;
特征值提取模块,用于提取所述各个关键部位中的特征值;
特征值融合模块,用于将所述各个关键部位中的特征值进行归一化,并融合各个归一化的特征值,获得得到融合特征值;
分类结果获取模块,用于将所述融合特征值输入分类器进行分类获得分类结果;
翻拍判断模块,用于若所述分类结果为翻拍类,则确认所述照片为翻拍。
6.根据权利要求5所述的翻拍检测装置,其特征在于,所述关键部位获取模块包括:
人脸检测单元,用于判断待检测的所述人脸图像照片中是否包括人脸信息;
若是,则由关键部位获取模块继续执行将所述照片转换为二值图片,并基于二值图像的连通域算法获取照片中的各个关键部位。
7.根据权利要求5或6所述的翻拍检测装置,其特征在于,所述关键部位获取模块包括:
色彩图像获取单元,用于对输入图像进行色彩空间转换,得到色彩图像;
二值化图像获取单元,用于将所述色彩图像二值化,得到二值化图像;
脸部区域获取单元,用于对所述二值化图像进行垂直映射,获得所述二值化图像中的脸部区域;
灰度图像获取单元,用于将所述脸部区域进行灰度转换,获得所述脸部区域的灰度图像;
二值化卷积图像单元,用于对所述灰度图像进行图像卷积,并对卷积后的图像进行二值化,获得二值化卷积图像;
关键部位提取单元,用于通过连通域搜索算法,从所述二值化卷积图像中提取所述关键部位。
8.根据权利要求5所述的翻拍检测装置,其特征在于,关键部位包括鼻部、眼部以及口部;
所述特征值提取模块包括:
鼻部特征提取单元,用于采用灰度共生矩阵提取鼻部特征;
眼部特征提取单元,用于采用LBP算法提取眼部特征;
口部特征提取单元,用于采用小波变换提取口部特征。
9.一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现权利要求1-4中任意一项所述方法的步骤。
10.一种可读存储介质,所述可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810196019.6A CN108549836B (zh) | 2018-03-09 | 2018-03-09 | 照片的翻拍检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810196019.6A CN108549836B (zh) | 2018-03-09 | 2018-03-09 | 照片的翻拍检测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108549836A CN108549836A (zh) | 2018-09-18 |
CN108549836B true CN108549836B (zh) | 2021-04-06 |
Family
ID=63516018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810196019.6A Active CN108549836B (zh) | 2018-03-09 | 2018-03-09 | 照片的翻拍检测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549836B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815960A (zh) * | 2018-12-21 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于深度学习的翻拍图像识别方法、装置、设备及介质 |
CN109754059A (zh) * | 2018-12-21 | 2019-05-14 | 平安科技(深圳)有限公司 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
CN109859227B (zh) * | 2019-01-17 | 2023-07-14 | 平安科技(深圳)有限公司 | 翻拍图像检测方法、装置、计算机设备及存储介质 |
CN109886309A (zh) * | 2019-01-25 | 2019-06-14 | 成都浩天联讯信息技术有限公司 | 一种识别伪造数字图像身份的方法 |
CN111008651B (zh) * | 2019-11-13 | 2023-04-28 | 科大国创软件股份有限公司 | 一种基于多特征融合的图像翻拍检测方法 |
CN111191568B (zh) * | 2019-12-26 | 2024-06-14 | 中国平安人寿保险股份有限公司 | 翻拍图像识别方法、装置、设备及介质 |
CN111259915B (zh) * | 2020-01-20 | 2024-06-14 | 中国平安人寿保险股份有限公司 | 翻拍图像识别的方法、装置、设备及介质 |
CN112580621B (zh) * | 2020-12-24 | 2022-04-29 | 成都新希望金融信息有限公司 | 身份证翻拍识别方法、装置、电子设备及存储介质 |
CN112950559B (zh) * | 2021-02-19 | 2022-07-05 | 山东矩阵软件工程股份有限公司 | 一种翻拍图像检测方法、装置、电子设备及存储介质 |
CN113870454A (zh) * | 2021-09-29 | 2021-12-31 | 平安银行股份有限公司 | 基于人脸识别的考勤方法、装置、电子设备及存储介质 |
CN114819142A (zh) * | 2022-04-18 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 拍屏图像识别及其模型的训练方法、装置和电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4893863B1 (ja) * | 2011-03-11 | 2012-03-07 | オムロン株式会社 | 画像処理装置、および画像処理方法 |
CN103116763B (zh) * | 2013-01-30 | 2016-01-20 | 宁波大学 | 一种基于hsv颜色空间统计特征的活体人脸检测方法 |
CN105354856A (zh) * | 2015-12-04 | 2016-02-24 | 北京联合大学 | 一种基于mser与orb相结合的人体匹配与定位方法及*** |
CN106650669A (zh) * | 2016-12-27 | 2017-05-10 | 重庆邮电大学 | 一种鉴别仿冒照片欺骗的人脸识别方法 |
CN106778704A (zh) * | 2017-01-23 | 2017-05-31 | 安徽理工大学 | 一种人脸识别匹配方法及半自动化人脸匹配*** |
CN106971161A (zh) * | 2017-03-27 | 2017-07-21 | 深圳大图科创技术开发有限公司 | 基于颜色和奇异值特征的人脸活体检测*** |
-
2018
- 2018-03-09 CN CN201810196019.6A patent/CN108549836B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108549836A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549836B (zh) | 照片的翻拍检测方法、装置、设备及可读存储介质 | |
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
JP6778247B2 (ja) | 眼球血管および顔認識のための画像および特徴品質、画像強化および特徴抽出、ならびにバイオメトリックシステムのための眼球血管と顔領域および/またはサブ顔領域との融合 | |
CN110516201B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112381775B (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
CN110516577B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
JP5844783B2 (ja) | テキスト領域を含むグレースケール文書画像を処理する方法、グレースケール文書画像の少なくともテキスト領域を二値化する方法、グレースケール文書画像においてグリッドを形成するテーブルの抽出方法及びプログラム | |
CN106951869B (zh) | 一种活体验证方法及设备 | |
Türkyılmaz et al. | License plate recognition system using artificial neural networks | |
CN103235929B (zh) | 基于手背静脉图像的身份识别方法和装置 | |
AU2011250827B2 (en) | Image processing apparatus, image processing method, and program | |
CN107256543B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN105243376A (zh) | 一种活体检测方法和装置 | |
WO2019047248A1 (zh) | 高光谱遥感图像的特征提取方法及装置 | |
CN111062426A (zh) | 一种建立训练集的方法、装置、电子设备以及介质 | |
CN111339897B (zh) | 活体识别方法、装置、计算机设备和存储介质 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
JP2005190474A5 (zh) | ||
CN111259680B (zh) | 二维码图像二值化处理方法及装置 | |
Purnapatra et al. | Presentation attack detection with advanced cnn models for noncontact-based fingerprint systems | |
Nguyen et al. | Face presentation attack detection based on a statistical model of image noise | |
CN114973098A (zh) | 一种基于深度学习的短视频去重方法 | |
JP6185807B2 (ja) | シワ状態分析方法及びシワ状態分析装置 | |
CN113221842A (zh) | 模型训练方法、图像识别方法、装置、设备及介质 | |
Simon et al. | DeepLumina: A method based on deep features and luminance information for color texture classification |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Luo Jing Inventor after: Chen Shujun Inventor after: Liu Yang Inventor after: Li Hongyan Inventor before: Chen Shujun Inventor before: Liu Yang Inventor before: Li Hongyan |
|
CB03 | Change of inventor or designer information |