CN108846321B - 识别人脸假体的方法及装置、电子设备 - Google Patents
识别人脸假体的方法及装置、电子设备 Download PDFInfo
- Publication number
- CN108846321B CN108846321B CN201810515416.5A CN201810515416A CN108846321B CN 108846321 B CN108846321 B CN 108846321B CN 201810515416 A CN201810515416 A CN 201810515416A CN 108846321 B CN108846321 B CN 108846321B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- region
- features
- prosthesis
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种识别人脸假体的方法及装置、电子设备。所述方法包括:获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;获取所述人脸区域的识别特征和所述背景区域的识别特征;基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果。本公开实施例中,通过增加背景区域,可以辅助人脸区域进行人脸识别。与人脸区域单独识别相比较,增加背景区域可以提高识别人脸假体的准确率,降低安全风险。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种识别人脸假体的方法及装置、电子设备。
背景技术
目前,人脸识别技术可以作为一种生物加密技术,已经广泛的应用到如智能手机、笔记本电脑、门禁***等电子设备中。例如,智能手机可以获取用户的人脸图像,然后利用人脸图像对用户进行身份验证。在验证通过后,用户可以使用该智能手机。
实际应用中,非法用户可能会持有合法用户的人脸假体(如人脸图片或者面具等)替代自身进行身份验证,并在验证通过后合法使用电子设备(或者进入对应的区域内),这样不但会降低人脸识别的准确性,还会降低电子设备的安全性。
发明内容
本公开实施例提供了一种识别人脸假体的方法及装置、电子设备,以解决相关技术中利用人脸假体进行身份验证的问题。
根据本公开实施例的第一方面,提供一种识别人脸假体的方法,所述方法包括:
获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;
获取所述人脸区域的识别特征和所述背景区域的识别特征;
基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果。
可选地,获取目标对象的人脸图像包括:
获取源图像中目标对象的人脸区域的位置;所述源图像为三维源图像或者二维源图像;
基于所述人脸区域的位置确定所述人脸区域的外接矩形框;
基于预设放大倍数调整所述外接矩形框的尺寸,调整后的外接矩形框内的图像为人脸图像;所述外接矩形框调整前后对应的区域为所述人脸图像中的背景区域。
可选地,在所述人脸图像为三维人脸图像时,所述人脸区域和所述背景区域的识别特征为深度纹理特征,所述深度纹理特征由所述人脸图像中各像素点与图像采集模组之间的距离构成。
可选地,基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果包括:
获取所述人脸区域深度纹理特征中距离的最大值和最小值,以及所述背景区域深度纹理特征中距离的最大值和最小值;
基于最大值和最小值,分别计算所述人脸区域的第一距离区间和所述背景区域的第二距离区间;
若所述第一距离区间小于等于第一区间距离阈值,且所述第二距离区间小于等于第二区间距离阈值,则确定所述第一识别结果为所述人脸为人脸假体;
若所述第一距离区间小于等于第一区间距离阈值,且所述第二距离区间大于所述第二区间距离阈值,则确定所述第一识别结果为所述人脸疑似为人脸假体;
若所述第一距离区间大于所述第一区间距离阈值,则确定所述第一识别结果为所述人脸不是人脸假体。
可选地,得到第一识别结果之后,所述方法还包括:
基于相邻两帧人脸图像识别人脸,得到第二识别结果;
根据所述第一识别结果和所述第二识别结果计算所述人脸图像中人脸为人脸假体的概率值;
若所述概率值小于等于概率阈值,则确定所述人脸图像中人脸不是人脸假体;若大于所述概率阈值,则确定所述人脸图像中人脸是人脸假体。
可选地,在所述人脸图像为三维人脸图像时,基于相邻两帧人脸图像识别人脸,得到第二识别结果包括:
获取相邻两帧三维人脸图像;所述三维人脸图像中各像素点包括与图像采集模组之间的距离;
计算所述两帧三维人脸图像的相同位置像素点对应距离的差值,得到差分图像;
根据所述差分图像获取人脸图像中人脸区域的动态特征和背景区域的动态特征;
基于所述人脸区域的动态特征和所述背景区域的动态特征识别所述人脸图像中的人脸,得到第二识别结果。
可选地,基于所述人脸区域的动态特征和所述背景区域的动态特征识别所述人脸图像中的人脸,得到第二识别结果包括:
对比所述背景区域的动态特征的变化率和所述人脸区域的动态特征的变化率;
若所述人脸区域的动态特征的变化率大于所述背景区域的动态特征的变化率,则确定所述第二识别结果为所述人脸图像中人脸是人脸假体;若小于等于,则判断所述人脸区域的动态特征是否为随机变化特征;
若所述人脸区域的动态特征是随机变化特征,则确定所述第二识别结果为所述人脸图像中人脸不是人脸假体;若所述人脸区域的动态特征不是随机变化特征,则确定所述第二识别结果为所述人脸图像中人脸是人脸假体。
可选地,根据所述第一识别结果和所述第二识别结果计算所述人脸图像中人脸为人脸假体的概率值包括:
获取所述第一识别结果中的概率值和所述第二识别结果中的概率值,以及各概率值对应的权重值;
分别计算所述各概率值和对应的权重值的乘积,得到乘积的代数和作为所述人脸图像中人脸为人脸假体的概率值。
根据本公开实施例的第二方面,提供一种识别人脸假体的装置,包括:
人脸图像获取模块,用于获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;
识别特征获取模块,用于获取所述人脸区域的识别特征和所述背景区域的识别特征;
第一结果获取模块,用于基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果。
可选地,所述人脸图像获取模块包括:
人脸区域获取单元,用于获取源图像中目标对象的人脸区域的位置;所述源图像为三维源图像或者二维源图像;
外接矩形获取单元,用于基于所述人脸区域的位置确定所述人脸区域的外接矩形框;
人脸图像获取单元,用于基于预设放大倍数调整所述外接矩形框的尺寸,调整后的外接矩形框内的图像为人脸图像;所述外接矩形框调整前后对应的区域为所述人脸图像中的背景区域。
可选地,在所述人脸图像为三维人脸图像时,所述人脸区域和所述背景区域的识别特征为深度纹理特征,所述深度纹理特征由所述人脸图像中各像素点与图像采集模组之间的距离构成。
可选地,所述第一结果获取模块包括:
距离最值获取单元,用于获取所述人脸区域深度纹理特征中距离的最大值和最小值,以及所述背景区域深度纹理特征中距离的最大值和最小值;
距离区间计算单元,用于基于最大值和最小值,分别计算所述人脸区域的第一距离区间和所述背景区域的第二距离区间;
距离区间判断单元,用于在所述第一距离区间小于等于第一区间距离阈值且所述第二距离区间小于等于第二区间距离阈值时,确定所述第一识别结果为所述人脸为人脸假体;
还用于在所述第一距离区间小于等于第一区间距离阈值且所述第二距离区间大于所述第二区间距离阈值时,确定所述第一识别结果为所述人脸疑似为人脸假体;
还用于在所述第一距离区间大于所述第一区间距离阈值时,确定所述第一识别结果为所述人脸不是人脸假体。
可选地,所述装置还包括:
第二结果获取模块,用于基于相邻两帧人脸图像识别人脸,得到第二识别结果;
概率值获取模块,用于根据所述第一识别结果和所述第二识别结果计算所述人脸图像中人脸为人脸假体的概率值;
概率值判断模块,用于在所述概率值小于等于概率阈值时,确定所述人脸图像中人脸不是人脸假体;还用于在所述概率值大于所述概率阈值时,确定所述人脸图像中人脸是人脸假体。
可选地,在所述人脸图像为三维人脸图像时,所述第二结果获取模块包括:
人脸图像获取单元,用于获取相邻两帧三维人脸图像;所述三维人脸图像中各像素点包括与图像采集模组之间的距离;
差分图像计算单元,用于计算所述两帧三维人脸图像的相同位置像素点对应距离的差值,得到差分图像;
动态特征获取单元,用于根据所述差分图像获取人脸图像中人脸区域的动态特征和背景区域的动态特征;
第二结果获取单元,用于基于所述人脸区域的动态特征和所述背景区域的动态特征识别所述人脸图像中的人脸,得到第二识别结果。
可选地,所述第二结果获取单元包括:
变化率对比子单元,用于对比所述背景区域的动态特征的变化率和所述人脸区域的动态特征的变化率;
变化率判断子单元,用于在所述人脸区域的动态特征的变化率大于所述背景区域的动态特征的变化率时,确定所述第二识别结果为所述人脸图像中人脸是人脸假体;还用于在所述人脸区域的动态特征的变化率小于等于所述背景区域的动态特征的变化率时触发动态特征判断子单元;
所述人脸假体判断子单元,用于判断所述人脸区域的动态特征是否为随机变化特征,在所述人脸区域的动态特征是随机变化特征时,确定所述第二识别结果为所述人脸图像中人脸不是人脸假体;在所述人脸区域的动态特征不是随机变化特征时,确定所述第二识别结果为所述人脸图像中人脸是人脸假体。
可选地,所述概率值获取模块包括:
概率权重获取单元,用于获取所述第一识别结果中的概率值和所述第二识别结果中的概率值,以及各概率值对应的权重值;
概率值计算单元,用于分别计算所述各概率值和对应的权重值的乘积,得到乘积的代数和作为所述人脸图像中人脸为人脸假体的概率值
根据本公开实施例的第三方面,提供一种电子设备,包括:采集人脸图像的图像采集模组,处理器,用于存储所述处理器可执行指令的存储器;其中,所述处理器用于:
获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;
获取所述人脸区域的识别特征和所述背景区域的识别特征;
基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现:
获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;
获取所述人脸区域的识别特征和所述背景区域的识别特征;
基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开实施例中,通过增加背景区域,可以辅助人脸区域进行人脸识别。与人脸区域单独识别相比较,增加背景区域可以提高识别人脸假体的准确率,降低安全风险。
本公开实施例中,再基于两帧人脸图像识别人脸得到第二识别结果,然后结合第一识别结果和第二识别结果的概率值判断人脸图像中的人脸是否为人脸假体。这样,本实施例可以进一步提高识别人脸假体的准确率,进一步降低安全风险。
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是本公开根据一示例性实施例示出的识别人脸假体的方法的流程示意图;
图2是本公开根据一示例性实施例示出的获取包含人脸区域和背景区域的人脸图像的流程示意图;
图3是本公开根据一示例性实施例示出的外接矩形框的示意图;
图4是本公开根据一示例性实施例示出的获取第一识别结果的流程示意图;
图5是本公开根据另一示例性实施例示出的识别人脸假体的方法的流程示意图;
图6是本公开根据又一示例性实施例示出的识别人脸假体的方法的流程示意图;
图7是本公开根据一示例性实施例示出的根据动态特征获取第二识别结果的流程示意图;
图8是本公开根据一示例性实施例示出的深度卷积网络的结构示意图;
图9~图15是本公开根据又一示例性实施例示出的识别人脸假体的装置的框图;
图16是本公开根据一示例性实施例示出的电子设备的结构框图。
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。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
目前,考虑到利用人脸识别技术作加密方式时,有非法用户持有合法用户的图片或者面具等人脸假体进行身份验证,在验证通过后合法使用合法用户的电子设备的现象,本公开实施例提供了一种识别人脸假体的方法,可以应用于移动终端、个人计算机或服务器等电子设备,通过获取包括目标对象人脸区域的背景区域的人脸图像,然后获取人脸区域的识别特征和背景区域的识别特征,之后基于识别特征可以识别出人脸图像中人脸是否为人脸假体。
为方便描述,后续各实施例以服务器为执行主体为例进行说明,但不构成对方案的限定。
图1是本公开根据一示例性实施例示出的识别人脸假体的方法的流程示意图。参见图1,一种识别人脸假体的方法,包括:
101,获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域。
本实施例中,在目标对象位于图像采集模组的取景范围内后,图像采集模组可以实时或者实时采集目标对象的源图像,然后将源图像上传至服务器。
可理解的是,上述图像采集模组可以为平面图像采集模组或者3D图像采集模组,从而得到的人脸图像可以为三维人脸图像或者二维人脸图像。
服务器对源图像进行处理得到人脸图像,并且人脸图像中需要包括人脸区域和背景区域,参见图2,包括:
服务器利用相关技术中的人脸识别算法获取目标对象的人脸区域的位置(对应步骤201)。然后,服务器基于人脸区域的位置确定人脸区域的外接矩形框(对应步骤202),外接矩形框如图3中标识301所示。之后,服务器器基于预设放大倍数调整外接矩形框,调整后的外接矩形框如图3中标识302所示。其中标识302内的图像为人脸图像,标识301内的图像为人脸区域,标识301和标识302之间即外接矩形框调整前后对应的区域为背景区域。
其中,预设放大倍数可以为1.5~5,本实施例中预设放大倍数设置为2。当然,技术人员可以根据具体场景进行设置,在此不作限定。
可理解的是,人脸图像还可以由图像采集模组按照上述方式处理源图像得到,然后再发送给服务器,同样可以实现本申请的方案。
102,获取所述人脸区域的识别特征和所述背景区域的识别特征。
本实施例中,服务器可以按照预置的特征识别算法识别出人脸区域中的识别特征。其中,人脸区域的识别特征可以为鼻尖、左眼睛、右眼睛、左嘴角、右嘴角、人脸轮廓、深度纹理特征中的一个或者多个。当然,若目标对象的面部还有其他特征,例如胎记、伤疤等,同样可以作为其识别特征。技术人员可以根据具体场景进行设置。
本实施例中,服务器根据可以按照预置的特征识别算法识别出背景区域中的识别特征。其中,背景区域的识别特征可以为背景纹理、图案形状、图案与人脸中特征之间的距离、深度纹理特征中的一个或者多个,技术人员可以根据具体场景进行设置。
103,基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果。
本实施例中,服务器根据人脸区域的识别特征和背景区域的识别特征可以识别人脸图像中人脸是否为人脸假体,从而可以得到第一识别结果。需要说明的是,本实施例中第一识别结果是一个概率值,通过该概率值可以确定出人脸图像中人脸倾向于是人脸假体或者不是人脸假体。
在一实施例中,人脸图像可以为二维人脸图像,此时人脸区域的识别特征可以为鼻尖、左眼睛、右眼睛三个特征的位置和任意两个特征之间的距离。背景区域的识别特征可以为背景纹理。
服务器可以获取第一帧人脸图像的识别特征,然后再获取第二帧人脸图像的识别特征。针对第一帧人脸图像和第二帧人脸图像,服务器对比人脸区域的识别特征是否发生变化。
考虑到目标对象在任意两个时刻人脸会发生变化,在图像采集模组的采集周期设置合理时,第一帧人脸图像和第二帧人脸图像中人脸必然发生变化。基于此分析内容,若人脸区域的识别特征未变化,则确定第一识别结果为人脸图像中人脸为人脸假体;若人脸区域的识别特征发生变化,则服务器继续判断背景区域的识别特征是否发生变化;若背景区域的识别特征未变化,则确定第一识别结果为人脸图像中人脸疑似为人脸假体,若发生变化且变化大于人脸区域的识别特征的变化,则确定第一识别结果为人脸图像中人脸不是人脸假体,若变化小于人脸区域的识别特征的变化,则确定第一识别结果为人脸图像中人脸疑似为人脸假体。
在另一实施例中,人脸图像可以为三维人脸图像,此时人脸区域的识别特征和背景区域的识别特征都可以为深度纹理特征。在三维人脸图像中,每个像素点的坐标包括与图像采集模组之间的距离,人脸区域内所有或部分像素点的距离构成人脸区域的深度纹理特征,背景区域内所有或部分像素点的距离构成人脸区域的深度纹理特征。
参见图4,服务器可以获取人脸区域深度纹理特征中距离的最大值和最小值,并根据最大值和最小值可以计算出人脸区域的第一距离区间。同理,服务器可以获取背景区域深度纹理特征中距离的最大值和最小值,并根据最大值和最小值可以计算出背景区域的第二距离区间。
然后,服务器对比第一距离区间和第一区间距离阈值,以及第二距离区间和第二区间距离阈值,得到:
若第一距离区间小于等于第一区间距离阈值,且第二距离区间小于等于第二区间距离阈值,则确定第一识别结果为人脸是人脸假体;
若第一距离区间小于等于第一区间距离阈值,且第二距离区间大于第二区间距离阈值,则确定第一识别结果为人脸疑似为人脸假体;
若第一距离区间大于第一区间距离阈值,则确定第一识别结果为人脸不是人脸假体。
可见,本公开实施例中,通过在人脸图像中增加背景区域,可以辅助人脸区域进行人脸识别。与人脸区域单独识别相比较,增加背景区域可以提高识别人脸假体的准确率,降低安全风险。
图5是本公开根据一示例性实施例示出的识别人脸假体的方法的流程示意图。参见图5,一种识别人脸假体的方法包括步骤501~506,其中:
501,获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域。
步骤501和步骤101的具体方法和原理一致,详细描述请参考图1及步骤101的相关内容,此处不再赘述。
502,获取所述人脸区域的识别特征和所述背景区域的识别特征。
步骤502和步骤102的具体方法和原理一致,详细描述请参考图1及步骤102的相关内容,此处不再赘述。
503,基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果。
步骤503和步骤103的具体方法和原理一致,详细描述请参考图1及步骤103的相关内容,此处不再赘述。
504,基于相邻两帧人脸图像识别人脸,得到第二识别结果。
参见图6,本实施例中服务器从接收到多帧人脸图像中,选择相邻的任意两帧人脸图像。然后,服务器获取两帧人脸图像的差分图像。之后,服务器基于差分图像可以得到人脸区域的动态特征和背景区域的动态特征。最后,服务器根据人脸区域的动态特征和背景区域的动态特征识别人脸图像中的人脸是否为人脸假体,得到第二识别结果。
在一些场景中,在获取差分图像之前,服务器还对每帧人脸图像进行归一化处理。例如服务器可以检测每帧人脸图像中的特征点,例如特征点可以是左眼睛、右眼睛、鼻尖、左嘴角和右嘴角,并根据特征点对人脸图像进行校正与归一化,从而使两帧人脸图像中相同位置对齐,有利于提高后续的识别效果。
在一实施例中,人脸图像为二维人脸图像,服务器获取第二识别结果的步骤包括:
由于每帧人脸图像中像素点的数据包含灰度值,服务器可以计算两帧人脸图像中相同位置像素点的灰度值之差,这样可以得到对应的差分图像。
服务器利用相关技术中的特征提取算法可以提取差分图像中的动态特征,例如眨眼、嘴角抽动等。同样服务器还可以提取出差分图像中背景区域的动态特征,例如背景纹理等。
参见图7,服务器计算人脸区域的动态特征的变化率,以及背景区域的动态特征的变化率。该变化率可以是每帧差分图像中不同像素点灰度值的变化率,还可以是多帧差分图像中同一位置像素点灰度值的变化率,在此不作限定。
本实施例中,考虑到图像采集模组与人脸的距离要大于与背景的距离,因此人脸移动或者人脸变化时,背景区域的变化要大于人脸区域的变化。基于此,服务器对比人脸区域的动态特征的变化率和背景区域的动态特征的变化率,若人脸区域的动态特征的变化率大于背景区域的动态特征的变化率,则确定所述第二识别结果为所述人脸图像中人脸是人脸假体。
若人脸区域的动态特征的变化率小于等于背景区域的动态特征的变化率,则判断所述人脸区域的动态特征是否为随机变化特征,若人脸区域的动态特征是随机变化特征,则确定第二识别结果为人脸图像中人脸不是人脸假体;若人脸区域的动态特征不是随机变化特征,则确定第二识别结果为人脸图像中人脸是人脸假体。
本实施例中,随机变化特征是指人脸不自觉的动作对应的特征,例如眨眼、嘴角抽动等。可理解的是,随机变化特征可以采用大数据方式,利用包含各种表情的大量人脸图像的动态图像训练某个神经网络算法,然后由该神经网络算法识别动态特征是否为随机变化特征。随机变化特征还可以预先存储在一个随机变化特征库中,然后计算动态特征与随机变化特征库中一个或者多个随机变化特征的相似度,在相似度超过设定相似度阈值时,则确定动态特征是随机变化特征。当然,技术人员还可以根据具体场景设置其他方式确定动态特征是否为随机变化特征,在能够实现本申请方案的情况下,同样落入本申请的保护范围。
在另一实施例中,人脸图像为三维人脸图像,服务器获取第二识别结果的步骤,继续参见图6和图7,包括:
由于每帧人脸图像中像素点的数据包含与图像采集模组之间的距离,服务器可以计算两帧人脸图像中相同位置像素点的距离之差,这样可以得到差分图像。
服务器利用相关技术中的特征提取算法可以提取差分图像中的动态特征,例如人脸动作时对应的距离变化。同样服务器还可以提取出差分图像中背景区域的动态特征,例如背景纹理对应的距离变化。
服务器计算人脸区域的动态特征的变化率,以及背景区域的动态特征的变化率。该变化率可以是每帧差分图像中不同像素点的距离的变化率,还可以是多帧差分图像中同一位置像素点距离的变化率,在此不作限定。
本实施例中,考虑到图像采集模组与人脸的距离要大于与背景的距离,因此人脸移动或者人脸变化时,背景区域的变化要大于人脸区域的变化。基于此,服务器对比人脸区域的动态特征的变化率和背景区域的动态特征的变化率,若人脸区域的动态特征的变化率大于背景区域的动态特征的变化率,则确定所述第二识别结果为所述人脸图像中人脸是人脸假体。
若人脸区域的动态特征的变化率小于等于背景区域的动态特征的变化率,则判断所述人脸区域的动态特征是否为随机变化特征(人脸不自觉的动作对应的特征,例如眨眼、嘴角抽动等),若人脸区域的动态特征是随机变化特征,则确定第二识别结果为人脸图像中人脸不是人脸假体;若人脸区域的动态特征不是随机变化特征,则确定第二识别结果为人脸图像中人脸是人脸假体。
505,根据所述第一识别结果和所述第二识别结果计算所述人脸图像中人脸为人脸假体的概率值。
本实施例中,服务器分别获取第一识别结果和第二识别结果中的概率值,以及第一识别结果和第二识别结果对应的权重值。然后,服务器计算第一识别结果的概率值和对应的权重值的乘积,以及第二识别结果的概率值和对应的权重值的乘积。最后,服务器计算两个乘积之和,从而可以得到人脸图像中人脸为人脸假体的概率值。
例如,第一识别结果为人脸是人脸假体的概率值为0.1,对应的权重值为0.6;第二识别结果为人脸是人脸假体的概率值为0.3,对应的权重值为0.4,则得到的人脸图像中人脸为人脸假体的概率值为:
0.1*0.6+0.3*0.4=0.06+0.12=0.18。
506,若所述概率值小于等于概率阈值,则确定所述人脸图像中人脸不是人脸假体;若大于所述概率阈值,则确定所述人脸图像中人脸是人脸假体。
本实施例中,服务器中预先存储概率阈值,概率阈值的取值可以设置,例如可以为0.5。若概率值小于等于概率阈值,则确定人脸图像中人脸不是人脸假体,若大于概率阈值,则人脸图像中人脸是人脸假体。
例如,由于0.18<0.5,因此可以得到人脸图像中人脸不是人脸假体。
本公开实施例中,通过增加背景区域,可以辅助人脸区域进行人脸识别。与人脸区域单独识别相比较,增加背景区域可以提高识别人脸假体的准确率,降低安全风险。并且,本实施例中再基于两帧人脸图像识别人脸得到第二识别结果,然后结合第一识别结果和第二识别结果的概率值判断人脸图像中的人脸是否为人脸假体。这样,本实施例可以进一步提高识别人脸假体的准确率,进一步降低安全风险。
本发明实施例还提供了一种识别人脸假体的方法,服务器采用图2所示的步骤获取到图3所示的人脸图像,该人脸图像中包括人脸区域和背景区域。然后,服务器将人脸图像输入到预先设置的深度卷积网络中,深度卷积网络的输出结果就是人脸图像中人脸是人脸假体的概率,即第一识别结果。
其中,深度卷积网络的结构,参见图8,从上向下依次包括:输入层、卷积块1(convolution block)、卷积块2~卷积块5,全连接层和输出层。本实施例中,每个卷积块包括一卷积层和一池化层。对于卷积块1的卷积层,其卷积核尺寸为3*3,通道数量为16个,然后卷积层的输出结果输入至池化层,经过池化层的处理得到特征图像,并将该特征图像作为下一个卷积块的输入图像。对于卷积块2~卷积块5的卷积层中,卷积核尺寸为3*3,通道数量为64,作用与卷积块1的功能相同。最终卷积块5输出特征图像至全连接层,由全连接层处理后输入至输出层,最终输出层输出识别结果。卷积层、池化层的工作过程可以参考相关技术中的方案,在此不再详述。
在一实施例中,服务器还可以获取相邻两帧人脸图像,检测每帧人脸图像中的特征点,例如左眼睛、右眼睛、鼻尖、左嘴角和右嘴角。然后,服务器根据特征点对人脸图像进行校正与归一化。之后,服务器利用人脸识别算法在归一化后的人脸图像中识别出人脸区域,并获取两帧人脸图像的差分图像;服务器将差分图像输入到深度卷积网络中获取第二识别结果。
可理解的是,获取第一识别结果的深度卷积网络和获取第二识别结果的深度卷积网络可以采用相同结构的卷积网络实现,也可以采用不同的网络实现,在此不作限定。
最后,服务器再根据第一识别结果和第二识别结果判断人脸图像中人脸是否为人脸假体,详细内容请参考步骤505的内容,在此不再赘述。
本公开实施例中,利用深度卷积网络对包含人脸区域和背景区域的人脸图像进行识别,通过增加背景区域可以提高识别人脸假体的准确率,降低安全风险。另外,本实施例中在增加背景区域的基础上继续增加差分图像识别人脸假体,可以进一步提高识别人脸假体的准确率,进一步降低安全风险。
图9是本公开根据一示例性实施例示出的识别人脸假体的装置的框图。参见图9,一种识别人脸假体的装置900包括:
人脸图像获取模块901,用于获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;
识别特征获取模块902,用于获取所述人脸区域的识别特征和所述背景区域的识别特征;
第一结果获取模块903,用于基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果。
图10是本公开根据另一示例性实施例示出的识别人脸假体的装置的框图。参见图10,在图9所示识别人脸假体的装置900的基础上,所述人脸图像获取模块901包括:
人脸区域获取单元1001,用于获取源图像中目标对象的人脸区域的位置;所述源图像为三维源图像或者二维源图像;
外接矩形获取单元1002,用于基于所述人脸区域的位置确定所述人脸区域的外接矩形框;
人脸图像获取单元1003,用于基于预设放大倍数调整所述外接矩形框的尺寸,调整后的外接矩形框内的图像为人脸图像;所述外接矩形框调整前后对应的区域为所述人脸图像中的背景区域。
在一实施例中,在所述人脸图像为三维人脸图像时,所述人脸区域和所述背景区域的识别特征为深度纹理特征,所述深度纹理特征由所述人脸图像中各像素点与图像采集模组之间的距离构成。
图11是本公开根据另一示例性实施例示出的识别人脸假体的装置的框图。参见图11,在图9所示识别人脸假体的装置900的基础上,所述第一结果获取模块903包括:
距离最值获取单元1101,用于获取所述人脸区域深度纹理特征中距离的最大值和最小值,以及所述背景区域深度纹理特征中距离的最大值和最小值;
距离区间计算单元1102,用于基于最大值和最小值,分别计算所述人脸区域的第一距离区间和所述背景区域的第二距离区间;
距离区间判断单元1103,用于在所述第一距离区间小于等于第一区间距离阈值且所述第二距离区间小于等于第二区间距离阈值时,确定所述第一识别结果为所述人脸为人脸假体;
还用于在所述第一距离区间小于等于第一区间距离阈值且所述第二距离区间大于所述第二区间距离阈值时,确定所述第一识别结果为所述人脸疑似为人脸假体;
还用于在所述第一距离区间大于所述第一区间距离阈值时,确定所述第一识别结果为所述人脸不是人脸假体。
图12是本公开根据另一示例性实施例示出的识别人脸假体的装置的框图。参见图12,在图11所示识别人脸假体的装置1200的基础上,还包括:
第二结果获取模块1201,用于基于相邻两帧人脸图像识别人脸,得到第二识别结果;
概率值获取模块1202,用于根据所述第一识别结果和所述第二识别结果计算所述人脸图像中人脸为人脸假体的概率值;
概率值判断模块1203,用于在所述概率值小于等于概率阈值时,确定所述人脸图像中人脸不是人脸假体;还用于在所述概率值大于所述概率阈值时,确定所述人脸图像中人脸是人脸假体。
图13是本公开根据另一示例性实施例示出的识别人脸假体的装置的框图。参见图13,在图12所示识别人脸假体的装置1200的基础上,在所述人脸图像为三维人脸图像时,所述第二结果获取模块1201包括:
人脸图像获取单元1301,用于获取相邻两帧三维人脸图像;所述三维人脸图像中各像素点包括与图像采集模组之间的距离;
差分图像计算单元1302,用于计算所述两帧三维人脸图像的相同位置像素点对应距离的差值,得到差分图像;
动态特征获取单元1303,用于根据所述差分图像获取人脸图像中人脸区域的动态特征和背景区域的动态特征;
第二结果获取单元1304,用于基于所述人脸区域的动态特征和所述背景区域的动态特征识别所述人脸图像中的人脸,得到第二识别结果。
图14是本公开根据另一示例性实施例示出的识别人脸假体的装置的框图。参见图14,在图13所示识别人脸假体的装置1200的基础上,所述第二结果获取单元1304包括:
变化率对比子单元1401,用于对比所述背景区域的动态特征的变化率和所述人脸区域的动态特征的变化率;
变化率判断子单元1402,用于在所述人脸区域的动态特征的变化率大于所述背景区域的动态特征的变化率时,确定所述第二识别结果为所述人脸图像中人脸是人脸假体;还用于在所述人脸区域的动态特征的变化率小于等于所述背景区域的动态特征的变化率时触发动态特征判断子单元1403;
所述人脸假体判断子单元1403,用于判断所述人脸区域的动态特征是否为随机变化特征,在所述人脸区域的动态特征是随机变化特征时,确定所述第二识别结果为所述人脸图像中人脸不是人脸假体;在所述人脸区域的动态特征不是随机变化特征时,确定所述第二识别结果为所述人脸图像中人脸是人脸假体。
图15是本公开根据另一示例性实施例示出的识别人脸假体的装置的框图。参见图15,在图12所示识别人脸假体的装置1200的基础上,所述概率值获取模块1202包括:
概率权重获取单元1501,用于获取所述第一识别结果中的概率值和所述第二识别结果中的概率值,以及各概率值对应的权重值;
概率值计算单元1502,用于分别计算所述各概率值和对应的权重值的乘积,得到乘积的代数和作为所述人脸图像中人脸为人脸假体的概率值
需要说明的是,本发明实施例提供的识别人脸假体的装置与图1~图7所示的方法实施例相对应,相关之处参见方法实施例的部分说明即可,在此不再赘述。
图16是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备1600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1616,电子设备1600可以包括以下一个或多个组件:处理组件1602,存储器1604,电源组件1606,多媒体组件1608,音频组件1610,输入/输出(I/O)的接口1612,传感器组件1614,通信组件1616以及图像采集模组1618。其中,图像采集模组1618采集人脸图像。存储器1604用于存储处理组件1602可执行的指令。处理组件1602从存储器1604读取指令以实现:
获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;
获取所述人脸区域的识别特征和所述背景区域的识别特征;
基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果。
处理组件1602通常控制电子设备1600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1602可以包括一个或多个处理器1620来执行指令。此外,处理组件1602可以包括一个或多个模块,便于处理组件1602和其他组件之间的交互。例如,处理组件1602可以包括多媒体模块,以方便多媒体组件1608和处理组件1602之间的交互。
存储器1604被配置为存储各种类型的数据以支持在电子设备1600的操作。这些数据的示例包括用于在电子设备1600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1604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1606为电子设备1600的各种组件提供电力。电源组件1606可以包括电源管理***,一个或多个电源,及其他与为电子设备1600生成、管理和分配电力相关联的组件。
多媒体组件1608包括在所述电子设备1600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1608包括一个前置摄像头和/或后置摄像头。当电子设备1600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1610被配置为输出和/或输入音频信号。例如,音频组件1610包括一个麦克风(MIC),当电子设备1600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1604或经由通信组件1616发送。在一些实施例中,音频组件1610还包括一个扬声器,用于输出音频信号。
I/O接口1612为处理组件1602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1614包括一个或多个传感器,用于为电子设备1600提供各个方面的状态评估。例如,传感器组件1614可以检测到电子设备1600的打开/关闭状态,组件的相对定位,例如所述组件为电子设备1600的显示器和小键盘,传感器组件1614还可以检测电子设备1600或电子设备1600一个组件的位置改变,用户与电子设备1600接触的存在或不存在,电子设备1600方位或加速/减速和电子设备1600的温度变化。传感器组件1614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1614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1614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1616被配置为便于电子设备1600和其他设备之间有线或无线方式的通信。电子设备1600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1616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1616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,图像采集模组1618可以为3D结构光相机或者3D摄像机等设备。
在示例性实施例中,电子设备1600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。
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,例如包括存储有计算机程序的存储器1604,上述计算机程序可由电子设备1600的处理器1620执行,以实现:获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;获取所述人脸区域的识别特征和所述背景区域的识别特征;基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果。
另外,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。
本领域技术人员在考虑说明书及实践这里公开的公开后,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)
1.一种识别人脸假体的方法,其特征在于,所述方法包括:
获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;
获取所述人脸区域的识别特征和所述背景区域的识别特征;在所述人脸图像为三维人脸图像时,所述人脸区域和所述背景区域的识别特征为深度纹理特征,所述深度纹理特征由所述人脸图像中各像素点与图像采集模组之间的距离构成;
基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果,包括:
获取所述人脸区域深度纹理特征中距离的最大值和最小值,以及所述背景区域深度纹理特征中距离的最大值和最小值;
基于最大值和最小值,分别计算所述人脸区域的第一距离区间和所述背景区域的第二距离区间;
若所述第一距离区间小于等于第一区间距离阈值,且所述第二距离区间小于等于第二区间距离阈值,则确定所述第一识别结果为所述人脸为人脸假体;
若所述第一距离区间小于等于第一区间距离阈值,且所述第二距离区间大于所述第二区间距离阈值,则确定所述第一识别结果为所述人脸疑似为人脸假体;
若所述第一距离区间大于所述第一区间距离阈值,则确定所述第一识别结果为所述人脸不是人脸假体。
2.根据权利要求1所述的方法,其特征在于,获取目标对象的人脸图像包括:
获取源图像中目标对象的人脸区域的位置;所述源图像为三维源图像或者二维源图像;
基于所述人脸区域的位置确定所述人脸区域的外接矩形框;
基于预设放大倍数调整所述外接矩形框的尺寸,调整后的外接矩形框内的图像为人脸图像;所述外接矩形框调整前后对应的区域为所述人脸图像中的背景区域。
3.根据权利要求1所述的方法,其特征在于,得到第一识别结果之后,所述方法还包括:
基于相邻两帧人脸图像识别人脸,得到第二识别结果;
根据所述第一识别结果和所述第二识别结果计算所述人脸图像中人脸为人脸假体的概率值;
若所述概率值小于等于概率阈值,则确定所述人脸图像中人脸不是人脸假体;若大于所述概率阈值,则确定所述人脸图像中人脸是人脸假体。
4.根据权利要求3所述的方法,其特征在于,在所述人脸图像为三维人脸图像时,基于相邻两帧人脸图像识别人脸,得到第二识别结果包括:
获取相邻两帧三维人脸图像;所述三维人脸图像中各像素点包括与图像采集模组之间的距离;
计算所述两帧三维人脸图像的相同位置像素点对应距离的差值,得到差分图像;
根据所述差分图像获取人脸图像中人脸区域的动态特征和背景区域的动态特征;
基于所述人脸区域的动态特征和所述背景区域的动态特征识别所述人脸图像中的人脸,得到第二识别结果。
5.根据权利要求4所述的方法,其特征在于,基于所述人脸区域的动态特征和所述背景区域的动态特征识别所述人脸图像中的人脸,得到第二识别结果包括:
对比所述背景区域的动态特征的变化率和所述人脸区域的动态特征的变化率;
若所述人脸区域的动态特征的变化率大于所述背景区域的动态特征的变化率,则确定所述第二识别结果为所述人脸图像中人脸是人脸假体;若小于等于,则判断所述人脸区域的动态特征是否为随机变化特征;
若所述人脸区域的动态特征是随机变化特征,则确定所述第二识别结果为所述人脸图像中人脸不是人脸假体;若所述人脸区域的动态特征不是随机变化特征,则确定所述第二识别结果为所述人脸图像中人脸是人脸假体。
6.根据权利要求3所述的方法,其特征在于,根据所述第一识别结果和所述第二识别结果计算所述人脸图像中人脸为人脸假体的概率值包括:
获取所述第一识别结果中的概率值和所述第二识别结果中的概率值,以及各概率值对应的权重值;
分别计算所述各概率值和对应的权重值的乘积,得到乘积的代数和作为所述人脸图像中人脸为人脸假体的概率值。
7.一种识别人脸假体的装置,其特征在于,所述装置包括:
人脸图像获取模块,用于获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;
识别特征获取模块,用于获取所述人脸区域的识别特征和所述背景区域的识别特征;在所述人脸图像为三维人脸图像时,所述人脸区域和所述背景区域的识别特征为深度纹理特征,所述深度纹理特征由所述人脸图像中各像素点与图像采集模组之间的距离构成;
第一结果获取模块,用于基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果;
所述第一结果获取模块包括:
距离最值获取单元,用于获取所述人脸区域深度纹理特征中距离的最大值和最小值,以及所述背景区域深度纹理特征中距离的最大值和最小值;
距离区间计算单元,用于基于最大值和最小值,分别计算所述人脸区域的第一距离区间和所述背景区域的第二距离区间;
距离区间判断单元,用于在所述第一距离区间小于等于第一区间距离阈值且所述第二距离区间小于等于第二区间距离阈值时,确定所述第一识别结果为所述人脸为人脸假体;
还用于在所述第一距离区间小于等于第一区间距离阈值且所述第二距离区间大于所述第二区间距离阈值时,确定所述第一识别结果为所述人脸疑似为人脸假体;
还用于在所述第一距离区间大于所述第一区间距离阈值时,确定所述第一识别结果为所述人脸不是人脸假体。
8.根据权利要求7所述的装置,其特征在于,所述人脸图像获取模块包括:
人脸区域获取单元,用于获取源图像中目标对象的人脸区域的位置;所述源图像为三维源图像或者二维源图像;
外接矩形获取单元,用于基于所述人脸区域的位置确定所述人脸区域的外接矩形框;
人脸图像获取单元,用于基于预设放大倍数调整所述外接矩形框的尺寸,调整后的外接矩形框内的图像为人脸图像;所述外接矩形框调整前后对应的区域为所述人脸图像中的背景区域。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二结果获取模块,用于基于相邻两帧人脸图像识别人脸,得到第二识别结果;
概率值获取模块,用于根据所述第一识别结果和所述第二识别结果计算所述人脸图像中人脸为人脸假体的概率值;
概率值判断模块,用于在所述概率值小于等于概率阈值时,确定所述人脸图像中人脸不是人脸假体;还用于在所述概率值大于所述概率阈值时,确定所述人脸图像中人脸是人脸假体。
10.根据权利要求9所述的装置,其特征在于,在所述人脸图像为三维人脸图像时,所述第二结果获取模块包括:
人脸图像获取单元,用于获取相邻两帧三维人脸图像;所述三维人脸图像中各像素点包括与图像采集模组之间的距离;
差分图像计算单元,用于计算所述两帧三维人脸图像的相同位置像素点对应距离的差值,得到差分图像;
动态特征获取单元,用于根据所述差分图像获取人脸图像中人脸区域的动态特征和背景区域的动态特征;
第二结果获取单元,用于基于所述人脸区域的动态特征和所述背景区域的动态特征识别所述人脸图像中的人脸,得到第二识别结果。
11.根据权利要求10所述的装置,其特征在于,所述第二结果获取单元包括:
变化率对比子单元,用于对比所述背景区域的动态特征的变化率和所述人脸区域的动态特征的变化率;
变化率判断子单元,用于在所述人脸区域的动态特征的变化率大于所述背景区域的动态特征的变化率时,确定所述第二识别结果为所述人脸图像中人脸是人脸假体;还用于在所述人脸区域的动态特征的变化率小于等于所述背景区域的动态特征的变化率时触发动态特征判断子单元;
所述人脸假体判断子单元,用于判断所述人脸区域的动态特征是否为随机变化特征,在所述人脸区域的动态特征是随机变化特征时,确定所述第二识别结果为所述人脸图像中人脸不是人脸假体;在所述人脸区域的动态特征不是随机变化特征时,确定所述第二识别结果为所述人脸图像中人脸是人脸假体。
12.根据权利要求9所述的装置,其特征在于,所述概率值获取模块包括:
概率权重获取单元,用于获取所述第一识别结果中的概率值和所述第二识别结果中的概率值,以及各概率值对应的权重值;
概率值计算单元,用于分别计算所述各概率值和对应的权重值的乘积,得到乘积的代数和作为所述人脸图像中人脸为人脸假体的概率值。
13.一种电子设备,其特征在于,所述电子设备包括:采集人脸图像的图像采集模组,处理器,用于存储所述处理器可执行指令的存储器;其中,所述处理器用于:
获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;
获取所述人脸区域的识别特征和所述背景区域的识别特征;在所述人脸图像为三维人脸图像时,所述人脸区域和所述背景区域的识别特征为深度纹理特征,所述深度纹理特征由所述人脸图像中各像素点与图像采集模组之间的距离构成;
基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果,包括:
获取所述人脸区域深度纹理特征中距离的最大值和最小值,以及所述背景区域深度纹理特征中距离的最大值和最小值;
基于最大值和最小值,分别计算所述人脸区域的第一距离区间和所述背景区域的第二距离区间;
若所述第一距离区间小于等于第一区间距离阈值,且所述第二距离区间小于等于第二区间距离阈值,则确定所述第一识别结果为所述人脸为人脸假体;
若所述第一距离区间小于等于第一区间距离阈值,且所述第二距离区间大于所述第二区间距离阈值,则确定所述第一识别结果为所述人脸疑似为人脸假体;
若所述第一距离区间大于所述第一区间距离阈值,则确定所述第一识别结果为所述人脸不是人脸假体。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现:
获取目标对象的人脸图像;所述人脸图像包括人脸区域和背景区域;
获取所述人脸区域的识别特征和所述背景区域的识别特征;在所述人脸图像为三维人脸图像时,所述人脸区域和所述背景区域的识别特征为深度纹理特征,所述深度纹理特征由所述人脸图像中各像素点与图像采集模组之间的距离构成;
基于所述人脸区域的识别特征和所述背景区域的识别特征识别所述人脸图像中人脸是否为人脸假体,得到第一识别结果,包括:
获取所述人脸区域深度纹理特征中距离的最大值和最小值,以及所述背景区域深度纹理特征中距离的最大值和最小值;
基于最大值和最小值,分别计算所述人脸区域的第一距离区间和所述背景区域的第二距离区间;
若所述第一距离区间小于等于第一区间距离阈值,且所述第二距离区间小于等于第二区间距离阈值,则确定所述第一识别结果为所述人脸为人脸假体;
若所述第一距离区间小于等于第一区间距离阈值,且所述第二距离区间大于所述第二区间距离阈值,则确定所述第一识别结果为所述人脸疑似为人脸假体;
若所述第一距离区间大于所述第一区间距离阈值,则确定所述第一识别结果为所述人脸不是人脸假体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810515416.5A CN108846321B (zh) | 2018-05-25 | 2018-05-25 | 识别人脸假体的方法及装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810515416.5A CN108846321B (zh) | 2018-05-25 | 2018-05-25 | 识别人脸假体的方法及装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846321A CN108846321A (zh) | 2018-11-20 |
CN108846321B true CN108846321B (zh) | 2022-05-03 |
Family
ID=64213588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810515416.5A Active CN108846321B (zh) | 2018-05-25 | 2018-05-25 | 识别人脸假体的方法及装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846321B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215045A (zh) * | 2019-07-12 | 2021-01-12 | 普天信息技术有限公司 | 一种活体检测方法和装置 |
CN111736697B (zh) * | 2020-06-22 | 2021-04-27 | 四川长虹电器股份有限公司 | 一种基于摄像头的手势操控方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389554A (zh) * | 2015-11-06 | 2016-03-09 | 北京汉王智远科技有限公司 | 基于人脸识别的活体判别方法和设备 |
CN105447432A (zh) * | 2014-08-27 | 2016-03-30 | 北京千搜科技有限公司 | 一种基于局部运动模式的人脸防伪方法 |
CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技(深圳)有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
CN107992833A (zh) * | 2017-12-08 | 2018-05-04 | 北京小米移动软件有限公司 | 图像识别方法、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956582B (zh) * | 2016-06-24 | 2019-07-30 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸识别*** |
CN106778518B (zh) * | 2016-11-24 | 2021-01-08 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
-
2018
- 2018-05-25 CN CN201810515416.5A patent/CN108846321B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447432A (zh) * | 2014-08-27 | 2016-03-30 | 北京千搜科技有限公司 | 一种基于局部运动模式的人脸防伪方法 |
CN105389554A (zh) * | 2015-11-06 | 2016-03-09 | 北京汉王智远科技有限公司 | 基于人脸识别的活体判别方法和设备 |
CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技(深圳)有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
CN107992833A (zh) * | 2017-12-08 | 2018-05-04 | 北京小米移动软件有限公司 | 图像识别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108846321A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488527B (zh) | 图像分类方法及装置 | |
EP3125158B1 (en) | Method and device for displaying images | |
CN108470322B (zh) | 处理人脸图像的方法、装置及可读存储介质 | |
CN106408603B (zh) | 拍摄方法及装置 | |
JP2016531362A (ja) | 肌色調整方法、肌色調整装置、プログラム及び記録媒体 | |
CN105554389B (zh) | 拍摄方法及装置 | |
CN107944367B (zh) | 人脸关键点检测方法及装置 | |
US11030733B2 (en) | Method, electronic device and storage medium for processing image | |
US9924090B2 (en) | Method and device for acquiring iris image | |
CN107958223B (zh) | 人脸识别方法及装置、移动设备、计算机可读存储介质 | |
US11308692B2 (en) | Method and device for processing image, and storage medium | |
CN108154466B (zh) | 图像处理方法及装置 | |
CN107220614B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN107038428B (zh) | 活体识别方法和装置 | |
CN112188091B (zh) | 人脸信息识别方法、装置、电子设备及存储介质 | |
CN112541400B (zh) | 基于视线估计的行为识别方法及装置、电子设备、存储介质 | |
CN112509005B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
EP3495999A1 (en) | Image recognition method, apparatus and computer readable storage medium | |
CN113643356A (zh) | 相机位姿确定、虚拟物体显示方法、装置及电子设备 | |
CN105678296B (zh) | 确定字符倾斜角度的方法及装置 | |
CN108846321B (zh) | 识别人脸假体的方法及装置、电子设备 | |
CN109145878B (zh) | 图像提取方法及装置 | |
CN108154090B (zh) | 人脸识别方法及装置 | |
US9665925B2 (en) | Method and terminal device for retargeting images | |
CN107564047B (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |