CN109508694A - 一种人脸识别方法及识别装置 - Google Patents
一种人脸识别方法及识别装置 Download PDFInfo
- Publication number
- CN109508694A CN109508694A CN201811504957.4A CN201811504957A CN109508694A CN 109508694 A CN109508694 A CN 109508694A CN 201811504957 A CN201811504957 A CN 201811504957A CN 109508694 A CN109508694 A CN 109508694A
- Authority
- CN
- China
- Prior art keywords
- target image
- classification
- image
- convolutional neural
- category
- 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.)
- Granted
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
- 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
本发明实施例提供了一种人脸识别方法及识别装置,其中方法包括:获取包含人脸信息的目标图像;将目标图像输入预先训练的第一分类卷积神经网络中,得到目标图像对应的第一类别;当目标图像的第一类别为非欺骗类别时,将目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量;当目标特征向量与预设人脸特征向量之间的相似度大于预设阈值时,将目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到目标图像对应的第二类别;当目标图像的第二类别为活体类别时,生成目标图像中人脸的识别结果。本发明实施例能够提高人脸识别的准确性。
Description
技术领域
本发明涉及人脸识别技术领域,特别是涉及一种人脸识别方法及识别装置。
背景技术
人脸识别技术,是一种通过分析人脸视觉特征信息从而进行身份鉴别的计算机技术,广泛应用于安防领域、金融领域等领域。例如,开启门禁设施、登录账户、付款等操作。人脸识别过程中,为了防止伪造人脸的攻击,例如,利用照片、屏幕图片、面具等进行欺骗,需要进行活体检测,即判断采集到的人脸为真实人脸,还是伪造人脸。
现有人脸识别方法在进行活体检测时,由于活体人脸与非活体人脸的特征信息具有明显差异,因此通常基于从人脸图像中所提取的特征信息进行检测。具体地,可以将采集的人脸图像所提取的特征信息输入活体检测模型中,从而得到活体检测结果。该活体检测模型通常通过训练数据集中的特征信息训练得到。
然而,发明人在实现本发明的过程中发现,现有技术至少存在如下问题:
现有的人脸识别方法,由于训练数据集中的特征信息是有限的,因此不可能覆盖所有的特征信息情况。而在进行活体检测时,当欺骗者使用照片或者屏显图像进行欺骗时,该特征信息受采集环境光照、采集图像分辨率等影响超出活体检测模型的检测范围而难以被检测出,因此,现有的单纯基于特征信息的人脸识别方法存在识别准确性低的问题。
发明内容
本发明实施例的目的在于提供一种人脸识别方法及识别装置,以实现提高人脸识别的准确性。具体技术方案如下:
第一方面,本发明实施例提供了一种人脸识别方法,所述方法包括:
获取包含人脸信息的目标图像;
将所述目标图像输入预先训练的第一分类卷积神经网络中,得到所述目标图像对应的第一类别;所述第一类别为:欺骗类别或者非欺骗类别;其中,所述第一分类卷积神经网络是根据各第一样本图像,以及对应的第一类别训练得到的;所述欺骗类别的第一样本图像中包含预设行为动作;
当所述目标图像的所述第一类别为非欺骗类别时,将所述目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量;其中,所述目标特征向量为:所述目标图像的人脸区域对应的特征向量;所述人脸识别卷积神经网络是根据各样本人脸区域,以及各样本人脸区域对应的特征向量训练得到的;
当所述目标特征向量与预设人脸特征向量之间的相似度大于预设阈值时,将所述目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到所述目标图像对应的第二类别;所述第二类别为:活体类别或者非活体类别;所述第二分类卷积神经网络是根据各第二样本图像的特征信息,以及各第二样本图像对应的第二类别训练得到的;
当所述目标图像的所述第二类别为活体类别时,生成所述目标图像中人脸的识别结果,所述人脸识别结果中包括:所述目标图像中人脸对应的身份信息。
可选地,所述将所述目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量之前,所述方法还包括:
将所述目标图像输入预先训练的人脸区域检测卷积神经网络中,得到所述目标图像的人脸区域;所述人脸区域检测卷积神经网络是根据各第三样本图像,以及各第三样本图像对应的人脸区域训练得到的。
可选地,所述将所述目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到所述目标图像对应的第二类别的步骤之前,所述方法还包括:
提取所述目标图像中的特征信息,所述特征信息包括:纹理特征信息或光流特征信息。
可选地,当所述目标图像的所述第二类别为非活体类别时,所述方法还包括:
向用户的移动端设备发送人脸识别失败信息。
可选地,所述获取包含人脸信息的目标图像之后,所述方法还包括:
将所述目标图像的色彩空间转换为与所述第一分类卷积神经网络相一致的色彩空间。
可选地,所述第一分类卷积神经网络的训练过程包括:
获取第一样本图像,并获取各第一样本图像对应的第一类别;其中,所述第一样本图像包括:正例第一样本图像和负例第一样本图像;所述正例第一样本图像为:在不同背景下不同人手握照片或具有显示功能的电子设备时拍摄得到的图像;所述电子设备包括:手机、平板电脑;所述负例第一样本图像为:不同背景下不同的人脸图像;
将所述正例第一样本图像和各正例第一样本图像对应的第一类别输入初始第一分类卷积神经网络,以及,将所述负例第一样本图像和各负例第一样本图像对应的第一类别输入所述初始第一分类卷积神经网络,训练得到所述第一分类卷积神经网络。
第二方面,本发明实施例还提供了一种人脸识别装置,所述装置包括:
第一获取模块,用于获取包含人脸信息的目标图像;
第一处理模块,用于将所述目标图像输入预先训练的第一分类卷积神经网络中,得到所述目标图像对应的第一类别;所述第一类别为:欺骗类别或者非欺骗类别;其中,所述第一分类卷积神经网络是根据各第一样本图像,以及对应的第一类别训练得到的;所述欺骗类别的第一样本图像中包含预设行为动作;
第二处理模块,用于当所述目标图像的所述第一类别为非欺骗类别时,将所述目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量;其中,所述目标特征向量为:所述目标图像的人脸区域对应的特征向量;所述人脸识别卷积神经网络是根据各样本人脸区域,以及各样本人脸区域对应的特征向量训练得到的;
第三处理模块,用于当所述目标特征向量与预设人脸特征向量之间的相似度大于预设阈值时,将所述目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到所述目标图像对应的第二类别;所述第二类别为:活体类别或者非活体类别;所述第二分类卷积神经网络是根据各第二样本图像的特征信息,以及各第二样本图像对应的第二类别训练得到的;
生成模块,用于当所述目标图像的所述第二类别为活体类别时,生成所述目标图像中人脸的识别结果,所述人脸识别结果中包括:所述目标图像中人脸对应的身份信息。
可选地,所述第一获取模块,具体用于:当所述目标图像的所述第一类别为欺骗类别时,获取所述目标图像的后一帧图像,将后一帧图像作为新的目标图像;
可选地,所述装置还包括:
第四处理模块,用于将所述目标图像输入预先训练的人脸区域检测卷积神经网络中,得到所述目标图像的人脸区域;所述人脸区域检测卷积神经网络是根据各第三样本图像,以及各第三样本图像对应的人脸区域训练得到的。
可选地,所述装置还包括:
提取模块,用于提取所述目标图像中的特征信息,所述特征信息包括:纹理特征信息或光流特征信息。
可选地,所述装置还包括:
发送模块,用于当所述目标图像的所述第二类别为非活体类别时,向用户的移动端设备发送人脸识别失败信息。
可选地,所述装置还包括:
转换模块,用于将所述目标图像的色彩空间转换为与所述第一分类卷积神经网络相一致的色彩空间。
可选地,所述装置还包括:
第二获取模块,用于获取第一样本图像,并获取各第一样本图像对应的第一类别;其中,所述第一样本图像包括:正例第一样本图像和负例第一样本图像;所述正例第一样本图像为:在不同背景下不同人手握照片或具有显示功能的电子设备时拍摄得到的图像;所述电子设备包括:手机、平板电脑;所述负例第一样本图像为:不同背景下不同的人脸图像;
训练模块,用于将所述正例第一样本图像和各正例第一样本图像对应的第一类别输入初始第一分类卷积神经网络,以及,将所述负例第一样本图像和各负例第一样本图像对应的第一类别输入所述初始第一分类卷积神经网络,训练得到所述第一分类卷积神经网络。
第三方面,本发明实施例还提供了一种服务器,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述人脸识别方法的方法步骤。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的人脸识别方法。
在本发明实施的又一方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的人脸识别方法。
本发明实施例提供的一种人脸识别方法及识别装置,在获取包含人脸信息的目标图像后,通过将目标图像输入预先训练的第一分类卷积神经网络中,从而确定目标图像的第一类别,即,确定目标图像为欺骗类别或非欺骗类别,当目标图像为非欺骗类别时,对目标图像做进一步人脸识别处理,因此能够避免欺骗者使用照片或者屏显图像而通过人脸识别情况的发生,相比于现有的单纯采用特征信息进行检测的方法,能够提高人脸识别的准确性。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的人脸识别方法的一种流程示意图;
图2为本发明实施例提供的人脸识别方法的另一种流程示意图;
图3为本发明实施例提供的人脸识别方法的再一种流程示意图;
图4为本发明实施例中训练第一分类卷积神经网络的流程示意图;
图5为本发明实施例提供的人脸识别装置的一种结构示意图;
图6为本发明实施例提供的人脸识别装置的另一种结构示意图;
图7为本发明实施例提供的人脸识别装置的再一种结构示意图;
图8为本发明实施例提供的人脸识别装置的第四种结构示意图;
图9为本发明实施例提供的服务器的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
现有的人脸识别方法,在进行活体检测时,当欺骗者使用照片或者屏显图像进行欺骗时,所提取的特征信息受采集环境光照、采集图像分辨率等因素影响,使得该特征信息超出活体检测模型的检测范围而难以被检测出,导致活体检测的准确性降低,进而导致人脸识别过程的准确性降低。
有鉴于此,本发明实施例提供了一种人脸识别方法及识别装置,在获取包含人脸信息的目标图像后,通过将目标图像输入预先训练的第一分类卷积神经网络中,从而确定目标图像的第一类别,即,确定目标图像为欺骗类别或非欺骗类别,即使欺骗者的特征信息不在活体检测模型的检测范围内,也可以先被识别为欺骗类别而被排除。当目标图像为非欺骗类别时,再对目标图像做进一步人脸识别处理,因此能够避免欺骗者使用照片或者屏显图像而通过人脸识别情况的发生,相比于现有的单纯采用特征信息进行检测的方法,能够提高人脸识别的准确性。
下面首先对本发明实施例所提供的一种人脸识别方法进行说明。
本发明实施例提供了一种人脸识别方法,如图1所示,该方法包括:
S110,获取包含人脸信息的目标图像。
本发明实施例中,可以获取由移动端设备拍摄的图像,并将所获取图像作为目标图像。其具体应用场景可以为,当需要进行人脸识别时,用户可以通过具有摄像功能的移动端设备进行拍摄,移动端设备采集到包含人脸信息的图像并传输至服务器,从而使服务器获取目标图像。
图像采集过程可以为一个连续的过程,因此,在采集一张包含人脸信息的图像后,如有需要,移动端设备可以再次采集图像。服务器可以针对所获取的图像进行人脸识别,该图像即为目标图像,
S120,将目标图像输入预先训练的第一分类卷积神经网络中,得到目标图像对应的第一类别。
本发明实施例中,为了提高人脸识别的准确性,服务器可以预先根据一定数量的第一样本图像,如500个、1000个、10000个等,以及各第一样本图像对应的第一类别训练得到第一分类卷积神经网络。使用该第一分类卷积神经网络,当输入目标图像时,该第一分类卷积神经网络可以输出目标图像对应的第一类别,即:欺骗类别或者非欺骗类别。
被判定为欺骗类别的目标图像中可以包含预设行为动作,例如,手握照片或手机、平板电脑等电子设备的行为动作,或者,手举照片或手机、平板电脑等电子设备的行为动作,也即,该预设行为动作为能够表明用户试图通过非本人的真实人脸进行欺骗的动作。
被判定为非欺骗类别的目标图像中可以为仅包含用户人脸的图像,也即,非欺骗类别的目标图像中未包含试图通过非本人的真实人脸进行欺骗的预设行为动作。
由于本发明实施例可以得到目标图像的第一类别,即,对目标图像先进行了是否具有欺骗行为的分类,因此可以避免欺骗者使用照片或者屏显图像而通过人脸识别情况的发生。
需要说明的是,上述第一分类卷积神经网络可以为,将现有的开源图像卷积神经网络模型的最后一层全连接层的输出类别修改为2类后得到,例如:现有的VGG(由牛津大学计算机视觉组提出的一种神经网络模型),ResNet(由微软亚洲研究院的何凯明团队提出的一种神经网络模型),DenseNet(Dense Convolutional Network,一种具有密集连接的神经网络模型),NASNet(一种基于神经结构搜索架构构建的神经网络模型),MobileNet(一种针对嵌入式设备提出的轻量级神经网络模型)等图像卷积神经网络模型。
S130,当目标图像的第一类别为非欺骗类别时,将目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量。
在本发明实施例中,为了提高人脸识别的准确性,服务器可以预先根据一定数量的样本人脸区域,如500个、1000个、10000个等,以及各样本人脸区域对应的特征向量训练得到人脸识别卷积神经网络。使用该人脸识别卷积神经网络,当输入目标图像对应的人脸区域时,该人脸识别卷积神经网络可以输出各人脸区域对应的目标特征向量。其中,目标特征向量即为目标图像的人脸区域对应的特征向量,目标特征向量中携带有目标图像的人脸区域的特征信息。
因此,在本发明实施例中,在进行人脸识别时,当服务器获取目标图像的人脸区域后,可以将目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量。
S140,当目标特征向量与预设人脸特征向量之间的相似度大于预设阈值时,将目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到目标图像对应的第二类别。
本发明实施例中,可以在数据库中预先保存用户脸部区域图像的特征向量,即预设人脸特征向量,该预设人脸特征向量可以是用户注册账户时保存的。容易理解的是,由于特征向量本质为一个向量,因此在得到目标图像脸部区域对应的目标特征向量后,可以将目标特征向量与预设人脸特征向量进行匹配,从而得到两个向量间的相似度,然后将相似度与预设阈值进行比较。预设阈值例如可以设定为0.8,0.9,或者0.99,其中,随着预设阈值增大,则要求两个特征向量的相似度在更高的情况下才认为是相同的人脸,但误判率也随之升高。因此,开发人员在考虑合理误判率的前提下,可以根据实际业务需要对预设阈值进行设定。
在本发明实施例中,服务器可以预先根据一定数量的第二样本图像,如500个、1000个、10000个等,以及各第二样本图像对应的第二类别训练得到第二分类卷积神经网络。使用该第二分类卷积神经网络,当输入特征信息时,该第二分类卷积神经网络可以输出目标图像对应的第二类别,即:活体类别或者非活体类别。上述特征信息可以包括:纹理特征信息或光流特征信息。需要说明的是,可以通过现有的特征信息提取方法提取人脸图像中的特征信息,本发明实施例在此不再赘述。
因此,在本发明实施例中,在进行活体检测时,当服务器目标图像脸部区域对应的目标特征向量后,可以将目标特征向量输入预先训练的第二分类卷积神经网络中,得到目标图像对应的第二类别。
S150,当目标图像的第二类别为活体类别时,生成目标图像中人脸的识别结果。
本发明实施例中,当目标图像的第二类别为活体类别时,表明目标图像对应的人脸为活体,此时可以确定该目标图像即为合法用户上传的图像,则人脸识别成功,因此,服务器可以生成目标图像中人脸的识别结果,例如,目标图像中人脸对应的身份信息,包括姓名、性别等信息,进而可以将识别结果返回移动端设备,供移动端设备所运行的应用程序使用。
本发明实施例提供的一种人脸识别方法,在获取包含人脸信息的目标图像后,通过将目标图像输入预先训练的第一分类卷积神经网络中,从而确定目标图像的第一类别,即,确定目标图像为欺骗类别或非欺骗类别,当目标图像为非欺骗类别时,对目标图像做进一步人脸识别处理,因此能够避免欺骗者使用照片或者屏显图像而通过人脸识别情况的发生,相比于现有的单纯采用特征信息进行检测的方法,能够提高人脸识别的准确性。
本发明实施例还提供了一种人脸识别方法,如图2所示,该方法包括:
S210,获取包含人脸信息的目标图像。
该步骤与图1所示实施例1中的步骤S110相同,在此不再赘述。
S220,将目标图像的色彩空间转换为与第一分类卷积神经网络相一致的色彩空间。
如果目标图像的色彩空间为与第一分类卷积神经网络所使用的色彩空间不一致,则可以将目标图像的色彩空间转换为与第一分类卷积神经网络一致的色彩空间。例如,如果目标图像的色彩空间为LUV色彩空间,第一分类卷积神经网络所使用的色彩空间为RGB色彩空间,则可将目标图像的色彩空间从LUV转换为RGB,使得第一分类卷积神经网络能够正确识别该目标图像。
S230,将目标图像输入预先训练的第一分类卷积神经网络中,得到目标图像对应的第一类别。
该步骤与图1所示实施例1中的步骤S120相同,在此不再赘述。
S240,将目标图像输入预先训练的人脸区域检测卷积神经网络中,得到目标图像的人脸区域。
本发明实施例中,为了准确的得到目标图像的人脸区域,服务器可以预先根据一定数量的第三样本图像,如500个、1000个、10000个等,以及各第三样本图像对应的人脸区域训练得到人脸区域检测卷积神经网络。使用该人脸区域检测卷积神经网络,当输入目标图像时,该人脸区域检测卷积神经网络可以输出目标图像对应的人脸区域,例如,包含人脸所在区域的坐标范围信息。当然,除所举的例子所示的实现方式以外,实现该特征的方式均属于本发明实施例的保护范围。
S250,当目标图像的第一类别为非欺骗类别时,将目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量。
该步骤与图1所示实施例中的步骤S130相同,在此不再赘述。
S260,提取目标图像中的特征信息。
由于特征信息中携带有目标图像的图像特征,因此可以提取目标图像中的特征信息,例如,纹理特征信息,或者光流特征信息。可以通过现有的特征提取方法提取目标图像的特征信息,本发明实施例在此不再赘述。
S270,当目标特征向量与预设人脸特征向量间的相似度大于预设阈值时,将目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到目标图像对应的第二类别。
该步骤与图1所示实施例中的步骤S140相同,在此不再赘述。
S280,当目标图像的第二类别为活体类别时,生成目标图像中人脸的识别结果。
该步骤与图1所示实施例中的步骤S150相同,在此不再赘述。
本发明实施例提供的一种人脸识别方法,能够将目标图像的色彩空间转换为与第一分类卷积神经网络一致的色彩空间,从而使第一分类卷积神经网络能够正确识别该目标图像,并且,通过人脸区域检测卷积神经网络,能够准确的得到目标图像的人脸区域,为后续的目标特征向量获取过程提供准确的输入,从而提高整个人脸识别过程的准确性。
本发明实施例还提供了一种人脸识别方法,如图3所示,该方法包括:
S310,获取包含人脸信息的目标图像。
该步骤与图1所示实施例1中的步骤S110相同,在此不再赘述。
S320,将目标图像输入预先训练的第一分类卷积神经网络中,得到目标图像对应的第一类别。
该步骤与图1所示实施例1中的步骤S120相同,在此不再赘述。
S330,当目标图像的第一类别为非欺骗类别时,将目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量。
该步骤与图1所示实施例1中的步骤S130相同,在此不再赘述。
S340,当目标图像的第一类别为欺骗类别时,获取目标图像的后一帧图像,将后一帧图像作为新的目标图像。
由前述内容可知,图像采集过程可以为一个连续的过程,因此,可以将所采集的目标图像的后一帧图像作为新的目标图像,然后将该新的目标图像输入预先训练的第一分类卷积神经网络中,得到该新的目标图像对应的第一类别,即,再次执行第一类别的分类过程,即步骤S320。
S350,判断目标特征向量与预设人脸特征向量间的相似度是否大于预设阈值。
本发明实施例中,可以将目标特征向量与预设人脸特征向量进行匹配,从而得到两个向量间的相似度,然后将相似度与预设阈值进行比较,判断相似度与预设阈值的大小。
S360,当目标特征向量与预设人脸特征向量间的相似度大于预设阈值时,将目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到目标图像对应的第二类别。
该步骤与图1所示实施例中的步骤S140相同,在此不再赘述。
当目标特征向量与预设人脸特征向量间的相似度不大于预设阈值时,执行步骤310。
本发明实施例中,当目标特征向量与预设人脸特征向量间的相似度不大于预设阈值时,即,小于或等于预设阈值,表明目标特征向量与预设人脸特征向量相似程度低,因此可以重新获取目标图像,再次执行第一类别的分类过程。
S370,当目标图像的第二类别为活体类别时,生成目标图像中人脸的识别结果。
该步骤与图1所示实施例1中的步骤S150相同,在此不再赘述。
S380,当目标图像的第二类别为非活体类别时,向用户的移动端设备发送人脸识别失败信息。
当目标图像的第二类别为非活体类别时,表明用户的人脸识别未通过,此时,虽然用户没有使用照片等手段进行欺骗,但是仍有可能使用面具进行欺骗。因此,服务器可以向用户的移动端设备发送人脸识别失败信息,或者要求用户重新拍摄包含人脸的图像。
在本发明实施例中,服务器可以预先训练得到第一分类卷积神经网络,具体地,如图4所示,本发明实施例的人脸识别方法,还可以包括以下步骤:
S410,获取第一样本图像,并获取各第一样本图像对应的第一类别。
本发明实施例中,服务器在训练第一分类卷积神经网络时,可以首先获取第一样本图像,例如,可以获取尽可能多的第一样本图像,并且,第一样本图像包括:正例第一样本图像和负例第一样本图像。
其中,正例第一样本图像为:在不同背景下不同人手握照片或具有显示功能的电子设备时拍摄得到的图像。示例性地,电子设备可以为:手机、平板电脑、视频播放器等。负例第一样本图像为:不同背景下不同的人脸图像,或者单纯的背景图像。
S420,将正例第一样本图像和各正例第一样本图像对应的第一类别输入初始第一分类卷积神经网络,以及,将负例第一样本图像和各负例第一样本图像对应的第一类别输入初始第一分类卷积神经网络,训练得到第一分类卷积神经网络。
得到各第一样本图像对应的第一类别后,服务器可以将各第一样本图像及对应的第一类别作为训练样本,训练得到第一分类卷积神经网络。
具体地,服务器可以将各正例第一样本图像及对应的欺骗类别作为训练样本,将各负例第一样本图像及对应的非欺骗类别作为训练样本,训练得到第一分类卷积神经网络。
需要说明的是,在本发明实施例中,第一分类卷积神经网络的训练过程可以采用现有技术,本发明实施例对此过程不进行赘述。
本发明实施例提供的一种人脸识别方法,当目标图像的第一类别为欺骗类别时,服务器可以将所采集的目标图像的后一帧图像作为新的目标图像,再次执行第一类别的分类过程,避免因单次目标图像检测而造成的误测,提高用户体验。
本发明实施例还提供了一种人脸识别装置,与图1所示方法的流程对应,如图5所示,包括:
第一获取模块501,用于获取包含人脸信息的目标图像。
第一处理模块502,用于将目标图像输入预先训练的第一分类卷积神经网络中,得到目标图像对应的第一类别;第一类别为:欺骗类别或者非欺骗类别;其中,第一分类卷积神经网络是根据各第一样本图像,以及对应的第一类别训练得到的;欺骗类别的第一样本图像中包含预设行为动作,预设行为动作至少包括:手握照片或具有显示功能的电子设备的行为动作。
第二处理模块503,用于当目标图像的第一类别为非欺骗类别时,将目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量;其中,目标特征向量为:目标图像的人脸区域对应的特征向量;人脸识别卷积神经网络是根据各样本人脸区域,以及各样本人脸区域对应的特征向量训练得到的。
第三处理模块504,用于当目标特征向量与预设人脸特征向量之间的相似度大于预设阈值时,将目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到目标图像对应的第二类别;第二类别为:活体类别或者非活体类别;第二分类卷积神经网络是根据各第二样本图像的特征信息,以及各第二样本图像对应的第二类别训练得到的;
生成模块505,用于当目标图像的第二类别为活体类别时,生成目标图像中人脸的识别结果,人脸识别结果中包括:目标图像中人脸对应的身份信息。
本发明实施例提供的一种人脸识别装置,在获取包含人脸信息的目标图像后,通过将目标图像输入预先训练的第一分类卷积神经网络中,从而确定目标图像的第一类别,即,确定目标图像为欺骗类别或非欺骗类别,当目标图像为非欺骗类别时,对目标图像做进一步人脸识别处理,因此能够避免欺骗者使用照片或者屏显图像而通过人脸识别情况的发生,相比于现有的单纯采用特征信息进行检测的方法,能够提高人脸识别的准确性。
本发明实施例还提供了一种人脸识别装置,与图2所示方法的流程对应,在图5所示装置结构的基础上,如图6所示,还包括:
转换模块601,用于将目标图像的色彩空间转换为与第一分类卷积神经网络相一致的色彩空间。
第四处理模块602,用于将目标图像输入预先训练的人脸区域检测卷积神经网络中,得到目标图像的人脸区域;人脸区域检测卷积神经网络是根据各第三样本图像,以及各第三样本图像对应的人脸区域训练得到的。
提取模块603,用于提取目标图像中的特征信息,特征信息包括:纹理特征信息或光流特征信息。
本发明实施例提供的一种人脸识别装置,能够将目标图像的色彩空间转换为与第一分类卷积神经网络一致的色彩空间,从而使第一分类卷积神经网络能够正确识别该目标图像,并且,通过人脸区域检测卷积神经网络,能够准确的得到目标图像的人脸区域,为后续的目标特征向量获取过程提供准确的输入,从而提高整个人脸识别过程的准确性。
本发明实施例还提供了一种人脸识别装置,与图3所示方法的流程对应,在图5所示装置结构的基础上,如图7所示,还包括:
第一触发模块701,用于触发第一处理模块执行将目标图像输入预先训练的第一分类卷积神经网络中,得到目标图像对应的第一类别的步骤。
判断模块702,用于判断目标特征向量与预设人脸特征向量间的相似度是否大于预设阈值。
第二触发模块703,用于触发第一获取模块执行获取包含人脸信息的目标图像的步骤。
发送模块704,用于当目标图像的第二类别为非活体类别时,向用户的移动端设备发送人脸识别失败信息。
第一获取模块501,具体用于:当目标图像的第一类别为欺骗类别时,获取目标图像的后一帧图像,将后一帧图像作为新的目标图像。
作为本发明实施例一种可选的实施方式,如图8所示,装置还包括:
第二获取模块801,用于获取第一样本图像,并获取各第一样本图像对应的第一类别;其中,第一样本图像包括:正例第一样本图像和负例第一样本图像;正例第一样本图像为:在不同背景下不同人手握照片或具有显示功能的电子设备时拍摄得到的图像;电子设备包括:手机、平板电脑;负例第一样本图像为:不同背景下不同的人脸图像。
训练模块802,用于将正例第一样本图像和各正例第一样本图像对应的第一类别输入初始第一分类卷积神经网络,以及,将负例第一样本图像和各负例第一样本图像对应的第一类别输入初始第一分类卷积神经网络,训练得到第一分类卷积神经网络。
本发明实施例提供的一种人脸识别装置,当目标图像的第一类别为欺骗类别时,服务器可以将所采集的目标图像的后一帧图像作为新的目标图像,再次执行第一类别的分类过程,避免因单次目标图像检测而造成的误测,提高用户体验。
本发明实施例还提供了一种服务器,如图9所示,包括处理器901、通信接口902、存储器903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信,
存储器903,用于存放计算机程序;
处理器901,用于执行存储器903上所存放的程序时,实现如下步骤:
获取包含人脸信息的目标图像;
将目标图像输入预先训练的第一分类卷积神经网络中,得到目标图像对应的第一类别;第一类别为:欺骗类别或者非欺骗类别;其中,第一分类卷积神经网络是根据各第一样本图像,以及对应的第一类别训练得到的;欺骗类别的第一样本图像中包含预设行为动作,预设行为动作至少包括:手握照片或具有显示功能的电子设备的行为动作;
当目标图像的第一类别为非欺骗类别时,将目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量;其中,目标特征向量为:目标图像的人脸区域对应的特征向量;人脸识别卷积神经网络是根据各样本人脸区域,以及各样本人脸区域对应的特征向量训练得到的;
当目标特征向量与预设人脸特征向量之间的相似度大于预设阈值时,将目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到目标图像对应的第二类别;第二类别为:活体类别或者非活体类别;第二分类卷积神经网络是根据各第二样本图像的特征信息,以及各第二样本图像对应的第二类别训练得到的;
当目标图像的第二类别为活体类别时,生成目标图像中人脸的识别结果,人脸识别结果中包括:目标图像中人脸对应的身份信息。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述服务器与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一的人脸识别方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一的人脸识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,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。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (13)
1.一种人脸识别方法,其特征在于,所述方法包括:
获取包含人脸信息的目标图像;
将所述目标图像输入预先训练的第一分类卷积神经网络中,得到所述目标图像对应的第一类别;所述第一类别为:欺骗类别或者非欺骗类别;其中,所述第一分类卷积神经网络是根据各第一样本图像,以及对应的第一类别训练得到的;所述欺骗类别的第一样本图像中包含预设行为动作;
当所述目标图像的所述第一类别为非欺骗类别时,将所述目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量;其中,所述目标特征向量为:所述目标图像的人脸区域对应的特征向量;所述人脸识别卷积神经网络是根据各样本人脸区域,以及各样本人脸区域对应的特征向量训练得到的;
当所述目标特征向量与预设人脸特征向量之间的相似度大于预设阈值时,将所述目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到所述目标图像对应的第二类别;所述第二类别为:活体类别或者非活体类别;所述第二分类卷积神经网络是根据各第二样本图像的特征信息,以及各第二样本图像对应的第二类别训练得到的;
当所述目标图像的所述第二类别为活体类别时,生成所述目标图像中人脸的识别结果,所述人脸识别结果中包括:所述目标图像中人脸对应的身份信息。
2.根据权利要求1所述的方法,其特征在于,所述将所述目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量之前,所述方法还包括:
将所述目标图像输入预先训练的人脸区域检测卷积神经网络中,得到所述目标图像的人脸区域;所述人脸区域检测卷积神经网络是根据各第三样本图像,以及各第三样本图像对应的人脸区域训练得到的。
3.根据权利要求1所述的方法,其特征在于,所述将所述目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到所述目标图像对应的第二类别的步骤之前,所述方法还包括:
提取所述目标图像中的特征信息,所述特征信息包括:纹理特征信息或光流特征信息。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述目标图像的所述第二类别为非活体类别时,向用户的移动端设备发送人脸识别失败信息。
5.根据权利要求1所述的方法,其特征在于,所述获取包含人脸信息的目标图像之后,所述方法还包括:
将所述目标图像的色彩空间转换为与所述第一分类卷积神经网络相一致的色彩空间。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述第一分类卷积神经网络的训练过程包括:
获取第一样本图像,并获取各第一样本图像对应的第一类别;其中,所述第一样本图像包括:正例第一样本图像和负例第一样本图像;所述正例第一样本图像为:在不同背景下不同人手握照片或具有显示功能的电子设备时拍摄得到的图像;所述电子设备包括:手机、平板电脑;所述负例第一样本图像为:不同背景下不同的人脸图像;
将所述正例第一样本图像和各正例第一样本图像对应的第一类别输入初始第一分类卷积神经网络,以及,将所述负例第一样本图像和各负例第一样本图像对应的第一类别输入所述初始第一分类卷积神经网络,训练得到所述第一分类卷积神经网络。
7.一种人脸识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取包含人脸信息的目标图像;
第一处理模块,用于将所述目标图像输入预先训练的第一分类卷积神经网络中,得到所述目标图像对应的第一类别;所述第一类别为:欺骗类别或者非欺骗类别;其中,所述第一分类卷积神经网络是根据各第一样本图像,以及对应的第一类别训练得到的;所述欺骗类别的第一样本图像中包含预设行为动作;
第二处理模块,用于当所述目标图像的所述第一类别为非欺骗类别时,将所述目标图像的人脸区域输入预先训练的人脸识别卷积神经网络中,得到目标特征向量;其中,所述目标特征向量为:所述目标图像的人脸区域对应的特征向量;所述人脸识别卷积神经网络是根据各样本人脸区域,以及各样本人脸区域对应的特征向量训练得到的;
第三处理模块,用于当所述目标特征向量与预设人脸特征向量之间的相似度大于预设阈值时,将所述目标图像所提取的特征信息输入预先训练好的第二分类卷积神经网络中,得到所述目标图像对应的第二类别;所述第二类别为:活体类别或者非活体类别;所述第二分类卷积神经网络是根据各第二样本图像的特征信息,以及各第二样本图像对应的第二类别训练得到的;
生成模块,用于当所述目标图像的所述第二类别为活体类别时,生成所述目标图像中人脸的识别结果,所述人脸识别结果中包括:所述目标图像中人脸对应的身份信息。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第四处理模块,用于将所述目标图像输入预先训练的人脸区域检测卷积神经网络中,得到所述目标图像的人脸区域;所述人脸区域检测卷积神经网络是根据各第三样本图像,以及各第三样本图像对应的人脸区域训练得到的。
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:
提取模块,用于提取所述目标图像中的特征信息,所述特征信息包括:纹理特征信息或光流特征信息。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括:
发送模块,用于当所述目标图像的所述第二类别为非活体类别时,向用户的移动端设备发送人脸识别失败信息。
11.根据权利要求7所述的装置,其特征在于,所述装置还包括:
转换模块,用于将所述目标图像的色彩空间转换为与所述第一分类卷积神经网络相一致的色彩空间。
12.根据权利要求7-11任一项所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取第一样本图像,并获取各第一样本图像对应的第一类别;其中,所述第一样本图像包括:正例第一样本图像和负例第一样本图像;所述正例第一样本图像为:在不同背景下不同人手握照片或具有显示功能的电子设备时拍摄得到的图像;所述电子设备包括:手机、平板电脑;所述负例第一样本图像为:不同背景下不同的人脸图像;
训练模块,用于将所述正例第一样本图像和各正例第一样本图像对应的第一类别输入初始第一分类卷积神经网络,以及,将所述负例第一样本图像和各负例第一样本图像对应的第一类别输入所述初始第一分类卷积神经网络,训练得到所述第一分类卷积神经网络。
13.一种服务器,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811504957.4A CN109508694B (zh) | 2018-12-10 | 2018-12-10 | 一种人脸识别方法及识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811504957.4A CN109508694B (zh) | 2018-12-10 | 2018-12-10 | 一种人脸识别方法及识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109508694A true CN109508694A (zh) | 2019-03-22 |
CN109508694B CN109508694B (zh) | 2020-10-27 |
Family
ID=65752131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811504957.4A Active CN109508694B (zh) | 2018-12-10 | 2018-12-10 | 一种人脸识别方法及识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508694B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245645A (zh) * | 2019-06-21 | 2019-09-17 | 北京字节跳动网络技术有限公司 | 人脸活体识别方法、装置、设备及存储介质 |
CN110414358A (zh) * | 2019-06-28 | 2019-11-05 | 平安科技(深圳)有限公司 | 基于人脸智能识别的信息输出方法、装置及存储介质 |
CN110942033A (zh) * | 2019-11-28 | 2020-03-31 | 重庆中星微人工智能芯片技术有限公司 | 用于推送信息的方法、装置、电子设备和计算机介质 |
CN111191521A (zh) * | 2019-12-11 | 2020-05-22 | 智慧眼科技股份有限公司 | 人脸活体检测方法、装置、计算机设备及存储介质 |
CN111695453A (zh) * | 2020-05-27 | 2020-09-22 | 深圳市优必选科技股份有限公司 | 绘本识别方法、装置及机器人 |
CN111832369A (zh) * | 2019-04-23 | 2020-10-27 | ***通信有限公司研究院 | 一种图像识别方法、装置及电子设备 |
CN112084858A (zh) * | 2020-08-05 | 2020-12-15 | 广州虎牙科技有限公司 | 对象识别方法和装置、电子设备及存储介质 |
CN112329497A (zh) * | 2019-07-18 | 2021-02-05 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法、装置及设备 |
CN112613345A (zh) * | 2020-03-18 | 2021-04-06 | 支付宝实验室(新加坡)有限公司 | 用户认证方法和*** |
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 |
CN112800997A (zh) * | 2020-04-10 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 一种活体检测方法、装置及设备 |
CN113221830A (zh) * | 2021-05-31 | 2021-08-06 | 平安科技(深圳)有限公司 | 一种超分活体识别方法、***、终端及存储介质 |
CN113255594A (zh) * | 2021-06-28 | 2021-08-13 | 深圳市商汤科技有限公司 | 人脸识别方法和装置、神经网络 |
CN113515999A (zh) * | 2021-01-13 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 图像处理模型的训练方法、装置、设备及可读存储介质 |
CN113609931A (zh) * | 2021-07-20 | 2021-11-05 | 上海德衡数据科技有限公司 | 基于神经网络的人脸识别方法及*** |
CN113723243A (zh) * | 2021-08-20 | 2021-11-30 | 南京华图信息技术有限公司 | 一种戴面罩的热红外图像人脸识别方法及应用 |
CN115115843A (zh) * | 2022-06-02 | 2022-09-27 | 马上消费金融股份有限公司 | 数据处理方法及装置 |
CN116597527A (zh) * | 2023-07-18 | 2023-08-15 | 第六镜科技(成都)有限公司 | 活体检测方法、装置、电子设备和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20170083752A1 (en) * | 2015-09-18 | 2017-03-23 | Yahoo! Inc. | Face detection |
CN107066942A (zh) * | 2017-03-03 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种活体人脸识别方法及*** |
CN107210007A (zh) * | 2014-11-13 | 2017-09-26 | 英特尔公司 | 防止基于面部的认证假冒 |
-
2018
- 2018-12-10 CN CN201811504957.4A patent/CN109508694B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107210007A (zh) * | 2014-11-13 | 2017-09-26 | 英特尔公司 | 防止基于面部的认证假冒 |
US20170083752A1 (en) * | 2015-09-18 | 2017-03-23 | Yahoo! Inc. | Face detection |
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 |
CN107066942A (zh) * | 2017-03-03 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种活体人脸识别方法及*** |
Non-Patent Citations (1)
Title |
---|
蔡泽民 等.: "人脸识别:从二维到三维", 《计算机工程与应用》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832369A (zh) * | 2019-04-23 | 2020-10-27 | ***通信有限公司研究院 | 一种图像识别方法、装置及电子设备 |
CN110245645A (zh) * | 2019-06-21 | 2019-09-17 | 北京字节跳动网络技术有限公司 | 人脸活体识别方法、装置、设备及存储介质 |
CN110245645B (zh) * | 2019-06-21 | 2021-06-08 | 北京字节跳动网络技术有限公司 | 人脸活体识别方法、装置、设备及存储介质 |
CN110414358A (zh) * | 2019-06-28 | 2019-11-05 | 平安科技(深圳)有限公司 | 基于人脸智能识别的信息输出方法、装置及存储介质 |
CN110414358B (zh) * | 2019-06-28 | 2022-11-25 | 平安科技(深圳)有限公司 | 基于人脸智能识别的信息输出方法、装置及存储介质 |
CN112329497A (zh) * | 2019-07-18 | 2021-02-05 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法、装置及设备 |
CN110942033B (zh) * | 2019-11-28 | 2023-05-26 | 重庆中星微人工智能芯片技术有限公司 | 用于推送信息的方法、装置、电子设备和计算机介质 |
CN110942033A (zh) * | 2019-11-28 | 2020-03-31 | 重庆中星微人工智能芯片技术有限公司 | 用于推送信息的方法、装置、电子设备和计算机介质 |
CN111191521A (zh) * | 2019-12-11 | 2020-05-22 | 智慧眼科技股份有限公司 | 人脸活体检测方法、装置、计算机设备及存储介质 |
CN111191521B (zh) * | 2019-12-11 | 2022-08-12 | 智慧眼科技股份有限公司 | 人脸活体检测方法、装置、计算机设备及存储介质 |
CN112613345A (zh) * | 2020-03-18 | 2021-04-06 | 支付宝实验室(新加坡)有限公司 | 用户认证方法和*** |
CN112800997A (zh) * | 2020-04-10 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 一种活体检测方法、装置及设备 |
CN112800997B (zh) * | 2020-04-10 | 2024-01-05 | 支付宝(杭州)信息技术有限公司 | 一种活体检测方法、装置及设备 |
CN111695453A (zh) * | 2020-05-27 | 2020-09-22 | 深圳市优必选科技股份有限公司 | 绘本识别方法、装置及机器人 |
CN111695453B (zh) * | 2020-05-27 | 2024-02-09 | 深圳市优必选科技股份有限公司 | 绘本识别方法、装置及机器人 |
CN112084858A (zh) * | 2020-08-05 | 2020-12-15 | 广州虎牙科技有限公司 | 对象识别方法和装置、电子设备及存储介质 |
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 |
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 |
CN113515999A (zh) * | 2021-01-13 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 图像处理模型的训练方法、装置、设备及可读存储介质 |
CN113221830B (zh) * | 2021-05-31 | 2023-09-01 | 平安科技(深圳)有限公司 | 一种超分活体识别方法、***、终端及存储介质 |
CN113221830A (zh) * | 2021-05-31 | 2021-08-06 | 平安科技(深圳)有限公司 | 一种超分活体识别方法、***、终端及存储介质 |
CN113255594A (zh) * | 2021-06-28 | 2021-08-13 | 深圳市商汤科技有限公司 | 人脸识别方法和装置、神经网络 |
CN113609931A (zh) * | 2021-07-20 | 2021-11-05 | 上海德衡数据科技有限公司 | 基于神经网络的人脸识别方法及*** |
CN113723243A (zh) * | 2021-08-20 | 2021-11-30 | 南京华图信息技术有限公司 | 一种戴面罩的热红外图像人脸识别方法及应用 |
CN113723243B (zh) * | 2021-08-20 | 2024-05-17 | 南京华图信息技术有限公司 | 一种戴面罩的热红外图像人脸识别方法及应用 |
CN115115843A (zh) * | 2022-06-02 | 2022-09-27 | 马上消费金融股份有限公司 | 数据处理方法及装置 |
CN115115843B (zh) * | 2022-06-02 | 2023-08-22 | 马上消费金融股份有限公司 | 数据处理方法及装置 |
CN116597527A (zh) * | 2023-07-18 | 2023-08-15 | 第六镜科技(成都)有限公司 | 活体检测方法、装置、电子设备和计算机可读存储介质 |
CN116597527B (zh) * | 2023-07-18 | 2023-09-19 | 第六镜科技(成都)有限公司 | 活体检测方法、装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109508694B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508694A (zh) | 一种人脸识别方法及识别装置 | |
US10650261B2 (en) | System and method for identifying re-photographed images | |
CN106897658B (zh) | 人脸活体的鉴别方法和装置 | |
US8750573B2 (en) | Hand gesture detection | |
US8792722B2 (en) | Hand gesture detection | |
WO2019109526A1 (zh) | 人脸图像的年龄识别方法、装置及存储介质 | |
US20180034852A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
CN108399665A (zh) | 基于人脸识别的安全监控方法、装置及存储介质 | |
WO2019033572A1 (zh) | 人脸遮挡检测方法、装置及存储介质 | |
CN108229335A (zh) | 关联人脸识别方法和装置、电子设备、存储介质、程序 | |
WO2019033525A1 (zh) | Au特征识别方法、装置及存储介质 | |
CN105956572A (zh) | 一种基于卷积神经网络的活体人脸检测方法 | |
US10403076B2 (en) | Method for securing and verifying a document | |
TWI712980B (zh) | 理賠資訊提取方法和裝置、電子設備 | |
CN107679475B (zh) | 门店监控评价方法、装置及存储介质 | |
CN108229457A (zh) | 证件的验证方法、装置、电子设备和存储介质 | |
CN108491794A (zh) | 面部识别的方法和装置 | |
TW201944294A (zh) | 身份驗證方法和裝置、電子裝置、電腦程式和儲存介質 | |
CN106056083B (zh) | 一种信息处理方法及终端 | |
CN110287862B (zh) | 基于深度学习的防偷拍检测方法 | |
JP7036401B2 (ja) | 学習用サーバ、不足学習用画像収集支援システム、及び不足学習用画像推定プログラム | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN108399401B (zh) | 用于检测人脸图像的方法和装置 | |
CN110363111B (zh) | 基于镜头失真原理的人脸活体检测方法、装置及存储介质 | |
CN110415113A (zh) | 金融数据处理方法、装置、服务器及可读存储介质 |
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 |