CN110032970A - 高准确率的活体检测方法、装置、计算机设备及存储介质 - Google Patents
高准确率的活体检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110032970A CN110032970A CN201910289491.9A CN201910289491A CN110032970A CN 110032970 A CN110032970 A CN 110032970A CN 201910289491 A CN201910289491 A CN 201910289491A CN 110032970 A CN110032970 A CN 110032970A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- attack
- mouth
- video
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001574 biopsy Methods 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 90
- 238000001727 in vivo Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 21
- 230000001815 facial effect Effects 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013481 data capture Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 17
- 210000001508 eye Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 108010001267 Protein Subunits Proteins 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000004886 head movement Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000004397 blinking Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及高准确率的活体检测方法、装置、计算机设备及存储介质，该方法包括获取图像数据；对图像数据进行筛选，以得到待检测图像；判断待检测图像的序列中是否包含指定动作；若是，则将包含指定动作的待检测图像输入至防视频攻击检测模型内进行攻击检测，以得到视频攻击检测结果；判断视频攻击检测结果是否为无视频攻击；若是，则输出活体检测成功的通知；防视频攻击检测模型是通过攻击图片与真人图片作为样本数据训练卷积神经网络所得的。本发明通过对图像数据进行清晰度和人脸筛选后，进行防动作攻击检测和防视频攻击检测，采用卷积神经网络进行防动作攻击检测和防视频攻击检测，实现防静态攻击和动态攻击，也可以提高检测的准确率。
Description
技术领域
本发明涉及活体检测方法，更具体地说是指高准确率的活体检测方法、装置、计算机设备及存储介质。
背景技术
人脸识别技术广泛应用于安防和身份验证***中。目前由于深度学习的发展，人脸比对技术越来越成熟，但是由于缺乏对图像来源的判定，单纯的比对无法判定被检测的对象是否为本人。当拿打印的照片，屏幕显示的照片攻击识别***，***无法判别比对的图像是否来自于真人拍摄还是制作的人脸素材，因此会存在冒充和欺骗等潜在危险。
目前存在一些***是通过在识别之前加入人脸活体检测环节以解决素材攻击的问题，人脸活体检测方式主要分为动作和静默活体两种。一般动作活体通过指令引导用户做出张嘴、眨眼、摇头或者读数字等动作来判别比对个体是否为其本人，动作活体需要用户的配合，对于静态图片防攻击能力强，但是无法防止视频的攻击；静默活体的检测则通过图像的纹理、边缘特征来判别是否为活体，用户可以无感知地通过人脸活体检测及比对，但是静默活体容易受到光照的影响同时容易被高清显示介质欺骗。
因此，有必要设计一种新的方法，实现既可以进行防静态攻击和动态攻击，也可以提高检测的准确率。
发明内容
本发明的目的在于克服现有技术的缺陷，提供高准确率的活体检测方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：高准确率的活体检测方法，包括：
获取图像数据；
对图像数据进行筛选，以得到待检测图像；
判断所述待检测图像的序列中是否包含指定动作；
若是，则将包含指定动作的待检测图像输入至防视频攻击检测模型内进行攻击检测，以得到视频攻击检测结果；
判断所述视频攻击检测结果是否为无视频攻击；
若是，则输出活体检测成功的通知；
其中，所述防视频攻击检测模型是通过攻击图片与真人图片作为样本数据训练卷积神经网络所得的。
其进一步技术方案为：所述对图像数据进行筛选，以得到待检测图像，包括：
利用MTCNN算法获取人脸坐标以及人脸关键点，以得到人脸图像；
根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；
计算初步待检测图像的拉普拉斯标准差；
筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。
其进一步技术方案为：所述计算初步待检测图像的拉普拉斯标准差，包括：
对初步待检测图像进行灰度化，以得到灰度图像；
计算灰度图像的梯度和散度，以形成拉普拉斯标准差。
其进一步技术方案为：所述判断所述待检测图像的序列中是否包含指定动作，包括：
将待检测图像输入眨眼检测神经网络模型中，以得到眨眼检测结果；
判断眨眼检测结果是否为有眨眼动作；
若否，则所述待检测图像中无包含指定动作；
若是，则将待检测图像输入张嘴检测神经网络模型中，以得到张嘴检测结果；
判断张嘴检测结果是否为有张嘴动作；
若否，则所述待检测图像中无包含指定动作；
若是，则根据关键点判断所述待检测图像中是否有转头动作的图像；
若是，则所述待检测图像中有包含指定动作；
若否，则所述待检测图像中无包含指定动作。
其进一步技术方案为：所述张嘴检测神经网络模型是通过将带有嘴巴状态标签的嘴巴部分图片作为样本数据训练三分类神经网络所得的。
其进一步技术方案为：所述眨眼检测神经网络模型是通过将带有眼睛状态标签的嘴巴部分图片作为样本数据训练三分类神经网络所得的。
本发明还提供了高准确率的活体检测装置，包括：
数据获取单元，用于获取图像数据；
筛选单元，用于对图像数据进行筛选，以得到待检测图像；
动作判断单元，用于判断所述待检测图像的序列中是否包含指定动作；
攻击检测单元，用于若是，则将包含指定动作的待检测图像输入至防视频攻击检测模型内进行攻击检测，以得到视频攻击检测结果；
结果判断单元，用于判断所述视频攻击检测结果是否为无视频攻击；
输出单元，用于若是，则输出活体检测成功的通知。
其进一步技术方案为：所述筛选单元包括：
人脸图像形成子单元，用于利用MTCNN算法获取人脸坐标以及人脸关键点，以得到人脸图像；
剔除子单元，用于根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；
计算子单元，用于计算初步待检测图像的拉普拉斯标准差；
差值筛选子单元，用于筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质，所述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可实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过对图像数据进行清晰度和人脸筛选后，进行防动作攻击检测和防视频攻击检测，采用卷积神经网络进行防动作攻击检测和防视频攻击检测，实现既可以进行防静态攻击和动态攻击，也可以提高检测的准确率。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的高准确率的活体检测方法的应用场景示意图；
图2为本发明实施例提供的高准确率的活体检测方法的流程示意图；
图3为本发明实施例提供的高准确率的活体检测方法的子流程示意图；
图4为本发明实施例提供的高准确率的活体检测方法的子流程示意图；
图5为本发明实施例提供的高准确率的活体检测方法的子流程示意图；
图6为本发明实施例提供的人脸关键点布置示意图；
图7为本发明实施例提供的张嘴图片的示意图；
图8为本发明实施例提供的闭嘴图片的示意图；
图9为本发明实施例提供的左右眼睁眼图片的示意图；
图10为本发明实施例提供的左右眼闭眼图片的示意图；
图11为本发明实施例提供的高准确率的活体检测装置的示意性框图；
图12为本发明实施例提供的计算机设备的示意性框图。
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清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的高准确率的活体检测方法的应用场景示意图。图2为本发明实施例提供的高准确率的活体检测方法的示意性流程图。该高准确率的活体检测方法可以运用于服务器中，该服务器与终端进行数据交互，由终端获取图像数据，输入到服务器内，由服务器进行活体检测，并将检测结果输出以控制后续设备进行对应操作，实现既可以进行防静态攻击和动态攻击，也可以提高检测的准确率，可运用于超市、食堂刷脸支付***、银行自助***的人脸验证***、公司或者教育机构人脸签到***等领域。
图2是本发明实施例提供的高准确率的活体检测方法的流程示意图。如图2所示，该方法包括以下步骤S110至S170。
S110、获取图像数据。
在本实施例中，图像数据是指需要进行活体检测的图像，一般由带有摄像功能的终端获取。
S120、对图像数据进行筛选，以得到待检测图像。
在本实施例中，待检测图像是指出现人脸且清晰度满足要求的图像数据。
在一实施例中，请参阅图3，上述的步骤S120可包括步骤S121～S124。
S121、利用MTCNN算法获取人脸坐标以及人脸关键点，以得到人脸图像。
在本实施例中，人脸图像是指具备人脸坐标以及五个人脸关键点所组成的图像数据。
上述的MTCNN算法由3个网络结构组成，包括P-Net(生成网络，ProposalNetwork)，R-Net(再细化网络，Refine Network)，O-Net(输出网络，OutputNetwork)；P-Net该网络结构主要获得了人脸区域的候选窗口和边界框的回归向量。并用该边界框做回归，对候选窗口进行校准，然后通过非极大值抑制来合并高度重叠的候选框。R-Net该网络结构还是通过边界框回归和非极大值抑制来去掉那些false-positive区域。只是由于该网络结构和P-Net网络结构有差异，多了一个全连接层，所以会取得更好的抑制误报的作用。O-Net该层比R-Net层又多了一层卷基层，所以处理的结果会更加精细。作用和R-Net层作用一样。但是该层对人脸区域进行了更多的监督，同时还会输出5个地标。
另外，人脸关键点的布置如图6所示。
S122、根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像。
在本实施例中，初步待检测图像是指带有满足设定条件的人脸的图像，该设定条件是正脸的人脸出现。
可根据人脸关键点p1、p2、p3的位置关系即向左转头的时候x轴方向p1与p3绝对距离变小，p2与p3绝对距离变大；向右转头p1与p3绝对距离变大，p2与p3绝对距离变小，以此判断人脸是不是正脸，剔除掉不是正脸的图，当要求有完整的人脸时，即当前的人脸图像所呈现的人脸处于正脸状态，以提高后续的检测准确性。
S123、计算初步待检测图像的拉普拉斯标准差。
在一实施例中，请参阅图4，上述的步骤S123可包括步骤S1231～S1232。
S1231、对初步待检测图像进行灰度化，以得到灰度图像。
灰度图像是指图像的彩色转化成为灰度后所形成的图像。
在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255，一般有分量法，最大值法平均值法加权平均法四种方法对彩色图像进行灰度化。在本实施例中，具体是采用OpenCV函数cvtColor将图片进行灰度化。
S1232、计算灰度图像的梯度和散度，以形成拉普拉斯标准差。
S124、筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。
灰度化处理后，可更好的计算灰度图像的梯度和散度，利用Laplacian函数计算灰度图的梯度和散度，计算后得到图片矩阵的均值，即拉普拉斯标准差，值越小图片越模糊，值越大图像越清晰，剔除掉不清晰的图。
S130、判断所述待检测图像的序列中是否包含指定动作。
在终端提示要求对方进行眨眼、张嘴等动作，并获取多张对应图像数据，在对多张对应的图像数据进行筛选，得出清晰度较高且具有完整人脸的待检测图像，再对待检测图像进行防动作攻击。
判断待检测图像是否包含指定动作如张嘴、眨眼，例如张嘴动作，检测连续10帧图片，第一帧是闭嘴，第五帧是张嘴的状态，则可判定这10帧图像包含张嘴的动作。
在一实施例中，上述的步骤S130可包括步骤S131～S137。
S131、将待检测图像输入眨眼检测神经网络模型中，以得到眨眼检测结果。
终端会给出提示“请眨眨眼！”，进行眨眼检测，获取对应的图像数据，截取两只眼睛部位分别进行预测，分别检测到眨眼和睁眼的状态则检测成功，如果检测20秒仍未检测成功，则退出活体检测，提示检测失败；否则将首次验证为睁眼状态的图像数据送入防视频攻击检测模型C2，如果检测到攻击介质，提示检测失败，进入下一动作验证。
其中，所述眨眼检测神经网络模型是通过将带有眼睛状态标签的嘴巴部分图片作为样本数据训练三分类神经网络所得的。
眨眼动作通过卷积神经网络来验证，设计三分类神经网络C1，全连接层输出的向量长度为500维，用SoftmaxWithLoss作为损失函数来衡量训练收敛程度，样本数据集构建方法如下：根据人脸关键点分别截取多张图像数据两只眼睛部位，包括不眨眼、眨眼以及异常的三种类型的图像数据两只眼睛部位，左眼截取部位左上角坐标为(p1.x-0.25*W,p1.y-0.25*W)，右下角坐标为(p1.x+0.33*W,p1.y+0.25*W)；右眼截取部位左上角坐标为(p1.x+1.25*W,p2.y+0.25*W)，截取的部位如图9和图10所示，第三类为截取异常的部位。将这3类数据按照7:3的训练与测试的样本数据集比例制作lmdb格式的数据进行卷积神经网络的训练。
S132、判断眨眼检测结果是否为有眨眼动作；
S133、若否，则所述待检测图像中无包含指定动作。
若没有眨眼动作，则表明当前的眨眼测试失败，活体检测失败，输出非活体的通知。
S134、若是，则将待检测图像输入张嘴检测神经网络模型中，以得到张嘴检测结果。
在本实施例中，张嘴检测神经网络模型是通过将带有嘴巴状态标签的嘴巴部分图片作为样本数据训练三分类神经网络所得的。
终端在获取眨眼的图像数据后会提示“请张张嘴”，截取嘴部部分进行预测，如果20秒内未检测到张嘴和闭嘴两种状态则提示检测失败，否则将首次验证为闭嘴状态的图片送入攻击防视频攻击检测模型C2进行检测，检测到攻击介质则提示检测失败，否则进入下一验证环节。
张嘴动作的判定利用神经网络来实现，设计三分类神经网络C1，全连接层输出的向量长度为500维，用SoftmaxWithLoss作为损失函数来衡量训练收敛程度。样本数据集构建方法如下：对多张图像数据定位出的人脸关键点，截取正方形嘴巴部位，边长W＝|p4.x–p5.x|，左上点坐标为(p4.x，p4.y-0.5*W)，右下角坐标取(p5.x,p5.y+0.5*W)，截取的示例图如图7和图8所示。此外在人脸关键点不准的时候，会截取到其他部位，因此选取非嘴巴部位图片作为第三类，分别做好标签(0，1，2)，其中0代表闭嘴，1代表张嘴，3代表截取异常。然后将整理的张嘴、闭嘴数据按照7:3训练测试数据占比转化成lmdb数据格式对三分类神经网络C1进行训练。
S135、判断张嘴检测结果是否为有张嘴动作；
若否，则进入步骤S133；
S136、若是，则根据关键点判断所述待检测图像中是否有转头动作的图像。
是否有转头动作是根据定位出的关键点来判断，头部在向右、左转的时候p1，p2，p3三个点x坐标相对关系会改变，L1＝|p1.x-p2.x|、L2＝|p3.x-p2.x|，左转的时候L1/L2<0.8；右转的时候L1/L2>1.2；发出指令后统计10帧图片L1/L2比值信息，符合转头图片帧数比例达到0.5，确定有转头动作，终端会给出提示“请转头！”，检测连续的10帧图像数据，20秒内检测到有连续2帧图像数据处于正脸，以及连续两帧图像数据处于侧脸状态则表明有转头动作。
若否，则进入步骤S133；
S137、若是，则所述待检测图像中有包含指定动作。
S140、若是，则将包含指定动作的待检测图像输入至防视频攻击检测模型内进行攻击检测，以得到视频攻击检测结果。
具体是在眨眼、张嘴检测过程中挑选符合条件的图片进行防视频攻击检测。
在本实施例中，视频攻击检测结果是是对输入模型内的图像进行纸张和视频攻击后得出的类别。
其中，所述防视频攻击检测模型是通过攻击图片与真人图片作为样本数据训练卷积神经网络所得的。
设计one stage目标检测卷积神经网络C2，神经网络包含两个loss函数，分别用来优化分类和定位框的准确率，分类采用交叉熵损失函数：
检测框定位使用平方和损失函数：
构建样本数据包含1类的+数据集，数据集中包含手机、平板、电视等显示设备的攻击图片，标出设备的四个顶点，制作VOC2007数据集，并转成lmdb数据格式进行训练。在动作活体期间，在张嘴验证期间选择验证为张嘴的图片进行检测，在眨眼动作验证期间选择验证为睁眼的图片进行检测，判断是否存在攻击行为，当检测到显示设备的边缘及纹理信息则判断包含攻击，否则判定为真人。
若否，则输出活体检测失败的通知；
S150、判断所述视频攻击检测结果是否为无视频攻击；
S160、若是，则输出活体检测成功的通知；
S170、若否，则输出活体检测失败的通知。
在对指定动作进行检测过程中出现不包含指定动作的，则输出活体检测失败的通知，对于视频攻击检测结果为有视频攻击的，也输出活体检测失败的通知。
上述的高准确率的活体检测方法，通过对图像数据进行清晰度和人脸筛选后，进行防动作攻击检测和防视频攻击检测，采用卷积神经网络进行防动作攻击检测和防视频攻击检测，实现既可以进行防静态攻击和动态攻击，也可以提高检测的准确率。
图11是本发明实施例提供的一种高准确率的活体检测装置300的示意性框图。如图11所示，对应于以上高准确率的活体检测方法，本发明还提供一种高准确率的活体检测装置300。该高准确率的活体检测装置300包括用于执行上述高准确率的活体检测方法的单元，该装置可以被配置于服务器中。
具体地，请参阅图11，该高准确率的活体检测装置300包括：
数据获取单元301，用于获取图像数据；
筛选单元302，用于对图像数据进行筛选，以得到待检测图像；
动作判断单元303，用于判断所述待检测图像的序列中是否包含指定动作；
攻击检测单元304，用于若是，则将包含指定动作的待检测图像输入至防视频攻击检测模型内进行攻击检测，以得到视频攻击检测结果；
结果判断单元305，用于判断所述视频攻击检测结果是否为无视频攻击；
输出单元306，用于若是，则输出活体检测成功的通知。
在一实施例中，所述筛选单元302包括：
人脸图像形成子单元，用于利用MTCNN算法获取人脸坐标以及人脸关键点，以得到人脸图像；
剔除子单元，用于根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；
计算子单元，用于计算初步待检测图像的拉普拉斯标准差；
差值筛选子单元，用于筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。
在一实施例中，所述计算子单元包括：
灰度化模块，用于对初步待检测图像进行灰度化，以得到灰度图像；
标准差形成模块，用于计算灰度图像的梯度和散度，以形成拉普拉斯标准差。
在一实施例中，所述动作判断单元303包括：
眨眼检测子单元，用于将待检测图像输入眨眼检测神经网络模型中，以得到眨眼检测结果；
眨眼判断子单元，用于判断眨眼检测结果是否为有眨眼动作；若否，则所述待检测图像中无包含指定动作；
张嘴检测子单元，用于若是将待检测图像输入张嘴检测神经网络模型中，以得到张嘴检测结果；
张嘴判断子单元，用于判断张嘴检测结果是否为有张嘴动作；若否，则所述待检测图像中无包含指定动作；
转头判断子单元，用于若是，根据关键点判断所述待检测图像中是否有转头动作的图像；若是，则所述待检测图像中有包含指定动作；若否，则所述待检测图像中无带动作的图像。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述高准确率的活体检测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述高准确率的活体检测装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图12所示的计算机设备上运行。
请参阅图12，图12是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器。
参阅图12，该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种高准确率的活体检测方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种高准确率的活体检测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
获取图像数据；
对图像数据进行筛选，以得到待检测图像；
判断所述待检测图像的序列中是否包含指定动作；
若是，则将包含指定动作的待检测图像输入至防视频攻击检测模型内进行攻击检测，以得到视频攻击检测结果；
判断所述视频攻击检测结果是否为无视频攻击；
若是，则输出活体检测成功的通知；
获取转头图像；
其中，所述防视频攻击检测模型是通过攻击图片与真人图片作为样本数据训练卷积神经网络所得的。
在一实施例中，处理器502在实现所述对图像数据进行筛选，以得到待检测图像步骤时，具体实现如下步骤：
利用MTCNN算法获取人脸坐标以及人脸关键点，以得到人脸图像；
根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；
计算初步待检测图像的拉普拉斯标准差；
筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。
在一实施例中，处理器502在实现所述计算初步待检测图像的拉普拉斯标准差步骤时，具体实现如下步骤：
对初步待检测图像进行灰度化，以得到灰度图像；
计算灰度图像的梯度和散度，以形成拉普拉斯标准差。
在一实施例中，处理器502在实现所述判断所述待检测图像的序列中是否包含指定动作步骤时，具体实现如下步骤：
将待检测图像输入眨眼检测神经网络模型中，以得到眨眼检测结果；
判断眨眼检测结果是否为有眨眼动作；
若否，则所述待检测图像中无包含指定动作；
若是，则将待检测图像输入张嘴检测神经网络模型中，以得到张嘴检测结果；
判断张嘴检测结果是否为有张嘴动作；
若否，则所述待检测图像中无包含指定动作；
若是，则根据关键点判断所述待检测图像中是否有转头动作的图像；
若是，则所述待检测图像中有包含指定动作；
若否，则所述待检测图像中无包含指定动作。
其中，所述张嘴检测神经网络模型是通过将带有嘴巴状态标签的嘴巴部分图片作为样本数据训练三分类神经网络所得的。
所述眨眼检测神经网络模型是通过将带有眼睛状态标签的嘴巴部分图片作为样本数据训练三分类神经网络所得的。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
获取图像数据；
对图像数据进行筛选，以得到待检测图像；
判断所述待检测图像的序列中是否包含指定动作；
若是，则将包含指定动作的待检测图像输入至防视频攻击检测模型内进行攻击检测，以得到视频攻击检测结果；
判断所述视频攻击检测结果是否为无视频攻击；
若是，则输出活体检测成功的通知；
获取转头图像；
其中，所述防视频攻击检测模型是通过攻击图片与真人图片作为样本数据训练卷积神经网络所得的。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对图像数据进行筛选，以得到待检测图像步骤时，具体实现如下步骤：
利用MTCNN算法获取人脸坐标以及人脸关键点，以得到人脸图像；
根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；
计算初步待检测图像的拉普拉斯标准差；
筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。
在一实施例中，所述处理器在执行所述计算机程序而实现所述计算初步待检测图像的拉普拉斯标准差步骤时，具体实现如下步骤：
对初步待检测图像进行灰度化，以得到灰度图像；
计算灰度图像的梯度和散度，以形成拉普拉斯标准差。
在一实施例中，所述处理器在执行所述计算机程序而实现所述判断所述待检测图像的序列中是否包含指定动作步骤时，具体实现如下步骤：
将待检测图像输入眨眼检测神经网络模型中，以得到眨眼检测结果；
判断眨眼检测结果是否为有眨眼动作；
若否，则所述待检测图像中无包含指定动作；
若是，则将待检测图像输入张嘴检测神经网络模型中，以得到张嘴检测结果；
判断张嘴检测结果是否为有张嘴动作；
若否，则所述待检测图像中无包含指定动作；
若是，则根据关键点判断所述待检测图像中是否有转头动作的图像；
若是，则所述待检测图像中有包含指定动作；
若否，则所述待检测图像中无包含指定动作。
其中，所述张嘴检测神经网络模型是通过将带有嘴巴状态标签的嘴巴部分图片作为样本数据训练三分类神经网络所得的。
所述眨眼检测神经网络模型是通过将带有眼睛状态标签的嘴巴部分图片作为样本数据训练三分类神经网络所得的。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.高准确率的活体检测方法，其特征在于，包括：
获取图像数据；
对图像数据进行筛选，以得到待检测图像；
判断所述待检测图像的序列中是否包含指定动作；
若是，则将包含指定动作的待检测图像输入至防视频攻击检测模型内进行攻击检测，以得到视频攻击检测结果；
判断所述视频攻击检测结果是否为无视频攻击；
若是，则输出活体检测成功的通知；
其中，所述防视频攻击检测模型是通过攻击图片与真人图片作为样本数据训练卷积神经网络所得的。
2.根据权利要求1所述的高准确率的活体检测方法，其特征在于，所述对图像数据进行筛选，以得到待检测图像，包括：
利用MTCNN算法获取人脸坐标以及人脸关键点，以得到人脸图像；
根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；
计算初步待检测图像的拉普拉斯标准差；
筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。
3.根据权利要求2所述的高准确率的活体检测方法，其特征在于，所述计算初步待检测图像的拉普拉斯标准差，包括：
对初步待检测图像进行灰度化，以得到灰度图像；
计算灰度图像的梯度和散度，以形成拉普拉斯标准差。
4.根据权利要求1至3任一项所述的高准确率的活体检测方法，其特征在于，所述判断所述待检测图像的序列中是否包含指定动作，包括：
将待检测图像输入眨眼检测神经网络模型中，以得到眨眼检测结果；
判断眨眼检测结果是否为有眨眼动作；
若否，则所述待检测图像中无包含指定动作；
若是，则将待检测图像输入张嘴检测神经网络模型中，以得到张嘴检测结果；
判断张嘴检测结果是否为有张嘴动作；
若否，则所述待检测图像中无包含指定动作；
若是，则根据关键点判断所述待检测图像中是否有转头动作的图像；
若是，则所述待检测图像中有包含指定动作；
若否，则所述待检测图像中无包含指定动作。
5.根据权利要求4所述的高准确率的活体检测方法，其特征在于，所述张嘴检测神经网络模型是通过将带有嘴巴状态标签的嘴巴部分图片作为样本数据训练三分类神经网络所得的。
6.根据权利要求4所述的高准确率的活体检测方法，其特征在于，所述眨眼检测神经网络模型是通过将带有眼睛状态标签的嘴巴部分图片作为样本数据训练三分类神经网络所得的。
7.高准确率的活体检测装置，其特征在于，包括：
数据获取单元，用于获取图像数据；
筛选单元，用于对图像数据进行筛选，以得到待检测图像；
动作判断单元，用于判断所述待检测图像的序列中是否包含指定动作；
攻击检测单元，用于若是，则将包含指定动作的待检测图像输入至防视频攻击检测模型内进行攻击检测，以得到视频攻击检测结果；
结果判断单元，用于判断所述视频攻击检测结果是否为无视频攻击；
输出单元，用于若是，则输出活体检测成功的通知。
8.根据权利要求7所述的高准确率的活体检测装置，其特征在于，所述筛选单元包括：
人脸图像形成子单元，用于利用MTCNN算法获取人脸坐标以及人脸关键点，以得到人脸图像；
剔除子单元，用于根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；
计算子单元，用于计算初步待检测图像的拉普拉斯标准差；
差值筛选子单元，用于筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
10.一种存储介质，其特征在于，所述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可实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910289491.9A CN110032970A (zh) | 2019-04-11 | 2019-04-11 | 高准确率的活体检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910289491.9A CN110032970A (zh) | 2019-04-11 | 2019-04-11 | 高准确率的活体检测方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110032970A true CN110032970A (zh) | 2019-07-19 |
Family
ID=67237990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910289491.9A Pending CN110032970A (zh) | 2019-04-11 | 2019-04-11 | 高准确率的活体检测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110032970A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110688946A (zh) * | 2019-09-26 | 2020-01-14 | 上海依图信息技术有限公司 | 基于图片识别的公有云静默活体检测设备和方法 |
| CN111613227A (zh) * | 2020-03-31 | 2020-09-01 | 平安科技（深圳）有限公司 | 声纹数据生成方法、装置、计算机装置及存储介质 |
| CN111967319A (zh) * | 2020-07-14 | 2020-11-20 | 高新兴科技集团股份有限公司 | 基于红外和可见光的活体检测方法、装置、设备和存储介质 |
| CN113283370A (zh) * | 2021-06-08 | 2021-08-20 | 深圳市街角电子商务有限公司 | 基于双流信息的人脸活体检测方法和装置 |
| CN113992978A (zh) * | 2021-10-25 | 2022-01-28 | 中国工商银行股份有限公司 | 视频防御***的评估方法、装置、存储介质及处理器 |
| CN116110111A (zh) * | 2023-03-23 | 2023-05-12 | 平安银行股份有限公司 | 人脸识别方法、电子设备及存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680192A (zh) * | 2015-02-05 | 2015-06-03 | 国家电网公司 | 一种基于深度学习的电力图像分类方法 |
| CN105160652A (zh) * | 2015-07-10 | 2015-12-16 | 天津大学 | 基于计算机视觉的手机外壳检验装置与方法 |
| CN105989263A (zh) * | 2015-01-30 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 身份认证方法、开户方法、装置及*** |
| CN106557726A (zh) * | 2015-09-25 | 2017-04-05 | 北京市商汤科技开发有限公司 | 一种带静默式活体检测的人脸身份认证***及其方法 |
| CN106557723A (zh) * | 2015-09-25 | 2017-04-05 | 北京市商汤科技开发有限公司 | 一种带交互式活体检测的人脸身份认证***及其方法 |
| CN106709963A (zh) * | 2016-12-28 | 2017-05-24 | 平安科技（深圳）有限公司 | 验证图像真伪的方法和装置 |
| CN106982426A (zh) * | 2017-03-30 | 2017-07-25 | 广东微模式软件股份有限公司 | 一种远程实现旧卡实名制的方法与*** |
| CN107038708A (zh) * | 2017-04-21 | 2017-08-11 | 西安电子科技大学 | 图像识别算法在剪纸效果的应用 |
| CN107423597A (zh) * | 2017-03-23 | 2017-12-01 | 证通股份有限公司 | 实现视频见证的方法及设备 |
| CN108008383A (zh) * | 2017-11-09 | 2018-05-08 | 电子科技大学 | 一种迭代多基线高精度四次fft相位解缠方法 |
| CN108140123A (zh) * | 2017-12-29 | 2018-06-08 | 深圳前海达闼云端智能科技有限公司 | 人脸活体检测方法、电子设备和计算机程序产品 |
| CN108182409A (zh) * | 2017-12-29 | 2018-06-19 | 北京智慧眼科技股份有限公司 | 活体检测方法、装置、设备及存储介质 |
| CN108268864A (zh) * | 2018-02-24 | 2018-07-10 | 达闼科技（北京）有限公司 | 人脸识别方法、***、电子设备和计算机程序产品 |
| CN108563559A (zh) * | 2018-03-12 | 2018-09-21 | 平安普惠企业管理有限公司 | 一种验证码的测试方法、装置、终端设备及存储介质 |
| CN108986094A (zh) * | 2018-07-20 | 2018-12-11 | 南京开为网络科技有限公司 | 用于人脸识别用训练图像库的数据自动更新方法 |
| CN109359581A (zh) * | 2018-10-15 | 2019-02-19 | 成都快眼科技有限公司 | 一种基于智能眼镜的人脸注册方法 |
| CN109523389A (zh) * | 2018-09-19 | 2019-03-26 | 平安科技（深圳）有限公司 | 基于图像识别的车损处理方法、装置、设备及介质 |
-
2019
- 2019-04-11 CN CN201910289491.9A patent/CN110032970A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105989263A (zh) * | 2015-01-30 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 身份认证方法、开户方法、装置及*** |
| CN104680192A (zh) * | 2015-02-05 | 2015-06-03 | 国家电网公司 | 一种基于深度学习的电力图像分类方法 |
| CN105160652A (zh) * | 2015-07-10 | 2015-12-16 | 天津大学 | 基于计算机视觉的手机外壳检验装置与方法 |
| CN106557726A (zh) * | 2015-09-25 | 2017-04-05 | 北京市商汤科技开发有限公司 | 一种带静默式活体检测的人脸身份认证***及其方法 |
| CN106557723A (zh) * | 2015-09-25 | 2017-04-05 | 北京市商汤科技开发有限公司 | 一种带交互式活体检测的人脸身份认证***及其方法 |
| CN106709963A (zh) * | 2016-12-28 | 2017-05-24 | 平安科技（深圳）有限公司 | 验证图像真伪的方法和装置 |
| CN107423597A (zh) * | 2017-03-23 | 2017-12-01 | 证通股份有限公司 | 实现视频见证的方法及设备 |
| CN106982426A (zh) * | 2017-03-30 | 2017-07-25 | 广东微模式软件股份有限公司 | 一种远程实现旧卡实名制的方法与*** |
| CN107038708A (zh) * | 2017-04-21 | 2017-08-11 | 西安电子科技大学 | 图像识别算法在剪纸效果的应用 |
| CN108008383A (zh) * | 2017-11-09 | 2018-05-08 | 电子科技大学 | 一种迭代多基线高精度四次fft相位解缠方法 |
| CN108140123A (zh) * | 2017-12-29 | 2018-06-08 | 深圳前海达闼云端智能科技有限公司 | 人脸活体检测方法、电子设备和计算机程序产品 |
| CN108182409A (zh) * | 2017-12-29 | 2018-06-19 | 北京智慧眼科技股份有限公司 | 活体检测方法、装置、设备及存储介质 |
| CN108268864A (zh) * | 2018-02-24 | 2018-07-10 | 达闼科技（北京）有限公司 | 人脸识别方法、***、电子设备和计算机程序产品 |
| CN108563559A (zh) * | 2018-03-12 | 2018-09-21 | 平安普惠企业管理有限公司 | 一种验证码的测试方法、装置、终端设备及存储介质 |
| CN108986094A (zh) * | 2018-07-20 | 2018-12-11 | 南京开为网络科技有限公司 | 用于人脸识别用训练图像库的数据自动更新方法 |
| CN109523389A (zh) * | 2018-09-19 | 2019-03-26 | 平安科技（深圳）有限公司 | 基于图像识别的车损处理方法、装置、设备及介质 |
| CN109359581A (zh) * | 2018-10-15 | 2019-02-19 | 成都快眼科技有限公司 | 一种基于智能眼镜的人脸注册方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110688946A (zh) * | 2019-09-26 | 2020-01-14 | 上海依图信息技术有限公司 | 基于图片识别的公有云静默活体检测设备和方法 |
| CN111613227A (zh) * | 2020-03-31 | 2020-09-01 | 平安科技（深圳）有限公司 | 声纹数据生成方法、装置、计算机装置及存储介质 |
| WO2021196390A1 (zh) * | 2020-03-31 | 2021-10-07 | 平安科技（深圳）有限公司 | 声纹数据生成方法、装置、计算机装置及存储介质 |
| CN111967319A (zh) * | 2020-07-14 | 2020-11-20 | 高新兴科技集团股份有限公司 | 基于红外和可见光的活体检测方法、装置、设备和存储介质 |
| CN111967319B (zh) * | 2020-07-14 | 2024-04-12 | 高新兴科技集团股份有限公司 | 基于红外和可见光的活体检测方法、装置、设备和存储介质 |
| CN113283370A (zh) * | 2021-06-08 | 2021-08-20 | 深圳市街角电子商务有限公司 | 基于双流信息的人脸活体检测方法和装置 |
| CN113992978A (zh) * | 2021-10-25 | 2022-01-28 | 中国工商银行股份有限公司 | 视频防御***的评估方法、装置、存储介质及处理器 |
| CN113992978B (zh) * | 2021-10-25 | 2024-01-30 | 中国工商银行股份有限公司 | 视频防御***的评估方法、装置、存储介质及处理器 |
| CN116110111A (zh) * | 2023-03-23 | 2023-05-12 | 平安银行股份有限公司 | 人脸识别方法、电子设备及存储介质 |
| CN116110111B (zh) * | 2023-03-23 | 2023-09-08 | 平安银行股份有限公司 | 人脸识别方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110032970A (zh) | 高准确率的活体检测方法、装置、计算机设备及存储介质 | |
| CN108985159A (zh) | 人眼模型训练方法、人眼识别方法、装置、设备及介质 | |
| CN105631439B (zh) | 人脸图像处理方法和装置 | |
| CN108985155A (zh) | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 | |
| CN106897658B (zh) | 人脸活体的鉴别方法和装置 | |
| CN101558431B (zh) | 脸认证设备 | |
| US5995639A (en) | Apparatus for identifying person | |
| WO2020062523A1 (zh) | 注视点判断方法和装置、电子设备和计算机存储介质 | |
| CN108549886A (zh) | 一种人脸活体检测方法及装置 | |
| CN108629168A (zh) | 脸部验证方法、设备以及计算设备 | |
| CN109345556A (zh) | 用于混合现实的神经网络前景分离 | |
| CN1892702B (zh) | 追踪装置 | |
| CN101840509B (zh) | 人眼观察视角的测量方法及装置 | |
| CN107358223A (zh) | 一种基于yolo的人脸检测与人脸对齐方法 | |
| CN108369785A (zh) | 活性检测 | |
| CN101390128B (zh) | 脸部器官的位置的检测方法及检测*** | |
| CN109858439A (zh) | 一种基于人脸的活体检测方法及装置 | |
| CN103514440A (zh) | 面部识别 | |
| CN103514439A (zh) | 面部识别 | |
| CN103383723A (zh) | 用于生物特征验证的电子欺骗检测的方法和*** | |
| CN110059607A (zh) | 活体多重检测方法、装置、计算机设备及存储介质 | |
| CN101142584A (zh) | 面部特征检测的方法 | |
| CN106951826B (zh) | 人脸检测方法及装置 | |
| CN109753850A (zh) | 面部识别模型的训练方法和训练设备 | |
| CN109919754A (zh) | 一种数据获取方法、装置、终端及存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen Huafu Technology Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: SHENZHEN HUAFU INFORMATION TECHNOLOGY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190719 |