CN110084135A - 人脸识别方法、装置、计算机设备及存储介质 - Google Patents
人脸识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110084135A CN110084135A CN201910268066.1A CN201910268066A CN110084135A CN 110084135 A CN110084135 A CN 110084135A CN 201910268066 A CN201910268066 A CN 201910268066A CN 110084135 A CN110084135 A CN 110084135A
- Authority
- CN
- China
- Prior art keywords
- image
- histogram
- local binary
- binary patterns
- color space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001815 facial effect Effects 0.000 claims abstract description 36
- 238000006243 chemical reaction Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000013480 data collection Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000012141 concentrate Substances 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000023320 Luma <angiosperm> Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- VVNRQZDDMYBBJY-UHFFFAOYSA-M sodium 1-[(1-sulfonaphthalen-2-yl)diazenyl]naphthalen-2-olate Chemical compound [Na+].C1=CC=CC2=C(S([O-])(=O)=O)C(N=NC3=C4C=CC=CC4=CC=C3O)=CC=C21 VVNRQZDDMYBBJY-UHFFFAOYSA-M 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及生物识别技术领域，用于人脸识别。具体公开了一种人脸识别方法、装置、计算机设备及存储介质，该方法包括：获取待检测图像；对所述待检测图像进行颜色空间转换以获得所述待检测图像在预设颜色空间中对应的目标图像；提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图；将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果；根据所述分类结果进行人脸图像识别。该方法可以提高人脸识别的效率和准确度，防止人脸识别欺骗攻击。
Description
技术领域
本申请涉及人脸识别技术领域，尤其涉及一种人脸识别方法、装置、计算机设备及存储介质。
背景技术
目前，随着线上支付的不断普及，人脸识别技术也在不断进步，比如在进行“刷脸”线上支付时，就需要对人脸进行识别。但是，目前的人脸识别技术只能识别人脸图像的身份，无法准确辨别所输入人脸的真伪，这就使得人脸识别存在着严重的安全隐患，比如攻击者可能采用照片、换脸、面具、遮挡、电子屏等手段来伪造合法用户人脸进行非法支付，这样就给合法用户带来经济损失，同时也不利于营造安全的支付环境。
发明内容
本申请提供了一种人脸识别方法、装置、计算机设备及存储介质，以防止人脸识别中欺骗攻击，提高用户信息的安全性。
第一方面，本申请提供了一种人脸识别方法，所述方法包括：
获取待检测图像；
对所述待检测图像进行颜色空间转换以获得所述待检测图像在预设颜色空间中对应的目标图像；
提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图；
将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果；
根据所述分类结果进行人脸图像识别。
第二方面，本申请还提供了一种人脸识别装置，所述装置包括：
图像获取单元，用于获取待检测图像；
图像转换单元，用于对所述待检测图像进行颜色空间转换以获得所述待检测图像在预设颜色空间中对应的目标图像；
图像处理单元，用于提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图；
分类检测单元，用于将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果；
人脸识别单元，用于根据所述分类结果进行人脸图像识别。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的人脸识别方法。
第四方面，本申请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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的人脸识别方法。
本申请公开了一种人脸识别方法、装置、设备及存储介质，通过对获取的待检测图像进行颜色空间转换以获得预设颜色空间中的目标图像；提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图；将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果；根据所述分类结果进行人脸图像识别。该方法可以提高人脸识别的效率和准确度，防止人脸识别欺骗攻击。
附图说明
为了更清楚地说明本申请实施例技术方案，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申请的一些实施例，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是本申请的实施例提供的一种人脸识别方法的示意流程图；
图2是图1中的人脸识别方法的子步骤示意流程图；
图3是本申请的实施例提供的一种人脸识别方法的效果示意图；
图4是本申请的实施例提供的一种人脸识别方法的示意流程图；
图5为本申请的实施例提供的一种人脸识别装置的示意性框图；
图6为本申请的实施例提供的另一种人脸识别装置的示意性框图；
图7为本申请的实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请的实施例提供了一种人脸识别方法、人脸识别装置、计算机设备及存储介质。其中，该人脸识别方法可以应用于终端或服务器中，以准确地识别用户的人脸验证信息，防止人脸识别中欺骗攻击，进而提高了用户信息的安全性。
比如，人脸识别方法可用于移动终端的解锁识别、支付识别或者信息验证等，还可以应用于门禁中的解锁识别，当然还可以应用其他类似的领域。
其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请的实施例提供的一种人脸识别方法的示意流程图。如图1所示，该人脸识别方法具体包括步骤S101至S105。
S101、获取待检测图像。
其中，待检测图像为用于人脸识别的图像，具体为实时采集的用于人脸识别的图像，比如通过手机的摄像头采集用户的人脸图像，对该待检测图像进行人脸识别以实现某种功能，比如用于解锁手机、开启某个应用或进行线上支付等。其中，采集的待检测图像为RGB空间的图像，当然也可以为其他格式的图像。
S102、对所述待检测图像进行颜色空间转换以获得所述待检测图像在预设颜色空间中对应的目标图像。
在本实施例中，预设颜色空间包括HSV颜色空间或YCbCr颜色空间，进行颜色空间转换是指将待检测图像转换成HSV颜色空间的图像或者YCbCr颜色空间的图像。
具体地，通过预设颜色空间的转换算法对待检测图像进行颜色空间转换以获得预设颜色空间(HSV或YCbCr颜色空间)的目标图像。比如，待检测图像为RGB空间的图像，利用RGB-HSV的转换算法将待检测图像进行颜色空间转换以获得HSV颜色空间的目标图像。具体可以调用转换函数进行转换，当然也可以使用相应的图像处理工具(MATLAB、PS等)进行颜色空间转换。
其中，HSV空间的模型中颜色的参数分别是：H表示色调，S表示饱和度，V表示明度。而YCrCb即YUV，主要用于优化彩***信号的传输。其中“Y”表示明亮度(Luminance或Luma)，也就是灰阶值；而“U”和“V”分别表示色度和浓度(Chrominance或Chroma)，作用是描述影像色彩及饱和度，用于指定像素的颜色。“明亮度”是透过RGB输入信号来建立的，是将RGB信号的特定部分叠加到一起。“色度”则定义了颜色的两个方面─色调与饱和度，分别用Cr和Cb来表示。其中，Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。而Cb反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。
一般图像都是基于RGB空间的，但是由于在RGB空间里人脸的肤色受亮度影响相当大，所以肤色点很难从非肤色点中分离出来，也就是说在RGB空间经过处理后，肤色点是离散的点，中间嵌有很多非肤色点，这为肤色区域的标定(人脸的标定、眼睛的标定等)带来了难题。
在本实施例中，是将RGB空间的图像转为HSV颜色空间或者YCrCb颜色空间的图像，由此可以忽略亮度的影响，因为在HSV空间或YCrCb空间受亮度影响很小，肤色会产生很好的类聚。这样就可以把三维的YCrCb空间降为二维的CrCb，肤色点会形成一定得形状，如：人脸的话会看到一个人脸的区域，手臂的话会看到一条手臂的形态，对处理模式识别很有好处，若某点的CrCb值满足：133≤Cr≤173，77≤Cb≤127，那么该点可以被认为是肤色点，否则，该点被认为是非肤色点。由此对所述待检测图像进行颜色空间转换，很容易去除肤色的影响。
S103、提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图。
具体地，利用局部二值模式(Local Binary Pattern，LBP)的算法提取所述目标图像的局部二值模式特征值，再根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图。
在一个实施例中，将待检测图像从RGB空间转换成HSV颜色空间的图像或者YCrCb颜色空间的目标图像，在确定在HSV颜色空间的图像或者YCrCb颜色空间中的目标图像中的肤色点，提取所述目标图像的肤色点的局部二值模式特征值。由此可以加快人脸识别的速度。
以YCrCb空间为例，先确定该待检测图像中位于预设CrCb范围内的CrCb值对应的像素点为肤色点，然后从YCrCb空间的图像中快速提取相应的局部二值模式(Local BinaryPattern，LBP)特征值，并根据该LBP特征值构建N点的LBP直方图，N为64/128或256等。
在一个实施例中，为了提高人脸识别的精度，如图2所示，步骤S103具体包括以下内容：
S103a、提取所述目标图像在所述预设颜色空间中多通道对应的局部二值模式特征值；S103b、对每个通道的局部二值模式特征值进行直方图统计以得到通道局部二值模式直方图；S103c、将多个所述通道局部二值模式直方图合并以生成局部二值模式直方图。
具体地，如图3所示，转换的目标图像包括多通道图像，比如转换成YCbCr颜色空间的目标图像会包括三个通道图像，分别为Y图像、Cb图像和Cr图像，由此可提取目标图像的三个通道图像(Y、Cb、Cr)对应的LBP特征值，并对多通道的LBP特征值进行直方图统计以得到多个通道LBP直方图；并将该三个通道LBP直方图进行结合以得到LBP直方图。在对颜色空间进行转换后并利用多通道做LBP直方图，会有更好的鲁棒性，在RGB色彩空间是很难区分的，但是如果转换到HSV或者YCbCr色彩空间上来看的，其纹理有着明显的差异，由此可以提高识别的在准确度。
S104、将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果。
在本实施例中，所述分类模型包括支持向量机二分类器(Support VectorMachine,SVM)，当然也可以使用深度学习模型作为分类器，比如采用卷积神经网络进行模型训练，得到具有分类功能的神经网络模型作为分类模型。
具体地，是将上述步骤得到的LBP直方图输入至预先训练好的分类模型中进行分类识别以得到分类结果，该分类结果为二分类结果。比如，如图3所示，如果SVM输出的是Real，则表示待检测图像对应的为活体图像；如果SVM输出的是Fake，则表示待检测图像对应的为非活体图像，可能是打印攻击或视频攻击。
S105、根据所述分类结果进行人脸图像识别。
具体地，若所述分类结果为活体图像，对所述待检测图像中的人脸图像进行图像识别；若所述分类结果为非活体图像，输出验证失败信息，比如人脸验证未通过。
其中，对所述待检测图像中的人脸图像进行图像识别，包括：确定所述目标图像中的人脸图像；以及将所述人脸图像与预先采集的人脸特征进行比对识别。当然也可以对转换后的颜色空间的目标图像进行人脸特征比对识别，以得到识别结果，比如识别成功或识别失败，进而提高了人脸识别的准确度和速度，同时保证人脸识别的实时性。
上述实施例公开的人脸识别方法，通过对待检测图像进行颜色空间转换以获得预设颜色空间(HSV或YCbCr颜色空间)的目标图像；提取目标图像的局部二值模式特征值，并对LBP特征值进行直方图统计以得到LBP直方图；将得到的LBP直方图输入至预先训练好的分类模型(SVM二分类器)进行分类检测以得到分类结果；根据分类模型输出的分类结果进行人脸图像进行识别。该方法可以有效地防止人脸识别中欺骗攻击，进而提高用户信息的安全性。
请参阅图4，图4是本申请的实施例提供的另一种人脸识别方法的示意流程图。如图4所示，该人脸识别方法具体包括步骤S201至S206。
S201、获取待检测图像。
其中，待检测图像为用于人脸识别的图像，具体为实时采集的用于人脸识别的图像，比如通过手机的摄像头采集用户的人脸图像，一般采集的待检测图像为RGB空间的图像。
S202、对所述待检测图像进行颜色空间转换以获得所述待检测图像在预设颜色空间中对应的目标图像。
其中，预设颜色空间包括HSV颜色空间或YCbCr颜色空间，进行颜色空间转换是指将待检测图像转换成HSV颜色空间的图像或者YCbCr颜色空间的图像。
具体地，通过预设颜色空间的转换算法对待检测图像进行颜色空间转换以获得预设颜色空间(HSV或YCbCr颜色空间)的目标图像。比如，待检测图像为RGB空间的图像，利用RGB-HSV的转换算法将待检测图像进行颜色空间转换以获得HSV颜色空间的目标图像。
S203、提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图。
具体地，利用局部二值模式(Local Binary Pattern，LBP)的算法提取所述目标图像的局部二值模式特征值，再根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图。
S204、根据所述局部二值模式直方图计算所述目标图像与预设数据集中图像的卡方距离，所述预设数据集包括活体数据集和非活体数据集。
具体地，步骤S204包括以下内容：根据局部二值模式直方图，利用预设卡方距离公式计算目标图像与预设数据集中图像的卡方距离。
其中，所述预设卡方距离公式为：
d(Hx,Hr,Hf)＝dγ(Hx,Hr)-dγ(Hx,Hf) (1)
在公式1至3中，d(Hx,Hr,Hf)为所述目标图像与预设数据集中图像的卡方距离；Hx为所述目标图像的局部二值模式特征值，Hr和Hf分别为活体数据集和非活体数据集的平均卡方距离。
在一个实施例中，在所述根据LBP直方图计算目标图像与预设数据集中图像的卡方距离之前，还包括：建立预设数据集，该预设数据集包括活体数据集和非活体数据集。
首先，建立一个只有真实活体人脸图像的数据集(即活体数据集)，然后卡方距离计算公式计算每张活体人脸图像和其他活体人脸图像之间的经过LBP算法之后的直方图的卡方距离，然后取这些卡方距离的平均距离作为活体数据集的距离阈值。
然后，再建立一个只有非活体人脸图像的数据集(即非活体数据集)，然后根据卡方距离计算公式计算每张非活体人脸图像和其他非活体人脸图像之间的经过LBP算法之后直方图的卡方距离，并取这些卡方距离的平均距离作为非活体数据集的距离阈值。同时活体数据集和非活体数据集还可用于训练SVM二分类器，用于对输入图像进行分类识别，以识别出是活体图像还是非活体图像。
其中，该卡方距离计算公式具体表示为：
其中Hx(i)为目标图像的LBP直方图在点i上的LBP特征值，Hy(i)为活体数据集或非活体数据集中图像的LBP直方图在点i上的LBP特征值；通常LBP直方图的点数N取64或者128，最多取到256；dγ(Hx,Hy)为两张人脸图像之间的卡方距离，用来表示两张人脸图像之间的相似度。
其中，利用预设数据集可得到活体照片与非活体照片的卡方距离值相较于两张活体照片的值来说要小一些，因此可以提高识别的准确度。
在一个实施例中，可对颜色空间进行转换并利用多通道做LBP直方图以及该多通道的直方图对应的卡方距离进行识别检测，会有更好的鲁棒性。
S205、将所述局部二值模式直方图和卡方距离输入至预先训练好的分类模型进行分类检测以得到分类结果。
在本实施例中，所述分类模型包括支持向量机二分类器(Support VectorMachine,SVM)，当然也可以使用深度学习模型作为分类器，比如采用卷积神经网络进行模型训练，得到具有分类功能的神经网络模型作为分类模型。
具体地，是将上述步骤得到的LBP直方图和卡方距离输入至预先训练好的分类模型中进行分类识别以得到分类结果，该分类结果为二分类结果。比如，如图3所示，如果SVM输出的是real，则表示待检测图像对应的为活体图像；如果SVM输出的是Fake，则表示待检测图像对应的为非活体图像，可能是打印攻击或视频攻击。
S206、根据所述分类结果进行人脸图像识别。
具体地，若所述分类结果为活体图像，对所述待检测图像中的人脸图像进行图像识别；若所述分类结果为非活体图像，输出验证失败信息，比如人脸验证未通过。
其中，对所述待检测图像中的人脸图像进行图像识别，包括：确定所述目标图像中的人脸图像；以及将所述人脸图像与预先采集的人脸特征进行比对识别。
上述实施例公开的人脸识别方法，通过对待检测图像进行颜色空间转换以获得预设颜色空间(HSV或YCbCr颜色空间)的目标图像；提取目标图像的局部二值模式特征值，并对LBP特征值进行直方图统计以得到LBP直方图，再计算直方图与预设数据集的卡方距离；将得到的LBP直方图和卡方距离同时输入至预先训练好的分类模型(SVM二分类器)进行分类检测以得到分类结果；根据分类模型输出的分类结果进行人脸图像进行识别。该方法通过LBP直方图和卡方距离可有效地防止人脸识别中欺骗攻击，进而提高用户信息的安全性。
请参阅图5，图5是本申请的实施例提供的一种人脸识别装置的示意性框图，该人脸识别装置可以配置于终端或服务器中，用于执行前述的人脸识别方法。
如图5所示，该人脸识别装置400，包括：图像获取单元401、图像转换单元402、图像处理单元403、分类检测单元404和人脸识别单元405。
图像获取单元401，用于获取待检测图像。
图像转换单元402，用于对所述待检测图像进行颜色空间转换以获得所述待检测图像在预设颜色空间中对应的目标图像。
图像处理单元403，用于提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图。
在一个实施例中，图像处理单元403包括：特征值提取子单元4031、直方图统计子单元4032和直方图合并子单元4033。
特征值提取子单元4031，用于提取所述目标图像在所述预设颜色空间中多通道对应的局部二值模式特征值。
直方图统计子单元4032，用于对每个通道的局部二值模式特征值进行直方图统计以得到通道局部二值模式直方图。
直方图合并子单元4033，用于将多个所述通道局部二值模式直方图合并以生成局部二值模式直方图。
分类检测单元404，用于将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果。
人脸识别单元405，用于根据所述分类结果进行人脸图像识别。
请参阅图6，图6是本申请的实施例还提供另一种人脸识别装置的示意性框图，该人脸识别装置用于执行前述的人脸识别方法。其中，该人脸识别装置可以配置于服务器或终端中。
如图6所示，该人脸识别装置500，包括：图像获取单元501、图像转换单元502、图像处理单元503、距离计算单元504、分类检测单元505和人脸识别单元506。
图像获取单元501，用于获取待检测图像。
图像转换单元502，用于对所述待检测图像进行颜色空间转换以获得所述待检测图像在预设颜色空间中对应的目标图像。
图像处理单元503，用于提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图。
距离计算单元504，用于根据所述局部二值模式直方图计算所述目标图像与预设数据集中图像的卡方距离，所述预设数据集包括活体数据集和非活体数据集。
分类检测单元505，用于将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果。
人脸识别单元506，用于根据所述分类结果进行人脸图像识别。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置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7所示的计算机设备上运行。
请参阅图7，图7是本申请的实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。
参阅图7，该计算机设备包括通过***总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作***和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种人脸识别方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种人脸识别方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图7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的限定，具体的计算机设备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。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取待检测图像；对所述待检测图像进行颜色空间转换以获得所述待检测图像在预设颜色空间中对应的目标图像；提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图；将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果；根据所述分类结果进行人脸图像识别。
在一个实施例中，所述处理器在实现所述提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图时，用于实现：
提取所述目标图像在所述预设颜色空间中多通道对应的局部二值模式特征值；对每个通道的局部二值模式特征值进行直方图统计以得到通道局部二值模式直方图；将多个所述通道局部二值模式直方图合并以生成局部二值模式直方图。
在一个实施例中，所述处理器在实现所述将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果之前，还用于实现：
根据所述局部二值模式直方图计算所述目标图像与预设数据集中图像的卡方距离，所述预设数据集包括活体数据集和非活体数据集。
相应地，所述处理器在实现所述将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果时，用于实现：
将所述局部二值模式直方图和卡方距离输入至预先训练好的分类模型进行分类检测以得到分类结果。
在一个实施例中，所述处理器在实现所述根据所述局部二值模式直方图计算所述目标图像与预设数据集中图像的卡方距离时，用于实现：
根据局部二值模式直方图，利用预设卡方距离公式计算目标图像与预设数据集中图像的卡方距离；
其中，所述预设卡方距离公式为：
d(Hx,Hr,Hf)＝dγ(Hx,Hr)-dγ(Hx,Hf)
其中，d(Hx,Hr,Hf)为所述目标图像与预设数据集中图像的卡方距离；Hx为所述目标图像的局部二值模式特征值，Hr和Hf分别为活体数据集和非活体数据集的平均卡方距离。
在一个实施例中，所述处理器在实现所述根据所述分类结果进行人脸图像识别时，用于实现：
若所述分类结果为活体图像，对所述待检测图像中的人脸图像进行图像识别；若所述分类结果为非活体图像，输出验证失败信息。
在一个实施例中，所述处理器在实现所述对所述待检测图像中的人脸图像进行图像识别时，用于实现：
确定所述目标图像中的人脸图像；以及将所述人脸图像与预先采集的人脸特征进行比对识别。
在一个实施例中，所述预设颜色空间包括HSV颜色空间或YCbCr颜色空间；所述分类模型包括支持向量机二分类器。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项人脸识别方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，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申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种人脸识别方法，其特征在于，包括：
获取待检测图像；
对所述待检测图像进行颜色空间转换以获得所述待检测图像在预设颜色空间中对应的目标图像；
提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图；
将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果；
根据所述分类结果进行人脸图像识别。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图，包括：
提取所述目标图像在所述预设颜色空间中多通道对应的局部二值模式特征值；
对每个通道的局部二值模式特征值进行直方图统计以得到通道局部二值模式直方图；
将多个所述通道局部二值模式直方图合并以生成局部二值模式直方图。
3.根据权利要求1或2所述的人脸识别方法，其特征在于，所述将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果之前，还包括：
根据所述局部二值模式直方图计算所述目标图像与预设数据集中图像的卡方距离，所述预设数据集包括活体数据集和非活体数据集；
所述将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果，包括：
将所述局部二值模式直方图和卡方距离输入至预先训练好的分类模型进行分类检测以得到分类结果。
4.根据权利要求3所述的人脸识别方法，其特征在于，所述根据所述局部二值模式直方图计算所述目标图像与预设数据集中图像的卡方距离，包括：
根据局部二值模式直方图，利用预设卡方距离公式计算目标图像与预设数据集中图像的卡方距离；
其中，所述预设卡方距离公式为：
d(Hx,Hr,Hf)＝dγ(Hx,Hr)-dγ(Hx,Hf)
其中，d(Hx,Hr,Hf)为所述目标图像与预设数据集中图像的卡方距离；Hx为所述目标图像的局部二值模式特征值，Hr和Hf分别为活体数据集和非活体数据集的平均卡方距离。
5.根据权利要求1所述的人脸识别方法，其特征在于，所述根据所述分类结果进行人脸图像识别，包括：
若所述分类结果为活体图像，对所述待检测图像中的人脸图像进行图像识别；
若所述分类结果为非活体图像，输出验证失败信息。
6.根据权利要求5所述的人脸识别方法，其特征在于，所述对所述待检测图像中的人脸图像进行图像识别，包括：
确定所述目标图像中的人脸图像；以及
将所述人脸图像与预先采集的人脸特征进行比对识别。
7.根据权利要求1所述的人脸识别方法，其特征在于，所述预设颜色空间包括HSV颜色空间或YCbCr颜色空间；所述分类模型包括支持向量机二分类器。
8.一种人脸识别装置，其特征在于，包括：
图像获取单元，用于获取待检测图像；
图像转换单元，用于对所述待检测图像进行颜色空间转换以获得所述待检测图像在预设颜色空间中对应的目标图像；
图像处理单元，用于提取所述目标图像的局部二值模式特征值，根据所述局部二值模式特征值进行直方图统计以得到局部二值模式直方图；
分类检测单元，用于将得到的局部二值模式直方图输入至预先训练好的分类模型进行分类检测以得到分类结果；
人脸识别单元，用于根据所述分类结果进行人脸图像识别。
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和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的人脸识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机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使所述处理器实现如权利要求1至7中任一项所述的人脸识别方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910268066.1A CN110084135B (zh) | 2019-04-03 | 2019-04-03 | 人脸识别方法、装置、计算机设备及存储介质 |
| PCT/CN2019/103136 WO2020199475A1 (zh) | 2019-04-03 | 2019-08-28 | 人脸识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910268066.1A CN110084135B (zh) | 2019-04-03 | 2019-04-03 | 人脸识别方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084135A true CN110084135A (zh) | 2019-08-02 |
| CN110084135B CN110084135B (zh) | 2024-04-23 |
Family
ID=67414217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910268066.1A Active CN110084135B (zh) | 2019-04-03 | 2019-04-03 | 人脸识别方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110084135B (zh) |
| WO (1) | WO2020199475A1 (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427746A (zh) * | 2019-08-08 | 2019-11-08 | 腾讯科技（深圳）有限公司 | 滑块验证码验证方法、装置、存储介质和计算机设备 |
| CN110598719A (zh) * | 2019-09-11 | 2019-12-20 | 南京师范大学 | 一种依据视觉属性描述自动生成人脸图像的方法 |
| CN110717444A (zh) * | 2019-10-09 | 2020-01-21 | 北京明略软件***有限公司 | 一种口红色号识别方法及装置 |
| CN111696080A (zh) * | 2020-05-18 | 2020-09-22 | 江苏科技大学 | 一种基于静态纹理的人脸欺诈检测方法、***及存储介质 |
| CN111709312A (zh) * | 2020-05-26 | 2020-09-25 | 上海海事大学 | 一种基于联合主模式的局部特征人脸识别方法 |
| WO2020199475A1 (zh) * | 2019-04-03 | 2020-10-08 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
| CN112001785A (zh) * | 2020-07-21 | 2020-11-27 | 小花网络科技(深圳)有限公司 | 一种基于图像识别的网贷欺诈识别方法及*** |
| CN112200080A (zh) * | 2020-10-10 | 2021-01-08 | 平安国际智慧城市科技股份有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
| CN112465753A (zh) * | 2020-11-16 | 2021-03-09 | 北京工业大学 | 花粉颗粒检测方法、装置及电子设备 |
| CN112560742A (zh) * | 2020-12-23 | 2021-03-26 | 杭州趣链科技有限公司 | 基于多尺度局部二值模式的人脸活体检测方法、装置及设备 |
| CN112883762A (zh) * | 2019-11-29 | 2021-06-01 | 广州慧睿思通科技股份有限公司 | 一种活体检测方法、装置、***及存储介质 |
| CN113283405A (zh) * | 2021-07-22 | 2021-08-20 | 第六镜科技(北京)有限公司 | 口罩检测方法、装置、计算机设备及存储介质 |
| CN113591865A (zh) * | 2021-07-28 | 2021-11-02 | 深圳甲壳虫智能有限公司 | 一种回环检测方法、装置以及电子设备 |
| CN113724091A (zh) * | 2021-08-13 | 2021-11-30 | 健医信息科技(上海)股份有限公司 | 一种保险理赔的方法以及装置 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200075B (zh) * | 2020-10-09 | 2024-06-04 | 西安西图之光智能科技有限公司 | 一种基于异常检测的人脸防伪方法 |
| CN113221695B (zh) * | 2021-04-29 | 2023-12-12 | 深圳数联天下智能科技有限公司 | 训练肤色识别模型的方法、识别肤色的方法及相关装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102332086A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于双阈值局部二进制模式的人脸识别方法 |
| US20150110351A1 (en) * | 2013-10-23 | 2015-04-23 | Imagination Technologies Limited | Face Detection |
| KR20160044668A (ko) * | 2014-10-15 | 2016-04-26 | 서울시립대학교 산학협력단 | 얼굴 식별 방법, 얼굴 식별 장치 및 이 방법을 실행시키는 컴퓨터 프로그램 |
| 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 |
| CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
| CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
| CN108268859A (zh) * | 2018-02-08 | 2018-07-10 | 南京邮电大学 | 一种基于深度学习的人脸表情识别方法 |
| KR20180094453A (ko) * | 2017-02-15 | 2018-08-23 | 동명대학교산학협력단 | 다중채널 가버 필터와 중심대칭지역 이진 패턴기반 얼굴인식기술 |
| CN108921041A (zh) * | 2018-06-06 | 2018-11-30 | 深圳神目信息技术有限公司 | 一种基于rgb和ir双目摄像头的活体检测方法及装置 |
| CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9171226B2 (en) * | 2012-09-26 | 2015-10-27 | Carnegie Mellon University | Image matching using subspace-based discrete transform encoded local binary patterns |
| CN105426816A (zh) * | 2015-10-29 | 2016-03-23 | 深圳怡化电脑股份有限公司 | 一种处理人脸图像的方法及装置 |
| CN108875618A (zh) * | 2018-06-08 | 2018-11-23 | 高新兴科技集团股份有限公司 | 一种人脸活体检测方法、***及装置 |
| CN110084135B (zh) * | 2019-04-03 | 2024-04-23 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
-
2019
- 2019-04-03 CN CN201910268066.1A patent/CN110084135B/zh active Active
- 2019-08-28 WO PCT/CN2019/103136 patent/WO2020199475A1/zh active Application Filing
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102332086A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于双阈值局部二进制模式的人脸识别方法 |
| US20150110351A1 (en) * | 2013-10-23 | 2015-04-23 | Imagination Technologies Limited | Face Detection |
| KR20160044668A (ko) * | 2014-10-15 | 2016-04-26 | 서울시립대학교 산학협력단 | 얼굴 식별 방법, 얼굴 식별 장치 및 이 방법을 실행시키는 컴퓨터 프로그램 |
| 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 |
| KR20180094453A (ko) * | 2017-02-15 | 2018-08-23 | 동명대학교산학협력단 | 다중채널 가버 필터와 중심대칭지역 이진 패턴기반 얼굴인식기술 |
| CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
| CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
| CN108268859A (zh) * | 2018-02-08 | 2018-07-10 | 南京邮电大学 | 一种基于深度学习的人脸表情识别方法 |
| CN108921041A (zh) * | 2018-06-06 | 2018-11-30 | 深圳神目信息技术有限公司 | 一种基于rgb和ir双目摄像头的活体检测方法及装置 |
| CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020199475A1 (zh) * | 2019-04-03 | 2020-10-08 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
| CN110427746A (zh) * | 2019-08-08 | 2019-11-08 | 腾讯科技（深圳）有限公司 | 滑块验证码验证方法、装置、存储介质和计算机设备 |
| CN110598719A (zh) * | 2019-09-11 | 2019-12-20 | 南京师范大学 | 一种依据视觉属性描述自动生成人脸图像的方法 |
| CN110717444A (zh) * | 2019-10-09 | 2020-01-21 | 北京明略软件***有限公司 | 一种口红色号识别方法及装置 |
| CN112883762A (zh) * | 2019-11-29 | 2021-06-01 | 广州慧睿思通科技股份有限公司 | 一种活体检测方法、装置、***及存储介质 |
| CN111696080B (zh) * | 2020-05-18 | 2022-12-30 | 江苏科技大学 | 一种基于静态纹理的人脸欺诈检测方法、***及存储介质 |
| CN111696080A (zh) * | 2020-05-18 | 2020-09-22 | 江苏科技大学 | 一种基于静态纹理的人脸欺诈检测方法、***及存储介质 |
| CN111709312A (zh) * | 2020-05-26 | 2020-09-25 | 上海海事大学 | 一种基于联合主模式的局部特征人脸识别方法 |
| CN111709312B (zh) * | 2020-05-26 | 2023-09-22 | 上海海事大学 | 一种基于联合主模式的局部特征人脸识别方法 |
| CN112001785A (zh) * | 2020-07-21 | 2020-11-27 | 小花网络科技(深圳)有限公司 | 一种基于图像识别的网贷欺诈识别方法及*** |
| CN112200080A (zh) * | 2020-10-10 | 2021-01-08 | 平安国际智慧城市科技股份有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
| CN112465753A (zh) * | 2020-11-16 | 2021-03-09 | 北京工业大学 | 花粉颗粒检测方法、装置及电子设备 |
| CN112465753B (zh) * | 2020-11-16 | 2024-05-28 | 北京工业大学 | 花粉颗粒检测方法、装置及电子设备 |
| CN112560742A (zh) * | 2020-12-23 | 2021-03-26 | 杭州趣链科技有限公司 | 基于多尺度局部二值模式的人脸活体检测方法、装置及设备 |
| CN113283405A (zh) * | 2021-07-22 | 2021-08-20 | 第六镜科技(北京)有限公司 | 口罩检测方法、装置、计算机设备及存储介质 |
| CN113591865A (zh) * | 2021-07-28 | 2021-11-02 | 深圳甲壳虫智能有限公司 | 一种回环检测方法、装置以及电子设备 |
| CN113591865B (zh) * | 2021-07-28 | 2024-03-26 | 深圳甲壳虫智能有限公司 | 一种回环检测方法、装置以及电子设备 |
| CN113724091A (zh) * | 2021-08-13 | 2021-11-30 | 健医信息科技(上海)股份有限公司 | 一种保险理赔的方法以及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020199475A1 (zh) | 2020-10-08 |
| CN110084135B (zh) | 2024-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084135A (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
| Liu et al. | Learning deep models for face anti-spoofing: Binary or auxiliary supervision | |
| CN107862247B (zh) | 一种人脸活体检测方法及终端设备 | |
| Atoum et al. | Face anti-spoofing using patch and depth-based CNNs | |
| WO2020151489A1 (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
| Li et al. | Multi-angle head pose classification when wearing the mask for face recognition under the COVID-19 coronavirus epidemic | |
| US11354917B2 (en) | Detection of fraudulently generated and photocopied credential documents | |
| CN102194108B (zh) | 一种聚类线性鉴别分析特征选择的笑脸表情识别方法 | |
| WO2020253062A1 (zh) | 一种图像边界的检测方法及装置 | |
| WO2019061658A1 (zh) | 眼镜定位方法、装置及存储介质 | |
| CN108596197A (zh) | 一种***匹配方法及装置 | |
| CN108416291B (zh) | 人脸检测识别方法、装置和*** | |
| CN103839042B (zh) | 人脸识别方法和人脸识别*** | |
| CN110619628A (zh) | 一种人脸图像质量评估方法 | |
| CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
| CN110378351B (zh) | ***鉴别方法及装置 | |
| US11315360B2 (en) | Live facial recognition system and method | |
| JP2020518879A (ja) | 検出システム、検出装置およびその方法 | |
| CN111832405A (zh) | 一种基于hog和深度残差网络的人脸识别方法 | |
| Lin et al. | License plate recognition based on mathematical morphology and template matching | |
| Lei et al. | A novel side face contour extraction algorithm for driving fatigue statue recognition | |
| CN109190515A (zh) | 一种疲劳驾驶检测方法、计算机可读存储介质及终端设备 | |
| CN111832464A (zh) | 一种基于近红外摄像头的活体检测方法及装置 | |
| CN109657544B (zh) | 一种人脸检测方法和装置 | |
| CN112200075A (zh) | 一种基于异常检测的人脸防伪方法 |
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 |