CN110210341A - 基于人脸识别的身份证认证方法及其***、可读存储介质 - Google Patents
基于人脸识别的身份证认证方法及其***、可读存储介质 Download PDFInfo
- Publication number
- CN110210341A CN110210341A CN201910417868.4A CN201910417868A CN110210341A CN 110210341 A CN110210341 A CN 110210341A CN 201910417868 A CN201910417868 A CN 201910417868A CN 110210341 A CN110210341 A CN 110210341A
- Authority
- CN
- China
- Prior art keywords
- characteristic point
- image
- point
- face
- characteristic
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种基于人脸识别的身份证认证方法及其***、可读存储介质,所述方法包括如下步骤:S1、采集人脸图像和身份证图像;S2、利用差分制约模型对所述人脸图像和身份证图像进行处理得到人脸差分图像和身份证差分图像;S4、提取所述人脸差分图像的特征点并构成特征点集合W,同时,提取所述身份证差分图像的特征点并构成特征点集合V;S5、根据所述人脸差分图像的特征点生成特征描述符BS,并根据所述身份证差分图像的特征点生成特征描述符QS;S6、根据特征描述符BS和QS确定匹配特征点;当存在预设数量对的匹配特征点时,所述人脸图像和所述身份证图像匹配成功,否则,匹配失败。本发明能够提高身份证认证的可靠性。
Description
技术领域
本发明涉及人脸识别技术领域,特别涉及一种基于人脸识别的身份证认证方法及其***、计算机可读存储介质。
背景技术
当下实名制已成为社会主流,办电话卡要实名制、支付账户要实名制、看病挂号要实名制、App注册要实名制、住宿要实名制、快递要实名制……感觉所有的一切都在实名制。现在实名制成了社会的主流,但是相应的身份证识别措施却没有跟上,没有办法保证“人证合一”这就让不法分子有机可趁。不过由于国家逐渐重视网络实名制的落实,对相关技术的大力扶持,许多关于网络实名认证的解决方案已经逐渐在诸多领域开始实行。因此,基于人脸识别的身份证认证方法应运而生,但目前的基于人脸识别的身份证认证方法技术还不成熟,存在认证可靠性低的缺陷。
发明内容
本发明目的在于提供一种基于人脸识别的身份证认证方法及其***、计算机可读存储介质,结合人脸识别技术,提高身份证认证的可靠性。
为了实现本发明目的,根据第一方面,本发明实施例提供一种基于人脸识别的身份证认证方法,包括如下步骤:
步骤S1、采集人脸图像和身份证图像;
步骤S2、利用差分制约模型对所述人脸图像和身份证图像进行处理得到人脸差分图像和身份证差分图像,所述差分制约模型如下公式所示,
式中,D(xi,yi,β)为原始图像经高斯差分函数处理后得到的图像,xi,yi为图像中点i的横纵坐标;β为高斯差分函数的空间尺度因子,M、N分别为图像的行数、列数;
步骤S3、提取所述人脸差分图像的特征点并构成特征点集合W,同时,提取所述身份证差分图像的特征点并构成特征点集合V;
步骤S4、根据所述人脸差分图像的特征点生成特征描述符BS,并根据所述身份证差分图像的特征点生成特征描述符QS;
步骤S5、选取特征集合W中的特征点B和特征集合V中的特征点Q,在特征点集合V中搜索与第一特征点B最近欧氏距离Dismin与次近欧氏距离Discmin相对应的特征点Qmin和Qcmin,若Dismin/Discmin<μ,则第二特征点集合V中的特征点Qmin为特征点B的候选匹配点;在第一特征点集合W中搜索与第二特征点集合V中特征点Qmin相对应的候选匹配特征点Bmin,若特征点Bmin与特征点B为同一个特征点,则判定特征点Qmin与特征点B为一对匹配特征点;
其中,μ为小于0的常数,当存在预设数量对的匹配特征点时,所述人脸图像和所述身份证图像匹配成功,否则,匹配失败。
优选地,所述高斯差分函数为:
D(x,y,β)=(G(x,y,Jβ)-G(x,y,β))]*I(x,y)=L(x,y,Jβ)-L(x,y,β)
L(x,y,β)=G(x,y,β)*I(x,y);
其中,I(x,y)为原始图像,β为空间尺度因子,J为表示相邻高斯尺度空间倍数的一个常数。
优选地,所述步骤S3中图像特征点的获取包括:
将图像中的目标像素点与同一尺度空间的8个相邻像素点以及上、下相邻尺度对应的18个像素点一一进行灰度值比较,若目标像素点的灰度值与这26个像素点的灰度值相比为极值,则目标像素点为候选特征点;然后采用三维二次拟合函数将低对比度的特征点进行剔除后得到特征点集合。
优选地,所述步骤S4中根据图像的特征点生成特征描述符包括:
确定特征点的主方向;选取任一特征点作圆心、6β作为半径构建一个特征点的圆形邻域T,并以被选取的特征点为圆心构建一个60度的扇形区域,将所述扇形区域在所述圆形邻域内进行旋转并求取扇形区域内Haar小波响应值的和,从而形成一系列的矢量,选取最长矢量对应的方向作为特征点的主方向;
根据所述特征点的主方向求取特征向量;以所述特征点的主方向为X轴、30度为间隔在圆形邻域T内建立12个方向的指针,并求取每个指针方向上的梯度累加值以构成一个12维的向量P,对向量P进行归一化操作;
P={p1,p2,p3,…p12}
分别以半径2β、4β构建圆形邻域T的同心圆区域,以将圆形邻域T均分成三个圆形邻域,求取三个圆形邻域内的灰度值累加和Ei(i=1,2,3)后,并将灰度值累加和进行归一化处理得到一个3维的向量E;
将向量与向量的元素进行组合形成一个15维特征向量S,所述向量S为特征描述符;
优选地,所述步骤S5中特征点之间欧式距离求取方式如下:
设BSi与QSi分别为特征描述符BS与特征描述符QS中的第i个分量,则特征点B与特征点Q的欧氏距离Dis(B,Q)为:
优选地,所述步骤S5还包括利用匹配特征点构成的空间结构构建三角网约束规则将错误匹配特征点进行剔除;
令W’={w1,w2,w3,…,wn}与V’={v1,v2,v3,…,vn}为包含匹配特征点的两个集合,其中wi与vi为一对匹配特征点,通过集合W’中的匹配特征点在空间上构建一个德洛内(Delaunay)三角网Tw’=(W’,E),E表示该三角网所有边界线的集合,W’中的特征点wi与wj构成的边界线可表示为Eij∈E,通过将V’中相应的特征点进行连接形成三角网TV’=(V’,E’),三角网TV’中的特征点vi与vj构成的边界线可表示为Eij∈E,根据三角网边界线在拓扑结构上的约束构建三角网约束规则将错误匹配特征点进行剔除;
其中,若V’中的特征点与W’中的特征点都匹配正确的话,则TV’中的边界线与Tw’中的边界线在拓扑结构上满足所述三角网约束。
优选地,所述根据三角网边界线在拓扑结构上的约束构建三角网约束规则将错误匹配特征点进行剔除包括:
确定异常拓扑结构,当三角网上任意两个三角形的边界线有两条或者两条以上同时出现相交,则判定该边界线出现了异常拓扑结构;
对边界线进行二值化,将异常拓扑结构的边界线用0进行标示,正常拓扑结构的边界线用1进行标示;
对错误匹配特征点进行剔除,令匹配特征点vi构成的边界线数量为SL,其中异常拓扑结构的边界线数量为ASL,若满足ASL/SL>λ,则判定匹配特征点vi与匹配特征点wi为一对错误匹配特征点,将其剔除;其中λ∈(0,1)。
根据第二方面,本发明实施例提供一种基于人脸识别的身份证认证***,包括:
图像采集单元,用于采集人脸图像和身份证图像;
图像处理单元,用于利用差分制约模型对所述人脸图像和身份证图像进行处理得到人脸差分图像和身份证差分图像,所述差分制约模型如下公式所示,
式中,D(xi,yi,β)为原始图像经高斯差分函数处理后得到的图像,xi,yi为图像中点i的横纵坐标;β为高斯差分函数的空间尺度因子,M、N分别为图像的行数、列数;
特征点提取单元,用于提取所述人脸差分图像的特征点并构成特征点集合W,同时,提取所述身份证差分图像的特征点并构成特征点集合V;
特征描述符生成单元,用于根据所述人脸差分图像的特征点生成特征描述符BS,并根据所述身份证差分图像的特征点生成特征描述符QS;
特征点匹配单元,用于选取特征集合W中的特征点B和特征集合V中的特征点Q,在特征点集合V中搜索与第一特征点B最近欧氏距离Dismin与次近欧氏距离Discmin相对应的特征点Qmin和Qcmin,若Dismin/Discmin<μ,则第二特征点集合V中的特征点Qmin为特征点B的候选匹配点;在第一特征点集合W中搜索与第二特征点集合V中特征点Qmin相对应的候选匹配特征点Bmin,若特征点Bmin与特征点B为同一个特征点,则判定特征点Qmin与特征点B为一对匹配特征点;
其中,μ为小于0的常数,当存在预设数量对的匹配特征点时,所述人脸图像和所述身份证图像匹配成功,否则,匹配失败。
优选地,所述图像采集单元包括:
人脸图像采集单元,用于采集人脸图像;
身份证图像采集单元,用于采集身份证图像。
根据第三方面,本发明实施例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,以实现如权利要求1-7任一项所述的基于人脸识别的身份证认证方法。
实施本发明实施例,至少具有如下有益效果:
本发明实施例提供一种基于人脸识别的身份证认证方法及其***、计算机可读存储介质,其构造了差分制约模型,通过差分制约模型相邻图像层次间的灰度量级得以一致性制约在[0,1]范围内,从而避免了相邻图像层次间灰度量级不一致而引起的不足,保证了特征点的准确提取,提高身份证认证的可靠性。
其他优选方案未详述的有益效果将在下文中进一步详述。
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,显而易见地,下面描述中的附图仅仅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它的附图。
图1为本发明实施例一所述一种基于人脸识别的身份证认证方法流程图。
图2为本发明实施例一所述圆形区域及扇形区域示意图。
图3为本发明实施例一所述同心圆区域示意图。
图4为本发明实施例一所述三角网结构示意图。
图5为本发明实施例二所述一种基于人脸识别的身份证认证***示意图。
附图标记:
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,所描述的实施例仅仅是本发明的一部分实施例,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的前提下所获得的所有其它实施例,都属于本发明保护的范围。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
如图1所示,本发明实施例提供一种基于人脸识别的身份证认证方法,包括如下步骤:
步骤S1、采集人脸图像和身份证图像;
步骤S2、利用差分制约模型对所述人脸图像和身份证图像进行处理得到人脸差分图像和身份证差分图像,所述差分制约模型如下公式所示,
式中,D(xi,yi,β)为原始图像经高斯差分函数处理后得到的图像,xi,yi为图像中点i的横纵坐标;β为高斯差分函数的空间尺度因子,M、N分别为图像的行数、列数;
步骤S3、提取所述人脸差分图像的特征点并构成特征点集合W,同时,提取所述身份证差分图像的特征点并构成特征点集合V;
步骤S4、根据所述人脸差分图像的特征点生成特征描述符BS,并根据所述身份证差分图像的特征点生成特征描述符QS;
步骤S5、选取特征集合W中的特征点B和特征集合V中的特征点Q,在特征点集合V中搜索与第一特征点B最近欧氏距离Dismin与次近欧氏距离Discmin相对应的特征点Qmin和Qcmin,若Dismin/Discmin<μ,则第二特征点集合V中的特征点Qmin为特征点B的候选匹配点;在第一特征点集合W中搜索与第二特征点集合V中特征点Qmin相对应的候选匹配特征点Bmin,若特征点Bmin与特征点B为同一个特征点,则判定特征点Qmin与特征点B为一对匹配特征点;
其中,μ为小于0的常数,本实施例中μ优选但不限于为0.7;
当存在预设数量对的匹配特征点时,所述人脸图像和所述身份证图像匹配成功,否则,匹配失败。
优选地,所述高斯差分函数为:
D(x,y,β)=[(G(x,y,Jβ)-G(x,y,β))]*I(x,y)=L(x,y,Jβ)-L(x,y,β)L(x,y,β)=G(x,y,β)*I(x,y);
其中,I(x,y)为原始图像,β为空间尺度因子,J为表示相邻高斯尺度空间倍数的一个常数。
具体而言,高斯差分函数(DoG函数)通过将连续函数离散化,使得特征点提取过程的计算复杂度得以降低,能够提高图像特征点提取的效率。DoG函数提取特征点时首先需要构建图像的高斯尺度空间。图像的高斯尺度空间L(x,y,β)可通过将输入图像I(x,y)与变尺度高斯核函数G(x,y,β)进行卷积运算而得到;随后,根据Gauss金字塔中相邻图像的差值获取DoG函数,即上述公式D(x,y,β),其中,J为表示相邻高斯尺度空间倍数的一个常数。
其中,空间尺度因子β决定了高斯核函数的窗口大小.当高斯核函数的窗口变动较大时,窗口内的像素点数量也会随之变动较大,可能引起相邻图像层次间的灰度量级不一致,使得相邻图像层次间的邻域像素点可比性较差,从而导致较多漏检特征点以及错检特征点的产生.为了避免相邻图像层次间的灰度量级不一致而引起上述不足,构造了上述差分制约模型C(xi,yi,β)。
其中,通过差分制约模型C(xi,yi,β)可见,相邻图像层次间的灰度量级得以一致性制约在[0,1]范围内,从而避免了相邻图像层次间灰度量级不一致而引起的不足,保证了特征点的准确提取。
优选地,所述步骤S3中图像特征点的获取包括:
将图像中的目标像素点与同一尺度空间的8个相邻像素点以及上、下相邻尺度对应的18个像素点一一进行灰度值比较,若目标像素点的灰度值与这26个像素点的灰度值相比为极值,包括极大值和极小值,则目标像素点为候选特征点;然后采用三维二次拟合函数将低对比度的特征点进行剔除后得到特征点集合,以提高算法的抗噪能力。
优选地,所述步骤S4中根据图像的特征点生成特征描述符包括:
1)确定特征点的主方向;
选取任一特征点作圆心、6β作为半径构建一个特征点的圆形邻域T,并以被选取的特征点为圆心构建一个60度的扇形区域,将所述扇形区域在所述圆形邻域内进行旋转并求取扇形区域内Haar小波响应值的和,从而形成一系列的矢量,选取最长矢量对应的方向作为特征点的主方向;
具体而言,旋转过程中扇形区域是变化的,导致值不同,其中选取最大的矢量,也就是说这里目标就是求取最大的矢量,为下一步做准备。如图2所示,划分一个圆形邻域T后,落在这个圆形邻域T内有很多点,密集程度不一。我们通过只选取扇形部分的特征点形成向量,通过向量求取Haar小波响应值的和得到一系列矢量。
2)根据所述特征点的主方向求取特征向量;
如图3所示,以所述特征点的主方向为X轴、30度为间隔在圆形邻域T内建立12个方向的指针,并求取每个指针方向上的梯度累加值以构成一个12维的向量P:
P={p1,p2,p3,...p12};
对向量P进行归一化操作:
分别以半径2β、4β构建圆形邻域T的同心圆区域,以将圆形邻域T均分成三个圆形邻域,求取三个圆形邻域内的灰度值累加和Ei(i=1,2,3)后,并将灰度值累加和进行归一化处理得到一个3维的向量E;
3)生成特征描述符;
将向量与向量的元素进行组合形成一个融合了梯度特征以及灰度特征的15维特征向量S,所述向量S为特征描述符;
优选地,所述步骤S5中特征点之间欧式距离求取方式如下:
设BSi与QSi分别为特征描述符BS与特征描述符QS中的第i个分量,则特征点B与特征点Q的欧氏距离Dis(B,Q)为:
优选地,如图4所示,所述步骤S5还包括利用匹配特征点构成的空间结构构建三角网约束规则将错误匹配特征点进行剔除;
令W’={w1,w2,w3,…,wn}与V’={v1,v2,v3,…,vn}为包含匹配特征点的两个集合,其中wi与vi为一对匹配特征点,通过集合W’中的匹配特征点在空间上构建一个德洛内(Delaunay)三角网Tw’=(W’,E),E表示该三角网所有边界线的集合,W’中的特征点wi与wj构成的边界线可表示为Eij∈E,通过将V’中相应的特征点进行连接形成三角网TV’=(V’,E’),三角网TV’中的特征点vi与vj构成的边界线可表示为Eij∈E,根据三角网边界线在拓扑结构上的约束构建三角网约束规则将错误匹配特征点进行剔除;
其中,若V’中的特征点与W’中的特征点都匹配正确的话,则TV’中的边界线与Tw’中的边界线在拓扑结构上满足所述三角网约束。
优选地,如图4所示,所述根据三角网边界线在拓扑结构上的约束构建三角网约束规则将错误匹配特征点进行剔除包括:
确定异常拓扑结构,当三角网上任意两个三角形的边界线有两条或者两条以上同时出现相交,则判定该边界线出现了异常拓扑结构;具体而言,不管图像经过缩放还是仿射变换以及旋转,正确匹配特征点对构成的三角网上的边界线应该具有相似的拓扑结构,而错误匹配的特征点对将使得边界线出现异常的拓扑结构。
对边界线进行二值化,将异常拓扑结构的边界线用0进行标示,正常拓扑结构的边界线用1进行标示;其表达式为:
对错误匹配特征点进行剔除,令匹配特征点vi构成的边界线数量为SL,其中异常拓扑结构的边界线数量为ASL,若满足ASL/SL>λ,则判定匹配特征点vi与匹配特征点wi为一对错误匹配特征点,将其剔除;其中λ∈(0,1)。
如图5所示,本发明实施例二提供一种基于人脸识别的身份证认证***,其用于实现本发明实施例一所述方法。
所述***包括:
图像采集单元1,用于采集人脸图像和身份证图像;
图像处理单元2,用于利用差分制约模型对所述人脸图像和身份证图像进行处理得到人脸差分图像和身份证差分图像,所述差分制约模型如下公式所示,
式中,D(xi,yi,β)为原始图像经高斯差分函数处理后得到的图像,xi,yi为图像中点i的横纵坐标;β为高斯差分函数的空间尺度因子,M、N分别为图像的行数、列数;
特征点提取单元3,用于提取所述人脸差分图像的特征点并构成特征点集合W,同时,提取所述身份证差分图像的特征点并构成特征点集合V;
特征描述符生成单元4,用于根据所述人脸差分图像的特征点生成特征描述符BS,并根据所述身份证差分图像的特征点生成特征描述符QS;
特征点匹配单元5,用于选取特征集合W中的特征点B和特征集合V中的特征点Q,在特征点集合V中搜索与第一特征点B最近欧氏距离Dismin与次近欧氏距离Discmin相对应的特征点Qmin和Qcmin,若Dismin/Discmin<μ,则第二特征点集合V中的特征点Qmin为特征点B的候选匹配点;在第一特征点集合W中搜索与第二特征点集合V中特征点Qmin相对应的候选匹配特征点Bmin,若特征点Bmin与特征点B为同一个特征点,则判定特征点Qmin与特征点B为一对匹配特征点;
其中,μ为小于0的常数,当存在预设数量对的匹配特征点时,所述人脸图像和所述身份证图像匹配成功,否则,匹配失败。
优选地,所述图像采集单元1包括:
人脸图像采集单元11,用于采集人脸图像;
身份证图像采集单元12,用于采集身份证图像。
需说明的是,实施例二提出的***与实施例一的方法相对应,因此,实施例二未详述的其他部分可参阅实施例一所述方法部分得到,此处不再赘述。
根据第三方面,本发明实施例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,以实现如实施例一所述的基于人脸识别的身份证认证方法。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于人脸识别的身份证认证方法,其特征在于,包括如下步骤:
步骤S1、采集人脸图像和身份证图像;
步骤S2、利用差分制约模型对所述人脸图像和身份证图像进行处理得到人脸差分图像和身份证差分图像,所述差分制约模型如下公式所示,
式中,D(xi,yi,β)为原始图像经高斯差分函数处理后得到的图像,xi,yi为图像中点i的横纵坐标;β为高斯差分函数的空间尺度因子,M、N分别为图像的行数、列数;
步骤S3、提取所述人脸差分图像的特征点并构成特征点集合W,同时,提取所述身份证差分图像的特征点并构成特征点集合V;
步骤S4、根据所述人脸差分图像的特征点生成特征描述符BS,并根据所述身份证差分图像的特征点生成特征描述符QS;
步骤S5、选取特征集合W中的特征点B和特征集合V中的特征点Q,在特征点集合V中搜索与第一特征点B最近欧氏距离Dismin与次近欧氏距离Discmin相对应的特征点Qmin和Qcmin,若Dismin/Discmin<μ,则第二特征点集合V中的特征点Qmin为特征点B的候选匹配点;在第一特征点集合W中搜索与第二特征点集合V中特征点Qmin相对应的候选匹配特征点Bmin,若特征点Bmin与特征点B为同一个特征点,则判定特征点Qmin与特征点B为一对匹配特征点;
其中,μ为小于0的常数,当存在预设数量对的匹配特征点时,所述人脸图像和所述身份证图像匹配成功,否则,匹配失败。
2.如权利要求1所述的基于人脸识别的身份证认证方法,其特征在于,其中,所述高斯差分函数为:
D(x,y,β)=[(G(x,y,Jβ)-G(x,y,β))]*I(x,y)=L(x,y,Jβ)-L(x,y,β)
L(x,y,β)=G(x,y,β)*I(x,y);
其中,I(x,y)为原始图像,β为空间尺度因子,J为表示相邻高斯尺度空间倍数的一个常数。
3.如权利要求1所述的基于人脸识别的身份证认证方法,其特征在于,所述步骤S3中图像特征点的获取包括:
将图像中的目标像素点与同一尺度空间的8个相邻像素点以及上、下相邻尺度对应的18个像素点一一进行灰度值比较,若目标像素点的灰度值与这26个像素点的灰度值相比为极值,则目标像素点为候选特征点;然后采用三维二次拟合函数将低对比度的特征点进行剔除后得到特征点集合。
4.如权利要求3所述的基于人脸识别的身份证认证方法,其特征在于,所述步骤S4中根据图像的特征点生成特征描述符包括:
确定特征点的主方向;选取任一特征点作圆心、6β作为半径构建一个特征点的圆形邻域T,并以被选取的特征点为圆心构建一个60度的扇形区域,将所述扇形区域在所述圆形邻域内进行旋转并求取扇形区域内Haar小波响应值的和,从而形成一系列的矢量,选取最长矢量对应的方向作为特征点的主方向;
根据所述特征点的主方向求取特征向量;以所述特征点的主方向为X轴、30度为间隔在圆形邻域T内建立12个方向的指针,并求取每个指针方向上的梯度累加值以构成一个12维的向量P,对向量P进行归一化操作;
P={p1,p2,p3,…p12}
分别以半径2β、4β构建圆形邻域T的同心圆区域,以将圆形邻域T均分成三个圆形邻域,求取三个圆形邻域内的灰度值累加和Ei(i=1,2,3)后,并将灰度值累加和进行归一化处理得到一个3维的向量E;
将向量与向量的元素进行组合形成一个15维特征向量S,所述向量S为特征描述符;
5.如权利要求4所述的基于人脸识别的身份证认证方法,其特征在于,所述步骤S5中特征点之间欧式距离求取方式如下:
设BSi与QSi分别为特征描述符BS与特征描述符QS中的第i个分量,则特征点B与特征点Q的欧氏距离Dis(B,Q)为:
6.如权利要求5所述的基于人脸识别的身份证认证方法,其特征在于,所述步骤S5还包括利用匹配特征点构成的空间结构构建三角网约束规则将错误匹配特征点进行剔除;
令W’={w1,w2,w3,…,wn}与V’={v1,v2,v3,…,vn}为包含匹配特征点的两个集合,其中wi与vi为一对匹配特征点,通过集合W’中的匹配特征点在空间上构建一个德洛内(Delaunay)三角网Tw’=(W’,E),E表示该三角网所有边界线的集合,W’中的特征点wi与wj构成的边界线可表示为Eij∈E,通过将V’中相应的特征点进行连接形成三角网TV’=(V’,E’),三角网TV’中的特征点vi与vj构成的边界线可表示为Eij∈E,根据三角网边界线在拓扑结构上的约束构建三角网约束规则将错误匹配特征点进行剔除;
其中,若V’中的特征点与W’中的特征点都匹配正确的话,则TV’中的边界线与Tw’中的边界线在拓扑结构上满足所述三角网约束。
7.如权利要求6所述的基于人脸识别的身份证认证方法,其特征在于,所述根据三角网边界线在拓扑结构上的约束构建三角网约束规则将错误匹配特征点进行剔除包括:
确定异常拓扑结构,当三角网上任意两个三角形的边界线有两条或者两条以上同时出现相交,则判定该边界线出现了异常拓扑结构;
对边界线进行二值化,将异常拓扑结构的边界线用0进行标示,正常拓扑结构的边界线用1进行标示;
对错误匹配特征点进行剔除,令匹配特征点vi构成的边界线数量为SL,其中异常拓扑结构的边界线数量为ASL,若满足ASL/SL>λ,则判定匹配特征点vi与匹配特征点wi为一对错误匹配特征点,将其剔除;其中λ∈(0,1)。
8.一种基于人脸识别的身份证认证***,其特征在于,包括:
图像采集单元,用于采集人脸图像和身份证图像;
图像处理单元,用于利用差分制约模型对所述人脸图像和身份证图像进行处理得到人脸差分图像和身份证差分图像,所述差分制约模型如下公式所示,
式中,D(xi,yi,β)为原始图像经高斯差分函数处理后得到的图像,xi,yi为图像中点i的横纵坐标;β为高斯差分函数的空间尺度因子,M、N分别为图像的行数、列数;
特征点提取单元,用于提取所述人脸差分图像的特征点并构成特征点集合W,同时,提取所述身份证差分图像的特征点并构成特征点集合V;
特征描述符生成单元,用于根据所述人脸差分图像的特征点生成特征描述符BS,并根据所述身份证差分图像的特征点生成特征描述符QS;
特征点匹配单元,用于选取特征集合W中的特征点B和特征集合V中的特征点Q,在特征点集合V中搜索与第一特征点B最近欧氏距离Dismin与次近欧氏距离Discmin相对应的特征点Qmin和Qcmin,若Dismin/Discmin<μ,则第二特征点集合V中的特征点Qmin为特征点B的候选匹配点;在第一特征点集合W中搜索与第二特征点集合V中特征点Qmin相对应的候选匹配特征点Bmin,若特征点Bmin与特征点B为同一个特征点,则判定特征点Qmin与特征点B为一对匹配特征点;
其中,μ为小于0的常数,当存在预设数量对的匹配特征点时,所述人脸图像和所述身份证图像匹配成功,否则,匹配失败。
9.如权利要求8所述的基于人脸识别的身份证认证***,其特征在于,所述图像采集单元包括:
人脸图像采集单元,用于采集人脸图像;
身份证图像采集单元,用于采集身份证图像。
10.一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,以实现如权利要求1-7任一项所述的基于人脸识别的身份证认证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417868.4A CN110210341B (zh) | 2019-05-20 | 2019-05-20 | 基于人脸识别的身份证认证方法及其***、可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417868.4A CN110210341B (zh) | 2019-05-20 | 2019-05-20 | 基于人脸识别的身份证认证方法及其***、可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210341A true CN110210341A (zh) | 2019-09-06 |
CN110210341B CN110210341B (zh) | 2022-12-06 |
Family
ID=67787805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910417868.4A Active CN110210341B (zh) | 2019-05-20 | 2019-05-20 | 基于人脸识别的身份证认证方法及其***、可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210341B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062495A (zh) * | 2019-11-28 | 2020-04-24 | 深圳市华尊科技股份有限公司 | 机器学习方法及相关装置 |
CN111126376A (zh) * | 2019-10-16 | 2020-05-08 | 平安科技(深圳)有限公司 | 基于面部特征点检测的图片纠正方法、装置和计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101669824A (zh) * | 2009-09-22 | 2010-03-17 | 浙江工业大学 | 基于生物特征识别的人与身份证同一性检验装置 |
CN104252614A (zh) * | 2013-06-27 | 2014-12-31 | 南京理工大学常熟研究院有限公司 | 基于sift算法的二代身份证人脸比对方法 |
CN105354558A (zh) * | 2015-11-23 | 2016-02-24 | 河北工业大学 | 人脸图像匹配方法 |
WO2016150240A1 (zh) * | 2015-03-24 | 2016-09-29 | 北京天诚盛业科技有限公司 | 身份认证方法和装置 |
CN106778607A (zh) * | 2016-12-15 | 2017-05-31 | 国政通科技股份有限公司 | 一种基于人脸识别的人与身份证同一性认证装置及方法 |
CN106778797A (zh) * | 2016-10-31 | 2017-05-31 | 江苏濠汉信息技术有限公司 | 一种身份智能识别方法 |
CN107358174A (zh) * | 2017-06-23 | 2017-11-17 | 浙江大学 | 一种基于图像处理的手持身份证认证*** |
-
2019
- 2019-05-20 CN CN201910417868.4A patent/CN110210341B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101669824A (zh) * | 2009-09-22 | 2010-03-17 | 浙江工业大学 | 基于生物特征识别的人与身份证同一性检验装置 |
CN104252614A (zh) * | 2013-06-27 | 2014-12-31 | 南京理工大学常熟研究院有限公司 | 基于sift算法的二代身份证人脸比对方法 |
WO2016150240A1 (zh) * | 2015-03-24 | 2016-09-29 | 北京天诚盛业科技有限公司 | 身份认证方法和装置 |
CN105354558A (zh) * | 2015-11-23 | 2016-02-24 | 河北工业大学 | 人脸图像匹配方法 |
CN106778797A (zh) * | 2016-10-31 | 2017-05-31 | 江苏濠汉信息技术有限公司 | 一种身份智能识别方法 |
CN106778607A (zh) * | 2016-12-15 | 2017-05-31 | 国政通科技股份有限公司 | 一种基于人脸识别的人与身份证同一性认证装置及方法 |
CN107358174A (zh) * | 2017-06-23 | 2017-11-17 | 浙江大学 | 一种基于图像处理的手持身份证认证*** |
Non-Patent Citations (1)
Title |
---|
李厚恩等: "互联网背景下人脸识别安全管理的方法及措施", 《数字技术与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126376A (zh) * | 2019-10-16 | 2020-05-08 | 平安科技(深圳)有限公司 | 基于面部特征点检测的图片纠正方法、装置和计算机设备 |
CN111126376B (zh) * | 2019-10-16 | 2022-08-23 | 平安科技(深圳)有限公司 | 基于面部特征点检测的图片纠正方法、装置和计算机设备 |
CN111062495A (zh) * | 2019-11-28 | 2020-04-24 | 深圳市华尊科技股份有限公司 | 机器学习方法及相关装置 |
CN111062495B (zh) * | 2019-11-28 | 2024-03-19 | 深圳市华尊科技股份有限公司 | 机器学习方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110210341B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Structured landmark detection via topology-adapting deep graph learning | |
US8699828B2 (en) | Image matching using inlier coverage | |
Xiong et al. | A critical review of image registration methods | |
US7362920B2 (en) | Method and system for hybrid rigid registration based on joint correspondences between scale-invariant salient region features | |
Liu et al. | A part‐aware surface metric for shape analysis | |
Pfingsthorn et al. | Generalized graph SLAM: Solving local and global ambiguities through multimodal and hyperedge constraints | |
CN109376518A (zh) | 基于人脸识别的防止隐私泄露方法及相关设备 | |
CN106716450A (zh) | 利用边缘向量的基于图像的特征检测 | |
Prakash et al. | Human recognition using 3D ear images | |
Lepsøy et al. | Statistical modelling of outliers for fast visual search | |
CN105184786B (zh) | 一种浮点型三角形特征描述方法 | |
CN107016319A (zh) | 一种关键点定位方法和装置 | |
CN112686191B (zh) | 基于人脸三维信息的活体防伪方法、***、终端及介质 | |
Sahillioğlu et al. | Partial 3‐D correspondence from shape extremities | |
CN110210341A (zh) | 基于人脸识别的身份证认证方法及其***、可读存储介质 | |
Li et al. | Adaptive regional multiple features for large-scale high-resolution remote sensing image registration | |
Liu et al. | Curved reflection symmetry detection with self-validation | |
CN105787416A (zh) | 一种基于移动终端的人脸识别方法及*** | |
Cai et al. | An adaptive symmetry detection algorithm based on local features | |
CN108647640A (zh) | 人脸识别的方法及电子设备 | |
Phoka et al. | Image based phishing detection using transfer learning | |
CN116884045A (zh) | 身份识别方法、装置、计算机设备和存储介质 | |
Bensaïd et al. | Partial matching of nonrigid shapes by learning piecewise smooth functions | |
Pichat et al. | Part-to-whole registration of histology and mri using shape elements | |
Zhang et al. | Automated registration of high‐resolution satellite images |
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 |