CN110991307A - 人脸识别的方法、装置、设备及存储介质 - Google Patents
人脸识别的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110991307A CN110991307A CN201911185272.2A CN201911185272A CN110991307A CN 110991307 A CN110991307 A CN 110991307A CN 201911185272 A CN201911185272 A CN 201911185272A CN 110991307 A CN110991307 A CN 110991307A
- Authority
- CN
- China
- Prior art keywords
- face
- video
- living body
- face video
- detection model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例公开了一种人脸识别的方法、装置、设备及存储介质。该方法包括:对待检测视频进行人脸识别;将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,所述活体检测模型根据活体人脸视频和非活体人脸视频训练得到,所述非活体人脸视频包括打印人脸的视频或者屏幕人脸的视频。本发明实施例的技术方案,对待检测视频进行人脸识别,可以防止利用图片识别时利用照片伪装人脸进行识别造成的识别错误。将人脸视频输入活体检测模型进行活体人脸检测,减少了外部设备个数,减少了用户配合难度,提高了活体检测的准确性,提高了模型的简便性。
Description
技术领域
本发明实施例涉及图像处理领域,尤其涉及一种人脸识别的方法、装置、设备及存储介质。
背景技术
随着我国城市数字化水平越来越高,而人脸识别是数字化城市中的一项重要的技术。而为了防止用户在一些重要环境下通过照片或视频骗过人脸识别***完成验证,区分活体人脸与视频人脸逐渐成为关乎财产人身安全的重要技术。
现有的活体检测多指用户按照***指示做出相应的动作,在用户按照***指示做出相应动作后,于后台对用户完成动作进行识别。但现有的识别效果较为准确的活体检测模型,多采用动作配合式检测,如通过视频眨眼检测或点头检测,而传统人脸检测方法还包括通过红外设备辅助检测以及通过3D建模辅助检测。
但是,动作配合式检测识别难度大,对用户的交互性不友好,而对于中小型的项目应用,添加红外检测设备和3D建模运算会极大地增加成本,降低产品的竞争力。因此,需要开发一种人脸识别的方法,在不增加外设成本的基础上减少用户配合难度,提升人脸识别的准确性和便捷性。
发明内容
本发明提供一种人脸识别的方法、装置、设备及存储介质,以实现提高人脸识别装置活体人脸识别准确性和便捷性的效果。
第一方面,本发明实施例提供了一种人脸识别的方法,包括:
对待检测视频进行人脸识别;
将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,所述活体检测模型根据活体人脸视频和非活体人脸视频训练得到,所述非活体人脸视频包括打印人脸的视频或者屏幕人脸的视频。
进一步地,在对待检测视频进行人脸识别之前,还包括:
将活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型。
进一步地,所述活体人脸视频的数量小于所述非活体人脸视频的数量。
进一步地,所述将活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型,包括:
采集活体人脸视频和非活体人脸视频;
将所述活体人脸视频和非活体人脸视频缩放到预设尺寸;
将缩放后的活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型。
进一步地,所述将所述活体人脸视频和非活体人脸视频缩放到预设尺寸,包括:
从每段视频中按照预设时间间隔抽取预设张数的图片,并将抽取的图片缩放到预设尺寸;
将抽取时间段的稠密光流方向场线性拉伸后,把方向场图片缩放到预设尺寸,缩放后的抽取图片和缩放后的方向场图片组成卷积神经网络的训练图片。
进一步地,所述将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,包括:
按照预设次数,从每段视频中按照预设时间间隔抽取预设张数的图片,并将抽取的图片缩放到预设尺寸;
如果缩放后的抽取图片输入活体检测模型确定人脸视频中的人脸为活体人脸的次数达到次数阈值,则人脸视频中的人脸为活体人脸。
第二方面,本发明实施例还提供了一种人脸识别的装置,该人脸识别的装置包括:
视频人脸识别模块,用于对待检测视频进行人脸识别;
活体人脸确定模块,用于将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,所述活体检测模型根据活体人脸视频和非活体人脸视频训练得到,所述非活体人脸视频包括打印人脸的视频或者屏幕人脸的视频。
进一步地,所述装置还包括:
模型训练模块,用于将活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型。
第三方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得一个或多个处理器实现如本发明任意实施例中提供的人脸识别的方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例提供的人脸识别的方法。
本发明实施例通过对待检测视频进行人脸识别;将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,所述活体检测模型根据活体人脸视频和非活体人脸视频训练得到,所述非活体人脸视频包括打印人脸的视频或者屏幕人脸的视频。对待检测视频进行人脸识别,可以防止利用图片识别时利用照片伪装人脸进行识别造成的识别错误。将人脸视频输入活体检测模型进行活体人脸检测,减少了外部设备个数,减少了用户配合难度,提高了活体检测的准确性,提高了模型的简便性。
附图说明
图1为本发明实施例一中的一种人脸识别的方法的流程图;
图2是本发明实施例二中的一种人脸识别的方法的流程图;
图3是本发明实施例二中的一种活体检测模型训练过程的流程图;
图4是本发明实施例二中的一种控制活体人脸视频和非活体人脸视频缩放的流程图;
图5是本发明实施例三中的一种人脸识别的装置的结构示意图;
图6是本发明实施例四中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种人脸识别的方法的流程图,本实施例可适用于人脸识别中活体人脸识别的情况,该方法可以由人脸识别的装置来执行,该人脸识别的装置可以由软件和/或硬件来实现,该人脸识别的装置可以配置在计算设备上,具体包括如下步骤:
步骤11、对待检测视频进行人脸识别。
其中,待检测视频可理解为由摄像头在待检测区域进行持续拍摄获取的视频。
其中,人脸识别可理解为对摄像头采集到的待检测视频中的类似人脸的轮廓进行识别,以提取含有待识别人脸的人脸视频进行活体检测。
具体的,由摄像头对待检测区域进行持续拍摄,对获取的视频以固定时间间隔提取图片,进行轮廓识别,当识别到人脸的轮廓时,提取该图片的前一时刻至持续识别到人脸轮廓的最后一张提取图片的后一时刻间的视频,作为识别到的人脸视频。
可选的,人脸检测可采用SSD人脸检测技术、MTCNN人脸检测技术、S3FD人脸检测技术等。
其中,摄像头可为任意可采集视频的设备,本发明实施例对此不做限定,固定时间间隔可由人为设定也可为根据摄像设备自身属性确定。
步骤12、将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,所述活体检测模型根据活体人脸视频和非活体人脸视频训练得到,所述非活体人脸视频包括打印人脸的视频或者屏幕人脸的视频。
其中,活体检测模型可理解为根据多个非活体人脸和活体人脸视频训练出的用于区分活体人脸和非活体人脸的模型。可选的,训练方法可采用卷积神经网络训练方法,也可采用大数据统计等方法,本发明实施例对此不做限定。
具体的,将识别到的人脸视频输入至训练好的活体检测模型中,将识别到的人脸视频按预设次数及预设时间间隔抽取图片,将抽取图片中活体人脸特征和活体检测模型中活体人脸特征进行对比,根据相同特征个数判断识别到的人脸视频中的人脸是否为活体人脸。
本发明实施例通过对待检测视频进行人脸识别;将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,所述活体检测模型根据活体人脸视频和非活体人脸视频训练得到,所述非活体人脸视频包括打印人脸的视频或者屏幕人脸的视频。对待检测视频进行人脸识别,可以防止利用图片识别时利用照片伪装人脸进行识别造成的识别错误。将人脸视频输入活体检测模型进行活体人脸检测,减少了外部设备个数,减少了用户配合难度,提高了活体检测的准确性,提高了模型的简便性。
实施例二
图2为本发明实施例二提供的一种人脸识别的方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化,具体包括如下步骤:
步骤21、将活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型。
其中,卷积神经网络可理解为一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。
可选的,活体人脸视频的数量应小于非活体人脸视频的数量。随训练方式的不同所需活体人脸视频与非活体人脸视频的数量不定,本发明实施例对此不做具体限定。
具体的,图3提供了一种活体检测模型训练过程的流程图,具体包括以下步骤:
步骤211、采集活体人脸视频和非活体人脸视频。
其中,非活体人脸视频可包括打印人脸的视频或屏幕中人脸的视频。
可选的,活体人脸视频应不少于5000段,非活体人脸视频应不少于10000段。
步骤212、将所述活体人脸视频和非活体人脸视频缩放到预设尺寸。
可选的,预设尺寸可为32像素*32像素。
具体的,图4提供了一种控制活体人脸视频和非活体人脸视频缩放的流程图,具体包括以下步骤:
步骤2121、从每段视频中按照预设时间间隔抽取预设张数的图片,并将抽取的图片缩放到预设尺寸。
具体的,在每段视频中相隔预设时间间隔抽取图片,直至图片张数达到预设张数,将抽取到的图片的宽高缩放至预设尺寸,该预设尺寸可由人为设置或根据训练模型的需要进行设置。
可选的,预设时间间隔可为20ms,预设张数可为8张,本发明实施例对此不做具体限定。
步骤2122、将抽取时间段的稠密光流方向场线性拉伸后,把方向场图片缩放到预设尺寸,缩放后的抽取图片和缩放后的方向场图片组成卷积神经网络的训练图片。
其中,抽取时间段可理解为第一张抽取图片和最后一张抽取图片间的时间段。
其中,稠密光流方向场可理解为一种针对图像进行的逐点匹配的图像校准,该场为图像上所有点在预设时间段内的偏移量,将其集合称为稠密光流方向场。
可选的,可将稠密光流方向场由[0-360]线性拉伸至[0-255]。
示例性的,将抽取时间段间采集的稠密光流方向场由[0-360]线性拉伸至[0-255],并将方向场图片长宽缩放至32像素乘以32像素,将该缩放后的方向场图片与在抽取时间段内采集的8张抽取图片共同组成一张96像素乘以96像素的卷积神经网络的训练图片。
步骤213、将缩放后的活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型。
示例性的,活体检测模型可采用caffe框架进行训练,其中模型由基础网络和自定义网络两部分组成,基础网络使用mobilenetV2模型,自定义网络设计可为
Dense(240)->Activation(relu)->BatchNormalization()->Dropout(0.25)->Dense(2)
可选的,优化方法可采用Adam方式。
步骤22、按照预设次数,从每段视频中按照预设时间间隔抽取预设张数的图片,并将抽取的图片缩放到预设尺寸。
具体的,将识别到的人脸视频按照预设时间间隔抽取图片,直至抽取图片张数达到预设张数,将上述行为重复预设次数,并获取预设次数乘以预设张数张抽取图片,将上述预设次数抽取时间内的稠密光流方向场图片与抽取图片缩放到预设尺寸并组合生成大图。
可选的,预设时间间隔可为20ms,预设张数可为8张,预设尺寸可为32像素*32像素,预设次数可为3次。
示例性的,每隔20ms抽取一张识别到的人脸视频中的图片,对抽取图片中的每8张进行一次尺寸缩放,使之宽高缩放至32像素*32像素,并对每8张抽取图片的时间计算该段时间内的稠密光流方向场,将方向场图片缩放至32像素*32像素,最后将每8张抽取图片与其对应的稠密光流方向场图片组合生成大图。
步骤23、如果缩放后的抽取图片输入活体检测模型确定人脸视频中的人脸为活体人脸的次数达到次数阈值,则人脸视频中的人脸为活体人脸。
可选的,次数阈值可为预设次数的2/3或其他由用户预设的比例或数值,本发明实施例对此不做具体限制。
具体的,当缩放后的抽取图片与其对应的稠密光流方向场图片组合输入活体检测模型后输出为活体人脸的次数达到预设的次数或预设的比例时,认为识别到的人脸视频中的人脸为活体人脸;否则,认为识别到的人脸视频中的人脸为非活体人脸。
示例性的,当预设次数为3次,则将连续3次获取的图片组合输入活体检测模型中,如果3次检测中有两次或3次判定为活体人脸,则认为识别到的人脸视频中的人脸为活体人脸。
本实施例的技术方案,手机活体人脸视频与非活体人脸视频进行卷积神经网络训练,构建活体检测模型,以固定时间间隔抽取待识别人脸视频中的图片,并将其与对应时间内的稠密光流方向场图片缩放组合后输入活体检测模型,根据次数阈值判断待识别的人脸视频中是否为活体人脸,解决了人脸识别中利用照片伪装人脸进行识别造成的识别错误,交互式识别用户配合难度高的问题,使得活体人脸识别更为方便准确。
实施例三
图5为本发明实施例三提供的一种人脸识别的装置的结构示意图,该人脸识别的装置包括:视频人脸识别模块31和活体人脸确定模块32。
其中,视频人脸识别模块31,用于对待检测视频进行人脸识别;活体人脸确定模块32,用于将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,所述活体检测模型根据活体人脸视频和非活体人脸视频训练得到,所述非活体人脸视频包括打印人脸的视频或者屏幕人脸的视频。
本实施例的技术方案,解决了人脸识别中利用照片伪装人脸进行识别造成的识别错误,交互式识别用户配合难度高,外接设备多的问题,使得活体人脸识别更为方便准确,模型更简便易推广。
可选的,该装置还包括:
模型训练模块,用于将活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型。
可选的,模型训练模块包括:
人脸视频采集单元,用于采集活体人脸视频和非活体人脸视频。
视频缩放单元,用于将所述活体人脸视频和非活体人脸视频缩放到预设尺寸。
模型训练单元,用于将缩放后的活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型。
可选的,视频缩放单元具体用于:从每段视频中按照预设时间间隔抽取预设张数的图片,并将抽取的图片缩放到预设尺寸;将抽取时间段的稠密光流方向场线性拉伸后,把方向场图片缩放到预设尺寸,缩放后的抽取图片和缩放后的方向场图片组成卷积神经网络的训练图片。
可选的,活体人脸确定模块32,包括:
图片处理单元,用于按照预设次数,从每段视频中按照预设时间间隔抽取预设张数的图片,并将抽取的图片缩放到预设尺寸。
人脸确定单元,用于如果缩放后的抽取图片输入活体检测模型确定人脸视频中的人脸为活体人脸的次数达到次数阈值,则人脸视频中的人脸为活体人脸。
本发明实施例所提供的人脸识别的装置可执行本发明任意实施例所提供的人脸识别的方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四提供的一种设备的结构示意图,如图6所示,该设备包括处理器41、存储器42、输入装置43和输出装置44;设备中处理器41的数量可以是一个或多个,图6中以一个处理器41为例;设备中的处理器41、存储器42、输入装置43和输出装置44可以通过总线或其他方式连接,图C中以通过总线连接为例。
存储器42作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的人脸识别的方法对应的程序指令/模块(例如,视频人脸识别模块31和活体人脸确定模块32)。处理器41通过运行存储在存储器42中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的人脸识别的方法。
存储器42可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器42可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器42可进一步包括相对于处理器41远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入,可以包括触屏、键盘和鼠标等。输出装置44可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种人脸识别的方法,该方法包括:
对待检测视频进行人脸识别;
将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,所述活体检测模型根据活体人脸视频和非活体人脸视频训练得到,所述非活体人脸视频包括打印人脸的视频或者屏幕人脸的视频。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的人脸识别的方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种人脸识别的方法,其特征在于,包括:
对待检测视频进行人脸识别;
将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,所述活体检测模型根据活体人脸视频和非活体人脸视频训练得到,所述非活体人脸视频包括打印人脸的视频或者屏幕人脸的视频。
2.根据权利要求1所述的方法,其特征在于,在对待检测视频进行人脸识别之前,还包括:
将活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型。
3.根据权利要求2所述的方法,其特征在于,所述活体人脸视频的数量小于所述非活体人脸视频的数量。
4.根据权利要求2所述的方法,其特征在于,所述将活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型,包括:
采集活体人脸视频和非活体人脸视频;
将所述活体人脸视频和非活体人脸视频缩放到预设尺寸;
将缩放后的活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型。
5.根据权利要求4所述的方法,其特征在于,所述将所述活体人脸视频和非活体人脸视频缩放到预设尺寸,包括:
从每段视频中按照预设时间间隔抽取预设张数的图片,并将抽取的图片缩放到预设尺寸;
将抽取时间段的稠密光流方向场线性拉伸后,把方向场图片缩放到预设尺寸,缩放后的抽取图片和缩放后的方向场图片组成卷积神经网络的训练图片。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,包括:
按照预设次数,从每段视频中按照预设时间间隔抽取预设张数的图片,并将抽取的图片缩放到预设尺寸;
如果缩放后的抽取图片输入活体检测模型确定人脸视频中的人脸为活体人脸的次数达到次数阈值,则人脸视频中的人脸为活体人脸。
7.一种人脸识别的装置,其特征在于,包括:
视频人脸识别模块,用于对待检测视频进行人脸识别;
活体人脸确定模块,用于将识别到的人脸视频输入活体检测模型,确定人脸视频中的人脸是否为活体人脸,所述活体检测模型根据活体人脸视频和非活体人脸视频训练得到,所述非活体人脸视频包括打印人脸的视频或者屏幕人脸的视频。
8.根据权利要求7所述的装置,其特征在于,还包括:
模型训练模块,用于将活体人脸视频和非活体人脸视频采用卷积神经网络训练,得到所述活体检测模型。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的人脸识别的方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令由计算机处理器执行时用于执行如权利要求1-6中任一所述的人脸识别的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911185272.2A CN110991307B (zh) | 2019-11-27 | 2019-11-27 | 人脸识别的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911185272.2A CN110991307B (zh) | 2019-11-27 | 2019-11-27 | 人脸识别的方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991307A true CN110991307A (zh) | 2020-04-10 |
CN110991307B CN110991307B (zh) | 2023-09-26 |
Family
ID=70087526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911185272.2A Active CN110991307B (zh) | 2019-11-27 | 2019-11-27 | 人脸识别的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991307B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486853A (zh) * | 2021-07-29 | 2021-10-08 | 北京百度网讯科技有限公司 | 视频检测方法及装置、电子设备和介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030169907A1 (en) * | 2000-07-24 | 2003-09-11 | Timothy Edwards | Facial image processing system |
TW200809700A (en) * | 2006-08-15 | 2008-02-16 | Compal Electronics Inc | Method for recognizing face area |
KR20090050199A (ko) * | 2007-11-15 | 2009-05-20 | 주식회사 휴민텍 | 광류와 은닉 마르코프 모델을 이용한 실시간 얼굴 표정인식 |
US20110310237A1 (en) * | 2010-06-17 | 2011-12-22 | Institute For Information Industry | Facial Expression Recognition Systems and Methods and Computer Program Products Thereof |
EP2843621A1 (en) * | 2013-08-26 | 2015-03-04 | Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. | Human pose calculation from optical flow data |
CN104504366A (zh) * | 2014-11-24 | 2015-04-08 | 上海闻泰电子科技有限公司 | 基于光流特征的笑脸识别***及方法 |
CN105389567A (zh) * | 2015-11-16 | 2016-03-09 | 上海交通大学 | 基于稠密光流直方图的群体异常检测方法 |
CN105488519A (zh) * | 2015-11-13 | 2016-04-13 | 同济大学 | 一种基于视频尺度信息的视频分类方法 |
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*** |
CN108108676A (zh) * | 2017-12-12 | 2018-06-01 | 北京小米移动软件有限公司 | 人脸识别方法、卷积神经网络生成方法及装置 |
CN108596041A (zh) * | 2018-03-28 | 2018-09-28 | 中科博宏(北京)科技有限公司 | 一种基于视频的人脸活体检测方法 |
CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
CN109598242A (zh) * | 2018-12-06 | 2019-04-09 | 中科视拓(北京)科技有限公司 | 一种新型的活体检测方法 |
CN109784215A (zh) * | 2018-12-27 | 2019-05-21 | 金现代信息产业股份有限公司 | 一种基于改进的光流法的活体检测方法及*** |
CN109977846A (zh) * | 2019-03-22 | 2019-07-05 | 中国科学院重庆绿色智能技术研究院 | 一种基于近红外单目摄像的活体检测方法及*** |
CN110458063A (zh) * | 2019-07-30 | 2019-11-15 | 西安建筑科技大学 | 防视频、照片欺骗的人脸活体检测方法 |
-
2019
- 2019-11-27 CN CN201911185272.2A patent/CN110991307B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030169907A1 (en) * | 2000-07-24 | 2003-09-11 | Timothy Edwards | Facial image processing system |
TW200809700A (en) * | 2006-08-15 | 2008-02-16 | Compal Electronics Inc | Method for recognizing face area |
KR20090050199A (ko) * | 2007-11-15 | 2009-05-20 | 주식회사 휴민텍 | 광류와 은닉 마르코프 모델을 이용한 실시간 얼굴 표정인식 |
US20110310237A1 (en) * | 2010-06-17 | 2011-12-22 | Institute For Information Industry | Facial Expression Recognition Systems and Methods and Computer Program Products Thereof |
EP2843621A1 (en) * | 2013-08-26 | 2015-03-04 | Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. | Human pose calculation from optical flow data |
CN104504366A (zh) * | 2014-11-24 | 2015-04-08 | 上海闻泰电子科技有限公司 | 基于光流特征的笑脸识别***及方法 |
CN105488519A (zh) * | 2015-11-13 | 2016-04-13 | 同济大学 | 一种基于视频尺度信息的视频分类方法 |
CN105389567A (zh) * | 2015-11-16 | 2016-03-09 | 上海交通大学 | 基于稠密光流直方图的群体异常检测方法 |
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*** |
CN108108676A (zh) * | 2017-12-12 | 2018-06-01 | 北京小米移动软件有限公司 | 人脸识别方法、卷积神经网络生成方法及装置 |
CN108596041A (zh) * | 2018-03-28 | 2018-09-28 | 中科博宏(北京)科技有限公司 | 一种基于视频的人脸活体检测方法 |
CN109255322A (zh) * | 2018-09-03 | 2019-01-22 | 北京诚志重科海图科技有限公司 | 一种人脸活体检测方法及装置 |
CN109598242A (zh) * | 2018-12-06 | 2019-04-09 | 中科视拓(北京)科技有限公司 | 一种新型的活体检测方法 |
CN109784215A (zh) * | 2018-12-27 | 2019-05-21 | 金现代信息产业股份有限公司 | 一种基于改进的光流法的活体检测方法及*** |
CN109977846A (zh) * | 2019-03-22 | 2019-07-05 | 中国科学院重庆绿色智能技术研究院 | 一种基于近红外单目摄像的活体检测方法及*** |
CN110458063A (zh) * | 2019-07-30 | 2019-11-15 | 西安建筑科技大学 | 防视频、照片欺骗的人脸活体检测方法 |
Non-Patent Citations (2)
Title |
---|
REN C. LUO: "《Alignment and tracking of facial features with component-based active appearance models and optical flow》", 《2011 IEEE/ASME INTERNATIONAL CONFERENCE ON ADVANCED INTELLIGENT MECHATRONICS (AIM)》, pages 1058 - 1063 * |
张轩阁: "《 基于光流与LBP-TOP特征结合的微表情识别》", 《吉林大学学报(信息科学版)》, vol. 33, no. 5, pages 516 - 523 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486853A (zh) * | 2021-07-29 | 2021-10-08 | 北京百度网讯科技有限公司 | 视频检测方法及装置、电子设备和介质 |
CN113486853B (zh) * | 2021-07-29 | 2024-02-27 | 北京百度网讯科技有限公司 | 视频检测方法及装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110991307B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062123B2 (en) | Method, terminal, and storage medium for tracking facial critical area | |
CN107370942B (zh) | 拍照方法、装置、存储介质及终端 | |
CN108960163B (zh) | 手势识别方法、装置、设备和存储介质 | |
US10832069B2 (en) | Living body detection method, electronic device and computer readable medium | |
US8792722B2 (en) | Hand gesture detection | |
US8750573B2 (en) | Hand gesture detection | |
CN105518712B (zh) | 基于字符识别的关键词通知方法及设备 | |
WO2021051545A1 (zh) | 基于行为识别模型的摔倒动作判定方法、装置、计算机设备及存储介质 | |
EP2336949B1 (en) | Apparatus and method for registering plurality of facial images for face recognition | |
EP4030749B1 (en) | Image photographing method and apparatus | |
KR20200118076A (ko) | 생체 검출 방법 및 장치, 전자 기기 및 저장 매체 | |
CN106648418B (zh) | 手写笔迹校正方法和装置 | |
CN112561879B (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
CN107368181B (zh) | 一种手势识别方法及装置 | |
CN111860346A (zh) | 动态手势识别方法、装置、电子设备及存储介质 | |
CN106682669A (zh) | 一种图像处理方法及移动终端 | |
CN110991307B (zh) | 人脸识别的方法、装置、设备及存储介质 | |
CN109547678B (zh) | 一种处理方法、装置、设备及可读存储介质 | |
CN108549702B (zh) | 一种移动终端的图片库的清理方法及移动终端 | |
KR20190132885A (ko) | 영상으로부터 손을 검출하는 장치, 방법 및 컴퓨터 프로그램 | |
CN111353360A (zh) | 一种人脸识别方法及装置、电子设备 | |
CN111104886A (zh) | 手势识别方法、装置、设备和存储介质 | |
CN112367468B (zh) | 图像处理方法、装置及电子设备 | |
JP7211496B2 (ja) | 教師データ生成装置 | |
JPH10255058A (ja) | 動作検出装置および動作検出方法 |
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 |