CN111126283A - 一种自动过滤模糊人脸的快速活体检测方法及*** - Google Patents
一种自动过滤模糊人脸的快速活体检测方法及*** Download PDFInfo
- Publication number
- CN111126283A CN111126283A CN201911353715.4A CN201911353715A CN111126283A CN 111126283 A CN111126283 A CN 111126283A CN 201911353715 A CN201911353715 A CN 201911353715A CN 111126283 A CN111126283 A CN 111126283A
- Authority
- CN
- China
- Prior art keywords
- face
- face picture
- real
- false
- picture
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种自动过滤模糊人脸的快速活体检测方法及***,涉及活体检测技术领域,包括:获取若干真实人脸图片及若干虚假人脸图片;将各真实人脸图片和各虚假人脸图片进行分组得到训练集和测试集;对训练集中进行图像特征提取,得到对应的特征图谱;对训练集进行模糊处理,得到对应的模糊图像;根据训练集中的各真实人脸图片、各虚假人脸图片、各特征图谱以及各模糊图像训练得到活体检测模型;根据活体检测模型对测试集中的各真实人脸图片和各虚假人脸图片进行活体检测,并计算活体检测结果与各真实人脸图片和各虚假人脸图片的真实结果之间的损失函数,以根据损失函数对活体检测模型进行验证。本发明有效提高了活体检测的准确率。
Description
技术领域
本发明涉及活体检测技术领域,具体涉及一种自动过滤模糊人脸的快速活体检测方法及***。
背景技术
随着人脸识别、人脸解锁等技术在金融、门禁、移动设备等日常生活中的广泛应用,活体检测(Face Anti-Spoofing)技术在近年来得到了越来越多的关注。活体检测是在一些身份验证场景确定对象真实生理特征的方法,在人脸识别应用中,活体检测能通过眨眼、张嘴、摇头、点头等组合动作,使用人脸关键点定位和人脸追踪等技术,验证用户是否为真实活体本人操作。常见活体检测攻击手段有多种,如打印攻击使用,即打印的照片代替被检测者;翻拍攻击,即攻击者使用手机等电子产品播放被检测者的视频或者照片;3D面具攻击,即使用真人比例的面具戴在攻击者脸上来攻击活体检测***。有效的活体检测能够帮助用户甄别欺诈行为,保障用户的利益。
现有技术中,活体检测算法分为静态方法和动态方法两类:
静态方法分为传统方法和基于CNN模型的方法。传统方法采用handcrafted特征(手动设计的特征)用来区分真实人脸和虚假人脸,然后使用SVM等分类算法来区分,如使用LBP特征;使用镜面放射、图片失真评估和颜色等统计量组成特征子,该方法在人脸失真不明显时效果很差;传统方法还包括使用HSV空间人脸多级LBP特征和YCbCr空间人脸LPQ特征来区分真实人脸。这些传统方法由于手动构造的特征,活体检测的泛化性能效果不好。基于CNN的模型使用CNN来提取人脸特征,将人脸分块并分别finetune模型(即是将已经预训练好的模型,采用分块得到的各个人脸分块重新训练),然后再融合各个分块的特征,此方法性能较差且无法实时;也有用到深度图、红外图等额外人脸信息来进行活体检测并且超过了人类水平,但无法在仅获得RGB图像时进行活体检测。
动态方法分为主动活体检测和被动人脸检测,主动活体检测要求被检测者配合做一些验证动作,这种方法主要用在金融、支付等安全要求较高的场景,在很多场景中不实用;被动人脸检测利用视频中多帧之间关联信息来判定是否是真实人脸,使用CNN和LSTM利用多帧信息模拟LBP-TOP方法,性能很差。
发明内容
本发明的目的在于提供一种自动过滤模糊人脸的快速活体检测方法及***。
为达此目的,本发明采用以下技术方案:
提供一种自动过滤模糊人脸的快速活体检测方法,具体包括以下步骤:
步骤S1,获取若干真实人脸图片以及基于所述真实人脸图片的若干虚假人脸图片;
步骤S2,将各所述真实人脸图片和各所述虚假人脸图片进行分组得到训练集和测试集;
步骤S3,对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行图像特征提取,得到各所述真实人脸图片和各所述虚假人脸图片对应的特征图谱;
步骤S4,对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行模糊处理,得到各所述真实人脸图片和各所述虚假人脸图片对应的模糊图像;
步骤S5,根据所述训练集中的各所述真实人脸图片、各所述虚假人脸图片、各所述特征图谱以及各所述模糊图像训练得到活体检测模型;
步骤S6,根据所述活体检测模型对所述测试集中的各所述真实人脸图片和各所述虚假人脸图片进行活体检测,并计算活体检测结果与各所述真实人脸图片和各所述虚假人脸图片的真实结果之间的损失函数,以根据所述损失函数对所述活体检测模型进行验证。
作为本发明的一种优选方案,所述虚假人脸图片包括使用不同摄像头翻拍得到的人脸图片,和/或使用打印机打印得到的人脸图片。
作为本发明的一种优选方案,所述步骤S2具体包括:
步骤S21,采用多任务卷积神经网络对各所述真实人脸图片和各所述虚假人脸图片中的人脸区域进行截取得到人脸区域图像;
步骤S22,将各所述人脸区域图像的尺寸调整至预设尺寸;
步骤S23,将具有所述预设尺寸的各所述人脸区域图像按照预设比例进行分组得到训练集和测试集。
作为本发明的一种优选方案,所述预设尺寸为112像素*112像素。
作为本发明的一种优选方案,所述预设比例为所述训练集中的所述人脸区域图像的数量与所述测试集中的所述人脸区域图像的数量之间的比值,且所述预设比例为9:1。
作为本发明的一种优选方案,所述步骤S3中,采用LBP算子对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行图像特征提取,则所述特征图谱为LBP特征图谱。
作为本发明的一种优选方案,所述步骤S4中,所述模糊处理包括颜色扰动,和/或水平翻转,和/或基于PCA的光照增强,和/或随机消除图片部分内容,和/或运动模糊,和/或高斯模糊。
作为本发明的一种优选方案,训练所述活体检测模型的网络结构为MobileNetV2。
作为本发明的一种优选方案,所述MobileNetV2分类网络的后三层使用的激活函数为h-swish激活函数,所述h-swish激活函数的计算公式如下:
其中,ReLU6为ReLU6激活函数;
x用于表示所述MobileNetV2分类网络的后三层的输出值。
一种自动过滤模糊人脸的快速活体检测***,应用以上任意一项所述的自动过滤模糊人脸的快速活体检测方法,所述快速活体检测***具体包括:
数据获取模块,用于获取若干真实人脸图片以及基于所述真实人脸图片的若干虚假人脸图片;
数据集建立模块,连接所述数据获取模块,用于将各所述真实人脸图片和各所述虚假人脸图片进行分组得到训练集和测试集;
特征提取模块,连接所述数据集建立模块,用于对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行图像特征提取,得到各所述真实人脸图片和各所述虚假人脸图片对应的特征图谱;
模糊处理模块,连接所述数据集建立模块,用于对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行模糊处理,得到各所述真实人脸图片和各所述虚假人脸图片对应的模糊图像;
模型训练模块,分别连接所述数据集建立模块、所述特征提取模块和所述模糊处理模块,用于根据所述训练集中的各所述真实人脸图片、各所述虚假人脸图片、各所述特征图谱以及各所述模糊图像训练得到活体检测模型;
模型验证模块,分别连接所述数据集建立模块和所述模型训练模块,用于根据所述活体检测模型对所述测试集中的各所述真实人脸图片和各所述虚假人脸图片进行活体检测,并计算活体检测结果与各所述真实人脸图片和各所述虚假人脸图片的真实结果之间的损失函数,以根据所述损失函数对所述活体检测模型进行验证。
作为本发明的一种优选方案,所述数据集建立模块具体包括:
图像截取单元,用于采用多任务卷积神经网络对各所述真实人脸图片和各所述虚假人脸图片中的人脸区域进行截取得到人脸区域图像;
图像调整单元,连接所述图像截取单元,用于将各所述人脸区域图像的尺寸调整至预设尺寸;
数据分组单元,连接所述图像调整单元,用于将具有所述预设尺寸的各所述人脸区域图像按照预设比例进行分组得到训练集和测试集。
本发明的有益效果:
1)采用结合LBP图谱的特征增强方法,解决不同光照条件下的识别鲁棒性问题;
2)针对高度模糊人脸影响活体检测效果的问题,将其单独作为一个类别达到过滤模糊人脸的效果,大大提高了活体检测的准确率;
3)本发明将MobieNet V3提出的h-swish激活函数替代MobileNet V2中后三层使用的ReLU6激活函数,兼顾了活体检测的速度和检测精度,设计了一种更优的活体检测网络;
4)活体检测模型在测试集中达到98.9%的准确率,在实际部署中,误报率和漏报率完全达到实际可用的程度;
5)经验证,在Nvidia GTX 1060显卡上,活体检测每帧处理时间只需10毫秒,在CPU上每帧处理时间为24毫秒,这证明本活体检测模型在CPU上也能够满足实时要求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述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他的附图。
图1是本发明一实施例所述的一种自动过滤模糊人脸的快速活体检测方法的流程示意图。
图2是本发明一实施例所述的活体检测模型的架构示意图。
图3是本发明一实施例所述的训练集和测试集的生成过程的流程示意图。
图4是本发明一实施例所述的一种自动过滤模糊人脸的快速活体检测***的结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
基于现有技术中存在的技术问题,本发明提供一种自动过滤模糊人脸的快速活体检测方法,如图1所示,具体包括以下步骤:
步骤S1,获取若干真实人脸图片以及基于真实人脸图片的若干虚假人脸图片;
步骤S2,将各真实人脸图片和各虚假人脸图片进行分组得到训练集和测试集;
步骤S3,对训练集中的各真实人脸图片和各虚假人脸图片进行图像特征提取,得到各真实人脸图片和各虚假人脸图片对应的特征图谱;
步骤S4,对训练集中的各真实人脸图片和各虚假人脸图片进行模糊处理,得到各真实人脸图片和各虚假人脸图片对应的模糊图像;
步骤S5,根据训练集中的各真实人脸图片、各虚假人脸图片、各特征图谱以及各模糊图像训练得到活体检测模型;
步骤S6,根据活体检测模型对测试集中的各真实人脸图片和各虚假人脸图片进行活体检测,并计算活体检测结果与各真实人脸图片和各虚假人脸图片的真实结果之间的损失函数,以根据损失函数对活体检测模型进行验证。
具体地,本实施例中,本发明优选采用结合LBP图谱的特征增强方法,解决不同光照条件下的识别鲁棒性问题;针对高度模糊人脸影响活体检测效果的问题,将其单独作为一个类别达到过滤模糊人脸的效果,大大提高了活体检测的准确率;在分析MobileNet V2和MobileNetV3优缺点的基础上,兼顾速度和精度,设计了一种更优的网络结构,即活体检测模型。
进一步具体地,训练上述活体检测模型之前,首先需要进行数据集准备,具体地,在积累的人脸图片基础上增加一部分网络图片,构成了包括若干真实人脸图片的真实人脸类别,该真实人脸类别注重了不同人种、不同光照、不同角度的人脸数量的均衡;随后优选使用不同摄像头翻拍人脸图片和使用打印机打印的人脸图片构成了包括若干虚假人脸图片的假人脸类别,该假人脸类别模拟现实情况中的翻拍攻击和打印攻击。然后使用MTCNN对人脸区域进行截取并调整到112*112的尺寸,最后得到真实人脸2861张、假人脸2787张,随即选择90%作为训练集,剩下的作为测试集。
随后对训练集中截取并调整尺寸的各真实人脸图片和各虚假人脸图片进行数据离线预处理,具体地,优选采用LBP算子进行特征提取,以得到LBP图谱。LBP是一种用来描述图像局部特征的算子,LBP特征具有灰度不变性和旋转不变性等显著优点,能够有效提取图片纹理信息。LBP将每个像素的灰度值和其8个领域进行比较得到LBP值,即由8个领域像由LBP计算公式可以得出,LBP图谱对于光照具有鲁棒性。
还包括对训练集中截取并调整尺寸的各真实人脸图片和各虚假人脸图片进行数据在线增强,具体地,随机对训练集中的各真实人脸图片和各虚假人脸图片进行包括但不限于颜色扰动、水平翻转、基于PCA的光照增强(PCA Lighting)、随机消除图片某部分内容(random erasing)、运动模糊(Motion Blur)和高斯模糊(Gaussian Blur),以得到对应的模糊图像。
进一步具体地,本发明能够自动进行模糊人脸过滤,在人脸识别过程中,由于在视频帧中出现的远处小人脸被截取到并被调整为112*112之后会高度模糊,或由于摄像头本身分辨率或人脸运动导致的得到高度模糊的人脸,模型在处理这些高度模糊的人脸时效果很差。最初方案使用一些传统的图像算法来判断人脸图片的模糊度从而过滤出这部分图片,比如使用拉普拉斯算子、基于傅立叶变换等方法实际部署后发现有两个缺点:一是引入一个过滤器增加了模型运行时间开销,二是基于传统图像算法对不同类型的模糊人脸不具有鲁棒性,存在误判和漏判的情况。这里将模糊人脸图像单独作为一个类别和真实人脸图片以及虚假人脸图片一同训练,效果相当于两阶段分类器:一阶段过滤模糊人脸,二阶段判别活体。
进一步地,为了使活体检测更适用于移动端,本发明对活体检测模型进行了网络结构优化,优选的,本发明使用MobileNetV2作为分类网络,并对MobileNetV2做了适当的优化。本发明使用MobileNetV3提出的h-swish激活函数替代了MobileNetV2中后三层expanded_conv中的Relu6激活函数,它相比于Relu6,具有非单调函数的特点,在实际训练中发现h-swish能让模型收敛得更好,训练出模型达到最高准确率。损失函数使用FocalLoss通过给Hard Samples赋予更高的权重来让模型具有更好的泛化能力。进一步具体的,本发明的活体检测模型的架构如图2所示,其中expanded_conv结构即Inverted ResiduleBlock。
作为本发明的一种优选方案,虚假人脸图片包括使用不同摄像头翻拍得到的人脸图片,和/或使用打印机打印得到的人脸图片。
作为本发明的一种优选方案,如图3所示,步骤S2具体包括:
步骤S21,采用多任务卷积神经网络对各真实人脸图片和各虚假人脸图片中的人脸区域进行截取得到人脸区域图像;
步骤S22,将各人脸区域图像的尺寸调整至预设尺寸;
步骤S23,将具有预设尺寸的各人脸区域图像按照预设比例进行分组得到训练集和测试集。
作为本发明的一种优选方案,预设尺寸为112像素*112像素。
作为本发明的一种优选方案,预设比例为训练集中的人脸区域图像的数量与测试集中的人脸区域图像的数量之间的比值,且预设比例为9:1。
作为本发明的一种优选方案,步骤S3中,采用LBP算子对训练集中的各真实人脸图片和各虚假人脸图片进行图像特征提取,则特征图谱为LBP特征图谱。
作为本发明的一种优选方案,步骤S4中,模糊处理包括颜色扰动,和/或水平翻转,和/或基于PCA的光照增强,和/或随机消除图片部分内容,和/或运动模糊,和/或高斯模糊。
作为本发明的一种优选方案,训练活体检测模型的网络结构为MobileNetV2。
作为本发明的一种优选方案,MobileNetV2分类网络的后三层使用的激活函数为h-swish激活函数,h-swish激活函数的计算公式如下:
其中,ReLU6为ReLU6激活函数;
x用于表示MobileNetV2分类网络的后三层的输出值。
一种自动过滤模糊人脸的快速活体检测***,应用以上任意一项的自动过滤模糊人脸的快速活体检测方法,如图4所示,快速活体检测***具体包括:
数据获取模块1,用于获取若干真实人脸图片以及基于真实人脸图片的若干虚假人脸图片;
数据集建立模块2,连接数据获取模块1,用于将各真实人脸图片和各虚假人脸图片进行分组得到训练集和测试集;
特征提取模块3,连接数据集建立模块2,用于对训练集中的各真实人脸图片和各虚假人脸图片进行图像特征提取,得到各真实人脸图片和各虚假人脸图片对应的特征图谱;
模糊处理模块4,连接数据集建立模块2,用于对训练集中的各真实人脸图片和各虚假人脸图片进行模糊处理,得到各真实人脸图片和各虚假人脸图片对应的模糊图像;
模型训练模块5,分别连接数据集建立模块2、特征提取模块3和模糊处理模块4,用于根据训练集中的各真实人脸图片、各虚假人脸图片、各特征图谱以及各模糊图像训练得到活体检测模型;
模型验证模块6,分别连接数据集建立模块2和模型训练模块5,用于根据活体检测模型对测试集中的各真实人脸图片和各虚假人脸图片进行活体检测,并计算活体检测结果与各真实人脸图片和各虚假人脸图片的真实结果之间的损失函数,以根据损失函数对活体检测模型进行验证。
作为本发明的一种优选方案,数据集建立模块2具体包括:
图像截取单元21,用于采用多任务卷积神经网络对各真实人脸图片和各虚假人脸图片中的人脸区域进行截取得到人脸区域图像;
图像调整单元22,连接图像截取单元21,用于将各人脸区域图像的尺寸调整至预设尺寸;
数据分组单元23,连接图像调整单元22,用于将具有预设尺寸的各人脸区域图像按照预设比例进行分组得到训练集和测试集。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (11)
1.一种自动过滤模糊人脸的快速活体检测方法,其特征在于,具体包括以下步骤:
步骤S1,获取若干真实人脸图片以及基于所述真实人脸图片的若干虚假人脸图片;
步骤S2,将各所述真实人脸图片和各所述虚假人脸图片进行分组得到训练集和测试集;
步骤S3,对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行图像特征提取,得到各所述真实人脸图片和各所述虚假人脸图片对应的特征图谱;
步骤S4,对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行模糊处理,得到各所述真实人脸图片和各所述虚假人脸图片对应的模糊图像;
步骤S5,根据所述训练集中的各所述真实人脸图片、各所述虚假人脸图片、各所述特征图谱以及各所述模糊图像训练得到活体检测模型;
步骤S6,根据所述活体检测模型对所述测试集中的各所述真实人脸图片和各所述虚假人脸图片进行活体检测,并计算活体检测结果与各所述真实人脸图片和各所述虚假人脸图片的真实结果之间的损失函数,以根据所述损失函数对所述活体检测模型进行验证。
2.根据权利要求1所述的自动过滤模糊人脸的快速活体检测方法,其特征在于,所述虚假人脸图片包括使用不同摄像头翻拍得到的人脸图片,和/或使用打印机打印得到的人脸图片。
3.根据权利要求1所述的自动过滤模糊人脸的快速活体检测方法,其特征在于,所述步骤S2具体包括:
步骤S21,采用多任务卷积神经网络对各所述真实人脸图片和各所述虚假人脸图片中的人脸区域进行截取得到人脸区域图像;
步骤S22,将各所述人脸区域图像的尺寸调整至预设尺寸;
步骤S23,将具有所述预设尺寸的各所述人脸区域图像按照预设比例进行分组得到训练集和测试集。
4.根据权利要求3所述的自动过滤模糊人脸的快速活体检测方法,其特征在于,所述预设尺寸为112像素*112像素。
5.根据权利要求3所述的自动过滤模糊人脸的快速活体检测方法,其特征在于,所述预设比例为所述训练集中的所述人脸区域图像的数量与所述测试集中的所述人脸区域图像的数量之间的比值,且所述预设比例为9:1。
6.根据权利要求1所述的自动过滤模糊人脸的快速活体检测方法,其特征在于,所述步骤S3中,采用LBP算子对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行图像特征提取,则所述特征图谱为LBP特征图谱。
7.根据权利要求1所述的自动过滤模糊人脸的快速活体检测方法,其特征在于,所述步骤S4中,所述模糊处理包括颜色扰动,和/或水平翻转,和/或基于PCA的光照增强,和/或随机消除图片部分内容,和/或运动模糊,和/或高斯模糊。
8.根据权利要求1所述的自动过滤模糊人脸的快速活体检测方法,其特征在于,训练所述活体检测模型的网络结构为MobileNetV2。
10.一种自动过滤模糊人脸的快速活体检测***,其特征在于,应用如权利要求1-9中任意一项所述的自动过滤模糊人脸的快速活体检测方法,所述快速活体检测***具体包括:
数据获取模块,用于获取若干真实人脸图片以及基于所述真实人脸图片的若干虚假人脸图片;
数据集建立模块,连接所述数据获取模块,用于将各所述真实人脸图片和各所述虚假人脸图片进行分组得到训练集和测试集;
特征提取模块,连接所述数据集建立模块,用于对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行图像特征提取,得到各所述真实人脸图片和各所述虚假人脸图片对应的特征图谱;
模糊处理模块,连接所述数据集建立模块,用于对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行模糊处理,得到各所述真实人脸图片和各所述虚假人脸图片对应的模糊图像;
模型训练模块,分别连接所述数据集建立模块、所述特征提取模块和所述模糊处理模块,用于根据所述训练集中的各所述真实人脸图片、各所述虚假人脸图片、各所述特征图谱以及各所述模糊图像训练得到活体检测模型;
模型验证模块,分别连接所述数据集建立模块和所述模型训练模块,用于根据所述活体检测模型对所述测试集中的各所述真实人脸图片和各所述虚假人脸图片进行活体检测,并计算活体检测结果与各所述真实人脸图片和各所述虚假人脸图片的真实结果之间的损失函数,以根据所述损失函数对所述活体检测模型进行验证。
11.根据权利要求10所述的自动过滤模糊人脸的快速活体检测***,其特征在于,所述数据集建立模块具体包括:
图像截取单元,用于采用多任务卷积神经网络对各所述真实人脸图片和各所述虚假人脸图片中的人脸区域进行截取得到人脸区域图像;
图像调整单元,连接所述图像截取单元,用于将各所述人脸区域图像的尺寸调整至预设尺寸;
数据分组单元,连接所述图像调整单元,用于将具有所述预设尺寸的各所述人脸区域图像按照预设比例进行分组得到训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353715.4A CN111126283B (zh) | 2019-12-25 | 2019-12-25 | 一种自动过滤模糊人脸的快速活体检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353715.4A CN111126283B (zh) | 2019-12-25 | 2019-12-25 | 一种自动过滤模糊人脸的快速活体检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126283A true CN111126283A (zh) | 2020-05-08 |
CN111126283B CN111126283B (zh) | 2023-05-12 |
Family
ID=70502787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353715.4A Active CN111126283B (zh) | 2019-12-25 | 2019-12-25 | 一种自动过滤模糊人脸的快速活体检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126283B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036331A (zh) * | 2020-09-03 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 活体检测模型的训练方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228129A (zh) * | 2016-07-18 | 2016-12-14 | 中山大学 | 一种基于matv特征的人脸活体检测方法 |
WO2017215240A1 (zh) * | 2016-06-14 | 2017-12-21 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN108549854A (zh) * | 2018-03-28 | 2018-09-18 | 中科博宏(北京)科技有限公司 | 一种人脸活体检测方法 |
CN109583342A (zh) * | 2018-11-21 | 2019-04-05 | 重庆邮电大学 | 基于迁移学习的人脸活体检测方法 |
-
2019
- 2019-12-25 CN CN201911353715.4A patent/CN111126283B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215240A1 (zh) * | 2016-06-14 | 2017-12-21 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN106228129A (zh) * | 2016-07-18 | 2016-12-14 | 中山大学 | 一种基于matv特征的人脸活体检测方法 |
CN108549854A (zh) * | 2018-03-28 | 2018-09-18 | 中科博宏(北京)科技有限公司 | 一种人脸活体检测方法 |
CN109583342A (zh) * | 2018-11-21 | 2019-04-05 | 重庆邮电大学 | 基于迁移学习的人脸活体检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036331A (zh) * | 2020-09-03 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 活体检测模型的训练方法、装置、设备及存储介质 |
CN112036331B (zh) * | 2020-09-03 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 活体检测模型的训练方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111126283B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Siddiqui et al. | Face anti-spoofing with multifeature videolet aggregation | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
da Silva Pinto et al. | Video-based face spoofing detection through visual rhythm analysis | |
Patel et al. | Secure face unlock: Spoof detection on smartphones | |
Pinto et al. | Using visual rhythms for detecting video-based facial spoof attacks | |
WO2020000908A1 (zh) | 一种人脸活体检测方法及装置 | |
Wen et al. | Face spoof detection with image distortion analysis | |
Li et al. | Replayed video attack detection based on motion blur analysis | |
WO2019152983A2 (en) | System and apparatus for face anti-spoofing via auxiliary supervision | |
CN109325933A (zh) | 一种翻拍图像识别方法及装置 | |
Boulkenafet et al. | Scale space texture analysis for face anti-spoofing | |
WO2016084072A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
CN106529414A (zh) | 一种通过图像比对实现结果认证的方法 | |
CN108416291B (zh) | 人脸检测识别方法、装置和*** | |
CN108446690B (zh) | 一种基于多视角动态特征的人脸活体检测方法 | |
WO2020195732A1 (ja) | 画像処理装置、画像処理方法、およびプログラムが格納された記録媒体 | |
Yeh et al. | Face liveness detection based on perceptual image quality assessment features with multi-scale analysis | |
CN112464690A (zh) | 活体识别方法、装置、电子设备及可读存储介质 | |
CN111325107A (zh) | 检测模型训练方法、装置、电子设备和可读存储介质 | |
Kim et al. | Face spoofing detection with highlight removal effect and distortions | |
CN111767879A (zh) | 一种活体检测方法 | |
Fujio et al. | Face/Fingerphoto Spoof Detection under Noisy Conditions by using Deep Convolutional Neural Network. | |
Alkishri et al. | Fake Face Detection Based on Colour Textual Analysis Using Deep Convolutional Neural Network | |
Ma et al. | Multi-perspective dynamic features for cross-database face presentation attack detection | |
JP7264308B2 (ja) | 二次元顔画像の2つ以上の入力に基づいて三次元顔モデルを適応的に構築するためのシステムおよび方法 |
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 |