CN111382646A - 一种活体识别方法、存储介质及终端设备 - Google Patents

一种活体识别方法、存储介质及终端设备 Download PDF

Info

Publication number
CN111382646A
CN111382646A CN201811647362.4A CN201811647362A CN111382646A CN 111382646 A CN111382646 A CN 111382646A CN 201811647362 A CN201811647362 A CN 201811647362A CN 111382646 A CN111382646 A CN 111382646A
Authority
CN
China
Prior art keywords
identified
image data
living body
image
signal
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
Application number
CN201811647362.4A
Other languages
English (en)
Other versions
CN111382646B (zh
Inventor
蒋佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TCL Research America Inc
Original Assignee
TCL Research America Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TCL Research America Inc filed Critical TCL Research America Inc
Priority to CN201811647362.4A priority Critical patent/CN111382646B/zh
Publication of CN111382646A publication Critical patent/CN111382646A/zh
Application granted granted Critical
Publication of CN111382646B publication Critical patent/CN111382646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • A61B5/1171—Identification of persons based on the shapes or appearances of their bodies or parts thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • 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
    • G06V40/14—Vascular patterns
    • 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
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了活体识别方法、存储介质及终端设备，其中，所述方法包括步骤：提供待识别的图像数据，所述图像数据包括连续的N帧待识别图像，其中N为大于1的正整数；通过图像的RGB信号获取每一帧待识别图像对应的色度信号；将色度信号进行傅立叶变换获得N个频域序列，通过网络对所述N个频域序列进行循环神经网络分析，迭代出心跳数据；判断所述心跳数据是否超出预设的心跳阈值范围，是则判定待识别的图像数据未包含活体；若判断所述心跳数据未超出预设的心跳阈值范围，则判断待识别的图像数据中是否有摩尔纹，有则判定待识别的图像数据未包含活体，否则判定待识别的图像数据包含活体。本发明解决了现有技术中活体识别方法不够准确问题。

Description

一种活体识别方法、存储介质及终端设备
技术领域
本发明涉及安防技术领域，尤其涉及一种基于普通摄像头的活体识别方法、存储介质及终端设备。
背景技术
目前，大量金融或者安防***采用网络摄像头拍摄的人脸照片进行远程监控，不但提高了人脸识别的准确率，还节省了大量人力物力。但通过人脸照片翻拍或者视频翻拍，以将虚假图片上传的欺诈行为也引起了社会普遍的关注。因此，人脸活体检测作为一项重要的安全认证措施，广泛地应用到金融、安防等领域。由于应用前景明朗，用途广泛活体检测技术近些年也备受关注。但是，现有的人脸活体检测不仅设备要求高，而且检测不够快速准确。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种活体识别方法、存储介质及终端设备，旨在解决现有技术中活体识别方法不够准确的问题。
本发明的技术方案如下：
一种活体识别方法，其中，包括步骤：
提供待识别的图像数据，所述图像数据包括连续的N帧待识别图像，其中N为大于1的正整数；
通过图像的RGB信号获取每一帧待识别图像对应的色度信号；
将色度信号进行傅立叶变换获得N个频域序列，通过网络对所述N个频域序列进行循环神经网络分析，迭代出心跳数据；
判断所述心跳数据是否超出预设的心跳阈值范围，是则判定待识别的图像数据未包含活体；
若判断所述心跳数据未超出预设的心跳阈值范围，则判断待识别的图像数据中是否有摩尔纹，有则判定待识别的图像数据未包含活体，否则判定待识别的图像数据包含活体。
所述的活体识别方法，其中，所述通过图像的RGB信号获取每一帧待识别图像对应的色度信号的步骤，具体包括：
将图像中的R通道信号、G通道信号及B通道信号分别进行滤波，对应得到Rf信号、Gf信号及Bf信号；
通过Rf信号、Gf信号及Bf信号进行正交色度信号计算，得到Xf＝3Rf-2Gf，Yf＝1.5Rf+Gf-1.5Bf；
计算色度信号rPPG＝3×(1-Rate/2)×Rf-2×(1+Rate/2)×Gf+3×Rate/2×Bf，其中Rate＝Xf/Yf。
所述的活体识别方法，其中，利用带通滤波器进行滤波。
所述的活体识别方法，其中，所述循环神经网络预先经训练处理。
所述的活体识别方法，其中，所述判断待识别的图像数据中是否有摩尔纹，有则判定待识别的图像数据未包含活体，否则判定待识别的图像数据包含活体的步骤，具体包括：
将N帧待识别图像中的M个通过RGB转为灰度图，然后进行傅立叶变换获得M个频域序列，通过网络对所述M个频域序列进行循环神经网络归纳分析，归纳出以摩尔纹输出值；
判断所述摩尔纹输出值是否大于摩尔纹门限值，有则判定待识别的图像数据未包含活体，否则判定待识别的图像数据包含活体。
所述的活体识别方法，其中，在通过图像的RGB信号获取每一帧待识别图像对应的色度信号的步骤之前，还包括步骤：预先将每一帧图像进行压缩。
所述的活体识别方法，其中，N帧人脸图像的拍摄速率大于或等于6帧/秒，获取时间大于或等于1秒。
所述的活体识别方法，其中，所述提供待识别的图像数据的步骤之后，还包括步骤：判断待识别的图像数据是否与预设数据一致，若不一致，则判定待识别的图像数据不匹配。
一种存储介质，其上存储有多条指令，其中，所述指令适合由处理器加载并执行如上所述的活体识别方法。
一种终端设备，其中，包括：
摄像头，用于提供待识别的图像数据；
处理器，适于实现各指令；以及
存储介质，适于存储多条指令，所述所述指令适合由处理器加载并执行如上所述的活体识别方法。
有益效果：本发明通过获取多帧待识别图像，获取对应的色度信号，再将获得的色度信号傅立叶转换后导入循环神经网络进行分析、迭代出心跳数据，若该心跳数据超出预设的心跳阈值范围则可直接判断待识别的图像数据未包含活体，若心跳数据处于心跳阈值范围内，则根据待识别的图像数据中是否有摩尔纹来进一步判断待识别的图像数据是否包含活体，解决了现有技术中活体识别方法不够准确问题。
附图说明
图1为本发明所述活体识别方法较佳实施例的流程图。
图2为本发明所述终端设备的结构示意图。
具体实施方式
本发明提供一种活体识别方法、存储介质及终端设备，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种活体识别方法，如图1所示，包括以下步骤：
S1、提供待识别的图像数据，所述图像数据包括连续的N帧待识别图像，其中N为大于1的正整数；
S2、通过图像的RGB信号获取每一帧待识别图像对应的色度信号；
S3、将色度信号进行傅立叶变化获得N个频域序列，通过网络对所述N个频域序列进行循环神经网络分析，迭代出心跳数据；
S4、判断所述心跳数据是否超出预设的心跳阈值范围，是则判定待识别的图像数据未包含活体；
S5、若判断所述心跳数据未超出预设的心跳阈值范围，则判断待识别的图像数据中是否有摩尔纹，有则判定待识别的图像数据未包含活体，否则判定待识别的图像数据包含活体。
本发明所述的活体识别方法，基于普通摄像头即可实现，通过连续拍摄获取N帧连续的待识别图像，然后根据每一帧待识别图像获得对应的色度信号，再根据该N个色度信号进行傅立叶转换后的频域序列导入循环神经网络进行分析，迭代出心跳数据，若该心跳数据超出预设的心跳阈值范围则可直接判断待识别的图像数据未包含活体，若心跳数据处于心跳阈值范围内，则根据待识别的图像数据中是否有摩尔纹来进一步判断待识别的图像数据中是否包含活体，准确性高，且具有成本低廉、方便快捷的特点。
具体地，所述步骤S1中，在追踪到人脸头像时，控制摄像头连续拍摄N帧人脸图像作为待识别图像，以便于通过该连续N帧待识别图像计算得到当前待检测对象的心跳数据。
本发明中，是需要通过人脸图像获得反映人体血流状态的色度信号，然后后经傅立叶变换转化为频域信号，进而获得相应的主频率信号。色度信号(rPPG：remotePhotoplethysmograpy)是通过遥距光电容积脉搏波标记法追踪可见光在人体组织如皮肤上的反射获得的。在生物学上，心脏输出血液与血液回流心脏的周期中，人脸皮肤对可见光的反射是有变化的。虽然肉眼难以察觉，但是通过rPPG信号能够找到这个变化频率。这种频率信号只通过单帧图片即可提取出来的，但拍摄图片时，光线变化的会导致频率信号不稳定，因而通过连续拍摄多帧人脸图像，尽量减少光线变化所带来的频率信号波动。
优选地，所述的活体识别方法中，N帧人脸图像的拍摄速率大于或等于6帧/秒，获取时间大于或等于1秒，获取时间过短可能无法拍摄到血流从心脏流出及流回心脏这一完整过程。根据耐奎斯特采样定理：人的心跳上限一般是160/分钟，也就是不到3Hz，那理论上，时间轴上的采样率只要达到6帧/秒，就能够计算出频率。在本发明中，采用了12帧/秒。
而如果是翻拍的人脸照片，则因为照片中的人物为静态的、非活体，没有心脏收缩与舒张导致的人体皮肤对光线反射的变化，因而是无法检测出真人的心跳频率的。
在步骤S2之前，可以预先将每一帧图像进行压缩，以减少运算量、提升运输效率，具体可以采用图片缩放的方法，例如可以将分辨率我I1080的输入图压缩到500×500。
具体地，所述步骤S2中，是利用所提供的待识别图像的RGB通道信号，先将图像中的R通道信号、G通道信号及B通道信号分别进行滤波，对应得到Rf信号、Gf信号及Bf信号，再通过Rf信号、Gf信号及Bf信号进行正交色度信号计算，得到Xf＝3Rf-2Gf及Yf＝1.5Rf+Gf-1.5Bf，再计算色度信号rPPG＝3×(1-Rate/2)×Rf-2×(1+Rate/2)×Gf+3×Rate/2×Bf，其中Rate＝Xf/Yf，从而获得当前帧待识别图像对应的色度信号。
其中，对待识别图像中的R通道信号、G通道信号及B通道信号分别进行滤波，可以降低环境及摄像头自身导致的噪声影响，优选地，利用带通滤波器进行滤波。另外，同时考虑R通道信号、G通道信号及B通道信号三种通道信号则可以进一步提高获得的色度信号的精准度，因为人脸很难保持一个绝对静止的状态，常常伴随细微的抖动，所以，每一帧图片采集到的结果都会有像素偏差。
所述步骤S3中，是将步骤S2中所获得的色度信号进行傅立叶变换转换获得的N个频域序列，依次经一个循环神经网络(RNN)进行多帧频域信号分析，迭代出心跳数据。这个RNN是一个序列分类网络，将逐帧查看每帧图像输出的rPPG值，将rPPG作为网络的输入，最后得到一个频率预测输出值Beta(即通过色度信号获得的心跳数据)。
具体地，RNN网络可以采用现有的循环神经网络，根据目标结果数值加入函数优化、训练得到。通过计算得到的Beta和真实的心跳频率值GTf的欧式距离，我们可以得到误差函数如下：
Figure BDA0001932295860000061
其中，1/N表示N个输出求平均，Nf表示一共用于计算分类输出的序列长度，也就是图像帧个数，Wr为RNN网络的参数；
在训练RNN时，通过上述误差函数检测Beta与检测得到的真实心跳值GTf之间的误差，如果超过预定误差值即误差过大，则控制RNN修改其梯度值并优化其参数Wr至误差在合理范围内，完成训练过程。
所述步骤S4中，根据步骤S3中得到的心跳数据判断其是否超出预设的心跳阈值范围，是则判定待识别的图像数据未包含活体，该预设的心跳阈值范围为40～160次/秒。通过对心跳数据的检测，即可检测出照片欺诈，因为人体正常心跳的范围为40-160次/秒，如果低于40即认为是照片翻拍。严格来讲，如果是照片，得到的心跳值接近或等于0。
而因为待检测对象很可能是攻击者提供的视频，而视频中因为有多帧图片，其进行色度信号检测的话是可以得到相应的人体正常心跳数值，因而如果步骤S4中判断得到的心跳数据处于预设的心跳阈值范围，也不能就此断定待识别的图像数据，而需要进一步判断待识别的图像数据中是否有摩尔纹(Moiréeffects)，即如步骤S5所述，在判断心跳数据未超出预设的心跳阈值范围时，判断待识别的图像数据中是否有摩尔纹，有则判定待识别的图像数据未包含活体，否则判定待识别的图像数据包含活体。
摩尔纹的产生原理：是由于相机感光元件拥有一个空间频率，而所拍摄对象(如液晶屏幕上的图像)在被液晶屏的液晶像素点呈现出来的时候，同样拥有一个空间分布规律；而当相机感光元件的空间频率与液晶屏呈现图像的空间分布规律接近时，差拍现象就会产生，摩尔纹也就出现了。当然，如果了解摩尔纹的产生原理，攻击者可能会通过改变焦距或者转动翻拍设备(即改变角度的方法)来尽可能的减低摩尔纹的产生。这时，同样可引用RNN网络对多帧频域信号进行归纳，具体可以是取所述N帧待检测对象的人脸图像中的M个通过RGB转为灰度图，然后将灰度图进行傅立叶变换获得M个频域序列，再通过网络对所述M个频域序列进行循环神经网络归纳分析，综合给出一个摩尔纹输出值，并预先设定一个摩尔纹门限，当RNN摩尔纹输出值大于该摩尔纹门限，判定待识别的图像数据未包含活体并给出视频翻拍的提示，否则判定待识别的图像数据包含活体。
类似的，针对第j帧的摩尔纹估计信号EstM和门限信号GTM，利用RNN网络，可以推导出误差函数为：
Figure BDA0001932295860000071
其中，Mj为第j帧人脸图像的摩尔纹平均数，Wm为IRNN网络的参数；
同样地，此处使用的RNN同样可是通过现有的循环神经网络训练得到，通过上述误差函数来控制RNN修改其梯度值并优化其参数Wr至误差在合理范围内，完成训练过程。
总的来说，本发明针对视频攻击中容易发现的摩尔纹，用多帧频域信号进行侦测，能够有效提升视频攻击出现摩尔纹的发现概率。
另外，因为活体识别是为了增加人脸识别的准确性，防止不法分子利用翻拍的照片或视频进行攻击，因此，可以在提供包括连续拍摄N帧的待识别图像的待识别图像数据的步骤之后，直接判断待识别的图像数据中的当前人脸数据是否与预设人脸数据一致(即直接判断待对象的人脸图像是否与预设人脸数据一致)，若不一致，则判定待识别的图像数据不匹配并结束流程，而省却了后续运算过程。当然，也可以在步骤S4之后，即判断出待识别的图像数据包含活体时，再判断待识别的图像数据中的数据是否与预设数据一致。
本发明所述的活体识别方法，基于普通摄像头即可以实现，这种算法，具有成本低廉，方便快捷的特点。该方法，不仅针对常用的照片，和视频欺诈方法效果良好，对3D硅胶面具欺诈也有很好的识别效果。
基于上述方法，本发明还提供了一种存储介质，其上存储有多条指令，其中，所述指令适合由处理器加载并执行如上所述的活体识别方法。
基于上述方法，本发明还提供了一种终端设备，其中，如图2所示，包括：
摄像头100，用于提供待识别的图像数据；
处理器200，适于实现各指令；以及
存储介质300，适于存储多条指令，所述所述指令适合由处理器加载并执行如上所述的活体识别方法，所述活体识别方法包括步骤：
提供待识别的图像数据，所述图像数据包括连续的N帧待识别图像；
通过图像的RGB信号获取每一帧待识别图像对应的色度信号；
将色度信号进行傅立叶变换获得N个频域序列，通过网络对所述N个频域序列进行循环神经网络分析，迭代出心跳数据；
判断所述心跳数据是否超出预设的心跳阈值范围，是则判定待识别的图像数据未包含活体；
若判断所述心跳数据未超出预设的心跳阈值范围，则判断待识别的图像数据中是否有摩尔纹，有则判定待识别的图像数据未包含活体，否则判定待识别的图像数据包含活体。
关于上述终端设备和存储介质的技术细节和好处已在上述方法中进行了详细阐述，此处不再赘述。
综上所述，本发明提供的活体识别方法，通过获取多帧待检测对象的待识别图像，获取对应的色度信号，再将获得的色度信号傅立叶转换后导入循环神经网络进行分析、迭代出心跳数据，若该心跳数据超出预设的心跳阈值范围则可直接判断待识别的图像数据未包含活体，若心跳数据处于心跳阈值范围内，则根据待识别的图像数据中是否有摩尔纹来进一步判断待识别的图像数据中是否包含活体，有效的降低了噪声的影响和单帧信号不稳定的因素，得出的活体检测效果的鲁棒性和准确性都有很大的提升；并且，由于设计的RNN网络计算量并不大，所以可以很快得到推理结果，达到实时检测的效果。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种活体识别方法，其特征在于，包括步骤：
提供待识别的图像数据，所述图像数据包括连续的N帧待识别图像，其中N为大于1的正整数；
通过图像的RGB信号获取每一帧待识别图像对应的色度信号；
将色度信号进行傅立叶变换获得N个频域序列，通过网络对所述N个频域序列进行循环神经网络分析，迭代出心跳数据；
判断所述心跳数据是否超出预设的心跳阈值范围，是则判定待识别的图像数据未包含活体；
若判断所述心跳数据未超出预设的心跳阈值范围，则判断待识别的图像数据中是否有摩尔纹，有则判定待识别的图像数据未包含活体，否则判定待识别的图像数据包含活体。
2.根据权利要求1所述的活体识别方法，其特征在于，所述通过图像的RGB信号获取每一帧待识别图像对应的色度信号的步骤，具体包括：
将图像中的R通道信号、G通道信号及B通道信号分别进行滤波，对应得到Rf信号、Gf信号及Bf信号；
通过Rf信号、Gf信号及Bf信号进行正交色度信号计算，得到Xf＝3Rf-2Gf，Yf＝1.5Rf+Gf-1.5Bf；
计算色度信号rPPG＝3×(1-Rate/2)×Rf-2×(1+Rate/2)×Gf+3×Rate/2×Bf，其中Rate＝Xf/Yf。
3.根据权利要求2所述的活体识别方法，其特征在于，利用带通滤波器进行滤波。
4.根据权利要求1所述的活体识别方法，其特征在于，所述循环神经网络预先经训练处理。
5.根据权利要求1所述的活体识别方法，其特征在于，所述判断待识别的图像数据中是否有摩尔纹，有则判定待识别的图像数据未包含活体，否则判定待识别的图像数据包含活体的步骤，具体包括：
将N帧待识别图像中的M个通过RGB转为灰度图，然后进行傅立叶变换获得M个频域序列，通过网络对所述所述M个频域序列进行循环神经网络归纳分析，归纳出以摩尔纹输出值；
判断所述摩尔纹输出值是否大于摩尔纹门限值，有则判定待识别的图像数据未包含活体，否则判定待识别的图像数据包含活体。
6.根据权利要求1所述的活体识别方法，其特征在于，在通过图像的RGB信号获取每一帧待识别图像对应的色度信号的步骤之前，还包括步骤：预先将每一帧图像进行压缩。
7.根据权利要求1所述的活体识别方法，其特征在于，N帧待识别图像的拍摄速率大于或等于6帧/秒，获取时间大于或等于1秒。
8.根据权利要求1所述的活体识别方法，其特征在于，所述提供待识别的图像数据的步骤之后，还包括步骤：判断待识别的图像数据是否与预设数据一致，若不一致，则判定待识别的图像数据不匹配。
9.一种存储介质，其上存储有多条指令，其特征在于，所述指令适合由处理器加载并执行如权利要求1～8任一所述的活体识别方法。
10.一种终端设备，其特征在于，包括：
摄像头，用于提供待识别的图像数据；
处理器，适于实现各指令；以及
存储介质，适于存储多条指令，所述所述指令适合由处理器加载并执行如权利要求1～8任一所述的活体识别方法。
CN201811647362.4A 2018-12-29 2018-12-29 一种活体识别方法、存储介质及终端设备 Active CN111382646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811647362.4A CN111382646B (zh) 2018-12-29 2018-12-29 一种活体识别方法、存储介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811647362.4A CN111382646B (zh) 2018-12-29 2018-12-29 一种活体识别方法、存储介质及终端设备

Publications (2)

Publication Number Publication Date
CN111382646A true CN111382646A (zh) 2020-07-07
CN111382646B CN111382646B (zh) 2023-09-05

Family

ID=71214978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811647362.4A Active CN111382646B (zh) 2018-12-29 2018-12-29 一种活体识别方法、存储介质及终端设备

Country Status (1)

Country Link
CN (1) CN111382646B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329606A (zh) * 2020-11-03 2021-02-05 济南博观智能科技有限公司 一种活体检测方法、装置、电子设备及可读存储介质
CN113158773A (zh) * 2021-03-05 2021-07-23 普联技术有限公司 一种活体检测模型的训练方法及训练装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105989357A (zh) * 2016-01-18 2016-10-05 合肥工业大学 一种基于人脸视频处理的心率检测方法
WO2016197298A1 (zh) * 2015-06-08 2016-12-15 北京旷视科技有限公司 活体检测方法、活体检测***以及计算机程序产品
CN106599872A (zh) * 2016-12-23 2017-04-26 北京旷视科技有限公司 用于验证活体人脸图像的方法和设备
CN106845395A (zh) * 2017-01-19 2017-06-13 北京飞搜科技有限公司 一种基于人脸识别进行活体检测的方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016197298A1 (zh) * 2015-06-08 2016-12-15 北京旷视科技有限公司 活体检测方法、活体检测***以及计算机程序产品
CN105989357A (zh) * 2016-01-18 2016-10-05 合肥工业大学 一种基于人脸视频处理的心率检测方法
CN106599872A (zh) * 2016-12-23 2017-04-26 北京旷视科技有限公司 用于验证活体人脸图像的方法和设备
CN106845395A (zh) * 2017-01-19 2017-06-13 北京飞搜科技有限公司 一种基于人脸识别进行活体检测的方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
胡斐;文畅;谢凯;贺建飚;: "基于微调策略的多线索融合人脸活体检测" *
胡斐;文畅;谢凯;贺建飚;: "基于微调策略的多线索融合人脸活体检测", 计算机工程, no. 05 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329606A (zh) * 2020-11-03 2021-02-05 济南博观智能科技有限公司 一种活体检测方法、装置、电子设备及可读存储介质
CN112329606B (zh) * 2020-11-03 2023-08-15 济南博观智能科技有限公司 一种活体检测方法、装置、电子设备及可读存储介质
CN113158773A (zh) * 2021-03-05 2021-07-23 普联技术有限公司 一种活体检测模型的训练方法及训练装置
CN113158773B (zh) * 2021-03-05 2024-03-22 普联技术有限公司 一种活体检测模型的训练方法及训练装置

Also Published As

Publication number Publication date
CN111382646B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
US20230274577A1 (en) Device and method with image matching
US10237459B2 (en) Systems and methods for liveness analysis
CN108764071B (zh) 一种基于红外和可见光图像的真实人脸检测方法及装置
US7982774B2 (en) Image processing apparatus and image processing method
CN109767467A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN107292269B (zh) 基于透视失真特性的人脸图像鉴伪方法、存储、处理设备
CN111368601B (zh) 活体检测方法和装置、电子设备和计算机可读存储介质
WO2018232717A1 (zh) 基于透视失真特性的人脸图像鉴伪方法、存储、处理设备
CN111325051A (zh) 一种基于人脸图像roi选取的人脸识别方法及装置
CN109327626A (zh) 图像采集方法、装置、电子设备和计算机可读存储介质
US20230091865A1 (en) Face image verification method and apparatus, electronic device, and storage medium
Kim et al. Face spoofing detection with highlight removal effect and distortions
CN111382646B (zh) 一种活体识别方法、存储介质及终端设备
Tian et al. Face anti-spoofing by learning polarization cues in a real-world scenario
CN111062313A (zh) 一种图像识别方法、装置、监控***及存储介质
CN114419102A (zh) 一种基于帧差时序运动信息的多目标跟踪检测方法
CN108629333A (zh) 一种低照度的人脸图像处理方法、装置、设备及可读介质
Tung et al. Why accuracy is not enough: The need for consistency in object detection
JP2009258770A (ja) 画像処理方法、画像処理装置、画像処理プログラム、撮像装置
CN109409325B (zh) 一种识别方法和电子设备
CN104732503B (zh) 图像去雾增强方法和装置
Abdoola et al. Correction of atmospheric turbulence degraded sequences using grid smoothing
CN112818782B (zh) 一种基于媒介感知的泛化性静默活体检测方法
JP7381369B2 (ja) 画像処理装置、画像処理方法及び画像処理プログラム
Chen An illuminance attenuation prior to contrast enhancement for vision-based advanced driver assistance systems

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

Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province

Applicant after: TCL Technology Group Co.,Ltd.

Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District

Applicant before: TCL Corp.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant