CN111488756A - 基于面部识别的活体检测的方法、电子设备和存储介质 - Google Patents

基于面部识别的活体检测的方法、电子设备和存储介质 Download PDF

Info

Publication number
CN111488756A
CN111488756A CN201910072693.8A CN201910072693A CN111488756A CN 111488756 A CN111488756 A CN 111488756A CN 201910072693 A CN201910072693 A CN 201910072693A CN 111488756 A CN111488756 A CN 111488756A
Authority
CN
China
Prior art keywords
image
detected
visible light
infrared
light image
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
CN201910072693.8A
Other languages
English (en)
Other versions
CN111488756B (zh
Inventor
王升国
赵先林
申川
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201910072693.8A priority Critical patent/CN111488756B/zh
Priority to PCT/CN2020/070712 priority patent/WO2020151489A1/zh
Priority to US17/425,242 priority patent/US11830230B2/en
Priority to EP20744256.7A priority patent/EP3916627A4/en
Publication of CN111488756A publication Critical patent/CN111488756A/zh
Application granted granted Critical
Publication of CN111488756B publication Critical patent/CN111488756B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • 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
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例提供了一种基于面部识别的活体检测的方法、电子设备和存储介质，该方法包括：分别获取待测红外图像和待测可见光图像，对所述待测红外图像进行边缘检测和纹理特征提取，对所述待测可见光图像通过卷积神经网络进行特征提取，基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。本申请实施例提供了一种基于面部识别的活体检测的方法、电子设备和存储介质能够结合边缘检测、纹理特征提取和卷积神经网络三种技术的优势，有效的进行活体检测，高效的判别图像中的人脸是否属于活体，提升了判别准确率。

Description

基于面部识别的活体检测的方法、电子设备和存储介质
技术领域
本申请涉及人脸识别技术领域，尤其涉及一种基于面部识别的活体检测的方法、电子设备和存储介质。
背景技术
随着人工智能(英文：Artificial Intelligence，缩写：AI)行业的迅速崛起，生物特征识别已经应用于安防行业中，其中包括人脸识别、指纹识别和虹膜识别等。目前，人脸识别技术越来越成熟，人脸识别在特定场景中，识别准确率高达95％以上，甚至有时能直接区分双胞胎人脸，但是，当人脸识别的准确率越高，就越能将现实场景中的照片、视频人脸误认为真实人脸，给不法分子带来可乘之机，给合法用户带来巨大损失或者不必要的麻烦。
目前，人脸识别主要面临的攻击方式包括：(1)打印出高清逼真的照片(包括黑白和彩印照片、挖取人脸重要区域的照片攻击(比如鼻子、眼睛、嘴巴等)；(2)录制一段真实人脸预先采集好的视频并进行回放攻击(如社交网站获得一段真实人脸视频或者公共场合摄像头录制视频)；(3)通过高精准的3D打印机制作出一张逼真的人脸模型等。因此，有需要提出一种新的技术方案，能够基于面部识别的结果进一步进行活体检测。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本申请实施例的目的是提供一种基于面部识别的活体检测的方法、电子设备和存储介质，能够基于面部识别的结果进一步进行活体检测。
为解决上述技术问题，本申请实施例是通过以下各方面实现的。
第一方面，本申请实施例提供了一种基于面部识别的活体检测的方法，包括：分别获取待测红外图像和待测可见光图像；对所述待测红外图像进行边缘检测和纹理特征提取；对所述待测可见光图像通过卷积神经网络进行特征提取；基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
第二方面，本申请实施例提供了一种基于面部识别的活体检测的装置，包括：获取模块，用于分别获取待测红外图像和待测可见光图像；处理模块，用于对所述待测红外图像进行边缘检测和纹理特征提取；所述处理模块，还用于对所述待测可见光图像通过卷积神经网络进行特征提取；判别模块，用于基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现如上述第一方面所述的方法的步骤。
第四方面，本申请实施例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用于存储计算机可执行指令，所述计算机可执行指令被处理器执行时实现如上述第一方面所述的方法的步骤。
第五方面，本申请实施例提供了一种基于面部识别的活体检测的***，包括：图像采集模块，用于采集红外图像和可见光图像；电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使用所述处理器执行以下操作：分别获取待测红外图像和待测可见光图像；对所述待测红外图像进行边缘检测和纹理特征提取；对所述待测可见光图像通过卷积神经网络进行特征提取；基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
在本申请实施例中，通过分别获取待测红外图像和待测可见光图像，对所述待测红外图像进行边缘检测和纹理特征提取，对所述待测可见光图像通过卷积神经网络进行特征提取，基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测，能够结合边缘检测、纹理特征提取和卷积神经网络三种技术的优势，有效的进行活体检测，高效的判别图像中的人脸是否属于活体，提升了判别准确率。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出本申请实施例提供的一种基于面部识别的活体检测的方法的一种流程示意图；
图2示出本申请实施例提供的一种基于面部识别的活体检测的方法的另一种流程示意图；
图3示出本申请实施例提供的一种基于面部识别的活体检测的方法的另一种流程示意图；
图4示出本申请实施例提供的一种基于面部识别的活体检测的装置的一种结构示意图；
图5示出本申请实施例提供的一种基于面部识别的活体检测的装置的另一种结构示意图
图6为执行本申请实施例提供的一种基于面部识别的活体检测的方法的电子设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，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，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1示出本申请实施例提供的一种基于面部识别的活体检测的方法的一种流程示意图，该方法可以由电子设备执行，例如终端设备或服务端设备。换言之，所述方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。如图所示，该方法可以包括以下步骤。
S10：分别获取待测红外图像和待测可见光图像。
S20：对所述待测红外图像进行边缘检测和纹理特征提取。
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。纹理是一种反映图像中同质现象的视觉特征，在平板电子产品攻击中存在大量的摩尔纹，它体现了成像表面的变化特征。这种特征能更加快速的区分真实人脸和非真实人脸。通过成像像素之间内在关系提取相应的纹理特征。
S30：对所述待测可见光图像通过卷积神经网络进行特征提取。
卷积神经网络是深度学习中用得较多的一个网络模型，它是一个多层的结构，每个层都是对输入数据做一次特征提取，这些被提取出来的特征又以二维图像的形式继续输入下一个层。
S40：基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
由此，本申请实施例提供的一种基于面部识别的活体检测的方法，通过分别获取待测红外图像和待测可见光图像，对所述待测红外图像进行边缘检测和纹理特征提取，对所述待测可见光图像通过卷积神经网络进行特征提取，基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测，能够结合边缘检测、纹理特征提取和卷积神经网络三种技术的优势，有效的进行活体检测，高效的判别图像中的人脸是否属于活体，提升了判别准确率。
图2示出本申请实施例提供的一种基于面部识别的活体检测的方法的一种流程示意图，该方法可以由电子设备执行，例如终端设备或服务端设备。换言之，所述方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。如图所示，该方法可以包括以下步骤。
S11：利用图像采集模块采集红外图像和可见光图像，通过人脸检测算法，在所述红外图像和所述可见光图像中分别定位人脸。
在一种可能的实现方式中，图像采集模块可以包括例如双目摄像头等。
本步骤包括：通过人脸检测算法，检测所述红外图像和所述可见光图像中的人脸个数。确定所述红外图像中的红外人脸个数和人脸特征点位置，并在所述红外图像中定位人脸。确定所述可见光图像中的可见光人脸个数和人脸特征点位置，并在所述可见光图像中定位人脸。
S12：根据所述红外图像中的人脸特征点位置和所述可见光图像中的人脸特征点位置，获得人脸的偏转角和瞳距。
S13：根据所述人脸的偏转角和瞳距从所述利用图像采集模块采集的红外图像和可见光图像中选择所述待测红外图像和待测可见光图像。
由这两个参数可以过滤掉质量较差的人脸图像，从而提高活体检测纹理提取的鲁棒性。
S10：分别获取待测红外图像和待测可见光图像。
S20：对所述待测红外图像进行边缘检测和纹理特征提取。
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。纹理是一种反映图像中同质现象的视觉特征，在平板电子产品攻击中存在大量的摩尔纹，它体现了成像表面的变化特征。这种特征能更加快速的区分真实人脸和非真实人脸。通过成像像素之间内在关系提取相应的纹理特征。
在一种可能的实现方式中，对所述待测红外图像进行边缘检测包括：识别所述待测红外图像中不同边缘信息的人脸特征；通过高斯变化对所述人脸特征进行过滤；通过索贝尔sobel算子进行边缘检测并统计不同方向的直方图。
在一种可能的实现方式中，可以采用基于静态图像纹理的活体检测，这种方法需提取一个或多个运动中具有不变性质的特征点，比如边界线条或角点，并依据这些特征建立目标模型。
基于静态图像纹理的活体人脸检测算法主要包括局部二值模式(英文：LocalBinary Pattern，缩写：LBP)、Gabor小波、梯度方向直方图(英文：Histogram of OrientedGradients，缩写：HOG)等。
在一种可能的实现方式中，可以采用基于动态纹理的活体检测其主要通过学习真实人脸微纹理的结构和动态信息，利用LBP在空域的扩展方法来进行人脸识别。
在一种可能的实现方式中，所述纹理特征提取包括：通过动态局部三值模式(英文：Dynamic Local Ternary Pattern，缩写：DLTP)提取所述纹理特征。
局部三值模式(Local Ternary Pattern，LTP)由局部二模式(local binarypattern，LBP)演变而来，其基本思想是以邻域中心像素的灰度值gc±τ为阈值，分别与该像素相邻像素P个灰度值g1，g2，…，gP进行二值化处理。
然后，根据相邻像素的不同位置进行加权求和，得到当前像素gc的局部三值模式值
Figure BDA0001957764650000071
即
Figure BDA0001957764650000072
Figure BDA0001957764650000073
局部三值模式提取纹理特征中，阈值τ比较难设置，本发明实施例中τ通过韦伯定律确定Weber’s law，韦伯定律表达式为：
Figure BDA0001957764650000074
最后，通过局部三值模式值得DLTP直方图为：
Figure BDA0001957764650000075
Figure BDA0001957764650000076
S30：对所述待测可见光图像通过卷积神经网络进行特征提取。
卷积神经网络是深度学习中实用的网络模型，它是多层的结构，每个层都对输入数据做一次特征提取，这些被提取出来的特征又以二维图像的形式继续输入下一个层。
在设计卷积神经网络结构时，利用活体人脸数据库的原始图像大小作为输入，以减少多尺度带来的过多计算量。通过原始图像大小作为输入，并对活体人脸数据库做内部数据库测试找到合适网络的特征。
S40：基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。例如在VGG16中，第一个全连接层FC1有4096个节点，上一层POOL2是7*7*512＝25088个节点，则该传输需要4096*25088个权值，需要耗很大的内存。
在本步骤中可以通过softmax等分类器进行分类获得有效地判断。例如可以通过设置阈值进行判断，当softmax分类器的输入大于预设阈值时，判定为真实人脸，通过活体检测；反之判定为非真实人脸，未通过活体检测。
由此，本申请实施例提供的一种基于面部识别的活体检测的方法，能够分别获取待测红外图像和待测可见光图像，对所述待测红外图像进行边缘检测和纹理特征提取，对所述待测可见光图像通过卷积神经网络进行特征提取，基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测，能够结合边缘检测、纹理特征提取和卷积神经网络三种技术的优势，有效的进行活体检测，高效的判别图像中的人脸是否属于活体，提升了判别准确率。
图3示出本申请实施例提供的一种基于面部识别的活体检测的方法的一种流程示意图，该方法可以由电子设备执行，例如终端设备或服务端设备。换言之，所述方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。如图所示，该方法可以包括以下步骤。
S11：利用图像采集模块采集红外图像和可见光图像，通过人脸检测算法，在所述红外图像和所述可见光图像中分别定位人脸。
在一种可能的实现方式中，本步骤包括：通过人脸检测算法，检测所述红外图像和所述可见光图像中的人脸个数。确定所述红外图像中的红外人脸个数和人脸特征点位置，并在所述红外图像中定位人脸。确定所述可见光图像中的可见光人脸个数和人脸特征点位置，并在所述可见光图像中定位人脸。
S12：根据所述红外图像中的人脸特征点位置和所述可见光图像中的人脸特征点位置，获得人脸的偏转角和瞳距。
S13：根据所述人脸的偏转角和瞳距从所述利用图像采集模块采集的红外图像和可见光图像中选择所述待测红外图像和待测可见光图像。
由这两个参数可以过滤掉质量较差的人脸图像，从而提高活体检测纹理提取的鲁棒性。
S10：分别获取待测红外图像和待测可见光图像。
S14：对所述待测红外图像进行灰度像素处理得到红外灰度图像。
S15：对所述待测可见光图像进行归一化处理。
S16：将可见光灰度图像和所述红外灰度图像融合为四通道图像，所述四通道图像包括三个红绿蓝RGB通道图像和一个红外灰度通道图像。
S20：对所述待测红外图像进行边缘检测和纹理特征提取。
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。纹理是一种反映图像中同质现象的视觉特征，在平板电子产品攻击中存在大量的摩尔纹，它体现了成像表面的变化特征。这种特征能更加快速的区分真实人脸和非真实人脸。通过成像像素之间内在关系提取相应的纹理特征。
在一种可能的实现方式中，对所述待测红外图像进行边缘检测包括：识别所述待测红外图像中不同边缘信息的人脸特征；通过高斯变化对所述人脸特征进行过滤；通过索贝尔sobel算子进行边缘检测并统计不同方向的直方图。
在一种可能的实现方式中，可以采用基于静态图像纹理的活体检测，这种方法需提取一个或多个运动中具有不变性质的特征点，比如边界线条或角点，并依据这些特征建立目标模型。
基于静态图像纹理的活体人脸检测算法主要包括局部二值模式(英文：LocalBinary Pattern，缩写：LBP)、Gabor小波、梯度方向直方图(英文：Histogram of OrientedGradients，缩写：HOG)等。
在一种可能的实现方式中，可以采用基于动态纹理的活体检测其主要通过学习真实人脸微纹理的结构和动态信息，利用LBP在空域的扩展方法来进行人脸识别。
在一种可能的实现方式中，所述纹理特征提取包括：通过动态局部三值模式(英文：Dynamic Local Ternary Pattern，缩写：DLTP)提取所述纹理特征。
局部三值模式(Local Ternary Pattern，LTP)由局部二模式(local binarypattern，LBP)演变而来，其基本思想是以邻域中心像素的灰度值gc±τ为阈值，分别与该像素相邻像素P个灰度值g1，g2，…，gP进行二值化处理。
然后，根据相邻像素的不同位置进行加权求和，得到当前像素gc的局部三值模式值
Figure BDA0001957764650000101
即
Figure BDA0001957764650000102
Figure BDA0001957764650000103
局部三值模式提取纹理特征中，阈值τ比较难设置，本发明实施例中τ通过韦伯定律确定Weber’s law，韦伯定律表达式为：
Figure BDA0001957764650000111
最后，通过局部三值模式值得DLTP直方图为：
Figure BDA0001957764650000112
Figure BDA0001957764650000113
S30：对所述待测可见光图像通过卷积神经网络进行特征提取。
卷积神经网络是深度学习中用得较多的一个网络模型，它是一个多层的结构，每个层都是对输入数据做一次特征提取，这些被提取出来的特征又以二维图像的形式继续输入下一个层。
在一种可能的实现方式中，本步骤可以包括：对所述待测可见光图像通过卷积神经网络进行特征提取包括：对所述四通道图像通过卷积神经网络进行特征提取。
S40：基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
由此，本申请实施例提供的一种基于面部识别的活体检测的方法，能够分别获取待测红外图像和待测可见光图像，对所述待测红外图像进行边缘检测和纹理特征提取，对所述待测可见光图像通过卷积神经网络进行特征提取，基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测，能够结合边缘检测、纹理特征提取和卷积神经网络三种技术的优势，有效的进行活体检测，高效的判别图像中的人脸是否属于活体，提升了判别准确率。
图4示出本申请实施例提供的一种基于面部识别的活体检测的装置的结构示意图，该装置100包括：获取模块110、处理模块120和判别模块130。
获取模块110用于分别获取待测红外图像和待测可见光图像。处理模块120用于对所述待测红外图像进行边缘检测和纹理特征提取。所述处理模块120还用于对所述待测可见光图像通过卷积神经网络进行特征提取。判别模块130，用于基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
在一种可能的实现方式中，所述获取模块110还用于在所述分别获取待测红外图像和待测可见光图像之前，利用图像采集模块采集红外图像和可见光图像；通过人脸检测算法，在所述红外图像和所述可见光图像中分别定位人脸。
在一种可能的实现方式中，所述获取模块110用于所述通过人脸检测算法，检测所述红外图像和所述可见光图像中的人脸个数；确定所述红外图像中的红外人脸个数和人脸特征点位置，并在所述红外图像中定位人脸；确定所述可见光图像中的可见光人脸个数和人脸特征点位置，并在所述可见光图像中定位人脸。
图5示出本申请实施例提供的一种基于面部识别的活体检测的装置的结构示意图，该装置100包括：获取模块110、处理模块120、判别模块130和筛选模块140。
获取模块110用于分别获取待测红外图像和待测可见光图像。处理模块120用于对所述待测红外图像进行边缘检测和纹理特征提取。所述处理模块120还用于对所述待测可见光图像通过卷积神经网络进行特征提取。判别模块130，用于基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
在一种可能的实现方式中，所述获取模块110还用于在所述分别获取待测红外图像和待测可见光图像之前，利用图像采集模块采集红外图像和可见光图像；通过人脸检测算法，在所述红外图像和所述可见光图像中分别定位人脸。
在一种可能的实现方式中，所述获取模块110用于所述通过人脸检测算法，检测所述红外图像和所述可见光图像中的人脸个数；确定所述红外图像中的红外人脸个数和人脸特征点位置，并在所述红外图像中定位人脸；确定所述可见光图像中的可见光人脸个数和人脸特征点位置，并在所述可见光图像中定位人脸。
筛选模块140用于在利用图像采集模块采集红外图像和可见光图像之后，根据所述红外图像中的人脸特征点位置和所述可见光图像中的人脸特征点位置，获得人脸的偏转角和瞳距。根据所述人脸的偏转角和瞳距从所述利用图像采集模块采集的红外图像和可见光图像中选择所述待测红外图像和待测可见光图像。
在一种可能的实现方式中，所述处理模块120用于对所述待测红外图像进行灰度像素处理得到红外灰度图像。对所述待测可见光图像进行归一化处理。将可见光灰度图像和所述红外灰度图像融合为四通道图像，所述四通道图像包括三个红绿蓝RGB通道图像和一个红外灰度通道图像。
在一种可能的实现方式中，所述处理模块120用于对所述红外灰度通道图像进行所述边缘检测，对所述RGB通道图像进行所述纹理特征提取。对所述四通道图像通过卷积神经网络进行特征提取。
在一种可能的实现方式中，所述处理模块120用于识别所述待测红外图像中不同边缘信息的人脸特征。通过高斯变化对所述人脸特征进行过滤。通过索贝尔sobel算子进行边缘检测并统计不同方向的直方图。
在一种可能的实现方式中，所述处理模块120用于通过动态局部三值模式提取所述纹理特征。
本申请实施例提供的该装置100，可执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
图6示出执行本申请实施例提供的一种基于面部识别的活体检测的方法的电子设备的硬件结构示意图，如图所示，该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器701和存储器702，存储器702中可以存储有一个或一个以上存储应用程序或数据。其中，存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对该电子设备中的一系列计算机可执行指令。更进一步地，处理器701可以设置为与存储器702通信，在该电子设备上执行存储器702中的一系列计算机可执行指令。该电子设备还可以包括一个或一个以上电源703，一个或一个以上有线或无线网络接口704，一个或一个以上输入输出接口705，一个或一个以上键盘706等。
在一个具体的实施例中，该电子设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现以下流程：分别获取待测红外图像和待测可见光图像；对所述待测红外图像进行边缘检测和纹理特征提取；对所述待测可见光图像通过卷积神经网络进行特征提取；基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
由此，执行本申请实施例提供的一种基于面部识别的活体检测的方法的电子设备可执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
本申请实施例的电子设备以多种形式存在，包括但不限于以下设备。
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、***总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
进一步地，本申请实施例还提供了一种基于面部识别的活体检测的***，包括：图像采集设备，用于采集红外图像和可见光图像；电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使用所述处理器执行以下操作：获取所述图像采集设备采集的红外图像和可见光图像，筛选出待检测的红外图像和待检测的可见光图像；对所述待测红外图像进行边缘检测和纹理特征提取；对所述待测可见光图像通过卷积神经网络进行特征提取；基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
由此，本申请实施例还提供的一种基于面部识别的活体检测的***能够执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
进一步地，本申请实施例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用于存储计算机可执行指令，所述计算机可执行指令被处理器执行时实现以下流程：分别获取待测红外图像和待测可见光图像；对所述待测红外图像进行边缘检测和纹理特征提取；对所述待测可见光图像通过卷积神经网络进行特征提取；基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
由此，所述计算机可执行指令被处理器执行时能够执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
其中，所述的计算机可读存储介质包括只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，实现以下流程：分别获取待测红外图像和待测可见光图像；对所述待测红外图像进行边缘检测和纹理特征提取；对所述待测可见光图像通过卷积神经网络进行特征提取；基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
由此，执行本申请实施例提供的计算机程序产品能够执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (18)

1.一种基于面部识别的活体检测的方法，其特征在于，包括：
分别获取待测红外图像和待测可见光图像；
对所述待测红外图像进行边缘检测和纹理特征提取；
对所述待测可见光图像通过卷积神经网络进行特征提取；
基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
2.根据权利要求1所述的方法，其特征在于，在所述分别获取待测红外图像和待测可见光图像之前，还包括：
利用图像采集模块采集红外图像和可见光图像；
通过人脸检测算法，在所述红外图像和所述可见光图像中分别定位人脸。
3.根据权利要求2所述的方法，其特征在于，所述通过人脸检测算法，在所述红外图像和所述可见光图像中分别定位人脸包括：
所述通过人脸检测算法，检测所述红外图像和所述可见光图像中的人脸个数；
确定所述红外图像中的红外人脸个数和人脸特征点位置，并在所述红外图像中定位人脸；
确定所述可见光图像中的可见光人脸个数和人脸特征点位置，并在所述可见光图像中定位人脸。
4.根据权利要求3所述的方法，其特征在于，在利用图像采集模块采集红外图像和可见光图像之后，还包括：
根据所述红外图像中的人脸特征点位置和所述可见光图像中的人脸特征点位置，获得人脸的偏转角和瞳距；
根据所述人脸的偏转角和瞳距从所述利用图像采集模块采集的红外图像和可见光图像中选择所述待测红外图像和待测可见光图像。
5.根据权利要求1所述的方法，其特征在于，在分别获取待测红外图像和待测可见光图像之后，还包括：
对所述待测红外图像进行灰度像素处理得到红外灰度图像；
对所述待测可见光图像进行归一化处理；
将可见光灰度图像和所述红外灰度图像融合为四通道图像，所述四通道图像包括三个红绿蓝RGB通道图像和一个红外灰度通道图像。
6.根据权利要求5所述的方法，其特征在于，对所述待测红外图像进行边缘检测和纹理特征提取包括：
对所述红外灰度通道图像进行所述边缘检测，对所述RGB通道图像进行所述纹理特征提取；
对所述待测可见光图像通过卷积神经网络进行特征提取包括：对所述四通道图像通过卷积神经网络进行特征提取。
7.根据权利要求1所述的方法，其特征在于，对所述待测红外图像进行边缘检测包括：
识别所述待测红外图像中不同边缘信息的人脸特征；
通过高斯变化对所述人脸特征进行过滤；
通过索贝尔sobel算子进行边缘检测并统计不同方向的直方图。
8.根据权利要求1所述的方法，其特征在于，所述纹理特征提取包括：
通过动态局部三值模式提取所述纹理特征。
9.一种电子设备，包括：
图像采集模块，分别获取待测红外图像和待测可见光图像；
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使用所述处理器执行以下操作：
对所述待测红外图像进行边缘检测和纹理特征提取；
对所述待测可见光图像通过卷积神经网络进行特征提取；
基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
10.根据权利要求9所述的电子设备，其特征在于，在所述分别获取待测红外图像和待测可见光图像之前，还执行：
利用图像采集模块采集红外图像和可见光图像；
通过人脸检测算法，在所述红外图像和所述可见光图像中分别定位人脸。
11.根据权利要求10所述的电子设备，其特征在于，所述通过人脸检测算法，在所述红外图像和所述可见光图像中分别定位人脸包括：
所述通过人脸检测算法，检测所述红外图像和所述可见光图像中的人脸个数；
确定所述红外图像中的红外人脸个数和人脸特征点位置，并在所述红外图像中定位人脸；
确定所述可见光图像中的可见光人脸个数和人脸特征点位置，并在所述可见光图像中定位人脸。
12.根据权利要求11所述的电子设备，其特征在于，在利用图像采集模块采集红外图像和可见光图像之后，还执行：
根据所述红外图像中的人脸特征点位置和所述可见光图像中的人脸特征点位置，获得人脸的偏转角和瞳距；
根据所述人脸的偏转角和瞳距从所述利用图像采集模块采集的红外图像和可见光图像中选择所述待测红外图像和待测可见光图像。
13.根据权利要求9所述的电子设备，其特征在于，在分别获取待测红外图像和待测可见光图像之后，还执行：
对所述待测红外图像进行灰度像素处理得到红外灰度图像；
对所述待测可见光图像进行归一化处理；
将可见光灰度图像和所述红外灰度图像融合为四通道图像，所述四通道图像包括三个红绿蓝RGB通道图像和一个红外灰度通道图像。
14.根据权利要求13所述的电子设备，其特征在于，对所述待测红外图像进行边缘检测和纹理特征提取包括：
对所述红外灰度通道图像进行所述边缘检测，对所述RGB通道图像进行所述纹理特征提取；
对所述待测可见光图像通过卷积神经网络进行特征提取包括：对所述四通道图像通过卷积神经网络进行特征提取。
15.根据权利要求9所述的电子设备，其特征在于，对所述待测红外图像进行边缘检测包括：
识别所述待测红外图像中不同边缘信息的人脸特征；
通过高斯变化对所述人脸特征进行过滤；
通过索贝尔sobel算子进行边缘检测并统计不同方向的直方图。
16.根据权利要求9所述的电子设备，其特征在于，所述纹理特征提取包括：
通过动态局部三值模式提取所述纹理特征。
17.一种计算机可读介质，所述计算机可读介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
分别获取待测红外图像和待测可见光图像；
对所述待测红外图像进行边缘检测和纹理特征提取；
对所述待测可见光图像通过卷积神经网络进行特征提取；
基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
18.一种基于面部识别的活体检测的***，其特征在于，包括：
图像采集设备，用于采集红外图像和可见光图像；
电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使用所述处理器执行以下操作：
获取所述图像采集设备采集的红外图像和可见光图像，筛选出待检测的红外图像和待检测的可见光图像；
对所述待测红外图像进行边缘检测和纹理特征提取；
对所述待测可见光图像通过卷积神经网络进行特征提取；
基于对所述待测红外图像进行边缘检测的结果、所述纹理特征提取的结果和通过卷积神经网络对所述待测可见光图像进行特征提取的结果，判断所述待测红外图像和待测可见光图像是否通过活体检测。
CN201910072693.8A 2019-01-25 2019-01-25 基于面部识别的活体检测的方法、电子设备和存储介质 Active CN111488756B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201910072693.8A CN111488756B (zh) 2019-01-25 2019-01-25 基于面部识别的活体检测的方法、电子设备和存储介质
PCT/CN2020/070712 WO2020151489A1 (zh) 2019-01-25 2020-01-07 基于面部识别的活体检测的方法、电子设备和存储介质
US17/425,242 US11830230B2 (en) 2019-01-25 2020-01-07 Living body detection method based on facial recognition, and electronic device and storage medium
EP20744256.7A EP3916627A4 (en) 2019-01-25 2020-01-07 LIVING BODY DETECTION METHOD BASED ON FACIAL RECOGNITION, AND ELECTRONIC DEVICE AND STORAGE MEDIA

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910072693.8A CN111488756B (zh) 2019-01-25 2019-01-25 基于面部识别的活体检测的方法、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111488756A true CN111488756A (zh) 2020-08-04
CN111488756B CN111488756B (zh) 2023-10-03

Family

ID=71735432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910072693.8A Active CN111488756B (zh) 2019-01-25 2019-01-25 基于面部识别的活体检测的方法、电子设备和存储介质

Country Status (4)

Country Link
US (1) US11830230B2 (zh)
EP (1) EP3916627A4 (zh)
CN (1) CN111488756B (zh)
WO (1) WO2020151489A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070954A (zh) * 2020-09-14 2020-12-11 上海商汤智能科技有限公司 活体识别方法、装置、设备及存储介质
CN112163988A (zh) * 2020-08-17 2021-01-01 中国人民解放军93114部队 红外图像的生成方法、装置、计算机设备和可读存储介质
CN112434647A (zh) * 2020-12-09 2021-03-02 浙江光珀智能科技有限公司 一种人脸活体检测方法
CN114387324A (zh) * 2021-12-22 2022-04-22 北京的卢深视科技有限公司 深度成像方法、装置、电子设备和计算机可读存储介质
CN116977154A (zh) * 2023-09-22 2023-10-31 南方电网数字电网研究院有限公司 可见光图像与红外图像融合储存方法、装置、设备和介质
CN117542127A (zh) * 2024-01-09 2024-02-09 南方科技大学 基于多光谱偏振光的皮肤检测方法及装置
CN117994865A (zh) * 2024-04-01 2024-05-07 杭州海康威视数字技术股份有限公司 一种双目面部匹配方法、装置、电子设备及存储介质
CN117994865B (zh) * 2024-04-01 2024-07-02 杭州海康威视数字技术股份有限公司 一种双目面部匹配方法、装置、电子设备及存储介质

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914758A (zh) * 2020-08-04 2020-11-10 成都奥快科技有限公司 一种基于卷积神经网络的人脸活体检测方法及装置
CN112116580B (zh) * 2020-09-22 2023-09-05 中用科技有限公司 用于摄像头支架的检测方法、***及设备
CN112183422A (zh) * 2020-10-09 2021-01-05 成都奥快科技有限公司 一种基于时空特征的人脸活体检测方法、装置、电子设备及存储介质
CN112232204B (zh) * 2020-10-16 2022-07-19 中科智云科技有限公司 基于红外图像的活体检测方法
CN112329674B (zh) * 2020-11-12 2024-03-12 北京环境特性研究所 基于多纹理特征融合的结冰湖泊检测方法和装置
CN112699826B (zh) * 2021-01-05 2024-05-28 风变科技（深圳）有限公司 人脸检测方法、装置、计算机设备和存储介质
CN113486829B (zh) * 2021-07-15 2023-11-07 京东科技控股股份有限公司 人脸活体检测方法、装置、电子设备及存储介质
CN113627300A (zh) * 2021-08-02 2021-11-09 中电福富信息科技有限公司 基于深度学习的人脸识别与活体检测方法
CN113610153A (zh) * 2021-08-06 2021-11-05 长沙理工大学 人体红外图像识别方法、装置、计算机设备及存储介质
CN114202806A (zh) * 2021-11-26 2022-03-18 北京百度网讯科技有限公司 活体检测方法、装置、电子设备和存储介质
CN114819142A (zh) * 2022-04-18 2022-07-29 支付宝(杭州)信息技术有限公司 拍屏图像识别及其模型的训练方法、装置和电子设备
CN115798004A (zh) * 2022-11-27 2023-03-14 深圳市巨龙创视科技有限公司 基于局部区域的人脸打卡方法、装置、电子设备及介质
CN115601818B (zh) * 2022-11-29 2023-04-07 海豚乐智科技(成都)有限责任公司 一种轻量化可见光活体检测方法及装置
CN116189800B (zh) * 2023-02-23 2023-08-18 深圳大学 基于气体检测的模式识别方法、装置、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140337948A1 (en) * 2013-05-13 2014-11-13 Hoyos Labs Corp. System and method for determining liveness
CN107545241A (zh) * 2017-07-19 2018-01-05 百度在线网络技术（北京）有限公司 神经网络模型训练及活体检测方法、装置及存储介质
EP3287943A1 (en) * 2016-08-23 2018-02-28 Samsung Electronics Co., Ltd Liveness test method and liveness test computing apparatus
CN107918773A (zh) * 2017-12-13 2018-04-17 汉王科技股份有限公司 一种人脸活体检测方法、装置及电子设备
CN108197586A (zh) * 2017-12-12 2018-06-22 北京深醒科技有限公司 脸部识别方法和装置
CN108229331A (zh) * 2017-03-16 2018-06-29 北京市商汤科技开发有限公司 人脸防伪检测方法和***、电子设备、程序和介质
CN108399401A (zh) * 2018-03-27 2018-08-14 百度在线网络技术（北京）有限公司 用于检测人脸图像的方法和装置
CN108470169A (zh) * 2018-05-23 2018-08-31 国政通科技股份有限公司 人脸识别***及方法
CN108764091A (zh) * 2018-05-18 2018-11-06 北京市商汤科技开发有限公司 活体检测方法及装置、电子设备和存储介质
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
CN108921100A (zh) * 2018-07-04 2018-11-30 武汉高德智感科技有限公司 一种基于可见光图像与红外图像融合的人脸识别方法及***
CN109034102A (zh) * 2018-08-14 2018-12-18 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、设备及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6920236B2 (en) * 2001-03-26 2005-07-19 Mikos, Ltd. Dual band biometric identification system
US8463006B2 (en) * 2007-04-17 2013-06-11 Francine J. Prokoski System and method for using three dimensional infrared imaging to provide detailed anatomical structure maps
WO2016113983A1 (ja) * 2015-01-13 2016-07-21 ソニー株式会社 画像処理装置、画像処理方法、プログラム及びシステム
US20230031545A1 (en) * 2015-08-18 2023-02-02 Mbl Limited Robotic kitchen systems and methods in an instrumented environment with electronic cooking libraries
CN107992794B (zh) 2016-12-30 2019-05-28 腾讯科技（深圳）有限公司 一种活体检测方法、装置和存储介质
CN108985134B (zh) 2017-06-01 2021-04-16 重庆中科云从科技有限公司 基于双目摄像机的人脸活体检测及刷脸交易方法及***
CN108280418A (zh) * 2017-12-12 2018-07-13 北京深醒科技有限公司 脸部图像的欺骗识别方法及装置
KR102466997B1 (ko) * 2018-01-22 2022-11-14 삼성전자주식회사 라이브니스 검사 방법 및 장치
CN108339401A (zh) 2018-03-06 2018-07-31 安徽郁萃生物科技有限公司 一种节能型膜分离装置
US11410458B2 (en) * 2018-04-12 2022-08-09 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Face identification method and apparatus, mobile terminal and storage medium
US10956714B2 (en) * 2018-05-18 2021-03-23 Beijing Sensetime Technology Development Co., Ltd Method and apparatus for detecting living body, electronic device, and storage medium

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140337948A1 (en) * 2013-05-13 2014-11-13 Hoyos Labs Corp. System and method for determining liveness
EP3287943A1 (en) * 2016-08-23 2018-02-28 Samsung Electronics Co., Ltd Liveness test method and liveness test computing apparatus
CN108229331A (zh) * 2017-03-16 2018-06-29 北京市商汤科技开发有限公司 人脸防伪检测方法和***、电子设备、程序和介质
CN107545241A (zh) * 2017-07-19 2018-01-05 百度在线网络技术（北京）有限公司 神经网络模型训练及活体检测方法、装置及存储介质
CN108197586A (zh) * 2017-12-12 2018-06-22 北京深醒科技有限公司 脸部识别方法和装置
CN107918773A (zh) * 2017-12-13 2018-04-17 汉王科技股份有限公司 一种人脸活体检测方法、装置及电子设备
CN108399401A (zh) * 2018-03-27 2018-08-14 百度在线网络技术（北京）有限公司 用于检测人脸图像的方法和装置
CN108764091A (zh) * 2018-05-18 2018-11-06 北京市商汤科技开发有限公司 活体检测方法及装置、电子设备和存储介质
CN108470169A (zh) * 2018-05-23 2018-08-31 国政通科技股份有限公司 人脸识别***及方法
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
CN108921100A (zh) * 2018-07-04 2018-11-30 武汉高德智感科技有限公司 一种基于可见光图像与红外图像融合的人脸识别方法及***
CN109034102A (zh) * 2018-08-14 2018-12-18 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、设备及存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163988A (zh) * 2020-08-17 2021-01-01 中国人民解放军93114部队 红外图像的生成方法、装置、计算机设备和可读存储介质
CN112163988B (zh) * 2020-08-17 2022-12-13 中国人民解放军93114部队 红外图像的生成方法、装置、计算机设备和可读存储介质
CN112070954A (zh) * 2020-09-14 2020-12-11 上海商汤智能科技有限公司 活体识别方法、装置、设备及存储介质
CN112434647A (zh) * 2020-12-09 2021-03-02 浙江光珀智能科技有限公司 一种人脸活体检测方法
CN114387324A (zh) * 2021-12-22 2022-04-22 北京的卢深视科技有限公司 深度成像方法、装置、电子设备和计算机可读存储介质
CN116977154A (zh) * 2023-09-22 2023-10-31 南方电网数字电网研究院有限公司 可见光图像与红外图像融合储存方法、装置、设备和介质
CN116977154B (zh) * 2023-09-22 2024-03-19 南方电网数字电网研究院有限公司 可见光图像与红外图像融合储存方法、装置、设备和介质
CN117542127A (zh) * 2024-01-09 2024-02-09 南方科技大学 基于多光谱偏振光的皮肤检测方法及装置
CN117542127B (zh) * 2024-01-09 2024-05-24 南方科技大学 基于多光谱偏振光的皮肤检测方法及装置
CN117994865A (zh) * 2024-04-01 2024-05-07 杭州海康威视数字技术股份有限公司 一种双目面部匹配方法、装置、电子设备及存储介质
CN117994865B (zh) * 2024-04-01 2024-07-02 杭州海康威视数字技术股份有限公司 一种双目面部匹配方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
EP3916627A1 (en) 2021-12-01
CN111488756B (zh) 2023-10-03
WO2020151489A1 (zh) 2020-07-30
US20220092882A1 (en) 2022-03-24
EP3916627A4 (en) 2022-09-07
US11830230B2 (en) 2023-11-28

Similar Documents

Publication Publication Date Title
CN111488756B (zh) 基于面部识别的活体检测的方法、电子设备和存储介质
CN110852160B (zh) 以图像为基准的生物识别***及计算机实施方法
CN112381775B (zh) 一种图像篡改检测方法、终端设备及存储介质
Dagnes et al. Occlusion detection and restoration techniques for 3D face recognition: a literature review
CN108549836B (zh) 照片的翻拍检测方法、装置、设备及可读存储介质
CN111754396B (zh) 脸部图像处理方法、装置、计算机设备和存储介质
CN112801057B (zh) 图像处理方法、装置、计算机设备和存储介质
CN108416291B (zh) 人脸检测识别方法、装置和***
CN111444826B (zh) 视频检测方法、装置、存储介质及计算机设备
CN111160284A (zh) 人脸照片质量评估方法、***、设备及存储介质
CN106203326B (zh) 一种图像处理方法、装置及移动终端
Pamplona Segundo et al. Pore-based ridge reconstruction for fingerprint recognition
Davy et al. Reducing anomaly detection in images to detection in noise
CN116129195A (zh) 图像质量评价装置、方法、电子设备和存储介质
Purnapatra et al. Presentation attack detection with advanced cnn models for noncontact-based fingerprint systems
CN114596608A (zh) 一种基于多线索的双流视频人脸伪造检测方法及***
CN116958606B (zh) 一种图像匹配方法及相关装置
CN113743365A (zh) 人脸识别过程中的欺诈行为检测方法及装置
CN110909601B (zh) 一种基于深度学习的美瞳识别方法及***
CN110910497B (zh) 实现增强现实地图的方法和***
CN115294162B (zh) 目标识别方法、装置、设备及存储介质
CN113723310B (zh) 基于神经网络的图像识别方法及相关装置
CN115240245A (zh) 人脸活体检测方法、人脸活体检测装置及电子设备
CN111179226A (zh) 视野图的识别方法、装置及计算机存储介质
CN117746477B (zh) 一种户外人脸识别方法、装置、电子设备及存储介质

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