CN114463860A - 检测模型的训练方法、活体检测方法及相关装置 - Google Patents
检测模型的训练方法、活体检测方法及相关装置 Download PDFInfo
- Publication number
- CN114463860A CN114463860A CN202111531786.6A CN202111531786A CN114463860A CN 114463860 A CN114463860 A CN 114463860A CN 202111531786 A CN202111531786 A CN 202111531786A CN 114463860 A CN114463860 A CN 114463860A
- Authority
- CN
- China
- Prior art keywords
- face image
- training
- detection model
- infrared
- infrared face
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种检测模型的训练方法、活体检测方法及相关装置,训练方法包括:获取训练目标的训练红外人脸图像集;对训练红外人脸图像集中部分训练红外人脸图像进行预设操作,得到部分训练红外人脸图像各自对应的变换红外人脸图像;预设操作包括对对应的训练红外人脸图像中至少一个图像区域的像素进行位置变换;利用训练红外人脸图像集中的初始红外人脸图像和各个变换红外人脸图像对第一检测模型进行训练,得到训练后的第一检测模型;初始红外人脸图像包括训练红外人脸图像集中除部分训练红外人脸图像之外的训练红外人脸图像。上述方案,能够提高活体检测的准确率。
Description
技术领域
本申请涉及目标识别技术领域,特别是涉及一种检测模型的训练方法、活体检测方法及相关装置。
背景技术
随着人工智能技术的不断发展,目标识别也被应用于越来越多的用户认证场景,因此,目标识别的安全性也愈发得到重视。现有的检测模型通常需要大量完整的人脸图像来进行训练,以使训练完成的检测模型能够基于采集到的人脸图像上的一些特定区域来进行活体检测,但是当目标的面部的特定区域存在遮挡时,现有的检测模型的检测准确率就会大幅度降低。有鉴于此,如何提高活体检测的准确率成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种检测模型的训练方法、活体检测方法及相关装置,能够提高活体检测的准确率。
为解决上述技术问题,本申请第一方面提供一种用于活体检测的检测模型的训练方法,所述方法包括:获取训练目标的训练红外人脸图像集;对所述训练红外人脸图像集中部分训练红外人脸图像进行预设操作,得到所述部分训练红外人脸图像各自对应的变换红外人脸图像;所述预设操作包括对对应的训练红外人脸图像中至少一个图像区域的像素进行位置变换;利用所述训练红外人脸图像集中的初始红外人脸图像和各个所述变换红外人脸图像对第一检测模型进行训练,得到训练后的第一检测模型;所述初始红外人脸图像包括所述训练红外人脸图像集中除所述部分训练红外人脸图像之外的训练红外人脸图像。
为解决上述技术问题,本申请第二方面提供一种活体检测方法,包括:获得待识别目标对应的待处理红外人脸图像;利用第一检测模型,对所述待处理红外人脸图像进行活体识别,确定所述待识别目标是否是活体对象;其中,所述第一检测模型是利用第一方面所述的方法进行训练得到的。
为解决上述技术问题,本申请第三方面提供一种活体检测方法,包括:获得同一待识别目标对应的待处理红外人脸图像和待处理原彩人脸图像;利用第一检测模型,对所述待处理红外人脸图像进行活体识别,确定第一识别信息;其中,所述第一检测模型是基于第一方面所述的方法进行训练得到的;利用训练后的第二检测模型,对所述待处理原彩人脸图像进行活体识别,确定第二识别信息;基于所述第一识别信息和所述第二识别信息,确定所述待识别目标是否是活体对象。
为解决上述技术问题,本申请第四方面提供一种检测模型的训练方法,所述检测模型应用于活体检测,所述检测模型包括第一检测模型和第二检测模型,包括:获得同一训练目标对应的训练红外人脸图像和训练原彩人脸图像;对所述训练红外人脸图像进行预设操作,得到所述训练红外人脸图像对应的变换红外人脸图像;所述预设操作包括对对应的训练红外人脸图像中至少一个图像区域的像素进行位置变换;将所述训练原彩人脸图像中的目标区域按预设比例扩大人脸图像范围,获得扩大原彩人脸图像;利用所述变换红外人脸图像对所述第一检测模型进行训练,得到训练后的第一检测模型,利用所述扩大原彩人脸图像对所述第二检测模型进行训练,得到训练后的第二检测模型;为训练后的所述第一检测模型和训练后的所述第二检测模型设置对应的权重,确定训练后的所述检测模型。
为解决上述技术问题,本申请第五方面提供一种电子设备,该电子设备包括:相互耦接的存储器和处理器,其中,所述存储器存储有程序数据,所述处理器调用所述程序数据以执行上述第一或第二或第三或第四方面所述的方法。
为解决上述技术问题,本申请第六方面提供一种计算机可读存储介质,其上存储有程序数据,所述程序数据被处理器执行时实现上述第一或第二或第三或第四方面所述的方法。
上述方案,获得训练目标对应的训练红外人脸图像集,红外人脸图像包括更丰富的纹理信息,对训练红外人脸图像集中的部分训练红外人脸图进行预设操作,以使部分训练红外人脸图像中的图像区域内的像素进行位置变换,获得变换红外人脸图像,其中,变换红外人脸图像中至少部分像素进行了位置变换,从而变换红外人脸图像中的纹理信息能够更加随机化且更精细,利用变换红外人脸图像和变换红外人脸图像之外的初始红外人脸图像对第一检测模型进行训练,从而获得的训练后的第一检测模型,以使训练后的第一检测模型能够基于红外人脸图像上的纹理信息确定更准确的活体检测结果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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。其中:
图1是本申请用于活体检测的检测模型的训练方法一实施方式的流程示意图;
图2是本申请用于活体检测的检测模型的训练方法另一实施方式的流程示意图;
图3是本申请图2中步骤S203对应的一实施方式的应用场景示意图;
图4是本申请活体检测方法一实施方式的流程示意图;
图5是本申请活体检测方法另一实施方式的流程示意图;
图6是本申请训练原彩人脸图像按预设比例扩展时对应的一实施方式的应用场景示意图;
图7是本申请检测模型训练方法一实施方式的流程示意图;
图8是本申请电子设备一实施方式的结构示意图;
图9是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
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做出创造性的劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本文中术语“***”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请用于活体检测的检测模型的训练方法一实施方式的流程示意图,该方法包括:
S101:获取训练目标的训练红外人脸图像集。
具体地,将红外摄像装置采集的目标对应的人脸区域作为红外人脸图像,获取训练目标对应的训练红外人脸图像集,其中,训练目标可以是一个或者多个,训练目标对应的训练红外人脸图像集中包括各个训练目标对应的至少一个训练红外人脸图像。其中,其中,红外人脸图像包括更丰富的纹理信息且红外图像能够降低面部遮挡对纹理信息采集时的影响,训练红外人脸图像中包括更丰富的纹理信息。
进一步地,训练目标对应有活体对象和非活体对象,每个活体对象和非活体对象的面部对应有多个角度的训练红外人脸图像,从而构成训练红外人脸图像集。
S102:对训练红外人脸图像集中部分训练红外人脸图像进行预设操作,得到部分训练红外人脸图像各自对应的变换红外人脸图像。
具体地,预设操作包括对对应的训练红外人脸图像中至少一个图像区域的像素进行位置变换。也就是说,部分训练红外人脸图像中的图像区域内的像素进行了位置变换,从而获得变换红外人脸图像。
在一应用方式中,将训练红外人脸图像分成4个图像块,并将4个图像块随机组合,获得组合后的变换红外人脸图像,以使变换红外人脸图像中的纹理信息更加分散,从而将变换红外人脸图像用于训练时纹理信息更为精细。
在另一应用方式中,将训练红外人脸图像分成9个图像块,并将中间至少一个图像块的位置保持不变,将其他图像块随机组合在位置不变的图像块周围,获得变换红外人脸图像,以使变换红外人脸图像中的纹理信息更加分散,从而将变换红外人脸图像用于训练时纹理信息更为精细。
S103:利用训练红外人脸图像集中的初始红外人脸图像和各个变换红外人脸图像对第一检测模型进行训练,得到训练后的第一检测模型。
具体地,初始红外人脸图像包括训练红外人脸图像集中除部分训练红外人脸图像之外的训练红外人脸图像。也就是说,存在部分用于对第一检测模型进行训练的图像为未经过预设操作的初始红外人脸图像,利用初始红外人脸图像和变换红外人脸图像对第一检测模型进行训练,从而获得训练后的第一检测模型。
在一应用方式中,利用第一检测模型对训练红外人脸图像和初始红外人脸图像进行检测,获得第一检测模型输出的第一活体置信度,基于第一活体置信度与训练目标对应的标签确定本次检测的损失,从而根据本次第一检测模型进行检测的损失调整第一检测模型中的参数,直至损失收敛得到训练后的第一检测模型,以使训练后的第一检测模型能够基于红外人脸图像上的纹理信息确定更准确的活体检测结果。其中,训练目标对应的标签用于标识训练目标为活体或非活体,当训练目标为活体目标时,训练目标对应活体标签,当训练目标为非活体目标时,训练目标对应非活体标签。
在一应用场景中,获取训练目标的训练红外人脸图像集,对训练红外人脸图像集中的所有训练红外人脸图像进行预设操作,将经过预设操作后发生像素的位置变换的训练红外人脸图像作为变换红外人脸图像,将经过预设操作后像素的位置未发生变换的红外人脸图像作为初始红外人脸图像,也就是经过上述处理仍然可以获得变换红外人脸图形化和初始红外人脸图像,且初始红外人脸图像的数量少于变换红外人脸图像。利用各个初始红外人脸图像和变换红外人脸图像对第一检测模型进行训练,从而获得训练后的第一检测模型。
请参阅图2,图2是本申请用于活体检测的检测模型的训练方法另一实施方式的流程示意图,该方法包括:
S201:获取训练目标的训练红外人脸图像集。
具体地,训练红外人脸图像包括更丰富的纹理信息且红外图像能够降低面部遮挡对纹理信息采集时的影响。
进一步地,在获得训练目标对应的训练红外人脸图像集后,针对部分训练红外人脸图像中的每个训练红外人脸图像进行步骤S202-S203的操作。
S202:将训练红外人脸图像划分为多个人脸图像块。
具体地,对训练红外人脸图像进行分割,以使训练红外人脸图像被分割成多个人脸图像块。
在一应用方式中,基于训练红外人脸图像中的目标区域的尺寸信息,确定人脸图像块数量;将训练红外人脸图像划分为人脸图像块数量的人脸图像块。
具体地,获取训练红外人脸图像中的目标区域的尺寸信息,其中,目标区域为人脸对应的区域,基于与目标区域的尺寸信息相匹配的人脸图像块数量,将训练红外人脸图像分成人脸图像块数量对应个数的人脸图像块。
可选地,当尺寸信息大于尺寸阈值时,则将训练红外人脸图像分成N个人脸图像块,当尺寸信息小于或等于尺寸阈值时,则将训练红外人脸图像分成M个人脸图像块,其中,N>M。通过适应于目标区域的尺寸信息的人脸图像块数量,将训练红外人脸图像适应性地分成多个人脸图像块,使后续第一检测模型在训练优化过程的中能够提取到人脸局部更为精细的纹理信息,提高基于变化红外人脸图像训练后得到的第一检测模型提取到更具有代表性的局部特征的概率。
在一应用场景中,人脸图像块数量与训练红外人脸图像中目标区域的尺寸信息正相关。
具体地,获取训练红外人脸图像中目标区域的尺寸信息,当目标区域的尺寸信息越大时,训练红外人脸图像被分成的人脸图像块的数量越多,以使训练红外人脸图像能够基于目标区域的尺寸信息自适应地分割成多个人脸图像块,以使分割后的人脸图像块上的纹理信息更加精细。
在一具体应用场景中,设置多个与尺寸信息相关的阶梯阈值,每个阶梯阈值对应一个人脸图像块数量,用于将训练红外人脸图像分成对应数量的人脸图像块,阶梯阈值越大,则对应的人脸图像块数量越大,训练红外人脸图像被分成的人脸图像块的数量越大。
S203:将人脸图像块随机或按预设方式组合,得到训练红外人脸图像对应的变换红外人脸图像。
具体地,训练红外人脸图像和训练红外人脸图像对应的变换红外人脸图像中至少一个人脸图像块的位置不同。其中,训练红外人脸图像对应的人脸图像块进行随机打乱即可获得变换红外人脸图像,训练红外人脸图像对应的人脸图像块也可通过预设方式进行组合,从而获得变换红外人脸图像。
在一应用场景中,在训练红外人脸图像中设置预设的参考线,将参考线两侧的人脸图像块进行调换,得到变换红外人脸图像。
在另一应用场景中,在训练红外人脸图像的人脸图像块中,按照逆时针/顺时针方向,将各个人脸图像块顺位移动至少一个位置,得到变换红外人脸图像。
在又一应用场景中,在训练红外人脸图像的人脸图像块中固定部分人脸图像块的位置,将其余人脸图像块随机组合在保持不动的人脸图像块之外的区域,得到变换红外人脸图像。
在一应用方式中,请参阅图3,图3是本申请图2中步骤S203对应的一实施方式的应用场景示意图,当确定训练红外人脸图像进行分割时的人脸图像块数量后,选择一种人脸图像块的组合方式。响应于人脸图像块的数量少于数量阈值时,将训练红外人脸图像对应的人脸图像块随机组合,获得变换红外人脸图像,响应于人脸图像块的数量超过数量阈值时,将训练红外人脸图像对应的人脸图像块随机组合,或者将训练红外人脸图像对应的人脸图像块中至少部分人脸图像块保持不动,将其余人脸图像块随机组合在保持不动的人脸图像块之外的区域,获得变换红外人脸图像。
在一具体应用场景中,以图3中右下角位置的组合方式为例,当训练红外人脸图像中目标区域的尺寸信息大于尺寸阈值时,则按照3x3均分从而将训练红外人脸图像分割成9个人脸图像块时,将训练红外人脸图像中的面部三角区对应的中间行对应的3个人脸图像块以及最下方最后一行中间的1个人脸图像块的位置保持不变,将其余5个人脸图像块的位置随机组合,生成变换红外人脸图像,从而将训练红外人脸图像中面部信息最丰富的区域保持不变,降低第一检测模型进行识别和训练的难度。
在另一具体应用场景中,以图3中左上角位置和图3中处于中间位置的组合方式为例,当训练红外人脸图像中目标区域的尺寸信息小于或等于尺寸阈值时,则按照2x2均分从而将训练红外人脸图像分割成4个人脸图像块,当训练红外人脸图像中目标区域的尺寸信息大于尺寸阈值时,则按照3x3均分从而将训练红外人脸图像分割成9个人脸图像块,将分割后的人脸图像块随机组合,生成变换红外人脸图像,以使训练目标的面部特征离散,使变换红外人脸图像上的纹理信息更丰富,进而基于变换红外人脸图像训练后的第一检测模型具备更优异的活体识别能力。
S204:利用训练红外人脸图像集中的初始红外人脸图像和各个变换红外人脸图像对第一检测模型进行训练,得到训练后的第一检测模型。
具体地,训练目标对应有标签,标签用于标识训练目标为活体或非活体,初始红外人脸图像包括训练红外人脸图像集中除部分训练红外人脸图像进行过位置变换之外的训练红外人脸图像。
在一应用方式中,将各个初始红外人脸图像和变换红外人脸图像输入第一检测模型,以使第一检测模型基于初始红外人脸图像和变换红外人脸图像上的纹理信息进行检测,获得第一活体置信度;基于第一活体置信度和标签确定第一损失;基于第一损失对第一检测模型中的参数进行调整;响应于满足第一收敛条件,获得训练后的第一检测模型。
具体地,将变换红外人脸图像和初始红外人脸图像输入至第一检测模型中以使第一检测模型基于变换红外人脸图像和初始红外人脸图像中的纹理信息进行检测,第一检测模型输出训练目标是否为活体的第一活体置信度,基于第一活体置信度和训练目标对应的标签之间的差异确定第一损失,从而根据第一损失对第一检测模型中的参数进行调整,直至响应于第一检测模型对应的第一收敛条件,结束对第一检测模型的训练,以使训练后的第一检测模型能够侧重于红外图像上的纹理信息对目标是否为活体进行较为准确的判断。
可选地,在对第一检测模型进行训练时也可以只使用变换红外人脸图像对第一检测模型进行训练。
在一具体应用场景中,将多个变换红外人脸图像和初始红外人脸图像输入至第一检测模型中进行训练,统计训练目标对应的第一活体置信度和标签之间的检测准确率,确定第一检测模型对应的第一损失,基于第一损失对第一检测模型中的参数进行调整,直至第一损失为0后结束对第一检测模型的训练。
在另一应用场景中,将多个变换红外人脸图像依次输入至第一检测模型中进行训练,统计每次变换红外人脸图像对应的第一活体置信度和标签之间的检测准确率,确定第一检测模型对应的第一损失,基于第一损失对第一检测模型中的参数进行调整,直至优化次数超过收敛数值后结束对第一检测模型的训练。
在本实施例中,对训练红外人脸图像集中至少部分训练红外人脸图像进行分割,获得多个人脸图像块,其中,人脸图像块分割成的人脸图像块数量与训练红外人脸图像中目标区域的尺寸信息正相关,以使分割更加合理,将人脸图像块随机或按预设方式组合获得变换红外人脸图像,从而获得纹理信息更丰富的变换红外人脸图像并降低面部遮挡对纹理信息的影响,同时变换红外人脸图像中的纹理信息能够更加随机化且更精细,利用变换红外人脸图像和变换红外人脸图像之外的初始红外人脸图像对第一检测模型进行训练,从而获得的训练后的第一检测模型,以使训练后的第一检测模型能够基于红外人脸图像上的纹理信息确定更准确的活体检测结果。
请参阅图4,图4是本申请活体检测方法一实施方式的流程示意图,该方法包括:
S401:获得待识别目标对应的待处理红外人脸图像。
具体地,获取待识别目标对应的利用红外摄像装置采集的待处理红外人脸图像。
在一应用场景中,获取待识别目标对应的利用红外摄像装置采集的多张和/或多个角度的待处理红外人脸图像,从而为活体检测提供多个参考图像。
S402:利用第一检测模型,对待处理红外人脸图像进行活体识别,确定待识别目标是否是活体对象。
具体地,将待处理红外人脸图像输入第一检测模型,以使第一检测模型基于待处理红外人脸图像上的纹理信息对待处理红外人脸图像中的待处理目标进行检测,确定待识别目标是否为活体对象。其中,第一检测模型是基于上述任一实施例中所述的方法进行训练得到的。训练后的第一检测模型能够基于红外人脸图像上的纹理信息确定更准确的活体检测结果。
请参阅图5,图5是本申请活体检测方法另一实施方式的流程示意图,该方法包括:
S501:获得同一待识别目标对应的待处理红外人脸图像和待处理原彩人脸图像。
具体地,在采集图像时利用红外摄像装置和原彩摄像装置分别采集同一目标对应的人脸图像,将红外摄像装置采集的图像作为待处理红外人脸图像,将原彩摄像装置采集的图像作为待处理原彩人脸图像,同一待识别目标对应的待处理红外人脸图像和待处理原彩人脸图像为一组图像数据,其中,待处理红外人脸图像包括更丰富的纹理信息且红外图像能够降低面部遮挡对纹理信息采集时的影响,待处理原彩人脸图像包括更丰富的像素信息。
可选地,待处理原彩人脸图像包括红外人脸图像、可见光人脸图像和灰度值人脸图像中的任意一种。本申请对待处理原彩图像的类型不做具体限制,其中,待处理原彩图像用于获得第二识别信息,从而与第一识别信息共同判断待识别目标是否为活体对象,提高识别的准确率。
S502:利用第一检测模型,对待处理红外人脸图像进行活体识别,确定第一识别信息。
具体地,将待处理红外人脸图像输入第一检测模型,以使第一检测模型基于待处理红外人脸图像上的纹理信息对待处理红外人脸图像中的待处理目标进行检测,获得第一识别信息。其中,第一检测模型是基于上述任一实施例中所述的方法进行训练得到的。
进一步地,训练后的第一检测模型将待处理红外人脸图像分成多个人脸图像块,并将人脸图像块随机或按预设方式组合后对新获得的待处理红外人脸图像进行识别,从而基于红外人脸图像上的纹理信息确定更准确的活体检测结果。
S503:利用训练后的第二检测模型,对待处理原彩人脸图像进行活体识别,确定第二识别信息。
具体地,将待处理原彩人脸图像输入第二检测模型,以使第二检测模型基于待处理原彩人脸图像上的像素信息对待处理原彩人脸图像中的待处理目标进行检测,获得第二识别信息。
在一应用方式中,第二检测模型是通过如下方式进行训练得到的:获得训练目标的训练原彩人脸图像;将训练原彩人脸图像中的目标区域按预设比例扩大人脸图像范围,获得扩大原彩人脸图像;利用扩大原彩人脸图像对第二检测模型进行训练,得到训练后的第二检测模型。
具体地,将训练原彩人脸图像中的目标区域按预设比例向周围扩大人脸图像范围,获得扩大原彩人脸图像,从而拓展扩大原彩人脸图像上的像素信息获取目标区域之外的背景区域,利用扩大原彩人脸图像对第二检测模型进行训练,得到训练后的第二检测模型,以使第二检测模型能够基于目标区域和背景区域共同识别目标是否为活体对象,提高检测准确率。
进一步地,将训练原彩人脸图像中的目标区域按预设比例扩大人脸图像范围,获得扩大原彩人脸图像的步骤,包括:将训练原彩人脸图像按预设比例向训练原彩人脸图像之外的区域扩展,获得扩大原彩人脸图像;其中,扩大原彩人脸图像上的像素信息超过训练原彩人脸图像上的像素信息。
具体地,请参阅图6,图6是本申请训练原彩人脸图像按预设比例扩展时对应的一实施方式的应用场景示意图,将训练原彩人脸图像中的目标区域按预设比例向训练原彩人脸图像之外的区域扩展,以获得超过训练原彩人脸图像的像素信息,从而确定扩大原彩人脸图像,以使扩大原彩人脸图像上的像素信息超过训练原彩人脸图像上的像素信息。
其中,预设比例可以是任一超过原始的训练原彩人脸图像的比例,以图6为例,向外扩展一倍后如最上方的图像所示,向外扩展两倍后如中间的图像所示,向外扩展三倍后如最下方的图像所示。将训练原彩人脸图像中的目标区域按预设比例向训练原彩人脸图像之外的区域扩展后,对训练原彩人脸图像之外的区域对应的像素信息进行补偿,从而获得扩大原彩人脸图像。
进一步地,当训练目标对应的原始图像的尺寸信息小于按预设比例向外扩展时的尺寸信息时,则将训练原彩人脸图像扩展至训练目标对应的原始图像的边界,以获得更多的像素信息,从而基于新增的像素信息获得更充分的背景信息。其中,背景信息包括目标区域之外的其他与背景相关的像素,以使基于扩大原彩人脸图像训练后的第二检测模型在识别目标是否为活体时能结合更多背景信息来进行判断,从而提高判断的准确率。
在一具体应用场景中,将训练原彩人脸图像按原始图像两倍面积向周围扩大图像范围,获得扩大原彩人脸图像,以使扩大原彩人脸图像上的像素信息扩大至更大的范围,从而获得人脸之外更多的背景信息。
在另一具体应用场景中,将训练原彩人脸图像按原始图像三倍面积向周围扩大图像范围,获得扩大原彩人脸图像,以使扩大原彩人脸图像上的像素信息扩大至更大的范围,从而获得人脸之外更多的背景信息。
进一步地,训练目标对应有标签,标签用于标识训练目标为活体或非活体;利用扩大原彩人脸图像对第二检测模型进行训练,得到训练后的第二检测模型的步骤,包括:将扩大原彩人脸图像输入第二检测模型,以使第二检测模型基于扩大原彩人脸图像上的像素信息进行检测,获得第二活体置信度;基于第二活体置信度和标签确定第二损失;基于第二损失对第二检测模型中的参数进行调整;响应于满足第二收敛条件,获得训练后的第二检测模型。
具体地,将扩大原彩人脸图像输入至第二检测模型中以使第二检测模型基于扩大原彩人脸图像中的像素信息进行检测,第二检测模型输出扩大原彩人脸图像中的训练目标是否为活体的第二活体置信度,基于第二活体置信度和训练目标对应的标签之间的差异确定第二损失,从而根据第二损失对第二检测模型中的参数进行调整,直至响应于第二检测模型对应的收敛条件,结束对第二检测模型的训练,以使训练后的第二检测模型能够侧重于红外图像上的像素信息对目标是否为活体进行较为准确的判断。
在一应用场景中,将多个扩大原彩人脸图像输入至第二检测模型中进行训练,统计多个扩大原彩人脸图像对应的第二活体置信度和标签之间的检测准确率,确定第二检测模型对应的第二损失,基于第二损失对第二检测模型中的参数进行调整,直至第二损失为0后结束对第二检测模型的训练。
在另一应用场景中,将不同的扩大原彩人脸图像依次输入至第二检测模型中进行训练,统计每次扩大原彩人脸图像对应的第二活体置信度和标签之间的检测准确率,确定第二检测模型对应的第二损失,基于第二损失对第二检测模型中的参数进行调整,直至优化次数超过收敛数值后结束对第二检测模型的训练。
可以理解的是,利用训练后的第二检测模型,对待处理原彩人脸图像进行活体识别,确定第二识别信息的步骤,包括:将待处理原彩人脸图像中的目标区域按预设比例向外扩展,且预设比例在训练阶段和应用阶段相同,第二检测模型基于扩展后的待处理原彩人脸图像中更丰富的像素信息确定第二识别信息。
S504:基于第一识别信息和第二识别信息,确定待识别目标是否是活体对象。
具体地,结合第一识别信息和第二识别信息共同判断待识别目标,从而确定待识别目标是否为活体对象。其中,第一识别信息用于指示待识别目标是活体的第一置信度,第二识别信息用于指示待识别目标是活体的第二置信度。
在一应用方式中,对第一置信度和第二置信度进行加权求和,得到融合置信度;基于融合置信度和置信度阈值,确定待识别目标是否是活体对象。
具体地,对第一置信度和第二置信度进行加权求和,从而获得融合置信度,当融合置信度大于置信度阈值,则判定待识别目标是活体对象,当融合置信度小于或等于置信度阈值时,则判定待识别目标是非活体对象。
进一步地,第一检测模型侧重于红外图像上的纹理信息判断训练目标是否为活体,第二检测模型侧重于原彩图像上的像素信息中的背景判断训练目标是否为活体,通过结合第一识别信息和第二识别信息来综合多个侧重点得到融合置信度,从而获得更准确的识别结果。
在一应用场景中,对第一置信度和第二置信度进行加权求和,得到融合置信度的步骤,包括:基于第一置信度对应的第一权重和第二置信度对应的第二权重,对第一置信度和第二置信度进行加权求和,得到融合置信度;其中,第一权重大于第二权重。
具体地,第一权重和第二权重可以根据经验值设置或者根据检测的侧重点在于纹理信息还是像素信息进行相应的设置。
可选地,将第一权重设置为大于第一权重,以使融合置信度的结果侧重于参考基于红外人脸图像得到的第一识别信息,从而降低面部遮挡对活体检测的影响。
在一具体应用场景中,第一置信度和第二置信度均为0-1的数值,其中,第一权重为0.6,第二权重为0.4,第一权重和第二权重的和为1,置信度阈值为0.9。在其他应用场景中,第一权重、第二权重和置信度阈值可自定义设置,本申请对此不做具体限制。
在本实施例中,获得属于同一待识别目标的待处理红外人脸图像和待处理原彩人脸图像,其中,待处理红外人脸图像为红外图像,红外图像包括待识别目标对应的丰富的纹理信息,待处理原彩人脸图像包括待识别目标对应的丰富的像素信息,将待处理红外人脸图像分成多个图像块,并将人脸图像块随机或按预设方式组合后进行识别,确定第一识别信息,将待处理原彩人脸图像按预设比例扩大图像范围,从而获得更多像素信息并确定第二识别信息,对第一识别信息和第二识别信息进行加权求和获得融合置信度,从而基于不同的侧重点对待识别目标是否为活体进行分析,提高活体检测的准确率。
请参阅图7,图7是本申请检测模型训练方法一实施方式的流程示意图,其中,检测模型应用于活体检测,且检测模型包括第一检测模型和第二检测模型,该方法包括:
S701:获得同一训练目标对应的训练红外人脸图像和训练原彩人脸图像。
具体地,在采集图像时利用红外摄像装置和原彩摄像装置分别采集同一目标对应的人脸图像,将红外摄像装置采集的图像作为训练红外人脸图像,将原彩摄像装置采集的图像作为训练原彩人脸图像,同一训练目标对应的训练红外人脸图像和训练原彩人脸图像为一组图像数据,其中,训练红外人脸图像包括更丰富的纹理信息且红外图像能够降低面部遮挡对纹理信息采集时的影响,训练原彩人脸图像包括更丰富的像素信息。
可选地,当训练目标为活体目标时为训练目标设置对应的活体标签,当训练目标为非活体目标时,为训练目标设置对应的非活体标签。
在一应用方式中,获取多个活体目标分别对应的训练红外人脸图像和训练原彩人脸图像,其中,每个活体目标对应有多个角度的红外图像和原彩图像,为活体目标设置对应的活体标签,获取多个非活体目标分别对应的训练红外人脸图像和训练原彩人脸图像,其中,每个非活体目标对应有多个角度的红外图像和原彩图像,为非活体目标设置对应的非活体标签。
S702:对训练红外人脸图像进行预设操作,得到训练红外人脸图像对应的变换红外人脸图像,预设操作包括对对应的训练红外人脸图像中至少一个图像区域的像素进行位置变换。
具体地,对训练红外人脸图像进行预处理包括将训练红外人脸图像按预设参数分成多个图像块,并将图像块随机或按照预设方式进行组合,获得组合后的变换红外人脸图像,具体过程可参见上述实施例,在此不再赘述。
S703:将训练原彩人脸图像中的目标区域按预设比例扩大人脸图像范围,获得扩大原彩人脸图像。
具体地,确定训练原彩人脸图像中的目标区域进行扩大的预设比例,从而将训练原彩人脸图像转换为扩大原彩人脸图像,具体过程可参见上述实施例,在此不再赘述。
S704:利用变换红外人脸图像对第一检测模型进行训练,得到训练后的第一检测模型,利用扩大原彩人脸图像对第二检测模型进行训练,得到训练后的第二检测模型。
具体地,利用第一检测模型对变换红外人脸图像进行检测,并基于第一检测模型输出的第一活体置信度和标签对第一检测模型中的参数进行调整,利用第二模块对扩大原彩人脸图像进行检测,并基于第二模块输出的第二活体置信度和标签对第二模块中的参数进行调整。
在一应用场景中,第一检测模型和第二检测模型进行检测的损失通过Softmax损失函数来计算,根据损失函数来做反向传播修改模块的参数,使得检测值与真值无限接近,其中,第一检测模型和第二检测模型分别单独训练,并在满足各自对应的收敛条件后输出训练后的第一检测模型和训练后的第二检测模型。
S705:为训练后的第一检测模型和训练后的第二检测模型设置对应的权重,确定训练后的检测模型。
具体地,为训练后的第一检测模型设置初始的第一权重,为训练后的第二检测模型设置初始的第二权重。其中,第一权重和第二权重可以根据经验值设置或者根据检测的侧重点在于纹理信息还是像素信息进行相应的设置,也可以对初始的第一权重和第二权重通过训练进行调整,本申请对此不做具体限制,确定训练后的第一检测模型和训练后的第二检测模型对应的权重后,确定训练后的检测模型。
上述方案,获得属于同一训练目标的训练红外人脸图像和训练原彩人脸图像,其中,训练红外人脸图像为红外图像,红外图像包括训练目标对应的丰富的纹理信息,训练原彩人脸图像为原彩图像,原彩图像包括训练目标对应的丰富的像素信息,将训练红外人脸图像分成多个人脸图像块,并将人脸图像块随机或按预设方式组合成变换红外人脸图像,以使变换红外人脸图像中的纹理信息更为精细,将训练原彩人脸图像按预设比例扩大图像范围,从而获得包括更多像素信息的扩大原彩人脸图像,基于变换红外人脸图像对第一检测模型进行训练,基于扩大原彩人脸图像对第二检测模型进行训练,以使第一检测模型侧重于红外图像上的纹理信息判断训练目标是否为活体,第二检测模型侧重于原彩图像上的像素信息中的背景判断训练目标是否为活体,当训练完成后为训练后的第一检测模型和训练后的第二检测模型设置对应的权重,确定训练后的检测模型,以使训练后的检测模型能够从不同的侧重点对目标是否为活体进行分析,提高检测模型进行活体检测的准确率。
请参阅图8,图8是本申请电子设备一实施方式的结构示意图,该电子设备80包括相互耦接的存储器801和处理器802,其中,存储器801存储有程序数据(图未示),处理器802调用程序数据以实现上述任一实施例中的方法,相关内容的说明请参见上述方法实施例的详细描述,在此不再赘叙。
请参阅图9,图9是本申请计算机可读存储介质一实施方式的结构示意图,该计算机可读存储介质90存储有程序数据900,该程序数据900被处理器执行时实现上述任一实施例中的方法,相关内容的说明请参见上述方法实施例的详细描述,在此不再赘叙。
需要说明的是,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (16)
1.一种用于活体检测的检测模型的训练方法,其特征在于,所述方法包括:
获取训练目标的训练红外人脸图像集;
对所述训练红外人脸图像集中部分训练红外人脸图像进行预设操作,得到所述部分训练红外人脸图像各自对应的变换红外人脸图像;所述预设操作包括对对应的训练红外人脸图像中至少一个图像区域的像素进行位置变换;
利用所述训练红外人脸图像集中的初始红外人脸图像和各个所述变换红外人脸图像对第一检测模型进行训练,得到训练后的第一检测模型;所述初始红外人脸图像包括所述训练红外人脸图像集中除所述部分训练红外人脸图像之外的训练红外人脸图像。
2.根据权利要求1所述的检测模型的训练方法,其特征在于,所述对所述训练红外人脸图像集中部分训练红外人脸图像进行预设操作,得到所述部分训练红外人脸图像各自对应的变换红外人脸图像的步骤,包括:
针对部分所述训练红外人脸图像中的每个训练红外人脸图像进行如下操作:
将所述训练红外人脸图像划分为多个人脸图像块;
将所述人脸图像块随机或按预设方式组合,得到所述训练红外人脸图像对应的所述变换红外人脸图像;其中,所述训练红外人脸图像和所述训练红外人脸图像对应的所述变换红外人脸图像中至少一个所述人脸图像块的位置不同。
3.根据权利要求2所述的检测模型的训练方法,其特征在于,所述将所述训练红外人脸图像划分为多个人脸图像块的步骤,包括:
基于所述训练红外人脸图像中的目标区域的尺寸信息,确定人脸图像块数量;
将所述训练红外人脸图像划分为所述人脸图像块数量的人脸图像块。
4.根据权利要求3所述的检测模型的训练方法,其特征在于,所述人脸图像块数量与所述训练红外人脸图像中目标区域的尺寸信息正相关。
5.根据权利要求1所述的检测模型的训练方法,其特征在于,所述训练目标对应有标签,所述标签用于标识所述训练目标为活体或非活体;
所述利用所述训练红外人脸图像集中的初始红外人脸图像和各个所述变换红外人脸图像对第一检测模型进行训练,得到训练后的第一检测模型的步骤,包括:
将所述各个所述初始红外人脸图像和所述变换红外人脸图像输入所述第一检测模型,以使所述第一检测模型基于所述初始红外人脸图像和所述变换红外人脸图像上的纹理信息进行检测,获得第一活体置信度;
基于所述第一活体置信度和所述标签确定第一损失;
基于所述第一损失对所述第一检测模型中的参数进行调整;
响应于满足第一收敛条件,获得训练后的所述第一检测模型。
6.一种活体检测方法,其特征在于,包括:
获得待识别目标对应的待处理红外人脸图像;
利用第一检测模型,对所述待处理红外人脸图像进行活体识别,确定所述待识别目标是否是活体对象;其中,所述第一检测模型是利用权利要求1-5中任一项所述的方法进行训练得到的。
7.一种活体检测方法,其特征在于,包括:
获得同一待识别目标对应的待处理红外人脸图像和待处理原彩人脸图像;
利用第一检测模型,对所述待处理红外人脸图像进行活体识别,确定第一识别信息;其中,所述第一检测模型是基于权利要求1-5中任一项所述的方法进行训练得到的;
利用训练后的第二检测模型,对所述待处理原彩人脸图像进行活体识别,确定第二识别信息;
基于所述第一识别信息和所述第二识别信息,确定所述待识别目标是否是活体对象。
8.根据权利要求7所述的活体检测方法,其特征在于,所述第一识别信息用于指示所述待识别目标是活体的第一置信度,所述第二识别信息用于指示所述待识别目标是活体的第二置信度;
所述基于所述第一识别信息和所述第二识别信息,确定所述待识别目标是否是活体对象的步骤,包括:
对所述第一置信度和所述第二置信度进行加权求和,得到融合置信度;
基于所述融合置信度和置信度阈值,确定所述待识别目标是否是活体对象。
9.根据权利要求8所述的活体检测方法,其特征在于,所述对所述第一置信度和所述第二置信度进行加权求和,得到融合置信度的步骤,包括:
基于所述第一置信度对应的第一权重和所述第二置信度对应的第二权重,对所述第一置信度和所述第二置信度进行加权求和,得到融合置信度;其中,所述第一权重大于所述第二权重。
10.根据权利要求7所述的活体检测方法,其特征在于,所述第二检测模型是通过如下方式进行训练得到的:
获得训练目标的训练原彩人脸图像;
将所述训练原彩人脸图像中的目标区域按预设比例扩大人脸图像范围,获得扩大原彩人脸图像;
利用所述扩大原彩人脸图像对所述第二检测模型进行训练,得到训练后的第二检测模型。
11.根据权利要求10所述的活体检测方法,其特征在于,所述将所述训练原彩人脸图像中的目标区域按预设比例扩大人脸图像范围,获得扩大原彩人脸图像的步骤,包括:
将所述训练原彩人脸图像按预设比例向所述训练原彩人脸图像之外的区域扩展,获得所述扩大原彩人脸图像;其中,所述扩大原彩人脸图像上的像素信息超过所述训练原彩人脸图像上的像素信息。
12.根据权利要求10所述的活体检测方法,其特征在于,所述训练目标对应有标签,所述标签用于标识所述训练目标为活体或非活体;
所述利用所述扩大原彩人脸图像对所述第二检测模型进行训练,得到训练后的第二检测模型的步骤,包括:
将所述扩大原彩人脸图像输入所述第二检测模型,以使所述第二检测模型基于所述扩大原彩人脸图像上的像素信息进行检测,获得第二活体置信度;
基于所述第二活体置信度和所述标签确定第二损失;
基于所述第二损失对所述第二检测模型中的参数进行调整;
响应于满足第二收敛条件,获得训练后的所述第二检测模型。
13.根据权利要求7-12中任一项所述的活体检测方法,其特征在于,所述待处理原彩人脸图像包括红外人脸图像、可见光人脸图像和灰度值人脸图像中的任意一种。
14.一种检测模型的训练方法,其特征在于,所述检测模型应用于活体检测,所述检测模型包括第一检测模型和第二检测模型,所述方法包括:
获得同一训练目标对应的训练红外人脸图像和训练原彩人脸图像;
对所述训练红外人脸图像进行预设操作,得到所述训练红外人脸图像对应的变换红外人脸图像;所述预设操作包括对对应的训练红外人脸图像中至少一个图像区域的像素进行位置变换;
将所述训练原彩人脸图像中的目标区域按预设比例扩大人脸图像范围,获得扩大原彩人脸图像;
利用所述变换红外人脸图像对所述第一检测模型进行训练,得到训练后的第一检测模型,利用所述扩大原彩人脸图像对所述第二检测模型进行训练,得到训练后的第二检测模型;
为训练后的所述第一检测模型和训练后的所述第二检测模型设置对应的权重,确定训练后的所述检测模型。
15.一种电子设备,其特征在于,包括:相互耦接的存储器和处理器,其中,所述存储器存储有程序数据,所述处理器调用所述程序数据以执行如权利要求1-5或6或7-13或14中任一项所述的方法。
16.一种计算机可读存储介质,其上存储有程序数据,其特征在于,所述程序数据被处理器执行时实现如权利要求1-5或6或7-13或14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111531786.6A CN114463860B (zh) | 2021-12-14 | 2021-12-14 | 检测模型的训练方法、活体检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111531786.6A CN114463860B (zh) | 2021-12-14 | 2021-12-14 | 检测模型的训练方法、活体检测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463860A true CN114463860A (zh) | 2022-05-10 |
CN114463860B CN114463860B (zh) | 2023-05-23 |
Family
ID=81406216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111531786.6A Active CN114463860B (zh) | 2021-12-14 | 2021-12-14 | 检测模型的训练方法、活体检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463860B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084917A (zh) * | 2020-08-31 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 一种活体检测方法及装置 |
CN112836625A (zh) * | 2021-01-29 | 2021-05-25 | 汉王科技股份有限公司 | 人脸活体检测方法、装置、电子设备 |
CN113011295A (zh) * | 2021-03-08 | 2021-06-22 | 中国科学院空天信息创新研究院 | 基于遥感影像识别光伏发电站的方法、计算机设备和介质 |
US20210209392A1 (en) * | 2019-02-01 | 2021-07-08 | Beijing Sensetime Technology Development Co., Ltd. | Image Processing Method and Device, and Storage Medium |
CN113255400A (zh) * | 2020-02-10 | 2021-08-13 | 深圳市光鉴科技有限公司 | 活体人脸识别模型的训练、识别方法、***、设备及介质 |
CN113269167A (zh) * | 2021-07-19 | 2021-08-17 | 南京理工大学 | 一种基于图像分块打乱的人脸伪造检测方法 |
CN113688787A (zh) * | 2021-09-14 | 2021-11-23 | 青岛农业大学 | 花生叶片病害识别方法 |
-
2021
- 2021-12-14 CN CN202111531786.6A patent/CN114463860B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210209392A1 (en) * | 2019-02-01 | 2021-07-08 | Beijing Sensetime Technology Development Co., Ltd. | Image Processing Method and Device, and Storage Medium |
CN113255400A (zh) * | 2020-02-10 | 2021-08-13 | 深圳市光鉴科技有限公司 | 活体人脸识别模型的训练、识别方法、***、设备及介质 |
CN112084917A (zh) * | 2020-08-31 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 一种活体检测方法及装置 |
CN112836625A (zh) * | 2021-01-29 | 2021-05-25 | 汉王科技股份有限公司 | 人脸活体检测方法、装置、电子设备 |
CN113011295A (zh) * | 2021-03-08 | 2021-06-22 | 中国科学院空天信息创新研究院 | 基于遥感影像识别光伏发电站的方法、计算机设备和介质 |
CN113269167A (zh) * | 2021-07-19 | 2021-08-17 | 南京理工大学 | 一种基于图像分块打乱的人脸伪造检测方法 |
CN113688787A (zh) * | 2021-09-14 | 2021-11-23 | 青岛农业大学 | 花生叶片病害识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114463860B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN110222787B (zh) | 多尺度目标检测方法、装置、计算机设备及存储介质 | |
EP3333768A1 (en) | Method and apparatus for detecting target | |
CN104680508B (zh) | 卷积神经网络和基于卷积神经网络的目标物体检测方法 | |
EP3709266A1 (en) | Human-tracking methods, apparatuses, systems, and storage media | |
CN111583220B (zh) | 影像数据检测方法和装置 | |
CN111784624B (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
CN111144284B (zh) | 深度人脸图像的生成方法、装置、电子设备及介质 | |
CN110188780B (zh) | 用于定位多目标特征点的深度学习模型的构建方法及装置 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN111696196A (zh) | 一种三维人脸模型重建方法及装置 | |
CN113920109A (zh) | 医疗影像识别模型训练方法、识别方法、装置及设备 | |
CN116229189B (zh) | 基于荧光内窥镜的图像处理方法、装置、设备及存储介质 | |
CN111563492B (zh) | 一种跌倒检测方法、跌倒检测装置及存储装置 | |
CN113221842A (zh) | 模型训练方法、图像识别方法、装置、设备及介质 | |
CN111652080A (zh) | 基于rgb-d图像的目标跟踪方法和装置 | |
CN108256578B (zh) | 一种灰度图像的识别方法、装置、设备及可读存储介质 | |
CN114463860B (zh) | 检测模型的训练方法、活体检测方法及相关装置 | |
KR101592087B1 (ko) | 배경 영상의 위치를 이용한 관심맵 생성 방법 및 이를 기록한 기록 매체 | |
JP6851246B2 (ja) | 物体検出装置 | |
JP6893812B2 (ja) | 物体検出装置 | |
JP2008084109A (ja) | 目開閉判定装置及び目開閉判定方法 | |
CN114511702A (zh) | 一种基于多尺度分权注意力的遥感图像分割方法和*** | |
CN114511877A (zh) | 一种行为识别方法、装置、存储介质及终端 | |
CN111126177B (zh) | 人数统计的方法及装置 |
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 |