[go: up one dir, main page]

CN116403261A - 人脸活体检测方法、系统、计算机设备及存储介质 - Google Patents

人脸活体检测方法、系统、计算机设备及存储介质 Download PDF

Info

Publication number
CN116403261A
CN116403261A CN202310367329.0A CN202310367329A CN116403261A CN 116403261 A CN116403261 A CN 116403261A CN 202310367329 A CN202310367329 A CN 202310367329A CN 116403261 A CN116403261 A CN 116403261A
Authority
CN
China
Prior art keywords
face
detected
person
sequence
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.)
Pending
Application number
CN202310367329.0A
Other languages
English (en)
Inventor
洪叁亮
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.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank 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 Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202310367329.0A priority Critical patent/CN116403261A/zh
Publication of CN116403261A publication Critical patent/CN116403261A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了人脸活体检测方法、系统、计算机设备及存储介质，包括：采集待检测人输入的视频数据，提取视频数据中待检测的依次排列而组成图像序列的2D图像帧；基于2D图像帧获取待检测人的人脸检测框；基于人脸检测框从2D图像帧上截取待检测人的人脸区域图像，并将人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取待检测人的人脸关键点坐标；基于人脸关键点坐标获取待检测人的人脸区域；基于人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号；判断解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致。通过本发明方法可准确实现人脸活体检测，并可提高防御假脸攻击的能力。

Description

人脸活体检测方法、系统、计算机设备及存储介质
技术领域
本发明涉及人脸识别技术领域，具体涉及一种人脸活体检测方法、系统、计算机设备以及非易失性计算机可读存储介质。
背景技术
目前，随着移动互联网的发展，通过人脸进行身份验证的场景(确定用户对象的真实性)在金融保险、银行证券等领域得到越来越多关注，同时，攻击者利用假脸完成人脸识别的安全问题也越来越多见。为避免攻击者利用假脸完成人脸识别，现有技术中，通常通过静默活体检测、动作活体检测等方式，来抵抗网络黑产利用假脸完成线上人脸识别。其中，
一、基于单张图像的静默活体检测，此类方法通过搜集海量数据(包括人脸活体图片和人脸非活体图片)进行二分类训练网络模型，静默活体检测方法存在以下问题：需要搜集海量数据，而且二分类网络模型对各种黑产软件合成的非活体表现较差，防不胜防。
二、基于随机动作的动作活体检测，此类方法通常是前端设备提示用户张张嘴、摇摇头、眨眨眼等动作进行配合验证，动作活体检测方法存在以下问题：当攻击用户采用提前录制的带有上述动作的攻击视频时往往容易绕过动作活体验证。
综上所述，如何提供一种人脸活体检测方法、系统、计算机设备以及非易失性计算机可读存储介质，以准确实现人脸活体检测，对假脸进行快速拦截，并提高防御假脸攻击的能力，是目前本领域技术人员亟待解决的问题。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种可用于金融科技或其他相关领域的人脸活体检测方法、系统、计算机设备以及非易失性计算机可读存储介质，以准确实现人脸活体检测，对假脸进行快速拦截，并提高防御假脸攻击的能力。
为了达到上述目的，本发明采取了以下技术方案：
一种人脸活体检测方法，其中，包括：
采集待检测人输入的视频数据，提取所述视频数据中待检测的依次排列而组成图像序列的2D图像帧；
基于所述2D图像帧获取所述待检测人的人脸检测框；
基于所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，并将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标；
基于所述人脸关键点坐标获取所述待检测人的人脸区域；
基于所述人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号；
判断所述解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致，输出人脸活体检测结果。
在进一步的技术方案中，所述的人脸活体检测方法，其中，所述采集待检测人输入的视频数据，提取所述视频数据中待检测的依次排列而组成图像序列的2D图像帧，包括：
通过前端设备采集待检测人输入的视频数据；
提取所述视频数据中待检测的依次排列而组成炫光图像序列的2D图像帧。
在进一步的技术方案中，所述的人脸活体检测方法，其中，所述基于所述2D图像帧获取所述待检测人的人脸检测框，包括：
划定所述2D图像帧的检测区域；
基于所述检测区域从所述2D图像帧中截取得到检测区域图像；
将所述检测区域图像输入预设的人脸检测模型中进行人脸检测，输出人脸热度图、人脸尺度图以及人脸中心偏移量图；
将所述人脸热度图中大于预设阈值的点认定为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，将所述人脸坐标偏移量与所述人脸热度图中的坐标相加，得到最终人脸的中心位置，然后在所述人脸尺度图上经过指数换算计算出人脸的宽高，以得到所述待检测人的人脸检测框。
在进一步的技术方案中，所述的人脸活体检测方法，其中，所述基于所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，并将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标，包括：
对所述人脸检测框向四周进行外扩；
基于外扩后的所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像；
将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标。
在进一步的技术方案中，所述的人脸活体检测方法，其中，所述基于所述人脸关键点坐标获取所述待检测人的人脸区域，包括：
基于所述人脸关键点坐标取出所述待检测人的人脸轮廓点；
基于所述人脸轮廓点分割出所述待检测人的人脸区域。
在进一步的技术方案中，所述的人脸活体检测方法，其中，所述基于所述人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号，包括：
所述人脸区域根据所述前端设备预先下发的炫光颜色序列分别计算其R和G两个通道的均值，并分别形成两个通道的均值序列；
对两个通道的所述均值序列进行数据预处理；
对数据预处理后的所述人脸区域R通道的所述均值序列进行DCT变换得到DCT_R；
对DCT_R求DCT逆变换，求得IDCT_R；
求IDCT_R序列的极大值点和极小值点，即IDCT_R的波峰和波谷；
对IDCT_R的波峰和波谷点索引进行排序，根据排序后的索引获取G通道均值序列相应的元素得到序列G2；
所述序列G2根据阈值T输出解码序列，当所述序列G2中元素大于T，输出1，当所述序列G2中元素小于等于T，输出0，得到解码序列G3；
其中，T计算公式如下所示：
Figure BDA0004167261550000041
在进一步的技术方案中，所述的人脸活体检测方法，其中，所述判断所述解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致，输出人脸活体检测结果，包括：
判断所述解码序列G3包含的噪声颜色信号与所述前端设备预先下发的炫光颜色序列包含的噪声颜色信号是否一致；
若是，则输出人脸活体检测结果为活体；
若否，则输出人脸活体检测结果为非活体。
一种人脸活体检测系统，其中，包括：
采集提取模块，用于采集待检测人输入的视频数据，提取所述视频数据中待检测的依次排列而组成图像序列的2D图像帧；
检测框获取模块，用于基于所述2D图像帧获取所述待检测人的人脸检测框；
关键点坐标获取模块，用于基于所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，并将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标；
人脸区域获取模块，用于基于所述人脸关键点坐标获取所述待检测人的人脸区域；
计算模块，用于基于所述人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号；
判断模块，用于判断所述解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致，输出人脸活体检测结果。
一种计算机设备，其中，所述计算机设备包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器上存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行时，可实现如上述任一项所述的人脸活体检测方法。
一种非易失性计算机可读存储介质，其中，所述非易失性计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，可实现如上述任一项所述的人脸活体检测方法。
相较于现有技术，本发明提供了一种人脸活体检测方法、系统、计算机设备及存储介质，其中，所述方法包括：采集待检测人输入的视频数据，提取所述视频数据中待检测的依次排列而组成图像序列的2D图像帧；基于所述2D图像帧获取所述待检测人的人脸检测框；基于所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，并将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标；基于所述人脸关键点坐标获取所述待检测人的人脸区域；基于所述人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号；判断所述解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致，输出人脸活体检测结果。通过本发明的方法可准确实现人脸活体检测，对假脸进行快速拦截，并可提高防御假脸攻击的能力。
附图说明
为了更清楚地说明本发明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发明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的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的人脸活体检测方法的流程示意图。
图2为本发明实施例提供的人脸关键点定位网络的网络结构示意图。
图3为本发明实施例提供的人脸活体检测系统的功能模块示意图。
图4为本发明实施例提供的所述计算机设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例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用以解释本发明，并不用于限定本发明。
在本发明的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
下面结合附图，详细说明本发明的各种非限制性实施方式。
请参阅图1，本发明实施例提供了一种人脸活体检测方法，其中，所述方法包括步骤：
S100、采集待检测人输入的视频数据，提取所述视频数据中待检测的依次排列而组成图像序列的2D图像帧；
S200、基于所述2D图像帧获取所述待检测人的人脸检测框；
S300、基于所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，并将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标；
S400、基于所述人脸关键点坐标获取所述待检测人的人脸区域；
S500、基于所述人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号；
S600、判断所述解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致，输出人脸活体检测结果。
进一步地，所述的人脸活体检测方法，其中，所述步骤采集待检测人输入的视频数据，提取所述视频数据中待检测的依次排列而组成图像序列的2D图像帧，包括：
通过前端设备采集待检测人输入的视频数据；
提取所述视频数据中待检测的依次排列而组成炫光图像序列的2D图像帧。
具体实施时，本实施例中，当待检测人登录应用程序(如平安口袋银行APP)时，通过前端设备(如手机)的摄像头来采集待检测人输入的视频数据，再提取所述视频数据中待检测的依次排列而组成炫光图像序列的2D图像帧。
进一步地，所述的人脸活体检测方法，其中，所述基于所述2D图像帧获取所述待检测人的人脸检测框，包括：
划定所述2D图像帧的检测区域；
基于所述检测区域从所述2D图像帧中截取得到检测区域图像；
将所述检测区域图像输入预设的人脸检测模型中进行人脸检测，输出人脸热度图、人脸尺度图以及人脸中心偏移量图；
将所述人脸热度图中大于预设阈值的点认定为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，将所述人脸坐标偏移量与所述人脸热度图中的坐标相加，得到最终人脸的中心位置，然后在所述人脸尺度图上经过指数换算计算出人脸的宽高，以得到所述待检测人的人脸检测框。
具体实施时，本实施例中，先划定所述2D图像帧的检测区域，再基于所述检测区域从所述2D图像帧中截取得到检测区域图像，再将所述检测区域图像输入预设的人脸检测模型中进行人脸检测，输出人脸热度图、人脸尺度图以及人脸中心偏移量图，其中，将所述人脸热度图中大于预设阈值0.35的点认定为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，将所述人脸坐标偏移量与所述人脸热度图中的坐标相加，得到最终人脸的中心位置，然后在所述人脸尺度图上经过指数换算计算出人脸的宽高，以得到所述待检测人的人脸检测框，最后，还可经过非极大值抑制(NMS)剔除重复的人脸检测框。
进一步地，所述的人脸活体检测方法，其中，所述基于所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，并将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标，包括：
对所述人脸检测框向四周进行外扩；
基于外扩后的所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像；
将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标。
具体实施时，本实施例中，所述人脸关键点定位模型的生成过程为：
Ⅰ.人脸关键点定位网络设计，基于迁移学习技术，主干网络采用MobileNetV2，MobileNetV2去掉后面三层(即卷积层、平均池化层和全连接层)，并接入自定义的卷积层、多尺度卷积层和全连接层(输出为896个神经元)，网络结构如图2所示；
Ⅱ.将人脸区域训练图像进行预处理，所述预处理包括数据扩增和数据归一化处理，数据扩增包括随机补边、随机颜色抖动等操作；
Ⅲ.将人脸区域训练图像输入人脸关键点定位网络，网络896维的输出与真实值(即486个人脸关键点的x和y坐标)计算损失Loff,公式如下所示：
Figure BDA0004167261550000091
Figure BDA0004167261550000101
其中，Loff为人脸关键点坐标损失值，ok为人工标注的坐标真实值，
Figure BDA0004167261550000102
为人脸关键点定位网络预测的坐标值，N为样本总量；
Ⅳ.训练优化器Adam，超参数β1和β2分别为0.9和0.999；
Ⅴ.学习率为5e-4；
Ⅵ.重复迭代80次时降低学习率至5e-5，继续重复迭代80次，当最终损失值小于或者等于预设的阈值时，对人脸关键点定位模型的内部参数进行调整(内部参数为模型的权重、梯度等)，直到所述最终损失值大于预设的阈值时，输出标准人脸关键点定位模型。
具体实施时，本实施例中，当得到人脸关键点定位模型后，对所述人脸检测框向四周进行外扩，[x1,y1,x2,y2]为人脸检测框的坐标，其中人脸检测框的x1，x2按人脸检测框宽w的四分之一进行外扩，即
Figure BDA0004167261550000103
人脸检测框的y1，y2按人脸检测框高h的四分之一进行外扩，即
Figure BDA0004167261550000104
Figure BDA0004167261550000105
基于外扩后的人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，再将所述人脸区域图像输入上述得到的所述人脸关键点定位模型进行人脸关键点定位，输出468个人脸关键点坐标。
进一步地，所述的人脸活体检测方法，其中，所述基于所述人脸关键点坐标获取所述待检测人的人脸区域，包括：
基于所述人脸关键点坐标取出所述待检测人的人脸轮廓点；
基于所述人脸轮廓点分割出所述待检测人的人脸区域。
具体实施时，本实施例中，根据所述人脸关键点坐标取出所述待检测人的人脸轮廓点，根据所述人脸轮廓点填充255像素值生成人脸区域掩膜，其中，人脸区域掩膜与原图(2D图像帧)相乘即可分割出所述待检测人的人脸区域。
进一步地，所述的人脸活体检测方法，其中，所述基于所述人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号，包括：
所述人脸区域根据所述前端设备预先下发的炫光颜色序列分别计算其R和G两个通道的均值，并分别形成两个通道的均值序列；
对两个通道的所述均值序列进行数据预处理；
对数据预处理后的所述人脸区域R通道的所述均值序列进行DCT变换得到DCT_R；
对DCT_R求DCT逆变换，求得IDCT_R；
求IDCT_R序列的极大值点和极小值点，即IDCT_R的波峰和波谷；
对IDCT_R的波峰和波谷点索引进行排序，根据排序后的索引获取G通道均值序列相应的元素得到序列G2；
所述序列G2根据阈值T输出解码序列，当所述序列G2中元素大于T，输出1，当所述序列G2中元素小于等于T，输出0，得到解码序列G3；
其中，T计算公式如下所示：
Figure BDA0004167261550000111
具体实施时，本实施例中，所述人脸区域根据所述前端设备预先下发的炫光颜色序列(黑、红、黄颜色组合)分别计算其R和G两个通道的均值，并分别形成两个通道的均值序列；
再对两个通道的所述均值序列进行数据预处理，即对两个通道的所述均值序列进行归一化处理并让数据分布在x轴两侧，公式如下：
Figure BDA0004167261550000121
再对数据预处理后的所述人脸区域R通道的所述均值序列进行DCT变换得到DCT_R，其中，DCT变换常用于音视频信号压缩编码，将信号时域空间转换到频域空间的处理方式，对时域信号进行DCT变换得到的频域系数是许多余弦信号的幅度；
再根据R通道均值序列长度和采样率(即图像序列的帧率)反推出频率节点，频率节点基于numpy开源库的rfftfreq方法求得，再根据先验的信号频率如5Hz来确定信号分量索引index_signal；
根据index_signal只保留DCT_R该频率节点分量，其余频率节点分量置为0；
将上述处理后的DCT_R求DCT逆变换，求得IDCT_R；
求IDCT_R序列的极大值点和极小值点，即IDCT_R的波峰和波谷；
对IDCT_R的波峰和波谷点索引进行排序，然后根据排序后的索引获取G通道均值序列相应的元素得到序列G2；
所述序列G2根据阈值T输出解码序列，当所述序列G2中元素大于T，输出1，当所述序列G2中元素小于等于T，输出0，得到解码序列G3；
其中，T计算公式如下所示：
Figure BDA0004167261550000122
进一步地，所述的人脸活体检测方法，其中，所述判断所述解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致，输出人脸活体检测结果，包括：
判断所述解码序列G3包含的噪声颜色信号与所述前端设备预先下发的炫光颜色序列包含的噪声颜色信号是否一致；
若是，则输出人脸活体检测结果为活体；
若否，则输出人脸活体检测结果为非活体。
具体实施时，本实施例中，假设前端设备预先下发的颜色序列为黑红黑红黄...黑红黄，其中黄光为红光叠加了噪声绿光的结果，叠加的噪声颜色信号序列编码为S＝[0,0,0,0,1,0,0,0,0,1...]，如果解码序列G3与S相匹配，说明叠加的噪声颜色信号为绿色，则人脸为活体，反之为非活体。
由以上方法实施例可知，本发明提供的人脸活体检测方法利用用户(待检测人)在前端设备登录应用程序验证时输入的视频数据，提取视频数据中待检测的依次排列而组成炫光图像序列的2D图像帧，再通过2D图像帧来获取待检测人的人脸区域，基于人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号，最后，通过判断解码序列包含的噪声颜色信号与前端设备预先下发的炫光颜色序列包含的噪声颜色信号是否一致，来输出人脸活体检测结果，方法灵敏高效准确。通过本发明的方法可准确实现人脸活体检测，对假脸进行快速拦截，并可提高防御假脸攻击的能力。
应该理解的是，虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤，这些操作步骤并不是必然按照实施例或流程图的顺序依次执行。实施例或流程图中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。需要说明的是，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。而且，实施例或流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流、交替或者同步地执行。
基于上述实施例，请参阅图3，本发明另一实施例还提供了一种人脸活体检测系统，其中，所述系统包括：
采集提取模块11，用于采集待检测人输入的视频数据，提取所述视频数据中待检测的依次排列而组成图像序列的2D图像帧；
检测框获取模块12，用于基于所述2D图像帧获取所述待检测人的人脸检测框；
关键点坐标获取模块13，用于基于所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，并将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标；
人脸区域获取模块14，用于基于所述人脸关键点坐标获取所述待检测人的人脸区域；
计算模块15，用于基于所述人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号；
判断模块16，用于判断所述解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致，输出人脸活体检测结果。
具体实施方式见上述方法实施例，此处不再赘述。
基于上述实施例，请参阅图4，本发明另一实施例还提供了一种计算机设备，其中，所述计算机设备10包括：
存储器120以及一个或多个处理器110，图4中以一个处理器110为例进行介绍，处理器110和存储器120可以通过通信总线或者其他方式连接，图4中以通过通信总线连接为例。
处理器110用于完成计算机设备10的各种控制逻辑，其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。
存储器120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的人脸活体检测方法对应的计算机程序。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元，从而执行计算机设备10的各种功能应用以及数据处理，即实现上述方法实施例中的人脸活体检测方法。
存储器120可以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装置、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备10使用所创建的数据等。此外，存储器120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。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备10。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。
一个或者多个单元存储在存储器120中，当被一个或者多个处理器110执行时，可实现如上述任一项方法实施例中的人脸活体检测方法，例如，可实现以上描述的图1中的方法步骤S100至步骤S600。
本领域技术人员可以理解，图4中示出的硬件结构示意图，仅仅是与本发明方案相关的部分结构的示意图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多的部件，或者组合某些部件，或者具有不同的部件布置。
基于上述实施例，本发明还提供了一种非易失性计算机可读存储介质，其中，所述非易失性计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，可实现如上述任一项方法实施例中的人脸活体检测方法，例如，可实现以上描述的图1中的方法步骤S100至步骤S600。
作为示例，非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明并非限制，RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchl ink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
本发明的另一种实施例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易失性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，当所述程序指令被处理器执行时，可实现如上述任一项方法实施例中的人脸活体检测方法，例如，可实现以上描述的图1中的方法步骤S100至步骤S600。
以上所描述的实施例仅仅是示意性的，其中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。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施例的描述，本领域的技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对相关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在于计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行各个实施例或者实施例的某些部分的方法。
除了其他之外，诸如“能够”、“能”、“可能”或“可以”之类的条件语言除非另外具体地陈述或者在如所使用的上下文内以其他方式理解，否则一般地旨在传达特定实施方式能包括(然而其他实施方式不包括)特定特征、元件和/或操作。因此，这样的条件语言一般地还旨在暗示特征、元件和/或操作对于一个或多个实施方式无论如何都是需要的或者一个或多个实施方式必须包括用于在有或没有输入或提示的情况下判定这些特征、元件和/或操作是否被包括或者将在任何特定实施方式中被执行的逻辑。
已经在本文中在本说明书和附图中描述的内容包括能够提供人脸活体检测方法、系统、计算机设备以及非易失性计算机可读存储介质的示例。当然，不能够出于描述本公开的各种特征的目的来描述元件和/或方法的每个可以想象的组合，但是可以认识到，所公开的特征的许多另外的组合和置换是可能的。因此，显而易见的是，在不脱离本公开的范围或精神的情况下能够对本公开做出各种修改，但是，所有这些各种修改都应属于本发明所附权利要求的保护范围。此外，或在替代方案中，本公开的其他实施例从对本说明书和附图的考虑以及如本文中所呈现的本公开的实践中可能是显而易见的。意图是，本说明书和附图中所提出的示例在所有方面被认为是说明性的而非限制性的。尽管在本文中采用了特定术语，但是它们在通用和描述性意义上被使用并且不用于限制的目的。

Claims (10)

1.一种人脸活体检测方法，其特征在于，包括：
采集待检测人输入的视频数据，提取所述视频数据中待检测的依次排列而组成图像序列的2D图像帧；
基于所述2D图像帧获取所述待检测人的人脸检测框；
基于所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，并将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标；
基于所述人脸关键点坐标获取所述待检测人的人脸区域；
基于所述人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号；
判断所述解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致，输出人脸活体检测结果。
2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述采集待检测人输入的视频数据，提取所述视频数据中待检测的依次排列而组成图像序列的2D图像帧，包括：
通过前端设备采集待检测人输入的视频数据；
提取所述视频数据中待检测的依次排列而组成炫光图像序列的2D图像帧。
3.根据权利要求2所述的人脸活体检测方法，其特征在于，所述基于所述2D图像帧获取所述待检测人的人脸检测框，包括：
划定所述2D图像帧的检测区域；
基于所述检测区域从所述2D图像帧中截取得到检测区域图像；
将所述检测区域图像输入预设的人脸检测模型中进行人脸检测，输出人脸热度图、人脸尺度图以及人脸中心偏移量图；
将所述人脸热度图中大于预设阈值的点认定为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，将所述人脸坐标偏移量与所述人脸热度图中的坐标相加，得到最终人脸的中心位置，然后在所述人脸尺度图上经过指数换算计算出人脸的宽高，以得到所述待检测人的人脸检测框。
4.根据权利要求3所述的人脸活体检测方法，其特征在于，所述基于所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，并将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标，包括：
对所述人脸检测框向四周进行外扩；
基于外扩后的所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像；
将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标。
5.根据权利要求4所述的人脸活体检测方法，其特征在于，所述基于所述人脸关键点坐标获取所述待检测人的人脸区域，包括：
基于所述人脸关键点坐标取出所述待检测人的人脸轮廓点；
基于所述人脸轮廓点分割出所述待检测人的人脸区域。
6.根据权利要求5所述的人脸活体检测方法，其特征在于，所述基于所述人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号，包括：
所述人脸区域根据所述前端设备预先下发的炫光颜色序列分别计算其R和G两个通道的均值，并分别形成两个通道的均值序列；
对两个通道的所述均值序列进行数据预处理；
对数据预处理后的所述人脸区域R通道的所述均值序列进行DCT变换得到DCT_R；
对DCT_R求DCT逆变换，求得IDCT_R；
求IDCT_R序列的极大值点和极小值点，即IDCT_R的波峰和波谷；
对IDCT_R的波峰和波谷点索引进行排序，根据排序后的索引获取G通道均值序列相应的元素得到序列G2；
所述序列G2根据阈值T输出解码序列，当所述序列G2中元素大于T，输出1，当所述序列G2中元素小于等于T，输出0，得到解码序列G3；
其中，T计算公式如下所示：
Figure FDA0004167261530000031
7.根据权利要求6所述的人脸活体检测方法，其特征在于，所述判断所述解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致，输出人脸活体检测结果，包括：
判断所述解码序列G3包含的噪声颜色信号与所述前端设备预先下发的炫光颜色序列包含的噪声颜色信号是否一致；
若是，则输出人脸活体检测结果为活体；
若否，则输出人脸活体检测结果为非活体。
8.一种人脸活体检测系统，其特征在于，包括：
采集提取模块，用于采集待检测人输入的视频数据，提取所述视频数据中待检测的依次排列而组成图像序列的2D图像帧；
检测框获取模块，用于基于所述2D图像帧获取所述待检测人的人脸检测框；
关键点坐标获取模块，用于基于所述人脸检测框从所述2D图像帧上截取所述待检测人的人脸区域图像，并将所述人脸区域图像输入预先训练好的人脸关键点定位模型进行人脸关键点定位，以获取所述待检测人的人脸关键点坐标；
人脸区域获取模块，用于基于所述人脸关键点坐标获取所述待检测人的人脸区域；
计算模块，用于基于所述人脸区域R和G两个通道均值序列的DCT变换和DCT逆变换计算解码序列包含的噪声颜色信号；
判断模块，用于判断所述解码序列包含的噪声颜色信号与预先下发的噪声颜色信号是否一致，输出人脸活体检测结果。
9.一种计算机设备，其特征在于，所述计算机设备包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器上存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行时，可实现如权利要求1-7任一项所述的人脸活体检测方法。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，可实现如权利要求1-7任一项所述的人脸活体检测方法。
CN202310367329.0A 2023-04-07 2023-04-07 人脸活体检测方法、系统、计算机设备及存储介质 Pending CN116403261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310367329.0A CN116403261A (zh) 2023-04-07 2023-04-07 人脸活体检测方法、系统、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310367329.0A CN116403261A (zh) 2023-04-07 2023-04-07 人脸活体检测方法、系统、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN116403261A true CN116403261A (zh) 2023-07-07

Family

ID=87009897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310367329.0A Pending CN116403261A (zh) 2023-04-07 2023-04-07 人脸活体检测方法、系统、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116403261A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118787344A (zh) * 2024-09-12 2024-10-18 杭州网之易创新科技有限公司 病患的身体运动检测方法及装置、计算机可读存储介质及设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030040680A (ko) * 2001-11-15 2003-05-23 삼성에스디에스 주식회사 얼굴 검출 방법 및 그 장치
CN105320947A (zh) * 2015-11-04 2016-02-10 博宏信息技术有限公司 一种基于光照成分的人脸活体检测方法
CN107832712A (zh) * 2017-11-13 2018-03-23 深圳前海微众银行股份有限公司 活体检测方法、装置和计算机可读存储介质
CN107992794A (zh) * 2016-12-30 2018-05-04 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
CN110969077A (zh) * 2019-09-16 2020-04-07 成都恒道智融信息技术有限公司 一种基于颜色变化的活体检测方法
CN111241919A (zh) * 2019-12-27 2020-06-05 深圳市宁远电子科技有限公司 一种结合光验证码的人脸活体检测方法和系统
CN113361349A (zh) * 2021-05-25 2021-09-07 北京百度网讯科技有限公司 人脸活体检测方法、装置、电子设备和存储介质
CN113408403A (zh) * 2018-09-10 2021-09-17 创新先进技术有限公司 活体检测方法、装置和计算机可读存储介质
CN114445898A (zh) * 2022-01-29 2022-05-06 北京百度网讯科技有限公司 人脸活体检测方法、装置、设备、存储介质及程序产品
CN114724071A (zh) * 2022-04-18 2022-07-08 北京市商汤科技开发有限公司 信息检测方法、装置、电子设备及存储介质
CN115147936A (zh) * 2022-05-16 2022-10-04 北京旷视科技有限公司 一种活体检测方法、电子设备、存储介质及程序产品
CN115546874A (zh) * 2022-11-03 2022-12-30 平安银行股份有限公司 一种人脸活体检测方法及系统
CN115761867A (zh) * 2022-12-20 2023-03-07 平安银行股份有限公司 基于人脸图像的身份检测方法、装置、介质及设备
US20230091381A1 (en) * 2021-09-17 2023-03-23 Jumio Corporation Spoof detection using eye boundary analysis

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030040680A (ko) * 2001-11-15 2003-05-23 삼성에스디에스 주식회사 얼굴 검출 방법 및 그 장치
CN105320947A (zh) * 2015-11-04 2016-02-10 博宏信息技术有限公司 一种基于光照成分的人脸活体检测方法
CN107992794A (zh) * 2016-12-30 2018-05-04 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
CN107832712A (zh) * 2017-11-13 2018-03-23 深圳前海微众银行股份有限公司 活体检测方法、装置和计算机可读存储介质
CN113408403A (zh) * 2018-09-10 2021-09-17 创新先进技术有限公司 活体检测方法、装置和计算机可读存储介质
CN110969077A (zh) * 2019-09-16 2020-04-07 成都恒道智融信息技术有限公司 一种基于颜色变化的活体检测方法
CN111241919A (zh) * 2019-12-27 2020-06-05 深圳市宁远电子科技有限公司 一种结合光验证码的人脸活体检测方法和系统
CN113361349A (zh) * 2021-05-25 2021-09-07 北京百度网讯科技有限公司 人脸活体检测方法、装置、电子设备和存储介质
US20230091381A1 (en) * 2021-09-17 2023-03-23 Jumio Corporation Spoof detection using eye boundary analysis
CN114445898A (zh) * 2022-01-29 2022-05-06 北京百度网讯科技有限公司 人脸活体检测方法、装置、设备、存储介质及程序产品
CN114724071A (zh) * 2022-04-18 2022-07-08 北京市商汤科技开发有限公司 信息检测方法、装置、电子设备及存储介质
CN115147936A (zh) * 2022-05-16 2022-10-04 北京旷视科技有限公司 一种活体检测方法、电子设备、存储介质及程序产品
CN115546874A (zh) * 2022-11-03 2022-12-30 平安银行股份有限公司 一种人脸活体检测方法及系统
CN115761867A (zh) * 2022-12-20 2023-03-07 平安银行股份有限公司 基于人脸图像的身份检测方法、装置、介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张宇: "基于差分和肤色图像的人脸检测算法", 电子科技大学学报, no. 04, 25 August 2005 (2005-08-25), pages 67 - 70 *
马思源;郑涵;郭文;: "应用深度光学应变特征图的人脸活体检测", 中国图象图形学报, no. 03, 16 March 2020 (2020-03-16), pages 204 - 214 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118787344A (zh) * 2024-09-12 2024-10-18 杭州网之易创新科技有限公司 病患的身体运动检测方法及装置、计算机可读存储介质及设备

Similar Documents

Publication Publication Date Title
CN110574077B (zh) 利用虚拟三维深层神经网络的影像分析装置及方法
CN111723714B (zh) 识别人脸图像真伪的方法、装置及介质
CN109754391B (zh) 一种图像质量评价方法、装置及电子设备
CN112132741B (zh) 一种人脸照片图像和素描图像的转换方法及系统
CN110246084B (zh) 一种超分辨率图像重构方法及其系统、装置、存储介质
CN111914997A (zh) 训练神经网络的方法、图像处理方法及装置
CN107993071A (zh) 电子装置、基于声纹的身份验证方法及存储介质
CN103279936A (zh) 基于画像的人脸伪照片自动合成及修正方法
WO2018176281A1 (zh) 一种素描图像的生成方法及装置
CN115546874A (zh) 一种人脸活体检测方法及系统
Dastmalchi et al. Super-resolution of very low-resolution face images with a wavelet integrated, identity preserving, adversarial network
Su et al. Enhanced state selection Markov model for image splicing detection
Mairgiotis et al. New additive watermark detectors based on a hierarchical spatially adaptive image model
CN113554047B (zh) 图像处理模型的训练方法、图像处理方法及对应的装置
CN116403261A (zh) 人脸活体检测方法、系统、计算机设备及存储介质
CN116229555A (zh) 基于神经网络的人脸分类方法、装置、设备和存储介质
CN115909512A (zh) 基于口型识别的活体检测方法、装置、系统及存储介质
CN113095310B (zh) 人脸位置检测方法、电子设备和存储介质
CN115631112A (zh) 一种基于深度学习的建筑轮廓矫正方法及装置
Viswanathan et al. Fingerprint enhancement and compression method using Morlet wavelet
CN112102183B (zh) 稀疏处理方法、装置及设备
CN117786682B (zh) 基于增强框架的物理对抗攻击方法、装置、设备及介质
CN116363263B (zh) 图像编辑方法、系统、电子设备、存储介质
US20240119926A1 (en) Voice data processing methods and apparatuses, and voice intention understanding methods and systems
CN107423677A (zh) 一种基于局部边缘梯度Gabor幅度的脸部图描述方法

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