双目活体检测摄像头,人脸识别SDK,红外活体算法

近红外人脸活体检测算法​主要是基于光流法而实现,无需指令配合,检测成功率较高。根据光流法,利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”,从图像序列中得到各个像素点的运行信息,采用高斯差分滤波器、LBP特征和支持向量机进行数据统计分析。同时,光流场对物体运动比较敏感,利用光流场可以统一检测眼球移动和眨眼。这种活体检测方式可以在用户无配合的情况下实现盲测。

  

  近红外人脸活体检测算法主要是基于光流法而实现,无需指令配合,检测成功率较高。根据光流法,利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”,从图像序列中得到各个像素点的运行信息,采用高斯差分滤波器、LBP特征和支持向量机进行数据统计分析。同时,光流场对物体运动比较敏感,利用光流场可以统一检测眼球移动和眨眼。这种活体检测方式可以在用户无配合的情况下实现盲测。

  近红外人脸活体检测效果图

红外人脸活体检测算法 

活体

红外人脸活体检测算法

照片


  由以上两张对比图可以看出,活体的光流特征,显示为不规则的向量特征,而照片的光流特征,则是规则有序的向量特征,以此即可区分活体和照片。


  3D人脸检活

 

红外人脸活体检测算法

  我们利用3D摄像头拍摄人脸,得到相应的人脸区域的3D数据,并基于这些数据做进一步的分析, 最终判断出这个人脸是来自活体还是非活体。这里非活体的来源是比较广泛的,包括手机和Pad等介质的照片和视频、各种打印的不同材质的照片(这里包含各种情形的弯曲、折叠、剪裁、挖洞等情形)等。

  我们基于活体和非活体的3D人脸数据,选择最具有区分度的特征来训练分类器,利用训练好的分类器来区分活体和非活体。特征的选择是至关重要的,这里我们选择的特征既包含了全局的信息,也包含了局部的信息,这样的特征有利于算法的稳定性和鲁棒性。

  下面是3D人脸检活原理的几个步骤:

  · 首先,我们提取了活体和非活体人脸区域的256个特征点的三维信息,并对这些点之间的几何结构关系进行了初部的分析处理;

  · 其次,我们提取了整个人脸区域的三维信息,并对相应的特征点做进一步的处理,再采用协调训练Co-training的方法训练了正负样本数据,之后利用得到的分类器进行了初分类;

  · 最后,利用以上两个步骤所提取的特征点进行曲面的拟合来描述三维模型特征,然后根据曲面的曲率从深度图像中提取凸起区域,再对每个区域提取EGI特征,最后利用其球形相关度进行再分类识别。

  详细人脸识别SDK开发文档可联系在线客服获取,也可了解我司的单目可见光活体检测