CN113673382B - 一种人脸图像聚类中非活体过滤的方法、装置、介质 - Google Patents

Abstract

本发明提出了一种人脸图像聚类中非活体过滤的方法、装置及存储介质，该方法包括：分组步骤S101，对聚类后的人脸图像根据摄像头的ID进行分组，其中n≥2；计算步骤S102，针对每一个分组计算所有人脸图像位置的区域及该区域对应的多边形面积，以及该分组对应的摄像头视野面积；过滤步骤S103，基于该区域对应的多边形面积及该分组对应的摄像头视野面积确定采集的人脸图像是否为非活体，如果是，则将非活体的人脸图像删除。本发明创造性的提出了基于人脸出现的区域的面积及摄像头的视野面积进行非活体的识别，识别方法简单可靠，无需增加硬件设备，也不需要被识别人的配合，且识别率较高，满足了工程需要。

Description

一种人脸图像聚类中非活体过滤的方法、装置、介质

技术领域

本发明涉及人工智能技术领域，具体涉及一种人脸图像聚类中非活体过滤的方法、装置、介质。

背景技术

目前活体检测主要分为三种，分别是配合式活体检测、静默活体检测、双目活体检测。配合式活体检测需要用户按系统要求指令做出相应动作完成检测。静默活体检测一般需要用户一段时间连续的视频拍摄，现代方法一般利用深度学习网络完成判断。双目活体检测利用除可见光视觉以外其它生物信息(如近红外、深度结构信息等)，对异质人脸信息进行关联判断，有效区别出真实人脸和其它攻击方式的不同。

但是，安防场景下的大规模人脸聚类，把通过城市中众多摄像头捕捉到的人脸进行归档聚类。这时各种视频、平面广告上的非真实人脸就会影响最终档案呈现效果，需要判断非活体并过滤。当前常见的上述三种方法，配合式活体检测需要与被检测者互动，难以实现；静默活体检测对复杂场景的适应性一般，泛化性不好；双目活体检测需要额外设备，且一般需要接近被检测者，无法适用街景摄像头这种部署在高处的场景。因此，如何高效地进行特定场景下的非活体人脸过滤是人工智能检测中的一个技术难题。

发明内容

本发明针对上述现有技术中一个或多个技术缺陷，提出了如下技术方案。

一种人脸图像聚类中非活体过滤的方法，该方法包括：

分组步骤，对聚类后的人脸图像根据摄像头的ID进行分组，其中n≥2；

计算步骤，针对每一个分组计算所有人脸图像位置的区域及该区域对应的多边形面积，以及该分组对应的摄像头视野面积；

过滤步骤，基于该区域对应的多边形面积及该分组对应的摄像头视野面积确定采集的人脸图像是否为非活体，如果是，则将非活体的人脸图像删除。

更进一步地，在所述分组步骤中，判断聚类后的一个簇中的人脸图像数量是否超过第一阈值a，如果是，则将该簇中的人脸根据摄像头的ID进行分组，分组后的同一组中的人脸图像为同一个摄像头所采集。

更进一步地，在所述计算步骤中，对于每个分组，获取该分组中所有人脸图像中的人脸位置，计算出包含所有人脸位置的区域c及该组中所有人脸的多边形面积b，并计算出该分组对应的摄像头视野面积d。

更进一步地，在所述过滤步骤中，对于每个分组，获取同一人的人脸图像出现的所有时间，并基于时间进行排序，如果两张人脸图像拍摄时间间隔小于时间间隔阈值e，则将该两张人脸图像拍摄时间间隔加入到此人在该摄像头连续出现的时间f；对于每个分组，如果b/d>g且f>h，则认定区域c为此摄像头的非活体出现区域，且分组中的人脸图像判定为非活体的图像，将非活体的人脸图像删除，其中，g为比例阈值，h为第一时间阈值。

更进一步地，所述方法还包括更新步骤：对于计算出的每个摄像头的所有非活体出现区域c，计算所有非活体出现区域c的并集i，并用并集i更新每一个摄像头现有的非活体出现区域c得到更新后的非活体出现区域，并记录更新时间k；对于每个摄像头，过滤出现在更新后的非活体出现区域中的人脸图像，即不再对该人脸图像进行聚类；对于每个摄像头，如果更新时间k距离当前超过第二时间阈值l，则将更新后的非活体出现区域置为0。

本发明还提出了一种人脸图像聚类中非活体过滤的装置，该装置包括：

分组单元，对聚类后的人脸图像根据摄像头的ID进行分组，其中n≥2；

计算单元，针对每一个分组计算所有人脸图像位置的区域及该区域对应的多边形面积，以及该分组对应的摄像头视野面积；

过滤单元，基于该区域对应的多边形面积及该分组对应的摄像头视野面积确定采集的人脸图像是否为非活体，如果是，则将非活体的人脸图像删除。

更进一步地，在所述分组单元中，判断聚类后的一个簇中的人脸图像数量是否超过第一阈值a，如果是，则将该簇中的人脸根据摄像头的ID进行分组，分组后的同一组中的人脸图像为同一个摄像头所采集。

更进一步地，在所述计算单元中，对于每个分组，获取该分组中所有人脸图像中的人脸位置，计算出包含所有人脸位置的区域c及该组中所有人脸的多边形面积b，并计算出该分组对应的摄像头视野面积d。

更进一步地，在所述过滤单元中，对于每个分组，获取同一人的人脸图像出现的所有时间，并基于时间进行排序，如果两张人脸图像拍摄时间间隔小于时间间隔阈值e，则将该两张人脸图像拍摄时间间隔加入到此人在该摄像头连续出现的时间f；对于每个分组，如果b/d>g且f>h，则认定区域c为此摄像头的非活体出现区域，且分组中的人脸图像判定为非活体的图像，将非活体的人脸图像删除，其中，g为比例阈值，h为第一时间阈值。

更进一步地，所述装置还包括更新单元：对于计算出的每个摄像头的所有非活体出现区域c，计算所有非活体出现区域c的并集i，并用并集i更新每一个摄像头现有的非活体出现区域c得到更新后的非活体出现区域，并记录更新时间k；对于每个摄像头，过滤出现在更新后的非活体出现区域中的人脸图像，即不再对该人脸图像进行聚类；对于每个摄像头，如果更新时间k距离当前超过第二时间阈值l，则将更新后的非活体出现区域置为0。

本发明还提出了一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行上述之任一的方法。

本发明的技术效果在于：本发明的一种人脸图像聚类中非活体过滤的方法、装置及存储介质，该方法包括：分组步骤S101，对聚类后的人脸图像根据摄像头的ID进行分组，其中n≥2；计算步骤S102，针对每一个分组计算所有人脸图像位置的区域及该区域对应的多边形面积，以及该分组对应的摄像头视野面积；过滤步骤S103，基于该区域对应的多边形面积及该分组对应的摄像头视野面积确定采集的人脸图像是否为非活体，如果是，则将非活体的人脸图像删除。本发明创造性的提出了基于人脸出现的区域的面积及摄像头的视野面积进行非活体的识别，识别方法简单可靠，无需增加硬件设备，也不需要被识别人的配合，且识别率较高，满足了工程需要，本发明的原理是，由于非活体不会移动，同一采集的该非活体的人脸图像较多，因此，所有人脸的总面积较大，且本发明创造性的增加了时间阈值，即统计所有相邻两张人脸图像的拍摄时间小于时间间隔阈值e的时间间隔总和，将其与面积一起用于非活体的识别，进一步提高识别准确率，本发明中，创造性提出了将聚类后的一个簇中人脸图像基于摄像的ID进行分组，也就是说，非活体的人脸基本上不会被其他摄像头捕获，因此，提高非活体人脸识别的效率，由于每个分组中的人脸为同一人，非活体由于不会移动，每个人脸都会出现，因此，区域相对固定，并计算出每一个人脸的面积，对所有人脸的面积求和后得到b，用于后续的非活体识别，以提高识别的准确率。本发明设置了更新操作，即将所有摄像头的非活体出现区域求并集后作为整体的非活体区域，使用其更新每个摄像头的非活体出现区域，从而，在后续拍摄记录中，如果摄像头拍摄到该区域内的人脸图像，则直接过滤掉，避免后续的聚类等操作，节约了计算资源，为了防止误过滤，设置了更新时间阈值，即超时后需要重新计算非活体区域，保证了非活体识别的准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。

图1是根据本发明的实施例的一种人脸图像聚类中非活体过滤的方法的流程图。

图2是根据本发明的实施例的一种人脸图像聚类中非活体过滤的装置的结构图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了本发明的一种人脸图像聚类中非活体过滤的方法，该方法包括：

分组步骤S101，对聚类后的人脸图像根据摄像头的ID进行分组，其中n≥2；

计算步骤S102，针对每一个分组计算所有人脸图像位置的区域及该区域对应的多边形面积，以及该分组对应的摄像头视野面积；

过滤步骤S103，基于该区域对应的多边形面积及该分组对应的摄像头视野面积确定采集的人脸图像是否为非活体，如果是，则将非活体的人脸图像删除。

本发明是应用于大规模人脸聚类场景下的非活体过滤，比如布设多个摄像头的火车站、汽车站、机场等人员密集的场所，多个摄像头采集的人脸图像数量非常大。在本发明创造性的提出了基于人脸出现的区域的面积及摄像头的视野面积进行非活体的识别，识别方法简单可靠，无需增加硬件设备，也不需要被识别人的配合，且识别率较高，满足了工程需要，这是本发明的一个重要发明点。

在一个实施例中，在所述分组步骤S101中，判断聚类后的一个簇中的人脸图像数量是否超过第一阈值a，如果是，则将该簇中的人脸根据摄像头的ID进行分组，分组后的同一组中的人脸图像为同一个摄像头所采集。人脸图像的聚类算法可以采用现有的聚类算法，等等，本发明中，创造性提出了将聚类后的一个簇中人脸图像基于摄像的ID进行分组，也就是说，非活体的人脸基本上不会被其他摄像头捕获，因此，提高非活体人脸识别的效率，这是本发明的重要发明点之另一。

在一个实施例中，在所述计算步骤S102中，对于每个分组，获取该分组中所有人脸图像中的人脸位置，计算出包含所有人脸位置的区域c及该组中所有人脸的多边形面积b，并计算出该分组对应的摄像头视野面积d。由于每个分组中的人脸为同一人，非活体由于不会移动，每个人脸都会出现，因此，区域相对固定，并计算出每一个人脸的面积，对所有人脸的面积求和后得到b，用于后续的非活体识别，以提高识别的准确率，这是本发明的另一个重要发明点。

在一个实施例中，在所述过滤步骤S103中，对于每个分组，获取同一人的人脸图像出现的所有时间，并基于时间进行排序，如果两张人脸图像拍摄时间间隔小于时间间隔阈值e，则将该两张人脸图像拍摄时间间隔加入到此人在该摄像头连续出现的时间f；对于每个分组，如果b/d>g且f>h，则认定区域c为此摄像头的非活体出现区域，且分组中的人脸图像判定为非活体的图像，将非活体的人脸图像删除，其中，g为比例阈值，h为第一时间阈值。

本发明的原理是，由于非活体不会移动，同一采集的该非活体的人脸图像较多，因此，所有人脸的总面积较大，且本发明创造性的增加了时间阈值，即统计所有相邻两张人脸图像的拍摄时间小于时间间隔阈值e的时间间隔总和，将其与面积一起用于非活体的识别，进一步提高识别准确率，这是本发明的另一个重要发明点。

在一个实施例，所述方法还包括更新步骤S104：对于计算出的每个摄像头的所有非活体出现区域c，计算所有非活体出现区域c的并集i，并用并集i更新每一个摄像头现有的非活体出现区域c得到更新后的非活体出现区域，并记录更新时间k；对于每个摄像头，过滤出现在更新后的非活体出现区域中的人脸图像，即不再对该人脸图像进行聚类；对于每个摄像头，如果更新时间k距离当前超过第二时间阈值l，则将更新后的非活体出现区域置为0。

本发明设置了更新操作，即将所有摄像头的非活体出现区域求并集后作为整体的非活体区域，使用其更新每个摄像头的非活体出现区域，从而，在后续拍摄记录中，如果摄像头拍摄到该区域内的人脸图像，则直接过滤掉，避免后续的聚类等操作，节约了计算资源，为了防止误过滤，设置了更新时间阈值，即超时后需要重新计算非活体区域，保证了非活体识别的准确度，这是本发明的另一个重要发明点。

本发明的上述各种阈值，比如时间阈值，等等，都可以通过机器学习，如卷积神经网络，通过采集的大数据确定。

图2示出了本发明的一种人脸图像聚类中非活体过滤的装置，该装置包括：

分组单元201，对聚类后的人脸图像根据摄像头的ID进行分组，其中n≥2；

计算单元202，针对每一个分组计算所有人脸图像位置的区域及该区域对应的多边形面积，以及该分组对应的摄像头视野面积；

过滤单元203，基于该区域对应的多边形面积及该分组对应的摄像头视野面积确定采集的人脸图像是否为非活体，如果是，则将非活体的人脸图像删除。

本发明是应用于大规模人脸聚类场景下的非活体过滤，比如布设多个摄像头的火车站、汽车站、机场等人员密集的场所，多个摄像头采集的人脸图像数量非常大。在本发明创造性的提出了基于人脸出现的区域的面积及摄像头的视野面积进行非活体的识别，识别方法简单可靠，无需增加硬件设备，也不需要被识别人的配合，且识别率较高，满足了工程需要，这是本发明的一个重要发明点。

在一个实施例中，在所述分组单元201中，判断聚类后的一个簇中的人脸图像数量是否超过第一阈值a，如果是，则将该簇中的人脸根据摄像头的ID进行分组，分组后的同一组中的人脸图像为同一个摄像头所采集。人脸图像的聚类算法可以采用现有的聚类算法，等等，本发明中，创造性提出了将聚类后的一个簇中人脸图像基于摄像的ID进行分组，也就是说，非活体的人脸基本上不会被其他摄像头捕获，因此，提高非活体人脸识别的效率，这是本发明的重要发明点之另一。

在一个实施例中，在所述计算单元202中，对于每个分组，获取该分组中所有人脸图像中的人脸位置，计算出包含所有人脸位置的区域c及该组中所有人脸的多边形面积b，并计算出该分组对应的摄像头视野面积d。由于每个分组中的人脸为同一人，非活体由于不会移动，每个人脸都会出现，因此，区域相对固定，并计算出每一个人脸的面积，对所有人脸的面积求和后得到b，用于后续的非活体识别，以提高识别的准确率，这是本发明的另一个重要发明点。

在一个实施例中，在所述过滤单元203中，对于每个分组，获取同一人的人脸图像出现的所有时间，并基于时间进行排序，如果两张人脸图像拍摄时间间隔小于时间间隔阈值e，则将该两张人脸图像拍摄时间间隔加入到此人在该摄像头连续出现的时间f；对于每个分组，如果b/d>g且f>h，则认定区域c为此摄像头的非活体出现区域，且分组中的人脸图像判定为非活体的图像，将非活体的人脸图像删除，其中，g为比例阈值，h为第一时间阈值。

本发明的原理是，由于非活体不会移动，同一采集的该非活体的人脸图像较多，因此，所有人脸的总面积较大，且本发明创造性的增加了时间阈值，即统计所有相邻两张人脸图像的拍摄时间小于时间间隔阈值e的时间间隔总和，将其与面积一起用于非活体的识别，进一步提高识别准确率，这是本发明的另一个重要发明点。

在一个实施例，所述方法还包括更新单元204：对于计算出的每个摄像头的所有非活体出现区域c，计算所有非活体出现区域c的并集i，并用并集i更新每一个摄像头现有的非活体出现区域c得到更新后的非活体出现区域，并记录更新时间k；对于每个摄像头，过滤出现在更新后的非活体出现区域中的人脸图像，即不再对该人脸图像进行聚类；对于每个摄像头，如果更新时间k距离当前超过第二时间阈值l，则将更新后的非活体出现区域置为0。

本发明设置了更新操作，即将所有摄像头的非活体出现区域求并集后作为整体的非活体区域，使用其更新每个摄像头的非活体出现区域，从而，在后续拍摄记录中，如果摄像头拍摄到该区域内的人脸图像，则直接过滤掉，避免后续的聚类等操作，节约了计算资源，为了防止误过滤，设置了更新时间阈值，即超时后需要重新计算非活体区域，保证了非活体识别的准确度，这是本发明的另一个重要发明点。

本发明的上述各种阈值，比如时间阈值，等等，都可以通过机器学习，如卷积神经网络，通过采集的大数据确定。

本发明的为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的装置。

最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种人脸图像聚类中非活体过滤的方法，其特征在于，该方法包括：

分组步骤，对聚类后的人脸图像根据摄像头的ID进行分组，其中n≥2；

计算步骤，针对每一个分组计算所有人脸图像位置的区域及该区域对应的多边形面积，以及该分组对应的摄像头视野面积；

过滤步骤，基于该区域对应的多边形面积及该分组对应的摄像头视野面积确定采集的人脸图像是否为非活体，如果是，则将非活体的人脸图像删除；

在所述计算步骤中，对于每个分组，获取该分组中所有人脸图像中的人脸位置，计算出包含所有人脸位置的区域c及该组中所有人脸的多边形面积b，并计算出该分组对应的摄像头视野面积d；

在所述过滤步骤中，对于每个分组，获取同一人的人脸图像出现的所有时间，并基于时间进行排序，如果两张人脸图像拍摄时间间隔小于时间间隔阈值e，则将该两张人脸图像拍摄时间间隔加入到此人在该摄像头连续出现的时间f；对于每个分组，如果b/d > g且f >h，则认定区域c为此摄像头的非活体出现区域，且分组中的人脸图像判定为非活体的图像，将非活体的人脸图像删除，其中，g为比例阈值，h为第一时间阈值。

2.根据权利要求1所述的方法，其特征在于，在所述分组步骤中，判断聚类后的一个簇中的人脸图像数量是否超过第一阈值a，如果是，则将该簇中的人脸根据摄像头的ID进行分组，分组后的同一组中的人脸图像为同一个摄像头所采集。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括更新步骤：对于计算出的每个摄像头的所有非活体出现区域c，计算所有非活体出现区域c的并集i，并用并集i更新每一个摄像头现有的非活体出现区域c得到更新后的非活体出现区域，并记录更新时间k；对于每个摄像头，过滤出现在更新后的非活体出现区域中的人脸图像，即不再对该人脸图像进行聚类；对于每个摄像头，如果更新时间k距离当前超过第二时间阈值l，则将更新后的非活体出现区域置为0。

4.一种人脸图像聚类中非活体过滤的装置，其特征在于，该装置包括：

分组单元，对聚类后的人脸图像根据摄像头的ID进行分组，其中n≥2；

计算单元，针对每一个分组计算所有人脸图像位置的区域及该区域对应的多边形面积，以及该分组对应的摄像头视野面积；

过滤单元，基于该区域对应的多边形面积及该分组对应的摄像头视野面积确定采集的人脸图像是否为非活体，如果是，则将非活体的人脸图像删除；

在所述计算单元中，对于每个分组，获取该分组中所有人脸图像中的人脸位置，计算出包含所有人脸位置的区域c及该组中所有人脸的多边形面积b，并计算出该分组对应的摄像头视野面积d；

在所述过滤单元中，对于每个分组，获取同一人的人脸图像出现的所有时间，并基于时间进行排序，如果两张人脸图像拍摄时间间隔小于时间间隔阈值e，则将该两张人脸图像拍摄时间间隔加入到此人在该摄像头连续出现的时间f；对于每个分组，如果b/d > g且f >h，则认定区域c为此摄像头的非活体出现区域，且分组中的人脸图像判定为非活体的图像，将非活体的人脸图像删除，其中，g为比例阈值，h为第一时间阈值。

5.根据权利要求4所述的装置，其特征在于，在所述分组单元中，判断聚类后的一个簇中的人脸图像数量是否超过第一阈值a，如果是，则将该簇中的人脸根据摄像头的ID进行分组，分组后的同一组中的人脸图像为同一个摄像头所采集。

6.根据权利要求4所述的装置，其特征在于，所述装置还包括更新单元：对于计算出的每个摄像头的所有非活体出现区域c，计算所有非活体出现区域c的并集i，并用并集i更新每一个摄像头现有的非活体出现区域c得到更新后的非活体出现区域，并记录更新时间k；对于每个摄像头，过滤出现在更新后的非活体出现区域中的人脸图像，即不再对该人脸图像进行聚类；对于每个摄像头，如果更新时间k距离当前超过第二时间阈值l，则将更新后的非活体出现区域置为0。

7.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，当所述计算机程序被处理器执行时以实现权利要求1-3任一项所述的方法。

Images