真实人脸的识别方法与真实人脸的识别装置

摘要

本发明提供一种真实人脸的识别方法与真实人脸的识别装置。所述方法包括：获得目标人脸的脸部图像；获得所述脸部图像中的目标区域的深度信息；分析所述深度信息以获得与二次曲线相关的至少一特征值，其中所述二次曲线反映所述目标区域的深度分布状态；判断所述至少一特征值是否符合预设条件；若所述至少一特征值符合所述预设条件，判定所述目标人脸为照片中的人脸；以及若所述至少一特征值不符合所述预设条件，判定所述目标人脸为真实人脸。

说明书

技术领域

本发明涉及一种图像识别技术，尤其涉及一种真实人脸的识别方法与真实人脸的识别装置。

背景技术

随着科技的进步，使用人脸识别技术来进行电子装置的登入认证也越来越普及。使用者只要将脸部呈现在电子装置的镜头前，就可以直接通过脸部验证机制来进行登入。然而，某些不肖份子可能会使用网络上下载的照片或真实用户的照片来进行脸部扫描，以尝试登入其他人的电子装置。因此，如何提高登入验证过程中对于真实人脸的识别效率，实为本领域技术人员所致力研究可课题之一。

发明内容

本发明提供一种真实人脸的识别方法与真实人脸的识别装置，可有效提高识别镜头前的人脸为真实人脸或照片中的人脸的识别效率。

本发明的实施例提供一种真实人脸的识别方法，其包括：获得目标人脸的脸部图像；获得所述脸部图像中的目标区域的深度信息；分析所述深度信息以获得与二次曲线相关的至少一特征值，其中所述二次曲线反映所述目标区域的深度分布状态；判断所述至少一特征值是否符合预设条件；若所述至少一特征值符合所述预设条件，判定所述目标人脸为照片中的人脸；以及若所述至少一特征值不符合所述预设条件，判定所述目标人脸为真实人脸。

本发明的实施例另提供一种真实人脸的识别装置，其包括深度摄像机与处理器。所述处理器连接至所述深度摄像机。所述处理器用以通过所述深度摄像机获得目标人脸的脸部图像。所述处理器还用以获得所述脸部图像中的目标区域的深度信息。所述处理器还用以分析所述深度信息以获得与二次曲线相关的至少一特征值。所述二次曲线反映所述目标区域的深度分布状态。所述处理器还用以判断所述至少一特征值是否符合预设条件。若所述至少一特征值符合所述预设条件，所述处理器还用以判定所述目标人脸为照片中的人脸。若所述至少一特征值不符合所述预设条件，所述处理器还用以判定所述目标人脸为真实人脸。

基于上述，在获得目标人脸的脸部图像时，可一并获得所述脸部图像中的目标区域的深度信息。通过分析所述深度信息，可获得与一个二次曲线相关的至少一特征值，且所述二次曲线可反映所述目标区域的深度分布状态。接着，通过判断所述至少一特征值是否符合预设条件，可有效识别所述目标人脸为真实人脸或照片中的人脸。藉此，可有效提高识别镜头前的人脸为真实人脸或照片中的人脸的识别效率。

附图说明

包含附图以便进一步理解本发明，且附图并入本说明书中并构成本说明书的一部分。附图说明本发明的实施例，并与描述一起用于解释本发明的原理。

图1是根据本发明的一实施例所示出的电子装置的示意图；

图2是根据本发明的一实施例所示出的人脸图像的示意图；

图3是根据本发明的一实施例所示出的目标区域的示意图；

图4是根据本发明的一实施例所示出的反映深度分布状态的曲线的示意图；

图5是根据本发明的一实施例所示出的二次曲线的示意图；

图6是根据本发明的一实施例所示出的真实人脸的识别方法的流程图。

附图标号说明

10：电子装置；

11：深度摄像机；

12：存储装置；

13：处理器；

101：深度学习模型；

21：人脸图像；

22：目标人脸；

201～205：参考点；

301～306：线段；

401～406：曲线；

501：二次曲线；

S601～S606：步骤。

具体实施方式

现将详细地参考本发明的示范性实施例，示范性实施例的实例说明于附图中。只要有可能，相同元件符号在附图和描述中用来表示相同或相似部分。

图1是根据本发明的一实施例所示出的电子装置的示意图。请参照图1，电子装置(亦称为真实人脸的识别装置)10可为笔记本电脑、台式电脑、平板电脑、智能手机、游戏机或信息服务站(Kiosk)等各式具备深度摄像机与处理器的电子装置，且电子装置10的类型不限于上述。

电子装置10包括深度摄像机11、存储装置12及处理器13。深度摄像机11可用以拍摄带有深度信息的图像。例如，当深度摄像机11的镜头前存在人脸(亦称为目标人脸)时，所拍摄的图像可为人脸图像且此人脸图像中的至少一个像素点可带有相应位置的深度信息。例如，深度摄像机11可包括至少一个镜头、至少一个感光元件和/或至少一个深度传感器，以完成上述功能。

存储装置12用以存储数据。例如，存储装置12可包括非易失性存储器模块与易失性存储器模块。非易失性存储器模块可用以非易失性地存储数据。例如，非易失性存储器模块可包括只读存储器(ROM)、固态硬盘(SSD)和/或传统硬盘(HDD)。易失性存储器模块可用以暂时地存储数据。例如，易失性存储器模块可包括动态随机存取存储器(RAM)。此外，非易失性存储器模块和/或易失性存储器模块还可以包括其他类型的存储媒体，本发明不加以限制。

在一实施例中，存储装置12存储有深度学习模型101。深度学习模型101亦称为人工智能模型。深度学习模型101可具有类神经网络架构并可用于图像识别。在一实施例中，深度学习模型101可用以识别人脸。在一实施例中，深度学习模型101可用以识别人脸中的至少一脸部器官(例如眼睛(或瞳孔)、鼻子、嘴巴和/或耳朵)。此外，深度学习模型101可经由训练而逐渐提升图像识别的精准度。在一实施例中，深度学习模型101亦可实作为硬件电路(例如芯片)，本发明不加以限制。

处理器13连接至深度摄像机11与存储装置12。处理器13可以是中央处理单元(CPU)、图形处理器(GPU)，或是其他可程序化的一般用途或特殊用途的微处理器、数字信号处理器(Digital Signal Processor,DSP)、可程序化控制器、特殊应用集成电路(Application Specific Integrated Circuits,ASIC)、可程序化逻辑装置(ProgrammableLogic Device,PLD)或其他类似装置或这些装置的组合。处理器13可控制电子装置10的整体或部分操作。例如，处理器13可运行深度学习模型101以执行图像识别。

在一实施例中，电子装置10还包括至少一个输入/输出接口，以接收信号或输出信号。例如，输入/输出接口可包括屏幕、触控屏幕、触控板、鼠标、键盘、实体按钮、扬声器、麦克风、有线网络卡和/或无线网络卡，且输入/输出接口的类型不限于此。

当深度摄像机11的镜头前存在人脸(即目标人脸)时，处理器13可通过深度摄像机11获得目标人脸的脸部图像。处理器13也可通过深度摄像机11获得此脸部图像中的特定区域(亦称为目标区域)的深度信息。须注意的是，本发明不限制单一个脸部图像中目标区域的数目和/或形状。处理器13可分析此深度信息以获得与某一个二次曲线相关的至少一个特征值。其中，所述二次曲线可反映所述目标区域的深度分布状态。

在获得所述特征值后，处理器13可判断所述特征值是否符合预设条件。若所述特征值符合预设条件，处理器13可判定所述目标人脸为照片中的人脸。此外，若所述特征值不符合预设条件，则处理器13可判定所述目标人脸为真实人脸(即非照片中的人脸)。例如，若有使用者将手机屏幕显示的照片中的人脸(或纸本照片中的人脸)呈现在深度摄像机11的镜头前，则处理器13可根据上述操作判定当前镜头前的人脸是照片中的人脸，而非真实人脸。藉此，可减少因为将照片中的人脸误判为真实人脸而执行的误动作。

在一实施例中，处理器13可通过深度学习模型101分析脸部图像以获得目标人脸的至少一脸部器官的位置。然后，处理器13可根据所述至少一脸部器官的位置决定所述目标区域。

图2是根据本发明的一实施例所示出的人脸图像的示意图。请参照图1与图2，人脸图像21中呈现了一个目标人脸22。处理器13可通过深度学习模型101来识别出目标人脸22中的脸部器官，例如眼睛、鼻子、嘴巴和/或耳朵。

在一实施例中，处理器13可根据所识别的至少部分脸部器官的所在位置设置参考点201～205。例如，参考点201可设置于目标人脸22中的左眼的所在位置、参考点202可设置于目标人脸22中的右眼的所在位置、参考点203可设置于目标人脸22中的鼻子的所在位置、参考点204可设置于目标人脸22中的嘴巴的左侧且参考点205可设置于目标人脸22中的嘴巴的右侧。须注意的是，在其他实施例中，参考点201～205亦可以设置于目标人脸22中的其他位置和/或参考点201～205的数目也可以是还多或还少，本发明不加以限制。

图3是根据本发明的一实施例所示出的目标区域的示意图。请参照图1至图3，在一实施例中，根据所设定的参考点201～205，线段301～306中的至少一者可被决定。例如，处理器13可将线段301设定为参考点201与202之间的中点与参考点204与205之间的中点之间的连线。例如，处理器13可将线段302设定为参考点201与205之间的连线。例如，处理器13可将线段303设定为参考点202与204之间的连线。例如，处理器13可将线段304设定为参考点201与204之间的中点与参考点202与205之间的中点之间的连线。例如，处理器13可将线段305设定为参考点201与204之间的连线。例如，处理器13可将线段306设定为参考点202与205之间的连线。线段301～306的至少一者所经过的路径可被决定为所述目标区域。换言之，所述目标区域可包含线段301～306的至少一者所经过或涵盖的像素点(或像素位置)。此外，目标区域中的至少一个像素点可视为采样点。每一个采样点可具有一个深度信息(例如深度值)，以反映所述采样点的所在位置的深度。

在一实施例中，所述目标区域可被划分为至少一第一区域与至少一第二区域。第一区域包括目标人脸的鼻子的所在位置。例如，图3的线段301～304所经过的路径可视为第一区域。第二区域则不包括目标人脸的鼻子的所在位置。例如，图3的线段305与306所经过的路径可视为第二区域。处理器13可通过分析第一区域和/或第二区域的深度信息来获得至少一个特征值。

图4是根据本发明的一实施例所示出的反映深度分布状态的曲线的示意图。请参照图1至图4，假设采样点1～100、101～200、201～300、301～400、401～500及501～600分别位于线段301～306所经过的目标区域中。采样点1～100、101～200、201～300、301～400、401～500及501～600所分别对应的深度值可通过曲线401～406来表示。换言之，曲线401可反映线段301所经过的路径上的多个采样点1～100的深度分布状态，且曲线406可反映线段306所经过的路径上的多个采样点501～600的深度分布状态，依此类推。

须注意的是，在图4的实施例中，是假设图2中的人脸图像21是通过拍摄真实人脸而获得(即目标人脸22是真实人脸)。因此，线段301～304所经过的路径包含目标人脸22中的鼻子的所在位置(鼻子的所在位置的深度值较小)，故曲线401～404会呈现类似于二次曲线的弯曲状，且曲线401的开口方向是向上。此外，由于线段305与306所经过的路径不包含目标人脸22中的鼻子的所在位置(即线段305与306是经过真实人脸的脸颊部位，其深度变化较小)，故曲线405与406会较为平坦。

然而，图4中的曲线401～406仅为范利，而非用以限制本发明。在其他实施例中，曲线401～406中的任一者所对应的深度值亦可以不同和/或曲线401～406中的任一者所对应的采样点的数目也可以不同，本发明不加以限制。或者，在图4的另一实施例中，若图2中的人脸图像21是通过拍摄照片中的人脸而获得(即目标人脸22不是真实人脸)，则曲线401～406的深度分布状态也会有明显不同。

在一实施例中，处理器13可利用二次曲线来模拟或逼近曲线401～406中的至少一者，以获得与曲线401～406中的至少一者相关的特征值。在一实施例中，所述特征值包括第一特征值与第二特征值。第一特征值反映所述二次曲线的开口方向与所述二次曲线的弯曲程度。所述第二特征值反映所述二次曲线的极值在所述二次曲线中的位置(或相对位置)。

图5是根据本发明的一实施例所示出的二次曲线的示意图。请参照图1至图5，以曲线401为例，处理器13可利用二次曲线501来模拟或逼近曲线401。二次曲线501可通过以下方程式(1.1)来描述。

y＝a(x-b)2+c(1.1)

在方程式(1.1)中，参数y表示二次曲线501在纵轴方向的深度值，参数x表示二次曲线501在横轴方向的采样点，参数a反映二次曲线501的开口方向与二次曲线501的弯曲程度，参数b反映二次曲线501的极值在二次曲线501中的位置，且参数c为常数。在图5的实施例中，参数a为正值可反映二次曲线501的开口方向是向上，参数a的值与二次曲线501的弯曲程度呈正相关，且参数b的值可反映二次曲线501中最小的深度值发生在第b个采样点。

在一实施例中，处理器13可根据参数a来获得与曲线401(或二次曲线501)有关的第一特征值并根据参数b来与曲线401(或二次曲线501)有关的获得第二特征值。在一实施例中，处理器13亦可通过相同方式获得与图4中的曲线402～406中的任一者有关的特征值，在此不重复赘述。处理器13可根据第一特征值与第二特征值决定图2的目标人脸22为真实人脸或照片中的人脸。

在一实施例中，处理器13可将参数a决定为第一特征值。在一实施例中，处理器13可将参数b除以对应于曲线401的采样点的总数(例如100)并将计算结果决定为第二特征值。因此，在一实施例中，第一特征值可为参数a，且第二特征值可为参数p。其中，参数p＝b/(采样点的总数＝100)。须注意的是，在其他实施例中，第一特征值与第二特征值亦可以是分别根据参数a与b执行其他逻辑运算而获得，本发明不加以限制。

在一实施例中，处理器13可判断第一特征值(以参数C1表示)和/或第二特征值(以参数C2表示)是否符合预设条件。在一实施例中，不同目标区域(即线段)所对应的预设条件可以下表1来表示。

表1

在一实施例中，参数V1可为0.015，参数V2可为0.03，参数V3可为0.02，参数V4可为0.5，参数V5可为0.3和/或参数V6可为0.2。然而，在另一实施例中，参数V1～V6还可以是其他数值，本发明不加以限制。在一实施例中，处理器13可使用多个训练用的人脸图像来训练深度学习模型101。根据训练结果，处理器13可归纳出可用于分辨照片中的人脸以及真实人脸的参数V1～V6。

在一实施例中，只要表1所列的任一条件符合，即可判定图2的目标人脸22为照片中的人脸。或者，在一实施例中，只有当表1所列的至少2个条件符合时，才可判定图2的目标人脸22为照片中的人脸。或者，在一实施例中，只有当表1所列的所有条件皆符合时，才可判定图2的目标人脸22为照片中的人脸。

例如，在一实施例中，假设与曲线401相关的第一特征值C1符合表1中线段301所对应的C1V3的条件，则响应于此条件的满足，处理器13可判定图2的目标人脸22为照片中的人脸，而非真实人脸。或者，在一实施例中，假设与曲线402相关的第二特征值C2符合表1中线段302所对应的︱C2-V4︱

在一实施例中，若判定目标人脸为真实人脸，则处理器13可允许继续执行后续与脸部验证或脸部图像注册有关的操作。例如，在判定图2的目标人脸22为真实人脸后，处理器13可允许使用人脸图像21来执行脸部验证和/或脸部图像注册。反之，若判定目标人脸为照片中的人脸(即非真实人脸)，则处理器13可停止继续执行后续与脸部验证或脸部图像注册有关的操作。藉此，可减少因为将照片中的人脸误判为真实人脸而执行的误动作。

图6是根据本发明的一实施例所示出的真实人脸的识别方法的流程图。请参照图6，在步骤S601中，获得目标人脸的脸部图像。在步骤S602中，获得所述脸部图像中的目标区域的深度信息。在步骤S603中，分析所述深度信息以获得与二次曲线相关的至少一特征值。其中所述二次曲线反映所述目标区域的深度分布状态。在步骤S604中，判断所述至少一特征值是否符合预设条件。若所述至少一特征值符合所述预设条件，在步骤S605中，判定所述目标人脸为照片中的人脸。然而，若所述至少一特征值皆不符合所述预设条件，在步骤S606中，判定所述目标人脸为真实人脸。

然而，图6中各步骤已详细说明如上，在此便不再赘述。值得注意的是，图6中各步骤可以实作为多个程序码或是电路，本发明不加以限制。此外，图6的方法可以搭配以上范例实施例使用，也可以单独使用，本发明不加以限制。

综上所述，本发明的实施例可有效对镜头前的照片中的人脸进行过滤和/或对镜头前的真实人脸进行识别，进而减少因为将照片中的人脸误判为真实人脸而执行的误动作。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。