活体检测眨眼、张嘴、点头、摇头动作一网打尽:人脸面部活体检测系统【含Python源码+PyqtUI界面+原理详解】 | 您所在的位置:网站首页 › 人脸识别定位追踪软件下载 › 活体检测眨眼、张嘴、点头、摇头动作一网打尽:人脸面部活体检测系统【含Python源码+PyqtUI界面+原理详解】 |
基本功能演示
摘要:活体检测是用于判断捕捉到的人脸是真实人脸,还是伪造的人脸攻击的一种技术手段。本文详细介绍了其实现的技术原理,同时给出完整的Python实现代码,并且通过PyQT实现了UI界面,更方便进行功能的展示。该人脸面部活体检测系统支持视频与摄像头两种检测模式,可以很好的进行人脸面部的眨眼、张嘴、点头、摇头这四种常用动作的面部检测,而且可以统计每个动作的执行次数。本文提供了完整的Python代码和使用教程,给感兴趣的小伙伴参考学习,完整的代码资源文件获取方式见文末。 文章目录 基本功能演示前言一、软件核心功能介绍及效果演示二、人脸面部活体检测的基本原理1.基本原理2.眨眼检测3.张嘴检测4.摇头与点头检测 【获取方式】结束语点击跳转至文末《完整相关文件及源码》获取 前言目前,人脸识别技术在我们日常生活应用十分广泛,几乎随处都能会接触到,比如手机的人脸识别解锁、人脸支付、门禁闸机的人脸识别出入等等。但随之而来也会遇到一定的问题,如:人脸识别只能检测目标人脸是否和预留人脸数据特征是否一致,却不能检测是否是真的活人。因此各种欺骗手段也开始露出水面,如何判断被检测对象是否是真的活人,而不是照片、视频甚至是人皮面具,是一个亟待解决的问题,此时,活体检测走上了时代的舞台。 活体检测的主要目的就是判断捕捉到的人脸是真实人脸,还是伪造的人脸攻击(如:彩色纸张打印人脸图,电子设备屏幕中的人脸数字图像 以及 面具 等)。 常见的活体检测主要有以下3种方式: 【1】配合式检测 活体检测认证过程中,系统要求用户配合完成指定的的工作,比如眨眼、抬头、张嘴等动作,检测目标是否为真实的活题。 【2】rgb检测 此类检测方式,适用于阻挡用图片或者视频截图来欺骗人脸识别的攻击行为,通过识别图片上的细微特征来识别是否是真实活体,此类检测方式可分为在线和离线两种版本。 【3】3D结构光检测 活体检测过程中,通过3D结构光的三维成像原理,构成人脸三维特征的比对,判别检测目标是否为真实的活体,以阻挡图片、视频截图、面具的欺骗。 其中配合式的活体检测方式在生活中也十分常见。本文主要就是采用检测人脸的张嘴、眨眼、点头及 摇头这四个动作来进行人脸活体检测。 博主基于dlib库通过人脸关键点的距离变化,开发了一款简易的人脸面部活体检测系统,可以通过视频、摄像头2种方式进行人脸面部活体检测,并且展示识别结果。可以识别眨眼、张嘴、点头、摇头这4种常见表情动作,感兴趣的小伙伴可以自己试试。 觉得不错的小伙伴,感谢点赞、关注加收藏!如果大家有任何建议或意见,欢迎在评论区留言交流! 软件界面如下图: 软件主要功能包括以下几个部分: 1. 可对视频或者摄像头中的人脸进行眨眼、张嘴、点头、摇头动作检测; 2. 可以统计眨眼、张嘴、点头、摇头每个动作的次数; 3. 可单独进行眨眼、张嘴、点头、摇头的测试检测,如果检测成功,会显示测试通过字样; 4. 可以通过显示面部轮廓线复选框,来选择是否进行人脸轮廓显示,默认是显示的。 (1)视频检测演示 点击打开视频按钮,选择需要检测的视频即可,操作演示如下: 本人脸面部活体检测系统主要是基于人脸关键点检测之后,关键点之间的距离变化来进行的。 首先使用dlib库的shape_predictor_68_face_landmarks模型,检测人脸的68个关键点,关键点如下所示: 脸颊线[1,17] 左眼眉毛[18,22] 右眼眉毛[23,27] 鼻梁[28,31] 鼻子[32,36] 左眼[37,42] 右眼[43,48] 上嘴唇外边缘[49,55] 上嘴唇内边缘[66,68] 下嘴唇外边缘[56,60] 下嘴唇内边缘[61,65] 2.眨眼检测基本原理:基于眼睛长宽比EAR( Eye Aspect Ratio)的变化来判断人眼是否有眨眼动作。当人眼睁开时,EAR在某个值上下波动,当人眼闭合时,EAR迅速下降,理论上会接近于零。所以我们可以认为当EAR低于某个阈值时,眼睛处于闭合状态。为检测眨眼次数,需要设置同一次眨眼的连续帧数。眨眼速度比较快,一般1~3帧就完成了眨眼动作。两个阈值都要根据实际情况设置。 注:阈值可能由于摄像头远近或人脸形状等因素的影响,可能需要根据实际情况进行微调。 眼睛长宽比EAR距离计算代码如下: def EAR(eye): # 默认二范数:求特征值,然后求最大特征值得算术平方根 A = np.linalg.norm(eye[1] - eye[5]) B = np.linalg.norm(eye[2] - eye[4]) C = np.linalg.norm(eye[0] - eye[3]) return (A + B) / (2.0 * C)眨眼判断核心代码如下: # 提取左眼和右眼坐标,然后使用该坐标计算两只眼睛的眼睛纵横比 leftEye = shape[lStart:lEnd] rightEye = shape[rStart:rEnd] ear = EAR(leftEye) + EAR(rightEye) / 2.0 # 判断眼睛纵横比是否低于眨眼阈值 if ear = EYE_close: total += 1 count_eye = 0 3.张嘴检测基本原理: 类似眨眼检测类似,计算嘴巴的长宽比MAR(Mouth Aspect Ratio),当MAR大于设定的阈值时,认为张开了嘴巴。 嘴巴长宽比MAR距离计算代码如下: def MAR(mouth): # 默认二范数:求特征值,然后求最大特征值得算术平方根 A = np.linalg.norm(mouth[2] - mouth[10]) # 51, 59(人脸68个关键点) B = np.linalg.norm(mouth[4] - mouth[8]) # 53, 57 C = np.linalg.norm(mouth[0] - mouth[6]) # 49, 55 return (A + B) / (2.0 * C)张嘴判断核心代码如下: Mouth = shape[mStart:mEnd] mar = MAR(Mouth) # 判断嘴唇纵横比是否高于张嘴阈值,如果是,则增加张嘴帧计数器 if mar > MAR_THRESH: COUNTER_MOUTH += 1 else: # 如果张嘴帧计数器不等于0,则增加张嘴的总次数 if COUNTER_MOUTH >= 2: TOTAL_MOUTH += 1 COUNTER_MOUTH = 0 4.摇头与点头检测同理对于摇头与点头,我们只需计算左右两侧脸颊宽度变化,以及鼻子到下巴的距离,即可判断是点头与摇头动作。 摇头判断核心代码如下: # 左脸大于右脸 if face_left1 >= face_right1 + Config.FACE_DIFF and face_left2 >= face_right2 + Config.FACE_DIFF: distance_left += 1 # 右脸大于左脸 if face_right1 >= face_left1 + Config.FACE_DIFF and face_right2 >= face_left2 + Config.FACE_DIFF: distance_right += 1 # 左脸大于右脸,并且右脸大于左脸,判定摇头 if distance_left != 0 and distance_right != 0: TOTAL_FACE += 1 distance_right = 0 distance_left = 0以上便是关于人脸面部活体检测的基本原理介绍与代码介绍。针对以上内容,博主基于python与Pyqt5开发了一个可视化的人脸面部活体检测系统软件,能够更加直观的看到人脸各个动作的检测情况。即第二部分软件演示部分,该系统能够很好的对视频或者摄像头中的人脸进行眨眼、张嘴、点头、摇头动作检测。 关于该人脸面部活体检测系统的涉及到的完整源码、UI界面代码等相关文件,均已打包上传,感兴趣的小伙伴可以通过下载链接自行获取。 【获取方式】关注下方名片G-Z-H:【阿旭算法与机器学习】,回复【活体检测】即可获取下载方式 本文涉及到的完整全部程序文件:包括python源码、UI文件等(见下图),获取方式见文末: 注意:该代码采用Pycharm+Python3.8开发,运行界面的主程序为MainProgram.py,其他测试脚本说明见上图。为确保程序顺利运行,请按照程序环境配置说明.txt配置软件运行所需环境。 关注下方名片GZH:【阿旭算法与机器学习】,回复【活体检测】即可获取下载方式 结束语以上便是博主开发的关于人脸面部活体检测系统的全部内容,由于博主能力有限,难免有疏漏之处,希望小伙伴能批评指正 关于本篇文章大家有任何建议或意见,欢迎在评论区留言交流! 觉得不错的小伙伴,感谢点赞、关注加收藏哦! |
CopyRight 2018-2019 实验室设备网 版权所有 |