[发明专利]一种人脸图像聚类中非活体过滤的方法、装置、介质

说明书

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。

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/dg且fh，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：