图像识别方法及图像识别模型的训练方法技术

本说明书一个或多个实施例提供了一种图像识别方法及图像识别模型的训练方法。在一种实施例中，一种图像识别方法包括：首先获取目标人脸图像；然后，对目标人脸图像进行预设层数的小波分析处理，得到预设层数的目标小波人脸图像；接着，将预设层数的目标小波人脸图像输入预设的图像识别模型中，得到目标人脸图像对应的预测值；其中，图像识别模型由多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成，多个人脸训练图像包括攻击图像和非攻击图像；最后，根据预测值，确定目标人脸图像对应的攻击图像识别结果。

Image recognition method and training method of image recognition model

【技术实现步骤摘要】
图像识别方法及图像识别模型的训练方法
本说明书一个或多个实施例涉及图像识别
，尤其涉及一种图像识别方法及图像识别模型的训练方法。
技术介绍
在人脸识别技术越来越普遍的今天，用户对于人脸识别设备的安全性有了更高的要求。在人脸识别设备受到攻击时，所获取到的人脸图像可能并非现场采集的带有真实人脸的非攻击图像，而是事先准备好的带有人脸的攻击图像。因此，人脸识别设备在获取到人脸图像后，需要在确定人脸图像为非攻击图像之后，再对人脸图像进行人脸识别，以提高人脸识别的安全性。但是，已有的图像识别方法无法快速、准确地识别人脸图像是否为攻击图像，使得人脸识别的安全性较低。
技术实现思路
本说明书一个或多个实施例提供了一种图像识别方法及图像识别模型的训练方法，能够快速、准确地确定目标人脸图像的攻击图像识别结果，提高人脸识别的安全性。本说明书一个或多个实施例提供的技术方案如下：第一方面，提供了一种图像识别方法，包括：获取目标人脸图像；对目标人脸图像进行预设层数的小波分析处理，得到预设层数的目标小波人脸图像；将预设层数的目标小波人脸图像输入预设的图像识别模型中，得到目标人脸图像对应的预测值；其中，图像识别模型由多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成，多个人脸训练图像包括攻击图像和非攻击图像；根据预测值，确定目标人脸图像对应的攻击图像识别结果。第二方面，提供了一种图像识别模型的训练方法，包括：获取多个训练样本；其中，每个训练样本包括人脸训练图像和人脸训练图像对应的标记值，多个人脸训练图像包括攻击图像和非攻击图像；针对每个训练样本，对人脸训练图像进行预设层数的小波分析处理，得到预设层数的小波人脸训练图像；利用多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练预设分类模型，得到图像识别模型。第三方面，提供了一种图像识别装置，包括：第一获取模块，用于获取目标人脸图像；第一处理模块，用于对目标人脸图像进行预设层数的小波分析处理，得到预设层数的目标小波人脸图像；第一预测模块，用于将预设层数的目标小波人脸图像输入预设的图像识别模型中，得到目标人脸图像对应的预测值；其中，图像识别模型由多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成，多个人脸训练图像包括攻击图像和非攻击图像；第一确定模块，用于根据预测值，确定目标人脸图像对应的攻击图像识别结果。第四方面，提供了一种图像识别模型的训练装置，包括：第二获取模块，用于获取多个训练样本；其中，每个训练样本包括人脸训练图像和人脸训练图像对应的标记值，多个人脸训练图像包括攻击图像和非攻击图像；第三处理模块，用于针对每个训练样本，对人脸训练图像进行预设层数的小波分析处理，得到预设层数的小波人脸训练图像；第一训练模块，用于利用多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练预设分类模型，得到图像识别模型。第五方面，提供了一种计算设备，该设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如第一方面所述的图像识别方法或第二方面所述的图像识别模型的训练方法。第六方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所述的图像识别方法或第二方面所述的图像识别模型的训练方法。根据上述的本说明书一个或多个实施例，能够对目标人脸图像进行预设层数的小波分析处理，得到预设层数的目标小波人脸图像，并将预设层数的目标小波人脸图像输入基于多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成的图像识别模型，得到目标人脸图像对应的预测值，从而基于预测值，确定目标人脸图像对应的攻击图像识别结果，由于攻击图像为经过压缩的图像，非攻击图像为未经过压缩的图像，而小波分析处理后得到的目标小波人脸图像包含空域-频域信息能够很好地判断目标人脸图像是否经过压缩，因此，能够利用目标小波人脸图像快速、准确地识别目标人脸图像是否为攻击图像，进而提高人脸识别的安全性。附图说明为了更清楚地说明本说明书一个或多个实施例的技术方案，下面将对本说明书一个或多个实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本说明书一个实施例提供的图像识别系统的系统架构图；图2是本说明书一个实施例提供的图像识别方法的流程示意图；图3是本说明书一个实施例提供的图像识别模型的训练方法的流程示意图；图4是本说明书一个实施例提供的图像识别装置的结构示意图；图5是本说明书一个实施例提供的图像识别模型的训练装置的结构示意图；图6是本说明书一个实施例提供的计算设备的硬件结构示意图。具体实施方式下面将详细描述本说明书的各个方面的特征和示例性实施例，为了使本说明书的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本说明书进行进一步详细描述。应理解，此处所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。对于本领域技术人员来说，本说明书可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本说明书的示例来提供对本说明书更好的理解。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。在人脸识别技术越来越普遍的今天，用户对于人脸识别设备的安全性有了更高的要求。“展示攻击”和“注入攻击”是对于人脸识别设备的两种主流攻击方法。其中，“展示攻击”即通过手机屏幕、打印纸张等展示事先准备好的带有人脸的攻击图像，以达到攻击目的。而“注入攻击”是利用设备的漏洞，直接将事先准备好的带有人脸的攻击图像导入到人脸识别设备中，完全替代人脸识别设备的摄像头采集的数据。其中，导入到人脸识别设备中的攻击图像可以为静态图像或者动态图像。可见，在人脸识别设备受到攻击时，人脸识别设备所获取到的人脸图像可能并非现场采集的带有真实人脸的非攻击图像，而是事先准备好的带有人脸的攻击图像。因此，人脸识别设备在获取到人脸图像后，需要在确定人脸图像为非攻击图像之后，再对人脸图像进行人脸识别本文档来自技高网...

【技术保护点】
1.一种图像识别方法，包括：/n获取目标人脸图像；/n对所述目标人脸图像进行预设层数的小波分析处理，得到所述预设层数的目标小波人脸图像；/n将所述预设层数的目标小波人脸图像输入预设的图像识别模型中，得到所述目标人脸图像对应的预测值；其中，所述图像识别模型由多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练生成，所述多个人脸训练图像包括攻击图像和非攻击图像；/n根据所述预测值，确定所述目标人脸图像对应的攻击图像识别结果。/n

【技术特征摘要】
1.一种图像识别方法，包括：
获取目标人脸图像；
对所述目标人脸图像进行预设层数的小波分析处理，得到所述预设层数的目标小波人脸图像；
将所述预设层数的目标小波人脸图像输入预设的图像识别模型中，得到所述目标人脸图像对应的预测值；其中，所述图像识别模型由多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练生成，所述多个人脸训练图像包括攻击图像和非攻击图像；
根据所述预测值，确定所述目标人脸图像对应的攻击图像识别结果。


2.根据权利要求1所述的方法，其中，所述对所述目标人脸图像进行预设层数的小波分析处理，得到所述预设层数的目标小波人脸图像之前，所述方法还包括：
对所述目标人脸图像进行滤波处理，得到目标人脸滤波图像；
其中，所述对所述目标人脸图像进行预设层数的小波分析处理，得到所述预设层数的目标小波人脸图像，包括：
对所述目标人脸滤波图像进行所述预设层数的小波分析处理，得到所述预设层数的目标小波人脸图像。


3.根据权利要求2所述的方法，其中，所述滤波处理包括高斯滤波处理和均值滤波处理中的任一项。


4.根据权利要求1所述的方法，其中，所述对所述目标人脸图像进行预设层数的小波分析处理，得到所述预设层数的目标小波人脸图像，包括：
对所述目标人脸图像进行均一化处理，得到目标均一化人脸图像；
对所述目标均一化人脸图像进行所述预设层数的小波分析处理，得到所述预设层数的目标小波人脸图像。


5.根据权利要求4所述的方法，其中，所述对所述目标人脸图像进行均一化处理，得到目标均一化人脸图像，包括：
对所述目标人脸图像进行人脸检测处理，得到目标人脸区域图像；
将所述目标人脸区域图像调整至预设尺寸，得到所述目标均一化人脸图像。


6.根据权利要求1所述的方法，其中，所述图像识别模型包括多个图像识别子模型，每个所述图像识别子模型与一层所述目标小波人脸图像相对应，每个所述图像识别子模型根据所述人脸训练图像对应的一层所述小波人脸训练图像和所述人脸训练图像对应的标记值训练生成；
其中，所述将所述预设层数的目标小波人脸图像输入预设的图像识别模型中，得到所述目标人脸图像对应的预测值，包括：
将目标层数的目标小波人脸图像分别输入对应的所述图像识别子模型中，得到所述目标层数对应的子预测值；其中，至少一个所述目标层数对应的子预测值构成所述预测值。


7.根据权利要求6所述的方法，其中，所述根据所述预测值，确定所述目标人脸图像对应的攻击图像识别结果，包括：
若所述子预测值之和大于第一预设阈值，则确定所述攻击图像识别结果为第一识别结果；
若所述子预测值之和小于或等于所述第一预设阈值，则确定所述攻击图像识别结果为第二识别结果。


8.一种图像识别模型的训练方法，包括：
获取多个训练样本；其中，每个所述训练样本包括人脸训练图像和所述人脸训练图像对应的标记值，所述多个人脸训练图像包括攻击图像和非攻击图像；
针对每个所述训练样本，对所述人脸训练图像进行预设层数的小波分析处理，得到所述预设层数的小波人脸训练图像；
利用多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练预设分类模型，得到图像识别模型。


9.根据权利要求8所述的方法，其中，所述对所述人脸训练图像进行预设层数的小波分析处理，得到所述预设层数的小波人脸训练图像之前，还包括：
对所述人脸训练图像进行滤波处理，得到人脸训练滤波图像；
其中，所述人脸训练图像进行预设层数的小波分析处理，得到所述预设层数的小波人脸训练图像，包括：
对所述人脸训练滤波图像进行所述预设层数的小波分析处理，得到所述预设层数的小波人脸训练图像。


10.根据权利要求9所述的方法，其中，所述滤波处理包括高斯滤波处理和均值滤波处理中的任一项。


11.根据权利要求8所述的方法，其中，所述对所述人脸训练图像进行预设层数的小波分析处理，得到所述预设层数的小波人脸训练图像，包括：
对所述人脸训练图像进行均一化处理，得到均一化人脸训练图像；
对所述均一化人脸训练图像进行所述预设层数的小波分析处理，得到所述预设层数的小波人脸训练图像。


12.根据权利要求11所述的方法，其中，所述对所述人脸训练图像进行均一化处理，得到均一化人脸训练图像，包括：
对所述人脸训练图像进行人脸检测处理，得到人脸区域训练图像；
将所述人脸区域训练图像调整至预设尺寸，得到所述均一化人脸训练图像。


13.根据权利要求8所述的方法，其中，所述预设分类模型包括多个分类子模型，每个所述分类子模型与一层所述小波人脸训练图像相对应；
其中，所述利用多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练预设分类模型，得到图像识别模型，包括：
针对每个所述分类子模型，利用多个所述人脸训练图像的与所述分类子模型对应的一层所述小波人脸训练图像和每个所述人脸训练图像对应的标记值训练所述分类子模型，得到图像识别子模型；其中，多个所述图像识别子模型构成所述图像识别模型。


14.根据权利要求8所述的方法，其中，所述利用多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练预设分类模型，得到图像识别模型之后，所述方法还包括：
获取多个验证样本；其中，每个所述验证样本包括人脸验证图像和所述人脸验证图像对应的标记值；
针对每个所述验证样本，对所述人脸验证图像进行预设层数的小波分析处理，得到所述预设层数的小波人脸验证图像；
利用多个人脸验证图像对应的所述预设层数的小波人脸验证图像和每个所述人脸验证图像对应的标记值，得到所述图像识别模型的准确率；
在所述准确率低于预设准确率的情况下，调整模型学习率或者重新获取多个训练样本，并继续训练所...

【专利技术属性】
技术研发人员：曹佳炯，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33