确定性能参数的方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种确定性能参数的方法及装置、电子设备和存储介质，其中，所述方法包括：获取第一数据集，所述第一数据集包括多张人脸图像；将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果；根据所述检测结果确定所述神经网络的性能参数。

【技术实现步骤摘要】
确定性能参数的方法及装置、电子设备和存储介质
本公开涉及计算机视觉
，尤其涉及一种确定性能参数的方法及装置、电子设备和存储介质。
技术介绍
随着计算机视觉技术的发展，越来越多的工作可以利用电子设备完成，为人们提供便利条件。例如，可以利用电子设备自动对人脸进行识别，从而根据人脸识别结果对用户身份进行验证。但是，随着人脸识别技术的普及，一些人脸识别技术的攻击手段也随之而来，例如，通过照片、面具等充当用户人脸，从而通过用户身份的验证。为了抵御各种攻击手段，活体检测成为人脸识别技术中重要的一个部分。活体检测是在一些身份验证场景中确定检测对象是否是真实的手段，例如通过眨眼、张嘴、摇头、点头等动作的组合，可以验证检测对象是否为真实活体的操作，从而甄别欺诈行为，提高人脸识别的安全性。但是，由于存在多种活体检测方案，难以对这些活体检测方案的性能进行鉴别。
技术实现思路
本公开提出了一种确定性能参数的技术方案。根据本公开的一方面，提供了一种确定性能参数的方法，包括：获取第一数据集，所述第一数据集包括多张人脸图像；将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果；根据所述检测结果确定所述神经网络的性能参数。在一个或多个可能的实现方式中，所述检测结果包括用于判别人脸图像中人脸是否属于活体的相关数据。在一个或多个可能的实现方式中，所述检测结果包括如下至少一项：人脸属性、攻击方式、光照条件、成像环境、深度信息和反射信息。在一个或多个可能的实现方式中，所述多张人脸图像包括标注信息，所述根据所述检测结果确定所述神经网络的性能参数，包括：将所述检测结果与所述检测结果对应的人脸图像的标注信息进行比对，得到比对结果；根据至少部分所述多张人脸图像对应的比对结果，确定所述神经网络的性能参数。在一个或多个可能的实现方式中，所述方法还包括：根据所述评估结果，获取第二数据集，所述第二数据集包括多个训练样本，所述训练样本包括人脸图像；将所述多个训练样本输入所述神经网络，得到与每个训练样本对应的检测结果；根据至少部分所述多个训练样本对应的检测结果与所述至少部分所述多个训练样本的标注信息的差异程度，调整所述神经网络的参数。在一个或多个可能的实现方式中，所述第一数据集和所述第二数据集均包括真实人脸图像及非真实人脸图像；其中，所述真实人脸图像的标注信息包括活体分类结果以及人脸属性；所述非真实人脸图像的标注信息包括活体分类结果以及如下至少一项：攻击方式、光照条件、成像环境。在一个或多个可能的实现方式中，所述第二数据集中真实人脸图像的数量小于非真实人脸图像的数量。在一个或多个可能的实现方式中，所述方法还包括：通过目标获取方式得到非真实人脸图像。在一个或多个可能的实现方式中，所述目标获取方式包括如下至少一项：采集方向、弯曲方式以及用于采集非真实人脸图像的采集装置的种类。在一个或多个可能的实现方式中，属于同一数据集中的至少部分非真实人脸图像的采集方向不同；和/或，属于同一数据集中的至少部分非真实人脸图像的弯曲方式不同；和/或，属于同一数据集中的至少部分非真实人脸图像对应的采集装置的种类不同。根据本公开的一方面，提供了一种确定性能参数的装置，包括：第一获取模块，用于获取第一数据集，所述第一数据集包括多张人脸图像；检测模块，用于将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果；确定模块，用于根据所述检测结果确定所述神经网络的性能参数。在一个或多个可能的实现方式中，所述检测结果包括用于判别人脸图像中人脸是否属于活体的相关数据。在一个或多个可能的实现方式中，所述检测结果包括如下至少一项：人脸属性、攻击方式、光照条件、成像环境、深度信息和反射信息。在一个或多个可能的实现方式中，所述多张人脸图像包括标注信息，所述确定模块，具体用于将所述检测结果与所述检测结果对应的人脸图像的标注信息进行比对，得到比对结果；根据至少部分所述多张人脸图像对应的比对结果，确定所述神经网络的性能参数。在一个或多个可能的实现方式中，所述装置还包括：训练模块，用于根据所述评估结果，获取第二数据集，所述第二数据集包括多个训练样本，所述训练样本包括人脸图像；将所述多个训练样本输入所述神经网络，得到与每个训练样本对应的检测结果；根据至少部分所述多个训练样本对应的检测结果与所述至少部分所述多个训练样本的标注信息的差异程度，调整所述神经网络的参数。在一个或多个可能的实现方式中，所述第一数据集和所述第二数据集均包括真实人脸图像及非真实人脸图像；其中，所述真实人脸图像的标注信息包括活体分类结果以及人脸属性；所述非真实人脸图像的标注信息包括活体分类结果以及如下至少一项：攻击方式、光照条件、成像环境。在一个或多个可能的实现方式中，所述第二数据集中真实人脸图像的数量小于非真实人脸图像的数量。在一个或多个可能的实现方式中，所述装置还包括：第二获取模块，用于通过目标获取方式得到非真实人脸图像。在一个或多个可能的实现方式中，所述目标获取方式包括如下至少一项：采集方向、弯曲方式以及用于采集非真实人脸图像的采集装置的种类。在一个或多个可能的实现方式中，属于同一数据集中的至少部分非真实人脸图像的采集方向不同；和/或，属于同一数据集中的至少部分非真实人脸图像的弯曲方式不同；和/或，属于同一数据集中的至少部分非真实人脸图像对应的采集装置的种类不同。根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述确定性能参数方法。根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述确定性能参数方法。在本公开实施例中，可以获取第一数据集，第一数据集中包括多张人脸图像。然后可以将多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果，从而可以根据检测结果确定神经网络的性能参数。其中，性能参数通常可以反映神经网络的性能，即采用本公开提供的实现方式，可以利用得到的性能参数对神经网络的性能进行评估。由于通过神经网络可以得到人脸图像对应的活体分类结果以及检测结果，因此，可以结合多个维度的数据来得到性能参数，以使性能参数能够有效反应神经网络的实际性能。在应用过程中，还可以借助性能参数，调整神经网络的权重参数，从而提高活体检测的准确性，使神经网络适用于更加复杂的应用场景。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明此处的附图被并入说明书中并构成本说明书的一部分，这些本文档来自技高网...

【技术保护点】
1.一种确定性能参数的方法，其特征在于，包括：/n获取第一数据集，所述第一数据集包括多张人脸图像；/n将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果；/n根据所述检测结果确定所述神经网络的性能参数。/n

【技术特征摘要】
1.一种确定性能参数的方法，其特征在于，包括：
获取第一数据集，所述第一数据集包括多张人脸图像；
将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果；
根据所述检测结果确定所述神经网络的性能参数。


2.根据权利要求1所述的方法，其特征在于，所述检测结果包括用于判别人脸图像中人脸是否属于活体的相关数据。


3.根据权利要求1或2所述的方法，其特征在于，所述检测结果包括如下至少一项：人脸属性、攻击方式、光照条件、成像环境、深度信息和反射信息。


4.根据权利要求1至3任意一项所述的方法，其特征在于，所述多张人脸图像包括标注信息，所述根据所述检测结果确定所述神经网络的性能参数，包括：
将所述检测结果与所述检测结果对应的人脸图像的标注信息进行比对，得到比对结果；
根据至少部分所述多张人脸图像对应的比对结果，确定所述神经网络的性能参数。


5.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：
根据评估结果，获取第二数据集，所述第二数据集包括多个训练样本，所述训练样本包括人脸图像；
将所述多个训练样本输入所述神经网络，得到与每个训练样本对应的检测结果；
根据至少部分所述多个训练样本对应的检测结果与所述至少部分所述多个训练样本的标注信息的差异程度，调整所述神经网络的权重参数。


6.根据权利要求5所述的方法，其特征在于，所述第一数据集和所述第二数据集均包括真实人脸图像及非真实人脸图像；其中，
所述真实人脸图像的标注信息包括活体分类结果以及人脸属性；
所述非真实人脸图像的标注信息包括活体分类结果以及如下至少一项：攻击方式、光照条件、成像环境。


7.根据权利要求6所述的方法，其特征在于，所述第二数据集中真实人脸图像的数量小于非真实人脸图像的数量。


8.根据权利要求6或7所述的方法，其特征在于，所述方法还包括：
通过目标获取方式得到非真实人脸图像。


9.根据权利要求8所述的方法，其特征在于，所述目标获取方式包括如下至少一项：采集方向、弯曲方式以及用于采集非真实人脸图像的采集装置的种类。


10.根据权利要求9所述的方法，其特征在于，
属于同一数据集中的至少部分非真实人脸图像的采集方向不同；
和/或，属于同一数据集中的至少部分非真实人脸图像的弯曲方式不同；
和/或，属于同一数据集中的至少部分非真实人脸图像对应的采集装置的种类不同。

【专利技术属性】
技术研发人员：张元瀚，尹榛菲，殷国君，邵婧，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京;11