人脸活体检测方法、装置、设备及介质制造方法及图纸

本申请公开了一种人脸活体检测方法、装置、设备及介质，人脸检测方法包括：获取训练集；将训练数据输入教师网络进行第一训练，得到训练好的教师网络模型；将训练数据输入学生网络进行第二训练，得到训练好的人脸活体检测模型；将待检测的人脸图像输入人脸活体检测模型，得到人脸图像中对象是否为活体的检测结果。本申请通过知识蒸馏学习器指导学生网络进行训练，得到模型参数更少的学生网络模型作为训练好的人脸活体检测模型，提升了模型的计算速度和人脸活体检测的速度；通过元学习器对模型参数的更新优化来辅助人脸活体检测模型的训练过程，通用性更好。本申请可广泛应用于人工智能领域。

【技术实现步骤摘要】
人脸活体检测方法、装置、设备及介质
本专利技术涉及人工智能领域，尤其是涉及一种人脸活体检测方法、装置、设备及介质。
技术介绍
活体检测，是指计算机判别检测的人脸是真实的人脸，还是伪造的人脸攻击，如各种打印照片攻击（包括彩色打印照片、黑白打印照片、红外打印照片等）、屏幕播放攻击（手机屏幕、平板屏幕、电脑屏幕等）和高清3D攻击（各种材质的面具、头部模型、头套面具等）等。对此，出现了各种各样基于计算机视觉的活体检测方法。随着深度学习的发展，人工智能中深度学习方法因强大、灵活的特征提取能力而被应用于活体检测领域并逐渐成为活体检测的主流方法。目前，基于深度学习的活体检测方法，需要对不同场景训练多个活体检测模型，即需要进行具体场景的定制化设计，通用性不高；需要的模型参数较多，导致模型的计算速度变慢，难以在低计算能力的终端平台（如嵌入式设备等）上实时运行。
技术实现思路
本申请实施例提供一种人脸活体检测方法、装置、设备及介质，以提升检测的速度以及通用性。根据本申请实施例的第一方面，一种人脸活体检测方法，包括以下步骤：<br>获取训练集，其本文档来自技高网...

【技术保护点】
1.一种人脸活体检测方法，其特征在于，包括以下步骤：/n获取训练集，其中所述训练集包含多个训练数据，所述训练数据为带有标签的人脸图像数据；/n将所述训练数据输入教师网络进行第一训练，得到训练好的教师网络模型，所述第一训练包括提取所述训练数据的第一特征，以及对所述第一特征进行分类得到第一输出；/n将所述训练数据输入学生网络进行第二训练，得到训练好的人脸活体检测模型，其中，所述学生网络包括第二特征分类网络，所述第二训练包括：提取所述训练数据的第二特征，并通过第一知识蒸馏学习器约束所述第二特征与所述第一特征的差距在第一预设范围内；通过元学习器更新所述第二特征分类网络的模型参数，通过更新模型参数后的所...

【技术特征摘要】
1.一种人脸活体检测方法，其特征在于，包括以下步骤：
获取训练集，其中所述训练集包含多个训练数据，所述训练数据为带有标签的人脸图像数据；
将所述训练数据输入教师网络进行第一训练，得到训练好的教师网络模型，所述第一训练包括提取所述训练数据的第一特征，以及对所述第一特征进行分类得到第一输出；
将所述训练数据输入学生网络进行第二训练，得到训练好的人脸活体检测模型，其中，所述学生网络包括第二特征分类网络，所述第二训练包括：提取所述训练数据的第二特征，并通过第一知识蒸馏学习器约束所述第二特征与所述第一特征的差距在第一预设范围内；通过元学习器更新所述第二特征分类网络的模型参数，通过更新模型参数后的所述第二特征分类网络对所述第二特征进行分类得到第二输出，并通过第二知识蒸馏学习器约束所述第二输出与第一输出的差距在第二预设范围内；
将待检测的人脸图像输入所述人脸活体检测模型，得到所述人脸图像中对象是否为活体的检测结果。


2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述教师网络包括第一特征提取网络和第一特征分类网络，所述第一特征为第一特征向量，所述第一输出为第一输出向量；
其中，所述将所述训练数据输入教师网络进行第一训练，得到训练好的教师网络模型，包括：
将所述训练数据输入第一特征提取网络进行特征提取，得到所述第一特征向量；
将所述第一特征向量输入第一特征分类网络进行分类，得到所述第一输出向量。


3.根据权利要求2所述的人脸活体检测方法，其特征在于，所述学生网络还包括第二特征提取网络，所述第二特征为第二特征向量，所述第二输出为第二输出向量；
其中，将所述训练数据输入学生网络进行第二训练，包括：
将所述训练数据输入第二特征提取网络进行特征提取，得到所述第二特征向量，并通过所述第一知识蒸馏学习器约束所述第二特征向量与所述第一特征向量的差距在所述第一预设范围内；
通过元学习器更新所述第二特征分类网络的模型参数，通过更新模型参数后的所述第二特征分类网络对所述第二特征向量进行分类得到第二输出向量，并通过所述第二知识蒸馏学习器约束所述第二输出向量与所述第一输出向量的差距在所述第二预设范围内。


4.根据权利要求3所述的人脸活体检测方法，其特征在于，所述将所述训练数据输入第二特征提取网络进行特征提取，得到所述第二特征向量，并通过所述第一知识蒸馏学习器约束所述第二特征向量与所述第一特征向量的差距在所述第一预设范围内，包括：
将所述训练数据输入第二特征提取网络进行特征提取，得到第三特征向量；
基于所述第一特征向量与所述第三特征向量，根据所述第一知识蒸馏学习器的蒸馏损失函数得到第一损失值；
根据所述第一损失值，更新所述第二特征提取网络的第一参数；
根据更新所述第一参数后的所述第二特征提取网络，得到所述第二特征向量。


5.根据权利要求4所述的人脸活体检测方法，其特征在于，所述蒸馏损失函数包括角度损失函数；
所述基于所述第一特征向量与所述第三特征向量，根据所述第一知识蒸馏学习器的蒸馏损失函数得到第一损失值，包括：
从所述训练集中任选3张人脸图像作为第一图像、第二图像和第三图像；
获取所述第一图像的所述第一特征向量作为第一向量；获取所述第二图像的所述第一特征向量作为第二向量；获取所述第三图像的所述第一特征向量作为第三向量；
获取所述第一图像的所述第三特征向量作为第四向量；获取所述第二图像的所述第三特征向量作为第五向量；获取所述第三图像的所述第三特征向量作为第六向量；
根据所述第一向量、所述第二向量和所述第三向量确定第一夹角，所述第一夹角为第一差向量与第二差向量的夹角，所述第一差向量为所述第二向量与所述第一向量的差向量，所述第二差向量为所述第三向量与所述第一向量的差向量；
根据所述第四向量、所述第五向量和所述第六向量确定第二夹角...

【专利技术属性】
技术研发人员：杨静，刘世策，丁守鸿，李季檩，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44