一种人脸活体检测方法、装置、机器可读介质及设备制造方法及图纸

本发明专利技术公开了一种人脸活体检测方法，包括：获取待检测的图像；将待检测的图像输入预先训练好的人脸活体检测模型，得到待检测的图像中检测对象是否为活体的检测结果；其中所述人脸活体检测模型的骨干网以inception block作为基础结构。本发明专利技术的人脸活体检测模型包含inception结构的卷积神经网络，可以有效提取浅层纹理特征和深层语义特征，使模型具备鉴别欺骗攻击的能力。欺骗攻击的能力。欺骗攻击的能力。

【技术实现步骤摘要】
一种人脸活体检测方法、装置、机器可读介质及设备


[0001]本专利技术涉及人脸检测领域，具体涉及一种人脸活体检测方法、装置、机器可读介质及设备。

技术介绍

[0002]在基于人脸识别的身份验证场景中，为了防止一些欺骗手段，诸如人皮面具、录制的人像视频、打印的人脸图片等等的欺骗攻击，通常采用红外相机采集人脸图像，然后做活体检测。由于强大的特征提取能力，卷积神经网络是做活体检测的有效工具。普通的图像任务，诸如目标识别、目标检测等依赖的是图像的语义特征；而活体检测依赖的更多是网络浅层特征和语义特征的结合。因此图像领域的主流卷积神经网络不适用于活体检测任务。另外一方面，人脸识别系统对活体检测的速度有较高需求，在系统中无法部署重量级模型。

技术实现思路

[0003]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种人脸活体检测方法、装置、机器可读介质及设备，用于解决现有技术存在的问题。
[0004]为实现上述目的及其他相关目的，本专利技术提供一种人脸活体检测方法，包括：
[0005]获取待检测的图像；
[0006]将待检测的图像输入预先训练好的人脸活体检测模型，得到待检测的图像中检测对象是否为活体的检测结果；其中所述人脸活体检测模型的骨干网以inception block作为基础结构。
[0007]可选地，训练得到所述人脸活体检测模型的方法包括：
[0008]构建人脸活体检测模型的超参数池，包括多种超参数；所述多种超参数包括block的数量、block内的并联分支数目、分支内的卷积核通道数目、下采样层的位置、图像层的通道数目、是否采用全局平均池化层、全连接层的层数及通道数目；
[0009]构建训练策略池，包括多种训练策略；所述多种训练策略包括学习率大小、学习率下降策略，学习率warm-up，数据增强方法；
[0010]基于所述超参数池中的超参数以及训练策略池中的训练策略，通过迭代训练得到每一种超参数对应的优选超参数和每一种训练策略对应的优选训练策略；
[0011]基于所有所述优选超参数和所有所述优选训练策略以及训练集，确定人脸活体检测模型。
[0012]可选地，优选超参数的获得方法包括：
[0013]从所述超参数池中选择其中一种超参数作为候选超参数，以及从训练策略池中选择一种训练策略作为初始训练策略；
[0014]基于所述候选超参数、所述初始训练策略以及训练集，对待训练的人脸活体检测模型进行迭代训练，直至满足迭代停止条件，每一次训练得到一个训练后的人脸活体检测模型；
[0015]基于验证集对每个训练后的人脸活体检测模型进行验证，得到每个训练后的人脸活体检测模型在所述验证集上的验证得分；
[0016]根据所述验证得分从所述多个训练后的人脸活体检测模型中确定一个目标人脸活体检测模型；
[0017]将所述目标人脸活体检测模型的超参数作为优选超参数。
[0018]可选地，优选训练策略的获得方法包括：
[0019]从所述超参数池中选择其中一种超参数作为初始超参数，以及从训练策略池中选择一种训练策略作为候选训练策略；
[0020]基于所述初始超参数、所述候选训练策略以及训练集，对待训练的人脸活体检测模型进行迭代训练，直至满足迭代停止条件，每一次训练得到一个训练后的人脸活体检测模型；
[0021]基于验证集对每个训练后的人脸活体检测模型进行验证，得到每个训练后的人脸活体检测模型在所述验证集上的验证得分；
[0022]根据所述验证得分从所述多个训练后的人脸活体检测模型中确定一个目标人脸活体检测模型；
[0023]将所述目标人脸活体检测模型对应的训练策略作为优选训练策略。
[0024]可选地，训练得到人脸活体检测模型，包括：
[0025]以在同样的训练策略下确定的每一种优选超参数组成优选超参数组以及通过优选超参数确定的以每一种优选训练策略构成的优选训练策略组确定训练后的人脸活体检测模型；
[0026]改变所述训练策略，重复上述步骤，直至训练后的人脸活体检测模型的性能指标满足设定要求。
[0027]为实现上述目的及其他相关目的，本专利技术提供一种人脸活体检测装置，包括：
[0028]图像获取模块，用于获取待检测的图像；
[0029]活体检测模型，用于将待检测的图像输入预先训练好的人脸活体检测模型，得到待检测的图像中检测对象是否为活体的检测结果；其中所述人脸活体检测模型的骨干网以inception block作为基础结构。
[0030]可选地，通过训练模块训练得到所述人脸活体检测模型，所述训练模块包括：
[0031]超参数池构建子模块，用于构建人脸活体检测模型的超参数池，包括多种超参数；所述多种超参数包括block的数量、block内的并联分支数目、分支内的卷积核通道数目、下采样层的位置、图像层的通道数目、是否采用全局平均池化层、全连接层的层数及通道数目；
[0032]训练策略池构建子模块，用于构建训练策略池，包括多种训练策略；所述多种训练策略包括学习率大小、学习率下降策略，学习率warm-up，数据增强方法；
[0033]迭代训练子模块，用于基于所述超参数池中的超参数以及训练策略池中的训练策略，通过迭代训练得到每一种超参数对应的优选超参数和每一种训练策略对应的优选训练策略；
[0034]人脸活体检测模块确定模块，用于基于所有所述优选超参数和所有所述优选训练策略以及训练集，确定人脸活体检测模型。
[0035]可选地，所述迭代训练子模块包括：
[0036]第一选择单元，用于从所述超参数池中选择其中一种超参数作为候选超参数，以及从训练策略池中选择一种训练策略作为初始训练策略；
[0037]第一迭代训练单元，用于基于所述候选超参数、所述初始训练策略以及训练集，对待训练的人脸活体检测模型进行迭代训练，直至满足迭代停止条件，每一次训练得到一个训练后的人脸活体检测模型；
[0038]验证单元，用于基于验证集对每个训练后的人脸活体检测模型进行验证，得到每个训练后的人脸活体检测模型在所述验证集上的验证得分；
[0039]优选超参数确定单元，用于根据所述验证得分从所述多个训练后的人脸活体检测模型中确定一个目标人脸活体检测模型；将所述目标人脸活体检测模型的超参数作为优选超参数。
[0040]可选地，所述迭代训练子模块还包括：
[0041]第二选择单元，用于从所述超参数池中选择其中一种超参数作为初始超参数，以及从训练策略池中选择一种训练策略作为候选训练策略；
[0042]第二迭代训练单元，用于基于所述初始超参数、所述候选训练策略以及训练集，对待训练的人脸活体检测模型进行迭代训练，直至满足迭代停止条件，每一次训练得到一个训练后的人脸活体检测模型；
[0043]第二验证单元，用于基于验证集对每个训练后的人脸活体检测模型进行验证，得到每个训练后的人脸活体检测模型在所述验证集上的验证得分；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸活体检测方法，其特征在于，包括：获取待检测的图像；将待检测的图像输入预先训练好的人脸活体检测模型，得到待检测的图像中检测对象是否为活体的检测结果；其中所述人脸活体检测模型的骨干网以inceptionblock作为基础结构。2.根据权利要求1所述的人脸活体检测方法，其特征在于，训练得到所述人脸活体检测模型的方法包括：构建人脸活体检测模型的超参数池，包括多种超参数；所述多种超参数包括block的数量、block内的并联分支数目、分支内的卷积核通道数目、下采样层的位置、图像层的通道数目、是否采用全局平均池化层、全连接层的层数及通道数目；构建训练策略池，包括多种训练策略；所述多种训练策略包括学习率大小、学习率下降策略，学习率warm-up，数据增强方法；基于所述超参数池中的超参数以及训练策略池中的训练策略，通过迭代训练得到每一种超参数对应的优选超参数和每一种训练策略对应的优选训练策略；基于所有所述优选超参数和所有所述优选训练策略以及训练集，确定人脸活体检测模型。3.根据权利要求2所述的人脸活体检测方法，其特征在于，优选超参数的获得方法包括：从所述超参数池中选择其中一种超参数作为候选超参数，以及从训练策略池中选择一种训练策略作为初始训练策略；基于所述候选超参数、所述初始训练策略以及训练集，对待训练的人脸活体检测模型进行迭代训练，直至满足迭代停止条件，每一次训练得到一个训练后的人脸活体检测模型；基于验证集对每个训练后的人脸活体检测模型进行验证，得到每个训练后的人脸活体检测模型在所述验证集上的验证得分；根据所述验证得分从所述多个训练后的人脸活体检测模型中确定一个目标人脸活体检测模型；将所述目标人脸活体检测模型的超参数作为优选超参数。4.根据权利要求2所述的人脸活体检测方法，其特征在于，优选训练策略的获得方法包括：从所述超参数池中选择其中一种超参数作为初始超参数，以及从训练策略池中选择一种训练策略作为候选训练策略；基于所述初始超参数、所述候选训练策略以及训练集，对待训练的人脸活体检测模型进行迭代训练，直至满足迭代停止条件，每一次训练得到一个训练后的人脸活体检测模型；基于验证集对每个训练后的人脸活体检测模型进行验证，得到每个训练后的人脸活体检测模型在所述验证集上的验证得分；根据所述验证得分从所述多个训练后的人脸活体检测模型中确定一个目标人脸活体检测模型；将所述目标人脸活体检测模型对应的训练策略作为优选训练策略。5.根据权利要求2所述的人脸活体检测方法，其特征在于，训练得到人脸活体检测模
型，包括：以在同样的训练策略下确定的每一种优选超参数组成优选超参数组以及通过优选超参数确定的以每一种优选训练策略构成的优选训练策略组确定训练后的人脸活体检测模型；改变所述训练策略，重复上述步骤，直至训练后的人脸活体检测模型的性能指标满足设定要求。6.一种人脸活体检测装置，其特征在于，包括：图像获取模块，用于获取待检测的图像；活体检测模型，用于将待检测的图像输入预先训练好的人脸活体检测模型，得到待检测的图像中检测对象是否为活体的检测结果；其中所述人脸活体检测模型的骨干网以inception block作为基础结构。7.根据权利要求6所述的人脸活体检测方法，其特征在于...

【专利技术属性】
技术研发人员：姚志强，周曦，毛艺凡，
申请(专利权)人：广州云从凯风科技有限公司，
类型：发明
国别省市：