模型的训练方法、人脸活体识别方法、系统、设备及介质技术方案

本发明专利技术公开了一种人脸活体识别模型的训练方法、人脸活体的识别方法、系统、设备及介质，该训练方法包括以下步骤：获取待训练的可见光图像；对可见光图像进行数据增强处理，获取多个不同种类的特征映射图；将多通道残差卷积神经网络模型的初始卷积层的输入通道的数量进行修改；将所有特征映射图输入多通道残差卷积神经网络模型的初始卷积层的输入通道中进行训练，生成人脸活体识别模型。本发明专利技术扩增了输入通道的数量，提高了神经网络模型学习的起点，增强了神经网络模型进行活体识别的准确度。度。度。

【技术实现步骤摘要】
模型的训练方法、人脸活体识别方法、系统、设备及介质


[0001]本专利技术涉及计算机视觉
，具体涉及一种人脸活体识别模型的训练方法、人脸活体的识别方法、系统、设备及介质。

技术介绍

[0002]目前，人脸照片、人脸视频以及三维面具等假体人脸攻击方式层出不穷，人脸活体检测越来越受到人们的关注。活体检测是指计算机判别检测的人脸是真实人脸还是假体人脸，只有在判别为真实人脸的情况下，才能进入后续的人脸识别流程。现有的人脸活体检测主要依靠获取用户的人脸图像，通过训练活体检测模块判断输入人脸是否为活体。
[0003]然而，在训练活体检测模型的过程中，通常将数据增强作为一种扩充数据集的方法，也即，只是通过对样本数量进行扩充从而增加数据的多样性，使得预处理卷积层对RGB图像或者灰度图像的特征提取不够，造成神经网络模型识别的准确性低。

技术实现思路

[0004]本专利技术要解决的技术问题是为了克服现有技术中只是将数据增强作为一种扩充数据集的方法，预处理卷积层对RGB图像或者灰度图像的特征提取不够，造成模型识别准确性低的缺陷，提供一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸活体识别模型的训练方法，其特征在于，所述训练方法包括以下步骤：获取待训练的可见光图像；对所述可见光图像进行数据增强处理，获取多个不同种类的特征映射图；其中，所述数据增强处理不改变所述可见光图像的活体信息；将多通道残差卷积神经网络模型的初始卷积层的输入通道的数量进行修改；将所有所述特征映射图输入所述多通道残差卷积神经网络模型的初始卷积层的输入通道中进行训练，生成人脸活体识别模型；其中，所述多通道残差卷积神经网络模型中每个输入通道具有相同的网络结构，且每个输入通道对应于一种特征映射图，所述初始卷积层的输入通道的个数值为所述特征映射图的个数值之和。2.如权利要求1所述的人脸活体识别模型的训练方法，其特征在于，所述将所有所述特征映射图输入所述多通道残差卷积神经网络模型的初始卷积层的输入通道中进行训练的步骤，包括：沿通道方向以预设的固定顺序来排列所述特征映射图；将排列后的所述特征映射图一一对应的输入至所述输入通道；对输入特征映射图后的所述输入通道进行融合处理；其中，所述融合处理包括拼接。3.如权利要求1所述的人脸活体识别模型的训练方法，其特征在于，所述对所述可见光图像进行数据增强处理的步骤包括：对所述可见光图像按照预设顺序依次进行12种数据增强处理；其中，所述预设顺序为图像傅里叶变换、图像小波变换、随机通道丢失变换、随机通道混洗变换、下缩放、图像值反转、运动模糊、翻转、网格删除变换、随机混洗网格、随机缩放截取以及平移尺度缩放；和/或，所述特征映射图中的像素值的范围为[0,1]；和/或，所述可见光图像为仅包含人脸部分的三通道RGB图像，所述特征映射图的种类包括RGB图像和灰度图像；所述多通道残差卷积神经网络模型为ResNet50，修改后的所述初始卷积层的输入通道的个数值为32，所述多通道残差卷积神经网络模型使用的损失函数为交叉熵损失函数。4.一种人脸活体识别模型的训练系统，其特征在于，所述训练系统包括：第一获取模块，用于获取待训练的可见光图像；数据增强处理模块，用于对所述可见光图像进行数据增强处理，获取多个不同种类的特征映射图；其中，所述数据增强处理不改变所述可见光图像的活体信息；修改模块，用于将多通道残差卷积神经网络模型的初始卷积层的输入通道的数量进行修改；训练模块，用于将所有所述特征映射图输入所述多通道残差卷积神经网络模型的初始卷积层的输入通道中进行训练，生成人脸活体识别模型；其中，所述多通道残差卷积神经网络模型中每个输入通道具有相同的网络结构，且每个输入通道对应于一种特征映射图，所述初始卷积层的输入通道的个数值为所述特征映射图的个数值之和。
5.如权利要求4所述的人脸活体识别模...

【专利技术属性】
技术研发人员：沈涛，罗超，胡泓，李巍，
申请(专利权)人：携程计算机技术上海有限公司，
类型：发明
国别省市：