一种图片质量和静默活体检测多任务训练方法和设备技术

本发明专利技术涉及一种图片质量和静默活体检测多任务训练方法和设备，该方法包括：获取包括多个训练样本；其中，每个训练样本均对应质量标签和活体标签；融合每个训练样本的质量标签和活体标签得到每个训练样本的活体质量标签；通过带有活体质量标签的多个训练样本对预先建立的mobilefacenet模型进行训练，得到多任务判定模型；获取待检测对象的样本图像；将样本图像输入多任务判定模型，得到样本图像对应的判定概率；若判定概率大于预置阈值，则确定多任务检测通过。本方案中的多任务学习可降低模型复杂度，提高模型泛化性，降低系统整体耗时。此外，引入的新激活函数SquareAct,使得在进行质量判定和活体检测任务时更加有效。

【技术实现步骤摘要】
一种图片质量和静默活体检测多任务训练方法和设备
本专利技术涉及图片质量和静默活体检测的训练
，具体涉及一种图片质量和静默活体检测多任务训练方法和设备。
技术介绍
目前，人脸识别的技术被大量的应用在车站，支付，授权等场景，而人脸识别特别依赖对应的人脸图像的质量，人脸图像的质量能显著的影响到人了识别的识别效率以及识别成功率。而为了提高识别的成功率，以及面对某些利用照片等进行欺骗人脸识别系统的方式，现有的技术方案在进行人脸识别任务之前，一般需要经过图片质量过滤和活体检测两个环节，用来排除不符合要求(质量低、假体攻击等)的图片。但是，人脸图片质量判定和活体检测判定，这两个过程，在现有的技术方案中，均是独立地分别进行的，这导致存在一些问题：人脸图片质量判定和活体检测判定这两个环节分别独立进行，忽略了任务之间的联系，且增加了系统耗时，进而影响到了最终人脸识别的效率。为此，现在需要有一种更好的方案来解决现有技术中的问题。
技术实现思路
本专利技术提供一种图片质量和静默活体检测多任务训练方法和设备，能够解决现有技术中效率低下的技术问题。本专利技术解决上述技术问题的技术方案如下：本专利技术实施例提出了一种图片质量和静默活体检测多任务训练方法，包括：获取包括多个训练样本；其中，每个所述训练样本均对应质量标签和活体标签；融合每个所述训练样本的所述质量标签和所述活体标签得到每个所述训练样本的活体质量标签；通过带有所述活体质量标签的多个所述训练样本对预先建立的mobilefacenet模型进行训练，得到多任务判定模型；其中，所述mobilefacenet模型中的解码层由全连接层和激活函数SquareAct组成；获取待检测对象的样本图像；将所述样本图像输入所述多任务判定模型，得到所述样本图像对应的判定概率；若所述判定概率大于预置阈值，则确定多任务检测通过。在一个具体的实施例中，所述质量标签对应的质量标签值的范围在0-1之间，所述活体标签对应的活体标签值的为0或1；所述活体质量标签对应的活体质量标签值的范围在0-1之间。在一个具体的实施例中，所述活体质量标签对应的活体质量标签值为所述质量标签对应的质量标签值与所述活体标签对应的活体标签值的乘积。在一个具体的实施例中，所述mobilefacenet模型还包括：输入层、卷积层、Sigmoid激活层、交叉熵损失函数层；其中，所述输入层连接所述卷积层，所述卷积层连接所述解码层、所述解码层连接所述Sigmoid激活层、所述Sigmoid激活层连接所述交叉熵损失函数层；所述交叉熵损失函数层连接所述卷积层。在一个具体的实施例中，该方法还包括：若所述判定概率不大于预置阈值，则确定多任务检测未通过。本专利技术实施例还提出了一种图片质量和静默活体检测多任务训练设备，包括：第一获取模块，用于获取包括多个训练样本；其中，每个所述训练样本均对应质量标签和活体标签；融合模块，用于融合每个所述训练样本的所述质量标签和所述活体标签得到每个所述训练样本的活体质量标签；训练模块，用于通过带有所述活体质量标签的多个所述训练样本对预先建立的mobilefacenet模型进行训练，得到多任务判定模型；其中，所述mobilefacenet模型中的解码层由全连接层和激活函数SquareAct组成；第二获取模块，用于获取待检测对象的样本图像；判定模块，用于将所述样本图像输入所述多任务判定模型，得到所述样本图像对应的判定概率；确定模块，用于当所述判定概率大于预置阈值时，确定多任务检测通过。在一个具体的实施例中，所述质量标签对应的质量标签值的范围在0-1之间，所述活体标签对应的活体标签值的范围在0-1之间；所述活体质量标签对应的活体质量标签值的范围在0-1之间。在一个具体的实施例中，所述活体质量标签对应的活体质量标签值为所述质量标签对应的质量标签值与所述活体标签对应的活体标签值的乘积。在一个具体的实施例中，所述mobilefacenet模型还包括：输入层、卷积层、Sigmoid激活层、交叉熵损失函数层；其中，所述输入层连接所述卷积层，所述卷积层连接所述解码层、所述解码层连接所述Sigmoid激活层、所述Sigmoid激活层连接所述交叉熵损失函数层；所述交叉熵损失函数层连接所述卷积层。在一个具体的实施例中，该设备还包括：处理模块，用于当所述判定概率不大于预置阈值时，确定多任务检测未通过。本专利技术的有益效果是：本方案中，考虑到人脸质量判定和活体检测两个任务使用的训练数据类似，可以共享深度网络底层特征；本方案中的多任务学习可降低模型复杂度，提高模型泛化性，降低系统整体耗时。此外，相比于CNN(ConvolutionalNeuralNetworks，卷积神经网络)中常用激活函数为PReLu,ReLu,tanh等，本专利技术引入的新激活函数SquareAct,使得在进行质量判定和活体检测任务时更加有效。附图说明图1为本专利技术实施例提供的一种图片质量和静默活体检测多任务训练方法的流程示意图；图2为本专利技术实施例提供的一种图片质量和静默活体检测多任务训练方法的流程示意图；图3为本专利技术实施例提供的一种图片质量和静默活体检测多任务训练方法的流程示意图；图4为本专利技术实施例提供的一种图片质量和静默活体检测多任务训练方法的流程示意图；图5为本专利技术实施例提供的一种图片质量和静默活体检测多任务训练方法的流程示意图；具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。本方案用于对图片的质量以及静默状态下的活体进行检测，具体的，静默状态下的活体包括保持静默的用户，用户不进行发声以及也不执行预算的某项动作，例如眨眼，摇头等。实施例1本专利技术实施例提供的一种图片质量和静默活体检测多任务训练方法，如图1或图2所示，包括以下步骤：步骤101、获取包括多个训练样本；其中，每个所述训练样本均对应质量标签和活体标签；具体的，对预先采集的图像进行预处理，生成训练样本；每个训练样本包含的两个标签值，分别为质量标签与活体标签；具体的预处理可以包括对图像进行剔除清洗不合格的图片，还可以包括人工标记质量标签与活体标签的标签值的操作；具体的质量标签的标签值用于表示所在训练样本的图像质量，例如是否足够清晰，光线强度是否合适等等；而活体标签则用于表示所在训练样本中的对象是否为活体，其值只有2个，一个表示为活体，另一个则表示为非活体。步骤102、融合每个所述训练样本的所述质量标签和所述活体标签得到每个所述训练样本的活体质量标签；具体的，所述质量标签对应的质量标签值的范围在0-1之间，其中，质量标签值越大，代表所在的训练样本的图像质量越高；所述活体标签对应的活体标签值的为0或1；具体的，活体标签值的为0表本文档来自技高网...

【技术保护点】
1.一种图片质量和静默活体检测多任务训练方法，其特征在于，包括：/n获取包括多个训练样本；其中，每个所述训练样本均对应质量标签和活体标签；/n融合每个所述训练样本的所述质量标签和所述活体标签得到每个所述训练样本的活体质量标签；/n通过带有所述活体质量标签的多个所述训练样本对预先建立的mobilefacenet模型进行训练，得到多任务判定模型；其中，所述mobilefacenet模型中的解码层由全连接层和激活函数SquareAct组成；/n获取待检测对象的样本图像；/n将所述样本图像输入所述多任务判定模型，得到所述样本图像对应的判定概率；/n若所述判定概率大于预置阈值，则确定多任务检测通过。/n

【技术特征摘要】
1.一种图片质量和静默活体检测多任务训练方法，其特征在于，包括：
获取包括多个训练样本；其中，每个所述训练样本均对应质量标签和活体标签；
融合每个所述训练样本的所述质量标签和所述活体标签得到每个所述训练样本的活体质量标签；
通过带有所述活体质量标签的多个所述训练样本对预先建立的mobilefacenet模型进行训练，得到多任务判定模型；其中，所述mobilefacenet模型中的解码层由全连接层和激活函数SquareAct组成；
获取待检测对象的样本图像；
将所述样本图像输入所述多任务判定模型，得到所述样本图像对应的判定概率；
若所述判定概率大于预置阈值，则确定多任务检测通过。


2.根据权利要求1所述的方法，其特征在于，所述质量标签对应的质量标签值的范围在0-1之间，所述活体标签对应的活体标签值的为0或1；所述活体质量标签对应的活体质量标签值的范围在0-1之间。


3.根据权利要求1或2所述的方法，其特征在于，所述活体质量标签对应的活体质量标签值为所述质量标签对应的质量标签值与所述活体标签对应的活体标签值的乘积。


4.根据权利要求1所述的方法，其特征在于，所述mobilefacenet模型还包括：输入层、卷积层、Sigmoid激活层、交叉熵损失函数层；其中，
所述输入层连接所述卷积层，所述卷积层连接所述解码层、所述解码层连接所述Sigmoid激活层、所述Sigmoid激活层连接所述交叉熵损失函数层；
所述交叉熵损失函数层连接所述卷积层。


5.根据权利要求1所述的方法，其特征在于，还包括：若所述判定概率不大于预置阈值，则确定多任务检测未通过。


6.一种图片质量和静默活体检测多任务训练设备，其特...

【专利技术属性】
技术研发人员：胡炳然，刘青松，梁家恩，
申请(专利权)人：云知声智能科技股份有限公司，厦门云知芯智能科技有限公司，
类型：发明
国别省市：北京;11