人脸活体检测模型的训练方法、人脸活体检测方法及装置制造方法及图纸

本公开披露了一种人脸活体检测模型的训练方法、人脸活体检测方法、装置、设备、介质和产品，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于智慧城市和智慧金融场景下。人脸活体检测模型的训练方法包括：将多个训练图像输入人脸活体检测模型中，其中，多个训练图像包括人脸活体图像和N类攻击图像，人脸活体检测模型包括N个子模型，N个子模型与N类攻击图像一一对应，N为大于或等于2的整数；针对N个子模型中的每个子模型，利用子模型对人脸活体图像和与子模型对应的攻击图像进行识别，得到第一识别结果；至少基于第一识别结果，调整人脸活体检测模型的模型参数，以得到经训练的人脸活体检测模型。以得到经训练的人脸活体检测模型。以得到经训练的人脸活体检测模型。

【技术实现步骤摘要】
人脸活体检测模型的训练方法、人脸活体检测方法及装置


[0001]本公开涉及人工智能
，具体为计算机视觉和深度学习
，可应用于智慧城市和智慧金融场景下。

技术介绍

[0002]人脸活体检测技术是用于检测一张图像是否为人脸活体图像的技术，是人脸识别系统的重要组成，保证了人脸识别系统的安全性。由于攻击技术的层出不穷，导致人脸识别系统难以准确地识别出攻击图像，攻击图像例如为非人脸活体图像。因此，亟需一种能够应对各种攻击方式的人脸活体检测技术。

技术实现思路

[0003]本公开提供了一种人脸活体检测模型的训练方法、人脸活体检测方法、装置、电子设备、存储介质以及计算机程序产品。
[0004]根据本公开的一方面，提供了一种人脸活体检测模型的训练方法，包括：将多个训练图像输入人脸活体检测模型中，其中，所述多个训练图像包括人脸活体图像和N类攻击图像，所述人脸活体检测模型包括N个子模型，所述N个子模型与所述N类攻击图像一一对应，N为大于或等于2的整数；针对所述N个子模型中的每个子模型，利用所述子模型对所述人脸活体图像和与所述子模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸活体检测模型的训练方法，包括：将多个训练图像输入人脸活体检测模型中，其中，所述多个训练图像包括人脸活体图像和N类攻击图像，所述人脸活体检测模型包括N个子模型，所述N个子模型与所述N类攻击图像一一对应，N为大于或等于2的整数；针对所述N个子模型中的每个子模型，利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别，得到第一识别结果；以及至少基于所述第一识别结果，调整所述人脸活体检测模型的模型参数，以得到经训练的人脸活体检测模型。2.根据权利要求1所述的方法，其中，所述人脸活体检测模型还包括总体识别网络；所述N个子模型中的每个子模型包括特征提取网络；其中，所述方法还包括，在至少基于所述第一识别结果，调整所述人脸活体检测模型的模型参数之前：针对每个训练图像，利用每个子模型的特征提取网络提取训练图像的图像特征，得到与所述N个子模型对应的N个图像特征；将所述N个图像特征进行拼接处理，得到总体图像特征；将所述总体图像特征输入所述总体识别网络中进行识别，得到第二识别结果；其中，所述至少基于所述第一识别结果，调整所述人脸活体检测模型的模型参数包括：基于所述第一识别结果和第二识别结果，调整所述人脸活体检测模型的模型参数。3.根据权利要求1所述的方法，其中，所述N个子模型中的每个子模型包括特征提取网络和识别网络；其中，所述针对所述N个子模型中的每个子模型，利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别包括：针对所述N个子模型中的每个子模型，利用所述子模型的特征提取网络提取所述人脸活体图像的图像特征和与所述子模型对应的攻击图像的图像特征；以及将所述人脸活体图像的图像特征和与所述子模型对应的攻击图像的图像特征，输入所述子模型的识别网络中进行识别。4.根据权利要求1所述的方法，其中，所述人脸活体检测模型还包括基础特征提取网络；其中，所述方法还包括，在利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别之前：利用所述基础特征提取网络分别对所述人脸活体图像和与所述子模型对应的攻击图像进行特征提取处理，得到处理后的人脸活体图像和处理后的攻击图像，以便将处理后的人脸活体图像和处理后的攻击图像输入所述子模型，其中，所述基础特征提取网络包括深度可分离卷积网络MobileNet V2。5.根据权利要求3所述的方法，其中，每个子模型的特征提取网络包括5个卷积层，每个子模型的识别网络包括1个全连接层和一个softmax层。6.根据权利要求2所述的方法，其中，所述总体识别网络包括1个全连接层和一个softmax层。7.根据权利要求1
‑
6中任意一项所述的方法，其中，所述N类攻击图像包括以下至少两
个：针对显示于电子屏幕的人脸所采集的图像；针对具有人脸的纸质照片所采集的图像；针对具有人脸特征的平面面具所采集的图像；针对立体人脸模型所采集的图像。8.根据权利要求1
‑
7中任意一项所述的方法，还包括获取所述多个训练图像；其中，所述获取所述多个训练图像包括以下至少一项：获取初始图像，并提取所述初始图像中人脸所在的区域图像作为训练图像；获取初始图像，并对所述初始图像中的人脸进行人脸对齐操作，得到训练图像；获取初始图像，并对所述初始图像中每个像素的像素值进行归一化处理；以及获取初始图像，对所述初始图像进行随机数据增强处理，并将所述初始图像和处理后的初始图像作为训练图像。9.一种人脸活体检测方法，包括：获取待识别人脸图像；利用人脸活体检测模型对所述待识别人脸图像进行识别，以确定所述待识别人脸图像是否为人脸活体图像，其中，所述人脸活体检测模型是使用根据权利要求1
‑
8中任一项权利要求所述的方法来训练的。10.根据权利要求9所述的方法，其中，所述利用人脸活体检测模型对所述待识别人脸图像进行识别，以确定所述待识别人脸图像是否为人脸活体图像包括：利用所述N个子模型中的特征提取网络分别对所述待识别人脸图像进行特征提取，得到与N个子模型对应的N个图像特征；利用所述N个子模型中的识别网络分别对所述N个图像特征进行识别，得到与N个子模型对应的N个第一概率，每个第一概率表征了对应子模型识别所述待识别人脸图像为人脸活体图像的概率；将所述N个图像特征进行拼接，得到总体图像特征；利用所述总体识别网络对所述总体图像特征进行识别得到第二概率，所述第二概率表征了总体识别网络识别所述待识别人脸图像为人脸活体图像的概率；以及基于所述N个第一概率和所述第二概率，确定所述待识别人脸图像是否为人脸活体图像。11.根据权利要求10所述的方法，其中，所述基于所述N个第一概率和所述第二概率，确定所述待识别人脸图像是否为人脸活体图像包括：确定所述N个第一概率中的最大概率；以及基于所述最大概率和所述第二概率的平均值，确定所述待识别人脸图像是否为人脸活体图像。12.一种人脸活体检测模型的训练装置，包括：图像输入模块，用于将多个训练图像输入人脸活体检测模型中，其中，所述多个训练图像包括人脸活体图像和N类攻击图像，所述人脸活体检测模型包括N个子模型，所述N个子模型与所述N类攻击图像一一对应，N为大于或等于2的整数；
第一识别模块，用于针对所述N个子模型中的每个子模型，利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别，得到第一...

【专利技术属性】
技术研发人员：王珂尧，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：