一种图像检测方法技术

本申请实施例提供了一种图像检测方法，涉及深度学习技术领域，用以提高活体检测的准确率。该方法中，首先获取待检测图像，然后通过训练好的活体检测网络对该图像进行检测，得到该图像的输出结果；训练好的活体检测网络是通过以下方法进行N次训练得到的；将已知数据集中的第一图像及其第一标签作为活体检测网络的第一输入，将第一图像为活体人脸图像的概率作为第一输出；以及，将生成器根据随机生成的高斯分布数据源生成的第二图像作为活体检测网络的第二输入，将第二图像为活体人脸图像的概率作为第二输出；根据第一输出的损失和第二输出的损失，对活体检测网络进行第n次训练，得到训练好的活体检测网络；n是小于或等于N，且大于0的整数。于0的整数。于0的整数。

【技术实现步骤摘要】
一种图像检测方法


[0001]本申请涉及深度学习
，特别涉及一种图像检测方法。

技术介绍

[0002]人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。近年来人脸识别技术越来越多的应用到智能化设备上，比如闸机门禁、上班考勤机和手机刷脸支付等。但是人脸识别系统有被使用伪装用户人脸进行攻击的风险，一旦用户人脸图像被窃取，系统非常容易受到攻击。
[0003]活体检测技术是在一些身份验证场景确定对象真实生理特征的方法，在人脸检测应用中，活体检测能通过眨眼、张嘴、摇头和点头等组合动作，使用人脸关键点定位和人脸追踪等技术，验证用户是否为真实活体本人操作。可有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段，从而帮助用户甄别欺诈行为，保障用户的利益。因此针对活体检测的研究逐渐成为人脸检测中的重要研究任务。

技术实现思路

[0004]本申请实施例提供了一种图像检测方法、装置和电子设备，用以提高活体检测的准确率。
[0005]第一方面，本申请实施例提供了一种图像检测方法，包括：获取待检测图像；通过训练好的活体检测网络对所述待检测图像进行检测，得到所述待检测图像的输出结果；所述输出结果表示所述待检测图像是否为活体人脸图像；所述训练好的活体检测网络是通过以下方法进行N次训练得到的；所述N是预设的，且N是正整数；其中，将已知数据集中的第一图像和所述第一图像的第一标签作为所述活体检测网络的第一输入，将所述第一图像为活体人脸图像的概率作为所述活体检测网络的第一输出；所述第一标签用于表示所述第一图像为活体人脸图像；以及，将生成器根据随机生成的高斯分布数据源生成的第二图像作为所述活体检测网络的第二输入，将所述第二图像为活体人脸图像的概率作为所述活体检测网络的第二输出；根据所述第一输出的损失和所述第二输出的损失，对所述活体检测网络进行第n次训练，得到所述训练好的活体检测网络；n是小于或等于N，且大于或等于0的整数。
[0006]基于上述方案，提出的一种对活体检测网络的训练方法，可以有效应用人脸防假任务中的未知攻击类型图像，可以增强活体检测网络的效果。相对目前技术，可以在网络规模有限情况下提升活体检测网络，相对于领域自适应类方法而言，该方法需要的数据量更少，需要的数据类别少，不需要对训练数据进行领域划分，该方法生成的未知攻击类型图像覆盖面更广。
[0007]在一种可能的实现方式中，所述第一输出的损失为所述第一输出与所述第一图像的第一标签的分类交叉熵损失；所述第一输出的损失L
cls
满足以下公式：
C代表第一图像数量， 是活体检测网络预测第j个第一图像为活体人脸图像的概率， 是第j个第一图像的第一标签；所述第二输出的损失为所述第二输出与预设的类别均匀概率分布之间的相对熵损失；所述第二输出的损失满足以下公式：N为输入的所述第二图像的数量，表示预测输入的第i个第二图像为活体人脸图像的概率， y
uniform
为预设类别均匀概率分布。
[0008]基于上述方案，通过分类交叉熵损失函数可以表示在活体检测网络中实际输出的结果与输入图像的预设标签之间的差异，以此对活体检测网络对活体人脸检测的准确性进行约束，使用相对熵损失可以度量输出分布与类别均匀分布的差异性。
[0009]在一种可能的实现方式中，根据所述第一输出的损失和所述第二输出的损失，对所述活体检测网络进行N次训练，得到所述训练好的活体检测网络，包括：确定所述第一图像的中心损失；所述中心损失是通过中心损失函数确定的；所述中心损失L
center
满足以下公式：M为已知数据集中第一图像的数量， 表示已知数据集中的第i个第一图像，为预设的类中心；根据所述中心损失、所述第一输出的损失和所述第二输出的损失对所述活体检测网络进行N次训练，得到所述训练好的活体检测网络。
[0010]基于上述方案，针对活体检测提出了一种新的损失计算方法，该方法的提出考虑到活体人脸图像分布的类中心概念，保证了活体人脸图像的类内紧凑。此外将中心损失、第一输出的损失和第二输出的损失相结合，有效的提高了网络的鲁棒性，相对现有技术而言考虑更加全面。
[0011]在一种可能的实现方式中，所述生成器是预先训练好的生成器；所述生成器是根据以下方法训练N次得到的；将所述生成器根据随机生成的高斯分布数据源生成的第三图像和所述第三图像的第二标签作为鉴别器的输入；所述第二标签用于表示所述第三图像为已知图像；将所述第三图像为已知图像的概率作为所述鉴别器的输出；将所述第三图像作为n
‑
1次训练得到的活体检测网络的输入，将所述第三图像为活体人脸图像的概率作为所
述n
‑
1次训练得到的活体检测网络的输出；根据所述鉴别器的输出的损失和所述n
‑
1次训练得到的活体检测网络的输出的损失，对所述生成器进行第n次训练。
[0012]基于上述方案，通过训练生成器，加强其实时生成未知图像对活体检测网络，从而提高其鲁棒性，而且增强其对未知类型图像的检测能力。
[0013]在一种可能的实现方式中，所述鉴别器的输出的损失是所述鉴别器的输出与所述第二标签的交叉熵分类损失；所述鉴别器的输出的损失L
eerrG
满足以下公式：C代表第三图像数量，是鉴别器预测第j个第三图像为已知图像的概率，是第j个第三图像的第二标签；所述n
‑
1次训练时的活体检测网络的输出的损失所述n
‑
1次训练时的活体检测网络的输出与预设的类别均匀概率分布之间的相对熵损失；所述第n
‑
1次训练时的活体检测网络的输出的损失满足以下公式：N为第三图像的数量， 表示输入的第i个第三图像为活体人脸图像的概率， 为预设类别均匀概率分布。
[0014]基于上述方案，通过分类交叉熵损失函数可以表示在鉴别器中实际输出的结果与输入图像的预设标签之间的差异，以此对鉴别器对是否为已知图像的判断的准确性进行约束，使用相对熵损失可以度量输出分布与类别均匀分布的差异性。
[0015]在一种可能的实现方式中，所述鉴别器是预先训练好的鉴别器；所述鉴别器是根据以下方法训练N次得到的；将所述第一图像和所述第一标签作为所述鉴别器的第三输入，将所述第一图像为已知图像的概率作为所述鉴别器的第三输出；以及，将第n
‑
1次训练得到的生成器根据随机生成的高斯分布数据源生成的第四图像和所述第四图像的第三标签作为所述鉴别器的第四输入，将所述第四图像为已知图像的概率为所述生成器的第四输出；所述第三标签表示所述第四图像为未知图像；根据所述第三输出的损失和所述第四输出的损失，对所述鉴别器进行第n次训练。
[0016]基于上述方案，对鉴别器进行训练可以使鉴别器对已知图像和未知攻击类型图像的判断更为准确，从而更好地训练活体检测网络，增强活体检测网络的准确性和鲁棒性。
[0017]在一种可能的实现方式中，所述第三输出的损失为所述第三输出的判别损失；所述第三输出的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：获取待检测图像；通过训练好的活体检测网络对所述待检测图像进行检测，得到所述待检测图像的输出结果；所述输出结果表示所述待检测图像是否为活体人脸图像；所述训练好的活体检测网络是通过以下方法进行N次训练得到的；所述N是预设的，且N是正整数；其中，将已知数据集中的第一图像和所述第一图像的第一标签作为所述活体检测网络的第一输入，将所述第一图像为活体人脸图像的概率作为所述活体检测网络的第一输出；所述第一标签表示输入的图像为活体人脸图像；以及，将生成器根据随机生成的高斯分布数据源生成的第二图像作为所述活体检测网络的第二输入，将所述第二图像为活体人脸图像的概率作为所述活体检测网络的第二输出；根据所述第一输出的损失和所述第二输出的损失，对所述活体检测网络进行第n次训练，得到所述训练好的活体检测网络；n是小于或等于N，且大于0的整数。2.根据权利要求1所述的方法，其特征在于，所述第一输出的损失L
cls
满足以下公式：满足以下公式：代表第一图像数量，是活体检测网络预测第j个第一图像为活体人脸图像的概率，是第个第一图像的第一标签；所述第二输出的损失满足以下公式：N为输入的所述第二图像的数量， 表示预测输入的第i个第二图像为活体人脸图像的概率，y
uniform
为预设类别均匀概率分布。3.根据权利要求1或2所述的方法，其特征在于，根据所述第一输出的损失和所述第二输出的损失，对所述活体检测网络进行N次训练，得到所述训练好的活体检测网络，包括：确定所述第一图像的中心损失；所述中心损失L
center
满足以下公式：M为已知数据集中第一图像的数量， 表示已知数据集中的第i个第一图像，为预设的类中心；根据所述中心损失、所述第一输出的损失和所述第二输出的损失对所述活体检测网络进行N次训练，得到所述训练好的活体检测网络。
4.根据权利要求1所述的方法，其特征在于，所述生成器是预先训练好的生成器；所述生成器是根据以下方法训练N次得到的；将所述生成器根据随机生成的高斯分布数据源生成的第三图像和所述第三图像的第二标签作为鉴别器的输入；所述第二标签表示输入的图像为已知图像；将所述第三图像为已知图像的概率作为所述鉴别器的输出；将所述第三图像作为第n
‑
1次训练得到的活体检测网络的输入，将所述第三图像为活体人脸图像的概率作为所述第n
‑
1次训练得到的活体检测网络的输出；根据所述鉴别器的输出的损失和所述第n
‑
1次训练得到的活体检测网络的输出的损失，对所述生成器进行第n次训练。5.根据权利要求4所述的方法，其特征在于，所述鉴别器的输出的损失L
eerrG
满足以下公式：C代表第三图像数量，是鉴别器预测第j个第三图像为已知图像的概率，是第j个第三图像的第二标签；所述第n
‑
1次训练时的活体检测网络的输出的损失满足以下公式：N为第三图像的数量， 表示输入的第i个第三图像为活体人脸图像的概率， 为预设类别均匀概率分布。6.根据权利要求4所述的方法，其特征在于，所述鉴别器是预先训练好的鉴别器；所述鉴别器是根据以下方法训练N次得到的；将所述第一图像和所述第二标签作为所述鉴别器的第三输入，将所述第一图像为已知图像的概率作为所述鉴别器的第三输出；以及，将第n
‑
1次训练得到的生成器根据随机生成的高斯分布数据源生成的第三图像和所述第三图像的第三标签作为所述鉴别器的第四输入，将所述第三图像为已知图像的概率为所述鉴别器的第四输出；所述第三标签表示输入的图像为未知图像；根据所述第三输出的损失和所述第四输出的损失，对所述鉴别器进行第n次训练。7.根据权利要求6所述的方法，其特征在于，所述第三输出的损失L
in
满足以下公式：
C代表第一图像数量， 是鉴别器预测第j个第一图像为已知图像的概率， 是第j个第一图像的第二标签；所述第四输出的损失满足以下公式：C代表第三图像数量， 是鉴别器预测第j个第三图像为已知图像的概率， 是第j个第三图像的第三标签。8.一种图像检测装置，其特征在于，包括：获取单元，用于获取待检测图像；处理单元，用于通过训练好的活体检测网络对所述待检测图像进行检测，得到所述待检测图像的输出结果；所述输出结果表示所述待检测图像是否...

【专利技术属性】
技术研发人员：李永凯，王宁波，朱树磊，殷俊，郝敬松，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：