【技术实现步骤摘要】
活体人脸检测模型的训练方法、装置、设备以及存储介质
[0001]本公开涉及人工智能
，具体为深度学习、计算机视觉
，尤其涉及活体人脸检测模型的训练方法、装置、设备以及存储介质，可应用于智慧城市、智慧金融等场景。
技术介绍
[0002]活体人脸检测即区分一张图像是否为真人拍摄，是人脸识别系统的基础组成模块，保证人脸识别系统的安全性。然而，在实际应用场景中，基于深度学习的活体人脸算法存在泛化性差的问题，其对于见过的数据效果很好，但对于未知的攻击样本及方式效果则会下降，影响了实际应用性能。
技术实现思路
[0003]本公开提供了一种活体人脸检测模型的训练方法、装置、设备以及存储介质。
[0004]根据本公开的第一方面，提供了一种活体人脸检测模型的训练方法，包括：获取初始图像集；利用预先训练的至少一个检测模型对初始图像集中的每个初始图像进行检测，基于检测结果确定训练图像集，其中，至少一个检测模型中的各个检测模型的训练数据集不同；将训练图像集加入至初始训练集中，得到目标训练集，其中，初始训练集为初始...
【技术保护点】
【技术特征摘要】
1.一种活体人脸检测模型的训练方法，包括：获取初始图像集；利用预先训练的至少一个检测模型对所述初始图像集中的每个初始图像进行检测，基于检测结果确定训练图像集，其中，所述至少一个检测模型中的各个检测模型的训练数据集不同；将所述训练图像集加入至初始训练集中，得到目标训练集，其中，所述初始训练集为初始活体人脸检测模型的训练数据集；利用所述目标训练集对所述初始活体人脸检测模型进行训练，得到训练完成的活体人脸检测模型。2.根据权利要求1所述的方法，其中，所述基于检测结果确定训练图像集，包括：响应于所述至少一个检测模型中的每个检测模型对所述初始图像的检测结果均满足预设条件，将所述初始图像确定为训练图像，得到训练图像集。3.根据权利要求2所述的方法，其中，所述响应于所述至少一个检测模型中的每个检测模型对所述初始图像的检测结果均满足预设条件，将所述初始图像确定为训练图像，包括：响应于所述至少一个检测模型中的每个检测模型对所述初始图像的检测得分均大于预设活体阈值，则将所述初始图像的伪标签标注为活体；响应于所述至少一个检测模型中的每个检测模型对所述初始图像的检测得分均小于预设攻击阈值，则将所述初始图像的伪标签标注为攻击；将伪标签标注为活体和攻击的初始图像确定为训练图像。4.根据权利要求1所述的方法，其中，所述初始图像集中包括至少一张初始图像；以及所述初始图像通过以下步骤得到：获取原始图像集；针对所述原始图像集中的每个原始图像，对所述原始图像进行预处理，得到对应的人脸图像；对所述人脸图像进行归一化处理；将归一化处理后的人脸图像进行随机数据增强处理，得到所述初始图像。5.根据权利要求4所述的方法，其中，所述对所述原始图像进行预处理，得到对应的人脸图像，包括：利用人脸检测模型对所述原始图像进行人脸检测，得到包含人脸的第一图像；利用人脸关键点检测模型对所述第一图像进行人脸关键点检测，得到所述第一图像中的人脸关键点坐标；基于所述人脸关键点坐标对所述第一图像中的人脸进行人脸对齐，得到对应的人脸图像。6.一种活体人脸检测方法，包括：获取待检测图像；将所述待检测图像输入至预先训练的活体人脸检测模型中，输出得到活体人脸检测结果，其中，所述活体人脸检测模型通过如权利要求1
‑
5中任一项所述的方法训练得到。7.一种活体人脸检测模型的训练装置，包括：第一获取模块，被配置成获取初始图像集；
确定模块，被配置成利用预先训练的至少一个检测模型对所述初始图像集中的每个初始图像进行检测，基于检测结果确定训练图像集，其中，所述至少一个检测模型中的各个检测模型的训练数据集不同；添加模块，被配置成将所述训练图像集加入至初始训练集中，得到目标训练集，其中，所述初始训练集为初始活体人脸检测模型的训练数据集；训练模块，被配置成利...
【专利技术属性】
技术研发人员：王珂尧，张国生，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。