活体检测方法、活体检测网络模型训练方法及设备技术

本发明专利技术提供一种活体检测方法、活体检测网络模型训练方法及设备，属于智能识别技术领域，其中活体检测方法包括：获取待检测对象的多个模态的图像；利用活体检测网络模型，分别对所述多个模态的图像进行特征提取，并对从所述多个模态的图像中提取的特征进行加权融合，根据融合后的特征输出分类结果。本发明专利技术基于多模态图像进行活体检测，使用跨模态特征加权融合的方式强化不同模态特征中的有效特征，能够有效地判断获取到的图像是否是真人，从而达到活体检测的目的，提高活体检测精度，提升防御攻击的能力。攻击的能力。攻击的能力。

【技术实现步骤摘要】
活体检测方法、活体检测网络模型训练方法及设备


[0001]本专利技术涉及智能识别
，尤其涉及一种活体检测方法、活体检测网络模型训练方法及设备。

技术介绍

[0002]在多种人脸识别应用场景当中，活体检测算法有非常重要的作用，用于判断真人和活体图像之间的差异性，防止不法分子用翻拍图像冒充人脸图像攻击人脸识别系统。
[0003]活体检测方法可分为动态活体检测和静默活体检测，目前的静默活体检测方式有基于单帧RGB(R：Red，红色；G：Green，绿色；B：Blue，蓝色)图像的活体检测方式。但是，基于单帧RGB图像的活体检测方式，存在检测精度低，防御攻击的能力差等问题。

技术实现思路

[0004]有鉴于此，本专利技术提供一种活体检测方法、活体检测网络模型训练方法及设备，用于解决目前静默活体检测方式存在的检测精度低、防御攻击的能力差的问题。
[0005]为解决上述技术问题，第一方面，本专利技术提供一种活体检测方法，包括：
[0006]获取待检测对象的多个模态的图像；
[0007]利用活体检测网络模型，分别对所述多个模态的图像进行特征提取，并对从所述多个模态的图像中提取的特征进行加权融合，根据融合后的特征输出分类结果。
[0008]可选的，所述利用活体检测网络模型，分别对所述多个模态的图像进行特征提取，并对从所述多个模态的图像中提取的特征进行加权融合，根据融合后的特征输出分类结果，包括：
[0009]分别对所述多个模态的图像进行浅层特征提取；
[0010]对所述多个模态的图像的浅层特征进行加权融合；
[0011]对浅层特征加权融合后的特征，进行深层特征提取；
[0012]基于提取的深层特征，输出分类结果。
[0013]可选的，所述活体检测网络模型为squeezenet网络模型；
[0014]所述分别对所述多个模态的图像进行浅层特征提取，包括：
[0015]采用所述squeezenet网络模型中的浅层特征提取网络分别对所述多个模态的图像进行浅层特征提取；
[0016]所述对浅层特征加权融合后的特征，进行深层特征提取，包括：
[0017]采用所述squeezenet网络模型中的深层特征提取网络，对所述浅层特征加权融合后的特征，进行深层特征提取。
[0018]可选的，所述利用活体检测网络模型，分别对所述多个模态的图像进行特征提取之前，还包括：
[0019]分别对所述多个模态的图像进行预处理，所述预处理包括人脸检测；
[0020]针对每一所述图像，对所述图像中的人脸区域和背景区域进行加权处理得到加权
处理后的图像，其中所述人脸区域的权重值大于所述背景区域的权重值；
[0021]所述分别对所述多个模态的图像进行特征提取，包括：
[0022]对所述加权处理后的所述图像，进行特征提取。
[0023]可选的，所述背景区域为所述图像中距离所述人脸区域预设范围内的区域。
[0024]可选的，所述对所述多个模态的图像的浅层特征进行加权融合，包括：
[0025]经过均值池化将每个模态的图像的浅层特征映射为一个浅层特征值；
[0026]对所有的所述浅层特征值进行softmax运算映射为第一数值，所述第一数值为0～1之间的数值；
[0027]针对每个模态的图像，分别根据对应的所述第一数值确定浅层特征加权权重值。
[0028]第二方面，本专利技术还提供一种活体检测网络模型训练方法，包括：
[0029]获取模型训练集，所述模型训练集中包括多个检测对象的图像，每个所述检测对象的图像包括多个模态的图像；
[0030]基于所述模型训练集，训练得到活体检测网络模型，所述活体检测网络模型为上述的任一种活体检测网络模型。
[0031]可选的，所述基于所述模型训练集，训练得到活体检测网络模型，包括：
[0032]基于所述模型训练集，利用分阶损失函数训练所述活体检测网络模型；其中，
[0033]当预测和真实标记同为真人时第一检测对象的图像对应的损失函数为：
[0034][0035]其中：
[0036][0037]其中，所述第一检测对象为所述模型训练集中的任一个标记为真人的检测对象，s是通过统计所述模型训练集中正例的比例得到的分隔点，MAX是所述活体检测网络模型基于所述模型训练集中的数据输出的预测值中最大的数值，MEAN是所述活体检测网络模型基于所述模型训练集中标记为真人的检测对象的图像输出的预测值的平均值，p是所述活体检测网络模型基于所述第一检测对象的图像输出的预测值；
[0038]当预测和真实标记同为攻击时第二检测对象的图像对应的损失函数为：
[0039][0040]其中：
[0041][0042]其中，所述第二检测对象为所述模型训练集中的任一个标记为攻击的检测对象，s是通过统计所述模型训练集中正例的比例得到的分隔点，MIN是所述活体检测网络模型基于所述模型训练集中的数据输出的预测值中最小的数值，MEAN'是所述活体检测网络模型基于所述模型训练集中标记为攻击的检测对象的图像输出的预测值的平均值，p'是所述活体检测网络模型基于所述第二检测对象的图像输出的预测值。
[0043]第三方面，本专利技术还提供一种活体检测装置，包括：
[0044]获取模块，用于获取待检测对象的多个模态的图像；
[0045]检测模块，用于利用活体检测网络模型，分别对所述多个模态的图像进行特征提取，并对从所述多个模态的图像中提取的特征进行加权融合，根据融合后的特征输出分类结果。
[0046]可选的，所述检测模块包括：
[0047]浅层特征提取单元，用于分别对所述多个模态的图像进行浅层特征提取；
[0048]浅层特征加权融合单元，用于对所述多个模态的图像的浅层特征进行加权融合；
[0049]深层特征提取单元，用于对浅层特征加权融合后的特征，进行深层特征提取；
[0050]分类单元，用于基于提取的深层特征，输出分类结果。
[0051]可选的，所述活体检测网络模型为squeezenet网络模型；
[0052]所述浅层特征提取单元，用于采用所述squeezenet网络模型中的浅层特征提取网络分别对所述多个模态的图像进行浅层特征提取；
[0053]所述深层特征提取单元，用于采用所述squeezenet网络模型中的深层特征提取网络，对所述浅层特征加权融合后的特征，进行深层特征提取。
[0054]可选的，所述活体检测装置还包括：
[0055]预处理模块，用于分别对所述多个模态的图像进行预处理，所述预处理包括人脸检测；
[0056]加权处理模块，用于针对每一所述图像，对所述图像中的人脸区域和背景区域进行加权处理得到加权处理后的图像，其中所述人脸区域的权重值大于所述背景区域的权重值；
[0057]所述检测模块，用于对所述加权处理后的所述图像，进行特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测方法，其特征在于，包括：获取待检测对象的多个模态的图像；利用活体检测网络模型，分别对所述多个模态的图像进行特征提取，并对从所述多个模态的图像中提取的特征进行加权融合，根据融合后的特征输出分类结果。2.根据权利要求1所述的方法，其特征在于，所述利用活体检测网络模型，分别对所述多个模态的图像进行特征提取，并对从所述多个模态的图像中提取的特征进行加权融合，根据融合后的特征输出分类结果，包括：分别对所述多个模态的图像进行浅层特征提取；对所述多个模态的图像的浅层特征进行加权融合；对浅层特征加权融合后的特征，进行深层特征提取；基于提取的深层特征，输出分类结果。3.根据权利要求2所述的方法，其特征在于，所述活体检测网络模型为squeezenet网络模型；所述分别对所述多个模态的图像进行浅层特征提取，包括：采用所述squeezenet网络模型中的浅层特征提取网络分别对所述多个模态的图像进行浅层特征提取；所述对浅层特征加权融合后的特征，进行深层特征提取，包括：采用所述squeezenet网络模型中的深层特征提取网络，对所述浅层特征加权融合后的特征，进行深层特征提取。4.根据权利要求1或2所述的方法，其特征在于，所述利用活体检测网络模型，分别对所述多个模态的图像进行特征提取之前，还包括：分别对所述多个模态的图像进行预处理，所述预处理包括人脸检测；针对每一所述图像，对所述图像中的人脸区域和背景区域进行加权处理得到加权处理后的图像，其中所述人脸区域的权重值大于所述背景区域的权重值；所述分别对所述多个模态的图像进行特征提取，包括：对所述加权处理后的所述图像，进行特征提取。5.根据权利要求4所述的方法，其特征在于，所述背景区域为所述图像中距离所述人脸区域预设范围内的区域。6.根据权利要求2或3所述的方法，其特征在于，所述对所述多个模态的图像的浅层特征进行加权融合，包括：经过均值池化将每个模态的图像的浅层特征映射为一个浅层特征值；对所有的所述浅层特征值进行softmax运算映射为第一数值，所述第一数值为0～1之间的数值；针对每个模态的图像，分别根据对应的所述第一数值确定浅层特征加权权重值。7.一种活体检测网络模型训练方法，其特征在于，包括：获取模型训练集，所述模型训练集中包括多个检测对象的图像，每个所述检测对象的图像包括多个模态的图像；基于所述模型训练集，训练得到活体检测网络模型，所述活体检测网络模型为权利要求1-6中任一项所述的活体检测网络模...

【专利技术属性】
技术研发人员：李杰，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：