模型训练、活体检测方法、电子设备及存储介质技术

本发明专利技术实施例涉及图像处理领域，公开了一种模型训练、活体检测方法、电子设备及存储介质，通过获取包含人脸的活体和非活体的图像样本，以及所述图像样本的类别标签；所述类别标签包括属于活体的多个类别标签，以及属于非活体的多个类别标签；以所述图像样本作为输入，所述图像样本的特征向量作为输出，构建特征提取模型；以所述特征提取模型输出的特征向量作为输入，所述特征向量属于各所述类别标签的概率作为输出，构建分类器；对所述特征提取模型和所述分类器进行联合训练，得到训练完成后的所述特征提取模型和所述分类器。本方案通过巧妙设计的数据标签方法和新的损失函数，极大提升了被训练模型的泛化能力。升了被训练模型的泛化能力。升了被训练模型的泛化能力。

【技术实现步骤摘要】
模型训练、活体检测方法、电子设备及存储介质


[0001]本专利技术涉及图像处理领域，特别涉及一种模型训练、活体检测方法、电子设备及存储介质。

技术介绍

[0002]现有的人脸活体检测算法主要是基于深度学习的活体检测算法，通过预先收集活体和假体的样本数据，用样本数据来训练深度学习模型，帮助它学到提取能辨别活体和非活体的特征的能力。
[0003]常规的训练方法如下：把样本数据分成活体和非活体两类，赋予L＝2个不同类的标签，比如0和1，作为训练时的监督信息；总计训练E轮，每一轮使用全部样本中的M个数据，在一轮中把M个数据随机分成K批，每一批包含B个数据，然后依次用这K批数据训练特征提取模型。对每一个数据，特征提取模型提取的特征经过一个分类器，可以得到属于不同标签的概率，然后使用交叉熵损失来衡量预测概率与实际情况的差异，以此来优化模型参数。
[0004]这种训练思路简单的把人脸分成活体和假体两类，忽视了活体和假体的细分情况，例如活体中不同年龄段和人种的差异非常大；非活体由于种类很多，差异就更大了，比如常见的有A4纸、相片、手机屏幕照片、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取包含人脸的活体和非活体的图像样本，以及所述图像样本的类别标签；所述类别标签包括属于活体的多个类别标签，以及属于非活体的多个类别标签；以所述图像样本作为输入，所述图像样本的特征向量作为输出，构建特征提取模型；以所述特征提取模型输出的特征向量作为输入，所述特征向量属于各所述类别标签的概率作为输出，构建分类器；对所述特征提取模型和所述分类器进行联合训练，所述联合训练时的损失函数基于所述特征提取模型输出的特征向量与该特征向量所属类别标签的类中心特征向量之间的第一损失，以及所述分类器输出的预测类别与所述类别标签之间的第二损失构建。2.根据权利要求1所述的方法，其特征在于，所述获取包含人脸的活体和非活体的图像样本，以及所述图像样本的类别标签，包括：获取包含人脸的活体和非活体的原始图像；对属于活体的原始图像，基于按活体年龄段预先定义的多个类别标签进行标注；对属于非活体的原始图像，基于按非活体材质预先定义的多个类别标签进行标注；从所述原始图像中，提取指定数量的原始图像作为所述图像样本；其中，所述指定数量的原始图像涵盖全部所述类别标签，且各类别标签对应的原始图像数量相同。3.根据权利要求2所述的方法，其特征在于，所述从所述原始图像中，提取指定数量的原始图像作为所述图像样本，包括：针对任一类别标签的原始图像，从所述原始图像中随机取m张原始图像，并判断所述m与所述指定数量除以总类别标签数所得商值之间的大小关系；若所述m大于所述商值，则从所述m张原始图像中删除部分原始图像，使剩余的原始图像的数量等于所述商值；若所述m小于所述商值，则从该类别标签的所述原始图像中再次随机取部分原始图像，使总取的原始图像的数量等于所述商值；将选取出的所有类别的M张原始图像作为M个所述图像样本随机打乱顺序，并将其平均分为M/B批，其中B为批大小。4.根据权利要求1所述的方法，其特征在于，所述第一损失通过如下方法构建：通过计算特征向量v与该特征向量所属类别标签的类中心特征向量v
CF
之间的距离D(v)；通过计算所述第一损失；其中，W
E
为特征提取模型E的可训练参数，L
E
(W
E
)为所述第一损失，B为图像样本的批大小，D(v
j
)为一批图像样本中第j个图像样本v
j
对应的所述距离。5.根据权利要求4所述的方法，其特征在于，所述通过计算特征向量v与该特征向量所属类别标签的类中心特征向量v
CF
之间的距离D(v)之前，包括：对当前训练周期所使用...

【专利技术属性】
技术研发人员：王军华，付贤强，朱海涛，户磊，
申请(专利权)人：合肥的卢深视科技有限公司，
类型：发明
国别省市：