本申请涉及一种活体检测的方法、系统、电子装置和存储介质，通过获取活体检测模型对样本集的预测结果以及特征向量，根据预测结果将样本集划分为分类正确和分类错误的样本，获取所有分类正确的样本预测类特征值的第一均值，获取所有分类错误的样本预测类特征值的第二均值，在第一均值和第二均值的差大于预测类特征差阈值时，若样本的预测类特征值小于第二均值，则该样本为第一易错样本，根据第一易错样本对活体检测模型进行训练，获得更新后的活体检测模型，根据更新后的活体检测模型对人脸进行检测，获得活体检测结果，解决了相关技术中普通的活体检测模型鲁棒性低，以及通过对样本做数据增强来挑选易错样本对模型进行训练，时间成本高的问题。间成本高的问题。间成本高的问题。
【技术实现步骤摘要】
活体检测的方法、系统、电子装置和存储介质
[0001]本申请涉及计算机
，特别是涉及活体检测的方法、系统、电子装置和存储介质。
技术介绍
[0002]近年来，随着人脸识别技术的发展，“刷脸”可以应用的场景越来越多，例如刷脸支付、刷脸打卡签到、刷脸解锁电子设备、刷脸解锁门禁等，具有操作方便、快捷等特点。作为人脸识别技术中至关重要的一项技术，活体检测在辨别图像真伪、抵抗欺骗攻击，保护整个人脸识别系统的安全性方面起着重要作用。普通的活体检测模型通常使用真伪样本进行训练，但得到的模型鲁棒性低，存在对易错样本的误判，在相关技术中，会通过对一个样本进行数据增强生成一批样本，如果模型对这批样本预测效果不好，则说明该样本为易错样本，将获得的易错样本对模型进行训练来提高模型的鲁棒性，但是利用数据增强来挑选易错样本所需时间成本高。
[0003]目前针对相关技术中普通的活体检测模型鲁棒性低，以及通过对样本做数据增强来挑选易错样本对模型进行训练，时间成本高的问题，尚未提出有效的解决方案。
技术实现思路
[0004]本申请实施例提供了一种活体检测的方法、系统、电子装置和存储介质，以至少解决相关技术中普通的活体检测模型鲁棒性低，以及通过对样本做数据增强来挑选易错样本对模型进行训练，时间成本高的问题。
[0005]第一方面，本申请实施例提供了一种活体检测的方法，所述方法包括：S101，获取活体检测模型对样本集的预测结果以及特征向量，所述特征向量包括预测类特征值和非预测类特征值；S102，根据所述样本集的预测结果将样本集划分为分类正确的样本和分类错误的样本，获取所有所述分类正确的样本预测类特征值的均值，记为第一均值，获取所有所述分类错误的样本预测类特征值的均值，记为第二均值；S103，在所述第一均值和所述第二均值的差大于预测类特征差阈值的情况下，若样本的预测类特征值小于所述第二均值，则所述样本为第一易错样本，获取所有所述第一易错样本；S104，根据所有所述第一易错样本对所述活体检测模型进行训练，获得更新后的活体检测模型；S105，根据所述更新后的活体检测模型对人脸进行检测，获得活体检测结果。
[0006]在其中一些实施例中，根据所述样本集的预测结果将样本划分为分类正确的样本和分类错误的样本之后，所述方法还包括：判断所述分类错误的样本数量是否大于预设阈值；若判断结果为是，则执行步骤S102至步骤S105，若判断结果为否，则通过所述样本
集对所述活体检测模型进行训练，获得更新后的活体检测模型。
[0007]在其中一些实施例中，根据所有所述第一易错样本对所述活体检测模型进行训练之后，所述方法还包括：统计对所述活体检测模型的训练次数，判断所述训练次数是否达到预设次数；若判断结果为否，则循环执行步骤S101至S105，直至所述训练次数达到所述预设次数，结束训练，获得更新后的活体检测模型；若判断结果为是，则结束训练，获得更新后的活体检测模型。
[0008]在其中一些实施例中，获取所有所述第一易错样本之后，所述方法还包括：获取所有所述分类正确的样本预测类特征值与非预测类特征值的差的均值，记为第三均值，获取所有所述分类错误的样本预测类特征值与非预测类特征值的差的均值，记为第四均值；在所述第三均值和所述第四均值的差大于特征差阈值的情况下，若样本预测类特征值和非预测类特征值的差小于所述第四均值，则所述样本为第二易错样本，获取所有所述第二易错样本；根据所有所述第一易错样本和所有所述第二易错样本对所述活体检测模型进行训练，获得更新后的活体检测模型。
[0009]在其中一些实施例中，获取所有所述第一易错样本和所有所述第二易错样本之后，所述方法还包括：使所述易错样本的预测类特征值和非预测类特征值相等，获得所述易错样本修正后的特征向量，其中，所述易错样本包括所述第一易错样本和所述第二易错样本；根据普通样本的特征向量和所述易错样本修正后的特征向量对所述活体检测模型进行训练，获得更新后的活体检测模型。
[0010]在其中一些实施例中，使所述易错样本的预测类特征值和非预测类特征值相等包括：使所述易错样本的预测类特征值等于非预测类特征值。
[0011]在其中一些实施例中，所述获取活体检测模型对样本集的预测结果以及特征向量之前，所述方法包括：根据样本集对模型进行训练，直至获取训练好的活体检测模型，其中，所述样本集包括活体样本和假体样本。
[0012]第二方面，本申请实施例提供了一种活体检测的系统，所述系统包括获取模块、划分模块、比较模块、训练模块和检测模块，所述获取模块，用于获取活体检测模型对样本集的预测结果以及特征向量，所述特征向量包括预测类特征值和非预测类特征值；所述划分模块，用于根据所述样本集的预测结果将样本集划分为分类正确的样本和分类错误的样本，获取所有所述分类正确的样本预测类特征值的均值，记为第一均值，获取所有所述分类错误的样本预测类特征值的均值，记为第二均值；所述比较模块，用于在所述第一均值和所述第二均值的差大于预测类特征差阈值的情况下，若样本的预测类特征值小于所述第二均值，则所述样本为第一易错样本，获取所有所述第一易错样本；所述训练模块，用于根据所有所述第一易错样本对所述活体检测模型进行训练，
获得更新后的活体检测模型；所述检测模块，用于根据所述更新后的活体检测模型对人脸进行检测，获得活体检测结果。
[0013]第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的活体检测的方法。
[0014]第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的活体检测的方法。
[0015]相比于相关技术，本申请实施例提供的活体检测的方法，通过获取活体检测模型对样本集的预测结果以及特征向量，特征向量包括预测类特征值和非预测类特征值，根据样本集的预测结果将样本集划分为分类正确的样本和分类错误的样本，获取所有分类正确的样本预测类特征值的均值，记为第一均值，获取所有分类错误的样本预测类特征值的均值，记为第二均值，在第一均值和第二均值的差大于预测类特征差阈值的情况下，若样本的预测类特征值小于第二均值，则该样本为第一易错样本，根据所有第一易错样本对活体检测模型进行训练，获得更新后的活体检测模型，根据更新后的活体检测模型对人脸进行检测，获得活体检测结果，解决了相关技术中普通的活体检测模型鲁棒性低，以及通过对样本做数据增强来挑选易错样本对模型进行训练，时间成本高的问题。
附图说明
[0016]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请实施例的活体检测的方法的流程图；图2是根据本申请实施例的另一种活体检测的方法的流程图；图3是根据本申请实施例的第三种活体检测的方法的流程图；图4是根据本申请实施例的活本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种活体检测的方法，其特征在于，所述方法包括：S101，获取活体检测模型对样本集的预测结果以及特征向量，所述特征向量包括预测类特征值和非预测类特征值；S102，根据所述样本集的预测结果将样本集划分为分类正确的样本和分类错误的样本，获取所有所述分类正确的样本预测类特征值的均值，记为第一均值，获取所有所述分类错误的样本预测类特征值的均值，记为第二均值；S103，在所述第一均值和所述第二均值的差大于预测类特征差阈值的情况下，若样本的预测类特征值小于所述第二均值，则所述样本为第一易错样本，获取所有所述第一易错样本；S104，根据所有所述第一易错样本对所述活体检测模型进行训练，获得更新后的活体检测模型；S105，根据所述更新后的活体检测模型对人脸进行检测，获得活体检测结果。2.根据权利要求1所述的方法，其特征在于，根据所述样本集的预测结果将样本划分为分类正确的样本和分类错误的样本之后，所述方法还包括：判断所述分类错误的样本数量是否大于预设阈值；若判断结果为是，则执行步骤S102至步骤S105，若判断结果为否，则通过所述样本集对所述活体检测模型进行训练，获得更新后的活体检测模型。3.根据权利要求1所述的方法，其特征在于，根据所有所述第一易错样本对所述活体检测模型进行训练之后，所述方法还包括：统计对所述活体检测模型的训练次数，判断所述训练次数是否达到预设次数；若判断结果为否，则循环执行步骤S101至S105，直至所述训练次数达到所述预设次数，结束训练，获得更新后的活体检测模型；若判断结果为是，则结束训练，获得更新后的活体检测模型。4.根据权利要求1所述的方法，其特征在于，获取所有所述第一易错样本之后，所述方法还包括：获取所有所述分类正确的样本预测类特征值与非预测类特征值的差的均值，记为第三均值，获取所有所述分类错误的样本预测类特征值与非预测类特征值的差的均值，记为第四均值；在所述第三均值和所述第四均值的差大于特征差阈值的情况下，若样本预测类特征值和非预测类特征值的差小于所述第四均值，则所述样本为第二易错样本，获取所有所述第二易错样本；根据所有所述第一易错样本和所有所述第二易错样本对所述活体检测模型进行训练，获得更...
【专利技术属性】
技术研发人员：邵琦琦，王东，张江峰，王月平，
申请(专利权)人：杭州魔点科技有限公司，
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。