活体检测模型的训练方法、活体对象检测方法以及装置制造方法及图纸

本公开提供了一种活体检测模型的训练方法、活体对象检测方法，涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，可应用于人脸识别等场景。活体检测模型的训练方法的具体实现方案为：将第一活体检测训练集的活体负样本输入初始活体检测模型，得到活体负样本特征；根据活体负样本特征与目标参考活体负样本特征，确定第一聚类反馈数值，其中，第一聚类反馈数值用于表征活体负样本特征与目标参考活体负样本特征之间的相似度，目标参考活体负样本特征是基于多个参考活体负样本特征与活体负样本特征之间的相似度得到的；以及根据第一聚类反馈数值，调整初始活体检测模型的模型参数，得到中间活体检测模型。得到中间活体检测模型。得到中间活体检测模型。

Training method of living detection model, living object detection method and device

【技术实现步骤摘要】
活体检测模型的训练方法、活体对象检测方法以及装置


[0001]本公开涉及人工智能
，尤其涉及深度学习、图像处理、计算机视觉
，可应用于人脸识别等场景，具体涉及一种活体检测模型的训练方法、活体对象检测方法、装置、设备、存储介质以及程序产品。

技术介绍

[0002]深度学习是一种应用于人工智能
的机器学习方法，通过深度学习方法获得的深度学习模型可以应用于例如图像处理、自然语言处理等各种场景，其中，活体检测是深度学习模型的一个重要应用分支。

技术实现思路

[0003]本公开提供了一种活体检测模型的训练方法、活体对象检测方法、装置、设备、存储介质以及程序产品。
[0004]根据本公开的一方面，提供了一种深度学习模型的训练方法，包括：将第一活体检测训练集的负样本输入初始活体检测模型，得到活体负样本特征；根据活体负样本特征与目标参考活体负样本特征，确定第一聚类反馈数值，其中，第一聚类反馈数值用于表征活体负样本特征与目标参考活体负样本特征之间的相似度，目标参考活体负样本特征是基于多个参考活体负样本特征与活体负样本特征之间的相似度得到的；以及根据第一聚类反馈数值，调整初始活体检测模型的模型参数，得到中间活体检测模型。
[0005]根据本公开的另一方面，提供了一种活体对象检测方法，包括：将待检测图像输入活体检测模型，得到活体对象检测结果，其中，活体检测模型是本公开实施例的活体检测模型的训练方法训练得到的。
[0006]根据本公开的另一方面，提供了一种活体检测模型的训练装置，包括：活体负样本特征确定模块、第一聚类反馈数值确定模块以及中间活体检测模型第一确定模块。活体负样本特征确定模块，用于将第一活体检测训练集的负样本输入初始活体检测模型，得到活体负样本特征；第一聚类反馈数值确定模块，用于根据活体负样本特征与目标参考活体负样本特征，确定第一聚类反馈数值，其中，第一聚类反馈数值用于表征活体负样本特征与目标参考活体负样本特征之间的相似度，目标参考活体负样本特征是基于多个参考活体负样本特征与活体负样本特征之间的相似度得到的；中间活体检测模型第一确定模块，用于根据第一聚类反馈数值，调整初始活体检测模型的模型参数，得到中间活体检测模型。
[0007]根据本公开的另一方面，提供了一种活体对象检测装置，包括：活体对象检测结果确定模块，用于将待检测图像输入活体检测模型，得到活体对象检测结果，其中，活体检测模型是利用本公开实施例的活体检测模型的训练装置训练得到的。
[0008]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开
实施例的方法。
[0009]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例的方法。
[0010]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开实施例的方法。
[0011]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0012]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0013]图1示意性示出了根据本公开实施例的活体检测模型的训练方法、活体对象检测方法及其装置的系统架构图；
[0014]图2示意性示出了根据本公开实施例的活体检测模型的训练方法的流程图；
[0015]图3示意性示出了根据本公开一实施例的确定第一聚类反馈数值的示意图；
[0016]图4示意性示出了根据本公开另一实施例的活体检测模型的训练方法的示意图；
[0017]图5示意性示出了根据本公开又一实施例的活体检测模型的训练方法的示意图；
[0018]图6示意性示出了根据本公开一实施例的确定第二聚类反馈数值的示意图；
[0019]图7示意性示出了根据本公开一实施例的第一活体检测训练集的示意图；
[0020]图8示意性示出了根据本公开又一实施例的活体检测模型的训练方法的示意图；
[0021]图9示意性示出了根据本公开实施例的活体对象检测方法的示意图；
[0022]图10示意性示出了根据本公开实施例的活体检测模型的训练装置的框图；
[0023]图11示意性示出了根据本公开实施例的活体对象检测装置的框图；以及
[0024]图12示意性示出了可以实现本公开实施例的活体检测模型的训练方法以及活体对象检测方法的电子设备的框图。
具体实施方式
[0025]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0026]在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0027]在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0028]在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或
具有A、B、C的系统等)。
[0029]深度学习是一种应用于人工智能
的机器学习方法，深度学习通过建立神经网络，模拟人脑进行分析学习。以下将称通过深度学习方法获得的神经网络模型为深度学习模型，深度学习模型可以应用于例如图像处理、自然语言处理等各种场景。
[0030]本公开实施例以深度学习模型应用于人脸活体检测为例进行说明。随着互联网技术的发展，越来越多的线下业务可以在线上完成，提供更加便捷的体验。线下至线上的转移在很多应用场景下需要以身份识别为前提，在一些涉及支付等安全性要求高的场景下，还需要进行例如人脸活体检测。
[0031]深度学习模型应用于人脸活体检测，可以在一些数据域取得良好的检测结果，在另一些数据域的检测效果欠佳，具有较低的模型泛化能力。域用于描述一个字段的技术属性的集合，数据域可以理解为联系较为紧密的数据主题的集合，例如可以根据业务类别、数据来源等将数据分为不同域，这里的数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测模型的训练方法，包括：将第一活体检测训练集的活体负样本输入初始活体检测模型，得到活体负样本特征；根据所述活体负样本特征与目标参考活体负样本特征，确定第一聚类反馈数值，其中，所述第一聚类反馈数值用于表征所述活体负样本特征与所述目标参考活体负样本特征之间的相似度，所述目标参考活体负样本特征是基于多个参考活体负样本特征与所述活体负样本特征之间的相似度得到的；以及根据所述第一聚类反馈数值，调整所述初始活体检测模型的模型参数，得到中间活体检测模型。2.根据权利要求1所述的方法，其中，所述根据所述活体负样本特征与目标参考活体负样本特征，确定第一聚类反馈数值包括：根据所述活体负样本特征与每一个所述参考活体负样本特征的相似度参数，确定所述目标参考活体负样本特征；以及根据所述活体负样本特征、所述目标参考活体负样本特征以及负样本损失函数，确定所述第一聚类反馈数值。3.根据权利要求1所述的方法，其中，所述参考活体负样本特征是基于所述第一活体检测训练集的所述活体负样本经过特征提取得到的，所述活体检测模型的训练方法还包括：根据所述第一聚类反馈数值更新所述参考活体负样本特征。4.根据权利要求2所述的方法，还包括：将所述第一活体检测训练集的活体正样本输入所述初始活体检测模型，得到活体正样本特征；根据所述活体正样本特征与参考活体正样本特征，确定第二聚类反馈数值，其中，所述第二聚类反馈数值用于表征所述活体正样本特征与所述参考活体正样本特征之间的相似度；以及根据所述第二聚类反馈数值，调整所述初始活体检测模型的模型参数，得到所述中间活体检测模型。5.根据权利要求4所述的方法，其中，所述初始活体检测模型包括卷积神经网络模型，所述根据所述活体正样本特征与参考活体正样本特征，确定所述第二聚类反馈数值包括：根据所述卷积神经网络模型的全连接层权重，确定所述参考活体正样本特征；根据所述活体正样本特征和所述参考活体正样本特征，确定所述活体正样本特征的概率数值；以及根据活体正样本特征、所述概率数值以及正样本特征损失函数，确定所述第二聚类反馈数值。6.根据权利要求4所述的方法，其中，所述负样本特征损失函数包括以下中的至少一个：余弦相似度损失函数、距离损失函数；所述正样本特征损失函数包括以下中的至少一个：交叉熵损失函数、对数损失函数。7.根据权利要求1
‑
6中任一项所述的方法，还包括：基于所述第一活体检测训练集的样本和教师模型，确定第一样本特征参数，其中，所述教师模型由所述中间活体检测模型得到；基于第二活体检测训练集的样本和学生模型，确定第二样本特征参数，其中，所述学生
模型由所述教师模型得到，所述第二活体检测训练集包括所述第一活体检测训练集和回流活体检测训练集；根据所述第一样本特征参数和所述第二样本特征参数，确定特征参数监督数值，所述特征参数监督数值用于表征所述教师模型向所述学生模型进行模型迁移的迁移效果；以及根据所述特征参数监督数值，调整所述学生模型的模型参数，得到目标活体检测模型。8.根据权利要求7所述的方法，其中，所述根据所述第一样本特征参数和所述第二样本特征参数，确定特征参数监督数值包括：确定每两个所述第一特征样本参数之间的相关性参数，得到第一相关性参数；确定每两个所述第二特征样本参数之间的相关性参数，得到第二相关性参数；以及确定所述第一相关性参数和所述第二相关性参数之间的相似度参数，得到所述特征参数监督数值。9.一种活体对象检测方法，包括：将待检测图像输入活体检测模型，得到活体对象检测结果，其中，所述活体检测模型是利用权利要求1
‑
8之一所述的方法训练得到的。10.一种活体检测模型的训练装置，包括：活体负样本特征确定模块，用于将第一活体检测训练集的负样本输入初始活体检测模型，得到活体负样本特征；第一聚类反馈数值确定模块，用于根据所述活体负样本特征与目标参考活体负样本特征，确定第一聚类反馈数值，其中，所述第一聚类反馈数值用于表征所述负样本特征与所述目标参考活体负样本特征之间的相似度，所述目标参考活体负样本特征是基于多个参考活体负样本特征与所述活体负样本特征之间的相似度得到的；以及中间活体检测模型第一确定模块，用于根据所述第一聚类反馈数值，调整所述初始活体检测模型的模型参数，得到中间活体检测模型...

【专利技术属性】
技术研发人员：邹棹帆，王珂尧，岳海潇，
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：