【技术实现步骤摘要】
人脸活体检测网络的训练方法及装置
[0001]本专利技术实施例涉及人工智能
，尤其涉及一种人脸活体检测网络的训练方法及装置。
技术介绍
[0002]近年来，人们对人脸活体检测技术的关注度日益增加，这是因为随着人脸识别技术在生活中的应用和推广，随之而来的安全性问题不容忽视。随着计算机技术的进步和人工智能的发展，人脸活体检测技术也在不断地进步和提高。当前，依托深度学习和大数据技术的人脸活体检测技术已是主流的方法。
[0003]为了提高人脸活体检测技术的稳定性和针对新的攻击的能力，现有的人脸活体检测网络模型的训练方法中提到通过采集真实人脸数据和攻击人脸数据，并根据真实人脸数据和攻击人脸数据训练网络。
[0004]现有的人脸活体检测网络模型的训练方法存在以下缺点：对数据的要求较高，尤其是数据量。训练稳健的深度学习模型需要大量的数据，但是获取大量的有效的数据是比较困难的，尤其对于人脸活体检测来说，实际中的攻击情况相对来说还是少的，也很难采集到所有情形的攻击样本数据，这对依托数据来实现人脸活体检测的方法是一个弊病和...
【技术保护点】
【技术特征摘要】
1.一种人脸活体检测网络的训练方法，其特征在于，包括：获取多个域的人脸图像，每个域中包括多幅人脸图像，每个域中的多幅人脸图像在同一个环境场景和/或使用同一种数据采集设备采集；从所述多个域中选取至少一个域作为源域；将所述源域中的人脸图像输入至对抗样本生成网络中，生成对抗样本图像；将所述源域中的人脸图像作为训练数据，将所述对抗样本图像作为测试数据，对待训练人脸活体检测网络进行训练，得到训练后的人脸活体检测网络。2.根据权利要求1所述的方法，其特征在于，还包括：将所述多个域中除所述源域之外的域作为目标域；利用所述目标域中的人脸图像对所述训练后的人脸活体检测网络进行测试，并输出测试结果。3.根据权利要求1所述的方法，其特征在于，将所述源域中的人脸图像输入至对抗样本生成网络中，生成对抗样本图像之前还包括：采用所述源域中的人脸图像，对待训练对抗样本生成网络进行训练，生成所述对抗样本生成网络；其中，对待训练对抗样本生成网络进行训练包括：将所述源域中的人脸图像输入至待训练对抗样本生成网络中，得到输出结果，所述输出结果包括：输入的人脸图像对应的人脸深度图像、分类结果、人脸特征数据和对抗样本图像；其中，所述待训练对抗样本生成网络包括特征提取器、深度图估计网络和分类器，所述特征提取器对输入的人脸图像进行特征提取，得到人脸特征数据，所述深度图估计网络对所述人脸特征数据进行处理，得到人脸深度图像，所述分类器对所述人脸特征数据进行人脸活体检测分类，得到人脸活体检测分类结果；根据所述输出结果计算所述待训练对抗样本生成网络的总损失函数，根据所述总损失函数更新所述待训练对抗样本生成网络的参数，得到训练后的对抗样本生成网络；所述总损失函数根据所述分类器的损失函数、所述深度图估计网络的损失函数以及特征差异损失函数计算得到。4.根据权利要求3所述的方法，其特征在于，所述总损失函数采用如下公式计算：其中，表示所述总损失函数，表示所述分类器的损失函数，表示所述特征差异损失函数，表示所述深度图估计网络的损失函数，θ表示所述分类器的参数，表示所述深度图估计网络的参数，x表示输入至待训练对抗样本生成网络的人脸图像，z表示输入至待训练对抗样本生成网络的人脸图像经过所述特征提取器提取的人脸特征数据，α和β表示权重。5.根据权利要求4所述的方法，其特征在于，所述分类器的损失函数采用如下公式计算：
其中，y表示输入至所述待训练对抗样本生成网络的人脸图像的真实标签，表示所述待训练对抗样本生成网络输出的人脸活体检测分类结果，y
i
和表示y和的第i个维度。6.根据权利要求4所述的方法，其特征在于，所述特征差异损失函数采用如下公式计算：其中，z表示输入至待训练对抗样本生成网络的人脸图像经过所述特征提取器提取的人脸特征数据，z
+
表示待训练对抗样本生成网络输出的对抗样本图像经过所述特征提取器提取的人脸特征数据，1{
·
}表示指示函数，y表示人脸图像的标签，y
+
表示生成的对抗样本图像的标签。7.根据权利要求4所述的方法，其特征在于，所述深度图估计网络的损失函数采用如下公式计算：其中，d表示输入至待训练对抗样本生成网络的人脸图像对应的深度图像，d
+
表...
【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：
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。