人脸活体检测模型的训练方法、装置及计算机程序产品制造方法及图纸

本公开提供了一种人脸活体检测模型的训练方法、装置、电子设备、存储介质及计算机程序产品，涉及人工智能技术领域，具体涉及深度学习、图像处理、计算机视觉技术领域，用于人脸活体检测场景。具体实现方案为：获取训练样本集；根据样本人脸图像，得到至少两个不同的同源图像；通过特征提取网络分别对至少两个不同的同源图像进行特征提取，得到至少两个第一特征数据；通过回归网络对至少两个第一特征数据进行处理，得到至少两个第二特征数据；根据至少两个第一特征数据获取第一损失；根据第二特征数据和标签获取第二损失；根据第一损失和第二损失，训练人脸活体检测模型。本公开提高了人脸活体检测模型的鲁棒性和准确度。活体检测模型的鲁棒性和准确度。活体检测模型的鲁棒性和准确度。

【技术实现步骤摘要】
人脸活体检测模型的训练方法、装置及计算机程序产品


[0001]本公开涉及人工智能
，具体涉及深度学习、图像处理、计算机视觉
，尤其涉及人脸活体检测模型的训练方法、装置以及人脸活体检测方法、装置、电子设备、存储介质以及计算机程序产品，可用于人脸活体检测场景下。

技术介绍

[0002]人脸活体检测，即区分一张图像是否基于真人拍摄，是人脸识别系统的基础模块。使用深度学习技术的人脸活体检测方法是当前的主流方法，然而，现有的基于深度学习技术的人脸活体检测方法主要是基于二分类的方法，即活体样本属于一类，攻击样本属于另一类，利用二值标签提供分类监督。由于人脸攻击样本的复杂多样化，攻击线索往往存在于图像的局部区域且攻击线索在图像位置也不规律。因此，现有二分类方法普遍存在检测结果不准确的问题。

技术实现思路

[0003]本公开提供了一种人脸活体检测模型的训练方法、装置以及人脸活体检测方法、装置、电子设备、存储介质以及计算机程序产品。
[0004]根据第一方面，提供了一种人脸活体检测模型的训练方法，包括：获取训练样本集，其中，训练样本集包括：样本人脸图像、表征样本人脸图像是否为活体人脸图像的标签；根据样本人脸图像，得到至少两个不同的同源图像；通过特征提取网络分别对至少两个不同的同源图像进行特征提取，得到至少两个第一特征数据；通过回归网络对至少两个第一特征数据进行处理，得到至少两个第二特征数据；根据至少两个第一特征数据获取第一损失；根据第二特征数据和标签获取第二损失；根据第一损失和第二损失，训练人脸活体检测模型，人脸活体检测模型包括：特征提取网络和回归网络。
[0005]根据第二方面，提供了一种人脸活体检测方法，包括：获取待检测人脸图像；通过训练后的人脸活体检测模型中的特征处理网络，提取待检测人脸图像的第五特征数据，其中，人脸活体检测模型通过第一方面任一实现方式训练得到；通过人脸活体检测模型中的回归网络，根据第五特征数据确定待检测人脸图像是否为活体人脸图像。
[0006]根据第三方面，提供了一种人脸活体检测模型的训练装置，包括：第一获取单元，被配置成获取训练样本集，其中，训练样本集包括：样本人脸图像、表征样本人脸图像是否为活体人脸图像的标签；得到单元，被配置成根据样本人脸图像，得到至少两个不同的同源图像；第一提取单元，被配置成通过特征提取网络分别对至少两个不同的同源图像进行特征提取，得到至少两个第一特征数据；处理单元，被配置成通过回归网络对至少两个第一特征数据进行处理，得到至少两个第二特征数据；第一确定单元，被配置成根据至少两个第一特征数据获取第一损失；第二确定单元，被配置成根据第二特征数据和标签获取第二损失；训练单元，被配置成根据第一损失和第二损失，训练人脸活体检测模型，人脸活体检测模型包括：特征提取网络和回归网络。
[0007]根据第四方面，提供了一种人脸活体检测装置，包括：第二获取单元，被配置成获取待检测人脸图像；第二提取单元，被配置成通过训练后的人脸活体检测模型中的特征处理网络，提取待检测人脸图像的第五特征数据，其中，人脸活体检测模型通过第三方面任一实现方式训练得到；第三确定单元，被配置成通过人脸活体检测模型中的回归网络，根据第五特征数据确定待检测人脸图像是否为活体人脸图像。
[0008]根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面、第二方面任一实现方式描述的方法。
[0009]根据第六方面，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，计算机指令用于使计算机执行如第一方面、第二方面任一实现方式描述的方法。
[0010]根据第七方面，提供了一种计算机程序产品，包括：计算机程序，计算机程序在被处理器执行时实现如第一方面、第二方面任一实现方式描述的方法。
[0011]根据本公开的技术，提供了一种人脸活体检测模型的训练方法，基于多个同源图像的隐式特征之间的一致性损失，使人脸活体检测模型对输入的待检测图像的变化具有更强的稳定性，能克服实际应用中受环境变化的干扰，在无需增加额外计算资源的情况下，提高了人脸活体检测模型的鲁棒性；并且，结合一致性损失和回归损失，进行模型训练，提高了人脸活体检测模型的泛化性和准确度。
[0012]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
[0013]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0014]图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图；
[0015]图2是根据本公开的人脸活体检测模型的训练方法的一个实施例的流程图；
[0016]图3是根据本实施例的人脸活体检测模型的训练方法的应用场景的示意图；
[0017]图4是根据本公开的人脸活体检测模型的训练方法的又一个实施例的流程图；
[0018]图5是适用于本公开的人脸活体检测模型的训练方法的系统的结构示意图；
[0019]图6是根据本公开的人脸活体检测方法的一个实施例的流程图；
[0020]图7是根据本公开的人脸活体检测模型的训练装置的一个实施例的结构图；
[0021]图8是根据本公开的人脸活体检测装置的一个实施例的结构图；
[0022]图9是适于用来实现本公开实施例的计算机系统的结构示意图。
具体实施方式
[0023]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。
[0024]本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提
供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0025]图1示出了可以应用本公开的人脸活体检测模型的训练方法及装置、人脸活体检测方法及装置的示例性架构100。
[0026]如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0027]终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸活体检测模型的训练方法，包括：获取训练样本集，其中，所述训练样本集包括：样本人脸图像、表征所述样本人脸图像是否为活体人脸图像的标签；根据所述样本人脸图像，得到至少两个不同的同源图像；通过特征提取网络分别对所述至少两个不同的同源图像进行特征提取，得到至少两个第一特征数据；通过回归网络对所述至少两个第一特征数据进行处理，得到至少两个第二特征数据；根据所述至少两个第一特征数据获取第一损失；根据所述第二特征数据和所述标签获取第二损失；根据所述第一损失和所述第二损失，训练人脸活体检测模型，所述人脸活体检测模型包括：所述特征提取网络和所述回归网络。2.根据权利要求1所述的方法，其中，所述根据所述样本人脸图像，得到至少两个不同的同源图像，包括：通过图像增广器，根据所述样本人脸图像，得到所述至少两个不同的同源图像。3.根据权利要求1所述的方法，其中，所述通过回归网络对所述至少两个第一特征数据进行处理，得到至少两个第二特征数据，包括：通过所述回归网络中的普通卷积层对所述第一特征数据进行卷积，得到第三特征数据；通过所述回归网络中的转置卷积层对所述第三特征数据进行上采样，得到所述第二特征数据。4.根据权利要求1所述的方法，其中，所述根据所述第二特征数据和所述标签获取第二损失，包括：通过预设激活函数激活所述至少两个第二特征数据，得到至少两个第一特征图，所述第一特征图的值域为[0，1]；通过回归损失函数，计算所述至少两个第一特征图与所述标签之间的所述第二损失，其中，所述标签为活体人脸图像对应的全一矩阵，或非活体人脸图像对应的全零矩阵。5.根据权利要求1所述的方法，其中，所述根据所述至少两个第一特征数据获取第一损失，包括：对所述至少两个第一特征数据中的每个三维的第一特征数据进行特征重塑，得到至少两个二维的重塑后的第四特征数据；通过一致性损失函数，计算所述至少两个第四特征数据之间的所述第一损失。6.一种人脸活体检测方法，包括：获取待检测人脸图像；通过训练后的人脸活体检测模型中的特征处理网络，提取所述待检测人脸图像的第五特征数据，其中，所述人脸活体检测模型通过权利要求1
‑
5中任一项训练得到；通过所述人脸活体检测模型中的回归网络，根据所述第五特征数据确定所述待检测人脸图像是否为活体人脸图像。7.根据权利要求6所述的方法，其中，所述通过所述人脸活体检测模型中的回归网络，根据所述第五特征数据确定所述待检测人脸图像是否为活体人脸图像，包括：
通过所述回归网络对所述第五特征数据进行处理，得到第二特征图；根据所述第二特征图中的特征值，得到表征所述待检测人脸图像为活体人脸图像的概率的置信度；根据所述置信度，确定所述待检测人脸图像是否为活体人脸图像。8.一种人脸活体检测模型的训练装置，包括：第一获取单元，被配置成获取训练样本集，其中，所述训练样本集包括：样本人脸图像、表征所述样本人脸图像是否为活体人脸图像的标签；得到单元，被配置成根据所述样本人脸图像，得到至少两个不同的同源图像；第一提取单元，被配置成通过特征提取网络分别对所述至少两个不同的同源图像进行特...

【专利技术属性】
技术研发人员：张国生，
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：