一种活体检测模型的训练方法、装置、设备及介质制造方法及图纸

本说明书实施例公开了一种活体检测模型的训练方法、装置、设备及介质。该方案可以包括：获取第一数据集；所述第一数据集中的数据包括第一标签；所述第一标签用于表示所述数据的活体属性信息；采用聚类算法，确定所述第一数据集中的数据的第二标签，得到第二数据集；所述第二数据集中的数据包括所述第一标签和所述第二标签；所述第二标签用于表示所述数据的域属性信息；基于所述第二数据集以对抗学习方式对初始活体检测模型进行训练，得到训练后的活体检测模型。的活体检测模型。的活体检测模型。

【技术实现步骤摘要】
一种活体检测模型的训练方法、装置、设备及介质


[0001]本申请涉及模型训练
，尤其涉及一种活体检测模型的训练方法、装置、设备及介质。

技术介绍

[0002]随着近年来人脸识别系统的不断发展，“活体攻击检测”成为人脸识别系统中不可缺少的一环，该模型可以有效地拦截非活体类型的攻击样本。然而，随着人脸识别系统不断的应用到更多的领域，会遇到多种表征差异迥异的场景特效，如何能让一套活体攻击检测模型在面对未知新场景部署时可以无差异性的适配是亟待解决的技术问题。

技术实现思路

[0003]本说明书实施例提供一种活体检测模型的训练方法、装置、设备及介质，以解决现有的活体攻击检测模型在面对未知新场景部署时不适配的问题。
[0004]为解决上述技术问题，本说明书实施例是这样实现的：
[0005]本说明书实施例提供的一种活体检测模型的训练方法，包括：
[0006]获取第一数据集；所述第一数据集中的数据包括第一标签；所述第一标签用于表示所述数据的活体属性信息；
[0007]采用聚类算法，确定所述第一数据集中的数据的第二标签，得到第二数据集；所述第二数据集中的数据包括所述第一标签和所述第二标签；所述第二标签用于表示所述数据的域属性信息；
[0008]基于所述第二数据集以对抗学习方式对初始活体检测模型进行训练，得到训练后的活体检测模型。
[0009]本说明书实施例提供的一种活体检测模型的训练装置，包括：
[0010]数据获取模块，用于获取第一数据集；所述第一数据集中的数据包括第一标签；所述第一标签用于表示所述数据的活体属性信息；
[0011]数据确定模块，用于采用聚类算法，确定所述第一数据集中的数据的第二标签，得到第二数据集；所述第二数据集中的数据包括所述第一标签和所述第二标签；所述第二标签用于表示所述数据的域属性信息；
[0012]模型训练模块，用于基于所述第二数据集以对抗学习方式对初始活体检测模型进行训练，得到训练后的活体检测模型。
[0013]本说明书实施例提供的一种活体检测模型的训练设备，包括：
[0014]至少一个处理器；以及，
[0015]与所述至少一个处理器通信连接的存储器；其中，
[0016]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：
[0017]获取第一数据集；所述第一数据集中的数据包括第一标签；所述第一标签用于表
示所述数据的活体属性信息；
[0018]采用聚类算法，确定所述第一数据集中的数据的第二标签，得到第二数据集；所述第二数据集中的数据包括所述第一标签和所述第二标签；所述第二标签用于表示所述数据的域属性信息；
[0019]基于所述第二数据集以对抗学习方式对初始活体检测模型进行训练，得到训练后的活体检测模型。
[0020]本说明书实施例提供的一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现一种活体检测模型的训练方法。
[0021]本说明书一个实施例实现了能够达到以下有益效果：通过获取第一数据集，采用聚类算法，确定所述第一数据集中的数据的用于表示数据的域属性信息的第二标签，得到第二数据集，基于所述第二数据集以对抗学习方式对初始活体检测模型进行训练，得到训练后的活体检测模型。使得训练后的活体检测模型可是适配未知新场景。
附图说明
[0022]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本说明书实施例提供的一种活体检测模型的训练方法的整体方案架构示意图；
[0024]图2是本说明书实施例提供的一种活体检测模型的训练方法的流程示意图意图；
[0025]图3是本说明书实施例提供的一种活体检测模型的训练方法的训练示意图；
[0026]图4是本说明书实施例提供的一种活体检测模型的训练装置的流程示意图；
[0027]图5是本说明书实施例提供的一种活体检测模型的训练设备的结构示意图。
具体实施方式
[0028]为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书一个或多个实施例保护的范围。
[0029]以下结合附图，详细说明本说明书各实施例提供的技术方案。
[0030]现有技术中，随着近年来人脸识别系统的不断发展，“活体攻击检测”成为人脸识别系统中不可缺少的一环，该模型可以有效地拦截非活体类型的攻击样本。然而，随着人脸识别系统不断的应用到更多的领域，会遇到多种表征差异迥异的场景特效，因此，现有技术中的活体攻击检测模型在面对未知新场景部署时并不适配，不能准确的识别是否为活体。
[0031]为了解决现有技术中的缺陷，本方案给出了以下实施例：
[0032]图1为本说明书实施例中一种活体检测模型的训练方法在实际应用场景中的整体方案架构示意图。如图1所示，该方案主要包括：数据集1、服务器2以及活体检测模型3。在实
际应用中，可以利用数据集1在服务器2中进行训练，可以获得活体检测模型3。其中，服务器2获取的数据集1中的数据可以包括第一标签；然后采用聚类算法，确定数据集1中的各个数据的第二标签，得到第二数据集；基于包含标记有第一标签和第二标签的数据的第二数据集以对抗学习方式对初始活体检测模型进行训练，得到训练后的活体检测模型3。使得最终获得的活体检测模型可以适配未知新场景。
[0033]接下来，将针对说明书实施例提供的一种活体检测模型的训练方法结合附图进行具体说明：
[0034]图2为本说明书实施例提供的一种活体检测模型的训练方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
[0035]如图2所示，该流程可以包括以下步骤：
[0036]步骤202：获取第一数据集；所述第一数据集中的数据包括第一标签；所述第一标签用于表示所述数据的活体属性信息。
[0037]本说明书实施例中第一数据集可以是已经存在的历史活体识别的数据，例如可以包括初始活体检测模型已经识别过的历史识别图像。其中，活体属性信息可以表示训练数据对应的识别对象是否为活体的信息。例如：训练数据可以包括采集到的活体的图像，活体的图像的第一标签可以标记为活体标签；还可以包括采集到的非活体的图像，非活体的图像的第一标签可以标记为非活体或攻击标签。又如，对于初本文档来自技高网...

【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：获取第一数据集；所述第一数据集中的数据包括第一标签；所述第一标签用于表示所述数据的活体属性信息；采用聚类算法，确定所述第一数据集中的数据的第二标签，得到第二数据集；所述第二数据集中的数据包括所述第一标签和所述第二标签；所述第二标签用于表示所述数据的域属性信息；基于所述第二数据集以对抗学习方式对初始活体检测模型进行训练，得到训练后的活体检测模型。2.根据权利要求1所述的方法，所述基于所述第二训练数据集以对抗学习方式对初始活体检测模型进行训练，具体包括：通过元学习的方式，基于所述第二数据集以对抗学习方式对初始活体检测模型进行训练。3.根据权利要求1所述的方法，所述基于所述第二数据集以对抗学习方式对初始活体检测模型进行训练，得到训练后的活体检测模型，具体包括：从所述第二数据集中获取若干个数据子集；所述数据子集中包含预设数量的所述第二数据集中的包含所述第一标签和所述第二标签的数据；利用各个数据子集，以对抗学习方式对所述初始活体检测模型进行训练，得到训练后的活体检测模型。4.根据权利要求3所述的方法，所述利用各个数据子集，以对抗学习方式对所述初始活体检测模型进行训练，得到训练后的活体检测模型，具体包括：利用各个数据子集中的任意数据子集，以对抗学习方式对所述初始活体检测模型进行预设次数的轮内迭代训练，得到预设数量的轮内对抗损失值以及训练后的活体检测模型。5.根据权利要求4所述的方法，在以对抗学习方式对所述初始活体检测模型进行预设次数的轮内迭代训练中的一次的轮内迭代训练，具体包括：从一个所述数据子集中获取训练数据和测试数据；利用所述训练数据对所述初始活体检测模型执行一次轮内迭代训练，得到轮内训练后的活体检测模型；利用所述测试数据，得到所述轮内训练后的活体检测模型对应的轮内对抗损失值。6.根据权利要求4所述的方法，所述方法还包括：计算所述预设数量的轮内对抗损失值的平均数，将所述平均数作为所述训练后的活体检测模型对应的对抗学习损失值。7.根据权利要求6所述的方法，所述方法还包括：若所述对抗学习损失值满足预设条件，则停止对所述训练后的活体检测模型的训练；若所述对抗学习损失值未满足所述预设条件，则将基于所述对抗学习损失值反传至所述训练后的活体检测模型进行后续训练。8.根据权利要求1所述的方法，所述聚类算法包括一种或多种聚类算法；所述采用聚类算法，确定所述第一数据集中的数据的第二标签，具体包括：获取各个聚类算法针对所述数据的各个聚类结果；根据各个聚类算法对应的权重以及各个聚类结果，确定各个数据对应的聚类类别；
基于所述聚类类别，...

【专利技术属性】
技术研发人员：武文琦，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：