一种图像处理方法、装置、存储介质及电子设备制造方法及图纸

本说明书公开了一种图像处理方法、装置、存储介质及电子设备，其中，方法包括：将获取的活体类样本图像和攻击类样本图像输入至初始图像检测模型进行模型训练，通过控制初始图像检测模型采用第一特征处理网络对活体类样本图像进行第一特征处理，和采用第二特征处理网络对攻击类样本图像进行第二特征处理，并基于第一特征处理网络以及第二特征处理网络对应的非对称角度间隔损失和网络自监督损失对初始图像检测模型进行模型参数调整，可以得到初始图像检测模型对应的图像检测模型。始图像检测模型对应的图像检测模型。始图像检测模型对应的图像检测模型。

【技术实现步骤摘要】
一种图像处理方法、装置、存储介质及电子设备


[0001]本说明书涉及计算机
，尤其涉及一种图像处理方法、装置、存储介质及电子设备。

技术介绍

[0002]随着计算机技术的快速发展，生物识别技术被广泛应用到人们的生产和生活当中。例如刷脸支付，面部门禁，面部考勤以及面部进站等技术都需要依赖生物识别，但是，随着生物识别技术越来越广泛的应用，生物识别场景下的活体检测需求也越来越凸出，例如面部考勤、刷脸进站、刷脸支付等生物识别场景得到了广泛应用，在生物识别为人们提供方便的同时，也带来了新的风险挑战。威胁生物识别系统安全的最常见的手段为活体攻击，即通过设备屏幕、打印照片等手段尝试绕过图像生物验证的手法。为了检测活体攻击，活体防攻击技术成为了生物识别场景中必备的环节。

技术实现思路

[0003]本说明书提供了一种图像处理方法、装置、存储介质及电子设备，所述技术方案如下：
[0004]第一方面，本说明书提供了一种图像处理方法，所述方法包括：
[0005]获取针对初始图像检测模型的活体类样本图像和攻击类样本图像，所述初始图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，所述方法包括：获取针对初始图像检测模型的活体类样本图像和攻击类样本图像，所述初始图像检测模型包含第一特征处理网络以及第二特征处理网络；将所述活体类样本图像和所述攻击类样本图像输入至所述初始图像检测模型进行模型训练，以控制所述初始图像检测模型采用第一特征处理网络对所述活体类样本图像进行第一特征处理，和，控制所述初始图像检测模型采用所述第二特征处理网络对所述攻击类样本图像进行第二特征处理；获取所述第一特征处理网络以及所述第二特征处理网络对应的非对称角度间隔损失和网络自监督损失，并基于所述非对称角度间隔损失和网络自监督损失对所述初始图像检测模型进行模型参数调整，得到所述初始图像检测模型对应的图像检测模型。2.根据权利要求1所述的方法，所述控制所述初始图像检测模型采用第一特征处理网络对所述活体类样本图像进行第一特征处理，包括：控制所述初始图像检测模型对所述活体类样本图像进行对象区域提取，得到至少一组第一对象区域区块，采用第一特征处理网络对所述第一对象区域区块进行第一特征提取处理；所述控制所述初始图像检测模型采用第二特征处理网络对所述攻击类样本图像进行第二特征处理，包括：控制所述初始图像检测模型对所述攻击类样本图像进行对象区域提取，得到至少一组第二对象区域区块，采用第二特征处理网络对所述第二对象区域区块进行第二特征提取处理。3.根据权利要求2所述的方法，所述控制所述初始图像检测模型对所述活体类样本图像进行对象区域提取，得到至少一组第一对象区域区块，包括：控制所述初始图像检测模型采用随机区块提取方式对所述活体类样本图像进行对象区域随机提取，得到三组第一对象区域区块；所述控制所述初始图像检测模型对所述攻击类样本图像进行对象区域提取，得到至少一组第二对象区域区块，包括：控制所述初始图像检测模型采用随机区块提取方式对所述攻击类样本图像进行对象区域随机提取，得到三组第二对象区域区块。4.根据权利要求1所述的方法，所述获取所述第一特征处理网络以及所述第二特征处理网络对应的非对称角度间隔损失和网络自监督损失，包括：获取所述第一特征处理网络针对至少一个所述活体类样本图像的第一图像特征，所述第一图像特征为所述第一特征处理网络对所述活体类样本图像进行第一特征提取处理生成的图像特征；以及，获取所述第二特征处理网络针对至少一个所述攻击类样本图像的第二图像特征，所述第二图像特征为所述第二特征处理网络对所述攻击类样本图像进行第二特征提取处理生成的图像特征；基于所述第一图像特征确定针对所述第一特征处理网络的第一网络自监督损失，以及，基于所述第二图像特征确定针对所述第二特征处理网络的第二网络自监督损失；基于所述第一图像特征和所述第二图像特征确定针对所述第一特征处理网络和所述第二特征处理网络对应的非对称角度间隔损失。
5.根据权利要求4所述的方法，所述基于所述第一图像特征确定针对所述第一特征处理网络的第一网络自监督损失，包括：从所有所述第一图像特征确定每个第三图像特征对应的第四图像特征，所述第三图像特征为所有所述第一图像特征中的其一，所述第四图像特征为所有所述第一图像特征中除所述第三图像特征之外的图像特征；基于所述第三图像特征和所述第四图像特征采用第一损失计算式确定针对所述第一特征处理网络的第一网络自监督损失；所述第一损失计算式满足以下公式：其中，所述L1为所述第一网络自监督损失，所述f
a
为所述第三图像特征，所述f
b
为所述第四图像特征，所述n1为所述第一图像特征的总数目；所述基于所述第二图像特征确定针对所述第二特征处理网络的第二网络自监督损失，包括：从所有所述第二图像特征确定每个第五图像特征对应的第六图像特征，所述第五图像特征为所有所述第二图像特征中的其一，所述第六图像特征为所有所述第二图像特征中除所述第五图像特征之外的图像特征；基于所述第五图像特征和所述第六图像特征采用第二损失计算式确定针对所述第二特征处理网络的第二网络自监督损失；所述第二损失计算式满足以下公式：其中，所述L2为所述第二网络自监督损失，所述f
c
为所述第五图像特征，所述f
d
为所述第六图像特征，所述n2为所述第二图像特征的总数目。6.根据权利要求4所述的方法，所述基于所述第一图像特征和所述第二图像特征确定针对所述第一特征处理网络和所述第二特征处理网络对应的非对称角度间隔损失，包括：获取至少一个所述活体类样本图像对应的第一类别标签以及第一图像特征，确定所述第一类别标签和所述第一图像特征在角度空间对应的活体类角度间隔损失和活体类角度间隔损失偏量，基于所述活体类角度间隔损失和活体类角度间隔损失偏量确定第一非对称角度间隔损失；获取至少一个所述攻击类样本图像对应的第二类别标签以及第二图像特征，确定所述第二类别标签和所述第二图像特征在角度空间对应的攻击类角度间隔损失和攻击类角度间隔损失偏量，基于所述攻击类角度间隔损失和攻击类角度间隔损失偏量确定第二非对称角度间隔损失；基于所述第一非对称角度间隔损失和所述第二非对称角度间隔损失，确定针对所述第一特征处理网络和所述第二特征处理网络对应的非对称角度间隔损失。7.根据权利要求6所述的方法，所述确定所述第一类别标签和所述第一图像特征在角度空间对应的活体类角度间隔损失和活体类角度间隔损失偏量，基于所述活体类角度间隔损失和活体类角度间隔损失偏量确定第一非对称角度间隔损失，包括：获取活体类角度间隔参数和角度放缩超参数，基于所述第一特征处理网络确定所述第一类别标签对应的第一标签参数特征，基于所述活体类角度间隔参数和角度放缩超参数以
及所述第一标签参数特征采用第三间隔损失计算式确定所述第一类别标签和所述第一图像特征在角度空间对应的活体类角度间隔损失，以及基于所述活体类角度间隔参数和角度放缩超参数以及所述第一标签参数特征采用第三间隔偏量损失计算式确定所述第一类别标签和所述第一图像特征在角度空间对应的活体类角度间隔损失偏量；所述第三间隔损失计算式满足以下公式：其中，所述L
3a
为所述活体类角度间隔损失，所述s为角度放缩超参数，所述y
i
为所述第一图像特征对应的第i个活体类样本图像所标注的第一类别标签，所述T为在角度空间下的特征参数，所述f
i
为第i个活体类样本图像对应的所述第一图像特征，所述为所述第i个所述第一类别标签在角度空间对应的第一标签参数特征，所述为所述第一图像特征对应的活体类图像与所述第一类别标签在角度空间对应的标签分类角度，所述m
l
为所述活体类角度间隔参数；所述第三间隔偏量损失计算式满足以下公式：其中，所述L
3b
为所述活体类角度间隔损失偏量，所述j为所有所述第一类别标签中的第j个标签的标号，所述为所述第j个所述第一类别标签在角度空间对应的第一标签参数特征，所述为所述第j个所述第一类别标签与所述第i个活体类样本图像在角度空间对应的标签分类角度；所述确定所述第二类别标签和所述第二图像特征...

【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：