活体检测模型训练方法、活体检测方法、装置和电子设备制造方法及图纸

本公开提供了一种活体检测模型训练方法、活体检测方法、装置和电子设备，涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域。该方法包括：将原始样本图像划分为多个原始图像块；根据原始样本图像的图像类型，从所述原始图像块中选择待掩码的目标图像块；对所述目标图像块进行掩码，得到掩码样本图像，并将所述掩码样本图像输入深度学习模型进行预训练，得到活体检测的预训练模型；对所述活体检测的预训练模型进行微调，得到活体检测模型。通过上述技术方案能够提高活体检测模型的训练效率和活体检测的准确性。型的训练效率和活体检测的准确性。型的训练效率和活体检测的准确性。

【技术实现步骤摘要】
活体检测模型训练方法、活体检测方法、装置和电子设备


[0001]本公开涉及人工智能
，具体为深度学习、图像处理、计算机视觉
具体涉及一种活体检测模型训练方法、活体检测方法、装置和电子设备。

技术介绍

[0002]随着人工智能(ArtificialIntelligence，AI)的快速发展，人工智能已经广泛应用于计算机视觉技术、语音识别技术、自然语言处理技术、深度学习、大数据处理技术等领域。
[0003]基于人工智能的图像检测技术也已经广泛应用于不同场景。其中，基于人工智能的人脸活体检测技术，用于区分一张图像是否为真人拍摄，是人脸识别系统的基础组成模块，保证人脸识别系统的安全性，因此如何提高活体检测性能十分重要。

技术实现思路

[0004]本公开提供了一种活体检测模型训练方法、活体检测方法、装置和电子设备。
[0005]根据本公开的一方面，提供了一种活体检测模型训练方法，包括：
[0006]将原始样本图像划分为多个原始图像块；
[0007]根据原始样本图像的图像类型，从所述原始图像块中选择待掩码的目标图像块；
[0008]对所述目标图像块进行掩码，得到掩码样本图像，并将所述掩码样本图像输入深度学习模型进行预训练，得到活体检测的预训练模型；
[0009]对所述活体检测的预训练模型进行微调，得到活体检测模型。
[0010]根据本公开的另一方面，提供了一种活体检测方法，包括：
[0011]获取待检测的目标图像；
[0012]将所述目标图像输入活体检测模型得到目标图像的预测活体信息；所述活体检测模型采用本公开任意实施例公开的活体检测模型训练方法得到。
[0013]根据本公开的又一方面，提供了一种活体检测模型训练装置，包括：
[0014]样本划分模块，用于将原始样本图像划分为多个原始图像块；
[0015]目标选择模块，用于根据原始样本图像的图像类型，从所述原始图像块中选择待掩码的目标图像块；
[0016]预训练模块，用于对所述目标图像块进行掩码，得到掩码样本图像，并将所述掩码样本图像输入深度学习模型进行预训练，得到活体检测的预训练模型；
[0017]微调模块，用于对所述活体检测的预训练模型进行微调，得到活体检测模型。
[0018]根据本公开的又一方面，提供了一种活体检测装置，包括：
[0019]目标图像模块，用于获取待检测的目标图像；
[0020]目标活体预测模块，用于将所述目标图像输入活体检测模型得到目标图像的预测活体信息；所述活体检测模型采用本公开任意实施例公开的活体检测模型训练方法得到。
[0021]根据本公开的另一方面，提供了一种电子设备，该电子设备包括：
[0022]至少一个处理器；以及
[0023]与所述至少一个处理器通信连接的存储器；其中，
[0024]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任意实施例所提供的方法。
[0025]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，其中，所述计算机指令用于使计算机执行本公开任意实施例所提供的方法。
[0026]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
[0027]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0028]图1a是根据本公开实施例提供的一种活体检测模型训练方法的流程图；
[0029]图1b是根据本公开实施例提供的一种预训练阶段的原理示意图；
[0030]图2是根据本公开实施例提供的另一种活体检测模型训练方法的流程图；
[0031]图3a是根据本公开实施例提供的又一种活体检测模型训练方法的流程图；
[0032]图3b是根据本公开实施例提供的一种预训练阶段的原理示意图；
[0033]图3c是根据本公开实施例提供的一种微调阶段的原理示意图；
[0034]图4是根据本公开实施例提供的一种活体检测方法的流程图；
[0035]图5是根据本公开实施例提供的一种活体检测模型训练装置的结构示意图；
[0036]图6是根据本公开实施例提供的一种基于活体检测装置的结构示意图；
[0037]图7是用来实现本公开实施例的活体检测模型训练方法或活体检测方法的电子设备的框图。
具体实施方式
[0038]图1a是根据本公开实施例提供的一种活体检测模型训练方法的流程图。该方法适用于对活体检测模型进行训练的情况。该方法可以由活体检测模型训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于电子设备中。如图1a所示，本实施例的活体检测模型训练方法可以包括：
[0039]S101，将原始样本图像划分为多个原始图像块；
[0040]S102，根据原始样本图像的图像类型，从所述原始图像块中选择待掩码的目标图像块；
[0041]S103，对所述目标图像块进行掩码，得到掩码样本图像，并将所述掩码样本图像输入深度学习模型进行预训练，得到活体检测的预训练模型；
[0042]S104，对所述活体检测的预训练模型进行微调，得到活体检测模型。
[0043]在本公开实施例中，可获取活体数据集和无标签数据集，活体数据集中的原始样本图像具有活体标注信息，活体标注信息可以为原始样本图像对应的攻击类型，攻击类型包括但不限于无攻击(即真人活体图像)、电子屏幕攻击(即视频攻击)、纸质攻击(即打印照片攻击)、头部模型攻击、面具攻击、证件照攻击或五官遮挡攻击等。无标签数据集中的原始样本图像没有活体标注信息。
[0044]活体检测模型的训练过程可包括预训练阶段和微调(FineTune)阶段。在预训练阶段，可采用活体数据集中的原始样本数据(可简称为有标签的原始样本图像)和无标签数据集中的原始样本数据(可简称为无标签的原始样本图像)对深度学习模型进行预训练得到活体检测的预训练模型(Pre_trainedmodel)；在微调阶段，可采用有标签的原始样本图像对活体检测的预训练模型进行微调得到活体检测模型。通过微调得到活体检测模型，相比于从头开始训练(Trainingamodelfromscratch)，能够节省大量的计算资源和计算时间，从而提高活体检测模型的训练效率。
[0045]图1b是根据本公开实施例提供的一种预训练阶段的原理示意图，参考图1b，在预训练阶段，可根据原始样本图像所属图像类型，从原始图像块中选择待掩码的目标图像块，并对目标图像块进行掩码得到掩码样本图像。在图像类型不同的情况下，尤其攻击类型不同的情况下，可从原始样本图像中的不同区域选择待掩码的目标图像块，从而在自监督预训练过程中学习各图像类型对应的分类特征，使得活体检测的预训练模型能够关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测模型训练方法，包括：将原始样本图像划分为多个原始图像块；根据原始样本图像的图像类型，从所述原始图像块中选择待掩码的目标图像块；对所述目标图像块进行掩码，得到掩码样本图像，并将所述掩码样本图像输入深度学习模型进行预训练，得到活体检测的预训练模型；对所述活体检测的预训练模型进行微调，得到活体检测模型。2.根据权利要求1所述的方法，其中，所述根据原始样本图像的图像类型，从所述原始图像块中选择待掩码的目标图像块，包括：根据原始样本图像的图像类型，从所述原始图像块中选择可掩码的候选图像块；从所述候选图像块中随机选择待掩码的目标图像块。3.根据权利要求2所述的方法，其中，所述根据原始样本图像的图像类型，从所述原始图像块中选择可掩码的候选图像块，包括：在所述原始样本图像的图像类型为第一攻击类型的情况下，将所述原始样本图像中人脸区域所对应的原始图像块作为候选图像块；所述第一攻击类型用于对人脸区域进行攻击；在所述原始样本图像的图像类型为第二攻击类型的情况下，将所述原始样本图像中除人脸区域之外的背景区域所对应的原始图像块作为候选图像块；所述第二攻击类型用于对背景区域进行攻击。4.根据权利要求1
‑
3中任一项所述的方法，所述方法还包括：根据原始样本图像的图像类型，确定原始样本图像中原始图像块的标注权重；将原始样本图像中的原始图像块输入权重网络，得到原始图像块的预测权重；根据原始图像块的预测权重和所述原始图像块的标注权重，对所述权重网络进行预训练。5.根据权利要求4所述的方法，其中，所述将所述掩码样本图像输入深度学习模型进行预训练，得到活体检测的预训练模型，包括：将所述掩码样本图像输入深度学习模型对所述目标图像块进行重建得到重建图像块；根据所述目标图像块和所述重建图像块构建第一损失函数，并采用所述第一损失函数对所述深度学习模型进行预训练，得到活体检测的预训练模型；所述根据原始图像块的预测权重和所述原始图像块的标注权重，对所述权重网络进行预训练，包括：根据所述原始图像块的预测权重和所述原始图像块的标注权重构建第二损失函数，并采用所述第二损失函数对所述权重网络进行预训练。6.根据权利要求4所述的方法，其中，所述对所述活体检测的预训练模型进行微调，得到活体检测模型，包括：获取原始样本图像和原始样本图像所标注的活体标注信息；将所述原始样本图像中的原始图像块输入预训练的权重网络得到原始图像块的预测权重；根据所述原始图像块的预测权重对所述原始图像块进行加权，并将加权结果输入活体检测的预训练模型得到原始样本图像的活体预测信息；
根据原始样本图像的活体标注信息和所述原始样本图像的活体预测信息，对预训练的权重网络和所述活体检测的预训练模型进行微调，得到活体检测模型。7.一种活体检测方法，包括：获取待检测的目标图像；将所述目标图像输入活体检测模型得到目标图像的预测活体信息；所述活体检测模型采用如权利要求1
‑
6中任一项所述的活体检测模型训练方法得到。8.根据权利要求7所述的方法，其中，所述将所述目标图像输入活体检测模型得到目标图像的预测活体信息，包括：对所述目标图像进行划分得到目标图像中的原始图像块；将所述目标图像中的原始图像块输入权重网络，得到目标图像中原始图像块的预测权重；根据所述目标图像中原始图像块的预测权重对所述目标图像中的原始图像块进行加权，并将加权结果输入所述活体检测模型得到目标图像的活体预测信息。9.一种活体检测模型训练装置，包括：样本划分模块，用于将原始样本图像划分为多个原始图像块；目标选择模块，用于根据原始样本图像的图像类型，从所述原始图像块中选择待掩码的目标图像块；预训练模块，用于对所述目标图像块进行掩码，得到掩码样本图像，并将所述掩码样本图像输入深度学习模型进行预训练，得到活体检测的预训练模型；微调模块，用于对所述活体检测的预训练模型...

【专利技术属性】
技术研发人员：王珂尧，
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：