一种活体检测模型训练方法和活体检测方法技术

本申请实施例公开了一种活体检测模型训练方法和活体检测方法，可以解决目前实现活体检测的成本较高的问题，该活体检测模型训练方法包括：获取待处理图像和待处理图像对应的散斑图像，待处理图像和散斑图像均包括人脸区域；从待处理图像中提取出第一人脸区域图像，从散斑图像中提取出第二人脸区域图像；确定第一人脸区域图像中的人脸区域的原始关键点集合；从原始关键点集合中提取出目标关键点，目标关键点集合中目标关键点的数量小于原始关键点集合中原始关键点的数量；针对每个目标关键点，确定第二人脸区域图像中与目标关键点对应的坐标上的深度值；根据各个目标关键点的坐标和深度值，对活体检测模型进行训练，获得训练好的活体检测模型。练好的活体检测模型。练好的活体检测模型。

【技术实现步骤摘要】
一种活体检测模型训练方法和活体检测方法


[0001]本申请属于人工智能
，尤其涉及一种活体检测模型训练方法、活体检测方法、用于活体检测的电子设备、装置、电子设备及计算机可读存储介质

技术介绍

[0002]活体检测方法中的深度活体检测能够很好地对真人和假体进行识别，从而防止人脸识别系统收到假体攻击。
[0003]但是，深度活体检测方法在训练和应用活体检测模型时，需要计算出深度图像，将深度图像的信息作为模型的输入。而深度图像需要进行大量的深度信息的计算才能得到。对于算力相对较低的平台，例如以主控芯片作为运算核心的平台，难以完成大量的深度信息的计算，需要使用额外的深度计算芯片进行深度信息的计算，而深度计算芯片的造价较贵。因此，目前实现活体检测的成本较高。

技术实现思路

[0004]本申请提供了一种活体检测模型的训练方法、活体检测方法、用于活体检测的电子设备、装置、电子设备及计算机可读存储介质，可以解决实现活体检测的成本较高的问题。
[0005]第一方面，本申请实施例提供了一种活体检测模型的训练方法，包括：
[0006]获取待处理图像和待处理图像对应的散斑图像，待处理图像和散斑图像均包括人脸区域；从待处理图像中提取出第一人脸区域图像，从散斑图像中提取出第二人脸区域图像；确定第一人脸区域图像中的人脸区域的原始关键点集合；从原始关键点集合中提取出目标关键点，目标关键点集合中目标关键点的数量小于原始关键点集合中原始关键点的数量；针对每个目标关键点，确定第二人脸区域图像中与目标关键点对应的坐标上的深度值；根据各个目标关键点的坐标和深度值，对活体检测模型进行训练，获得训练好的活体检测模型。
[0007]本申请实施例通过在训练活体检测模型的过程中，从原始关键点集合中提取出目标关键点，并且目标关键点的数量小于原始关键点的数量，对提取出的目标关键点计算其深度值，将目标关键点的坐标及其深度值输入活体检测模型中，得到训练好的活体检测模型。相比于现有技术，本申请实施例在模型训练过程中，不需要计算出整张深度图像，只需要计算出部分关键点的深度值，并根据部分关键点的坐标及其深度值完成活体检测模型的训练。相应的，在模型应用过程中，也不需要计算出整张深度图，只需要计算出部分关键点的深度值即可完成活体检测。因此，本申请实施例所要求的算力大大降低，对于硬件的依赖性不高，能够部署在算力相对较低的平台，降低了实现活体检测的成本。
[0008]在第一方面的一种可能的实现方式中，目标关键点集合包括第一目标关键点集合和第二目标关键点集合；第一目标关键点集合包括原始关键点集合中部分原始关键点；第二目标关键点集合包括原始关键点集合中部分原始关键点之间的中点。
[0009]在第一方面的一种可能的实现方式中，目标关键点的坐标为第一坐标或第二坐标，第一坐标为目标关键点的坐标，第二坐标为根据目标关键点的坐标和随机扰动量得到的坐标。
[0010]本申请实施例通过在目标关键点的坐标中添加随机扰动量，以得到新的训练样本，能够提升训练样本的多样性和活体检测模型的鲁棒性。
[0011]在第一方面的一种可能的实现方式中，根据各个目标关键点的坐标和深度值，对活体检测模型进行训练，获得训练好的活体检测模型，包括：对各个目标关键点的坐标和深度值进行预处理以得到输入向量；将输入向量输入至活体检测模型，获得活体检测模型的输出结果；根据输出结果，确定活体检测模型的分类损失值；根据分类损失值进行反向传播，以调整活体检测模型的参数；依此迭代训练多次，直至训练次数达到预设次数，则获得训练好的活体检测模型。
[0012]在第一方面的一种可能的实现方式中，活体检测模型包括第一分支、第二分支、第三分支、特征拼接层以及全连接层；将输入向量输入至活体检测模型，获得活体检测模型的输出结果，包括：将输入向量输入至活体检测模型，获得活体检测模型的输出结果，包括：将输入向量输入第一分支，获得第一分支输出的第一局部特征矩阵；将输入向量输入第二分支，获得第二分支输出的第二局部特征矩阵；将输入向量输入第三分支，获得第三分支输出的第三局部特征矩阵；将第一局部特征矩阵、第二局部特征矩阵以及第三局部特征矩阵输入特征拼接层，获得特征拼接层输出的特征矩阵；将特征矩阵输入全连接层，获得全连接层输出的输出结果。
[0013]本申请实施例所使用的网络架构通过拼接不同分支的特征使得模型更好地学习到有区分度的真假体特征。
[0014]第二方面，本申请实施例提供了一种活体检测方法，包括：获取待处理图像和待处理图像对应的散斑图像，待处理图像和散斑图像均包括人脸区域；从待处理图像中提取出第一人脸区域图像，从散斑图像中提取出第二人脸区域图像；确定第一人脸区域图像的人脸区域的原始关键点集合；从原始关键点集合中提取出目标关键点，目标关键点集合中目标关键点的数量小于原始关键点集合中原始关键点的数量；针对每个目标关键点，确定第二人脸区域图像中与目标关键点对应的坐标上的深度值；根据各个目标关键点的位置和深度值，生成输入向量；将输入向量输入至预先训练好的活体检测模型，获得活体检测模型输出的活体检测结果。
[0015]第三方面，本申请实施例提供了一种用于活体检测的电子设备，包括：成像模组，用于获取待处理图像和待处理图像对应的散斑图像，待处理图像和散斑图像均包括人脸区域，所述成像模组包括散斑发射器、泛光发射器以及采集器；处理器，用于从待处理图像中提取出第一人脸区域图像，从散斑图像中提取出第二人脸区域图像，确定第一人脸区域图像中的人脸区域的原始关键点集合，从原始关键点集合中提取出目标关键点，目标关键点集合中目标关键点的数量小于原始关键点集合中原始关键点的数量，针对每个目标关键点，确定第二人脸区域图像中与目标关键点对应的坐标上的深度值，根据各个目标关键点的位置和深度值，生成输入向量，将输入向量输入至预先训练好的活体检测模型，获得活体检测模型输出的活体检测结果。
[0016]第四方面，本申请实施例提供了一种活体检测模型训练装置，包括：获取单元，用
于获取待处理图像和待处理图像对应的散斑图像，待处理图像和散斑图像均包括人脸区域；图像提取单元，用于从待处理图像中提取出第一人脸区域图像，从散斑图像中提取出第二人脸区域图像；关键点检测单元，用于确定第一人脸区域图像中的人脸区域的原始关键点集合；关键点提取单元，用于从原始关键点集合中提取出目标关键点，目标关键点集合的目标关键点的数量小于原始关键点集合的原始关键点数量；深度值计算单元，用于针对每个目标关键点，确定第二人脸区域图像中与目标关键点对应的坐标上的深度值；训练单元，用于根据各个目标关键点的位置和深度值，对活体检测模型进行训练，获得训练好的活体检测模型。
[0017]第五方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面或第二方面任一项的方法。
[0018]第六方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有本文档来自技高网...

【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，其特征在于，所述方法包括：获取待处理图像和所述待处理图像对应的散斑图像，所述待处理图像和散斑图像均包括人脸区域；从所述待处理图像中提取出第一人脸区域图像，从所述散斑图像中提取出第二人脸区域图像；确定所述第一人脸区域图像中的人脸区域的原始关键点集合；从所述原始关键点集合中提取出目标关键点，目标关键点集合中所述目标关键点的数量小于所述原始关键点集合中原始关键点的数量；针对每个所述目标关键点，确定所述第二人脸区域图像中与所述目标关键点对应的坐标上的深度值；根据各个所述目标关键点的坐标和所述深度值，对活体检测模型进行训练，获得训练好的活体检测模型。2.根据权利要求1所述的方法，其特征在于，所述目标关键点集合包括第一目标关键点集合和第二目标关键点集合；所述第一目标关键点集合包括所述原始关键点集合中部分原始关键点；所述第二目标关键点集合包括所述原始关键点集合中部分原始关键点之间的中点。3.根据权利要求1所述的方法，其特征在于，所述目标关键点的坐标为第一坐标或第二坐标，所述第一坐标为所述目标关键点的坐标，所述第二坐标为根据所述目标关键点的坐标和随机扰动量得到的坐标。4.根据权利要求1所述的方法，其特征在于，所述根据各个所述目标关键点的坐标和所述深度值，对活体检测模型进行训练，获得训练好的活体检测模型，包括：对各个所述目标关键点的坐标和深度值进行预处理以得到输入向量；将所述输入向量输入至所述活体检测模型，获得所述活体检测模型的输出结果；根据所述输出结果，确定所述活体检测模型的分类损失值；根据所述分类损失值进行反向传播，以调整所述活体检测模型的参数；依此迭代训练多次，直至训练次数达到预设次数，则获得所述训练好的活体检测模型。5.根据权利要求4所述的方法，其特征在于，所述活体检测模型包括第一分支、第二分支、第三分支、特征拼接层以及全连接层；所述将所述输入向量输入至所述活体检测模型，获得所述活体检测模型的输出结果，包括：将所述输入向量输入第一分支，获得所述第一分支输出的第一局部特征矩阵；将所述输入向量输入第二分支，获得所述第二分支输出的第二局部特征矩阵；将所述输入向量输入第三分支，获得所述第三分支输出的第三局部特征矩阵；将所述第一局部特征矩阵、所述第二局部特征矩阵以及所述第三局部特征矩阵输入所述特征拼接层，获得所述特征拼接层输出的特征矩阵；将所述特征矩阵输入所述全连接层，获得所述全连接层输出的所述输出结果。6.一种活体检测方法，其特征在于，包括：获取待处理图像和待处理图像对应的散斑图像，所述待处理图像和散斑图像均包括人脸区域；
从所述待处理图像中提取出第一人脸区域图像，从所述散...

【专利技术属性】
技术研发人员：陈昕，张劲风，钱贝贝，
申请(专利权)人：奥比中光科技集团股份有限公司，
类型：发明
国别省市：