模型训练和活体检测的方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种模型训练和活体检测的方法、装置、电子设备及存储介质，包括：获取已标注的图像训练样本集，图像训练样本的训练标签包括：人脸区域标签，用于表征假体攻击图像样本的人脸区域特征；假体边框区域标签，用于表征假体攻击图像样本的假体边框区域特征；真伪标签，用于表征假体攻击图像样本的真伪分类；利用图像训练样本集对初始的活体检测模型进行训练；活体检测模型包括：编码网络，用于对假体攻击图像样本的人脸区域和假体边框区域进行编码；感知网络，用于对假体攻击图像样本对应的人脸区域特征和假体边框区域特征进行融合；分类网络，用于对假体攻击图像样本的融合特征进行真伪识别，得到假体攻击图像样本对应的真伪识别结果。的真伪识别结果。的真伪识别结果。

【技术实现步骤摘要】
模型训练和活体检测的方法、装置、电子设备及存储介质


[0001]本申请属于图像处理
，尤其涉及一种模型训练和活体检测的方法、装置、电子设备及存储介质。

技术介绍

[0002]随着生物识别技术和人工智能技术的不断发展，人脸识别技术得到了广泛的应用，极大简化了支付、门禁、安检等身份认证的流程。而在实际应用中，人脸作为开放的生物特征，容易被恶意者利用，以假体介质呈现合法用户的人脸图像，从而冒充合法用户发起人脸识别。这种以假体介质冒充其他用户身份进行识别的行为被称为假体攻击。
[0003]为此，如何能够通过机器自动、高效地识别人脸图像的假体攻击，已成为业内迫切需要解决的问题。

技术实现思路

[0004]本申请目的是提供一种模型训练和活体检测的方法、装置、电子设备及存储介质，能够基于机器对人脸图像进行活体检测，可用于人脸识别系统抵抗假体攻击。
[0005]为了实现上述目的，本申请实施例是这样实现的：
[0006]第一方面，提供一种模型训练方法，包括：
[0007]获取图像训练样本集，所述图像训练样本包括多个假体攻击图像样本和对应的训练标签，所述训练标签包括人脸区域标签、假体边框区域标签和真伪标签，所述人脸区域标签用于表征对应的假体攻击图像样本的人脸区域特征，所述假体边框区域标签用于表征对应的假体攻击图像样本的假体边框区域特征，所述真伪标签用于表征对应的假体攻击图像样本的真伪分类；
[0008]利用所述图像训练样本集对初始活体检测模型进行训练，得到活体检测模型；/>[0009]其中，所述活体检测模型包括编码网络、感知网络和分类网络；所述编码网络用于对所述多个假体攻击图像样本中每个假体攻击图像样本的人脸区域和假体边框区域进行编码，得到所述每个假体攻击图像样本对应的人脸区域特征和假体边框区域特征；所述感知网络用于对所述每个假体攻击图像样本对应的人脸区域特征和假体边框区域特征进行融合，得到所述每个假体攻击图像样本对应的融合特征；所述分类网络用于对所述每个假体攻击图像样本的融合特征进行真伪识别，得到每个假体攻击图像样本对应的真伪识别结果。
[0010]第二方面，提供一种活体检测方法，包括：
[0011]响应于目标用户发起的活体检测请求，获取目标用户的人脸拍摄图像；
[0012]将所述目标用户的人脸拍摄图像输入至活体检测模型，得到所述目标用户的人脸拍摄图像对应的真伪识别结果；其中，所述活体检测模型基于第一方面所述方法训练得到的；所述活体检测模型用于将所述人脸拍摄图像编码为对应的人脸区域特征和假体边框区域特征，并将所述人脸区域特征和所述假体边框区域特征融合为融合特征后，基于所述融
合特征对所述人脸拍摄图像进行真伪识别。
[0013]第三方面，提供一种活体检测装置，包括：
[0014]拍摄图像获取模块，响应于目标用户发起的活体检测请求，获取目标用户的人脸拍摄图像；
[0015]真伪识别模块，将所述目标用户的人脸拍摄图像输入至活体检测模型，得到所述目标用户的人脸拍摄图像对应的真伪识别结果；其中，所述活体检测模型基于第一方面所述的方法训练得到的；所述活体检测模型用于将所述人脸拍摄图像编码为对应的人脸区域特征和假体边框区域特征，并将所述人脸区域特征和所述假体边框区域特征融合为融合特征后，基于所述融合特征对所述人脸拍摄图像进行真伪识别。
[0016]第四方面，提供一种电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器以执行第一方面或第二方面所述的方法。
[0017]第五方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现行上述第一方面或第二方面的方法。
[0018]本申请的方案中，用于训练活体检测模型的假体攻击图像样本标注出三种标签，包括用于表征假体攻击图像样本真伪分类的真伪标签、用于表征假体攻击图像样本中的假体边框区域特征的假体边框区域标签以及用于表征假体攻击图像样本中的人脸区域特征的人脸区域标签。训练过程中，活体检测模型的编码网络在假体边框区域标签和人脸区域标签的监督下，可以有目的性地学习到人脸和假体各自的特征知识，从而具备精确提取假体攻击图像中人脸和假体各自特征的能力。此外，活体检测模型的感知网络能够将假体攻击图像中人脸和假体各自的特征融合后提交至活体检测模型的分类网络，由分类网络在真伪标签的监督下，学习如何结合人脸和假体各自的特征进行活体检测的真伪分析。由于本申请的方案可以使活体检测模型能够更有目的性地学习到人脸和假体的本质特征并以此作为要素进行活体检测的分析，因此活体检测模型的准确定率得到大幅提高，在训练阶段和投用阶段均具有较好的效果，可辅助人脸识别系统更有效地防范非法用户的假体攻击。
附图说明
[0019]为了更清楚地说明本申请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实施例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。
[0020]图1为支付系统处理人脸识别的交易请求的流程示意图。
[0021]图2为本申请实施例提供的模型训练方法的第一种流程示意图。
[0022]图3为假体攻击人脸图像中的假体边框区域呈现出不同于人脸区域的特征的示意图。
[0023]图4本申请实施例的模型训练方法分别对假体攻击人脸图像样本中的假体边框区域和人脸区域进行编码的第一种示意图。
[0024]图5本申请实施例的模型训练方法分别对假体攻击人脸图像样本中的假体边框区
域和人脸区域进行编码的第二种示意图。
[0025]图6本申请实施例的活体检测模型的结构示意图。
[0026]图7本申请实施例的活体检测方法的第一种流程示意图。
[0027]图8本申请实施例的活体检测方法的第二种流程示意图。
[0028]图9本申请实施例的模型训练装置的结构示意图。
[0029]图10本申请实施例的活体检测装置的结构示意图。
[0030]图11本申请实施例的电子设备的结构示意图。
具体实施方式
[0031]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
[0032]随着人脸识别技术的广泛应用，并向着自动化、无人监督化的趋势发展，如何能够通过机器自动、有效地识别人脸图像的假体攻击，已成为业内迫切需要解决的问题。
[0033]其中，图1示例支付系统基于人脸识别成功完成支付交易的流程示意图，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取图像训练样本集，所述图像训练样本包括多个假体攻击图像样本和对应的训练标签，所述训练标签包括人脸区域标签、假体边框区域标签和真伪标签，所述人脸区域标签用于表征对应的假体攻击图像样本的人脸区域特征，所述假体边框区域标签用于表征对应的假体攻击图像样本的假体边框区域特征，所述真伪标签用于表征对应的假体攻击图像样本的真伪分类；利用所述图像训练样本集对初始活体检测模型进行训练，得到活体检测模型；其中，所述活体检测模型包括编码网络、感知网络和分类网络；所述编码网络用于对所述多个假体攻击图像样本中每个假体攻击图像样本的人脸区域和假体边框区域进行编码，得到所述每个假体攻击图像样本对应的人脸区域特征和假体边框区域特征；所述感知网络用于对所述每个假体攻击图像样本对应的人脸区域特征和假体边框区域特征进行融合，得到所述每个假体攻击图像样本对应的融合特征；所述分类网络用于对所述每个假体攻击图像样本的融合特征进行真伪识别，得到每个假体攻击图像样本对应的真伪识别结果。2.根据权利要求1所述的方法，其特征在于，所述编码网络包括第一编码子网络以及第二编码子网络，所述第一编码子网络用于对假体攻击图像样本的人脸区域进行编码，得到对应的人脸区域特征，所述第二编码子网络用于对假体攻击图像样本的假体边框区域进行编码，得到对应的假体边框区域特征。3.根据权利要求2所述的方法，其特征在于，所述人脸区域标签为所属假体攻击图像样本对应第一黑白二值规则的灰度矩阵，所述第一黑白二值规则中，人脸区域的像素采用第一灰度值，非人脸区域采用第二灰度值；所述第一编码子网络具体用于根据所述第一黑白二值规则，对所述假体攻击图像样本进行灰度矩阵的编码，得到对应的人脸区域特征。4.根据权利要求2所述的方法，其特征在于，所述假体边框区域标签为所属假体攻击图像样本对应第二黑白二值规则的灰度矩阵，所述第二黑白二值规则中，假体边框区域的像素采用第三灰度值，非假体边框区域采用第四灰度值；所述第二编码子网络具体用于根据所述第二黑白二值规则，对假体攻击图像样本进行灰度矩阵的编码，得到对应的假体边框区域特征。5.根据权利要求2所述的方法，其特征在于，所述利用所述图像训练样本集对初始活体检测模型进行训练，包括：基于所述每个假体攻击图像样本对应的人脸区域特征与人脸区域标签之间的差...

【专利技术属性】
技术研发人员：高亮，周迅溢，曾定衡，
申请(专利权)人：马上消费金融股份有限公司，
类型：发明
国别省市：