卷积神经网络训练和人脸检活方法、装置、介质及设备制造方法及图纸

本发明专利技术公开了一种卷积神经网络训练和人脸检活方法、装置、介质及设备，属于生物识别领域。本发明专利技术基于人脸活体检测中真人和假体的非对称性，对真人图像样本和假体图像样本采用不同的损失函数训练二分类卷积神经网络，使得真人图像样本的类内距离减少，对假体图像样本的类内距离无需强约束，只要求增加真人图像样本与假体图像样本的类间距离即可，有效的解决了复杂的假体图像样本带来的训练优化困难的问题，提高了活体检测的准确率。提高了活体检测的准确率。提高了活体检测的准确率。

【技术实现步骤摘要】
卷积神经网络训练和人脸检活方法、装置、介质及设备


[0001]本专利技术涉及人脸识别领域，特别是指一种卷积神经网络训练和人脸检活方法、装置、介质及设备。

技术介绍

[0002]随着深度学习在生物特征识别领域的大规模应用，人脸识别等基于图像识别的任务准确率得到了显著提升。但是与此同时大量的黑客攻击手段应运而生，例如以人脸识别系统为例，一些用户会采用手机，ipad屏幕显示人脸视频，打印人脸图片，以及3D面具等等手段来对人脸识别系统进行攻击，形成安全隐患。
[0003]一般单模型的人脸活体检测算法只能针对特定的攻击手段有效识别，无法兼顾泛化到所有攻击类型，一个重要的原因是假体种类非常多，且情况远比真人复杂。现有技术通常只采用二分类卷积神经网络来进行活体检测，把真人图像和假体图像当作两个等价的类别对待。但是由于假体图像来源非常丰富，例如，智能终端采集的人脸视频、打印照片以及3D面具等等，将真人图像和假体图像当作两个等价的类别对待会导致二分类卷积神经网络在训练过程中存在优化困难的问题。

技术实现思路

[0004]为解决现有技术的问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络训练方法，其特征在于，所述卷积神经网络用于人脸活体检测，所述方法包括：将用于训练的若干训练样本输入待训练的二分类卷积神经网络，所述训练样本包括真人图像样本和假体图像样本；进行正向传播过程，通过第一损失函数计算假体图像样本的损失，通过第二损失函数计算真人图像样本的损失；其中，所述第一损失函数和第二损失函数不同；根据所述假体图像样本的损失和真人图像样本的损失进行反向传播过程，调整所述二分类卷积神经网络的参数，使得真人图像样本的类内距离减少，真人图像样本与假体图像样本的类间距离增大；并返回所述进行正向传播过程的步骤，直至二分类卷积神经网络训练完成。2.根据权利要求1所述的卷积神经网络训练方法，其特征在于，所述训练样本设置有用于区分真人图像样本和假体图像样本的标签。3.根据权利要求2所述的卷积神经网络训练方法，其特征在于，所述第一损失函数loss1为：其中，i为训练样本的序号，N为训练样本的总数，s为二分类卷积神经网络输出的图像特征的模长与权重W的模长之间的乘积，n为W的维度，j＝1,2,
…
,n，θ为二分类卷积神经网络输出的图像特征与权重W之间夹角，y
i
为训练样本的标签。4.根据权利要求3所述的卷积神经网络训练方法，其特征在于，所述第二损失函数loss2为：其中，m为设定的角边距惩罚项。5.根据权利要求1
‑
4任一所述的卷积神经网络训练方法，其特征在于，所述真人图像样本包括多个用户在不同环境、不同光照条件、不同尺寸、不同姿态、不同遮挡情况和/或不同表情下采集的活体人脸图像，所述假体图像样本包括翻拍的视频图像、...

【专利技术属性】
技术研发人员：丁松，江武明，王洋，周军，
申请(专利权)人：北京眼神科技有限公司，
类型：发明
国别省市：