一种基于样本训练的活体检测模型训练与使用方法和装置制造方法及图纸

本发明专利技术公开了一种基于样本训练的活体检测模型训练与使用方法，包括：获取目标物的实体模型数据和数字模型数据；将所述实体模型数据和所述数字模型数据输入所述第一样本训练网络，通过第一特征提取器提取模型特征，通过所述第一判别器判断所述模型特征属于所述数字模型数据还是所述实体模型数据，计算所述第一特征提取器与所述第一判别器组成的生成对抗网络对应的第一训练损失；以所述数字模型数据和所述实体模型数据作为样本数据对所述活体判断网络进行训练，并计算所述活体判断网络的判断损失；根据所述第一训练损失和所述判断损失对所述活体检测模型进行训练。相应地，本发明专利技术公开了基于样本训练的活体检测模型训练与使用装置。与使用装置。与使用装置。

【技术实现步骤摘要】
一种基于样本训练的活体检测模型训练与使用方法和装置


[0001]本专利技术涉及活体检测技术，尤其涉及一种活体检测模型训练与使用的方法及装置。

技术介绍

[0002]随着人脸识别技术在生活中的广泛应用，其受到的威胁与日俱增。活体检测是人脸识别系统中重要的一环，然而3D头模和面具制作得越来越逼真，活体检测受到的攻击的质量也越来越高，需要不断对现有的活体检测算法进行优化。
[0003]在优化活体检测算法的过程中，3D头模的数据来源一直是个难题。采购实体头模不仅价格昂贵，而且其制作周期非常长。若购买数据采集服务，在成本高的同时无法保证数据的质量和可用性，依然无法获得充足的数据样本。而采用随机裁剪、随机旋转、添加模糊噪声、颜色扰动等深度学习数据增强方法只能从图片底层信息层丰富样本的表达，无法从本质上解决数据样本不足的问题。因此，需要新的数据生成方法用于提供充足的数据样本。
[0004]鉴于此，希望获得一种新的活体检测模型训练方案，用于解决样本数量有限的问题。

技术实现思路

[0005]本专利技术的目的之一在于提供一种基于样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于样本训练的活体检测模型训练方法，所述活体检测模型包括数字模型网络和活体判断网络，所述数字模型网络包括第一样本训练网络，所述第一样本训练网络包括第一判别器和第一特征提取器，所述方法包括：获取目标物的实体模型数据和数字模型数据；将所述实体模型数据和所述数字模型数据输入所述第一样本训练网络，通过第一特征提取器提取模型特征，通过所述第一判别器判断所述模型特征属于所述数字模型数据还是所述实体模型数据，计算所述第一特征提取器与所述第一判别器组成的生成对抗网络对应的第一训练损失；以所述数字模型数据和所述实体模型数据作为样本数据对所述活体判断网络进行训练，并计算所述活体判断网络的判断损失；根据所述第一训练损失和所述判断损失对所述活体检测模型进行训练。2.如权利要求1所述的基于样本训练的活体检测模型训练方法，根据所述第一训练损失对所述活体检测模型进行训练，包括|：同时训练所述第一判别器和第一特征提取器；所述第一特征提取器与所述第一判别器组成的生成对抗网络中，以最小化所述判别损失，最大化所述生成损失，所述第一判别器的判别损失维持在预设阈值之上为目标，对所述活体检测模型进行训练。3.如权利要求1所述的基于样本训练的活体检测模型训练方法，获取实体模型数据和数字模型数据之后，所述方法还包括：对所述数字模型数据和所述实体模型数据进行数据融合，得到融合模型数据；将所述实体模型数据、所述数字模型数据和所述融合模型数据输入所述第一样本训练网络，通过第一特征提取器提取模型特征，通过所述第一判别器判断所述模型特征属于所述数字模型数据、所述融合模型数据还是所述实体模型数据，计算所述第一特征提取器与所述第一判别器组成的生成对抗网络计算对应的第一训练损失。4.如权利要求3所述的基于样本训练的活体检测模型训练方法，所述数字模型网络还包括第二样本训练网络，所述第二样本训练网络包括第二判别器和第二特征提取器，得到融合模型数据之后，所述方法还包括：将所述数字模型数据和所述融合模型数据输入所述第二样本训练网络，通过第二特征提取器提取模型特征，通过所述第二判别器判断所述模型特征属于所述数字模型数据还是所述融合模型数据，计算所述第二特征提取器与所述第二判别器组成的生成对抗网络计算对应的第二训练损失；将所述数字模型数据、所述融合模型数据和所述实体模型数据输入所述第一样本训练网络，通过第一特征提取器提取模型特征，通过所述第一判别器判断所述模型特征属于所述数字模型数据、所述融合模型数据还是所述实体模型数据，计算所述第一特征提取器与所述第一判别器组成的生成对抗网络计算对应的第一训练损失；以所述数字模型数据、所述融合模型数据和所述实体模型数据作为样本数据对所述活体判断网络进行训练，并计算所述活体判断网络的判断损失；根据所述第一训练损失、所述第二训练损失和所述判断损失对所述活体检测模型进行训练。
5.如权利要求4所述的基于样本训练的活体检测模型训练方法，根据所述第一训练损失、所述第二训练损失对所述活体检测模型进行训练，包括：同时训练所述第二判别器和所述第二特征提取器，所述第二特征提取器与所述第二判别器组成的生成对抗网络中，以最小化所述判别损失，最大化所述生成损失，所述第二判别器的判别损失维持在预设阈值之上为目标，对所述活体检测模型进行训练；同时训练所述第一判别器和所述第一特征提取器，所述第一特征提取器与所述第一判别器组成的生成对抗网络中，以最小化所述判别损失，最大化所述生成损失，以所述第一判别器的判别损失维持在预设阈值之上为目标，对所述活体检测模型进行训练。6.如权利要求3所述的样本数据生成方法，对所述数字模型数据和所述实体模型数据进行数据融合，得到融合模型数据，包括：通过通用数据集预训练得到风格迁移网络；将所述数字模型数据作为内容输入，将所述实体模型数据作为风格输入，输入至预训练好的风格迁移网络得到所述融合模型数据。7.如权利要求1所述的基于样本训练的活体检测模型训练方法，所述获取目标物的数字模型数据，包括：采集多视角的目标物照片，多帧合成重建所述目标物的几何信息；测量所述目标物各个区域的纹理材质信息；根据所述几何模型和所述纹理材质信息，并所述目标物的照片采集时的灯光信息进行光线追踪渲染，得到渲染后的所述数字模型数据。8.如权利要求1所述的基于样本训练的活体检测模型训练方法，所述获取目标物的数字模型数据，包括：根据所述目标物的属性特征创建基础模型；捕捉所述目标物的几何纹理，并根据所述几何纹理建立细粒度模型；基于所述基础模型和所述细粒度模型，通过差分渲染的方式用单帧图片拟合方法生成所述数字模型数据。9.一种活体检测方法，包括：采集检测图像；将所述检测图像输入预先训练的活体检测模型中的活体判断网络，其中...

【专利技术属性】
技术研发人员：杨博文，李建树，刘健，
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：