本发明专利技术公开了一种人脸活体检测模型生成方案，该方法包括：将训练样本输入预先创建的孪生神经网络；通过孪生神经网络的第一分支和第二分支对训练样本进行增广生成增广后的人脸图像；将增广后的人脸图像分别输入两个分支，得到第一人脸特征、第二人脸特征、第一深度图以及第二深度图；依据第一人脸特征、第二人脸特征，计算编码级别密集一致性损失；依据第一深度图、第二深度图，计算预测级别一致性损失；根据编码级别密集一致性损失和预测级别一致性损失，确定孪生神经网络的总损失；采用随机梯度下降法，依据总损失优化孪生神经网络参数，生成人脸活体检测模型。通过本发明专利技术提供的方案生成的人脸活体检测模型，人脸识别结果准确度高且普适性强。确度高且普适性强。确度高且普适性强。
【技术实现步骤摘要】
一种人脸活体检测模型生成方法和装置、电子设备
[0001]本专利技术涉及人脸识别
，尤其涉及一种人脸活体检测模型生成方法和装置、电子设备。
技术介绍
[0002]随着计算机视觉技术的进步，人脸识别已经成为生物认证的主要方法，人脸识别系统已经成功被应用于各种场景中，如门禁系统、电子支付等，然而，识别系统的安全性始终是业界关注的热点问题，识别系统的攻击者可以向系统呈现欺骗的人脸，例如打印攻击，视频回放攻击，3D面具攻击等，通过冒充用户来误导系统来获得合法的权限。因此，人脸活体检测系统是人脸识别系统的重要组成部分，常用的人脸活体检测方法有：
[0003]传统的利用人为制作人脸特征，如局部二值模式、尺度不变特征转换、梯度直方图、加速稳健特征、高斯函数差分来捕捉人脸图像中的欺骗特征，并且，动态线索如动态特征、人眼眨动、微小移动都被用来抽取视频中的欺诈特征。利用支持向量机对这些特征进行二分类检测输入的人脸图像是否为真实的人脸。
[0004]基于深度学习的人脸活体检测方法初期将人脸活体检测直接使用交叉熵进行二分类，但二分类任务很容易在任务中丢失一些重要信息或者捕捉到错误的分类特征；接着出现了深度图深度监督网络，它能够以全像素的监督方式捕获更加细粒度的信息。根据深度图监督，技术人员陆续开发了适用于深度图监督的算子或辅助远程光电容积脉冲波以提升人脸活体检测准确率。
[0005]然而，人脸活体检测模型当应用在不同域的数据或未曾见过的攻击手段时，会出现严重的性能下降，识别结果准确度差。可见，现有的人脸活体检测模型普适性差。
技术实现思路
[0006]本专利技术实施例的目的是提供一种人脸活体检测模型生成方法和装置、电子设备，能够解决现有的人脸活体检测模型普适性差的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]本专利技术实施例提供了一种人脸活体检测模型生成方法，包括：将训练样本输入预先创建的孪生神经网络；其中，所述孪生神经网络包括第一分支和第二分支，所述第一分支包括第一特征编码器、特征转化器、第一分类器；第二分支包括第二特征编码器、第二分类器；
[0009]通过所述第一分支和所述第二分支对所述训练样本进行增广，生成增广后的人脸图像；
[0010]将所述增广后的人脸图像分别输入所述第一分支和所述第二分支，得到第一人脸特征、第二人脸特征、第一深度图以及第二深度图；
[0011]依据所述第一人脸特征、所述第二人脸特征，计算所述孪生神经网络的编码级别密集一致性损失；
[0012]依据所述第一深度图、所述第二深度图，计算所述孪生神经网络的预测级别一致性损失；
[0013]根据所述编码级别密集一致性损失和所述预测级别一致性损失，确定所述孪生神经网络的总损失；
[0014]采用随机梯度下降法，依据所述总损失优化所述孪生神经网络参数，生成人脸活体检测模型。
[0015]可选地，将所述增广后的人脸图像分别输入所述第一分支和所述第二分支，得到第一人脸特征、第二人脸特征、第一深度图以及第二深度图的步骤，包括：
[0016]将所述增广后的人脸图像分别输入所述第一特征编码器和所述第二特征编码器，生成第一人脸特征和第二人脸特征；
[0017]将所述第一人脸特征输入所述第一分类器得到第一深度图，并将所述第二人脸特征输入所述第二分类器得到第二深度图。
[0018]可选地，通过所述第一分支和所述第二分支对所述训练样本进行增广，生成增广后的人脸图像的步骤，包括：
[0019]将训练样本输入第一分支，所述第一分支按照第一视角对所述训练样本进行增广，得到增广后的第一人脸图像；
[0020]将训练样本输入第二分支，所述第二分支按照第二视角对所述训练样本进行增广，得到增广后的第二人脸图像。
[0021]可选地，将所述增广后的人脸图像分别输入所述第一特征编码器和所述第二特征编码器，生成第一人脸特征和第二人脸特征的步骤，包括：
[0022]将所述增广后的第一人脸图像输入所述第一特征编码器，得到低、中、高三个等级的人脸特征；将所述低、中、高三个等级的人脸特征拼接后输入所述特征转换器，生成第一人脸特征；
[0023]将所述增广后的第二人脸图像输入所述第二特征编码器，得到低、中、高三个等级的人脸特征；将所述低、中、高三个等级的人脸特征拼接后生成第二人脸特征。
[0024]可选地，在所述生成人脸活体检测模型的步骤之后，所述方法还包括：
[0025]将待识别人脸图像输入所述人脸活体检测模型的第二特征编码器，得到低、中、高三个等级的人脸特征；将所述低、中、高三个等级的人脸特征拼接后生成第三人脸特征；
[0026]将所述第三人脸特征输入所述第二分类器得到第三深度图；
[0027]依据所述第三深度图和预设阈值，判定所述待识别的人脸图像是否为真实人脸图像。
[0028]可选地，在所述生成人脸活体检测模型的步骤之后，所述方法还包括：
[0029]将待识别人脸图像分别输入所述人脸活体检测模型的第一分支和第二分支；
[0030]基于所述第一分支得到的预测结果和所述第二分支得到的预测结果，判定所述待识别的人脸图像是否为真实人脸图像。
[0031]可选地，所述第一特征编码器与第二特征编码器的结构相同均包括：
[0032]输入层、第一卷积模块、第二卷积模块、第三卷积模块、第一欺诈注意力模块、第二欺诈注意力模块、第三欺诈注意力模块、第一最大值池化层、第二最大值池化层、第三最大值池化层；
[0033]所述输入层的输出分别输入到所述第一卷积模块与所述第一欺诈注意力模块，所述第一卷积模块与所述第一欺诈注意力模块的输出相加后输入到所述第一最大值池化层生成低级别特征；所述低级别特征输入到所述第二卷积模块与所述第二欺诈注意力模块中，所述第二卷积模块与所述第二欺诈注意力模块的输出相加后输入到所述第二最大值池化层生成中级别特征；所述中级别特征输入到所述第三卷积模块与所述第三欺诈注意力模块中，所述第三卷积模块与所述第三欺诈注意力模块的输出输入到第三最大值池化层中得到高级别特征。
[0034]本专利技术实施例还提供了一种人脸活体检测模型生成装置，包括：
[0035]第一输入模块，用于将训练样本输入预先创建的孪生神经网络；其中，所述孪生神经网络包括第一分支和第二分支，所述第一分支包括第一特征编码器、特征转化器、第一分类器；第二分支包括第二特征编码器、第二分类器；
[0036]增广模块，用于通过所述第一分支和所述第二分支对所述训练样本进行增广，生成增广后的人脸图像；
[0037]第二输入模块，用于将所述增广后的人脸图像分别输入所述第一分支和所述第二分支，得到第一人脸特征、第二人脸特征、第一深度图以及第二深度图；
[0038]第一计算模块，用于依据所述第一人脸特征、所述第二人脸特征，计算所述孪生神经网络的编码级别密集一致性损失；
[0039]第二计算模块，用本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人脸活体检测模型生成方法，其特征在于，包括：将训练样本输入预先创建的孪生神经网络；其中，所述孪生神经网络包括第一分支和第二分支，所述第一分支包括第一特征编码器、特征转化器、第一分类器；第二分支包括第二特征编码器、第二分类器；通过所述第一分支和所述第二分支对所述训练样本进行增广，生成增广后的人脸图像；将所述增广后的人脸图像分别输入所述第一分支和所述第二分支，得到第一人脸特征、第二人脸特征、第一深度图以及第二深度图；依据所述第一人脸特征、所述第二人脸特征，计算所述孪生神经网络的编码级别密集一致性损失；依据所述第一深度图、所述第二深度图，计算所述孪生神经网络的预测级别一致性损失；根据所述编码级别密集一致性损失和所述预测级别一致性损失，确定所述孪生神经网络的总损失；采用随机梯度下降法，依据所述总损失优化所述孪生神经网络参数，生成人脸活体检测模型。2.根据权利要求1所述的方法，其特征在于，将所述增广后的人脸图像分别输入所述第一分支和所述第二分支，得到第一人脸特征、第二人脸特征、第一深度图以及第二深度图的步骤，包括：将所述增广后的人脸图像分别输入所述第一特征编码器和所述第二特征编码器，生成第一人脸特征和第二人脸特征；将所述第一人脸特征输入所述第一分类器得到第一深度图，并将所述第二人脸特征输入所述第二分类器得到第二深度图。3.根据权利要求2所述的方法，其特征在于，通过所述第一分支和所述第二分支对所述训练样本进行增广，生成增广后的人脸图像的步骤，包括：将训练样本输入第一分支，所述第一分支按照第一视角对所述训练样本进行增广，得到增广后的第一人脸图像；将训练样本输入第二分支，所述第二分支按照第二视角对所述训练样本进行增广，得到增广后的第二人脸图像。4.根据权利要求3所述的方法，其特征在于，将所述增广后的人脸图像分别输入所述第一特征编码器和所述第二特征编码器，生成第一人脸特征和第二人脸特征的步骤，包括：将所述增广后的第一人脸图像输入所述第一特征编码器，得到低、中、高三个等级的人脸特征；将所述低、中、高三个等级的人脸特征拼接后输入所述特征转换器，生成第一人脸特征；将所述增广后的第二人脸图像输入所述第二特征编码器，得到低、中、高三个等级的人脸特征；将所述低、中、高三个等级的人脸特征拼接后生成第二人脸特征。5.根据权利要求1所述的方法，其特征在于，在所述生成人脸活体检测模型的步骤之后，所述方法还包括：将待识别人脸图像输入所述人脸活体检测模型的第二特征编码器，得到低、中、高三个
等级的人脸特征；将所述低、中、高三个等级的人脸特征拼接后生成第三人脸特征；将所述第三人脸特征输入所述第二分类器得到第三深度图；依据所述第三深度图和预设阈值，判定所述待识别的人脸图像是否为真实人脸图像。6.根据权利要求1所述的方法，其特征在于，在所述生成人脸活...
【专利技术属性】
技术研发人员：李红，邢健飞，曲思瑜，严彩萍，
申请(专利权)人：杭州启源视觉科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。