【技术实现步骤摘要】
活体检测模型训练方法、活体检测方法和装置
[0001]本申请实施例涉及图像处理领域，尤指一种活体检测模型训练方法、活体检测方法和装置。
技术介绍
[0002]近年来，人脸识别以获取方便、非接触等优点，深受人们喜爱，广泛应用于金融、安全等领域。但也正因为其容易获取，容易被他人所利用，以打印照片或者拍摄视频等方式制作假体人脸，攻击人脸识别系统，从而冒名通过。所以，基于人脸图像的活体检测极其重要，是人脸识别的前提保障。
[0003]目前，常见的人脸活体检测技术有两类，其中一类是用户配合式活体检测，是指活体检测系统随机发送多个面部动作指令，要求用户在规定时间内做出顺序回应动作，系统判断用户回应动作是否准确，从而给出是否为活体人脸的判断。另一类是静默活体检测，是指用户在无感知的情况下，不动声色地完成活体检测任务。
[0004]从两种活体检测定义中可以直观地看出，人脸静默活体检测打破了配合式活体检测的“完成指定动作＝我是活体”的公式，不需要用户配合，更具人性化，检测速度快且用户体验佳。
[0005]针对人脸静默活...
【技术保护点】
【技术特征摘要】
1.一种活体检测模型训练方法，包括：建立训练数据集；通过特征提取网络提取所述训练数据集各图像样本对应的表示向量，其中，所述表示向量包括所述图像样本包含的先验数据的特征向量以及所述图像样本对应的干扰数据的特征向量；将所述表示向量输入初始检测模型，基于总损失函数对所述初始检测模型进行迭代训练直至模型收敛，获得活体检测模型，其中，所述总损失函数至少由特征提取网络的损失和初始检测模型的损失的加权和构成。2.根据权利要求1所述的方法，其特征在于，所述干扰数据为所述训练数据集通过对抗生成网络生成的最大化干扰噪声，和/或，所述训练数据集基于快速梯度符号法生成的对抗样本。3.根据权利要求1所述的方法，其特征在于，所述训练数据集包含预先获取的原始图像和/或从所述原始图像中去除背景数据后得到的新图像，其中，所述原始图像包含面部数据和背景数据。4.根据权利要求1所述的方法，其特征在于，所述训练数据集包含的先验数据的特征向量至少包含以下至少一个：所述训练数据集的至少两个图像属性对应的特征向量，其中，所述图像属性包括颜色、高分辨率细节、上下文、图像角度以及人脸位置。5.根据权利要求4所述的方法，其特征在于，所述特征提取网络为级联神经网络，其中，所述级联神经网络包括前后级联的多级神经网络，每级神经网络用于一个图像属性的提取，每个图像属性对应的特征向量基于各个图像属性对应的自监督学习模型获取。6.根据权利要求1所述的方法，其特征在于，所述初始检测模型包括主任务对应的第一模型、辅助任务对应的第二模型，初始检测模型的损失包含所述第一模型的损失函数和所述第二模型的损失函数，其中，所述第一模型用于对所述表示向量进行活体二分类检测；所述第二模型用于判别攻击类别。7.根据权利要求6所述的方法，其特征在于，基于总损失函数对所述初始检测模型进行迭代训练直至模型收敛，包括：所述第一模型的样本标签由所述训练数据集提供，所述第二模型的样本标签由标签生成器生成辅助标签，其中，所述标签生成器的优化目标为第一模型的损失函数降低，所述初始检测模型的优化目标为所述第一模型和所述第二模型的损失函数同时降低。8.根据权利要求7所述的方法，其特征在于，基于总损失函数对所述初始检测模型进行迭代训练...
【专利技术属性】
技术研发人员：邱翰，张庆娜，张椿海，王进，
申请(专利权)人：虹软科技股份有限公司，
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。