活体检测模型训练方法、活体检测方法和装置制造方法及图纸

本申请实施例公开了一种活体检测模型训练方法、活体检测方法和装置。所述方法包括：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。本发明专利技术解决了如何提高活体检测结果的准确性和鲁棒性的技术问题。术问题。术问题。

【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]针对人脸静默活体检测方法，现有技术中的检测方案的检测性能还有待进一步提高。

技术实现思路

[0006]为了解决上述任一技术问题，本申请实施例提供了一种人活体检测模型训练方法、活体检测方法和装置。
[0007]为了达到本申请实施例目的，本申请实施例提供了一种活体检测模型训练方法，包括：
[0008]建立训练数据集；
[0009]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；
[0010]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。
[0011]一种活体检测方法，包括：
[0012]获取目标采集图像，其中，所述目标采集图像至少包含面部数据；
[0013]将所述目标采集图像输入至活体检测模型，得到活体检测结果，所述活体检测模型为采用上文方法训练得到的模型。
[0014]一种活体检测模型训练装置，包括：
[0015]建立模块，用于建立训练数据集；
[0016]提取模块，用于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；
[0017]训练模块，用于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。
[0018]一种活体检测装置，其特征在于，包括：
[0019]采集模块，用于获取目标采集图像，其中，所述目标采集图像至少包含面部数据；
[0020]活体检测模块，用于将所述目标采集图像输入至活体检测模型，得到活体检测结果，所述活体检测模型为采用上文所述方法训练得到的模型。
[0021]一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上文所述的方法。
[0022]一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上文所述的方法。
[0023]上述技术方案中的一个技术方案具有如下优点或有益效果：
[0024]将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作为初始检测模型的表示向量，并将特征提取网络的损失和初始检测模型的损失的加权和作为总损失函数，达到充分利用图像样本的先验知识以及提升模型的抗干扰性能，使得训练得到的活体检测模型能够同时提升检测准确度和降低干扰数据对活体检测结果的影响，优化模型的训练结果。
[0025]另外，使得利用训练得到的活体检测模型对目标采集图像进行人脸检测，能够同时提升检测准确度和降低干扰数据对活体检测结果的影响，提高活体检测的效果。
[0026]本申请实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例而了解。本申请实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0027]附图用来提供对本申请实施例技术方案的进一步理解，并且构成说明书的一部分，与本申请实施例的实施例一起用于解释本申请实施例的技术方案，并不构成对本申请实施例技术方案的限制。
[0028]图1为本申请实施例提供的活体检测模型训练方法的流程示意图；
[0029]图2为本申请实施例提供的活体检测方法的流程示意图；
[0030]图3为本申请实施例提供的活体检测模型训练装置的结构示意图；
[0031]图4为本申请实施例提供的活体检测装置的结构示意图。
具体实施方式
[0032]为使本申请实施例的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请实施例的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请实施例中
的实施例及实施例中的特征可以相互任意组合。方法
[0033]人脸静默活体检测方案大致可分为传统人工设计分类特征的活体检测方案和基于深度学习的活体检测方案。其中：
[0034]基于传统人工设计特征的活体检测方案
[0035]早期人脸静默活体检测目标很明确，找到活体和非活体攻击图像的差异，设计极具针对性的特征，训练活体人脸和非活体人脸分类器。这种差异通常表现为成像的纹理差异(如摩尔纹)、颜色差异(不同颜色空间颜色分布不同)，以及从连续帧图像分析脸部微小动作的非刚性变化等。针对这些差异，一般设计不同参数的局部二值模式(Local Binary Pattern，LBP)特征和Gabor特征等。最后，基于机器学习方法训练活体和非活体特征分类器，特征分类器一般为分类器。
[0036]人工设计特征受制于设计者的先验知识，并且需要反复实验和调整，找到有效的人工特征，这需要耗费很长时间。另外，随着科技的发展，各电子产品镜头成像极其细腻，同时美颜相机的兴起，淡化了成像的纹理差异，导致人工设计特征分类困难。
[0037]基于深度学习的活体检测方案
[0038]在深度学习处理人脸活体检测任务时，将其看为二分类或多分类任务，以大量的活体和非活体人脸数据为驱动，自动学习能够有效判别真人和攻击的特征。二分类是将所有攻击图像分为一类，多分类是将攻击图像按照攻击类型分类，如打印类攻击、屏幕类攻击、面具类攻击等。
[0039]通常，越复杂的神经网络(即，更深更宽的网络结构)，对训练数据集具有更好的知识提取。同样，设计宽而深的网络，能够简单直接地提升人脸静默检活的准确率。由于攻击类本文档来自技高网...

【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：