一种活体检测的方法、装置以及存储介质制造方法及图纸

本申请公开了一种活体检测的方法、装置以及存储介质。通过对样本数据集中的样本特征进行自适应采样，以得到各个样本类别对应的基底样本特征；并按照采样分布的权重信息对基底样本特征进行线性组合得到新的风格信息；并进行特征重组得到重组特征；然后配置对应的多维度损失信息进行模型训练，从而进行活体检测。由于采用样本自适应的特征增强构建重组特征，并配置相应的白化损失信息，增强了模型在未见目标域上的泛化能力，可以在不访问任何域标签的情况下学习到针对每个样本的跨域不变特征，从而提高模型的泛化性，提高活体检测的准确性。提高活体检测的准确性。提高活体检测的准确性。

【技术实现步骤摘要】
一种活体检测的方法、装置以及存储介质


[0001]本申请涉及计算机
，尤其涉及一种活体检测的方法、装置以及存储介质。

技术介绍

[0002]人脸活体检测是人脸识别流程中的一个关键步骤，它直接关系到用户身份验证的安全问题，但由于真实数据的不可见性和多样性，充分利用训练数据得到一个泛化性足够好的模型成为当前研究的难点。
[0003]一般，可以通过在公共的特征空间学习跨域不变特征获得更好的泛化能力，且该学习过程依赖于数据集中已经人为预分配好的域标签。
[0004]但是，由于在人脸活体数据集内存在不同光照、不同攻击类型、不同拍摄设备等复杂的情形，人工定义的域标签无法准确地、全面地真实反映一个域的数据分布，影响活体检测的准确性。

技术实现思路

[0006]有鉴于此，本申请提供一种活体检测的方法，可以有效提高活体检测的准确性。
[0007]本申请第一方面提供一种活体检测的方法，可以应用于终端设备中包含活体检测的功能的系统或程序中，具体包括：
[0008]获取训练样本，并根据所述训练样本对应的深度图确定样本数据集，所述样本数据集基于不同的样本类别配置；
[0009]对所述样本数据集中的样本特征进行采样，以得到各个所述样本类别对应的基底样本特征，所述基底样本特征基于对所述样本特征浓缩所得，所述基底样本特征用于确定所述样本类别的第一风格信息，所述第一风格信息采用所述样本类别中样本特征的均值与方差表示；
[0010]采用预设分布对各个所述样本类别进行采样得到权重信息，以根据所述权重信息对所述第一风格信息进行线性组合得到第二风格信息；
[0011]基于所述第二风格信息对各个所述样本类别中的样本特征进行特征重组，以得到重组特征；
[0012]根据所述样本特征和所述重组特征进行多维度损失信息的配置，以确定目标损失信息；
[0013]基于所述目标损失信息对预设识别模型进行训练得到活体检测模型，以根据所述活体检测模型对目标对象进行活体检测。
[0014]可选的，在本申请一些可能的实现方式中，所述获取训练样本，并根据所述训练样本对应的深度图确定样本数据集，包括：
[0015]获取所述训练样本中的活体样本以及攻击样本；
[0016]根据深度估计网络对所述活体样本进行识别，以得到样本深度图；
[0017]将所述攻击样本对应的深度图配置为黑色底图；
[0018]根据所述样本深度图和所述黑色底图确定所述样本数据集。
[0019]可选的，在本申请一些可能的实现方式中，所述根据深度估计网络对所述活体样本进行识别，以得到样本深度图，包括：
[0020]确定所述活体样本中的活体检测区域；
[0021]基于预设扩大参数对所述活体检测区域进行调整，以得到扩大识别区域；
[0022]对所述扩大识别区域中的人脸图像进行裁剪，以得到待处理样本；
[0023]根据深度估计网络对所述待处理样本进行识别，以得到所述样本深度图。
[0024]可选的，在本申请一些可能的实现方式中，所述基于预设扩大参数对所述活体检测区域进行调整，以得到扩大识别区域，包括：
[0025]获取针对于所述活体样本配置的调整图像集合，所述调整图像集合基于扩大参数序列对所述活体样本调整所得；
[0026]确定所述调整图像集合中的图像所对应的人脸完整度信息；
[0027]基于所述人脸完整度信息确定所述扩大参数序列中的所述预设扩大参数；
[0028]基于所述预设扩大参数对所述活体检测区域进行调整，以得到扩大识别区域。
[0029]可选的，在本申请一些可能的实现方式中，所述对所述样本数据集中的样本特征进行采样，以得到各个所述样本类别对应的基底样本特征，包括：
[0030]确定所述样本数据集中的训练样本对应的待处理特征；
[0031]将所述待处理特征在通道维度进行平均拆分，以得到第一输入特征和第二输入特征；
[0032]将所述第一输入特征输入静态卷积分支，以基于静态卷积核进行卷积计算得到静态特征；
[0033]将所述第二输入特征输入静态卷积分支，对所述第二输入特征进行平均池化得到池化特征；
[0034]将所述池化特征输入动态卷积网络，以使得匹配于训练样本的动态卷积参数；
[0035]基于所述动态卷积参数配置动态卷积核，并采用所述动态卷积核对所述第二输入特征进行卷积计算得到动态特征；
[0036]将所述静态特征与所述动态特征进行拼接，以得到所述样本特征；
[0037]对所述样本特征进行采样，以得到各个所述样本类别对应的基底样本特征。
[0038]可选的，在本申请一些可能的实现方式中，所述方法还包括：
[0039]若所述待处理特征在通道维度无法进行平均拆分，则将所述待处理特征进行复制，以得到所述第一输入特征和所述第二输入特征。
[0040]可选的，在本申请一些可能的实现方式中，所述对所述样本特征进行采样，以得到各个所述样本类别对应的基底样本特征，包括：
[0041]分别对所述样本特征执行最远点采样算法，以得到所述样本特征对应的均值与方差；
[0042]将所述样本特征对应的均值与方差存储在内存池中，以得到不同样本类别中的样本特征所对应的第一风格信息；
[0043]基于所述第一风格信息配置得到所述基底样本特征。
[0044]可选的，在本申请一些可能的实现方式中，所述将所述池化特征输入动态卷积网
络，以使得匹配于训练样本的动态卷积参数，包括：
[0045]提取所述池化特征中的低频信息；
[0046]将所述低频信息输入所述动态卷积网络，以使得匹配于训练样本的所述动态卷积参数。
[0047]可选的，在本申请一些可能的实现方式中，所述根据所述样本特征和所述重组特征进行多维度损失信息的配置，以确定目标损失信息，包括：
[0048]将所述样本特征输入归一化层，以得到所述样本特征对应的第一协方差矩阵；
[0049]将所述重组特征输入所述归一化层，以得到所述重组特征对应的第二协方差矩阵；
[0050]基于所述第一协方差矩阵和所述第二协方差矩阵计算方差信息；
[0051]对所述样本数据集中的样本特征对应的方差信息进行遍历，以得到方差矩阵；
[0052]根据所述方差矩阵中元素值的大小进行排序，以得到突出元素；
[0053]对所述突出元素进行抑制，以得到所述白化损失信息；
[0054]根据所述样本特征和所述重组特征对应的样本类别配置所述分类损失信息；
[0055]根据所述样本特征和所述重组特征对应的深度图配置所述深度损失信息；
[0056]基于所述白化损失信息、所述分类损失信息和所述深度损失信息配置得到所述目标损失信息。
[0057]可选的，在本申请一些可能的实现方式中，所述基于所述白化损失信息、所述分类损失信息和所述深度损失信息配置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测的方法，其特征在于，包括：获取训练样本，并根据所述训练样本对应的深度图确定样本数据集，所述样本数据集基于不同的样本类别配置；对所述样本数据集中的样本特征进行采样，以得到各个所述样本类别对应的基底样本特征，所述基底样本特征基于对所述样本特征浓缩所得，所述基底样本特征用于确定所述样本类别的第一风格信息，所述第一风格信息采用所述样本类别中样本特征的均值与方差表示；采用预设分布对各个所述样本类别进行采样得到权重信息，以根据所述权重信息对所述第一风格信息进行线性组合得到第二风格信息；基于所述第二风格信息对各个所述样本类别中的样本特征进行特征重组，以得到重组特征；根据所述样本特征和所述重组特征进行多维度损失信息的配置，以确定目标损失信息；基于所述目标损失信息对预设识别模型进行训练得到活体检测模型，以根据所述活体检测模型对目标对象进行活体检测。2.根据权利要求1所述的方法，其特征在于，所述获取训练样本，并根据所述训练样本对应的深度图确定样本数据集，包括：获取所述训练样本中的活体样本以及攻击样本；根据深度估计网络对所述活体样本进行识别，以得到样本深度图；将所述攻击样本对应的深度图配置为黑色底图；根据所述样本深度图和所述黑色底图确定所述样本数据集。3.根据权利要求2所述的方法，其特征在于，所述根据深度估计网络对所述活体样本进行识别，以得到样本深度图，包括：确定所述活体样本中的活体检测区域；基于预设扩大参数对所述活体检测区域进行调整，以得到扩大识别区域；对所述扩大识别区域中的人脸图像进行裁剪，以得到待处理样本；根据深度估计网络对所述待处理样本进行识别，以得到所述样本深度图。4.根据权利要求3所述的方法，其特征在于，所述基于预设扩大参数对所述活体检测区域进行调整，以得到扩大识别区域，包括：获取针对于所述活体样本配置的调整图像集合，所述调整图像集合基于扩大参数序列对所述活体样本调整所得；确定所述调整图像集合中的图像所对应的人脸完整度信息；基于所述人脸完整度信息确定所述扩大参数序列中的所述预设扩大参数；基于所述预设扩大参数对所述活体检测区域进行调整，以得到扩大识别区域。5.根据权利要求1所述的方法，其特征在于，所述对所述样本数据集中的样本特征进行采样，以得到各个所述样本类别对应的基底样本特征，包括：确定所述样本数据集中的训练样本对应的待处理特征；将所述待处理特征在通道维度进行平均拆分，以得到第一输入特征和第二输入特征；将所述第一输入特征输入静态卷积分支，以基于静态卷积核进行卷积计算得到静态特
征；将所述第二输入特征输入静态卷积分支，对所述第二输入特征进行平均池化得到池化特征；将所述池化特征输入动态卷积网络，以使得匹配于训练样本的动态卷积参数；基于所述动态卷积参数配置动态卷积核，并采用所述动态卷积核对所述第二输入特征进行卷积计算得到动态特征；将所述静态特征与所述动态特征进行拼接，以得到所述样本特征；对所述样本特征进行采样，以得到各个所述样本类别对应的基底样本特征。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：若所述待处理特征在通道维度无法进行平均拆分，则将所述待处理特征进行复制，以得到所述第一输入特征和所述第二输入特征。7.根据权利要求5所述的方法，其特征在于，所述对所述样本特征进行采样，以得到各个所述样本类别对应的基底样本特征，包括：分别对所述样本特征执行最远点采样算法，以得到所述样本特征对应的均值与方差；将所述样本特征对应的均值与方差存储在内存池中，以得到不同样本类别中的样本特征所对应的第一风格信息；基于所述第一风格信息配置得到所述基底样本特征。8.根据权利要求5所述的方法，其特征在于，所述将所述池化特征输入动态卷积网络，以使得匹配于训练样本的动态卷积参数，...

【专利技术属性】
技术研发人员：张克越，周千寓，姚太平，尹邦杰，丁守鸿，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：