一种数据处理方法以及相关装置制造方法及图纸

本申请提供了一种数据处理方法以及相关装置。本申请实施例可应用于计算机视觉技术领域。本申请实施例提供的数据处理方法，首先，通过正样本图像及M类负样本图像对活体检测模型进行训练，使得生成的活体检测预训练模型能对图像中是否包含真实对象活体信息进行确定，接着，根据正样本图像及M类负样本图像生成样本对抗图像，赋予样本对抗图像对应的标签，然后，根据样本对抗图像及其对应的标签再次对活体检测预训练模型进行训练，从对抗攻防的角度进行数据增强，通过数据增强后的训练数据优化活体检测预训练模型，使得训练后的活体检测模型能够对真实对象活体进行准确检测，提高防御能力。力。力。

【技术实现步骤摘要】
一种数据处理方法以及相关装置


[0001]本申请涉及计算机视觉
，尤其涉及一种数据处理方法以及相关装置。

技术介绍

[0002]随着计算机视觉技术的不断发展，人脸识别技术在生产生活中广泛应用，人脸识别系统的安全性也至关重要，而活体检测作为人脸识别中的重要一环，通过抵挡人脸攻击来保证人脸识别系统的安全性。
[0003]目前，用于训练活体检测模型的训练数据往往是通过改变图像的光照、亮度、角度、对比度、适度的形变等方式进行数据增强，这些数据增强方法都是在原有数据的基础上增加一些变换，从而扩大原有数据类别的数据多样性，因此，对于活体检测模型的防御能力较差。

技术实现思路

[0004]本申请实施例提供了一种数据处理方法以及相关装置，解决了现有技术中活体检测模型的防御能力较差的问题。
[0005]本申请的一方面提供一种数据处理方法，包括：
[0006]获取正样本图像及M类负样本图像，其中，正样本图像中包含真实对象活体信息，正样本图像携带正样本标签，M类负样本图像对应于M个负样本类别，负样本图像不包含真实对象活体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取正样本图像及M类负样本图像，其中，所述正样本图像中包含真实对象活体信息，所述正样本图像携带正样本标签，所述M类负样本图像对应于M个负样本类别，所述负样本图像不包含真实对象活体信息，所述负样本图像携带负样本标签，M≥1；根据所述携带正样本标签的正样本图像及所述携带负样本标签的M类负样本图像对活体检测模型进行训练，生成活体检测预训练模型；将所述正样本图像输入至扩散模型中，生成正样本对抗图像，以及将所述M类负样本图像输入至扩散模型中，生成M类负样本对抗图像，其中，所述正样本对抗图像为在所述正样本图像上增加干扰信息生成的图像，所述负样本对抗图像为在所述负样本图像上增加干扰信息生成的图像；为所述正样本对抗图像设置第一目标标签，以及为所述M类负样本对抗图像中的每个负样本对抗图像设置第二目标标签，其中，所述第一目标标签为所述M类负样本图像对应的M类负样本标签中的一个，所述第二目标标签用于表征所述负样本对抗图像包含真实对象活体信息；根据携带所述第一目标标签的所述正样本对抗图像及M类携带所述第二目标标签的负样本对抗图像对所述活体检测预训练模型进行训练，以优化所述活体检测预训练模型的参数，生成训练后的活体检测模型。2.如权利要求1所述的数据处理方法，其特征在于，所述根据携带所述第一目标标签的所述正样本对抗图像及M类携带所述第二目标标签的负样本对抗图像对所述活体检测预训练模型进行训练，以优化所述活体检测预训练模型的参数，生成训练后的活体检测模型，包括：将携带所述第一目标标签的所述正样本对抗图像输入至所述活体检测预训练模型，通过所述活体检测预训练模型输出所述正样本对抗图像对应的第一概率值及M个第二概率值，其中，所述第一概率值用于表征所述正样本对抗图像包含真实对象活体信息的可能性，所述M个第二概率值用于表征所述正样本对抗图像对应于M个负样本类别中每个负样本类别的可能性；将M类携带所述第二目标标签的负样本对抗图像输入至所述活体检测预训练模型，通过所述活体检测预训练模型输出每个所述负样本对抗图像对应的第三概率值及M个第四概率值，其中，所述第三预测概率值表征所述负样本对抗图像中包含真实对象活体信息的可能性，所述M个第四概率值用于表征所述负样本对抗图像对应于M个负样本类别中每个负样本类别的可能性；根据所述正样本对抗图像对应的第一概率值及M个第二概率值，以及每个所述负样本对抗图像对应的第三概率值及M个第四概率值计算损失函数；根据所述损失函数对所述活体检测预训练模型进行训练，以优化所述活体检测预训练模型的参数，生成训练后的活体检测模型。3.如权利要求2所述的数据处理方法，其特征在于，根据所述正样本对抗图像对应的第一概率值及M个第二概率值，以及每个所述负样本对抗图像对应的第三概率值及M个第四概率值计算损失函数包括：从所述M个第二概率值中确定所述正样本对抗图像的对应的负样本类别的第二概率值
为第一目标概率值；从每个所述负样本对抗图像对应的M个第四概率值中确定概率值中最大的概率值为第二目标概率值；根据所述第一概率值、所述第一目标概率值、每个所述负样本对抗图像对应的第二目标概率值及所述第三概率值，计算损失函数。4.如权利要求2所述的数据处理方法，其特征在于，所述根据所述损失函数对所述活体检测预训练模型进行训练，以优化所述活体检测预训练模型的参数，生成训练后的活体检测模型，包括：根据所述损失函数计算所述正样本对抗图像的梯度值，生成正样本对抗图像梯度值；根据所述损失函数计算所述M类负样本对抗图像的梯度值，生成M类负样本对抗图像梯度值；根据所述正样本对抗图像梯度值对所述正样本对抗图像进行梯度处理，生成正样本对抗合成图像；根据所述M类负样本对抗图像梯度值中的每个负样本对抗图像梯度值对对应的所述负样本对抗图像进行梯度处理，生成M类负样本对抗合成图像；根据所述正样本对抗合成图像及所述M类负样本对抗合成图像对所述活体检测预训练模型进行训练，以优化所述活体检测预训练模型的参数，生成训练后的活体检测模型。5.如权利要求4所述的数据处理方法，其特征在于，所述根据所述正样本对抗合成图像及所述M类负样本对抗合成图像对所述活体检测预训练模型进行训练，以优化所述活体检测预训练模型的参数，生成训练后的活体检测模型，包括：将所述正样本对抗合成图像输入至所述活体检测预训练模型，通过所述活体检测预训练模型预测生成所述正样本对抗合成图像是否包含真实对象活体信息的第一预测结果；将所述M类负样本对抗合成图像输入至所述活体检测预训练模型，通过所述活体检测预训练模型预测生成所述M类负样本对抗合成图像是否包含真实对象活体信息的M类第二预测结果；根据所述第一预测结果、所述第一目标标签、所述M类第二预测结果及所述M类第二目标标签对所述活体检测预训练模型进行训练，以优化所述活体检测预训练模型的参数，生成训练后的活体检测模型。6.如权利要求5所述的数据处理方法，其特征在于，所述将所述正样本对抗合成图像输入至所述活体检测预训练模型，通过所述活体检测预训练模型预测生成所述正样本对抗合成图像是否包含真实对象活体信息的第一预测结果，包括：将所述正样本对抗合成图像输入至所述活体检测预训练模型，通过所述活体检测预训练模型中的分类模块，生成所述正样本对抗合成图像包含真实对象活体信息的第一预测概率，以及所述正样本对抗合成图像对应于所述M个负样本类别的M个第二预测概率；确定所述第一预测概率及所述M个第二预测概率中的最大值为第一预测结果。7.如权利要求5所述的数据处理方法，其特征在于，所述将所述M类负样本对抗合成图像输入至所述活体检测预训练模型，通过所述活体检测预训练模型预测生成所述M类负样本对抗合成图像是否包含真实对象活体...

【专利技术属性】
技术研发人员：李博，陈兆宇，吴双，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：