人脸活体检测方法、装置、电子设备及可读存储介质制造方法及图纸

本申请实施例提供了一种人脸活体检测方法、装置、电子设备及可读存储介质，涉及人工智能领域。该方法包括：将目标域图像输入训练好的预设伪源域生成器，得到对应的伪源域图像；将伪源域图像输入源域预训练模型，得到目标域图像对应的人脸活体检测结果，源域预训练模型是基于源域对预设源域模型训练得到的；其中，训练好的预设伪源域生成器通过以下方式获取：基于源域预训练模型获取源域的第一神经统计特征；利用至少一个目标域样本图像，基于第一神经统计特征和各目标域样本图像的第一语义特征对预设伪源域生成器进行训练，得到训练好的预设伪源域生成器。该方案在源域不可得的情况下实现了域适应，能够准确获取目标域图像的人脸活体识别结果。人脸活体识别结果。人脸活体识别结果。

【技术实现步骤摘要】
人脸活体检测方法、装置、电子设备及可读存储介质


[0001]本申请涉及计算机
，具体而言，本申请涉及一种人脸活体检测方法、装置、电子设备及可读存储介质。

技术介绍

[0002]如何区分真实人脸与虚假人脸，亦称人脸活体检测，对于人脸识别系统的安全具有十分重要的意义。目前，通常采用迁移学习的方案实现人脸活体检测。
[0003]随着人脸识别系统在生产生活中的普及，越来越多的真实活体数据不断产生，但这些数据可能与人脸训练数据在人脸、光照、背景以及攻击类型等域信息上存在差异，即二者的数据分布不同，因此直接将人脸训练数据迁移到测试数据上，模型泛化能力不足，会存在人脸活体检测准确率下降的问题。同时，出于保障数据安全性的考虑，这些人脸训练数据在很多场景下不会对外公开，这样极大的限制了现有迁移学习方法的使用。因此，有必要提供一种新的人脸活体检测方法。

技术实现思路

[0004]本申请的目的旨在至少能解决上述的技术缺陷之一，本申请实施例所提供的技术方案如下：
[0005]第一方面，本申请实施例提供了一种人脸活体检测方法，包括：
[0006]将目标域图像输入训练好的预设伪源域生成器，得到对应的伪源域图像；
[0007]将伪源域图像输入源域预训练模型，得到目标域图像对应的人脸活体检测结果，源域预训练模型是基于源域对预设源域模型训练得到的；
[0008]其中，训练好的预设伪源域生成器通过以下方式获取：
[0009]基于源域预训练模型获取源域的第一神经统计特征；
[0010]利用至少一个目标域样本图像，基于第一神经统计特征和各目标域样本图像的第一语义特征对预设伪源域生成器进行训练，得到训练好的预设伪源域生成器。
[0011]在本申请的一种可选实施例中，利用至少一个目标域样本图像，基于第一神经统计特征和各目标域样本图像的第一语义特征对预设伪源域生成器进行训练，包括：
[0012]对于每一目标域样本图像，将目标域样本图像输入预设伪源域生成器，得到目标域样本图像对应的伪源域样本图像；
[0013]获取伪源域样本图像的第二语义特征，并将伪源域样本图像输入源域预训练模型，获取对应的第二神经统计特征；
[0014]分别基于第一神经统计特征与第二神经统计特征之间的差别、以及目标域样本图像的第一语义特征与第二语义特征之间的差别，调整预设伪源域生成器的网络参数。
[0015]在本申请的一种可选实施例中，基于源域预训练模型获取源域的第一神经统计特征，包括：
[0016]将源域预训练模型的批归一化层中存储的分布特征，作为第一神经统计特征；
[0017]将伪源域样本图像输入源域预训练模型，获取对应的第二神经统计特征，包括：
[0018]在将伪源域样本图像输入源域预训练模型后，将源域预训练模型的批归一化层提取的分布特征作为对应的第二神经统计特征。
[0019]在本申请的一种可选实施例中，批归一化层包括以下至少一项：
[0020]源域预训练模型中特征提取器对应的批归一化层；
[0021]源域预训练模型中分类器对应的批归一化层；
[0022]源域预训练模型中深度估计器对应的批归一化层。
[0023]在本申请的一种可选实施例中，语义特征为特征层次的语义特征；
[0024]目标域样本图像的第一语义特征通过以下方式获取：
[0025]将目标域样本图像输入预设视觉几何组VGG网络，并将预设VGG网络提取的中间特征作为对应的第一语义特征；
[0026]伪源域样本图像的第二语义特征通过以下方式获取：
[0027]将伪源域样本图像输入预设VGG网络，并将预设VGG网络提取的中间特征作为对应的第二语义特征。
[0028]在本申请的一种可选实施例中，语义特征为图像层次的语义特征；
[0029]目标域样本图像的第一语义特征通过以下方式获取：
[0030]对目标域样本图像进行傅里叶变换，并将变换得到的相位信息作为对应的第一语义特征；
[0031]伪源域样本图像的第二语义特征通过以下方式获取：
[0032]对伪源域样本图像进行傅里叶变换，并将变换得到的相位信息作为对应的第二语义特征。
[0033]在本申请的一种可选实施例中，至少一个目标域样本图像通过以下方式获取：
[0034]获取至少一个初始目标域样本图像，并对各初始目标域样本图像进行傅里叶变换得到对应的相位和频谱；
[0035]对于每一初始目标域样本图像，将初始目标样本图像对应的频谱与另一个初始目标域样本图像对应的频谱进行混合，并基于混合后的频谱和初始目标域样本图像对应的相位进行傅里叶逆变换，得到对应的新的目标域样本图像；
[0036]将至少一个初始目标域样本图像和至少一个新的目标域样本图像，作为至少一个目标域样本图像。
[0037]在本申请的一种可选实施例中，源域预训练模型通过以下方式获取：
[0038]将源域中至少一个源域图像作为正样本图像，并获取至少一个负样本图像；
[0039]分别获取各正样本图像和各负样本对应人脸识别区域，并将人脸识别区域扩大预设倍数得到第一裁剪后的人脸识别区域图像；
[0040]获取第一裁剪后的人脸识别区域图像对应的深度图像，并基于第一裁剪后的人脸识别区域图像和对应的深度图像，获取至少一个源域样本图像；
[0041]基于至少一个源域样本图像对预设源域模型进行训练，得到源域预训练模型。
[0042]在本申请的一种可选实施例中，获取第一裁剪后的人脸识别区域图像对应的深度图像，包括：
[0043]对于正样本图像对应的第一裁剪后的人脸识别区域图像，通过预设深度估计模型
获取对应的深度图像；
[0044]对应负样本图像对应的第一裁剪后的人脸识别区域图像，将与第一裁剪后的人脸识别区域图像具有相同尺寸的黑色底图作为对应的深度图像。
[0045]在本申请的一种可选实施例中，基于第一裁剪后的人脸识别区域图像和对应的深度图像，获取至少一个源域样本图像，包括：
[0046]以深度图像和对应的人脸活体检测结果标记对应的第一裁剪后的人脸识别区域图像，得到至少一个源域样本图像。
[0047]在本申请的一种可选实施例中，将伪源域图像输入源域预训练模型，得到目标域图像对应的人脸活体检测结果，包括：
[0048]获取伪源域图像对应人脸识别区域，并将人脸识别区域扩大预设倍数得到第二裁剪后的人脸识别区域图像；
[0049]将第二裁剪后的人脸识别区域图像输入源域预训练模型，得到目标域图像对应的人脸活体检测结果。
[0050]第二方面，本申请实施例提供了一种人脸活体检测装置，包括：
[0051]伪源域图像获取模块，用于将目标域图像输入训练好的预设伪源域生成器，得到对应的伪源域图像；
[0052]人脸活体检测结果获取模块，用于将伪源域图像输入源域预训练模型，得到目标域图像对应的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸活体检测方法，其特征在于，包括：将目标域图像输入训练好的预设伪源域生成器，得到对应的伪源域图像；将所述伪源域图像输入源域预训练模型，得到所述目标域图像对应的人脸活体检测结果，所述源域预训练模型是基于源域对预设源域模型训练得到的；其中，所述训练好的预设伪源域生成器通过以下方式获取：基于所述源域预训练模型获取所述源域的第一神经统计特征；利用至少一个目标域样本图像，基于所述第一神经统计特征和各目标域样本图像的第一语义特征对预设伪源域生成器进行训练，得到所述训练好的预设伪源域生成器。2.根据权利要求1所述的方法，其特征在于，所述利用至少一个目标域样本图像，基于所述第一神经统计特征和各目标域样本图像的第一语义特征对预设伪源域生成器进行训练，包括：对于每一目标域样本图像，将所述目标域样本图像输入所述预设伪源域生成器，得到所述目标域样本图像对应的伪源域样本图像；获取所述伪源域样本图像的第二语义特征，并将所述伪源域样本图像输入所述源域预训练模型，获取对应的第二神经统计特征；分别基于所述第一神经统计特征与所述第二神经统计特征之间的差别、以及所述目标域样本图像的第一语义特征与所述第二语义特征之间的差别，调整所述预设伪源域生成器的网络参数。3.根据权利要求2所述的方法，其特征在于，所述基于所述源域预训练模型获取所述源域的第一神经统计特征，包括：将所述源域预训练模型的批归一化层中存储的分布特征，作为所述第一神经统计特征；所述将所述伪源域样本图像输入所述源域预训练模型，获取对应的第二神经统计特征，包括：在将所述伪源域样本图像输入所述源域预训练模型后，将所述源域预训练模型的所述批归一化层提取的分布特征作为对应的第二神经统计特征。4.根据权利要求3所述的方法，其特征在于，所述批归一化层包括以下至少一项：所述源域预训练模型中特征提取器对应的批归一化层；所述源域预训练模型中分类器对应的批归一化层；所述源域预训练模型中深度估计器对应的批归一化层。5.根据权利要求2所述的方法，其特征在于，所述语义特征为特征层次的语义特征；所述目标域样本图像的第一语义特征通过以下方式获取：将所述目标域样本图像输入预设视觉几何组VGG网络，并将所述预设VGG网络提取的中间特征作为对应的第一语义特征；所述伪源域样本图像的第二语义特征通过以下方式获取：将所述伪源域样本图像输入所述预设VGG网络，并将所述预设VGG网络提取的中间特征作为对应的第二语义特征。6.根据权利要求2或5所述的方法，其特征在于，所述语义特征为图像层次的语义特征；所述目标域样本图像的第一语义特征通过以下方式获取：
对所述目标域样本图像进行傅里叶变换，并将变换得到的相位信息作为对应的第一语义特征；所述伪源域样本图像的第二语义特征通过以下方式获取：对所述伪源域样本图像进行傅里叶变换，并将变换得到的相位信息作为对应的第二语义特征。7.根据权利要求1所述的方法，其特征在于，所述至少一个目标域样本图像通过以下方式获取：获取至少一个初始目标域样本图像，并对各初始目标域样本图像进行傅里叶变换得到对应的相位和频谱；对于每一初始目标...

【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：