人脸活体检测模型的训练方法技术

本公开提供了人脸活体检测模型的训练方法

【技术实现步骤摘要】
人脸活体检测模型的训练方法、人脸活体检测方法及装置


[0001]本公开涉及人工智能
，尤其涉及图像处理
、
计算机视觉等
，具体涉及人脸活体检测模型的训练方法及装置
、
人脸活体检测方法及装置
、
电子设备
、
存储介质和计算机程序产品
。

技术介绍

[0002]人脸活体检测技术是基于人的脸部特征信息进行身份识别的一种生物识别技术
。
很多产品支持人脸活体检测技术，如金融
、
教育等领域产品，需要人脸活体检测技术对用户身份进行识别
。
随着技术的进一步成熟和社会认同度的提高，需要进一步提高人脸活体检测技术的准确度
。

技术实现思路

[0003]本公开提供了人脸活体检测模型的训练方法及装置
、
人脸活体检测方法及装置
、
电子设备
、
存储介质和计算机程序产品
。
[0004]根据本公开的一方面，提供了一种人脸活体检测模型的训练方法，包括：
[0005]基于人脸活体检测模型从样本集的各样本图像中分别提取出用于构建样本对的人脸特征，并基于人脸活体检测模型分别确定各样本图像的人脸活体检测结果；该样本集中包括含有人脸活体的第一类样本图像和不含有人脸活体的第二类样本图像；以及，
[0006]从各样本图像的文本描述中分别提取出用于构建样本对的文本特征；其中，每个样本对中包括任一样本图像的人脸特征和任一样本图像的文本特征；
[0007]基于多个样本对中人脸特征和文本特征之间的对比损失，以及各样本图像的人脸活体检测结果和标注结果之间的分类损失，确定总损失值；该对比损失用于缩小同一样本图像的人脸特征和文本特征之间的距离，并增大第一类样本图像和第二类样本图像的人脸特征之间的距离；
[0008]基于总损失值调整人脸活体检测模型的可学习参数，在人脸活体检测模型满足收敛条件的情况下，得到已训练人脸活体检测模型
。
[0009]根据本公开的另一方面，提供了一种人脸活体检测方法，应用于前述得到的已训练人脸活体检测模型，包括：
[0010]获取待检测图像；
[0011]将待检测图像输入已训练人脸活体检测模型，得到待检测图像的人脸活体检测结果
。
[0012]根据本公开的另一方面，提供了一种人脸活体检测模型的训练装置，包括：
[0013]第一提取模块，用于基于人脸活体检测模型从样本集的各样本图像中分别提取出用于构建样本对的人脸特征，并基于人脸活体检测模型分别确定各样本图像的人脸活体检测结果；该样本集中包括含有人脸活体的第一类样本图像和不含有人脸活体的第二类样本图像；以及，
[0014]第二提取模块，用于从各样本图像的文本描述中分别提取出用于构建样本对的文本特征；其中，每个样本对中包括任一样本图像的人脸特征和任一样本图像的文本特征；
[0015]损失确定模块，用于基于多个样本对中人脸特征和文本特征之间的对比损失，以及各样本图像的人脸活体检测结果和标注结果之间的分类损失，确定总损失值；该对比损失用于缩小同一样本图像的人脸特征和文本特征之间的距离，并增大第一类样本图像和第二类样本图像的人脸特征之间的距离；
[0016]第一调整模块，用于基于总损失值调整人脸活体检测模型的可学习参数，在人脸活体检测模型满足收敛条件的情况下，得到已训练人脸活体检测模型
。
[0017]根据本公开的另一方面，提供了一种人脸活体检测装置，应用于前述装置得到的已训练人脸活体检测模型，包括：
[0018]获取模块，用于获取待检测图像；
[0019]检测模块，用于将待检测图像输入已训练人脸活体检测模型，得到待检测图像的人脸活体检测结果
。
[0020]根据本公开的另一方面，提供了一种电子设备，包括：
[0021]至少一个处理器；以及
[0022]与该至少一个处理器通信连接的存储器；其中，
[0023]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开实施例中任一的方法
。
[0024]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开实施例中任一的方法
。
[0025]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开实施例中任一的方法
。
[0026]本公开实施例中，引入文本描述来进行辅助监督和判断，使得人脸活体检测模型在学习过程中通过文本描述能够学习到更多适用于人脸活体检测的特征，由此，大大提高了人脸活体检测算法的准确率和泛化性
。
此外，本公开通过分类损失结合对比损失，能够加快网络训练收敛速度，提高人脸活体检测算法的泛化性和精度
。
[0027]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围
。
本公开的其它特征将通过以下的说明书而变得容易理解
。
附图说明
[0028]附图用于更好地理解本方案，不构成对本公开的限定
。
其中：
[0029]图1是根据本公开一实施例的人脸活体检测模型的训练方法的流程示意图；
[0030]图
2a
是根据本公开一实施例的相似度矩阵的示意图；
[0031]图
2b
是根据本公开另一实施例的相似度矩阵的示意图；
[0032]图
2c
是根据本公开另一实施例的相似度矩阵的示意图；
[0033]图3根据本公开一实施例的人脸活体检测方法的流程示意图；
[0034]图4根据本公开另一实施例的人脸活体检测模型的训练方法的整体流程图；
[0035]图5根据本公开一实施例的人脸活体检测模型的训练装置的结构示意图；
[0036]图6根据本公开另一实施例的人脸活体检测模型的训练装置的结构示意图；
[0037]图7根据本公开另一实施例的人脸活体检测装置的结构示意图；
[0038]图8是用来实现本公开实施例的人脸活体检测模型的训练方法
/
人脸活体检测方法的电子设备的框图
。
具体实施方式
[0039]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的
。
因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围
。
同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述
。
[0040]人脸活体检测技术是人脸识别系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种人脸活体检测模型的训练方法，包括：基于人脸活体检测模型从样本集的各样本图像中分别提取出用于构建样本对的人脸特征，并基于所述人脸活体检测模型分别确定各样本图像的人脸活体检测结果；所述样本集中包括含有人脸活体的第一类样本图像和不含有人脸活体的第二类样本图像；以及，从所述各样本图像的文本描述中分别提取出用于构建样本对的文本特征；其中，每个样本对中包括任一样本图像的人脸特征和任一样本图像的文本特征；基于多个样本对中人脸特征和文本特征之间的对比损失，以及各样本图像的人脸活体检测结果和标注结果之间的分类损失，确定总损失值；所述对比损失用于缩小同一样本图像的人脸特征和文本特征之间的距离，并增大所述第一类样本图像和所述第二类样本图像的人脸特征之间的距离；基于所述总损失值调整所述人脸活体检测模型的可学习参数，在所述人脸活体检测模型满足收敛条件的情况下，得到已训练人脸活体检测模型
。2.
根据权利要求1所述的方法，其中，确定所述多个样本对中人脸特征和文本特征之间的对比损失，包括：确定所述多个样本对中人脸特征和文本特征之间的相似度；基于多个样本对中人脸特征和文本特征之间的相似度，确定对比损失
。3.
根据权利要求2所述的方法，其中，确定所述多个样本对中人脸特征和文本特征之间的相似度，包括：基于各样本图像的文本特征，构建文本特征矩阵；以及，基于各样本图像的人脸特征，构建人脸特征矩阵；将所述文本特征矩阵和所述人脸特征矩阵进行矩阵乘法运算，得到相似度矩阵；从所述相似度矩阵中筛选出所述多个样本对的人脸特征和文本特征之间的相似度
。4.
根据权利要求3所述的方法，其中，所述多个样本对中包括多个正样本对和多个负样本对，所述从所述相似度矩阵中筛选出所述多个样本对的人脸特征和文本特征之间的相似度，包括：从所述相似度矩阵中筛选出正样本对的相似度以及负样本对的相似度，得到所述多个样本对的人脸特征和文本特征之间的相似度；其中，所述正样本对为采用同一样本图像的人脸特征和文本特征构建的样本对；所述负样本对为采用不同类别的样本图像的人脸特征和文本特征构建的样本对
。5.
根据权利要求3所述的方法，其中，所述从所述相似度矩阵中筛选出所述多个样本对的人脸特征和文本特征之间的相似度，包括：从所述相似度矩阵中，筛选出满足以下预设要求集合中的任一预设要求的相似度，得到所述多个样本对的人脸特征和文本特征之间的相似度；其中，所述预设要求集合包括：相似度大于第一阈值，相似度小于第二阈值
。6.
根据权利要求1‑5中任一项所述的方法，其中，所述文本描述包括：样本图像的图像内容和提示词，所述提示词用于指示所述样本图像是否包含人脸活体
。7.
根据权利要求1‑6中任一项所述的方法，所述第二类样本图像包括以下至少一种类型的图像：电子屏幕显示的人脸图像
、
纸质照片的电子图像
、
二维面具的电子图像
、
三维头模的电子图像
、
证件照的电子图像
。
8.
根据权利要求1‑7中任一项所述的方法，其中，针对各样本图像，从所述样本图像的文本描述中提取出用于构建样本对的文本特征，包括：对所述样本图像的文本描述进行分词处理，获取所述文本描述中的多个字段；从所述多个字段中识别出提示词；所述提示词用于指示所述样本图像是否包含人脸活体；对所述多个字段中，除所述提示词之外的字段进行随机掩码处理，得到中间文本；对所述中间文本进行特征提取，得到所述样本图像的文本特征
。9.
根据权利要求1‑7中任一项所述的方法，其中，针对各样本图像，从所述样本图像的文本描述中提取出用于构建样本对的文本特征，包括：对所述文本描述中指定位置进行随机掩码处理，得到中间文本；所述指定位置为不包含提示词的位置，所述提示词用于指示所述样本图像是否包含人脸活体；对所述中间文本进行特征提取，得到所述样本图像的文本特征
。10.
根据权利要求1‑9中任一项所述的方法，针对各样本图像，还包括基于以下方法获取所述样本图像：获取所述样本图像的原始图像；检测所述原始图像中目标人脸的位置信息，获取所述目标人脸在所述原始图像中的第一人脸区域；提取所述第一人脸区域内的人脸关键点；基于所述人脸关键点在所述原始图像中的位置信息，确定所述目标人脸在所述原始图像中的第二人脸区域；基于所述第二人脸区域从所述原始图像中裁剪出所述样本图像
。11.
根据权利要求
10
所述的方法，其中，所述基于所述第二人脸区域从所述原始图像中裁剪出所述样本图像，包括：将所述第二人脸区域进行放大处理，获取第三人脸区域；从所述原始图像中裁剪出所述第三人脸区域内的图像，得到所述样本图像
。12.
根据权利要求1‑
11
中任一项所述的方法，所述文本特征是基于文本特征提取网络得到的，所述方法还包括：基于所述总损失，调整所述文本特征提取网络的可学习参数，在所述人脸活体检测模型满足收敛条件的情况下，结束对所述文本特征提取网络的训练
。13.
一种人脸活体检测方法，应用于所述权利要求1‑
12
任一项所述的方法得到的已训练人脸活体检测模型，包括：获取待检测图像；将所述待检测图像输入所述已训练人脸活体检测模型，得到所述待检测图像的人脸活体检测结果
。14.
一种人脸活体检测模型的训练装置，包括：第一提取模块，用于基于人脸活体检测模型从样本集的各样本图像中分别提取出用于构建样本对的人脸特征，并基于所述人脸活体检测模型分别确定各样本图像的人脸活体检测结果；所述样本集中包括含有人脸活体的第一类样本图像和不含有人脸活体的第二类样本图像；以及，
第二提取模块，用于从所述各样本图像的文本描述中分别提取出用于构建样本对的文本特征；其中，每个样本对中包括任一样本图像的人脸特征和任一样本图像的文本特征；损失确定模块，用于基于多个样本对中人脸特征和文本特征...

【专利技术属性】
技术研发人员：王珂尧，张国生，岳海潇，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：