一种人脸活体检测模型生成方法和装置制造方法及图纸

本发明专利技术公开了一种人脸活体检测模型生成方案，该方法包括：获取预设红外人脸图像组成的第一训练集样本；依据第一训练集样本对第一阶段网络进行训练，生成第一阶段网络模型；第一阶段网络包括第一编码器和第一解码器；通过真实红外图像样本

【技术实现步骤摘要】
一种人脸活体检测模型生成方法和装置、电子设备


[0001]本专利技术涉及人脸识别
，尤其涉及一种人脸活体检测模型生成方法和装置
、
电子设备
。

技术介绍

[0002]随着人脸识别系统在电子支付
、
门禁控制的广泛应用，人脸识别系统的安全性受到了研究人员的重要关注，因为社交媒体的兴起，识别系统的攻击者很容易通过用户的人脸图像绕过生物识别系统成为真正的用户，攻击手段可以分为打印攻击
、
视频回放
、
面具攻击
。
因此，研究人脸活体检测技术对于人脸识别系统具有重要意义，目前，主流的人脸活体检测方法为基于深度学习的人脸活体检测方法
。
现有的人脸活体检测网络模型将人脸活体检测任务作为一个二分类任务，直接使用交叉熵损失优化网络参数，但使用该种方式训练优化的人脸活体检测模型的泛化能力差
、
识别结果准确率低
。

技术实现思路

[0003]本专利技术实施例的目的是提供一种人脸活体检测模型生成方法和装置...

【技术保护点】

【技术特征摘要】
1.
一种人脸活体检测模型生成方法，其特征在于，包括：获取预设红外人脸图像组成的第一训练集样本；依据所述第一训练集样本对第一阶段网络进行训练，生成第一阶段网络模型；所述第一阶段网络包括第一编码器和第一解码器；通过真实红外人脸图像样本
、
虚假红外人脸图像样本组成的第二训练集样本
、
训练后得到的所述第一编码器对构建的第二阶段网络进行训练，生成人脸活体检测模型；其中，所述第二阶段网络包括第二编码器
、
第二解码器
、
合成特征解码器
、
鉴别器和分类器
。2.
根据权利要求1所述的方法，其特征在于，所述依据所述第一训练集样本对第一阶段网络进行训练，生成第一阶段网络模型的步骤，包括：从所述第一训练集样本中提取一张红外人脸图像输入至所述第一阶段网络的所述第一编码器进行特征提取，得到第一图像特征；将所述第一图像特征输入所述第一解码器，得到重建的红外人脸图像；通过提取的所述红外人脸图像和所述重建的红外人脸图像，计算所述第一阶段网络的损失；采用随机梯度下降法，依据所述损失优化所述第一阶段网络参数，得到优化后的第一编码器
。3.
根据权利要求1所述的方法，其特征在于，通过真实红外人脸图像样本
、
虚假红外人脸图像样本组成的第二训练集样本
、
训练后得到的所述第一编码器对构建的第二阶段网络进行训练，生成人脸活体检测模型的步骤，包括：将通过真实红外人脸图像样本
、
虚假红外人脸图像样本组成的第二训练集样本分别输入至训练后得到的第一编码器
、
所述第二阶段网络的第二编码器，分别抽取得到第二图像特征和第三图像特征；将所述第二图像特征和所述第三图像特征拼接后，输入所述合成特征解码器进行图像重建，输出重建的红外人脸图像；依据所述重建的红外人脸图像和所述第三图像特征，对所述第二阶段网络参数进行优化，生成人脸活体检测模型
。4.
根据权利要求3所述的方法，其特征在于，所述依据所述重建的红外人脸图像和所述第三图像特征，对所述第二阶段网络参数进行优化，生成人脸活体检测模型的步骤，包括：依据所述重建的红外人脸图像计算所述第二阶段网络的重建损失；将所述重建的红外人脸图像输入所述鉴别器中进行鉴别，根据鉴别结果计算所述第二阶段网络的对抗损失；将所述第二编码器抽取到的所述第三图像特征输入到所述第二解码器中，得到图像映射结果并确定映射损失；将所述图像映射结果输入所述分类器中，基于所述分类器的输出结果计算分类损失；依据所述重建损失
、
所述对抗损失
、
所述映射损失以及所述分类损失，确定所述第二网络阶段的总损失；采用随机梯度下降法，依据所述总损失优化所述第二阶段网络参数，生成人脸活体检测模型
。5.
根据权利要求1所述的方法，其特征在于，在所述生成人脸活体检测模型的步骤之
后，所述方法还包括：对向所述第二编码器输入的待检测红外人脸图像进行特征提取，得到第四图像特征；将所述第四图像特征输入到所述第二解码器进行虚假红外人脸映射，得到映射结果；将所述映射结果输入到所述分类器；所述分类...

【专利技术属性】
技术研发人员：李红，邢健飞，曲思瑜，严彩萍，
申请(专利权)人：杭州启源视觉科技有限公司，
类型：发明
国别省市：