【技术实现步骤摘要】
本专利技术涉及智能化活体检测，尤其涉及一种活体检测方法及其系统。
技术介绍
1、人脸识别技术应用在随处可见的场景中，随之而来的安全性挑战也日益增加，其中活体检测模块是人脸识别系统中重要环境。目前基于经验风险最小化的活体检测模型训练策略难以防御住所有的攻击模型，因此泛化能力在实际使用时会出现不同水平的下降。
2、为了解决该类问题，在研发过程中需要大量采集不同攻击范式的样本，随之而来的是活体与假体之间数据长尾分布的问题。因为假体数据在理论上攻击模式与数量远远大于活体数据采集。因此在大规模数据训练中，假体的攻击模式能够学习的更好，但由于数据长尾分布的存在，模型在学习过程中较大比例的学习了假体的特征分布，导致活体检测模型防御能力变强，但同时活体通过率会在不同场景有所下降。
3、因此，期待一种解决方案。
技术实现思路
1、本专利技术实施例提供一种活体检测方法及其系统，其获取待检测人脸图像；将所述待检测人脸图像通过训练完成的活体检测模型以得到活体分数值；以及，基于所述活体分数值与预定阈值之间的比较，确定所述待检测人脸图像是否属于活体人脸图像。这样，构建一种具有非对称专家结构的网络模型，来缓解活体检测数据长尾分布的问题，从而提升得到的专家输出的准确性。
2、本专利技术实施例还提供了一种活体检测方法，其包括：获取待检测人脸图像；将所述待检测人脸图像通过训练完成的活体检测模型以得到活体分数值；以及
3、基于所述活体分数值与预定阈值之间的比较，确定所述待
4、本专利技术实施例还提供了一种活体检测系统，其包括：图像获取模块，用于获取待检测人脸图像；活体检测模块，用于将所述待检测人脸图像通过训练完成的活体检测模型以得到活体分数值；以及待检测人脸图像判断模块，用于基于所述活体分数值与预定阈值之间的比较，确定所述待检测人脸图像是否属于活体人脸图像。
本文档来自技高网...【技术保护点】
1.一种活体检测方法，其特征在于，包括：获取待检测人脸图像；将所述待检测人脸图像通过训练完成的活体检测模型以得到活体分数值；以及基于所述活体分数值与预定阈值之间的比较，确定所述待检测人脸图像是否属于活体人脸图像。
2.根据权利要求1所述的活体检测方法，其特征在于，所述活体检测模型的训练过程，包括：构建深度神经网络模型，其中，所述深度神经网络模型包括骨干网络和分类层，其中，所述骨干网络被设定有S个阶段，所述分类层被设定有M个专家决策器；获取训练样本，其中，所述训练样本中的各个样本具有标注标签；将所述训练样本中的各个样本分别通过所述骨干网络得到S个不同阶段的特征图；将所述S个不同阶段的特征图分别输入各个专家决策器以得到M个专家输出；将第S个阶段的特征图输入所述各个专家决策器以得到目标类损失值；对所述M个专家输出选择非目标类logit以得到非目标logit集合；将所述非目标logit集合中最小值对应的专家决策器作为专家模型；计算所述专家模型与学生模型之间的非目标类概率；基于所述非目标类概率，计算所述专家模型与所述学生模型之间的概率分布差异度作为非目标类损失值；以及以所述非目
3.根据权利要求2所述的活体检测方法，其中，将所述S个不同阶段的特征图分别输入所述各个专家决策器以得到M个专家输出，包括：分别对所述S个不同阶段的特征图进行特征分布调制以得到S个不同阶段的调制特征图；所述专家决策器以如下决策公式对所述S个不同阶段的调制特征图进行处理，所述决策公式的表达为：，其中，其中，m指所述M个专家决策器中的第m个专家决策器，s指所述S个阶段中的第s个阶段，为直接输入到所述第m个专家决策器的共享信息流，为所述第s个阶段的调制特征图，表示所述第m个专家决策器的计算函数，且所述M个专家决策器的计算函数都不相同，为所述第m个专家决策器的所述专家输出。
4.根据权利要求3所述的活体检测方法，其中，所述M个专家决策器的计算函数都不相同。
5.根据权利要求4所述的活体检测方法，其中，分别对所述S个不同阶段的特征图进行特征分布调制以得到S个不同阶段的调制特征图，包括：对于所述S个不同阶段的特征图中的每个特征图，对于所述特征图的各个特征矩阵，计算相应加权系数，用公式表示为：其中，是所述S个不同阶段的特征图的通道数，是所述S个不同阶段的特征图的沿通道维度的各个特征矩阵，是特征矩阵的全局特征均值，是组成的特征向量，表示特征向量的二范数的平方，是特征矩阵的尺度，且表示特征矩阵的Frobenius范数的平方，是特征矩阵每个位置的特征值，和表示加权系数；以及以所述加权系数对所述每个特征图沿通道进行加权且以所述加权系数对所述特征图的每个特征矩阵进行加权以得到所述S个不同阶段的调制特征图。
6.根据权利要求5所述的活体检测方法，其中，计算所述专家模型与学生模型之间的非目标类概率，包括：以如下公式来计算所述专家模型与学生模型之间的非目标类概率，其中，所述公式为：，其中，为所述M个专家输出中的最小值，为所述M个专家输出中的最大值。
7.根据权利要求6所述的活体检测方法，其中，基于所述非目标类概率，计算所述专家模型与所述学生模型之间的概率分布差异度作为非目标类损失值，包括：以如下公式来计算所述专家模型与所述学生模型之间的概率分布差异度作为非目标类损失值，其中，所述公式为：。
8.根据权利要求7所述的活体检测方法，其中，基于所述非目标类概率，以所述非目标类损失值和目标类损失值的加权和作为损失值，包括：以如下公式来计算所述损失值；其中，所述公式为：，其中，为预定权重，为所述目标类损失值，为所述非目标类损失值。
9.一种活体检测系统，其特征在于，包括：图像获取模块，用于获取待检测人脸图像；活体检测模块，用于将所述待检测人脸图像通过训练完成的活体检测模型以得到活体分数值；以及待检测人脸图像判断模块，用于基于所述活体分数值与预定阈值之间的比较，确定所述待检测人脸图像是否属于活体人脸图像。
10.根据权利要求9所述的活体检测系统，其特征在于，还包括用于对所述活体检测模型进行训练的训练模块，所述训练模块，用于：构建深度神经网络模型，其中，所述深度神经网络模型包括骨干网络和分类层，其中，所述骨干网络被设定有S个阶段，所述分类层被设定有M个专家决策器；获取训练样本，其中，所述训练样本中的各个样本具有标注标签；将所述训练样本中的各个样本分别通过所述骨干网络得到S个不同阶段的特征图；将所述S个不同阶段的特征图分别输入各个专家决策器以得到M个专家输出；将第S个阶段的特征图输入...
【技术特征摘要】
1.一种活体检测方法，其特征在于，包括：获取待检测人脸图像；将所述待检测人脸图像通过训练完成的活体检测模型以得到活体分数值；以及基于所述活体分数值与预定阈值之间的比较，确定所述待检测人脸图像是否属于活体人脸图像。
2.根据权利要求1所述的活体检测方法，其特征在于，所述活体检测模型的训练过程，包括：构建深度神经网络模型，其中，所述深度神经网络模型包括骨干网络和分类层，其中，所述骨干网络被设定有s个阶段，所述分类层被设定有m个专家决策器；获取训练样本，其中，所述训练样本中的各个样本具有标注标签；将所述训练样本中的各个样本分别通过所述骨干网络得到s个不同阶段的特征图；将所述s个不同阶段的特征图分别输入各个专家决策器以得到m个专家输出；将第s个阶段的特征图输入所述各个专家决策器以得到目标类损失值；对所述m个专家输出选择非目标类logit以得到非目标logit集合；将所述非目标logit集合中最小值对应的专家决策器作为专家模型；计算所述专家模型与学生模型之间的非目标类概率；基于所述非目标类概率，计算所述专家模型与所述学生模型之间的概率分布差异度作为非目标类损失值；以及以所述非目标类损失值和目标类损失值的加权和作为损失值，对所述学生模型进行训练，其中，训练完成的所述学生模型为所述活体检测模型。
3.根据权利要求2所述的活体检测方法，其中，将所述s个不同阶段的特征图分别输入所述各个专家决策器以得到m个专家输出，包括：分别对所述s个不同阶段的特征图进行特征分布调制以得到s个不同阶段的调制特征图；所述专家决策器以如下决策公式对所述s个不同阶段的调制特征图进行处理，所述决策公式的表达为：，其中，其中，m指所述m个专家决策器中的第m个专家决策器，s指所述s个阶段中的第s个阶段，为直接输入到所述第m个专家决策器的共享信息流，为所述第s个阶段的调制特征图，表示所述第m个专家决策器的计算函数，且所述m个专家决策器的计算函数都不相同，为所述第m个专家决策器的所述专家输出。
4.根据权利要求3所述的活体检测方法，其中，所述m个专家决策器的计算函数都不相同。
5.根据权利要求4所述的活体检测方法，其中，分别对所述s个不同阶段的特征图进行特征分布调制以得到s个不同阶段的调制特征图，包括：对于所述s个不同阶段的特征图中的每个特征图，对于所述特征图的各个特征矩阵，计算相应加权系数，用公式表示为：其中，是所述s个不同阶段的特征图的通道数，是所述s个不同阶段的特征图的沿通道维度的各个特征矩阵，是特征矩阵的全局特征均值，是组成的特征向量，表示特征向量的二范数的平方，是特征矩阵...
【专利技术属性】
技术研发人员：宋鸿飞，王麒，陈帅斌，蒋泽飞，夏虹，
申请(专利权)人：杭州登虹科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。