System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人脸识别,尤其涉及一种活体攻击检测模型的训练方法、活体攻击检测方法及装置。
技术介绍
1、活体攻击检测是人脸识别系统中不可缺少的一部分,通过活体攻击检测,能够有效判断并拦截用户刷脸过程中非活体类型的攻击样本。然而,随着人脸识别系统不断的应用到更多的领域,会遇到多种表征差异迥异的场景特性,为了使活体攻击检测模型在面对未知新场景部署时无差异性的适配,需要采用不同域的样本对活体攻击检测模型进行训练,但实际应用中用于活体模型训练的数据往往经过了长期的、多渠道的收集,并已经丢了明确的域信息,这些大规模的历史数据面临无法使用传统域生成方法训练的问题。在无法获取到未部署新场景的数据前提下提升模型对未知域的适配能力,成为了亟需解决的问题。
技术实现思路
1、本说明书的一个或多个实施例提供了一种活体攻击检测模型的训练方法、活体攻击检测方法及装置,能够利用无域信息的历史数据训练模型在新场景的适配能力。
2、根据第一方面,提供了一种活体攻击检测模型的训练方法,包括对所述活体攻击检测模型进行至少一轮优化训练;每一轮所述优化训练包括:
3、通过所述活体攻击检测模型对人脸图像样本进行特征提取,得到人脸特征向量;
4、对所述人脸特征向量进行聚类,基于聚类结果,将所述人脸特征向量划分为多个虚拟域;
5、从所述多个虚拟域中选取源域和目标域,采用对抗学习的策略,对所述活体攻击检测模型进行跨域生成对抗训练,并确定本次学习的对抗损失函数;所述对抗学习的策略包括
6、基于所述对抗损失函数更新所述活体攻击检测模型的参数。
7、作为第一方面所述方法的一种可选实施方式,所述活体攻击检测模型包括:
8、编码器,用于从所述人脸图像样本中提取所述人脸特征向量;
9、第一分类器,用于判断输入的所述人脸特征向量是否为活体攻击样本特征向量。
10、作为第一方面所述方法的一种可选实施方式,通过所述活体攻击检测模型对人脸图像样本进行特征提取,得到人脸特征向量,具体包括:
11、通过所述编码器对所述人脸图像样本进行特征提取,得到所述人脸特征向量。
12、作为第一方面所述方法的一种可选实施方式,采用对抗学习的策略,对所述活体攻击检测模型进行跨域生成对抗学习,并确定本次学习的对抗损失函数,具体包括:
13、将所述源域中的人脸特征向量输入生成器,得到第一跨域生成特征向量;
14、将所述第一跨域生成特征向量输入所述第一分类器,得到第一分类结果;
15、将所述第一跨域生成特征向量输入第二分类器,得到第二分类结果;
16、基于所述第一分类结果和所述源域的人脸特征向量的第一标签,确定第一损失函数;所述第一标签用于表征所述源域的人脸特征向量是否为活体攻击样本特征向量;
17、基于所述第二分类结果和所述目标域的人脸特征向量的第二标签,确定第二损失函数;所述第二标签用于表征所述目标域的人脸特征向量的虚拟域类型;
18、基于所述第一损失函数和所述第二损失函数,确定本次学习的对抗损失函数。
19、作为第一方面所述方法的一种可选实施方式,所述方法还包括:在每一轮所述优化训练过程中,进行至少一次基于元学习的优化训练;所述基于元学习的优化训练包括:
20、从所述多个虚拟域中随机选取一个虚拟域;
21、采用元学习的策略,将所述虚拟域划分为训练子集和测试子集;
22、基于所述训练子集和所述测试子集对所述活体攻击检测模型进行跨域生成对抗训练。
23、作为第一方面所述方法的一种可选实施方式,基于所述训练子集和所述测试子集对所述活体攻击检测模型进行跨域生成对抗训练,具体包括:
24、从所述训练子集中选取源域子集和目标域子集;
25、在每一次基于元学习的优化训练中,从所述源域子集中进行多轮次的随机采样,得到每个轮次对应的训练数据和测试数据;
26、在每个轮次中,用所述训练数据对所述活体攻击检测模型进行跨域生成对抗训练,以更新所述活体攻击检测模型的参数;
27、采用所述测试数据对更新后的所述活体攻击检测模型进行测试,并确定本轮次的损失函数和梯度更新策略;
28、基于所述梯度更新策略对所述更新后的所述活体攻击检测模型进行梯度更新。
29、作为第一方面所述方法的一种可选实施方式,所述方法还包括:
30、在每一次基于元学习的训练之后,通过所述测试子集测试所述活体攻击检测模型;
31、若测试结果满足训练结束条件,则结束本次基于元学习的优化训练;若测试结果不满足所述训练结束条件,则执行下一次基于元学习的优化训练。
32、作为第一方面所述方法的一种可选实施方式,在每个轮次中,用所述训练数据对所述活体攻击检测模型进行跨域生成对抗训练,以更新所述活体攻击检测模型的参数,具体包括:
33、将所述训练数据中的人脸特征向量输入生成器,得到第二跨域生成特征向量;
34、将所述第二跨域生成特征向量输入所述第一分类器,得到第三分类结果;
35、将所述第二跨域生成特征向量输入第二分类器,得到第四分类结果;
36、基于所述第三分类结果和所述源域子集的人脸特征向量的第三标签,确定第三损失函数;所述第三标签用于表征所述源域子集的人脸特征向量是否为活体攻击样本特征向量;
37、基于所述第四分类结果和所述目标域子集的人脸特征向量的第四标签,确定第四损失函数;所述第四标签用于表征所述目标域子集的人脸特征向量的虚拟域类型;
38、基于所述第三损失函数和所述第四损失函数,更新所述活体攻击检测模型的参数。
39、根据第二方面,提供了一种活体攻击检测方法,包括:
40、获取目标人脸图像;
41、将所述目标人脸图像输入活体攻击检测模型;所述活体攻击检测模型采用所述的活体攻击检测模型的训练方法训练得到;
42、基于所述活体攻击检测模型的识别结果,确定所述目标人脸图像是否为活体攻击图像。
43、根据第三方面,提供了一种活体攻击检测模型的训练装置,包括:
44、第一数据获取模块,配置为获取人脸图像样本;
45、训练模块,配置为将所述人脸图像样本输入所述活体攻击检测模型,得到人脸特征向量;对所述人脸特征向量进行聚类,基于聚类结果,将所述人脸特征向量划分为多个虚拟域;从所述多个虚拟域中选取源域和目标域,采用对抗学习的策略,对所述活体攻击检测模型进行跨域生成对抗训练,并确定本次学习的对抗损失函数;所述对抗学习的策略包括活体攻击检测任务和虚拟域分类任务;基于所述对抗损失函数更新所述活体攻击检测模型的参数。
46、根据第四方面,提供了一种活体攻击检测装置,包括:
47、第二数据获取模块,配置为获取目本文档来自技高网...
【技术保护点】
1.一种活体攻击检测模型的训练方法,包括对所述活体攻击检测模型进行至少一轮优化训练;每一轮所述优化训练包括:
2.如权利要求1所述的方法,所述活体攻击检测模型包括:
3.如权利要求2所述的方法,通过所述活体攻击检测模型对人脸图像样本进行特征提取,得到人脸特征向量,具体包括:
4.如权利要求2所述的方法,采用对抗学习的策略,对所述活体攻击检测模型进行跨域生成对抗学习,并确定本次学习的对抗损失函数,具体包括:
5.如权利要求2所述的方法,所述方法还包括:在每一轮所述优化训练过程中,进行至少一次基于元学习的优化训练;所述基于元学习的优化训练包括:
6.如权利要求5所述的方法,基于所述训练子集和所述测试子集对所述活体攻击检测模型进行跨域生成对抗训练,具体包括:
7.如权利要求6所述的方法,还包括:
8.如权利要求6所述的方法,在每个轮次中,用所述训练数据对所述活体攻击检测模型进行跨域生成对抗训练,以更新所述活体攻击检测模型的参数,具体包括:
9.一种活体攻击检测方法,包括:
10.
11.一种活体攻击检测装置,包括:
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序在电子设备上运行时,使得所述电子设备执行如权利要求1至8任一所述的方法,或者,执行如权利要求9所述的方法。
13.一种电子设备,包括:
...【技术特征摘要】
1.一种活体攻击检测模型的训练方法,包括对所述活体攻击检测模型进行至少一轮优化训练;每一轮所述优化训练包括:
2.如权利要求1所述的方法,所述活体攻击检测模型包括:
3.如权利要求2所述的方法,通过所述活体攻击检测模型对人脸图像样本进行特征提取,得到人脸特征向量,具体包括:
4.如权利要求2所述的方法,采用对抗学习的策略,对所述活体攻击检测模型进行跨域生成对抗学习,并确定本次学习的对抗损失函数,具体包括:
5.如权利要求2所述的方法,所述方法还包括:在每一轮所述优化训练过程中,进行至少一次基于元学习的优化训练;所述基于元学习的优化训练包括:
6.如权利要求5所述的方法,基于所述训练子集和所述测试子...
【专利技术属性】
技术研发人员:武文琦,
申请(专利权)人:支付宝杭州信息技术有限公司,
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。