CN113343826A - 人脸活体检测模型的训练方法、人脸活体检测方法及装置 - Google Patents
人脸活体检测模型的训练方法、人脸活体检测方法及装置 Download PDFInfo
- Publication number
- CN113343826A CN113343826A CN202110606276.4A CN202110606276A CN113343826A CN 113343826 A CN113343826 A CN 113343826A CN 202110606276 A CN202110606276 A CN 202110606276A CN 113343826 A CN113343826 A CN 113343826A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- sub
- model
- living body
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 146
- 238000012549 training Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000000605 extraction Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001727 in vivo Methods 0.000 claims description 12
- 230000001815 facial effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开披露了一种人脸活体检测模型的训练方法、人脸活体检测方法、装置、设备、介质和产品,涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于智慧城市和智慧金融场景下。人脸活体检测模型的训练方法包括:将多个训练图像输入人脸活体检测模型中,其中,多个训练图像包括人脸活体图像和N类攻击图像,人脸活体检测模型包括N个子模型,N个子模型与N类攻击图像一一对应,N为大于或等于2的整数;针对N个子模型中的每个子模型,利用子模型对人脸活体图像和与子模型对应的攻击图像进行识别,得到第一识别结果;至少基于第一识别结果,调整人脸活体检测模型的模型参数,以得到经训练的人脸活体检测模型。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于智慧城市和智慧金融场景下。
背景技术
人脸活体检测技术是用于检测一张图像是否为人脸活体图像的技术,是人脸识别系统的重要组成,保证了人脸识别系统的安全性。由于攻击技术的层出不穷,导致人脸识别系统难以准确地识别出攻击图像,攻击图像例如为非人脸活体图像。因此,亟需一种能够应对各种攻击方式的人脸活体检测技术。
发明内容
本公开提供了一种人脸活体检测模型的训练方法、人脸活体检测方法、装置、电子设备、存储介质以及计算机程序产品。
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:将多个训练图像输入人脸活体检测模型中,其中,所述多个训练图像包括人脸活体图像和N类攻击图像,所述人脸活体检测模型包括N个子模型,所述N个子模型与所述N类攻击图像一一对应,N为大于或等于2的整数;针对所述N个子模型中的每个子模型,利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别,得到第一识别结果;至少基于所述第一识别结果,调整所述人脸活体检测模型的模型参数,以得到经训练的人脸活体检测模型。
根据本公开的另一方面,提供了一种人脸活体检测方法,包括获取待识别人脸图像;利用人脸活体检测模型对所述待识别人脸图像进行识别,以确定所述待识别人脸图像是否为人脸活体图像,其中,人脸活体检测模型是使用根据如上所述的方法来训练的。
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:图像输入模块、第一识别模块以及参数调整模块。其中,图像输入模块,用于将多个训练图像输入人脸活体检测模型中,其中,所述多个训练图像包括人脸活体图像和N类攻击图像,所述人脸活体检测模型包括N个子模型,所述N个子模型与所述N类攻击图像一一对应,N为大于或等于2的整数。第一识别模块,用于针对所述N个子模型中的每个子模型,利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别,得到第一识别结果。参数调整模块,用于至少基于所述第一识别结果,调整所述人脸活体检测模型的模型参数,以得到经训练的人脸活体检测模型。
根据本公开的另一方面,提供了一种人脸活体检测装置,包括:图像获取模块和第二识别模块。其中,图像获取模块,用于获取待识别人脸图像。第二识别模块,用于利用人脸活体检测模型对所述待识别人脸图像进行识别,以确定所述待识别人脸图像是否为人脸活体图像,其中,所述人脸活体检测模型是使用根据如上所述的方法来训练的。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和与所述至少一个处理器通信连接的存储器。其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
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,所述计算机指令用于使所述计算机执行如上所述的方法。
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,所述计算机程序在被处理器执行时实现如上所述的方法。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的人脸活体检测模型的训练方法和人脸活体检测方法的应用场景;
图2示意性示出了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图;
图3示意性示出了根据本公开一实施例的人脸活体检测模型的示意图;
图4示意性示出了根据本公开另一实施例的人脸活体检测模型的示意图;
图5示意性示出了根据本公开另一实施例的人脸活体检测模型的示意图;
图6示意性示出了根据本公开一实施例的人脸活体检测方法的流程图;
图7示意性示出了根据本公开一实施例的人脸活体检测方法的示意图;
图8示意性示出了根据本公开一实施例的人脸活体检测模型的训练装置的框图;
图9示意性示出了根据本公开一实施例的人脸活体检测装置的框图;以及
图10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的电子设备的框图。
具体实施方式
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和精神。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。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种人脸活体检测模型的训练方法,包括:将多个训练图像输入人脸活体检测模型中,其中,多个训练图像包括人脸活体图像和N类攻击图像,人脸活体检测模型包括N个子模型,N个子模型与N类攻击图像一一对应,N为大于或等于2的整数。然后,针对N个子模型中的每个子模型,利用子模型对人脸活体图像和与子模型对应的攻击图像进行识别,得到第一识别结果。接下来,至少基于第一识别结果,调整人脸活体检测模型的模型参数,以得到经训练的人脸活体检测模型。
图1示意性示出了根据本公开实施例的人脸活体检测模型的训练方法和人脸活体检测方法的应用场景。
如图1所示,本公开的实施例的应用场景100例如包括待训练的人脸活体检测模型110和经训练的人脸活体检测模型120。
在本公开的实施例中,多个训练图像111中例如包括人脸活体图像和攻击图像,攻击图像为非人脸活体图像。利用多个训练图像111对待训练的人脸活体检测模型110进行训练,以便得到经训练的人脸活体检测模型120。
接下来,可以利用经训练的人脸活体检测模型120对待识别人脸图像121进行图像识别。例如,将待识别人脸图像121输入至经训练的人脸活体检测模型120中进行图像识别,得到针对待识别人脸图像121的识别结果122,该识别结果122例如用于表征待识别人脸图像121是否为人脸活体图像。
本公开实施例的人脸活体检测模型能够应用于多种场景下的人脸识别系统,多种场景包括考勤场景、金融支付等场景。
本公开实施例提供了一种人脸活体检测模型的训练方法,下面结合图1的应用场景,参考图2~图5来描述根据本公开示例性实施方式的人脸活体检测模型的训练方法。
图2示意性示出了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图。
如图2所示,本公开实施例的人脸活体检测模型的训练方法200例如可以包括操作S210~操作S230。
在操作S210,将多个训练图像输入人脸活体检测模型中。
在操作S220,针对N个子模型中的每个子模型,利用子模型对人脸活体图像和与子模型对应的攻击图像进行识别,得到第一识别结果。
在操作S230,至少基于第一识别结果,调整人脸活体检测模型的模型参数,以得到经训练的人脸活体检测模型。
例如,多个训练图像包括人脸活体图像和N类攻击图像,N为大于或等于2的整数。以N=4为例,第一类攻击图像例如为通过第一种攻击方式得到的非人脸活体图像,第二类攻击图像例如为通过第二种攻击方式得到的非人脸活体图像,第三类攻击图像例如为通过第三种攻击方式得到的非人脸活体图像,第四类攻击图像例如为通过第四种攻击方式得到的非人脸活体图像。
多个训练图像例如包括M个训练图像,M例如为大于N的整数。M个训练图像中例如包括m0个人脸活体图像、m1个第一类攻击图像、m2个第二类攻击图像、m3个第三类攻击图像和m4个第四类攻击图像,其中,m0、m1、m2、m3、m4均为大于1的整数,M=m0+m1+m2+m3+m4。
示例性地,人脸活体检测模型例如包括N个子模型,N个子模型与N类攻击图像一一对应,例如人脸活体检测模型包括4个子模型。
示例性地,利用第一个子模型对m0个人脸活体图像中的至少部分和m1个第一类攻击图像进行识别,得到第一识别子结果。利用第二个子模型对m0个人脸活体图像中的至少部分和m2个第二类攻击图像进行识别,得到第二识别子结果。利用第三个子模型对m0个人脸活体图像中的至少部分和m3个第二类攻击图像进行识别,得到第三识别子结果。利用第四个子模型对m0个人脸活体图像中的至少部分和m4个第四类攻击图像进行识别,得到第四识别子结果。第一识别子结果、第二识别子结果、第三识别子结果、第四识别子结果均可以表示所识别的图像是否为人脸活体图像。
例如,本公开实施例的第一识别结果包括第一识别子结果、第二识别子结果、第三识别子结果、第四识别子结果。本公开的实施例可以至少基于第一识别结果调整人脸活体检测模型的模型参数,以得到经训练的人脸活体检测模型。
例如,每个训练图像均包括表征该训练图像是否为人脸活体图像的标签。在得到第一识别结果之后,至少可以基于第一识别结果和标签来调整人脸活体检测模型的模型参数,以得到经训练的人脸活体检测模型。通过调整模型参数,使得后续训练所得到的识别结果更接近对应的标签。
在基于第一识别结果调整模型参数时,在一种示例下,可以基于第一识别子结果调整第一个子模型的参数,基于第二识别子结果调整第二个子模型的参数,基于第三识别子结果调整第三个子模型的参数,基于第四识别子结果调整第四个子模型的参数。当然,在另一种示例下,如果各个子模型之间具有关联性,还可以基于第一识别结果对多个子模型的模型参数进行全局调整。
根据本公开的实施例,利用每个子模型针对每一种攻击方式进行单独训练,使得人脸活体检测模型能够快速准确地学习到每一种攻击方式特有的特征,从而提高了人脸活体检测模型的识别准确性。可以理解,通过不同的子模型提取不同攻击方式的特征,提高了人脸活体检测模型的识别准确性和泛化性,泛化性指人脸活体检测模型具有识别训练图像之外的未知图像的能力。
图3示意性示出了根据本公开一实施例的人脸活体检测模型的示意图。
如图3所示,本公开实施例的人脸活体检测模型320例如包括4个子模型,4个子模型分别为第一子模型321、第二子模型322、第三子模型323和第四子模型324。
示例性地,M个训练图像中例如包括mo个人脸活体图像315、m1个第一类攻击图像311、m2个第二类攻击图像312、m3个第三类攻击图像313和m4个第四类攻击图像314。在一示例中,为了保证人脸活体检测模型中各个子模型的训练均匀性,可以使得m0=m1=m2=m3=m4。
示例性地,将人脸活体图像315和第一类攻击图像311输入至第一个子模型321中进行训练,得到第一识别子结果331。将人脸活体图像315和第二类攻击图像312输入至第二个子模型322中进行训练,得到第二识别子结果332。将人脸活体图像315和第三类攻击图像313输入至第三个子模型323中进行训练,得到第三识别子结果333。将人脸活体图像315和第四类攻击图像314输入至第四个子模型324中进行训练,得到第四识别子结果334。第一识别子结果331、第二识别子结果332、第三识别子结果333、第四识别子结果334组成本公开实施例的第一识别结果330。
示例性地,每个子模型均包括特征提取网络和识别网络。针对每个子模型,利用该子模型的特征提取网络提取人脸活体图像的图像特征和与子模型对应的攻击图像的图像特征,然后,将人脸活体图像的图像特征和与子模型对应的攻击图像的图像特征输入对应子模型的识别网络中进行识别。为了便于理解,以第一子模型321为例,将人脸活体图像315和第一类攻击图像311输入至第一子模型321中的特征提取网络,特征提取网络提取每个图像的图像特征,然后将所提取的图像特征输入第一子模型321中的识别网络,以通过识别网络识别每个图像是否为人脸活体图像。
在本公开的实施例中,第一类攻击图像311包括针对显示于电子屏幕的人脸所采集的图像。第二类攻击图像312包括针对具有人脸的纸质照片所采集的图像。第三类攻击图像313包括针对具有人脸特征的平面面具所采集的图像。第四类攻击图像314包括针对立体人脸模型所采集的图像,立体人脸模型包括3D面具、3D头部模型、3D头套等。
图4示意性示出了根据本公开另一实施例的人脸活体检测模型的示意图。
如图4所示,本公开实施例的人脸活体检测模型420除了包括第一子模型421、第二子模型422、第三子模型423和第四子模型424之外,人脸活体检测模型420还可以包括总体识别网络425。
示例性地,每个子模型例如包括特征提取网络和识别网络。在人脸活体检测模型420针对每个训练图像进行训练时,利用每个子模型的特征提取网络提取训练图像的图像特征,得到与N=4个子模型对应的N个图像特征。然后,将N个图像特征进行拼接处理,得到总体图像特征,将总体图像特征输入总体识别网络425中进行识别。
以一个人脸活体图像415为例,利用4个子模型的特征提取网络分别提取该人脸活体图像415的图像特征,得到与4个子模型一一对应的图像特征a、图像特征b、图像特征c、图像特征d。将图像特征a输入至第一子模型421的识别网络中进行识别,将图像特征b输入至第二子模型422的识别网络中进行识别,将图像特征c输入至第三子模型423的识别网络中进行识别,将图像特征d输入至第四子模型424的识别网络中进行识别。多个子模型的输出为第一识别结果430。另外,还可以将图像特征a、图像特征b、图像特征c、图像特征d拼接后得到总体图像特征,将总体图像特征输入总体识别网络425中进行识别,以得到第二识别结果440。接下来,基于第一识别结果430和第二识别结果440,调整人脸活体检测模型420的模型参数,例如调整每个子模型的模型参数以及调整总体识别网络425的模型参数。
以一个第一类攻击图像411为例,利用4个子模型的特征提取网络分别提取该第一类攻击图像411的图像特征,得到与4个子模型一一对应的图像特征a、图像特征b、图像特征c、图像特征d。将图像特征a输入至第一子模型421的识别网络中进行识别,第一子模型421的输出为第一识别结果430。另外,还可以将图像特征a、图像特征b、图像特征c、图像特征d拼接后得到总体图像特征,将总体图像特征输入总体识别网络425中进行识别,以得到第二识别结果440。接下来,基于第一识别结果430和第二识别结果440,调整人脸活体检测模型420的模型参数,例如调整第一子模型421的模型参数以及调整总体识别网络425的模型参数。可以理解,人脸活体检测模型420利用第二类攻击图像412训练第二子模型422、利用第三类攻击图像413训练第三子模型423、利用第四类攻击图像414训练第四子模型424的过程与利用第一类攻击图像411训练第一子模型421的过程类似,在此不再赘述。
示例性地,图像特征a例如为一个64*4*4的特征图,图像特征b例如为一个64*4*4的特征图,图像特征c例如为一个64*4*4的特征图,图像特征d例如为一个64*4*4的特征图,进行拼接后得到的总体图像特征例如为一个256*4*4的特征图,将该256*4*4的特征图输入总体识别网络425中进行识别。
在一种示例中,人脸活体检测模型还可以包括一个处理模块,该处理模块可以用于对多个图像特征进行拼接。
在本公开的实施例中,利用每个子模型针对每一种攻击方式进行单独训练,使得人脸活体检测模型能够快速准确地学习到每一种攻击方式特有的特征,从而提高了人脸活体检测模型的识别准确性。还可以将每个子模型所提取的图像特征进行拼接后经过一个总体识别网络进行图像的整体识别,基于子模型的识别结果和总体识别网络的识别结果来调整模型的参数,使得模型具有单独识别每种攻击方式的能力和综合识别各种攻击方式的能力,由此提高了模型的识别准确性。
图5示意性示出了根据本公开另一实施例的人脸活体检测模型的示意图。
如图5所示,本公开实施例的人脸活体检测模型520除了包括第一子模型521、第二子模型522、第三子模型523、第四子模型524、总体识别网络525之外,还可以包括基础特征提取网络526。
示例性地,每个子模型的特征提取网络例如包括5个卷积层,每个子模型的识别网络例如包括1个全连接层和一个softmax层。总体识别网络526例如包括1个全连接层和一个softmax层。
示例性地,在将训练图像510输入子模型之前,可以利用基础特征提取网络526分别对每个训练图像510进行特征提取处理,得到处理后的训练图像,以便将处理后的训练图像输入子模型。基础特征提取网络526例如包括各种类型的卷积神经网络。在一种实施例中,基础特征提取网络526包括深度可分离卷积网络MobileNet V2。例如,MobileNet V2的最后一个卷积层与每个子模型连接,即MobileNet V2的最后一个卷积层的输出作为每个子模型的输入。MobileNet V2是一种轻量级网络,MobileNet V2具有在保证模型精度的同时,极大减小了计算量和内存消耗的优势。本公开的实施例首先利用MobileNet V2对训练图像510进行特征的初步提取处理,然后将处理后的训练图像(所提取的图像特征)输入子模型中进行进一步处理。可以理解,本公开实施例通过基础特征提取网络526对训练图像进行处理,提高了模型的训练速度,降低了模型训练的计算量和内存消耗。
在本公开的实施例中,例如可以通过获取初始图像510A,然后对初始图像510A进行预处理得到训练图像510,预处理的过程如下描述。
例如,利用人脸检测模型对初始图像510A进行人脸检测,检测到人脸的大致区域,然后提取初始图像510A中人脸所在的区域图像作为训练图像510。
或者,在确定人脸所在区域之后,可以通过人脸关键点检测模型来检测人脸关键点的坐标值。例如可以定义人脸包括72个关键点(x1,y1)……(x72,y72),当检测到72个关键点之后,基于关键点的坐标值对人脸图像进行人脸对齐得到训练图像510。例如,根据72个关键点的坐标值确定x和y的最小值和最大值xmin、xmax、ymin、ymax,基于xmin、xmax、ymin、ymax将人脸检测框扩大三倍得到较大区域,将较大区域进行仿射变换后截取人脸所在区域,并将所截取的人脸区域的尺寸调整为224*224,将尺寸为224*224的人脸区域作为训练图像510。其中,仿射变换用于对人脸图像进行姿态矫正,以进行人脸对齐。
或者,可以对初始图像510A(或人脸区域图像)中的每个像素的像素值进行归一化处理,将归一化处理后的图像作为训练图像510。归一化处理包括将每个像素的像素值减128再除以256,使的每个像素的像素值在区间[-0.5,0.5]之间。
或者,对初始图像510A(或归一化后的图像)进行随机数据增强处理,以增加图像的数量。以对一个初始图像510A进行随机增强处理为例,将该初始图像510A进行水平翻转得到另一个初始图像,并将该初始图像510A和另一个初始图像作为训练图像。
在本公开的实施例中,通过对初始图像进行预处理,提高了训练图像的图像质量,增加了训练图像的图像数量,基于高质量训练图像和数量较多的训练图像来训练模型,提高了模型训练的精度。
图6示意性示出了根据本公开一实施例的人脸活体检测方法的流程图。
如图6所示,本公开实施例的人脸活体检测方法600例如可以包括操作S610~操作S620。
在操作S610,获取待识别人脸图像。
在操作S620,利用人脸活体检测模型对待识别人脸图像进行识别,以确定待识别人脸图像是否为人脸活体图像。
示例性地,人脸活体检测模型是利用如上描述的方法来训练的。
根据本公开的实施例,利用人脸活体检测模型中的每个子模型针对每一种攻击方式进行单独训练,使得人脸活体检测模型能够快速准确地学习到每一种攻击方式特有的特征,将每个子模型所提取的图像特征进行拼接后经过一个总体识别网络进行图像的整体识别,基于子模型的识别结果和总体识别网络的识别结果来确定待识别人脸图是否为人脸活体图像,提高人脸活体识别的准确性。
图7示意性示出了根据本公开一实施例的人脸活体检测方法的示意图。
如图7所示,将待识别人脸图像710输入基础特征提取网络726中进行处理之后,将处理结果分别输入N(N例如等于4)个子模型中进行识别。例如,利用N个子模型中的特征提取网络分别对待识别人脸图像进行特征提取,得到与N个子模型对应的N个图像特征,然后利用N个子模型中的识别网络分别对N个图像特征进行识别,得到与N个子模型对应的N个第一概率,每个第一概率表征了对应子模型识别待识别人脸图像为人脸活体图像的概率。
例如,第一子模型721输出的识别结果为第一概率731,第一概率731表征了待识别人脸图像710为人脸活体图像的概率。第二子模型722输出的识别结果为第一概率732,第一概率732表征了待识别人脸图像710为人脸活体图像的概率。第三子模型723输出的识别结果为第一概率733,第一概率733表征了待识别人脸图像710为人脸活体图像的概率。第四子模型724输出的识别结果为第一概率734,第一概率734表征了待识别人脸图像710为人脸活体图像的概率。
另外,将N个子模型分别输出的N个图像特征进行拼接,得到总体图像特征,利用总体识别网络725对总体图像特征进行识别得到第二概率740,第二概率740例如表征了总体识别网络识别待识别人脸图像为人脸活体图像的概率。
接下来,确定第一概率731、第一概率732、第一概率733、第一概率734中的最大概率735,并确定最大概率735和第二概率740的平均值750。然后,将平均值750作为待识别人脸图像710为人脸活体图像的最终概率。
根据本公开的实施例,基于多个子模型来分别识别利用各种攻击方式生成的图像,并利用总体识别网络来对各种攻击方式生成的图像进行整体识别,然后结合多个子模型输出概率中的最大概率和总体识别网络输出的概率来最终确定待识别人脸图像为人脸活体图像的概率,提高了人脸活体识别的准确度。
图8示意性示出了根据本公开一实施例的人脸活体检测模型的训练装置的框图。
如图8所示,本公开实施例的人脸活体检测模型的训练装置800例如包括图像输入模块810、第一识别模块820以及参数调整模块830。
图像输入模块810可以用于将多个训练图像输入人脸活体检测模型中,其中,多个训练图像包括人脸活体图像和N类攻击图像,人脸活体检测模型包括N个子模型,N个子模型与N类攻击图像一一对应,N为大于或等于2的整数。根据本公开实施例,图像输入模块810例如可以执行上文参考图2描述的操作S210,在此不再赘述。
第一识别模块820可以用于针对N个子模型中的每个子模型,利用子模型对人脸活体图像和与子模型对应的攻击图像进行识别,得到第一识别结果。根据本公开实施例,第一识别模块820例如可以执行上文参考图2描述的操作S220,在此不再赘述。
参数调整模块830可以用于至少基于第一识别结果,调整人脸活体检测模型的模型参数,以得到经训练的人脸活体检测模型。根据本公开实施例,参数调整模块830例如可以执行上文参考图2描述的操作S230,在此不再赘述。
根据本公开的实施例,人脸活体检测模型还包括总体识别网络;N个子模型中的每个子模型包括特征提取网络;其中,装置800还可以包括,在至少基于第一识别结果,调整人脸活体检测模型的模型参数之前:特征提取模块,用于针对每个训练图像,利用每个子模型的特征提取网络提取训练图像的图像特征,得到与N个子模型对应的N个图像特征;拼接模块,用于将N个图像特征进行拼接处理,得到总体图像特征;特征输入模块,用于将总体图像特征输入总体识别网络中进行识别,得到第二识别结果。其中,参数调整模块830还用于:基于第一识别结果和第二识别结果,调整人脸活体检测模型的模型参数。
根据本公开的实施例,N个子模型中的每个子模型包括特征提取网络和识别网络;其中,第一识别模块820包括:第一特征提取子模块和特征输入子模块。第一特征提取子模块,用于针对N个子模型中的每个子模型,利用子模型的特征提取网络提取人脸活体图像的图像特征和与子模型对应的攻击图像的图像特征。特征输入子模块,用于将人脸活体图像的图像特征和与子模型对应的攻击图像的图像特征,输入子模型的识别网络中进行识别。
根据本公开的实施例,人脸活体检测模型还包括基础特征提取网络;其中,装置800还可以包括,在利用子模型对人脸活体图像和与子模型对应的攻击图像进行识别之前:图像处理模块,用于利用基础特征提取网络分别对人脸活体图像和与子模型对应的攻击图像进行特征提取处理,得到处理后的人脸活体图像和处理后的攻击图像,以便将处理后的人脸活体图像和处理后的攻击图像输入子模型,其中,基础特征提取网络包括深度可分离卷积网络MobileNet V2。
根据本公开的实施例,每个子模型的特征提取网络包括5个卷积层,每个子模型的识别网络包括1个全连接层和一个softmax层。
根据本公开的实施例,总体识别网络包括1个全连接层和一个softmax层。
根据本公开的实施例,N类攻击图像包括以下至少两个:针对显示于电子屏幕的人脸所采集的图像;针对具有人脸的纸质照片所采集的图像;针对具有人脸特征的平面面具所采集的图像;针对立体人脸模型所采集的图像。
根据本公开的实施例,装置800还可以包括训练图像获取模块,用于获取多个训练图像;其中,训练图像获取模块包括以下至少一项:提取子模块,欧诺个也获取初始图像,并提取初始图像中人脸所在的区域图像作为训练图像;对齐操作子模块,用于获取初始图像,并对初始图像中的人脸进行人脸对齐操作,得到训练图像;归一化处理子模块,用于获取初始图像,并对初始图像中每个像素的像素值进行归一化处理;增强处理子模块,用于获取初始图像,对初始图像进行随机数据增强处理,并将初始图像和处理后的初始图像作为训练图像。
图9示意性示出了根据本公开一实施例的人脸活体检测装置的框图。
如图9所示,本公开实施例的人脸活体检测装置900例如包括图像获取模块910和第二识别模块920。
图像获取模块910可以用于获取待识别人脸图像。根据本公开实施例,图像获取模块910例如可以执行上文参考图6描述的操作S610,在此不再赘述。
第二识别模块920可以用于利用人脸活体检测模型对待识别人脸图像进行识别,以确定待识别人脸图像是否为人脸活体图像。根据本公开实施例,第二识别模块920例如可以执行上文参考图6描述的操作S620,在此不再赘述。
根据本公开的实施例,第二识别模块920包括:第二特征提取子模块、第一识别子模块、拼接子模块、第二识别子模块和确定子模块。第二特征提取子模块,用于利用N个子模型中的特征提取网络分别对待识别人脸图像进行特征提取,得到与N个子模型对应的N个图像特征;第一识别子模块,用于利用N个子模型中的识别网络分别对N个图像特征进行识别,得到与N个子模型对应的N个第一概率,每个第一概率表征了对应子模型识别待识别人脸图像为人脸活体图像的概率;拼接子模块,用于将N个图像特征进行拼接,得到总体图像特征;第二识别子模块,用于利用总体识别网络对总体图像特征进行识别得到第二概率,第二概率表征了总体识别网络识别待识别人脸图像为人脸活体图像的概率;确定子模块,用于基于N个第一概率和第二概率,确定待识别人脸图像是否为人脸活体图像。
根据本公开的实施例,确定子模块包括:第一确定单元和第二确定单元。第一确定单元,用于确定N个第一概率中的最大概率;第二确定单元,用于基于最大概率和第二概率的平均值,确定待识别人脸图像是否为人脸活体图像。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10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的电子设备的框图。
图10示出了可以用来实施本公开实施例的示例电子设备1000的示意性框图。电子设备1000旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如人脸活体检测模型的训练方法。例如,在一些实施例中,人脸活体检测模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的人脸活体检测模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行人脸活体检测模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
该电子设备可以用于执行人脸活体检测方法。该电子设备例如可以包括计算单元、ROM、RAM、I/O接口、输入单元、输出单元、存储单元和通信单元。其中,该电子设备中的计算单元、ROM、RAM、I/O接口、输入单元、输出单元、存储单元和通信单元例如具有与图10中所示的电子设备的计算单元、ROM、RAM、I/O接口、输入单元、输出单元、存储单元和通信单元相同或类似的功能,在此不再赘述。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (25)
1.一种人脸活体检测模型的训练方法,包括:
将多个训练图像输入人脸活体检测模型中,其中,所述多个训练图像包括人脸活体图像和N类攻击图像,所述人脸活体检测模型包括N个子模型,所述N个子模型与所述N类攻击图像一一对应,N为大于或等于2的整数;
针对所述N个子模型中的每个子模型,利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别,得到第一识别结果;以及
至少基于所述第一识别结果,调整所述人脸活体检测模型的模型参数,以得到经训练的人脸活体检测模型。
2.根据权利要求1所述的方法,其中,所述人脸活体检测模型还包括总体识别网络;所述N个子模型中的每个子模型包括特征提取网络;
其中,所述方法还包括,在至少基于所述第一识别结果,调整所述人脸活体检测模型的模型参数之前:
针对每个训练图像,利用每个子模型的特征提取网络提取训练图像的图像特征,得到与所述N个子模型对应的N个图像特征;
将所述N个图像特征进行拼接处理,得到总体图像特征;
将所述总体图像特征输入所述总体识别网络中进行识别,得到第二识别结果;
其中,所述至少基于所述第一识别结果,调整所述人脸活体检测模型的模型参数包括:
基于所述第一识别结果和第二识别结果,调整所述人脸活体检测模型的模型参数。
3.根据权利要求1所述的方法,其中,所述N个子模型中的每个子模型包括特征提取网络和识别网络;
其中,所述针对所述N个子模型中的每个子模型,利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别包括:
针对所述N个子模型中的每个子模型,利用所述子模型的特征提取网络提取所述人脸活体图像的图像特征和与所述子模型对应的攻击图像的图像特征;以及
将所述人脸活体图像的图像特征和与所述子模型对应的攻击图像的图像特征,输入所述子模型的识别网络中进行识别。
4.根据权利要求1所述的方法,其中,所述人脸活体检测模型还包括基础特征提取网络;
其中,所述方法还包括,在利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别之前:
利用所述基础特征提取网络分别对所述人脸活体图像和与所述子模型对应的攻击图像进行特征提取处理,得到处理后的人脸活体图像和处理后的攻击图像,以便将处理后的人脸活体图像和处理后的攻击图像输入所述子模型,
其中,所述基础特征提取网络包括深度可分离卷积网络MobileNet V2。
5.根据权利要求3所述的方法,其中,每个子模型的特征提取网络包括5个卷积层,每个子模型的识别网络包括1个全连接层和一个softmax层。
6.根据权利要求2所述的方法,其中,所述总体识别网络包括1个全连接层和一个softmax层。
7.根据权利要求1-6中任意一项所述的方法,其中,所述N类攻击图像包括以下至少两个:
针对显示于电子屏幕的人脸所采集的图像;
针对具有人脸的纸质照片所采集的图像;
针对具有人脸特征的平面面具所采集的图像;
针对立体人脸模型所采集的图像。
8.根据权利要求1-7中任意一项所述的方法,还包括获取所述多个训练图像;
其中,所述获取所述多个训练图像包括以下至少一项:
获取初始图像,并提取所述初始图像中人脸所在的区域图像作为训练图像;
获取初始图像,并对所述初始图像中的人脸进行人脸对齐操作,得到训练图像;
获取初始图像,并对所述初始图像中每个像素的像素值进行归一化处理;以及
获取初始图像,对所述初始图像进行随机数据增强处理,并将所述初始图像和处理后的初始图像作为训练图像。
9.一种人脸活体检测方法,包括:
获取待识别人脸图像;
利用人脸活体检测模型对所述待识别人脸图像进行识别,以确定所述待识别人脸图像是否为人脸活体图像,
其中,所述人脸活体检测模型是使用根据权利要求1-8中任一项权利要求所述的方法来训练的。
10.根据权利要求9所述的方法,其中,所述利用人脸活体检测模型对所述待识别人脸图像进行识别,以确定所述待识别人脸图像是否为人脸活体图像包括:
利用所述N个子模型中的特征提取网络分别对所述待识别人脸图像进行特征提取,得到与N个子模型对应的N个图像特征;
利用所述N个子模型中的识别网络分别对所述N个图像特征进行识别,得到与N个子模型对应的N个第一概率,每个第一概率表征了对应子模型识别所述待识别人脸图像为人脸活体图像的概率;
将所述N个图像特征进行拼接,得到总体图像特征;
利用所述总体识别网络对所述总体图像特征进行识别得到第二概率,所述第二概率表征了总体识别网络识别所述待识别人脸图像为人脸活体图像的概率;以及
基于所述N个第一概率和所述第二概率,确定所述待识别人脸图像是否为人脸活体图像。
11.根据权利要求10所述的方法,其中,所述基于所述N个第一概率和所述第二概率,确定所述待识别人脸图像是否为人脸活体图像包括:
确定所述N个第一概率中的最大概率;以及
基于所述最大概率和所述第二概率的平均值,确定所述待识别人脸图像是否为人脸活体图像。
12.一种人脸活体检测模型的训练装置,包括:
图像输入模块,用于将多个训练图像输入人脸活体检测模型中,其中,所述多个训练图像包括人脸活体图像和N类攻击图像,所述人脸活体检测模型包括N个子模型,所述N个子模型与所述N类攻击图像一一对应,N为大于或等于2的整数;
第一识别模块,用于针对所述N个子模型中的每个子模型,利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别,得到第一识别结果;以及
参数调整模块,用于至少基于所述第一识别结果,调整所述人脸活体检测模型的模型参数,以得到经训练的人脸活体检测模型。
13.根据权利要求12所述的装置,其中,所述人脸活体检测模型还包括总体识别网络;所述N个子模型中的每个子模型包括特征提取网络;
其中,所述装置还包括,在至少基于所述第一识别结果,调整所述人脸活体检测模型的模型参数之前:
特征提取模块,用于针对每个训练图像,利用每个子模型的特征提取网络提取训练图像的图像特征,得到与所述N个子模型对应的N个图像特征;
拼接模块,用于将所述N个图像特征进行拼接处理,得到总体图像特征;
特征输入模块,用于将所述总体图像特征输入所述总体识别网络中进行识别,得到第二识别结果;
其中,所述参数调整模块还用于:
基于所述第一识别结果和第二识别结果,调整所述人脸活体检测模型的模型参数。
14.根据权利要求12所述的装置,其中,所述N个子模型中的每个子模型包括特征提取网络和识别网络;
其中,所述第一识别模块包括:
第一特征提取子模块,用于针对所述N个子模型中的每个子模型,利用所述子模型的特征提取网络提取所述人脸活体图像的图像特征和与所述子模型对应的攻击图像的图像特征;以及
特征输入子模块,用于将所述人脸活体图像的图像特征和与所述子模型对应的攻击图像的图像特征,输入所述子模型的识别网络中进行识别。
15.根据权利要求12所述的装置,其中,所述人脸活体检测模型还包括基础特征提取网络;
其中,所述装置还包括,在利用所述子模型对所述人脸活体图像和与所述子模型对应的攻击图像进行识别之前:
图像处理模块,用于利用所述基础特征提取网络分别对所述人脸活体图像和与所述子模型对应的攻击图像进行特征提取处理,得到处理后的人脸活体图像和处理后的攻击图像,以便将处理后的人脸活体图像和处理后的攻击图像输入所述子模型,
其中,所述基础特征提取网络包括深度可分离卷积网络MobileNet V2。
16.根据权利要求14所述的装置,其中,每个子模型的特征提取网络包括5个卷积层,每个子模型的识别网络包括1个全连接层和一个softmax层。
17.根据权利要求13所述的装置,其中,所述总体识别网络包括1个全连接层和一个softmax层。
18.根据权利要求12-17中任意一项所述的装置,其中,所述N类攻击图像包括以下至少两个:
针对显示于电子屏幕的人脸所采集的图像;
针对具有人脸的纸质照片所采集的图像;
针对具有人脸特征的平面面具所采集的图像;
针对立体人脸模型所采集的图像。
19.根据权利要求12-18中任意一项所述的装置,还包括训练图像获取模块,用于获取所述多个训练图像;
其中,所述训练图像获取模块包括以下至少一项:
提取子模块,欧诺个也获取初始图像,并提取所述初始图像中人脸所在的区域图像作为训练图像;
对齐操作子模块,用于获取初始图像,并对所述初始图像中的人脸进行人脸对齐操作,得到训练图像;
归一化处理子模块,用于获取初始图像,并对所述初始图像中每个像素的像素值进行归一化处理;以及
增强处理子模块,用于获取初始图像,对所述初始图像进行随机数据增强处理,并将所述初始图像和处理后的初始图像作为训练图像。
20.一种人脸活体检测装置,包括:
图像获取模块,用于获取待识别人脸图像;
第二识别模块,用于利用人脸活体检测模型对所述待识别人脸图像进行识别,以确定所述待识别人脸图像是否为人脸活体图像,
其中,所述人脸活体检测模型是使用根据权利要求1-8中任一项权利要求所述的方法来训练的。
21.根据权利要求20所述的装置,其中,所述第二识别模块包括:
第二特征提取子模块,用于利用所述N个子模型中的特征提取网络分别对所述待识别人脸图像进行特征提取,得到与N个子模型对应的N个图像特征;
第一识别子模块,用于利用所述N个子模型中的识别网络分别对所述N个图像特征进行识别,得到与N个子模型对应的N个第一概率,每个第一概率表征了对应子模型识别所述待识别人脸图像为人脸活体图像的概率;
拼接子模块,用于将所述N个图像特征进行拼接,得到总体图像特征;
第二识别子模块,用于利用所述总体识别网络对所述总体图像特征进行识别得到第二概率,所述第二概率表征了总体识别网络识别所述待识别人脸图像为人脸活体图像的概率;以及
确定子模块,用于基于所述N个第一概率和所述第二概率,确定所述待识别人脸图像是否为人脸活体图像。
22.根据权利要求21所述的装置,其中,所述确定子模块包括:
第一确定单元,用于确定所述N个第一概率中的最大概率;以及
第二确定单元,用于基于所述最大概率和所述第二概率的平均值,确定所述待识别人脸图像是否为人脸活体图像。
23.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-11中任一项所述的方法。
25.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110606276.4A CN113343826B (zh) | 2021-05-31 | 2021-05-31 | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110606276.4A CN113343826B (zh) | 2021-05-31 | 2021-05-31 | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343826A true CN113343826A (zh) | 2021-09-03 |
CN113343826B CN113343826B (zh) | 2024-02-13 |
Family
ID=77473657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110606276.4A Active CN113343826B (zh) | 2021-05-31 | 2021-05-31 | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343826B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869253A (zh) * | 2021-09-29 | 2021-12-31 | 北京百度网讯科技有限公司 | 活体检测方法、训练方法、装置、电子设备及介质 |
CN114049518A (zh) * | 2021-11-10 | 2022-02-15 | 北京百度网讯科技有限公司 | 图像分类方法、装置、电子设备和存储介质 |
CN114093006A (zh) * | 2021-11-26 | 2022-02-25 | 北京百度网讯科技有限公司 | 活体人脸检测模型的训练方法、装置、设备以及存储介质 |
CN114120420A (zh) * | 2021-12-01 | 2022-03-01 | 北京百度网讯科技有限公司 | 图像检测方法和装置 |
CN114140851A (zh) * | 2021-12-01 | 2022-03-04 | 北京百度网讯科技有限公司 | 图像检测方法和用于训练图像检测模型的方法 |
CN114445667A (zh) * | 2022-01-28 | 2022-05-06 | 北京百度网讯科技有限公司 | 图像检测方法和用于训练图像检测模型的方法 |
CN114495234A (zh) * | 2022-01-28 | 2022-05-13 | 北京百度网讯科技有限公司 | 图像处理方法和装置 |
CN114648814A (zh) * | 2022-02-25 | 2022-06-21 | 北京百度网讯科技有限公司 | 人脸活体检测方法及模型的训练方法、装置、设备及介质 |
CN115118514A (zh) * | 2022-07-11 | 2022-09-27 | 深信服科技股份有限公司 | 一种数据检测方法、装置、设备及介质 |
CN115205939A (zh) * | 2022-07-14 | 2022-10-18 | 北京百度网讯科技有限公司 | 人脸活体检测模型训练方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840467A (zh) * | 2018-12-13 | 2019-06-04 | 北京飞搜科技有限公司 | 一种活体检测方法及系统 |
CN110443192A (zh) * | 2019-08-01 | 2019-11-12 | 中国科学院重庆绿色智能技术研究院 | 一种基于双目图像的非交互式人脸活体检测方法及系统 |
CN110472519A (zh) * | 2019-07-24 | 2019-11-19 | 杭州晟元数据安全技术股份有限公司 | 一种基于多模型的人脸活体检测方法 |
CN110765924A (zh) * | 2019-10-18 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种活体检测方法、装置以及计算机可读存储介质 |
CN110991249A (zh) * | 2019-11-04 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 人脸检测方法、装置、电子设备及介质 |
CN112257561A (zh) * | 2020-10-20 | 2021-01-22 | 广州云从凯风科技有限公司 | 一种人脸活体检测方法、装置、机器可读介质及设备 |
WO2021068322A1 (zh) * | 2019-10-10 | 2021-04-15 | 平安科技(深圳)有限公司 | 活体检测模型的训练方法、装置、计算机设备和存储介质 |
-
2021
- 2021-05-31 CN CN202110606276.4A patent/CN113343826B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840467A (zh) * | 2018-12-13 | 2019-06-04 | 北京飞搜科技有限公司 | 一种活体检测方法及系统 |
CN110472519A (zh) * | 2019-07-24 | 2019-11-19 | 杭州晟元数据安全技术股份有限公司 | 一种基于多模型的人脸活体检测方法 |
CN110443192A (zh) * | 2019-08-01 | 2019-11-12 | 中国科学院重庆绿色智能技术研究院 | 一种基于双目图像的非交互式人脸活体检测方法及系统 |
WO2021068322A1 (zh) * | 2019-10-10 | 2021-04-15 | 平安科技(深圳)有限公司 | 活体检测模型的训练方法、装置、计算机设备和存储介质 |
CN110765924A (zh) * | 2019-10-18 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种活体检测方法、装置以及计算机可读存储介质 |
CN110991249A (zh) * | 2019-11-04 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 人脸检测方法、装置、电子设备及介质 |
CN112257561A (zh) * | 2020-10-20 | 2021-01-22 | 广州云从凯风科技有限公司 | 一种人脸活体检测方法、装置、机器可读介质及设备 |
Non-Patent Citations (2)
Title |
---|
曾成;魏京欢;: "基于多任务CNN的人脸活体多属性检测", 科学技术与工程, no. 32 * |
王春江;张猛;张建飞;: "基于网络摄像头的活体人脸识别系统设计", 电子科技, no. 06 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869253A (zh) * | 2021-09-29 | 2021-12-31 | 北京百度网讯科技有限公司 | 活体检测方法、训练方法、装置、电子设备及介质 |
CN114049518A (zh) * | 2021-11-10 | 2022-02-15 | 北京百度网讯科技有限公司 | 图像分类方法、装置、电子设备和存储介质 |
CN114093006A (zh) * | 2021-11-26 | 2022-02-25 | 北京百度网讯科技有限公司 | 活体人脸检测模型的训练方法、装置、设备以及存储介质 |
CN114120420A (zh) * | 2021-12-01 | 2022-03-01 | 北京百度网讯科技有限公司 | 图像检测方法和装置 |
CN114140851A (zh) * | 2021-12-01 | 2022-03-04 | 北京百度网讯科技有限公司 | 图像检测方法和用于训练图像检测模型的方法 |
CN114140851B (zh) * | 2021-12-01 | 2023-08-11 | 北京百度网讯科技有限公司 | 图像检测方法和用于训练图像检测模型的方法 |
CN114120420B (zh) * | 2021-12-01 | 2024-02-13 | 北京百度网讯科技有限公司 | 图像检测方法和装置 |
CN114445667A (zh) * | 2022-01-28 | 2022-05-06 | 北京百度网讯科技有限公司 | 图像检测方法和用于训练图像检测模型的方法 |
CN114495234A (zh) * | 2022-01-28 | 2022-05-13 | 北京百度网讯科技有限公司 | 图像处理方法和装置 |
CN114648814A (zh) * | 2022-02-25 | 2022-06-21 | 北京百度网讯科技有限公司 | 人脸活体检测方法及模型的训练方法、装置、设备及介质 |
CN115118514A (zh) * | 2022-07-11 | 2022-09-27 | 深信服科技股份有限公司 | 一种数据检测方法、装置、设备及介质 |
CN115205939A (zh) * | 2022-07-14 | 2022-10-18 | 北京百度网讯科技有限公司 | 人脸活体检测模型训练方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113343826B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343826A (zh) | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 | |
CN113221771B (zh) | 活体人脸识别方法、装置、设备、存储介质及程序产品 | |
US20220262163A1 (en) | Method of face anti-spoofing, device, and storage medium | |
CN113177449B (zh) | 人脸识别的方法、装置、计算机设备及存储介质 | |
CN113435408A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN114723888B (zh) | 三维发丝模型生成方法、装置、设备、存储介质及产品 | |
CN112967315B (zh) | 一种目标跟踪方法、装置及电子设备 | |
CN114120413A (zh) | 模型训练方法、图像合成方法、装置、设备及程序产品 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN113569707A (zh) | 活体检测方法、装置、电子设备以及存储介质 | |
CN113255511A (zh) | 用于活体识别的方法、装置、设备以及存储介质 | |
CN113177466A (zh) | 基于人脸图像的身份识别方法、装置、电子设备及介质 | |
CN113269719A (zh) | 模型训练、图像处理方法,装置,设备以及存储介质 | |
CN116994319A (zh) | 训练模型的方法和人脸识别方法、设备、介质 | |
CN115116111B (zh) | 抗扰动人脸活体检测模型训练方法、装置及电子设备 | |
CN116524475A (zh) | 生成推荐妆容的方法及装置、车辆、电子设备和存储介质 | |
CN113642428B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN113553905B (zh) | 图像识别方法、装置及系统 | |
CN116052288A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
CN113139483B (zh) | 人体行为识别方法、装置、设备、存储介质以及程序产品 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
CN114038045A (zh) | 一种跨模态人脸识别模型构建方法、装置及电子设备 | |
CN115205939B (zh) | 人脸活体检测模型训练方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |