CN114758370A - 训练数据增广方法、系统、设备及存储介质 - Google Patents
训练数据增广方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114758370A CN114758370A CN202011583813.XA CN202011583813A CN114758370A CN 114758370 A CN114758370 A CN 114758370A CN 202011583813 A CN202011583813 A CN 202011583813A CN 114758370 A CN114758370 A CN 114758370A
- Authority
- CN
- China
- Prior art keywords
- face frame
- depth
- data
- random
- generate
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013434 data augmentation Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 238000001727 in vivo Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 10
- 230000003190 augmentative effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000003416 augmentation Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种训练数据增广方法、系统、设备及存储介质,包括如下步骤:读取深度数据和对应的RGB图像;对所述RGB图像进行人脸检测生成基准人脸框,根据所述基准人脸框构建随机人脸框;根据所述随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集。本发明中根据对RGB图像进行人脸检测生成基准人脸框生成多个随机人脸框,进而根据随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集,采用该负样本训练集训练3D活体检测模型,能够降低人脸虚检给3D活体检测模型所带来的不稳定性。
Description
技术领域
本发明涉及人脸检测,具体地,涉及一种训练数据增广方法、系统、设备及存储介质。
背景技术
人脸检测方法大致可以分为两类:基于2D人脸图像的人脸检测和基于3D人脸图像的人脸检测。其中2D人脸检测是通过2D摄像头平面成像,无法接收物理世界中的第三位信息(尺寸和距离等几何数据),即使算法及软件再先进,在有限的信息接收状态下,安全级别终究不够高,通过照片、视频、化妆、人皮面具等方式可以很容易进行破解,无法满足智能手机安全级别的需求。
3D人脸检测则是通过3D摄像头立体成像,能够检测视野内空间每个点位的三维坐标信息,从而使得计算机得到空间的3D数据并能够复原完整的三维世界,并实现各种智能的三维定位。简单的说就是机器获取的信息多了,分析判断的准确性有了极大的提升,人脸检测功能可以分辨出平面图像、视频、化妆、皮面具以及双胞胎等状态,适合金融领域和智能手机等安全级别要求高的应用场景。
由于人脸检测,人脸对齐等技术在RGB图像上的发展日趋成熟,所以3D活体算法的设计过程中通常会借助RGB来进行人脸检测和人脸对齐,然后对齐到深度图上获取人脸,再进行3D人脸活体识别。
由于3D活体算法使用场景的复杂性,在3D活体算法的使用过程中,会出现大量人脸区域的虚检情况,如图1所示。由于人脸区域的虚检,导致进入到3D活体判定算法的区域可能非目标区域外的其他区域,如背景、头部区域、脸部的部分区域等,如图2所示,会给人脸活体判定算法的使用带来不可预知的后果。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种训练数据增广方法、系统、设备及存储介质。
根据本发明提供的训练数据增广方法,包括如下步骤:
步骤S1:读取深度数据和对应的RGB图像;
步骤S2:对所述RGB图像进行人脸检测生成基准人脸框,根据所述基准人脸框构建随机人脸框;
步骤S3:根据所述随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集。
优选地,所述步骤S2包括如下步骤:
步骤S201:对所述RGB图像进行人脸检测生成基准人脸框,所述基准人脸框表示为g=(x1,y1,W,H),(x1,y1)为所述基准人脸框的一角点坐标,W为基准人脸框的宽度,H为基准人脸框的高度;
步骤S202:取所述基准人脸框的宽度和高度中较小值为生成随机人脸框的最大尺寸S;
步骤S203:在[0,W-S)的范围内随机获取一值nx,在[0,H-S)的范围内随机获取一值ny,在所述RGB图像内生成的一组目标人脸框c=(nx,ny,S,S),其中,(nx,ny)为所述目标人脸框的一角点坐标,S为目标人脸框的宽度和高度;
步骤S204:判断所述目标人脸框与所述基准人脸框之间的交并比是否小于预设置的交并比阈值,且当所述目标人脸框与所述基准人脸框之间的交并比小于预设置的交并比阈值时确定所述目标人脸框为随机人脸框。
优选地,所述步骤S3包括如下步骤:
步骤S301:根据所述随机人脸框对所述深度数据对应的深度区域进行截取生成2D深度数据;
步骤S302:获取预设置的关键点信息;
步骤S303:将关键点信息对应到所述2D深度数据中,并进而归一化处理生成所述负样本训练集。
优选地,还包括如下步骤:
-步骤S4:根据所述负样本训练集对3D活体检测模型进行训练生成目标3D活体检测模型。
优选地,所述步骤S4包括如下步骤:
步骤S401:对所述RGB图像进行关键点检测,在所述基准人脸框内确定的多个人脸关键点;
步骤S402:将所述RGB图像中的人脸关键点映射到归一化处理至预设定的尺寸的深度数据中生成正样本训练集;
步骤S403:根据所述负样本训练集和所述正样本训练集对3D活体检测模型进行训练生成目标3D活体检测模型。
优选地,所述步骤S204包括如下步骤:
步骤S2041:获取一目标人脸框;
步骤S2042:获取预设置的交并比阈值,判断所述目标人脸框与所述基准人脸框之间的交并比是否小于预设置的交并比阈值,当所述目标人脸框与所述基准人脸框之间的交并比小于等于预设置的交并比阈值时触发步骤S2043,当所述目标人脸框与所述基准人脸框之间的交并比大于预设置的交并比阈值时则触发步骤S2041;
步骤S2043:确定所述目标人脸框为随机人脸框。
优选地,所述步骤S301包括如下步骤:
步骤S3011:根据一所述随机人脸框确定所述深度数据对应的深度区域数据;
步骤S3012:判断所述深度区域数据中在深度方向上是否存在零值数据,当存在所述零值数据且所述零值数据的数量与深度区域数据总数据的比值大于预设置的比例阈值时,则丢弃所述随机人脸框并返回步骤S3011,否则触发步骤S3013;
步骤S3013:根据该随机人脸框对所述深度数据对应的深度区域进行截取生成2D深度数据。
根据本发明提供的训练数据增广系统,包括如下模块:
数据读取模块,用于读取深度数据和对应的RGB图像;
随机人脸框生成模块,用于对所述RGB图像进行人脸检测生成基准人脸框,根据所述基准人脸框构建随机人脸框;
训练集生成模块,用于根据所述随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集。
根据本发明提供的训练数据增广设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行所述训练数据增广方法的步骤。
根据本发明提供的计算机可读存储介质,用于存储程序,所述程序被执行时实现所述训练数据增广方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
本发明中根据对RGB图像进行人脸检测生成基准人脸框生成多个随机人脸框,进而根据随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集,采用该负样本训练集训练3D活体检测模型,能够降低人脸虚检给3D活体检测模型所带来的不稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为现有技术中人脸检测时人脸区域虚检的示意图;
图2为现有技术中人脸区域虚检对3D活体检测模型训练影响的示意图;
图3为本发明实施例中训练数据增广方法的步骤流程图;
图4为本发明实施例中根据所述基准人脸框构建随机人脸框的步骤流程图
图5为本发明实施例中生成负样本训练集的步骤流程图;
图6为本发明变形例中训练数据增广方法的步骤流程图;
图7为本发明实施例中生成目标3D活体检测模型的步骤流程图;
图8为本发明实施例中确定随机人脸框的步骤流程图;
图9为本发明实施例中生成2D深度数据的步骤流程图;
图10为本发明实施例中深度图像中随机人脸框的示意图;
图11为本发明实施例中离线增广方法的步骤流程图;
图12为本发明实施例中在线增广方法的步骤流程图;
图13为本发明实施例中训练数据增广系统的模块示意图;
图14为本发明实施例中训练数据增广设备的结构示意图;以及
图15为本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供的训练数据增广方法,旨在解决现有技术中存在的问题。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图3为本发明实施例中训练数据增广方法的步骤流程图,如图3所示,本发明提供的训练数据增广方法,包括如下步骤:
步骤S1:读取深度数据和对应的RGB图像;
在本发明实施例中,所述深度数据与所述RGB图像像素级对齐。
步骤S2:对所述RGB图像进行人脸检测生成基准人脸框,根据所述基准人脸框构建随机人脸框;
图4为本发明实施例中根据所述基准人脸框构建随机人脸框的步骤流程图,如图4所示,所述步骤S2包括如下步骤:
步骤S201:对所述RGB图像进行人脸检测生成基准人脸框,所述基准人脸框表示为g=(x1,y1,W,H),(x1,y1)为所述基准人脸框的一角点坐标,W为基准人脸框的宽度,H为基准人脸框的高度;
在本发明实施例中,所述(x1,y1)为所述基准人脸框的上角点坐标。
步骤S202:取所述基准人脸框的宽度和高度中较小值为生成随机人脸框的最大尺寸S;
步骤S203:在[0,W-S)的范围内随机获取一值nx,在[0,H-S)的范围内随机获取一值ny,在所述RGB图像内生成的一组目标人脸框c=(nx,ny,S,S),其中,(nx,ny)为所述目标人脸框的一角点坐标,S为目标人脸框的宽度和高度;
步骤S204:判断所述目标人脸框与所述基准人脸框之间的交并比是否小于预设置的交并比阈值,且当所述目标人脸框与所述基准人脸框之间的交并比小于预设置的交并比阈值时确定所述目标人脸框为随机人脸框。
在本发明实施例中,所述交并比(Intersection over Union,IoU)为:(W1∩W2)/(W1+W2-W1∩W2),W1可以为目标人脸框,W2可以为基准人脸框。在本发明实施例中,所述预设置的交并比阈值为0.2至0.4之间的任意数值,优选为0.3。
在本发明实施例中,基于标准人脸框生成10个左右的随机人脸框。
步骤S3:根据所述随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集。
图5为本发明实施例中生成负样本训练集的步骤流程图,如图5所示,所述步骤S3包括如下步骤:
步骤S301:根据所述随机人脸框对所述深度数据对应的深度区域进行截取生成2D深度数据;
步骤S302:获取预设置的关键点信息;
步骤S303:将关键点信息对应到所述2D深度数据中,并进而归一化处理生成所述负样本训练集。
在本发明实施例中,所述归一化后的统一尺寸为宽180个像素,高220个像素。预设置的关键点信息可以根据人脸特点进行设置,如取四个位置(70.5,116.5)、(109.5,116.5)、(90.5,137.5)、(90,159)分别作为左眼,右眼,鼻子,嘴巴的位置,进行预设置关键点。
图6为本发明变形例中训练数据增广方法的步骤流程图,如图6所示,本发明提供的训练数据增广方法,还包括如下步骤:
-步骤S4:根据所述负样本训练集对3D活体检测模型进行训练生成目标3D活体检测模型。
在本发明实施例中,所述目标3D活体检测模型采用神经网络模型训练生成。
图7为本发明实施例中生成目标3D活体检测模型的步骤流程图,如图7所示,所述步骤S4包括如下步骤:
步骤S401:对所述RGB图像进行关键点检测,在所述基准人脸框内确定的多个人脸关键点;
步骤S402:将所述RGB图像中的人脸关键点映射到归一化处理至预设定的尺寸的深度数据中生成正样本训练集;
步骤S403:根据所述负样本训练集和所述正样本训练集对3D活体检测模型进行训练生成目标3D活体检测模型。
图8为本发明实施例中确定随机人脸框的步骤流程图,如图8所示,所述步骤S204包括如下步骤:
步骤S2041:获取一目标人脸框;
步骤S2042:获取预设置的交并比阈值,判断所述目标人脸框与所述基准人脸框之间的交并比是否小于预设置的交并比阈值,当所述目标人脸框与所述基准人脸框之间的交并比小于等于预设置的交并比阈值时触发步骤S2043,当所述目标人脸框与所述基准人脸框之间的交并比大于预设置的交并比阈值时则触发步骤S2041;
步骤S2043:确定所述目标人脸框为随机人脸框。
图10为本发明实施例中深度图像中随机人脸框的示意图,如图10所示,可以看到根据基准人脸框生成的随机人脸框。
图9为本发明实施例中生成2D深度数据的步骤流程图,如图9所示,所述步骤S301包括如下步骤:
步骤S3011:根据一所述随机人脸框确定所述深度数据对应的深度区域数据;
步骤S3012:判断所述深度区域数据中在深度方向上是否存在零值数据,当存在所述零值数据且所述零值数据的数量与深度区域数据总数据的比值大于预设置的比例阈值时,则丢弃所述随机人脸框并返回步骤S3011,否则触发步骤S3013;
步骤S3013:根据该随机人脸框对所述深度数据对应的深度区域进行截取生成2D深度数据。
在本发明实施例中,所述预设置的比例阈值为20%至40%,优选为30%。
图11为本发明实施例中离线增广方法的步骤流程图,如图11所示,如图11所示,在离线增广的过程中,会基于训练集中每一深度数据对应的RGB图像进行单独的增广生成2D深度数据,将增广得到的负样本加入到训练列表和训练的数据集中,就可以得到构成一个新的负样本训练集,基于这个新的更大的训练集进行训练,就可以得到抗虚检鲁棒性更强的算法。
图12为本发明实施例中在线增广方法的步骤流程图,如图12所示,如图12所示,在线增广模式是在训练的过程中实时的进行数据的增广,不需要额外的花费内存去对增广的样本进行存储,在线增广模式下,需要有一个随机控制开光,该随机控制开光按照一定的概率随机的开启和关闭。当随机开关打开时,第一通路和第二通路同时接通,基于预存储的深度数据可以同时产生基于真人活体的正样本和增广的假体样本;当随机开关关闭时,只有第二通路打开,训练过程中不进行负样本的数据增广,仅采用真人活体的深度数据只作为正样本参与训练。
图13为本发明实施例中训练数据增广系统的模块示意图,如图13所示,本发明提供的训练数据增广系统,包括如下模块:
数据读取模块,用于读取深度数据和对应的RGB图像;
随机人脸框生成模块,用于对所述RGB图像进行人脸检测生成基准人脸框,根据所述基准人脸框构建随机人脸框;
训练集生成模块,用于根据所述随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集。
本发明实施例中还提供一种训练数据增广设备,包括处理器。存储器,其中存储有处理器的可执行指令。其中,处理器配置为经由执行可执行指令来执行的训练数据增广方法的步骤。
如上,该实施例能够根据对RGB图像进行人脸检测生成基准人脸框生成多个随机人脸框,进而根据随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集,采用该负样本训练集训练3D活体检测模型,能够降低人脸虚检给3D活体检测模型所带来的不稳定性。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
图14是本发明实施例中的训练数据增广设备的结构示意图。下面参照图14来描述根据本发明的这种实施方式的电子设备600。图14显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图14所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行本说明书上述训练数据增广方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图14中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例中还提供一种计算机可读存储介质,用于存储程序,程序被执行时实现的训练数据增广方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述训练数据增广方法部分中描述的根据本发明各种示例性实施方式的步骤。
如上所示,该实施例的计算机可读存储介质的程序在执行时,本发明中根据对RGB图像进行人脸检测生成基准人脸框生成多个随机人脸框,进而根据随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集,采用该负样本训练集训练3D活体检测模型,能够降低人脸虚检给3D活体检测模型所带来的不稳定性。
图15是本发明实施例中的计算机可读存储介质的结构示意图。参考图15所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例中,根据对RGB图像进行人脸检测生成基准人脸框生成多个随机人脸框,进而根据随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集,采用该负样本训练集训练3D活体检测模型,能够降低人脸虚检给3D活体检测模型所带来的不稳定性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种训练数据增广方法,其特征在于,包括如下步骤:
步骤S1:读取深度数据和对应的RGB图像;
步骤S2:对所述RGB图像进行人脸检测生成基准人脸框,根据所述基准人脸框构建随机人脸框;
步骤S3:根据所述随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集。
2.根据权利要求1所述的训练数据增广方法,其特征在于,所述步骤S2包括如下步骤:
步骤S201:对所述RGB图像进行人脸检测生成基准人脸框,所述基准人脸框表示为g=(x1,y1,W,H),(x1,y1)为所述基准人脸框的一角点坐标,W为基准人脸框的宽度,H为基准人脸框的高度;
步骤S202:取所述基准人脸框的宽度和高度中较小值为生成随机人脸框的最大尺寸S;
步骤S203:在[0,W-S)的范围内随机获取一值nx,在[0,H-S)的范围内随机获取一值ny,在所述RGB图像内生成的一组目标人脸框c=(nx,ny,S,S),其中,(nx,ny)为所述目标人脸框的一角点坐标,S为目标人脸框的宽度和高度;
步骤S204:判断所述目标人脸框与所述基准人脸框之间的交并比是否小于预设置的交并比阈值,且当所述目标人脸框与所述基准人脸框之间的交并比小于预设置的交并比阈值时确定所述目标人脸框为随机人脸框。
3.根据权利要求1所述的训练数据增广方法,其特征在于,所述步骤S3包括如下步骤:
步骤S301:根据所述随机人脸框对所述深度数据对应的深度区域进行截取生成2D深度数据;
步骤S302:获取预设置的关键点信息;
步骤S303:将关键点信息对应到所述2D深度数据中,并进而归一化处理生成所述负样本训练集。
4.根据权利要求1所述的训练数据增广方法,其特征在于,还包括如下步骤:
-步骤S4:根据所述负样本训练集对3D活体检测模型进行训练生成目标3D活体检测模型。
5.根据权利要求4所述的训练数据增广方法,其特征在于,所述步骤S4包括如下步骤:
步骤S401:对所述RGB图像进行关键点检测,在所述基准人脸框内确定的多个人脸关键点;
步骤S402:将所述RGB图像中的人脸关键点映射到归一化处理至预设定的尺寸的深度数据中生成正样本训练集;
步骤S403:根据所述负样本训练集和所述正样本训练集对3D活体检测模型进行训练生成目标3D活体检测模型。
6.根据权利要求2所述的训练数据增广方法,其特征在于,所述步骤S204包括如下步骤:
步骤S2041:获取一目标人脸框;
步骤S2042:获取预设置的交并比阈值,判断所述目标人脸框与所述基准人脸框之间的交并比是否小于预设置的交并比阈值,当所述目标人脸框与所述基准人脸框之间的交并比小于等于预设置的交并比阈值时触发步骤S2043,当所述目标人脸框与所述基准人脸框之间的交并比大于预设置的交并比阈值时则触发步骤S2041;
步骤S2043:确定所述目标人脸框为随机人脸框。
7.根据权利要求3所述的训练数据增广方法,其特征在于,所述步骤S301包括如下步骤:
步骤S3011:根据一所述随机人脸框确定所述深度数据对应的深度区域数据;
步骤S3012:判断所述深度区域数据中在深度方向上是否存在零值数据,当存在所述零值数据且所述零值数据的数量与深度区域数据总数据的比值大于预设置的比例阈值时,则丢弃所述随机人脸框并返回步骤S3011,否则触发步骤S3013;
步骤S3013:根据该随机人脸框对所述深度数据对应的深度区域进行截取生成2D深度数据。
8.一种训练数据增广系统,其特征在于,包括如下模块:
数据读取模块,用于读取深度数据和对应的RGB图像;
随机人脸框生成模块,用于对所述RGB图像进行人脸检测生成基准人脸框,根据所述基准人脸框构建随机人脸框;
训练集生成模块,用于根据所述随机人脸框对所述深度数据对应的深度区域进行截图生成负样本训练集。
9.一种训练数据增广设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述训练数据增广方法的步骤。
10.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被执行时实现权利要求1至7中任意一项所述训练数据增广方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583813.XA CN114758370A (zh) | 2020-12-28 | 2020-12-28 | 训练数据增广方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583813.XA CN114758370A (zh) | 2020-12-28 | 2020-12-28 | 训练数据增广方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114758370A true CN114758370A (zh) | 2022-07-15 |
Family
ID=82324651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011583813.XA Pending CN114758370A (zh) | 2020-12-28 | 2020-12-28 | 训练数据增广方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114758370A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160174902A1 (en) * | 2013-10-17 | 2016-06-23 | Siemens Aktiengesellschaft | Method and System for Anatomical Object Detection Using Marginal Space Deep Neural Networks |
CN107871102A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN109684925A (zh) * | 2018-11-21 | 2019-04-26 | 深圳奥比中光科技有限公司 | 一种基于深度图像的人脸活体检测方法及设备 |
CN112116602A (zh) * | 2020-08-31 | 2020-12-22 | 北京的卢深视科技有限公司 | 深度图修复方法、装置和可读存储介质 |
-
2020
- 2020-12-28 CN CN202011583813.XA patent/CN114758370A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160174902A1 (en) * | 2013-10-17 | 2016-06-23 | Siemens Aktiengesellschaft | Method and System for Anatomical Object Detection Using Marginal Space Deep Neural Networks |
CN107871102A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN109684925A (zh) * | 2018-11-21 | 2019-04-26 | 深圳奥比中光科技有限公司 | 一种基于深度图像的人脸活体检测方法及设备 |
CN112116602A (zh) * | 2020-08-31 | 2020-12-22 | 北京的卢深视科技有限公司 | 深度图修复方法、装置和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11762475B2 (en) | AR scenario-based gesture interaction method, storage medium, and communication terminal | |
US20190392587A1 (en) | System for predicting articulated object feature location | |
US20190034702A1 (en) | Living body detecting method and apparatus, device and storage medium | |
CN110189336B (zh) | 图像生成方法、系统、服务器及存储介质 | |
CN110866977B (zh) | 增强现实处理方法及装置、系统、存储介质和电子设备 | |
CN110287891B (zh) | 基于人体关键点的手势控制方法、装置及电子设备 | |
CN111273772B (zh) | 基于slam测绘方法的增强现实交互方法、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 | |
CN113221767B (zh) | 训练活体人脸识别模型、识别活体人脸的方法及相关装置 | |
US20230017578A1 (en) | Image processing and model training methods, electronic device, and storage medium | |
CN113205057A (zh) | 人脸活体检测方法、装置、设备及存储介质 | |
US20210295016A1 (en) | Living body recognition detection method, medium and electronic device | |
CN109635021A (zh) | 一种基于人体检测的数据信息录入方法、装置及设备 | |
CN111881740B (zh) | 人脸识别方法、装置、电子设备及介质 | |
CN111783674A (zh) | 一种基于ar眼镜的人脸识别方法和系统 | |
CN111274946A (zh) | 一种人脸识别方法和系统及设备 | |
CN112037305B (zh) | 对图像中的树状组织进行重建的方法、设备及存储介质 | |
CN117687506A (zh) | Vr场景多用户互动方法、系统、计算机设备及存储介质 | |
CN113255400A (zh) | 活体人脸识别模型的训练、识别方法、系统、设备及介质 | |
EP4064215A2 (en) | Method and apparatus for face anti-spoofing | |
CN114758370A (zh) | 训练数据增广方法、系统、设备及存储介质 | |
CN114758369A (zh) | 活体检测模型训练方法、系统、设备及存储介质 | |
CN112862840B (zh) | 图像分割方法、装置、设备及介质 | |
CN111967436B (zh) | 图像处理方法及装置 | |
CN115376198A (zh) | 视线方向估计方法、装置、电子设备、介质及程序产品 |
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 |