CN114783070A - 活体检测模型的训练方法、装置、电子设备及存储介质 - Google Patents
活体检测模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114783070A CN114783070A CN202210377207.5A CN202210377207A CN114783070A CN 114783070 A CN114783070 A CN 114783070A CN 202210377207 A CN202210377207 A CN 202210377207A CN 114783070 A CN114783070 A CN 114783070A
- Authority
- CN
- China
- Prior art keywords
- face image
- image sample
- living body
- attack
- clue
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种活体检测模型的训练方法、装置、电子设备及存储介质,属于人工智能技术领域。所述方法包括:将人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合,得到人脸图像样本对应的活体线索图和攻击线索图;基于人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型。本公开将所提取的活体线索特征图和攻击线索特征图融合到原图中,使得人脸图像样本的活体特征及攻击特征得以增强,进而基于线索增强的人脸图像样本训练活体检测模型,提高了所训练的活体检测模型的精度,采用该活体检测模型进行检测时能够捕捉到人脸图像的局部特征,从而获得较佳的检测效果。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及一种活体检测模型的训练方法、装置、电子设备及存储介质。
背景技术
随着计算机技术及人工智能技术的发展,采用人脸识别技术的身份认证方式已广泛应用在生活中。为保护用户的信息与财产安全,避免其他用户采用照片、面具、遮挡等攻击手段冒充用户进行人脸识别,需要对人脸图像中的对象进行活体检测。而在进行活体检测之前,则需要训练一个精度较高的活体检测模型。
相关技术在训练活体检测模型时,获取多个人脸图像样本,多个人脸图像样本包括活体人脸图像样本和攻击人脸图像样本,其中,活体人脸图像样本标注有活体标签,攻击人脸图像样本标注有攻击标签;提取多个人脸图像样本的全局人脸特征;基于多个人脸图像样本的全局人脸特征及对应的标签,对初始活体检测模型进行训练,得到活体检测模型。
然而,相关技术中的活体检测模型基于全局人脸特征训练得到,其识别精度依赖于从待检测的人脸图像中获取到的全局人脸特征的准确性,当待检测的人脸图像中的对象存在遮挡,例如,佩戴口罩、墨镜等,获取到的全局人脸特征并不全面,导致采用相关技术所训练的模型进行活体检测时得到的检测结果并不准确,可能会将待检测人脸图像中的活体对象识别为攻击对象,或者将待检测图像中的攻击对象识别为活体对象。
发明内容
本公开实施例提供了一种活体检测模型的训练方法、装置、电子设备及存储介质,能够提高活体检测模型的识别精度,进而提高人脸图像中对象的检测结果。所述技术方案如下:
第一方面,提供了一种活体检测模型的训练方法,所述方法包括:
获取人脸图像样本,所述人脸图像样本包括活体人脸图像样本和攻击人脸图像样本;
获取所述人脸图像样本对应的活体线索特征图和攻击线索特征图,所述活体线索特征图用于突显所述人脸图像样本中对象的活体特征,所述攻击线索特征图用于突显所述人脸图像样本中对象的攻击特征;
将所述人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合,得到所述人脸图像样本对应的活体线索图和攻击线索图;
基于所述人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型。
在本公开的另一个实施例中,所述获取所述人脸图像样本对应的活体线索特征图,包括:
调用第一编解码网络,对所述人脸图像样本进行处理,得到所述人脸图像样本对应的活体线索特征图,所述第一编解码网络用于获取任一人脸图像的活体线索特征图。
在本公开的另一个实施例中,所述调用第一编解码网络,对所述人脸图像样本进行处理,得到所述人脸图像样本对应的活体线索特征图之前,还包括:
将所述人脸图像样本输入到初始第一编解码网络中,输出所述人脸图像样本对应的第一人脸特征图;
基于所述人脸图像样本对应的第一人脸特征图和第一目标损失函数,对所述初始第一编解码网络的网络参数值进行优化;
基于优化后的网络参数,生成所述第一编解码网络。
在本公开的另一个实施例中,所述第一目标损失函数包括第一损失函数和第二损失函数,所述基于所述人脸图像样本对应的第一人脸特征图和第一目标损失函数,对所述初始第一编解码网络的网络参数值的优化过程,包括:
将所述人脸图像样本中各个攻击人脸图像样本对应的第一人脸特征图输入到第一损失函数中,所述第一损失函数为表征各个攻击人脸图像样本对应的第一人脸特征图的平均像素值的函数;
将所述人脸图像样本对应的第一人脸特征图输入到第二损失函数中,所述第二损失函数为表征所述人脸图像样本中各个活体人脸图像样本对应的第一人脸特征图、第一锚人脸图像样本对应的第一人脸特征图以及各个攻击人脸图像样本对应的第一人脸特征图之间距离关系的函数,所述第一锚人脸图像样本属于所述各个攻击人脸图像样本;
基于所述第一损失函数的函数值和所述第二损失函数的函数值,对所述初始第一编解码网络的网络参数值进行联合优化,以使所述第一损失函数的函数值和所述第二损失函数的函数值均最小。
在本公开的另一个实施例中,所述获取所述人脸图像样本对应的攻击线索特征图,包括:
调用第二编解码网络,对所述人脸图像样本进行处理,得到所述人脸图像样本对应的攻击线索特征图,所述第二编解码网络用于获取任一人脸图像的攻击线索特征图。
在本公开的另一个实施例中,所述调用第二编解码网络,对所述人脸图像样本进行处理,得到所述人脸图像样本对应的攻击线索特征图之前,还包括:
将所述人脸图像样本输入到初始第二编解码网络中,输出所述人脸图像样本对应的第二人脸特征图;
基于所述人脸图像样本对应的第二人脸特征图和第二目标损失函数,对所述初始第二编解码网络的网络参数值进行优化;
基于优化后的网络参数,生成所述第二编解码网络。
在本公开的另一个实施例中,所述第二目标损失函数包括第三损失函数和第四损失函数,所述基于所述人脸图像样本对应的第二人脸特征图和第二目标损失函数,对所述初始第二编解码网络的网络参数值的优化过程,包括:
将所述人脸图像样本中各个活体人脸图像样本对应的第二人脸特征图输入到第三损失函数中,所述第三损失函数为表征各个活体人脸图像对应的第二人脸特征图的平均像素值的函数;
将所述人脸图像样本对应的第二人脸特征图输入到第四损失函数中,所述第四损失函数为表征所述人脸图像样本中各个攻击人脸图像样本对应的第二人脸特征图、第二锚人脸图像样本对应的第二人脸特征图以及各个活体人脸图像样本对应的第二人脸特征图之间距离关系的函数,所述第二锚人脸图像样本属于所述各个活体人脸图像样本;
基于所述第三损失函数的函数值和所述第四损失函数的函数值,对所述初始第二编解码网络的网络参数值进行联合优化,以使所述第三损失函数的函数值和所述第四损失函数的函数值均最小。
在本公开的另一个实施例中,所述将所述人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合,得到所述人脸图像样本对应的活体线索图和攻击线索图,包括:
将所述人脸图像样本中各个像素点的像素值与对应的活体线索特征图中相应像素点的像素值相加,得到所述人脸图像样本对应的活体线索图;
将所述人脸图像样本中各个像素点的像素值与对应的攻击线索特征图中相应像素点的像素值相加,得到所述人脸图像样本对应的攻击线索图。
在本公开的另一个实施例中,所述基于所述人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型,包括:
调用所述初始活体检测模型,对所述人脸图像样本对应的活体线索图和攻击线索图进行检测,得到所述活体线索图的第一检测分数和所述攻击线索图的第二检测分数;
获取所述第一检测分数和所述第二检测分数的平均值,作为所述人脸图像样本的检测分数;
基于预设分数和所述检测分数,确定所述人脸图像样本的检测结果;
根据所述人脸图像样本的检测结果和标注结果,对所述初始活体检测模型的模型参数进行调整,得到所述活体检测模型。
第二方面,提供了一种活体检测模型的训练装置,所述装置包括:
获取模块,用于获取人脸图像样本,所述人脸图像样本包括活体人脸图像样本和攻击人脸图像样本;
所述获取模块,还用于获取所述人脸图像样本对应的活体线索特征图和攻击线索特征图,所述活体线索特征图用于突显所述人脸图像样本中对象的活体特征,所述攻击线索特征图用于突显所述人脸图像样本中对象的攻击特征;
融合模块,用于将所述人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合,得到所述人脸图像样本对应的活体线索图和攻击线索图;
训练模块,用于基于所述人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型。
在本公开的另一个实施例中,所述获取模块,用于调用第一编解码网络,对所述人脸图像样本进行处理,得到所述人脸图像样本对应的活体线索特征图,所述第一编解码网络用于获取任一人脸图像的活体线索特征图。
在本公开的另一个实施例中,所述装置还包括:
输入输出模块,用于将所述人脸图像样本输入到初始第一编解码网络中,输出所述人脸图像样本对应的第一人脸特征图;
优化模块,用于基于所述人脸图像样本对应的第一人脸特征图和第一目标损失函数,对所述初始第一编解码网络的网络参数值进行优化;
所述获取模块,还用于基于优化后的网络参数,获取所述第一编解码网络。
在本公开的另一个实施例中,所述第一目标损失函数包括第一损失函数和第二损失函数,所述优化模块,用于将所述人脸图像样本中各个攻击人脸图像样本对应的第一人脸特征图输入到第一损失函数中,所述第一损失函数为表征各个攻击人脸图像样本对应的第一人脸特征图的平均像素值的函数;将所述人脸图像样本对应的第一人脸特征图输入到第二损失函数中,所述第二损失函数为表征所述人脸图像样本中各个活体人脸图像样本对应的第一人脸特征图、第一锚人脸图像样本对应的第一人脸特征图以及各个攻击人脸图像样本对应的第一人脸特征图之间距离关系的函数,所述第一锚人脸图像样本属于所述各个攻击人脸图像样本;基于所述第一损失函数的函数值和所述第二损失函数的函数值,对所述初始第一编解码网络的网络参数值进行联合优化,以使所述第一损失函数的函数值和所述第二损失函数的函数值均最小。
在本公开的另一个实施例中,所述获取模块,用于调用第二编解码网络,对所述人脸图像样本进行处理,得到所述人脸图像样本对应的攻击线索特征图,所述第二编解码网络用于获取任一人脸图像的攻击线索特征图。
在本公开的另一个实施例中,所述装置还包括:
输入输出模块,用于将所述人脸图像样本输入到初始第二编解码网络中,输出所述人脸图像样本对应的第二人脸特征图;
优化模块,用于基于所述人脸图像样本对应的第二人脸特征图和第二目标损失函数,对所述初始第二编解码网络的网络参数值进行优化;
所述获取模块,还用于基于优化后的网络参数,获取所述第二编解码网络。
在本公开的另一个实施例中,所述第二目标损失函数包括第三损失函数和第四损失函数,所述优化模块,用于将所述人脸图像样本中各个活体人脸图像样本对应的第二人脸特征图输入到第三损失函数中,所述第三损失函数为表征各个活体人脸图像对应的第二人脸特征图的平均像素值的函数;将所述人脸图像样本对应的第二人脸特征图输入到第四损失函数中,所述第四损失函数为表征所述人脸图像样本中各个攻击人脸图像样本对应的第二人脸特征图、第二锚人脸图像样本对应的第二人脸特征图以及各个活体人脸图像样本对应的第二人脸特征图之间距离关系的函数,所述第二锚人脸图像样本属于所述各个活体人脸图像样本;基于所述第三损失函数的函数值和所述第四损失函数的函数值,对所述初始第二编解码网络的网络参数值进行联合优化,以使所述第三损失函数的函数值和所述第四损失函数的函数值均最小。
在本公开的另一个实施例中,所述融合模块,用于将所述人脸图像样本中各个像素点的像素值与对应的活体线索特征图中相应像素点的像素值相加,得到所述人脸图像样本对应的活体线索图;将所述人脸图像样本中各个像素点的像素值与对应的攻击线索特征图中相应像素点的像素值相加,得到所述人脸图像样本对应的攻击线索图。
在本公开的另一个实施例中,所述训练模块,用于调用所述初始活体检测模型,对所述人脸图像样本对应的活体线索图和攻击线索图进行检测,得到所述活体线索图的第一检测分数和所述攻击线索图的第二检测分数;获取所述第一检测分数和所述第二检测分数的平均值,作为所述人脸图像样本的检测分数;基于预设分数和所述检测分数,确定所述人脸图像样本的检测结果;根据所述人脸图像样本的检测结果和标注结果,对所述初始活体检测模型的模型参数进行调整,得到所述活体检测模型。
第三方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如第一方面所述的活体检测模型的训练方法。
第四方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现第一方面所述的活体检测模型的训练方法。
第五方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序代码,所述计算机程序代码存储在计算机可读存储介质中,电子设备的处理器从所述计算机可读存储介质读取所述计算机程序代码,所述处理器执行所述计算机程序代码,使得所述电子设备执行如第一方面所述的活体检测模型的训练方法。
本公开实施例提供的技术方案带来的有益效果是:
提取人脸图像样本的活体线索特征图和攻击线索特征图,并将所提取的活体线索特征图和攻击线索特征图融合到原图中,使得人脸图像样本的活体特征及攻击特征得以增强,进而基于线索增强的人脸图像样本训练活体检测模型,提高了所训练的活体检测模型的精度,采用该活体检测模型进行检测时能够捕捉到人脸图像的局部特征,从而获得较佳的检测效果。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例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公开的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本公开实施例所训练的活体检测模型的应用环境的示意图;
图2是本公开实施例提供的一种活体检测模型的训练方法的流程图;
图3是本公开实施例提供的一种活体检测模型的训练方法的流程图;
图4是本公开实施例提供的一种攻击人脸图像样本及其对应的活体线索图;
图5是本公开实施例提供的一种活体人脸图像样本及对应的活体线索图;
图6是本公开实施例提供的一种攻击人脸图像样本及其对应的攻击线索图;
图7是本公开实施例提供的一种活体人脸图像样本及其对应的攻击线索图;
图8是本公开实施例提供的一种活体检测模型的训练过程的示意图;
图9是本公开实施例提供的一种活体检测模型的训练装置的结构示意图;
图10示出了本公开一个示例性实施例提供的一种电子设备的结构框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
可以理解,本公开实施例所使用的术语“每个”、“多个”及“任一”等,多个包括两个或两个以上,每个是指对应的多个中的每一个,任一是指对应的多个中的任意一个。举例来说,多个词语包括10个词语,而每个词语是指这10个词语中的每一个词语,任一词语是指10个词语中的任意一个词语。
需要说明的是,本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
本公开实施例所训练的活体检测模型可以应用于刷脸支付、金融借贷、人脸门禁、手机解锁等场景。图1为本公开实施例所训练的活体检测模型的应用环境的示意图,参见图1,该应用环境包括:终端101和服务器102,该终端101和服务器102通过网络103进行通信,该网络103可以为有线网络,也可以为无线网络。
其中,终端101可以为智能手机、平板电脑、笔记本电脑、台式电脑、智能手表等,本公开实施例不对终端101的产品类型作具体的限定。服务器102可以为独立的物理服务器、多个物理服务器构成的服务器集群或者分布式系统等。
在一些应用场景下,终端101中可以安装有本公开实施例所训练的活体检测模型,当获取到待检测的人脸图像后,终端101调用该活体检测模型对该人脸图像进行活体检测,进而基于检测结果执行相应操作,或者,将检测结果发送至服务器102,由服务器102执行相应的操作。
在另一些应用场景下,终端101可以不安装该活体检测模型,而是由服务器102安装该活体检测模型,当获取到待检测的人脸图像之后,终端101将该待检测的人脸图像发送至服务器102,由服务器102调用该活体检测模型进行检测,进而根据检测结果执行相应操作,或者,将检测结果发送至终端101,由终端101执行相应操作。
本公开实施例提供了一种活体检测模型的训练方法,以电子设备执行本公开实施例为例,该电子设备可以是具有较强计算能力的终端,例如,笔记本电脑、台式电脑、智能手机等等;该电子设备还可以是服务器,例如,独立的物理服务器、多个物理服务器构成的服务器集群或者分布式系统等。参见图2,本公开实施例提供的方法流程包括:
201.获取人脸图像样本。
其中,人脸图像样本包括活体人脸图像样本和攻击人脸图像样本。
202.获取人脸图像样本对应的活体线索特征图和攻击线索特征图。
其中,活体线索特征图用于突显人脸图像样本中对象的活体特征,攻击线索特征图用于突显人脸图像样本中对象的攻击特征。
203.将人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合,得到人脸图像样本对应的活体线索图和攻击线索图。
204.基于人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型。
本公开实施例提供的方法,提取人脸图像样本的活体线索特征图和攻击线索特征图,并将所提取的活体线索特征图和攻击线索特征图融合到原图中,使得人脸图像样本的活体特征及攻击特征得以增强,进而基于线索增强的人脸图像样本训练活体检测模型,提高了所训练的活体检测模型的精度,采用该活体检测模型进行检测时能够捕捉到人脸图像的局部特征,从而获得较佳的检测效果。
在本公开的另一个实施例中,获取人脸图像样本对应的活体线索特征图,包括:
调用第一编解码网络,对人脸图像样本进行处理,得到人脸图像样本对应的活体线索特征图,第一编解码网络用于获取任一人脸图像的活体线索特征图。
在本公开的另一个实施例中,调用第一编解码网络,对人脸图像样本进行处理,得到人脸图像样本对应的活体线索特征图之前,还包括:
将人脸图像样本输入到初始第一编解码网络中,输出人脸图像样本对应的第一人脸特征图;
基于人脸图像样本对应的第一人脸特征图和第一目标损失函数,对初始第一编解码网络的网络参数值进行优化;
基于优化后的网络参数,生成第一编解码网络。
在本公开的另一个实施例中,第一目标损失函数包括第一损失函数和第二损失函数,基于人脸图像样本对应的第一人脸特征图和第一目标损失函数,对初始第一编解码网络的网络参数值的优化过程,包括:
将人脸图像样本中各个攻击人脸图像样本对应的第一人脸特征图输入到第一损失函数中,第一损失函数为表征各个攻击人脸图像样本对应的第一人脸特征图的平均像素值的函数;
将人脸图像样本对应的第一人脸特征图输入到第二损失函数中,第二损失函数为表征人脸图像样本中各个活体人脸图像样本对应的第一人脸特征图、第一锚人脸图像样本对应的第一人脸特征图以及各个攻击人脸图像样本对应的第一人脸特征图之间距离关系的函数,第一锚人脸图像样本属于各个攻击人脸图像样本;
基于第一损失函数的函数值和第二损失函数的函数值,对初始第一编解码网络的网络参数值进行联合优化,以使第一损失函数的函数值和第二损失函数的函数值均最小。
在本公开的另一个实施例中,获取人脸图像样本对应的攻击线索特征图,包括:
调用第二编解码网络,对人脸图像样本进行处理,得到人脸图像样本对应的攻击线索特征图,第二编解码网络用于获取任一人脸图像的攻击线索特征图。
在本公开的另一个实施例中,调用第二编解码网络,对人脸图像样本进行处理,得到人脸图像样本对应的攻击线索特征图之前,还包括:
将人脸图像样本输入到初始第二编解码网络中,输出人脸图像样本对应的第二人脸特征图;
基于人脸图像样本对应的第二人脸特征图和第二目标损失函数,对初始第二编解码网络的网络参数值进行优化;
基于优化后的网络参数,生成第二编解码网络。
在本公开的另一个实施例中,第二目标损失函数包括第三损失函数和第四损失函数,基于人脸图像样本对应的第二人脸特征图和第二目标损失函数,对初始第二编解码网络的网络参数值的优化过程,包括:
将人脸图像样本中各个活体人脸图像样本对应的第二人脸特征图输入到第三损失函数中,第三损失函数为表征各个活体人脸图像对应的第二人脸特征图的平均像素值的函数;
将人脸图像样本对应的第二人脸特征图输入到第四损失函数中,第四损失函数为表征人脸图像样本中各个攻击人脸图像样本对应的第二人脸特征图、第二锚人脸图像样本对应的第二人脸特征图以及各个活体人脸图像样本对应的第二人脸特征图之间距离关系的函数,第二锚人脸图像样本属于各个活体人脸图像样本;
基于第三损失函数的函数值和第四损失函数的函数值,对初始第二编解码网络的网络参数值进行联合优化,以使第三损失函数的函数值和第四损失函数的函数值均最小。
在本公开的另一个实施例中,将人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合,得到人脸图像样本对应的活体线索图和攻击线索图,包括:
将人脸图像样本中各个像素点的像素值与对应的活体线索特征图中相应像素点的像素值相加,得到人脸图像样本对应的活体线索图;
将人脸图像样本中各个像素点的像素值与对应的攻击线索特征图中相应像素点的像素值相加,得到人脸图像样本对应的攻击线索图。
在本公开的另一个实施例中,基于人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型,包括:
调用初始活体检测模型,对人脸图像样本对应的活体线索图和攻击线索图进行检测,得到活体线索图的第一检测分数和攻击线索图的第二检测分数;
获取第一检测分数和第二检测分数的平均值,作为人脸图像样本的检测分数;
基于预设分数和检测分数,确定人脸图像样本的检测结果;
根据人脸图像样本的检测结果和标注结果,对初始活体检测模型的模型参数进行调整,得到活体检测模型。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
本公开实施例提供了一种活体检测模型的训练方法,以电子设备执行本公开实施例为例,该电子设备可以是具有较强计算能力的终端,例如,笔记本电脑、台式电脑、智能手机等等;该电子设备还可以是服务器,例如,独立的物理服务器、多个物理服务器构成的服务器集群或者分布式系统等。参见图3,本公开实施例提供的方法流程包括:
301.电子设备获取人脸图像样本。
其中,人脸图像样本包括活体人脸图像样本和攻击人脸图像样本,该活体人脸图像样本标注有活体标签,该攻击人脸图像标注有攻击标签。电子设备在获取人脸图像样本时,可采用如下方式中至少一种:
第一种方式,电子设备从互联网上获取大量的人脸图像,并采用人工方式识别出其中的活体人脸图像和攻击人脸图像,为识别出的活体人脸图像标注活体标签以作为活体人脸图像样本,并为识别出的攻击人脸图像标注攻击标签以作为攻击人脸图像样本。
第二种方式,电子设备可从网络上所发布的活体检测模型的训练数据库中,获取人脸图像训练样本。
302.电子设备获取人脸图像样本对应的活体线索特征图。
其中,活体线索特征图用于突显人脸图像样本中对象的活体特征,该活体线索特征图的尺寸与对应的人脸图像样本的尺寸相同,从而使得后续步骤304中能够将人脸图像样本与对应的活体线索特征图进行融合。
电子设备在获取人脸图像样本对应的活体线索特征图时,可调用第一编解码网络,对人脸图像样本进行处理,得到人脸图像样本对应的活体线索特征图。其中,第一编解码网络用于获取任一人脸图像的活体线索特征图,该第一编解码网络包括第一编码子网络和第一解码子网络,该第一编码子网络用于对人脸图像进行编码,得到人脸特征图像,该第一解码子网络用于对第一编码子网络编码得到的人脸特征图像进行解码,得到活体线索特征图。为了减少网络优化过程中的计算量及参数量,第一编解码网络中采用GAP(GlobalAverage Pooling,全局平均池化层)层替代全连接层,该GAP层能够将特征图中所有像素点的像素值相加求平均,这使得第一编解码网络能够采用GAP层输出的数值表示活体线索特征图,该数值的范围可以为【-1,1】等。
电子设备在调用第一编解码网络对人脸图像样本进行处理之前,需要对该第一编解码网络的网络参数进行优化,以得到符合训练要求的活体线索特征图。具体的优化过程如下:
3021、电子设备将人脸图像样本输入到初始第一编解码网络中,输出人脸图像样本对应的第一人脸特征图。
3022、电子设备基于人脸图像样本对应的第一人脸特征图和第一目标损失函数,对初始第一编解码网络的网络参数值进行优化。
其中,第一目标损失函数包括第一损失函数和第二损失函数。该第一损失函数为表征各个攻击人脸图像样本对应的第一人脸特征图的平均像素值的函数,该第一损失函数可以为回归损失函数(regression loss)等,该第一损失函数的形式可以为:
其中,Lr表示第一损失函数,Ns表示攻击人脸图像样本的数量,i表示攻击人脸图像样本的序号,Ii表示第i个攻击人脸图像样本,Ci表示第i个攻击人脸图像样本对应的第一人脸特征图,spoof表示攻击人脸图像样本。
该第二损失函数为表征人脸图像样本中各个活体人脸图像样本对应的第一人脸特征图、第一锚人脸图像样本对应的第一人脸特征图以及各个攻击人脸图像样本对应的第一人脸特征图之间距离关系的函数,该第二损失函数可以为不对称三重态损失函数(Asymmetric triplet loss)等,该第二损失函数的形式可以为:
其中,Lt表示第二损失函数,T表示由活体人脸图像样本、攻击人脸图像样本及第一锚人脸图像样本构成的三元组的个数,k表示任一三元组,ak表示锚示例,即第一锚人脸图像样本对应的第一人脸特征图,该第一锚人脸图像样本属于各个攻击人脸图像样本,pk表示正示例,该正示例是相对锚示例来说的,当锚示例为攻击人脸图像样本时,正示例为攻击人脸图像样本对应的第一人脸特征图,nk表示负示例,该负示例是相对锚示例来说的,当锚示例为攻击人脸图像样本时,负示例为活体人脸图像样本对应的第一人脸特征图,m为预定义的常数,d(a,p)表示两个向量a与p的归一化的特征向量之间的欧氏距离。
电子设备基于人脸图像样本对应的第一人脸特征图和第一目标损失函数,对初始第一编解码网络的网络参数值的优化过程为:
电子设备将人脸图像样本中各个攻击人脸图像样本对应的第一人脸特征图输入到第一损失函数中,并将人脸图像样本对应的第一人脸特征图输入到第二损失函数中,进而基于第一损失函数的函数值和第二损失函数的函数值,对初始第一编解码网络的网络参数值进行联合优化,以使第一损失函数的函数值和第二损失函数的函数值均最小。为使第一损失函数的函数值最小,则需要各个攻击人脸图像样本的第一人脸特征图尽可能取0,为使第二损失函数的函数值最小,则需要对各个攻击人脸图像样本的第一人脸特征图进行聚类,第一锚人脸图像样本作为攻击人脸图像样本的聚类中心,并使各个活体人脸图像样本的第一人脸特征图与第一锚人脸图像样本的第一人脸特征图之间的距离越大越好。为实现上述两个优化目标,需要不断调整网络参数的参数值,最终结合第一损失函数的函数值和第二损失函数的函数值,获取到能够使得第一损失函数的函数值和第二损失函数的函数值均最小的网络参数值。
当第一损失函数的函数值最小时,攻击人脸图像样本对应的第一人脸特征图中各个像素点的像素值等于0或趋近于0,此时攻击人脸图像样本对应的活体线索特征图几乎不包含任何信息,例如图4中左图示出了一张攻击人脸图像样本,图4中的右图为该攻击人脸图像样本经过第一编解码网络处理后得到的活体线索特征图,该活体线索特征图近乎为一张空白图像,而活体人脸图像样本对应的活体线索特征图则包括丰富的纹理信息,例如图5中左图示出了一张活体人脸图像样本,图5中的右图为该活体人脸图像样本经过第一编解码网络处理后得到的活体线索特征图,该活体线索特征图包含丰富的纹理信息。
3023、电子设备基于优化后的网络参数值,获取第一编解码网络。
电子设备获取使得第一损失函数的函数值和第二损失函数的函数值均取最小值时的网络参数值,将该网络参数值对应的第一初始编解码网络作为优化好的第一编解码网络。
303.电子设备获取人脸图像样本对应的攻击线索特征图。
其中,攻击线索特征图用于突显人脸图像样本中对象的攻击特征,该攻击线索特征图的尺寸与对应的人脸图像样本的尺寸相同,从而使得后续步骤305中能够将人脸图像样本与对应的攻击线索特征图进行融合。
电子设备在获取人脸图像样本对应的攻击线索特征图时,可调用第二编解码网络,对人脸图像样本进行处理,得到人脸图像样本对应的攻击线索特征图。其中,第二编解码网络用于获取任一人脸图像的攻击线索特征图,该第二编解码网络包括第二编码子网络和第二解码子网络,该第二编码子网络用于对人脸图像进行编码,得到人脸特征图像,该第二解码子网络用于对第二编码子网络编码得到的人脸特征图像进行解码,得到攻击线索特征图。为了减少网络优化过程中的计算量及参数量,第二编解码网络中采用GAP层替代全连接层,该GAP层能够将特征图中所有像素点的像素值相加求平均,这使得第二编解码网络能够采用GAP层输出的数值表示活体线索特征图,该数值的范围可以为【-1,1】等。
电子设备在调用第二编解码网络对人脸图像样本进行处理之前,需要对该第二编解码网络的网络参数进行优化,以得到符合训练要求的攻击线索特征图。具体的优化过程如下:
3031、电子设备将人脸图像样本输入到初始第二编解码网络中,输出人脸图像样本对应的第二人脸特征图。
3032、电子设备基于人脸图像样本对应的第二人脸特征图和第二目标损失函数,对初始第二编解码网络的网络参数值进行优化。
其中,第二目标损失函数包括第三损失函数和第四损失函数。该第三损失函数为表征各个活体人脸图像样本对应的第二人脸特征图的平均像素值的函数,该第三损失函数可以为回归损失函数(regression loss)等,该第三损失函数的形式可以为:
其中,Lr′表示第三损失函数,Nl表示活体人脸图像样本的数量,i′表示活体人脸图像样本的序号,Ii′表示第i′个活体人脸图像样本,Ci′表示第i′个活体人脸图像样本对应的第二人脸特征图,live表示活体人脸图像样本。
该第四损失函数为表征人脸图像样本中各个攻击人脸图像样本对应的第二人脸特征图、第二锚人脸图像样本对应的第二人脸特征图以及各个活体人脸图像样本对应的第二人脸特征图之间距离关系的函数,该第四损失函数可以为不对称三重态损失函数(Asymmetric triplet loss)等,该第四损失函数的形式可以为:
其中,Lt′表示第四损失函数,T′表示由活体人脸图像样本、攻击人脸图像样本及第一锚人脸图像样本构成的三元组的个数,k′表示任一三元组,ak′表示锚示例,即第二锚人脸图像样本对应的第二人脸特征图,该第二锚人脸图像样本属于活体攻击人脸图像样本,pk′表示正示例,该正示例是相对锚示例来说的,当锚示例为活体人脸图像样本时,正示例为活体人脸图像样本对应的第二人脸特征图,nk′表示负示例,该负示例是相对锚示例来说的,当锚示例为活体人脸图像样本时,负示例为攻击人脸图像样本对应的第二人脸特征图,m为预定义的常数,d(a,p)表示两个向量a与p的归一化的特征向量之间的欧氏距离。
电子设备基于人脸图像样本对应的第二人脸特征图和第二目标损失函数,对初始第二编解码网络的网络参数值的优化过程为:
电子设备将人脸图像样本中各个活体人脸图像样本对应的第二人脸特征图输入到第三损失函数中,并将人脸图像样本对应的第二人脸特征图输入到第四损失函数中,进而基于第三损失函数的函数值和第四损失函数的函数值,对初始第二编解码网络的网络参数值进行联合优化,以使第三损失函数的函数值和第四损失函数的函数值均最小。为使第三损失函数的函数值最小,则需要各个活体人脸图像样本的第二人脸特征图尽可能取0,为使第四损失函数的函数值最小,则需要对各个活体人脸图像样本的第二人脸特征图进行聚类,第二锚人脸图像样本作为活体人脸图像样本的聚类中心,并使各个攻击人脸图像样本的第二人脸特征图与第二锚人脸图像样本的第二人脸特征图之间的距离越大越好。为实现上述两个优化目标,需要不断调整网络参数的参数值,最终结合第三损失函数的函数值和第四损失函数的函数值,获取到能够使得第三损失函数的函数值和第四损失函数的函数值均最小的网络参数值。
当第三损失函数的函数值最小时,攻击人脸图像样本对应的攻击线索特征图则包括丰富的纹理信息,例如图6中左图示出了一张攻击人脸图像样本,图6中的右图为该攻击人脸图像样本经过第二编解码网络处理后得到的攻击线索特征图,该攻击线索特征图包含丰富的纹理信息。而活体人脸图像样本对应的第二人脸图像特征图中各个像素点的像素值等于0或趋近于0,此时活体人脸图像样本对应的攻击线索特征图几乎不包含任何信息,例如图7中左图示出了一张活体人脸图像样本,图7中的右图为该活体人脸图像样本经过第二编解码网络处理后得到的攻击线索特征图,该攻击线索特征图近乎为一张空白图像。
3033、电子设备基于优化后的网络参数值,获取第二编解码网络。
电子设备获取使得第三损失函数的函数值和第四损失函数的函数值均取最小值时的网络参数值,将该网络参数值对应的第二初始编解码网络作为优化好的第二编解码网络。
304.电子设备将人脸图像样本与对应的活体线索特征图进行融合,得到人脸图像样本对应的活体线索图。
基于获取到的人脸图像样本对应的活体线索特征图,电子设备将人脸图像样本中各个像素点的像素值与对应的活体线索特征图中相应像素点的像素值相加,得到人脸图像样本对应的活体线索图,该活体线索图中不仅包括人脸图像样本的全部特征,而且其中的活体线索更为凸出,有利于活体检测模型学习到活体图像更多的知识。
305.电子设备将人脸图像样本分别与对应的攻击线索特征图进行融合,得到人脸图像样本对应的攻击线索图。
基于获取到的人脸图像样本对应的攻击线索特征图,电子设备将人脸图像样本中各个像素点的像素值与对应的攻击线索特征图中相应像素点的像素值相加,得到人脸图像样本对应的攻击线索图,该攻击线索图中不仅包括人脸图像样本的全部特征,而且其中的攻击线索更为凸出,有利于活体检测模型学习到攻击图像更多的知识。
306.电子设备基于人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型。
3061、电子设备调用初始活体检测模型,对人脸图像样本对应的活体线索图和攻击线索图进行检测,得到活体线索图的第一检测分数和攻击线索图的第二检测分数。
3062、电子设备获取第一检测分数和第二检测分数的平均值,作为人脸图像样本的检测分数。
3063、电子设备基于预设分数和检测分数,确定人脸图像样本的检测结果。
其中,预设分数为识别一张人脸图像为活体图像的最小分数,该预设分数可由技术人员进行设置,如果人脸图像样本的检测分数大于等于预设分数,则确定该人脸图像样本的检测结果为活体人脸图像,如果该检测分数小于预设分数,则确定该人脸图像样本的检测结果为攻击人脸图像。
3064、电子根据人脸图像样本的检测结果和标注结果,对初始活体检测模型的模型参数进行调整,得到活体检测模型。
其中,初始活体检测模型可以为一种CNN(Convolutional Neural Network,卷积神经网络)模型。电子设备将人脸图像样本的检测结果和标注结果输入到预先构建的第三目标损失函数中,输出第三目标损失函数的函数值,如果该函数值不满足阈值条件,则调整初始活体检测模型的模型参数,直至第三损失函数的函数值满足阈值条件,获取使得第三损失函数的函数值满足阈值条件的模型参数,将该模型参数对应的活体检测模型,作为训练后的活体检测模型。
图8为公开实施例提供的活体检测模型的训练过程,参见图8,将包含活体图像和攻击图像的人脸图像样本输入到第一编解码网络中,采用回归损失函数和不对称三重态损失函数对第一编解码网络的网络参数进行优化,以使回归损失函数和不对称三重态损失函数的函数值均最小,基于优化的第一编解码网络对人脸图像样本进行处理,得到人脸图像样本对应的活体线索特征图。将包含活体图像和攻击图像的人脸图像样本输入到第二编解码网络中,采用回归损失函数和不对称三重态损失函数对第二编解码网络的网络参数进行优化,以使回归损失函数和不对称三重态损失函数的函数值均最小,基于优化的第二编解码网络对人脸图像样本进行处理,得到人脸图像样本对应的攻击线索特征图。将人脸图像样本与对应的活体线索特征图进行融合,得到人脸图像样本对应的活体线索图,并将人脸图像样本与对应的攻击线索特征图进行融合,得到人脸图像样本对应的攻击线索图。接着,基于人脸图像样本对应的活体线索图和攻击线索图,对CNN模型进行训练,得到训练后的活体检测模型。
本公开实施例提供的方法,提取人脸图像样本的活体线索特征图和攻击线索特征图,并将所提取的活体线索特征图和攻击线索特征图融合到原图中,使得人脸图像样本的活体特征及攻击特征得以增强,进而基于线索增强的人脸图像样本训练活体检测模型,提高了所训练的活体检测模型的精度,采用该活体检测模型进行检测时能够捕捉到人脸图像的局部特征,从而获得较佳的检测效果。
参见图9,本公开实施例提供了一种活体检测模型的训练装置,该装置包括:
获取模块901,用于获取人脸图像样本,该人脸图像样本包括活体人脸图像样本和攻击人脸图像样本;
获取模块901,还用于获取人脸图像样本对应的活体线索特征图和攻击线索特征图,该活体线索特征图用于突显人脸图像样本中对象的活体特征,该攻击线索特征图用于突显人脸图像样本中对象的攻击特征;
融合模块902,用于将人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合,得到人脸图像样本对应的活体线索图和攻击线索图;
训练模块903,用于基于人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型。
在本公开的另一个实施例中,获取模块901,用于调用第一编解码网络,对人脸图像样本进行处理,得到人脸图像样本对应的活体线索特征图,该第一编解码网络用于获取任一人脸图像的活体线索特征图。
在本公开的另一个实施例中,该装置还包括:
输入输出模块,用于将人脸图像样本输入到初始第一编解码网络中,输出人脸图像样本对应的第一人脸特征图;
优化模块,用于基于人脸图像样本对应的第一人脸特征图和第一目标损失函数,对初始第一编解码网络的网络参数值进行优化;
获取模块901,还用于基于优化后的网络参数,获取第一编解码网络。
在本公开的另一个实施例中,第一目标损失函数包括第一损失函数和第二损失函数,优化模块,用于将人脸图像样本中各个攻击人脸图像样本对应的第一人脸特征图输入到第一损失函数中,第一损失函数为表征各个攻击人脸图像样本对应的第一人脸特征图的平均像素值的函数;将人脸图像样本对应的第一人脸特征图输入到第二损失函数中,第二损失函数为表征人脸图像样本中各个活体人脸图像样本对应的第一人脸特征图、第一锚人脸图像样本对应的第一人脸特征图以及各个攻击人脸图像样本对应的第一人脸特征图之间距离关系的函数,第一锚人脸图像样本属于各个攻击人脸图像样本;基于第一损失函数的函数值和第二损失函数的函数值,对初始第一编解码网络的网络参数值进行联合优化,以使第一损失函数的函数值和第二损失函数的函数值均最小。
在本公开的另一个实施例中,获取模块901,用于调用第二编解码网络,对人脸图像样本进行处理,得到人脸图像样本对应的攻击线索特征图,该第二编解码网络用于获取任一人脸图像的攻击线索特征图。
在本公开的另一个实施例中,该装置还包括:
输入输出模块,用于将人脸图像样本输入到初始第二编解码网络中,输出人脸图像样本对应的第二人脸特征图;
优化模块,用于基于人脸图像样本对应的第二人脸特征图和第二目标损失函数,对初始第二编解码网络的网络参数值进行优化;
获取模块901,还用于基于优化后的网络参数,获取第二编解码网络。
在本公开的另一个实施例中,第二目标损失函数包括第三损失函数和第四损失函数,优化模块,用于将人脸图像样本中各个活体人脸图像样本对应的第二人脸特征图输入到第三损失函数中,该第三损失函数为表征各个活体人脸图像对应的第二人脸特征图的平均像素值的函数;将人脸图像样本对应的第二人脸特征图输入到第四损失函数中,该第四损失函数为表征人脸图像样本中各个攻击人脸图像样本对应的第二人脸特征图、第二锚人脸图像样本对应的第二人脸特征图以及各个活体人脸图像样本对应的第二人脸特征图之间距离关系的函数,第二锚人脸图像样本属于各个活体人脸图像样本;基于第三损失函数的函数值和第四损失函数的函数值,对初始第二编解码网络的网络参数值进行联合优化,以使第三损失函数的函数值和第四损失函数的函数值均最小。
在本公开的另一个实施例中,融合模块902,用于将人脸图像样本中各个像素点的像素值与对应的活体线索特征图中相应像素点的像素值相加,得到人脸图像样本对应的活体线索图;将人脸图像样本中各个像素点的像素值与对应的攻击线索特征图中相应像素点的像素值相加,得到人脸图像样本对应的攻击线索图。
在本公开的另一个实施例中,训练模块903,用于调用初始活体检测模型,对人脸图像样本对应的活体线索图和攻击线索图进行检测,得到活体线索图的第一检测分数和攻击线索图的第二检测分数;获取第一检测分数和第二检测分数的平均值,作为人脸图像样本的检测分数;基于预设分数和检测分数,确定人脸图像样本的检测结果;根据人脸图像样本的检测结果和标注结果,对初始活体检测模型的模型参数进行调整,得到活体检测模型。
综上所述,本公开实施例提供的装置,提取人脸图像样本的活体线索特征图和攻击线索特征图,并将所提取的活体线索特征图和攻击线索特征图融合到原图中,使得人脸图像样本的活体特征及攻击特征得以增强,进而基于线索增强的人脸图像样本训练活体检测模型,提高了所训练的活体检测模型的精度,采用该活体检测模型进行检测时能够捕捉到人脸图像的局部特征,从而获得较佳的检测效果。
图10示出了本公开一个示例性实施例提供的一种电子设备1000的结构框图。通常,电子设备1000包括有:处理器1001和存储器1002。
处理器1001可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1001可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1001可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1001还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1002可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1001所执行以实现本公开中方法实施例提供的活体检测模型的训练方法。
在一些实施例中,电子设备1000还可选包括有:外围设备接口1003和至少一个外围设备。处理器1001、存储器1002和外围设备接口1003之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1003相连。具体地,外围设备包括:电源1004。
外围设备接口1003可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器1001和存储器1002。在一些实施例中,处理器1001、存储器1002和外围设备接口1003被集成在同一芯片或电路板上;在一些其他实施例中,处理器1001、存储器1002和外围设备接口1003中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
电源1004用于为电子设备1000中的各个组件进行供电。电源1004可以是交流电、直流电、一次性电池或可充电电池。当电源1004包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解,图10中示出的结构并不构成对电子设备1000的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器,上述指令可由电子设备1000的处理器执行以完成活体检测模型的训练方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是CD-ROM(Compact Disc Read-Only Memory,只读光盘)、ROM、RAM(RandomAccess Memory,随机存取存储器)、磁带、软盘和光数据存储设备等。
本公开实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现活体检测模型的训练方法。
本公开实施例提供了一种计算机程序产品,所述计算机程序产品包括计算机程序代码,所述计算机程序代码存储在计算机可读存储介质中,电子设备的处理器从所述计算机可读存储介质读取所述计算机程序代码,所述处理器执行所述计算机程序代码,使得所述电子设备执行活体检测模型的训练方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本公开的可选实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (13)
1.一种活体检测模型的训练方法,其特征在于,所述方法包括:
获取人脸图像样本,所述人脸图像样本包括活体人脸图像样本和攻击人脸图像样本;
获取所述人脸图像样本对应的活体线索特征图和攻击线索特征图,所述活体线索特征图用于突显所述人脸图像样本中对象的活体特征,所述攻击线索特征图用于突显所述人脸图像样本中对象的攻击特征;
将所述人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合,得到所述人脸图像样本对应的活体线索图和攻击线索图;
基于所述人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型。
2.根据权利要求1所述的方法,其特征在于,所述获取所述人脸图像样本对应的活体线索特征图,包括:
调用第一编解码网络,对所述人脸图像样本进行处理,得到所述人脸图像样本对应的活体线索特征图,所述第一编解码网络用于获取任一人脸图像的活体线索特征图。
3.根据权利要求2所述的方法,其特征在于,所述调用第一编解码网络,对所述人脸图像样本进行处理,得到所述人脸图像样本对应的活体线索特征图之前,还包括:
将所述人脸图像样本输入到初始第一编解码网络中,输出所述人脸图像样本对应的第一人脸特征图;
基于所述人脸图像样本对应的第一人脸特征图和第一目标损失函数,对所述初始第一编解码网络的网络参数值进行优化;
基于优化后的网络参数,获取所述第一编解码网络。
4.根据权利要求3所述的方法,其特征在于,所述第一目标损失函数包括第一损失函数和第二损失函数,所述基于所述人脸图像样本对应的第一人脸特征图和第一目标损失函数,对所述初始第一编解码网络的网络参数值的优化过程,包括:
将所述人脸图像样本中各个攻击人脸图像样本对应的第一人脸特征图输入到第一损失函数中,所述第一损失函数为表征各个攻击人脸图像样本对应的第一人脸特征图的平均像素值的函数;
将所述人脸图像样本对应的第一人脸特征图输入到第二损失函数中,所述第二损失函数为表征所述人脸图像样本中各个活体人脸图像样本对应的第一人脸特征图、第一锚人脸图像样本对应的第一人脸特征图以及各个攻击人脸图像样本对应的第一人脸特征图之间距离关系的函数,所述第一锚人脸图像样本属于所述各个攻击人脸图像样本;
基于所述第一损失函数的函数值和所述第二损失函数的函数值,对所述初始第一编解码网络的网络参数值进行联合优化,以使所述第一损失函数的函数值和所述第二损失函数的函数值均最小。
5.根据权利要求1所述的方法,其特征在于,所述获取所述人脸图像样本对应的攻击线索特征图,包括:
调用第二编解码网络,对所述人脸图像样本进行处理,得到所述人脸图像样本对应的攻击线索特征图,所述第二编解码网络用于获取任一人脸图像的攻击线索特征图。
6.根据权利要求5所述的方法,其特征在于,所述调用第二编解码网络,对所述人脸图像样本进行处理,得到所述人脸图像样本对应的攻击线索特征图之前,还包括:
将所述人脸图像样本输入到初始第二编解码网络中,输出所述人脸图像样本对应的第二人脸特征图;
基于所述人脸图像样本对应的第二人脸特征图和第二目标损失函数,对所述初始第二编解码网络的网络参数值进行优化;
基于优化后的网络参数,获取所述第二编解码网络。
7.根据权利要求6所述的方法,其特征在于,所述第二目标损失函数包括第三损失函数和第四损失函数,所述基于所述人脸图像样本对应的第二人脸特征图和第二目标损失函数,对所述初始第二编解码网络的网络参数值的优化过程,包括:
将所述人脸图像样本中各个活体人脸图像样本对应的第二人脸特征图输入到第三损失函数中,所述第三损失函数为表征各个活体人脸图像对应的第二人脸特征图的平均像素值的函数;
将所述人脸图像样本对应的第二人脸特征图输入到第四损失函数中,所述第四损失函数为表征所述人脸图像样本中各个攻击人脸图像样本对应的第二人脸特征图、第二锚人脸图像样本对应的第二人脸特征图以及各个活体人脸图像样本对应的第二人脸特征图之间距离关系的函数,所述第二锚人脸图像样本属于所述各个活体人脸图像样本;
基于所述第三损失函数的函数值和所述第四损失函数的函数值,对所述初始第二编解码网络的网络参数值进行联合优化,以使所述第三损失函数的函数值和所述第四损失函数的函数值均最小。
8.根据权利要求1所述的方法,其特征在于,所述将所述人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合,得到所述人脸图像样本对应的活体线索图和攻击线索图,包括:
将所述人脸图像样本中各个像素点的像素值与对应的活体线索特征图中相应像素点的像素值相加,得到所述人脸图像样本对应的活体线索图;
将所述人脸图像样本中各个像素点的像素值与对应的攻击线索特征图中相应像素点的像素值相加,得到所述人脸图像样本对应的攻击线索图。
9.根据权利要求1所述的方法,其特征在于,所述基于所述人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型,包括:
调用所述初始活体检测模型,对所述人脸图像样本对应的活体线索图和攻击线索图进行检测,得到所述活体线索图的第一检测分数和所述攻击线索图的第二检测分数;
获取所述第一检测分数和所述第二检测分数的平均值,作为所述人脸图像样本的检测分数;
基于预设分数和所述检测分数,确定所述人脸图像样本的检测结果;
根据所述人脸图像样本的检测结果和标注结果,对所述初始活体检测模型的模型参数进行调整,得到所述活体检测模型。
10.一种活体检测模型的训练装置,其特征在于,所述装置包括:
获取模块,用于获取人脸图像样本,所述人脸图像样本包括活体人脸图像样本和攻击人脸图像样本;
所述获取模块,还用于获取所述人脸图像样本对应的活体线索特征图和攻击线索特征图,所述活体线索特征图用于突显所述人脸图像样本中对象的活体特征,所述攻击线索特征图用于突显所述人脸图像样本中对象的攻击特征;
融合模块,用于将所述人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合,得到所述人脸图像样本对应的活体线索图和攻击线索图;
训练模块,用于基于所述人脸图像样本对应的活体线索图和攻击线索图,对初始活体检测模型进行训练,得到活体检测模型。
11.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如权利要求1至9中任一项所述的活体检测模型的训练方法。
12.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现如权利要求1至9中任一项所述的活体检测模型的训练方法。
13.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序代码,所述计算机程序代码存储在计算机可读存储介质中,电子设备的处理器从所述计算机可读存储介质读取所述计算机程序代码,所述处理器执行所述计算机程序代码,使得所述电子设备执行如权利要求1至9中任一项所述的活体检测模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377207.5A CN114783070A (zh) | 2022-04-11 | 2022-04-11 | 活体检测模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377207.5A CN114783070A (zh) | 2022-04-11 | 2022-04-11 | 活体检测模型的训练方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114783070A true CN114783070A (zh) | 2022-07-22 |
Family
ID=82429975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210377207.5A Pending CN114783070A (zh) | 2022-04-11 | 2022-04-11 | 活体检测模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783070A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115622730A (zh) * | 2022-08-25 | 2023-01-17 | 支付宝(杭州)信息技术有限公司 | 人脸攻击检测模型的训练方法、人脸攻击检测方法和装置 |
CN117576791A (zh) * | 2024-01-17 | 2024-02-20 | 杭州魔点科技有限公司 | 基于生机线索和垂直领域大模型范式的活体检测方法 |
-
2022
- 2022-04-11 CN CN202210377207.5A patent/CN114783070A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115622730A (zh) * | 2022-08-25 | 2023-01-17 | 支付宝(杭州)信息技术有限公司 | 人脸攻击检测模型的训练方法、人脸攻击检测方法和装置 |
CN117576791A (zh) * | 2024-01-17 | 2024-02-20 | 杭州魔点科技有限公司 | 基于生机线索和垂直领域大模型范式的活体检测方法 |
CN117576791B (zh) * | 2024-01-17 | 2024-04-30 | 杭州魔点科技有限公司 | 基于生机线索和垂直领域大模型范式的活体检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816880B2 (en) | Face recognition method and apparatus, computer device, and storage medium | |
CN112052789A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN110188829B (zh) | 神经网络的训练方法、目标识别的方法及相关产品 | |
CN113343826B (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 | |
CN113395542B (zh) | 基于人工智能的视频生成方法、装置、计算机设备及介质 | |
CN106778453B (zh) | 人脸图像中检测眼镜佩戴的方法及装置 | |
CN114783070A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
EP3136292A1 (en) | Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium | |
CN111652887B (zh) | 图像分割模型训练方法、装置、计算机设备及存储介质 | |
CN110781770B (zh) | 基于人脸识别的活体检测方法、装置及设备 | |
CN112381104A (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
CN112749609B (zh) | 人体图像分割方法、装置、计算机设备及存储介质 | |
CN111444826A (zh) | 视频检测方法、装置、存储介质及计算机设备 | |
CN112241667A (zh) | 图像检测方法、装置、设备及存储介质 | |
CN112836661A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN112330624A (zh) | 医学图像处理方法和装置 | |
CN111881740A (zh) | 人脸识别方法、装置、电子设备及介质 | |
US20220198224A1 (en) | Face recognition method, terminal device using the same, and computer readable storage medium | |
CN112464827B (zh) | 口罩佩戴识别方法、装置、设备及存储介质 | |
CN111597944B (zh) | 活体检测方法、装置、计算机设备及存储介质 | |
CN111783677B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN111652878A (zh) | 图像检测方法、装置、计算机设备及存储介质 | |
CN115529837A (zh) | 戴口罩人脸识别方法、装置、计算机存储介质 | |
CN112200109A (zh) | 面部属性识别方法、电子设备以及计算机可读存储介质 |
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 |