CN115116111A - 抗扰动人脸活体检测模型训练方法、装置及电子设备 - Google Patents

抗扰动人脸活体检测模型训练方法、装置及电子设备 Download PDF

Info

Publication number
CN115116111A
CN115116111A CN202210730479.9A CN202210730479A CN115116111A CN 115116111 A CN115116111 A CN 115116111A CN 202210730479 A CN202210730479 A CN 202210730479A CN 115116111 A CN115116111 A CN 115116111A
Authority
CN
China
Prior art keywords
image
detection model
living body
human face
feature extraction
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
Application number
CN202210730479.9A
Other languages
English (en)
Other versions
CN115116111B (zh
Inventor
王珂尧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210730479.9A priority Critical patent/CN115116111B/zh
Publication of CN115116111A publication Critical patent/CN115116111A/zh
Application granted granted Critical
Publication of CN115116111B publication Critical patent/CN115116111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种抗扰动人脸活体检测模型训练方法、装置及电子设备，涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域。该方法包括：获取至少两个样本图像，每个样本图像是由同一人脸图像经过不同的数据增强处理方式处理后得到的；将样本图像分别输入一一对应的第一特征提取网络中进行特征提取，得到图像特征；其中，每个第一特征提取网络的网络结构相同，且相互之间共享参数；根据图像特征计算网络损失；根据网络损失获取目标共享参数，其中，目标共享参数为满足第一预设结束条件时各第一特征提取网络的共享参数；根据目标共享参数训练人脸活体检测模型，实现了提高人脸活体检测模型的鲁棒性。

Description

抗扰动人脸活体检测模型训练方法、装置及电子设备
技术领域
本公开涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，尤其涉及一种抗扰动人脸活体检测模型训练方法、装置及电子设备。
背景技术
人脸活体检测是一种使用神经网络对人脸特征进行提取分类，从而区分图像是否为真人拍摄的方法。应用人脸活体检测方法，可以验证用户是否为真实活体本人操作，从而有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段，保障用户的利益。
发明内容
本公开提供了一种用于抗扰动人脸活体检测模型训练方法、装置及电子设备。
根据本公开的一方面，提供了一种抗扰动人脸活体检测模型训练方法，包括：
获取至少两个样本图像，每个样本图像是由同一人脸图像经过不同的数据增强处理方式处理后得到的；
将样本图像分别输入一一对应的第一特征提取网络中进行特征提取，得到图像特征；其中，每个第一特征提取网络的网络结构相同，且相互之间共享参数；
根据图像特征计算网络损失；
根据网络损失获取目标共享参数，其中，目标共享参数为满足第一预设结束条件时各所述第一特征提取网络的共享参数；
根据目标共享参数训练人脸活体检测模型。
根据本公开的另一方面，提供了一种抗扰动人脸活体检测方法，包括：
获取待检测人脸图像；
利用预先训练的人脸活体检测模型中的第二特征提取网络对待检测人脸图像进行特征提取，得到检测人脸图像的目标图像特征；
利用人脸活体检测模型中的分类器网络对目标图像特征进行二分类，得到待检测人脸图像的人脸活体检测结果，其中，所述人脸活体检测模型通过本公开任一所述的人脸活体检测模型训练方法训练得到。
根据本公开的另一方面，提供了一种抗扰动人脸活体检测模型的训练装置，包括：
样本图像获取模块，被配置为获取至少两个样本图像，每个样本图像是由同一人脸图像经过不同的数据增强处理方式处理后得到的；
特征提取模块，被配置为将样本图像分别输入一一对应的第一特征提取网络中进行特征提取，得到图像特征；其中，每个第一特征提取网络的网络结构相同，且相互之间共享参数；
网络损失计算模块，被配置为根据图像特征计算网络损失；
目标共享参数获取模块，被配置为根据网络损失获取目标共享参数，其中，目标共享参数为满足第一预设结束条件时各所述第一特征提取网络的共享参数；
人脸活体检测模型训练模块，被配置为根据目标共享参数训练人脸活体检测模型。
根据本公开的另一方面，提供了一种抗扰动人脸活体检测装置，包括：
待检测人脸图像获取模块，被配置为获取待检测人脸图像；
目标图像特征获取模块，被配置为利用预先训练的人脸活体检测模型中的第二特征提取网络对待检测人脸图像进行特征提取，得到检测人脸图像的目标图像特征；
检测结果获取模块，被配置为利用人脸活体检测模型中的分类器网络对目标图像特征进行二分类，得到待检测人脸图像的人脸活体检测结果，其中，所述人脸活体检测模型通过本公开任一所述的人脸活体检测模型训练装置训练得到。
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；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本公开中任一项所述的人脸活体检测模型训练方法和人脸活体检测方法。
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，其中，所述计算机指令用于使所述计算机执行本公开中任一项所述的人脸活体检测模型训练方法和人脸活体检测方法。
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本公开中任一项所述的人脸活体检测模型训练方法和人脸活体检测方法。
本公开实施例，实现了提高人脸活体检测模型的抗扰动能力。
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是根据本公开提供的抗扰动人脸活体检测模型训练方法的流程示意图；
图2是根据本公开提供的步骤S101细化的的流程示意图；
图3是根据本公开提供的第一特征提取网络训练过程的一种示意图；
图4是根据本公开提供的抗扰动人脸活体检测模型训练过程的一种示意图；
图5是根据本公开提供的抗扰动人脸活体检测方法的流程示意图；
图6是根据本公开提供的抗扰动人脸活体检测模型训练装置的结构示意图；
图7是根据本公开提供的抗扰动人脸活体检测装置的结构示意图；
图8是用来实现本公开实施例的抗扰动人脸活体检测模型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。
人脸活体检测可以区分一张图像是否为真人拍摄，是人脸识别系统的基础组成模块，可以保证人脸识别系统的安全性。当前人脸活体检测算法实现方案众多，按照技术路线，主要分为两大类：传统的人脸手工特征提取及分类方法和使用神经网络的深度学习方法。
传统人脸手工提取及分类方法的代表有基于Local binary pattern(局部二值模式，LBP)、Histogram of oriented gradients(梯度方向直方图，HOG)、Scale-invariantfeature transform(尺度不变特征转换，SIFT)等方法。这类方法首先通过基于手工设计的特征提取器提取人脸特征，然后基于如Support Vector Machine(支持向量机，SVM)的传统分类器进行特征分类，最终得到人脸活体的判定结果。
使用深度学习算法的人脸活体检测主要方法有卷积神经网络的活体判别、基于LSTM(Long Short-Term Memory，长短期记忆网络)的活体判别等方法。此类方法使用神经网络进行人脸特征提取及分类，能够提取到稳定性更强的人脸特征，相较于传统方法，在性能上有较大提升。
然而，由于人脸活体检测任务是一个二分类任务，因此容易出现过拟合，即一张图经过压缩或其他方式扰动后进行活体检测，模型的输出分数波动往往很大。
为解决上述问题中的至少一项，本公开提出了一种抗扰动人脸活体检测模型的训练方法，包括：获取至少两个样本图像，每个样本图像是由同一人脸图像经过不同的数据增强处理方式处理后得到的；将样本图像分别输入一一对应的第一特征提取网络中进行特征提取，得到图像特征；其中，每个第一特征提取网络的网络结构相同，且相互之间共享参数；根据图像特征计算网络损失；根据网络损失获取目标共享参数，其中，目标共享参数为满足第一预设结束条件时各第一特征提取网络的共享参数；根据目标共享参数训练人脸活体检测模型。本公开实施例中，通过建立参数共享的第一特征提取网络，并利用大量人脸图像对人脸活体检测模型进行训练，可以使人脸活体检测模型在不同的扰动下提取到相同的图像特征，从而提高了人脸活体检测模型的鲁棒性。
下面通过具体实施例对本公开提供的人脸活体检测模型的训练方法进行详细说明。
本公开实施例提供的人脸活体检测模型的训练方法可以应用于任一人脸活体检测的深度学习神经网络模型，帮助其提高性能。该方法通过提升人脸活体判断的性能可以应用于人脸识别领域的考勤、门禁、金融支付等诸多应用。
参见图1，图1为本公开实施例提供的一种抗扰动人脸活体检测模型的训练方法的流程示意图，其具体步骤如下所示：
步骤S101：获取至少两个样本图像。
其中，每个样本图像是由同一人脸图像经过不同的数据增强处理方式处理后得到的。人脸图像可以通过多种方式获取，具体的，可以从本地文件中获取，也可以从浏览器中获取大量人脸图像或用户实时拍照等方式获取人脸图像。数据增强处理方式也可以是多种方式的，具体的，可以采取增加曝光值、压缩、随机遮挡、放大等方式对图像进行处理。例如，用户从电子设备的本地文件中获取到一人脸图像，对其进行像素压缩，得到第一样本图像，再对该人脸图像采用贴纸随机遮挡，得到另一样本图像。
在实际应用中，本公开实施例提供的方法可以应用于终端设备，具体的，该终端设备可以是服务器、电脑、手机等智能设备。
步骤S102：将样本图像分别输入一一对应的第一特征提取网络中进行特征提取，得到图像特征。
其中，每个第一特征提取网络的网络结构相同，且相互之间共享参数。具体的，第一特征提取网络可以是多种类型的卷积神经网络模型，例如，可以是VGGNet(VisualGeometry Group Network，视觉几何群网络)，也可以是DenseNet(Dense ConvolutionalNetwork，密集卷积网络)、DetNet(Deterministic Networking，确定性网络)等其他卷积神经网络。
针对每一样本图像，将该样本图像输入到该样本图像对应的第一特征提取网络中进行特征提取，得到该样本图像的图像特征。其中，每一样本图像对应一个第一特征提取网络。上述图像特征可以用向量或向量矩阵表示。例如，先将获取到的人脸图像进行向量表示，得到该图像的向量矩阵，进行数据增强处理后，得到样本图像对应的向量矩阵，利用VGG13(Visual Geometry Group，视觉几何群)网络模型对步骤S101得到的样本图像的向量矩阵，即压缩后的人脸图像的向量矩阵，进行特征提取，得到矩阵A；对另一样本图像的向量矩阵，即贴纸遮挡后的人脸图像的向量矩阵，进行特征提取，得到矩阵B。
步骤S103：根据图像特征计算网络损失。
在实际应用中，该网络损失可以通过多种方式进行计算，具体的，可以通过作差，作商，做平方差等方式计算。
步骤S104：根据网络损失获取目标共享参数。
其中，目标共享参数可以为满足第一预设结束条件时各第一特征提取网络的共享参数。在实际应用中，该第一预设结束条件可以是表示检测结果误差大小是否满足要求的预设条件。例如，可以设置判别人脸活体检测的准确率大于90％为第一预设结束条件。若未满足该第一预设结束条件，则继续执行上述步骤S101-S103，并根据网络损失对共享参数进行调参，直至满足该第一预设结束条件，并将此时满足第一预设结束条件的各第一特征提取网络的参数作为目标参数。
步骤S105：根据目标共享参数训练人脸活体检测模型。
可以将目标共享参数赋值给人脸活体检测模型中的特征提取网络，从而完成人脸活体检测模型的训练。
本公开实施例中，可以通过建立参数共享的特征提取网络，使人脸活体检测模型能够在不同的扰动下学习到相同的技术特征，从而增加特征提取网络的抗扰动能力，且能够降低网络模型的复杂度，减小了过拟合的风险，实现了提高人脸活体检测模型的鲁棒性。
网络损失用于共享参数的调参，在一种可能的实施方式中，步骤S104可以包括：
根据网络损失，调整第一特征提取网络的共享参数；继续对第一特征提取网络进行训练，直至满足第一预设结束条件，获取第一特征提取网络的共享参数得到目标共享参数。
一个例子中，以至少两个样本图像为第一样本图像及第二样本图像为例，可以依据上述步骤得出的第一样本图像的图像特征A和第二样本图像的图像特征B，通过A-B，得到网络损失，并依据该损失，调整各样本图像对应的VGG13中第一特征提取网络共享的参数。
本公开实施例中，利用网络损失调整第一特征提取网络的共享参数，在满足第一预设结束条件得到目标共享参数，实现了目标共享参数的获取，目标共享参数能够使得第一特征提取网络在不同扰动下，提取到相同或相似的图像特征，从而增加特征提取网络的抗扰动能力。
目标共享参数用于人脸活体检测模型中的特征提取网络的赋值，在一种可能的实施方式中，步骤S105可以包括：
将目标共享参数配置给人脸活体检测模型中的第二特征提取网络，其中，第二特征提取网络与第一特征提取网络的网络结构相同；利用有标签的样本人脸图像对人脸活体检测模型进行训练，得到训练后的人脸活体检测模型。
其中，第二特征提取网络可以与第一特征提取网络的网络结构相同，样本人脸图像的标签用于表示样本人脸图像中的人脸是否为活体人脸。具体的，该标签可以通过人工辨别的方式添加，也可以从不同的人脸活体检测模型中获取检测结果得到标签。
在本公开实施中，目标共享参数能够使得特征提取网络在不同扰动下，提取到相同或相似的图像特征，将目标共享参数配置给人脸活体检测模型中的第二特征提取网络，能够增加人脸活体检测模型的抗扰动能力。
在一种可能的实施方式中，上述人脸图像可以是经过归一化处理后的图像，具体的，上述步骤S101可以包括如图2所示的步骤：
步骤S201：获取一人脸图像，并对人脸图像中的各像素进行归一化处理，得到归一化处理后的人脸图像。
步骤S202：分别采用不同的随机数据增强处理方式，对归一化处理后的人脸图像进行数据增强处理，得到各样本图像。
在实际应用中，对人脸图像进行归一化处理可以依据需求进行相应的归一化处理。例如，将人脸图形的像素值除以255，得到0到1之间的数值，组成人脸图像的归一化后的向量矩阵。也可以将人脸每个像素的像素值减128再除以256，使每个像素的像素值在[-0.5,0.5]之间。
本公开实施例中，可以通过将人脸图像进行归一化处理，从而更利于获取到图像的相同特征，同时也简化了像素值，利于后续步骤的数据处理，使人脸活体检测模型易于优化，最终提高了人脸活体检测模型的训练效率。
在一种可能的实施方式中，步骤S102可以包括如下步骤：
将样本图像输入一一对应的第一特征提取网络中，在第一特征提取网络的低层卷积层、中层卷积层、和高层卷积层中，分别提取低层图像特征、中层图像特征、和高层图像特征。
针对每一样本图像，将该样本图像输入到该样本图像对应的第一特征提取网络中，在该样本图像对应的第一特征提取网络的低层卷积层、中层卷积层、和高层卷积层中，分别提取该样本图像的低层图像特征、中层图像特征、和高层图像特征。其中，图像特征包括低层图像特征、中层图像特征和高层图像特征。各第一特征提取网络的网络结构相同，均包括多个卷积层，按照层级由低到高逐渐完成图像不同语义层次特征的提取，包括低层图像特征、中层图像特征、高层图像特征。低层图像特征和中层图像特征一般描述图像内容的基本纹理与颜色信息，高层图像特征一般用于目标识别和分类。不同层级的语义特征具有不同的含义，一般来说，高层特征具有大的视觉感受野，而低层特征视觉感受野较小。具体的，卷积层的层级可以依据实际需求进行划分。
一个例子中，以第一特征提取网络都是VGG13的特征提取网络为例，可以对第3个、第7个和最后一个卷积层对应输出的特征层进行损失监督，分别得到对应的低层图像特征、中层图像特征、高层图像特征。也可以对第1个、第5个和第11个卷积层对应输出的特征层进行损失监督，分别得到对应的低层图像特征、中层图像特征、高层图像特征。
本公开实施例中，可以通过对卷积层进行多层级特征提取，使人脸检测模型能够在输入不同扰动的同一张图像学习到相同的特征，从而提高人脸活体检测模型的准确率。
在一种可能的实施方式中，步骤S103还可以包括：
计算各样本图像的低层图像特征之间的差异、中层图像特征之间的差异、及高层图像特征之间的差异，分别得到低层损失、中层损失和高层损失；
根据低层损失、中层损失及高层损失，计算得到网络损失。
其中，低层损失、中层损失及高层损失的计算方式可以是相同的也可以是不同的，可以采用L1损失或L2损失等。
一个例子中，以至少两个样本图像为第一样本图像及第二样本图像为例，计算第一样本图像的低层图像特征与第二样本图像的低层图像特征的差值，得到低层损失A1；计算第一样本图像的中层图像特征与第二样本图像的中层图像特征的平方差，得到中层损失A2；计算第一样本图像的高层图像特征与第二样本图像的高层图像特征的商值，得到高层损失A3；最终通过L＝A1+A2+A3得到网络损失L。
本公开实施例中，通过对低层、中层和高层的网络损失进行计算，使使人脸活体检测模型能够依据学习到的相同特征对共享参数进行调整，从而提高人脸活体检测模型的鲁棒性。
在一种可能的实施方式中，上述步骤上述步骤S105中利用有标签的样本人脸图像对人脸活体检测模型进行训练，得到训练后的人脸活体检测模型，还可以包括如下所示的步骤：
将样本人脸图像输入到人脸活体检测模型中，得到样本人脸图像的人脸活体预测结果；
根据样本人脸图像的人脸活体预测结果及样本人脸图像的标签，计算人脸活体检测模型的交叉熵损失；
依据交叉熵损失，对人脸活体检测模型进行调参；
继续对人脸活体检测模型进行训练，直至满足第二预设结束条件，得到训练后的人脸活体检测模型。
在实际应用中，交叉熵损失可以通过交叉熵Cross Entropy作为模型的损失函数来计算交叉熵损失。第二预设结束条件可以是多种类型的，具体的，第二预设结束条件可以表示模型预测的准确率，也可以表示交叉熵损失或预测误差的阈值范围。
本公开实施例中，利用有标签的样本人脸图像对人脸活体检测模型进行继续训练，并通过计算交叉熵损失来对人脸活体检测模型进行调参，可以提高人脸活体检测模型预测结果的准确率。
以下一个例子，用以具体说明本公开实施例的人脸活体检测模型的训练方法，参见图3：
1.首先我们从浏览器获取一系列包含无标签的人脸图像和人脸活体检测图像。
在实际应用中，我们可以定义人脸包含72个关键点分别为(x1,y1)…(x72,y72)，并对训练集中每张图像进行图像预处理，包括：
首先得到一张包含人脸的图像；通过检测模型对人脸进行检测，得到人脸的大致位置区域，其中，检测模型为已有人脸检测模型，可以检测到人脸位置；
其次根据检测到的人脸区域，通过人脸关键点检测模型对人脸关键点进行检测得到人脸的关键点坐标值，其中，人脸关键点检测模型为已有模型，调用已有模型，输入已检测到人脸的图像，得到72个人脸关键点坐标，分别为(x1,y1)…(x72,y72)；
然后根据人脸的关键点坐标值对图像的目标人脸进行人脸对齐，同时通过仿射变换截取仅包含人脸区域并调整到相同尺224x224，人脸关键点坐标也根据仿射变换矩阵重新映射到新的坐标。
2.对人脸图像区域进行图像归一化处理。
在实际应用中，可以对图像中的每个像素的像素值减128再除以256，使每个像素的像素值在[-0.5,0.5]之间。
3.将归一化处理后的图像进行两种不同的随机数据增强处理。
其中一种为压缩处理得到P1，另一种为区域块随机遮挡得到P2。
4.将P1和P2不同随机数据增强的图像输入至两个结构相同的特征提取网络中(图3中以VGG11为例)，其中选择VGG11作为卷积神经网络的特征提取网络，并建立双流参数共享的卷积神经网络。
5.在VGG11的第三个卷积层、第七个卷积层和最后一个卷积层输出的特征层进行L1损失监督，得到的各低层、中层和高层损失分别为Loss1、Loss2、Loss3，计算监督损失Loss＝Loss1+Loss2+Loss3。
6.依据监督损失得到目标参数，并将该参数加载至人脸活体检测模型的特征提取网络中。
7.使用有标签的活体检测数据对人脸活体检测模型进行训练，并使用交叉熵损失进行优化，得到最终的人脸活体检测模型，其中抗扰动人脸活体检测模型的训练过程可以如图4所示。
在本示例中，通过建立参数共享的特征提取网络，并利用大量人脸图像对人脸活体检测模型进行训练，可以使人脸活体检测模型在不同的扰动下提取到相同的图像特征，从而提高了人脸活体检测模型的鲁棒性。
根据本公开的实施例，本公开还提供了一种抗扰动人脸活体检测方法，包括如图5所示步骤：
步骤S501：获取待检测人脸图像；
步骤S502：利用预先训练的人脸活体检测模型中的第二特征提取网络对待检测人脸图像进行特征提取，得到检测人脸图像的目标图像特征。
步骤S503：利用人脸活体检测模型中的分类器网络对目标图像特征进行二分类，得到待检测人脸图像的人脸活体检测结果，其中，人脸活体检测模型通过本公开实施例任一的人脸活体检测模型训练方法训练得到。
本公开实施例中，通过采用训练后的人脸活体检测模型，可以提高人脸活体检测模型的抗扰动能力，从而提高人脸图像预测的准确率。
根据本公开的实施例，本公开还提供了一种抗扰动人脸活体检测模型的训练装置，如图6所示，该装置包括：
样本图像获取模块601，被配置为获取至少两个样本图像，每个样本图像是由同一人脸图像经过不同的数据增强处理方式处理后得到的；
特征提取模块602，被配置为将样本图像分别输入一一对应的第一特征提取网络中进行特征提取，得到图像特征；其中，每个第一特征提取网络的网络结构相同，且相互之间共享参数；
网络损失计算模块603，被配置为根据图像特征计算网络损失；
目标共享参数获取模块604，被配置为根据网络损失获取目标共享参数，其中，目标共享参数为满足第一预设结束条件时各第一特征提取网络的共享参数；
人脸活体检测模型训练模块605，被配置为根据目标共享参数训练人脸活体检测模型。
本公开实施例中，通过建立参数共享的特征提取网络，从而降低网络模型的复杂度，减小了过拟合的风险，实现了提高人脸活体检测模型的鲁棒性。
在一种可能的实施方式中，网络损失计算模块603，可以包括：
共享参数调整子模块，被配置为根据网络损失，调整第一特征提取网络的共享参数；
第一特征提取网络训练子模块，被配置为继续对第一特征提取网络进行训练，直至满足第一预设结束条件，获取第一特征提取网络的共享参数得到目标共享参数。
本公开实施例中，可以通过依据网络损失，对第一特征提取网络的共享参数进行调整，从而筛选出能够满足第一预设结束条件的目标共享参数，该参数能够使人脸活体检测模型针对不同扰动下的同一图像获取到相同的特征，提高了人脸活体检测模型的抗扰动能力。
在一种可能的实施方式中，人脸活体检测模型训练模块605，可以包括：
目标共享参数配置子模块，被配置将目标共享参数配置给人脸活体检测模型中的第二特征提取网络，其中，第二特征提取网络与第一特征提取网络的网络结构相同；
人脸活体检测模型训练子模块，被配置为利用有标签的样本人脸图像对人脸活体检测模型进行训练，得到训练后的人脸活体检测模型，其中，样本人脸图像的标签用于表示样本人脸图像中的人脸是否为活体人脸。
本公开实施例中，可以通过对卷积层进行多层级特征提取，使人脸检测模型能够在输入不同扰动的同一张图像学习到相同的特征，从而提高人脸活体检测模型的准确率。
在一种可能的实施方式中，其中，人脸图像为经过归一化处理后的图像。
在一种可能的实施方式中，其中，特征提取模块602，可以包括：
图像特征提取子模块，被配置为将样本图像输入一一对应的第一特征提取网络中，在第一特征提取网络的低层卷积层、中层卷积层、和高层卷积层中，分别提取低层图像特征、中层图像特征、和高层图像特征；其中，图像特征包括低层图像特征、中层图像特征和高层图像特征。
本公开实施例中，可以通过对卷积层进行多层级特征提取，使人脸检测模型能够在输入不同扰动的同一张图像学习到相同的特征，从而提高人脸活体检测模型的准确率。
在一种可能的实施方式中，其中，网络损失计算模块603，可以包括：
样本图像损失计算子模块，被配置为计算各样本图像的低层图像特征之间的差异、中层图像特征之间的差异、及高层图像特征之间的差异，分别得到低层损失、中层损失和高层损失；
网络损失计算子模块，被配置为根据低层损失、中层损失及高层损失，计算得到网络损失。
本公开实施例中，通过对低层、中层和高层的网络损失进行计算，使使人脸活体检测模型能够依据学习到的相同特征对共享参数进行调整，从而提高人脸活体检测模型的鲁棒性。
在一种可能的实施方式中，人脸活体检测模型训练子模块，可以包括：样本人脸图像输入单元，被配置为将样本人脸图像输入到人脸活体检测模型中，得到样本人脸图像的人脸活体预测结果；
交叉熵损失计算单元，被配置为根据样本人脸图像的人脸活体预测结果及样本人脸图像的标签，计算人脸活体检测模型的交叉熵损失；
人脸活体检测模型调参单元，被配置为依据交叉熵损失，对人脸活体检测模型进行调参；
人脸活体检测模型训练单元，被配置为继续对人脸活体检测模型进行训练，直至满足第二预设结束条件，得到训练后的人脸活体检测模型。
本公开实施例中，利用有标签的样本人脸图像对人脸活体检测模型进行继续训练，并通过计算交叉熵损失来对人脸活体检测模型进行调参，可以提高人脸活体检测模型预测结果的准确率。
根据本公开的实施例，本公开还提供了一种抗扰动人脸活体检测装置，如图7所示：
待检测人脸图像获取模块701，被配置为获取待检测人脸图像；
目标图像特征获取模块702，被配置为利用预先训练的人脸活体检测模型中的第二特征提取网络对待检测人脸图像进行特征提取，得到检测人脸图像的目标图像特征；
检测结果获取模块703，被配置为利用人脸活体检测模型中的分类器网络对目标图像特征进行二分类，得到待检测人脸图像的人脸活体检测结果，其中，人脸活体检测模型通过本公开实施例任一的人脸活体检测模型训练方法得到。
本公开实施例中，通过采用训练后的人脸活体检测模型，可以提高人脸活体检测模型的抗扰动能力，从而提高人脸图像预测的准确率。
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8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如人脸活体模型训练方法。例如，在一些实施例中，人脸活体模型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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的人脸活体模型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801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法人脸活体模型训练方法。
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、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)、复杂可编程逻辑设备(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。
需要说明的是本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
需要说明的是，本实施例中的二维人脸图像来自于公开数据集。
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 (19)

1.一种抗扰动人脸活体检测模型的训练方法，包括：
获取至少两个样本图像，每个所述样本图像是由同一人脸图像经过不同的数据增强处理方式处理后得到的；
将所述样本图像分别输入一一对应的第一特征提取网络中进行特征提取，得到图像特征；其中，每个所述第一特征提取网络的网络结构相同，且相互之间共享参数；
根据所述图像特征计算网络损失；
根据所述网络损失获取目标共享参数，其中，所述目标共享参数为满足第一预设结束条件时各所述第一特征提取网络的共享参数；
根据所述目标共享参数训练人脸活体检测模型。
2.根据权利要求1所述的方法，其中，所述根据所述网络损失获取目标共享参数，包括：
根据所述网络损失，调整所述第一特征提取网络的共享参数；
继续对所述第一特征提取网络进行训练，直至满足第一预设结束条件，获取所述第一特征提取网络的共享参数得到目标共享参数。
3.根据权利要求1所述的方法，其中，所述根据所述目标共享参数训练人脸活体检测模型，包括：
将所述目标共享参数配置给人脸活体检测模型中的第二特征提取网络，其中，所述第二特征提取网络与所述第一特征提取网络的网络结构相同；
利用有标签的样本人脸图像对所述人脸活体检测模型进行训练，得到训练后的人脸活体检测模型，其中，所述样本人脸图像的标签用于表示所述样本人脸图像中的人脸是否为活体人脸。
4.根据权利要求1所述的方法，其中，所述人脸图像为经过归一化处理后的图像。
5.根据权利要求1所述的方法，其中，所述将所述样本图像分别输入一一对应的第一特征提取网络中进行特征提取，得到图像特征，包括：
将所述样本图像输入一一对应的第一特征提取网络中，在所述第一特征提取网络的低层卷积层、中层卷积层、和高层卷积层中，分别提取低层图像特征、中层图像特征、和高层图像特征；其中，所述图像特征包括所述低层图像特征、所述中层图像特征和所述高层图像特征。
6.根据权利要求5所述的方法，其中，所述根据各所述图像特征计算网络损失，包括：
计算各所述样本图像的低层图像特征之间的差异、中层图像特征之间的差异、及高层图像特征之间的差异，分别得到低层损失、中层损失和高层损失；
根据所述低层损失、所述中层损失及所述高层损失，计算得到网络损失。
7.根据权利要求3所述的方法，其中，所述利用有标签的样本人脸图像对所述人脸活体检测模型进行训练，得到训练后的人脸活体检测模型，包括：
将样本人脸图像输入到所述人脸活体检测模型中，得到所述样本人脸图像的人脸活体预测结果；
根据所述样本人脸图像的人脸活体预测结果及所述样本人脸图像的标签，计算所述人脸活体检测模型的交叉熵损失；
依据所述交叉熵损失，对所述人脸活体检测模型进行调参；
继续对所述人脸活体检测模型进行训练，直至满足第二预设结束条件，得到训练后的人脸活体检测模型。
8.一种抗扰动人脸活体检测方法，所述方法包括：
获取待检测人脸图像；
利用预先训练的人脸活体检测模型中的第二特征提取网络对所述待检测人脸图像进行特征提取，得到所述检测人脸图像的目标图像特征；
利用所述人脸活体检测模型中的分类器网络对所述目标图像特征进行二分类，得到所述待检测人脸图像的人脸活体检测结果，其中，所述人脸活体检测模型通过权利要求1-7任一所述的方法训练得到。
9.一种抗扰动人脸活体检测模型的训练装置，包括：
样本图像获取模块，被配置为获取至少两个样本图像，每个样本图像是由同一人脸图像经过不同的数据增强处理方式处理后得到的；
特征提取模块，被配置为将样本图像分别输入一一对应的第一特征提取网络中进行特征提取，得到图像特征；其中，每个第一特征提取网络的网络结构相同，且相互之间共享参数；
网络损失计算模块，被配置为根据图像特征计算网络损失；
目标共享参数获取模块，被配置为根据网络损失获取目标共享参数，其中，目标共享参数为满足第一预设结束条件时各第一特征提取网络的共享参数；
人脸活体检测模型训练模块，被配置为根据目标共享参数训练人脸活体检测模型。
10.根据权利要求9的装置，其中，网络损失计算模块，包括：
共享参数调整子模块，被配置为根据网络损失，调整第一特征提取网络的共享参数；
第一特征提取网络训练子模块，被配置为继续对第一特征提取网络进行训练，直至满足第一预设结束条件，获取第一特征提取网络的共享参数得到目标共享参数。
11.根据权利要求9的装置，其中，人脸活体检测模型训练模块，包括：
目标共享参数配置子模块，被配置将目标共享参数配置给人脸活体检测模型中的第二特征提取网络，其中，第二特征提取网络与第一特征提取网络的网络结构相同；
人脸活体检测模型训练子模块，被配置为利用有标签的样本人脸图像对人脸活体检测模型进行训练，得到训练后的人脸活体检测模型，其中，样本人脸图像的标签用于表示样本人脸图像中的人脸是否为活体人脸。
12.根据权利要求9的装置，其中，人脸图像为经过归一化处理后的图像。
13.根据权利要求9的装置，其中，特征提取模块，包括：
图像特征提取子模块，被配置为将样本图像输入一一对应的第一特征提取网络中，在第一特征提取网络的低层卷积层、中层卷积层、和高层卷积层中，分别提取低层图像特征、中层图像特征、和高层图像特征；其中，图像特征包括低层图像特征、中层图像特征和高层图像特征。
14.根据权利要求13的装置，其中，网络损失计算模块，包括：
样本图像损失计算子模块，被配置为计算各样本图像的低层图像特征之间的差异、中层图像特征之间的差异、及高层图像特征之间的差异，分别得到低层损失、中层损失和高层损失；
网络损失计算子模块，被配置为根据低层损失、中层损失及高层损失，计算得到网络损失。
15.根据权利要求11的装置，其中，人脸活体检测模型训练子模块，包括：
样本人脸图像输入单元，被配置为将样本人脸图像输入到人脸活体检测模型中，得到样本人脸图像的人脸活体预测结果；
交叉熵损失计算单元，被配置为根据样本人脸图像的人脸活体预测结果及样本人脸图像的标签，计算人脸活体检测模型的交叉熵损失；
人脸活体检测模型调参单元，被配置为依据交叉熵损失，对人脸活体检测模型进行调参；
人脸活体检测模型训练单元，被配置为继续对人脸活体检测模型进行训练，直至满足第二预设结束条件，得到训练后的人脸活体检测模型。
16.一种抗扰动人脸活体检测装置，装置包括：
待检测人脸图像获取模块，被配置为获取待检测人脸图像；
目标图像特征获取模块，被配置为利用预先训练的人脸活体检测模型中的第二特征提取网络对待检测人脸图像进行特征提取，得到检测人脸图像的目标图像特征；
检测结果获取模块，被配置为利用人脸活体检测模型中的分类器网络对目标图像特征进行二分类，得到待检测人脸图像的人脸活体检测结果，其中，人脸活体检测模型通过权利要求9-15任一的装置训练得到。
17.一种电子设备，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1-8中任一项所述的方法。
18.一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根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，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1-8中任一项所述的方法。
CN202210730479.9A 2022-06-24 2022-06-24 抗扰动人脸活体检测模型训练方法、装置及电子设备 Active CN115116111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210730479.9A CN115116111B (zh) 2022-06-24 2022-06-24 抗扰动人脸活体检测模型训练方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210730479.9A CN115116111B (zh) 2022-06-24 2022-06-24 抗扰动人脸活体检测模型训练方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN115116111A true CN115116111A (zh) 2022-09-27
CN115116111B CN115116111B (zh) 2023-03-24

Family

ID=83331240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210730479.9A Active CN115116111B (zh) 2022-06-24 2022-06-24 抗扰动人脸活体检测模型训练方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115116111B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578797A (zh) * 2022-09-30 2023-01-06 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597918A (zh) * 2020-04-26 2020-08-28 北京金山云网络技术有限公司 人脸活体检测模型的训练、检测方法、装置及电子设备
CN112347850A (zh) * 2020-09-30 2021-02-09 新大陆数字技术股份有限公司 红外图像转换方法、活体检测方法、装置、可读存储介质
CN112464873A (zh) * 2020-12-09 2021-03-09 携程计算机技术（上海）有限公司 模型的训练方法、人脸活体识别方法、系统、设备及介质
US20210150240A1 (en) * 2019-11-14 2021-05-20 Nec Laboratories America, Inc. Face spoofing detection using a physical-cue-guided multi-source multi-channel framework
CN113705361A (zh) * 2021-08-03 2021-11-26 北京百度网讯科技有限公司 活体检测模型的方法、装置及电子设备
CN113869449A (zh) * 2021-10-11 2021-12-31 北京百度网讯科技有限公司 一种模型训练、图像处理方法、装置、设备及存储介质
CN114445917A (zh) * 2022-01-20 2022-05-06 深圳市瑞驰信息技术有限公司 一种人脸活体识别网络训练方法、系统及电子设备
CN114495201A (zh) * 2021-12-28 2022-05-13 杭州魔点科技有限公司 包含活体检测的多任务人脸识别方法、系统、设备和介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210150240A1 (en) * 2019-11-14 2021-05-20 Nec Laboratories America, Inc. Face spoofing detection using a physical-cue-guided multi-source multi-channel framework
CN111597918A (zh) * 2020-04-26 2020-08-28 北京金山云网络技术有限公司 人脸活体检测模型的训练、检测方法、装置及电子设备
CN112347850A (zh) * 2020-09-30 2021-02-09 新大陆数字技术股份有限公司 红外图像转换方法、活体检测方法、装置、可读存储介质
CN112464873A (zh) * 2020-12-09 2021-03-09 携程计算机技术（上海）有限公司 模型的训练方法、人脸活体识别方法、系统、设备及介质
CN113705361A (zh) * 2021-08-03 2021-11-26 北京百度网讯科技有限公司 活体检测模型的方法、装置及电子设备
CN113869449A (zh) * 2021-10-11 2021-12-31 北京百度网讯科技有限公司 一种模型训练、图像处理方法、装置、设备及存储介质
CN114495201A (zh) * 2021-12-28 2022-05-13 杭州魔点科技有限公司 包含活体检测的多任务人脸识别方法、系统、设备和介质
CN114445917A (zh) * 2022-01-20 2022-05-06 深圳市瑞驰信息技术有限公司 一种人脸活体识别网络训练方法、系统及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卢鑫等: "基于深度学习的人脸活体检测", 《辽宁科技大学学报》 *
龙敏等: "应用卷积神经网络的人脸活体检测算法研究", 《计算机科学与探索》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578797A (zh) * 2022-09-30 2023-01-06 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备
CN115578797B (zh) * 2022-09-30 2023-08-29 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备

Also Published As

Publication number Publication date
CN115116111B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN109829448B (zh) 人脸识别方法、装置及存储介质
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
CN112949767A (zh) 样本图像增量、图像检测模型训练及图像检测方法
CN113869449A (zh) 一种模型训练、图像处理方法、装置、设备及存储介质
CN113569708A (zh) 活体识别方法、装置、电子设备以及存储介质
CN114140320B (zh) 图像迁移方法和图像迁移模型的训练方法、装置
CN115116111B (zh) 抗扰动人脸活体检测模型训练方法、装置及电子设备
CN114120454A (zh) 活体检测模型的训练方法、装置、电子设备及存储介质
CN113869253A (zh) 活体检测方法、训练方法、装置、电子设备及介质
CN113569707A (zh) 活体检测方法、装置、电子设备以及存储介质
CN113269719A (zh) 模型训练、图像处理方法，装置，设备以及存储介质
CN115273184B (zh) 人脸活体检测模型训练方法及装置
CN113139483B (zh) 人体行为识别方法、装置、设备、存储介质以及程序产品
CN115249281B (zh) 图像遮挡和模型训练方法、装置、设备以及存储介质
CN113361455B (zh) 人脸鉴伪模型的训练方法、相关装置及计算机程序产品
CN115019057A (zh) 图像特征提取模型确定方法及装置、图像识别方法及装置
CN113255512B (zh) 用于活体识别的方法、装置、设备以及存储介质
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
CN114387651A (zh) 一种人脸识别方法、装置、设备及存储介质
CN114445898A (zh) 人脸活体检测方法、装置、设备、存储介质及程序产品
CN114049518A (zh) 图像分类方法、装置、电子设备和存储介质
CN113221766A (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
CN113177879A (zh) 图像处理方法、装置、电子设备以及存储介质
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