CN115147902B - 人脸活体检测模型的训练方法、装置及计算机程序产品 - Google Patents
人脸活体检测模型的训练方法、装置及计算机程序产品 Download PDFInfo
- Publication number
- CN115147902B CN115147902B CN202210782050.4A CN202210782050A CN115147902B CN 115147902 B CN115147902 B CN 115147902B CN 202210782050 A CN202210782050 A CN 202210782050A CN 115147902 B CN115147902 B CN 115147902B
- Authority
- CN
- China
- Prior art keywords
- face image
- face
- living body
- feature
- loss
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 119
- 238000012549 training Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004590 computer program Methods 0.000 title abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 24
- 238000001574 biopsy Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000001727 in vivo Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000007634 remodeling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular 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
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06V10/70—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
- G06V40/40—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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种人脸活体检测模型的训练方法、装置、电子设备、存储介质及计算机程序产品,涉及人工智能技术领域,具体涉及深度学习、图像处理、计算机视觉技术领域,用于人脸活体检测场景。具体实现方案为:获取训练样本集;根据样本人脸图像,得到至少两个不同的同源图像;通过特征提取网络分别对至少两个不同的同源图像进行特征提取,得到至少两个第一特征数据;通过回归网络对至少两个第一特征数据进行处理,得到至少两个第二特征数据;根据至少两个第一特征数据获取第一损失;根据第二特征数据和标签获取第二损失;根据第一损失和第二损失,训练人脸活体检测模型。本公开提高了人脸活体检测模型的鲁棒性和准确度。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及深度学习、图像处理、计算机视觉技术领域,尤其涉及人脸活体检测模型的训练方法、装置以及人脸活体检测方法、装置、电子设备、存储介质以及计算机程序产品,可用于人脸活体检测场景下。
背景技术
人脸活体检测,即区分一张图像是否基于真人拍摄,是人脸识别系统的基础模块。使用深度学习技术的人脸活体检测方法是当前的主流方法,然而,现有的基于深度学习技术的人脸活体检测方法主要是基于二分类的方法,即活体样本属于一类,攻击样本属于另一类,利用二值标签提供分类监督。由于人脸攻击样本的复杂多样化,攻击线索往往存在于图像的局部区域且攻击线索在图像位置也不规律。因此,现有二分类方法普遍存在检测结果不准确的问题。
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、装置以及人脸活体检测方法、装置、电子设备、存储介质以及计算机程序产品。
根据第一方面,提供了一种人脸活体检测模型的训练方法,包括:获取训练样本集,其中,训练样本集包括:样本人脸图像、表征样本人脸图像是否为活体人脸图像的标签;根据样本人脸图像,得到至少两个不同的同源图像;通过特征提取网络分别对至少两个不同的同源图像进行特征提取,得到至少两个第一特征数据;通过回归网络对至少两个第一特征数据进行处理,得到至少两个第二特征数据;根据至少两个第一特征数据获取第一损失;根据第二特征数据和标签获取第二损失;根据第一损失和第二损失,训练人脸活体检测模型,人脸活体检测模型包括:特征提取网络和回归网络。
根据第二方面,提供了一种人脸活体检测方法,包括:获取待检测人脸图像;通过训练后的人脸活体检测模型中的特征处理网络,提取待检测人脸图像的第五特征数据,其中,人脸活体检测模型通过第一方面任一实现方式训练得到;通过人脸活体检测模型中的回归网络,根据第五特征数据确定待检测人脸图像是否为活体人脸图像。
根据第三方面,提供了一种人脸活体检测模型的训练装置,包括:第一获取单元,被配置成获取训练样本集,其中,训练样本集包括:样本人脸图像、表征样本人脸图像是否为活体人脸图像的标签;得到单元,被配置成根据样本人脸图像,得到至少两个不同的同源图像;第一提取单元,被配置成通过特征提取网络分别对至少两个不同的同源图像进行特征提取,得到至少两个第一特征数据;处理单元,被配置成通过回归网络对至少两个第一特征数据进行处理,得到至少两个第二特征数据;第一确定单元,被配置成根据至少两个第一特征数据获取第一损失;第二确定单元,被配置成根据第二特征数据和标签获取第二损失;训练单元,被配置成根据第一损失和第二损失,训练人脸活体检测模型,人脸活体检测模型包括:特征提取网络和回归网络。
根据第四方面,提供了一种人脸活体检测装置,包括:第二获取单元,被配置成获取待检测人脸图像;第二提取单元,被配置成通过训练后的人脸活体检测模型中的特征处理网络,提取待检测人脸图像的第五特征数据,其中,人脸活体检测模型通过第三方面任一实现方式训练得到;第三确定单元,被配置成通过人脸活体检测模型中的回归网络,根据第五特征数据确定待检测人脸图像是否为活体人脸图像。
根据第五方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面、第二方面任一实现方式描述的方法。
根据第六方面,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,计算机指令用于使计算机执行如第一方面、第二方面任一实现方式描述的方法。
根据第七方面,提供了一种计算机程序产品,包括:计算机程序,计算机程序在被处理器执行时实现如第一方面、第二方面任一实现方式描述的方法。
根据本公开的技术,提供了一种人脸活体检测模型的训练方法,基于多个同源图像的隐式特征之间的一致性损失,使人脸活体检测模型对输入的待检测图像的变化具有更强的稳定性,能克服实际应用中受环境变化的干扰,在无需增加额外计算资源的情况下,提高了人脸活体检测模型的鲁棒性;并且,结合一致性损失和回归损失,进行模型训练,提高了人脸活体检测模型的泛化性和准确度。
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是根据本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的人脸活体检测模型的训练方法的一个实施例的流程图;
图3是根据本实施例的人脸活体检测模型的训练方法的应用场景的示意图;
图4是根据本公开的人脸活体检测模型的训练方法的又一个实施例的流程图;
图5是适用于本公开的人脸活体检测模型的训练方法的系统的结构示意图;
图6是根据本公开的人脸活体检测方法的一个实施例的流程图;
图7是根据本公开的人脸活体检测模型的训练装置的一个实施例的结构图;
图8是根据本公开的人脸活体检测装置的一个实施例的结构图;
图9是适于用来实现本公开实施例的计算机系统的结构示意图。
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。
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。
图1示出了可以应用本公开的人脸活体检测模型的训练方法及装置、人脸活体检测方法及装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络,网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时,其可以是支持网络连接,信息获取、交互、显示、处理等功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,根据终端设备101、102、103提供的训练样本集,训练得到人脸活体检测模型的后台处理服务器。又例如,获取终端设备101、102、103提供的待检测人脸图像,通过人脸活体检测模型确定待检测人脸图像是否为活体人脸图像的后台处理服务器。作为示例,服务器105可以是云端服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开的实施例所提供的人脸活体检测模型的训练方法、人脸活体检测方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。相应地,人脸活体检测模型的训练装置、人脸活体检测装置包括的各个部分(例如各个单元)可以全部设置于服务器中,也可以全部设置于终端设备中,还可以分别设置于服务器和终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当人脸活体检测模型的训练方法、人脸活体检测方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括人脸活体检测模型的训练方法、人脸活体检测方法运行于其上的电子设备(例如服务器或终端设备)。
请参考图2,图2为本公开实施例提供的一种人脸活体检测模型的训练方法的流程图,其中,流程200包括以下步骤:
步骤201,获取训练样本集。
本实施例中,人脸活体检测模型的训练方法的执行主体(例如,图1中的终端设备或服务器)可以基于有线网络连接方式或无线网络连接方式从远程,或从本地获取训练样本集。
其中,训练样本集中的训练样本包括样本人脸图像和表征样本人脸图像是否为活体人脸图像的标签。样本人脸图像为包括人脸对象的样本图像数据,可以是包括人脸对象的静态图像,也可以是包括人脸部位对象的动态视频中的视频帧。
为了保证样本类别的均衡性,训练样本集中的活体人脸图像样本和非活体人脸图像样本的数量比例为1:1。对于活体人脸图像样本,其标签为活体人脸图像对应的标签;对于非活体人脸图像样本,其标签为非活体人脸图像对应的标签。
训练样本集中可以包括适用于人脸识别的各应用领域中的训练样本,包括但不限于是金融领域、安保领域、通行检测领域、公安司法领域、自助设备领域、考勤办公领域。
步骤202,根据样本人脸图像,得到至少两个不同的同源图像。
本实施例中,上述执行主体可以根据样本人脸图像,得到至少两个不同的同源图像。
作为示例,对于待输入初始人脸检测模型进行模型训练的样本人脸图像,上述执行主体可以采用尺寸变换、旋转、添加噪声、亮度色彩调整等方式,对该样本人脸图像进行处理,得到该样本人脸图像对应的不同的多个同源图像。
其中,同源图像的数量可以根据实际情况具体设置,例如,同源图像的数量为2。
步骤203,通过特征提取网络分别对至少两个不同的同源图像进行特征提取,得到至少两个第一特征数据。
本实施例中,上述执行主体可以通过特征提取网络分别对至少两个不同的同源图像进行特征提取,得到至少两个第一特征数据。其中,各特征数据可以基于特征图的形式进行表征。
特征提取网络可以是具有特征提取功能的网络层或网络模型。作为示例,特征提取网络可以是深度卷积网络,包括但不限于是ResNet(Residual Network,残差网络),MobileNet(一种轻量化的深度卷积网络)。
本实施例中,上述执行主体分别对至少两个同源图像进行特征提取,得到至少两个同源图像一一对应的至少两个第一特征数据。
步骤204,通过回归网络对至少两个第一特征数据进行处理,得到至少两个第二特征数据。
本实施例中,上述执行主体可以通过回归网络对至少两个第一特征数据进行处理,得到至少两个第二特征数据。回归网络可以是具有回归功能的网络层或网络模型。作为示例,回归网络可以是回归神经网络。
具体的,上述执行主体通过回归网络对至少两个第一特征数据中的每个第一特征数据进行进一步处理,得到至少两个第一特征数据一一对应的至少两个第二特征数据。
步骤205,根据至少两个第一特征数据获取第一损失。
本实施例中,上述执行主体可以根据至少两个第一特征数据获取第一损失。
作为示例,当得到两个第一特征数据时,可以确定两个第一特征数据之间的一致性损失,得到第一损失;当得到两个以上的第一特征数据时,可以确定两两之间的一致性损失,进而求和得到第一损失。
步骤206,根据第二特征数据和标签获取第二损失。
本实施例中,上述执行主体可以根据第二特征数据和标签获取第二损失。
对于至少两个第二特征数据中的每个第二特征数据,可以确定该第二特征数据与标签之间的损失,进而对每个第二特征数据对应的损失进行求和,得到第二损失。
步骤207,根据第一损失和第二损失,训练人脸活体检测模型。
本实施例中,上述执行主体可以根据第一损失和第二损失,训练包括特征提取网络和回归网络的初始人脸活体检测模型,以最终得到训练后的人脸活体检测模型。
作为示例,上述执行主体可以采用直接求和、加权求和等方式根据第一损失和第二损失得到总损失,进而根据总损失确定梯度,以基于梯度,采用随机梯度下降法更新初始人脸活体检测模型的参数。
通过循环执行上述步骤202-207,上述执行主体可以对初始人脸活体检测模型进行迭代训练,以最终响应于达到预设结束条件,得到训练后的人脸活体检测模型。其中,预设结束条件例如可以是训练时间超过预设时间阈值、训练次数超过预设次数阈值、训练损失趋于收敛。
继续参见图3,图3是根据本实施例的人脸活体检测模型的训练方法的应用场景的一个示意图300。在图3的应用场景中,服务器301在执行训练任务前,从数据库302中获取了训练样本集。其中,训练样本集中的训练样本包括样本人脸图像和表征样本人脸图像是否为活体人脸图像的标签。在训练过程中,服务器301首先根据样本人脸图像303,得到不同的多个同源图像304、305;然后,通过特征提取网络306分别对多个同源图像304、305进行特征提取,得到多个第一特征数据307、308,并通过回归网络309得到多个第一特征数据307、308一一对应的多个第二特征数据310、311;确定多个第一特征数据之间的第一损失312和多个第二特征数据与所输入的样本人脸图像对应的标签之间的第二损失313;根据第一损失312和第二损失313,训练包括特征提取网络和回归网络的初始人脸活体检测模型,在进行多次迭代训练后,最终得到训练后的人脸活体检测模型。
本实施例中,提供了一种人脸活体检测模型的训练方法,基于多个同源图像的隐式特征之间的一致性损失,使人脸活体检测模型对输入的待检测图像的变化具有更强的稳定性,能克服实际应用中受环境变化的干扰,在无需增加额外计算资源的情况下,提高了人脸活体检测模型的鲁棒性;并且,结合一致性损失和回归损失,进行模型训练,提高了人脸活体检测模型的泛化性和准确度。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤202:通过图像增广器,根据样本人脸图像,得到至少两个不同的同源图像。
作为示例,上述执行主体将同一样本人脸图像多次输入图像增广器,对于每次输入的样本人脸图像,图像增广器随机基于尺寸变换、旋转、添加噪声、亮度色彩调整等方式进行图像增广,得到一个同源图像,从而最终得到不同的多个同源图像。
本实现方式中,基于图像增关器处理得到多个同源图像,提高了同源图像的获取效率。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤204:
首先,通过回归网络中的普通卷积层对第一特征数据进行卷积,得到第三特征数据;然后,通过回归网络中的转置卷积层对第三特征数据进行上采样,得到第二特征数据。
本实现方式中,上述执行主体可以对至少两个第一特征数据中的每个第一特征数据进行上述处理,从而得到至少两个第一特征数据一一对应的至少两个第二特征数据。回归网络包括普通卷积层和转置卷积层。具体的,通过卷积核尺寸为1×1的普通卷积层对多个特征数据中的每个特征数据进行卷积,得到多个卷积后特征数据;进而,通过转置卷积层对多个卷积后特征数据进行4倍上采样,得到高、宽均为28的多个处理后特征数据。
本实现方式中,提供了回归网络的具体结构和数据处理流程,可以尽可能保留样本人脸图像的空间尺度特征,提高了处理后特征数据的准确度。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤206:
首先,通过预设激活函数激活至少两个第二特征数据,得到值域为零一之间的多个激活后特征图。
本实现方式中,上述执行主体可以采用Sigmoid激活函数,得到至少两个第一特征图,第一特征图的值域为[0,1]。以高、宽均为28的处理后特征数据为例,将处理后特征数据所表征的特征图中的每个特征值,通过激活函数变换至0~1之间,得到第一特征图。
然后,通过回归损失函数,计算至少两个第一特征图与标签之间的第二损失。其中,标签为活体人脸图像对应的全一矩阵,或非活体人脸图像对应的全零矩阵。
本实现方式中,对于至少两个第一特征图中的每个第一特征图,通过回归损失函数计算该第一特征图和所输入的样本人脸图像对应的标签之间的回归损失,进而求和得到第二损失。
作为示例,在得到两个第一特征图的情形下,可以通过如下公式计算得到第二损失:
其中,Lreg表示第二损失,分别表示两个第一特征图,Y表示标签。
本实现方式中,利用稠密的像素回归方法取代传统二分类方法,进一步提高了人脸活体检测模型的泛化性,显著提升了人脸活体检测模型的准确度。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤205:
首先,对至少两个第一特征数据中的每个三维的第一特征数据进行特征重塑,得到至少两个二维的重塑后的第四特征数据。
作为示例,两个三维的第一特征数据f1和f2,其通道、高、宽对应的维度为64×7×7,将三维特征在空间尺度上进行reshape(重塑),分别得到两个维度为64×49的二维矩阵F1和F2,作为重塑后的第四特征数据。
然后,通过一致性损失函数,计算至少两个第四特征数据之间的第一损失。
继续以上述维度为64×49的重塑后特征图为例,上述执行主体可以通过如下公式得到第一损失:
其中,CR(F1,F2)表示第一损失。
本实现方式中,提供了表征一致性的第一损失的具体得到方式,提高了第一损失的准确度。
继续参考图4,示出了根据本公开的人脸活体检测模型的训练方法的又一个实施例的示意性流程400,包括以下步骤:
步骤401,获取训练样本集。
其中,训练样本集中的训练样本包括样本人脸图像和表征样本人脸图像是否为活体人脸图像的标签,标签为活体人脸图像对应的全一矩阵,或非活体人脸图像对应的全零矩阵。
步骤402,通过图像增广器,根据样本人脸图像,得到至少两个不同的同源图像。
步骤403,通过特征提取网络分别对至少两个不同的同源图像进行特征提取,得到至少两个第一特征数据。
步骤404,通过回归网络中的普通卷积层对至少两个第一特征数据进行卷积,得到至少两个第三特征数据。
步骤405,通过回归网络中的转置卷积层对至少两个第三特征数据进行上采样,得到至少两个第二特征数据。
步骤406,对至少两个第一特征数据中的每个三维的第一特征数据进行特征重塑,得到至少两个二维的重塑后的第四特征数据。
步骤407,通过一致性损失函数,计算至少两个第四特征数据之间的第一损失。
步骤408,通过预设激活函数激活至少两个第二特征数据,得到至少两个第一特征图。
其中,第一特征图值域为[0,1]的。
步骤409,通过回归损失函数,计算至少两个第一特征图与标签之间的第二损失。
步骤410,根据第一损失和第二损失,训练人脸活体检测模型。
其中,人脸活体检测模型包括:特征提取网络和回归网络。
从本实施例中可以看出,与图2对应的实施例相比,本实施例中的人脸活体检测模型的训练方法的流程400具体说明了特征数据、处理后特征数据的得到过程,第一损失、第二损失的计算过程,进一步提高了人脸活体检测模型的鲁棒性和准确度。
继续参考图5,示出了适用于人脸活体检测模型的训练系统结构示意图。人脸活体检测系统500包括图像增广器501和人脸活体检测模型502。人脸活体检测模型502包括特征提取网络5021和回归网络5022。对于从训练样本集中获取的样本人脸图像X,将样本人脸图像X输入图像增广器两次,分别得到同源图像X1、X2;将同源图像X1、X2分别输入特征提取网络,得到维度为64×7×7的特征图(第一特征数据)f1、f2;将特征图f1、f2分别进行reshape,得到维度为64×49的重塑后特征图(第四特征数据)F1、F2;根据一致性损失函数,确定表征重塑后特征图F1、F2之间的一致性的第一损失;通过回归网络分别处理特征图f1、f2,得到维度为28×28的处理后特征图(第一特征图)F3、F4;通过回归损失函数分别计算处理后特征图F3与样本人脸图像X对应的标签之间的损失、处理后特征图F4与样本人脸图像X对应的标签之间的损失,得到第二损失。进而,将第一损失和第二损失求和,得到总损失,以根据总损失更新初始人脸活体检测模型。
通过循环执行上述训练操作,最终得到训练后的人脸活体检测模型。
继续参考图6,示出了根据本公开的人脸活体检测方法的一个实施例的示意性流程600,包括以下步骤:
步骤601,获取待检测人脸图像。
本实施例中,人脸活体检测方法的执行主体(例如,图1中的终端设备或服务器)可以基于有线网络连接方式或无线网络连接方式从远程,或从本地获取待检测人脸图像。
待检测人脸图像为包括人脸对象的图像数据,可以是包括人脸对象的静态图像,也可以是包括人脸部位对象的动态视频中的视频帧。待检测人脸图像可以是各领域中的人脸图像,包括但不限于是金融领域、安保领域、通行检测领域、公安司法领域、自助设备领域、考勤办公领域。
步骤602,通过训练后的人脸活体检测模型中的特征处理网络,提取待检测人脸图像的第五特征数据。
本实施例中,上述执行主体可以通过训练后的人脸活体检测模型中的特征处理网络,提取待检测人脸图像的第五特征数据。其中,人脸活体检测模型可以基于上述实施例200、400训练得到。
步骤603,通过人脸活体检测模型中的回归网络,根据第五特征数据确定待检测人脸图像是否为活体人脸图像。
本实施例中,上述执行主体可以通过人脸活体检测模型中的回归网络,根据第五特征数据确定待检测人脸图像是否为活体人脸图像。
当确定待检测人脸图像为活体人脸图像时,可以通过人脸识别系统中后续的人脸识别模块进行人脸识别;当确定待检测人脸图像并非活体人脸图像时,不通过人脸识别系统中后续的人脸识别模块进行人脸识别。
本实施例中,通过人脸活体检测模型对待检测人脸图像进行活体检测,提高了检测准确度。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤603:
首先,通过回归网络对第五特征数据进行处理,得到第二特征图;然后,根据第二特征图中的特征值,得到表征待检测人脸图像为活体人脸图像的概率的置信度;最后,根据置信度,确定待检测人脸图像是否为活体人脸图像。
作为示例,上述执行主体可以将计算得到的第二特征图中的所有特征值的平均值作为置信度,当置信度大于预设置信度阈值时,将待检测人脸图像确定为活体人脸图像;否则,将待检测人脸图像确定为非活体人脸图像。
本实现方式中,提供了通过人脸活体检测模型确定待检测人脸图像是否为活体人脸图像的具体方式,进一步提高了人脸活体检测的准确度。
继续参考图7,作为对上述各图所示方法的实现,本公开提供了一种人脸活体检测模型的训练装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,人脸活体检测模型的训练装置700包括:第一获取单元701,被配置成获取训练样本集,其中,训练样本集包括:样本人脸图像、表征样本人脸图像是否为活体人脸图像的标签;得到单元702,被配置成根据样本人脸图像,得到至少两个不同的同源图像;第一提取单元703,被配置成通过特征提取网络分别对至少两个不同的同源图像进行特征提取,得到至少两个第一特征数据;处理单元704,被配置成通过回归网络对至少两个第一特征数据进行处理,得到至少两个第二特征数据;第一确定单元705,被配置成根据至少两个第一特征数据获取第一损失;第二确定单元706,被配置成根据第二特征数据和标签获取第二损失;训练单元707,被配置成根据第一损失和第二损失,训练人脸活体检测模型,人脸活体检测模型包括:特征提取网络和回归网络。
在本实施例的一些可选的实现方式中,得到单元702进一步被配置成:通过图像增广器,根据样本人脸图像,得到至少两个不同的同源图像。
在本实施例的一些可选的实现方式中,处理单元704进一步被配置成:通过回归网络中的普通卷积层对第一特征数据进行卷积,得到第三特征数据;通过回归网络中的转置卷积层对第三特征数据进行上采样,得到第二特征数据。
在本实施例的一些可选的实现方式中,第二确定单元706进一步被配置成:通过预设激活函数激活至少两个第二特征数据,得到至少两个第一特征图,第一特征图的值域为[0,1];通过回归损失函数,计算至少两个第一特征图与标签之间的第二损失,其中,标签为活体人脸图像对应的全一矩阵,或非活体人脸图像对应的全零矩阵。
在本实施例的一些可选的实现方式中,第一确定单元705进一步被配置成:对至少两个第一特征数据中的每个三维的第一特征数据进行特征重塑,得到至少两个二维的重塑后的第四特征数据;通过一致性损失函数,计算至少两个第四特征数据之间的第一损失。
本实施例中,提供了一种人脸活体检测模型的训练装置,基于多个同源图像的隐式特征之间的一致性损失,使人脸活体检测模型对输入的待检测图像的变化具有更强的稳定性,能克服实际应用中受环境变化的干扰,在无需增加额外计算资源的情况下,提高了人脸活体检测模型的鲁棒性;并且,结合一致性损失和回归损失,进行模型训练,提高了人脸活体检测模型的泛化性和准确度。
继续参考图8,作为对上述各图所示方法的实现,本公开提供了一种人脸活体检测装置的一个实施例,该装置实施例与图6所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,人脸活体检测装置800包括:第二获取单元801,被配置成获取待检测人脸图像;第二提取单元802,被配置成通过训练后的人脸活体检测模型中的特征处理网络,提取待检测人脸图像的第五特征数据,其中,人脸活体检测模型通过实施例700中任一实现方式训练得到;第三确定单元803,被配置成通过人脸活体检测模型中的回归网络,根据第五特征数据,确定待检测人脸图像是否为活体人脸图像。
在本实施例的一些可选的实现方式中,第三确定单元803,进一步被配置成:通过回归网络对第五特征数据进行处理,得到第二特征图;根据第二特征图中的特征值,得到表征待检测人脸图像为活体人脸图像的概率的置信度;根据置信度,确定待检测人脸图像是否为活体人脸图像。
本实施例中,通过人脸活体检测模型对待检测人脸图像进行活体检测,提高了检测准确度。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的人脸活体检测模型的训练方法、人脸活体检测方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的人脸活体检测模型的训练方法、人脸活体检测方法。
本公开实施例提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的人脸活体检测模型的训练方法、人脸活体检测方法。
图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901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901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、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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷;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。
根据本公开实施例的技术方案,提供了一种人脸活体检测模型的训练方法,基于多个同源图像的隐式特征之间的一致性损失,使人脸活体检测模型对输入的待检测图像的变化具有更强的稳定性,能克服实际应用中受环境变化的干扰,在无需增加额外计算资源的情况下,提高了人脸活体检测模型的鲁棒性;并且,结合一致性损失和回归损失,进行模型训练,提高了人脸活体检测模型的泛化性和准确度。
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,本发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提供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 (14)
1.一种人脸活体检测模型的训练方法,包括:
获取训练样本集,其中,所述训练样本集包括:样本人脸图像、表征所述样本人脸图像是否为活体人脸图像的标签;
根据所述样本人脸图像,得到至少两个不同的同源图像;
通过特征提取网络分别对所述至少两个不同的同源图像进行特征提取,得到至少两个第一特征数据;
通过回归网络对所述至少两个第一特征数据进行处理,得到至少两个第二特征数据;
根据所述至少两个第一特征数据获取第一损失;
根据所述第二特征数据和所述标签获取第二损失,包括:通过预设激活函数,将所述至少两个第二特征数据各自表征的特征图中的每个特征值,变换至0~1之间,得到至少两个第一特征图;利用稠密的像素回归方法,通过回归损失函数,计算所述至少两个第一特征图中的每个第一特征图与所述标签之间的回归损失,并结合所得到的至少两个回归损失确定所述第二损失,其中,所述标签为活体人脸图像对应的全一矩阵,或非活体人脸图像对应的全零矩阵;
根据所述第一损失和所述第二损失,训练人脸活体检测模型,所述人脸活体检测模型包括:所述特征提取网络和所述回归网络。
2.根据权利要求1所述的方法,其中,所述根据所述样本人脸图像,得到至少两个不同的同源图像,包括:
通过图像增广器,根据所述样本人脸图像,得到所述至少两个不同的同源图像。
3.根据权利要求1所述的方法,其中,所述通过回归网络对所述至少两个第一特征数据进行处理,得到至少两个第二特征数据,包括:
通过所述回归网络中的普通卷积层对所述第一特征数据进行卷积,得到第三特征数据;
通过所述回归网络中的转置卷积层对所述第三特征数据进行上采样,得到所述第二特征数据。
4.根据权利要求1所述的方法,其中,所述根据所述至少两个第一特征数据获取第一损失,包括:
对所述至少两个第一特征数据中的每个三维的第一特征数据进行特征重塑,得到至少两个二维的重塑后的第四特征数据;
通过一致性损失函数,计算所述至少两个第四特征数据之间的所述第一损失。
5.一种人脸活体检测方法,包括:
获取待检测人脸图像;
通过训练后的人脸活体检测模型中的特征处理网络,提取所述待检测人脸图像的第五特征数据,其中,所述人脸活体检测模型通过权利要求1-4中任一项训练得到;
通过所述人脸活体检测模型中的回归网络,根据所述第五特征数据确定所述待检测人脸图像是否为活体人脸图像。
6.根据权利要求5所述的方法,其中,所述通过所述人脸活体检测模型中的回归网络,根据所述第五特征数据确定所述待检测人脸图像是否为活体人脸图像,包括:
通过所述回归网络对所述第五特征数据进行处理,得到第二特征图;
根据所述第二特征图中的特征值,得到表征所述待检测人脸图像为活体人脸图像的概率的置信度;
根据所述置信度,确定所述待检测人脸图像是否为活体人脸图像。
7.一种人脸活体检测模型的训练装置,包括:
第一获取单元,被配置成获取训练样本集,其中,所述训练样本集包括:样本人脸图像、表征所述样本人脸图像是否为活体人脸图像的标签;
得到单元,被配置成根据所述样本人脸图像,得到至少两个不同的同源图像;
第一提取单元,被配置成通过特征提取网络分别对所述至少两个不同的同源图像进行特征提取,得到至少两个第一特征数据;
处理单元,被配置成通过回归网络对所述至少两个第一特征数据进行处理,得到至少两个第二特征数据;
第一确定单元,被配置成根据所述至少两个第一特征数据获取第一损失;
第二确定单元,被配置成根据所述第二特征数据和所述标签获取第二损失,包括:通过预设激活函数,将所述至少两个第二特征数据各自表征的特征图中的每个特征值,变换至0~1之间,得到至少两个第一特征图;利用稠密的像素回归方法,通过回归损失函数,计算所述至少两个第一特征图中的每个第一特征图与所述标签之间的回归损失,并结合所得到的至少两个回归损失确定所述第二损失,其中,所述标签为活体人脸图像对应的全一矩阵,或非活体人脸图像对应的全零矩阵;
训练单元,被配置成根据所述第一损失和所述第二损失,训练人脸活体检测模型,所述人脸活体检测模型包括:所述特征提取网络和所述回归网络。
8.根据权利要求7所述的装置,其中,所述得到单元,进一步被配置成:
通过图像增广器,根据所述样本人脸图像,得到所述至少两个不同的同源图像。
9.根据权利要求7所述的装置,其中,所述处理单元,进一步被配置成:
通过所述回归网络中的普通卷积层对所述第一特征数据进行卷积,得到第三特征数据;通过所述回归网络中的转置卷积层对所述第三特征数据进行上采样,得到所述第二特征数据。
10.根据权利要求7所述的装置,其中,所述第一确定单元,进一步被配置成:
对所述至少两个第一特征数据中的每个三维的第一特征数据进行特征重塑,得到至少两个二维的重塑后的第四特征数据;通过一致性损失函数,计算所述至少两个第四特征数据之间的所述第一损失。
11.一种人脸活体检测装置,包括:
第二获取单元,被配置成获取待检测人脸图像;
第二提取单元,被配置成通过训练后的人脸活体检测模型中的特征处理网络,提取所述待检测人脸图像的第五特征数据,其中,所述人脸活体检测模型通过权利要求1-4中任一项训练得到;
第三确定单元,被配置成通过所述人脸活体检测模型中的回归网络,根据所述第五特征数据确定所述待检测人脸图像是否为活体人脸图像。
12.根据权利要求11所述的装置,其中,所述第三确定单元,进一步被配置成:
通过所述回归网络对所述第五特征数据进行处理,得到第二特征图;根据所述第二特征图中的特征值,得到表征所述待检测人脸图像为活体人脸图像的概率的置信度;根据所述置信度,确定所述待检测人脸图像是否为活体人脸图像。
13.一种电子设备,其特征在于,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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210782050.4A CN115147902B (zh) | 2022-06-30 | 2022-06-30 | 人脸活体检测模型的训练方法、装置及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210782050.4A CN115147902B (zh) | 2022-06-30 | 2022-06-30 | 人脸活体检测模型的训练方法、装置及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115147902A CN115147902A (zh) | 2022-10-04 |
CN115147902B true CN115147902B (zh) | 2023-11-07 |
Family
ID=83410841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210782050.4A Active CN115147902B (zh) | 2022-06-30 | 2022-06-30 | 人脸活体检测模型的训练方法、装置及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147902B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2983749A1 (en) * | 2015-05-11 | 2016-11-17 | Magic Leap, Inc. | Devices, methods and systems for biometric user recognition utilizing neural networks |
CN106355147A (zh) * | 2016-08-26 | 2017-01-25 | 张艳 | 一种活体人脸检测头部姿态回归器的获取方法及检测方法 |
WO2019128646A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳励飞科技有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
CN110532933A (zh) * | 2019-08-26 | 2019-12-03 | 淮北师范大学 | 一种活体人脸检测头部姿态回归器的获取方法及检测方法 |
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 |
CN113627361A (zh) * | 2021-08-13 | 2021-11-09 | 北京百度网讯科技有限公司 | 人脸识别模型的训练方法、装置及计算机程序产品 |
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 |
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 |
CN114360074A (zh) * | 2022-01-10 | 2022-04-15 | 北京百度网讯科技有限公司 | 检测模型的训练方法、活体检测方法、装置、设备和介质 |
CN114511758A (zh) * | 2022-01-28 | 2022-05-17 | 北京百度网讯科技有限公司 | 图像识别方法及装置、电子设备和介质 |
-
2022
- 2022-06-30 CN CN202210782050.4A patent/CN115147902B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2983749A1 (en) * | 2015-05-11 | 2016-11-17 | Magic Leap, Inc. | Devices, methods and systems for biometric user recognition utilizing neural networks |
CN106355147A (zh) * | 2016-08-26 | 2017-01-25 | 张艳 | 一种活体人脸检测头部姿态回归器的获取方法及检测方法 |
WO2019128646A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳励飞科技有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
CN110532933A (zh) * | 2019-08-26 | 2019-12-03 | 淮北师范大学 | 一种活体人脸检测头部姿态回归器的获取方法及检测方法 |
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 |
CN113627361A (zh) * | 2021-08-13 | 2021-11-09 | 北京百度网讯科技有限公司 | 人脸识别模型的训练方法、装置及计算机程序产品 |
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 |
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 |
CN114360074A (zh) * | 2022-01-10 | 2022-04-15 | 北京百度网讯科技有限公司 | 检测模型的训练方法、活体检测方法、装置、设备和介质 |
CN114511758A (zh) * | 2022-01-28 | 2022-05-17 | 北京百度网讯科技有限公司 | 图像识别方法及装置、电子设备和介质 |
Non-Patent Citations (3)
Title |
---|
FAME: Face Association through Model Evolution;Eren Golge 等;《2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)》;43-49 * |
基于深度学习的活体检测网络研究与实现;付文博;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2021年卷(第2期);I138-1209 * |
应用卷积神经网络的人脸活体检测算法研究;龙敏 等;《计算机科学与探索》;第12卷(第10期);1658-1670 * |
Also Published As
Publication number | Publication date |
---|---|
CN115147902A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN114186632B (zh) | 关键点检测模型的训练方法、装置、设备、存储介质 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN113705362B (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN113221771A (zh) | 活体人脸识别方法、装置、设备、存储介质及程序产品 | |
CN112651451B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112528858A (zh) | 人体姿态估计模型的训练方法、装置、设备、介质及产品 | |
CN110599455A (zh) | 显示屏缺陷检测网络模型、方法、装置、电子设备及存储介质 | |
CN113902010A (zh) | 分类模型的训练方法和图像分类方法、装置、设备和介质 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN113869253A (zh) | 活体检测方法、训练方法、装置、电子设备及介质 | |
CN114973333B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN115147902B (zh) | 人脸活体检测模型的训练方法、装置及计算机程序产品 | |
CN113792849B (zh) | 字符生成模型的训练方法、字符生成方法、装置和设备 | |
CN115937993A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN112560848B (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
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 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
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 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 |
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 |