CN116071833A - 活体检验模型训练及活体检验方法、装置以及存储介质 - Google Patents

Abstract

本说明书实施例公开了一种活体检验模型训练及活体检验方法、装置以及存储介质，基于样本图像库中各活体样本图像的样本抽取权重，抽取目标活体样本图像，确定各目标活体样本图像的第一输出数据；根据各目标活体样本图像的标准输出数据和第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各样本奖赏值调整各目标活体样本图像对应的样本抽取权重；基于各标准输出数据和各第一输出数据构建的损失函数训练活体检验模型。根据模型对样本图像的分类结果来调整各样本图像的样本抽取权重，来调整后续训练中的样本分布，这就使得对特定样本能够实现针对性的重复利用。

Description

活体检验模型训练及活体检验方法、装置以及存储介质

技术领域

本说明书实施例涉及计算机人工智能技术领域，尤其涉及一种活体检验模型训练及活体检验方法、装置以及存储介质。

背景技术

随着人脸识别服务功能的发展，活体攻击检测成为人脸识别系统中不可缺少的一环，活体攻击检测旨在有效拦截非活体类型的攻击样本，包括图像攻击、视频攻击等。而人脸识别功能的高访问量、使用场景的复杂性、难以统一的硬件设备条件以及逐渐出现的高仿真的活体攻击方式，都对活体攻击检测的准确性提出了更大的挑战。

发明内容

本说明书实施例提供一种活体检验模型训练及活体检验方法、装置以及存储介质，可以解决相关技术中样本利用率较低、模型检测能力较差的技术问题。

第一方面，本说明书实施例提供一种活体检验模型训练方法，该方法包括：

基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据；

根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重；

基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练所述活体检验模型；

基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练所述活体检验模型，直到所述活体检验模型收敛。

第二方面，本说明书实施例提供一种活体检验方法，该方法包括：

获取待检测活体图像，以及将所述待检测活体图像输入活体检验模型；

根据所述活体检验模型的输出数据，确定所述待检测活体图像对应的活体检验结果；

其中，所述活体检验模型为上述任一实施例中所述的活体检验模型训练方法训练得到的活体检验模型。

第三方面，本说明书实施例提供一种活体检验模型训练装置，该装置包括：

活体分类模块，用于基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据；

样本奖励模块，用于根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重；

损失计算模块，用于基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练所述活体检验模型；

模型训练模块，用于基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练所述活体检验模型，直到所述活体检验模型收敛。

第四方面，本说明书实施例提供一种活体检验装置，该装置包括：

数据获取模块，用于获取待检测活体图像，以及将所述待检测活体图像输入活体检验模型；

活体检验模块，用于根据所述活体检验模型的输出数据，确定所述待检测活体图像对应的活体检验结果；

其中，所述活体检验模型为上述任一实施例中所述的活体检验模型训练方法训练得到的活体检验模型。

第五方面，本说明书实施例提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机或处理器上运行时，使得所述计算机或所述处理器执行上述的方法的步骤。

第六方面，本说明书实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法的步骤。

第七方面，本说明书实施例提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序适于由处理器加载并执行上述的方法的步骤。

本说明书一些实施例提供的技术方案带来的有益效果至少包括：

本说明书实施例提供一种活体检验模型训练方法，基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据；根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重；基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练活体检验模型；基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练活体检验模型，直到活体检验模型收敛。由于活体检验模型对样本图像进行分类检测后得到的输出数据，能够体现活体检验模型对该样本的分类适应能力。那么根据模型对样本图像的分类结果来调整各样本图像的样本抽取权重，来调整后续训练中的样本分布，这就使得对特定样本能够实现针对性的重复利用，提高了样本利用率和模型训练效率，增强模型对样本的适应能力，提升模型在复杂环境中的活体检验准确性。

附图说明

为了更清楚地说明本说明书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说明书的一些实施例，对于本领域技术人员来讲，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为本说明书实施例提供的一种活体检验模型训练方法的示例性系统架构图；

图2为本说明书实施例提供的一种活体检验模型训练方法的流程示意图；

图3为本说明书实施例提供的一种调整样本抽取权重的逻辑流程图；

图4为本说明书实施例提供的一种活体检验模型训练方法的流程示意图；

图5为本说明书实施例提供的一种活体检验模型训练方法的流程示意图；

图6为本说明书实施例提供的一种活体检验模型训练方法的逻辑流程图；

图7为本说明书实施例提供的一种活体检验方法的流程示意图；

图8为本说明书实施例提供的一种活体检验模型训练装置的结构框图；

图9为本说明书实施例提供的一种活体检验装置的结构框图；

图10为本说明书实施例提供的一种终端的结构示意图。

具体实施方式

为使得本说明书实施例的特征和优点能够更加的明显和易懂，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而非全部实施例。基于本说明书中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书实施例保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书实施例相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本说明书实施例的一些方面相一致的装置和方法的例子。

随着人脸识别任务量的不断提升，使用人脸识别功能的用户和所处的人脸识别场景越来越多。而用户的活体数据与其个人信息高度相关，信息采集过程中可能会采集到针对活体检验模型的活体攻击，例如人脸图像、照片、视频等信息，采集到非真实活体数据的活体攻击时若检测错误可能会导致用户的信息泄露并造成损失，进而通过活体检验来拦截非活体类型的攻击成为人脸识别系统中不可缺少的一环，活体检验需要有效的拦截非活体类型的攻击样本，类型包括如手机攻击、纸张攻击、头模等等。

基于人工智能的深度神经网络的快速发展，通常在人脸识别设备中部署训练好的活体检验模型来完成活体检验任务。而在实际场景中，人脸识别功能的高访问量、使用场景的复杂性、难以统一的硬件设备条件以及逐渐出现的高仿真的活体攻击方式，都对活体攻击检测的准确性提出了更大的挑战。

在活体检验模型的训练阶段往往使用大量多样化的活体样本图像作为训练数据，但是一般对样本数据的筛选有两种，一种是一次性的，样本图像库中的每个活体样本图像只使用一次；另一种是模型每轮训练都在样本图像库中随机抽取活体样本图像，然而当样本图像库中包含更高训练价值的活体样本图像时，无法对这类活体样本图像进行针对性的利用，导致高价值活体样本图像的利用率低，并且模型无法通过更高效的训练学习到更准确的活体检验能力，导致无法提升模型的活体检验准确性。

因此本说明书实施例提供一种活体检验模型训练方法，根据活体检验模型对目标活体样本图像的预测分类结果以及目标活体样本图像的标准分类结果，确定目标活体样本图像对活体检验模型的训练价值，进而对确定各目标活体样本图像获得的奖赏值，基于各奖赏值调整各目标活体样本图像的样本抽取权重，最终根据调整后的样本抽取权重重新抽取下一轮训练中使用的目标活体样本图像，以解决上述样本利用率较低、模型检测能力较差的技术问题。

请参阅图1，图1为本说明书实施例提供的一种活体检验模型训练方法的示例性系统架构图。

如图1所示，系统架构可以包括终端101、网络102和服务器103。网络102用于在终端101和服务器103之间提供通信链路的介质。网络102可以包括各种类型的有线通信链路或无线通信链路，例如：有线通信链路包括光纤、双绞线或同轴电缆的，无线通信链路包括蓝牙通信链路、无线保真(Wireless-Fidelity，Wi-Fi)通信链路或微波通信链路等。

终端101可以通过网络102与服务器103交互，以接收来自服务器103的消息或向服务器103发送消息，或者终端101可以通过网络102与服务器103交互，进而接收其他用户向服务器103发送的消息或者数据。终端101可以是硬件，也可以是软件。当终端101为硬件时，可以是各种电子设备，包括但不限于智能手表、智能手机、平板电脑、膝上型便携式计算机和台式计算机等。当终端101为软件时，可以是安装在上述所列举的电子设备中，其可以实现呈多个软件或软件模块(例如：用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不作具体限定。

在本说明书实施例中，首先，终端101可以基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据；其次，终端101可以根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重；进一步，终端101基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练活体检验模型；最后，终端101基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练活体检验模型，直到活体检验模型收敛。

服务器103可以是提供各种服务的集成服务器。需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103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103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)，也可以实现成单个软件或软件模块，在此不做具体限定。

或者，该系统架构还可以不包括服务器103，换言之，服务器103可以为本说明书实施例中可选的设备，即本说明书实施例提供的方法可以应用于仅包括终端101的系统结构中，本说明书实施例对此不做限定。

应理解，图1中的终端、网络以及服务器的数目仅是示意性的，根据实现需要，可以是任意数量的终端、网络以及服务器。

请参阅图2，图2为本说明书实施例提供的一种活体检验模型训练方法的流程示意图。本说明书实施例的执行主体可以是执行活体检验模型训练的终端，也可以是执行活体检验模型训练方法的终端中的处理器，还可以是执行活体检验模型训练方法的终端中的活体检验模型训练服务。为方便描述，下面以执行主体是终端中的处理器为例，介绍活体检验模型训练方法的具体执行过程。

如图2所示，活体检验模型训练方法至少可以包括：

S202、基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据。

可选地，由于人脸识别的广泛使用，活体检验模型的使用场景逐渐复杂化、访问量逐渐增多，并且出现了更多高仿真级别的活体攻击方式，例如高清人脸攻击、仿真头模等，为了进一步训练模型得到更准确的活体检验能力，可以在用于模型训练的样本图像库中，添加多场景、多目标的活体样本图像，使得样本图像库中能有足够多的活体样本图像来从全方面训练活体检验模型。

可选地，训练活体检验模型时，为了提升训练效率，可以在一轮训练中抽取，在样本图像库中抽取一批目标活体样本图像，在模型对这一批目标活体样本图像进行分类后，计算这一轮训练的损失函数，以此完成一个训练周期；在新一轮训练周期中，再抽取相同数量的一批目标活体样本图像，进行预测训练，直至模型收敛。

可选地，那么在模型对目标活体样本图像进行预测分类时，对于一些模型能够比较准确的完成预测分类任务的目标活体样本图像，说明模型对这类高可分性样本的适应性较好，已经能够较好的掌握对这类样本分类的检测能力；而对于另一些模型输出的预测标签与其真实标准标签存在较大差异的目标活体样本图像，说明模型还没有较好的掌握这类样本的分类知识，这部分样本对于模型来说就具有较高的训练价值。

可选地，若每张活体样本图像都只使用一次，或者每次抽取目标活体样本图像时都从样本图像库中随机抽取，则会导致活体样本图像的利用率低，无法针对性的多次使用有训练价值的的活体样本图像进行训练。因此为了针对性的抽取高训练价值的活体样本图像作为目标活体样本图像，首先需要确定对模型能力有帮助的活体样本图像。而活体检验模型对样本图像进行分类检测后得到的输出数据，能够体现活体检验模型对该样本的分类适应能力，因此可以基于活体检验模型对目标活体样本图像的第一输出数据确定该目标活体样本图像对于模型的训练价值。

也即在本说明书实施例中，首先需要基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据，便于后续根据活体检验模型对各目标活体样本图像的预测表现确定后续训练时的样本分布。其中，第一输出数据为活体检验模型对各目标活体样本图像输出的分类结果，一批目标活体样本图像可以根据训练需求灵活设置，通常一次训练周期中的批量样本包括64张样本图像或128张样本图像，本说明书实施例对此不作具体限定。

S204、根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重。

可选地，得到各目标活体样本图像的第一输出数据之后，而各目标活体样本图像的预测标签和标准标签之间的差异，代表当前活体检验模型对各目标活体样本图像的分类准确性，不同的分类偏差结果能够体现出活体检验模型对目标活体样本图像的需要程度，例如，当活体检验模型对于颜色昏暗的目标活体样本图像的分类结果不准确，说明此时活体检验模型还无法准确完成颜色昏暗场景下的活体检验任务，那么应该增加活体检验模型对此类活体样本图像的分类次数，来加强模型解决此类任务的能力。

进一步地，不同程度的分类结果偏差，说明活体检验模型对不同目标活体样本图像的不同需要程度，那么为了根据目标活体样本图像的第一输出数据来调整目标活体样本图像对应的样本抽取权重，可以根据活体检验模型度目标活体样本图像的输出结果进行打分，根据各目标活体样本图像的不同得分对各目标活体样本图像对应的样本抽取权重进行相应程度的调整。

具体地，可以通过对模型进行强化学习训练，通过对预测分类结果和标准结果之间的对比反馈，获知当前预测结果的准确性效果，并且基于特定的奖赏机制，根据对目标活体样本图像的第一输出数据和标准输出数据确定各目标活体样本图像对应的样本奖赏值，使得模型能基于奖赏值对各目标活体样本图像对应的样本抽取权重进行相应程度的调整，这样调整后，就可以根据不同目标活体样本图像对模型的重要程度来改变下一次训练周期中的样本分布，那么在训练过程中重要的目标活体样本图像就能够多次出现，甚至在一次训练周期中就被抽取多次，直接提高了样本利用率和模型训练效率，增强模型对样本的适应能力。

进一步地，由于一次性输入活体检验模型的目标活体样本图像有多个，那么模型对各目标活体样本图像是按照顺序进行处理的，因此各目标活体样本图像的样本奖赏值是有一定时序特征的，基于此可以采用循环神经网络(Recurrent Neural Network，RNN)来提取一批目标活体样本图像的时序特征，RNN网络能够借助循环核从时间维度提取信息，循环核参数在时序空间上共享，因此RNN可以用于对时间序列上的数据进行共享权重的计算，在本说明书实施例中就可以通过在时序累计的方式计算出一批目标活体样本图像在时序空间的样本奖赏值。

S206、基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练活体检验模型。

可选地，对于活体检验模型中的参数调整，可以使用损失函数来计算输出结果与目标结果之间的偏差，计算得到的损失函数值可以用于判断当前模型的拟合结果以及指导当前模型的调参方向，进而验证活体检验模型当前的性能。因此在本说明书实施例中，基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据，可以构建损失函数，基于损失函数可以训练活体检验模型。

S208、基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练活体检验模型，直到活体检验模型收敛。

可选地，完成一个训练周期之后，基于调整后的各样本抽取权重重新在样本图像库中抽取新训练周期的目标活体样本图像，并基于重新抽取的目标活体样本图像训练活体检验模型，直到活体检验模型收敛。在每轮训练周期中，抽取样本所使用的的样本抽取权重都是迭代更新过的，一些复杂的、更有价值的活体样本图像可能被使用过多次，提高了样本利用率和模型训练效率，最终活体检验模型收敛时，已经能够对这类复杂的活体样本图像进行准确分类，增强活体检验模型对样本的适应能力，提升活体检验模型在更多复杂环境中的活体检验准确性。

请参阅图3，图3为本说明书实施例提供的一种调整样本抽取权重的逻辑流程图。如图3所示，一批目标活体样本图像输入活体检验模型后，通过预设网络结构抽取特征并得到第一输出数据之后，通过RNN网络结构根据各目标活体样本图像第一输出数据和标准输出数据，对各目标活体样本图像进行奖赏值打分，使得各目标活体样本图像获得对应的样本奖赏值，基于各样本奖赏值反馈训练调整各目标活体样本图像的样本抽取权重；新的训练周期中，基于新的样本抽取权重再基于调整后的样本抽取权重重新抽取目标活体样本图像。图3中活体检验模型的预设网络结构是示意性的，不对方案造成限定。

在本说明书实施例中，提供一种活体检验模型训练方法，基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据；根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重；基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练活体检验模型；基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练活体检验模型，直到活体检验模型收敛。由于活体检验模型对样本图像进行分类检测后得到的输出数据，能够体现活体检验模型对该样本的分类适应能力。那么根据模型对样本图像的分类结果来调整各样本图像的样本抽取权重，来调整后续训练中的样本分布，这就使得对特定样本能够实现针对性的重复利用，提高了样本利用率和模型训练效率，增强模型对样本的适应能力，提升模型在复杂环境中的活体检验准确性。

请参阅图4，图4为本说明书实施例提供的一种活体检验模型训练方法的流程示意图。

如图4所示，活体检验模型训练方法至少可以包括：

S402、基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据。

关于步骤S402，请参阅步骤S202中的详细记载，此处不再赘述。

S404、计算各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据的输出相似度。

可选地，从上述实施例的介绍可以知道，通过各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据之间的差异可以确定模型对各目标活体样本图像的预测效果，进而确定各目标活体样本图像对模型的重要程度。进而为了确定标准输出数据和第一输出数据之间的具体差异，可以计算各目标活体样本图像的标准输出数据和对应的第一输出数据的输出相似度，对差异进行具体量化。其中，输出相似度可以是余弦相似度，或者其他可用的相似度计算方式，本说明书实施例对此不作限定。

S406、根据各输出相似度确定各目标活体样本图像对应的样本奖赏值。

可选地，计算得到各目标活体样本图像的输出相似度之后，进一步可以根据各输出相似度确定各目标活体样本图像对应的样本奖赏值。具体地，首先可以设置预设相似度阈值作为高可分性目标活体样本图像和弱可分性目标活体样本图像的分界线，确定输出相似度大于预设相似度阈值的目标活体样本图像获得负样本奖赏值，其中，各目标活体样本图像的负样本奖赏值与各目标活体样本图像的输出相似度成负相关，也即各目标活体样本图像的输出相似度越大则获得的负样本奖赏值越小；以及确定输出相似度小于或等于预设相似度阈值的目标活体样本图像获得正样本奖赏值，其中，各目标活体样本图像的正样本奖赏值与各目标活体样本图像的输出相似度成负相关，也即各目标活体样本图像的输出相似度越小则获得的正样本奖赏值越大；

S408、扩大获得正样本奖赏值的目标活体样本图像对应的样本抽取权重，以及减小获得负样本奖赏值的目标活体样本图像对应的样本抽取权重。

可选地，根据各目标活体样本图像得到的样本奖赏值，容易理解到，获得正样本奖赏值的目标活体样本图像是模型当前还无法较准确完成分类任务的，那么可以扩大这部分目标活体样本图像对应的样本抽取权重，以扩大这部分目标活体样本图像在后续的样本分布；而获得负样本奖赏值的目标活体样本图像是模型能够较准确完成分类任务的，那么可以减小这部分目标活体样本图像对应的样本抽取权重，以减小这部分目标活体样本图像在后续的样本分布。

其中，正样本奖赏值越大的目标活体样本图像对应的样本抽取权重应该越大，而负样本奖赏值越小的目标活体样本图像对应的样本抽取权重应该越小，这样调整各目标活体样本图像对应的样本抽取权重，完成了样本权重重分配，优化了下一轮训练周期的样本分布，提高样本利用率。

S4010、基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练活体检验模型。

S4012、基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练活体检验模型，直到活体检验模型收敛。

关于步骤S4010-S4012，请参阅步骤S206-S208中的详细记载，此处不再赘述。

在本说明书实施例中，提供一种活体检验模型训练方法，通过计算各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据的输出相似度，确定各目标活体样本图像对应的样本奖赏值；对于输出相似度大于预设相似度阈值的目标活体样本图像获得负样本奖赏值，并且减小获得负样本奖赏值的目标活体样本图像对应的样本抽取权重；对于输出相似度小于或等于预设相似度阈值的目标活体样本图像获得正样本奖赏值，并且扩大获得正样本奖赏值的目标活体样本图像对应的样本抽取权重。这样调整各目标活体样本图像对应的样本抽取权重，完成了样本权重重分配，优化了下一轮训练周期的样本分布，提高样本利用率。

请参阅图5，图5为本说明书实施例提供的一种活体检验模型训练方法的流程示意图。

如图5所示，活体检验模型训练方法至少可以包括：

S502、基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像。

可选地，在一轮训练周期开始时，首先在样本图像库中基于各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，用于本轮活体检验模型训练。

S504、确定各目标活体样本图像输入活体检验模型后得到的全局特征，基于全局特征确定各目标活体样本图像对应的第一输出数据。

可选地，活体检验模型对各目标活体样本图像进行预测时，首先根据网络中的特征提取层提取各目标活体样本图像的全局特征，再基于全局特征确定各目标活体样本图像对应的第一输出数据。

具体地，活体检验模型的网络结构可以采用残差网络(Residual Network，ResNet)，残差网络具有容易优化的特点，并且能够通过增加相当的深度来提高准确率，网络内部的残差块使用了跳跃连接，缓解了在其他常见深度神经网络中由于增加深度而引发的梯度消失问题和梯度爆炸问题。对于输入的目标活体样本图像通过残差网络的网络基础框架进行特征提取，网络基础框架中包含三组resblock网络结构，对于输入的固定尺寸的目标活体样本图像(例如3×128×128图像)可以提取到512×64×64的高维全局特征。

S506、拆解全局特征，得到各目标活体样本图像对应的至少一个局部特征。

可选地，活体检验模型的主任务是基于目标活体样本图像的全局特征得到第一输出结果，然后为了应对实际场景中的复杂情况，可以再进一步对活体检验模型进行增量学习，增量一个与主任务高度相关的增量任务，增量任务与主任务之间形成联合和互相约束，实现增量任务对主任务的增量优化目的。

具体地，可以进行人脸区块的特征拆解，随机拆解出不同的人脸区块特征，用于构建与主任务相关的增量任务，即希望仅通过人脸部分区域的特征也可以准确进行对活体和攻击的分类。也即首先需要拆解各目标活体样本图像的全局特征，得到各目标活体样本图像对应的至少一个局部特征。其中，拆解全局特征时，可以是完全随机选取的至少一个人脸局部区域；也可以是规划好的局部区域中随机选取，例如指定划分为左上、左下、右上、右下和中间区域，局部特征选取时则在这五个局部区域中随机选取。

S508、基于各目标活体样本图像对应的局部特征确定各目标活体样本图像对应的第二输出数据。

可选地，确定目标活体样本图像的局部特征之后，根据局部特征对目标活体样本图像进行分类，得到增量任务的输出结果。具体计算方式是将选取的各局部特征进行直接拼接，在基于拼接得到的特征确定各目标活体样本图像对应的第二输出数据，以实现通过局部人脸区域得到目标活体样本图像的预测分类结果。

S5010、根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重。

可选地，关于步骤S5010，请参阅步骤S204中的详细记载，此处不再赘述。

S5012、基于各目标活体样本图像的标准输出数据、各目标活体样本图像的第一输出数据以及各目标活体样本图像的第二输出数据构建的损失函数训练活体检验模型。

可选地，得到各目标活体样本图像基于全局特征的主任务对应的第一输出数据，以及各目标活体样本图像基于局部特征的增量任务对应的第二输出数据之后，可以基于各目标活体样本图像的标准输出数据、各目标活体样本图像的第一输出数据以及各目标活体样本图像的第二输出数据构建损失函数，并使用计算得到的损失值训练活体检验模型。具体的，在训练过程中通过多损失函数的方式将主任务分类器和增量任务分类器进行结合，从而实现端到端的联合训练，从而实现对活体攻击检测主任务的辅助学习，进一步提升活体检验模型的分类精度和鲁棒性，最后，在实际推理阶段只需要使用基于全局特征的推导流程进行预测即可。

请参阅图6，图6为本说明书实施例提供的一种活体检验模型训练方法的逻辑流程图。如图6所示，一批目标活体样本图像输入活体检验模型后，通过预设网络结构抽取全局特征，其中主任务的分类器中，直接基于全局特征对目标活体样本图像进行分类，得到主任务对应的第一输出数据；在增量任务的分类器中，首先拆解全局特征，再基于得到的至少一个局部特征对目标活体样本图像进行分类，得到增量任务对应的第二输出数据；在损失函数计算时，通过多损失函数的方式将第一输出数据、第二输出数据和标准输出数据进行结合，实现多任务联合训练。

S5014、基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练活体检验模型，直到活体检验模型收敛。

关于步骤S5014，请参阅步骤S208中的详细记载，此处不再赘述。

在本说明书实施例中，提供一种活体检验模型训练方法，除了基础的全局特征推理模块，还新增基于人脸区块的增量任务，拆解全局特征，得到各目标活体样本图像对应的至少一个局部特征，基于各目标活体样本图像对应的局部特征确定各目标活体样本图像对应的第二输出数据，并最终基于各目标活体样本图像的标准输出数据、第一输出数据以及第二输出数据构建的损失函数训练活体检验模型。在保证增量的次任务与主任务高度相关的同时，通过增量任务的学习建立与主任务之间的约束关系，从而实现对活体攻击检测主任务的辅助学习，进一步提升活体检验模型的分类精度和鲁棒性。

请参阅图7，图7为本说明书实施例提供的一种活体检验方法的流程示意图。

如图7所示，活体检验方法至少可以包括：

S702、获取待检测活体图像，以及将待检测活体图像输入活体检验模型。

可选地，在实际应用场景中，为了自动采集和检测活体数据，需要部署活体检验模型，此时活体检验模型基于自身的部署任务可以获取当前场景下的待检测活体图像，并将待检测活体图像输入活体检验模型，便于活体检验模型对待检测活体图像进行检测分析，以使得后续根据活体检验模型输出的准确检测结果对用户需求进行响应，其中，使用的活体检验模型为本说明书任一实施例中的活体检验模型。

可选地，获取当前场景下的待检测活体图像时，可以采用设备中的内置摄像头或设备连接的外置摄像头进行拍摄，实时采集当前场景下的活体数据，采集待检测活体图像之后，将待检测活体图像输入活体检验模型，活体检验模型可以对活体数据进行检测，最终确定待检测活体图像的活体检验结果是否满足预设响应条件，根据活体检验结果对当前任务进行处理。

S704、根据活体检验模型的输出数据，确定待检测活体图像对应的活体检验结果。

可选地，待检测活体图像输入活体检验模型之后，活体检验模型基于训练中学习到在检测活体数据的知识，对待检测活体图像进行分析，并得到输出数据，其中，输出数据可以是待检测活体图像为活体的概率以及为攻击的概率，基于该输出数据，可以确定待检测活体图像对应的活体检验结果，例如，当活体检验模型输出的待检测活体图像为活体的概率较大，则判断该待检测活体图像为真实活体图像，并继续响应用户需求；当活体检验模型输出的待检测活体图像为攻击的概率较大，则判断该待检测活体图像对应为活体攻击图像，显示检测结果以及验证失败的提示信息，并可以重置采集流程以继续采集下一张待检测活体图像。

在本说明书实施例中，提供一种活体检验方法，在实际应用场景中部署前述任一实施例中的活体检验模型，获取待检测活体图像，以及将待检测活体图像输入活体检验模型，根据活体检验模型的输出数据，确定待检测活体图像对应的活体检验结果。由于活体检验模型经过高价值样本的训练学习得到了更好的样本适应能力，并且经过增量任务的训练获得了更准确的活体分类能力，此时活体检验模型具备更加准确的活体检验能力，最终能输出更准确的活体检验结果，实现对用户需求的精准响应，增强用户使用体验。

请参阅图8，图8为本说明书实施例提供的一种活体检验模型训练装置的结构框图。如图8所示，活体检验模型训练装置800包括：

活体分类模块810，用于基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据；

样本奖励模块820，用于根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重；

损失计算模块830，用于基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练活体检验模型；

模型训练模块840，用于基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练活体检验模型，直到活体检验模型收敛。

可选地，样本奖励模块820，还用于计算各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据的输出相似度；根据各输出相似度确定各目标活体样本图像对应的样本奖赏值。

可选地，样本奖励模块820，还用于确定输出相似度大于预设相似度阈值的目标活体样本图像获得负样本奖赏值，其中，各目标活体样本图像的负样本奖赏值与各目标活体样本图像的输出相似度成负相关；确定输出相似度小于或等于预设相似度阈值的目标活体样本图像获得正样本奖赏值，其中，各目标活体样本图像的正样本奖赏值与各目标活体样本图像的输出相似度成负相关；扩大获得正样本奖赏值的目标活体样本图像对应的样本抽取权重，以及减小获得负样本奖赏值的目标活体样本图像对应的样本抽取权重。

可选地，活体分类模块810，还用于确定各目标活体样本图像输入活体检验模型后得到的全局特征，基于全局特征确定各目标活体样本图像对应的第一输出数据。

可选地，活体检验模型训练装置800还包括：局部特征分类模块，用于拆解全局特征，得到各目标活体样本图像对应的至少一个局部特征；基于各目标活体样本图像对应的局部特征确定各目标活体样本图像对应的第二输出数据。

可选地，损失计算模块830，还用于基于各目标活体样本图像的标准输出数据、各目标活体样本图像的第一输出数据以及各目标活体样本图像的第二输出数据构建的损失函数训练活体检验模型。

在本说明书实施例中，提供一种活体检验模型训练装置，其中，活体分类模块，用于基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据；样本奖励模块，用于根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重；损失计算模块，用于基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练活体检验模型；模型训练模块，用于基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练活体检验模型，直到活体检验模型收敛。由于活体检验模型对样本图像进行分类检测后得到的输出数据，能够体现活体检验模型对该样本的分类适应能力。那么根据模型对样本图像的分类结果来调整各样本图像的样本抽取权重，来调整后续训练中的样本分布，这就使得对特定样本能够实现针对性的重复利用，提高了样本利用率和模型训练效率，增强模型对样本的适应能力，提升模型在复杂环境中的活体检验准确性。

请参阅图9，图9为本说明书实施例提供的一种活体检验装置的结构框图。如图9所示，活体检验装置900包括：

数据获取模块910，用于获取待检测活体图像，以及将待检测活体图像输入活体检验模型；

活体检验模块920，用于根据活体检验模型的输出数据，确定待检测活体图像对应的活体检验结果；

其中，活体检验模型为上述任一实施例中包括的活体检验模型。

在本说明书实施例中，提供一种活体检验装置，其中，数据获取模块，用于获取待检测活体图像，以及将待检测活体图像输入活体检验模型；活体检验模块，用于根据活体检验模型的输出数据，确定待检测活体图像对应的活体检验结果。由于活体检验模型经过高价值样本的训练学习得到了更好的样本适应能力，并且经过增量任务的训练获得了更准确的活体分类能力，此时活体检验模型具备更加准确的活体检验能力，最终能输出更准确的活体检验结果，实现对用户需求的精准响应，增强用户使用体验。

本说明书实施例提供一种包含指令的计算机程序产品，当计算机程序产品在计算机或处理器上运行时，使得计算机或处理器执行上述实施例中任一项的方法的步骤。

本说明书实施例还提供了一种计算机存储介质，计算机存储介质可以存储有多条指令，指令适于由处理器加载并执行如上述实施例中的任一项的方法的步骤。

请参见图10，图10为本说明书实施例提供的一种终端的结构示意图。如图10所示，终端1000可以包括：至少一个终端处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

其中，终端处理器1001可以包括一个或者多个处理核心。终端处理器1001利用各种接口和线路连接整个终端1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行终端1000的各种功能和处理数据。可选的，终端处理器1001可以采用数字信号处理(Digital SignalProcessing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。终端处理器1001可集成中心处理器(Central Processing Unit，CPU)、图像处理器(Graphics ProcessingUnit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到终端处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述终端处理器1001的存储装置。如图10所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及活体检验模型训练及活体检验程序。

在图10所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而终端处理器1001可以用于调用存储器1005中存储的活体检验模型训练程序，并具体执行以下操作：

基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据；

根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重；

基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练活体检验模型；

基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练活体检验模型，直到活体检验模型收敛。

在一些实施例中，终端处理器1001在执行根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值时，具体执行以下步骤：计算各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据的输出相似度；根据各输出相似度确定各目标活体样本图像对应的样本奖赏值。

在一些实施例中，终端处理器1001在执行根据各输出相似度确定各目标活体样本图像对应的样本奖赏值时，具体执行以下步骤：确定输出相似度大于预设相似度阈值的目标活体样本图像获得负样本奖赏值，其中，各目标活体样本图像的负样本奖赏值与各目标活体样本图像的输出相似度成负相关；确定输出相似度小于或等于预设相似度阈值的目标活体样本图像获得正样本奖赏值，其中，各目标活体样本图像的正样本奖赏值与各目标活体样本图像的输出相似度成负相关；同时，终端处理器1001在执行根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重时，具体执行以下步骤：扩大获得正样本奖赏值的目标活体样本图像对应的样本抽取权重，以及减小获得负样本奖赏值的目标活体样本图像对应的样本抽取权重。

在一些实施例中，终端处理器1001在执行确定各目标活体样本图像输入活体检验模型后得到的第一输出数据时，具体执行以下步骤：确定各目标活体样本图像输入活体检验模型后得到的全局特征，基于全局特征确定各目标活体样本图像对应的第一输出数据。

在一些实施例中，终端处理器1001在执行确定各目标活体样本图像输入活体检验模型后得到的第一输出数据之后，还具体执行以下步骤：拆解全局特征，得到各目标活体样本图像对应的至少一个局部特征；基于各目标活体样本图像对应的局部特征确定各目标活体样本图像对应的第二输出数据。

在一些实施例中，终端处理器1001在执行基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练活体检验模型时，具体执行以下步骤：基于各目标活体样本图像的标准输出数据、各目标活体样本图像的第一输出数据以及各目标活体样本图像的第二输出数据构建的损失函数训练活体检验模型。

在图10所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而终端处理器1001还可以用于调用存储器1005中存储的活体检验程序，并具体执行以下操作：

获取待检测活体图像，以及将待检测活体图像输入活体检验模型；

根据活体检验模型的输出数据，确定待检测活体图像对应的活体检验结果；

其中，活体检验模型为上述任一实施例中包括的活体检验模型。

在本说明书所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。上述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行上述计算机程序指令时，全部或部分地产生按照本说明书实施例上述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者通过上述计算机可读存储介质进行传输。上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DigitalSubscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字多功能光盘(DigitalVersatile Disc，DVD))、或者半导体介质(例如，固态硬盘(Solid State Disk，SSD))等。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本说明书实施例所提供的一种活体检验模型训练及活体检验方法、装置以及存储介质的描述，对于本领域的技术人员，依据本说明书实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本说明书实施例的限制。

Claims (12)

1.一种活体检验模型训练方法，所述方法包括：

基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据；

根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重；

基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练所述活体检验模型；

基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练所述活体检验模型，直到所述活体检验模型收敛。

2.根据权利要求1所述的方法，所述根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，包括：

计算各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据的输出相似度；

根据各输出相似度确定各目标活体样本图像对应的样本奖赏值。

3.根据权利要求2所述的方法，所述根据各输出相似度确定各目标活体样本图像对应的样本奖赏值，包括：

确定输出相似度大于预设相似度阈值的目标活体样本图像获得负样本奖赏值，其中，各目标活体样本图像的负样本奖赏值与各目标活体样本图像的输出相似度成负相关；

确定输出相似度小于或等于所述预设相似度阈值的目标活体样本图像获得正样本奖赏值，其中，各目标活体样本图像的正样本奖赏值与各目标活体样本图像的输出相似度成负相关；

所述根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重，包括：

扩大获得所述正样本奖赏值的目标活体样本图像对应的样本抽取权重，以及减小获得所述负样本奖赏值的目标活体样本图像对应的样本抽取权重。

4.根据权利要求1所述的方法，所述确定各目标活体样本图像输入活体检验模型后得到的第一输出数据，包括：

确定各目标活体样本图像输入活体检验模型后得到的全局特征，基于所述全局特征确定各目标活体样本图像对应的第一输出数据。

5.根据权利要求4所述的方法，所述确定各目标活体样本图像输入活体检验模型后得到的第一输出数据之后，还包括：

拆解所述全局特征，得到各目标活体样本图像对应的至少一个局部特征；

基于各目标活体样本图像对应的局部特征确定各目标活体样本图像对应的第二输出数据。

6.根据权利要求5所述的方法，所述基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练所述活体检验模型，包括：

基于各目标活体样本图像的标准输出数据、各目标活体样本图像的第一输出数据以及各目标活体样本图像的第二输出数据构建的损失函数训练所述活体检验模型。

7.一种活体检验方法，所述方法包括：

获取待检测活体图像，以及将所述待检测活体图像输入活体检验模型；

根据所述活体检验模型的输出数据，确定所述待检测活体图像对应的活体检验结果；

其中，所述活体检验模型为权利要求1至6任一项所述的活体检验模型。

8.一种活体检验模型训练装置，所述装置包括：

活体分类模块，用于基于样本图像库中各活体样本图像的样本抽取权重，抽取至少一个目标活体样本图像，以及确定各目标活体样本图像输入活体检验模型后得到的第一输出数据；

样本奖励模块，用于根据各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据确定各目标活体样本图像对应的样本奖赏值，以及根据各目标活体样本图像对应的样本奖赏值调整各目标活体样本图像对应的样本抽取权重；

损失计算模块，用于基于各目标活体样本图像的标准输出数据和各目标活体样本图像的第一输出数据构建的损失函数训练所述活体检验模型；

模型训练模块，用于基于调整后的各样本抽取权重新抽取目标活体样本图像，并基于重新抽取后的目标活体样本图像训练所述活体检验模型，直到所述活体检验模型收敛。

9.一种活体检验装置，所述装置包括：

数据获取模块，用于获取待检测活体图像，以及将所述待检测活体图像输入活体检验模型；

活体检验模块，用于根据所述活体检验模型的输出数据，确定所述待检测活体图像对应的活体检验结果；

其中，所述活体检验模型为权利要求1至6任一项所述的活体检验模型。

10.一种包含指令的计算机程序产品，当所述计算机程序产品在计算机或处理器上运行时，使得所述计算机或所述处理器执行如权利要求1至6或者7任意一项所述方法的步骤。

11.一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1至6或者7任意一项的所述方法的步骤。

12.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至6或者7任一项所述方法的步骤。

Images