[發明專利]人臉活體檢測模型的訓練、檢測方法、裝置及電子設備

在審

• 申請號: 202010340263.2
• 申請日: 2020-04-26
• 公開（公告）號: CN111597918A
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 蘇馳;李凱;劉弘也;袁寶煜
• 申請（專利權）人: 北京金山云網絡技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京博遵律師事務所 11761
• 代理人: 馬佑平

本實施例公開了一種人臉活體檢測模型的訓練、檢測方法、裝置、電子設備及存儲介質。包括：獲取包括多個人臉訓練樣本的樣本集，每個人臉訓練樣本包括同一人臉樣本的至少兩種模態人臉圖像，以及正或負樣本的標識；將各人臉訓練樣本的第一模態人臉圖像輸入與第一模態相對應的第一模態特征提取子網絡，獲得第一模態特征；將各人臉訓練樣本的第二模態人臉圖像輸入與第二模態相對應的第二模態特征提取子網絡，獲得第二模態特征；將第一模態特征、第二模態特征與正或負樣本的標識組合為多模態特征訓練樣本；將多模態特征訓練樣本組成的樣本集輸入至多模態特征處理子網絡；根據輸入的訓練樣本集，訓練人臉活體檢測模型的模型參數，得到人臉活體檢測模型。

技術領域

本公開的實施例涉及人工智能技術領域，尤其涉及一種人臉活體檢測模型的訓練方法、人臉活體檢測方法、裝置、電子設備及計算機存儲介質。

背景技術

隨著人臉識別的廣泛應用，活體檢測也變得不可或缺。活體檢測是人臉識別的前置模塊，目的是自動判別檢測到的人臉是真實的人臉，還是偽造的人臉，只有判別為真實人臉的情況下才會進入后續的人臉識別流程。由于偽造形式多種多樣，高精度的活體檢測是一項非常有挑戰性的任務。

現有的活體檢測方法分為兩類：交互式的活體檢測以及非交互式的活體檢測。交互式的活體檢測通過和用戶進行交互來進行活體檢測，例如眨眼睛、扭頭、做表情等。但這種算法需要用戶配合，便捷性較差，部署場景局限。非交互式的活體檢測不需要用戶配合，只需要用戶的人臉圖像即可，通過訓練活體檢測模型判斷輸入人臉是否是活體。然而現有的非交互式算法大都只使用人臉的RGB信息，很難處理打印照片、播放視頻等攻擊方式。因此，根據人臉RGB信息訓練出來的人臉活體檢測模型具有檢測精度低的問題。

發明內容

本公開實施例的目的在于提供一種人臉活體檢測模型的訓練方法、人臉活體檢測方法、裝置、電子設備及計算機可讀存儲介質，以提高人臉活體檢測的精度。

根據本公開實施例的第一方面，提供了一種人臉活體檢測模型的訓練方法，所述方法包括：

可選的，所述利用所述訓練樣本集訓練所述初始人臉活體檢測模型，對所述特征提取網絡的參數、所述輸出層網絡的參數進行更新，直至所述參數收斂包括：

對所述訓練樣本集中的每個樣本在所述輸出層網絡的輸出結果進行計算，得到每個樣本的概率分布向量；

將所述概率分布向量代入預設的分類損失函數進行計算，得到所述訓練樣本集中每個樣本的分類損失；

基于所述分類損失對所述特征提取網絡的參數、所述輸出層網絡的參數進行更新，得到收斂的特征提取網絡和收斂的輸出層網絡。

可選的，所述對所述訓練樣本集中的每個樣本在所述輸出層網絡的輸出結果進行計算，得到每個樣本的概率分布向量，包括：

從所述訓練樣本集中選取一個樣本輸入所述特征提取網絡和所述輸出層網絡，得到對應的輸出結果；

將所述輸出結果輸入歸一化指數函數，得到所述概率分布向量。

可選的，所述基于所述分類損失對所述特征提取網絡的參數、所述輸出層網絡的參數進行更新，得到收斂的特征提取網絡和收斂的輸出層網絡包括：

根據所述分類損失和預設的反向傳播算法計算所述特征提取網絡的參數的第一導數，以及所述輸出層網絡的參數的第二導數；

根據所述第一導數和梯度下降算法對所述特征提取網絡的參數進行更新，并根據所述第二導數和梯度下降算法對所述輸出層網絡的參數進行更新；

根據所述訓練樣本集中多個樣本的分類損失對所述特征提取網絡的參數以及所述輸出層網絡的參數進行多次更新，直至收斂得到收斂的特征提取網絡和收斂的輸出層網絡。

可選的，所述初始人臉活體檢測模型還包括后處理網絡，其中所述方法還包括：