[發明專利]活體識別輔助網絡的訓練方法、終端、設備及存儲介質

有效

• 申請號: 202011307025.8
• 申請日: 2020-11-20
• 公開（公告）號: CN112364803B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 朱鑫懿;魏文應;安欣賞;張偉民;李革;張世雄;李楠楠
• 申請（專利權）人: 深圳龍崗智能視聽研究院
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06V40/40;G06V40/16
• 代理公司: 北京京萬通知識產權代理有限公司 11440
• 代理人: 萬學堂

1.一種基于角度信息的活體識別輔助網絡的訓練方法，其特征在于，所述基于角度信息的活體識別輔助網絡和訓練方法包括：

準備訓練數據，采集待識別人臉圖片、人臉類別和人臉角度的訓練數據；

輸入所述訓練數據至特征提取網絡，獲得人臉特征；

將所述人臉特征分別輸入到分類網絡和角度檢測網絡中，獲得分類結果和人臉角度預測值；

計算所述人臉角度預測值中預測角度和所述分類結果中標簽角度的差異，對不同的樣本的損失函數值分配不同的權重，計算損失函數值，然后采用梯度下降算法更新所述損失函數參數，具體地：

所述基于角度信息的損失函數L的計算表達式如下：

；

其中，N為訓練樣本總數量，n指第n個樣本，C取3，對應著三個人臉角度，為網絡輸出的第n個樣本第c種角度的值，為實際標簽中第n個樣本第c種角度的值，為網絡輸出的分類結果，為實際標簽的分類結果；其中為傳統的均方誤差損失函數，也可替換成交叉熵損失函數；

根據網絡預測的角度的與真實角度的差值計算其對應角度的平衡因子))，實現對不同角度的數據根據其學習情況采取不同的權重；最后通過深度學習中梯度下降的方法更新模型參數。

2.如權利要求1所述的基于角度信息的活體識別輔助網絡的訓練方法，其特征在于，所述人臉圖片為人臉中心化的圖片，人臉位置位于圖片的中心，圖片記為，獲取方法采用人臉矯正方法。

3.如權利要求1所述的基于角度信息的活體識別輔助網絡的訓練方法，其特征在于，所述人臉圖片對應的標簽包括類別和人臉角度信息，所述類別包括活體和非活體，其中標簽類別記為，標簽類別的值為0或1，0代表非活體，1代表活體。

4.如權利要求1所述的基于角度信息的活體識別輔助網絡的訓練方法，其特征在于，所述人臉角度信息采用人臉關鍵點進行估計人臉的三維旋轉角度，即俯仰角pitch、偏航角yaw和翻轉角roll，記為()；人臉關鍵點檢測采用深度學習方法，角度的計算采用仿射變換的方法。

5.如權利要求1所述的基于角度信息的活體識別輔助網絡的訓練方法，其特征在于，利用深度學習模型對人臉圖像進行特征提取，獲取到的人臉特征記，所述特征提取網絡的結構采用主流的網絡結構ResNet、EfficientNet、MobileNet和SqueezeNet中的任意一種；

所述獲得分類結果和人臉角度預測值的方法，包括：輸入人臉特征到分類網絡和角度檢測網絡中，分類網絡輸出分類結果，范圍為[0,1]，值0分類結果為非活體，值1分類結果則為活體；角度檢測網絡輸出人臉的角度信息，記為()。

6.一種網絡結構，其特征在于，所述網絡結構實施權利要求1~5任意一項所述的基于角度信息的活體識別輔助網絡的訓練方法，所述網絡結構包括：

輸入圖片模塊：用于在采集的圖片中通過人臉檢測模型獲取人臉的位置并裁剪出來的人臉圖像；

人臉特征提取網絡：用于提取人臉圖像中的人臉特征；

人臉特征模塊：用于提取出人臉視覺信息；

分類網絡：用于利用人臉特征中的視覺信息進行分類；

角度檢測網絡：用于提取人臉特征中角度相關的信息，預測人臉的角度；

分類損失函數值模塊：用于基于角度信息的損失函數，衡量訓練樣本的誤差，根據預測的角度信息和標簽的角度信息的差異自適應的調整樣本誤差的權重；

人臉角度信息模塊：用于預測人臉圖像的三個旋轉角度，包括俯仰角、偏航角和翻轉角。

7.一種信息數據處理終端，其特征在于，所述信息數據處理終端用于實施權利要求1~5任意一項所述基于角度信息的活體識別輔助網絡的訓練方法。

8.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執行時，使得所述處理器執行權利要求1~6任意一項所述的基于角度信息的活體識別輔助網絡的訓練方法。

9.一種計算機可讀存儲介質，儲存有指令，當所述指令在計算機上運行時，使得計算機執行如權利要求1~6任意一項所述的基于角度信息的活體識別輔助網絡的訓練方法。