[發明專利]模型的訓練方法、人臉活體識別方法、系統、設備及介質

在審

• 申請號: 202011447167.4
• 申請日: 2020-12-09
• 公開（公告）號: CN112464873A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 沈濤;羅超;胡泓;李巍
• 申請（專利權）人: 攜程計算機技術（上海）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 楊東明;張冉

1.一種人臉活體識別模型的訓練方法，其特征在于，所述訓練方法包括以下步驟：

獲取待訓練的可見光圖像；

對所述可見光圖像進行數據增強處理，獲取多個不同種類的特征映射圖；其中，所述數據增強處理不改變所述可見光圖像的活體信息；

將多通道殘差卷積神經網絡模型的初始卷積層的輸入通道的數量進行修改；

將所有所述特征映射圖輸入所述多通道殘差卷積神經網絡模型的初始卷積層的輸入通道中進行訓練，生成人臉活體識別模型；

其中，所述多通道殘差卷積神經網絡模型中每個輸入通道具有相同的網絡結構，且每個輸入通道對應于一種特征映射圖，所述初始卷積層的輸入通道的個數值為所述特征映射圖的個數值之和。

2.如權利要求1所述的人臉活體識別模型的訓練方法，其特征在于，所述將所有所述特征映射圖輸入所述多通道殘差卷積神經網絡模型的初始卷積層的輸入通道中進行訓練的步驟，包括：

沿通道方向以預設的固定順序來排列所述特征映射圖；

將排列后的所述特征映射圖一一對應的輸入至所述輸入通道；

對輸入特征映射圖后的所述輸入通道進行融合處理；其中，所述融合處理包括拼接。

3.如權利要求1所述的人臉活體識別模型的訓練方法，其特征在于，所述對所述可見光圖像進行數據增強處理的步驟包括：

對所述可見光圖像按照預設順序依次進行12種數據增強處理；其中，所述預設順序為圖像傅里葉變換、圖像小波變換、隨機通道丟失變換、隨機通道混洗變換、下縮放、圖像值反轉、運動模糊、翻轉、網格刪除變換、隨機混洗網格、隨機縮放截取以及平移尺度縮放；

和/或，

所述特征映射圖中的像素值的范圍為[0,1]；

和/或，

所述可見光圖像為僅包含人臉部分的三通道RGB圖像，所述特征映射圖的種類包括RGB圖像和灰度圖像；所述多通道殘差卷積神經網絡模型為ResNet50，修改后的所述初始卷積層的輸入通道的個數值為32，所述多通道殘差卷積神經網絡模型使用的損失函數為交叉熵損失函數。

4.一種人臉活體識別模型的訓練系統，其特征在于，所述訓練系統包括：

第一獲取模塊，用于獲取待訓練的可見光圖像；

數據增強處理模塊，用于對所述可見光圖像進行數據增強處理，獲取多個不同種類的特征映射圖；其中，所述數據增強處理不改變所述可見光圖像的活體信息；

修改模塊，用于將多通道殘差卷積神經網絡模型的初始卷積層的輸入通道的數量進行修改；

訓練模塊，用于將所有所述特征映射圖輸入所述多通道殘差卷積神經網絡模型的初始卷積層的輸入通道中進行訓練，生成人臉活體識別模型；

其中，所述多通道殘差卷積神經網絡模型中每個輸入通道具有相同的網絡結構，且每個輸入通道對應于一種特征映射圖，所述初始卷積層的輸入通道的個數值為所述特征映射圖的個數值之和。

5.如權利要求4所述的人臉活體識別模型的訓練系統，其特征在于，所述訓練模塊，包括：

排列單元，用于沿通道方向以預設的固定順序來排列所述特征映射圖；

輸入單元，用于將排列后的所述特征映射圖一一對應的輸入至所述輸入通道；

融合單元，用于對輸入特征映射圖后的所述輸入通道進行融合處理，所述融合處理包括拼接。

6.如權利要求4所述的人臉活體識別模型的訓練系統，其特征在于，所述數據增強處理模塊具體用于：

對所述可見光圖像按照預設順序依次進行12種數據增強處理；其中，所述預設順序為圖像傅里葉變換、圖像小波變換、隨機通道丟失變換、隨機通道混洗變換、下縮放、圖像值反轉、運動模糊、翻轉、網格刪除變換、隨機混洗網格、隨機縮放截取以及平移尺度縮放；

和/或，

所述特征映射圖中的像素值的范圍為[0,1]；

和/或，

所述可見光圖像為僅包含人臉部分的三通道RGB圖像，所述特征映射圖的種類包括RGB圖像和灰度圖像；所述多通道殘差卷積神經網絡模型為ResNet50，修改后的所述初始卷積層的輸入通道的個數值為32，所述多通道殘差卷積神經網絡模型使用的損失函數為交叉熵損失函數。