[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

本發明公開了一種人臉活體識別模型的訓練方法、人臉活體的識別方法、系統、設備及介質，該訓練方法包括以下步驟：獲取待訓練的可見光圖像；對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；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；將所有特征映射圖輸入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。本發明擴增了輸入通道的數量，提高了神經網絡模型學習的起點，增強了神經網絡模型進行活體識別的準確度。

技術領域

本發明涉及計算機視覺技術領域，具體涉及一種人臉活體識別模型的訓練方法、人臉活體的識別方法、系統、設備及介質。

背景技術

目前，人臉照片、人臉視頻以及三維面具等假體人臉攻擊方式層出不窮，人臉活體檢測越來越受到人們的關注。活體檢測是指計算機判別檢測的人臉是真實人臉還是假體人臉，只有在判別為真實人臉的情況下，才能進入后續的人臉識別流程。現有的人臉活體檢測主要依靠獲取用戶的人臉圖像，通過訓練活體檢測模塊判斷輸入人臉是否為活體。

然而，在訓練活體檢測模型的過程中，通常將數據增強作為一種擴充數據集的方法，也即，只是通過對樣本數量進行擴充從而增加數據的多樣性，使得預處理卷積層對RGB圖像或者灰度圖像的特征提取不夠，造成神經網絡模型識別的準確性低。

發明內容

本發明要解決的技術問題是為了克服現有技術中只是將數據增強作為一種擴充數據集的方法，預處理卷積層對RGB圖像或者灰度圖像的特征提取不夠，造成模型識別準確性低的缺陷，提供一種人臉活體識別模型的訓練方法、人臉活體的識別方法、系統、設備及介質。

本發明是通過下述技術方案來解決上述技術問題：

第一方面，本發明提供一種人臉活體識別模型的訓練方法，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。

較佳地，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。

較佳地，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，

較佳地，所述特征映射圖中的像素值的范圍為[0,1]；

和/或，