[發明專利]一種圖片質量和靜默活體檢測多任務訓練方法和設備

在審

• 申請號: 202110132064.7
• 申請日: 2021-01-31
• 公開（公告）號: CN112749687A
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 胡炳然;劉青松;梁家恩
• 申請（專利權）人: 云知聲智能科技股份有限公司;廈門云知芯智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種圖片質量和靜默活體檢測多任務訓練方法，其特征在于，包括：

獲取包括多個訓練樣本；其中，每個所述訓練樣本均對應質量標簽和活體標簽；

融合每個所述訓練樣本的所述質量標簽和所述活體標簽得到每個所述訓練樣本的活體質量標簽；

通過帶有所述活體質量標簽的多個所述訓練樣本對預先建立的mobilefacenet模型進行訓練，得到多任務判定模型；其中，所述mobilefacenet模型中的解碼層由全連接層和激活函數SquareAct組成；

獲取待檢測對象的樣本圖像；

將所述樣本圖像輸入所述多任務判定模型，得到所述樣本圖像對應的判定概率；

若所述判定概率大于預置閾值，則確定多任務檢測通過。

2.根據權利要求1所述的方法，其特征在于，所述質量標簽對應的質量標簽值的范圍在0-1之間，所述活體標簽對應的活體標簽值的為0或1；所述活體質量標簽對應的活體質量標簽值的范圍在0-1之間。

3.根據權利要求1或2所述的方法，其特征在于，所述活體質量標簽對應的活體質量標簽值為所述質量標簽對應的質量標簽值與所述活體標簽對應的活體標簽值的乘積。

4.根據權利要求1所述的方法，其特征在于，所述mobilefacenet模型還包括：輸入層、卷積層、Sigmoid激活層、交叉熵損失函數層；其中，

所述輸入層連接所述卷積層，所述卷積層連接所述解碼層、所述解碼層連接所述Sigmoid激活層、所述Sigmoid激活層連接所述交叉熵損失函數層；

所述交叉熵損失函數層連接所述卷積層。

5.根據權利要求1所述的方法，其特征在于，還包括：若所述判定概率不大于預置閾值，則確定多任務檢測未通過。

6.一種圖片質量和靜默活體檢測多任務訓練設備，其特征在于，包括：

第一獲取模塊，用于獲取包括多個訓練樣本；其中，每個所述訓練樣本均對應質量標簽和活體標簽；

融合模塊，用于融合每個所述訓練樣本的所述質量標簽和所述活體標簽得到每個所述訓練樣本的活體質量標簽；

訓練模塊，用于通過帶有所述活體質量標簽的多個所述訓練樣本對預先建立的mobilefacenet模型進行訓練，得到多任務判定模型；其中，所述mobilefacenet模型中的解碼層由全連接層和激活函數SquareAct組成；

第二獲取模塊，用于獲取待檢測對象的樣本圖像；

判定模塊，用于將所述樣本圖像輸入所述多任務判定模型，得到所述樣本圖像對應的判定概率；

確定模塊，用于當所述判定概率大于預置閾值時，確定多任務檢測通過。

7.根據權利要求6所述的設備，其特征在于，所述質量標簽對應的質量標簽值的范圍在0-1之間，所述活體標簽對應的活體標簽值的范圍在0-1之間；所述活體質量標簽對應的活體質量標簽值的范圍在0-1之間。

8.根據權利要求6或7所述的設備，其特征在于，所述活體質量標簽對應的活體質量標簽值為所述質量標簽對應的質量標簽值與所述活體標簽對應的活體標簽值的乘積。

9.根據權利要求6所述的設備，其特征在于，所述mobilefacenet模型還包括：輸入層、卷積層、Sigmoid激活層、交叉熵損失函數層；其中，

所述輸入層連接所述卷積層，所述卷積層連接所述解碼層、所述解碼層連接所述Sigmoid激活層、所述Sigmoid激活層連接所述交叉熵損失函數層；

所述交叉熵損失函數層連接所述卷積層。

10.根據權利要求6所述的設備，其特征在于，還包括：

處理模塊，用于當所述判定概率不大于預置閾值時，確定多任務檢測未通過。