[發(fā)明專利]一種圖片質(zhì)量和靜默活體檢測多任務(wù)訓(xùn)練方法和設(shè)備

在審

• 申請?zhí)枺?/td>: 202110132064.7
• 申請日: 2021-01-31
• 公開（公告）號: CN112749687A
• 公開（公告）日: 2021-05-04
• 發(fā)明（設(shè)計）人: 胡炳然;劉青松;梁家恩
• 申請（專利權(quán)）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

本發(fā)明涉及一種圖片質(zhì)量和靜默活體檢測多任務(wù)訓(xùn)練方法和設(shè)備，該方法包括：獲取包括多個訓(xùn)練樣本；其中，每個訓(xùn)練樣本均對應(yīng)質(zhì)量標(biāo)簽和活體標(biāo)簽；融合每個訓(xùn)練樣本的質(zhì)量標(biāo)簽和活體標(biāo)簽得到每個訓(xùn)練樣本的活體質(zhì)量標(biāo)簽；通過帶有活體質(zhì)量標(biāo)簽的多個訓(xùn)練樣本對預(yù)先建立的mobilefacenet模型進(jìn)行訓(xùn)練，得到多任務(wù)判定模型；獲取待檢測對象的樣本圖像；將樣本圖像輸入多任務(wù)判定模型，得到樣本圖像對應(yīng)的判定概率；若判定概率大于預(yù)置閾值，則確定多任務(wù)檢測通過。本方案中的多任務(wù)學(xué)習(xí)可降低模型復(fù)雜度，提高模型泛化性，降低系統(tǒng)整體耗時。此外，引入的新激活函數(shù)SquareAct,使得在進(jìn)行質(zhì)量判定和活體檢測任務(wù)時更加有效。

技術(shù)領(lǐng)域

本發(fā)明涉及圖片質(zhì)量和靜默活體檢測的訓(xùn)練技術(shù)領(lǐng)域，具體涉及一種圖片質(zhì)量和靜默活體檢測多任務(wù)訓(xùn)練方法和設(shè)備。

背景技術(shù)

目前，人臉識別的技術(shù)被大量的應(yīng)用在車站，支付，授權(quán)等場景，而人臉識別特別依賴對應(yīng)的人臉圖像的質(zhì)量，人臉圖像的質(zhì)量能顯著的影響到人了識別的識別效率以及識別成功率。

而為了提高識別的成功率，以及面對某些利用照片等進(jìn)行欺騙人臉識別系統(tǒng)的方式，現(xiàn)有的技術(shù)方案在進(jìn)行人臉識別任務(wù)之前，一般需要經(jīng)過圖片質(zhì)量過濾和活體檢測兩個環(huán)節(jié)，用來排除不符合要求(質(zhì)量低、假體攻擊等)的圖片。

但是，人臉圖片質(zhì)量判定和活體檢測判定，這兩個過程，在現(xiàn)有的技術(shù)方案中，均是獨立地分別進(jìn)行的，這導(dǎo)致存在一些問題：人臉圖片質(zhì)量判定和活體檢測判定這兩個環(huán)節(jié)分別獨立進(jìn)行，忽略了任務(wù)之間的聯(lián)系，且增加了系統(tǒng)耗時，進(jìn)而影響到了最終人臉識別的效率。

為此，現(xiàn)在需要有一種更好的方案來解決現(xiàn)有技術(shù)中的問題。

發(fā)明內(nèi)容

本發(fā)明提供一種圖片質(zhì)量和靜默活體檢測多任務(wù)訓(xùn)練方法和設(shè)備，能夠解決現(xiàn)有技術(shù)中效率低下的技術(shù)問題。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：

本發(fā)明實施例提出了一種圖片質(zhì)量和靜默活體檢測多任務(wù)訓(xùn)練方法，包括：

獲取包括多個訓(xùn)練樣本；其中，每個所述訓(xùn)練樣本均對應(yīng)質(zhì)量標(biāo)簽和活體標(biāo)簽；

融合每個所述訓(xùn)練樣本的所述質(zhì)量標(biāo)簽和所述活體標(biāo)簽得到每個所述訓(xùn)練樣本的活體質(zhì)量標(biāo)簽；

通過帶有所述活體質(zhì)量標(biāo)簽的多個所述訓(xùn)練樣本對預(yù)先建立的mobilefacenet模型進(jìn)行訓(xùn)練，得到多任務(wù)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(shù)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(wù)判定模型，得到所述樣本圖像對應(yīng)的判定概率；

若所述判定概率大于預(yù)置閾值，則確定多任務(wù)檢測通過。

在一個具體的實施例中，所述質(zhì)量標(biāo)簽對應(yīng)的質(zhì)量標(biāo)簽值的范圍在0-1之間，所述活體標(biāo)簽對應(yīng)的活體標(biāo)簽值的為0或1；所述活體質(zhì)量標(biāo)簽對應(yīng)的活體質(zhì)量標(biāo)簽值的范圍在0-1之間。

在一個具體的實施例中，所述活體質(zhì)量標(biāo)簽對應(yīng)的活體質(zhì)量標(biāo)簽值為所述質(zhì)量標(biāo)簽對應(yīng)的質(zhì)量標(biāo)簽值與所述活體標(biāo)簽對應(yīng)的活體標(biāo)簽值的乘積。

在一個具體的實施例中，所述mobilefacenet模型還包括：輸入層、卷積層、Sigmoid激活層、交叉熵?fù)p失函數(shù)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?fù)p失函數(shù)層；

所述交叉熵?fù)p失函數(shù)層連接所述卷積層。

在一個具體的實施例中，該方法還包括：若所述判定概率不大于預(yù)置閾值，則確定多任務(wù)檢測未通過。