[發明專利]活體人臉檢測模型的訓練方法、裝置、設備及存儲介質

有效

• 申請號: 202110482189.2
• 申請日: 2021-04-30
• 公開（公告）號: CN113052144B
• 公開（公告）日: 2023-02-28
• 發明（設計）人: 喻晨曦
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V40/40;G06V10/80;G06N3/096;G06N3/047;G06N3/094
• 代理公司: 深圳國新南方知識產權代理有限公司 44374
• 代理人: 代文成

1.一種活體人臉檢測模型的訓練方法，其特征在于，所述方法包括：

獲取屬于不同領域的人臉樣本圖像集，所述人臉樣本圖像集中的人臉樣本圖像攜帶有活體或非活體的標注；

選取與各所述領域一一對應的教師網絡，通過所述人臉樣本圖像集對對應的教師網絡進行二分類訓練；

當訓練得到所述教師網絡的損失函數收斂且所述教師網絡的預測準確率在預設范圍之內時，對所述教師網絡進行凍結；

將人臉圖像數據集中的人臉圖像輸入至各所述教師網絡，通過各所述教師網絡輸出所述人臉圖像為活體人臉的預測概率；

將通過各所述教師網絡輸出的所述預測概率的平均值作為學生網絡的目標概率值，通過所述人臉圖像數據集對所述學生網絡進行訓練；

當所述學生網絡的損失函數收斂時，獲取所述學生網絡的特征提取器的參數；

將所述學生網絡的特征提取器的參數作為活體人臉檢測模型中特征提取器的參數的初始值，通過所述人臉樣本圖像集對所述活體人臉檢測模型進行元學習訓練；

當所述活體人臉檢測模型的損失函數收斂時，得到訓練好的活體人臉檢測模型；

其中，所述通過所述人臉樣本圖像集對所述活體人臉檢測模型進行元學習訓練的步驟包括：

從所述人臉樣本圖像集中抽取包括有正樣本和負樣本的取樣集；

通過所述取樣集依次對所述活體人臉檢測模型進行元訓練、元測試和元優化；

判斷所述活體人臉檢測模型在元優化階段的損失函數是否收斂，若是，則判斷所述活體人臉檢測模型已訓練完成，否則，循環所述從所述人臉樣本圖像集中抽取包括有正樣本和負樣本的取樣集至所述判斷所述活體人臉檢測模型在元優化階段的損失函數是否收斂的步驟，直到所述活體人臉檢測模型在元優化階段的損失函數收斂；

其中，所述通過所述取樣集依次對所述活體人臉檢測模型進行元訓練、元測試和元優化的步驟包括：

將所述人臉樣本圖像集分為元訓練集和元測試集；

從所述元訓練集中抽取多個所述取樣集，通過所述取樣集對所述活體人臉檢測模型在元訓練階段進行訓練；

當所述活體人臉檢測模型在元訓練階段的損失函數收斂時，通過所述元測試集對所述活體人臉檢測模型在元測試階段進行測試訓練；

當所述活體人臉檢測模型在元測試階段的損失函數收斂時，根據所述活體人臉檢測模型在元訓練階段和元測試階段的訓練結果對所述活體人臉檢測模型進行元優化；

當所述活體人臉檢測模型在元優化階段的損失函數收斂時，判斷所述活體人臉檢測模型的損失函數收斂；

其中，所述活體人臉檢測模型包括特征提取器、元學習分類器和深度圖估算器，所述活體人臉檢測模型在元訓練階段的損失函數包括第一分類損失函數、元學習分類器的迭代函數和第一深度圖估算損失函數；

所述第一分類損失函數為：

L_cls(θ_F，θ_M)＝∑y logM(F(x))+(1-y)log(1-M(F(x)))

其中，θ_F表示所述活體人臉檢測模型的特征提取器的參數，θ_M表示所述元學習分類器的參數，x表示所述取樣集中的人臉樣本圖像，y表示所述取樣集中人臉樣本圖像的真實標簽的取值，F(x)表示通過所述人臉檢測模型的特征提取器對所述人臉樣本圖像提取到的特征，M(F(x))表示元學習分類器對所述提取到的所述F(x)的輸出結果，L_cls(θ_F，θ_M)表示所述第一分類損失函數；

所述元學習分類器的迭代函數為：

其中，θ_M表示所述元學習分類器的參數，α表示超參數，表示第i次訓練時參數θ_M的梯度，L_cls(θ_F，θ_M)表示所述第一分類損失函數的輸出結果；

所述第一深度圖估算損失函數為：

L_Dtrn(θ_F，θ_D)＝∑||D(F(X))-I||²

其中，θ_F表示所述活體人臉檢測模型的特征提取器的參數，θ_D表示所述深度圖估算器的參數，F(x)表示通過所述人臉檢測模型的特征提取器對所述元訓練集中的人臉樣本圖像提取到的第一特征，D(F(X))表示所述深度圖估算器對提取到的所述第一特征的輸出結果，I表示提取到的所述第一特征的真實深度；

其中，所述活體人臉檢測模型在元測試階段的損失函數包括第二分類損失函數和第二深度圖估算損失函數；

所述第二分類損失函數為：

其中，N表示所述人臉樣本圖像集的總領域數，i表示當前用于元測試的人臉樣本圖像所屬的領域數，F(x)表示通過所述人臉檢測模型的特征提取器對所述人臉樣本圖像提取到的特征，M′_i(F(x))表示所述元學習分類器對提取到的所述特征的輸出結果，L_cls-tst表示所述第二分類損失函數；

所述第二深度圖估算損失函數為：

L_Dtst(θ_F，θ_D)＝∑||D(F(X))-I||²

其中，F(x)表示通過所述人臉檢測模型的特征提取器對所述元測試集中的人臉樣本圖像提取到的第二特征，D(F(X))表示所述深度圖估算器對提取到的所述第二特征的輸出結果，I表示提取到的所述第二特征的真實深度；

其中，所述活體人臉檢測模型在元優化階段的損失函數包括元學習分類器參數損失函數、特征提取器參數損失函數和深度圖估算器參數損失函數；

所述元學習分類器參數損失函數為：

其中，β和γ表示超參數，L_cls(θ_F，θ_M)表示所述第一分類損失函數的輸出值，L_cls-tst表示所述第二分類損失函數的輸出結果，表示訓練時參數θ_M的梯度；

所述特征提取器參數損失函數為：

其中，θ_F表示活體人臉檢測模型的特征提取器的參數，表示訓練時參數θ_F的梯度，L_Dtst(θ_F，θ_D)表示所述第二深度圖估算損失函數的輸出值，L_cls-tst表示所述第二分類損失函數的輸出值，L_cls(θ_F，θ_M)表示所述第一分類損失函數的輸出值，L_Dtrn(θ_F，θ_D)表示所述第一深度圖估算損失函數的輸出值；

所述深度圖估算器參數損失函數為：

其中，θ_D表示所述深度圖估算器的參數，β和γ表示超參數，表示訓練時參數θ_D的梯度，L_Dtst(θ_F，θ_D)表示所述第二深度圖估算損失函數的輸出值，L_Dtrn(θ_F，θ_D)表示第一深度圖估算損失函數的輸出值。