[發(fā)明專利]人臉活體檢測(cè)模型的訓(xùn)練方法、人臉活體檢測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110606276.4
• 申請(qǐng)日: 2021-05-31
• 公開（公告）號(hào): CN113343826A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 王珂堯
• 申請(qǐng)（專利權(quán)）人: 北京百度網(wǎng)訊科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06F21/32
• 代理公司: 中科專利商標(biāo)代理有限責(zé)任公司 11021
• 代理人: 王江選

1.一種人臉活體檢測(cè)模型的訓(xùn)練方法，包括：

將多個(gè)訓(xùn)練圖像輸入人臉活體檢測(cè)模型中，其中，所述多個(gè)訓(xùn)練圖像包括人臉活體圖像和N類攻擊圖像，所述人臉活體檢測(cè)模型包括N個(gè)子模型，所述N個(gè)子模型與所述N類攻擊圖像一一對(duì)應(yīng)，N為大于或等于2的整數(shù)；

針對(duì)所述N個(gè)子模型中的每個(gè)子模型，利用所述子模型對(duì)所述人臉活體圖像和與所述子模型對(duì)應(yīng)的攻擊圖像進(jìn)行識(shí)別，得到第一識(shí)別結(jié)果；以及

至少基于所述第一識(shí)別結(jié)果，調(diào)整所述人臉活體檢測(cè)模型的模型參數(shù)，以得到經(jīng)訓(xùn)練的人臉活體檢測(cè)模型。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述人臉活體檢測(cè)模型還包括總體識(shí)別網(wǎng)絡(luò)；所述N個(gè)子模型中的每個(gè)子模型包括特征提取網(wǎng)絡(luò)；

其中，所述方法還包括，在至少基于所述第一識(shí)別結(jié)果，調(diào)整所述人臉活體檢測(cè)模型的模型參數(shù)之前：

針對(duì)每個(gè)訓(xùn)練圖像，利用每個(gè)子模型的特征提取網(wǎng)絡(luò)提取訓(xùn)練圖像的圖像特征，得到與所述N個(gè)子模型對(duì)應(yīng)的N個(gè)圖像特征；

將所述N個(gè)圖像特征進(jìn)行拼接處理，得到總體圖像特征；

將所述總體圖像特征輸入所述總體識(shí)別網(wǎng)絡(luò)中進(jìn)行識(shí)別，得到第二識(shí)別結(jié)果；

其中，所述至少基于所述第一識(shí)別結(jié)果，調(diào)整所述人臉活體檢測(cè)模型的模型參數(shù)包括：

基于所述第一識(shí)別結(jié)果和第二識(shí)別結(jié)果，調(diào)整所述人臉活體檢測(cè)模型的模型參數(shù)。

3.根據(jù)權(quán)利要求1所述的方法，其中，所述N個(gè)子模型中的每個(gè)子模型包括特征提取網(wǎng)絡(luò)和識(shí)別網(wǎng)絡(luò)；

其中，所述針對(duì)所述N個(gè)子模型中的每個(gè)子模型，利用所述子模型對(duì)所述人臉活體圖像和與所述子模型對(duì)應(yīng)的攻擊圖像進(jìn)行識(shí)別包括：

針對(duì)所述N個(gè)子模型中的每個(gè)子模型，利用所述子模型的特征提取網(wǎng)絡(luò)提取所述人臉活體圖像的圖像特征和與所述子模型對(duì)應(yīng)的攻擊圖像的圖像特征；以及

將所述人臉活體圖像的圖像特征和與所述子模型對(duì)應(yīng)的攻擊圖像的圖像特征，輸入所述子模型的識(shí)別網(wǎng)絡(luò)中進(jìn)行識(shí)別。

4.根據(jù)權(quán)利要求1所述的方法，其中，所述人臉活體檢測(cè)模型還包括基礎(chǔ)特征提取網(wǎng)絡(luò)；

其中，所述方法還包括，在利用所述子模型對(duì)所述人臉活體圖像和與所述子模型對(duì)應(yīng)的攻擊圖像進(jìn)行識(shí)別之前：

利用所述基礎(chǔ)特征提取網(wǎng)絡(luò)分別對(duì)所述人臉活體圖像和與所述子模型對(duì)應(yīng)的攻擊圖像進(jìn)行特征提取處理，得到處理后的人臉活體圖像和處理后的攻擊圖像，以便將處理后的人臉活體圖像和處理后的攻擊圖像輸入所述子模型，

其中，所述基礎(chǔ)特征提取網(wǎng)絡(luò)包括深度可分離卷積網(wǎng)絡(luò)MobileNet V2。

5.根據(jù)權(quán)利要求3所述的方法，其中，每個(gè)子模型的特征提取網(wǎng)絡(luò)包括5個(gè)卷積層，每個(gè)子模型的識(shí)別網(wǎng)絡(luò)包括1個(gè)全連接層和一個(gè)softmax層。

6.根據(jù)權(quán)利要求2所述的方法，其中，所述總體識(shí)別網(wǎng)絡(luò)包括1個(gè)全連接層和一個(gè)softmax層。

7.根據(jù)權(quán)利要求1-6中任意一項(xiàng)所述的方法，其中，所述N類攻擊圖像包括以下至少兩個(gè)：

針對(duì)顯示于電子屏幕的人臉?biāo)杉膱D像；

針對(duì)具有人臉的紙質(zhì)照片所采集的圖像；

針對(duì)具有人臉特征的平面面具所采集的圖像；

針對(duì)立體人臉模型所采集的圖像。

8.根據(jù)權(quán)利要求1-7中任意一項(xiàng)所述的方法，還包括獲取所述多個(gè)訓(xùn)練圖像；

其中，所述獲取所述多個(gè)訓(xùn)練圖像包括以下至少一項(xiàng)：

獲取初始圖像，并提取所述初始圖像中人臉?biāo)诘膮^(qū)域圖像作為訓(xùn)練圖像；

獲取初始圖像，并對(duì)所述初始圖像中的人臉進(jìn)行人臉對(duì)齊操作，得到訓(xùn)練圖像；

獲取初始圖像，并對(duì)所述初始圖像中每個(gè)像素的像素值進(jìn)行歸一化處理；以及

獲取初始圖像，對(duì)所述初始圖像進(jìn)行隨機(jī)數(shù)據(jù)增強(qiáng)處理，并將所述初始圖像和處理后的初始圖像作為訓(xùn)練圖像。