[發明專利]混合精度的活體目標檢測方法和活體檢測模型的訓練方法

在審

• 申請號: 202310305046.3
• 申請日: 2023-03-24
• 公開（公告）號: CN116469177A
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 汪厚嶧;南楠;丁然
• 申請（專利權）人: 珠海全志科技股份有限公司
• 主分類號: G06V40/40
• 分類號: G06V40/40;G06V40/16;G06V10/774;G06V10/778
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 江銀會

1.一種混合精度的活體目標檢測方法，其特征在于，所述方法包括：

獲取待檢測圖像；

將所述待檢測圖像輸入至訓練完成的活體檢測模型中，得到目標活體檢測結果，所述目標活體檢測結果用于指示所述待檢測圖像中的目標是否為活體，所述活體檢測模型是通過將訓練完成的教師網絡模型作為學生網絡模型的監督信號，對所述學生網絡模型進行訓練得到的，所述訓練完成的教師網絡模型是通過第一損失函數訓練得到的，所述第一訓練函數包括角度空間損失函數和像素級別損失函數。

2.根據權利要求1所述的方法，其特征在于，所述活體檢測模型的訓練方式，包括：

獲取圖像訓練數據，所述圖像訓練數據包括源域圖像訓練數據和目標域圖像訓練數據，所述源域圖像訓練數據包括第一圖像訓練數據和第二圖像訓練數據，所述第一圖像訓練數據對應有第一標簽，所述第二圖像訓練數據對應有第二標簽，所述第一標簽用于指示所述第一圖像訓練數據對應的第一圖像中的目標為活體，所述第二標簽用于指示所述第二圖像訓練數據對應的第二圖像中的目標為非活體；

基于所述源域圖像訓練數據對教師網絡模型進行訓練，直至所述教師網絡模型的第一損失函數滿足第一預設條件，所述第一預設條件用于指示所述教師網絡模型訓練完成；

基于所述目標域圖像訓練數據和所述源域圖像訓練數據對學生網絡模型進行訓練，直至所述學生網絡模型的第二損失函數滿足第二預設條件，所述第二預設條件用于指示所述學生網絡模型訓練完成，所述第二損失函數包括分類損失函數和所述像素級別損失函數，其中，在所述學生網絡模型的訓練過程中，訓練完成的教師網絡模型作為所述學生網絡模型的監督信號；

基于訓練完成的學生網絡模型構建活體檢測模型。

3.根據權利要求2所述的方法，其特征在于，所述像素級別損失函數包括：

其中，L₁表示像素級別損失函數，n為概率圖的尺寸大小，所述概率圖是對圖像訓練數據處理得到的，p_i,(k)表示所述概率圖的像素塊被預測為所述概率圖對應的標簽的先驗概率，q_i,(k)表示所述像素塊被預測為所述概率圖對應的標簽的預測概率；

其中，若所述概率圖是基于第一圖像訓練數據處理得到的，則所述概率圖對應的標簽為第一標簽，若所述概率圖是基于第二圖像訓練數據處理得到的，則所述概率圖對應的標簽為第二標簽。

4.根據權利要求2所述的方法，其特征在于，所述第二損失函數包括：

L＝L₁+αL₂+βL₃(S,T)；

其中，L₁表示像素級別損失函數，L₂表示分類損失函數，L₃表示教師網絡模型和學生網絡模型的蒸餾損失函數，S和T分別代表從學生網絡和教師網絡中提取的特征表示，α和β為超參數。

5.根據權利要求2所述的方法，其特征在于，所述獲取圖像訓練數據，包括：

獲取圖像訓練集，所述圖像訓練集包括圖像訓練樣本；

對各所述圖像訓練樣本進行目標檢測以及對檢測到的目標進行關鍵點提取；

根據提取到的關鍵點對目標所處的目標區域圖像進行仿射變化對齊，得到仿射變化對齊后的目標區域圖像，并將仿射變化對齊后的目標區域圖像作為所述圖像訓練數據，其中，不同所述圖像訓練樣本所對應的仿射變化對齊后的目標區域圖像的圖像大小相同。

6.根據權利要求2所述的方法，其特征在于，訓練完成的學生網絡模型包括N層參與訓練的卷積層，各層所述卷積層對應至少兩個量化位寬，N為2以上的自然數；

所述基于訓練完成的學生網絡模型構建活體檢測模型，包括：

獲取每層所述卷積層對應的每個所述量化位寬的采樣概率，所述量化位寬的采樣概率是學生網絡模型在訓練的過程中確定的；

針對每層所述卷積層，保留最大的采樣概率所對應的量化位寬，以得到所述活體檢測模型。