[發(fā)明專利]混合精度的活體目標(biāo)檢測(cè)方法和活體檢測(cè)模型的訓(xùn)練方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310305046.3
• 申請(qǐng)日: 2023-03-24
• 公開(kāi)（公告）號(hào): CN116469177A
• 公開(kāi)（公告）日: 2023-07-21
• 發(fā)明（設(shè)計(jì)）人: 汪厚嶧;南楠;丁然
• 申請(qǐng)（專利權(quán)）人: 珠海全志科技股份有限公司
• 主分類號(hào): G06V40/40
• 分類號(hào): G06V40/40;G06V40/16;G06V10/774;G06V10/778
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 江銀會(huì)

本發(fā)明公開(kāi)了一種混合精度的活體目標(biāo)檢測(cè)方法、混合精度的活體檢測(cè)模型的訓(xùn)練方法及裝置，該混合精度的活體目標(biāo)檢測(cè)方法包括：獲取待檢測(cè)圖像；所述待檢測(cè)圖像輸入至訓(xùn)練完成的活體檢測(cè)模型中，得到目標(biāo)活體檢測(cè)結(jié)果，所述目標(biāo)活體檢測(cè)結(jié)果用于指示所述待檢測(cè)圖像中的目標(biāo)是否為活體，所述活體檢測(cè)模型是通過(guò)將訓(xùn)練完成的教師網(wǎng)絡(luò)模型作為學(xué)生網(wǎng)絡(luò)模型的監(jiān)督信號(hào)，對(duì)所述學(xué)生網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到的，所述訓(xùn)練完成的教師網(wǎng)絡(luò)模型是通過(guò)第一損失函數(shù)訓(xùn)練得到的，所述第一訓(xùn)練函數(shù)包括角度空間損失函數(shù)和像素級(jí)別損失函數(shù)。可見(jiàn)，實(shí)施本發(fā)明能夠提高目標(biāo)檢測(cè)的安全性。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種混合精度的活體目標(biāo)檢測(cè)方法、混合精度的活體檢測(cè)模型的訓(xùn)練方法及裝置。

背景技術(shù)

目前，隨著人工智能技術(shù)的發(fā)展，目標(biāo)檢測(cè)也得到的極大的利用，例如人臉的識(shí)別檢測(cè)。人臉的識(shí)別檢測(cè)作為一種身份認(rèn)證技術(shù)，已經(jīng)廣泛地應(yīng)用在日常生活中。人們?cè)谙硎苤四樧R(shí)別技術(shù)給生活帶來(lái)方便的同時(shí)，也面臨著隨之而來(lái)的安全隱患問(wèn)題。目前合法用戶的人臉照片信息很容易被不法分子通過(guò)網(wǎng)絡(luò)或者非正常的偷拍獲取到，并被打印成照片或者用屏幕展示來(lái)嘗試通過(guò)人臉識(shí)別系統(tǒng)。

因此，急需一種能夠提高目標(biāo)檢測(cè)的安全性的技術(shù)方案。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例提供一種混合精度的活體目標(biāo)檢測(cè)方法、混合精度的活體檢測(cè)模型的訓(xùn)練方法及裝置，能夠提高目標(biāo)檢測(cè)的安全性。

本發(fā)明第一方面公開(kāi)了一種混合精度的活體目標(biāo)檢測(cè)方法，所述方法包括：

獲取待檢測(cè)圖像；

將所述待檢測(cè)圖像輸入至訓(xùn)練完成的活體檢測(cè)模型中，得到目標(biāo)活體檢測(cè)結(jié)果，所述目標(biāo)活體檢測(cè)結(jié)果用于指示所述待檢測(cè)圖像中的目標(biāo)是否為活體，所述活體檢測(cè)模型是通過(guò)將訓(xùn)練完成的教師網(wǎng)絡(luò)模型作為學(xué)生網(wǎng)絡(luò)模型的監(jiān)督信號(hào)，對(duì)所述學(xué)生網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到的，所述訓(xùn)練完成的教師網(wǎng)絡(luò)模型是通過(guò)第一損失函數(shù)訓(xùn)練得到的，所述第一訓(xùn)練函數(shù)包括角度空間損失函數(shù)和像素級(jí)別損失函數(shù)。

本發(fā)明第二方面公開(kāi)了一種混合精度的活體檢測(cè)模型的訓(xùn)練方法，包括：

獲取圖像訓(xùn)練數(shù)據(jù)，所述圖像訓(xùn)練數(shù)據(jù)包括源域圖像訓(xùn)練數(shù)據(jù)和目標(biāo)域圖像訓(xùn)練數(shù)據(jù)，所述源域圖像訓(xùn)練數(shù)據(jù)包括第一圖像訓(xùn)練數(shù)據(jù)和第二圖像訓(xùn)練數(shù)據(jù)，所述第一圖像訓(xùn)練數(shù)據(jù)對(duì)應(yīng)有第一標(biāo)簽，所述第二圖像訓(xùn)練數(shù)據(jù)對(duì)應(yīng)有第二標(biāo)簽，所述第一標(biāo)簽用于指示所述第一圖像訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的第一圖像中的目標(biāo)為活體，所述第二標(biāo)簽用于指示所述第二圖像訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的第二圖像中的目標(biāo)為非活體；

基于所述源域圖像訓(xùn)練數(shù)據(jù)對(duì)教師網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述教師網(wǎng)絡(luò)模型的第一損失函數(shù)滿足第一預(yù)設(shè)條件，所述第一預(yù)設(shè)條件用于指示所述教師網(wǎng)絡(luò)模型訓(xùn)練完成，所述第一訓(xùn)練函數(shù)包括角度空間損失函數(shù)和像素級(jí)別損失函數(shù)；

基于所述目標(biāo)域圖像訓(xùn)練數(shù)據(jù)和所述源域圖像訓(xùn)練數(shù)據(jù)對(duì)學(xué)生網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述學(xué)生網(wǎng)絡(luò)模型的第二損失函數(shù)滿足第二預(yù)設(shè)條件，所述第二預(yù)設(shè)條件用于指示所述學(xué)生網(wǎng)絡(luò)模型訓(xùn)練完成，所述第二損失函數(shù)包括分類損失函數(shù)和所述像素級(jí)別損失函數(shù)，其中，在所述學(xué)生網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程中，訓(xùn)練完成的教師網(wǎng)絡(luò)模型作為所述學(xué)生網(wǎng)絡(luò)模型的監(jiān)督信號(hào)；

基于訓(xùn)練完成的學(xué)生網(wǎng)絡(luò)模型構(gòu)建活體檢測(cè)模型，所述活體檢測(cè)模型用于對(duì)待檢測(cè)圖像進(jìn)行處理得到目標(biāo)活體檢測(cè)結(jié)果，所述目標(biāo)活體檢測(cè)結(jié)果用于指示所述待檢測(cè)圖像中的目標(biāo)是否為活體。

本發(fā)明第三方面公開(kāi)了一種混合精度的活體目標(biāo)檢測(cè)裝置，包括：

圖像獲取模塊，用于獲取待檢測(cè)圖像；