[發(fā)明專(zhuān)利]活體檢測(cè)模型的訓(xùn)練方法、活體檢測(cè)方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202310518711.7
• 申請(qǐng)日: 2023-05-09
• 公開(kāi)（公告）號(hào): CN116469181A
• 公開(kāi)（公告）日: 2023-07-21
• 發(fā)明（設(shè)計(jì)）人: 曹佳炯
• 申請(qǐng)（專(zhuān)利權(quán)）人: 支付寶（杭州）信息技術(shù)有限公司
• 主分類(lèi)號(hào): G06V40/40
• 分類(lèi)號(hào): G06V40/40;G06V40/16;G06V40/12;G06V40/14;G06V10/764;G06N20/00
• 代理公司: 北京留理知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 16049
• 代理人: 李哲;王哲

本說(shuō)明書(shū)提供了一種活體檢測(cè)模型的訓(xùn)練方法、活體檢測(cè)方法和系統(tǒng)，涉及生物識(shí)別技術(shù)領(lǐng)域。本說(shuō)明書(shū)提供的方法和系統(tǒng)采用擾動(dòng)+知識(shí)蒸餾相結(jié)合的方式訓(xùn)練可以部署于終端檢測(cè)設(shè)備的活體檢測(cè)模型，避免活體檢測(cè)過(guò)程中出現(xiàn)隱私泄露問(wèn)題，并且，訓(xùn)練得到的活體檢測(cè)模型對(duì)輸入的圖像樣本具有良好特征提取能力，從而具有良好的活體檢測(cè)性能以應(yīng)對(duì)活體攻擊。

技術(shù)領(lǐng)域

本說(shuō)明書(shū)涉及生物識(shí)別技術(shù)領(lǐng)域，特別涉及一種活體檢測(cè)模型的訓(xùn)練方法、活體檢測(cè)方法和系統(tǒng)。

背景技術(shù)

隨著人臉識(shí)別技術(shù)的廣泛應(yīng)用(例如刷臉支付、刷臉門(mén)禁以及刷臉進(jìn)站等場(chǎng)景)，人臉識(shí)別技術(shù)的安全問(wèn)題也受到越來(lái)越多的關(guān)注。在各類(lèi)安全問(wèn)題中，活體攻擊和隱私泄漏是兩個(gè)主要的挑戰(zhàn)。其中，活體攻擊直接對(duì)人臉識(shí)別系統(tǒng)的安全造成威脅，是人臉識(shí)別系統(tǒng)的長(zhǎng)期以來(lái)面對(duì)的最常見(jiàn)也是最有威脅的安全風(fēng)險(xiǎn)；隱私泄漏則是發(fā)生在用戶(hù)圖像的傳輸和采集階段，用戶(hù)隱私泄漏長(zhǎng)期來(lái)看會(huì)引起用戶(hù)的財(cái)產(chǎn)安全風(fēng)險(xiǎn)。

因此，需要提供一種可以同時(shí)應(yīng)對(duì)活體攻擊和隱私泄露的活體檢測(cè)模型的訓(xùn)練方法、活體檢測(cè)方法和系統(tǒng)。

發(fā)明內(nèi)容

本說(shuō)明書(shū)的主要目的是提供一種活體檢測(cè)模型的訓(xùn)練方法、活體檢測(cè)方法和系統(tǒng)。

第一方面，本說(shuō)明書(shū)提供一種活體檢測(cè)模型的訓(xùn)練方法，包括：獲得第一圖像樣本集，所述第一圖像樣本集包括N個(gè)第一初始圖像樣本和M個(gè)第一擾動(dòng)圖像樣本，所述M個(gè)第一擾動(dòng)圖像樣本為所述N個(gè)第一初始圖像樣本經(jīng)過(guò)擾動(dòng)后得到，M、N均為大于1的自然數(shù)；基于所述第一圖像樣本集對(duì)預(yù)設(shè)活體檢測(cè)教師模型進(jìn)行訓(xùn)練，得到活體檢測(cè)教師模型；以及基于所述第一圖像樣本集和所述活體檢測(cè)教師模型，對(duì)預(yù)設(shè)活體檢測(cè)學(xué)生模型進(jìn)行知識(shí)蒸餾，得到活體檢測(cè)模型。

在一些實(shí)施例中，所述M個(gè)第一擾動(dòng)圖像樣本是采用樣本擾動(dòng)模型對(duì)所述N個(gè)第一初始圖像樣本進(jìn)行擾動(dòng)得到的；以及所述樣本擾動(dòng)模型的訓(xùn)練方法包括：基于預(yù)設(shè)樣本擾動(dòng)模型，確定與所述N個(gè)第一初始圖像樣本中的每個(gè)第一初始圖像樣本對(duì)應(yīng)的至少一個(gè)第一擾動(dòng)圖像樣本，確定所述至少一個(gè)第一擾動(dòng)圖像樣本和當(dāng)前第一初始圖像樣本之間的至少一個(gè)擾動(dòng)特征損失信息，以及基于所述N個(gè)第一初始圖像樣本對(duì)應(yīng)的多個(gè)擾動(dòng)特征損失信息對(duì)所述預(yù)設(shè)樣本擾動(dòng)模型進(jìn)行收斂，得到所述樣本擾動(dòng)模型。

在一些實(shí)施例中，所述確定所述至少一個(gè)第一擾動(dòng)圖像樣本和所述當(dāng)前第一初始圖像樣本之間的至少一個(gè)擾動(dòng)特征損失信息，包括：確定所述至少一個(gè)第一擾動(dòng)圖像樣本和所述當(dāng)前第一初始圖像樣本之間的至少一個(gè)擾動(dòng)特征差異信息；獲得預(yù)設(shè)擾動(dòng)特征差異閾值；以及基于所述至少一個(gè)預(yù)設(shè)擾動(dòng)特征差異閾值和所述擾動(dòng)特征差異信息確定所述至少一個(gè)擾動(dòng)特征損失信息。

在一些實(shí)施例中，所述基于所述第一圖像樣本集對(duì)預(yù)設(shè)活體檢測(cè)教師模型進(jìn)行訓(xùn)練，得到活體檢測(cè)教師模型，包括：對(duì)于所述第一圖像樣本集中的每個(gè)第一圖像樣本：將當(dāng)前第一圖像樣本輸入所述預(yù)設(shè)活體檢測(cè)教師模型，得到第一活體檢測(cè)結(jié)果和第一擾動(dòng)檢測(cè)結(jié)果，基于所述第一活體檢測(cè)結(jié)果和所述第一擾動(dòng)檢測(cè)結(jié)果，確定所述當(dāng)前第一圖像樣本對(duì)應(yīng)的教師檢測(cè)損失信息；以及基于所述第一圖像樣本集對(duì)應(yīng)的多個(gè)教師檢測(cè)損失信息對(duì)所述預(yù)設(shè)活體檢測(cè)教師模型進(jìn)行收斂，得到所述活體檢測(cè)教師模型。

在一些實(shí)施例中，所述預(yù)設(shè)活體檢測(cè)教師模型包括預(yù)設(shè)活體特征提取教師網(wǎng)絡(luò)、預(yù)設(shè)活體檢測(cè)教師網(wǎng)絡(luò)和預(yù)設(shè)擾動(dòng)感知教師網(wǎng)絡(luò)；以及所述將當(dāng)前第一圖像樣本輸入所述預(yù)設(shè)活體檢測(cè)教師模型，得到第一活體檢測(cè)結(jié)果和第一擾動(dòng)檢測(cè)結(jié)果，包括：將所述當(dāng)前第一圖像樣本輸入所述預(yù)設(shè)活體特征提取教師網(wǎng)絡(luò)，得到第一活體特征圖譜，將所述第一活體特征圖譜輸入所述預(yù)設(shè)活體檢測(cè)教師網(wǎng)絡(luò)，得到所述第一活體檢測(cè)結(jié)果，以及將所述第一活體特征圖譜輸入所述預(yù)設(shè)擾動(dòng)感知教師網(wǎng)絡(luò)，得到所述第一擾動(dòng)檢測(cè)結(jié)果。