[發明專利]人臉偽造識別模型訓練方法和裝置、人臉識別方法和裝置

在審

• 申請號: 202310651256.8
• 申請日: 2023-06-02
• 公開（公告）號: CN116612355A
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 林佳瀅;金璐
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V40/16;G06V10/82;G06N3/0464;G06N3/047
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 李世喆

1.人臉偽造識別模型的訓練方法，其中，

得到訓練樣本集；該訓練樣本集中包括真實人臉圖像樣本以及偽造人臉圖像樣本；

對訓練樣本集中的每一個樣本進行模擬正常干擾的處理；

將處理后的訓練樣本集中的每一個樣本輸入當前待訓練的人臉偽造識別模型中；其中，該人臉偽造識別模型的損失函數包括：交叉熵損失函數以及軟目標交叉熵損失函數；

得到當前的人臉偽造識別模型針對每一個樣本輸出的預測值；

根據得到的每一個樣本的預測值與該樣本的標簽，計算所述交叉熵損失函數的值；

根據得到的每一個樣本的預測值與該樣本對應的軟目標值，計算所述軟目標交叉熵損失函數的值；

根據計算出的所述交叉熵損失函數的值以及所述軟目標交叉熵損失函數的值，調整所述人臉偽造識別模型的參數，直至人臉偽造識別模型的損失函數收斂。

2.根據權利要求1所述的方法，其中，所述對訓練樣本集中的每一個樣本進行模擬正常干擾的處理，包括：對訓練樣本集中的每一個樣本進行高斯模糊處理。

3.根據權利要求2所述的方法，其中，所述對訓練樣本集中的每一個樣本進行高斯模糊處理，包括：

對訓練樣本集中的每一個樣本，在該樣本的全圖像范圍內對所有圖片像素進行整體的高斯模糊處理；和/或，

對訓練樣本集中的各個樣本，在該各個樣本的預設圖像邊緣范圍內進行高斯模糊，并且在各個樣本的不同圖像位置處，進行高斯模糊處理的圖像邊緣范圍的尺寸大小和模糊的強度不完全相同。

4.根據權利要求2所述的方法，其中，所述對訓練樣本集中的每一個樣本進行模擬正常干擾的處理，進一步包括：

對訓練樣本集中的每一個樣本進行平移、縮放、旋轉、隨機亮度調整以及對比度調整中的任意一項。

5.根據權利要求1所述的方法，其中，所述得到每一個樣本的軟目標值的方法包括：

將所述訓練樣本集中的每一個樣本輸入一個人臉識別大模型中，將在該大模型上經過Softmax函數輸出的針對一個樣本的概率值作為該樣本對應的軟目標值。

6.根據權利要求1所述的方法，其中，所述人臉偽造識別模型的損失函數的表達式為：

L＝αL^soft+(1-α)L^hard

其中，L為人臉偽造識別模型的損失函數，α為設定的參數，用于調節交叉熵損失函數以及軟目標交叉熵損失函數的比重，L^hard表征交叉熵損失函數，L^soft表征軟目標交叉熵損失函數；其中，

其中，C為類別數，C的取值為2，X_C表示類別C下輸入的樣本，T為預設的溫度參數，T1；為一個樣本對應的軟目標值。

7.人臉識別方法，其中，該方法包括：

得到待識別的人臉圖像；

對該待識別的人臉圖像進行模擬正常干擾的處理；

將處理后的待識別人臉圖像輸入人臉偽造識別模型中；

得到該人臉偽造識別模型輸出的對真實人臉或者偽造人臉的預測值。

8.人臉偽造識別模型的訓練裝置，該裝置包括：

訓練樣本獲取模塊，配置為得到訓練樣本集；該訓練樣本集中包括真實人臉圖像樣本以及偽造人臉圖像樣本；

干擾添加模塊，配置為對訓練樣本集中的每一個樣本進行模擬正常干擾的處理；

訓練執行模塊，配置為將處理后的訓練樣本集中的每一個樣本輸入當前待訓練的人臉偽造識別模型中；其中，該人臉偽造識別模型的損失函數包括：交叉熵損失函數以及軟目標交叉熵損失函數；得到當前的人臉偽造識別模型針對每一個樣本輸出的預測值；

參數調整模塊，配置為根據得到的每一個樣本的預測值與該樣本的標簽，計算所述交叉熵損失函數的值；根據得到的每一個樣本的預測值與該樣本對應的軟目標值，計算所述軟目標交叉熵損失函數的值；根據計算出的所述交叉熵損失函數的值以及所述軟目標交叉熵損失函數的值，調整所述人臉偽造識別模型的參數，直至人臉偽造識別模型的損失函數收斂。