活体人脸检测模型的训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种活体人脸检测模型的训练方法，应用于人工智能技术领域，用于解决目前活体人脸检测模型在真实场景下不具有较高预测准确性的技术问题。本发明专利技术提供的方法包括：获取属于不同领域的人脸样本图像集；选取与各领域一一对应的教师网络，通过人脸样本图像集对对应的教师网络进行二分类训练；对训练好的教师网络进行冻结；通过各教师网络输出人脸图像为活体人脸的预测概率；将输出的预测概率的平均值作为学生网络的目标概率值对学生网络进行训练；将训练好的学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过人脸样本图像集对活体人脸检测模型进行元学习训练直到该活体人脸检测模型的损失函数收敛。测模型的损失函数收敛。测模型的损失函数收敛。

【技术实现步骤摘要】
活体人脸检测模型的训练方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种活体人脸检测模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]随着手机的更新换代以及拍摄处理技术日新月异，非人脸活体图像假冒人脸活体图像的欺诈手段也随之层出不穷，目前对于人脸活体图像的识别一般是通过训练好的活体人脸检测模型来进行预测，当预测识别出非人脸活体时，需要用户进一步核查该人脸图像是否为活体人脸图像。
[0003]在对活体人脸检测模型的训练过程中，我们发现训练好的活体人脸检测模型的预测准确性会受限于参与训练的人脸图像样本的类型，例如当参与训练的人脸图像样本的拍摄光线较为明亮时，训练出的活体人脸检测模型对于拍摄光线较为灰暗的人脸图像进行是否为活体人脸的预测准确性会降低。
[0004]由于通过常规手段训练出的活体人脸检测模型难以抵抗环境噪声，该环境噪声例如过强或过弱的光照、不同的影像设备衍生的不同的成像质量等，训练出的活体人脸检测模型对于新型的攻击类型缺乏鲁棒性，使得通过常规训练方法训练出的活体人脸检测模型在真实场景下不具有较高的预测准确性。

技术实现思路

[0005]本专利技术实施例提供一种活体人脸检测模型的训练方法、装置、设备及存储介质，以解决目前的活体人脸检测模型难以抵抗环境噪声、鲁棒性差导致在真实场景下不具有较高的预测准确性的技术问题。
[0006]一种活体人脸检测模型的训练方法，该方法包括：
[0007]获取属于不同领域的人脸样本图像集，该人脸样本图像集中的人脸样本图像携带有活体或非活体的标注；
[0008]选取与各该领域一一对应的教师网络，通过该人脸样本图像集对对应的教师网络进行二分类训练；
[0009]当训练得到该教师网络的损失函数收敛且该教师网络的预测准确率在预设范围之内时，对该教师网络进行冻结；
[0010]将人脸图像数据集中的人脸图像输入至各该教师网络，通过各该教师网络输出该人脸图像为活体人脸的预测概率；
[0011]将通过各该教师网络输出的该预测概率的平均值作为学生网络的目标概率值，通过该人脸图像数据集对该学生网络进行训练；
[0012]当该学生网络的损失函数收敛时，获取该学生网络的特征提取器的参数；
[0013]将该学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过该人脸样本图像集对该活体人脸检测模型进行元学习训练；
[0014]当该活体人脸检测模型的损失函数收敛时，得到训练好的活体人脸检测模型。
[0015]一种活体人脸检测模型的训练装置，该装置包括：
[0016]样本获取模块，用于获取属于不同领域的人脸样本图像集，该人脸样本图像集中的人脸样本图像携带有活体或非活体的标注；
[0017]第一训练模块，用于选取与各该领域一一对应的教师网络，通过该人脸样本图像集对对应的教师网络进行二分类训练；
[0018]冻结模块，用于当训练得到该教师网络的损失函数收敛且该教师网络的预测准确率在预设范围之内时，对该教师网络进行冻结；
[0019]概率计算模块，用于将人脸图像数据集中的人脸图像输入至各该教师网络，通过各该教师网络输出该人脸图像为活体人脸的预测概率；
[0020]第二训练模块，用于将通过各该教师网络输出的该预测概率的平均值作为学生网络的目标概率值，通过该人脸图像数据集对该学生网络进行训练；
[0021]参数获取模块，用于当该学生网络的损失函数收敛时，获取该学生网络的特征提取器的参数；
[0022]元学习模块，用于将该学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过该人脸样本图像集对该活体人脸检测模型进行元学习训练；
[0023]收敛模块，用于当该活体人脸检测模型的损失函数收敛时，得到训练好的活体人脸检测模型。
[0024]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述活体人脸检测模型的训练方法的步骤。
[0025]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述活体人脸检测模型的训练方法的步骤。
[0026]本专利技术提出的活体人脸检测模型的训练方法、装置、设备及存储介质，通过不同领域的人脸样本图像集对对应领域的教师网络进行二分类训练，当训练得到该教师网络的损失函数收敛且该教师网络的预测准确率在预设范围之内时，对该教师网络进行冻结，在对学生网络进行训练之前，先将人脸图像数据集中的人脸图像输入至各该教师网络，通过各该教师网络输出该人脸图像为活体人脸的预测概率，将通过各该教师网络输出的该预测概率的平均值作为学生网络的目标概率值，通过该人脸图像数据集对该学生网络进行训练，当该学生网络的损失函数收敛时，获取该学生网络的特征提取器的参数，然后将该学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过该人脸样本图像集对该活体人脸检测模型进行元学习训练，当该活体人脸检测模型的损失函数收敛时，即可用训练好的活体人脸检测模型对待检测的人脸图像进行检测。通过本方案训练好的人脸活体检测模型在对人脸活体图像进行检测时，可以兼容不同领域拍摄的人脸图像，具有较强的鲁棒性，不论是通过不同手机拍摄的人脸图像、还是不同光线强度拍摄的人脸图像，通过本方案训练好的人脸活体检测模型都能有比较高的预测准确性。
附图说明
[0027]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0028]图1是本专利技术一实施例中活体人脸检测模型的训练方法的一应用环境示意图；
[0029]图2是本专利技术一实施例中活体人脸检测模型的训练方法的一流程图；
[0030]图3是本专利技术一实施例中对活体人脸检测模型进行元学习训练的一流程图；
[0031]图4是本专利技术一实施例中活体人脸检测模型的训练装置的结构示意图；
[0032]图5是本专利技术一实施例中计算机设备的一示意图。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0034]本申请提供的活体人脸检测模型的训练方法，可应用在如图1的应用环境中，其中，该计算机设备通过网络与服务器进行通信。该计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体人脸检测模型的训练方法，其特征在于，所述方法包括：获取属于不同领域的人脸样本图像集，所述人脸样本图像集中的人脸样本图像携带有活体或非活体的标注；选取与各所述领域一一对应的教师网络，通过所述人脸样本图像集对对应的教师网络进行二分类训练；当训练得到所述教师网络的损失函数收敛且所述教师网络的预测准确率在预设范围之内时，对所述教师网络进行冻结；将人脸图像数据集中的人脸图像输入至各所述教师网络，通过各所述教师网络输出所述人脸图像为活体人脸的预测概率；将通过各所述教师网络输出的所述预测概率的平均值作为学生网络的目标概率值，通过所述人脸图像数据集对所述学生网络进行训练；当所述学生网络的损失函数收敛时，获取所述学生网络的特征提取器的参数；将所述学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过所述人脸样本图像集对所述活体人脸检测模型进行元学习训练；当所述活体人脸检测模型的损失函数收敛时，得到训练好的活体人脸检测模型。2.根据权利要求1所述的活体人脸检测模型的训练方法，其特征在于，所述通过所述人脸样本图像集对所述活体人脸检测模型进行元学习训练的步骤包括：从所述人脸样本图像集中抽取包括有正样本和负样本的取样集；通过所述取样集依次对所述活体人脸检测模型进行元训练、元测试和元优化；判断所述活体人脸检测模型在元优化阶段的损失函数是否收敛，若是，则判断所述活体人脸检测模型已训练完成，否则，循环所述从所述人脸样本图像集中抽取包括有正样本和负样本的取样集至所述判断所述活体人脸检测模型在元优化阶段的损失函数是否收敛的步骤，直到所述活体人脸检测模型在元优化阶段的损失函数收敛。3.根据权利要求2所述的活体人脸检测模型的训练方法，其特征在于，所述通过所述取样集依次对所述活体人脸检测模型进行元训练、元测试和元优化的步骤包括：将所述人脸样本图像集分为元训练集和元测试集；从所述元训练集中抽取多个所述取样集，通过所述取样集对所述活体人脸检测模型在元训练阶段进行训练；当所述活体人脸检测模型在元训练阶段的损失函数收敛时，通过所述元测试集对所述活体人脸检测模型在元测试阶段进行测试训练；当所述活体人脸检测模型在元测试阶段的损失函数收敛时，根据所述活体人脸检测模型在元训练阶段和元测试阶段的训练结果对所述活体人脸检测模型进行元优化；当所述活体人脸检测模型在元优化阶段的损失函数收敛时，判断所述活体人脸检测模型的损失函数收敛。4.根据权利要求3所述的活体人脸检测模型的训练方法，其特征在于，所述活体人脸检测模型包括特征提取器、元学习分类器和深度图估算器，所述活体人脸检测模型在元训练阶段的损失函数包括第一分类损失函数、元学习分类器的迭代函数和第一深度图估算损失函数；所述第一分类损失函数为：
L
cls
(θ
F
，θ
M
)＝∑ylogM(F(x))+(1
‑
y)log(1
‑
M(F(x)))其中，θ
F
表示所述活体人脸检测模型的特征提取器的参数，θ
M
表示所述元学习分类器的参数，x表示所述取样集中的人脸样本图像，y表示所述取样集中人脸样本图像的真实标签的取值，F(x)表示通过所述人脸检测模型的特征提取器对所述人脸样本图像提取到的特征，L
cls
(θ
F
，θ
M
)表示所述第一分类损失函数；所述元学习分类器的迭代函数为：其中，θ
M
表示所述元学习分类器的参数，α表示超参数，表示第i次训练时参数θ
M
的梯度，L
cls
(θ
F
，θ
M
)表示所述第一分类损失函数的输出结果；所述第一深度图估算损失函数为：L
Dtrn
(θ
F
，θ
D
)＝∑||D(F(X))
‑
I||2其中，θ
F
表示所述活体人脸检测模型的特征提取器的参数，θ
D
表示所述深度图估算器的参数，F(x)表示通过所述人脸检测模型的特征提取器对所述元训练集中的人脸样本图像提取到的第一特征，D(F(X))表示所述深度图估算器对提取到的所述第一特征的输出结果，I表示提取到的所述第一特征的真实深度。5.根据权利要求4所述的活体人脸检测模型的训练方法，其特征在于，所述活体人脸检测模型在元测试阶段的损失函数包括第二分类损失函数和第二深度图估算损失函数；所述第二分类损失函数为：其中，N表示所述人脸样本图像集的总领域数，i表示当前用于元测试的人脸样本图像所属的领域数，F(x)表示通过所述人脸检测模型的特征提取器对所述人脸样本图像提取到的特征，表示所述元学习分类器...

【专利技术属性】
技术研发人员：喻晨曦，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：