人脸活体检测及相应模型的训练方法、装置及存储介质制造方法及图纸

本公开提供了一种人脸活体检测及相应模型的训练方法、装置及存储介质。涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，可应用于人脸识别等场景。具体实现方案为：对待检测人脸图像进行预处理，获取目标人脸图像；所述目标人脸图像中人脸区域的占比大于所述待检测人脸图像中人脸区域的占比；获取所述目标人脸图像的全局特征；基于全局特征和预建立的特征库，对所述待检测人脸图像进行人脸活体检测。本公开的技术，能够有效地提高人脸活体检测的准确性。地提高人脸活体检测的准确性。地提高人脸活体检测的准确性。

【技术实现步骤摘要】
人脸活体检测及相应模型的训练方法、装置及存储介质


[0001]本公开涉及人工智能
，具体为深度学习、图像处理、计算机视觉
，可应用于人脸识别等场景。尤其涉及一种人脸活体检测及相应模型的训练方法、装置及存储介质。

技术介绍

[0002]人脸活体检测即区分一张图像是否为真人拍摄，是人脸识别系统的基础组成模块，保证人脸识别系统的安全性。
[0003]使用深度学习技术的人脸活体检测模型是当前该领域的主流方法，相比传统算法在精度上有大幅提升。现有技术中，人脸活体检测模型一个二分类的模型，可以预测输入的待检测图像为活体人脸的概率，进而可以依据概率的大小，确定该待检测图像为活体人脸还是攻击。例如，概率大于或者等于预设阈值时，认为该待检测图像为活体人脸，否则，若概率小于预设概率阈值时，认为该待检测图像为攻击。

技术实现思路

[0004]本公开提供了一种人脸活体检测及相应模型的训练方法、装置及存储介质。
[0005]根据本公开的一方面，提供了一种人脸活体检测方法，包括：
[0006]对待检测人脸图像进行预处理，得到目标人脸图像；所述目标人脸图像中人脸区域的占比大于所述待检测人脸图像中人脸区域的占比；
[0007]获取所述目标人脸图像的全局特征；
[0008]基于所述全局特征和预建立的特征库，对所述待检测人脸图像进行人脸活体检测。
[0009]根据本公开的另一方面，提供了一种活体人脸检测模型的训练方法，包括：
[0010]获取包括至少两条训练数据的训练数据组，所述训练数据包括训练人脸图像、以及对应的标签，所述标签用于标识真实人脸或者攻击，且所述标签用于标识攻击时，包括至少两级标签；
[0011]对所述训练数据组中的各训练人脸图像进行预处理，得到对应的训练目标人脸图像；所述训练目标人脸图像中人脸区域的占比大于所述训练人脸图像中人脸区域的占比；
[0012]基于各所述训练目标人脸图像以及对应的所述标签，对活体人脸检测模型进行训练。
[0013]根据本公开的再一方面，提供了一种人脸活体检测装置，包括：
[0014]预处理模块，用于对待检测人脸图像进行预处理，得到目标人脸图像；所述目标人脸图像中人脸区域的占比大于所述待检测人脸图像中人脸区域的占比；
[0015]特征获取模块，用于获取所述目标人脸图像的全局特征；
[0016]人脸活体检测模块，用于基于所述全局特征和预建立的特征库，对所述待检测人脸图像进行人脸活体检测。
[0017]根据本公开的又一方面，提供了一种活体人脸检测模型的训练装置，包括：
[0018]获取模块，用于获取包括至少两条训练数据的训练数据组，所述训练数据包括训练人脸图像、以及对应的标签，所述标签用于标识真实人脸或者攻击，且所述标签用于标识攻击时，包括至少两级标签；
[0019]预处理模块，用于对所述训练数据组中的各训练人脸图像进行预处理，得到对应的训练目标人脸图像；所述训练目标人脸图像中人脸区域的占比大于所述训练人脸图像中人脸区域的占比；
[0020]训练模块，用于基于各所述训练目标人脸图像以及对应的所述标签，对活体人脸检测模型进行训练。
[0021]根据本公开的再另一方面，提供了一种电子设备，包括：
[0022]至少一个处理器；以及
[0023]与所述至少一个处理器通信连接的存储器；其中，
[0024]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。
[0025]根据本公开的再又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
[0026]根据本公开的又另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。
[0027]根据本公开的技术，能够有效地提高人脸活体检测的准确性。
[0028]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0029]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0030]图1是根据本公开第一实施例的示意图；
[0031]图2是根据本公开第二实施例的示意图；
[0032]图3是根据本公开第三实施例的示意图；
[0033]图4是根据本公开第四实施例的示意图；
[0034]图5是根据本公开第五实施例的示意图；
[0035]图6是根据本公开第六实施例的示意图；
[0036]图7是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
[0037]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0038]显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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全部其他实施例，都属于本公开保护的范围。
[0039]需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(Tablet Computer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
[0040]另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0041]现有的技术的活体人脸检测模型为一个二分类的模型，非常容易过拟合。例如，在一张图经过压缩或其他方式扰动后再进行活体检测，活体人脸检测模型的输出分数波动很大。因此，现有的活体人脸检测模型进行活体人脸检测时准确性较差。
[0042]图1是根据本公开第一实施例的示意图；如图1所示，本实施例提供一种人脸活体检测方法，包括：
[0043]S101、对待检测人脸图像进行预处理，得到目标人脸图像；目标人脸图像中人脸区域的占比大于待检测人脸图像中人脸区域的占比；
[0044]S102、获取目标人脸图像的全局特征；
[0045]S103、基于全局特征和预建立的特征库，对待检测人脸图像进行人脸活体检测。
[0046]本实施例中，可以对待检测的人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸活体检测方法，包括：对待检测人脸图像进行预处理，得到目标人脸图像；所述目标人脸图像中人脸区域的占比大于所述待检测人脸图像中人脸区域的占比；获取所述目标人脸图像的全局特征；基于所述全局特征和预建立的特征库，对所述待检测人脸图像进行人脸活体检测。2.根据权利要求1所述的方法，其中，所述对待检测的人脸图像进行预处理，获取目标人脸图像，包括：将所述待检测人脸图像输入人脸关键点检测模型进行关键点检测，得到所述待检测人脸图像的人脸区域中人脸关键点坐标；基于所述人脸关键点坐标，对对应的目标人脸进行人脸对齐，得到对齐人脸图像；基于所述对齐人脸图像获取所述目标人脸图像。3.根据权利要求2所述的方法，其中，所述基于所述对齐人脸图像获取所述目标人脸图像，包括：通过仿射变换截取所述对齐人脸图像中的第一人脸图像；将所述第一人脸图像的尺寸配置为预设尺寸，得到第二人脸图像；根据所述第二人脸图像获取所述目标人脸图像。4.根据权利要求3所述的方法，其中，所述根据所述第二人脸图像获取所述目标人脸图像，包括：对所述第二人脸图像进行归一化处理，得到所述目标人脸图像。5.根据权利要求1所述的方法，其中，基于所述全局特征和预建立的特征库，对所述待检测人脸图像进行人脸活体检测之前，所述方法还包括：基于预先训练的活体人脸检测模型、至少两张人脸图像模板和所述模板对应的第一标签，建立所述特征库，所述第一标签指示以下任意项：活体人脸、攻击、攻击类型。6.根据权利要求5所述的方法，其中，基于所述活体人脸检测模型、至少两张人脸图像模板和所述模板对应的第一标签，建立所述特征库，包括：采用所述活体人脸检测模型提取所述模板的模板特征；基于所述模板特征和对应的所述第一标签，建立所述特征库。7.根据权利要求6所述的方法，其中，基于所述全局特征和预建立的特征库，对所述待检测人脸图像进行人脸活体检测，包括：获取所述全局特征和所述特征库中的各目标特征之间的第一相似度；在所述第一相似度中获取最大的第二相似度；响应于所述第二相似度大于或者等于预设阈值，所述待检测人脸图像的标签为所述第二相似度对应的所述目标特征的所述第一标签。8.根据权利要求7所述的方法，其中，所述方法还包括：响应于所述第二相似度小于所述预设阈值，向审核平台发送所述待检测人脸图像；接收所述审核平台发送的所述待检测人脸图像的攻击类型；将所述全局特征和所述攻击类型，加入所述特征库。9.一种活体人脸检测模型的训练方法，包括：获取包括至少两条训练数据的训练数据组，所述训练数据包括训练人脸图像、以及对
应的标签，所述标签用于标识真实人脸或者攻击，且所述标签用于标识攻击时，包括至少两级标签；对所述训练数据组中的各训练人脸图像进行预处理，得到对应的训练目标人脸图像；所述训练目标人脸图像中人脸区域的占比大于所述训练人脸图像中人脸区域的占比；基于各所述训练目标人脸图像以及对应的所述标签，对活体人脸检测模型进行训练。10.根据权利要求9所述的方法，其中，基于各所述训练目标人脸图像以及对应的所述标签，对活体人脸检测模型进行训练，包括：将所述训练目标人脸图像输入至所述活体人脸检测模型，得到所述训练目标人脸图像的全局特征；基于所述训练目标人脸图像的全局特征和第一分类数量的全连接层，预测所述训练人脸图像对应的第一预测结果；基于所述训练目标人脸图像的全局特征和第二分类数量的全连接层，预测所述训练人脸图像对应的第二预测结果；分别基于所述第一预测结果、所述第二预测结果和所述训练人脸图像的标签，构建第一损失函数和第二损失函数；基于所述训练数据组的不同的所述训练目标人脸图像的全局特征，构建三元损失函数；检测所述第一损失函数、所述第二损失函数和所述第三损失函数之和得到的总损失函数是否收敛；若不收敛，调整所述活体人脸检测模型的参数。11.一种人脸活体检测装置，包括：预处理模块，用于对待检测人脸图像进行预处理，得到目标人脸图像；所述目标人脸图像中人脸区域的占比大于所述待检测人脸图像中人脸区域的占比；特征获取模块，用于获取所述目标人脸图像的全局特征；人脸活体检测模块，用于基于所述全局特征和预建立的特征库，对所述...

【专利技术属性】
技术研发人员：王珂尧，张国生，岳海潇，冯浩城，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：