活体检测模型训练方法、活体检测方法、装置和电子设备制造方法及图纸

本公开提供了一种活体检测模型训练方法、活体检测方法、装置和电子设备，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。该方法包括：通过活体检测模型中的特征提取网络对样本图像中的样本人脸区域进行特征提取得到样本人脸特征；通过动态路由网络根据样本人脸特征从至少两个候选活体检测网络中选择目标活体检测网络；通过目标活体检测网络根据样本人脸特征确定样本图像的预测活体信息；根据目标活体检测网络、预测活体信息、样本图像的标注攻击类型和样本图像的标注活体信息，对特征提取网络、动态路由网络和目标活体检测网络进行训练。通过上述技术方案能够提高活体检测的准确性。能够提高活体检测的准确性。能够提高活体检测的准确性。

【技术实现步骤摘要】
活体检测模型训练方法、活体检测方法、装置和电子设备


[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
具体涉及一种活体检测模型训练方法、活体检测方法、装置和电子设备。

技术介绍

[0002]随着人工智能(Artificial Intelligence，AI)的快速发展，人工智能已经广泛应用于计算机视觉技术、语音识别技术、自然语言处理技术、深度学习、大数据处理技术等领域。
[0003]基于人工智能的图像检测技术也已经广泛应用于不同场景。其中，基于人工智能的人脸活体检测技术，用于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，因此如何提高活体检测性能十分重要。

技术实现思路

[0004]本公开提供了一种活体检测模型训练方法、活体检测方法、装置和电子设备。
[0005]根据本公开的一方面，提供了一种活体检测模型训练方法，包括：
[0006]通过活体检测模型中的特征提取网络对样本图像中的样本人脸区域进行特征提取得到样本人脸特征；所述活体检测模型还包括动态路由网络和至少两个候选活体检测网络；
[0007]通过所述动态路由网络根据所述样本人脸特征从所述至少两个候选活体检测网络中选择目标活体检测网络；
[0008]通过所述目标活体检测网络根据所述样本人脸特征确定样本图像的预测活体信息；
[0009]根据所述目标活体检测网络、所述预测活体信息、样本图像的标注攻击类型和样本图像的标注活体信息，对所述特征提取网络、所述动态路由网络和所述候选活体检测网络进行训练。
[0010]根据本公开的另一方面，提供了一种活体检测方法，包括：
[0011]获取待检测的目标图像；
[0012]通过活体检测模型中的特征提取网络对目标图像中的目标人脸区域进行特征提取得到目标人脸特征；所述活体检测模型采用本公开任意实施例公开的活体检测模型训练方法训练得到；
[0013]通过活体检测模型中的动态路由网络根据所述目标人脸特征，从所述活体检测模型的至少两个候选活体检测网络中选择至少一个目标活体检测网络；
[0014]通过所述目标活体检测网络根据所述目标人脸特征确定目标图像的预测活体信息。
[0015]根据本公开的又一方面，提供了一种活体检测模型训练装置，包括：
[0016]样本人脸特征模块，用于通过活体检测模型中的特征提取网络对样本图像中的样
本人脸区域进行特征提取得到样本人脸特征；所述活体检测模型还包括动态路由网络和至少两个候选活体检测网络；
[0017]目标网络选择模块，用于通过所述动态路由网络根据所述样本人脸特征从所述至少两个候选活体检测网络中选择目标活体检测网络；
[0018]样本活体预测模块，用于通过所述目标活体检测网络根据所述样本人脸特征确定样本图像的预测活体信息；
[0019]网络训练模块，用于根据所述目标活体检测网络、所述预测活体信息、样本图像的标注攻击类型和样本图像的标注活体信息，对所述特征提取网络、所述动态路由网络和所述候选活体检测网络进行训练。
[0020]根据本公开的又一方面，提供了一种活体检测装置，包括：
[0021]目标图像模块，用于获取待检测的目标图像；
[0022]目标人脸特征模块，用于通过活体检测模型中的特征提取网络对目标图像中的目标人脸区域进行特征提取得到目标人脸特征；所述活体检测模型采用本公开任意实施例公开的活体检测模型训练方法训练得到；
[0023]目标网络选择模块，用于通过活体检测模型中的动态路由网络根据所述目标人脸特征，从所述活体检测模型的至少两个候选活体检测网络中选择至少一个目标活体检测网络；
[0024]目标活体预测模块，用于通过所述目标活体检测网络根据所述目标人脸特征确定目标图像的预测活体信息。
[0025]根据本公开的另一方面，提供了一种电子设备，该电子设备包括：
[0026]至少一个处理器；以及
[0027]与所述至少一个处理器通信连接的存储器；其中，
[0028]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本公开任意实施例所提供的方法。
[0029]根据本公开的另一方面，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，其中，所述计算机指令用于使计算机执行本公开任意实施例所提供的方法。
[0030]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
[0031]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0032]图1a是根据本公开实施例提供的一种活体检测模型训练方法的流程图；
[0033]图1b是根据本公开实施例提供的一种活体检测模型的结构示意图；
[0034]图2是根据本公开实施例提供的另一种活体检测模型训练方法的流程图；
[0035]图3a是根据本公开实施例提供的又一种活体检测模型训练方法的流程图；
[0036]图3b是根据本公开实施例提供的一种活体检测模型的结构示意图；
[0037]图4是根据本公开实施例提供的一种活体检测方法的流程图；
[0038]图5是根据本公开实施例提供的一种活体检测模型训练装置的结构示意图；
[0039]图6是根据本公开实施例提供的一种基于活体检测装置的结构示意图；
[0040]图7是用来实现本公开实施例的活体检测模型训练方法或活体检测方法的电子设备的框图。
具体实施方式
[0041]图1a是根据本公开实施例提供的一种活体检测模型训练方法的流程图。该方法适用于对活体检测模型进行训练的情况。该方法可以由活体检测模型训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于电子设备中。如图1a所示，本实施例的活体检测模型训练方法可以包括：
[0042]S101，通过活体检测模型中的特征提取网络对样本图像中的样本人脸区域进行特征提取得到样本人脸特征；所述活体检测模型还包括动态路由网络和至少两个候选活体检测网络；
[0043]S102，通过所述动态路由网络根据所述样本人脸特征从所述至少两个候选活体检测网络中选择目标活体检测网络；
[0044]S103，通过所述目标活体检测网络根据所述样本人脸特征确定样本图像的预测活体信息；
[0045]S104，根据所述目标活体检测网络、所述预测活体信息、样本图像的标注攻击类型和样本图像的标注活体信息，对所述特征提取网络、所述动态路由网络和所述候选活体检测网络进行训练。
[0046]图1b是根据本公开实施例提供的一种活体检测模型的结构示意图，参考图1b，待训练的活体检测模型包括特征提取网络、动态路由网络和至少两个候选活体检测网络。N个候选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测模型训练方法，所述方法包括：通过活体检测模型中的特征提取网络对样本图像中的样本人脸区域进行特征提取得到样本人脸特征；所述活体检测模型还包括动态路由网络和至少两个候选活体检测网络；通过所述动态路由网络根据所述样本人脸特征从所述至少两个候选活体检测网络中选择目标活体检测网络；通过所述目标活体检测网络根据所述样本人脸特征确定样本图像的预测活体信息；根据所述目标活体检测网络、所述预测活体信息、样本图像的标注攻击类型和样本图像的标注活体信息，对所述特征提取网络、所述动态路由网络和所述候选活体检测网络进行训练。2.根据权利要求1所述的方法，其中，所述通过所述动态路由网络根据所述样本人脸特征，从所述至少两个候选活体检测网络中选择目标活体检测网络，包括：通过所述动态路由网络确定所述样本人脸特征和至少两个候选类中心之间的相似度；所述候选类中心与所述候选活体检测网络之间一一对应；根据所述相似度，从所述至少两个候选活体检测网络中选择目标活体检测网络。3.根据权利要求1所述的方法，其中，所述根据所述目标活体检测网络、样本图像的标注攻击类型和样本图像的标注活体信息，对所述特征提取网络、所述动态路由网络和所述候选活体检测网络进行训练，包括：基于预设的候选活体检测网络和候选攻击类型之间的关联关系，确定所述目标活体检测网络对应的目标攻击类型，作为预测攻击类型；根据所述预测攻击类型和所述样本图像的标注攻击类型，构建第一损失函数，并采用第一损失函数对所述动态路由网络进行训练；根据所述预测活体信息和所述样本图像的标注活体信息，构建第二损失函数，并采用第二损失函数对所述特征提取网络和所述候选活体检测网络进行训练。4.根据权利要求3所述的方法，其中，所述候选攻击类型包括如下至少一项：电子屏幕攻击、纸质攻击、二维面具攻击、三维头部模型攻击或证件照攻击。5.根据权利要求1
‑
4中任一项所述的方法，还包括：采用样本图像对视觉变换器中的多头自注意力模块和逐点前向网络模块进行预训练，并将经训练的多头自注意力模块作为初始的特征提取网络；对经训练的逐点前向网络模块进行复制得到至少两个逐点前向网络模块，作为至少两个初始的候选活体检测网络；在初始的特征提取网络和至少两个初始的候选活体检测网络中增加初始的动态路由网络。6.根据权利要求5所述的方法，其中，所述动态路由网络采用全连接神经网络结构。7.根据权利要求5所述的方法，所述方法还包括：获取新增样本图像的标注攻击类型，并将该标注攻击类型作为新增攻击类型；为所述新增攻击类型增加对应的候选活体检测网络，并对增加的候选活体检测网络进行训练。8.一种活体检测方法，所述方法包括：获取待检测的目标图像；
通过活体检测模型中的特征提取网络对目标图像中的目标人脸区域进行特征提取得到目标人脸特征；所述活体检测模型采用如权利要求1
‑
7中任一项所述的方法训练得到；通过活体检测模型中的动态路由网络根据所述目标人脸特征，从所述活体检测模型的至少两个候选活体检测网络中选择至少一个目标活体检测网络；通过所述目标活体检测网络根据所述目标人脸特征确定目标图像的预测活体信息。9.根据权利要求8所述的方法，其中，所述通过活体检测模型中的动态路由网络根据所述目标人脸特征，从所述活体检测模型的至少两个候选活体检测网络中选择至少一个目标活体检测网络，包括：通过活体检测模型中的动态路由网络确定所述目标人脸特征和至少两个候选类中心之间的相似度；所述候选类中心与所述候选活体检测网络之间一一对应；根据所述相似度，从所述至少两个候选活体检测网络中选择至少一个目标活体检测网络。10.一种活体检测模型训练装置，所述装置包括：样本人脸特征模块，用于通过活体检测模型中的特征提取网络对样本图像中的样本人脸区域进行特征提取得到样本人脸特征；所述活体检测模型还包括动态路由网络和至少两个候选活体检测网络；目标网络选择模块，用于通过所述动态路由网络根据所述样本人脸特征从所述至少两个候选活体检测网络中选择目标活体检测网络；样本活体预测模块，用于通过所述目标活体检测网络根据所述...

【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：