本申请公开了一种活体检测模型的训练方法、活体检测方法、电子设备及计算机可读存储介质。该训练方法包括：获取训练图像对，训练图像对包括第一模态图像和第二模态图像；利用活体检测模型的第一特征提取分支对第一模态图像特征提取，得到第一特征，第一特征包括第一跨模态监督特征；利用活体检测模型的第二特征提取分支对第二模态图像进行特征提取，得到第二特征，第二特征包括第二跨模态监督特征；基于第一跨模态监督特征和第二跨模态监督特征构建跨模态监督损失；至少基于跨模态监督损失调整活体检测模型的参数。通过上述方式，能够提高活体检测模型提取的特征对活体类别的表达能力、在应用阶段活体检测时基于特征得到的活体判别结果的准确度。活体判别结果的准确度。活体判别结果的准确度。
【技术实现步骤摘要】
活体检测模型的训练方法、活体检测方法及相关设备
[0001]本申请涉及目标识别
，特别是涉及一种活体检测模型的训练方法、活体检测方法、电子设备及计算机可读存储介质。
技术介绍
[0002]目标识别技术可以应用于闸机门禁、上班考勤机、手机刷脸支付等诸多领域。目标识别技术的一般流程为，获取目标的图像，基于目标的图像进行识别。但是目标识别技术具有伪装目标进行攻击的风险，即获取的目标的图像不是对真实目标(活体)拍摄得到的图像，而是对伪装目标(非活体)拍摄得到的图像，伪装目标例如是目标的纸质照片、目标的电子图像、三维模具等等。
[0003]基于此，需要在目标识别过程中对目标的图像进行活体检测，以确定目标是否为活体。但是，现有技术中的活体检测方法，得到的活体判别结果不够准确。
技术实现思路
[0004]本申请提供一种活体检测模型的训练方法、活体检测方法、电子设备及计算机可读存储介质，能够解决现有技术中的活体检测方法，得到的活体判别结果不够准确的问题。
[0005]为解决上述技术问题，本申请采用的一个技术方案是：提供一种活体检测模型的训练方法。该方法包括：获取训练图像对，训练图像对包括第一模态图像和第二模态图像，第一模态图像和第二模态图像来自同一活体类别的训练对象；利用活体检测模型的第一特征提取分支对第一模态图像特征提取，得到第一特征，第一特征包括第一跨模态监督特征；利用活体检测模型的第二特征提取分支对第二模态图像进行特征提取，得到第二特征，第二特征包括第二跨模态监督特征；基于第一跨模态监督特征和第二跨模态监督特征构建跨模态监督损失；至少基于跨模态监督损失调整活体检测模型的参数。
[0006]为解决上述技术问题，本申请采用的一个技术方案是：提供一种活体检测方法。该方法包括：获取待检测对象的图像，待检测对象的图像包括第一模态和/或第二模态的待检测图像；利用活体检测模型对待检测对象的图像进行特征提取，得到活体判别特征；基于活体判别特征得到待检测对象的活体判别结果；其中，活体检测模型是通过如前所述的训练方法训练得到的。
[0007]为解决上述技术问题，本申请采用的另一个技术方案是：提供一种电子设备，该电子设备包括处理器、与处理器连接的存储器，其中，存储器存储有程序指令；处理器用于执行存储器存储的程序指令以实现上述方法。
[0008]为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，存储有程序指令，该程序指令被执行时能够实现上述方法。
[0009]通过上述方式，本申请获取训练图像对，训练图像对包括来自同一活体类别的训练对象的第一模态图像和第二模态图像；利用活体检测模型的第一特征提取分支对第一模态图像特征提取，得到第一跨模态监督特征；利用活体检测模型的第二特征提取分支对第
二模态图像进行特征提取，得到第二跨模态监督特征；基于第一跨模态监督特征和第二跨模态监督特征构建跨模态监督损失，基于跨模态监督损失调整活体检测模型的参数。由于第一模态图像和第二模态图像包含了不同模态下同一活体类别的训练对象的信息，因此利用跨模态监督损失对活体检测模型的训练，能够使得第一特征提取分支和第二特征提取分支的特征提取过程跨模态相互监督，以实现第一特征提取分支和第二特征提取分支提取到的特征之间信息的相互补充和增强，从而，提高活体检测模型提取的特征对活体类别的表达能力，提高应用阶段活体检测时依据特征得到的活体判别结果的准确度。
附图说明
[0010]图1是本申请活体检测模型的训练方法一实施例的流程示意图；
[0011]图2是本申请活体检测模型的训练方法另一实施例的流程示意图；
[0012]图3是活体检测模型的训练结构示意图；
[0013]图4是中心差分卷积的示意图；
[0014]图5是本申请活体检测方法一实施例的流程示意图；
[0015]图6是本申请电子设备一实施例的结构示意图；
[0016]图7是本申请计算机可读存储介质一实施例的结构示意图。
具体实施方式
[0017]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0018]本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，“若干”的含义是一个或多个，除非另有明确具体的限定。
[0019]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。
[0020]图1是本申请活体检测模型的训练方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施例可以包括：
[0021]S11：获取训练图像对。
[0022]训练图像对包括第一模态图像和第二模态图像，第一模态图像和第二模态图像来自同一活体类别的训练对象。
[0023]本申请训练方法实施例的执行主体为训练设备，训练设备可以是电脑、手机、服务器等形式的电子设备。
[0024]训练对象可以是活体，如人或者动物(如狗)、人或者动物的脸部；训练对象也可以
是非活体，如伪装活体的纸质照片、电子图像、三维模具等等。可供活体检测的图像模态包括但不限于近红外模态、可见光模态、深度模态。第一模态图像所属第一模态可以是近红外模态、可见光模态、深度模态中的一种，第二模态图像所属第二模态可以是近红外模态、可见光模态、深度模态中的一种。例如，第一模态图像是可见光图像，第二模态图像是近红外图像。第一模态和第二模态不同，第一模态和第二模态是相对来说的，可以根据实际需求对调。
[0025]用于对活体检测模型训练的训练图像对有多个，同一训练图像对中的第一模态图像和第二模态图像来自同一活体类别的训练对象。活体类别包括活体和非活体，同一活体类别的训练对象可以进一步分为同一活体类别、同一ID的训练对象和同一活体类别、不同ID的训练对象。如果第一模态图像和第二模态图像来自同一活体类别、同一ID的训练对象，那么第一模态图像和第二模态图像可以是同一时刻拍摄到的，也可以是不同时刻拍摄到的。至少两个训练图像对来自不同活体类别的训练对象。为了简化描述，本申请实施例仅以一个训练图像对进行说明。
[0026]在一些实施例中，训练图像对还可以包括表征训练对象的真实活体类别的活体标签，具体取本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种活体检测模型的训练方法，其特征在于，包括：获取训练图像对，所述训练图像对包括第一模态图像和第二模态图像，所述第一模态图像和所述第二模态图像来自同一活体类别的训练对象；利用所述活体检测模型的第一特征提取分支对所述第一模态图像特征提取，得到第一特征，所述第一特征包括第一跨模态监督特征；利用所述活体检测模型的第二特征提取分支对所述第二模态图像进行特征提取，得到第二特征，所述第二特征包括第二跨模态监督特征；基于所述第一跨模态监督特征和所述第二跨模态监督特征构建跨模态监督损失；至少基于所述跨模态监督损失调整所述活体检测模型的参数。2.根据权利要求1所述的方法，其特征在于，所述第一跨模态监督特征包括第一模态的监督特征，所述第二跨模态监督特征包括第二模态的被监督特征，所述第一模态的监督特征为频域特征，所述基于所述第一跨模态监督特征和所述第二跨模态监督特征构建跨模态监督损失，包括：将所述第二模态的被监督特征转换至频域；基于所述第一模态的监督特征与经转换的所述第二模态的被监督特征之间的差异，构建所述第二特征提取分支对应的所述跨模态监督损失。3.根据权利要求1所述的方法，其特征在于，所述第一跨模态监督特征包括第一模态的被监督特征，所述第二跨模态监督特征包括第二模态的监督特征，包括：将所述第一模态的被监督特征从第一模态翻译成第二模态；基于经翻译的所述第一模态的被监督特征与所述第二模态的监督特征之间的差异，构建所述第一特征提取分支对应的所述跨模态监督损失。4.根据权利要求2或3所述的方法，其特征在于，所述第一模态图像为可见光图像，所述第二模态图像为近红外图像。5.根据权利要求1所述的方法，其特征在于，所述第一特征还包括第一活体判别特征，所述第二特征还包括第二活体判别特征，所述训练图像对还包括表征所述训练对象的真实活体类别的活体标签，所述方法还包括：对所述第一活体判别特征与所述第二活体判别特征进行融合，得到活体判别特征；基于所述活体判别特征对所述训练对象进行活体判别，得到所述训练对象的活体判别结果；基于所述活体判别结果与所述活体标签之间的差异构建活体判别损失；所述至少基于所述跨...
【专利技术属性】
技术研发人员：李永凯，王宁波，郝敬松，朱树磊，殷俊，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。