活体检测方法和系统技术方案

本说明书提供的活体检测方法和系统，在获得目标用户的目标用户图像后，将所述目标用户图像输入至活体检测模型，以获得目标用户的攻击概率，所述活体检测模型为基于双子教师模型组对难易知识进行解耦蒸馏得到的轻量模型，以及基于攻击概率，确定目标用户的活体检测结果，并输出活体检测结果；该方案可以提升活体检测的准确率。检测的准确率。检测的准确率。

【技术实现步骤摘要】
活体检测方法和系统


[0001]本说明书涉及图像识别领域，尤其涉及一种活体检测方法和系统。

技术介绍

[0002]近年来，随着互联网技术的飞速发展，在人脸识别系统中活体检测已经成为不可缺少的一环，通过活体检测可以有效拦截非活体类型的攻击样本。现有的活体检测方法往往通过在云侧或端侧通过活体检测模型进行活体检测。
[0003]在对现有技术的研究和实践过程中，本专利技术的专利技术人发现在部署在云侧的活体检测模型进行活体检测侧，需要将用户图像上传至云侧，必须依赖网络，针对无网和弱网环境下无法进行活体检测，而在端侧通过活体检测模型进行活体检测时，受限与端侧的算力和存储空间，使得活体检测模型的检测性能受限，因此，导致活体检测的准确率较低。

技术实现思路

[0004]本说明书提供一种准确率更高的活体检测方法和系统。
[0005]第一方面，本说明书提供一种活体检测方法，包括：获得目标用户的目标用户图像；将所述目标用户图像输入至活体检测模型，以获得所述目标用户的攻击概率，所述活体检测模型为基于双子教师模型组对难易知识进行解耦蒸馏得到的轻量模型；以及基于所述攻击概率，确定所述目标用户的活体检测结果，并输出所述活体检测结果。
[0006]在一些实施例中，所述难易知识包括简单知识和困难知识，所述简单知识包括显著特征对应的知识，所述困难知识包括除所述显著特征以外的特征对应的知识。
[0007]在一些实施例中，所述活体检测模型的训练过程包括以下步骤：获得第一用户图像样本，并将所述第一用户图像样本输入至所述双子教师模型组，以获得教师图像特征和教师预测类别；将所述第一用户图像样本、所述教师图像特征和所述教师预测类别输入至预设活体检测模型，以获得学生图像特征、学生预测类别和所述难易知识对应的解耦权重；以及基于所述教师图像特征、所述教师预测类别、所述学生图像特征、所述学生预测类别和解耦权重，对所述预设活体检测模型进行蒸馏，得到训练后的所述活体检测模型。
[0008]在一些实施例中，所述预设活体检测模型包括学生网络和所述难易知识对应的元网络；以及所述将所述第一用户图像样本、所述教师图像特征和所述教师预测类别输入至预设活体检测模型，以获得学生图像特征、学生预测类别和所述难易知识对应的解耦权重，包括：将所述第一用户图像样本输入至所述学生网络，以获得所述第一用户图像样本对应的学生图像特征和所述学生预测类别，以及将所述教师图像特征、所述教师预测类别、所述学生图像特征和所述学生预测类别输入至所述元网络，以获得所述难易知识对应的解耦权重。
[0009]在一些实施例中，所述对所述预设活体检测模型进行蒸馏，得到训练后的所述活体检测模型，包括：将所述教师预测类别与所述学生预测类别进行对比，以得到分类蒸馏损失信息；基于所述解耦权重，将所述教师图像特征与所述学生图像特征进行对比，以得到解
耦蒸馏损失信息；以及将所述分类蒸馏损失信息和所述解耦蒸馏损失信息进行融合，并基于融合后的目标蒸馏损失信息，对所述预设活体检测模型进行收敛，得到所述活体检测模型。
[0010]在一些实施例中，所述将所述教师图像特征与所述学生图像特征进行对比，以得到解耦蒸馏损失信息，包括：分别在所述教师图像特征和所述学生图像特征中提取出显著特征，以得到简单知识对应的简单知识蒸馏损失信息；将所述教师图像特征的绝对值与所述学生图像特征的绝对值进行对比，以得到困难知识对应的困难知识蒸馏损失信息；以及基于所述解耦权重，分别对所述简单知识蒸馏损失信息和所述困难知识蒸馏损失信息进行加权融合，得到所述解耦蒸馏损失信息。
[0011]在一些实施例中，所述分别在所述教师图像特征和所述学生图像特征中提取出显著特征，以得到简单知识对应的简单知识蒸馏损失信息，包括：在所述教师图像特征中提取出显著特征，得到所述双子教师模型组对应的教师简单知识；在所述学生图像特征中提取出所述显著特征，得到所述学生网络对应的学生简单知识；以及将所述教师简单知识与所述学生简单知识进行对比，以得到所述简单知识蒸馏损失信息。
[0012]在一些实施例中，所述教师图像特征包括多个图像子特征；以及所述在所述教师图像特征中提取出显著特征，得到双子教师模型组对应的教师简单知识，包括：确定所述多个图像子特征中每一图像子特征的特征值，基于所述特征值，对所述多个图像子特征从大到小进行排序，以及基于排序结果，在所述多个图像子特征中选取出预设排序范围对应的图像子特征，得到所述显著特征，并将所述显著特征作为所述教师简单知识。
[0013]在一些实施例中，所述多个图像子特征的数量为N个，所述预设排序范围为前N/2个图像子特征。
[0014]在一些实施例中，所述将所述教师图像特征的绝对值与所述学生图像特征的绝对值进行对比，以得到困难知识对应的困难知识蒸馏损失信息，包括：确定所述教师图像特征的绝对值，得到教师困难知识，并确定所述学生图像特征的绝对值，得到学生困难知识；获得所述教师困难知识与所述学生困难知识之间的特征差值；以及基于所述特征差值，确定所述困难知识对应的困难知识蒸馏损失信息。
[0015]在一些实施例中，所述对所述预设活体检测模型进行蒸馏，得到训练后的所述活体检测模型之后，还包括：获得所述简单知识中的学生简单知识的统计特征，得到第一统计特征，并基于所述第一统计特征，确定所述学生简单知识的第一特征分布；以及获得所述困难知识中的学生困难知识的统计特征，得到第二统计特征，并基于所述第二统计特征，确定所述学生困难知识的第二特征分布。
[0016]在一些实施例中，所述统计特征包括均值和方差中的至少一个。
[0017]在一些实施例中，还包括：在所述活体检测模型的运行时间达到预设时间周期时，统计所述运行时间内的用户图像集合的数据分布概率，所述数据分布概率包括所述用户图像集合中的用户图像处于所述第一特征分布的第一分布概率和处于所述第二特征分布的第二分布概率；以及基于所述第一分布概率和所述第二分布概率，从第一方案、第二方案和第三方案中择一执行，其中：第一方案包括：确定所述第一分布概率小于第一预设概率阈值，将所述活体检测模型作为更新后的目标活体检测模型，第二方案包括：确定所述第二分布概率小于第二预设概率阈值，基于所述用户图像，对所述活体检测模型进行训练，得到更
新后的目标活体检测模型，以及第三方案包括：确定所述第一分布概率大于所述第一预设概率阈值，且所述第二分布概率大于所述第二预设概率阈值，将所述用户图像发送至远程服务器，以便所述远程服务器对所述活体检测模型进行更新，并接收所述远程服务器返回的更新后的目标活体检测模型。
[0018]在一些实施例中，所述统计所述运行时间内的用户图像集合的数据分布概率，包括：获得所述运行时间内的用户图像集合，并确定所述用户图像集合中每一用户图像处于所述第一特征分布的第一初始分布概率和处于所述第二特征分布的第二初始分布概率；确定所述第一初始分布概率的均值，得到第一分布概率，并确定所述第二初始分布概率的均值，得到第二分布概率；以及将所述第一分布概率和所述第二分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测方法，包括：获得目标用户的目标用户图像；将所述目标用户图像输入至活体检测模型，以获得所述目标用户的攻击概率，所述活体检测模型为基于双子教师模型组对难易知识进行解耦蒸馏得到的轻量模型；以及基于所述攻击概率，确定所述目标用户的活体检测结果，并输出所述活体检测结果。2.根据权利要求1所述的活体检测方法，其中，所述难易知识包括简单知识和困难知识，所述简单知识包括显著特征对应的知识，所述困难知识包括除所述显著特征以外的特征对应的知识。3.根据权利要求1所述的活体检测方法，其中，所述活体检测模型的训练过程包括以下步骤：获得第一用户图像样本，并将所述第一用户图像样本输入至所述双子教师模型组，以获得教师图像特征和教师预测类别；将所述第一用户图像样本、所述教师图像特征和所述教师预测类别输入至预设活体检测模型，以获得学生图像特征、学生预测类别和所述难易知识对应的解耦权重；以及基于所述教师图像特征、所述教师预测类别、所述学生图像特征、所述学生预测类别和解耦权重，对所述预设活体检测模型进行蒸馏，得到训练后的所述活体检测模型。4.根据权利要求3所述的活体检测方法，其中，所述预设活体检测模型包括学生网络和所述难易知识对应的元网络；以及所述将所述第一用户图像样本、所述教师图像特征和所述教师预测类别输入至预设活体检测模型，以获得学生图像特征、学生预测类别和所述难易知识对应的解耦权重，包括：将所述第一用户图像样本输入至所述学生网络，以获得所述第一用户图像样本对应的学生图像特征和所述学生预测类别，以及将所述教师图像特征、所述教师预测类别、所述学生图像特征和所述学生预测类别输入至所述元网络，以获得所述难易知识对应的解耦权重。5.根据权利要求3所述的活体检测方法，其中，所述对所述预设活体检测模型进行蒸馏，得到训练后的所述活体检测模型，包括：将所述教师预测类别与所述学生预测类别进行对比，以得到分类蒸馏损失信息；基于所述解耦权重，将所述教师图像特征与所述学生图像特征进行对比，以得到解耦蒸馏损失信息；以及将所述分类蒸馏损失信息和所述解耦蒸馏损失信息进行融合，并基于融合后的目标蒸馏损失信息，对所述预设活体检测模型进行收敛，得到所述活体检测模型。6.根据权利要求5所述的活体检测方法，其中，所述将所述教师图像特征与所述学生图像特征进行对比，以得到解耦蒸馏损失信息，包括：分别在所述教师图像特征和所述学生图像特征中提取出显著特征，以得到简单知识对应的简单知识蒸馏损失信息；将所述教师图像特征的绝对值与所述学生图像特征的绝对值进行对比，以得到困难知识对应的困难知识蒸馏损失信息；以及基于所述解耦权重，分别对所述简单知识蒸馏损失信息和所述困难知识蒸馏损失信息进行加权融合，得到所述解耦蒸馏损失信息。
7.根据权利要求6所述的活体检测方法，其中，所述分别在所述教师图像特征和所述学生图像特征中提取出显著特征，以得到简单知识对应的简单知识蒸馏损失信息，包括：在所述教师图像特征中提取出显著特征，得到所述双子教师模型组对应的教师简单知识；在所述学生图像特征中提取出所述显著特征，得到所述学生网络对应的学生简单知识；以及将所述教师简单知识与所述学生简单知识进行对比，以得到所述简单知识蒸馏损失信息。8.根据权利要求7所述的活体检测方法，其中，所述教师图像特征包括多个图像子特征；以及所述在所述教师图像特征中提取出显著特征，得到双子教师模型组对应的教师简单知识，包括：确定所述多个图像子特征中每一图像子特征的特征值，基于所述特征值，对所述多个图像子特征从大到小进行排序，以及基于排序结果，在所述多个图像子特征中选取出预设排序范围对应的图像子特征，得到所述显著特征，并将所述显著特征作为所述教师简单知识。9.根据权利要求8所述的活体检测方法，其中，所述多个图像子特征的数量为N个，所述预设排序范围为前N/2个图像子特征。10.根据权利要求6所述的活体检测方法，其中，所述将所述教师图像特征的绝对值与所述学生图像特征的绝对值进行对比，以得到困难知识对应的困难知识蒸馏损失信息，包括：确定所述教师图像特征的绝对值，得到教师困难知识，并确定所述学生图像特征的绝对值，得到学生困难知识；获得所述教师困难知识与所述学生困难知识之间的特征差值；以及基于所述特征差值，确定所述困难知识对应的困难知识蒸馏损失信息。11.根据权利要求3所述的活体检测方法，其中，所述对所述预设活体检测模型进行蒸馏，得到训练后的所述活体检测模型之后，还包括：获得所述简单知识中的学生简单知识的统计特征，得到第一统计特征，并基于所述第一统计特征，确定所述学生简单知识的第一特征分布；以及获得所述困难知识中的学生困难知识的统计特征，得到第二统计特征，并基于所述第二统计特征，确定所述学生困难知识的第二特征分布。12.根据权利要求11所述的活体检测方法，其中，所述统计特征包括均值和方差中的至少一个。13.根...

【专利技术属性】
技术研发人员：曹佳炯，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：