人脸伪造识别模型训练方法和装置、人脸识别方法和装置制造方法及图纸

本说明书实施例提供了人脸伪造识别模型的训练方法和装置、人脸识别方法和装置。该训练方法包括：得到训练样本集；对训练样本集中的每一个样本进行模拟正常干扰的处理；将处理后的训练样本集中的每一个样本输入人脸伪造识别模型中；人脸伪造识别模型的损失函数包括：交叉熵损失函数以及软目标交叉熵损失函数；根据得到的每一个样本的预测值与该样本的标签，计算交叉熵损失函数的值；根据每一个样本的预测值与该样本对应的软目标值，计算软目标交叉熵损失函数的值；根据计算出的交叉熵损失函数的值以及软目标交叉熵损失函数的值，调整人脸伪造识别模型的参数，直至收敛。本说明书实施例能更加准确地识别出包括正常干扰信息的真实人脸图像。息的真实人脸图像。息的真实人脸图像。

【技术实现步骤摘要】
人脸伪造识别模型训练方法和装置、人脸识别方法和装置


[0001]本说明书一个或多个实施例涉及电子信息技术，尤其涉及人脸伪造识别模型的训练方法和装置、人脸识别方法和装置。

技术介绍

[0002]当下，在终端设备中，越来越多的应用程序(APP)都会使用人脸信息，涉及的功能也十分广泛，包括登录、认证、支付等等，人脸信息的方便快捷为数字生活提供了很多便利。
[0003]实际应用中，存在伪造人脸图像以及包括正常干扰信息的真实人脸图像。其中，伪造人脸图像是攻击者通过图片、文字以及音视频等素材生成的人脸图像，从而达到攻击目的。而对于包括正常干扰信息的真实人脸图像，是由于用户身处的环境、设备机具的采集能力、不同APP客户端的需求差异等，导致了真实的人脸图像质量参差不齐，例如图片光线很暗或者过度曝光、采集到的人脸不清晰或者被物体遮挡、对像素进行大幅压缩以节约资源等，从而得到了包括正常干扰信息的真实人脸图像。
[0004]因为包括正常干扰信息的真实人脸图像中也存在干扰信息，因此，目前经常将包括正常干扰信息的真实人脸图像识别为伪造人脸图像，从而出现了错误的识别，降低了人脸识别的准确性。因此，亟需设计出一种更为准确的人脸伪造识别模型，不仅能识别出伪造人脸图像，更能准确识别出包括正常干扰信息的真实人脸图像。

技术实现思路

[0005]本说明书一个或多个实施例描述了人脸伪造识别模型的训练方法和装置、人脸识别方法和装置，能更为准确地识别出包括正常干扰信息的真实人脸图像，减少误识别。
[0006]根据第一方面，提供了一种人脸伪造识别模型的训练方法，其中，
[0007]得到训练样本集；该训练样本集中包括真实人脸图像样本以及伪造人脸图像样本；
[0008]对训练样本集中的每一个样本进行模拟正常干扰的处理；
[0009]将处理后的训练样本集中的每一个样本输入当前待训练的人脸伪造识别模型中；其中，该人脸伪造识别模型的损失函数包括：交叉熵损失函数以及软目标交叉熵损失函数；
[0010]得到当前的人脸伪造识别模型针对每一个样本输出的预测值；
[0011]根据得到的每一个样本的预测值与该样本的标签，计算所述交叉熵损失函数的值；
[0012]根据得到的每一个样本的预测值与该样本对应的软目标值，计算所述软目标交叉熵损失函数的值；
[0013]根据计算出的所述交叉熵损失函数的值以及所述软目标交叉熵损失函数的值，调整所述人脸伪造识别模型的参数，直至人脸伪造识别模型的损失函数收敛。
[0014]其中，所述对训练样本集中的每一个样本进行模拟正常干扰的处理，包括：对训练样本集中的每一个样本进行高斯模糊处理。
[0015]其中，所述对训练样本集中的每一个样本进行高斯模糊处理，包括：
[0016]对训练样本集中的每一个样本，在该样本的全图像范围内对所有图片像素进行整体的高斯模糊处理；和/或，
[0017]对训练样本集中的各个样本，在该各个样本的预设图像边缘范围内进行高斯模糊，并且在各个样本的不同图像位置处，进行高斯模糊处理的图像边缘范围的尺寸大小和模糊的强度不完全相同。
[0018]其中，所述对训练样本集中的每一个样本进行模拟正常干扰的处理，进一步包括：
[0019]对训练样本集中的每一个样本进行平移、缩放、旋转、随机亮度调整以及对比度调整中的任意一项。
[0020]其中，所述得到每一个样本的软目标值的方法包括：
[0021]将所述训练样本集中的每一个样本输入一个人脸识别大模型中，将在该大模型上经过Softmax函数输出的针对一个样本的概率值作为该样本对应的软目标值。
[0022]其中，所述人脸伪造识别模型的损失函数的表达式为：
[0023]L＝αL
soft
+(1
‑
α)L
hard
[0024]其中，L为人脸伪造识别模型的损失函数，α为设定的参数，用于调节交叉熵损失函数以及软目标交叉熵损失函数的比重，L
hard
表征交叉熵损失函数，L
soft
表征软目标交叉熵损失函数；其中，
[0025][0026]其中，C为类别数，C的取值为2，X
C
表示类别C下输入的样本，T为预设的温度参数，T>1；为一个样本对应的软目标值。
[0027]根据第二方面，提供了人脸识别方法，其中，该方法包括：
[0028]得到待识别的人脸图像；
[0029]对该待识别的人脸图像进行模拟正常干扰的处理；
[0030]将处理后的待识别人脸图像输入人脸伪造识别模型中；
[0031]得到该人脸伪造识别模型输出的对真实人脸或者伪造人脸的预测值。
[0032]根据第三方面，提供了人脸伪造识别模型的训练装置，该装置包括：
[0033]训练样本获取模块，配置为得到训练样本集；该训练样本集中包括真实人脸图像样本以及伪造人脸图像样本；
[0034]干扰添加模块，配置为对训练样本集中的每一个样本进行模拟正常干扰的处理；
[0035]训练执行模块，配置为将处理后的训练样本集中的每一个样本输入当前待训练的人脸伪造识别模型中；其中，该人脸伪造识别模型的损失函数包括：交叉熵损失函数以及软目标交叉熵损失函数；得到当前的人脸伪造识别模型针对每一个样本输出的预测值；
[0036]参数调整模块，配置为根据得到的每一个样本的预测值与该样本的标签，计算所述交叉熵损失函数的值；根据得到的每一个样本的预测值与该样本对应的软目标值，计算所述软目标交叉熵损失函数的值；根据计算出的所述交叉熵损失函数的值以及所述软目标交叉熵损失函数的值，调整所述人脸伪造识别模型的参数，直至人脸伪造识别模型的损失函数收敛。
[0037]根据第四方面，提供了人脸识别装置，该装置包括：
[0038]待识别图像获取模块，配置为得到待识别的人脸图像；
[0039]干扰处理模块，配置为对该待识别的人脸图像进行模拟正常干扰的处理；
[0040]输入模块，配置为将处理后的待识别人脸图像输入人脸伪造识别模型中；
[0041]人脸识别结果获取模块，配置为得到该人脸伪造识别模型输出的真实人脸或者伪造人脸的预测值。
[0042]根据第五方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现本说明书任一实施例所述的方法。
[0043]在本说明书实施例中，在人脸伪造识别模型的训练阶段，对训练样本集中的每一个样本进行了模拟正常干扰的处理，也就是说充分模拟了真实图片受到的干扰，这样就可以让人脸伪造识别模型在训练过程中更加关注到真实人脸图像受到的正常干扰的特征信息，从而能够提高人脸伪造识别模型在预测阶段中对于受到正常干扰的真实人脸图像的识别，而不会误识别为伪造人脸。并且，根据上述图2所示的流程可以看出，在本说明书实施例中，该人脸伪造识别模型的损失函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.人脸伪造识别模型的训练方法，其中，得到训练样本集；该训练样本集中包括真实人脸图像样本以及伪造人脸图像样本；对训练样本集中的每一个样本进行模拟正常干扰的处理；将处理后的训练样本集中的每一个样本输入当前待训练的人脸伪造识别模型中；其中，该人脸伪造识别模型的损失函数包括：交叉熵损失函数以及软目标交叉熵损失函数；得到当前的人脸伪造识别模型针对每一个样本输出的预测值；根据得到的每一个样本的预测值与该样本的标签，计算所述交叉熵损失函数的值；根据得到的每一个样本的预测值与该样本对应的软目标值，计算所述软目标交叉熵损失函数的值；根据计算出的所述交叉熵损失函数的值以及所述软目标交叉熵损失函数的值，调整所述人脸伪造识别模型的参数，直至人脸伪造识别模型的损失函数收敛。2.根据权利要求1所述的方法，其中，所述对训练样本集中的每一个样本进行模拟正常干扰的处理，包括：对训练样本集中的每一个样本进行高斯模糊处理。3.根据权利要求2所述的方法，其中，所述对训练样本集中的每一个样本进行高斯模糊处理，包括：对训练样本集中的每一个样本，在该样本的全图像范围内对所有图片像素进行整体的高斯模糊处理；和/或，对训练样本集中的各个样本，在该各个样本的预设图像边缘范围内进行高斯模糊，并且在各个样本的不同图像位置处，进行高斯模糊处理的图像边缘范围的尺寸大小和模糊的强度不完全相同。4.根据权利要求2所述的方法，其中，所述对训练样本集中的每一个样本进行模拟正常干扰的处理，进一步包括：对训练样本集中的每一个样本进行平移、缩放、旋转、随机亮度调整以及对比度调整中的任意一项。5.根据权利要求1所述的方法，其中，所述得到每一个样本的软目标值的方法包括：将所述训练样本集中的每一个样本输入一个人脸识别大模型中，将在该大模型上经过Softmax函数输出的针对一个样本的概率值作为该样本对应的软目标值。6.根据权利要求1所述的方法，其中，所述人脸伪造识别模型的损失函数的表达式为：L＝αL
soft
+(1
‑
α)L
hard
其中，L为人脸伪造识别模型的损失函数，...

【专利技术属性】
技术研发人员：林佳滢，金璐，
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：