[发明专利]活体检测模型的训练方法、装置、计算机设备和存储介质

说明书

本申请涉及人工智能领域，提供了一种活体检测模型的训练方法、装置、计算机设备和存储介质。方法包括：获取包括初始候选区域生成网络及初始活体分类网络的初始活体检测模型；根据第一训练样本集训练初始候选区域生成网络，得到第一候选区域生成网络；根据第一候选区域生成网络及第二训练样本集训练初始活体分类网络，得到第一活体分类网络；根据第一候选区域生成网络、第一活体分类网络及第二训练样本集，得到当前活体位置信息；根据当前活体位置信息及目标活体位置信息的差异调整第一候选区域生成网络的参数并继续训练，得到目标候选区域生成网络；根据目标候选区域生成网络及第二训练样本集训练第一活体分类网络，得到目标活体分类网络。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种活体检测模型的训练方法、装置、计算机设备和存储介质。

背景技术

近红外活体检测，作为一种身份见证方法，利用红外光的光谱波段禹可见光不同，无需用户配合，可在近红外图像上进行盲测。降低了活体检测算法的繁琐度与提高其精度，并且降低生产成本的同时，可以更好地保证相关用户与企业的利益。

传统的近红外活体检测方法，大多分两步。首先，利用检脸器在可见光所成的彩色图片上检测人脸；然后在近红外图像对应位置提取人脸的LBP特征输入至活体判别器进行活体判断。这种方式，每一步骤都是一个独立的任务，所使用到的检脸器和活体判别器都需要单独分开训练，模型之间的契合度不高，活体判别器的准确性容易受到检脸器的影响，导致训练得到的模型的准确性低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高模型训练准确性的活体检测模型的训练方法、装置、计算机设备和存储介质。

一种活体检测模型的训练方法，所述方法包括：

获取初始活体检测模型，所述初始活体检测模型包括初始候选区域生成网络及初始活体分类网络；

获取第一训练样本集及第二训练样本集；所述第二训练样本集对应的训练样本中包括彩色图像、与所述彩色图像对应的近红外图像及对应的目标活体位置信息；

根据所述第一训练样本集训练所述初始候选区域生成网络直至收敛，得到第一候选区域生成网络；

根据所述第一候选区域生成网络及所述第二训练样本集训练所述初始活体分类网络直至收敛，得到第一活体分类网络；

将所述彩色图像输入到所述第一候选区域生成网络中，得到当前人脸候选区域位置信息，将所述当前人脸候选区域位置信息及所述近红外图像输入所述第一活体分类网络中，得到当前活体位置信息；

根据所述当前活体位置信息及所述目标活体位置信息的差异调整所述第一候选区域生成网络的参数，并返回将所述彩色图像输入到所述第一候选区域生成网络中的步骤直至收敛，得到目标候选区域生成网络；

根据所述目标候选区域生成网络及所述第二训练样本集训练所述第一活体分类网络直至收敛，得到目标活体分类网络，根据所述目标候选区域生成网络及所述目标活体分类网络得到训练好的目标活体检测模型。

在其中一个实施例中，所述方法还包括：

获取所述目标活体检测模型；

获取待检测人脸对应的待检测彩色图像和待检测近红外图像；

将所述待检测彩色图像输入至所述目标活体检测模型对应的目标候选区域生成网络，得到目标人脸候选区域位置信息；

将所述目标人脸候选区域位置信息及所述待检测近红外图像输入至所述目标活体检测模型对应的目标活体分类网络中，得到活体检测结果。

在其中一个实施例中，所述目标候选区域生成网络包括第一卷积层、第二卷积层及第一池化层，所述将所述待检测彩色图像输入至所述目标活体检测模型对应的目标候选区域生成网络，得到目标人脸候选区域位置信息，包括：