[发明专利]一种活体模型训练和人脸活体检测方法、装置和电子设备

说明书

本发明提供了一种活体模型训练和人脸活体检测方法、装置和电子设备，所述活体模型训练方法包括：获取多个静默视频，并抽取多个待训练帧图像；输入预设的活体模型中，得到与所述静默视频对应的输出结果；根据所述输出结果与静默视频的标注结果，计算损失函数的值；根据所述损失函数的值调整所述活体模型的参数，直到所述损失函数的值收敛。这样，可以由静默视频中抽取多个单帧图像，进行训练和结果输出，这种多帧图像判断的方式及模型，避免了单帧图像造成的安全等级低的情况，且获取静默视频，无需设置特定动作，因此避免了动态图像中动作难度过于复杂的问题；不仅安全等级高，且动作简单，便于实现，提高了使用者的体验度。

技术领域

本发明涉及人脸识别技术领域，具体而言，涉及一种活体模型训练和人脸活体检测方法、装置和电子设备。

背景技术

随着人脸识别技术的广泛应用，其使用安全性也慢慢受到人们的关注。人脸活体判断是指通过可以自动判别给定图像或视频中的人脸是来自真实的人还是来自于欺骗人脸如的技术，常见的欺骗人脸有面具、打印照片、屏幕上显示的照片或播放的视频片段等。人脸活体判断是一种重要的防攻击、防欺诈的技术手段，在银行、保险、互联网金融、电子商务等涉及到远程身份认证的行业和场合存在广泛的应用。

现有的人脸活体判断技术大体可以分为两类：静态方法和动态方法。静态方法主要通过图像中的颜色、纹理以及背景物体等特性来判断给定人脸的真实性，这种方法具有简单、高效的特点，但是安全等级并不高；原因在于静态人脸图像容易通过PS、合成软件以及高清屏幕显示照片等方式进行伪造，且随着技术的发展这种伪造方式的技术难度和成本将越来越低。动态方法主要是指各种基于动作的单帧图像的判断，要求使用者在镜头前完成张嘴、眨眼等指定的面部动作，然而，这些面部动作增加了技术实现难度，同时也降低了用户体验。

因此，亟需一种安全等级高且动作难度简单的人脸活体识别技术，以提高用户体验。

发明内容

本发明解决的问题是如何结合样本分布特征，监督深度神经网络实现更准确的分类。

为解决上述问题，本发明首先提供一种活体模型训练方法，其包括：

获取多个静默视频，并从每个静默视频中抽取多个待训练帧图像；

将所述多个待训练帧图像输入预设的活体模型中，得到与所述静默视频对应的输出结果；

根据所述输出结果与静默视频的标注结果，计算损失函数的值；

根据所述损失函数的值调整所述活体模型的参数，直到所述损失函数的值收敛。

这样，可以由静默视频中抽取多个单帧图像，并输入活体模型中，进行训练和结果输出，这种多帧图像判断的方式及模型，避免了单帧图像造成的安全等级低的情况，且获取静默视频，无需设置特定动作，因此避免了动态图像中动作难度过于复杂的问题；不仅安全等级高，且动作简单，便于实现，提高了使用者的体验度。

可选的，所述活体模型为神经网络模型。

可选的，所述获取多个静默视频，并从每个静默视频中抽取多个待训练帧图像，之后还包括：

根据所述静默视频获取标注结果。

这样，通过静默视频获取标注结果，可以获得待训练帧图像的真实结果，从而通过后续对比提高识别的准确性，得到准确度更高的活体模型。

可选的，所述获取多个静默视频，并从每个静默视频中抽取多个待训练帧图像，包括：

获取一个所述静默视频，将所述静默视频划分为多个区间段；

在每个区间段中抽取一个帧图像；该帧图像为待训练帧图像；

遍历所有所述静默视频，获得待训练帧图像。