[发明专利]人脸活体检测方法、装置、设备及介质

权利要求书

1.一种人脸活体检测方法，其特征在于，包括以下步骤：

获取训练集，其中所述训练集包含多个训练数据，所述训练数据为带有标签的人脸图像数据；

将所述训练数据输入教师网络进行第一训练，得到训练好的教师网络模型，所述第一训练包括提取所述训练数据的第一特征，以及对所述第一特征进行分类得到第一输出；

将所述训练数据输入学生网络进行第二训练，得到训练好的人脸活体检测模型，其中，所述学生网络包括第二特征分类网络，所述第二训练包括：提取所述训练数据的第二特征，并通过第一知识蒸馏学习器约束所述第二特征与所述第一特征的差距在第一预设范围内；通过元学习器更新所述第二特征分类网络的模型参数，通过更新模型参数后的所述第二特征分类网络对所述第二特征进行分类得到第二输出，并通过第二知识蒸馏学习器约束所述第二输出与第一输出的差距在第二预设范围内；

将待检测的人脸图像输入所述人脸活体检测模型，得到所述人脸图像中对象是否为活体的检测结果；

通过第一知识蒸馏学习器约束所述第二特征与所述第一特征的差距在第一预设范围内包括：通过第一知识蒸馏学习器的距离约束和角度约束来使得所述第二特征与所述第一特征的差距在第一预设范围内，所述距离约束满足：同一批人脸图像经过第一训练提取的所述第一特征与经过第二训练提取的所述第二特征间的距离相近；所述角度约束满足：同一批人脸图像经过第一训练提取的所述第一特征与经过第二训练提取的所述第二特征间的角度相近；

通过第二知识蒸馏学习器约束所述第二输出与第一输出的差距在第二预设范围内包括：通过相对熵散度约束使得所述第二输出与第一输出的分布相似；

通过元学习器更新所述第二特征分类网络的模型参数，包括：通过元学习器将训练集划分为训练集和和评测样本集；在训练样本集上计算第二特征分类网络的初始学生网络模型的损失函数并求取临时参数梯度；按临时参数梯度方向修改初始学生网络模型的模型参数获得临时学生网络模型；在评测样本集上计算临时学生网络模型的交叉熵损失，根据初始学生网络模型的损失函数和所述交叉熵损失计算学生网络模型更新后的参数梯度，根据更新后的参数梯度采用梯度下降法得到所述第二特征分类网络更新好的模型参数。

2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述教师网络包括第一特征提取网络和第一特征分类网络，所述第一特征为第一特征向量，所述第一输出为第一输出向量；

其中，所述将所述训练数据输入教师网络进行第一训练，得到训练好的教师网络模型，包括：

将所述训练数据输入第一特征提取网络进行特征提取，得到所述第一特征向量；

将所述第一特征向量输入第一特征分类网络进行分类，得到所述第一输出向量。

3.根据权利要求2所述的人脸活体检测方法，其特征在于，所述学生网络还包括第二特征提取网络，所述第二特征为第二特征向量，所述第二输出为第二输出向量；

其中，将所述训练数据输入学生网络进行第二训练，包括：

将所述训练数据输入第二特征提取网络进行特征提取，得到所述第二特征向量，并通过所述第一知识蒸馏学习器约束所述第二特征向量与所述第一特征向量的差距在所述第一预设范围内；

通过元学习器更新所述第二特征分类网络的模型参数，通过更新模型参数后的所述第二特征分类网络对所述第二特征向量进行分类得到第二输出向量，并通过所述第二知识蒸馏学习器约束所述第二输出向量与所述第一输出向量的差距在所述第二预设范围内。

4.根据权利要求3所述的人脸活体检测方法，其特征在于，所述将所述训练数据输入第二特征提取网络进行特征提取，得到所述第二特征向量，并通过所述第一知识蒸馏学习器约束所述第二特征向量与所述第一特征向量的差距在所述第一预设范围内，包括：

将所述训练数据输入第二特征提取网络进行特征提取，得到第三特征向量；

基于所述第一特征向量与所述第三特征向量，根据所述第一知识蒸馏学习器的蒸馏损失函数得到第一损失值；

根据所述第一损失值，更新所述第二特征提取网络的第一参数；

根据更新所述第一参数后的所述第二特征提取网络，得到所述第二特征向量。