[发明专利]红外图像转换方法、活体检测方法、装置、可读存储介质

说明书

本发明公开了一种红外图像转换方法、活体检测方法、装置、可读存储介质，获取可见光图像和近红外图像；根据可见光图像和近红外图像，进行CycleGAN模型训练；其中CycleGAN模型的生成器为两个互相近似可逆的函数，且两个生成器在训练过程中进行参数共享；输入目标可见光图像至训练好的CycleGAN模型，获得转换后的近红外图像，最好将近红外图像输入至活体检测模型，获得判断结果。本技术方案将可见光图像直接转换为近红外图像并进行活体检测，从而有效地提升活体检测准确率并能够有效地抵抗假体的攻击。使用可逆网络结构将可见光图像转换为近红外图像，使用加性耦合技术将正反向生成器进行参数共享，生成的近红外图像质量要优于使用传统的CycleGAN方法。

技术领域

本发明涉及人脸识别技术领域，特别涉及一种红外图像转换方法、活体检测方法、装置、可读存储介质。

背景技术

随着图像识别技术的发展，人脸识别在安全监控、人脸支付、访问控制等领域起着重要的作用。随着这项技术逐渐被公众所熟悉，人们对人脸识别安全性的担忧越来越普遍，其吸引了学术界和业内人士的研究。人脸识别系统容易遭受一些攻击，例如一个人可能使用其他身份的照片、视频或面具来攻击人脸识别系统用以获取非法利益。因此需要进行活体检测，即判断摄像头所采集的图像是否为真人，其对人脸识别系统的安全性至关重要。

当前人脸活体检测任务当中可见光图像检测准确率低且易受伪造图像攻击，而目前的一个重要解决方案为使用近红外图像并进行活体检测，从而有效地提升活体检测准确率、抵抗假体的攻击。

现有的红外图像获取方法主要分为两类：第一种是直接采用近红外摄像头来采集近红外图像，但是近红外设备较为昂贵，而且现实应用场景当中大量可获得的图像都是采自可见光环境，如监控视频和身份证照片；第二种是基于图像变换的方法，使用人工智能技术将可见光图像转换成近红外图像，但是由于目前技术的缺陷造成转换后的图像质量存在问题，如基于CycleGAN的方法，这种方法虽然克服了训练数据不成对的问题，也可以将可见光图像转换为近红外图像，但是由于训练过程当中两个生成器是分离的，所以转换之后的图像难免存在质量问题，而且额外增加的图像转换模块也在一定程度上降低了模型的推理速度。

发明内容

本发明要解决的技术问题是如何提供一种计算量小、准确率高的红外图像转换方法、活体检测方法、装置、可读存储介质。

为了解决上述技术问题，本发明的技术方案为：

第一方面，本发明提出了一种红外图像转换方法，包括：

获取可见光图像和近红外图像；

根据可见光图像和近红外图像，进行CycleGAN模型训练；其中CycleGAN模型的生成器为两个互相近似可逆的函数，且两个所述生成器在训练过程中进行参数共享；

输入目标可见光图像至训练好的CycleGAN模型，获得转换后的近红外图像。

优选地，进行CycleGAN模型训练的过程包括：

将可见光图像转换为近红外图像，将输入的近红外图像及转换生成的近红外图像传输至判别器进行判别；并将转换生成的近红外图像转换回可见光图像，将输入的可见光图像及转换生成的可见光图像传输至判别器进行判别；计算输入的可见光图像与转换生成的可见光图像之间的损失函数，通过最小化损失函数来迭代获得网络的各个参数；

将近红外图像转换为可见光图像，将输入的可见光图像及转换生成的可见光图像传输至判别器进行判别；并将转换生成的可见光图像转换回近红外图像，将输入的近红外图像及转换生成的近红外图像传输至判别器进行判别；计算输入的近红外图像与转换生成的近红外图像之间的损失函数，通过最小化损失函数来迭代获得网络的各个参数。

优选地，将可见光图像转换为近红外图像的过程为：将所述可见光图像进行编码，通过可逆结构正向映射至近红外图像的特征空间，将其解码至近红外图像；