[发明专利]活体检测模型训练方法、装置、设备以及存储介质

说明书

本公开提供了一种活体检测模型训练方法、装置、设备、存储介质以及程序产品，涉及人工智能领域，具体为计算机视觉和深度学习技术，可以用于智慧城市场景下。该方法的一具体实施方式包括：获取样本图像集，其中，样本图像集中的样本图像标注有活体标签或攻击标签；基于样本图像切割得到多个样本区域块；打乱多个样本区域块进行叠加，得到样本张量；将样本张量作为输入，将样本图像的标签和多个样本区域块的叠加顺序作为监督信息，对卷积神经网络进行训练，得到活体检测模型。该实施方式在基于区域块的基础上加入自监督学习，增加了监督信息，提高了活体检测算法的准确度和泛化性。

技术领域

本公开涉及人工智能领域，具体为计算机视觉和深度学习技术，可以用于智慧城市场景下。

背景技术

人脸活体检测即区分一张图像是否为真人拍摄，是人脸识别系统的基础组成模块，保证人脸识别系统的安全性。

当前人脸活体检测算法实现方案众多，按照技术路线，主要分为两大类：传统的人脸手工特征提取及分类方法和使用深度学习的人脸活体检测方法。

传统人脸手工提取及分类方法的代表有基于LBP(Local binary pattern，线性反投影算法)、HOG(Histogram of oriented gradients，方向梯度直方图)、SIFT(Scale-invariant feature transform，尺度不变特征变换)等方法。这类方法首先基于手工设计的特征提取器提取人脸特征，然后基于如SVM(Support Vector Machine，支持向量机)的传统分类器进行特征分类，最终得到人脸活体的判定结果。

使用深度学习的人脸活体检测方法主要有卷积神经网络的活体判别、基于LSTM(Long Short-Term Memory，长短期记忆网络)的活体判别等方法。这类方法使用神经网络进行人脸特征提取及分类。

深度学习类方法是当前该领域的主流方法，能够提取到稳定性更强的人脸特征。相较于传统方法，在性能上有较大提升。

发明内容

本公开实施例提出了一种活体检测模型训练方法、装置、设备、存储介质以及程序产品。

第一方面，本公开实施例提出了一种活体检测模型训练方法，包括：获取样本图像集，其中，样本图像集中的样本图像标注有活体标签或攻击标签；基于样本图像切割得到多个样本区域块；打乱多个样本区域块进行叠加，得到样本张量；将样本张量作为输入，将样本图像的标签和多个样本区域块的叠加顺序作为监督信息，对卷积神经网络进行训练，得到活体检测模型。

第二方面，本公开实施例提出了一种活体检测方法，包括：获取待检测图像；将待检测图像输入至活体检测模型，得到待检测图像的活体检测结果，其中，活体检测模型根据第一方面中任一实现方式描述的训练方法训练获得。

第三方面，本公开实施例提出了一种活体检测模型训练装置，包括：获取模块，被配置成获取样本图像集，其中，样本图像集中的样本图像标注有活体标签或攻击标签；切割模块，被配置成基于样本图像切割得到多个样本区域块；叠加模块，被配置成打乱多个样本区域块进行叠加，得到样本张量；训练模块，被配置成将样本张量作为输入，将样本图像的标签和多个样本区域块的叠加顺序作为监督信息，对卷积神经网络进行训练，得到活体检测模型。

第四方面，本公开实施例提出了一种活体检测装置，包括：获取模块，被配置成获取待检测图像；检测模块，被配置成将待检测图像输入至活体检测模型，得到待检测图像的活体检测结果，其中，活体检测模型根据第一方面中任一实现方式描述的训练方法训练获得。

第五方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法，或者执行如第二方面中任一实现方式描述的方法。