[发明专利]活体检测模型的训练方法和活体检测的方法、装置、设备

说明书

本公开提供了一种活体检测模型的训练方法和活体检测方法、装置，涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于人脸识别等场景。具体实现方案为：将包括目标对象的多个样本图像输入活体检测模型的特征提取网络，得到各样本图像的图像特征；各样本图像具有指示目标对象为真实类别的实际概率的标签；将图像特征输入活体检测模型的分类网络，得到目标对象为真实类别的第一预测概率；基于图像特征与预定特征序列中每个特征之间的相似度，确定目标对象为非真实类别的第二预测概率，该每个特征为标签指示的实际概率为零的第一样本图像的图像特征；基于第一预测概率、第二预测概率和实际概率，对活体检测模型进行训练。

技术领域

本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于人脸识别等场景。

背景技术

随着计算机技术和网络技术的发展，深度学习技术在众多领域得到了广泛应用。例如，采用深度学习技术进行活体检测，可以有效提高检测精度。但伴随计算机技术的发展，生成伪造活体的技术层出不穷。相关技术中检测活体的深度学习技术普遍泛化能力差，难以保证对多种技术产生的伪造活体进行有效识别。

发明内容

基于此，本公开提供了一种提高泛化能力和检测精度的活体检测模型的训练方法、采用活体检测模型进行活体检测的方法、装置、设备和介质。

根据本公开的一个方面，提供了一种活体检测模型的训练方法，其中，活体检测模型包括特征提取网络和分类网络，该训练方法包括：将包括目标对象的多个样本图像输入特征提取网络，得到多个样本图像中各样本图像的第一图像特征，各样本图像具有指示目标对象为真实类别的实际概率的标签；将第一图像特征输入分类网络，得到各样本图像中的目标对象为真实类别的第一预测概率；基于第一图像特征与预定特征序列中每个特征之间的相似度，确定各样本图像中的目标对象为非真实类别的第二预测概率，其中，每个特征为标签指示的实际概率为零的第一样本图像的第二图像特征；以及基于第一预测概率、第二预测概率和实际概率，对活体检测模型进行训练。

根据本公开的另一个方面，提供了一种活体检测模型进行活体检测的方法，其中，活体检测模型包括特征提取网络和分类网络；该方法包括：将包括目标对象的待检测图像输入特征提取网络，得到待检测图像的第三图像特征；以及将第三图像特征输入分类网络，得到待检测图像中的目标对象为真实类别的概率，其中，活体检测模型是采用前文描述的活体检测模型的训练方法训练得到的。

根据本公开的另一方面，提供了一种活体检测模型的训练装置，该活体检测模型包括特征提取网络和分类网络，该训练装置包括：第一特征获得模块，用于将包括目标对象的多个样本图像输入特征提取网络，得到多个样本图像中各样本图像的第一图像特征；该各样本图像具有指示目标对象为真实类别的实际概率的标签；第一预测模块，用于将第一图像特征输入分类网络，得到各样本图像中的目标对象为真实类别的第一预测概率；第二预测模块，用于基于第一图像特征与预定特征序列中每个特征之间的相似度，确定各样本图像中的目标对象为非真实类别的第二预测概率，其中，每个特征为标签指示的实际概率为零的第一样本图像的第二图像特征；以及模型训练模块，用于基于第一预测概率、第二预测概率和实际概率，对活体检测模型进行训练。

根据本公开的另一方面，提供了一种采用活体检测模型进行活体检测的装置，其中，活体检测模型包括特征提取网络和分类网络，该装置包括：第二特征获得模块，用于将包括目标对象待检测图像输入特征提取网络，得到待检测图像的第三图像特征；以及概率获得模块，用于将第三图像特征输入分类网络，得到待检测图像中的目标对象为真实类别的概率，其中，活体检测模型是采用前文描述的活体检测模型的训练装置训练得到的。

根据本公开的另一个方面，提供了一种电子设备，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本公开提供的活体检测模型的训练方法和/或采用活体检测模型进行活体检测的方法。