[发明专利]网络训练、人脸识别方法、电子设备及存储介质

说明书

本发明实施例涉及人脸识别领域，公开了一种网络训练、人脸识别方法、电子设备及存储介质，其中网络训练方法包括：采集人脸图像，以人脸图像作为第一图像样本构建并训练活体识别网络、以从人脸图像中截取的人眼位置的图像作为第二图像样本构建并训练第二特征提取网络；活体识别网络中某一网络层的输入的特征图为活体识别网络自身提供的人脸特征图与第二特征提取网络中某一网络层输出的特征图的组合特征图；对由活体识别网络、第二特征提取网络、以及在第二特征提取网络的输出端增设的第二分类器构建的联合网络进行联合训练。本方案利用训练的活体识别网络和第二特征提取网络可以辅助现有人脸识别网络进行活体检测以及基于人眼特征的人脸识别。

技术领域

本发明涉及人脸识别领域，特别涉及一种网络训练、人脸识别方法、电子设备及存储介质。

背景技术

随着人脸识别技术的发展和落地，攻击人脸识别系统的方法也随之升级，如通过3D打印技术制造的高精度头模/面具，以及通过生成对抗网络(Generative AdversarialNetworks，GAN)等深度学习方法生成的假性眼部区域的干扰来攻击整个人脸识别系统。虽然此类方法攻击成本较高，但是对于安全性较高的金融支付场景和基于人脸识别的智能门锁场景，此类问题在行业内仍然是个棘手的问题。

当前常见的解决此类问题的方案，主要通过配合式连续帧检测比对技术来判断当前待识别人脸是否是假体，比如支付宝中的人脸验证技术需要在人脸验证过程中按要求做出眨眼动作等，其他银行类APP人脸验证技术则需要按照要求人脸配合左右/上下转动等。

但是，上面所述的方案存在以下弊端：

1.基于连续帧的防作伪技术，对实时性要求较高，在满足安全性的前提下，硬件成本较高；

2.需要用户主动配合，交互体验较差；

3.多数算法仍聚焦于人脸识别系统中的防作伪模块，若防作伪模块未能准确辨别真伪，后续的识别算法基本无法阻断攻击。

发明内容

本发明实施方式的目的在于提供一种网络训练、人脸识别方法、电子设备及存储介质，通过将人脸特征与人眼特征在网络层进行融合构建活体识别网络，增强活体识别算法的鲁棒性以应对人脸眼部区域攻击，同时在人脸识别系统必要时激活对人眼特征的识别，从而提高整个人脸识别系统的安全性。

为解决上述技术问题，本发明的实施方式提供了一种网络训练方法，包括：

采集人脸图像，以所述人脸图像作为第一图像样本、以从所述人脸图像中截取的人眼位置的图像作为第二图像样本，并标注各图像样本所属活体或非活体的第一标签，以及图像样本的类别标签，其中，所属同一活体的图像样本对应同一所述类别标签，所属非活体的所有图像样本对应同一所述类别标签；

以所述第一图像样本为输入、所述第一图像样本所属各所述第一标签的第一预测概率为输出，构建活体识别网络；所述活体识别网络包括第一特征提取网络和第一分类器；所述第一特征提取网络用于从输入的图像样本中提取人脸特征，所述第一分类器用于对所述人脸特征进行分类得到所述第一预测概率；

以所述第二图像样本为输入、所述第二图像样本的人眼特征为输出，构建第二特征提取网络；所述第一特征提取网络中第一网络层输出的第一特征图与所述第二特征提取网络中第二网络层输出的第二特征图组合，共同作为所述第一网络层的下一网络层的输入特征图；

对由所述活体识别网络、所述第二特征提取网络、以及在所述第二特征提取网络的输出端增设的第二分类器构建的联合网络进行联合训练；所述第二分类器的输出为所述第二图像样本属于各所述类别标签的第二预测概率；

其中，所述联合训练所采用的损失函数，是基于所述活体识别网络输出的所述第一预测概率与对应的第一实际概率之间的第一损失，以及所述第二分类器输出的所述第二预测概率与对应的第二实际概率之间的第二损失构建。