[发明专利]模型训练、人脸图像活体检测方法、电子设备及存储介质

说明书

本发明实施例涉及图像识别领域，公开了一种模型训练、人脸图像活体检测方法、电子设备及存储介质，通过构建特征提取模型，以及不包含输入的特征生成模型；提取训练集中相同数量的第一活体人脸图像和第一假体人脸图像；在第一活体人脸图像上叠加偏差张量，得到第二假体人脸图像；以第一活体人脸图像、第一假体人脸图像和第二假体人脸图像作为训练样本，输入到特征提取模型中，对特征提取模型和特征生成模型进行第一联合训练；损失约束为第一活体人脸图像对应的第一特征向量与所述第二特征向量的方向相互靠近，第一假体人脸图像、第二假体人脸图像对应的第一特征向量与第二特征向量的方向相互远离，从而有效提高对假体人脸图像的检测准确性。

技术领域

本发明涉及图像识别领域，特别涉及一种模型训练、人脸图像活体检测方法、电子设备及存储介质。

背景技术

人脸图像识别技术日益成熟，越来越多的行业使用它作为认证授权手段。人脸图像活体检测技术通常与人脸图像识别技术搭配使用，用于拒绝被授权人的照片、视频、头套、头模等假体道具的图像的认证。

目前很多人脸图像活体检测功能采用深度学习技术实现。具体来说，这类技术一般搜集大量的活体人脸图像和假体人脸图像数据，基于深度学习图像分类技术，训练出图像二分类模型，对输入的人脸图像执行二分类，判断输入图像是活体还是假体。然而，假体人脸图像千变万化，基于图像二分类技术的活体检测模型鲁棒性不高，在处理模型未见过的假体人脸图像时，容易将之误判为活体。为了提高该技术的鲁棒性，通常需要搜集尽可能多类型的假体人脸图像数据用于训练模型。但是，假体类型无穷无尽，不可能搜集到全部类型的假体人脸图像数据，因此常规的深度学习图像分类技术不能很好的完成活体检测任务。

发明内容

本发明实施方式的目的在于提供一种模型训练、人脸图像活体检测方法、电子设备及存储介质，通过有限类型假体人脸图像数据集和活体人脸图像数据集，就可以训练出鲁棒性较高的特征提取模型，从而有效提高对假体人脸图像的检测准确性。

为解决上述技术问题，本发明的实施方式提供了一种模型训练方法，包括：

构建用于提取人脸图像的第一特征向量的特征提取模型，以及不包含输入且输出为第二特征向量的特征生成模型；所述第一特征向量和所述第二特征向量为维度相同的一维向量；

提取训练集中相同数量的第一活体人脸图像和第一假体人脸图像；

在所述第一活体人脸图像上叠加与所述第一活体人脸图像对应的且形状相同的偏差张量，得到所述相同数量的第二假体人脸图像；

以所述第一活体人脸图像、所述第一假体人脸图像和所述第二假体人脸图像作为同一批次的第一训练样本，输入到所述特征提取模型中，对所述特征提取模型和所述特征生成模型进行第一联合训练；

其中，所述第一联合训练采用的损失函数对应的损失约束为所述第一活体人脸图像对应的所述第一特征向量与所述第二特征向量的方向相互靠近，所述第一假体人脸图像、所述第二假体人脸图像对应的所述第一特征向量与所述第二特征向量的方向相互远离。

本发明的实施方式还提供了一种人脸图像活体检测方法，包括：

将待检测人脸图像输入到特征提取模型，得到所述待检测人脸图像对应的第一特征向量；

获取特征生成模型输出的第二特征向量；

根据所述待检测人脸图像对应的第一特征向量与所述特征生成模型输出的第二特征向量的方向差量，确定所述待检测人脸图像是否为活体人脸图像；

其中，所述特征提取模型和所述特征生成模型为采用如上所述的模型训练方法训练获得。

本发明的实施方式还提供了一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信本发明的实施方式还提供了一种计算机可读存储介质至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的模型训练方法，以及如上所述的人脸图像活体检测方法。