[发明专利]人脸活体检测模型的训练方法、装置及计算机程序产品

说明书

本公开提供了一种人脸活体检测模型的训练方法、装置、电子设备、存储介质及计算机程序产品，涉及人工智能技术领域，具体涉及深度学习、图像处理、计算机视觉技术领域，用于人脸活体检测场景。具体实现方案为：获取训练样本集；根据样本人脸图像，得到至少两个不同的同源图像；通过特征提取网络分别对至少两个不同的同源图像进行特征提取，得到至少两个第一特征数据；通过回归网络对至少两个第一特征数据进行处理，得到至少两个第二特征数据；根据至少两个第一特征数据获取第一损失；根据第二特征数据和标签获取第二损失；根据第一损失和第二损失，训练人脸活体检测模型。本公开提高了人脸活体检测模型的鲁棒性和准确度。

技术领域

本公开涉及人工智能技术领域，具体涉及深度学习、图像处理、计算机视觉技术领域，尤其涉及人脸活体检测模型的训练方法、装置以及人脸活体检测方法、装置、电子设备、存储介质以及计算机程序产品，可用于人脸活体检测场景下。

背景技术

人脸活体检测，即区分一张图像是否基于真人拍摄，是人脸识别系统的基础模块。使用深度学习技术的人脸活体检测方法是当前的主流方法，然而，现有的基于深度学习技术的人脸活体检测方法主要是基于二分类的方法，即活体样本属于一类，攻击样本属于另一类，利用二值标签提供分类监督。由于人脸攻击样本的复杂多样化，攻击线索往往存在于图像的局部区域且攻击线索在图像位置也不规律。因此，现有二分类方法普遍存在检测结果不准确的问题。

发明内容

本公开提供了一种人脸活体检测模型的训练方法、装置以及人脸活体检测方法、装置、电子设备、存储介质以及计算机程序产品。

根据第一方面，提供了一种人脸活体检测模型的训练方法，包括：获取训练样本集，其中，训练样本集包括：样本人脸图像、表征样本人脸图像是否为活体人脸图像的标签；根据样本人脸图像，得到至少两个不同的同源图像；通过特征提取网络分别对至少两个不同的同源图像进行特征提取，得到至少两个第一特征数据；通过回归网络对至少两个第一特征数据进行处理，得到至少两个第二特征数据；根据至少两个第一特征数据获取第一损失；根据第二特征数据和标签获取第二损失；根据第一损失和第二损失，训练人脸活体检测模型，人脸活体检测模型包括：特征提取网络和回归网络。

根据第二方面，提供了一种人脸活体检测方法，包括：获取待检测人脸图像；通过训练后的人脸活体检测模型中的特征处理网络，提取待检测人脸图像的第五特征数据，其中，人脸活体检测模型通过第一方面任一实现方式训练得到；通过人脸活体检测模型中的回归网络，根据第五特征数据确定待检测人脸图像是否为活体人脸图像。

根据第三方面，提供了一种人脸活体检测模型的训练装置，包括：第一获取单元，被配置成获取训练样本集，其中，训练样本集包括：样本人脸图像、表征样本人脸图像是否为活体人脸图像的标签；得到单元，被配置成根据样本人脸图像，得到至少两个不同的同源图像；第一提取单元，被配置成通过特征提取网络分别对至少两个不同的同源图像进行特征提取，得到至少两个第一特征数据；处理单元，被配置成通过回归网络对至少两个第一特征数据进行处理，得到至少两个第二特征数据；第一确定单元，被配置成根据至少两个第一特征数据获取第一损失；第二确定单元，被配置成根据第二特征数据和标签获取第二损失；训练单元，被配置成根据第一损失和第二损失，训练人脸活体检测模型，人脸活体检测模型包括：特征提取网络和回归网络。

根据第四方面，提供了一种人脸活体检测装置，包括：第二获取单元，被配置成获取待检测人脸图像；第二提取单元，被配置成通过训练后的人脸活体检测模型中的特征处理网络，提取待检测人脸图像的第五特征数据，其中，人脸活体检测模型通过第三方面任一实现方式训练得到；第三确定单元，被配置成通过人脸活体检测模型中的回归网络，根据第五特征数据确定待检测人脸图像是否为活体人脸图像。

根据第五方面，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如第一方面、第二方面任一实现方式描述的方法。