[发明专利]一种活体检测模型的训练方法、装置及电子设备

权利要求书

1.一种活体检测模型的训练方法，包括：

获取活体检测模型、至少两张样本图像和各所述样本图像的分类标签，其中，所述活体检测模型包括特征提取网络、长特征队列网络和二分类网络；

将所述样本图像输入所述特征提取网络进行特征提取，得到各所述样本图像的特征向量；

将所述特征向量输入所述长特征队列网络进行度量学习，得到各所述特征向量的第一检测结果；

将所述特征向量输入所述二分类网络中进行二分类，得到各所述特征向量的第二检测结果；

基于所述第一检测结果、所述第二检测结果和所述分类标签，得到所述活体检测模型的损失；

根据所述活体检测模型的损失调整所述活体检测模型的参数。

2.根据权利要求1所述的方法，其中，所述将所述样本图像输入所述特征提取网络进行特征提取，得到各所述样本图像的特征向量，包括：

将所述样本图像输入特征提取网络进行图像特征提取，得到各所述样本图像的图像特征；

对各所述样本图像的图像特征进行全局平均池化，得到各所述样本图像的池化特征向量；

对各所述样本图像的池化特征向量进行归一化，得到各所述样本图像的特征向量。

3.根据权利要求1所述的方法，其中，所述分类标签包括活体样本与攻击样本，所述攻击样本包括打印攻击、屏幕攻击及面具攻击。

4.根据权利要求3所述的方法，其中，所述将所述特征向量输入所述长特征队列网络进行度量学习，得到各所述特征向量的第一检测结果，包括：

将所述特征向量输入所述长特征队列网络，通过所述长特征队列网络对预设长度的特征向量进行活体样本、打印攻击、屏幕攻击及面具攻击的分类，得到各所述特征向量的第一检测结果。

5.根据权利要求3所述的方法，其中，所述第二检测结果表示所述样本图像为活体样本或攻击样本。

6.根据权利要求1所述的方法，其中，所述基于所述第一检测结果、所述第二检测结果和所述分类标签，得到所述活体检测模型的损失，包括：

基于各所述特征向量的第一检测结果，利用第一预设损失函数得到所述活体检测模型的第一损失；

基于各所述特征向量的第二检测结果，利用第二预设损失函数得到所述活体检测模型的第二损失；

基于所述第一损失和所述第二损失，按照预设的损失互补系数计算所述活体检测模型的损失。

7.根据权利要求6所述的方法，其中，所述基于所述第一损失和所述第二损失，按照预设的损失互补系数计算所述活体检测模型的损失，包括：

按照以下公式计算所述活体检测模型的损失：

Loss＝α·L_CE+(1-α)L_Tri

其中，Loss为所述活体检测模型的损失，α为所述预设的损失互补系数，L_Tri为所述第一损失，L_CE为所述第二损失。

8.一种活体检测方法，包括：

获取待检测图像；

将所述待检测图像输入到预先训练好的活体检测模型中，得到所述待检测图像的检测结果，其中，所述活体检测模型为权利要求1-7任一项所述的活体检测模型的训练方法训练得到。

9.根据权利要求8所述的方法，其中，所述活体检测模型为去除掉长特征队列网络的模型。