[发明专利]混合精度的活体目标检测方法和活体检测模型的训练方法

权利要求书

1.一种混合精度的活体目标检测方法，其特征在于，所述方法包括：

获取待检测图像；

将所述待检测图像输入至训练完成的活体检测模型中，得到目标活体检测结果，所述目标活体检测结果用于指示所述待检测图像中的目标是否为活体，所述活体检测模型是通过将训练完成的教师网络模型作为学生网络模型的监督信号，对所述学生网络模型进行训练得到的，所述训练完成的教师网络模型是通过第一损失函数训练得到的，所述第一训练函数包括角度空间损失函数和像素级别损失函数。

2.根据权利要求1所述的方法，其特征在于，所述活体检测模型的训练方式，包括：

获取图像训练数据，所述图像训练数据包括源域图像训练数据和目标域图像训练数据，所述源域图像训练数据包括第一图像训练数据和第二图像训练数据，所述第一图像训练数据对应有第一标签，所述第二图像训练数据对应有第二标签，所述第一标签用于指示所述第一图像训练数据对应的第一图像中的目标为活体，所述第二标签用于指示所述第二图像训练数据对应的第二图像中的目标为非活体；

基于所述源域图像训练数据对教师网络模型进行训练，直至所述教师网络模型的第一损失函数满足第一预设条件，所述第一预设条件用于指示所述教师网络模型训练完成；

基于所述目标域图像训练数据和所述源域图像训练数据对学生网络模型进行训练，直至所述学生网络模型的第二损失函数满足第二预设条件，所述第二预设条件用于指示所述学生网络模型训练完成，所述第二损失函数包括分类损失函数和所述像素级别损失函数，其中，在所述学生网络模型的训练过程中，训练完成的教师网络模型作为所述学生网络模型的监督信号；

基于训练完成的学生网络模型构建活体检测模型。

3.根据权利要求2所述的方法，其特征在于，所述像素级别损失函数包括：

其中，L₁表示像素级别损失函数，n为概率图的尺寸大小，所述概率图是对图像训练数据处理得到的，p_i,(k)表示所述概率图的像素块被预测为所述概率图对应的标签的先验概率，q_i,(k)表示所述像素块被预测为所述概率图对应的标签的预测概率；

其中，若所述概率图是基于第一图像训练数据处理得到的，则所述概率图对应的标签为第一标签，若所述概率图是基于第二图像训练数据处理得到的，则所述概率图对应的标签为第二标签。

4.根据权利要求2所述的方法，其特征在于，所述第二损失函数包括：

L＝L₁+αL₂+βL₃(S,T)；

其中，L₁表示像素级别损失函数，L₂表示分类损失函数，L₃表示教师网络模型和学生网络模型的蒸馏损失函数，S和T分别代表从学生网络和教师网络中提取的特征表示，α和β为超参数。

5.根据权利要求2所述的方法，其特征在于，所述获取图像训练数据，包括：

获取图像训练集，所述图像训练集包括图像训练样本；

对各所述图像训练样本进行目标检测以及对检测到的目标进行关键点提取；

根据提取到的关键点对目标所处的目标区域图像进行仿射变化对齐，得到仿射变化对齐后的目标区域图像，并将仿射变化对齐后的目标区域图像作为所述图像训练数据，其中，不同所述图像训练样本所对应的仿射变化对齐后的目标区域图像的图像大小相同。

6.根据权利要求2所述的方法，其特征在于，训练完成的学生网络模型包括N层参与训练的卷积层，各层所述卷积层对应至少两个量化位宽，N为2以上的自然数；

所述基于训练完成的学生网络模型构建活体检测模型，包括：

获取每层所述卷积层对应的每个所述量化位宽的采样概率，所述量化位宽的采样概率是学生网络模型在训练的过程中确定的；

针对每层所述卷积层，保留最大的采样概率所对应的量化位宽，以得到所述活体检测模型。