[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

说明书

本发明公开了一种混合精度的活体目标检测方法、混合精度的活体检测模型的训练方法及装置，该混合精度的活体目标检测方法包括：获取待检测图像；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。可见，实施本发明能够提高目标检测的安全性。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种混合精度的活体目标检测方法、混合精度的活体检测模型的训练方法及装置。

背景技术

目前，随着人工智能技术的发展，目标检测也得到的极大的利用，例如人脸的识别检测。人脸的识别检测作为一种身份认证技术，已经广泛地应用在日常生活中。人们在享受着人脸识别技术给生活带来方便的同时，也面临着随之而来的安全隐患问题。目前合法用户的人脸照片信息很容易被不法分子通过网络或者非正常的偷拍获取到，并被打印成照片或者用屏幕展示来尝试通过人脸识别系统。

因此，急需一种能够提高目标检测的安全性的技术方案。

发明内容

本申请实施例提供一种混合精度的活体目标检测方法、混合精度的活体检测模型的训练方法及装置，能够提高目标检测的安全性。

本发明第一方面公开了一种混合精度的活体目标检测方法，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。

本发明第二方面公开了一种混合精度的活体检测模型的训练方法，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，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；

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，所述活体检测模型用于对待检测图像进行处理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。

本发明第三方面公开了一种混合精度的活体目标检测装置，包括：

图像获取模块，用于获取待检测图像；