[发明专利]活体攻击检测模型的训练方法、活体攻击检测方法及装置

说明书

本说明书实施例提供了一种活体攻击检测模型的训练方法、活体攻击检测方法及装置，其中训练方法包括：对多个人脸样本图像进行划分处理，得到多个训练子集；基于元学习的训练策略，利用训练子集对多个老师模型和学生模型进行联合蒸馏训练处理；若确定满足训练结束条件，则将当前的学生模型确定为活体攻击检测模型；其中，元学习的训练策略表征对每个训练子集进行多轮基于随机采样的子联合蒸馏训练和子测试；不同的老师模型关于活体攻击检测的学习能力不同，老师模型关于活体攻击检测的学习能力高于学生模型关于活体攻击检测的学习能力。

技术领域

本文件涉及人工智能技术领域，尤其涉及一种活体攻击检测模型的训练方法、活体攻击检测方法及装置。

背景技术

活体攻击检测是人脸识别系统中不可缺少的一环，活体攻击检测可以有效的拦截非活体类型的攻击，从而保护用户的隐私信息安全。非活体类型的攻击例如手机中电子形式的照片攻击、打印的纸张照片攻击、头模攻击等。随着人脸识别的应用场景越来越多，人脸识别系统往往需要部署到大量的不同设备及不同环境中，即需要部署到不同的域中。然而，目前人脸识别系统部署到一个新的设备或者新的环境时，其活体攻击检测性能往往会出现下降趋势。因此，如何提升活体攻击检测的性能以及跨域泛化性是目前急需解决的技术问题。

发明内容

本说明书一个或多个实施例提供了一种活体攻击检测模型的训练方法。该方法包括对多个人脸样本图像进行划分处理，得到多个训练子集。基于元学习的训练策略，利用所述训练子集对多个老师模型和学生模型进行联合蒸馏训练处理。所述元学习的训练策略表征对每个训练子集进行多轮基于随机采样的子联合蒸馏训练和子测试。不同的所述老师模型关于活体攻击检测的学习能力不同，所述老师模型的所述学习能力高于所述学生模型的所述学习能力。若确定满足训练结束条件，则将当前的所述学生模型确定为活体攻击检测模型。所述活体攻击检测模型用于对待检测的人脸图像进行活体攻击检测处理，得到活体攻击检测结果。

本说明书一个或多个实施例提供了一种活体攻击检测方法。该方法包括获取待检测的人脸图像。通过预先训练的活体攻击检测模型对所述人脸图像进行活体攻击检测处理，得到活体攻击检测结果。其中，所述活体攻击检测模型是基于元学习的训练策略，利用对多个人脸样本图像进行划分所得的训练子集，对多个老师模型和学生模型进行联合蒸馏训练处理得到。所述元学习的训练策略表征对每个训练子集进行多轮基于随机采样的子联合蒸馏训练和子测试。不同的所述老师模型关于活体攻击检测的学习能力不同。，述老师模型的所述学习能力高于所述学生模型的所述学习能力。

本说明书一个或多个实施例提供了一种活体攻击检测模型的训练装置。该装置包括划分模块，对多个人脸样本图像进行划分处理，得到多个训练子集。该装置包括训练模块，基于元学习的训练策略，利用所述训练子集对多个老师模型和学生模型进行联合蒸馏训练处理。所述元学习的训练策略表征对每个训练子集进行多轮基于随机采样的子联合蒸馏训练和子测试。不同的所述老师模型关于活体攻击检测的学习能力不同。所述老师模型的所述学习能力高于所述学生模型的所述学习能力。该装置还包括确定模块，若确定满足训练结束条件，则将当前的所述学生模型确定为活体攻击检测模型。所述活体攻击检测模型用于对待检测的人脸图像进行活体攻击检测处理，得到活体攻击检测结果。

本说明书一个或多个实施例提供了一种活体攻击检测装置。该装置包括获取模块，获取待检测的人脸图像。该装置还包括检测模块，通过预先训练的活体攻击检测模型对所述人脸图像进行活体攻击检测处理，得到活体攻击检测结果。其中，所述活体攻击检测模型是基于元学习的训练策略，利用对多个人脸样本图像进行划分所得的训练子集，对多个老师模型和学生模型进行联合蒸馏训练处理得到。所述元学习的训练策略表征对每个训练子集进行多轮基于随机采样的子联合蒸馏训练和子测试。不同的所述老师模型关于活体攻击检测的学习能力不同。所述老师模型的所述学习能力高于所述学生模型的所述学习能力。