CN111178340B - 图像识别方法及图像识别模型的训练方法 - Google Patents
图像识别方法及图像识别模型的训练方法 Download PDFInfo
- Publication number
- CN111178340B CN111178340B CN202010276616.7A CN202010276616A CN111178340B CN 111178340 B CN111178340 B CN 111178340B CN 202010276616 A CN202010276616 A CN 202010276616A CN 111178340 B CN111178340 B CN 111178340B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- training
- target
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书一个或多个实施例提供了一种图像识别方法及图像识别模型的训练方法。在一种实施例中,一种图像识别方法包括:首先获取目标人脸图像;然后,对目标人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像;接着,将预设层数的目标小波人脸图像输入预设的图像识别模型中,得到目标人脸图像对应的预测值;其中,图像识别模型由多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成,多个人脸训练图像包括攻击图像和非攻击图像;最后,根据预测值,确定目标人脸图像对应的攻击图像识别结果。
Description
技术领域
本说明书一个或多个实施例涉及图像识别技术领域,尤其涉及一种图像识别方法及图像识别模型的训练方法。
背景技术
在人脸识别技术越来越普遍的今天,用户对于人脸识别设备的安全性有了更高的要求。在人脸识别设备受到攻击时,所获取到的人脸图像可能并非现场采集的带有真实人脸的非攻击图像,而是事先准备好的带有人脸的攻击图像。因此,人脸识别设备在获取到人脸图像后,需要在确定人脸图像为非攻击图像之后,再对人脸图像进行人脸识别,以提高人脸识别的安全性。
但是,已有的图像识别方法无法快速、准确地识别人脸图像是否为攻击图像,使得人脸识别的安全性较低。
发明内容
本说明书一个或多个实施例提供了一种图像识别方法及图像识别模型的训练方法,能够快速、准确地确定目标人脸图像的攻击图像识别结果,提高人脸识别的安全性。
本说明书一个或多个实施例提供的技术方案如下:
第一方面,提供了一种图像识别方法,包括:
获取目标人脸图像;
对目标人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像;
将预设层数的目标小波人脸图像输入预设的图像识别模型中,得到目标人脸图像对应的预测值;其中,图像识别模型由多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成,多个人脸训练图像包括攻击图像和非攻击图像;
根据预测值,确定目标人脸图像对应的攻击图像识别结果。
第二方面,提供了一种图像识别模型的训练方法,包括:
获取多个训练样本;其中,每个训练样本包括人脸训练图像和人脸训练图像对应的标记值,多个人脸训练图像包括攻击图像和非攻击图像;
针对每个训练样本,对人脸训练图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像;
利用多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练预设分类模型,得到图像识别模型。
第三方面,提供了一种图像识别装置,包括:
第一获取模块,用于获取目标人脸图像;
第一处理模块,用于对目标人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像;
第一预测模块,用于将预设层数的目标小波人脸图像输入预设的图像识别模型中,得到目标人脸图像对应的预测值;其中,图像识别模型由多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成,多个人脸训练图像包括攻击图像和非攻击图像;
第一确定模块,用于根据预测值,确定目标人脸图像对应的攻击图像识别结果。
第四方面,提供了一种图像识别模型的训练装置,包括:
第二获取模块,用于获取多个训练样本;其中,每个训练样本包括人脸训练图像和人脸训练图像对应的标记值,多个人脸训练图像包括攻击图像和非攻击图像;
第三处理模块,用于针对每个训练样本,对人脸训练图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像;
第一训练模块,用于利用多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练预设分类模型,得到图像识别模型。
第五方面,提供了一种计算设备,该设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面所述的图像识别方法或第二方面所述的图像识别模型的训练方法。
第六方面,提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面所述的图像识别方法或第二方面所述的图像识别模型的训练方法。
根据上述的本说明书一个或多个实施例,能够对目标人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像,并将预设层数的目标小波人脸图像输入基于多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成的图像识别模型,得到目标人脸图像对应的预测值,从而基于预测值,确定目标人脸图像对应的攻击图像识别结果,由于攻击图像为经过压缩的图像,非攻击图像为未经过压缩的图像,而小波分析处理后得到的目标小波人脸图像包含空域-频域信息能够很好地判断目标人脸图像是否经过压缩,因此,能够利用目标小波人脸图像快速、准确地识别目标人脸图像是否为攻击图像,进而提高人脸识别的安全性。
附图说明
为了更清楚地说明本说明书一个或多个实施例的技术方案,下面将对本说明书一个或多个实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书一个实施例提供的图像识别***的***架构图;
图2是本说明书一个实施例提供的图像识别方法的流程示意图;
图3是本说明书一个实施例提供的图像识别模型的训练方法的流程示意图;
图4 是本说明书一个实施例提供的图像识别装置的结构示意图;
图5是本说明书一个实施例提供的图像识别模型的训练装置的结构示意图;
图6是本说明书一个实施例提供的计算设备的硬件结构示意图。
具体实施方式
下面将详细描述本说明书的各个方面的特征和示例性实施例,为了使本说明书的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本说明书进行进一步详细描述。应理解,此处所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。对于本领域技术人员来说,本说明书可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本说明书的示例来提供对本说明书更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在人脸识别技术越来越普遍的今天,用户对于人脸识别设备的安全性有了更高的要求。 “展示攻击”和“注入攻击”是对于人脸识别设备的两种主流攻击方法。其中,“展示攻击”即通过手机屏幕、打印纸张等展示事先准备好的带有人脸的攻击图像,以达到攻击目的。而“注入攻击”是利用设备的漏洞,直接将事先准备好的带有人脸的攻击图像导入到人脸识别设备中,完全替代人脸识别设备的摄像头采集的数据。其中,导入到人脸识别设备中的攻击图像可以为静态图像或者动态图像。
可见,在人脸识别设备受到攻击时,人脸识别设备所获取到的人脸图像可能并非现场采集的带有真实人脸的非攻击图像,而是事先准备好的带有人脸的攻击图像。因此,人脸识别设备在获取到人脸图像后,需要在确定人脸图像为非攻击图像之后,再对人脸图像进行人脸识别,以提高人脸识别的安全性。
已有的识别人脸图像是否为“注入攻击”的攻击图像的方法包括:
数字水印检测方法:摄像头所采集的图像上会被加入独特水印,人脸识别设备可以通过检测人脸图像中是否具有该水印,来识别人脸图像是否为攻击图像。虽然,数字水印检测方法可以防止“注入攻击”,因为“注入攻击”本身并不知道水印的样式,所以无法提前加水印。但是,该方法在加水印和验证水印的过程中都需要额外的处理时间和计算资源,会严重影响人脸识别设备的图像处理速度,使用户的使用体验较差。另外,加了水印的图像还会影响人脸识别设备的人脸识别性能。
恶意软件检测方法:一般“注入攻击”都是基于一些恶意软件进行的。因此,可以设计算法检测出这些恶意软件,然后直接禁止带有恶意软件的人脸识别设备进行刷脸支付。但是,该方法只能对已知的恶意软件进行拦截,对新出现的恶意软件无法有效拦截。
综上所述,已有的图像识别方法无法可靠、准确地识别人脸图像是否为攻击图像,使得人脸识别的安全性较低。
因此,为了解决现有技术问题,本说明书提出了基于小波分析技术的识别人脸图像是否为攻击图像的方法。由于“注入攻击”提前准备的攻击图像往往都是以一定的压缩格式存储的图像,这些攻击图像和摄像头采集到的原始图像在空域和频域上都有较大的差异。因此,本说明书提出了使用小波分析技术,对人脸图像进行多尺度的空间和频率分析,从而区分出攻击图像和非攻击图像。
图1示出了本说明书一个实施例提供的图像识别***的***架构图。如图1所示,该图像识别***可以包括人脸识别设备110和模型训练设备120。其中,人脸识别设备110可以为具有人脸识别功能的电子设备,模型训练设备120可以为电子设备或者服务器。具体地,电子设备可以包括但不限于手机、台式电脑、平板电脑、笔记本电脑、掌上电脑、车载终端、销售终端(point of sale,POS)设备以及可穿戴设备等。服务器可以是一种高性能的电子计算器,用于存储和处理数据。
模型训练设备120能够获取多个人脸训练图像和每个人脸训练图像的标记值,其中,人脸训练图像可以为攻击图像和非攻击图像,然后对每个人脸训练图像分别进行多层小波分析处理,得到每个人脸训练图像对应的多层小波人脸训练图像,接着,可以利用每个人脸训练图像对应的多层小波人脸训练图像和标记值进行模型训练,得到图像识别模型。
人脸识别设备110中可以存储有模型训练设备120生成的图像识别模型,在人脸识别设备110获取到一个人脸图像后,可以首先对人脸图像进行多层小波分析处理,得到多层小波人脸图像,然后将多层小波人脸图像输入人脸识别设备110中存储的图像识别模型中,得到人脸图像对应的预测值,最终,可以基于该预测值进行结果确定,确定人脸图像对应的攻击图像识别结果。
因此,能够利用小波分析技术快速、准确地识别人脸图像是否为攻击图像,进而提高人脸识别的安全性。
下面首先对本说明书所提供的图像识别方法进行介绍。
图2示出了本说明书一个实施例提供的图像识别方法的流程示意图。
在本说明书一些实施例中,图2所示的方法可以由图1所示的人脸识别设备110执行。
如图2所示,该图像识别方法可以包括:
S210、获取目标人脸图像;
S220、对目标人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像;
S230、将预设层数的目标小波人脸图像输入预设的图像识别模型中,得到目标人脸图像对应的预测值;其中,图像识别模型由多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成,多个人脸训练图像包括攻击图像和非攻击图像;
S240、根据预测值,确定目标人脸图像对应的攻击图像识别结果。
上述各步骤的具体实现方式将在下文中进行详细描述。
在本说明书实施例中,能够对目标人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像,并将预设层数的目标小波人脸图像输入基于多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成的图像识别模型,得到目标人脸图像对应的预测值,从而基于预测值,确定目标人脸图像对应的攻击图像识别结果,由于攻击图像为经过压缩的图像,非攻击图像为未经过压缩的图像,而小波分析处理后得到的目标小波人脸图像包含空域-频域信息能够很好地判断目标人脸图像是否经过压缩,因此,能够利用目标小波人脸图像快速、准确地识别目标人脸图像是否为攻击图像,进而提高人脸识别的安全性。
下面介绍上述各个步骤的具体实现方式。
在本说明书一些实施例的S210中,在人脸识别设备未遭受“注入攻击”的情况下,所获取的目标人脸图像为人脸识别设备的摄像头所采集的原始图像;在人脸识别设备遭受“注入攻击”的情况下,所获取的目标人脸图像为恶意软件等对上述的原始图像进行替换后的替换图像。
在本说明书一些实施例中,目标人脸图像可以为静态人脸图像。此时,可以直接将目标人脸图像的对应的攻击图像识别结果,作为该静态人脸图像的最终识别结果。
在本说明书另一些实施例中,目标人脸图像也可以为动态人脸图像(人脸视频)中的任一个图像帧。此时,可以直接将目标人脸图像的对应的攻击图像识别结果,作为该动态人脸图像的最终识别结果;也可以根据动态人脸图像的至少两个图像帧对应的攻击图像识别结果,确定该动态人脸图像的最终识别结果。
例如,若至少两个图像帧对应的攻击图像识别结果均为攻击图像,则该动态人脸图像的最终识别结果为攻击图像。再例如,若至少两个图像帧对应的攻击图像识别结果中,存在预定数目的攻击图像识别结果为攻击图像,则该动态人脸图像的最终识别结果为攻击图像。
以上为S210的具体实现方式,下面介绍S220的具体实现方式。
在本说明书一些实施例中,S220的具体方法可以为直接对目标人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像。
在本说明书另一些实施例中,S220的具体方法还可以包括:
对目标人脸图像进行均一化处理,得到目标均一化人脸图像;
对目标均一化人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像。
在本说明书实施例中,由于能够首先对目标人脸图像进行均一化处理,然后对均一化处理得到的目标均一化人脸图像进行预设层数的小波分析处理,能够使得到的目标小波人脸图像的空域信息和频域信息更加标准化,从而提高目标人脸图像对应的预测值及攻击图像识别结果的准确性。
在这些实施例中,可选地,对目标人脸图像进行均一化处理的具体方法可以包括:
对目标人脸图像进行人脸检测处理,得到目标人脸区域图像;
将目标人脸区域图像调整至预设尺寸,得到目标均一化人脸图像。
由于目标人脸图像中的人脸区域的纹理较为丰富,而经过压缩的替换图像和摄像头采集的原始图像在人脸区域的差异性更大,因此,可以先对目标人脸图像进行人脸检测处理,将目标人脸图像的人脸区域裁剪出来,得到目标人脸区域图像。然后,再将目标人脸区域图像调整至预设尺寸,得到目标均一化人脸图像。
可选地,预设尺寸可以为512*512像素。下面以预设尺寸为512*512像素、预设层数的小波分析处理为三层小波分析处理为例,对S220的具体方法进行说明。
首先,可以对目标人脸图像进行人脸检测处理,得到目标人脸区域图像,然后将目标人脸区域图像的尺寸调整到512*512像素,得到目标均一化人脸图像,接着,对目标均一化人脸图像进行三层小波分析处理,例如调用MATLAB中的小波分析函数进行三层小波分析处理,最终得到1幅64*64像素的低频分量的目标小波人脸图像,3幅64*64像素的第一层高频分量的目标小波人脸图像,3幅128*128像素的第二层高频分量的的目标小波人脸图像以及3幅256*256像素的第三层高频分量的目标小波人脸图像。
由此,可以得到多尺度的目标人脸图像的空域信息和频域信息。
以上为S220的具体实现方式,下面介绍S230的具体实现方式。
在本说明书一些实施例中,图像识别模型是将每个人脸训练图像对应的预设层数中的至少一个目标层数的小波人脸训练图像和每个人脸训练图像对应的标记值作为一个训练数据进行训练得到的。其中,图像识别模型的具体训练方法将在下文详细描述。
在这些实施例中,S230的具体方法可以为:将预设层数中的至少一个目标层数的目标小波人脸图像整体作为图像识别模型的输入数据,进而得到图像识别模型输出的预测值。
在一些实施例中,图像识别模型可以包括卷积神经网络(Convolutional NeuralNetworks,CNN)模型和二分类模型,可以首先将目标小波人脸图像输入CNN模型,得到目标小波人脸图像中的图像特征,然后将图像特征输入二分类模型,得到目标人脸图像对应的预测值。
在另一些实施例中,图像识别模型还可以仅包括支持向量机(Support VectorMachine,SVM)。此时,可以首先对目标小波人脸图像进行尺度不变特征转换(Scale-invariant feature transform,SIFT)特征提取,并将所提取的特征输入SVM,得到目标人脸图像对应的预测值。
在本说明书另一些实施例中,图像识别模型可以包括多个图像识别子模型,每个图像识别子模型与一层目标小波人脸图像相对应,每个图像识别子模型根据人脸训练图像对应的一层小波人脸训练图像和人脸训练图像对应的标记值训练生成。
在这些实施例中,S230的具体方法还可以为:
将目标层数的目标小波人脸图像分别输入对应的图像识别子模型中,得到目标层数对应的子预测值;其中,至少一个目标层数对应的子预测值构成预测值。
在一些实施例中,至少一个目标层数可以为全部预设层数。在另一些实施例中,至少一个目标层数也可以为部分或者全部高频分量对应的层数,在此不做限制。
继续以预设尺寸为512*512像素、预设层数的小波分析处理为三层小波分析处理为例,对S230的具体方法进行说明。
首先,可以将每个高频分量对应的层数分别作为目标层数,即将第一层高频分量对应的全部目标小波人脸图像作为第一层高频分量对应的图像识别子模型的输入数据,将第二层高频分量对应的全部目标小波人脸图像作为第二层高频分量对应的图像识别子模型的输入数据,将第三层高频分量对应的全部目标小波人脸图像作为第三层高频分量对应的图像识别子模型的输入数据,从而分别得到三个图像识别子模型输出的第一层高频分量对应的子预测值、第二层高频分量对应的子预测值和第三层高频分量对应的子预测值,这三个子预测值既可以构成目标人脸图像对应的预测值。
在一些实施例中,每个图像识别子模型可以包括CNN模型和二分类模型,可以首先将目标层数的目标小波人脸图像输入CNN模型,得到目标层数对应的图像特征,然后将目标层数对应的图像特征输入二分类模型,得到目标层数对应的子预测值。
在另一些实施例中,每个图像识别子模型还可以仅包括SVM。此时,可以首先对目标层数的目标小波人脸图像进行SIFT特征提取,并将所提取的特征输入支持向量机,得到目标层数对应的子预测值。
以上为S230的具体实现方式,下面介绍S240的具体实现方式。
在本说明书一些实施例中,S240的具体方法可以包括:
若子预测值之和大于第一预设阈值,则确定攻击图像识别结果为第一识别结果;
若子预测值之和小于或等于第一预设阈值,则确定攻击图像识别结果为第二识别结果。
继续以预设层数的小波分析处理为三层小波分析处理为例,设第一层高频分量对应的子预测值为P1,第二层高频分量对应的子预测值为P2,第三层高频分量对应的子预测值为P3,第一预设阈值为T,如果P1+P2+P3>T,则确定攻击图像识别结果为第一识别结果,否则,攻击图像识别结果为第二识别结果。
需要说明的是,如果在训练图像识别模型时,标记值为1代表攻击图像,标记值为0代表非攻击图像,此时,第一识别结果表征目标人脸图像为攻击图像,第二识别结果表征目标人脸图像为非攻击图像;如果在训练图像识别模型时,标记值为0代表攻击图像,标记值为1代表非攻击图像,此时,第一识别结果表征目标人脸图像为非攻击图像,第二识别结果表征目标人脸图像为攻击图像。
在本说明书另一些实施例中,S240的具体方法还可以包括:
若每个子预测值均大于第二预设阈值且子预测值之和大于第一预设阈值,则确定攻击图像识别结果为第一识别结果;
若至少一个子预测值小于或等于第二预设阈值或第二预设阈值且子预测值之和小于或等于第一预设阈值,则确定攻击图像识别结果为第二识别结果。
由此,可以进一步提高基于子预测值所确定的攻击图像识别结果的准确性。
作为本说明书的另一种实现方式,为了进一步提高目标人脸图像对应的攻击图像识别结果的准确性,在S220之前,该图像识别方法还可以包括:
对目标人脸图像进行滤波处理,得到目标人脸滤波图像。
相应地,S220的具体方法可以包括:
对目标人脸滤波图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像。
由此,可以通过滤波处理,降低噪声对图像质量的影响,提高小波分析处理所得到的空域信息和频域信息的准确性,进而提高目标人脸图像对应的预测值及攻击图像识别结果的准确性。
在本说明书一些实施例中,滤波处理可以包括高斯滤波处理和均值滤波处理中的任一项。
图3示出了本说明书一个实施例提供的图像识别模型的训练方法的流程示意图。
在本说明书一些实施例中,图3所示的方法可以由图1所示的模型训练设备120。
如图3所示,该图像识别模型的训练方法可以包括:
S310、获取多个训练样本;
其中,每个训练样本包括人脸训练图像和人脸训练图像对应的标记值,多个人脸训练图像包括攻击图像和非攻击图像;
S320、针对每个训练样本,对人脸训练图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像;
S330、利用多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练预设分类模型,得到图像识别模型。
上述各步骤的具体实现方式将在下文中进行详细描述。
在本说明书实施例中,能够获取多个带有标记值的包括攻击图像和非攻击图像的人脸训练图像,然后对每个人脸训练图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像,进而利用多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练预设分类模型,得到图像识别模型,由于攻击图像为经过压缩的图像,非攻击图像为未经过压缩的图像,而小波分析处理后得到的小波人脸图像包含空域-频域信息能够很好地判断人脸图像是否经过压缩,因此,基于小波人脸训练图像训练得到的图像识别模型,能够快速、准确地识别人脸图像是否为攻击图像,进而提高人脸识别的安全性。
下面介绍上述各个步骤的具体实现方式。
在本说明书一些实施例的S310中,所选取的多个人脸训练图像可以包括攻击图像和非攻击图像。
其中,实验对象使用人脸识别设备进行人脸识别的过程中,摄像头采集到的原始图像可以作为非攻击图像。实验对象在年龄、性别的分布上要尽量均匀。同时,将事先准备的带有人脸的静态图像或者动态图像通过现有的方法对人脸识别设备进行“注入攻击”,可以获得替换图像。其中,若人脸识别设备所获取的替换图像为动态图像,则可以将动态图像中的每一个图像帧分别作为攻击图像,若人脸识别设备所获取的替换图像为静态图像,则可以将该静态图像作为攻击图像。
对攻击图像和非攻击图像分别进行标记,既可以得到训练样本。
在本说明书实施例中,标记值对应的含义可以根据需要设定。在一些实施例中,标记值为1可以代表攻击图像,标记值为0可以代表非攻击图像。在另一些实施例中,标记值为0可以代表攻击图像,标记值为1可以代表非攻击图像。
以上为S310的具体实现方式,下面介绍S320的具体实现方式。
在本说明书一些实施例中,S320的具体方法可以为:直接对人脸训练图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像。
在本说明书另一些实施例中,S320的具体方法还可以包括:
对人脸训练图像进行均一化处理,得到均一化人脸训练图像;
对均一化人脸训练图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像。
在本说明书实施例中,由于能够首先对人脸训练图像进行均一化处理,然后对均一化处理得到的均一化人脸训练图像进行预设层数的小波分析处理,能够使得到的小波人脸训练图像的空域信息和频域信息更加标准化,从而提高所训练的图像识别模型的准确性。
在这些实施例中,可选地,对人脸训练图像进行均一化处理的具体方法可以包括:
对人脸训练图像进行人脸检测处理,得到人脸区域训练图像;
将人脸区域训练图像调整至预设尺寸,得到均一化人脸训练图像。
由于人脸训练图像中的人脸区域的纹理较为丰富,而经过压缩的替换图像和摄像头采集的原始图像在人脸区域的差异性更大,因此,可以先对人脸训练图像进行人脸检测处理,将人脸训练图像的人脸区域裁剪出来,得到人脸区域训练图像。然后,再将人脸区域训练图像调整至预设尺寸,得到均一化人脸训练图像。
可选地,预设尺寸可以为512*512像素。下面以预设尺寸为512*512像素、预设层数的小波分析处理为三层小波分析处理为例,对S320的具体方法进行说明。
首先,可以对人脸训练图像进行人脸检测处理,得到人脸区域训练图像,然后将人脸区域训练图像的尺寸调整到512*512像素,得到目均一化人脸训练图像,接着,对均一化人脸训练图像进行三层小波分析处理,例如调用MATLAB中的小波分析函数进行三层小波分析处理,最终得到1幅64*64像素的低频分量的小波人脸训练图像,3幅64*64像素的第一层高频分量的小波人脸训练图像,3幅128*128像素的第二层高频分量的的小波人脸训练图像以及3幅256*256像素的第三层高频分量的小波人脸训练图像。
由此,可以得到多尺度的人脸训练图像的空域信息和频域信息。
以上为S320的具体实现方式,下面介绍S330的具体实现方式。
在本说明书一些实施例中,可以将每个人脸训练图像对应的预设层数中的至少一个目标层数的小波人脸训练图像和每个人脸训练图像对应的标记值作为一个训练数据对预设分类模型进行训练,得到图像识别模型。
在一些实施例中,预设分类模型可以包括CNN模型和二分类模型,CNN模型用于获取小波人脸训练图像中的图像特征,二分类模型用于基于图像特征得到人脸训练图像对应的预测值。
在另一些实施例中,预设分类模型可以仅包括SVM。此时,可以首先对小波人脸训练图像进行SIFT特征提取,SVM用于基于SIFT特征,得到人脸训练图像对应的预测值。
在本说明书另一些实施例中,预设分类模型可以包括多个分类子模型,每个分类子模型与一层小波人脸训练图像相对应。
在这些实施例中,可选地,S330的具体方法可以包括:
针对每个分类子模型,利用多个人脸训练图像的与分类子模型对应的一层小波人脸训练图像和每个人脸训练图像对应的标记值训练分类子模型,得到图像识别子模型;其中,多个图像识别子模型构成图像识别模型。
在一些实施例中,至少一个目标层数可以为全部预设层数,此时,每个训练得到的图像识别子模型可以针对不同分辨率的不同分量层。在另一些实施例中,至少一个目标层数也可以为部分或者全部高频分量对应的层数,此时,每个训练得到的图像识别子模型可以针对不同分辨率的不同高频分量层,在此不做限制。
在一些实施例中,每个分类子模型可以包括CNN模型和二分类模型,CNN模型用于获取目标层数的小波人脸训练图像中的图像特征,二分类模型用于基于图像特征得到目标层数对应的预测值。
在另一些实施例中,每个分类子模型还可以仅包括SVM。此时,可以首先对目标层数的小波人脸训练图像进行SIFT特征提取,SVM用于基于SIFT特征,得到目标层数对应的预测值。
作为本说明书的另一种实现方式,为了进一步提高图像识别模型的准确性,在S320之前,该图像识别模型的训练方法还可以包括:
对人脸训练图像进行滤波处理,得到人脸训练滤波图像。
相应地,S320的具体方法可以包括:
对人脸训练滤波图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像。
由此,可以通过滤波处理,降低噪声对图像质量的影响,提高小波分析处理所得到的空域信息和频域信息的准确性,进而提高所训练的图像识别模型的准确性。
在本说明书一些实施例中,滤波处理可以包括高斯滤波处理和均值滤波处理中的任一项。
作为本说明书的又一种实现方式,为了进一步提高图像识别模型的准确性,在S330之后,该图像识别模型的训练方法还可以包括:
获取多个验证样本;其中,每个验证样本包括人脸验证图像和人脸验证图像对应的标记值;
针对每个验证样本,对人脸验证图像进行预设层数的小波分析处理,得到预设层数的小波人脸验证图像;
利用多个人脸验证图像对应的预设层数的小波人脸验证图像和每个人脸验证图像对应的标记值,得到图像识别模型的准确率;
在准确率低于预设准确率的情况下,调整模型学习率或者重新获取多个训练样本,并继续训练图像识别模型,得到继续训练后的图像识别模型。
在利用每个人脸训练图像对应的预设层数中的至少一个目标层数的小波人脸训练图像和每个人脸训练图像对应的标记值作为一个训练数据训练得到图像识别模型的情况下,可以直接将每个人脸验证图像对应的预设层数中的至少一个目标层数的小波人脸验证图像作为一个验证数据输入图像识别模型,得到每个人脸验证图像的验证值,然后基于每个人脸验证图像的验证值和标记值,计算图像识别模型的准确率。
在利用多个人脸训练图像的与分类子模型对应的一层小波人脸训练图像和每个人脸训练图像对应的标记值训练得到图像识别子模型的情况下,可以将每个人脸验证图像的与分类子模型对应的一层小波人脸验证图像输入图像识别子模型,得到每个人脸验证图像对于该图像识别子模型的子验证值,然后根据每个人脸验证图像对于全部的图像识别子模型的子验证值,确定每个人脸验证图像的验证值,并基于每个人脸验证图像的验证值和标记值,计算图像识别模型的准确率。
其中,基于子验证值确定每个人脸验证图像的验证值的方法与上述的基于子预测值确定每个人脸验证图像的预测值的方法相似,在此不做赘述。
基于上述实施例提供的图像识别方法,相应地,本申请还提供了图像识别装置的具体实现方式。请参见以下实施例。
图4示出了本说明书一个实施例提供的图像识别装置的结构示意图。
在本说明书一些实施例中,图4所示的装置可以设置于图1所示的人脸识别设备110内。
如图4所示,该图像识别装置400可以包括:
第一获取模块410,用于获取目标人脸图像;
第一处理模块420,用于对目标人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像;
第一预测模块430,用于将预设层数的目标小波人脸图像输入预设的图像识别模型中,得到目标人脸图像对应的预测值;其中,图像识别模型由多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成,多个人脸训练图像包括攻击图像和非攻击图像;
第一确定模块440,用于根据预测值,确定目标人脸图像对应的攻击图像识别结果。
在本说明书实施例中,能够对目标人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像,并将预设层数的目标小波人脸图像输入基于多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练生成的图像识别模型,得到目标人脸图像对应的预测值,从而基于预测值,确定目标人脸图像对应的攻击图像识别结果,由于攻击图像为经过压缩的图像,非攻击图像为未经过压缩的图像,而小波分析处理后得到的目标小波人脸图像包含空域-频域信息能够很好地判断目标人脸图像是否经过压缩,因此,能够利用目标小波人脸图像快速、准确地识别目标人脸图像是否为攻击图像,进而提高人脸识别的安全性。
作为本说明书的另一种实现方式,为了进一步提高目标人脸图像对应的攻击图像识别结果的准确性,该图像识别装置400还可以包括:
第二处理模块,用于对目标人脸图像进行滤波处理,得到目标人脸滤波图像。
相应地,第一处理模块420可以具体用于:
对目标人脸滤波图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像。
在本说明书一些实施例中,滤波处理可以包括高斯滤波处理和均值滤波处理中的任一项。
在本说明书一些实施例中,第一处理模块420可以具体用于:
对目标人脸图像进行均一化处理,得到目标均一化人脸图像;
对目标均一化人脸图像进行预设层数的小波分析处理,得到预设层数的目标小波人脸图像。
在本说明书一些实施例中,第一处理模块420还可以具体用于:
对目标人脸图像进行人脸检测处理,得到目标人脸区域图像;
将目标人脸区域图像调整至预设尺寸,得到目标均一化人脸图像。
在本说明书一些实施例中,图像识别模型可以包括多个图像识别子模型,每个图像识别子模型与一层目标小波人脸图像相对应,每个图像识别子模型根据人脸训练图像对应的一层小波人脸训练图像和人脸训练图像对应的标记值训练生成。
相应地,第一预测模块430可以具体用于:
将目标层数的目标小波人脸图像分别输入对应的图像识别子模型中,得到目标层数对应的子预测值;其中,至少一个目标层数对应的子预测值构成预测值。
在本说明书一些实施例中,第一确定模块440可以具体用于:
若子预测值之和大于第一预设阈值,则确定攻击图像识别结果为第一识别结果;
若子预测值之和小于或等于第一预设阈值,则确定攻击图像识别结果为第二识别结果。
基于上述实施例提供的图像识别模型的训练方法,相应地,本申请还提供了图像识别模型的训练装置的具体实现方式。请参见以下实施例。
图5示出了本说明书一个实施例提供的图像识别模型的训练装置的结构示意图。
在本说明书一些实施例中,图5所示的方法可以设置于图1所示的模型训练设备120内。
如图5所示,该图像识别模型的训练装置500可以包括:
第二获取模块510,用于获取多个训练样本;其中,每个训练样本包括人脸训练图像和人脸训练图像对应的标记值,多个人脸训练图像包括攻击图像和非攻击图像;
第三处理模块520,用于针对每个训练样本,对人脸训练图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像;
第一训练模块530,用于利用多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练预设分类模型,得到图像识别模型。
在本说明书实施例中,能够获取多个带有标记值的包括攻击图像和非攻击图像的人脸训练图像,然后对每个人脸训练图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像,进而利用多个人脸训练图像对应的预设层数的小波人脸训练图像和每个人脸训练图像对应的标记值训练预设分类模型,得到图像识别模型,由于攻击图像为经过压缩的图像,非攻击图像为未经过压缩的图像,而小波分析处理后得到的小波人脸图像包含空域-频域信息能够很好地判断人脸图像是否经过压缩,因此,基于小波人脸训练图像训练得到的图像识别模型,能够快速、准确地识别人脸图像是否为攻击图像,进而提高人脸识别的安全性。
作为本说明书的另一种实现方式,为了进一步提高目标人脸图像对应的攻击图像识别结果的准确性,该图像识别模型的训练装置500还可以包括:
第四处理模块,用于对人脸训练图像进行滤波处理,得到人脸训练滤波图像。
相应地,第三处理模块520可以具体用于:
对人脸训练滤波图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像。
在本说明书一些实施例中,滤波处理可以包括高斯滤波处理和均值滤波处理中的任一项。
在本说明书一些实施例中,第三处理模块520可以具体用于:
对人脸训练图像进行均一化处理,得到均一化人脸训练图像;
对均一化人脸训练图像进行预设层数的小波分析处理,得到预设层数的小波人脸训练图像。
在本说明书一些实施例中,第三处理模块520还可以具体用于:
对人脸训练图像进行人脸检测处理,得到人脸区域训练图像;
将人脸区域训练图像调整至预设尺寸,得到均一化人脸训练图像。
在本说明书一些实施例中,预设分类模型可以包括多个分类子模型,每个分类子模型与一层小波人脸训练图像相对应;
相应地,第一训练模块530可以具体用于:
针对每个分类子模型,利用多个人脸训练图像的与分类子模型对应的一层小波人脸训练图像和每个人脸训练图像对应的标记值训练分类子模型,得到图像识别子模型;其中,多个图像识别子模型构成图像识别模型。
作为本说明书的又一种实现方式,为了进一步提高图像识别模型的准确性,该图像识别模型的训练装置500还可以包括:
第三获取模块,用于获取多个验证样本;其中,每个验证样本包括人脸验证图像和人脸验证图像对应的标记值;
第五处理模块,用于针对每个验证样本,对人脸验证图像进行预设层数的小波分析处理,得到预设层数的小波人脸验证图像;
第一验证模块,用于利用多个人脸验证图像对应的预设层数的小波人脸验证图像和每个人脸验证图像对应的标记值,得到图像识别模型的准确率;
第二训练模块,用于在准确率低于预设准确率的情况下,调整模型学习率或者重新获取多个训练样本,并继续训练图像识别模型,得到继续训练后的图像识别模型。
图6示出了本说明书一个实施例提供的计算设备的硬件结构示意图。本说明书实施例所述的计算设备可以为图1所示的人脸识别设备110或模型训练设备120。如图6所示,计算设备600包括输入设备601、输入接口602、中央处理器603、存储器604、输出接口605、以及输出设备606。其中,输入接口602、中央处理器603、存储器604、以及输出接口605通过总线610相互连接,输入设备601和输出设备606分别通过输入接口602和输出接口605与总线610连接,进而与计算设备600的其他组件连接。
具体地,输入设备601接收来自外部的输入信息,并通过输入接口602将输入信息传送到中央处理器603;中央处理器603基于存储器604中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器604中,然后通过输出接口605将输出信息传送到输出设备606;输出设备606将输出信息输出到计算设备600的外部供用户使用。
也就是说,图6所示的计算设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现本说明书实施例描述的图像识别方法和装置或者本说明书实施例描述的图像识别模型的训练方法和装置。
本说明书实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本说明书实施例提供的图像识别方法或者图像识别模型的训练方法。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本说明书的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述,仅为本说明书的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本说明书的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本说明书揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本说明书的保护范围之内。
Claims (26)
1.一种图像识别方法,包括:
获取目标人脸图像;
对所述目标人脸图像进行预设层数的小波分析处理,得到所述预设层数的目标小波人脸图像;
将所述预设层数的目标小波人脸图像输入预设的图像识别模型中,得到所述目标人脸图像对应的预测值;其中,所述图像识别模型由多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练生成,所述多个人脸训练图像包括注入攻击的攻击图像和非攻击图像,所述攻击图像为经过压缩的图像,所述非攻击图像为未经过压缩的图像;
根据所述预测值,确定所述目标人脸图像对应的注入攻击的攻击图像识别结果;
其中,所述图像识别模型包括多个图像识别子模型,每个所述图像识别子模型与一层所述目标小波人脸图像相对应,每个所述图像识别子模型根据所述人脸训练图像对应的一层所述小波人脸训练图像和所述人脸训练图像对应的标记值训练生成;
其中,所述将所述预设层数的目标小波人脸图像输入预设的图像识别模型中,得到所述目标人脸图像对应的预测值,包括:
将目标层数的目标小波人脸图像分别输入对应的所述图像识别子模型中,得到所述目标层数对应的子预测值;其中,至少一个所述目标层数对应的子预测值构成所述预测值。
2.根据权利要求1所述的方法,其中,所述对所述目标人脸图像进行预设层数的小波分析处理,得到所述预设层数的目标小波人脸图像之前,所述方法还包括:
对所述目标人脸图像进行滤波处理,得到目标人脸滤波图像;
其中,所述对所述目标人脸图像进行预设层数的小波分析处理,得到所述预设层数的目标小波人脸图像,包括:
对所述目标人脸滤波图像进行所述预设层数的小波分析处理,得到所述预设层数的目标小波人脸图像。
3.根据权利要求2所述的方法,其中,所述滤波处理包括高斯滤波处理和均值滤波处理中的任一项。
4.根据权利要求1所述的方法,其中,所述对所述目标人脸图像进行预设层数的小波分析处理,得到所述预设层数的目标小波人脸图像,包括:
对所述目标人脸图像进行均一化处理,得到目标均一化人脸图像;
对所述目标均一化人脸图像进行所述预设层数的小波分析处理,得到所述预设层数的目标小波人脸图像。
5.根据权利要求4所述的方法,其中,所述对所述目标人脸图像进行均一化处理,得到目标均一化人脸图像,包括:
对所述目标人脸图像进行人脸检测处理,得到目标人脸区域图像;
将所述目标人脸区域图像调整至预设尺寸,得到所述目标均一化人脸图像。
6.根据权利要求1所述的方法,其中,所述根据所述预测值,确定所述目标人脸图像对应的攻击图像识别结果,包括:
若所述子预测值之和大于第一预设阈值,则确定所述攻击图像识别结果为第一识别结果;
若所述子预测值之和小于或等于所述第一预设阈值,则确定所述攻击图像识别结果为第二识别结果。
7.一种图像识别模型的训练方法,包括:
获取多个训练样本;其中,每个所述训练样本包括人脸训练图像和所述人脸训练图像对应的标记值,所述多个人脸训练图像包括注入攻击的攻击图像和非攻击图像,所述攻击图像为经过压缩的图像,所述非攻击图像为未经过压缩的图像;
针对每个所述训练样本,对所述人脸训练图像进行预设层数的小波分析处理,得到所述预设层数的小波人脸训练图像;
利用多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练预设分类模型,得到图像识别模型;
其中,所述预设分类模型包括多个分类子模型,每个所述分类子模型与一层所述小波人脸训练图像相对应;
其中,所述利用多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练预设分类模型,得到图像识别模型,包括:
针对每个所述分类子模型,利用多个所述人脸训练图像的与所述分类子模型对应的一层所述小波人脸训练图像和每个所述人脸训练图像对应的标记值训练所述分类子模型,得到图像识别子模型;其中,多个所述图像识别子模型构成所述图像识别模型。
8.根据权利要求7所述的方法,其中,所述对所述人脸训练图像进行预设层数的小波分析处理,得到所述预设层数的小波人脸训练图像之前,还包括:
对所述人脸训练图像进行滤波处理,得到人脸训练滤波图像;
其中,所述人脸训练图像进行预设层数的小波分析处理,得到所述预设层数的小波人脸训练图像,包括:
对所述人脸训练滤波图像进行所述预设层数的小波分析处理,得到所述预设层数的小波人脸训练图像。
9.根据权利要求8所述的方法,其中,所述滤波处理包括高斯滤波处理和均值滤波处理中的任一项。
10.根据权利要求7所述的方法,其中,所述对所述人脸训练图像进行预设层数的小波分析处理,得到所述预设层数的小波人脸训练图像,包括:
对所述人脸训练图像进行均一化处理,得到均一化人脸训练图像;
对所述均一化人脸训练图像进行所述预设层数的小波分析处理,得到所述预设层数的小波人脸训练图像。
11.根据权利要求10所述的方法,其中,所述对所述人脸训练图像进行均一化处理,得到均一化人脸训练图像,包括:
对所述人脸训练图像进行人脸检测处理,得到人脸区域训练图像;
将所述人脸区域训练图像调整至预设尺寸,得到所述均一化人脸训练图像。
12.根据权利要求7所述的方法,其中,所述利用多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练预设分类模型,得到图像识别模型之后,所述方法还包括:
获取多个验证样本;其中,每个所述验证样本包括人脸验证图像和所述人脸验证图像对应的标记值;
针对每个所述验证样本,对所述人脸验证图像进行预设层数的小波分析处理,得到所述预设层数的小波人脸验证图像;
利用多个人脸验证图像对应的所述预设层数的小波人脸验证图像和每个所述人脸验证图像对应的标记值,得到所述图像识别模型的准确率;
在所述准确率低于预设准确率的情况下,调整模型学习率或者重新获取多个训练样本,并继续训练所述图像识别模型,得到继续训练后的图像识别模型。
13.一种图像识别装置,包括:
第一获取模块,用于获取目标人脸图像;
第一处理模块,用于对所述目标人脸图像进行预设层数的小波分析处理,得到所述预设层数的目标小波人脸图像;
第一预测模块,用于将所述预设层数的目标小波人脸图像输入预设的图像识别模型中,得到所述目标人脸图像对应的预测值;其中,所述图像识别模型由多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练生成,所述多个人脸训练图像包括注入攻击的攻击图像和非攻击图像,所述攻击图像为经过压缩的图像,所述非攻击图像为未经过压缩的图像;
第一确定模块,用于根据所述预测值,确定所述目标人脸图像对应的注入攻击的攻击图像识别结果;
其中,所述图像识别模型包括多个图像识别子模型,每个所述图像识别子模型与一层所述目标小波人脸图像相对应,每个所述图像识别子模型根据所述人脸训练图像对应的一层所述小波人脸训练图像和所述人脸训练图像对应的标记值训练生成;
其中,所述第一预测模块具体用于:
将目标层数的目标小波人脸图像分别输入对应的所述图像识别子模型中,得到所述目标层数对应的子预测值;其中,至少一个所述目标层数对应的子预测值构成所述预测值。
14.根据权利要求13所述的装置,其中,所述装置还包括:
第二处理模块,用于对所述目标人脸图像进行滤波处理,得到目标人脸滤波图像;
其中,所述第一处理模块具体用于:
对所述目标人脸滤波图像进行所述预设层数的小波分析处理,得到所述预设层数的目标小波人脸图像。
15.根据权利要求14所述的装置,其中,所述滤波处理包括高斯滤波处理和均值滤波处理中的任一项。
16.根据权利要求13所述的装置,其中,所述第一处理模块具体用于:
对所述目标人脸图像进行均一化处理,得到目标均一化人脸图像;
对所述目标均一化人脸图像进行所述预设层数的小波分析处理,得到所述预设层数的目标小波人脸图像。
17.根据权利要求16所述的装置,其中,所述第一处理模块还具体用于:
对所述目标人脸图像进行人脸检测处理,得到目标人脸区域图像;
将所述目标人脸区域图像调整至预设尺寸,得到所述目标均一化人脸图像。
18.根据权利要求13所述的装置,其中,所述第一确定模块具体用于:
若所述子预测值之和大于第一预设阈值,则确定所述攻击图像识别结果为第一识别结果;
若所述子预测值之和小于或等于所述第一预设阈值,则确定所述攻击图像识别结果为第二识别结果。
19.一种图像识别模型的训练装置,包括:
第二获取模块,用于获取多个训练样本;其中,每个所述训练样本包括人脸训练图像和所述人脸训练图像对应的标记值,所述多个人脸训练图像包括注入攻击的攻击图像和非攻击图像,所述攻击图像为经过压缩的图像,所述非攻击图像为未经过压缩的图像;
第三处理模块,用于针对每个所述训练样本,对所述人脸训练图像进行预设层数的小波分析处理,得到所述预设层数的小波人脸训练图像;
第一训练模块,用于利用多个人脸训练图像对应的所述预设层数的小波人脸训练图像和每个所述人脸训练图像对应的标记值训练预设分类模型,得到图像识别模型;
其中,所述预设分类模型包括多个分类子模型,每个所述分类子模型与一层所述小波人脸训练图像相对应;
其中,所述第一训练模块具体用于:
针对每个所述分类子模型,利用多个所述人脸训练图像的与所述分类子模型对应的一层所述小波人脸训练图像和每个所述人脸训练图像对应的标记值训练所述分类子模型,得到图像识别子模型;其中,多个所述图像识别子模型构成所述图像识别模型。
20.根据权利要求19所述的装置,其中,所述装置还包括:
第四处理模块,用于对所述人脸训练图像进行滤波处理,得到人脸训练滤波图像;
其中,所述第三处理模块具体用于:
对所述人脸训练滤波图像进行所述预设层数的小波分析处理,得到所述预设层数的小波人脸训练图像。
21.根据权利要求20所述的装置,其中,所述滤波处理包括高斯滤波处理和均值滤波处理中的任一项。
22.根据权利要求19所述的装置,其中,所述第三处理模块具体用于:
对所述人脸训练图像进行均一化处理,得到均一化人脸训练图像;
对所述均一化人脸训练图像进行所述预设层数的小波分析处理,得到所述预设层数的小波人脸训练图像。
23.根据权利要求22所述的装置,其中,所述第三处理模块还具体用于:
对所述人脸训练图像进行人脸检测处理,得到人脸区域训练图像;
将所述人脸区域训练图像调整至预设尺寸,得到所述均一化人脸训练图像。
24.根据权利要求19所述的装置,其中,所述装置还包括:
第三获取模块,用于获取多个验证样本;其中,每个所述验证样本包括人脸验证图像和所述人脸验证图像对应的标记值;
第五处理模块,用于针对每个所述验证样本,对所述人脸验证图像进行预设层数的小波分析处理,得到所述预设层数的小波人脸验证图像;
第一验证模块,用于利用多个人脸验证图像对应的所述预设层数的小波人脸验证图像和每个所述人脸验证图像对应的标记值,得到所述图像识别模型的准确率;
第二训练模块,用于在所述准确率低于预设准确率的情况下,调整模型学习率或者重新获取多个训练样本,并继续训练所述图像识别模型,得到继续训练后的图像识别模型。
25.一种计算设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-6任意一项所述的图像识别方法或7-12任意一项所述的图像识别模型的训练方法。
26.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的图像识别方法或7-12任意一项所述的图像识别模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276616.7A CN111178340B (zh) | 2020-04-10 | 2020-04-10 | 图像识别方法及图像识别模型的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276616.7A CN111178340B (zh) | 2020-04-10 | 2020-04-10 | 图像识别方法及图像识别模型的训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178340A CN111178340A (zh) | 2020-05-19 |
CN111178340B true CN111178340B (zh) | 2020-07-21 |
Family
ID=70655213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010276616.7A Active CN111178340B (zh) | 2020-04-10 | 2020-04-10 | 图像识别方法及图像识别模型的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178340B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814800A (zh) * | 2021-01-19 | 2022-07-29 | 腾讯科技(深圳)有限公司 | 基于超声回波的对象识别方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164689A (zh) * | 2011-12-16 | 2013-06-19 | 上海移远通信技术有限公司 | 人脸识别方法及*** |
CN103605958A (zh) * | 2013-11-12 | 2014-02-26 | 北京工业大学 | 一种基于灰度共生矩阵和小波分析的活体人脸检测方法 |
US9213885B1 (en) * | 2004-10-22 | 2015-12-15 | Carnegie Mellon University | Object recognizer and detector for two-dimensional images using Bayesian network based classifier |
CN105184761A (zh) * | 2015-08-28 | 2015-12-23 | 中国科学院深圳先进技术研究院 | 一种基于小波分析的图像去雨方法及*** |
CN107958235A (zh) * | 2017-12-28 | 2018-04-24 | 泰康保险集团股份有限公司 | 一种人脸图像检测方法、装置、介质和电子设备 |
CN110688957A (zh) * | 2019-09-27 | 2020-01-14 | 腾讯科技(深圳)有限公司 | 应用于人脸识别的活体检测方法、装置及存储介质 |
-
2020
- 2020-04-10 CN CN202010276616.7A patent/CN111178340B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9213885B1 (en) * | 2004-10-22 | 2015-12-15 | Carnegie Mellon University | Object recognizer and detector for two-dimensional images using Bayesian network based classifier |
CN103164689A (zh) * | 2011-12-16 | 2013-06-19 | 上海移远通信技术有限公司 | 人脸识别方法及*** |
CN103605958A (zh) * | 2013-11-12 | 2014-02-26 | 北京工业大学 | 一种基于灰度共生矩阵和小波分析的活体人脸检测方法 |
CN105184761A (zh) * | 2015-08-28 | 2015-12-23 | 中国科学院深圳先进技术研究院 | 一种基于小波分析的图像去雨方法及*** |
CN107958235A (zh) * | 2017-12-28 | 2018-04-24 | 泰康保险集团股份有限公司 | 一种人脸图像检测方法、装置、介质和电子设备 |
CN110688957A (zh) * | 2019-09-27 | 2020-01-14 | 腾讯科技(深圳)有限公司 | 应用于人脸识别的活体检测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111178340A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532866B (zh) | 视频数据检测方法、装置、计算机设备及存储介质 | |
CN111079816A (zh) | 图像的审核方法、装置和服务器 | |
CN108491866B (zh) | ***鉴定方法、电子装置及可读存储介质 | |
US10528844B2 (en) | Method and apparatus for distance measurement | |
US10423817B2 (en) | Latent fingerprint ridge flow map improvement | |
CN102306287A (zh) | 一种用于识别敏感图像的方法与设备 | |
CN111639653A (zh) | 一种误检图像确定方法、装置、设备和介质 | |
Hilles et al. | Latent fingerprint enhancement and segmentation technique based on hybrid edge adaptive dtv model | |
CN112001362A (zh) | 一种图像分析方法、图像分析装置及图像分析*** | |
CN108665459B (zh) | 一种图像模糊检测方法、计算设备及可读存储介质 | |
CN111047496A (zh) | 阈值确定方法、水印检测方法、装置和电子设备 | |
CN111178340B (zh) | 图像识别方法及图像识别模型的训练方法 | |
CN111553241A (zh) | 掌纹的误匹配点剔除方法、装置、设备及存储介质 | |
CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
CN114448664A (zh) | 钓鱼网页的识别方法、装置、计算机设备及存储介质 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN113962324A (zh) | 图片检测方法、装置、存储介质及电子设备 | |
JP6341059B2 (ja) | 文字認識装置、文字認識方法、およびプログラム | |
CN109871779B (zh) | 掌纹识别的方法及电子设备 | |
CN112214639B (zh) | 视频筛选方法、视频筛选装置及终端设备 | |
CN115063826A (zh) | 一种基于深度学习的移动端驾驶证识别方法和*** | |
Kumar et al. | ResUNet: an automated deep learning model for image splicing localization | |
CN113836297A (zh) | 文本情感分析模型的训练方法及装置 | |
CN111985423A (zh) | 活体检测方法、装置、设备及可读存储介质 | |
CN112907206A (zh) | 一种基于视频对象识别的业务审核方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40029396 Country of ref document: HK |