CN113052144A - 活体人脸检测模型的训练方法、装置、设备及存储介质 - Google Patents
活体人脸检测模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113052144A CN113052144A CN202110482189.2A CN202110482189A CN113052144A CN 113052144 A CN113052144 A CN 113052144A CN 202110482189 A CN202110482189 A CN 202110482189A CN 113052144 A CN113052144 A CN 113052144A
- Authority
- CN
- China
- Prior art keywords
- detection model
- face detection
- meta
- living body
- training
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 188
- 238000012549 training Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008014 freezing Effects 0.000 claims abstract description 10
- 238000007710 freezing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 156
- 238000012360 testing method Methods 0.000 claims description 39
- 238000005457 optimization Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种活体人脸检测模型的训练方法，应用于人工智能技术领域，用于解决目前活体人脸检测模型在真实场景下不具有较高预测准确性的技术问题。本发明提供的方法包括：获取属于不同领域的人脸样本图像集；选取与各领域一一对应的教师网络，通过人脸样本图像集对对应的教师网络进行二分类训练；对训练好的教师网络进行冻结；通过各教师网络输出人脸图像为活体人脸的预测概率；将输出的预测概率的平均值作为学生网络的目标概率值对学生网络进行训练；将训练好的学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过人脸样本图像集对活体人脸检测模型进行元学习训练直到该活体人脸检测模型的损失函数收敛。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种活体人脸检测模型的训练方法、装置、设备及存储介质。
背景技术
随着手机的更新换代以及拍摄处理技术日新月异，非人脸活体图像假冒人脸活体图像的欺诈手段也随之层出不穷，目前对于人脸活体图像的识别一般是通过训练好的活体人脸检测模型来进行预测，当预测识别出非人脸活体时，需要用户进一步核查该人脸图像是否为活体人脸图像。
在对活体人脸检测模型的训练过程中，我们发现训练好的活体人脸检测模型的预测准确性会受限于参与训练的人脸图像样本的类型，例如当参与训练的人脸图像样本的拍摄光线较为明亮时，训练出的活体人脸检测模型对于拍摄光线较为灰暗的人脸图像进行是否为活体人脸的预测准确性会降低。
由于通过常规手段训练出的活体人脸检测模型难以抵抗环境噪声，该环境噪声例如过强或过弱的光照、不同的影像设备衍生的不同的成像质量等，训练出的活体人脸检测模型对于新型的攻击类型缺乏鲁棒性，使得通过常规训练方法训练出的活体人脸检测模型在真实场景下不具有较高的预测准确性。
发明内容
本发明实施例提供一种活体人脸检测模型的训练方法、装置、设备及存储介质，以解决目前的活体人脸检测模型难以抵抗环境噪声、鲁棒性差导致在真实场景下不具有较高的预测准确性的技术问题。
一种活体人脸检测模型的训练方法，该方法包括：
获取属于不同领域的人脸样本图像集，该人脸样本图像集中的人脸样本图像携带有活体或非活体的标注；
选取与各该领域一一对应的教师网络，通过该人脸样本图像集对对应的教师网络进行二分类训练；
当训练得到该教师网络的损失函数收敛且该教师网络的预测准确率在预设范围之内时，对该教师网络进行冻结；
将人脸图像数据集中的人脸图像输入至各该教师网络，通过各该教师网络输出该人脸图像为活体人脸的预测概率；
将通过各该教师网络输出的该预测概率的平均值作为学生网络的目标概率值，通过该人脸图像数据集对该学生网络进行训练；
当该学生网络的损失函数收敛时，获取该学生网络的特征提取器的参数；
将该学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过该人脸样本图像集对该活体人脸检测模型进行元学习训练；
当该活体人脸检测模型的损失函数收敛时，得到训练好的活体人脸检测模型。
一种活体人脸检测模型的训练装置，该装置包括：
样本获取模块，用于获取属于不同领域的人脸样本图像集，该人脸样本图像集中的人脸样本图像携带有活体或非活体的标注；
第一训练模块，用于选取与各该领域一一对应的教师网络，通过该人脸样本图像集对对应的教师网络进行二分类训练；
冻结模块，用于当训练得到该教师网络的损失函数收敛且该教师网络的预测准确率在预设范围之内时，对该教师网络进行冻结；
概率计算模块，用于将人脸图像数据集中的人脸图像输入至各该教师网络，通过各该教师网络输出该人脸图像为活体人脸的预测概率；
第二训练模块，用于将通过各该教师网络输出的该预测概率的平均值作为学生网络的目标概率值，通过该人脸图像数据集对该学生网络进行训练；
参数获取模块，用于当该学生网络的损失函数收敛时，获取该学生网络的特征提取器的参数；
元学习模块，用于将该学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过该人脸样本图像集对该活体人脸检测模型进行元学习训练；
收敛模块，用于当该活体人脸检测模型的损失函数收敛时，得到训练好的活体人脸检测模型。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述活体人脸检测模型的训练方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述活体人脸检测模型的训练方法的步骤。
本发明提出的活体人脸检测模型的训练方法、装置、设备及存储介质，通过不同领域的人脸样本图像集对对应领域的教师网络进行二分类训练，当训练得到该教师网络的损失函数收敛且该教师网络的预测准确率在预设范围之内时，对该教师网络进行冻结，在对学生网络进行训练之前，先将人脸图像数据集中的人脸图像输入至各该教师网络，通过各该教师网络输出该人脸图像为活体人脸的预测概率，将通过各该教师网络输出的该预测概率的平均值作为学生网络的目标概率值，通过该人脸图像数据集对该学生网络进行训练，当该学生网络的损失函数收敛时，获取该学生网络的特征提取器的参数，然后将该学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过该人脸样本图像集对该活体人脸检测模型进行元学习训练，当该活体人脸检测模型的损失函数收敛时，即可用训练好的活体人脸检测模型对待检测的人脸图像进行检测。通过本方案训练好的人脸活体检测模型在对人脸活体图像进行检测时，可以兼容不同领域拍摄的人脸图像，具有较强的鲁棒性，不论是通过不同手机拍摄的人脸图像、还是不同光线强度拍摄的人脸图像，通过本方案训练好的人脸活体检测模型都能有比较高的预测准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中活体人脸检测模型的训练方法的一应用环境示意图；
图2是本发明一实施例中活体人脸检测模型的训练方法的一流程图；
图3是本发明一实施例中对活体人脸检测模型进行元学习训练的一流程图；
图4是本发明一实施例中活体人脸检测模型的训练装置的结构示意图；
图5是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请提供的活体人脸检测模型的训练方法，可应用在如图1的应用环境中，其中，该计算机设备通过网络与服务器进行通信。该计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种活体人脸检测模型的训练方法，以该方法应用在图1中的计算机设备为例进行说明，包括如下步骤S101至S108。
S101、获取属于不同领域的人脸样本图像集，所述人脸样本图像集中的人脸样本图像携带有活体或非活体的标注。
可以理解的是，该步骤中的所述人脸样本图像集的领域表示通过不同型号的拍摄设备拍摄的人脸样本图像、或者是在不同光照条件下拍摄的人脸样本图像。例如，可以将通过苹果手机拍摄的人脸样本图像归为第一领域，将通过华为手机拍摄的人脸样本图像归为第二领域，当不清楚该人脸样本图像的拍摄机型时，可以将在光照强度在第一阈值范围内的拍摄的人脸样本图像分为第三领域，将光照强度在第二阈值范围内的拍摄的人脸样本图像分为第四领域，以此类推，可以得到属于各个领域的人脸样本图像集。
本实施例将属于同一类或者是同一个领域的人脸样本图像分为一类，即可得到该不同领域的人脸样本图像集。
在其中一个实施例中，该人脸样本图像集包括但不限于公开的CASIA-MFSD、IDIAP、MSU-MFSD、Oulu-NPU、LCC FASD、NUAA、FaceForensics++等数据集，还包括公司内部整理的数据集。
S102、选取与各所述领域一一对应的教师网络，通过所述人脸样本图像集对对应的教师网络进行二分类训练。
在其中一个实施例中，该教师网络可以选用Resnet 50。与各所述领域相对应的教师网络可以均选用Resnet 50神经网络。当该人脸样本图像集的领域数为10个时，该教师网络的个数也为10个，且每个所述教师网络对应一个领域的人脸样本图像集。
Resnet是残差网络(Residual Network)的缩写，该系列网络广泛用于目标分类等领域以及作为计算机视觉任务主干经典神经网络的一部分，其中，Resnet 50就是典型的残差神经网络。
S103、当训练得到所述教师网络的损失函数收敛且所述教师网络的预测准确率在预设范围之内时，对所述教师网络进行冻结。
在其中一个实施例中，可以通过Freeze命令来实现网络冻结。可以理解的是，冻结模型的目的是不再训练，将训练得到的当前参数数值化,仅仅通过该教师网络做正向推导使用。
在其中一个实施例中，该预设范围例如为90％，表示当该教师网络的平均错误率(包括漏检的与分错的)在10％以内时，对所述教师网络进行冻结。
S104、将人脸图像数据集中的人脸图像输入至各所述教师网络，通过各所述教师网络输出所述人脸图像为活体人脸的预测概率。
其中，所述图像数据集例如开源的ImageNet图像数据集，ImageNet图像数据集是一个用于视觉对象识别软件研究的大型可视化数据库，超过1400万的图像URL(uniformresource locator，统一资源定位***)被ImageNet手动注释，以指示图片中的对象，在至少一百万个图像中，还提供了边界框。
S105、将通过各所述教师网络输出的所述预测概率的平均值作为学生网络的目标概率值，通过所述人脸图像数据集对所述学生网络进行训练。
在其中一个实施例中，该学生网络可以选用Resnet 34、mobilenet v3small或mobilenet v2，通过对它们做对抗学习训练，目标是让对抗学习器难以区分教师网络teacher与学生网络student。
S106、当所述学生网络的损失函数收敛时，获取所述学生网络的特征提取器的参数。
其中，所述学生网络的目标损失是学生网络student与教师网络teacher概率分布的KL divergence与对抗学习的损失。
S107、将所述学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过所述人脸样本图像集对所述活体人脸检测模型进行元学习训练。
图3是本发明一实施例中对活体人脸检测模型进行元学习训练的一流程图，在其中一个实施例中，如图3所示，所述通过所述人脸样本图像集对所述活体人脸检测模型进行元学习训练的步骤包括以下步骤S301至S303：
S301、从所述人脸样本图像集中抽取包括有正样本和负样本的取样集；
S302、通过所述取样集依次对所述活体人脸检测模型进行元训练、元测试和元优化；
S303、判断所述活体人脸检测模型在元优化阶段的损失函数是否收敛，若是，则判断所述活体人脸检测模型已训练完成，否则，循环所述从所述人脸样本图像集中抽取包括有正样本和负样本的取样集至所述判断所述活体人脸检测模型在元优化阶段的损失函数是否收敛的步骤，直到所述活体人脸检测模型在元优化阶段的损失函数收敛。
在其中一个实施例中，所述通过所述取样集依次对所述活体人脸检测模型进行元训练、元测试和元优化的步骤包括：
将所述人脸样本图像集分为元训练集和元测试集；
从所述元训练集中抽取多个所述取样集，通过所述取样集对所述活体人脸检测模型在元训练阶段进行训练；
当所述活体人脸检测模型在元训练阶段的损失函数收敛时，通过所述元测试集对所述活体人脸检测模型在元测试阶段进行测试训练；
当所述活体人脸检测模型在元测试阶段的损失函数收敛时，根据所述活体人脸检测模型在元训练阶段和元测试阶段的训练结果对所述活体人脸检测模型进行元优化；
当所述活体人脸检测模型在元优化阶段的损失函数收敛时，判断所述活体人脸检测模型的损失函数收敛。
其中，可以将人脸样本图像集中其中一个领域的人脸样本图像作为元测试集，将其余领域的人脸样本图像作为元训练集。
在其中一个实施例中，所述活体人脸检测模型包括特征提取器、深度图估算器和元学习分类器，所述活体人脸检测模型在元训练阶段的损失函数包括第一分类损失函数、元学习分类器的迭代函数和第一深度图估算损失函数，其中，所述第一分类损失函数为：
Lcls(θF，θM)＝∑ylogM(F(x))+(1-y)log(1-M(F(x)))其中，θF表示所述活体人脸检测模型的特征提取器的参数，θM表示所述元学习分类器的参数，x表示所述取样集中的人脸样本图像，y表示所述取样集中人脸样本图像的真实标签的取值，F(x)表示通过所述人脸检测模型的特征提取器对所述人脸样本图像提取到的特征，Lcls(θF，θM)表示所述第一分类损失函数。
所述元学习分类器的迭代函数为：
其中，θM表示所述元学习分类器的参数，α表示超参数，
表示第i次训练时参数θM的梯度，Lcls(θF，θM)表示所述第一分类损失函数的输出结果。
普通参数可以通过模型不断的训练学习得到，但是一般情况下，超参数是学习不来的，所谓超参数，就是机器学习模型里面的框架参数，比如聚类方法里面类的个数，或者话题模型里面话题的个数等等，都称为超参数。它们跟训练过程中学习的参数是不一样的，超参数通常是手工设定的，经过不断试错来调整，或者对一系列穷举出来的参数组合一通枚举，也叫做网格搜索。
所述第一深度图估算损失函数为：
LDtrn(θF，θD)＝∑||D(F(X))-I||2
其中，θF表示所述活体人脸检测模型的特征提取器的参数，θD表示所述深度图估算器的参数，F(x)表示通过所述人脸检测模型的特征提取器对所述元训练集中的人脸样本图像提取到的第一特征，D(F(X))表示所述深度图估算器对提取到的所述第一特征的输出结果，I表示提取到的所述第一特征的真实深度。
在其中一个实施例中，提取到的所述第一特征的真实深度I可以通过开源的人脸3D重建与密集对齐技术PRNet获得。
本实施例使用开源的算法方案，例如PRnet来估算特征图的深度。这里对所有已经标签的数据集，人脸活体图采用PRnet来估计深度图并且作为真实的深度图来看，人脸非活体图我们设置为一个全是0的矩阵，相当于一个全黑的深度图。
进一步地，所述活体人脸检测模型在元测试阶段的损失函数包括第二分类损失函数和第二深度图估算损失函数，其中，所述第二分类损失函数为：
其中，N表示所述人脸样本图像集的总领域数，i表示当前用于元测试的人脸样本图像所属的领域数，F(x)表示通过所述人脸检测模型的特征提取器对所述人脸样本图像提取到的特征，M′i(F(x))表示所述元学习分类器对提取到的所述特征的输出结果，Lcls-tst表示所述第二分类损失函数。
进一步地，所述第二深度图估算损失函数为：
LDtst(θF，θD)＝∑||D(F(X))-I||2
其中，F(x)表示通过所述人脸检测模型的特征提取器对所述元测试集中的人脸样本图像提取到的第二特征，D(F(X))表示所述深度图估算器对提取到的所述第二特征的输出结果，I表示提取到的所述第二特征的真实深度。
其中，第二深度图估算损失函数与所述第一深度图估算损失函数的表达式相同，但是由于输入该第二深度图估算损失函数的样本为元测试集，而输入所述第一深度图估算损失函数的样本为元训练集，因此该第二深度图估算损失函数与该第一深度图估算损失函数的输出不同。
进一步地，所述第二特征的真实深度I可以通过开源的人脸3D重建与密集对齐技术PRNet获得。
在其中一个实施例中，所述活体人脸检测模型在元优化阶段的损失函数包括元学习分类器参数损失函数、特征提取器参数损失函数和深度图估算器参数损失函数。其中，所述元学习分类器参数损失函数为：
其中，β和γ表示超参数，Lcls(θF，θM)表示所述第一分类损失函数的输出值，Lcls-tst表示所述第二分类损失函数的输出结果，
表示训练时参数θM的梯度。
可以理解的是，当该元学习分类器参数损失函数输出值趋于稳定状态时，元学习分类器参数损失函数收敛，得到最终的元学习分类器的参数θM。
所述特征提取器参数损失函数为：
其中，θF表示活体人脸检测模型的特征提取器的参数，β和γ表示超参数，
表示训练时参数θF的梯度，LDtst(θF，θD)表示所述第二深度图估算损失函数的输出值，Lcls-tst表示所述第二分类损失函数的输出值，Lcls(θF，θM)表示所述第一分类损失函数的输出值，LDtrn(θF，θD)表示所述第一深度图估算损失函数的输出值。
可以理解的是，当该特征提取器参数损失函数的输出值趋于稳定状态时，特征提取器参数损失函数收敛，得到活体人脸检测模型的特征提取器的最终参数θF。
在其中一个实施例中，所述深度图估算器参数损失函数为：
其中，θD表示所述深度图估算器的参数，β和γ表示超参数，
表示训练时参数θD的梯度，LDtst(θF，θD)表示所述第二深度图估算损失函数的输出值，LDtrn(θF，θD)表示第一深度图估算损失函数的输出值。
可以理解的是，当该深度图估算器参数损失函数的输出值趋于稳定状态时，表示该深度图估算器参数损失函数收敛，得到该深度图估算器参数损失函数的最终参数θD。
S108、当所述活体人脸检测模型的损失函数收敛时，得到训练好的活体人脸检测模型。
在通过训练好的活体人脸检测模型进行活体人脸检测时，将待测人脸图像输入至该活体人脸检测模型，即可得出该待测人脸图像是否为活体人脸的预测结果。
目前，由于我们缺乏足够多的真实业务数据来做模型训练与测试，同时真实的业务数据分布是几乎不可以预测的，同时市面公开的数据集与业务的数据集的所在域往往存在巨大差异，也不可以将他们通过某种可行的形式做抽样来实现训练与测试的分布对齐。因此，我们可以最大化各个数据集映射后的领域交集，利用数十个领域的人脸样本图像集结合元学习对该人脸检测模型进行训练，使得训练出的人脸检测模型在训练样本数据与实际待检测是否为人脸活体的图像在不同领域的情况下也能有比较高的预测准确性。
本实施例提出的活体人脸检测模型的训练方法能根据客户上传的身份证正面在平均50毫秒内判断与反馈客户的活体置信概率与深度图，在线拦截的事后模型检测误判在数百万数据的检验后表明，我们的算法可以在99.3％的概率下识别疑似手机边框与图像不自然扭曲等人工判断为明显非活体的样本，且可以覆盖87％以上的业务非活体特征场景并且经过测试后对40％的新型攻击表现良好。
本实施例提出的活体人脸检测模型的训练方法通过不同领域的人脸样本图像集对对应领域的教师网络进行二分类训练，当训练得到该教师网络的损失函数收敛且该教师网络的预测准确率在预设范围之内时，对该教师网络进行冻结，在对学生网络进行训练之前，先将人脸图像数据集中的人脸图像输入至各该教师网络，通过各该教师网络输出该人脸图像为活体人脸的预测概率，将通过各该教师网络输出的该预测概率的平均值作为学生网络的目标概率值，通过该人脸图像数据集对该学生网络进行训练，当该学生网络的损失函数收敛时，获取该学生网络的特征提取器的参数，然后将该学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过该人脸样本图像集对该活体人脸检测模型进行元学习训练，当该活体人脸检测模型的损失函数收敛时，即可用训练好的活体人脸检测模型对待检测的人脸图像进行检测。通过本方案训练好的人脸活体检测模型在对人脸活体图像进行检测时，可以兼容不同领域拍摄的人脸图像，具有较强的鲁棒性，不论是通过不同手机拍摄的人脸图像、还是不同光线强度拍摄的人脸图像，通过本方案训练好的人脸活体检测模型都能有比较高的预测准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种活体人脸检测模型的训练装置，该活体人脸检测模型的训练装置与上述实施例中活体人脸检测模型的训练方法一一对应。如图4所示，该活体人脸检测模型的训练装置100包括样本获取模块11、第一训练模块12、冻结模块13、概率计算模块14、第二训练模块15、参数获取模块16、元学习模块17和收敛模块18。各功能模块详细说明如下：
样本获取模块11，用于获取属于不同领域的人脸样本图像集，该人脸样本图像集中的人脸样本图像携带有活体或非活体的标注；
第一训练模块12，用于选取与各该领域一一对应的教师网络，通过该人脸样本图像集对对应的教师网络进行二分类训练；
冻结模块13，用于当训练得到该教师网络的损失函数收敛且该教师网络的预测准确率在预设范围之内时，对该教师网络进行冻结；
概率计算模块14，用于将人脸图像数据集中的人脸图像输入至各该教师网络，通过各该教师网络输出该人脸图像为活体人脸的预测概率；
第二训练模块15，用于将通过各该教师网络输出的该预测概率的平均值作为学生网络的目标概率值，通过该人脸图像数据集对该学生网络进行训练；
参数获取模块16，用于当该学生网络的损失函数收敛时，获取该学生网络的特征提取器的参数；
元学习模块17，用于将该学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过该人脸样本图像集对该活体人脸检测模型进行元学习训练；
收敛模块18，用于当该活体人脸检测模型的损失函数收敛时，得到训练好的活体人脸检测模型。
在其中一个实施例中，该元学习模块17包括：
取样单元，用于从该人脸样本图像集中抽取包括有正样本和负样本的取样集；
元训练单元，用于通过该取样集依次对该活体人脸检测模型进行元训练、元测试和元优化；
循环单元，用于判断该活体人脸检测模型在元优化阶段的损失函数是否收敛，若是，则判断该活体人脸检测模型已训练完成，否则，循环该从该人脸样本图像集中抽取包括有正样本和负样本的取样集至该判断该活体人脸检测模型在元优化阶段的损失函数是否收敛的步骤，直到该活体人脸检测模型在元优化阶段的损失函数收敛。
进一步地，该元训练单元具体包括：
分类单元，用于将该人脸样本图像集分为元训练集和元测试集；
第一训练单元，用于从该元训练集中抽取多个该取样集，通过该取样集对该活体人脸检测模型在元训练阶段进行训练；
第一测试单元，用于当该活体人脸检测模型在元训练阶段的损失函数收敛时，通过该元测试集对该活体人脸检测模型在元测试阶段进行测试训练；
第一优化单元，用于当该活体人脸检测模型在元测试阶段的损失函数收敛时，根据该活体人脸检测模型在元训练阶段和元测试阶段的训练结果对该活体人脸检测模型进行元优化；
判断单元，用于当该活体人脸检测模型在元优化阶段的损失函数收敛时，判断该活体人脸检测模型的损失函数收敛。
在其中一个实施例中，所述活体人脸检测模型包括特征提取器、元学习分类器和深度图估算器，所述活体人脸检测模型在元训练阶段的损失函数包括第一分类损失函数、元学习分类器的迭代函数和第一深度图估算损失函数；
所述第一分类损失函数为：
Lcls(θF，θM)＝∑ylogM(F(x))+(1-y)log(1-M(F(x)))
其中，θF表示所述活体人脸检测模型的特征提取器的参数，θM表示所述元学习分类器的参数，x表示所述取样集中的人脸样本图像，y表示所述取样集中人脸样本图像的真实标签的取值，F(x)表示通过所述人脸检测模型的特征提取器对所述人脸样本图像提取到的特征，Lcls(θF，θM)表示所述第一分类损失函数；
所述元学习分类器的迭代函数为：
其中，θM表示所述元学习分类器的参数，α表示超参数，
表示第i次训练时参数θM的梯度，Lcls(θF，θM)表示所述第一分类损失函数的输出结果；
所述第一深度图估算损失函数为：
LDtrn(θF，θD)＝∑||D(F(X))-I||2其中，θF表示所述活体人脸检测模型的特征提取器的参数，θD表示所述深度图估算器的参数，F(x)表示通过所述人脸检测模型的特征提取器对所述元训练集中的人脸样本图像提取到的第一特征，D(F(X))表示所述深度图估算器对提取到的所述第一特征的输出结果，I表示提取到的所述第一特征的真实深度。
进一步地，所述活体人脸检测模型在元测试阶段的损失函数包括第二分类损失函数和第二深度图估算损失函数；
所述第二分类损失函数为：
其中，N表示所述人脸样本图像集的总领域数，i表示当前用于元测试的人脸样本图像所属的领域数，F(x)表示通过所述人脸检测模型的特征提取器对所述人脸样本图像提取到的特征，M′i(F(x))表示所述元学习分类器对提取到的所述特征的输出结果，Lcls-tst表示所述第二分类损失函数；
所述第二深度图估算损失函数为：
LDtst(θF，θD)＝∑||D(F(X))-I||2
其中，F(x)表示通过所述人脸检测模型的特征提取器对所述元测试集中的人脸样本图像提取到的第二特征，D(F(X))表示所述深度图估算器对提取到的所述第二特征的输出结果，I表示提取到的所述第二特征的真实深度。
进一步地，所述活体人脸检测模型在元优化阶段的损失函数包括元学习分类器参数损失函数、特征提取器参数损失函数和深度图估算器参数损失函数；
所述元学习分类器参数损失函数为：
其中，β和γ表示超参数，Lcls(θF，θM)表示所述第一分类损失函数的输出值，Lcls-tst表示所述第二分类损失函数的输出结果，
表示训练时参数θM的梯度；
所述特征提取器参数损失函数为：
其中，θF表示活体人脸检测模型的特征提取器的参数，
表示训练时参数θF的梯度，LDtst(θF，θD)表示所述第二深度图估算损失函数的输出值，Lcls-tst表示所述第二分类损失函数的输出值，Lcls(θF，θM)表示所述第一分类损失函数的输出值，LDtrn(θF，θD)表示所述第一深度图估算损失函数的输出值；
所述深度图估算器参数损失函数为：
其中，θD表示所述深度图估算器的参数，β和γ表示超参数，
表示训练时参数θD的梯度，LDtst(θF，θD)表示所述第二深度图估算损失函数的输出值，LDtrn(θF，θD)表示第一深度图估算损失函数的输出值。
本实施例提出的活体人脸检测模型的训练装置得到的人脸活体检测模型在对人脸活体图像进行检测时，可以兼容不同领域拍摄的人脸图像，具有较强的鲁棒性，不论是通过不同手机拍摄的人脸图像、还是不同光线强度拍摄的人脸图像，通过本方案训练好的人脸活体检测模型都能有比较高的预测准确性。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于活体人脸检测模型的训练装置的具体限定可以参见上文中对于活体人脸检测模型的训练方法的限定，在此不再赘述。上述活体人脸检测模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种活体人脸检测模型的训练方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中活体人脸检测模型的训练方法的步骤，例如图2所示的步骤101至步骤108及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中活体人脸检测模型的训练装置的各模块/单元的功能，例如图4所示模块11至模块18的功能。为避免重复，这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中活体人脸检测模型的训练方法的步骤，例如图2所示的步骤101至步骤108及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中活体人脸检测模型的训练装置的各模块/单元的功能，例如图4所示模块11至模块18的功能。为避免重复，这里不再赘述。
本实施例提出的活体人脸检测模型的训练方法、装置、设备及存储介质，通过不同领域的人脸样本图像集对对应领域的教师网络进行二分类训练，当训练得到该教师网络的损失函数收敛且该教师网络的预测准确率在预设范围之内时，对该教师网络进行冻结，在对学生网络进行训练之前，先将人脸图像数据集中的人脸图像输入至各该教师网络，通过各该教师网络输出该人脸图像为活体人脸的预测概率，将通过各教师网络输出的该预测概率的平均值作为学生网络的目标概率值，通过该人脸图像数据集对该学生网络进行训练，当该学生网络的损失函数收敛时，获取该学生网络的特征提取器的参数，然后将该学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过该人脸样本图像集对该活体人脸检测模型进行元学习训练，当该活体人脸检测模型的损失函数收敛时，即可用训练好的活体人脸检测模型对待检测的人脸图像进行检测。通过本方案训练好的人脸活体检测模型在对人脸活体图像进行检测时，可以兼容不同领域拍摄的人脸图像，具有较强的鲁棒性，不论是通过不同手机拍摄的人脸图像、还是不同光线强度拍摄的人脸图像，通过本方案训练好的人脸活体检测模型都能有比较高的预测准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种活体人脸检测模型的训练方法，其特征在于，所述方法包括：
获取属于不同领域的人脸样本图像集，所述人脸样本图像集中的人脸样本图像携带有活体或非活体的标注；
选取与各所述领域一一对应的教师网络，通过所述人脸样本图像集对对应的教师网络进行二分类训练；
当训练得到所述教师网络的损失函数收敛且所述教师网络的预测准确率在预设范围之内时，对所述教师网络进行冻结；
将人脸图像数据集中的人脸图像输入至各所述教师网络，通过各所述教师网络输出所述人脸图像为活体人脸的预测概率；
将通过各所述教师网络输出的所述预测概率的平均值作为学生网络的目标概率值，通过所述人脸图像数据集对所述学生网络进行训练；
当所述学生网络的损失函数收敛时，获取所述学生网络的特征提取器的参数；
将所述学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过所述人脸样本图像集对所述活体人脸检测模型进行元学习训练；
当所述活体人脸检测模型的损失函数收敛时，得到训练好的活体人脸检测模型。
2.根据权利要求1所述的活体人脸检测模型的训练方法，其特征在于，所述通过所述人脸样本图像集对所述活体人脸检测模型进行元学习训练的步骤包括：
从所述人脸样本图像集中抽取包括有正样本和负样本的取样集；
通过所述取样集依次对所述活体人脸检测模型进行元训练、元测试和元优化；
判断所述活体人脸检测模型在元优化阶段的损失函数是否收敛，若是，则判断所述活体人脸检测模型已训练完成，否则，循环所述从所述人脸样本图像集中抽取包括有正样本和负样本的取样集至所述判断所述活体人脸检测模型在元优化阶段的损失函数是否收敛的步骤，直到所述活体人脸检测模型在元优化阶段的损失函数收敛。
3.根据权利要求2所述的活体人脸检测模型的训练方法，其特征在于，所述通过所述取样集依次对所述活体人脸检测模型进行元训练、元测试和元优化的步骤包括：
将所述人脸样本图像集分为元训练集和元测试集；
从所述元训练集中抽取多个所述取样集，通过所述取样集对所述活体人脸检测模型在元训练阶段进行训练；
当所述活体人脸检测模型在元训练阶段的损失函数收敛时，通过所述元测试集对所述活体人脸检测模型在元测试阶段进行测试训练；
当所述活体人脸检测模型在元测试阶段的损失函数收敛时，根据所述活体人脸检测模型在元训练阶段和元测试阶段的训练结果对所述活体人脸检测模型进行元优化；
当所述活体人脸检测模型在元优化阶段的损失函数收敛时，判断所述活体人脸检测模型的损失函数收敛。
4.根据权利要求3所述的活体人脸检测模型的训练方法，其特征在于，所述活体人脸检测模型包括特征提取器、元学习分类器和深度图估算器，所述活体人脸检测模型在元训练阶段的损失函数包括第一分类损失函数、元学习分类器的迭代函数和第一深度图估算损失函数；
所述第一分类损失函数为：
Lcls(θF，θM)＝∑ylogM(F(x))+(1-y)log(1-M(F(x)))
其中，θF表示所述活体人脸检测模型的特征提取器的参数，θM表示所述元学习分类器的参数，x表示所述取样集中的人脸样本图像，y表示所述取样集中人脸样本图像的真实标签的取值，F(x)表示通过所述人脸检测模型的特征提取器对所述人脸样本图像提取到的特征，Lcls(θF，θM)表示所述第一分类损失函数；
所述元学习分类器的迭代函数为：
其中，θM表示所述元学习分类器的参数，α表示超参数，
表示第i次训练时参数θM的梯度，Lcls(θF，θM)表示所述第一分类损失函数的输出结果；
所述第一深度图估算损失函数为：
LDtrn(θF，θD)＝∑||D(F(X))-I||2
其中，θF表示所述活体人脸检测模型的特征提取器的参数，θD表示所述深度图估算器的参数，F(x)表示通过所述人脸检测模型的特征提取器对所述元训练集中的人脸样本图像提取到的第一特征，D(F(X))表示所述深度图估算器对提取到的所述第一特征的输出结果，I表示提取到的所述第一特征的真实深度。
5.根据权利要求4所述的活体人脸检测模型的训练方法，其特征在于，所述活体人脸检测模型在元测试阶段的损失函数包括第二分类损失函数和第二深度图估算损失函数；
所述第二分类损失函数为：
其中，N表示所述人脸样本图像集的总领域数，i表示当前用于元测试的人脸样本图像所属的领域数，F(x)表示通过所述人脸检测模型的特征提取器对所述人脸样本图像提取到的特征，
表示所述元学习分类器对提取到的所述特征的输出结果，Lcls-tst表示所述第二分类损失函数；
所述第二深度图估算损失函数为：
LDtst(θF，θD)＝∑||D(F(X))-I||2
其中，F(x)表示通过所述人脸检测模型的特征提取器对所述元测试集中的人脸样本图像提取到的第二特征，D(F(X))表示所述深度图估算器对提取到的所述第二特征的输出结果，I表示提取到的所述第二特征的真实深度。
6.根据权利要求5所述的活体人脸检测模型的训练方法，其特征在于，所述活体人脸检测模型在元优化阶段的损失函数包括元学习分类器参数损失函数、特征提取器参数损失函数和深度图估算器参数损失函数；
所述元学习分类器参数损失函数为：
其中，β和γ表示超参数，Lcls(θF，θM)表示所述第一分类损失函数的输出值，Lcls-tst表示所述第二分类损失函数的输出结果，
表示训练时参数θM的梯度；
所述特征提取器参数损失函数为：
其中，θF表示活体人脸检测模型的特征提取器的参数，
表示训练时参数θF的梯度，LDtst(θF，θD)表示所述第二深度图估算损失函数的输出值，Lcls-tst表示所述第二分类损失函数的输出值，Lcls(θF，θM)表示所述第一分类损失函数的输出值，LDtrn(θF，θD)表示所述第一深度图估算损失函数的输出值；
所述深度图估算器参数损失函数为：
其中，θD表示所述深度图估算器的参数，β和γ表示超参数，
表示训练时参数θD的梯度，LDtst(θF，θD)表示所述第二深度图估算损失函数的输出值，LDtrn(θF，θD)表示第一深度图估算损失函数的输出值。
7.一种活体人脸检测模型的训练装置，其特征在于，所述装置包括：
样本获取模块，用于获取属于不同领域的人脸样本图像集，所述人脸样本图像集中的人脸样本图像携带有活体或非活体的标注；
第一训练模块，用于选取与各所述领域一一对应的教师网络，通过所述人脸样本图像集对对应的教师网络进行二分类训练；
冻结模块，用于当训练得到所述教师网络的损失函数收敛且所述教师网络的预测准确率在预设范围之内时，对所述教师网络进行冻结；
概率计算模块，用于将人脸图像数据集中的人脸图像输入至各所述教师网络，通过各所述教师网络输出所述人脸图像为活体人脸的预测概率；
第二训练模块，用于将通过各所述教师网络输出的所述预测概率的平均值作为学生网络的目标概率值，通过所述人脸图像数据集对所述学生网络进行训练；
参数获取模块，用于当所述学生网络的损失函数收敛时，获取所述学生网络的特征提取器的参数；
元学习模块，用于将所述学生网络的特征提取器的参数作为活体人脸检测模型中特征提取器的参数的初始值，通过所述人脸样本图像集对所述活体人脸检测模型进行元学习训练；
收敛模块，用于当所述活体人脸检测模型的损失函数收敛时，得到训练好的活体人脸检测模型。
8.根据权利要求7所述的活体人脸检测模型的训练装置，其特征在于，所述元学习模块包括：
取样单元，用于从所述人脸样本图像集中抽取包括有正样本和负样本的取样集；
元训练单元，用于通过所述取样集依次对所述活体人脸检测模型进行元训练、元测试和元优化；
循环单元，用于判断所述活体人脸检测模型在元优化阶段的损失函数是否收敛，若是，则判断所述活体人脸检测模型已训练完成，否则，循环所述从所述人脸样本图像集中抽取包括有正样本和负样本的取样集至所述判断所述活体人脸检测模型在元优化阶段的损失函数是否收敛的步骤，直到所述活体人脸检测模型在元优化阶段的损失函数收敛。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述活体人脸检测模型的训练方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述活体人脸检测模型的训练方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110482189.2A CN113052144B (zh) | 2021-04-30 | 2021-04-30 | 活体人脸检测模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110482189.2A CN113052144B (zh) | 2021-04-30 | 2021-04-30 | 活体人脸检测模型的训练方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113052144A true CN113052144A (zh) | 2021-06-29 |
| CN113052144B CN113052144B (zh) | 2023-02-28 |
Family
ID=76518159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110482189.2A Active CN113052144B (zh) | 2021-04-30 | 2021-04-30 | 活体人脸检测模型的训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052144B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591736A (zh) * | 2021-08-03 | 2021-11-02 | 北京百度网讯科技有限公司 | 特征提取网络、活体检测模型的训练方法和活体检测方法 |
| CN113705362A (zh) * | 2021-08-03 | 2021-11-26 | 北京百度网讯科技有限公司 | 图像检测模型的训练方法、装置、电子设备及存储介质 |
| CN113705425A (zh) * | 2021-08-25 | 2021-11-26 | 北京百度网讯科技有限公司 | 活体检测模型的训练方法和活体检测的方法、装置、设备 |
| CN113743220A (zh) * | 2021-08-04 | 2021-12-03 | 深圳商周智联科技有限公司 | 一种生物特征活体检测方法、装置及计算机设备 |
| CN114495291A (zh) * | 2022-04-01 | 2022-05-13 | 杭州魔点科技有限公司 | 活体检测的方法、***、电子装置和存储介质 |
| CN114663941A (zh) * | 2022-03-17 | 2022-06-24 | 深圳数联天下智能科技有限公司 | 特征检测方法、模型合并方法、设备和介质 |
| CN114743243A (zh) * | 2022-04-06 | 2022-07-12 | 平安科技（深圳）有限公司 | 基于人工智能的人脸识别方法、装置、设备及存储介质 |
| CN116993835A (zh) * | 2023-07-31 | 2023-11-03 | 江阴极动智能科技有限公司 | 相机标定方法及相机标定装置、电子设备、存储介质 |
| CN117576791A (zh) * | 2024-01-17 | 2024-02-20 | 杭州魔点科技有限公司 | 基于生机线索和垂直领域大模型范式的活体检测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017215240A1 (zh) * | 2016-06-14 | 2017-12-21 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
| CN110674714A (zh) * | 2019-09-13 | 2020-01-10 | 东南大学 | 基于迁移学习的人脸和人脸关键点联合检测方法 |
| CN110674880A (zh) * | 2019-09-27 | 2020-01-10 | 北京迈格威科技有限公司 | 用于知识蒸馏的网络训练方法、装置、介质与电子设备 |
| CN110909815A (zh) * | 2019-11-29 | 2020-03-24 | 深圳市商汤科技有限公司 | 神经网络训练、图像处理方法、装置及电子设备 |
| CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
| CN111709409A (zh) * | 2020-08-20 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 人脸活体检测方法、装置、设备及介质 |
| CN112052808A (zh) * | 2020-09-10 | 2020-12-08 | 河南威虎智能科技有限公司 | 细化深度图的人脸活体检测方法、装置、设备及存储介质 |
| CN112115783A (zh) * | 2020-08-12 | 2020-12-22 | 中国科学院大学 | 基于深度知识迁移的人脸特征点检测方法、装置及设备 |
| US20210049370A1 (en) * | 2018-08-01 | 2021-02-18 | Advanced New Technologies Co., Ltd. | Abnormality detection method, apparatus, and device for unmanned checkout |
| CN112418013A (zh) * | 2020-11-09 | 2021-02-26 | 贵州大学 | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 |
| CN112541458A (zh) * | 2020-12-21 | 2021-03-23 | 中国科学院自动化研究所 | 基于元学习的域自适应的人脸识别方法、***、装置 |
| CN112597885A (zh) * | 2020-12-22 | 2021-04-02 | 北京华捷艾米科技有限公司 | 人脸活体检测方法、装置、电子设备及计算机存储介质 |
-
2021
- 2021-04-30 CN CN202110482189.2A patent/CN113052144B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017215240A1 (zh) * | 2016-06-14 | 2017-12-21 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
| US20210049370A1 (en) * | 2018-08-01 | 2021-02-18 | Advanced New Technologies Co., Ltd. | Abnormality detection method, apparatus, and device for unmanned checkout |
| CN110674714A (zh) * | 2019-09-13 | 2020-01-10 | 东南大学 | 基于迁移学习的人脸和人脸关键点联合检测方法 |
| CN110674880A (zh) * | 2019-09-27 | 2020-01-10 | 北京迈格威科技有限公司 | 用于知识蒸馏的网络训练方法、装置、介质与电子设备 |
| CN110909815A (zh) * | 2019-11-29 | 2020-03-24 | 深圳市商汤科技有限公司 | 神经网络训练、图像处理方法、装置及电子设备 |
| CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
| CN112115783A (zh) * | 2020-08-12 | 2020-12-22 | 中国科学院大学 | 基于深度知识迁移的人脸特征点检测方法、装置及设备 |
| CN111709409A (zh) * | 2020-08-20 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 人脸活体检测方法、装置、设备及介质 |
| CN112052808A (zh) * | 2020-09-10 | 2020-12-08 | 河南威虎智能科技有限公司 | 细化深度图的人脸活体检测方法、装置、设备及存储介质 |
| CN112418013A (zh) * | 2020-11-09 | 2021-02-26 | 贵州大学 | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 |
| CN112541458A (zh) * | 2020-12-21 | 2021-03-23 | 中国科学院自动化研究所 | 基于元学习的域自适应的人脸识别方法、***、装置 |
| CN112597885A (zh) * | 2020-12-22 | 2021-04-02 | 北京华捷艾米科技有限公司 | 人脸活体检测方法、装置、电子设备及计算机存储介质 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705362A (zh) * | 2021-08-03 | 2021-11-26 | 北京百度网讯科技有限公司 | 图像检测模型的训练方法、装置、电子设备及存储介质 |
| CN113591736A (zh) * | 2021-08-03 | 2021-11-02 | 北京百度网讯科技有限公司 | 特征提取网络、活体检测模型的训练方法和活体检测方法 |
| CN113705362B (zh) * | 2021-08-03 | 2023-10-20 | 北京百度网讯科技有限公司 | 图像检测模型的训练方法、装置、电子设备及存储介质 |
| CN113743220B (zh) * | 2021-08-04 | 2024-06-04 | 深圳商周智联科技有限公司 | 一种生物特征活体检测方法、装置及计算机设备 |
| CN113743220A (zh) * | 2021-08-04 | 2021-12-03 | 深圳商周智联科技有限公司 | 一种生物特征活体检测方法、装置及计算机设备 |
| CN113705425A (zh) * | 2021-08-25 | 2021-11-26 | 北京百度网讯科技有限公司 | 活体检测模型的训练方法和活体检测的方法、装置、设备 |
| CN114663941A (zh) * | 2022-03-17 | 2022-06-24 | 深圳数联天下智能科技有限公司 | 特征检测方法、模型合并方法、设备和介质 |
| CN114495291A (zh) * | 2022-04-01 | 2022-05-13 | 杭州魔点科技有限公司 | 活体检测的方法、***、电子装置和存储介质 |
| CN114495291B (zh) * | 2022-04-01 | 2022-07-12 | 杭州魔点科技有限公司 | 活体检测的方法、***、电子装置和存储介质 |
| CN114743243A (zh) * | 2022-04-06 | 2022-07-12 | 平安科技（深圳）有限公司 | 基于人工智能的人脸识别方法、装置、设备及存储介质 |
| CN114743243B (zh) * | 2022-04-06 | 2024-05-31 | 平安科技（深圳）有限公司 | 基于人工智能的人脸识别方法、装置、设备及存储介质 |
| CN116993835A (zh) * | 2023-07-31 | 2023-11-03 | 江阴极动智能科技有限公司 | 相机标定方法及相机标定装置、电子设备、存储介质 |
| CN117576791A (zh) * | 2024-01-17 | 2024-02-20 | 杭州魔点科技有限公司 | 基于生机线索和垂直领域大模型范式的活体检测方法 |
| CN117576791B (zh) * | 2024-01-17 | 2024-04-30 | 杭州魔点科技有限公司 | 基于生机线索和垂直领域大模型范式的活体检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113052144B (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113052144B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
| WO2021159774A1 (zh) | 对象检测模型训练及对象检测方法、装置、计算机设备和存储介质 | |
| WO2021077984A1 (zh) | 对象识别方法、装置、电子设备及可读存储介质 | |
| US8792722B2 (en) | Hand gesture detection | |
| US8750573B2 (en) | Hand gesture detection | |
| WO2021179471A1 (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
| CN111401281A (zh) | 基于深度聚类和样例学习的无监督行人重识别方法及*** | |
| CN112446302B (zh) | 一种人体姿态检测方法、***、电子设备和存储介质 | |
| CN111598182B (zh) | 训练神经网络及图像识别的方法、装置、设备及介质 | |
| WO2021114612A1 (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
| CN110807437B (zh) | 视频粒度特征确定方法、装置和计算机可读存储介质 | |
| CN111476268A (zh) | 翻拍识别模型训练、图像识别方法、装置、设备及介质 | |
| KR20220107120A (ko) | 생체 검측 모델의 트레이닝 방법 및 장치, 생체 검측 모델을 이용한 생체 검측 방법 및 장치, 전자장비, 저장매체 및 컴퓨터 프로그램 | |
| CN113269149B (zh) | 活体人脸图像的检测方法、装置、计算机设备及存储介质 | |
| CN109472193A (zh) | 人脸检测方法及装置 | |
| JP2017062778A (ja) | 画像のオブジェクトを分類するための方法およびデバイスならびに対応するコンピュータプログラム製品およびコンピュータ可読媒体 | |
| CN111241924B (zh) | 基于尺度估计的人脸检测及对齐方法、装置、存储介质 | |
| CN114241505B (zh) | 化学结构图像的提取方法、装置、存储介质及电子设备 | |
| CN113283388B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
| Ashwinkumar et al. | Deep learning based approach for facilitating online proctoring using transfer learning | |
| CN114387451A (zh) | 异常图像检测模型的训练方法、装置及介质 | |
| CN112560880A (zh) | 目标分类方法、目标分类装置及计算机可读存储介质 | |
| CN112766351A (zh) | 一种图像质量的评估方法、***、计算机设备和存储介质 | |
| CN111858999A (zh) | 一种基于分段困难样本生成的检索方法及装置 | |
| CN116484224A (zh) | 一种多模态预训练模型的训练方法、装置、介质及设备 |
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 |