CN113158773A - 一种活体检测模型的训练方法及训练装置 - Google Patents

一种活体检测模型的训练方法及训练装置 Download PDF

Info

Publication number
CN113158773A
CN113158773A CN202110245292.5A CN202110245292A CN113158773A CN 113158773 A CN113158773 A CN 113158773A CN 202110245292 A CN202110245292 A CN 202110245292A CN 113158773 A CN113158773 A CN 113158773A
Authority
CN
China
Prior art keywords
image
network
living body
detected
face
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
Application number
CN202110245292.5A
Other languages
English (en)
Other versions
CN113158773B (zh
Inventor
张兴
谢思敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TP Link Technologies Co Ltd
Original Assignee
TP Link Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TP Link Technologies Co Ltd filed Critical TP Link Technologies Co Ltd
Priority to CN202110245292.5A priority Critical patent/CN113158773B/zh
Publication of CN113158773A publication Critical patent/CN113158773A/zh
Application granted granted Critical
Publication of CN113158773B publication Critical patent/CN113158773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—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
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理的技术领域，提供一种活体检测模型的训练方法及训练装置，所述训练方法包括：获取初始模型以及样本数据组；所述初始模型包括第一卷积网络、第二卷积网络以及第三卷积网络；将所述样本数据组输入所述第一分支网络和所述第二分支网络，计算联合损失函数，根据所述联合损失函数训练所述第二卷积网络，得到训练后的第二卷积网络；将所述第一卷积网络和所述训练后的第二卷积网络，作为目标活体检测模型。由于在上述过程中，第二分支网络中的第三卷积网络仅用于辅助训练第二卷积网络，故保证了目标活体检测模型优良的检测精度，又减少了不必要的计算量，提高了活体检测效率。

Description

一种活体检测模型的训练方法及训练装置
技术领域
本申请属于图像处理的技术领域，尤其涉及一种活体检测模型的训练方法及训练装置。
背景技术
活体检测是在一些身份验证场景确定对象真实生理特征的方法。可有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段，从而帮助用户甄别欺诈行为，保障用户的利益。
现有的活体检测技术，往往通过多种模型相互配合，实现活体检测。然而，多种模型所需的计算资源较多，造成活体检测的效率较低。这是一种亟需解决的技术问题。
发明内容
有鉴于此，本申请实施例提供了一种活体检测模型的训练方法、一种活体检测的方法、一种活体检测模型的训练装置、一种活体检测的装置、终端设备、活体检测设备以及计算机可读存储介质，可以解决多种模型所需的计算资源较多，造成活体检测的效率较低的技术问题。
本申请实施例的第一方面提供了一种活体检测模型的训练方法，所述训练方法包括：
获取初始模型以及样本数据组；所述初始模型包括第一卷积网络、第二卷积网络以及第三卷积网络；所述第一卷积网络和所述第二卷积网络构成第一分支网络；所述第一卷积网络和所述第三卷积网络构成第二分支网络；
将所述样本数据组输入所述第一分支网络和所述第二分支网络，计算联合损失函数，根据所述联合损失函数训练所述第二卷积网络，得到训练后的第二卷积网络；
将所述第一卷积网络和所述训练后的第二卷积网络，作为目标活体检测模型。
本申请实施例的第二方面提供了一种活体检测方法，所述方法包括：
获取待检测图像；
将所述待检测图像输入目标活体检测模型中，得到由所述目标活体检测模型输出的检测结果；所述检测结果用于表征所述待检测图像为活体人脸图像的概率；所述目标活体检测模型为初始模型中的第一分支网络，所述第一分支网络包括第一卷积网络和第二卷积网络；所述初始模型中还包括第二分支网络；所述第一分支网络和所述第二分支网络用于联合训练所述第二卷积网络；
根据所述检测结果，确定所述待检测图像是否为活体人脸图像。
本申请实施例的第三方面提供了一种活体检测模型的训练装置，所述训练装置包括：
第一获取单元，用于获取初始模型以及样本数据组；所述初始模型包括第一卷积网络、第二卷积网络以及第三卷积网络；所述第一卷积网络和所述第二卷积网络构成第一分支网络；所述第一卷积网络和所述第三卷积网络构成第二分支网络；
训练单元，用于将所述样本数据组输入所述第一分支网络和所述第二分支网络，计算联合损失函数，根据所述联合损失函数训练所述第二卷积网络，得到训练后的第二卷积网络；
裁剪单元，用于将所述第一卷积网络和所述训练后的第二卷积网络，作为目标活体检测模型。
本申请实施例的第四方面提供了一种活体检测的装置，所述装置包括：
第二获取单元，用于获取待检测图像；
检测单元，用于将所述待检测图像输入目标活体检测模型中，得到由所述目标活体检测模型输出的检测结果；所述检测结果用于表征所述待检测图像为活体人脸图像的概率；所述目标活体检测模型为初始模型中的第一分支网络，所述第一分支网络包括第一卷积网络和第二卷积网络；所述初始模型中还包括第二分支网络；所述第一分支网络和所述第二分支网络用于联合训练所述第二卷积网络；
判断单元，用于根据所述检测结果，确定所述待检测图像是否为活体人脸图像。
本申请实施例的第五方面提供了一种终端设备，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第一方面所述方法的步骤。
本申请实施例的第六方面提供了一种活体检测设备，包括摄像模块、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第二方面所述方法的步骤。
本申请实施例的第四方面提供了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第一方面或第二方面所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请通过初始模型中的第一分支网络和所述第二分支网络联合训练第一分支网络中的第二卷积网络。并将第一卷积网络和训练后的第二卷积网络，作为目标活体检测模型。由于在上述过程中，第二分支网络中的第三卷积网络仅用于辅助训练第二卷积网络，故保证了目标活体检测模型优良的检测精度，又减少了不必要的计算量，提高了活体检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或相关技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出了本申请提供的一种活体检测模型的训练方法的示意性流程图；
图2示出了本申请提供的一种活体检测模型的训练方法中步骤101具体示意性流程图；
图3示出了本申请提供的一种活体检测模型的训练方法中步骤A2具体示意性流程图；
图4示出了本申请提供的一种活体检测模型的训练方法中步骤A3具体示意性流程图；
图5示出了本申请提供的一种活体检测模型的训练方法中步骤102具体示意性流程图；
图6示出了本申请提供的初始模型的示意图；
图7示出了本申请提供的一种活体检测的方法的示意性流程图；
图8示出了本申请提供的一种活体检测的方法中步骤701具体示意性流程图
图9示出了本申请提供的一种活体检测的方法中步骤703具体示意性流程图；
图10示出了本申请提供的另一种活体检测的方法具体示意性流程图；
图11示出了本申请提供的一种活体检测模型的训练装置的示意图；
图12示出了本申请提供的一种活体检测的装置的示意图；
图13是本发明一实施例提供的一种终端设备的示意图；
图14是本发明一实施例提供的一种活体检测设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了更好地理解本申请解决的技术问题，故在此对上述背景技术进行进一步说明：
现有的活体检测技术，往往通过多种模型相互配合，实现活体检测。例如：将待识别图像输入深度估计模型，通过深度估计模型进行深度估计，得到深度图像。再基于活体检测模型对深度图像以及待识别图像进行识别，得到活体检测结果。
而大部分活体检测设备往往硬件条件有限，故面对多种模型计算时，往往十分耗时，效率较低，无法进行实时检测。
有鉴于此，本申请实施例提供了一种活体检测模型的训练方法、一种活体检测的方法、一种活体检测模型的训练装置、一种活体检测的装置、终端设备、活体检测设备以及计算机可读存储介质，可以解决上述技术问题。
其中，终端设备和活体检测设备可以为同一个设备或不同设备。
请参见图1，图1示出了本申请提供的一种活体检测模型的训练方法的示意性流程图。如图1所示，该训练方法应用于终端设备，该训练方法包括如下步骤：
步骤101，获取初始模型以及样本数据组；所述初始模型包括第一卷积网络、第二卷积网络以及第三卷积网络；所述第一卷积网络和所述第二卷积网络构成第一分支网络；所述第一卷积网络和所述第三卷积网络构成第二分支网络。
值得注意的是，初始模型以及样本数据组依据应用场景的不同而不同。本实施例对步骤101至步骤103的应用场景不做任何限定。为了更好地解释本实施例的技术方案，故本实施例以应用场景为活体检测场景为例，对本实施例的技术方案进行解释说明。本领域技术人员可类比活体检测场景的技术方案，得到其他应用场景的技术方案，在此不赘述。
由于在初始模型中不同的网络结构承担不同的处理任务，故本申请将初始模型中的层级结构划分为第一卷积网络、第二卷积网络以及第三卷积网络。在活体检测场景中，第一卷积网络用于特征提取，第二卷积网络用于重构傅里叶频谱图，第三卷积网络用于检测分类。其中，初始模型中的卷积网络可以更多，为了更好地解释本实施例的技术方案，故以第一卷积网络、第二卷积网络以及第三卷积网络为例。
以活体检测场景为例，样本数据组包括样本图像、样本图像对应的原始傅里叶频谱图以及样本图像对应的标注信息。标注信息可以为人工添加的信息，也可以为模型识别的信息，用于标注样本图像的图像类型，图像类型包括但不限于活体人脸图像和非活体人脸图像。可以理解的是，当初始模型的分支网络更多时，样本数据组中数据类型也随之增多。
其中，对于样本图像而言，终端设备可以在现有数据库中获取样本图像。终端设备也可以通过活体检测设备采集样本图像(优选地，由于不同摄像头以及应用场景存在差异，故现有数据库与实际应用场景下的待识别图像也存在一定差异，进而导致训练得到的模型在实际应用中检测性能有所下降。故本申请优先选用活体检测设备采集的样本图像，使得训练数据和检测数据分布相同，提高检测准确度高以及性能)。
样本数据组可以为原始数据(原始数据包括但不限于第一原始图像以及初始傅里叶频谱等)或经过预处理之后的原始数据。而本申请为了优化训练过程中的计算量，故对原始数据进行预处理得到样本数据组，具体过程如以下可选实施例所示：
作为本申请的一个可选实施例，在步骤101包括如下步骤A1至步骤A3。请参见图2，图2示出了本申请提供的一种活体检测模型的训练方法中步骤101具体示意性流程图。
步骤A1，获取第一原始图像。
第一原始图像包括多个活体人脸图像以及多个非活体人脸图像(第一原始图像是指未经预处理的图像)。示例性地，第一原始图像可以是如下：①活体人脸图像、②黑白纸质人脸图像、③活体检测设备拍摄手机、平板及电脑屏幕展示的静态人脸以及④活体检测设备拍摄手机、平板及电脑屏幕播放视频中的人脸等等，其中②至④都为非活体人脸图像。
步骤A2，检测所述第一原始图像中的人脸区域，获取所述人脸区域对应的所述样本图像。
人脸检测的方式包括但不限于单镜头多箱式人脸检测(SingleShotMulti-boxesDetector，SSD)以及目标检测(YouOnlyLookOnce，YOLO)等一种或多种模型之间的结合。
由于人脸区域的数据量较大，故为了进一步优化训练过程中的计算量，本申请提供了如下可选实施例：
作为本申请的一个可选实施例，在步骤A2包括如下步骤A21至步骤A24。请参见图3，图3示出了本申请提供的一种活体检测模型的训练方法中步骤A2具体示意性流程图。
步骤A21，通过人脸检测模型，得到所述第一原始图像的第一人脸框；所述第一人脸框用于标注人脸区域。
步骤A22，将所述第一人脸框的尺寸放大至第二预设尺寸，得到放大后的第一人脸框。
一方面，为了确保得到完整的人脸图像，防止人脸的部分区域溢出第一人脸框之外，另一方面，活体检测的有效信息不仅仅包含在第一人脸框中，而是包含在第一人脸框及其附近背景中，故终端设备将第一人脸框扩大至第二预设尺寸，得到放大后的第一人脸框，以提高活体检测的准确性。
其中，第二预设尺寸可以为固定大小(即预先给定一个尺寸定值)，第二预设尺寸也可以是为根据预设比例得到的尺寸，即将第一人脸框的尺寸与预设比例相乘得到第二预设尺寸。
步骤A23，在所述第一原始图像中截取所述放大后的第一人脸框对应的区域，得到第二原始图像。
步骤A24，将所述第二原始图像的尺寸缩小至第三预设尺寸，得到所述样本图像。
为了提高模型训练效率，故终端设备将第二原始图像的尺寸缩小至第三预设尺寸，减少模型的计算量，以提高模型训练效率。
可以理解的是，所述“将第二原始图像的尺寸缩小至第三预设尺寸”是指将整个第二原始图像缩小至第三预设尺寸，而不是指在第二原始图像中截取第三预设尺寸的区域。
值得注意的，随着样本图像的尺寸无限小时，训练得到的第二卷积网络的检测精度随之下降。而样本图像的尺寸较大时，训练得到的第二卷积网络的检测精度高，但计算量大。故可根据实际应用场景的检测精度和计算效率等综合需求，拟定较为适宜的第三预设尺寸。
步骤A3，根据所述样本图像，计算所述样本图像原始傅里叶频谱图。
在步骤A3中，可直接将样本图像的傅里叶频谱图作为原始傅里叶频谱图，也可以通过如下可选实施例计算原始傅里叶频谱图：
作为本申请的一个可选实施例，在步骤A3包括如下步骤A31至步骤A33。请参见图4，图4示出了本申请提供的一种活体检测模型的训练方法中步骤A3具体示意性流程图。
步骤A31，计算所述样本图像的初始傅里叶频谱。
傅里叶频谱图可以反映活体/非活体人脸图像在频域上的差异(例如：电子屏幕人脸可能有摩尔纹)，因此有助于对活体/非活体人脸进行分类。
由于计算傅里叶频谱图为常规技术手段，故在此不再赘述。
步骤A32，将所述初始傅里叶频谱进行，归一化处理。
由于同一种物体在不同拍摄环境或软硬件局限性等因素影响下，导致同一种物体对应的不同图像存在一定的差异，故本实施通过归一化处理，以避免上述差异。
步骤A33，将归一化后的所述初始傅里叶频谱的尺寸缩小至第一预设尺寸，得到所述原始傅里叶频谱。
为了提高模型训练效率，故终端设备将初始傅里叶频谱图的尺寸缩小至第一预设尺寸，较少模型的计算量，以提高模型训练效率。
可以理解的是，所述“将初始傅里叶频谱图的尺寸缩小至第一预设尺寸”是指将整个初始傅里叶频谱图缩小至第一预设尺寸，而不是指在初始傅里叶频谱图中截取第一预设尺寸的区域。
步骤102，将所述样本数据组输入所述第一分支网络和所述第二分支网络，得到联合损失函数，根据所述联合损失函数训练所述第二卷积网络，得到训练后的第二卷积网络。
训练待训练模型的方式包括如下两种：
方式①：将具有简易网络结构的学生模型作为第二卷积网络，将具有复杂网络结构的教师模型作为第三卷积网络(第二卷积网络和第三卷积网络都用于活体检测)。将相同的样本图像分别输入教师模型以及学生模型，采用学习蒸馏的方式训练学生模型，得到训练后的第二卷积网络。
方式②：作为本申请的一个可选实施例，在步骤102包括如下步骤B1至步骤B7。请参见图5，图5示出了本申请提供的一种活体检测模型的训练方法中步骤102具体示意性流程图。
每个样本数据组循环执行如下步骤B1至步骤B7，得到训练后的第二卷积网络。
步骤B1,将所述样本图像输入所述第一卷积网络，得到由所述第一卷积网络输出的特征数据。
步骤B2,将所述特征数据输入第二卷积网络，得到由所述第二卷积网络输出的预测结果。
步骤B3，计算所述预测结果与所述标注信息之间的第一损失函数。
步骤B4,将所述特征数据输入第三卷积网络，得到由所述第三卷积网络输出的预测傅里叶频谱图。
步骤B5,计算所述预测傅里叶频谱图与所述原始傅里叶频谱图之间的第二损失函数。
步骤B6,将所述第一损失函数和所述第二损失函数，作为所述联合损失函数。
步骤B7，根据所述联合损失函数，更新所述第二卷积网络的参数。
为了更好地解释步骤B1至步骤B7，本实施例结合附图对步骤B1至步骤B7进行解释说明。请参见图6，图6示出了本申请提供的初始模型的示意图。需要说明的是，图6中的初始模型仅仅起实例作用，对于初始模型的网络结构以及特征图等参数不做任何限定。如图6所示，虚线框1表示第一卷积网络，虚线框2表示第二卷积网络，虚线框3表示第三卷积网络。初始模型中包含两个分支网络，第一分支网络为虚线框1与虚线框2形成的分支网络，第二分支网络为虚线框1与虚线框3形成的分支网络。优选地，第一卷积网络和第二卷积网络可优先采用MINIfasnet网络层级结构，第三卷积网络可优先采用FTGenerater网络层级结构。
如图6所示，将样本图像输入初始模型中。样本图像经过第一卷积网络(虚线框1)，得到由第一卷积网络输出的特征数据。特征数据经过第二卷积网络(虚线框2)处理，得到第二卷积网络预测结果。计算预测结果与样本图像对应的标注信息对应的第一损失函数，即“Softmax Loss”(误差类型为交叉熵)。特征数据经过第三卷积网络(虚线框3)处理，得到预测傅里叶频谱图。计算原始傅里叶频谱图与预测傅里叶频谱图对应的第二损失函数，即“FTLoss”(误差类型为均方误差MSE)。将第一损失函数和第二损失函数，作为联合损失函数。根据联合损失函数，更新所述第二初始卷积网络(虚线框2)的参数。每个样本数据组循环执行步骤B1至步骤B7，得到训练后的第二卷积网络。
其中，训练完成的触发机制包括如下两种：①样本数据组全部训练完成，②联合损失函数的值不再下降(即联合损失函数收敛)③第一分支网络的第一损失函数的值不再下降(即第一损失函数收敛)。
步骤103，将所述第一卷积网络和所述训练后的第二卷积网络，作为目标活体检测模型。
本申请为了减轻模型的计算量，故将初始模型中的第三卷积网络裁剪，将剩余的第一卷积网络以及训练后的第二卷积网络(即第一分支网络)，作为目标活体检测模型。
可以理解的是，第三卷积网络仅仅用于训练阶段，以辅助提高第二卷积网络的检测度。使得目标活体检测模型在拥有较小计算量的情况下，同时保持检测精度。
在本实施例中，通过初始模型中的第一分支网络和所述第二分支网络联合训练第一分支网络中的第二卷积网络。并将第一卷积网络和训练后的第二卷积网络，作为目标活体检测模型。由于在上述过程中，第二分支网络中的第三卷积网络仅用于辅助训练第二卷积网络，故保证了目标活体检测模型优良的检测精度，又减少了不必要的计算量，提高了活体检测效率。
请参见图7，图7示出了本申请提供的一种活体检测的方法的示意性流程图。如图7所示，该方法应用于活体检测设备，该方法包括如下步骤：
步骤701，获取待检测图像。
待检测图像可以原始图像(为了更好得区分不同图像对应的原始图像，将待检测图像的原始图像称为第三原始图像，第三原始图像是指由活体检测设备采集得到的图像或输入活体检测设备的图像等未经预处理的图像)。然而，由于第三原始图像中往往包含大量冗余的数据(即非人脸区域)，大量冗余的数据导致目标活体检测模型的计算量较大且处理效率低下，故为了提高模型的处理效率，可针对第三原始图像进行预处理，具体过程如下可选实施例所示：
作为本申请的一个可选实施例，在步骤701包括如下步骤7011至步骤7015。请参见图8，图8示出了本申请提供的一种活体检测的方法中步骤701具体示意性流程图。
步骤7011，获取第三原始图像。
步骤7012，通过人脸检测模型，得到所述第三原始图像的第二人脸框；所述第二人脸框用于标注人脸区域。
人脸检测的方式包括但不限于单镜头多箱式人脸检测(SingleShotMulti-boxesDetector，SSD)以及目标检测(YouOnlyLookOnce，YOLO)等一种或多种模型之间的结合。
步骤7013，将所述第二人脸框的尺寸放大至第四预设尺寸，得到放大后的第二人脸框。
一方面，为了确保得到完整的人脸图像，防止第二人脸的部分区域溢出第二人脸框之外，另一方面，活体检测的有效信息不仅仅包含在第二人脸框中，而是包含在第二人脸框及其附近背景中，故终端设备将第二人脸框扩大至第四预设尺寸，得到放大后的第二人脸区域，以提高活体检测的准确性。
其中，第四预设尺寸可以为固定大小(即预先给定一个尺寸定值)，第四预设尺寸也可以是为根据预设比例得到的尺寸，即将第二人脸框的尺寸与预设比例相乘得到第四预设尺寸。
第四预设尺寸可以与图3实施例中的第二预设尺寸相同或不同。
步骤7014，在所述第三原始图像中截取所述放大后的第二人脸框对应的区域，得到第四原始图像。
步骤7015，将所述第四原始图像的尺寸缩小至第五预设尺寸，得到所述待检测图像。
可以理解的是，所述“将第四原始图像的尺寸缩小至第五预设尺寸”是指将整个第四原始图像缩小至第五预设尺寸，而不是指在第四原始图像中截取第五预设尺寸的区域。
第五预设尺寸可以与图3实施例中的第三预设尺寸相同或不同。
步骤702，将所述待检测图像输入目标活体检测模型中，得到由所述目标活体检测模型输出的检测结果；所述检测结果用于表征所述待检测图像为活体人脸图像的概率；所述目标活体检测模型为初始模型中的第一分支网络，所述第一分支网络包括第一卷积网络和第二卷积网络；所述初始模型中还包括第二分支网络；所述第一分支网络和所述第二分支网络用于联合训练所述第二卷积网络。
步骤703，根据所述检测结果，确定所述待检测图像是否为活体人脸图像。
检测结果为目标待识别图像的置信度，用于表征所述目标待识别图像为人脸图像的概率。
若待检测图像为单个时，则活体检测设备根据阈值以及单个待检测图像的检测结果，确定待检测图像是否为活体人脸图像。若待检测图像为多个时，则活体检测设备根据阈值以及多个待检测图像的检测结果，共同确定待检测图像是否为活体人脸图像。其中，“单个待检测图像”是指在一次活体检测中仅需用到待检测图像的数量为一个，“多个待检测图像”是指在一次活体检测中用到待检测图像的数量为多个。上述两种方式如以下两个可选实施例所示：
作为本申请的一个可选实施例，在步骤703包括如下步骤C1至步骤C2。请参见图9，图9示出了本申请提供的一种活体检测的方法中步骤703具体示意性流程图。
步骤C1，若所述检测结果大于阈值，则确认所述待检测图像为活体人脸图像。
步骤C2，若所述检测结果不大于阈值，则确认所述待检测图像为非活体人脸图像。
作为本申请的一个可选实施例，步骤701至步骤703具体包括如下步骤D1至步骤D4。请参见图10，图10示出了本申请提供的另一种活体检测的方法具体示意性流程图。
步骤D1，获取多个待检测图像。
多个待检测图像可以为拍摄过程中的任意时刻的图像。
优选地，多个目标待识别图像优先选用在时序上相邻的k帧图像(多个待识别图像)。
每个待检测图像的处理过程请参照步骤701，在此不再赘述。
步骤D2，依次将所述多个待检测图像输入所述目标活体检测模型中，得到由所述目标活体检测模型输出的所述多个待检测图像各自对应的检测结果。
步骤D3，若多个所述检测结果都大于阈值，则确认所述待检测图像为活体人脸图像。
步骤D4，若多个所述检测结果不都大于阈值，则确认所述待检测图像为非活体人脸图像。
多个待识别图像的数量可根据检测精度进行设定。待识别图像的数量越多，活体检测的检测精度越高。待识别图像的数量越少，活体检测的检测精度越低，但计算量较大。故待识别图像的数量可根据检测精度以及计算量综合考量，进行设定。
为了更直观得对比步骤C1至步骤C2与步骤D3至步骤D4之间的检测精度，对两者进行如下对比：若步骤C1至步骤C2被非活体攻击成功的概率为p(p小于1)，则步骤D3至步骤D4被非活体攻击成功的概率为pk(k为目标待识别图像的数量)。即步骤D3至步骤D4可将被非活体攻击成功的概率进行指数级下降。
在本实施例中，仅采用初始模型中的第一分支网络，进行活体检测。由于第一分支网络中的第二卷积网络通过第一分支网络和所述第二分支网络联合训练第一分支网络而来。故保证了优良的检测精度，又减少了不必要的计算量，提高了活体检测效率。
如图11本申请提供了一种活体检测模型的训练装置11，请参见图11，图11示出了本申请提供的一种活体检测模型的训练装置的示意图，如图11所示一种活体检测模型的训练装置，包括：
第一获取单元111，用于获取初始模型以及样本数据组；所述初始模型包括第一卷积网络、第二卷积网络以及第三卷积网络；所述第一卷积网络和所述第二卷积网络构成第一分支网络；所述第一卷积网络和所述第三卷积网络构成第二分支网络；
训练单元112，用于将所述样本数据组输入所述第一分支网络和所述第二分支网络，计算联合损失函数，根据所述联合损失函数训练所述第二卷积网络，得到训练后的第二卷积网络；
裁剪单元113，用于将所述第一卷积网络和所述训练后的第二卷积网络，作为目标活体检测模型。
本申请提供的一种活体检测模型的训练装置，通过初始模型中的第一分支网络和所述第二分支网络联合训练第一分支网络中的第二卷积网络。并将第一卷积网络和训练后的第二卷积网络，作为目标活体检测模型。由于在上述过程中，第二分支网络中的第三卷积网络仅用于辅助训练第二卷积网络，故保证了目标活体检测模型优良的检测精度，又减少了不必要的计算量，提高了活体检测效率。
如图12本申请提供了一种活体检测的装置12，所述装置应用于接入点设备，请参见图12，图12示出了本申请提供的一种活体检测的装置的示意图，如图12所示一种活体检测的装置，包括：
第二获取单元121，用于获取待检测图像；
检测单元122，用于将所述待检测图像输入目标活体检测模型中，得到由所述目标活体检测模型输出的检测结果；所述检测结果用于表征所述待检测图像为活体人脸图像的概率；所述目标活体检测模型为初始模型中的第一分支网络，所述第一分支网络包括第一卷积网络和第二卷积网络；所述初始模型中还包括第二分支网络；所述第一分支网络和所述第二分支网络用于联合训练所述第二卷积网络；
判断单元123，用于根据所述检测结果，确定所述待检测图像是否为活体人脸图像。
本申请提供的一种活体检测的装置，仅采用初始模型中的第一分支网络，进行活体检测。由于第一分支网络中的第二卷积网络通过第一分支网络和所述第二分支网络联合训练第一分支网络而来。故保证了优良的检测精度，又减少了不必要的计算量，提高了活体检测效率。
图13是本发明一实施例提供的一种终端设备的示意图。如图13所示，该实施例的一种终端设备13包括：处理器131、存储器132以及存储在所述存储器132中并可在所述处理器131上运行的计算机程序133，例如一种活体检测模型的训练程序。所述处理器131执行所述计算机程序133时实现上述各个一种活体检测模型的训练方法实施例中的步骤，例如图1所示的步骤101至步骤103。或者，所述处理器131执行所述计算机程序134时实现上述各装置实施例中各单元的功能，例如图11所示单元111至113的功能。
示例性的，所述计算机程序133可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器132中，并由所述处理器131执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序133在所述一种终端设备13中的执行过程。例如，所述计算机程序133可以被分割成各单元具体功能如下：
第一获取单元，用于获取初始模型以及样本数据组；所述初始模型包括第一卷积网络、第二卷积网络以及第三卷积网络；所述第一卷积网络和所述第二卷积网络构成第一分支网络；所述第一卷积网络和所述第三卷积网络构成第二分支网络；
训练单元，用于将所述样本数据组输入所述第一分支网络和所述第二分支网络，计算联合损失函数，根据所述联合损失函数训练所述第二卷积网络，得到训练后的第二卷积网络；
裁剪单元，用于将所述第一卷积网络和所述训练后的第二卷积网络，作为目标活体检测模型。
所述终端设备中包括但不限于处理器131、存储器132。本领域技术人员可以理解，图13仅仅是一种终端设备13的示例，并不构成对一种终端设备13的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种终端设备设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器131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。
所述存储器132可以是所述一种终端设备13的内部存储单元，例如一种终端设备13的硬盘或内存。所述存储器132也可以是所述一种终端设备13的外部存储设备，例如所述一种终端设备13上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器132还可以既包括所述一种终端设备13的内部存储单元也包括外部存储设备。所述存储器132用于存储所述计算机程序以及所述一种终端设备所需的其他程序和数据。所述存储器132还可以用于暂时地存储已经输出或者将要输出的数据。
图14是本发明一实施例提供的一种活体检测设备的示意图。如图14所示，该实施例的一种活体检测设备14包括：摄像模块141、处理器142、存储器143以及存储在所述存储器143中并可在所述处理器142上运行的计算机程序144，例如一种活体检测的程序。所述处理器142执行所述计算机程序144时实现上述各个一种活体检测的方法实施例中的步骤，例如图7所示的步骤701至步骤703。或者，所述处理器142执行所述计算机程序144时实现上述各装置实施例中各单元的功能，例如图12所示单元121至123的功能。
示例性的，所述计算机程序144可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器143中，并由所述处理器142执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序144在所述一种活体检测设备14中的执行过程。例如，所述计算机程序144可以被分割成各单元的具体功能如下：
第二获取单元，用于获取待检测图像；
检测单元，用于将所述待检测图像输入目标活体检测模型中，得到由所述目标活体检测模型输出的检测结果；所述检测结果用于表征所述待检测图像为活体人脸图像的概率；所述目标活体检测模型为初始模型中的第一分支网络，所述第一分支网络包括第一卷积网络和第二卷积网络；所述初始模型中还包括第二分支网络；所述第一分支网络和所述第二分支网络用于联合训练所述第二卷积网络；
判断单元，用于根据所述检测结果，确定所述待检测图像是否为活体人脸图像。
所述活体检测设备可以是打卡机、移动终端、笔记本电脑以及平板电脑等具有人脸检测功能的设备。所述活体检测设备中包括但不限于摄像模块141、处理器142、存储器143。本领域技术人员可以理解，图14仅仅是一种活体检测设备14的示例，并不构成对一种活体检测设备14的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种活体检测设备还可以包括输入输出设备、网络接入设备、总线等。
所述设备模块141用于采集图像信息。
所述处理器142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。
所述存储器143可以是所述一种活体检测设备14的内部存储单元，例如一种活体检测设备14的硬盘或内存。所述存储器143也可以是所述一种活体检测设备14的外部存储设备，例如所述一种活体检测设备14上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器143还可以既包括所述一种活体检测设备14的内部存储单元也包括外部存储设备。所述存储器143用于存储所述计算机程序以及所述一种活体检测设备所需的其他程序和数据。所述存储器143还可以用于暂时地存储已经输出或者将要输出的数据。
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，而不应对本申请实施例的实施过程构成任何限定。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
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。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/活体检测设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地，短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (14)

1.一种活体检测模型的训练方法，其特征在于，所述训练方法包括：
获取初始模型以及样本数据组；所述初始模型包括第一卷积网络、第二卷积网络以及第三卷积网络；所述第一卷积网络和所述第二卷积网络构成第一分支网络；所述第一卷积网络和所述第三卷积网络构成第二分支网络；
将所述样本数据组输入所述第一分支网络和所述第二分支网络，计算联合损失函数，根据所述联合损失函数训练所述第二卷积网络，得到训练后的第二卷积网络；
将所述第一卷积网络和所述训练后的第二卷积网络，作为目标活体检测模型。
2.如权利要求1所述方法，其特征在于，所述样本数据组包括样本图像、所述样本图像对应的原始傅里叶频谱图以及所述样本图像对应的标注信息；所述标注信息用于标注所述样本图像的图像类型；所述图像类型包括活体人脸图像和非活体人脸图像；
所述将所述样本数据输入所述第一分支网络和所述第二分支网络，计算联合损失函数，根据所述联合损失函数训练所述第二卷积网络，得到训练后的第二卷积网络，包括：
每个所述样本数据组循环执行如下步骤，得到所述训练后的第二卷积网络；
所述如下步骤，包括：
将所述样本图像输入所述第一卷积网络，得到由所述第一卷积网络输出的特征数据；
将所述特征数据输入第二卷积网络，得到由所述第二卷积网络输出的预测结果；
计算所述预测结果与所述标注信息之间的第一损失函数；
将所述特征数据输入第三卷积网络，得到由所述第三卷积网络输出的预测傅里叶频谱图；
计算所述预测傅里叶频谱图与所述原始傅里叶频谱图之间的第二损失函数；
将所述第一损失函数和所述第二损失函数，作为所述联合损失函数；
根据所述联合损失函数，更新所述第二卷积网络的参数。
3.如权利要求1所述方法，其特征在于，所述样本数据组包括样本图像、所述样本图像对应的原始傅里叶频谱图以及所述样本图像对应的标注信息；
所述获取初始模型以及样本数据组，包括；
获取第一原始图像；
检测所述第一原始图像中的人脸区域，获取所述人脸区域对应的所述样本图像；
根据所述样本图像，计算所述样本图像原始傅里叶频谱图。
4.如权利要求1所述方法，其特征在于，所述根据所述样本图像，计算所述样本图像原始傅里叶频谱图，包括：
计算所述样本图像的初始傅里叶频谱；
将所述初始傅里叶频谱进行归一化处理；
将归一化后的所述初始傅里叶频谱的尺寸缩小至第一预设尺寸，得到所述原始傅里叶频谱。
5.如权利要求3所述方法，其特征在于，所述检测所述第一原始图像中的人脸区域，获取所述人脸区域对应的所述样本图像，包括：
通过人脸检测模型，得到所述第一原始图像的第一人脸框；所述第一人脸框用于标注人脸区域；
将所述第一人脸框的尺寸放大至第二预设尺寸，得到放大后的第一人脸框；
在所述第一原始图像中截取所述放大后的第一人脸框对应的区域，得到第二原始图像；
将所述第二原始图像的尺寸缩小至第三预设尺寸，得到所述样本图像。
6.一种活体检测的方法，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目标活体检测模型中，得到由所述目标活体检测模型输出的检测结果；所述检测结果用于表征所述待检测图像为活体人脸图像的概率；所述目标活体检测模型为初始模型中的第一分支网络，所述第一分支网络包括第一卷积网络和第二卷积网络；所述初始模型中还包括第二分支网络；所述第一分支网络和所述第二分支网络用于联合训练所述第二卷积网络；
根据所述检测结果，确定所述待检测图像是否为活体人脸图像。
7.如权利要求6所述方法，其特征在于，所述获取待检测图像，包括：
获取第三原始图像；
通过人脸检测模型，得到所述第三原始图像的第二人脸框；所述第二人脸框用于标注人脸区域；
将所述第二人脸框的尺寸放大至第四预设尺寸，得到放大后的第二人脸框；
在所述第三原始图像中截取所述放大后的第二人脸框对应的区域，得到第四原始图像；
将所述第四原始图像的尺寸缩小至第五预设尺寸，得到所述待检测图像。
8.如权利要求6所述方法，其特征在于，所述根据所述检测结果，确定所述待检测图像是否为活体人脸图像，包括：
若所述检测结果大于阈值，则确认所述待检测图像为活体人脸图像；
若所述检测结果不大于阈值，则确认所述待检测图像为非活体人脸图像。
9.如权利要求6所述方法，其特征在于，所述获取待检测图像，包括：
获取多个待检测图像；
所述将所述待检测图像输入目标活体检测模型中，得到由所述目标活体检测模型输出的检测结果，包括：
依次将所述多个待检测图像输入所述目标活体检测模型中，得到由所述目标活体检测模型输出的所述多个待检测图像各自对应的检测结果；
所述根据所述检测结果，确定所述待检测图像是否为活体人脸图像，包括：
若多个所述检测结果都大于阈值，则确认所述待检测图像为活体人脸图像；
若多个所述检测结果不都大于阈值，则确认所述待检测图像为非活体人脸图像。
10.一种活体检测模型的训练装置，其特征在于，所述训练装置包括：
第一获取单元，用于获取初始模型以及样本数据组；所述初始模型包括第一卷积网络、第二卷积网络以及第三卷积网络；所述第一卷积网络和所述第二卷积网络构成第一分支网络；所述第一卷积网络和所述第三卷积网络构成第二分支网络；
训练单元，用于将所述样本数据组输入所述第一分支网络和所述第二分支网络，计算联合损失函数，根据所述联合损失函数训练所述第二卷积网络，得到训练后的第二卷积网络；
裁剪单元，用于将所述第一卷积网络和所述训练后的第二卷积网络，作为目标活体检测模型。
11.一种活体检测的装置，其特征在于，所述装置包括：
第二获取单元，用于获取待检测图像；
检测单元，用于将所述待检测图像输入目标活体检测模型中，得到由所述目标活体检测模型输出的检测结果；所述检测结果用于表征所述待检测图像为活体人脸图像的概率；所述目标活体检测模型为初始模型中的第一分支网络，所述第一分支网络包括第一卷积网络和第二卷积网络；所述初始模型中还包括第二分支网络；所述第一分支网络和所述第二分支网络用于联合训练所述第二卷积网络；
判断单元，用于根据所述检测结果，确定所述待检测图像是否为活体人脸图像。
12.一种终端设备，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5任一项所述方法的步骤。
13.一种活体检测设备，包括摄像模块、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6至9任一项所述方法的步骤。
14.一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5或权利要求6至9任一项所述方法的步骤。
CN202110245292.5A 2021-03-05 2021-03-05 一种活体检测模型的训练方法及训练装置 Active CN113158773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110245292.5A CN113158773B (zh) 2021-03-05 2021-03-05 一种活体检测模型的训练方法及训练装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110245292.5A CN113158773B (zh) 2021-03-05 2021-03-05 一种活体检测模型的训练方法及训练装置

Publications (2)

Publication Number Publication Date
CN113158773A true CN113158773A (zh) 2021-07-23
CN113158773B CN113158773B (zh) 2024-03-22

Family

ID=76884329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110245292.5A Active CN113158773B (zh) 2021-03-05 2021-03-05 一种活体检测模型的训练方法及训练装置

Country Status (1)

Country Link
CN (1) CN113158773B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627534A (zh) * 2022-03-15 2022-06-14 平安科技（深圳）有限公司 活体判别方法及电子设备、存储介质
CN115147705A (zh) * 2022-09-06 2022-10-04 平安银行股份有限公司 人脸翻拍检测方法、装置、电子设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201520316D0 (en) * 2014-11-24 2015-12-30 Boeing Co Detecting and removing spoofing signals
CN107818313A (zh) * 2017-11-20 2018-03-20 腾讯科技（深圳）有限公司 活体识别方法、装置、存储介质和计算机设备
CN109684993A (zh) * 2018-12-21 2019-04-26 普联技术有限公司 一种基于鼻孔信息的人脸识别方法、***和设备
WO2019152983A2 (en) * 2018-02-05 2019-08-08 Board Of Trustees Of Michigan State University System and apparatus for face anti-spoofing via auxiliary supervision
CN110610237A (zh) * 2019-09-17 2019-12-24 普联技术有限公司 模型的量化训练方法、装置及存储介质
WO2020063475A1 (zh) * 2018-09-25 2020-04-02 清华大学 基于深度学习迭代匹配的6d姿态估计网络训练方法及装置
CN111382646A (zh) * 2018-12-29 2020-07-07 Tcl集团股份有限公司 一种活体识别方法、存储介质及终端设备
CN111814574A (zh) * 2020-06-12 2020-10-23 浙江大学 应用双分支三维卷积模型的人脸活体检测***、终端及存储介质
CN111860078A (zh) * 2019-04-30 2020-10-30 北京眼神智能科技有限公司 人脸静默活体检测方法、装置、可读存储介质及设备
CN111914758A (zh) * 2020-08-04 2020-11-10 成都奥快科技有限公司 一种基于卷积神经网络的人脸活体检测方法及装置
CN112329696A (zh) * 2020-11-18 2021-02-05 携程计算机技术（上海）有限公司 人脸活体检测方法、***、设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201520316D0 (en) * 2014-11-24 2015-12-30 Boeing Co Detecting and removing spoofing signals
CN107818313A (zh) * 2017-11-20 2018-03-20 腾讯科技（深圳）有限公司 活体识别方法、装置、存储介质和计算机设备
WO2019152983A2 (en) * 2018-02-05 2019-08-08 Board Of Trustees Of Michigan State University System and apparatus for face anti-spoofing via auxiliary supervision
WO2020063475A1 (zh) * 2018-09-25 2020-04-02 清华大学 基于深度学习迭代匹配的6d姿态估计网络训练方法及装置
CN109684993A (zh) * 2018-12-21 2019-04-26 普联技术有限公司 一种基于鼻孔信息的人脸识别方法、***和设备
CN111382646A (zh) * 2018-12-29 2020-07-07 Tcl集团股份有限公司 一种活体识别方法、存储介质及终端设备
CN111860078A (zh) * 2019-04-30 2020-10-30 北京眼神智能科技有限公司 人脸静默活体检测方法、装置、可读存储介质及设备
CN110610237A (zh) * 2019-09-17 2019-12-24 普联技术有限公司 模型的量化训练方法、装置及存储介质
CN111814574A (zh) * 2020-06-12 2020-10-23 浙江大学 应用双分支三维卷积模型的人脸活体检测***、终端及存储介质
CN111914758A (zh) * 2020-08-04 2020-11-10 成都奥快科技有限公司 一种基于卷积神经网络的人脸活体检测方法及装置
CN112329696A (zh) * 2020-11-18 2021-02-05 携程计算机技术（上海）有限公司 人脸活体检测方法、***、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WENYUN SUN 等: "Face Spoofing Detection Based on Local Ternary Label Supervision in Fully Convolutional Networks", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》, vol. 15, 3 April 2020 (2020-04-03), pages 3181, XP011784552, DOI: 10.1109/TIFS.2020.2985530 *
杨成: "基于卷积神经网络的人脸活体检测方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2021, 15 February 2021 (2021-02-15), pages 138 - 1806 *
陈浩楠: "基于光照一致化和上下文感知的人脸活体检测算法研究", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 2021, 15 January 2021 (2021-01-15), pages 138 - 255 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627534A (zh) * 2022-03-15 2022-06-14 平安科技（深圳）有限公司 活体判别方法及电子设备、存储介质
CN115147705A (zh) * 2022-09-06 2022-10-04 平安银行股份有限公司 人脸翻拍检测方法、装置、电子设备及存储介质
CN115147705B (zh) * 2022-09-06 2023-02-03 平安银行股份有限公司 人脸翻拍检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113158773B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN110705405B (zh) 目标标注的方法及装置
CN107622240B (zh) 人脸检测方法和装置
US20200110965A1 (en) Method and apparatus for generating vehicle damage information
US20210004587A1 (en) Image detection method, apparatus, device and storage medium
CN109977832B (zh) 一种图像处理方法、装置及存储介质
CN110941978B (zh) 一种未识别身份人员的人脸聚类方法、装置及存储介质
CN110399847B (zh) 关键帧提取方法、装置及电子设备
CN108241855B (zh) 图像生成方法和装置
CN113158773B (zh) 一种活体检测模型的训练方法及训练装置
CN112149615A (zh) 人脸活体检测方法、装置、介质及电子设备
CN113255516A (zh) 活体检测方法、装置和电子设备
CN111325709A (zh) 无线胶囊内窥镜图像检测***及检测方法
CN112149570A (zh) 多人活体检测方法、装置、电子设备及存储介质
CN109165572B (zh) 用于生成信息的方法和装置
CN109064464B (zh) 用于检测电池极片毛刺的方法和装置
CN113780469A (zh) 图像识别模型的训练方法、介质、装置和计算设备
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN110349108B (zh) 处理图像的方法、装置、电子设备、及存储介质
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN111898529B (zh) 脸部检测方法、装置、电子设备和计算机可读介质
US20220122341A1 (en) Target detection method and apparatus, electronic device, and computer storage medium
CN113705666B (zh) 分割网络训练方法、使用方法、装置、设备及存储介质
CN112989869B (zh) 人脸质量检测模型的优化方法、装置、设备及存储介质
CN113361426A (zh) 车辆定损图像获取方法、介质、装置和电子设备
CN112995488B (zh) 高解析度视频图像处理方法、装置及电子设备

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