CN116363717A - 假体攻击检测模型的训练方法、***、设备及存储介质 - Google Patents
假体攻击检测模型的训练方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN116363717A CN116363717A CN202111602897.1A CN202111602897A CN116363717A CN 116363717 A CN116363717 A CN 116363717A CN 202111602897 A CN202111602897 A CN 202111602897A CN 116363717 A CN116363717 A CN 116363717A
- Authority
- CN
- China
- Prior art keywords
- layer
- attack
- face
- infrared image
- detection model
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000011176 pooling Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000010606 normalization Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 21
- 230000008859 change Effects 0.000 description 9
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000029152 Small face Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种假体攻击检测模型的训练方法、***、设备及存储介质，包括：采集的真实人脸的红外图像，将所述真实人脸的红外图像进行标注后生成正样本训练集；采集攻击相片的红外图像，将所述攻击相片的红外图像进行标注后生成负样本训练集；根据所述负样本训练集和所述正样本训练集对预设置的卷积神经网络模型进行训练生成假体攻击检测模型。本发明中通过假体攻击检测模型对输入目标人脸的红外图像进行活体检测，假体攻击检测模型包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层，显著降低了模型的复杂度，便于模型的推广应用。
Description
技术领域
本发明涉及活体检测，具体地，涉及一种假体攻击检测模型的训练方法、***、设备及存储介质。
背景技术
现在市面上大多数反攻击算法都是基于卷积网络，在多层卷积网络后添加一个全连接层。有很多算法对输入数据进行了预处理，其中包括在输入的人脸图片中取若干个小的人脸样本，然后将这些样本分别输入学习网络，得到对于样本的输出，最后再分析结果。
但是考虑到卷积本身就是一个取模块的过程，因此预判取多模块的这一预处理过程或许是一个冗余。因此提供一个简便的基于全卷积模型的人脸识别2D纸面攻击的算法。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种假体攻击检测模型的训练方法、***、设备及存储介质。
根据本发明提供的假体攻击检测模型的训练方法，包括如下步骤：
步骤M1：采集的真实人脸的红外图像，将所述真实人脸的红外图像进行标注后生成正样本训练集；
步骤M2：采集攻击相片的红外图像，将所述攻击相片的红外图像进行标注后生成负样本训练集；
步骤M3：根据所述负样本训练集和所述正样本训练集对预设置的卷积神经网络模型进行训练生成假体攻击检测模型。
优选地，所述步骤M1包括如下步骤：
步骤M101：将所述真实人脸的红外图像进行人脸检测确定第一人脸区域；
步骤M102：将所述第一人脸区域裁剪出生成一正样本；
步骤M103：重复执行步骤M101至步骤M102，生成所述正样本训练集；
所述步骤M2包括如下步骤：
步骤M201：将所述攻击相片的红外图像进行人脸检测确定第二人脸区域；
步骤M202：将所述第二人脸区域进行裁剪后生成一负样本；
步骤M203：重复执行步骤M201至步骤M202，生成所述负样本训练集。
优选地，所述假体攻击检测模型包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层；
所述输入层、多个所述卷积处理模块、所述最大池化层、所述第一2D卷积层以及所述输出层顺次连接；
所述卷积处理模块包括第二2D卷积层、批量归一化层以及ReLU激活层；所述第二2D卷积层、所述批量归一化层以及所述ReLU激活层顺次连接。
优选地，所述输出层的输出为N×N的矩阵，当根据所述N×N的矩阵生成所述攻击检测结果时，
对所述N×N的矩阵中每一输出特征值分别设置一权重值，其中位于所述矩阵中央的输出特征值的权重值大于位于所述矩阵周边的输出特征值的权重值。
优选地，对所述输出层的输出为N×N的矩阵中的每一输出特征值根据预设置的第一阈值进行活体判断，并生成大于所述第一阈值的输出特征值数量；
根据所述输出特征值数量生成所述输出特征值数量占所述N×N的矩阵中的输出特征值总量的比例值；
根据所述比例值与预设置的第二阈值相比较确定所述图像对应的目标人脸是否为活体。
优选地，所述假体攻击检测模型包括输入层、多个卷积处理模块、第一2D卷积层、第一批量归一化层、第二2D卷积层、sigmoid函数层以及输出层；
所述输入层、多个所述卷积处理模块、所述第一2D卷积层、所述第一批量归一化层、所述第二2D卷积层、所述sigmoid函数层以及所述输出层顺次连接；
所述卷积处理模块包括第三2D卷积层、第二批量归一化层以及ReLU激活层；所述第二2D卷积层、所述批量归一化层以及所述ReLU激活层顺次连接。
优选地，所述假体攻击检测模型的训练过程包括如下步骤：
步骤M1：采集的真实人脸的红外图像，将所述真实人脸的红外图像进行标注后生成正样本训练集；
步骤M2：采集攻击相片的红外图像，将所述攻击相片的红外图像进行标注后生成负样本训练集；
步骤M3：根据所述负样本训练集和所述正样本训练集对预设置的卷积神经网络模型进行训练生成假体攻击检测模型。
优选地，所述假体攻击检测模型使用时包括如下步骤：
步骤S101：获取目标人脸的红外图像，将所述目标人脸的红外图像输入预训练的假体攻击检测模型；
步骤S102：通过所述假体攻击检测模型判断所述红外图像的人脸像素区域是否为活体人脸图像，并生成活体检测结果；
步骤S103：当所述活体检测结果中活体人脸图像的概率大于假体攻击图像的概率时，认定所述人脸像素区域为活体人脸图像，否则认定所述人脸像素区域为假体人脸图像。
根据本发明提供的假体攻击检测***，包括如下模块：
正样本生成模块，用于采集的真实人脸的红外图像，将所述真实人脸的红外图像进行标注后生成正样本训练集；
负样本生成模块：采集攻击相片的红外图像，将所述攻击相片的红外图像进行标注后生成负样本训练集；
模型训练模块，用于根据所述负样本训练集和所述正样本训练集对预设置的卷积神经网络模型进行训练生成假体攻击检测模型。
根据本发明提供的假体攻击检测设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行所述的假体攻击检测模型的训练方法步骤。
根据本发明提供的计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的假体攻击检测模型的训练方法步骤。
与现有技术相比，本发明具有如下的有益效果：
本发明中训练生成的假体攻击检测模型能够对输入目标人脸的红外图像进行活体检测，假体攻击检测模型仅包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层，显著降低了模型的复杂度，便于模型的推广应用；
本发明中对输出层的输出为N×N的矩阵中每一输出特征值分别设置一权重值，其中位于所述矩阵中央的输出特征值的权重值大于位于所述矩阵周边的输出特征值的权重值，从而提供了假体攻击检测判断的准确性；
本发明根据所述输出特征值数量生成所述输出特征值数量占所述N×N的矩阵中的输出特征值总量的比例值，根据所述比例值与预设置的第二阈值相比较确定所述图像对应的目标人脸是否为活体，不仅能够应对不同分辨率的红外图像输入，而且能够在全假攻击来训练下，适用于非全脸攻击。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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发明的实施例，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，还可以根据提供的附图获得其他的附图。通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例中假体攻击检测模型的训练方法步骤流程图；
图2为本发明实施例中通过假体攻击检测模型进行假体检测的步骤流程图；
图3为本发明实施例中生成正样本训练集的步骤流程图；
图4为本发明实施例中假体攻击检测模型的模块示意图；
图5为本发明变形例中假体攻击检测模型的模块示意图；
图6为本发明实施例中假体攻击检测模型的损失变化示意图；
图7为本发明实施例中输入图像中每个特征的损失值的变化过程示意图；
图8为本发明实施例中取固定权重矩阵前的EER变化过程示意图；
图9为本发明实施例中取固定权重矩阵后的EER的变化过程示意图；
图10为本发明实施例中P1取0.5的FAR和FRR变化过程示意图；
图11为本发明变形例中假体攻击检测模型中FAR和FRR的变化过程示意图；
图12为本发明实施例中阈值P1、P2与EER的变化过程示意图；
图13为本发明实施例中在最优阈值P1、P2下的FAR和FRR变化过程示意图；
图14为本发明实施例中假体攻击检测模型的应用实例示意图；
图15为本发明实施例中假体攻击检测***的模块示意图；
图16为本发明实施例中假体攻击检测设备的结构示意图；
图17为本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。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单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，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单元。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图1为本发明实施例中假体攻击检测模型的训练方法步骤流程图，如图1所示，本发明提供的假体攻击检测模型的训练方法，包括如下步骤：
步骤M1：采集的真实人脸的红外图像，将所述真实人脸的红外图像进行标注后生成正样本训练集；
步骤M2：采集攻击相片的红外图像，将所述攻击相片的红外图像进行标注后生成负样本训练集；
步骤M3：根据所述负样本训练集和所述正样本训练集对预设置的卷积神经网络模型进行训练生成假体攻击检测模型。
在本发明实施例中，图3为本发明实施例中生成正样本训练集的步骤流程图，如图3所示，所述步骤M1包括如下步骤：
步骤M101：将所述真实人脸的红外图像进行人脸检测确定第一人脸区域；
步骤M102：将所述第一人脸区域裁剪出生成一正样本；
步骤M103：重复执行步骤M101至步骤M102，生成所述正样本训练集；
所述步骤M2包括如下步骤：
步骤M201：将所述攻击相片的红外图像进行人脸检测确定第二人脸区域；
步骤M202：将所述第二人脸区域进行裁剪后生成一负样本；
步骤M203：重复执行步骤M201至步骤M202，生成所述负样本训练集。
图2为本发明实施例中通过假体攻击检测模型进行假体检测的步骤流程图，如图2所示，包括如下步骤：
步骤S101：获取目标人脸的红外图像，将所述目标人脸的红外图像输入预训练的假体攻击检测模型；
步骤S102：通过所述假体攻击检测模型判断所述红外图像的人脸像素区域是否为活体人脸图像，并生成活体检测结果；
步骤S103：当所述活体检测结果中活体人脸图像的概率大于假体攻击图像的概率时，认定所述人脸像素区域为活体人脸图像，否则认定所述人脸像素区域为假体人脸图像。
图4为本发明实施例中假体攻击检测模型的模块示意图，如图4所示，所述假体攻击检测模型包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层；
所述输入层、多个所述卷积处理模块、所述最大池化层、所述第一2D卷积层以及所述输出层顺次连接；
所述卷积处理模块包括第二2D卷积层、批量归一化层以及ReLU激活层；所述第二2D卷积层、所述批量归一化层以及所述ReLU激活层顺次连接。
在本发明实施例中，在得到6×6的特征图之后，采用全局平均来判断一个输入红外图像是活体人脸还是假体人脸。把训练目标定为活体人脸：6×6的全1矩阵；假体人脸：6×6的全0矩阵，采用MSE(Mean Squared Error)作为损失函数。
图6为本发明实施例中假体攻击检测模型的损失变化示意图，如图6所示，随着训练时间的增加，所述假体攻击检测模型的准确度逐渐提升。图7为本发明实施例中输入图像中每个特征的损失值的变化过程示意图，如图7所示，可以观察到，周围一圈特别是四个角的特征的损失值相对更高，而且变化较平均。由于前面提到全卷积网络的所输出的特征图中的每一个特征对应的是原图相对应区域的特征，转而由学习网络提取了信息，因此周围一圈所采集到的更多是背景环境干扰，而不是实际的人脸。
另一个观察是，下侧边中间的四个特征的损失也是比较低的，这应该是对应人脸图片中的脖子部分。左侧和右侧有些时候是背景，而上侧有很大概率会是头发。以此分析为什么下侧中间的特征和中心4×4的特征的损失基本都下探到了0.05以下，但其他侧边区域的却较高。
因此在本发明实施例中，所述输出层的输出为N×N的矩阵，当根据所述N×N的矩阵生成所述攻击检测结果时，
对所述N×N的矩阵中每一输出特征值分别设置一权重值，其中位于所述矩阵中央的输出特征值的权重值大于位于所述矩阵周边的输出特征值的权重值。
由此，根据四个角的特征权重小于四边的特征权重，四边的特征权重小于中心的特征权重这一规律，在计算输出结果时，可以取一个固定的权重矩阵，如下所示：
图8为本发明实施例中取固定权重矩阵前的EER变化过程示意图，图9为本发明实施例中取固定权重矩阵后的EER的变化过程示意图，如图8、图9所示，取固定权重矩阵的方法确实取得了明显的效果，假体攻击检测模型的EER(Equal Error Rate)在添加了权重矩阵之后下降了约1.2％。
在本发明实施例中，对所述输出层的输出为N×N的矩阵中的每一输出特征值根据预设置的第一阈值P1进行活体判断，并生成大于所述第一阈值的输出特征值数量；
根据所述输出特征值数量生成所述输出特征值数量占所述N×N的矩阵中的输出特征值总量的比例值；
根据所述比例值与预设置的第二阈值P2相比较确定所述图像对应的目标人脸是否为活体。
该方法能够应对不同分辨率的红外图像输入，由于卷积的过程不需要固定输入的尺寸，所以对于更大分辨率的红外图像，可以用同一个训练过的网络，输出更大的特征图，然后采用同样的判断方法获取结果。全卷积网络还有一个优势是可以对原图进行自主分割。比如2D卷积输出的每一个特征都是对应原图最大31×31区域的读取和判断，所以可以用全假攻击来训练，然后使用不同的判断方法来应对非全脸攻击。比如降低P2的值，这样如果输出的特征图有一部分均为假，很可能原图对应部分也为假，如此来应对非全脸攻击。
图10为本发明实施例中P1取0.5的FAR(False Acceptance Rate)和FRR(FalseRejection Rate)变化过程示意图，如图10所示，P2不再平均了，并且P2值高说明活体人脸的拟合分数非常接近与1，而假体分散的相对混乱一些。
图5为本发明变形例中假体攻击检测模型的模块示意图，如图5所示，所述假体攻击检测模型包括输入层、多个卷积处理模块、第一2D卷积层、第一批量归一化层、第二2D卷积层、sigmoid函数层以及输出层；
所述输入层、多个所述卷积处理模块、所述第一2D卷积层、所述第一批量归一化层、所述第二2D卷积层、所述sigmoid函数层以及所述输出层顺次连接；
所述卷积处理模块包括第三2D卷积层、第二批量归一化层以及ReLU激活层；所述第二2D卷积层、所述批量归一化层以及所述ReLU激活层顺次连接。
图11为本发明变形例中假体攻击检测模型中FAR和FRR的变化过程示意图，如图11所示，将网络扩大到最大64通道，去掉了最后一个ReLU激活，并且除了最后一层卷积，其余所有卷积的步长(stride)都换成了2，模型的输出仍然是6×6的特征图，总输出特征值数量增加到了约2万。使用同样的训练集和测试集，在P1＝0.5的时候EER已经可以降低到约1％，随后在4000张随机的测试集上EER已经能够降低到1％以下。
图12为本发明实施例中阈值P1、P2与EER的变化过程示意图，图13为本发明实施例中在最优阈值P1、P2下的FAR和FRR变化过程示意图，如图12、图13所示，当阈值P1在0.95附近时，EER可以取到最低值，虽然这个最低值并不一定是全局最低值，但由图我们可以推断，全局最低值几乎也只可能出现在此处。于是通过调整P1轴的取值范围，慢慢缩小区间，最后得到P1＝0.960的时候，P2＝0.306可以取到EER＝0.07％，实际上此时的FRR和FAR分别为0.05％和0.10％。
图14为本发明实施例中假体攻击检测模型的应用实例示意图，如图14所示，可以注意到比如左下角的打印图片中，虽然特征图的一些区域是偏白色的(接近1)，但是总输出的分数仍然是0。这是由于阈值P1＝0.96非常高，所以这些点仍然被判断为假点。
图15为本发明实施例中假体攻击检测***的模块示意图，如图15所示，本发明提供的假体攻击检测***，包括如下模块：
正样本生成模块，用于采集的真实人脸的红外图像，将所述真实人脸的红外图像进行标注后生成正样本训练集；
负样本生成模块：采集攻击相片的红外图像，将所述攻击相片的红外图像进行标注后生成负样本训练集；
模型训练模块，用于根据所述负样本训练集和所述正样本训练集对预设置的卷积神经网络模型进行训练生成假体攻击检测模型。
本发明实施例中还提供一种假体攻击检测设备，包括处理器。存储器，其中存储有处理器的可执行指令。其中，处理器配置为经由执行可执行指令来执行的假体攻击检测模型的训练方法步骤。
如上，该实施例中训练生成的假体攻击检测模型能够对输入目标人脸的红外图像进行活体检测，假体攻击检测模型仅包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层，显著降低了模型的复杂度，便于模型的推广应用。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为***、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
图16是本发明实施例中的假体攻击检测设备的结构示意图。下面参照图16来描述根据本发明的这种实施方式的电子设备600。图16显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图16所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述假体攻击检测模型的训练方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图16中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储平台等。
本发明实施例中还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的假体攻击检测模型的训练方法步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述假体攻击检测模型的训练方法部分中描述的根据本发明各种示例性实施方式的步骤。
如上所示，该实施例的计算机可读存储介质的程序在执行时，本训练生成的假体攻击检测模型能够对输入目标人脸的红外图像进行活体检测，假体攻击检测模型仅包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层，显著降低了模型的复杂度，便于模型的推广应用。
图17是本发明实施例中的计算机可读存储介质的结构示意图。参考图17所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例中本发明中训练生成的假体攻击检测模型能够对输入目标人脸的红外图像进行活体检测，假体攻击检测模型仅包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层，显著降低了模型的复杂度，便于模型的推广应用；通过对输出层的输出为N×N的矩阵中每一输出特征值分别设置一权重值，其中位于所述矩阵中央的输出特征值的权重值大于位于所述矩阵周边的输出特征值的权重值，从而提供了假体攻击检测判断的准确性；根据所述输出特征值数量生成所述输出特征值数量占所述N×N的矩阵中的输出特征值总量的比例值，根据所述比例值与预设置的第二阈值相比较确定所述图像对应的目标人脸是否为活体，不仅能够应对不同分辨率的红外图像输入，而且能够在全假攻击来训练下，适用于非全脸攻击。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (10)
1.一种假体攻击检测模型的训练方法，其特征在于，包括如下步骤：
步骤M1：采集的真实人脸的红外图像，将所述真实人脸的红外图像进行标注后生成正样本训练集；
步骤M2：采集攻击相片的红外图像，将所述攻击相片的红外图像进行标注后生成负样本训练集；
步骤M3：根据所述负样本训练集和所述正样本训练集对预设置的卷积神经网络模型进行训练生成假体攻击检测模型。
2.根据权利要求1所述的假体攻击检测模型的训练方法，其特征在于，所述步骤M1包括如下步骤：
步骤M101：将所述真实人脸的红外图像进行人脸检测确定第一人脸区域；
步骤M102：将所述第一人脸区域裁剪出生成一正样本；
步骤M103：重复执行步骤M101至步骤M102，生成所述正样本训练集；
所述步骤M2包括如下步骤：
步骤M201：将所述攻击相片的红外图像进行人脸检测确定第二人脸区域；
步骤M202：将所述第二人脸区域进行裁剪后生成一负样本；
步骤M203：重复执行步骤M201至步骤M202，生成所述负样本训练集。
3.根据权利要求1所述的假体攻击检测模型的训练方法，其特征在于，所述假体攻击检测模型包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层；
所述输入层、多个所述卷积处理模块、所述最大池化层、所述第一2D卷积层以及所述输出层顺次连接；
所述卷积处理模块包括第二2D卷积层、批量归一化层以及ReLU激活层；所述第二2D卷积层、所述批量归一化层以及所述ReLU激活层顺次连接。
4.根据权利要求3所述的假体攻击检测模型的训练方法，其特征在于，所述输出层的输出为N×N的矩阵，当根据所述N×N的矩阵生成所述攻击检测结果时，
对所述N×N的矩阵中每一输出特征值分别设置一权重值，其中位于所述矩阵中央的输出特征值的权重值大于位于所述矩阵周边的输出特征值的权重值。
5.根据权利要求4所述的假体攻击检测模型的训练方法，其特征在于，对所述输出层的输出为N×N的矩阵中的每一输出特征值根据预设置的第一阈值进行活体判断，并生成大于所述第一阈值的输出特征值数量；
根据所述输出特征值数量生成所述输出特征值数量占所述N×N的矩阵中的输出特征值总量的比例值；
根据所述比例值与预设置的第二阈值相比较确定所述图像对应的目标人脸是否为活体。
6.根据权利要求1所述的假体攻击检测模型的训练方法，其特征在于，所述假体攻击检测模型包括输入层、多个卷积处理模块、第一2D卷积层、第一批量归一化层、第二2D卷积层、sigmoid函数层以及输出层；
所述输入层、多个所述卷积处理模块、所述第一2D卷积层、所述第一批量归一化层、所述第二2D卷积层、所述sigmoid函数层以及所述输出层顺次连接；
所述卷积处理模块包括第三2D卷积层、第二批量归一化层以及ReLU激活层；所述第二2D卷积层、所述批量归一化层以及所述ReLU激活层顺次连接。
7.根据权利要求1所述的假体攻击检测模型的训练方法，其特征在于，所述假体攻击检测模型使用时包括如下步骤：
步骤S101：获取目标人脸的红外图像，将所述目标人脸的红外图像输入预训练的假体攻击检测模型；
步骤S102：通过所述假体攻击检测模型判断所述红外图像的人脸像素区域是否为活体人脸图像，并生成活体检测结果；
步骤S103：当所述活体检测结果中活体人脸图像的概率大于假体攻击图像的概率时，认定所述人脸像素区域为活体人脸图像，否则认定所述人脸像素区域为假体人脸图像。
8.一种假体攻击检测***，其特征在于，包括如下模块：
正样本生成模块，用于采集的真实人脸的红外图像，将所述真实人脸的红外图像进行标注后生成正样本训练集；
负样本生成模块：采集攻击相片的红外图像，将所述攻击相片的红外图像进行标注后生成负样本训练集；
模型训练模块，用于根据所述负样本训练集和所述正样本训练集对预设置的卷积神经网络模型进行训练生成假体攻击检测模型。
9.一种假体攻击检测设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任一项所述的假体攻击检测模型的训练方法步骤。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至7任一项所述的假体攻击检测模型的训练方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111602897.1A CN116363717A (zh) | 2021-12-24 | 2021-12-24 | 假体攻击检测模型的训练方法、***、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111602897.1A CN116363717A (zh) | 2021-12-24 | 2021-12-24 | 假体攻击检测模型的训练方法、***、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116363717A true CN116363717A (zh) | 2023-06-30 |
Family
ID=86940314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111602897.1A Pending CN116363717A (zh) | 2021-12-24 | 2021-12-24 | 假体攻击检测模型的训练方法、***、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116363717A (zh) |
-
2021
- 2021-12-24 CN CN202111602897.1A patent/CN116363717A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111242222B (zh) | 分类模型的训练方法、图像处理方法及装置 | |
| CN109559363B (zh) | 图像的风格化处理方法、装置、介质和电子设备 | |
| CN111597884A (zh) | 面部动作单元识别方法、装置、电子设备及存储介质 | |
| CN113869282B (zh) | 人脸识别方法、超分模型训练方法及相关设备 | |
| CN111753863A (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
| CN112183166A (zh) | 确定训练样本的方法、装置和电子设备 | |
| CN111292334B (zh) | 一种全景图像分割方法、装置及电子设备 | |
| CN112464803A (zh) | 图像比较方法和装置 | |
| CN111738403A (zh) | 一种神经网络的优化方法及相关设备 | |
| US11967125B2 (en) | Image processing method and system | |
| WO2024087359A1 (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
| CN110796108B (zh) | 一种人脸质量检测的方法、装置、设备及存储介质 | |
| CN112966685A (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
| US11335128B2 (en) | Methods and systems for evaluating a face recognition system using a face mountable device | |
| CN112541394A (zh) | 黑眼圈及鼻炎识别方法、***及计算机介质 | |
| CN109919214B (zh) | 一种神经网络模型的训练方法及训练装置 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN112818946A (zh) | 年龄识别模型的训练、年龄识别方法、装置及电子设备 | |
| CN111429414B (zh) | 基于人工智能的病灶影像样本确定方法和相关装置 | |
| CN110210314B (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
| CN108875467B (zh) | 活体检测的方法、装置及计算机存储介质 | |
| CN116363717A (zh) | 假体攻击检测模型的训练方法、***、设备及存储介质 | |
| CN111898465B (zh) | 一种人脸识别模型的获取方法和装置 | |
| CN112950652B (zh) | 机器人及其手部图像分割方法和装置 | |
| CN116363716A (zh) | 假体攻击检测方法、***、设备及存储介质 |
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 |