确定性能参数的方法及装置、电子设备和存储介质与流程

本公开涉及计算机视觉技术领域，尤其涉及一种确定性能参数的方法及装置、电子设备和存储介质。

背景技术：

随着计算机视觉技术的发展，越来越多的工作可以利用电子设备完成，为人们提供便利条件。例如，可以利用电子设备自动对人脸进行识别，从而根据人脸识别结果对用户身份进行验证。但是，随着人脸识别技术的普及，一些人脸识别技术的攻击手段也随之而来，例如，通过照片、面具等充当用户人脸，从而通过用户身份的验证。

为了抵御各种攻击手段，活体检测成为人脸识别技术中重要的一个部分。活体检测是在一些身份验证场景中确定检测对象是否是真实的手段，例如通过眨眼、张嘴、摇头、点头等动作的组合，可以验证检测对象是否为真实活体的操作，从而甄别欺诈行为，提高人脸识别的安全性。但是，由于存在多种活体检测方案，难以对这些活体检测方案的性能进行鉴别。

技术实现要素：

本公开提出了一种确定性能参数的技术方案。

根据本公开的一方面，提供了一种确定性能参数的方法，包括：

获取第一数据集，所述第一数据集包括多张人脸图像；

将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果；

根据所述检测结果确定所述神经网络的性能参数。

在一个或多个可能的实现方式中，所述检测结果包括用于判别人脸图像中人脸是否属于活体的相关数据。

在一个或多个可能的实现方式中，所述检测结果包括如下至少一项：人脸属性、攻击方式、光照条件、成像环境、深度信息和反射信息。

在一个或多个可能的实现方式中，所述多张人脸图像包括标注信息，所述根据所述检测结果确定所述神经网络的性能参数，包括：

将所述检测结果与所述检测结果对应的人脸图像的标注信息进行比对，得到比对结果；

根据至少部分所述多张人脸图像对应的比对结果，确定所述神经网络的性能参数。

在一个或多个可能的实现方式中，所述方法还包括：

根据所述评估结果，获取第二数据集，所述第二数据集包括多个训练样本，所述训练样本包括人脸图像；

将所述多个训练样本输入所述神经网络，得到与每个训练样本对应的检测结果；

根据至少部分所述多个训练样本对应的检测结果与所述至少部分所述多个训练样本的标注信息的差异程度，调整所述神经网络的参数。

在一个或多个可能的实现方式中，所述第一数据集和所述第二数据集均包括真实人脸图像及非真实人脸图像；其中，

所述真实人脸图像的标注信息包括活体分类结果以及人脸属性；

所述非真实人脸图像的标注信息包括活体分类结果以及如下至少一项：攻击方式、光照条件、成像环境。

在一个或多个可能的实现方式中，所述第二数据集中真实人脸图像的数量小于非真实人脸图像的数量。

在一个或多个可能的实现方式中，所述方法还包括：

通过目标获取方式得到非真实人脸图像。

在一个或多个可能的实现方式中，所述目标获取方式包括如下至少一项：采集方向、弯曲方式以及用于采集非真实人脸图像的采集装置的种类。

在一个或多个可能的实现方式中，属于同一数据集中的至少部分非真实人脸图像的采集方向不同；和/或，属于同一数据集中的至少部分非真实人脸图像的弯曲方式不同；和/或，属于同一数据集中的至少部分非真实人脸图像对应的采集装置的种类不同。

根据本公开的一方面，提供了一种确定性能参数的装置，包括：

第一获取模块，用于获取第一数据集，所述第一数据集包括多张人脸图像；

检测模块，用于将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果；

确定模块，用于根据所述检测结果确定所述神经网络的性能参数。

在一个或多个可能的实现方式中，所述检测结果包括用于判别人脸图像中人脸是否属于活体的相关数据。

在一个或多个可能的实现方式中，所述检测结果包括如下至少一项：人脸属性、攻击方式、光照条件、成像环境、深度信息和反射信息。

在一个或多个可能的实现方式中，所述多张人脸图像包括标注信息，所述确定模块，具体用于将所述检测结果与所述检测结果对应的人脸图像的标注信息进行比对，得到比对结果；根据至少部分所述多张人脸图像对应的比对结果，确定所述神经网络的性能参数。

在一个或多个可能的实现方式中，所述装置还包括：

训练模块，用于根据所述评估结果，获取第二数据集，所述第二数据集包括多个训练样本，所述训练样本包括人脸图像；将所述多个训练样本输入所述神经网络，得到与每个训练样本对应的检测结果；根据至少部分所述多个训练样本对应的检测结果与所述至少部分所述多个训练样本的标注信息的差异程度，调整所述神经网络的参数。

在一个或多个可能的实现方式中，所述第一数据集和所述第二数据集均包括真实人脸图像及非真实人脸图像；其中，

所述真实人脸图像的标注信息包括活体分类结果以及人脸属性；

所述非真实人脸图像的标注信息包括活体分类结果以及如下至少一项：攻击方式、光照条件、成像环境。

在一个或多个可能的实现方式中，所述第二数据集中真实人脸图像的数量小于非真实人脸图像的数量。

在一个或多个可能的实现方式中，所述装置还包括：

第二获取模块，用于通过目标获取方式得到非真实人脸图像。

在一个或多个可能的实现方式中，所述目标获取方式包括如下至少一项：采集方向、弯曲方式以及用于采集非真实人脸图像的采集装置的种类。

在一个或多个可能的实现方式中，属于同一数据集中的至少部分非真实人脸图像的采集方向不同；和/或，属于同一数据集中的至少部分非真实人脸图像的弯曲方式不同；和/或，属于同一数据集中的至少部分非真实人脸图像对应的采集装置的种类不同。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述确定性能参数方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其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上述确定性能参数方法。

在本公开实施例中，可以获取第一数据集，第一数据集中包括多张人脸图像。然后可以将多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果，从而可以根据检测结果确定神经网络的性能参数。其中，性能参数通常可以反映神经网络的性能，即采用本公开提供的实现方式，可以利用得到的性能参数对神经网络的性能进行评估。由于通过神经网络可以得到人脸图像对应的活体分类结果以及检测结果，因此，可以结合多个维度的数据来得到性能参数，以使性能参数能够有效反应神经网络的实际性能。在应用过程中，还可以借助性能参数，调整神经网络的权重参数，从而提高活体检测的准确性，使神经网络适用于更加复杂的应用场景。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的确定性能参数的方法的流程图。

图2示出根据本公开实施例的确定性能参数过程示例性示意图。

图3示出根据本公开实施例的确定性能参数的装置的框图。

图4示出根据本公开实施例的确定性能参数的装置示例的框图。

图5示出根据本公开实施例的电子设备示例的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多个中的任意一种或多个中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本公开实施例提供的确定性能参数方案，可以获取第一数据集，第一数据集包括多张人脸图像，然后将多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果，进一步可以根据检测结果确定神经网络的性能参数，从而可以利用确定的性能参数对神经网络的性能进行评估，以提供神经网络的选择或者改进的参考。

在相关技术中，在进行活体检测的情况下，通常仅得到人脸图像的活体分类结果，但是，难以判断活体分类结果的准确性，从而现有的神经网络的准确性较低。本公开实施例提供的确定性能参数方案，可以得到活体分类结果和检测结果，通过检测结果可以确定神经网络的性能参数，性能参数可以作为神经网络性能评估的有效参考，从而通过确定的性能参数，可以调整神经网络的权重参数以提高神经网络的准确性，使神经网络得到的活体分类结果更加准确。

本公开实施例提供的技术方案可以应用于人脸识别、人脸解锁、人脸支付、安防等应用场景的扩展，本公开实施例对此不做限定。例如，可以对人脸解锁使用的神经网络进行性能评估，从而提高人脸解锁的准确性。

图1示出根据本公开实施例的确定性能参数的方法的流程图。该确定性能参数的方法可以由终端设备、服务器或其它类型的电子设备执行，其中，终端设备可以为用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该确定性能参数方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以电子设备作为执行主体为例对本公开实施例的确定性能参数方法进行说明。

步骤s11，获取第一数据集，所述第一数据集包括多张人脸图像。

在本公开实施例中，第一数据集可以是预先构建的数据集，第一数据集中可以包括多张人脸图像。人脸图像可以是通过对场景中的人脸进行图像采集得到的，或者，还可以是从其他设备或数据集处获取的待检测的，例如，可以从摄像设备、监控设备或者网络服务器等设备处获取的人脸图像。多张人脸图像中可以包括真实人脸图像和非真实人脸图像。其中，真实人脸图像可以针对真实人脸进行图像采集得到的人脸图像；非真实人脸图像可以是针对非真实人脸进行图像采集得到的人脸图像，例如，针对照片、海报等进行图像采集可以得到非真实人脸图像。

步骤s12，将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果。

在本公开实施例中，可以将第一数据集中的多张人脸图像依次输入神经网络，可以得到神经网络输出的与每张人脸图像对应的活体分类结果以及检测结果。神经网络可以是对神经网络进行训练得到的，神经网络可以包括至少多个输出分支，一个输出分支可以输出人脸图像对应的活体分类结果，其他输出分支可以输出人脸图像对应的检测结果。这里，活体分类结果可以是判别人脸图像中人脸是否属于活体的判断结果。检测结果可以是活体检测相关检测项的检测结果，例如，人脸图像中人脸的性别、年龄等人脸属性的检测结果。

步骤s13，根据所述检测结果确定所述神经网络的性能参数。

在本公开实施例中，可以根据神经网络输出的检测结果确定神经网络的性能参数，性能参数通常可以反映神经网络的性能，从而可以利用确定的性能参数对神经网络的性能进行评估，例如，可以根据检测结果对活体分类结果进行验证，对神经网络的准确性进行估计。举例来说，以性能参数是准确率为例，在活体分类结果表示人脸图像中的人脸属于活体的情况下，检测结果表示检测到某项非活体对应的检测项，从而可以认为活体分类结果不够准确，通过统计多张人脸图像对应的活体分类结果的准确率，可以对神经网络进行性能评估。这里，性能参数还可以是误检率、召回率等可以对神经网络的性能进行评估的参数，本公开不对具体的性能参数进行限制。

通过将第一数据集包括多张人脸图像输入神经网络，可以得到每张人脸图像对应的活体分类结果和检测结果，从而根据该检测结果可以确定神经网络的性能参数，从而可以利用确定性能参数对神经网络进行性能评估，以提高活体检测的准确性。

在一个可能的实现方式中，检测结果可以包括用于判别人脸图像中人脸是否属于活体的相关数据，从而可以根据检测结果对活体分类结果进行验证或者对活体分类结果的准确性进行评估，或者，可以根据检测结果获取关于活体检测更多的信息，使得神经网络输出的信息更加完善。

在一个示例中，检测结果包括如下至少一项：人脸属性、攻击方式、光照条件、成像环境、深度信息和反射信息，从而使神经网络的活体检测项目更加完善。

这里，人脸属性可以表示人脸图像中人脸的特点，例如，人脸属性可以包括人脸的性别、发色、表情等信息。攻击方式可以是人脸图像的生成媒介，例如，攻击方式可以包括照片、海报、打印纸等，表明人脸图像是通过对照片、海报、打印纸等的拍摄得到的。光照条件可以是人脸图像在采集过程中的光照条件，例如，光照条件可以包括正常光、强光、逆光和暗光等，表明人脸图像是在正常光、强光、逆光和暗光等光照条件下拍摄的。其中，正常光的光照强度可以在第一光强和第二光强之间，第二光强大于第一光强；强光的光照强度可以大于或等于第二光强；弱光的光照强度可以小于或等于第一光强；逆光拍摄可以是朝向光源的拍摄方式。成像环境可以人脸图像的拍摄环境，例如，成像环境可以包括室内环境、室外环境等，表明人脸图像是在室内环境或室外环境下拍摄的。

深度信息可以表示人脸图像的图像深度，可以包括人脸图像的深度图。通常，真实人脸图像具有多个深度值，多个深度值之间的差值大于深度阈值，表示真实人脸图像中的人脸不属于同一个表面，即可以理解为，真实人脸图像中的人脸是立体的。而对于非真实人脸图像而言，非真实人脸图像可能具有一个深度值，或者，具有多个接近的深度值，多个深度值之间的差值小于或等于深度阈值，表示非真实人脸图像中的人脸属于同一个表面。这样，可以通过人脸图像的深度信息作为活体检测的相关数据。

相应地，反射信息可以表示人脸图像的光反射情况，可以包括人脸图像的反射图。真实人脸对光进行漫反射，通过真实人脸获取的真实人脸图像具有较少的光反射。而对于通过非真实人脸获取的非真实人脸图像而言，由于非真实人脸图像可能属于同一个表面，从而非真实人脸图像具有较多的光反射。这样，人脸图像的反射信息可以作为活体检测的相关数据。

在一个可能的实现方式中，多张人脸图像可以包括标注信息，在根据检测结果对神经网络进行性能评估的情况下，将检测结果与检测结果对应的人脸图像的标注信息进行比对，得到比对结果，然后根据至少部分多张人脸图像对应的比对结果，确定神经网络的性能参数。

在本实现方式中，每张人脸图像可以包括标注信息。标注信息可以是人脸图像对应的活体检测相关的真实信息，可以包括人脸属性、攻击方式、光照条件、成像环境中的一项或多项。将每个人脸图像的检测结果与该人脸图像的标注信息进行比对，可以得到比对结果，该比对结果可以表示人脸图像的检测结果的准确性。进一步地，根据至少部分张人脸图像对应的比对结果，可以得到神经网络的性能参数，例如，可以根据至少部分张人脸图像对应的比对结果，确定神经网络在检测结果包括的一项或多项对应的准确率。

下面通过一个示例对本公开实施例提供的确定性能参数过程进行说明。图2示出根据本公开实施例的确定性能参数过程的示意图。其中，第一人脸图像可以是非真实人脸图像，第二人脸图像可以是真实人脸图像。神经网络可以输出多个信息，其中，s^f可以表示人脸属性，s^s可以表示攻击方式，sⁱ可以表示光照条件，c可以表示第一活体分类结果，g^d可以表示深度信息，g^r可以表示反射信息。

将第一人脸图像输入神经网络，可以得到第一人脸图像的检测结果以及活体分类结果。其中，人脸属性对应的检测值均较低(小于人脸阈值)，可以理解为未检测出明显的人脸属性，表明第一人脸图像的人脸属性属于非真实人脸图像的人脸属性；攻击方式中照片对应的检测值较高(大于攻击阈值)，可以理解为检测出照片的攻击方式，表明第一人脸图像的攻击方式属于非真实人脸图像的照片攻击方式；光照条件中暗光的检测值较高(大于光照阈值)，可以理解为检测出暗光的光照条件，表明第一人脸图像的光照条件属于非真实人脸图像的暗光光照条件；活体分类结果表示检测出非活体，表明第一人脸图像属于非真实人脸图像；深度信息的深度图仅具有一个黑色的深度值，可以理解为第一人脸图像中的人脸属于在一个平面上，表明第一人脸图像属于非真实人脸图像；反射信息的反射图具有较强的光反射，可以理解为第一人脸图像中的人脸属于在一个平面上，表明第一人脸图像属于非真实人脸图像。综合第一人脸图像的检测结果包括的多项信息，例如，可以选择第一人脸图像的检测结果和活体分类结果中一项或多项信息，作为判断第一人脸图像中的人脸是否属于活体的依据，或者，在检测结果包括的多项信息和活体分类结果中，大于或等于预设项数的信息表明第一人脸图像是非真实人脸图像的情况下，可以确定第一人脸图像中的人脸不属于活体，实现利用神经网络对第一人脸图像进行活体检测。

相应地，与利用神经网络对第一人脸图像进行活体检测的过程类似，可以将第二人脸图像输入上述神经网络，可以得到第二人脸图像的检测结果和活体分类结果。其中，人脸属性表示检测出大鼻子和微笑的人脸属性(检测值大于人脸阈值)，表明第二人脸图像的人脸属性属于真实人脸图像的人脸属性；攻击方式表示未检测出攻击方式(检测值小于攻击阈值)，表明第二人脸图像属于真实人脸图像，不存在相应的攻击方式；光照条件表示未检测出光照条件(检测值小于光照阈值)，表明第二人脸图像属于真实人脸图像，不存在相应的光照条件；活体分类结果为活体，表明第二人脸图像属于真实人脸图像；深度信息的深度图具有多个深度值，表明第二人脸图像属于真实人脸图像；反射信息的反射图未具有光反射，表明第二人脸图像属于真实人脸图像。综合第二人脸图像的检测结果包括多个信息和活体分类结果，例如，可以选择第二人脸图像的检测结果和活体分类结果中一项或多项信息，作为判断第二人脸图像中的人脸是否属于活体的依据，或者，在检测结果包括的多项信息和活体分类结果中，大于或等于预设项数的信息表明第一人脸图像是非真实人脸图像的情况下，可以确定第二人脸图像的人脸是活体，实现利用神经网络对第二人脸图像进行活体检测。

进一步可以通过第一人脸图像的检测结果与第一人脸图像的标注信息的比对结果，以及，第二人脸图像的检测结果与第二人脸图像的标注信息的比对结果，确定神经网络的性能参数，例如，确定检测结果的各个检测项的准确率，从而根据确定的性能参数对神经网络的性能进行评估。

本公开实施例可以确定的性能参数，对神经网络进行性能评估，从而可以根据评估结果进一步对神经网络进行性能提升。下面通过一个或多个实现方式对神经网络进行性能提升的过程进行说明。

在一个可能的实现方式中，可以根据评估结果获取第二数据集，第二数据集包括多个训练样本，训练样本包括人脸图像。然后可以将多个训练样本输入神经网络，得到与每个训练样本对应的检测结果，进一步可以根据至少部分多个训练样本对应的检测结果与至少部分所述多个训练样本的标注信息的差异程度，调整所述神经网络的权重参数。

在本实现方式中，可以根据评估结果，获取第二数据集中的多个训练样本，例如，评估结果表明神经网络的一项或多项检测结果的准确率较低，如攻击方式的准确率较低，可以获取第二数据集中与攻击方式相关的多个训练样本，从而可以针对攻击方式对神经网络进行训练，以提高神经网络对于攻击方式这个检测项的准确性。第二数据集中可以包括大量的训练样本，训练样本可以具有对应的标注信息，标注信息可以对训练样本中的人脸进行标注，标注信息包括人脸属性、攻击方式、光照条件、成像环境中的一项或多项。在对神经网络进行训练的情况下，可以将多个训练样本依次输入神经网络，得到神经网络输出的每个训练样本的检测结果。然后可以每个训练样本对应的检测结果与相同训练样本的标注信息进行比较，确定每个训练样本的检测结果与标注信息的差异程度，例如，可以分别确定训练样本的每项检测结果与标注信息的差异程度，再对各项检测结果与标注信息的差异程度进行相加或加权，可以得到每个训练样本的检测结果与标注信息的差异程度。统计至少部分多个训练样本对应的检测结果与标注信息的差异程度。根据统计至少部分多个训练样本对应的检测结果与标注信息的差异程度，可以对神经网络进行反向传播，不断对神经网络的权重参数进行调整，使神经网络输出的检测结果更加准确，最终可以得到性能得到提升的神经网络。这里，可以利用交叉熵损失函数、二元交叉熵损失函数确定至少部分多个训练样本对应的检测结果与标注信息的差异程度。

这里，可以神经网络可以是常见的活体检测神经网络，也可以设计的新的神经网络构架构。举例来说，神经网络可以包括至少一个卷积层、至少一个池化层、至少一个全连接层等。输入神经网络的训练样本可以具有统计的图像尺寸，例如，将图像尺寸是224*224像素点个数的训练样本输入神经网络中。如果训练样本的图像尺寸不一，还可以将训练样本剪裁为固定图像尺寸后再输入神经网络。

在本实现方式的一个示例中，第一数据集和第二数据集均包括真实人脸图像及非真实人脸图像；其中，真实人脸图像的标注信息包括活体分类结果以及人脸属性。非真实人脸图像的标注信息包括活体分类结果以及如下至少一项：攻击方式、光照条件、成像环境。

在本示例中，第一数据集和第二数据集均可以包括真实人脸图像和非真实人脸图像。真实人脸图像可以包括真实人脸，即，真实人脸图像可以是通过对真实人脸进行采集的图像。真实人脸图像的标注信息可以包括活体分类结果和人脸属性，其中，活体分类结果可以是活体，人脸属性可以包括真实人脸的性别、发色、表情等信息。非真实人脸图像可以包括非真实人脸，即，非真实人脸图像可以是通过伪造真实人脸的方式得到的图像，例如，对人脸海报进行采集得到的图像。非真实人脸图像的标注信息可以包括活体分类结果以及攻击方式、光照条件、成像环境中的一项或多项，其中，活体分类结果可以是非活体，攻击方式可以包括照片、海报、打印纸等，光照条件可以包括正常光、强光、逆光和暗光等，成像环境可以包括室内环境、室外环境等。通过为训练样本设置包括多种标注的标注信息，可以使经过训练的神经网络适用更多的应用场景。

这里，可以为标注信息包括的不同标注项设置不同的标识，在一个标注项可能包括多个子标注项的情况下，可以通过标识的下标或上标对子标注项进行区分。举例来说，攻击方式可以用s^s进行表示，攻击方式中的海报攻击方式可以用s^s1进行表示。

在本实现方式的一个示例中，第二数据集中真实人脸图像的数量小于非真实人脸图像的数量，例如，可以将第二数据集中真实人脸图像的数量与非真实人脸图像的数量设置为1:3。通过将第二数据集中非真实人脸图像的数量设置为小于真实人脸图像的数量，可以使第二数据集提供更多的非真实人脸图像，从而使得第二数据集适用于探索多种活体伪造方式，从而为神经网络的性能优化提供大量的非真实人脸图像。

在本公开实现方式中，第一数据集或第二数据集中真实人脸图像可以通过对真实人脸进行图像采集获得。一些实现方式中，可以将现有数据集中的真实人脸图像作为第一数据集或第二数据集中的真实人脸图像。对于第一数据集或第二数据集中非真实人脸图像，一些实现方式中，可以通过目标获取方式得到非真实人脸图像，目标获取方式可以理解为伪造真实人脸图像的图像获取方式，通过目标获取方式可以对第一数据集或第二数据集中的非真实人脸图像进行扩充，并丰富第一数据集或第二数据集中的非真实人脸图像。

在一个示例中，目标获取方式包括如下至少一项：采集方向、弯曲方式以及用于采集非真实人脸图像的采集装置的种类。

其中，属于同一数据集中的至少部分非真实人脸图像的采集方向不同；和/或，属于同一数据集中的至少部分非真实人脸图像的弯曲方式不同；和/或，属于同一数据集中的至少部分非真实人脸图像对应的采集装置的种类不同。

在本示例中，采集方向可以是采集装置拍摄平面的法向量与非真实人脸的平面之间的相对方向。例如，可以以预设采集方向对非真实人脸进行采集，得到非真实人脸图像。在一个实现方式中，属于同一数据集中的至少部分非真实人脸图像的采集方向不同，从而第一数据集或第二数据集中的至少部分非真实人脸图像可以具有不同的采集方向，提高非真实人脸图像的多样性。

举例来说，采集方向可以包括采集方向，例如，可以将预设采集方向设置为采集装置拍摄平面的法向量与非真实人脸的平面垂直的方向。采集方向还可以包括以预设采集方向偏离预设倾斜方向，例如，以非真实人脸平面的法向量为y轴的正方向建立三维坐标系，其中，y轴的正方向可以作为预设采集方向，以预设采集方向偏离预设倾斜方向可以是在xoy平面内，与y轴的正方向倾斜正或负30度的方向，或者，可以是在yoz平面内，与y轴的正方向倾斜正或负30度的方向。为了使非真实人脸图像具有良好的人脸质量，可以将预设倾斜方向的设置在一定的倾斜角度范围内，例如，可以将预设倾斜方向设置在[-30°，30°]的倾斜角度范围内，使非真实人脸图像中的非真实人脸具有适当的人脸尺寸，减少过度倾斜使非真实人脸过小的情况。这里，预设倾斜方向可以设置在不同的角度范围内，这里不对具体的角度范围进行限制。通过设置多种采集方向，可以得到具有不同采集方向的非真实人脸图像，从而提高第一数据集或第二数据集中训练样本的多样性。

在本示例中，弯曲方式可以是非真实人脸图像中非真实人脸的弯曲方式。例如，可以对非真实人脸按照预设弯矩方向进行弯曲后进行采集，得到非真实人脸图像。在一个实现方式中，属于同一数据集中的至少部分非真实人脸图像的弯曲方式不同，从而第一数据集或第二数据集中的至少部分非真实人脸图像可以具有不同的弯曲方向，提高非真实人脸图像的多样性。

举例来说，非真实人脸图像中非真实人脸的弯曲方式包括以下至少一种：不弯曲；以预设弯矩方向进行弯曲。预设弯矩方向可以根据实际应用场景进行设置，在假设非真实人脸不弯曲的情况下，以非真实人脸平面的法向量方向为y轴的正方向建立三维坐标系，预设弯矩方向可以是x轴的正方向或负方向，还可以是z轴的正方向或负方向。通过为非真实人脸图像中非真实人脸设置多种弯曲方式，可以丰富第一数据集或第二数据集中的非真实人脸图像。

在本示例中，目标获取方式可以包括用于采集非真实人脸图像的采集装置的种类。由于不同采集装置具有不同的采集配置，如，镜头配置、焦距设置等采集配置，从而通过不同种类的采集装置得到的非真实人脸图像也具有很大的差异。在一个实现方式中，属于同一数据集中的至少部分非真实人脸图像对应的采集装置的种类不同，从而第一数据集或第二数据集中的非真实人脸图像对应的采集装置的种类不同。通过为非真实人脸图像设置不同类型的采集装置，可以进一步丰富第一数据集或第二数据集中的非真实人脸图像。这里，采集装置的种类包括但不限于相机、平板电脑、手机、笔记本电脑等。

本示例中，非真实人脸图像可以通过多种目标获取方式进行获取，从而可以增加第一数据集或第二数据集中的非真实人脸图像的复杂性和多样性，进一步通过非真实人脸图像对神经网络进行性能优化，使得优化后的神经网络可以适用于多样的应用场景，提高活体检测的准确性。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种确定性能参数的方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图3示出根据本公开实施例的确定性能参数的装置的框图，如图3所示，所述装置包括：

第一获取模块31，用于获取第一数据集，所述第一数据集包括多张人脸图像；

检测模块32，用于将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果；

确定模块33，用于根据所述检测结果确定所述神经网络的性能参数。

在一个或多个可能的实现方式中，所述检测结果包括用于判别人脸图像中人脸是否属于活体的相关数据。

在一个或多个可能的实现方式中，所述检测结果包括如下至少一项：人脸属性、攻击方式、光照条件、成像环境、深度信息和反射信息。

在一个或多个可能的实现方式中，所述多张人脸图像包括标注信息，所述确定模块，具体用于将所述检测结果与所述检测结果对应的人脸图像的标注信息进行比对，得到比对结果；根据至少部分所述多张人脸图像对应的比对结果，确定所述神经网络的性能参数。

在一个或多个可能的实现方式中，所述装置还包括：训练模块，用于根据所述评估结果，获取第二数据集，所述第二数据集包括多个训练样本，所述训练样本包括人脸图像；将所述多个训练样本输入所述神经网络，得到与每个训练样本对应的检测结果；根据至少部分所述多个训练样本对应的检测结果与所述至少部分所述多个训练样本的标注信息的差异程度，调整所述神经网络的权重参数。

在一个或多个可能的实现方式中，所述第一数据集和所述第二数据集均包括真实人脸图像及非真实人脸图像；其中，所述真实人脸图像的标注信息包括活体分类结果以及人脸属性；所述非真实人脸图像的标注信息包括活体分类结果以及如下至少一项：攻击方式、光照条件、成像环境。

在一个或多个可能的实现方式中，所述第二数据集中真实人脸图像的数量小于非真实人脸图像的数量。

在一个或多个可能的实现方式中，所述装置还包括：第二获取模块，用于通过目标获取方式得到非真实人脸图像。

在一个或多个可能的实现方式中，所述目标获取方式包括如下至少一项：采集方向、弯曲方式以及用于采集非真实人脸图像的采集装置的种类。

在一个或多个可能的实现方式中，属于同一数据集中的至少部分非真实人脸图像的采集方向不同；和/或，属于同一数据集中的至少部分非真实人脸图像的弯曲方式不同；和/或，属于同一数据集中的至少部分非真实人脸图像对应的采集装置的种类不同。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

图4是根据一示例性实施例示出的一种确定性能参数的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图4，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图5是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多个编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。