一种人脸活体检测模型生成方法和装置、电子设备与流程

本发明涉及人脸识别，尤其涉及一种人脸活体检测模型生成方法和装置、电子设备。

背景技术：

1、随着数字信息技术的进步，生物特征识别技术已经被广泛应用于各种权限控制系统中，人脸解锁因为其安全性与非接触性，在电子支付、设备解锁、账户登录、门禁系统中被广泛使用，然而，目前出现的各种针对于人脸识别的攻击手段极大地限制了其应用，如打印攻击、回放攻击、3d面具等。因此，研究人脸活体检测方法对于人脸识别技术是具有重要意义的。

2、准确地将欺诈人脸攻击与真实人脸区分开能够有效地提升人脸识别系统的安全性，目前常用的人脸反欺诈方法有如下两种。

3、方法一：使用手工制作的人脸特征如：局部二值模式、尺度不变特征转换、梯度直方图、高斯函数差分、加速特征检测，利用支持向量机算法或线性判别降维算法对人脸图像进行二分类。但是该种方法泛化能力差、且识别结果准确度低。

4、方法二：利用多帧图像识别人脸的眼睛眨动或测量心率来判断输入图像是否为真实人脸，该类方法的效率高、识别结果准确度也可以得到保障，但是需要用户的配合，对于一些不配合的用户则无法进行人脸识别，使用非常受限。

技术实现思路

1、本发明实施例的目的是提供一种人脸活体检测模型生成方法和装置、电子设备，能够解决现有的人脸活体检测方法泛化能力差、识别结果准确度低以及使用受限的问题。

2、为解决上述技术问题，本发明提供如下技术方案：

3、本发明实施例提供了一种人脸活体检测模型生成方法，包括：对训练样本进行域划分，得到多域训练样本；

4、基于所述多域训练样本，对预先构建的第一对抗网络、第二对抗网络以及特征聚合网络进行多次迭代训练，获得每次迭代训练后的人脸活体检测模型；其中，所述第一对抗网络包括第一生成器与第一鉴别器，所述第二对抗网络包括第二生成器与第二鉴别器；

5、采用未知域的人脸图像对各所述人脸活体检测模型的预测准确率进行测试，基于测试结果从所述多个人脸活体检测模型中筛选出目标人脸活体检测模型；

6、其中，基于所述多域训练样本对预先构建的第一对抗网络、第二对抗网络以及特征聚合网络进行单次训练的过程包括：

7、将所述多域训练样本分别输入到所述第一生成器和第二生成器中，得到各所述训练样本的第一活体相关特征和第一域相关特征；

8、通过所述特征聚合网络，将不同域的第一活体相关特征和第一域相关特征两两进行特征合成，得到多个合成特征；

9、基于多个所述合成特征，对所述第一生成器和所述第一鉴别器进行参数优化；

10、基于多个所述合成特征，对所述第二鉴别器进行参数优化；

11、将所述多域训练样本输入优化后的第一生成器和第二生成器中，得到各所述训练样本的第二活体相关特征和第二域相关特征；

12、依据所述第二活体相关特征和所述第二域相关特征计算生成器与特征聚合网络总损失；

13、采用随机梯度下降法，依据所述总损失优化所述第一生成器、所述第二生成器以及所述特征聚合网络参数，生成本次迭代训练得到的人脸活体检测模型。

14、可选地，基于多个所述合成特征，对所述第一生成器、和所述第一鉴别器进行参数优化的步骤，包括：

15、基于多个所述合成特征，确定域内分布损失、域间分布损失以及模型的半错误率损失；

16、将所述域内分布损失、域间分布损失以及模型的半错误率损失之和，确定为第一损失；

17、采用随机梯度下降法，依据所述第一损失优化所述第一生成器、所述第一鉴别器参数。

18、可选地，基于多个所述合成特征，对所述第二鉴别器进行参数优化的步骤，包括：

19、将所述多个所述合成特征输入所述第二鉴别器，基于计算得到的第二损失对所述第二鉴别器进行参数优化。

20、可选地，依据所述第二活体相关特征和所述第二域相关特征计算生成器与特征聚合网络总损失的步骤包括：

21、依据所述第二活体相关特征和所述第二域相关特征，计算鉴别器间正交损失、所述第二鉴别器的分类损失以及半错误率损失；

22、将所述鉴别器间正交损失、所述第二鉴别器的分类损失以及半错误率损失之和，确定为生成器与特征聚合网络的总损失。

23、可选地，特征聚合网络包括：所述特征聚合网络包括输入层、全局平均池化层、多层感知机、adain层ⅰ、adain层ⅱ、relu激活层、第一卷积层以及第二卷积层。

24、可选地，通过所述特征聚合网络，将不同域的第一活体相关特征和第一域相关特征两两进行特征合成，得到多个合成特征的步骤，包括：

25、将第一活体相关特征输入所述全局平均池化层进行处理后输入所述多层感知机，生成仿射参数；

26、将第一域相关特征输入所述第一卷积层，将所述第一卷积层的输出与所述仿射参数输入到所述adain层ⅰ，经由所述relu激活层后输入至所述第二卷积层；

27、所述第二卷积层的输出与所述仿射参数一并输入至所述adain层ⅱ中生成合成特征残差；

28、将所述合成特征残差与所述第一域相关特征相加，得到合成特征。

29、可选地，在所述基于测试结果从所述多个人脸活体检测模型中筛选出目标人脸活体检测模型的步骤之后，所述方法还包括：

30、将待识别人脸图像输入至所述人脸活体检测模型的第一生成器中，得到活体相关特征；

31、将所述活体相关特征输入所述第一鉴别器中得到人脸活体检测结果，其中，所述人脸活体检测结果用于指示所述待识别人脸图像是否为真实人脸图像。

32、本发明实施例还提供了一种人脸活体检测模型生成装置，包括：

33、划分模块，用于对训练样本进行域划分，得到多域训练样本；

34、训练模块，用于基于所述多域训练样本，对预先构建的第一对抗网络、第二对抗网络以及特征聚合网络进行多次迭代训练，获得每次迭代训练后的人脸活体检测模型；所述第一对抗网络包括第一生成器与第一鉴别器，所述第二对抗网络包括第二生成器与第二鉴别器；

35、筛选模块，用于采用未知域的人脸图像对各所述人脸活体检测模型的预测准确率进行测试，基于测试结果从所述多个人脸活体检测模型中筛选出目标人脸活体检测模型；

36、其中，所述训练模块包括：

37、第一子模块，用于将所述多域训练样本分别输入到所述第一生成器和第二生成器中，得到各所述训练样本的第一活体相关特征和第一域相关特征；

38、第二子模块，用于通过所述特征聚合网络，将不同域的第一活体相关特征和第一域相关特征两两进行特征合成，得到多个合成特征；

39、第三子模块，用于基于多个所述合成特征，对所述第一生成器和所述第一鉴别器进行参数优化；

40、第四子模块，用于基于多个所述合成特征，对所述第二鉴别器进行参数优化；

41、第五子模块，用于将所述多域训练样本输入优化后的第一生成器和第二生成器中，得到各所述训练样本的第二活体相关特征和第二域相关特征；

42、第六子模块，用于依据所述第二活体相关特征和所述第二域相关特征计算生成器与特征聚合网络总损失；

43、第七子模块，用于采用随机梯度下降法，依据所述总损失优化所述第一生成器、所述第二生成器以及所述特征聚合网络参数，生成本次迭代训练得到的人脸活体检测模型。

44、可选地，所述第三子模块具体用于：

45、基于多个所述合成特征，确定域内分布损失、域间分布损失以及模型的半错误率损失；

46、将所述域内分布损失、域间分布损失以及模型的半错误率损失之和，确定为第一损失；

47、采用随机梯度下降法，依据所述第一损失优化所述第一生成器、所述第一鉴别器参数。

48、可选地，其特征在于，所述第四子模块具体用于：

49、将所述多个所述合成特征输入所述第二鉴别器，基于计算得到的第二损失对所述第二鉴别器进行参数优化。

50、可选地，所述第四子模块具体用于：

51、依据所述第二活体相关特征和所述第二域相关特征，计算鉴别器间正交损失、所述第二鉴别器的分类损失以及半错误率损失；

52、将所述鉴别器间正交损失、所述第二鉴别器的分类损失以及半错误率损失之和，确定为生成器与特征聚合网络的总损失。

53、可选地，特征聚合网络包括：所述特征聚合网络包括输入层、全局平均池化层、多层感知机、adain层ⅰ、adain层ⅱ、relu激活层、第一卷积层以及第二卷积层。

54、可选地，所述第二子模块具体用于：

55、将第一活体相关特征输入所述全局平均池化层进行处理后输入所述多层感知机，生成仿射参数；

56、将第一域相关特征输入所述第一卷积层，将所述第一卷积层的输出与所述仿射参数输入到所述adain层ⅰ，经由所述relu激活层后输入至所述第二卷积层；

57、所述第二卷积层的输出与所述仿射参数一并输入至所述adain层ⅱ中生成合成特征残差；

58、将所述合成特征残差与所述第一域相关特征相加，得到合成特征。

59、可选地，所述装置还包括：

60、预测模块，用于在所述筛选模块基于测试结果从所述多个人脸活体检测模型中筛选出目标人脸活体检测模型之后，将待识别人脸图像输入至所述人脸活体检测模型的第一生成器中，得到活体相关特征；

61、将所述活体相关特征输入所述第一鉴别器中得到人脸活体检测结果，其中，所述人脸活体检测结果用于指示所述待识别人脸图像是否为真实人脸图像。

62、本发明实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现上述任意一种人脸活体检测模型生成方法的步骤。

63、本发明实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现上述任意一种人脸活体检测模型生成方法的步骤。

64、本发明实施例提供的人脸活体检测模型生成方案，对训练样本进行域划分，得到多域训练样本；基于多域训练样本，对预先构建的第一对抗网络、第二对抗网络以及特征聚合网络进行多次迭代训练，获得每次迭代训练后的人脸活体检测模型；采用未知域的人脸图像对各人脸活体检测模型的预测准确率进行测试，基于测试结果从多个人脸活体检测模型中筛选出目标人脸活体检测模型。本技术实施例中，通过域对抗学习，利用所设计的特征聚合网络、自适应归一化层进行网络模型训练，有效避免了不同光照、场景下的人脸图像的影响，所训练得到的人脸活体检测模型相较于传统人脸活体检测模型的识别结果准确率高、且泛化性强。