模型训练方法、活体检测方法、电子设备及存储介质与流程

本申请实施例涉及图像识别，特别涉及一种模型训练方法、活体检测方法、电子设备及存储介质。

背景技术：

1、人脸图像识别技术是近几年非常受欢迎的ai技术，被广泛用于各个领域的生产生活中。采用人脸图像识别技术的产品通常也需要使用活体检测技术，以拒绝使用照片、视频、面具、假人模型、头套等道具的恶意攻击授权。

2、目前应用最广泛的图像活体检测技术以人脸图像作为活体检测模型的输入，给出是否活体的结果。然而可用于恶意攻击的道具千变万化，一般的活体检测技术在处理全新的攻击类型时性能远低于预期。针对此问题，有些活体检测方法设计多个模型或者多个分支，每个模型或每个分支负责处理不同的攻击类型。但是，这种方法需要人为划分攻击类型，依赖人类专家的先验知识，训练过程复杂、耗时长，并且人为划分攻击类型具有一定主观偏见性，在处理超出先验知识之外的攻击类型时，仍然有较大的可能误判，造成安全隐患。

技术实现思路

1、本申请实施方式的目的在于提供一种模型训练方法、活体检测方法、电子设备及存储介质，通过对多个分支网络中特定网络层的配置，使得特征提取网络在训练过程中自动决定各分支网络负责处理的假体类型，充分挖掘了各分支网络的潜力，极大地提升了各分支网络的特征提取的准确性、稳定性和效率。

2、为解决上述技术问题，本申请的实施方式提供了一种模型训练方法，包括：通过特征提取网络中包括的多个分支网络对人脸图像进行特征提取，得到多个人脸特征；基于所述多个人脸特征确定所述人脸图像属于活体的多个第一预测概率，并基于所述多个第一预测概率得到所述人脸图像属于活体的第二预测概率；对所述特征提取网络进行迭代训练；其中，各分支网络中分别存在一个网络层作为特定网络层，各特定网络层在所属分支网络中的层位置相同且在每次迭代训练过程中被配置为：每个所述特定网络层的输入特征包括所在分支网络的前一网络层的输出特征，或者进一步还包括所有特定网络层中至少一个特定网络层所在分支网络的前一网络层的输出特征融合后的特征。

3、本申请的实施方式还提供了一种活体检测方法，包括：将待测人脸图像输入到训练好的特征提取网络中，得到多个人脸特征；根据所述多个人脸特征得到所述人脸图像属于活体的多个第一预测概率，并基于所述多个第一预测概率得到所述人脸图像属于活体的第二预测概率；当所述第二预测概率大于或等于预设活体阈值时，确定所述待测人脸图像为活体；当所述预测概率小于预设活体阈值时，确定所述待测人脸图像为假体；其中，所述训练好的特征提取网络通过上述实施方式所述的模型训练方法得到。

4、本申请的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述实施方式提及的模型训练方法，或者能够执行上述实施方式提及的活体检测方法。

5、本申请的实施方式还提供了一种计算机可读存储介质，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方式提及的模型训练方法，或者能够执行上述实施方式提及的活体检测方法。

6、本申请提供的模型训练方法所训练的特征提取网络中包括多个分支网络，在每次迭代训练过程中，每个分支网络中均存在一个特定网络层，各特定网络层在所属分支网络中的层位置相同，特定网络层的输入特征包括所在分支网络的前一网络层的输出特征，或者在此基础上还包括所有特定网络层中至少一个特定网络层所在分支网络的前一网络层的输出特征融合后的特征。如此，在多次迭代训练后，透过各分支网络中的特定网络层，在根据每个分支网络的最终输出特征对各自分支网络进行训练的同时，还可以关联其它分支网络的中间网络层的输出特征而对其他分支网络进行联合训练，这种各分支网络彼此间辅助训练的设计，降低了冗余训练，使得特征提取网络在训练过程中自动决定各分支网络负责处理的假体类型，解决了现有技术依赖人类主观划分假体攻击类型所导致的错误识别问题。同时对特定网络层的这种配置，使得每个分支网络既具备了根据自身分支网络的输出区分活体和假体的能力，还具备了根据部分或全部分支网络的输出区分活体和假体的能力，充分挖掘了各分支网络的潜力，极大地提升了各分支网络的特征提取的准确性、稳定性和效率。

技术特征：

1.一种模型训练方法，其特征在于，包括：

2.根据权利要求1所述的模型训练方法，其特征在于，所述特征提取网络还包括：输出网络和融合网络；

3.根据权利要求2所述的模型训练方法，其特征在于，在每次迭代训练过程中，所述多个随机参数对应的概率值为训练过程中的超参数。

4.根据权利要求1所述的模型训练方法，其特征在于，每个分支网络中所述特定网络层的前一个网络层的输出特征的向量维数相同。

5.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述多个第一预测概率得到所述人脸图像属于活体的第二预测概率，包括：

6.根据权利要求1-5中任一项所述的模型训练方法，其特征在于，所述对所述特征提取网络进行迭代训练，包括：

7.根据权利要求6所述的模型训练方法，其特征在于，通过如下公式计算所述参数偏移量：

8.一种活体检测方法，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一种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权利要求1至7中任一项所述的模型训练方法，或者实现如权利要求8所述的活体检测方法。

技术总结
本申请实施例涉及图像识别领域，公开了一种模型训练方法、活体检测方法、电子设备及存储介质。模型训练方法包括：通过特征提取网络中的多个分支网络对人脸图像进行特征提取得到多个人脸特征；基于多个人脸特征确定多个第一预测概率，基于多个第一预测概率得到第二预测概率；对特征提取网络进行迭代训练；各分支网络中分别存在一个网络层作为特定网络层，各特定网络层在每次迭代训练过程中被配置为：每个特定网络层的输入特征包括所在分支网络的前一网络层的输出特征，或者进一步还包括所有特定网络层中至少一个特定网络层所在分支网络的前一网络层的输出特征融合后的特征。本申请的训练方法提升了各分支网络特征提取的准确性、稳定性和效率。

技术研发人员：刘冲冲,付贤强,何武,朱海涛,户磊
受保护的技术使用者：合肥的卢深视科技有限公司
技术研发日：
技术公布日：2024/1/12