具有虹膜质量和攻击检测知识的模型生成方法及装置与流程

本技术涉及模型生成，具体涉及一种具有虹膜质量和攻击检测知识的模型生成方法及装置。

背景技术：

1、虹膜识别作为一种高度可靠的身份鉴别方法，在应用中的实际识别性能很大程度上与采集的虹膜图像质量密切相关，通过虹膜质量检测去掉不符合识别要求的模糊、严重遮挡和变形等低质量虹膜图像，从而起到提高虹膜识别性能的作用。另外，呈现攻击一直是虹膜识别技术所面临的主要安全风险，通过呈现攻击检测能区分是真体虹膜还是非真体虹膜，其中，非真体虹膜是指假体类型的虹膜，假体类型包括打印和其它显示设备，同样对提高虹膜识别性能起到重要作用。

2、目前，针对虹膜呈现攻击检测和虹膜质量检测，一般采用的方式为：分别针对性地开发独立的模型，但是由于边缘设备计算资源有限，此方式进行模型开发会消耗较多的计算资源，延迟会增加。

技术实现思路

1、为了减少计算资源的消耗，本技术提供一种具有虹膜质量和攻击检测知识的模型生成方法及装置。

2、在本技术的第一方面提供了一种具有虹膜质量和攻击检测知识的模型生成方法，具体包括：

3、获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据，所述第一训练数据具有第一标签，所述第二训练数据具有第二标签，所述第一训练数据中存在具有所述第二标签的数据，所述第二训练数据中存在具有所述第一标签的数据，所述第一标签为虹膜呈现攻击检测标签，所述第二标签为虹膜质量检测标签；

4、采用所述第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用所述第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型；

5、从所述第一训练数据和所述第二训练数据中筛选第三训练数据，采用所述第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型，所述第三训练数据同时具有所述第一标签和所述第二标签；

6、基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型。

7、通过采用上述技术方案，获取到第一训练数据和第二训练数据，单独采用第一训练数据对虹膜呈现攻击检测模型进行训练，得到具有检测呈现攻击功能的虹膜呈现攻击检测教师网络模型，同理单独再采用第二训练数据对虹膜质量检测模型进行训练，得到具有检测虹膜质量的虹膜质量检测教师网络模型。接着从第一训练数据和第二训练数据中，筛选出具有第一标签和第二标签的第三训练数据，对学生网络模型进行训练，从而得到具有呈现攻击检测和虹膜质量检测两种任务的初步知识的初级学生网络模型。最后，通过知识蒸馏策略，将虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型中的知识较好地的迁移到初级学生网络模型中，从而得到联合虹膜质量和呈现攻击检测的模型，无需单独针对虹膜质量检测和虹膜呈现攻击检测开发模型，进而减少计算资源的消耗。

8、可选的，所述基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型，具体包括：

9、采用所述第一训练数据分别对所述虹膜质量检测教师网络模型和所述初级学生网络模型进行第一训练，以将所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型；

10、在第一训练后，采用所述第二训练数据分别对所述虹膜呈现攻击检测教师网络模型和第一训练后的初级学生网络模型进行第二训练，以将述虹膜呈现攻击检测教师网络模型的知识迁移至所述初级学生网络模型；

11、基于交替训练衰减策略公式，交替进行所述第一训练和所述第二训练，得到具有虹膜质量和攻击检测知识的模型。

12、通过采用上述技术方案，将第一训练数据，即虹膜呈现攻击相关的虹膜数据同时输入至虹膜质量检测教师网络模型和初级学生网络模型中，进行第一训练，使得第一训练数据训练初级学生网络模型同时，初级学生网络模型还能学习到虹膜质量检测教师网络模型的知识。接着交替进行第二训练，将第二训练数据输入至虹膜呈现攻击检测教师网络模型和初级学生网络模型中，使得初级学生网络模型学习到虹膜呈现攻击检测教师网络模型的知识。最后为了避免交替训练频率较高，初级学生网络模型的损失值波动较大，基于交替训练衰减策略公式，合理交替进行第一训练和第二训练，有助于更好地进行知识迁移，从而使得交替训练后得到联合虹膜质量和呈现攻击检测的模型准确性较高。

13、可选的，所述交替训练衰减策略公式为：式中，γ表示衰减系数，a表示当前交替次数，b表示衰减截止次数，n表示训练的总的回合数，当a大于等于b时，每个回合交替训练，r表示第一训练或第二训练的训练轮数。

14、通过采用上述技术方案，如果当前交替次数大于等于衰减截止次数，那么确定训练轮数为1，即进行1轮第一训练，再交替进行1轮第二训练；如果当前交替次数小于衰减截止次数，那么确定训练轮为n×exp(-γ×a/b)，即进行n×exp(-γ×a/b)轮第一训练，再交替进行n×exp(-γ×a/b)轮第二训练，通过此交替训练衰减策略，较好地避免触及学生网络模型的损失值波动较大。

15、可选的，所述采用所述第一训练数据分别对所述虹膜质量检测教师网络模型和所述初级学生网络模型进行第一训练，具体包括：

16、将所述第一训练数据分别输入至所述虹膜质量检测教师网络模型和所述初级学生网络模型，将所述虹膜质量检测教师网络模型三级的输出特征图进行空间特征融合处理，得到第一融合空间特征和对应的第一均值；

17、将所述初级学生网络模型三级的输出特征图进行空间特征融合处理，得到第二融合空间特征和对应的第二均值；

18、通过预设的空间特征约束函数对所述第一融合空间特征和所述第二融合空间特征进行约束，所述空间特征约束函数为：式中，μt-iqa,k表示第k张输出特征图的第一均值，μs,k表示第k张输出特征图的第二均值，ht-iqa,k表示第k张输出特征图的第一融合空间特征，hs,k表示第k张输出特征图的第二融合空间特征，m表示输出特征图的总数，k表示第k张输出特征图，ls表示空间特征约束损失值；

19、对所述虹膜质量检测教师网络模型和所述初级学生网络模型第三级的输出特征图进行特征提炼，得到提炼结果；

20、通过预设的余弦距离损失函数对所述提炼结果进行语义约束，并通过预设的攻击检测损失函数对所述初级学生网络模型中的攻击检测回归头进行约束，以完成第一训练。

21、通过采用上述技术方案，进行第一训练时，将虹膜质量检测教师网络模型和初级学生网络模型三级的输出特征图分别进行空间特征融合处理后，确定虹膜质量检测教师网络模型对应的第一融合空间特征和第一均值，初级学生网络模型对应的第二融合空间特征和第二均值，并基于空间特征约束函数，对第一融合空间特征和第二融合空间特征进行约束，使得三级的输出特征图空间位置对齐，且初级学生网络模型学习到虹膜质量检测教师网络模型的空间特征分布。接着对虹膜质量检测教师网络模型和初级学生网络模型分别对应的提炼结果进行语义约束，对初级学生网络模型的攻击检测回归头进行约束，从而使得第一训练过程中，虹膜质量检测教师网络模型中的知识更好地迁移至初级学生网络模型中。

22、可选的，所述第一标签包括假体类型对应的标签，所述通过预设的攻击检测损失函数对所述初级学生网络模型中的攻击检测回归头进行约束，具体包括：

23、若所述初级学生网络模型中的攻击检测回归头的输出结果为假体类型对应的标签，则对所述预设的攻击检测损失函数进行调整，得到调整后的攻击检测损失函数；

24、通过所述调整后的攻击检测损失函数对所述初级学生网络模型中的攻击检测回归头进行约束，以对所述输出结果进行惩罚，所述调整后的攻击检测损失函数为：

25、lb＝-glabel≠2×logpt-glabel＝2×(1-pt)αlogpt

26、式中，lb为调整后的攻击检测损失函数计算的攻击检测损失值，pt表示输出概率值，g表示攻击检测回归头输出结果对应的标签向量掩膜，α表示惩罚系数，label≠2表示输出结果不为假体类型对应的标签，label＝2表示输出结果为假体类型对应的标签。

27、通过采用上述技术方案，由于输出结果为假体类型对应的标签时，会存在误识别的问题，为了解决此问题，对假体类型对应的标签对应的输出结果进行惩罚。在对初级学生网络模型中攻击检测回归头进行约束，如果输出结果为假体类型对应的标签时，需要对预设的攻击检测损失函数进行调整，并按照调整后的攻击检测损失函数进行约束，从而使得后续联合虹膜质量和呈现攻击检测的模型准确性更高，避免误识别的情况。

28、可选的，所述基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型，具体包括：

29、采用所述第一训练数据分别对所述虹膜质量检测教师网络模型和所述初级学生网络模型进行第一训练，以将所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型；

30、基于模型剪枝策略，对所述虹膜呈现攻击检测教师网络模型的模型参数进行修剪微调，得到微调后的攻击检测模型参数和对应的目标掩膜；

31、采用所述第二训练数据对第一训练后的初级学生网络模型进行第二训练，并基于所述微调后的攻击检测模型参数、所述目标掩膜以及整体损失函数对第一训练后的初级学生网络模型的模型参数进行修正，得到具有虹膜质量和攻击检测知识的模型。

32、通过采用上述技术方案，初级学生网络模型确定后，采用第一训练数据对虹膜质量检测教师网络模型和初级学生网络模型进行第一训练，使得初级学生网络模型能更好地学习虹膜质量检测教师网络模型的知识。接着采用模型剪枝策略，对虹膜呈现攻击检测教师网络模型的模型参数进行修剪微调，得到微调后的攻击检测模型参数和对应目标掩膜，以得到轻量级的虹膜呈现攻击检测教师网络模型。最后采用第二训练数据对第一训练后的初级学生网络模型再进行训练，并将微调后的攻击检测模型参数、目标掩膜输入至整体损失函数，对第一训练后的初级学生网络模型在训练过程中进行损失补偿，避免初级学生网络模型遗忘呈现攻击检测的知识，有助于初级学生网络模型更好地完成知识迁移。

33、可选的，所述整体损失函数为：

34、

35、式中，表示微调后的攻击检测模型参数，表示第一训练后初级学生网络模型的模型参数，σ表示超参数，此时的lb1表示对第一训练后的初级学生网络模型中质量评价回归头对应的质量评价损失值，pm表示目标掩膜，lsum为整体损失值。

36、通过采用上述技术方案，将目标掩膜与初级学生网络模型的模型参数相乘得到乘积，从而使得对初级学生网络模型的模型参数进行修正，再将微调后的攻击检测模型参数减去得到的乘积，得到差值，最后将差值的二范数平方乘以超参数，再与质量评价损失值求和，最终得到整体损失值，训练过程，对整体损失值进行约束，从而避免初级学生网络模型对呈现攻击检测的知识的遗忘的同时，还能不断优化初级学生网络模型。

37、在本技术的第二方面提供了一种具有虹膜质量和攻击检测知识的模型生成装置，具体包括：

38、训练数据获取模块，用于获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据，所述第一训练数据具有第一标签，所述第二训练数据具有第二标签，所述第一训练数据中存在具有所述第二标签的数据，所述第二训练数据中存在具有所述第一标签的数据，所述第一标签为虹膜呈现攻击检测标签，所述第二标签为虹膜质量检测标签；

39、教师模型训练模块，用于采用所述第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用所述第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型；

40、学生模型训练模块，用于从所述第一训练数据和所述第二训练数据中筛选第三训练数据，采用所述第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型，所述第三训练数据同时具有所述第一标签和所述第二标签；

41、教师知识迁移模块，用于基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型。

42、通过采用上述技术方案，训练数据获取模块获取到第一训练数据和第二训练数据后，由教师模型训练模块采用第一训练数据对虹膜呈现攻击检测模型进行训练，采用第二训练数据对虹膜质量检测模型进行训练，分别得到虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型，接着由学生模型训练模块筛选出同时具有第一标签和第二标签的第三训练数据，采用第三训练数据对学生网络模型进行训练，得到初级学生网络模型。最后基于知识蒸馏策略，将虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型的知识迁移至初级学生网络模型中，得到具有虹膜质量和攻击检测知识的模型。

43、在本技术的第三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指令，当所述指令被执行时，执行如第一方面中任意一项所述的方法步骤。

44、在本技术的第四方面提供了一种电子设备，具体包括：

45、处理器、存储器及存储在存储器中并能够在处理器上运行的计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使所述电子设备执行如第一方面中任意一项所述的方法。

46、综上所述，本技术包括以下至少一种有益技术效果：

47、获取到第一训练数据和第二训练数据，单独采用第一训练数据对虹膜呈现攻击检测模型进行训练，得到具有检测呈现攻击功能的虹膜呈现攻击检测教师网络模型，同理单独再采用第二训练数据对虹膜质量检测模型进行训练，得到具有检测虹膜质量的虹膜质量检测教师网络模型。接着从第一训练数据和第二训练数据中，筛选出具有第一标签和第二标签的第三训练数据，对学生网络模型进行训练，从而得到具有呈现攻击检测和虹膜质量检测两种任务的初步知识的初级学生网络模型。最后，通过知识蒸馏策略，将虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型中的知识较好地的迁移到初级学生网络模型中，从而得到具有虹膜质量和攻击检测知识的模型，无需单独针对虹膜质量检测和虹膜呈现攻击检测开发模型，进而减少计算资源的消耗。