生物检测模型的训练方法、生物检测方法及相关产品与流程

本申请涉及人工智能，尤其涉及一种生物检测模型的训练方法、生物检测方法及相关产品。

背景技术：

1、近年来，随着人脸识别系统的不断发展，生物检测成为人脸识别系统中不可缺少的一环。生物检测用于验证是否为真实的用户本人，通过生物检测，能够区分人体等生命物质的人脸生物特征和照片、硅胶、塑料等非生命物质伪造的人脸生物特征，防止不法分子通过伪造人脸特征通过人脸验证。

2、然而，随着人脸识别系统不断的应用到更多的领域，生物检测的场景会不断发生变化，并且会遇到不同类型的生物攻击，不同类型的生物攻击在不同场景中的表征迥异，现有的生物检测模型在场景、攻击类型变化后，对生物攻击的检测准确率低，难以应对不断变化的场景和不断变化的生物攻击类型。

技术实现思路

1、本申请实施例提供一种生物检测模型的训练方法、生物检测方法及相关产品，以对不同场景下的复杂生物攻击提供更优的检测效果，更好的应对新场景中的复杂生物攻击。

2、第一方面，本申请实施例提供一种生物攻击检测模型的训练方法，所述方法包括：

3、获取多个场景对应的多个多模态样本图像，所述多模态样本图像中包含待生物检测的样本目标的图像信息；

4、将所述多个多模态样本图像输入训练模型的特征提取网络，提取所述多个多模态样本图像中每个多模态样本图像的通用特征和特有特征；

5、将所述通用特征输入训练模型的场景分类网络，计算生成所述通用特征的对抗损失值；

6、将所述通用特征和所述特有特征输入所述训练模型的特征重组网络，对所述通用特征和所述特有特征进行重组，得到多个重组特征；其中，每个重组特征基于一个通用特征和一个特有特征重组而成；

7、将所述多个重组特征中的自组特征输入所述训练模型的攻击识别网络，计算识别所述自组特征的生物攻击类型的分类损失值；其中，所述自组特征重组所基于的通用特征和特有特征来自同一多模态样本图像；

8、将所述多个重组特征输入所述训练模型的对比网络，计算所述多个重组特征中的混合特征与所述自组特征之间的对比损失值，其中，所述混合特征重组所基于的通用特征和特有特征来自不同的多模态样本图像；

9、根据所述对抗损失值、分类损失值以及对比损失值计算总体损失值，根据所述总体损失值训练所述训练模型，根据训练后的所述训练模型中的特征提取网络、特征重组网络、攻击识别网络得到训练后的生物检测模型。

10、第二方面，本申请实施例提供一种生物检测方法，所述方法包括：

11、获取目标场景的多模态目标图像，其中，所述多模态目标图像中包含待生物检测的目标的图像信息；

12、将所述多模态目标图像输入训练后的生物检测模型中，预测所述多模态目标图像中的所述目标的生物攻击类型；

13、其中，所述生物检测模型通过前述实施例提供的生物检测模型的训练方法训练得到。

14、第三方面，本申请实施例提供一种生物检测模型的训练装置，所述装置包括：

15、样本获取模块，用于获取多个场景对应的多个多模态样本图像，所述多模态样本图像中包含待生物检测的样本目标的图像信息；

16、特征提取模块，用于将所述多个多模态样本图像输入训练模型的特征提取网络，提取所述多个多模态样本图像中每个多模态样本图像的通用特征和特有特征；

17、对抗损失计算模块，用于将所述通用特征输入训练模型的场景分类网络，计算生成所述通用特征的对抗损失值；

18、特征重组模块，用于将所述通用特征和所述特有特征输入所述训练模型的特征重组网络，对所述通用特征和所述特有特征进行重组，得到多个重组特征；其中，每个重组特征基于一个通用特征和一个特有特征重组而成；

19、分类损失模块，用于将所述多个重组特征中的自组特征输入所述训练模型的攻击识别网络，计算识别所述自组特征的生物攻击类型的分类损失值；其中，所述自组特征重组所基于的通用特征和特有特征来自同一多模态样本图像；

20、对比损失计算模块，用于将所述多个重组特征输入所述训练模型的对比网络，计算所述多个重组特征中的混合特征与所述自组特征之间的对比损失值，其中，所述混合特征重组所基于的通用特征和特有特征来自不同的多模态样本图像；

21、训练模块，用于根据所述对抗损失值、分类损失值以及对比损失值计算总体损失值，根据所述总体损失值训练所述训练模型，根据训练后的所述训练模型中的特征提取网络、特征重组网络、攻击识别网络得到训练后的生物检测模型。

22、第四方面，本申请实施例提供一种生物检测装置，所述装置包括：

23、图像获取模块，用于获取目标场景的多模态目标图像，其中，所述多模态目标图像中包含待生物检测的目标的图像信息；

24、预测模块，用于将所述多模态目标图像输入训练后的生物检测模型中，预测所述多模态目标图像中的所述目标的生物攻击类型；

25、其中，所述生物检测模型通过前述实施例提供的生物检测模型的训练方法训练得到。

26、第五方面，本申请实施例提供一种计算机设备，所述设备包括：

27、处理器；以及

28、被安排成存储计算机可执行指令的存储器，所述可执行指令被配置由所述处理器执行，所述可执行指令包括用于执行如前述实施例提供的生物检测模型的训练方法或如前述实施例提供的生物检测方法中的步骤。

29、第六方面，本申请实施例提供一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令使得计算机执行如前述实施例提供的生物检测模型的训练方法或如前述实施例提供的生物检测方法。

技术特征：

1.一种生物检测模型的训练方法，所述方法包括：

2.根据权利要求1所述的训练方法，所述获取多个场景对应的多个多模态样本图像，包括：

3.根据权利要求2所述的训练方法，所述多个模态的数据源，包括以下中的至少两个数据源：

4.根据权利要求1所述的训练方法，所述生物攻击类型包括以下中的至少一项：

5.根据权利要求1所述的训练方法，所述特征提取网络包括：通用特征提取网络；

6.根据权利要求5所述的训练方法，所述特征提取网络还包括：特有特征提取网络；

7.根据权利要求1所述的训练方法，所述将所述多个重组特征中的自组特征输入所述训练模型的攻击识别网络，计算识别所述自组特征的生物攻击类型的分类损失值，包括：

8.根据权利要求1所述的训练方法，所述将所述多个重组特征输入所述训练模型的对比网络，计算所述重组特征与所述重组特征中的自组特征的对比损失值，包括：

9.根据权利要求1所述的训练方法，所述根据所述总体损失值训练所述训练模型，包括：

10.一种生物检测方法，所述方法包括：

11.一种生物检测模型的训练装置，所述装置包括：

12.一种生物检测装置，所述装置包括：

13.一种计算机设备，其特征在于，所述设备包括：

14.一种存储介质，其特征在于，所述存储介质用于存储计算机可执行指令，所述可执行指令使得计算机执行如权利要求1-9或10任一项所述的方法。

技术总结
本申请实施例提供一种生物检测模型的训练方法、生物检测方法及相关产品，其中，训练方法包括：获取多个场景对应的多个多模态样本图像输入训练模型的特征提取网络，提取每个多模态样本图像的通用特征和特有特征；将通用特征输入训练模型的场景分类网络，计算对抗损失值；将通用特征和特有特征输入训练模型的特征重组网络，得到多个重组特征；将重组特征中的自组特征输入训练模型的攻击识别网络，计算分类损失值；将重组特征输入所述训练模型的对比网络，计算重组特征中的混合特征与该自组特征之间的对比损失值，根据所述对抗损失值、分类损失值以及对比损失值计算总体损失值训练所述训练模型，根据训练后的训练模型得到生物检测模型。

技术研发人员：武文琦
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：
技术公布日：2024/1/16