本发明涉及计算机,尤其涉及一种特征解耦模型的训练方法、活体攻击检测方法及装置。
背景技术:
1、活体攻击检测是人脸识别系统中不可缺少的一环,通过活体攻击检测可以有效的拦截非活体类型的攻击样本。然而,随着人脸识别系统不断的应用到更多的领域,会遇到多种表征差异迥异的场景特性,如何能让一套活体攻击检测模型在面对未知新场景部署时无差异性的适配成为了亟需解决的技术问题。
技术实现思路
1、本说明书的一个或多个实施例提供了一种特征解耦模型的训练方法、活体攻击检测方法及装置,能够利用特征解耦所得到的特征进行活体攻击检测,对活体攻击检测模型的鲁棒性进行优化。
2、根据第一方面,提供了一种特征解耦模型的训练方法,包括:
3、获取样本图像的样本特征;
4、将所述样本特征输入编码器进行特征解耦,得到域不变特征和特定特征;
5、基于所述域不变特征和所述特定特征进行特征重建,基于重建特征和所述样本特征,确定重建损失函数;
6、针对预设的分类子任务,设置针对所述子任务的预训练的分类器;
7、将所述特定特征输入所述分类器,基于所述分类器的识别结果对所述编码器进行对抗学习训练,并确定对抗学习损失函数;
8、基于所述重建损失函数和所述对抗学习损失函数,更新所述编码器。
9、作为第一方面所述方法的一种可选实施方式,所述分类器采用以下方式预训练得到:
10、针对所述分类子任务,获取训练样本集合;
11、在所述训练样本集合上对预先构建的类判别器进行有监督训练,得到所述分类器。
12、作为第一方面所述方法的一种可选实施方式,将所述特定特征输入所述分类器,基于所述分类器的识别结果对所述编码器进行对抗学习训练,并确定对抗学习损失函数,具体包括:
13、固定所述分类器的参数,将所述分类器对所述特定特征的识别结果分布与所述特定特征的真实标签分布之间的负交叉熵作为所述对抗学习损失函数;
14、以最小化所述负交叉熵为目标,训练所述编码器生成所述特定特征来欺骗所述分类器。
15、作为第一方面所述方法的一种可选实施方式,所述特定特征包括类无关特征和域特定特征;基于所述域不变特征和所述特定特征进行特征重建,基于重建特征和所述样本特征,确定重建损失函数,具体包括:
16、基于所述域不变特征和所述域特定特征进行特征重建,得到第一重建特征;
17、基于所述域不变特征和所述类无关特征进行特征重建,得到第二重建特征;
18、基于所述第一重建特征、所述第二重建特征和所述样本特征,确定所述编码器的重建损失函数。
19、具体地,所述分类子任务包括活体攻击识别子任务和域类型识别子任务;针对预设的分类子任务,设置针对所述子任务的预训练的分类器,具体包括:
20、针对所述活体攻击识别子任务,获取第一人脸图像样本,并为所述第一人脸图像样本设置用于表征该人脸图像样本是否属于活体攻击样本的第一标签;
21、基于所述第一人脸图像样本和所述第一标签,训练第一分类器;
22、针对域类型识别子任务,获取不同场景下的第二人脸图像样本,并为所述第二人脸图像样本设置用于表征所述第二人脸图像样本所述场景类型的第二标签;
23、基于所述第二人脸图像样本和所述第二标签,训练第二分类器。
24、可选地,将所述特定特征输入所述分类器,基于所述分类器的识别结果对所述编码器进行对抗学习训练,并确定对抗学习损失函数,具体包括:
25、将所述类无关特征输入所述第一分类器,将所述第一分类器对所述类无关特征的识别结果分布与所述类无关特征的真实标签分布之间的负交叉熵作为第一对抗学习损失函数;
26、基于所述第一对抗学习损失函数对所述编码器进行对抗学习训练;
27、将所述域特定特征输入预训练的第二分类器,基于所述第二分类器对所述域特定特征的识别结果分布与所述域特定特征的真实标签分布之间的负交叉熵作为第二对抗学习损失函数;
28、基于所述第二对抗学习损失函数对所述编码器进行对抗学习训练。
29、根据第二方面,提供了一种活体攻击检测模型的训练方法,包括:
30、获取人脸图像样本,所述人脸图像样本为不同场景下的常规人脸图像和活体攻击人脸图像;
31、将所述人脸图像样本输入特征生成器,得到第一特征;
32、将所述第一特征输入编码器进行特征解耦,从所述第一特征中提取出域不变特征;将所述域不变特征输入活体攻击分类器;所述编码器采用上述特征解耦模型的训练方法预先训练得到;
33、基于所述活体攻击分类器的识别结果和所述人脸图像样本的真实标签,确定损失函数;
34、基于所述损失函数,更新所述活体攻击分类器。
35、根据第三方面,提供了一种活体攻击检测方法,包括:
36、获取待识别人脸图像;
37、将所述待识别人脸图像输入活体攻击检测模型;所述活体攻击检测模型采用如上所述的活体攻击检测模型的训练方法预先训练得到;
38、基于所述活体攻击检测模型的识别结果,确定所述待识别人脸图像是否为活体攻击图像。
39、根据第四方面,提供了一种特征解耦模型的训练装置,包括:
40、第一数据获取模块,配置为获取样本图像的样本特征;
41、预训练模块,配置为针对预设的分类子任务,完成针对所述分类子任务的分类器的预训练;
42、第一训练模块,配置为将所述样本特征输入编码器进行特征解耦,得到域不变特征和特定特征;基于所述域不变特征和所述特定特征进行特征重建,基于重建特征和所述样本特征,确定重建损失函数;将所述特定特征输入所述分类器,基于所述分类器的识别结果对所述编码器进行对抗学习训练,并确定对抗学习损失函数;基于所述重建损失函数和所述对抗学习损失函数,更新所述编码器。
43、根据第五方面,提供了一种活体攻击检测模型的训练装置,包括:
44、第二数据获取模块,配置为获取人脸图像样本,所述人脸图像样本为不同场景下的常规人脸图像和活体攻击人脸图像;
45、第二训练模块,配置为将所述人脸图像样本输入特征生成器,得到第一特征;将所述第一特征输入编码器进行特征解耦,从所述第一特征中提取出域不变特征;将所述域不变特征输入活体攻击分类器;所述编码器采用上述特征解耦模型的训练方法预先训练得到;基于所述活体攻击分类器的识别结果和所述人脸图像样本的真实标签,确定损失函数;基于所述损失函数,更新所述活体攻击分类器。
46、根据第六方面,提供了一种活体攻击检测装置,包括:
47、第三数据获取模块,配置为获取待识别人脸图像;
48、活体攻击识别模块,配置为将所述待识别人脸图像输入活体攻击检测模型;所述活体攻击检测模型采用如上所述的活体攻击检测模型的训练方法预先训练得到;基于所述活体攻击检测模型的识别结果,确定所述待识别人脸图像是否为活体攻击图像。
49、根据第七方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项特征解耦模型的训练方法。
50、根据第八方面,提供了一种电子设备,包括:
51、一个或多个处理器;以及
52、与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行上述任一项特征解耦模型的训练方法的步骤。
53、根据第九方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述活体攻击检测模型的训练方法。
54、根据第十方面,提供了一种电子设备,包括:
55、一个或多个处理器;以及
56、与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行上述活体攻击检测模型的训练方法的步骤。
57、根据第十一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述活体攻击检测方法。
58、根据第十二方面,提供了一种电子设备,包括:
59、一个或多个处理器;以及
60、与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行上述活体攻击检测方法的步骤。
61、本说明书实施例所述的特征解耦模型的训练方法的有益效果在于,采用特征解耦的方法,训练编码器生成较准确的域不变特征,使得活体攻击检测模型的训练方法可以在跨域的情况下执行,具体来说,可以在完全不使用未知域数据的前提下,只使用历史数据进行训练,从而训练出的活体攻击检测模型在识别来自不同场景的图像时能体现出自身较强的鲁棒性。另外,在训练特征解耦模型的过程中采用了对抗学习训练,有利于进一步实现端到端的优化,利用特征解耦模型生成的域不变特征进行活体攻击检测,能够更加加强活体攻击检测模型的鲁棒性。
62、本说明书实施例所述的特征解耦模型的训练装置以及活体攻击检测装置同样具有上述有益效果。