本发明涉及人脸活体检测领域,具体地,涉及一种人脸活体检测模型的训练方法及系统。
背景技术:
1、随着信息时代的飞速发展,人脸信息在社会生活中得到越来越广泛的应用。一般人脸识别系统专注于人脸身份的识别,并不会区分输入的人脸是否来自真人,存在着巨大的安全隐患。例如,通过获取合法用户的人脸图像和视频可以欺骗人脸识别系统。因此,通过人脸活体检测来判别待检测人脸图像是否来自于合法用户的人脸图像就显得十分重要。
2、人脸活体检测包括交互式人脸活体检测和静默人脸活体检测。
3、交互式人脸活体检测需要客户根据系统发出的指令进行做出相应的动作,客户的体验感不佳。
4、静默人脸活体检测不需要客户与系统进行交互,只需要利用单张图像就可以进行真伪的判别,所以有着更加明显的易用性优势。在静默人脸活体检测的相关技术中,一般通过对输入的待检测图片进行人脸检测操作得到待检测图片中的人脸区域,再利用基于深度学习的cnn网络对人脸区域进行活体分类。尽管当前基于深度学习的人脸活体检测模型研究已经取得较大进展,但模型的准确度在很大程度上受到场景复杂度的制约。
技术实现思路
1、本申请提供了一种人脸活体检测模型的训练方法及系统。解决了现有技术中静默式人脸活体检测模型的准确度低的技术问题。本申请提出了一种人脸活体检测模型的损失函数,该损失函数可以为人脸活体检测模型提供丰富的语义信息,促使人脸活体检测模型学习区分真实人脸和攻击人脸之间的本质特征,从而提升人脸活体检测模型的精准性,提高人脸活体检测模型检测真实人脸和攻击人脸的准确率。
2、鉴于上述问题,本申请提供了一种人脸活体检测模型的训练方法及系统。
3、第一方面,本申请提供了一种人脸活体检测模型的训练方法,其中,所述方法应用于一种人脸活体检测模型的训练系统,所述方法包括:获取人脸图像集合;对所述人脸图像集合进行预处理,得到训练图像集合;将所述训练图像集合输入到待训练的人脸活体检测模型,得到待检测样本图像的预测标签值和预测掩码值,其中,所述人脸活体检测模型的损失函数包括交叉熵损失函数和基于掩码的交叉熵损失函数;根据所述预测标签值和所述预测掩码值计算损失函数的值,其中,所述损失函数的值包括交叉熵损失函数的值和基于掩码的交叉熵损失函数的值;根据所述损失函数的值调整所述人脸活体检测模型的参数,直至所述人脸活体检测模型收敛。
4、第二方面,本申请还提供了一种人脸活体检测模型的训练系统,其中,所述系统包括:人脸图像获取模块,所述人脸图像获取模块用于获取人脸图像集合;预处理模块,所述预处理模块用于对所述人脸图像集合进行预处理,得到训练图像集合;执行模块,所述执行模块用于将所述训练图像集合输入到待训练的人脸活体检测模型,得到待检测样本图像的预测标签值和预测掩码值,其中,所述人脸活体检测模型的损失函数包括交叉熵损失函数和基于掩码的交叉熵损失函数;损失函数计算模块,所述损失函数计算模块用于根据所述预测标签值和所述预测掩码值计算损失函数的值,其中,所述损失函数的值包括交叉熵损失函数的值和基于掩码的交叉熵损失函数的值;参数调整模块,所述参数调整模块用于根据所述损失函数的值调整所述人脸活体检测模型的参数,直至所述人脸活体检测模型收敛。
5、第三方面,本申请还提供了一种电子设备,包括:存储器,用于存储可执行指令;处理器,用于执行所述存储器中存储的可执行指令时,实现本申请提供的一种人脸活体检测模型的训练方法。
6、第四方面,本申请还提供了一种计算机可读存储介质,存储有计算机程序,该程序被处理器执行时,实现本申请提供的一种人脸活体检测模型的训练方法。
7、本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
8、通过对人脸图像集合进行预处理,得到训练图像集合;将训练图像集合输入到待训练的人脸活体检测模型,得到待检测样本图像的预测标签值和预测掩码值;根据预测标签值和预测掩码值计算损失函数的值;根据损失函数的值调整人脸活体检测模型的参数,直至人脸活体检测模型收敛。本申请提出了一种人脸活体检测模型的损失函数,该损失函数可以为人脸活体检测模型提供丰富的语义信息,促使人脸活体检测模型学习区分真实人脸和攻击人脸之间的本质特征,从而提升人脸活体检测模型的精准性,提高人脸活体检测模型检测真实人脸和攻击人脸的准确率。
9、上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
1.一种人脸活体检测模型的训练方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,对所述人脸图像集合进行预处理,包括:
3.如权利要求2所述的方法,其特征在于,所述方法包括:
4.如权利要求1所述的方法,其特征在于,所述人脸活体检测模型的损失函数的表达式为:
5.如权利要求4所述的方法,其特征在于,基于掩码的交叉熵损失函数的表达式为:
6.如权利要求4所述的方法,其特征在于,llabel表征交叉熵损失函数,交叉熵损失函数为crossentropy loss函数。
7.一种人脸活体检测模型的训练系统,其特征在于,所述系统用于执行权利要求1至6任一项所述的方法,所述系统包括:
8.一种电子设备,其特征在于,所述电子设备包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一项所述的一种人脸活体检测模型的训练方法。