[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115376213A - 活体检测网络的训练及活体检测方法、装置、设备及介质 - Google Patents

活体检测网络的训练及活体检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN115376213A
CN115376213A CN202210832738.9A CN202210832738A CN115376213A CN 115376213 A CN115376213 A CN 115376213A CN 202210832738 A CN202210832738 A CN 202210832738A CN 115376213 A CN115376213 A CN 115376213A
Authority
CN
China
Prior art keywords
sphere
vector
network
living body
feature vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210832738.9A
Other languages
English (en)
Inventor
刘冲冲
付贤强
何武
朱海涛
户磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Dilusense Technology Co Ltd
Original Assignee
Hefei Dilusense Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Dilusense Technology Co Ltd filed Critical Hefei Dilusense Technology Co Ltd
Priority to CN202210832738.9A priority Critical patent/CN115376213A/zh
Publication of CN115376213A publication Critical patent/CN115376213A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例涉及人工智能技术领域，公开了一种活体检测网络的训练及活体检测方法、装置、设备及介质。活体检测网络包括特征提取网络和球心预测网络，活体检测网络的训练方法包括：获取训练数据，训练数据包括至少一个由至少一张活体人脸图像和一张假体人脸图像组成的图像组；基于特征提取网络对训练数据进行特征提取，得到活体特征向量和假体特征向量；基于训练数据驱动球心预测网络，生成球心向量；根据活体特征向量、假体特征向量和球心向量，确定损失值；根据损失值，向活体特征向量与球心向量距离更近且假体特征向量与球心向量距离更远的方向调整特征提取网络和球心预测网络的参数。提高了活体检测网络的鲁棒性。

Description

活体检测网络的训练及活体检测方法、装置、设备及介质
技术领域
本发明实施例涉及人工智能技术领域，特别涉及一种活体检测网络的训练及活体检测方 法、装置、设备及介质。
背景技术
为了应对利用被授权者的照片、视频、头套、头模等道具非法通过授权的问题，提出了 各类活体检测技术，其中，将深度学习技术应用于图像活体检测功能的开发由于深度学习技 术在图像处理技术中的出色表现得到了广泛的关注。目前基于神经网络实现的假体检测一种 常见实现方式是：采集大量的活体人脸图像和假体人脸图像作为训练数据，通过网络训练学 习活体/假体的成像细节，从而得到能够进行活体/假体的二分类神经网络。
然而，上述方法得到的二分类神经网络进行活体检测的准确性严重依赖于训练数据中假 体人脸图像的多样性，无法准确地对训练数据未覆盖到的假体类型进行分类，鲁棒性差。
发明内容
本发明实施例的目的在于提供一种活体检测网络的训练及活体检测方法、装置、设备及 介质，使得克服了对训练数据中假体人脸图像的依赖，能够对训练数据中的假体人脸图像未 覆盖到的假体类型进行准确的活体检测，提高了活体检测网络的鲁棒性。
为达到上述目的，本发明的实施例提供了一种活体检测网络的训练方法，所述活体检测 网络包括特征提取网络和球心预测网络，所述方法包括：获取训练数据，所述训练数据包括 至少一个由至少一张活体人脸图像和一张假体人脸图像组成的图像组；基于所述特征提取网 络对所述训练数据进行特征提取，得到特征向量组，所述特征向量组包括活体特征向量和假 体特征向量；基于所述训练数据驱动所述球心预测网络，生成球心向量；根据所述活体特征 向量、所述假体特征向量和所述球心向量，确定损失值；根据所述损失值，向所述活体特征 向量与所述球心向量距离更近且所述假体特征向量与所述球心向量距离更远的方向调整所述 特征提取网络和所述球心预测网络的参数。
为达到上述目的，本发明的实施例还提供了一种活体检测方法，包括：获取待测人脸图 像；将所述待测人脸图像输入活体检测网络，得到待测特征向量和预测球心向量；所述活体 检测网络为根据如上所述的活体检测网络的训练方法进行训练得到；检测所述待测特征向量 和所述预测球心向量之间的距离是否小于参考值；在检测到小于所述参考值的情况下，确定 所述待测人脸图像为活体图像；在检测到不小于所述参考值的情况下，确定所述待测人脸图 像为假体图像。
为达到上述目的，本发明的实施例还提供了一种活体检测网络的训练装置，所述活体检 测网络包括特征提取网络和球心预测网络，所述装置包括：第一获取模块，用于获取训练数 据，所述训练数据包括至少一个由至少一张活体人脸图像和一张假体人脸图像组成的图像组； 特征提取模块，用于基于所述特征提取网络对所述训练数据进行特征提取，得到特征向量组， 所述特征向量组包括活体特征向量和假体特征向量；预测模块，用于基于所述训练数据驱动 所述球心预测网络，生成球心向量；损失确定模块，用于根据所述活体特征向量、所述假体 特征向量和所述球心向量，确定损失值；调整模块，用于根据所述损失值，向所述活体特征 向量与所述球心向量距离更近且所述假体特征向量与所述球心向量距离更远的方向调整所述 特征提取网络和所述球心预测网络的参数。
为达到上述目的，本发明的实施例还提供了一种活体检测装置，包括：第二获取模块， 用于获取待测人脸图像；输入模块，用于将所述待测人脸图像输入活体检测网络，得到待测 特征向量和预测球心向量；所述活体检测网络为根据如上所述的活体检测网络的训练方法进 行训练得到；检测模块，用于检测所述待测特征向量和所述预测球心向量之间的距离是否小 于参考值；第一确定模块，用于在检测到小于所述参考值的情况下，确定所述待测人脸图像 为活体图像；第二确定模块，用于在检测到不小于所述参考值的情况下，确定所述待测人脸 图像为假体图像。
为达到上述目的，本发明的实施例还提供了一种电子设备，包括：至少一个处理器；以 及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个 处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执 行如上所述的活体检测网络的训练方法，或者，执行如上所述的活体检测方法。
为达到上述目的，本发明的实施例还提供了一种计算机可读存储介质，存储有计算机程 序，所述计算机程序被处理器执行时实现如上所述的活体检测网络的训练方法，或者，实现 如上所述的活体检测方法。
本发明实施例提供的活体检测网络的训练方法，获取包括至少一个由一张活体人脸图像 和一张假体人脸图像组成的图像组的训练数据后，基于特征提取网络对训练数据进行特征提 取，得到包括活体特征向量和假体特征向量的特征向量组；还基于训练数据驱动所述球心预 测网络，生成球心向量；从而根据由活体特征向量、假体特征向量和球心向量确定的损失值， 向活体特征向量与球心向量距离更近且假体特征向量与球心向量距离更远的方向，对特征提 取网络和球心预测网络的参数进行调整。从而特征提取网络将会学习到从活体人脸图像中提 取靠近训练好的球心预测网络生成的球心向量的活体特征向量，从假体人脸图像中提取远离 训练好的球心预测网络生成的球心向量的假体特征向量，从而在后续可以通过判断特征提取 网络提取出的特征向量是否靠近球心预测网络生成的球心向量，来判断被提取特征的人脸图 像为活体人脸图像还是假体人脸图像，以实现活体检测。并且由于活体特征向量靠近球心向 量，而假体特征向量远离球心向量，因此，活体特征向量和假体特征向量围绕球心向量的分 布将会形成一个球体，该球体以球心向量为球心，内部分布着活体特征向量，外部分布着假 体特征向量，其中，虽然训练数据是有限的，但是球体外部的空间是无限的，因此，基于该 球体能够基于无限的外部空间表示出无限多种假体特征向量，也就是说，可以学习到无限多 种假体特征，实现了对无限多种假体人脸图像的识别。即使存在训练数据无法覆盖的假体人 脸图像，也能够准确地进行活体检测，提高了活体检测模型的鲁棒性。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不 构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别 申明，附图中的图不构成比例限制。
图1是本发明一实施例中提供的活体检测网络的训练方法的流程图；
图2是本发明图1所示实施例中步骤102的流程图；
图3是本发明另一实施例中提供的活体检测网络包括球体半径预测网络情况下的活体检 测网络的训练方法的流程图；
图4是本发明另一实施例中提供的活体检测网络包括球体间隔预测网络情况下的活体检 测网络的训练方法的流程图；
图5是本发明另一实施例中提供的活体检测方法的流程图；
图6是本发明另一实施例中提供的活体检测网络的训练装置的结构示意图；
图7是本发明另一实施例中提供的活体检测装置的结构示意图；
图8是本发明另一实施例中提供的电子设备的结构示意图。
具体实施方式
由背景技术可知，目前基于二分类网络实现的假体检测网络严重依赖于训练数据中假体 人脸图像的多样性，无法准确地对训练数据未覆盖到的假体类型进行分类，鲁棒性差。
经分析发现，出现上述的原因之一在于：二分类网络需要通过训练数据学习活体人脸图 像的特征和假体人脸图像的特征，从而通过判断人脸图像的特征是属于活体人脸图像的特征 还是假体人脸图像的特征来实现活体检测，一旦出现训练数据未覆盖到的假体类型，由于无 法确定其在活体人脸图像的特征和假体人脸图像的特征之间的归属，而无法得到准确的活体 检测结果。
为解决上述问题，本发明实施例提供了一种活体检测网络的训练方法，所述活体检测网 络包括特征提取网络和球心预测网络，所述方法包括：获取训练数据，所述训练数据包括至 少一个由至少一张活体人脸图像和一张假体人脸图像组成的图像组；基于所述特征提取网络 对所述训练数据进行特征提取，得到特征向量组，所述特征向量组包括活体特征向量和假体 特征向量；基于所述训练数据驱动所述球心预测网络，生成球心向量；根据所述活体特征向 量、所述假体特征向量和所述球心向量，确定损失值；根据所述损失值，向所述活体特征向 量与所述球心向量距离更近且所述假体特征向量与所述球心向量距离更远的方向调整所述特 征提取网络和所述球心预测网络的参数。
本发明实施例提供的活体检测网络的训练方法，获取包括至少一个由一张活体人脸图像 和一张假体人脸图像组成的图像组的训练数据后，基于特征提取网络对训练数据进行特征提 取，得到包括活体特征向量和假体特征向量的特征向量组；还基于训练数据驱动所述球心预 测网络，生成球心向量；从而根据由活体特征向量、假体特征向量和球心向量确定的损失值， 向活体特征向量与球心向量距离更近且假体特征向量与球心向量距离更远的方向，对特征提 取网络和球心预测网络的参数进行调整。从而特征提取网络将会学习到从活体人脸图像中提 取靠近训练好的球心预测网络生成的球心向量的活体特征向量，从假体人脸图像中提取远离 训练好的球心预测网络生成的球心向量的假体特征向量，从而在后续可以通过判断特征提取 网络提取出的特征向量是否靠近球心预测网络生成的球心向量，来判断被提取特征的人脸图 像为活体人脸图像还是假体人脸图像，以实现活体检测。并且由于活体特征向量靠近球心向 量，而假体特征向量远离球心向量，因此，活体特征向量和假体特征向量围绕球心向量的分 布将会形成一个球体，该球体以球心向量为球心，内部分布着活体特征向量，外部分布着假 体特征向量，其中，虽然训练数据是有限的，但是球体外部的空间是无限的，因此，基于该 球体能够基于无限的外部空间表示出无限多种假体特征向量，也就是说，可以学习到无限多 种假体特征，实现了对无限多种假体人脸图像的识别。即使存在训练数据无法覆盖的假体人 脸图像，也能够准确地进行活体检测，提高了活体检测模型的鲁棒性。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实 施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施例中，为了 使读者更好地理解本发明而提出了许多技术细节。但是，即使没有这些技术细节和基于以下 各实施例的种种变化和修改，也可以实现本发明所要求保护的技术方案。
以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定， 各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明实施例一方面提供了一种活体检测网络的训练方法，应用于计算机、服务器等电 子设备，其中，活体检测网络包括特征提取网络和球心预测网络。其流程如图1所示，至少 包括以下步骤：
步骤101，获取训练数据，训练数据包括至少一个由至少一张活体人脸图像和一张假体 人脸图像组成的图像组。
本实施例中，活体人脸图像为对真实用户的人脸进行拍摄得到的二维图像；假体人脸图 像为在使用道具的情况下拍摄得到的二维图像，如对用户照片进行拍摄得到的图像、对使用 头套情况下的人脸进行拍摄等。训练数据中可以包括一个或多个图像组，每个图像组中至少 包括一张活体人脸图像，和一张假体人脸图像。
需要说明的是，本实施例中的训练数据是由二维图像组成，从而在构造训练集以训练活 体检测网络以及后续使用训练好的活体检测网络的过程中，所输入的图像均是静态二维图像， 使得获取图像时对摄像模组的帧率要求不高，有利于扩大应用范围。
在一些例子中，每个图像组由一张活体人脸图像和一张假体人脸图像组成。从而基于一 组活体人脸图像和假体人脸图像学习人脸图像中活体人脸图像和假体人脸图像的特征分布。
在另一些例子中，每个图像组在包括一张人脸图像和一张假体人脸图像的基础上，还包 括非活体图像，其中，非活体图像为拍摄内容不属于活体人类的二维图像。从而通过非活体 图像增强活体检测网络的鲁棒性，特别地，活体人脸图像可以通过非活体图像平缓过渡到假 体人脸图像，使得学习到的特征向量分布能够具有较好的连贯性，减少分布中的突变，提高 分布的准确性。
还需要说明的是，步骤101-步骤105主要是针对图像组中包括的活体人脸图像和假体人 脸图像进行说明，当步骤101中涉及的图像组还包括非活体图像的情况下，步骤102-步骤105 会产生适应性的调整，如，步骤102的实现方式为：基于特征提取网络对训练数据进行特征 提取，在得到活体特征向量和假体特征向量的同时还得到和非活体特征向量，非活体特征向 量也参与损失值的确定，以辅助活体检测网络的训练。可以理解的是，由于非活体图像的图 像内容不是活体，因此，从活体检测的角度而言，非活体特征向量更靠近假体人脸图像，进 而，在基于损失值进行网络参数的调整时，其调整的目标应该是非活体特征向量与球心的距 离更远。也就是说，对于下述步骤104进一步包括：根据活体特征向量、假体特征向量、非 活体特征向量和球心向量，确定损失值；步骤105进一步包括：根据损失值，向活体特征向 量与球心向量距离更近且假体特征向量和非活体特征向量均与球心向量距离更远的方向调整 特征提取网络和球心预测网络的参数。
步骤102，基于特征提取网络对训练数据进行特征提取，得到特征向量组，特征向量组 包括活体特征向量和假体特征向量。
本实施例不对特征提取网络进行限定，可以是由若干的卷积层、标准归一化层和非线性 激活层等构成的具有特征提取功能的神经网络。
为了便于本领域技术人员更好地理解特征特征提取网络，以下将通过举例的方式对特征 提取网络加以说明。
特征提取网络由3个由常规深度学习网络形成的特征子网络和1个特征融合子网络构成， 3个特征子网络依次串联，第一个特征子网络的输出为第2个特征子网络的输入，第2个特 征子网络的输出为第3个特征子网络的输入，3个特征子网络的输出一起作为特征融合网络 的输入。
每个特征子网络包括若干网络单元，每个网络单元依次由分辨率为1×1的卷积核构成的 卷积层、分辨率为R×R的卷积核构成的卷积层、标准归一化层、非线性激活层串联构成， 其中，R为大于1的奇数超参数，分辨率为1×1的卷积核构成的卷积层表示以1为步进参数、 以0为填充参数的卷积操作，分辨率为R×R的卷积核构成的卷积层表示以2为步进参数、 以R-1为填充参数的卷积操作。并且分辨率为R×R的卷积核构成的卷积层是一个参数不可 学习的径向对称卷积核，该径向对称卷积核的参数全部参数大于0且满足全部参数的累加和 为1。
特征融合子网络依次由一个池化层、拼接层和全连接层串联构成，从而3个特征子网络 的输出经过池化层后得到3个特征输出，进而这3个特征输出被送入拼接层拼接，输出为1 个特征向量，最后经过全连接层处理后得到一个N维向量，其中，N为大于2的超参数。
从而假体检测网络能够基于自身的平移等变性和旋转等变性，对输入的训练数据变化适 应性广，有利于提升活体人脸图像的接受率和假体脸图像的拒绝率。
当然，以上仅为具体的举例说明，在其他例子中，特征提取网络还可以是金字塔结构的 卷积神经网络等，此处就不再一一赘述了。
此外，为了让特征提取网络能够更关注人脸的特征，还可以对训练数据中的图像进行处 理，使网络的关注点落在人脸特征上。因此，在一些实施例中，步骤102可以通过如下方式 实现：
步骤1021，将训练数据中的每个图像选取i个特征点，i为正整数。
本实施例中不对i进行限定，也不对i个特征点对应的人脸特征进行限定。在一些例子中， i个特征点可以是左眼中心、右眼中心、鼻尖、嘴巴中心等中的一个或多个。
步骤1022，分别以特征点为中心并以预设长度为边长，确定出i个目标正方形区域。
本实施例以预设长度描述目标正方形区域的边长，在其他实施例中，目标正方形目标区 域的边长还可以是有第j个特征点和第j+1个特征点之间的距离确定，如将第j个特征点和第 j+1个特征点之间的欧式距离的一半作为第j个特征点对应的目标正方形区域的边长，能够灵 活地确定目标正方形区域，即能够获取足够多的信息用于特征提取，也不会使得各个目标正 方形区域之间重叠过多导致基于不同的目标正方形区域多次重复提取相同特征。此外，在其 他实施例中确定出的区域也可以不是正方形而是圆形等，此处就不再一一赘述了。
步骤1023，将目标正方形区域依次替换到预设图像中相同位置，得到i个参考图像。
本实施例中，预设图像的分辨率与目标正方形区域内的图像分辨率相同。并且预设图像 可以是随机选取的一张与目标正方形区域内的图像分辨率相同的图像，还可以是自主构造， 如在训练数据所包含的图像的像素值值域内随机生成像素值并基于生成的像素值生成与训练 数据所包含的图像通道数相同的图像等。其中，还可以通过对预设图像和训练数据中的图像 通过resize处理，使得其分辨率变为预设的分辨率，此时，预设的分辨率为超参数。
步骤1024，将训练数据中的图像和对应的i个参考图像进行拼接，得到第一拼接图像。
需要说明的是，第一拼接图像中包括训练数据中的原始图像，以避免第一拼接图像丢失 关于参考图像之间的关联关系信息，即将训练数据中的图像及其对应的i个参考图像进行拼 接，得到第一拼接图像。
步骤1025，对各第一拼接图像进行特征提取，得到特征向量组。
步骤103，基于训练数据驱动球心预测网络，生成球心向量。
本实施例中，球心预测网络无输入，当训练数据被输入特征提取网络的时候，还会驱动 球心预测网络进行球心预测。
需要强调的是，球心向量、活体特征向量和假体特征向量的维度相同。
需要说明的是，图1是以先执行步骤102再执行步骤103为例进行说明，在其他情况下， 步骤102和步骤103还可以同时实现，此处就不再一一赘述了。
步骤104，根据活体特征向量、假体特征向量和球心向量，确定损失值。
步骤105，根据损失值，向活体特征向量与球心向量距离更近且假体特征向量与球心向 量距离更远的方向调整特征提取网络和球心预测网络的参数。
本实施例中，活体特征向量与球心向量的距离，以及，假体特征向量与球心向量的距离 可以是欧式距离、概率分布距离等。其中，当其为概率分布距离时，需要具有足够数量的活 体特征向量、假体特征向量和球心向量，即需要输入若干组图像组，并且最终学习到的球体 为概率球壳。
可以理解的是，由于参数的调整方向为活体特征向量与球心向量距离更近且假体特征向 量与球心向量距离更远的方向，因此，为了便于调整，损失值确定时使用的损失函数应当包 含与活体特征向量到球心向量的距离正相关的项、与假体特征向量到球心向量的距离负相关 的项。此外，为了便于本领域技术人员更好地理解相关实施例，以下说明将会以活体特征向 量与球心向量的距离，以及，假体特征向量与球心向量的距离为概率分布距离为例进行描述， 而并不意味着只能使用概率分布距离。
在一些例子中，确定损失值时使用的损失函数可以为：∑bpdd(b,1)-∑bpdd(b,2)，其中，
Figure BDA0003746142460000081
k＝1时对应活体人脸图像，k＝2对应假体人脸图像，pdd(b,k)表 示第b个图像组中的活体(假体)人脸图像的活体(假体)特征向量与球心向量的概率分布 距离，
Figure BDA0003746142460000082
表示训练数据中的第b个图像 组中的活体人脸图像的活体(假体)特征向量的概率分布，
Figure BDA0003746142460000083
表示训练数据中的第b个图 像组中的活体(假体)人脸图像驱动球心预测网络生成的球心向量的概率分布，
Figure BDA0003746142460000084
表 示训练数据中的第b个图像组中活体(假体)人脸图像的活体(假体)特征向量的第n维特 征，
Figure BDA0003746142460000085
表示训练数据中的第b个图像组中的假体人脸图像的球心向量的第n维特征， pddf(P，Q)表示概率分布P和概率分布Q的概率分布距离，如相对熵。
本实施例中，特征提取网络和球心预测网络都会被向着损失值减小的方向进行调整。从 而按照神经网络向着损失值减小的方向进行学习调整时，活体特征向量与球心向量的距离越 近，假体特征向量与球心向量的距离越远，并且由于距离与方向无关，因此，实现了将活体 特征向量压缩到球壳内，将假体特征向量分布到球壳外。使得由特征提取网络和球心预测网 络构成的活体检测网络能够学习到活体人脸图像和假体人脸图像的特征分布，并且是基于有 限的训练数据学习到假体人脸图像在球壳外的无限可能的位置，也就是说，学习到分布在球 壳外的无限空间的表示各种类型假体的特征，即覆盖了所有类型的假体。
需要说明的是，预测特征分布是基于概率的球壳，球壳所在的球体的半径使用的是预设 值。
考虑到不同的场景可能会对应不同的球体半径，即对应不同参数的基于概率的球壳分布， 因此，为了更好地学习基于概率的球壳分布，活体检测网络中还可以设置有用于学习预测球 体半径的球体半径预测网络，使得活体检测网络能够基于球体半径预测网络灵活准确地预测 出基于概率的球壳分布中的球体半径，提高了基于概率的球壳分布的鲁棒性和准确性。基于 此，如图3所示，在一些实施例中，活体检测网络的训练方法至少还包括以下步骤：
步骤106，基于训练数据驱动球体半径预测网络，生成与活体特征向量对应的球体半径 值。
本实施例中，球体半径预测网络无输入，当训练数据被输入特征提取网络的时候，还会 驱动球体半径预测网络进行球体半径预测。其中，球体半径预测网络的输出为一个1×1维的 向量。
相应地，此时步骤104可以通过如下方式实现：根据活体特征向量、假体特征向量、球 心向量和球体半径值，确定损失值。步骤105通过如下方式实现：根据损失值，向活体特征 向量到球心向量的距离不超过球体半径值、假体特征向量到球心向量的距离超过球体半径值 且球体半径值更小的方向调整特征提取网络、球心预测网络和球体半径预测网络的参数。
在一些例子中，确定损失值时使用的损失函数可以是：
Figure RE-GDA0003882629400000091
其中，
Figure RE-GDA0003882629400000092
表示基于训练数 据中的第b个图像组驱动球体半径预测网络的所预测出的球体半径值，k＝1时，
Figure RE-GDA0003882629400000093
表示基于训练数据中的第b个图像组中的活体人脸图像驱动球体半径预测网络的所预测出的 球体半径值，k＝2时，
Figure RE-GDA0003882629400000094
表示基于训练数据中的第b个图像组中的假体人脸图像驱动球 体半径预测网络的所预测出的球体半径值。
为了使最终活体分布和假体分布的最小距离大于零，活体检测网络中还可以设置有用于 学习预测球体间隔的球体间隔预测网络，提高了基于概率的球壳分布的鲁棒性和准确性。基 于此，在一些实施例中，如图4所示，活体检测网络的训练方法至少还包括以下步骤：
步骤107，基于训练数据驱动球体间隔预测网络，生成与活体特征向量对应的球体间隔 值。
本实施例中，球体间隔预测网络无输入，当训练数据被输入特征提取网络的时候，还会 驱动球体间隔预测网络进行球体间隔预测。其中，球体间隔预测网络的输出为一个1×1维的 向量。
相应地，此时步骤104可以通过如下方式实现：根据活体特征向量、假体特征向量、球 心向量和球体间隔值，确定损失值；步骤105通过如下方式实现：根据损失值，向活体特征 向量到球心向量的距离不超过球体半径与球体间隔值之差、假体特征向量到球心向量的距离 超过球体半径与球体间隔值之和且球体间隔值更大的方向调整特征提取网络、球心预测网络 和球体间隔预测网络的参数。
在一些例子中，确定损失值时使用的损失函数可以是：
Figure BDA0003746142460000101
其中，
Figure BDA0003746142460000102
表示基于训练数据 中的第b个图像组驱动球体间隔预测网络的所预测出的球体间隔值，k＝1时，
Figure BDA0003746142460000103
表示基 于训练数据中的第b个图像组中的活体人脸图像驱动球体间隔预测网络的所预测出的球体间 隔值，k＝2时，
Figure BDA0003746142460000104
表示基于训练数据中的第b个图像组中的假体人脸图像驱动球体间隔 预测网络的所预测出的球体间隔值。
特别地，在一些实施例中，活体检测网络同时包括球体半径预测网络和球体间隔预测网 络的情况下，步骤104通过如下方式实现：根据活体特征向量、假体特征向量、球心向量、 球体半径值和球体间隔值，确定损失值。步骤105通过如下方式实现：根据损失值，向活体 特征向量到球心向量的距离不超过球体半径值与球体间隔值之差、假体特征向量到球心向量 的距离超过球体半径值与球体间隔值之和、球体间隔值更大且球体半径值更小的方向调整特 征提取网络、球心预测网络、球体间隔预测网络和球体半径预测网络的参数，球体半径值由 球体半径预测网络基于训练数据驱动生成。
在一些例子中，在活体检测网络同时包括球体半径预测网络和球体间隔预测网络的情况 下，确定损失值时可以通过如下损失函数实现：
Figure BDA0003746142460000105
Figure BDA0003746142460000106
在一些例子中，还考虑球体间隔值与球体半径值的约束，如步骤105通过如下方式实现： 根据所述损失值，向活体特征向量到球心向量的距离不超过球体半径值与球体间隔值之差、 假体特征向量到球心向量的距离超过球体半径值与球体间隔值之和、球体间隔值更大、球体 半径值更小且球体半径值与球体间隔值的比值更接近预设比例的方向调整特征提取网络、球 心预测网络、球体间隔预测网络和球体半径预测网络的参数。如确定损失值时使用的损失函 数还包括：
Figure BDA0003746142460000107
其中，
Figure BDA0003746142460000108
表示基于训练数据中的第b个图像组驱 动球体间隔预测网络的所预测出的球体间隔值，
Figure BDA0003746142460000111
表示基于训练数据中的第b张图像 驱动球体半径预测网络的所预测出的球体半径值，k＝1对应活体人脸图像，k＝2对应假体人脸 图像。
在一些实施例中，在图像组还包括非活体图像的情况下，由于非活体图像相对于活体人 脸图像，更接近假体人脸图像，因此，在确定损失值时上述实施例所涉及的损失函数中非活 体特征向量应当具有与假体特征向量相同的表示。为了便于本领域技术人员更好地理解非活 体在损失函数中的表示，以下将以具体表达式说明损失函数，其中，图像组包括一张活体人 脸图像、一张假体人脸图像和一张非活体图像。
Figure BDA0003746142460000112
Figure BDA0003746142460000113
Figure BDA0003746142460000114
Figure BDA0003746142460000115
其中，wnet为损失值，α1、α2、α3、α4、α5均为大于0的超参数，B表示训练数据中包含 的图像组的数量，
Figure BDA0003746142460000116
表示图像驱动球体半径预测网络得到的球体半径值，pdd(b,k)表示图像经特征提取网络提取出的特征与图像驱动球心预测网络得到的球心向量之间的概率分布距 离，
Figure BDA0003746142460000117
表示图像驱动球心预测网络得到的球心向量，
Figure BDA0003746142460000118
表示图像驱动球体间隔网 络得到的球体间隔值，k＝1表示图像为活体人脸图像，k＝2表示图像为假体人脸图像，k＝3表 示图像为非活体图像。
需要说明的是，上述表达式中以对第一概率分布距离项、第二概率分布距离项和第三概 率分布距离项分别与半径损失项和间隔损失项写入一个表达式中为例，并额外引入“0”保证 损失值始终大于0，而不意味着损失值只能通过上述表达式实现，在其他实施例中，第一概 率分布距离项、第二概率分布距离项和第三概率分布距离项、半径损失项和间隔损失项等可 以采用其他方式结合，此处就不再一一赘述了。
在活体特征向量与球心向量的距离，以及，假体特征向量与球心向量的距离为概率分布 距离的情况下，活体检测网络的训练方法实际是一种基于概率球壳的训练方法，其得到的由 特征提取网络和球心预测网络等组成活体检测网络的输出可以形成一个概率球壳，该球壳所 在的球体的球心概率分布为
Figure BDA0003746142460000119
在活体检测网络还包括球体半径预测网络和球体间隔预测网 络的情况下，球壳的内半径为
Figure BDA0003746142460000121
球壳的外半径为
Figure BDA0003746142460000122
活体人 脸图像的特征分布在球壳内部，假体人脸图像和非活体图像的特征分布在球壳外部任意区域。
本发明实施例另一方面还提供了一种活体检测方法，应用于，其流程如图5所示，至少 包括以下步骤：
步骤501，获取待测人脸图像。
步骤502，将待测人脸图像输入活体检测网络，得到待测特征向量和预测球心向量。
需要强调的是，本实施例中涉及的活体检测网络为根据前述实施例中提供的活体检测网 络的训练方法进行训练得到。
步骤503，检测待测特征向量和预测球心向量之间的距离是否小于参考值，若是，执行 步骤504，若否，执行步骤505。
在一些例子中，参考值为预设的球体半径。
在另一些例子中，活体检测网络包括球体半径预测网络，此时，参考值可以为活体检测 网络基于待测人脸图像输出的预测球体半径值。
需要说明的是，距离可以是欧氏距离，也可以是概率分布距离等，其含义与训练活体检 测网络时采用的活体人脸图像与球心向量的距离的含义一致即可，此处就不再一一赘述了。
步骤504，确定待测人脸图像为活体图像。
步骤505，确定待测人脸图像为假体图像。
本实施例提供的活体检测方法，算法网络规模小，运算量小，能够部署在算力薄弱的硬 件芯片上，有利于扩大其应用范围。并且在将视频作为一帧帧图像组成时，还可以对视频进 行活体检测。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些 步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对 算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的 核心设计都在该专利的保护范围内。
本发明实施例另一方面还提供了一种活体检测网络的训练装置，活体检测网络包括特征 提取网络和球心预测网络，如图6所示，活体检测网络的训练装置包括：
第一获取模块601，用于获取训练数据，训练数据包括至少一个由一张活体人脸图像和 一张假体人脸图像组成的图像组。
特征提取模块602，用于基于特征提取网络对训练数据进行特征提取，得到特征向量组， 特征向量组包括活体特征向量和假体特征向量。
预测模块603，用于基于训练数据驱动球心预测网络，生成球心向量。
损失确定模块604，用于根据活体特征向量、假体特征向量和球心向量，确定损失值。
调整模块605，用于根据损失值，向活体特征向量与球心向量距离更近且假体特征向量 与球心向量距离更远的方向调整特征提取网络和球心预测网络的参数。
本发明实施例另一方面还提供了一种活体检测装置，如图7所示，包括：
第二获取模块701，用于获取待检测人脸图像。
输入模块702，用于将待检测人脸图像输入活体检测网络，得到待测特征向量和预测球 心向量；活体检测网络为根据如上实施例所提供的活体检测网络的训练方法进行训练得到。
检测模块703，用于检测待测特征向量和预测球心向量之间的距离是否小于参考值。
第一确定模块704，用于在检测到小于参考值的情况下，确定待测人脸图像为活体图像。
第二确定模块705，用于在检测到不小于参考值的情况下，确定待测人脸图像为假体图 像。
不难发现，上述装置实施例与方法实施例分别相对应，装置实施例可与方法实施例互相 配合实施。方法实施例中提到的相关技术细节在装置实施例中依然有效，为了减少重复，这 里不再赘述。相应地，装置实施例中提到的相关技术细节也可应用在方法实施例中。
值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑 单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合 实现。此外，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术 问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。
本发明实施例另一方面还提供了一种电子设备，如图8所示，包括：至少一个处理器801； 以及，与至少一个处理器801通信连接的存储器802；其中，存储器802存储有可被至少一 个处理器801执行的指令，指令被至少一个处理器801执行，以使至少一个处理器801能够 执行上述任一方法实施例所描述的方法。
其中，存储器802和处理器801采用总线方式连接，总线可以包括任意数量的互联的总 线和桥，总线将一个或多个处理器801和存储器802的各种电路连接在一起。总线还可以将 诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域 所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。 收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介 质上与各种其他装置通信的单元。经处理器801处理的数据通过天线在无线介质上进行传输， 进一步，天线还接收数据并将数据传输给处理器801。
处理器801负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口， 电压调节、电源管理以及其他控制功能。而存储器802可以被用于存储处理器801在执行操 作时所使用的数据。
本发明实施方式另一方面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方法实施例。
即，本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序 来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备 (可以是单片机，芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或 部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、 随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码 的介质。
本领域的普通技术人员可以理解，上述各实施例是实现本发明的具体实施例，而在实际 应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (14)

1.一种活体检测网络的训练方法，其特征在于，所述活体检测网络包括特征提取网络和球心预测网络，所述方法包括：
获取训练数据，所述训练数据包括至少一个由至少一张活体人脸图像和一张假体人脸图像组成的图像组；
基于所述特征提取网络对所述训练数据进行特征提取，得到特征向量组，所述特征向量组包括活体特征向量和假体特征向量；
基于所述训练数据驱动所述球心预测网络，生成球心向量；
根据所述活体特征向量、所述假体特征向量和所述球心向量，确定损失值；
根据所述损失值，向所述活体特征向量与所述球心向量距离更近且所述假体特征向量与所述球心向量距离更远的方向调整所述特征提取网络和所述球心预测网络的参数。
2.根据权利要求1所述的活体检测网络的训练方法，其特征在于，所述图像组还包括非活体图像，所述特征向量组还包括所述非活体特征向量；
根据所述活体特征向量、所述假体特征向量和所述球心向量，确定损失值，包括：
根据所述活体特征向量、所述假体特征向量、所述非活体特征向量和所述球心向量，确定所述损失值；
所述根据所述损失值，向所述活体特征向量与所述球心向量距离更近且所述假体特征向量与所述球心向量距离更远的方向调整所述特征提取网络和所述球心预测网络的参数，包括：
根据所述损失值，向所述活体特征向量与所述球心向量距离更近且所述假体特征向量和所述非活体特征向量均与所述球心向量距离更远的方向调整所述特征提取网络和所述球心预测网络的参数。
3.根据权利要求1或2所述的活体检测网络的训练方法，其特征在于，所述活体检测网络还包括球体半径预测网络，所述根据所述活体特征向量、所述假体特征向量和所述球心向量，确定损失值之前，所述方法还包括：
基于所述训练数据驱动所述球体半径预测网络，生成与所述活体特征向量对应的球体半径值；
所述根据所述活体特征向量、所述假体特征向量和所述球心向量，确定损失值，包括：
根据所述活体特征向量、所述假体特征向量、所述球心向量和所述球体半径值，确定所述损失值；
所述根据所述损失值，向所述活体特征向量与所述球心向量距离更近且所述假体特征向量与所述球心向量距离更远的方向调整所述特征提取网络和所述球心预测网络的参数，包括：
根据所述损失值，向所述活体特征向量到所述球心向量的距离不超过所述球体半径值、所述假体特征向量到所述球心向量的距离超过所述球体半径值且所述球体半径值更小的方向调整所述特征提取网络、所述球心预测网络和所述球体半径预测网络的参数。
4.根据权利要求1或2所述的活体检测网络的训练方法，其特征在于，所述活体检测网络还包括球体间隔预测网络，所述根据所述活体特征向量、所述假体特征向量和所述球心向量，确定损失值之前，所述方法还包括：
基于所述训练数据驱动所述球体间隔预测网络，生成与所述活体特征向量对应的球体间隔值；
所述根据所述活体特征向量、所述假体特征向量和所述球心向量，确定损失值，包括：
根据所述活体特征向量、所述假体特征向量、所述球心向量和所述球体间隔值，确定所述损失值；
所述根据所述损失值，向所述活体特征向量与所述球心向量距离更近且所述假体特征向量与所述球心向量距离更远的方向调整所述特征提取网络和所述球心预测网络的参数，包括：
根据所述损失值，向所述活体特征向量到所述球心向量的距离不超过球体半径与所述球体间隔值之差、所述假体特征向量到所述球心向量的距离超过所述球体半径与所述球体间隔值之和且所述球体间隔值更大的方向调整所述特征提取网络、所述球心预测网络和所述球体间隔预测网络的参数。
5.根据权利要求4所述的活体检测网络的训练方法，其特征在于，在所述活体检测网络还包括球体半径预测网络的情况下，所述根据所述损失值，向所述活体特征向量到所述球心向量的距离不超过球体半径与所述球体间隔值之差、所述假体特征向量到所述球心向量的距离超过所述球体半径与所述球体间隔值之和且所述球体间隔值更大的方向调整所述特征提取网络、所述球心预测网络和所述球体间隔预测网络的参数，包括：
根据所述损失值，向所述活体特征向量到所述球心向量的距离不超过球体半径值与所述球体间隔值之差、所述假体特征向量到所述球心向量的距离超过所述球体半径值与所述球体间隔值之和、所述球体间隔值更大且所述球体半径值更小的方向调整所述特征提取网络、所述球心预测网络、所述球体间隔预测网络和所述球体半径预测网络的参数，所述球体半径值由所述球体半径预测网络基于所述训练数据驱动生成。
6.根据权利要求5所述的活体检测网络的训练方法，其特征在于，所述根据所述损失值，向所述活体特征向量到所述球心向量的距离不超过所述球体半径预测网络基于所述训练数据驱动生成的球体半径值与所述球体间隔值之差、所述假体特征向量到所述球心向量的距离超过所述球体半径预测网络基于所述训练数据驱动生成的球体半径值与所述球体间隔值之和、所述球体间隔值更大且所述球体半径预测网络基于所述训练数据驱动生成的球体半径值更小的方向调整所述特征提取网络、所述球心预测网络、所述球体间隔预测网络和所述球体半径预测网络的参数，包括：
根据所述损失值，向所述活体特征向量到所述球心向量的距离不超过所述球体半径值与所述球体间隔值之差、所述假体特征向量到所述球心向量的距离超过所述球体半径值与所述球体间隔值之和、所述球体间隔值更大、所述球体半径值更小且所述球体半径值与所述球体间隔值的比值更接近预设比例的方向调整所述特征提取网络、所述球心预测网络、所述球体间隔预测网络和所述球体半径预测网络的参数，所述球体半径值由所述球体半径预测网络基于所述训练数据驱动生成。
7.根据权利要求1或2所述的活体检测网络的训练方法，其特征在于，所述基于所述特征提取网络对所述训练数据进行特征提取，得到特征向量组，包括：
将所述训练数据中的每个图像选取i个特征点，i为正整数；
分别以所述特征点为中心并以预设长度为边长，确定出i个目标正方形区域；
将所述目标正方形区域依次替换到预设图像中相同位置，得到i个参考图像；
将所述训练数据中的图像和对应的i个参考图像进行拼接，得到第一拼接图像；
对各所述第一拼接图像进行特征提取，得到所述特征向量组。
8.一种活体检测方法，其特征在于，包括：
获取待测人脸图像；
将所述待测人脸图像输入活体检测网络，得到待测特征向量和预测球心向量；所述活体检测网络为根据权利要求1至7中任一项所述的活体检测网络的训练方法进行训练得到；
检测所述待测特征向量和所述预测球心向量之间的距离是否小于参考值；
在检测到小于所述参考值的情况下，确定所述待测人脸图像为活体图像；
在检测到不小于所述参考值的情况下，确定所述待测人脸图像为假体图像。
9.根据权利要求8所述的活体检测方法，其特征在于，所述参考值为训练所述活体检测网络时使用的预设球体半径。
10.根据权利要求8所述的活体检测方法，其特征在于，在所述活体检测网络包括球体半径预测网络的情况下，所述参考值为所述活体检测网络基于所述待测人脸图像驱动生成的预测球体半径值。
11.一种活体检测网络的训练装置，其特征在于，所述活体检测网络包括特征提取网络和球心预测网络，所述装置包括：
第一获取模块，用于获取训练数据，所述训练数据包括至少一个由至少一张活体人脸图像和一张假体人脸图像组成的图像组；
特征提取模块，用于基于所述特征提取网络对所述训练数据进行特征提取，得到特征向量组，所述特征向量组包括活体特征向量和假体特征向量；
预测模块，用于基于所述训练数据驱动所述球心预测网络，生成球心向量；
损失确定模块，用于根据所述活体特征向量、所述假体特征向量和所述球心向量，确定损失值；
调整模块，用于根据所述损失值，向所述活体特征向量与所述球心向量距离更近且所述假体特征向量与所述球心向量距离更远的方向调整所述特征提取网络和所述球心预测网络的参数。
12.一种活体检测装置，其特征在于，包括：
第二获取模块，用于获取待测人脸图像；
输入模块，用于将所述待测人脸图像输入活体检测网络，得到待测特征向量和预测球心向量；所述活体检测网络为根据权利要求1至7中任一项所述的活体检测网络的训练方法进行训练得到；
检测模块，用于检测所述待测特征向量和所述预测球心向量之间的距离是否小于参考值；
第一确定模块，用于在检测到小于所述参考值的情况下，确定所述待测人脸图像为活体图像；
第二确定模块，用于在检测到不小于所述参考值的情况下，确定所述待测人脸图像为假体图像。
13.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的活体检测网络的训练方法，或者，执行如权利要求8至10中任一项所述的活体检测方法。
14.一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如权利要求1至7中任一项所述的活体检测网络的训练方法，或者，实现如权利要求8至10中任一项所述的活体检测方法。
CN202210832738.9A 2022-07-14 2022-07-14 活体检测网络的训练及活体检测方法、装置、设备及介质 Pending CN115376213A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210832738.9A CN115376213A (zh) 2022-07-14 2022-07-14 活体检测网络的训练及活体检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210832738.9A CN115376213A (zh) 2022-07-14 2022-07-14 活体检测网络的训练及活体检测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115376213A true CN115376213A (zh) 2022-11-22

Family

ID=84061269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210832738.9A Pending CN115376213A (zh) 2022-07-14 2022-07-14 活体检测网络的训练及活体检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115376213A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115761411A (zh) * 2022-11-24 2023-03-07 北京的卢铭视科技有限公司 模型训练方法、活体检测方法、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115761411A (zh) * 2022-11-24 2023-03-07 北京的卢铭视科技有限公司 模型训练方法、活体检测方法、电子设备及存储介质
CN115761411B (zh) * 2022-11-24 2023-09-01 北京的卢铭视科技有限公司 模型训练方法、活体检测方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112446270B (zh) 行人再识别网络的训练方法、行人再识别方法和装置
CN110532871B (zh) 图像处理的方法和装置
CN110378381B (zh) 物体检测方法、装置和计算机存储介质
CN112446834B (zh) 图像增强方法和装置
CN110222717B (zh) 图像处理方法和装置
CN109902546B (zh) 人脸识别方法、装置及计算机可读介质
CN112446476A (zh) 神经网络模型压缩的方法、装置、存储介质和芯片
CN110490076B (zh) 活体检测方法、装置、计算机设备和存储介质
CN109993707B (zh) 图像去噪方法和装置
CN111783748B (zh) 人脸识别方法、装置、电子设备及存储介质
CN111444881A (zh) 伪造人脸视频检测方法和装置
CN112668366B (zh) 图像识别方法、装置、计算机可读存储介质及芯片
CN112236779A (zh) 基于卷积神经网络的图像处理方法和图像处理装置
CN112529146B (zh) 神经网络模型训练的方法和装置
CN113065645B (zh) 孪生注意力网络、图像处理方法和装置
CN109840531A (zh) 训练多标签分类模型的方法和装置
CN111797882B (zh) 图像分类方法及装置
CN111145097A (zh) 图像处理方法、装置和图像处理系统
CN112446835B (zh) 图像恢复方法、图像恢复网络训练方法、装置和存储介质
JP7405198B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
CN113807183A (zh) 模型训练方法及相关设备
CN113191489A (zh) 二值神经网络模型的训练方法、图像处理方法和装置
CN112464930A (zh) 目标检测网络构建方法、目标检测方法、装置和存储介质
CN110705564B (zh) 图像识别的方法和装置
CN115376213A (zh) 活体检测网络的训练及活体检测方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination