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

CN113221842A - 模型训练方法、图像识别方法、装置、设备及介质 - Google Patents

模型训练方法、图像识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN113221842A
CN113221842A CN202110623053.9A CN202110623053A CN113221842A CN 113221842 A CN113221842 A CN 113221842A CN 202110623053 A CN202110623053 A CN 202110623053A CN 113221842 A CN113221842 A CN 113221842A
Authority
CN
China
Prior art keywords
model
training
image recognition
recognition model
image
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.)
Granted
Application number
CN202110623053.9A
Other languages
English (en)
Other versions
CN113221842B (zh
Inventor
刘有亮
刘闯
叶雨桐
胡峻毅
陈诗昱
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.)
Glasssix Technology Beijing Co ltd
Original Assignee
Glasssix Technology Beijing 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 Glasssix Technology Beijing Co ltd filed Critical Glasssix Technology Beijing Co ltd
Priority to CN202110623053.9A priority Critical patent/CN113221842B/zh
Publication of CN113221842A publication Critical patent/CN113221842A/zh
Application granted granted Critical
Publication of CN113221842B publication Critical patent/CN113221842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/10—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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20052—Discrete cosine transform [DCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

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

Abstract

本申请提供的模型训练方法、图像识别方法、装置、设备及介质中，在图像识别模型训练期间，引入辅助模型辅助图像识别模型进行特征的提取。相较于无辅助的深度学习模型自行提取图像特征，由于该辅助模型使得图像识别模型在特征提取时，更偏向于提取纹理特征，因此，使得训练获得的识别模型在判断图像中的人脸是否为活体人脸时，能够利用图像中纹理信息以达到提高识别精度的目的。

Description

模型训练方法、图像识别方法、装置、设备及介质
技术领域
本申请涉及图像识别领域，具体而言，涉及一种模型训练方法、图像识别方法、装置、设备及介质。
背景技术
人脸活体检测技术在人脸识别系统中起到至关重要的作用。作为人脸识别系统中关键环节，人脸活体检测需有效阻止非活体人脸的攻击，如2D人脸图像打印攻击、电子屏幕攻击、3D人脸面具攻击等，保证整个系统的安全性与可靠性。现有活体检测技术主要包括传统活体检测与基于深度学习的活体检测方法。
发明人研究发现，现有基于深度学习的活体检测方法未充分利用非活体人脸中的特征信息，因此，基于深度学习的活体检测方法的识别精度有待进一步提高。
发明内容
为了克服现有技术中的至少一个不足，第一方面，本申请提供一种模型训练方法，应用于训练设备，所述训练设备配置有辅助模型以及待训练的图像识别模型，所述方法包括：
获取人脸样本图像；
将所述人脸样本图像输入所述图像识别模型进行处理；
根据训练损失，迭代调整所述图像识别模型的模型参数以得到识别模型，其中，所述训练损失包括第一训练损失和第二训练损失，所述第一训练损失通过所述辅助模型提供的纹理特征与所述图像识别模型输出的浅层纹理特征获得，所述第二训练损失通过所述图像识别模型获得。
第二方面，本申请提供一种图像识别方法，应用于图像识别设备，所述图像识别设备配置有经模型训练方法所获得的识别模型，所述方法包括：
获取待识别人脸图像；
通过所述识别模型，获得所述待识别人脸图像的活体人脸识别结果。
第三方面，本申请提供一种模型训练装置，应用于训练设备，所述训练设备配置有辅助模型以及待训练的图像识别模型，所述模型训练装置包括：
数据获取模块，用于获取人脸样本图像；
数据处理模块，将所述人脸样本图像输入所述图像识别模型进行处理；
模型训练模块，用于根据训练损失，迭代调整所述图像识别模型的模型参数以得到识别模型，其中，所述训练损失包括第一训练损失和第二训练损失，所述第一训练损失通过所述辅助模型提供的纹理特征与所述图像识别模型输出的浅层纹理特征获得，所述第二训练损失通过所述图像识别模型获得。
第四方面，本申请提供一种电子设备，所述电子设备包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的模型训练方法或者所述的图像识别方法。
第五方面，本申请提供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计算机程序，所述计算机程序被处理器执行时，实现所述的模型训练方法或者所述的图像识别方法。
相对于现有技术而言，本申请具有以下有益效果：
本申请实施例提供的模型训练方法、图像识别方法、装置、设备及介质中，在图像识别模型训练期间，引入辅助模型辅助图像识别模型进行特征的提取。相较于无辅助的深度学习模型自行提取图像特征，由于该辅助模型使得图像识别模型在特征提取时，更偏向于提取纹理特征，因此，使得训练获得的识别模型在判断图像中的人脸是否为活体人脸时，能够利用图像中纹理信息以达到提高识别精度的目的。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的模型训练方法的步骤示意图；
图2为本申请实施例提供的模型示意图之一；
图3为本申请实施例提供的模型示意图之二；
图4为本申请实施例提供的模型训练装置的结构示意图；
图5为本申请实施例提供的图像识别方法的步骤示意图；
图6为本申请实施例提供的电子设备结构示意图。
图标：120-存储器；130-处理器；201-数据获取模块；202-数据处理模块；203-模型训练模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
作为人脸识别系统中关键环节，人脸活体检测需有效阻止非活体人脸的攻击。相关技术中，基于深度学习的活体检测方法被应用于各生产场景下，用于对人脸图像进行活体检测。但发明人研究发现，现有基于深度学习的活体检测方法未充分利用非活体人脸中的特征信息，导致基于深度学习的活体检测方法在实际使用时，存在诸多问题。
例如，现有基于深度学习的活体检测方法通常基于大量的样本进行训练获得。然而，实际使用场景下的摄像头包括不同的规格，导致不同规格的摄像头所采集图像存在不同程度的差异，难免会存在一些样本空间以外的图像，因此，摄像头规格的差异在一定程度上会影响到识别精度。
或者，为了提高模型的准确率，采用连续帧作为深度学习模型的输入，然而，该方法会设备需要进行大量的计算量，无法很好的适应终端设备(例如，摄像头)的硬件性能，同样存在识别精度欠佳的问题。
鉴于此，本申请实施例提供一种应用于训练设备的模型训练方法，该训练方法通过在待训练的图像识别模型的训练期间引入辅助监督信息，使得训练获得的识别模型能够有针对性的检测待识别人脸图像中的非活体人脸特征，以达到提高活体人脸检测精度的目的。
发明人研究发现，翻拍的人脸照片或视频与真实人脸在局部纹理存在差异。例如，手机拍摄的人脸视频，由于手机屏幕与人脸皮肤对光线反射的不同，手机屏幕在摄像头中的成像会存在摩尔纹。
本实施例正是基于这一发现，在模型训练期间引入了辅助模型。下面结合图1所示的模型训练方法的步骤示意图，对本实施例提供的模型训练方法的各步骤进行详细阐述。如图1所示，该模型训练方法包括：
步骤S101A，获取人脸样本图像。
步骤S102A，将人脸样本图像输入图像识别模型进行处理。
步骤S103A，根据训练损失，迭代调整图像识别模型的模型参数以得到识别模型。
其中，训练损失包括第一训练损失和第二训练损失，第一训练损失通过辅助模型提供的纹理特征与图像识别模型输出的浅层纹理特征获得，第二训练损失通过图像识别模型获得。
可选地，利用辅助模型提供的纹理特征迭代调整图像识别模型的模型参数以得到识别模型可以包括：
步骤S103A-1，获得图像识别模型输出的浅层纹理特征以及辅助模型提供的纹理特征。
其中，该浅层纹理特征可以是图像识别网络中第一网络层输出的特征。本领域技术人员可以根据场景需要，从图像识别模型中选择网络层作为第一网络层，本实施例不做具体的限定。
如图2所示的模型结构示意图，包括图像识别模型以及辅助模型。为了便于描述，下面将辅助模型中提供纹理特征的模型称为纹理辅助模型。
如图2所示，相较于原始RGB颜色空间的人脸样本图像，HVS颜色空间的图像更有利于提取纹理信息，因此，该训练设备通过纹理辅助模型将人脸样本图像从RGB颜色空间转换到HVS颜色空间，以得到色彩转换图像；然后，通过局部二值模式(Local Binary Pattern，LBP)处理色彩转换图像，获得人脸样本图像的纹理特征。
再次参见图2，本实施例中，将图像识别模型的第二个网络层作为第一网络层，将其输出的特征作为浅层纹理特征。
步骤S103A-2，将纹理特征与浅层纹理特征之间的差值作为第一训练损失。
再次以图2为例，为了进一步减少干扰信息的引入，将浅层纹理特征与纹理特征进行比较之前，该图像识别模型还利用3*3的卷积核对第一网络层输出的浅层纹理特征做进一步的特征提取。
此外，为了便于将浅层纹理特征与纹理特征进行比较，在此之前，训练设备还通过纹理辅助模型还将纹理特征的尺寸进行缩放，使得缩放后的纹理特征与浅层纹理特征具有相同的尺寸。
最后，训练设备获取纹理特征与浅层纹理特征之间的差值，将其作为第一训练损失。
步骤S103A-3，获得图像识别模型识别样本图像的第二训练损失。
再次以图2为例，由于在训练期间，图像识别模型未到达收敛条件，因此，图像识别模型识别样本图像时，存在第二训练损失。
步骤S103A-4，当图像识别模型满足预设收敛条件时，获得识别模型。
步骤S103A-5，当图像识别模型不满足预设收敛条件时，则根据第一训练损失以及第二训练损失调整图像识别模型的模型参数。
可选地，可以通过加权求和的方式，统筹第一训练损失与第二训练损失。示例性的，假定第一训练损失的权重为0.5，第二训练损失的权重同样为0.5，然后，训练设备可以根据第一训练损失与第二训练瞬时各自的权重，进行加权求和以得到加权损失；最后，根据加权损失以反向梯度传播算法调整图像识别模型的模型参数。
值得说明的是，上述权重仅仅是本实施例提供的一种示例，本领域技术人员可以根据需要进行适应性调整，本实施例不做具体的限定。
步骤S103-6，返回执行获得图像识别模型输出的浅层纹理特征以及辅助模型提供的纹理特征的步骤，直至图像识别模型满足预设收敛条件，获得识别模型。
由此，相较于无辅助的深度学习模型自行提取图像特征，在图像识别模型训练期间，引入辅助模型辅助图像识别模型进行特征的提取。由于该辅助模型使得图像识别模型在特征提取时，更偏向于提取纹理特征，因此，使得训练获得的识别模型在判断图像中的人脸是否为活体人脸时，能够利用图像中纹理信息以达到提高识别精度的目的。
进一步地，发明人研究还发现，活体人脸图像与非活体人脸图像相比，活体人脸图像中的高频信息高于非活体人脸中的高频信息。
因此，作为另外一种可能的实现方式，除了第一训练损失以及第二训练损失以为，训练损失还包括第三训练损失。其中，第三训练损失通过辅助模型提供的高频特征与图像识别模型输出的深层高频特征获得。
因此，在调整图像识别模型的模型参数之前，训练设备先获得图像识别模型输出的浅层纹理特以及深层高频特征，辅助模型提供的纹理特征以及高频特征。
示例性的，该训练设备可以通过离散余弦变换(DCT for Discrete CosineTransform)的方式处理人脸样本图像，获得高频特征。
其中，该深层浅层纹理特征可以是图像识别网络中第二网络层输出的特征。本领域技术人员可以根据场景需要，从图像识别模型中选择网络层作为第二网络层，本实施例不做具体的限定。
例如，可以选择位于全连接层之前的网络层作为第二网路层。
然后，该训练设备将纹理特征与浅层纹理特征之间的差值作为第一训练损失；获得图像识别模型识别样本图像的第二训练损失；将高频特征与深层高频特征之间的差值作为第三训练损失。
当图像识别模型满足预设收敛条件时，该训练设备则获得训练后的识别模型。
当图像识别模型不满足预设收敛条件时，该训练设备则根据第一训练损失、第二训练损失以及第三训练损失调整图像识别模型的模型参数。
示例性的，训练设备根据预设的权值，获得第一训练损失、第二训练损失以及第三训练损失之间的加权训练损失；根据加权训练损失调整待训练的图像识别模型的模型参数。
其中，权训练损失与第一训练损失、第二训练损失以及第三训练损之间满足一下数据关系：
Lfinal＝αLFL+βLDCT+γLLBP
式中，α+β+γ＝1，且α,β,γ>0，α>β,α>γ。
例如，第一训练损失的权重可以是0.3；第二训练损失的权重可以是0.3；第三训练损失的权重可以是0.4。当然，本领域技术人员可以根据需要，进行适应性调整。
返回执行获得图像识别模型输出的浅层纹理特征以及辅助模型提供的纹理特征的步骤，直至图像识别模型满足预设收敛条件时，获得识别模型，直至图像识别模型满足预设收敛条件，获得识别模型。
应理解的是，上述预设收敛条件可以是，但不限于，模型损失值不再下降时停止迭代；在迭代次数达到设定次数时停止迭代，或者，模型损失值低于设定阈值时停止迭代。
为了便于理解，下面结合图3所示的模型结构示意图，进行示例说明。如图3所示，包括图像识别模型和辅助模型。为了便于描述，下面将辅助模型中提供纹理特征的模型称为纹理辅助模型；将辅助模型中提供高频特征的模型称为高频辅助模型。
其中，纹理辅助模型与图2中的纹理辅助模型相同，因此，不再赘述。为了进一步减少干扰信息的引入，将深层高频特征与高频特征进行比较之前，该图像识别模型还利用3*3的卷积核对第二网络层输出的深层高频特征做进一步的特征提取。
此外，为了便于将深层高频特征与高频特征进行比较，在此之前，训练设备还通过高频辅助模型还将高频特征的尺寸进行缩放，使得缩放后的高频特征与深层高频特征具有相同的尺寸。
如此，在纹理辅助模型与高频辅助模型的辅助下，使得训练获得的识别模型在纹理特征的基础上，提取高频特征，以达到结合纹理特征与高频判断图像中的人脸是否为活体人脸的目的。
本实施例还提供一种模型训练装置，应用于训练设备，训练设备配置有辅助模型以及待训练的图像识别模型，模型训练装置包括至少一个可以软件形式存储于存储器120中的功能模块。如图4所示，从功能上划分，模型训练装置可以包括：
数据获取模块201，用于获取人脸样本图像。
本实施例中，该数据获取模块201用于实现图1中的步骤S101A，关于该数据获取模块201的详细描述，可以参见步骤S101A的详细描述。
数据处理模块202，将人脸样本图像输入图像识别模型进行处理。
本实施例中，该数据处理模块202用于实现图1中的步骤S102A，关于该数据处理模块202的详细描述，可以参见步骤S102A的详细描述。
模型训练模块203，用于根据训练损失，迭代调整图像识别模型的模型参数以得到识别模型，其中，训练损失包括第一训练损失和第二训练损失，第一训练损失通过辅助模型提供的纹理特征与图像识别模型输出的浅层纹理特征获得，第二训练损失通过图像识别模型获得。
本实施例中，该模型训练模块203用于实现图1中的步骤S103A，关于该模型训练模块203的详细描述，可以参见步骤S103A的详细描述。
值得说明的是，该模型训练装置还可以包括其他软件功能模块，用于实现上述模型训练方法的其他步骤或者子步骤；同理，上述数据获取模块201、数据处理模块202以及模型训练模块203同样可以用于实现上述模型训练方法的其他步骤或者子步骤，本实施例不做具体的限定，本领域技术人员可以根据不同的模块划分标准进行适应性调整。
本实施例还提供一种图像识别方法，应用于图像识别设备，图像识别设备配置有经上述模型训练方法所获得的识别模型。即本实施例中，基于上述辅助模型对待训练的图像识别模型进行训练，并在图像识别模型满足预设收敛条件后，去掉其中的辅助模型，将剩余的模型称为上述识别模型。
如图5所示，该图像识别方法包括：
步骤S101B，获取待识别人脸图像。
步骤S101B，通过识别模型，获得待识别人脸图像的活体人脸识别结果。
本申请实施例还提供一种电子设备，如图6所示，电子设备包括存储器以及处理器，存储器存储有计算机程序。其中，该电子设备为训练设备时，计算机程序被处理器执行，以实现上述模型训练方法。
当电子设备为训练设备时，计算机程序被处理器执行，以实现上述图像识别方法。
其中，该存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
本申请实施例还提供一种计算机可读存储介质，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，实现上述模型训练方法或者上述图像识别方法。
该处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
综上所述，本申请实施例提供的模型训练方法、图像识别方法、装置、设备及介质中，相较于无辅助的深度学习模型自行提取图像特征，在图像识别模型训练期间，引入辅助模型辅助图像识别模型进行特征的提取。由于该辅助模型使得图像识别模型在特征提取时，更偏向于提取纹理特征，因此，使得训练获得的识别模型在判断图像中的人脸是否为活体人脸时，能够利用图像中纹理信息以达到提高识别精度的目的。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请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-Only Memory)、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。
以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种模型训练方法，其特征在于，应用于训练设备，所述训练设备配置有辅助模型以及待训练的图像识别模型，所述方法包括：
获取人脸样本图像；
将所述人脸样本图像输入所述图像识别模型进行处理；
根据训练损失，迭代调整所述图像识别模型的模型参数以得到识别模型，其中，所述训练损失包括第一训练损失和第二训练损失，所述第一训练损失通过所述辅助模型提供的纹理特征与所述图像识别模型输出的浅层纹理特征获得，所述第二训练损失通过所述图像识别模型获得。
2.根据权利要求1所述的模型训练方法，其特征在于，所述根据训练损失，迭代调整所述图像识别模型的模型参数以得到识别模型，包括：
获得所述图像识别模型输出的浅层纹理特征以及所述辅助模型提供的纹理特征；
将所述纹理特征与所述浅层纹理特征之间的差值作为第一训练损失；
获得所述图像识别模型识别所述样本图像的第二训练损失；
当所述图像识别模型满足预设收敛条件时，获得所述识别模型；
当所述图像识别模型不满足所述预设收敛条件时，则根据所述第一训练损失以及所述第二训练损失调整所述图像识别模型的模型参数；
返回执行所述获得所述图像识别模型输出的浅层纹理特征以及所述辅助模型提供的纹理特征的步骤，直至所述图像识别模型满足所述预设收敛条件，获得所述识别模型。
3.根据权利要求1所述的模型训练方法，其特征在于，所述训练损失还包括第三训练损失，所述第三训练损失通过辅助模型提供的高频特征与所述图像识别模型输出的深层高频特征获得。
4.根据权利要求3所述的模型训练方法，其特征在于，所述根据训练损失，迭代调整所述图像识别模型的模型参数以得到识别模型，包括：
获得所述图像识别模型输出的浅层纹理特以及深层高频特征，所述辅助模型提供的纹理特征以及高频特征；
将所述纹理特征与所述浅层纹理特征之间的差值作为第一训练损失；
获得所述图像识别模型识别所述样本图像的第二训练损失；
将所述高频特征与所述深层高频特征之间的差值作为第三训练损失；
当所述图像识别模型满足预设收敛条件时，获得所述识别模型；
当所述图像识别模型不满足所述预设收敛条件时，则根据所述第一训练损失、所述第二训练损失以及所述第三训练损失调整所述图像识别模型的模型参数；
返回执行所述获得所述图像识别模型输出的浅层纹理特征以及所述辅助模型提供的纹理特征的步骤，直至所述图像识别模型满足预设收敛条件时，获得所述识别模型，直至所述图像识别模型满足所述预设收敛条件，获得所述识别模型。
5.根据权利要求4所述的模型训练方法，其特征在于，所述根据所述第一训练损失、所述第二训练损失以及所述第三训练损失调整所述图像识别模型的模型参数，包括：
根据预设的权值，获得所述第一训练损失、所述第二训练损失以及所述第三训练损失之间的加权训练损失；
根据所述加权训练损失调整所述待训练的图像识别模型的模型参数。
6.根据权利要求4所述的模型训练方法，其特征在于，所述获得所述辅助模型提供的高频特征，包括：
通过离散余弦变换的方式处理所述人脸样本图像，获得所述高频特征。
7.一种图像识别方法，其特征在于，应用于图像识别设备，所述图像识别设备配置有经权利要求1-6任意一项所述的模型训练方法所获得的识别模型，所述方法包括：
获取待识别人脸图像；
通过所述识别模型，获得所述待识别人脸图像的活体人脸识别结果。
8.一种模型训练装置，其特征在于，应用于训练设备，所述训练设备配置有辅助模型以及待训练的图像识别模型，所述模型训练装置包括：
数据获取模块，用于获取人脸样本图像；
数据处理模块，将所述人脸样本图像输入所述图像识别模型进行处理；
模型训练模块，用于根据训练损失，迭代调整所述图像识别模型的模型参数以得到识别模型，其中，所述训练损失包括第一训练损失和第二训练损失，所述第一训练损失通过所述辅助模型提供的纹理特征与所述图像识别模型输出的浅层纹理特征获得，所述第二训练损失通过所述图像识别模型获得。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1-6中任意一项所述的模型训练方法或者权利要求7所述的图像识别方法。
10.一种计算机可读存储介质，其特征在于，所述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，实现权利要求1-6中任意一项所述的模型训练方法或者权利要求7所述的图像识别方法。
CN202110623053.9A 2021-06-04 2021-06-04 模型训练方法、图像识别方法、装置、设备及介质 Active CN113221842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110623053.9A CN113221842B (zh) 2021-06-04 2021-06-04 模型训练方法、图像识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110623053.9A CN113221842B (zh) 2021-06-04 2021-06-04 模型训练方法、图像识别方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113221842A true CN113221842A (zh) 2021-08-06
CN113221842B CN113221842B (zh) 2023-12-29

Family

ID=77082798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110623053.9A Active CN113221842B (zh) 2021-06-04 2021-06-04 模型训练方法、图像识别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113221842B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114724220A (zh) * 2022-04-12 2022-07-08 广州广电卓识智能科技有限公司 活体检测方法、装置及可读介质
CN115631388A (zh) * 2022-12-21 2023-01-20 第六镜科技(成都)有限公司 图像分类方法、装置、电子设备及存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003196674A (ja) * 2001-12-25 2003-07-11 Mega Chips Corp 画像処理方法、画像処理装置及びコンピュータ読み取り可能記憶媒体
CN106778525A (zh) * 2016-11-25 2017-05-31 北京旷视科技有限公司 身份认证方法和装置
CN106951869A (zh) * 2017-03-22 2017-07-14 腾讯科技（深圳）有限公司 一种活体验证方法及设备
CN107992842A (zh) * 2017-12-13 2018-05-04 深圳云天励飞技术有限公司 活体检测方法、计算机装置及计算机可读存储介质
CN108764091A (zh) * 2018-05-18 2018-11-06 北京市商汤科技开发有限公司 活体检测方法及装置、电子设备和存储介质
CN109446980A (zh) * 2018-10-25 2019-03-08 华中师范大学 表情识别方法及装置
US20190147642A1 (en) * 2017-11-15 2019-05-16 Google Llc Learning to reconstruct 3d shapes by rendering many 3d views
CN109961396A (zh) * 2017-12-25 2019-07-02 中国科学院沈阳自动化研究所 一种基于卷积神经网络的图像超分辨率重建方法
CN110765880A (zh) * 2019-09-24 2020-02-07 中国矿业大学 一种轻量级视频行人重识别方法
WO2020221990A1 (en) * 2019-04-30 2020-11-05 Huawei Technologies Co., Ltd. Facial localisation in images
KR20200132682A (ko) * 2019-05-16 2020-11-25 삼성전자주식회사 이미지 최적화 방법, 장치, 디바이스 및 저장 매체
CN112215050A (zh) * 2019-06-24 2021-01-12 北京眼神智能科技有限公司 非线性3dmm人脸重建和姿态归一化方法、装置、介质及设备
CN112257665A (zh) * 2020-11-12 2021-01-22 腾讯科技（深圳）有限公司 图像内容的识别方法、图像识别模型的训练方法及介质
CN112329745A (zh) * 2021-01-04 2021-02-05 北京沃东天骏信息技术有限公司 训练方法、人脸防伪检测方法、相关设备及存储介质
US20210082136A1 (en) * 2018-12-04 2021-03-18 Yoti Holding Limited Extracting information from images
CN112597885A (zh) * 2020-12-22 2021-04-02 北京华捷艾米科技有限公司 人脸活体检测方法、装置、电子设备及计算机存储介质
CN112883941A (zh) * 2021-04-16 2021-06-01 哈尔滨理工大学 一种基于并行神经网络的人脸表情识别方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003196674A (ja) * 2001-12-25 2003-07-11 Mega Chips Corp 画像処理方法、画像処理装置及びコンピュータ読み取り可能記憶媒体
CN106778525A (zh) * 2016-11-25 2017-05-31 北京旷视科技有限公司 身份认证方法和装置
CN106951869A (zh) * 2017-03-22 2017-07-14 腾讯科技（深圳）有限公司 一种活体验证方法及设备
US20190147642A1 (en) * 2017-11-15 2019-05-16 Google Llc Learning to reconstruct 3d shapes by rendering many 3d views
CN107992842A (zh) * 2017-12-13 2018-05-04 深圳云天励飞技术有限公司 活体检测方法、计算机装置及计算机可读存储介质
CN109961396A (zh) * 2017-12-25 2019-07-02 中国科学院沈阳自动化研究所 一种基于卷积神经网络的图像超分辨率重建方法
CN108764091A (zh) * 2018-05-18 2018-11-06 北京市商汤科技开发有限公司 活体检测方法及装置、电子设备和存储介质
CN109446980A (zh) * 2018-10-25 2019-03-08 华中师范大学 表情识别方法及装置
US20210082136A1 (en) * 2018-12-04 2021-03-18 Yoti Holding Limited Extracting information from images
WO2020221990A1 (en) * 2019-04-30 2020-11-05 Huawei Technologies Co., Ltd. Facial localisation in images
KR20200132682A (ko) * 2019-05-16 2020-11-25 삼성전자주식회사 이미지 최적화 방법, 장치, 디바이스 및 저장 매체
CN112215050A (zh) * 2019-06-24 2021-01-12 北京眼神智能科技有限公司 非线性3dmm人脸重建和姿态归一化方法、装置、介质及设备
CN110765880A (zh) * 2019-09-24 2020-02-07 中国矿业大学 一种轻量级视频行人重识别方法
CN112257665A (zh) * 2020-11-12 2021-01-22 腾讯科技（深圳）有限公司 图像内容的识别方法、图像识别模型的训练方法及介质
CN112597885A (zh) * 2020-12-22 2021-04-02 北京华捷艾米科技有限公司 人脸活体检测方法、装置、电子设备及计算机存储介质
CN112329745A (zh) * 2021-01-04 2021-02-05 北京沃东天骏信息技术有限公司 训练方法、人脸防伪检测方法、相关设备及存储介质
CN112883941A (zh) * 2021-04-16 2021-06-01 哈尔滨理工大学 一种基于并行神经网络的人脸表情识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘芾;李茂军;胡建文;肖雨荷;齐战;: "基于低像素人脸图像的表情识别", 激光与光电子学进展, no. 10 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114724220A (zh) * 2022-04-12 2022-07-08 广州广电卓识智能科技有限公司 活体检测方法、装置及可读介质
CN115631388A (zh) * 2022-12-21 2023-01-20 第六镜科技(成都)有限公司 图像分类方法、装置、电子设备及存储介质
CN115631388B (zh) * 2022-12-21 2023-03-17 第六镜科技(成都)有限公司 图像分类方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113221842B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN109325954B (zh) 图像分割方法、装置及电子设备
CN110084135B (zh) 人脸识别方法、装置、计算机设备及存储介质
WO2019192121A1 (zh) 双通道神经网络模型训练及人脸比对方法、终端及介质
CN110569731B (zh) 一种人脸识别方法、装置及电子设备
CN112381837B (zh) 一种图像处理方法及电子设备
CN112052831B (zh) 人脸检测的方法、装置和计算机存储介质
CN111160313B (zh) 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法
CN110532746B (zh) 人脸校验方法、装置、服务器及可读存储介质
CN108416291B (zh) 人脸检测识别方法、装置和系统
JP2002342756A (ja) デジタル画像において目と口の位置を検出する方法
CN110826418B (zh) 脸部特征提取方法及装置
CN112836625A (zh) 人脸活体检测方法、装置、电子设备
JP2019153092A (ja) 位置特定装置、位置特定方法及びコンピュータプログラム
CN113221842A (zh) 模型训练方法、图像识别方法、装置、设备及介质
CN116229528A (zh) 一种活体掌静脉检测方法、装置、设备及存储介质
CN113807237A (zh) 活体检测模型的训练、活体检测方法、计算机设备及介质
WO2020113563A1 (zh) 人脸图像质量评估方法、装置、设备及存储介质
CN116798041A (zh) 图像识别方法、装置和电子设备
CN111723626A (zh) 用于活体检测的方法、装置和电子设备
CN112733670B (zh) 指纹特征提取方法、装置、电子设备及存储介质
CN111986176B (zh) 一种裂纹图像识别方法、系统、终端及可读存储介质
CN115909117A (zh) 目标检测方法及系统
CN116645525B (zh) 一种游戏图像识别方法及处理系统
CN112329606B (zh) 一种活体检测方法、装置、电子设备及可读存储介质

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
CB02 Change of applicant information

Address after: Room 202-60, building 6, courtyard 1, gaolizhang Road, Haidian District, Beijing 100082

Applicant after: Sixth mirror technology (Beijing) Group Co.,Ltd.

Address before: Room 202-60, building 6, courtyard 1, gaolizhang Road, Haidian District, Beijing 100082

Applicant before: GLASSSIX TECHNOLOGY (BEIJING) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant