[发明专利]活体检测模型的训练方法、装置、电子设备及存储介质

说明书

本公开提供了一种活体检测模型的训练方法、装置、电子设备及存储介质，属于人工智能技术领域。所述方法包括：将人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合，得到人脸图像样本对应的活体线索图和攻击线索图；基于人脸图像样本对应的活体线索图和攻击线索图，对初始活体检测模型进行训练，得到活体检测模型。本公开将所提取的活体线索特征图和攻击线索特征图融合到原图中，使得人脸图像样本的活体特征及攻击特征得以增强，进而基于线索增强的人脸图像样本训练活体检测模型，提高了所训练的活体检测模型的精度，采用该活体检测模型进行检测时能够捕捉到人脸图像的局部特征，从而获得较佳的检测效果。

技术领域

本公开涉及人工智能技术领域，特别涉及一种活体检测模型的训练方法、装置、电子设备及存储介质。

背景技术

随着计算机技术及人工智能技术的发展，采用人脸识别技术的身份认证方式已广泛应用在生活中。为保护用户的信息与财产安全，避免其他用户采用照片、面具、遮挡等攻击手段冒充用户进行人脸识别，需要对人脸图像中的对象进行活体检测。而在进行活体检测之前，则需要训练一个精度较高的活体检测模型。

相关技术在训练活体检测模型时，获取多个人脸图像样本，多个人脸图像样本包括活体人脸图像样本和攻击人脸图像样本，其中，活体人脸图像样本标注有活体标签，攻击人脸图像样本标注有攻击标签；提取多个人脸图像样本的全局人脸特征；基于多个人脸图像样本的全局人脸特征及对应的标签，对初始活体检测模型进行训练，得到活体检测模型。

然而，相关技术中的活体检测模型基于全局人脸特征训练得到，其识别精度依赖于从待检测的人脸图像中获取到的全局人脸特征的准确性，当待检测的人脸图像中的对象存在遮挡，例如，佩戴口罩、墨镜等，获取到的全局人脸特征并不全面，导致采用相关技术所训练的模型进行活体检测时得到的检测结果并不准确，可能会将待检测人脸图像中的活体对象识别为攻击对象，或者将待检测图像中的攻击对象识别为活体对象。

发明内容

本公开实施例提供了一种活体检测模型的训练方法、装置、电子设备及存储介质，能够提高活体检测模型的识别精度，进而提高人脸图像中对象的检测结果。所述技术方案如下：

第一方面，提供了一种活体检测模型的训练方法，所述方法包括：

获取人脸图像样本，所述人脸图像样本包括活体人脸图像样本和攻击人脸图像样本；

获取所述人脸图像样本对应的活体线索特征图和攻击线索特征图，所述活体线索特征图用于突显所述人脸图像样本中对象的活体特征，所述攻击线索特征图用于突显所述人脸图像样本中对象的攻击特征；

将所述人脸图像样本分别与对应的活体线索特征图和攻击线索特征图进行融合，得到所述人脸图像样本对应的活体线索图和攻击线索图；

基于所述人脸图像样本对应的活体线索图和攻击线索图，对初始活体检测模型进行训练，得到活体检测模型。

在本公开的另一个实施例中，所述获取所述人脸图像样本对应的活体线索特征图，包括：

调用第一编解码网络，对所述人脸图像样本进行处理，得到所述人脸图像样本对应的活体线索特征图，所述第一编解码网络用于获取任一人脸图像的活体线索特征图。

在本公开的另一个实施例中，所述调用第一编解码网络，对所述人脸图像样本进行处理，得到所述人脸图像样本对应的活体线索特征图之前，还包括：

将所述人脸图像样本输入到初始第一编解码网络中，输出所述人脸图像样本对应的第一人脸特征图；

基于所述人脸图像样本对应的第一人脸特征图和第一目标损失函数，对所述初始第一编解码网络的网络参数值进行优化；

基于优化后的网络参数，生成所述第一编解码网络。