[发明专利]模型训练、人脸图像活体检测方法、电子设备及存储介质

权利要求书

1.一种模型训练方法，其特征在于，包括：

构建用于提取人脸图像的第一特征向量的特征提取模型，以及不包含输入且输出为第二特征向量的特征生成模型；所述第一特征向量和所述第二特征向量为维度相同的一维向量；

提取训练集中相同数量的第一活体人脸图像和第一假体人脸图像；

在所述第一活体人脸图像上叠加与所述第一活体人脸图像对应的且形状相同的偏差张量，得到所述相同数量的第二假体人脸图像；

以所述第一活体人脸图像、所述第一假体人脸图像和所述第二假体人脸图像作为同一批次的第一训练样本，输入到所述特征提取模型中，对所述特征提取模型和所述特征生成模型进行第一联合训练；

其中，所述第一联合训练采用的损失函数对应的损失约束为所述第一活体人脸图像对应的所述第一特征向量与所述第二特征向量的方向相互靠近，所述第一假体人脸图像、所述第二假体人脸图像对应的所述第一特征向量与所述第二特征向量的方向相互远离。

2.根据权利要求1所述的方法，其特征在于，获取与所述第一活体人脸图像对应的且形状相同的偏差张量，包括：

构建用于生成与活体人脸图像对应且形状相同的偏差张量的偏差模型，以及用于识别人脸图像为活体或假体的二分类模型；

提取训练集中相同数量的第二活体人脸图像和第三假体人脸图像；

以所述第二活体人脸图像、所述第三假体人脸图像作为同一批次的第二训练样本，将所述第二活体人脸图像输入到所述偏差模型得到预测偏差张量，将所述第二活体人脸图像、所述第三假体人脸图像以及在所述第二活体人脸图像上叠加对应的预测偏差张量后的预测第二假体人脸图像输入到所述二分类模型，对所述偏差模型和所述二分类模型进行第二联合训练；

其中，所述第二联合训练采用的损失函数，是基于各所述第二训练样本对应的分类损失、以及所述偏差张量的最小化损失构建；

将所述第一活体人脸图像输入到训练好的所述偏差模型中，得到与所述第一活体人脸图像对应的且形状相同的偏差张量。

3.根据权利要求2所述的方法，其特征在于，构建所述第二联合训练采用的损失函数，包括：

采用如下公式构建第一损失函数和第二损失函数：

其中，loss₁为所述第一损失函数的损失值，为第b个所述第二活体人脸图像对应的所述预测第二假体人脸图像的分类值，dx^(b)为第b个所述第二活体人脸图像对应的预测偏差张量，loss₂为所述第二损失函数的损失值，为第b个所述第二活体人脸图像的分类值，为第b个所述第三假体人脸图像的分类值，B₁为同一批次的所述第二训练样本的1/2样本数，、、、为超参数。

4.根据权利要求1-3任一项所述的方法，其特征在于，构建所述第一联合训练采用的损失函数，包括：

分别计算所述第一训练样本中所述第一活体人脸图像、所述第一假体人脸图像和所述第二假体人脸图像对应的所述第一特征向量与所述第二特征向量的方向夹角的平均余弦值：

采用如下公式构建第三损失函数作为所述第二联合训练采用的损失函数：

其中，loss₃为所述第三损失函数的损失值，cos_live、cos_fake、cos_fx依次为所述第一活体人脸图像、所述第一假体人脸图像和所述第二假体人脸图像对应的所述平均余弦值，、为超参数，为偶数，eps是正小数。