[发明专利]一种融合三元组损失函数的rgb人脸活体识别方法

权利要求书

1.一种融合三元组损失函数的rgb人脸活体识别方法，其特征在于，包括如下步骤：

步骤1：将采集的到图片让标注人员标注，标注的类别只有两个，即真实人脸和攻击样本；

步骤2：对所有的图片通过人脸检测得到人脸检测框，然后使用关键点模型将检测后的人脸姿态矫正；

步骤3：根据标注的结果，将所有的数据生成大量的三元组；

步骤4：将生成好的所有的三元组作为训练输入，设置不同的神经网络模型超参数，选择合适的网络结构，然后开始训练，每训练完一个epoch都把训练的模型参数保存下来，最后根据评价指标决定最终使用保存的哪个epoch模型参数；

步骤3中，数据生成大量的三元组函数公式如下：

其中：xi代表的就是第i个样本；

a代表anchor，为从训练集中随机选定的样本，

p代表positive，表示跟选定的anchor一样的类别的样本，

n代表negative，表示跟选定的anchor不一样的类别的样本，

则(a,p,n)便构成了一个三元组；n是一个参数，表示anchor与negative之间需要的最小的差异值。

2.根据权利要求1所述的一种融合三元组损失函数的rgb人脸活体识别方法，其特征在于：步骤3中，将所有的数据生成大量的三元组时，三元组的具体生成方式如下，

首先从训练样本中随机选取一个样本作为anchor，然后再从与anchor相同类别的样本中随机选取一个作为positive，再从与anchor不同类别的样本中随机选取一个作为negative，从而生成一个三元组；如此反复操作，便可以形成大量的三元组，作为我们训练神经网络模型的输入。

3.根据权利要求2所述的一种融合三元组损失函数的rgb人脸活体识别方法，其特征在于：在随机生成三元组的时候不生成重复的三元组。

4.根据权利要求2所述的一种融合三元组损失函数的rgb人脸活体识别方法，其特征在于：步骤4中，设置不同的神经网络模型超参数，模型超参数包括学习率、优化器；模型超参数为人工预先设置。

5.根据权利要求1-4中任意一项所述的一种融合三元组损失函数的rgb人脸活体识别方法，其特征在于：三元组(a,p,n)中包含的三个样本，若选定的anchor为攻击样本，那么p也为攻击样本，n则为真实人脸样本；针对三元组中的每个元素，训练一个参数共享或者不共享的网络，得到每个元素的特征表达x_a，x_p，x_n；融合三元组损失函数的目的就是通过学习，让x_a和x_p特征表达之间的距离尽可能小，而x_a和x_n的特征表达之间的距离尽可能大，并且要让x_a与x_n之间的距离和x_a与x_p之间的距离之间有一个最小的间距m。

6.根据权利要求1所述的一种融合三元组损失函数的rgb人脸活体识别方法，其特征在于：人脸姿态矫正后使得所有的人脸都处于统一的一个角度。

7.根据权利要求3所述的一种融合三元组损失函数的rgb人脸活体识别方法，其特征在于：为了避免在随机生成三元组的时候生成重复的三元组时，具体步骤如下，

用哈希集合把每个生成的三元组先保存下来，每次生成新的三元组的时候都判断一下是否已经存在一样的三元组，若不存在则把当前生成的三元组加入，若存在则跳过。