[发明专利]模型训练方法、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：

将人脸图像输入到由不同的多个分支网络构成的特征提取网络中，得到多个人脸特征；

根据所述多个人脸特征获取所述人脸图像属于活体的多个预测概率；

根据所述多个预测概率对所述特征提取网络进行训练，以使训练好的特征提取网络满足：当输入的人脸图像为活体时，所得到的多个预测概率全部满足预测结果为活体的预设概率值；当输入的人脸图像为非活体时，所得到的多个预测概率中至少一个满足预测结果为非活体的预设概率值。

2.根据权利要求1所述的模型训练方法，其特征在于，所述多个分支网络中，存在至少一个分支网络中任意网络层的输出数据作为其余任意分支网络中任意网络层的输入数据。

3.根据权利要求2所述的模型训练方法，其特征在于，所述特征提取网络由第一分支网络、第二分支网络和第三分支网络构成；

所述将人脸图像输入到由多个不同分支网络构成的特征提取网络中，得到多个人脸特征，包括：

将所述人脸图像输入到由两个提取层依次串接所构成的所述第一分支网络中，得到第一人脸特征；

将所述人脸图像输入到由两个提取层和一个拼接层依次串接所构成的所述第二分支网络中，得到第二人脸特征；所述拼接层的输入数据为所述第一分支网络中提取层的输出数据和第二分支网络中提取层的输出数据；

将所述第二分支网络中拼接层的输出数据作为所述第三分支网络中任意网络层的全部输入数据，得到第三人脸特征。

4.根据权利要求1-3中任一项所述的模型训练方法，其特征在于，所述根据所述多个预测概率对所述特征提取网络进行训练，包括：

基于所述预测概率，对所述多个分支网络进行统一训练，得到初始特征提取网络；

基于所述初始特征提取网络得到的多个人脸特征，将所述人脸图像划分为与所述多个分支网络一一对应的多个训练集，并采用所述多个训练集分别对所述多个分支网络进行单独训练，得到所述训练好的特征提取网络。

5.根据权利要求4所述的模型训练方法，其特征在于，所述基于所述预测概率，对所述多个分支网络进行统一训练，得到初始特征提取网络，包括：

根据所述多个预测概率获取每个预测概率所对应的分支网络的损失权重；

当输入的人脸图像为活体时，基于各所述分支网络输出的预测概率得到所述特征提取网络的平均损失，采用所述平均损失对所述特征提取网络中的所述多个分支网络进行统一训练，得到初始特征提取网络；

当输入的人脸图像为非活体时，基于所述预测概率和所述损失权重得到所述特征提取网络的加权损失，采用所述加权损失对所述特征提取网络中的所述多个分支网络进行统一训练，得到初始特征提取网络。

6.根据权利要求4所述的模型训练方法，其特征在于，所述基于所述初始特征提取网络得到的多个人脸特征，将所述人脸图像划分为与所述多个分支网络一一对应的多个训练集，包括：

将所有属于非活体的人脸图像依次输入到所述初始特征提取网络中，得到每个属于非活体的人脸图像的多个人脸特征和基于所述人脸特征得到的多个预测概率；

对于每个属于非活体的人脸图像对应的多个预测概率，根据所述多个预测概率中的最小值所对应的分支网络，将属于非活体的人脸图像划分为与所述多个分支网络一一对应的多个非活体集；

将属于活体的人脸图像混合到所述多个非活体集中，得到与所述多个分支网络一一对应的多个训练集。

7.根据权利要求1所述的模型训练方法，其特征在于，所述特征提取网络之后还连接权重提取网络；所述方法还包括：

将所述多个人脸特征输入到权重提取网络中，得到所述多个人脸特征对应的多个概率权重；

根据所述多个概率权重获取所述人脸图像的多个加权预测概率；

根据所述多个加权预测概率对所述权重提取网络进行训练，得到训练好的权重提取网络，以使所述训练好的权重提取网络满足：当输入的人脸图像为活体时，所得到的多个加权预测概率之和满足预测结果为活体的预设概率值；当输入的人脸图像为非活体时，所得到的多个加权预测概率之和满足预测结果为非活体的预设概率值。