训练人脸活体检测模型、人脸活体检测方法、装置及介质与流程

1.本公开涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于人脸识别、人脸图像处理等场景，具体涉及训练人脸活体检测模型、人脸活体检测的方法、装置、设备、存储介质以及计算机程序产品。


背景技术：

2.人脸活体检测技术用于区分人脸图像是否为通过活体人脸拍摄的图像。人脸活体检测是人脸识别系统的基础组成模块，能够保证人脸识别系统的安全性。
3.其中，使用深度学习技术训练人脸活体检测模型，并通过训练的人脸活体检测模型进行人脸活体检测是当前人脸识别领域的主流方法。


技术实现要素：

4.本公开提供了一种用于训练人脸活体检测模型、人脸活体检测的方法、装置、设备、存储介质以及计算机程序产品。
5.根据本公开的一方面，提供了一种训练人脸活体检测模型的方法，包括：
6.获取人脸图像样本集，所述人脸图像样本集中包括表征活体人脸图像的正样本集以及表征非活体人脸图像的负样本集；基于所述人脸图像样本集对人脸活体检测模型进行迭代训练，直至所述人脸活体检测模型收敛；将所述人脸图像样本集输入至迭代训练后的人脸活体检测模型，得到人脸活体预测结果；基于所述人脸活体预测结果确定离群样本，在所述人脸图像样本集中筛除离群样本，所述离群样本为与正样本集中心样本和负样本集中心样本之间的相似度均小于相似度阈值的样本；基于筛除离群样本后的人脸图像样本集，对所述人脸活体检测模型继续进行迭代训练。
7.根据本公开的另一方面，提供了一种人脸活体检测方法，包括：
8.获取待识别人脸图像；将所述待识别人脸图像输入至人脸活体检测模型，所述人脸活体检测模型采用上述方法预先训练得到；基于所述人脸活体检测模型的输出结果，确定所述待识别人脸图像的检测结果。
9.根据本公开的另一方面，提供了一种训练人脸活体检测模型的装置，包括：获取单元，用于获取人脸图像样本集，所述人脸图像样本集中包括表征活体人脸图像的正样本集以及表征非活体人脸图像的负样本集；训练单元，基于所述人脸图像样本集对人脸活体检测模型进行迭代训练，直至所述人脸活体检测模型收敛；将所述人脸图像样本集输入至迭代训练后的人脸活体检测模型，得到人脸活体预测结果；基于所述人脸活体预测结果确定离群样本，在所述人脸图像样本集中筛除离群样本，所述离群样本为与正样本集中心样本和负样本集中心样本之间的相似度均小于相似度阈值的样本；基于筛除离群样本后的人脸图像样本集，对所述人脸活体检测模型继续进行迭代训练。
10.根据本公开的另一方面，提供了一种人脸活体检测装置，包括：
11.获取单元，用于获取待识别人脸图像；检测单元，用于将所述待识别人脸图像输入
至人脸活体检测模型，所述人脸活体检测模型采用上述方法预先训练得到，基于所述人脸活体检测模型的输出结果，确定所述待识别人脸图像的检测结果。
12.根据本公开的另一方面，提供了一种电子设备，包括：
13.至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述涉及的训练人脸活体检测模型的方法。
14.根据本公开的另一方面，提供了一种电子设备，包括：
15.至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述涉及的人脸活体检测方法。
16.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述涉及的训练人脸活体检测模型的方法。
17.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述涉及的人脸活体检测方法。
18.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述涉及的训练人脸活体检测模型的方法。
19.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述涉及的人脸活体检测方法。
20.根据本公开提供的上述用于训练人脸活体检测模型、人脸活体检测的方法、装置、设备、存储介质以及计算机程序产品，能够提高人脸活体检测的判断性能。
21.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
22.附图用于更好地理解本方案，不构成对本公开的限定。其中：
23.图1是本公开一示例性实施方式中示出的一种训练人脸活体检测模型的方法流程图；
24.图2是本公开一示例性实施方式中示出的一种训练人脸活体检测模型的方法流程图；
25.图3是本公开一示例性实施方式中示出的一种确定离群样本的方法流程图；
26.图4示出了本公开一示例性实施例中提供的第一阶段、第二阶段以及第三阶段的人脸活体检测模型的训练过程示意图；
27.图5是本公开一示例性实施方式中示出的一种人脸活体检测的方法流程图；
28.图6是根据本公开提供的一种训练人脸活体检测模型的装置的框图；
29.图7是根据本公开提供的一种人脸活体检测装置的框图；
30.图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
31.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
32.本公开提供的训练人脸活体检索模型的方法以及人脸活体检测方法可以应用于人脸识别领域中。例如，本公开实施例提供的训练人脸活体检索模型的方法可以适用于人脸活体检测的深度学习神经网络模型，帮助其提高性能。应用本公开提供的训练人脸活体检索模型的方法以及人脸活体检测方法能够提升人脸活体判断的性能，并可以应用于人脸识别领域的考勤、门禁、安防、金融支付等诸多应用场景。
33.人脸活体检测，是指计算机判别检测的人脸图像是通过活体人脸拍摄的图像，还是伪造的人脸攻击图像。人脸攻击图像例如可以是各种打印照片攻击(包括彩色打印照片、黑白打印照片、红外打印照片等)、屏幕播放攻击(手机屏幕、平板屏幕、电脑屏幕等)以及高清3d攻击(各种材质的面具、头部模型、头套面具等)。
34.由于未知的人脸攻击图像种类众多，难以准确提取其分类特征，导致在进行人脸活体检测模型训练时，通常是通过拟合已知的数据，导致人脸活体检测模型过拟合严重。并且，有些攻击如高清屏攻击等，非常逼真，在标注时可能会被误标注，导致人脸图像训练集有噪声。另外还有比如光线过暗、过曝等一些比较极端的案例，会影响人脸活体检测模型的训练，误导人脸活体检测模型关注到与活体检测无关的特征。对此，出现了各种各样基于计算机视觉的训练人脸活体检测模型的方法。其中，本公开中，有时将训练人脸活体检测模型的方法也称为人脸活体检测算法，本领域技术人员应理解其含义的一致性。
35.相关技术中，人脸活体检测算法包括有人脸手工特征提取及分类方法和使用神经网络的深度学习方法。传统人脸手工提取及分类方法基于手工设计的特征提取器提取人脸特征，然后基于传统分类器进行特征分类最终得到人脸活体的判定结果。使用深度学习的人脸活体检测方法有卷积神经网络的活体判别、基于长短期记忆(long short-term memory，lstm)的活体判别等方法。此类方法使用神经网络进行人脸特征提取及分类。深度学习类方法能够提取到稳定性更强的人脸特征，相较于传统方法，在性能上有较大提升。
36.然而，目前的训练人脸活体检测模型的方法，对于复杂多样的攻击方式及样本泛化性有限，检测精度也有待提高。
37.本公开提供一种训练人脸活体检测模型的方法，在该方法中针对采用目前已有方式训练收敛的人脸活体检测模型继续进行迭代训练，并基于已训练收敛的人脸活体检测模型的预测结果对人脸图像样本集中的离群样本进行筛除，提高人脸图像样本集中的样本精度，进而提高人脸活体检测模型的泛化性以及检测精度。
38.图1是本公开一示例性实施方式中示出的一种训练人脸活体检测模型的方法流程图。参阅图1所示，该训练人脸活体检测模型的方法包括以下步骤s101至步骤s106。
39.在步骤s101中，获取人脸图像样本集。
40.其中，人脸图像样本集中包括表征活体人脸图像的正样本集以及表征非活体人脸图像的负样本集。其中，正样本也称为阳性样本，负样本也称为阴性样本。
41.本公开中人脸图像样本集包括正样本集以及负样本集，故，该人脸图像样本集可
以理解为是一种全量训练集。
42.在步骤s102中，基于人脸图像样本集对人脸活体检测模型进行迭代训练，直至人脸活体检测模型收敛。
43.其中，基于人脸图像样本集对人脸活体检测模型进行迭代训练可以是采用相关技术中已有的训练方式，例如可以采用卷积神经网络并基于二分类交叉熵损失函数进行二分类迭代训练。其中，本公开中也可以设置执行预设数量的迭代训练过程(epoch)，以下可以称为第一数量的迭代训练过程。
44.在步骤s103中，将人脸图像样本集输入至迭代训练后的人脸活体检测模型，得到人脸活体预测结果。
45.本公开中，人脸活体预测结果中包括有表征活体人脸图像的正样本集以及表征非活体人脸图像的负样本集。
46.在步骤s104中，基于人脸活体预测结果确定离群样本。
47.其中，离群样本为与正样本集中心样本和负样本集中心样本之间的相似度均小于相似度阈值的样本。
48.其中，离群样本例如可以是难样本或者错误标注的样本等特征远离真人人脸图像和攻击人脸图像的中心的样本。
49.其中，离群样本与正样本集中心样本之间的像素点小于像素度阈值，可以理解为离群样本远离正样本集中各样本在特征空间上对应的向量区域中心。离群样本与负样本集中心样本之间的相似度小于相似度阈值，可以理解为离群样本远离负样本集中各样本在特征空间上对应的向量区域中心。以下，为描述方便，有时将正样本集中各样本在特征空间上对应的向量区域中心称为第一向量区域中心。负样本集中各样本在特征空间上对应的向量区域中心称为第二向量区域中心。
50.在步骤s105中，在人脸图像样本集中筛除离群样本。
51.其中，本公开中若基于人脸活体预测结果确定存在离群样本，则可以在人脸图像样本集中筛除该离群样本。
52.在步骤s106中，基于筛除离群样本后的人脸图像样本集，对人脸活体检测模型继续进行迭代训练。
53.本公开中，基于筛除离群样本后的人脸图像样本集，对人脸活体检测模型继续进行迭代训练，也可以采用相关技术中已有的训练方式继续进行训练。其中，本公开中也可以设置执行预设数量的迭代训练过程，以下可以称为第二数量的迭代训练过程。其中，第一数量和第二数量可以相同也可以不同。
54.其中，本公开中第二数量可以基于实际需求进行设定，例如，第二数量可以基于人脸活体检测模型的预期目标进行设定。该预期目标，例如可以是损失值降低到设定的程度认为人脸活体检测模型达到了预期目标，或者在训练的时候进行测试，测试指标达到要求可以认为人脸活体检测模型达到了预期目标。
55.本公开提供的训练人脸活体检测模型的方法，基于全量训练集进行人脸活体检测模型的训练直至人脸活体检测模型收敛后，继续进行人脸活体检测模型的训练，能够提高训练精度。并且，在后续训练过程中，基于已训练收敛的人脸活体检测模型的预测结果对人脸图像样本集中的离群样本进行筛除，能够提高人脸图像样本集中的样本精度，进而提高
人脸活体检测模型的泛化性以及检测精度。
56.本公开一示例性实施方式中，可以在人脸图像样本集中筛除离群样本之前，基于离群样本，确定人脸活体预测结果的目标损失，并基于目标损失对人脸活体检测模型进行指定次数的迭代训练，基于该迭代训练后的人脸活体检测模型输出的人脸活体预测结果，进一步确定离群样本，以提高人脸图像样本集中的样本精度，并提高人脸活体检测模型的泛化性以及检测精度。
57.图2是本公开一示例性实施方式中示出的一种训练人脸活体检测模型的方法流程图。参阅图2所示，该训练人脸活体检测模型的方法包括以下步骤s201至步骤s207。其中，步骤s201、步骤s202、步骤s203、步骤s204、步骤s206、步骤s207分别与步骤s101、步骤s102、步骤s103、步骤s104、步骤s105、步骤s106相同，在此不再详述，仅就不同之处进行说明。
58.在步骤s205中，基于离群样本，确定人脸活体预测结果的目标损失，并基于目标损失对人脸活体检测模型进行指定次数的迭代训练。
59.本公开中，为描述方便，可以将该指定次数的迭代训练过程称为第三数量的迭代训练过程。其中，第一数量、第二数量和第三数量可以相同也可以不同。
60.其中，本公开中第三数量可以基于实际需求进行设定，例如，第三数量可以基于人脸活体检测模型的预期目标进行设定。
61.其中，本公开中基于离群样本，确定人脸活体预测结果的目标损失时，可以在进行目标损失确定时，不对离群样本进行损失的计算，以消除离群样本对于人脸活体检测模型的训练影响，以提高人脸活体检测模型的检测精度，并提高训练速度。
62.一方面，本公开可以在人脸活体预测结果对应的正样本集以及负样本集中保留离群样本，并确定人脸活体预测结果对应的正样本集以及负样本集中除离群样本以外的其他样本，计算其他样本中各样本的目标损失。
63.其中，本公开中在人脸活体预测结果对应的正样本集以及负样本集中保留离群样本，可以保持原有的训练样本数量，并使得后续可能成为正样本或负样本的训练样本保留，提高训练精度。
64.另一方面，本公开可以在人脸活体预测结果对应的正样本集以及负样本集中筛除离群样本，并计算筛除离群样本后的正样本集以及负样本集中各样本的目标损失。
65.其中，本公开中在在人脸活体预测结果对应的正样本集以及负样本集中筛除离群样本，可以消除离群样本对于人脸活体检测模型的训练影响，并提高训练速度。
66.基于本公开上述提供的训练人脸活体检测模型的方法，本公开人脸活体检测模型可以分为三个阶段，其中，第一阶段为基于全量训练集进行迭代训练的阶段。第二阶段为基于离群样本确定的目标损失进行迭代训练的阶段。第三阶段为基于筛除离群样本后的全量训练集进行迭代训练的过程。
67.本公开以下结合实际应用对上述各阶段的执行过程进行说明。
68.本公开中首先对第一阶段的迭代训练过程进行说明。本公开中可以获取人脸图像样本集时，可以是获取一些包括活体人脸图像和非活体人脸图像(攻击人脸图像)的训练数据。该训练数据可以理解为是人脸图像。本公开中可以对获取到的人脸图像样本集中的各个样本进行图像预处理，比如进行人脸位置检测、人脸关键点检测以及人脸框的确定等。
69.一示例性实施方式中，本公开中定义人脸包含72个关键点分别为(x1,y1)
…
(x
72
,y72
)。对人脸图像样本集中每张样本图像进行图像预处理，首先得到一张包含人脸的图像，通过检测模型对人脸进行检测，得到大致的人脸位置区域。其中，检测模型为已有人脸检测模型，可以检测到人脸位置。其次，根据检测到的人脸位置区域，通过人脸关键点检测模型对人脸关键点进行检测得到人脸的关键点坐标值。其中，人脸关键点检测模型为已有模型。例如，本公开中调用已有的人脸关键点检测模型，输入已检测到的人脸的图像，得到72个人脸关键点坐标，分别为(x1,y1)
…
(x
72
,y
72
)。然后根据人脸的关键点坐标值对目标人脸进行人脸对齐得到人脸图像。其中，进行人脸对齐时例如根据72个人脸关键点坐标得到x和y的最大最小值x
min
，x
max
，y
min
，y
max
，根据最大最小值可以确定一个人脸框，然后将此人脸框扩大三倍再截取人脸图像，调整到尺寸224*224。
70.进一步的，本公开中可将得到的包含人脸图像的区域进行图像归一化处理。例如将人脸图像中的每一个像素依次进行归一化处理，归一化处理的方法是：每个像素的像素值减128再除以256，使每个像素的像素值在[-0.5,0.5]之间。将归一化处理后的图像进行随机数据增强处理。
[0071]
本公开经过上述预处理后的人脸图像样本集，可以进一步输入至特征提取网络中，进行人脸活体检测模型的迭代训练。一种实施方式中，本公开中可以使用mobilenet v2作为卷积神经网络的backbone进行人脸活体检测模型的迭代训练。例如，本公开中可以使用mobilenet v2作为卷积神经网络的backbone，进行第一数量的人脸活体检测模型迭代训练(例如进行二分类训练10个epoch)，使得人脸活体检测模型收敛。其中，本公开中进行第一数量的人脸活体检测模型迭代训练后，人脸活体检测模型具有基本的活体检测能力，即能够在特征空间上输出二分类人脸检测预测结果，使得真人数据的特征会聚集在一起，攻击数据的特征会聚集在一起。
[0072]
本公开中，完成第一阶段的人脸活体检测模型的迭代训练后，可以基于该人脸活体检测模型对人脸图像样本集进行预测，得到人脸活体预测结果。在该人脸活体预测结果中包括有正样本集和负样本集。可能也会存在一些离群样本，例如难样本或错误标注的样本等。
[0073]
本公开中在第二阶段的人脸活体检测模型的迭代训练中，确定出离群样本，并基于该离群样本确定第二阶段迭代训练过程中的目标损失。
[0074]
本公开一种实施方式中，可以基于正样本集中的中心样本和负样本集中的中心样本之间的相似度，以及正样本集以及负样本集中各样本与正样本集中心样本和负样本集中心样本之间的相似度，确定离群样本。例如，可以将与正样本集中心样本和负样本集中心样本之间的相似度均小于相似度阈值的样本确定为离群样本。
[0075]
本公开一种实施方式中，可以通过样本在特征空间中之间的距离，确定样本间的相似度。即可以针对正样集和负样本集中的各样本，分别确定与第一向量区域中心之间的距离(以下称为第一距离)以及与第二向量区域中心之间的距离(以下称为第二距离)，通过该距离进行离群样本的确定。
[0076]
一种实施方式中，本公开中可以确定第一向量区域中心和第二向量区域中心之间的距离l，基于该距离l确定用于确定离群样本的距离阈值。例如，可以将距离l与设定系数的乘积，作为该距离阈值。比如系数为1/3，则距离阈值为1/3l。其中，该系数的设定可以基于训练精度确定，比如需要的训练精度较高，则该系数可以设定的大一些，需要的训练精度
较低，则该系数可以设定的小一些。
[0077]
本公开中可以将第一距离超出距离阈值，且第二距离超出距离阈值的样本，确定为离群样本。
[0078]
图3是本公开一示例性实施方式中示出的一种确定离群样本的方法流程图。参阅图3所示，确定离群样本的方法包括以下步骤s301至步骤s304。
[0079]
在步骤s301中，确定人脸活体预测结果对应的正样本集以及负样本集。
[0080]
其中，该人脸活体预测结果可以理解为是基于第一阶段迭代训练完成的人脸活体检测模型对人脸活体图像样本集进行预测得到的结果。该人脸活体预测结果包括正样本集以及负样本集。
[0081]
在步骤s302中，确定正样本集中各样本在特征空间上对应的第一向量区域中心，并确定负样本集中各样本在特征空间上对应的第二向量区域中心。
[0082]
在步骤s303中，针对正样集和负样本集中的各样本，分别确定与第一向量区域中心之间的第一距离，以及与第二向量区域中心之间的第二距离。
[0083]
在步骤s304中，将第一距离和第二距离均大于距离阈值的样本，确定为离群样本。
[0084]
其中，距离阈值基于第一向量区域中心和第二向量区域中心之间的距离确定。
[0085]
一示例中，以c0表示第一向量区域中心，以c1表示第二向量区域中心。假设c0与c1之间的距离为l，距离阈值为1/3l。若某一样本在特征空间上与c0之间的距离超出1/3l，且该样本在特征空间上与c1之间的距离超出1/3l，则确定该样本为离群样本。
[0086]
本公开中，基于样本在特征空间中之间的距离，确定样本间的相似度，并基于样本与正样本集中心样本之间的距离，以及样本与负样本集中心样本之间的距离，确定离群样本，能够快速准确的确定出离群样本。
[0087]
本公开中确定了离群样本后，在第二阶段的迭代训练过程中在进行目标损失的计算时，可以不对离群样本进行损失的计算。
[0088]
其中，本公开中在第二阶段进行迭代训练时，可以进行第二数量的迭代训练过程(例如基于目标损失训练10个epoch)。
[0089]
本公开中，在完成第二阶段的迭代训练后对离群样本对人脸活体检测模型训练过程中产生的噪声进行了一定程度的消除，进而可以提高人脸活体检测模型的检测精度以及泛化性。
[0090]
本公开中，完成第二阶段的人脸活体检测模型的迭代训练后，可以基于该第二阶段训练完成的人脸活体检测模型对人脸图像样本集进行预测，得到人脸活体预测结果。在该人脸活体预测结果中同样包括有正样本集和负样本集。也可能还存在离群样本。
[0091]
本公开中，若基于第二阶段训练完成的人脸活体检测模型对人脸图像样本集进行预测的人脸活体预测结果中仍包括离群样本，则可以筛除该离群样本，以消除离群样本。
[0092]
其中，可以理解的是，本公开中在人脸活体预测结果中确定离群样本的过程可以参阅上述实施例的相关描述，在此不再详述。
[0093]
本公开提供的训练人脸活体检测模型的方法，基于全量训练集进行人脸活体检测模型的第一阶段训练后，继续进行人脸活体检测模型的第二阶段训练和第三阶段训练，不断的进行离群样本的筛除，能够从训练集中剔除掉与活体特征中心和攻击特征中心距离均远的离群数据，进而能够有效的防止目前大多数常见的攻击，加快网络训练收敛速度、提高
人脸活体检测算法的泛化性和精度。并且，能够提升人脸活体检测算法对于未知攻击样本方式的防御效果。
[0094]
本公开又一种实施方式中，为了进一步提高人脸活体检测模型的训练精度，可以基于第一向量区域中心和第二向量区域中心之间的距离确定中心距离损失，并在上述第二阶段和/或第三阶段的迭代训练过程中，基于该中心距离损失对人脸活体检测模型继续进行迭代训练，使正负样本距离拉远，相同样本距离拉进，大大提高了活体检测算法的准确率和泛化性。
[0095]
图4示出了本公开上述示例提供的第一阶段、第二阶段以及第三阶段的人脸活体检测模型的训练过程示意图。参阅图4所示，在第一阶段中，对活体数据进行人脸检测、关键点检测、人脸对齐、图像预处理，使用mobilenet v2提取特征，并经过全连接层后基于二分类交叉熵损失进行约束，完成第一阶段的人脸活体检测模型训练。第二阶段的训练过程与第一阶段的训练过程类似，不同之处在于，需要判断样本与正样本集以及负样本集中心距离是否超出距离阈值，以确定离群样本。在确定存在离群样本时，不进行离群样本的损失计算。并且，在二分类交叉熵损失的基础上增加中心距离损失对人脸活体检测模型训练过程进行约束。第三阶段的训练过程与第二阶段类似，不同之处在于，需要判断样本与正样本集以及负样本集中心距离是否超出距离阈值，以确定离群样本。在确定存在离群样本时，从人脸图像样本集中筛除该离群样本。
[0096]
本公开提供的训练人脸活体检测模型的方法，基于全量训练集进行人脸活体检测模型的第一阶段训练后，继续进行人脸活体检测模型的第二阶段训练和第三阶段训练，不断的进行离群样本的筛除，能够从训练集中剔除掉与活体特征中心和攻击特征中心距离均远的离群数据。并且，在二分类交叉熵损失的基础上加入了中心距离损失，使正负样本距离拉远，相同样本距离拉进。故，通过本公开提供的人脸活体检测模型的训练方法，能够提高活体检测算法的准确率和泛化性。
[0097]
可以理解的是，本公开中上述各实施方式中涉及的人脸活体检测模型的训练方法的执行主体可以是具备执行上述各功能的训练人脸活体检测模型的装置。该训练人脸活体检测模型的装置例如可以是具备相应运算能力、较多运算资源的服务器等设备。
[0098]
基于本公开上述各实施方式中涉及的训练人脸活体检测模型的方法训练得到的人脸活体检测模型，可以进行人脸活体的检测。
[0099]
在进行人脸活体检测时，可以获取待识别人脸图像，将该待识别人脸图像输入至采用上述方式预先训练得到的人脸活体检测模型，即可得到人脸活体检测模型的输出结果。基于人脸活体检测模型的输出结果，确定待识别人脸图像的检测结果。该检测结果为活体人脸，或者非活体人脸。
[0100]
图5是本公开一示例性实施方式中示出的一种人脸活体检测的方法流程图。参阅图5所示，人脸活体检测的方法包括以下步骤s501至步骤s503。
[0101]
在步骤s501中，获取待识别人脸图像。
[0102]
在步骤s502中，调用预先训练的人脸活体检测模型，将该待识别人脸图像输入至预先训练得到的人脸活体检测模型。
[0103]
其中，该预先训练的人脸活体检测模型为采用本公开上述任意一实施例涉及的训练人脸活体检测模型的方法训练得到。
[0104]
在步骤s503中，基于人脸活体检测模型的输出结果，确定待识别人脸图像的检测结果。
[0105]
其中，该检测结果为活体人脸，或者非活体人脸。
[0106]
其中，本公开中上述获取待识别人脸图像可以是由上述执行人脸活体检测的设备进行拍摄获取，也可以是由其它执行主体拍摄得到发送给上述执行人脸活体检测的设备
[0107]
其中，待识别人脸图像的数量不限，即使是对应同一用户，也可以同时获取到多张，通常情况下，仅需要通过一张图片来进行活体人脸识别，但可以通过结合多张图片的判别结果来提升最终识别准确性。也可以从拍摄得到的视频中选取出一些最合适的图像作为待识别人脸图像。进一步的，待识别人脸图像应当尽量避免经不必要的图像处理操作，尽量保持拍摄得到的图像的原始状态。
[0108]
其中，采用本公开提供的人脸活体检测模型进行人脸活体检测的方法，由于人脸活体检测模型的泛化性以及检测精度较高，故能够提升人脸活体检测技术性能、帮助以人脸活体检测技术为基础的诸多应用提升效果和用户体验，有利于业务项目的进一步推广。
[0109]
基于相同的构思，本公开实施例还提供一种训练人脸活体检测模型的装置。
[0110]
可以理解的是，本公开实施例提供的训练人脸活体检测模型的装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。
[0111]
作为示例性的实施方式，图6是根据本公开提供的一种训练人脸活体检测模型的装置的框图。参阅图6所示，本公开提供的训练人脸活体检测模型的装置600包括获取单元601和训练单元602。
[0112]
获取单元601，用于获取人脸图像样本集，人脸图像样本集中包括表征活体人脸图像的正样本集以及表征非活体人脸图像的负样本集。训练单元602，基于人脸图像样本集对人脸活体检测模型进行迭代训练，直至人脸活体检测模型收敛；将人脸图像样本集输入至迭代训练后的人脸活体检测模型，得到人脸活体预测结果；基于人脸活体预测结果确定离群样本，在人脸图像样本集中筛除离群样本，离群样本为与正样本集中心样本和负样本集中心样本之间的相似度均小于相似度阈值的样本；基于筛除离群样本后的人脸图像样本集，对人脸活体检测模型继续进行迭代训练。
[0113]
其中，训练单元602还用于：在人脸图像样本集中筛除离群样本之前，基于离群样本，确定人脸活体预测结果的目标损失，并基于目标损失对人脸活体检测模型进行指定次数的迭代训练。
[0114]
其中，训练单元602用于采用如下方式基于离群样本，确定人脸活体预测结果的目标损失：
[0115]
在人脸活体预测结果对应的正样本集以及负样本集中保留离群样本，并确定人脸活体预测结果对应的正样本集以及负样本集中除离群样本以外的其他样本；计算其他样本中各样本的目标损失。
[0116]
其中，训练单元602用于采用如下方式基于离群样本，确定人脸活体预测结果的目
标损失：
[0117]
在人脸活体预测结果对应的正样本集以及负样本集中筛除离群样本；计算筛除离群样本后的正样本集以及负样本集中各样本的目标损失。
[0118]
其中，训练单元602用于采用如下方式基于各样本的目标损失人脸活体预测结果确定离群样本：
[0119]
确定人脸活体预测结果对应的正样本集以及负样本集，并确定正样本集中各样本在特征空间上对应的第一向量区域中心，并确定负样本集中各样本在特征空间上对应的第二向量区域中心；针对正样集和负样本集中的各样本，分别确定与第一向量区域中心之间的第一距离，以及与第二向量区域中心之间的第二距离；将第一距离和第二距离均大于距离阈值的样本，确定为离群样本，距离阈值基于第一向量区域中心和第二向量区域中心之间的距离确定。
[0120]
其中，训练单元602用于采用如下方式对人脸活体检测模型继续进行迭代训练：
[0121]
基于中心距离损失对人脸活体检测模型继续进行迭代训练；其中，中心距离损失基于第一向量区域中心和第二向量区域中心之间的距离确定；
[0122]
第一向量区域中心为正样本集中各样本在特征空间上对应的向量区域中心，第二向量区域中心为符样本集中各样本在特征空间上对应的向量区域中心。
[0123]
作为示例性的实施方式，图7是根据本公开提供的一种人脸活体检测装置的框图。参阅图7所示，本公开提供的人脸活体检测装置700包括获取单元701和检测单元702。
[0124]
其中，获取单元701，用于获取待识别人脸图像。检测单元702，用于将待识别人脸图像输入至人脸活体检测模型，人脸活体检测模型采用上述训练人脸活体检测模型的方法预先训练得到。检测单元702基于人脸活体检测模型的输出结果，确定待识别人脸图像的检测结果。
[0125]
关于本公开上述涉及的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0126]
可以理解的是，本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0127]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0128]
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0129]
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0130]
设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0131]
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如上述涉及的训练人脸活体检测模型的方法或人脸活体检测方法。例如，在一些实施例中，上述涉及的训练人脸活体检测模型的方法或人脸活体检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的上述涉及的训练人脸活体检测模型的方法或人脸活体检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述涉及的训练人脸活体检测模型的方法或人脸活体检测方法。
[0132]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0133]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0134]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0135]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视
器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0136]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0137]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0138]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0139]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。