活体检测模型训练方法、活体检测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115995028A(43)申请公布日2023.04.21(21)申请号202211425567.4G06V10/80(2022.01)(22)申请日2022.11.15G06N3/08(2023.01)G06N3/0464(2023.01)(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人曹佳炯丁菁汀(74)专利代理机构北京留理知识产权代理事务所(普通合伙)16049专利代理师李哲(51)Int.Cl.G06V10/774(2022.01)G06V10/762(2022.01)G06V40/16(2022.01)G06V40/12(2022.01)G06V40/18(2022.01)权利要求书3页说明书16页附图2页(54)发明名称活体检测模型训练方法、活体检测方法及系统(57)摘要本说明书提供一种活体检测模型训练方法、活体检测方法及系统，在获取第一训练图像集后，基于第一训练图像集生成第二训练图像集，其中，第二训练图像集在基础活体检测模型的活体可分辨性低于第一训练图像集在基础活体检测模型的活体可分辨性，以及使用综合训练图像集对目标神经网络模型进行训练，得到活体分辨性能优于基础活体检测模型的目标活体检测模型，其中，综合训练图像集包括第一训练图像集和第二训练图像集；该方案可以提高活体检测的不同域数据的采集效率。CN115995028ACN115995028A权利要求书1/3页1.一种活体检测模型训练方法，包括：获取第一训练图像集；基于所述第一训练图像集生成第二训练图像集，所述第二训练图像集在基础活体检测模型的活体可分辨性低于所述第一训练图像集在所述基础活体检测模型的活体可分辨性；以及使用综合训练图像集对目标神经网络模型进行训练，得到活体分辨性能优于基础活体检测模型的目标活体检测模型，所述综合训练图像集包括所述第一训练图像集和所述第二训练图像集。2.根据权利要求1所述的方法，其中，所述基础活体检测模型采用如下方法步骤训练得到：获取第三训练图像集，并对所述第三训练图像集中每张训练图像，记为目标训练图像；采用预设基础活体检测网络对所述目标训练图像对应的图像块随机打乱次序，得到所述目标训练图像对应的至少两个扰乱训练图像；对所述至少两个扰乱训练图像进行特征提取和预测活体类别，得到所述至少两个扰乱训练图像对应的特征向量和活体分类结果；以及基于所述至少两个扰乱训练图像对应的特征向量和活体分类结果，确定第一损失信息，并基于所述第一损失信息对所述预设基础活体检测网络进行收敛，得到所述基础活体检测模型。3.根据权利要求2所述的方法，其中，所述基于所述至少两个扰乱训练图像对应的特征向量和活体分类结果，确定第一损失信息，包括：基于所述至少两个扰乱训练图像对应的特征向量，确定特征比对损失信息，所述特征比对损失信息的约束条件为使得所述至少两个扰动训练图像对应的特征向量之间的相似度最小化，以及使得不同的目标训练图像对应的扰动训练图像的特征向量之间的相似度最大化；基于所述至少两个扰乱训练图像对应的活体分类结果与所述目标训练图像的标注活体类别，确定所述至少两个扰乱训练图像对应的至少两个第一活体分类损失信息；以及基于所述特征比对损失信息和所述至少两个第一活体分类损失信息的累加和，得到所述第一损失信息。4.根据权利要求1所述的方法，其中，所述基于所述第一训练图像集生成第二训练图像集，包括：采用训练好的强化学习网络对所述第一训练图像集中多个训练图像的图像块进行组合，得到所述第一训练图像集对应的中间训练图像集；以及对所述中间训练图像集进行域样本划分，得到所述第二训练图像集。5.根据权利要求4所述的方法，其中，所述强化学习网络采用如下方法步骤训练得到：获取第四训练图像集，并采用预设强化学习网络对所述第四训练图像集中多个训练图像的图像块进行组合，得到所述第四训练图像集对应的新训练图像集；采用所述基础活体检测模型预测所述新训练图像集对应的活体类别，得到所述新训练图像集对应的活体分类结果；以及基于所述新训练图像集对应的活体分类结果与所述第四训练图像集的标注活体类别确定第二损失信息，并朝着使得所述第二损失信息最大化的方向对所述预设强化学习网络2CN115995028A权利要求书2/3页进行收敛，得到所述训练好的强化学习网络。6.根据权利要求4所述的方法，其中，所述对所述中间训练图像集进行域样本划分，得到所述第二训练图像集，包括：将所述中间训练图像集输入至所述基础活体检测模型，得到所述中间训练图像集对应的特征向量；对所述中间训练图像集对应的特征向量进行N类聚类，得到所述中间训练图像集对应的N个新域类别，所述N为大于或等于1的整数；以及基于所述中