人脸攻击检测模型的训练方法、人脸攻击检测方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115622730A(43)申请公布日2023.01.17(21)申请号202211025324.1(22)申请日2022.08.25(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)发明人吴斌(74)专利代理机构济南信达专利事务所有限公司37100专利代理师李世喆(51)Int.Cl.H04L9/40(2022.01)H04L41/16(2022.01)权利要求书2页说明书11页附图3页(54)发明名称人脸攻击检测模型的训练方法、人脸攻击检测方法和装置(57)摘要本说明书实施例描述了人脸攻击检测模型的训练方法、人脸攻击检测方法和装置。根据实施例的方法，在训练人脸攻击检测模型时，获取刷脸图像样本序列和行为样本序列。然后分别对其进行特征提取后，利用提取得到的刷脸图像特征、行为特征以及样本序列的标签训练人脸攻击检测模型。由于训练人脸攻击检测模型的样本序列不仅包括刷脸图像的样本序列，而且还包括每一个采集用户人脸图像前后用户所执行操作的行为样本序列。如此能够更加全面的刻画用户的行为和覆盖用户的操作特征，使得训练得到的模型可靠性更高，从而提高人脸攻击检测的准确性。CN115622730ACN115622730A权利要求书1/2页1.人脸攻击检测模型的训练方法，包括：获取用户的刷脸图像样本序列和行为样本序列；其中，所述刷脸图像样本序列用于表征用户在各个时间点刷脸时所采集到的用户人脸图像的时间序列，所述行为样本序列用于表征在每一次采集用户人脸图像前后用户所执行的操作的时间序列；对所述刷脸图像样本序列进行特征提取，得到至少一个刷脸图像特征；对所述行为样本序列进行特征提取，得到至少一个行为特征；利用所述至少一个刷脸图像特征、所述至少一个行为特征以及样本序列的标签，训练所述人脸攻击检测模型。2.根据权利要求1所述的方法，其中，所述刷脸图像样本序列包括标签标注的正常刷脸图像样本序列和攻击刷脸图像样本序列；所述对所述刷脸图像样本序列进行特征提取得到至少一个刷脸图像特征：包括：提取所述正常刷脸图像样本序列的频繁项集，得到正常刷脸图像频繁项集；其中，所述正常刷脸图像频繁项集用于表征在正常刷脸图像样本序列中出现的频繁程度远大于在攻击刷脸图像样本序列中出现的频繁程度的序列集合；以及，提取所述攻击刷脸图像样本序列的频繁项集，得到攻击刷脸图像频繁项集；其中，所述攻击刷脸图像频繁项集用于表征在攻击刷脸图像样本序列中出现的频繁程度远大于在正常刷脸图像样本序列中出现的频繁程度的序列集合。3.根据权利要求1所述的方法，其中，所述行为样本序列包括标签标注的正常行为样本序列和攻击行为样本序列；所述对所述行为样本序列进行特征提取得到至少一个行为特征，包括：提取所述正常行为样本序列的频繁项集，得到正常行为频繁项集；其中，所述正常行为频繁项集用于表征在正常行为样本序列中出现的频繁程度远大于在攻击行为样本序列中出现的频繁程度的序列集合；以及，提取所述攻击行为样本序列的频繁项集，得到攻击行为频繁项集；其中，所述攻击行为频繁项集用于表征在攻击行为样本序列中出现的频繁程度远大于在正常行为样本序列中出现的频繁程度的序列集合。4.根据权利要求1所述的方法，其中，所述行为样本序列包括标签标注的正常行为样本序列；所述对所述行为样本序列进行特征提取得到至少一个行为特征，包括：从所述正常行为样本序列中，提取得到至少一个样本行为集合；其中，每一个所述样本行为集合中包括至少两个相邻的用户操作，且任意两个相邻的用户操作不相同。5.根据权利要求1至4中任一所述的方法，其中，所述对所述刷脸图像样本序列进行特征提取得到至少一个刷脸图像特征，包括：从所述刷脸图像样本序列中提取人脸图像所对应的用户信息、采集人脸图像的设备信息、以及用户的人脸图像信息中的至少一个；和/或，所述对所述行为样本序列进行特征提取得到至少一个行为特征，包括：从所述行为样本序列中提取在采集人脸图像前后执行操作的用户信息、执行操作的设备信息、以及采集用户人脸图像前后用户所执行的操作信息中的至少一个。2CN115622730A权利要求书2/2页6.人脸攻击检测方法，包括：获取待进行人脸攻击检测的刷脸图像序列和行为序列；将所述刷脸图像序列和所述行为序列输入人脸攻击检测模型中，输出人脸攻击的检测结果；其中，所述人脸攻击检测模型是利用如权利要求1至5中任一所述的人脸攻击检测模型的训练方法训练得到的。7.根据权利要求6所述的方法，其中，在将所述刷脸图像序列和所述行为序列输入人脸攻击检测模型中之前，进一步包括：确定所述刷脸图像序列出现在预先存储的攻击刷脸图像频繁项集中的置信度；其中，所述攻击刷脸图像频繁项集用于表征在攻击刷脸图