活体检测模型训练方法、活体检测方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115497176A(43)申请公布日2022.12.20(21)申请号202211232853.9(22)申请日2022.10.10(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)发明人武文琦(74)专利代理机构北京市一法律师事务所11654专利代理师李琳娜(51)Int.Cl.G06V40/40(2022.01)G06V40/16(2022.01)G06V10/82(2022.01)权利要求书4页说明书18页附图4页(54)发明名称活体检测模型训练方法、活体检测方法和系统(57)摘要本说明书提供的活体检测模型训练方法、活体检测方法和系统，在获取面部图像样本集合后，采用图像模态转换网络将面部图像样本集合中每一面部图像样本转换为红外图像样本和深度图像样本，该图像模态转换网络通过引入随机变量训练得到，以及基于每一面部图像样本、红外图像样本和深度图像样本，对预设活体检测模型进行训练，得到活体检测模型；该方案可以提升活体检测模型的活体检测的准确率。CN115497176ACN115497176A权利要求书1/4页1.一种活体检测模型训练方法，包括：获取面部图像样本集合；采用图像模态转换网络将所述面部图像样本集合中每一面部图像样本转换为红外图像样本和深度图像样本，所述图像模态转换网络通过引入面部图像对应的随机变量训练得到；以及基于所述每一面部图像样本、所述红外图像样本和所述深度图像样本，对预设活体检测模型进行训练，得到活体检测模型。2.根据权利要求1所述的活体检测模型训练方法，其中，所述图像模态转换网络包括红外图像生成子网络和深度估计子网络，以及所述采用图像模态转换网络将所述面部图像样本集合中每一面部图像样本转换为红外图像样本和深度图像样本，包括：采用所述红外图像生成子网络将所述每一面部图像样本映射为红外图像样本；以及采用所述深度估计子网络对所述每一面部图像样本进行深度估计，得到所述每一面部图像样本对应的深度图像样本。3.根据权利要求2所述的活体检测模型训练方法，其中，所述采用所述红外图像生成子网络将所述每一面部图像样本映射为红外图像样本，包括：获取所述红外图像生成子网络对应的映射关系矩阵，所述映射关系矩阵包括面部图像与红外图像之间的映射关系；以及基于所述映射关系矩阵，将所述每一面部图像样本映射为红外图像样本。4.根据权利要求2所述的活体检测模型训练方法，其中，所述红外图像生成子网络的训练包括以下步骤：获取至少一个图像样本对，所述至少一个图像样本对中每一图像样本对包括当前面部图像和所述当前面部图像对应的当前红外图像；基于所述当前面部图像，随机生成所述当前面部图像对应的第一随机变量，并将所述第一随机变量作为第一约束信息；以及基于所述图像样本对对预设红外图像生成子网络进行训练，并通过所述第一约束信息在所述预设红外图像生成子网络的训练中进行扰动，得到所述红外图像生成子网络。5.根据权利要求2所述的活体检测模型训练方法，其中，所述深度估计子网络的训练包括以下步骤：获取目标图像样本；基于所述目标图像样本，随机生成所述目标图像样本对应的第二随机变量，并将所述第二随机变量作为第二约束信息；以及基于所述目标图像样本对预设深度估计子网络进行训练，并通过所述第二约束信息在所述预设深度估计子网络的训练中进行扰动，得到所述深度估计子网络。6.根据权利要求1所述的活体检测模型训练方法，其中，所述基于所述每一面部图像样本、所述红外图像样本和所述深度图像样本，对预设活体检测模型进行训练，得到活体检测模型，包括：基于所述每一面部图像样本、所述红外图像样本和所述深度图像样本，在所述面部图像样本集合中选取出候选面部图像样本；2CN115497176A权利要求书2/4页对所述候选面部图像样本进行活体标注，以得到目标面部图像样本，所述目标面部图像样本包括对所述预设活体检测模型优化正向的面部图像样本；以及基于所述目标面部图像样本对所述预设活体检测模型进行训练，得到活体检测模型。7.根据权利要求6所述的活体检测模型训练方法，其中，所述基于所述每一面部图像样本、所述红外图像样本和所述深度图像样本，在所述面部图像样本集合中选取出候选面部图像样本，包括：对所述每一面部图像样本进行活体检测，以在所述面部图像样本集合中选取出第一面部图像样本；基于所述红外图像样本和所述深度图像样本，在当前面部图像样本集合中选取出第二面部图像样本，所述当前面部图像样本集合包括所述面部图像样本集合中除所述第一面部图像样本以外的面部图像样本；以及将所述第一面部图像样本和所述第二面部图像样本作为所述候选面部图像样本。8.根据权利要求7所述的活体检测模型训练方法，其中，所述对所述面