活体检测模型的训练方法和活体检测的方法、装置、设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113705425A(43)申请公布日2021.11.26(21)申请号202110985438.X(22)申请日2021.08.25(71)申请人北京百度网讯科技有限公司地址100085北京市海淀区上地十街10号百度大厦2层(72)发明人张国生冯浩城岳海潇王珂尧(74)专利代理机构中科专利商标代理有限责任公司11021代理人吕朝蕙(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书11页附图4页(54)发明名称活体检测模型的训练方法和活体检测的方法、装置、设备(57)摘要本公开提供了一种活体检测模型的训练方法和活体检测方法、装置，涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于人脸识别等场景。具体实现方案为：将包括目标对象的多个样本图像输入活体检测模型的特征提取网络，得到各样本图像的图像特征；各样本图像具有指示目标对象为真实类别的实际概率的标签；将图像特征输入活体检测模型的分类网络，得到目标对象为真实类别的第一预测概率；基于图像特征与预定特征序列中每个特征之间的相似度，确定目标对象为非真实类别的第二预测概率，该每个特征为标签指示的实际概率为零的第一样本图像的图像特征；基于第一预测概率、第二预测概率和实际概率，对活体检测模型进行训练。CN113705425ACN113705425A权利要求书1/3页1.一种活体检测模型的训练方法，其中，所述活体检测模型包括特征提取网络和分类网络；所述方法包括：将包括目标对象的多个样本图像输入所述特征提取网络，得到所述多个样本图像中各样本图像的第一图像特征；所述各样本图像具有指示所述目标对象为真实类别的实际概率的标签；将所述第一图像特征输入所述分类网络，得到所述各样本图像中的目标对象为真实类别的第一预测概率；基于所述第一图像特征与预定特征序列中每个特征之间的相似度，确定所述各样本图像中的目标对象为非真实类别的第二预测概率，其中，所述每个特征为标签指示的实际概率为零的第一样本图像的第二图像特征；以及基于所述第一预测概率、所述第二预测概率和所述实际概率，对所述活体检测模型进行训练。2.根据权利要求1所述的方法，其中，所述预定特征序列为队列形式；所述方法还包括在确定所述各样本图像中的目标对象为非真实类别的第二预测概率之后：采用所述多个样本图像中的第二样本图像的第一图像特征，更新所述预定特征序列，其中，所述第二样本图像的标签指示的实际概率为零。3.根据权利要求1或2所述的方法，其中，确定所述各样本图像中的目标对象为非真实类别的第二预测概率包括：确定所述第一图像特征与所述特征序列中每个特征之间的内积，得到所述第一图像特征与所述特征序列之间的相似度向量；所述相似度向量中的每个元素的数值指示所述各样本图像中的目标对象与所述第一样本图像中的目标对象属于相同类别的概率值；以及确定所述相似度向量中的最大数值，作为所述各样本图像中的目标对象为非真实类别的第二预测概率。4.根据权利要求1或2所述的方法，其中，所述特征提取网络包括特征提取子网络和归一化子网络；所述将包括目标对象的多个样本图像输入所述特征提取网络，得到所述多个样本图像中各样本图像的第一图像特征包括：将所述多个样本图像输入所述特征提取子网络，得到所述多个样本图像中各样本图像的初始特征；以及将所述各样本图像的初始特征输入所述归一化子网络，得到所述各样本图像的第一图像特征。5.根据权利要求1或2所述的方法，其中，对所述活体检测模型进行训练包括：基于所述第一预测概率、所述第二预测概率和所述实际概率，采用交叉熵损失函数确定所述活体检测模型的损失；以及基于所述损失，对所述活体检测模型进行训练。6.一种采用活体检测模型进行活体检测的方法，其中，所述活体检测模型包括特征提取网络和分类网络；所述方法包括：将包括目标对象的待检测图像输入所述特征提取网络，得到所述待检测图像的第三图像特征；以及将所述第三图像特征输入所述分类网络，得到所述待检测图像中的目标对象为真实类2CN113705425A权利要求书2/3页别的概率，其中，所述活体检测模型是采用权利要求1～5中任一项所述的方法训练得到的。7.一种活体检测模型的训练装置，其中，所述活体检测模型包括特征提取网络和分类网络；所述装置包括：第一特征获得模块，用于将包括目标对象的多个样本图像输入所述特征提取网络，得到所述多个样本图像中各样本图像的第一图像特征；所述各样本图像具有指示所述目标对象为真实类别的实际概率的标签；第一预测模块，用于将所述第一图像特征输入所述分类网络，得到所述各样本图像中的目标对象为真实类别的第