活体检测和模型训练方法、设备及介质.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CN113642466A(43)申请公布日2021.11.12(21)申请号202110932017.0(22)申请日2019.11.27(62)分案原申请数据201911186208.62019.11.27(71)申请人马上消费金融股份有限公司地址404100重庆市渝北区黄山大道中段52号渝兴广场B2栋4至8楼(72)发明人付华赵立军蒋宁(74)专利代理机构北京银龙知识产权代理有限公司11243代理人许静王丹(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书3页说明书14页附图7页(54)发明名称活体检测和模型训练方法、设备及介质(57)摘要本发明公开了一种活体检测、图像分类和模型训练方法、装置、设备及介质，涉及图像处理技术领域，以提高活体检测的速度。该方法包括：获取目标人脸图像组，其中，所述目标人脸图像组中包括一帧RGB图和所述RGB图对应的一帧深度图；将所述RGB图和所述深度图以第一融合方式进行融合，得到第一融合图像；将所述第一融合图像输入到第一模型中，得到第一活体检测结果。其中，第一模型为SqueezeNet，所述RGB图中人脸区域的大小符合第一预设要求且所述深度图的深度符合第二预设要求。本发明实施例可提高活体检测的速度。CN113642466ACN113642466A权利要求书1/3页1.一种活体检测方法，其特征在于，包括：获取目标人脸图像组，其中，所述目标人脸图像组中包括一帧RGB图和所述RGB图对应的一帧深度图；将所述RGB图和所述深度图以第一融合方式进行融合，得到第一融合图像；将所述第一融合图像输入到第一模型中，得到第一活体检测结果；其中，第一模型为改进的SqueezeNet，所述RGB图中人脸区域的大小符合第一预设要求且所述深度图的深度符合第二预设要求；所述改进的SqueezeNet包括FireModule和流模块；其中，所述FireModule包括Squeeze层和Expand层；所述Squeeze层和所述Expand层使用卷积核和可变形卷积的卷积核进行卷积运算。2.根据权利要求1所述的方法，其特征在于，所述将所述RGB图和所述深度图以第一融合方式进行融合，得到第一融合图像，包括以下任意一种方式：仅保留所述深度图，得到第一单通道图；或者将所述深度图映射成第一彩色图，并将所述第一彩色图和所述RGB图进行叠加，得到三通道图；或者仅保留所述深度图，得到第二单通道图；将所述第二单通道图添加到所述RGB图的Alpha通道上，得到四通道图；或者将所述深度图映射成第二彩色图；或者将所述RGB图转换为单通道灰度图，将所述深度图映射成第二彩色图；将所述单通道灰度图添加到所述第二彩色图的Alpha通道上，得到四通道图。3.根据权利要求1所述的方法，其特征在于，在所述将所述第一融合图像输入到第一模型中，得到第一活体检测结果之后，所述方法还包括：将所述RGB图和所述深度图以第二融合方式进行融合，得到第二融合图像；所述第二融合方式和所述第一融合方式不同；将所述第二融合图像输入到所述第一模型或者第二模型中，得到第二活体检测结果；其中，所述第一模型和所述第二模型是不同的模型；根据所述第一活体检测结果和所述第二活体检测结果，得到最终的活体检测结果。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一活体检测结果和所述第二活体检测结果，得到最终的活体检测结果，包括：对所述第一活体检测结果和所述第二活体检测结果进行运算，并将运算结果作为所述最终的活体检测结果；所述运算包括以下任意一种：计算所述第一活体检测结果和第一加权值的乘积，计算所述第二活体检测结果和第二加权值的乘积，并将获得的乘积求和；或者计算所述第一活体检测结果和所述第二活体检测结果的平均值。5.根据权利要求1所述的方法，其特征在于，所述可变形卷积包括：可变形卷积V2或者可变形卷积V1；或者，所述可变形卷积包括空洞卷积；或者，所述可变形卷积包括两个可变形卷积组合得到；2CN113642466A权利要求书2/3页所述流模块为k×k的可变形深度卷积，用于对图像的各个区域进行加权计算，所述k为大于1的正整数；其中，所述k×k的可变形深度卷积是利用k×k的深度卷积和以下任一卷积方式相结合得到的：可变形卷积V2或可变形卷积V1或空洞卷积；或者，所述流模块包括：1×k的可变形深度卷积与k×1的可变形深度卷积的结合。6.一种模型训练方法，其特征在于，包括：获取模型训练样本集，所述模型训练样本集包括多个融合图像，其中，每个融合图像是由一帧红绿蓝RGB图和所述RGB图对应的一帧深度图进行融合处理后获得的；将所述训练样本集输入机器学习网络模型，训练得到第一模型；其中，所述第一模