(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211137670.9 (22)申请日 2022.09.19 (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　 (74)专利代理 机构 北京柏杉松知识产权代理事 务所(普通 合伙) 11413 专利代理师 丁芸　马敬 (51)Int.Cl. G06V 40/40(2022.01) G06V 40/16(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种活体检测模 型的训练方法、 装置及电子 设备 (57)摘要 本公开提供了一种活体检测模型的训练方 法、 装置及电子设备， 涉及人工智能技术领域， 尤 其涉及深度学习技术领域。 具体实现方案为： 获 取活体检测模 型、 至少两张样 本图像和各样本图 像的分类标签； 将样本图像输入 所述特征提取网 络进行特征提取得到各样本图像的特征向量； 将 特征向量输入长特征队列网络进行度量学习， 得 到各特征向量的第一检测结果； 将特征向量输入 二分类网络中进行二分类， 得到各特征向量的第 二检测结果； 基于所述第一检测结果、 第二检测 结果和所述分类标签， 得到活体检测模型的损 失； 根据活体检测模型的损失调整活体检测模型 的参数。 本公开实现了活体 检测模型的训练。 权利要求书3页 说明书12页 附图3页 CN 115482593 A 2022.12.16 CN 115482593 A 1.一种活体 检测模型的训练方法， 包括： 获取活体检测模型、 至少两张样本图像和各所述样本图像的分类标签， 其中， 所述活体 检测模型包括特 征提取网络、 长特 征队列网络和二分类网络； 将所述样本图像输入所述特征提取网络进行特征提取， 得到各所述样本图像的特征向 量； 将所述特征向量输入所述长特征队列网络进行度量学习， 得到各所述特征向量的第 一 检测结果； 将所述特征向量输入所述二分类网络 中进行二分类， 得到各所述特征向量的第 二检测 结果； 基于所述第一检测结果、 所述第二检测结果和所述分类标签， 得到所述活体检测模型 的损失； 根据所述活体 检测模型的损失调整所述活体 检测模型的参数。 2.根据权利要求1所述的方法， 其中， 所述将所述样本图像输入所述特征提取网络进行 特征提取， 得到各 所述样本图像的特 征向量， 包括： 将所述样本图像输入特征提取网络进行图像特征提取， 得到各所述样本图像的图像特 征； 对各所述样本图像的图像特征进行全局 平均池化， 得到各所述样本图像的池化特征向 量； 对各所述样本图像的池化特 征向量进行归一 化， 得到各 所述样本图像的特 征向量。 3.根据权利要求1所述的方法， 其中， 所述分类标签包括活体样本与攻击样本， 所述攻 击样本包括打印攻击、 屏幕攻击及面具攻击 。 4.根据权利要求3所述的方法， 其中， 所述将所述特征向量输入所述长特征队列网络进 行度量学习， 得到各 所述特征向量的第一检测结果， 包括： 将所述特征向量输入所述长特征队列网络， 通过所述长特征队列网络对预设长度的特 征向量进 行活体样本、 打印攻击、 屏幕攻击及面具攻击的分类， 得到各所述特征向量的第一 检测结果。 5.根据权利要求3所述的方法， 其中， 所述第 二检测结果表示所述样本图像为活体样本 或攻击样本 。 6.根据权利要求1所述的方法， 其中， 所述基于所述第一检测结果、 所述第二检测结果 和所述分类标签， 得到所述活体 检测模型的损失， 包括： 基于各所述特征向量的第 一检测结果， 利用第 一预设损失函数得到所述活体检测模型 的第一损失； 基于各所述特征向量的第 二检测结果， 利用第 二预设损失函数得到所述活体检测模型 的第二损失； 基于所述第 一损失和所述第 二损失， 按照预设的损失互补系数计算所述活体检测模型 的损失。 7.根据权利要求6所述的方法， 其中， 所述基于所述第一损 失和所述第二损 失， 按照预 设的损失互补系数计算所述活体 检测模型的损失， 包括： 按照以下公式计算所述活体 检测模型的损失：权　利　要　求　书 1/3 页 2 CN 115482593 A 2Loss＝α·LCE+(1‑α )LTri 其中， Loss为所述活体检测模型的损失， α 为所述预设的损失互补系数， LTri为所述第一 损失， LCE为所述第二损失。 8.一种活体 检测方法， 包括： 获取待检测图像； 将所述待检测图像输入到预先训练好的活体检测模型中， 得到所述待检测图像的检测 结果， 其中， 所述活体检测模型为权利要求 1‑7任一项所述的活体检测模型的训练方法训练 得到。 9.根据权利要求8所述的方法， 其中， 所述活体检测模型为去除掉长特征队列网络的模 型。 10.一种活体 检测模型的训练装置， 包括： 模型样本获取模块， 用于获取活体检测模型、 至少两张样本 图像和各所述样本 图像的 分类标签， 其中， 所述活体 检测模型包括特 征提取网络、 长特 征队列网络和二分类网络； 特征提取模块， 用于将所述样本 图像输入所述特征提取网络进行特征提取， 得到各所 述样本图像的特 征向量； 度量学习模块， 用于将所述特征向量输入所述长特征队列网络进行度量学习， 得到各 所述特征向量的第一检测结果； 二分类模块， 用于将所述特征向量输入所述二分类网络中进行二分类， 得到各所述特 征向量的第二检测结果； 损失获得模块， 用于基于所述第 一检测结果、 所述第 二检测结果和所述分类标签， 得到 所述活体 检测模型的损失； 参数调整模块， 用于根据所述活体 检测模型的损失调整所述活体 检测模型的参数。 11.根据权利要求10所述的装置， 其中， 所述特 征提取模块， 具体用于： 将所述样本图像输入特征提取网络进行图像特征提取， 得到各所述样本图像的图像特 征； 对各所述样本图像的图像特征进行全局 平均池化， 得到各所述样本图像的池化特征向 量； 对各所述样本图像的池化特 征向量进行归一 化， 得到各 所述样本图像的特 征向量。 12.根据权利要求10所述的装置， 其中， 所述分类标签包括活体样本与攻击样本， 所述 攻击样本包括打印攻击、 屏幕攻击及面具攻击 。 13.根据权利要求12所述的装置， 其中， 所述度量学习模块， 具体用于： 将所述特征向量输入所述长特征队列网络， 通过所述长特征队列网络对预设长度的特 征向量进 行活体样本、 打印攻击、 屏幕攻击及面具攻击的分类， 得到各所述特征向量的第一 检测结果。 14.根据权利要求12所述的装置， 其中， 所述第 二检测结果表示所述样本图像为活体样 本或攻击样本 。 15.根据权利要求10所述的装置， 其中， 所述损失 获得模块， 包括： 第一损失获得子模块， 用于基于各所述特征向量的第一检测结果， 利用第一预设损 失 函数得到所述活体 检测模型的第一损失；权　利　要　求　书 2/3 页 3 CN 115482593 A 3