活体检测模型的方法、装置及电子设备与流程

1.本公开涉及图像处理领域，尤其涉及计算机视觉和深度学习等人工智能领域，可适用于人脸识别和活体检测等场景下。


背景技术：

2.随着社会的发展，人脸识别融入了人们生活的各个方面，通过活体检测技术可以对人脸识别技术的安全性进行保证。然而，相关技术中，活体检测聚焦于人脸或人脸外扩部分区域进行活体检测，使得活体检测结果的准确性不够，无法实现对于人脸识别技术的高安全性保障。
3.因此，如何提升活体检测算法的准确性，成为了目前需要解决的问题。


技术实现要素：

4.本公开提出了一种活体检测模型的训练方法、装置、电子设备、存储介质及计算机程序产品。
5.根据本公开的第一方面，提出了一种活体检测模型的训练方法，包括：获取携带人脸的训练样本图像，并将所述训练样本图像输入活体检测模型中，由所述活体检测模型获取所述训练样本图像的多个尺度的目标特征图；从每个尺度的所述目标特征图中提取候选特征，并对所述候选特征进行特征融合，获取目标融合特征；基于所述目标融合特征，确定所述活体检测模型的分类损失函数；根据所述分类损失函数对所述活体检测模型的参数进行调整，并继续使用下一个训练样本图像对调整模型参数的所述活体检测模型进行训练，直至训练结束生成目标活体检测模型。
6.根据本公开的第二方面，提出了一种活体检测模型的训练装置，包括：获取模块，用于获取携带人脸的训练样本图像，并将所述训练样本图像输入活体检测模型中，由所述活体检测模型获取所述训练样本图像的多个尺度的目标特征图；融合模块，用于从每个尺度的所述目标特征图中提取候选特征，并对所述候选特征进行特征融合，获取目标融合特征；生成模块，用于基于所述目标融合特征，确定所述活体检测模型的分类损失函数；调整模块，用于根据所述分类损失函数对所述活体检测模型的参数进行调整，并继续使用下一个训练样本图像对调整模型参数的所述活体检测模型进行训练，直至训练结束生成目标活体检测模型。
7.根据本公开的第三方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面任一项所述的活体检测模型的训练方法。
8.根据本公开的第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述第一方面任一项所述的活体检测模型的训练方法。
9.根据本公开的第五方面，提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述第一方面任一项所述的活体检测模型的训练方法。
10.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
11.附图用于更好地理解本方案，不构成对本公开的限定。其中：
12.图1为本公开一实施例的活体检测模型的训练方法的流程示意图；
13.图2为本公开另一实施例的活体检测模型的训练方法的流程示意图；
14.图3为本公开另一实施例的活体检测模型的训练方法的流程示意图；
15.图4为本公开另一实施例的活体检测模型的训练方法的流程示意图；
16.图5为本公开一实施例的活体检测模型的结构示意图；
17.图6为本公开另一实施例的活体检测模型的结构示意图；
18.图7为本公开一实施例的活体检测模型的训练装置的结构示意图；
19.图8为本公开另一实施例的活体检测模型的训练装置的结构示意图；
20.图9为本公开一实施例的电子设备的示意性框图。
具体实施方式
21.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
22.图像处理(image processing)，用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素。图像处理技术一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。
23.计算机视觉(computer vision)，是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取
‘
信息’的人工智能系统。这里所指的信息指shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。
24.深度学习(deep learning，简称dl)，是机器学习(machine learning，简称ml)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
25.人工智能(artificial intelligence，简称ai)，是研究使计算机来模拟人类的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术，也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图技术等几大方面。
26.图1为本公开一实施例的活体检测模型的训练方法的流程示意图，如图1所示，该方法包括：
27.s101，获取携带人脸的训练样本图像，并将训练样本图像输入活体检测模型中，由活体检测模型获取训练样本图像的多个尺度的目标特征图。
28.实现中，人脸识别技术已经得到了广泛的应用，使得人脸识别技术需要对检测识别结果的准确性，以及人脸识别技术的安全性进行有效的提升以及优化。可选地，可以通过对活体检测模型算法的优化，实现人脸识别技术的优化。
29.本公开实施例中，可以通过样本图像对活体检测模型进行训练，并通过模型训练的输出结果调整活体检测模型的相关参数，进而实现活体检测模型的有效优化。
30.实现中，对于进行活体检测的样本图像，其中响应最强的特征点往往是位于感受野中心的特征点，且以该点为基准，样本图像中的特征可以呈现高斯分布的状态，该情况中，无法对样本图像的边缘特征实现有效的提取，使得活体检测模型的性能无法达到预期。
31.因此，可以将包含人脸的源图像确定为活体模型训练的样本图像，使得活体检测模型不仅可以提取到人脸图像的相关特征，还可以采集人脸周围环境的图像的特征。
32.需要说明的是，作为训练样本图像的源图像，为图像采集设备采集到的源图像，可以理解为，样本图像为基于图像采集设备的感受野采集的，未经过裁剪的包含人脸图像以及周围环境的完整图像。
33.实现中，特征提取层提取到的特征图的尺寸往往较大，使得对特征提取层输出的特征图进行特征提取时，往往需要大量的计算，且对有效特征提取效率存在一定影响。
34.可选地，活体检测模型可以存在多个特征提取层，每个特征提取层的设置可以存在不同，进而获取到不同尺度的特征图。
35.可选地，活体检测模型可以存在多个特征提取层，基于采样特征金字塔算法(feature pyramid networks，fpn)进行特征采集，进而生成不同尺度的特征图。其中，每个特征提取层输出的特征图可以呈现金字塔形状。
36.进一步地，可以对特征提取层输出的特征图进行进一步的处理，以获取每个特征图对应的设定尺度的目标特征图，其中，基于每个特征图获取到的目标特征图之间的尺度存在不同，该尺度基于活体检测模型中的池化层的相关参数设定确定。
37.其中，样本图像的特征可以在目标特征图中得到更高程度的体现。
38.需要说明的是，活体检测模型中存在多个特征提取层，其中，每个特征提取层获取到的特征图可以提取出一个尺度的目标特征图。
39.s102，从每个尺度的目标特征图中提取候选特征，并对候选特征进行特征融合，获取目标融合特征。
40.本公开实施例中，每个目标特征图中存在多个特征，其中，包含可以使得活体检测模型对样本图像实现更加准确的分类判断的候选特征，因此，为了可以有效提升活体检测结果的准确性，可以对目标特征图中的候选特征进行提取。其中，每个目标特征图中可以确
定一个候选特征。
41.比如，设定目标特征图中的特征通过颜色通道(red green blue，rgb)三个通道上的特征值体现，则可以从目标特征图中体现特征的rgb三个通道中，获取每个通道上最大的特征值，并基于rgb通道的原结构设置，将每个通道上获取到的最大的特征值进行融合，融合后的特征即为该目标特征图中的候选特征。
42.为了使得活体检测模型可以更好的基于每个目标特征图的候选特征，实现高准确性的活体检测识别，可以将每个目标特征图的候选特征进行融合，进而获取目标融合特征。
43.s103，基于目标融合特征，确定活体检测模型的分类损失函数。
44.本公开实施例中，目标融合特征中包含了每个目标特征图中的候选特征，因此，基于该目标融合特征，可以有效提升活体检测结果的准确性。
45.进一步地，获取目标融合特征后，可以基于目标融合特征确定样本图像的分类标签。可选地，分类标签可以是样本图像为真实活体图像对应的标签，也可以是样本图像为虚假的攻击图像对应的标签。
46.样本图像在输入活体检测模型进行训练之前，可以基于其真实正确的分类结果确定样本图像的正确的分类标签，活体检测模型基于目标融合特征确定样本图像的分类标签后，可以基于模型训练输出的分类标签与预先标记的正确的分类标签，获取当前轮次活体检测模型训练对应的分类损失函数。
47.可选地，可以采用交叉熵函数作为活体模型训练的分类损失函数。
48.s104，根据分类损失函数对活体检测模型的参数进行调整，并继续使用下一个训练样本图像对调整模型参数的活体检测模型进行训练，直至训练结束生成目标活体检测模型。
49.基于分类损失函数可以确定当前训练轮次的活体检测模型需要进行调整的相关参数，并对该部分相关参数进行调整，使得调整后的活体检测模型的性能可以得到进一步优化。
50.进一步地，完成当前轮次的活体检测模型训练以及模型参数的调整后，可以使用下一个样本图像对调整后的活体检测模型继续进行训练，直至活体检测模型训练结束，并生成目标活体检测模型。
51.可选地，可以基于活体检测模型训练的输出结果设定模型训练结束的条件，针对某一个轮次活体检测模型训练的输出结果，将其与设定的模型训练结束的条件进行对比，若该轮次活体检测模型的训练结果满足了预设的模型训练结束的条件，则结束活体检测模型的训练，并将最后一个轮次训练结束的活体检测模型作为目标活体检测模型输出。
52.可选地，可以基于活体检测模型的训练次数设定模型训练结束的条件，在进行模型训练的同时对训练轮次进行记录，针对某一轮次的活体检测模型训练，若该轮次对应的训练次数满足预设的模型训练结束的条件，则将该轮次训练结束的活体检测模型输出为目标活体检测模型。
53.本公开提出的活体检测模型的训练方法，将源图像作为训练样本输入活体检测模型进行训练，通过活体检测模型提取样本图像的多个尺度的目标特征图，并从每个目标特征图中提取候选特征。将全部的候选特征进行特征融合，进而生成目标融合特征，进一步地，基于目标融合特征获取活体检测模型当前轮次训练的分类损失函数。基于获取到的分
pooling3层。
67.通过池化层对深度特征图进行降维的同时，可以去除深度特征图中的冗余信息，使得样本图像中的有效特征可以得到压缩，进而使得后续对于有效特征提取的计算量可以得到有效减少，从而提升活体检测模型的运算性能。
68.s203，提取每个目标特征图中响应最强的特征，并将响应最强的特征确定为候选特征。
69.本公开实施例中，每个目标特征图均存在一个响应最强的特征，可以理解为，响应最强的特征即为该目标特征图中可以为活体检测模型对样本图像进行分类判断提供的最有效的特征。
70.因此，可以从每个目标特征图中提取响应最强的特征，并将其确定为候选特征，进而有效提升活体检测模型的准确性。
71.进一步地，获取每个目标特征图的特征值，并将特征值最大的特征确定为响应最强的特征。
72.可选地，每个目标特征图中的特征可以基于多个特征值体现，其中，最大的特征值对应的特征即为该目标特征图中响应最强的特征。可选地，可以通过活体检测模型中的池化层实现候选特征的提取。
73.本公开提出的活体检测模型的训练方法，通过池化层实现不同尺度的目标特征图以及对应的候选特征的提取，使得样本图像中的有效特征可以被准确提取，优化了活体检测模型的准确性，提升了活体检测模型的运算效率。
74.进一步地，关于上述实施例中获取到的候选特征，需要对其进行特征融合处理，可结合图3，图3为本公开另一实施例的活体检测模型的训练方法的流程示意图，如图3所示，该方法包括：
75.s301，获取每个候选特征对应的相同维度的目标特征。
76.本公开实施例中，候选特征是基于不同的池化层从不同尺度的目标特征图中分别提取的，基于池化层之间设置的不同，获取到的候选特征的维度存在不同，为了使得候选特征可以实现有效的特征融合，需要对候选特征的维度进行进一步的处理，以获取与候选特征对应的维度相同目标特征。
77.进一步地，对每个候选特征的元素进行拉伸，并基于拉伸后的元素生成每个候选特征对应的目标特征。
78.其中，每个候选特征中存在多个特征元素，排列结构基于池化层设置的不同而不同。
79.可选地，可以通过特征拉伸层将每个候选特征中的元素进行拉伸，将不同维度的每个候选特征均转化为一维的目标特征。其中，可以将每个候选特征按行方向进行一维转化，可以理解为，以第一行的元素为标准，将每一行的元素基于行方向顺序拼接，进而生成相应的一维的目标特征。还可以将每个候选特征按列方向进行一维转化，可以理解为，以第一列的元素为标准，将每一列的元素基于列方向顺序拼接，进而生成相应的一维的目标特征。
80.s302，获取每个目标特征的权重，并基于每个目标特征的权重进行加权，获取全部的目标特征的目标融合特征。
81.为了使得候选特征可以得到更加有效的利用，可以对每个候选特征进行维度转化后，将每个候选特征对应的相同维度的目标特征进行加权融合。
82.可选地，可以通过自学习的方法，使得每个目标特征可以获取其对应的权重，并基于获取到的权重对全部的目标特征进行加权融合，进而获取相应的目标融合特征。
83.需要说明的是，目标特征的权重的获取，可以采用任一可以实现目标特征的权重自学习获取的方法，此处不做限定。
84.本公开提出的活体检测模型的训练方法，通过对候选特征进行维度转化，获取相应的目标特征。进一步地，获取每个目标特征的权重后，基于对目标特征的加权融合获取目标融合特征，使得每个候选特征均可以得到有效的利用，有效提升了活体检测模型的准确性。
85.进一步地，基于目标融合特征实现的分类损失函数的获取，可以结合图4理解，图4为本公开另一实施例的活体检测模型的训练方法的流程示意图，如图4所示，该方法包括：
86.s401，根据目标融合特征，确定训练样本图像的目标分类标签。
87.本公开实施例中，活体检测模型基于提取到的目标融合特征，可以确定样本图像在模型运算中确定的分类标签，比如样本图像是真实的活体图像对应的标签，或者样本图像为虚假的攻击图像对应的标签。
88.进一步地，可以将活体检测模型训练输出的分类结果确定为样本图像的目标分类标签。其中，该目标分类标签可以理解为，活体检测模型基于特征提取以及相关运算对样本图像的所属分类标签进行的判断。
89.s402，基于目标分类标签与参考分类标签，确定活体检测模型当前轮次训练的分类损失函数。
90.实现中，样本图像输入活体检测模型进行训练之前，会对其真实的分类结果进行标记，并附加相应的标签，比如预先标记输入活体检测模型的样本图像为真实的活体图像，并附加相应的标签。或者预先标记输入活体检测恶魔型的样本图像为虚假的攻击图像，并附加相应的标签。进一步地，将预先进行附加的标签确定为样本图像的参考分类标签。
91.进一步地，基于模型输出的目标分类标签以及样本图像的参考分类标签，即可确定当前轮次的活体检测模型的分类损失函数。通过该分类损失函数，可以对活体检测模型的相关参数进行调整，进而实现活体检测模型的性能优化。
92.可选地，分类损失函数可以是交叉熵函数。
93.本公开提出的活体检测模型的训练方法，通过目标融合特征获取样本图像的目标分类标签，并基于目标分类标签与参考分类标签实现分类损失函数的获取，进而使得活体检测模型可以基于分类损失函数进行相关参数的调整，进而实现活体检测模型的有效优化。
94.进一步地，为了更好的理解上述实施例，可结合图5理解，图5为本公开一实施例的活体检测模型的结构示意图，如图5所示，包括：
95.活体检测模型100，包括特征提取层10、池化层20、特征拉伸层30、特征融合层40、输出层50。
96.可选地，可以采用残差网络(residual network，resnet)
‑
18作为本公开实施例中的活体检测模型的基础网络结构(backbone)。
97.其中，特征提取层10，包括特征提取层11、特征提取层12、特征提取层13、特征提取层14。
98.可选地，特征提取层可以为block，如图6所示。
99.池化层20，包括池化层21、池化层22、池化层23、池化层24、池化层25。
100.其中，池化层与池化层之间的设置可以存在不同，如图6所示。
101.比如，池化层21可以设置为“步长(stride)＝2，卷积核大小(kernel size)＝7*7”的最大池化层(max pooling)，池化层22可以设置为“stride＝2，kernel size＝5*5”的最大池化层，池化层23可以设置为“stride＝2，kernel size＝3*3”的最大池化层，池化层24可以设置为“stride＝2，kernel size＝3*3”的最大池化层。
102.进一步地，为了更好的平衡的最大池化层21～24提取出的特征，可以将池化层25设置为平均池化层(average pooling)，通过最大池化层与平均池化层相结合，使得池化层提取到的候选特征可以更加有效，进而使得活体检测模型可以实现更准确的判断。
103.样本图像输入特征提取层11中，通过特征提取层11获取样本图像的深度特征图111，并将该深度特征图111分别输入特征提取层12以及池化层21中，基于池化层121获取目标特征图112，并从目标特征图112中提取响应最强的候选特征p1，进一步地，通过特征拉伸层30，对候选特征p1的元素进行维度转化，获取对应的目标特征f1。
104.相应地，特征提取层11输出的深度特征图111输入特征提取层12后，特征提取层12基于获取到的深度特征图111进一步进行特征提取，生成深度特征图121，将深度特征图121分别输入特征提取层13以及池化层22中，获取目标特征图122，并提取响应最强的候选特征p2，进一步地，通过特征拉伸层30，对候选特征p2的元素进行维度转化，获取对应的目标特征f2。
105.可选地，对候选特征进行维度转化的特征拉伸层可以是拉伸(flatten)层，如图6所示。
106.以此类推，每个特征提取层均可以基于上一层特征提取层输出的深度特征图进行特征提取，进而获取相应的目标特征。
107.其中，目标特征f1、f2、f3、f4以及f5为相同维度的目标特征。
108.进一步地，获取相同维度的目标特征f1、f2、f3、f4以及f5后，通过特征融合层40进行特征融合，可选地，可以分别获取目标特征f1、f2、f3、f4以及f5各自的权重，并基于各自的权重对该五个目标特征进行加权融合，进而生成加权后的目标融合特征。
109.将目标融合特征输入输出层50，基于输出层50输出样本图像的目标分类标签，并基于该样本图像的参考分类标签，获取当前轮次活体检测模型训练的分类损失函数。
110.可选地，可以通过全连接层(fully connected layer，fc层)以及归一化层(softmax层)实现分类损失函数的准确获取，如图6所示。
111.进一步地，基于当前轮次的分类损失函数，对活体检测模型的参数进行调整，并返回使用下一个样本图像对调整后的活体检测模型继续进行训练，直至训练结束，以生成目标活体检测模型。
112.本公开提出的活体检测模型的结构，通过特征提取层获取样本图像的多个深度特征图，通过池化层获取每个深度特征图对应的目标特征图以及目标特征图中响应最强的候选特征，通过特征拉伸层对候选特征进行维度转化，获取每个候选特征对应的目标特征，并
通过特征融合层获取每个目标特征的权重，进而对全部的目标特征进行加权融合，获取目标融合特征。进一步地，基于目标融合特征获取活体检测模型当前轮次对应的分类损失函数，进而对模型参数进行调整，并返回使用下一个样本图像对参数调整后的活体检测模型继续进行训练，直至训练结束并输出目标活体检测模型。本公开中，使用源图像作为训练样本，并基于多个尺度的目标特征图获取响应最强的候选特征，进而对候选特征进行融合，使得样本图像中的不同位置的特征可以得到有效的利用，提取目标特征图，有效提升了活体检测模型的运算效率，基于融合后的特征输出分类结果，提升了活体检测模型输出结果的准确性，进而实现了活体检测模型的有效优化。
113.与上述几种实施例提出的活体检测模型的训练方法相对应，本公开的一个实施例还提出了一种活体检测模型的训练装置，由于本公开实施例提出的活体检测模型的训练装置与上述几种实施例提出的活体检测模型的训练方法相对应，因此上述活体检测模型的训练方法的实施方式也适用于本公开实施例提出的活体检测模型的训练装置，在下述实施例中不再详细描述。
114.图7为本公开一实施例的活体检测模型的训练装置的结构示意图，如图7所示，活体检测模型的训练装置700，包括获取模块71、融合模块72、生成模块73、调整模块74，其中：
115.获取模块71，用于获取携带人脸的训练样本图像，并将训练样本图像输入活体检测模型中，由活体检测模型获取训练样本图像的多个尺度的目标特征图；
116.融合模块72，用于从每个尺度的目标特征图中提取候选特征，并对候选特征进行特征融合，获取目标融合特征；
117.生成模块73，用于基于目标融合特征，确定活体检测模型的分类损失函数；
118.调整模块74，用于根据分类损失函数对活体检测模型的参数进行调整，并继续使用下一个训练样本图像对调整模型参数的活体检测模型进行训练，直至训练结束生成目标活体检测模型。
119.图8为本公开另一实施例的活体检测模型的训练装置的结构示意图，如图8所示，活体检测模型的训练装置800，包括获取模块81、融合模块82、生成模块83、调整模块84，其中：
120.需要说明的是，获取模块71、融合模块72、生成模块73、调整模块74与获取模块81、融合模块82、生成模块83、调整模块84，具备相同的结构和功能。
121.本公开实施例中，获取模块81，还用于：由活体检测模型的多个特征提取层逐层提取训练样本图像的深度特征图；对每个特征提取层输出的深度特征图进行池化，获取每个深度特征图对应的目标特征图，其中，每个目标特征图之间的尺度不同。
122.本公开实施例中，获取模块81，还用于：提取每个目标特征图中响应最强的特征，并将响应最强的特征确定为候选特征。
123.本公开实施例中，获取模块81，还用于：获取每个目标特征图的特征值，并将特征值最大的特征确定为响应最强的特征。
124.本公开实施例中，融合模块82，还用于：获取每个候选特征对应的相同维度的目标特征；获取每个目标特征的权重，并基于每个目标特征的权重进行加权，获取全部的目标特征的目标融合特征。
125.本公开实施例中，融合模块82，还用于：对每个候选特征的元素进行拉伸，并基于
拉伸后的元素生成每个候选特征对应的目标特征。
126.本公开实施例中，调整模块84，还用于：根据目标融合特征，确定训练样本图像的目标分类标签；基于目标分类标签与参考分类标签，确定活体检测模型当前轮次训练的分类损失函数。
127.本公开实施例中，训练样本为图像采集设备采集到的源图像。
128.本公开提出的活体检测模型的训练装置，将源图像作为训练样本输入活体检测模型进行训练，通过活体检测模型提取样本图像的多个尺度的目标特征图，并从每个目标特征图中提取响应最强的候选特征。将全部的候选特征进行特征融合，进而生成目标融合特征，进一步地，基于目标融合特征获取活体检测模型当前轮次训练的分类损失函数。基于获取到的分类损失函数对模型参数进行调整，并返回使用下一个样本图像对参数调整后的活体检测模型继续进行训练，直至训练结束并输出目标活体检测模型。本公开中，使用源图像作为训练样本，并基于多个尺度的目标特征图获取响应最强的候选特征，进而对候选特征进行融合，使得样本图像中的不同位置的特征可以得到有效的利用，提取目标特征图，有效提升了活体检测模型的运算效率，基于融合后的特征输出分类结果，提升了活体检测模型输出结果的准确性，进而实现了活体检测模型的有效优化。
129.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
130.根据本公开的实施例，本公开还提出了一种电子设备、一种可读存储介质和一种计算机程序产品。
131.图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
132.如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元909加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
133.设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元909，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
134.计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，
例如活体检测模型的训练方法。例如，在一些实施例中，活体检测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元909。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的活体检测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行活体检测模型的训练方法。
135.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
136.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提出给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
137.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
138.为了提出与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提出给计算机。其它种类的装置还可以用于提出与用户的交互；例如，提出给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
139.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网
(lan)、广域网(wan)和互联网。
140.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
141.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
142.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。