活体检测方法和系统与流程

本说明书涉及图像识别领域，尤其涉及一种活体检测方法和系统。

背景技术：

1、近年来，随着互联网技术的飞速发展，在人脸识别系统中活体检测已经成为不可缺少的一环，通过活体检测可以有效拦截非活体类型的攻击样本。在活体检测中通过采用活体检测模型来完成活体检测。为了使得活体检测模型(算法)可以高效、准确的在终端设备运行，往往就需要对活体检测模型进行压缩。现有的活体检测方法中通常采用静态压缩或动态压缩的方式进行压缩，然后，将通过压缩后的活体检测模型进行活体检测。

2、在对现有技术的研究和实践过程中，本发明的发明人发现通过在静态压缩方式中，对所有样本都使用静态压缩后的活体检测模型，对于部分样本的性能就会有所衰减，而使用动态压缩的方式，需要对活体检测模型的每个部分都计算重要性，往往会引入较高的额外计算成本，有时候甚至超过了模型裁剪带来的收益，另外，动态裁剪之前的原始模型往往较大，难以适应终端设备有限的存储空间，使得活体检测模型的检测性能收到限制，因此，导致活体检测的准确率较低。

技术实现思路

1、本说明书提供一种准确率更高的活体检测方法和系统。

2、第一方面，本说明书提供一种活体检测方法，包括：获得目标用户的目标用户图像；将所述目标用户图像输入至活体检测模型，以获得所述目标用户的攻击概率，所述活体检测模型为对预设活体检测网络采用静态压缩和动态压缩相结合的方式训练后得到的轻量级模型；以及基于所述攻击概率，确定所述目标用户的活体检测结果，并输出所述活体检测结果。

3、在一些实施例中，所述活体检测模型包括活体检测网络和通道检测网络；以及所述将所述目标用户图像输入至活体检测模型，以获得所述目标用户的攻击概率，包括：将所述目标用户图像输入至所述通道检测网络，以获得所述活体检测网络中每一网络层的特征通道的通道重要性值，基于所述通道重要性值，对所述活体检测网络进行动态裁剪，得到裁剪后的目标活体检测网络，以及将所述目标用户图像输入至所述目标活体检测网络，以获得所述目标用户的攻击概率。

4、在一些实施例中，所述对所述活体检测网络进行动态裁剪，得到裁剪后的目标活体检测网络，包括：基于所述通道重要性值，确定所述每一网络层中特征通道对应的卷积核的目标重要性值；在所述卷积核中选取所述目标重要性值大于预设重要性阈值的至少一个卷积核，得到目标卷积核；以及在所述活体检测网络中对所述目标卷积核进行裁剪，得到所述目标活体检测网络。

5、在一些实施例中，所述在所述活体检测网络中对所述目标卷积核进行裁剪，得到所述目标活体检测网络，包括：在所述活体检测网络中停用所述目标卷积核，得到所述目标活体检测网络。

6、在一些实施例中，所述将所述目标用户图像输入至所述目标活体检测网络，得到所述目标用户的攻击概率之后，还包括：在所述目标活体检测网络中恢复所述目标卷积核，得到恢复后的活体检测网络；以及将所述活体检测网络更新为所述恢复后的活体检测网络。

7、在一些实施例中，所述活体检测模型的训练过程包括以下步骤：对预设活体检测网络进行静态压缩，得到初始活体检测网络；基于所述预设活体检测网络，对所述初始活体检测网络进行知识蒸馏，得到蒸馏后的当前活体检测网络；以及基于预设通道检测网络，对所述当前活体检测网络进行动态压缩，以得到训练后的活体检测网络和训练后的通道检测网络，并将所述活体检测网络和所述通道检测网络作为所述活体检测模型。

8、在一些实施例中，所述对预设活体检测网络进行静态压缩，得到初始活体检测网络，包括：获得第一用户图像样本，并将所述第一用户图像样本输入至所述预设活体检测网络，以获得第一预测用户类别；获得所述预设活体检测网络中每一网络参数的当前参数信息，并基于所述第一预测用户类别和所述当前参数信息，确定所述第一用户图像样本对应的静态压缩损失信息；以及基于所述静态压缩损失信息，对所述预设活体检测网络进行收敛，以得到所述初始活体检测网络。

9、在一些实施例中，所述基于所述第一预测用户类别和所述当前参数信息，确定所述第一用户图像样本对应的静态压缩损失信息，包括：获得所述第一用户图像样本的第一标注用户类别，并将所述第一预测用户类别与所述第一标注用户类别进行对比，以得到分类损失信息；获得所述每一网络参数的初始梯度敏感值，并基于所述初始梯度敏感值，确定所述每一网络参数的稀疏权重，所述稀疏权重与所述初始梯度敏感值成反比；基于所述当前参数信息，确定每一网络参数的初始稀疏损失信息，并基于所述稀疏权重，对所述初始稀疏损失信息进行加权融合，得到目标稀疏损失信息；以及将所述分类损失信息和所述目标稀疏损失信息进行融合，得到所述静态压缩损失信息。

10、在一些实施例中，所述对所述预设活体检测网络进行收敛，以得到所述初始活体检测网络，包括：基于所述静态压缩损失信息，对所述每一网络参数的初始梯度敏感值进行更新，并将更新后的当前梯度敏感值作为所述初始梯度敏感值；基于所述静态压缩信息，对所述预设活体检测网络中所述每一网络参数进行更新，得到更新后的当前活体检测网络，并将所述预设活体检测网络更新为所述当前活体检测网络；以及返回执行所述获得第一用户图像样本的步骤，直至所述预设活体检测网络收敛时为止，得到候选活体检测网络，并对所述候选活体检测网络进行静态裁剪，得到初始活体检测网络。

11、在一些实施例中，所述对所述每一网络参数的初始梯度敏感值进行更新，包括：基于所述静态压缩损失信息，确定所述每一网络参数对应的当前梯度；对所述静态压缩损失信息进行波动调整，得到目标静态压缩损失信息，所述目标静态压缩损失信息与所述静态压缩损失信息的波动值小于预设波动阈值；基于所述目标静态压缩损失信息，确定所述每一网络参数的目标梯度；获得所述当前梯度与对应的所述目标梯度之间的梯度差值，并基于所述梯度差值，确定所述每一网络参数的当前梯度敏感值；以及将所述每一网络参数的初始梯度敏感值更新为所述当前梯度敏感值。

12、在一些实施例中，所述对所述候选活体检测网络进行静态裁剪，得到初始活体检测网络，包括：获得所述候选活体检测网络中每一网络参数的参数值；在所述每一网络参数中选取出所述参数值为零的目标网络参数；以及在所述候选活体检测网络中对所述目标网络参数对应的卷积核进行裁剪，得到所述初始活体检测网络。

13、在一些实施例中，所述对所述初始活体检测网络进行知识蒸馏，得到蒸馏后的当前活体检测网络，包括：获得用户图像样本集合，并将所述用户图像样本集合输入至所述预设活体检测网络，以获得所述用户图像样本集合中每一第二用户图像样本的第一样本图像特征和第二预测用户类别；将所述用户图像样本集合输入至所述初始活体检测网络，以获得所述每一第二用户图像样本的第二样本图像特征和第三预测用户类别；以及基于所述第一样本图像特征、第二样本图像特征、第二预测用户类别和所述第三预测用户类别，对所述初始活体检测网络进行收敛，得到所述当前活体检测网络。

14、在一些实施例中，所述对所述初始活体检测网络进行收敛，得到所述当前活体检测网络，包括：获得所述每一第二用户图像样本的第二标注用户类别，并将所述第二标注用户类别与所述第三预测用户类别进行对比，以得到裁剪后的目标分类损失信息；将所述第二预测用户类别与所述第三预测用户类别进行对比，以得到预测一致性损失信息；基于所述第一样本图像特征和第二样本图像特征，确定所述用户图像样本集合的样本关系一致性损失信息；以及将所述目标分类损失信息、所述预测一致性损失信息和所述样本关系一致性损失信息进行融合，并基于融合后的蒸馏损失信息，对所述初始活体检测网络进行收敛，得到所述当前活体检测网络。

15、在一些实施例中，所述基于所述第一样本图像特征和第二样本图像特征，确定所述用户图像样本集合的样本关系一致性损失信息，包括：获得所述第一样本图像特征之间的第一特征相似度，并基于所述第一特征相似度，确定所述用户图像样本集合对应的第一样本关系特征；获得所述第二样本图像特征之间的第二特征相似度，并基于所述第二特征相似度，确定所述用户图像样本集合对应的第二样本关系特征；以及将所述第一样本关系特征与所述第二样本关系特征进行对比，以得到所述样本关系一致性损失信息。

16、在一些实施例中，所述对所述当前活体检测网络进行动态压缩，以得到训练后的活体检测网络和训练后的通道检测网络，包括：获得第三用户图像样本，并将所述第三用户图像样本输入至所述预设通道检测网络，以获得所述当前活体检测网络中每一网络层的特征通道的样本通道重要性值；基于所述样本通道重要性值，对所述当前活体检测网络进行动态裁剪，得到裁剪后的当前活体检测网络，并将所述第三用户图像样本输入至所述裁剪后的当前活体检测网络，以获得第四预测用户类别；将所述第三用户图像样本的第三标注用户类别与所述第四预测用户类别进行对比，以得到所述第三用户图像样本的候选分类损失信息；以及基于所述候选分类损失信息对所述裁剪后的当前活体检测网络和所述预设通道检测网络进行收敛，得到训练后的所述活体检测网络和训练后的所述通道检测网络。

17、在一些实施例中，所述基于所述攻击概率，确定所述目标用户的活体检测结果，包括：在所述攻击概率大于预设攻击概率阈值时，确定所述目标用户的活体检测结果为攻击用户。

18、在一些实施例中，还包括：在所述攻击概率小于所述预设攻击概率阈值时，确定所述目标用户的活体检测结果为正常用户。

19、第二方面，本说明书还提供一种活体检测系统，包括：至少一个存储介质，存储有至少一个指令集，用于进行活体检测；以及至少一个处理器，同所述至少一个存储介质通信连接，其中，当所述活体检测系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行本说明书第一方面所述的活体检测方法。

20、由以上技术方案可知，本说明书提供的活体检测方法和系统，在获得目标用户的目标用户图像后，将目标用户图像输入至活体检测模型，以获得目标用户的攻击概率，所述活体检测模型为对预设活体检测模型采用静态压缩和动态压缩相结合的方式训练后得到的轻量级模型，以及基于攻击概率，确定目标用户的活体检测结果，并输出活体检测结果；由于该方案中活体检测模型为通过静态压缩和动态压缩相结合的方式训练得到的，在对预设活体检测模型进行静态压缩之后，还可以根据不同样本进行动态压缩，从而使得活体检测模型针对不同样本可以保持较高的检测性能，而且，在动态压缩之前，就已经对预设活体检测模型进行静态压缩，使得动态压缩之前的模型的体积较小，可以适配终端有限的存储空间，也降低了动态压缩的计算成本，从而提升了活体检测模型的检测性能，因此，可以提升活体检测的准确率。

21、本说明书提供的活体检测方法和系统的其他功能将在以下说明中部分列出。根据描述，以下数字和示例介绍的内容将对那些本领域的普通技术人员显而易见。本说明书提供的活体检测方法和系统的创造性方面可以通过实践或使用下面详细示例中所述的方法、装置和组合得到充分解释。