活体检验模型训练及活体检验方法、装置以及存储介质与流程

1.本说明书实施例涉及计算机人工智能技术领域，尤其涉及一种活体检验模型训练及活体检验方法、装置以及存储介质。


背景技术：

2.随着人脸识别的发展，活体攻击检验成为人脸识别系统中不可缺少的一环，活体攻击检验旨在有效拦截非活体类型的攻击样本，包括图像攻击、视频攻击等。而人脸识别功能的高访问量、使用场景的复杂性、难以统一的硬件设备条件以及逐渐出现的高仿真的活体攻击方式，都对活体攻击检验的准确性提出了更大的挑战。


技术实现要素：

3.本说明书实施例提供一种活体检验模型训练及活体检验方法、装置以及存储介质，可以解决相关技术中的技术问题。
4.第一方面，本说明书实施例提供一种活体检验模型训练方法，所述方法包括：
5.将活体样本图像输入至活体检验模型中的第一网络，以使得所述第一网络基于所述活体样本图像预测的至少一个专家网络的权重值；
6.将所述活体样本图像输入至所述活体检验模型中的第二网络，以使得所述第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到所述活体样本图像的活体检验结果；
7.根据所述活体检验结果以及所述活体样本图像的标准检验结果调整各专家网络的参数，直到所述活体检验模型收敛。
8.在一种可行的实施方式中，所述所述第一网络基于所述活体样本图像预测的至少一个专家网络的权重值，包括：所述第一网络将所述活体样本图像输入至至少一组深度残差模块，将所述至少一组深度残差模块的输出结果输入至全连接层预测出至少一个专家网络的权重值。
9.在一种可行的实施方式中，所述第二网络基于各专家网络权重值拼接融合各专家网络，包括：所述第二网络基于各专家网络权重值决策各个专家网络进行拼接融合时的融合权重，并基于各融合权重拼接融合的各专家网络。
10.在一种可行的实施方式中，所述根据所述活体检验结果以及所述活体样本图像的标准检验结果调整各专家网络的参数，包括：根据所述活体检验结果以及所述活体样本图像的标准检验结果分别单独调整各专家网络的参数，以使得各专家网络的学习方向不同。
11.在一种可行的实施方式中，所述根据所述活体检验结果以及所述活体样本图像的标准检验结果分别单独调整各专家网络的参数，包括：根据所述活体检验结果以及所述活体样本图像的标准检验结果，基于多域对抗损失函数的方式分别单独调整各专家网络的参数。
12.在一种可行的实施方式中，所述活体样本图像基于主动学习框架进行困难样本挖
掘得到，其中，所述主动学习框架中采用基于密度权重的查询策略。
13.第二方面，本说明书实施例提供一种活体检验方法，该方法包括：
14.获取待检验活体图像，以及将所述待检验活体图像输入活体检验模型；
15.根据所述活体检验模型的输出数据，确定所述待检验活体图像对应的活体检验结果；
16.其中，所述活体检验模型为上述任一实施例中所述的活体检验模型训练方法训练得到的活体检验模型。
17.第三方面，本说明书实施例提供一种活体检验模型训练装置，该装置包括：
18.第一网络模块，用于将活体样本图像输入至活体检验模型中的第一网络，以使得所述第一网络基于所述活体样本图像预测的至少一个专家网络的权重值；
19.第二网络模块，用于将所述活体样本图像输入至所述活体检验模型中的第二网络，以使得所述第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到所述活体样本图像的活体检验结果；
20.训练模块，用于根据所述活体检验结果以及所述活体样本图像的标准检验结果调整各专家网络的参数，直到所述活体检验模型收敛。
21.第四方面，本说明书实施例提供一种活体检验装置，该装置包括：
22.数据获取模块，用于获取待检验活体图像，以及将所述待检验活体图像输入活体检验模型；
23.活体检验模块，用于根据所述活体检验模型的输出数据，确定所述待检验活体图像对应的活体检验结果；
24.其中，所述活体检验模型为上述任一实施例中所述的活体检验模型训练方法训练得到的活体检验模型。
25.第五方面，本说明书实施例提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机或处理器上运行时，使得所述计算机或所述处理器执行上述的方法的步骤。
26.第六方面，本说明书实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法的步骤。
27.第七方面，本说明书实施例提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序适于由处理器加载并执行上述的方法的步骤。
28.本说明书一些实施例提供的技术方案带来的有益效果至少包括：
29.本说明书实施例提供一种活体检验模型训练方法，首先将活体样本图像输入至活体检验模型中的第一网络，以使得第一网络基于活体样本图像预测的至少一个专家网络的权重值；然后将活体样本图像输入至活体检验模型中的第二网络，以使得第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到活体样本图像的活体检验结果；最后根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，直到活体检验模型收敛。由于通过多专家路由机制建立多专家模型的自适应权重分配，以及通过特征融合的方式对多个专家的决策结果进行融合，增强模型对样本的适应能力，提升模型在复杂环境中的活体检验准确性。
附图说明
30.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
31.图1为本说明书实施例提供的一种活体检验模型训练方法的示例性系统架构图；
32.图2为本说明书实施例提供的一种活体检验模型训练方法的流程示意图；
33.图3为本说明书实施例提供的一种活体检验方法的流程示意图；
34.图4为本说明书实施例提供的一种活体检验模型训练装置的结构框图；
35.图5为本说明书实施例提供的一种活体检验装置的结构框图；
36.图6为本说明书实施例提供的一种终端的结构示意图。
具体实施方式
37.为使得本说明书实施例的特征和优点能够更加的明显和易懂，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而非全部实施例。基于本说明书中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书实施例保护的范围。
38.下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书实施例相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本说明书实施例的一些方面相一致的装置和方法的例子。
39.随着人脸识别任务量的不断提升，使用人脸识别功能的用户和所处的人脸识别场景越来越多。而用户的活体数据与其个人信息高度相关，信息采集过程中可能会采集到针对活体检验模型的活体攻击，例如人脸图像、照片、视频等信息，采集到非真实活体数据的活体攻击时若检验错误可能会导致用户的信息泄露并造成损失，进而通过活体检验来拦截非活体类型的攻击成为人脸识别系统中不可缺少的一环，活体检验需要有效的拦截非活体类型的攻击样本，类型包括如手机攻击、纸张攻击、头模等等。
40.基于人工智能的深度神经网络的快速发展，通常在人脸识别设备中部署训练好的活体检验模型来完成活体检验任务。而在实际场景中，人脸识别功能的高访问量、使用场景的复杂性、难以统一的硬件设备条件以及逐渐出现的高仿真的活体攻击方式，都对活体攻击检验的准确性提出了更大的挑战。
41.本说明书实施例提供一种活体检验模型训练方法，首先将活体样本图像输入至活体检验模型中的第一网络，以使得第一网络基于活体样本图像预测的至少一个专家网络的权重值；然后将活体样本图像输入至活体检验模型中的第二网络，以使得第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到活体样本图像的活体检验结果；最后根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，直到活体检验模型收敛。由于通过多专家路由机制建立多专家模型的自适应权重分配，以及通过特征融合的方式对多个专家的决策结果进行融合，增强模型对样本的
适应能力，提升模型在复杂环境中的活体检验准确性。
42.请参阅图1，图1为本说明书实施例提供的一种活体检验模型训练方法的示例性系统架构图。
43.如图1所示，系统架构可以包括终端101、网络102和服务器103。网络102用于在终端101和服务器103之间提供通信链路的介质。网络102可以包括各种类型的有线通信链路或无线通信链路，例如：有线通信链路包括光纤、双绞线或同轴电缆的，无线通信链路包括蓝牙通信链路、无线保真(wireless-fidelity，wi-fi)通信链路或微波通信链路等。
44.终端101可以通过网络102与服务器103交互，以接收来自服务器103的消息或向服务器103发送消息，或者终端101可以通过网络102与服务器103交互，进而接收其他用户向服务器103发送的消息或者数据。终端101可以是硬件，也可以是软件。当终端101为硬件时，可以是各种电子设备，包括但不限于智能手表、智能手机、平板电脑、膝上型便携式计算机和台式计算机等。当终端101为软件时，可以是安装在上述所列举的电子设备中，其可以实现呈多个软件或软件模块(例如：用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不作具体限定。
45.在本说明书实施例中，首先，终端101可以将活体样本图像输入至活体检验模型中的第一网络，以使得第一网络基于活体样本图像预测的至少一个专家网络的权重值；其次，终端101可以将活体样本图像输入至活体检验模型中的第二网络，以使得第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到活体样本图像的活体检验结果；最后，终端101根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，直到活体检验模型收敛。
46.服务器103可以是提供各种服务的服务器。需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。
47.或者，该系统架构还可以不包括服务器103，换言之，服务器103可以为本说明书实施例中可选的设备，即本说明书实施例提供的方法可以应用于仅包括终端101的系统结构中，本说明书实施例对此不做限定。
48.应理解，图1中的终端、网络以及服务器的数目仅是示意性的，根据实现需要，可以是任意数量的终端、网络以及服务器。
49.请参阅图2，图2为本说明书实施例提供的一种活体检验模型训练方法的流程示意图。本说明书实施例的执行主体可以是执行活体检验模型训练的终端，也可以是执行活体检验模型训练方法的终端中的处理器，还可以是执行活体检验模型训练方法的终端中的活体检验模型训练服务。为方便描述，下面以执行主体是终端中的处理器为例，介绍活体检验模型训练方法的具体执行过程。
50.如图2所示，活体检验模型训练方法至少可以包括：
51.s202、将活体样本图像输入至活体检验模型中的第一网络，以使得第一网络基于活体样本图像预测的至少一个专家网络的权重值。
52.在本说明书实施例中，活体检验模型中至少包括两个网络，分别为第一网络和第二网络，其中，第二网络中设置有至少一个专家网络，也即活体样本图像会通过两个权重共
享的网络进行基础特征的提取，首先可以将活体样本图像输入至活体检验模型中的第一网络，第一网络可以基于活体样本图像预测的至少一个专家网络的权重值，以便于后续根据专家网络的权重值对各专家网络进行融合。
53.s204、将活体样本图像输入至活体检验模型中的第二网络，以使得第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到活体样本图像的活体检验结果。
54.可以理解的，第二网络用于进一步提取活体样本图像中的活体可分性特征，因此可以将活体样本图像输入至活体检验模型中的第二网络，那么在第一网络基于活体样本图像预测的至少一个专家网络的权重值的基础之上，第二网络可以基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到活体样本图像的活体检验结果。
55.s206、根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，直到活体检验模型收敛。
56.在基于第二网络得到活体样本图像的活体检验结果之后，可以根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，直到活体检验模型收敛。
57.本说明书实施例提供一种活体检验模型训练方法，首先将活体样本图像输入至活体检验模型中的第一网络，以使得第一网络基于活体样本图像预测的至少一个专家网络的权重值；然后将活体样本图像输入至活体检验模型中的第二网络，以使得第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到活体样本图像的活体检验结果；最后根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，直到活体检验模型收敛。由于通过多专家路由机制建立多专家模型的自适应权重分配，以及通过特征融合的方式对多个专家的决策结果进行融合，增强模型对样本的适应能力，提升模型在复杂环境中的活体检验准确性。
58.在一种本说明书的一个或者多个实施例中，第一网络基于活体样本图像预测的至少一个专家网络的权重值，包括：第一网络将活体样本图像输入至至少一组深度残差模块，其中，深度残差模块具体可以是resblock模块，然后将至少一组深度残差模块的输出结果输入至全连接层预测出至少一个专家网络的权重值。
59.在一种本说明书的一个或者多个实施例中，第二网络基于各专家网络权重值拼接融合各专家网络，包括：第二网络基于各专家网络权重值决策各个专家网络进行拼接融合时的融合权重，并基于各融合权重拼接融合的各专家网络，从而实现自适应的特征融合方式，在完成特征融合后经过全连接层适应分类器进行活体和攻击的分类。
60.在一种本说明书的一个或者多个实施例中，根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，包括：根据活体检验结果以及活体样本图像的标准检验结果分别单独调整各专家网络的参数，以使得各专家网络的学习方向不同，也即虽然每个专家网络的结构相同，但是独立进行优化的，每个专家的擅长方向各不相同。
61.在一种本说明书的一个或者多个实施例中，根据活体检验结果以及活体样本图像的标准检验结果分别单独调整各专家网络的参数，包括：根据活体检验结果以及活体样本图像的标准检验结果，基于多域对抗损失函数的方式分别单独调整各专家网络的参数，也即在训练阶段采用多域对抗损失函数的方式来增强活体攻击检验模型的域自适应，从而增
强模型的即插即用鲁棒性部署能力。
62.在一种本说明书的一个或者多个实施例中，活体样本图像基于主动学习框架进行困难样本挖掘得到，其中，主动学习框架中采用基于密度权重的查询策略。对于海量的无标签样本池，会通过主动学习框架进行困难样本挖掘，以通过迭代的方式不断挖掘出困难样本加到模型中增强模型的基础能力。本方案的主动学习框架中采用了基于密度权重的查询策略，以增强困难样本召回的准确率。整体看本方案从数据和模型融合结构上进行核心优化，并可实现更高精度活体攻击检验和更鲁棒的未知场景部署。
63.在一种本说明书的一个或者多个实施例中，本方案中的基础网络只使用了深度残差网络，后续可考虑引入fpn结构以增加特征的多层分辨率，从而在特征分辨率层面也进行融合。另外，在本方案中引入transformer结构通过self-attention建立模态间的特征长程关系，以得到更好的特征提取效果，从而达到更好的预测结果。
64.本说明书实施例提供一种活体检验模型训练方法，首先将活体样本图像输入至活体检验模型中的第一网络，以使得第一网络基于活体样本图像预测的至少一个专家网络的权重值；然后将活体样本图像输入至活体检验模型中的第二网络，以使得第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到活体样本图像的活体检验结果；最后根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，直到活体检验模型收敛。由于通过多专家路由机制建立多专家模型的自适应权重分配，以及通过特征融合的方式对多个专家的决策结果进行融合，增强模型对样本的适应能力，提升模型在复杂环境中的活体检验准确性。
65.请参阅图3，图3为本说明书实施例提供的一种活体检验方法的流程示意图。
66.如图3所示，活体检验方法至少可以包括：
67.s302、获取待检验活体图像，以及将待检验活体图像输入活体检验模型。
68.可选地，在实际应用场景中，为了自动采集和检验活体数据，需要部署活体检验模型，此时活体检验模型基于自身的部署任务可以获取当前场景下的待检验活体图像，并将待检验活体图像输入活体检验模型，便于活体检验模型对待检验活体图像进行检验分析，以使得后续根据活体检验模型输出的准确检验结果对用户需求进行响应，其中，使用的活体检验模型为本说明书任一实施例中的活体检验模型。
69.可选地，获取当前场景下的待检验活体图像时，可以采用设备中的内置摄像头或设备连接的外置摄像头进行拍摄，实时采集当前场景下的活体数据，采集待检验活体图像之后，将待检验活体图像输入活体检验模型，活体检验模型可以对活体数据进行检验，最终确定待检验活体图像的活体检验结果是否满足预设响应条件，根据活体检验结果对当前任务进行处理。
70.s304、根据活体检验模型的输出数据，确定待检验活体图像对应的活体检验结果。
71.可选地，待检验活体图像输入活体检验模型之后，活体检验模型基于训练中学习到在检验活体数据的知识，对待检验活体图像进行分析，并得到输出数据，其中，输出数据可以是待检验活体图像为活体的概率以及为攻击的概率，基于该输出数据，可以确定待检验活体图像对应的活体检验结果，例如，当活体检验模型输出的待检验活体图像为活体的概率较大，则判断该待检验活体图像为真实活体图像，并继续响应用户需求；当活体检验模型输出的待检验活体图像为攻击的概率较大，则判断该待检验活体图像对应为活体攻击图
像，显示检验结果以及验证失败的提示信息，并可以重置采集流程以继续采集下一张待检验活体图像。
72.在本说明书实施例中，提供一种活体检验方法，在实际应用场景中部署前述任一实施例中的活体检验模型，获取待检验活体图像，以及将待检验活体图像输入活体检验模型，根据活体检验模型的输出数据，确定待检验活体图像对应的活体检验结果。由于通过多专家路由机制建立多专家模型的自适应权重分配，以及通过特征融合的方式对多个专家的决策结果进行融合，增强模型对样本的适应能力，提升模型在复杂环境中的活体检验准确性。
73.请参阅图4，图4为本说明书实施例提供的一种活体检验模型训练装置的结构框图。如图4所示，活体检验模型训练装置400包括：
74.第一网络模块402，用于将活体样本图像输入至活体检验模型中的第一网络，以使得第一网络基于活体样本图像预测的至少一个专家网络的权重值；
75.第二网络模块404，用于将活体样本图像输入至活体检验模型中的第二网络，以使得第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到活体样本图像的活体检验结果；
76.训练模块406，用于根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，直到活体检验模型收敛。
77.可选地，第一网络模块402，还用于第一网络将活体样本图像输入至至少一组深度残差模块，将至少一组深度残差模块的输出结果输入至全连接层预测出至少一个专家网络的权重值。
78.可选地，第二网络模块404，还用于第二网络基于各专家网络权重值决策各个专家网络进行拼接融合时的融合权重，并基于各融合权重拼接融合的各专家网络。
79.可选地，训练模块406，还用于根据活体检验结果以及活体样本图像的标准检验结果分别单独调整各专家网络的参数，以使得各专家网络的学习方向不同。
80.可选地，训练模块406，还用于根据活体检验结果以及活体样本图像的标准检验结果，基于多域对抗损失函数的方式分别单独调整各专家网络的参数。
81.可选地，活体样本图像基于主动学习框架进行困难样本挖掘得到，其中，主动学习框架中采用基于密度权重的查询策略。
82.在本说明书实施例中，一种活体检验模型训练装置，装置包括：第一网络模块，用于将活体样本图像输入至活体检验模型中的第一网络，以使得第一网络基于活体样本图像预测的至少一个专家网络的权重值；第二网络模块，用于将活体样本图像输入至活体检验模型中的第二网络，以使得第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到活体样本图像的活体检验结果；训练模块，用于根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，直到活体检验模型收敛。由于通过多专家路由机制建立多专家模型的自适应权重分配，以及通过特征融合的方式对多个专家的决策结果进行融合，增强模型对样本的适应能力，提升模型在复杂环境中的活体检验准确性。
83.请参阅图5，图5为本说明书实施例提供的一种活体检验装置的结构框图。如图5所示，活体检验装置500包括：
84.数据获取模块510，用于获取待检验活体图像，以及将待检验活体图像输入活体检验模型；
85.活体检验模块520，用于根据活体检验模型的输出数据，确定待检验活体图像对应的活体检验结果；
86.其中，活体检验模型为上述任一实施例中包括的活体检验模型。
87.在本说明书实施例中，提供一种活体检验装置，其中，数据获取模块，用于获取待检验活体图像，以及将待检验活体图像输入活体检验模型；活体检验模块，用于根据活体检验模型的输出数据，确定待检验活体图像对应的活体检验结果。由于通过多专家路由机制建立多专家模型的自适应权重分配，以及通过特征融合的方式对多个专家的决策结果进行融合，增强模型对样本的适应能力，提升模型在复杂环境中的活体检验准确性。
88.本说明书实施例提供一种包含指令的计算机程序产品，当计算机程序产品在计算机或处理器上运行时，使得计算机或处理器执行上述实施例中任一项的方法的步骤。
89.本说明书实施例还提供了一种计算机存储介质，计算机存储介质可以存储有多条指令，指令适于由处理器加载并执行如上述实施例中的任一项的方法的步骤。
90.请参见图6，图6为本说明书实施例提供的一种终端的结构示意图。如图6所示，终端600可以包括：至少一个终端处理器601，至少一个网络接口604，用户接口603，存储器605，至少一个通信总线602。
91.其中，通信总线602用于实现这些组件之间的连接通信。
92.其中，用户接口603可以包括显示屏(display)、摄像头(camera)，可选用户接口603还可以包括标准的有线接口、无线接口。
93.其中，网络接口604可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。
94.其中，终端处理器601可以包括一个或者多个处理核心。终端处理器601利用各种接口和线路连接整个终端600内的各个部分，通过运行或执行存储在存储器605内的指令、程序、代码集或指令集，以及调用存储在存储器605内的数据，执行终端600的各种功能和处理数据。可选的，终端处理器601可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。终端处理器601可集成处理器(central processing unit，cpu)、图像处理器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到终端处理器601中，单独通过一块芯片进行实现。
95.其中，存储器605可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory，rom)。可选的，该存储器605包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器605可选的还可以是至少一个位于远离前述终端
处理器601的存储装置。如图6所示，作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及活体检验模型训练及活体检验程序。
96.在图6所示的终端600中，用户接口603主要用于为用户提供输入的接口，获取用户输入的数据；而终端处理器601可以用于调用存储器605中存储的活体检验模型训练程序，并具体执行以下操作：
97.将活体样本图像输入至活体检验模型中的第一网络，以使得第一网络基于活体样本图像预测的至少一个专家网络的权重值；
98.将活体样本图像输入至活体检验模型中的第二网络，以使得第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到活体样本图像的活体检验结果；
99.根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，直到活体检验模型收敛。
100.可选地，第一网络基于活体样本图像预测的至少一个专家网络的权重值，包括：第一网络将活体样本图像输入至至少一组深度残差模块，将至少一组深度残差模块的输出结果输入至全连接层预测出至少一个专家网络的权重值。
101.可选地，第二网络基于各专家网络权重值拼接融合各专家网络，包括：第二网络基于各专家网络权重值决策各个专家网络进行拼接融合时的融合权重，并基于各融合权重拼接融合的各专家网络。
102.可选地，根据活体检验结果以及活体样本图像的标准检验结果调整各专家网络的参数，包括：根据活体检验结果以及活体样本图像的标准检验结果分别单独调整各专家网络的参数，以使得各专家网络的学习方向不同。
103.可选地，根据活体检验结果以及活体样本图像的标准检验结果分别单独调整各专家网络的参数，包括：根据活体检验结果以及活体样本图像的标准检验结果，基于多域对抗损失函数的方式分别单独调整各专家网络的参数。
104.可选地，活体样本图像基于主动学习框架进行困难样本挖掘得到，其中，主动学习框架中采用基于密度权重的查询策略。
105.在图6所示的终端600中，用户接口603主要用于为用户提供输入的接口，获取用户输入的数据；而终端处理器601还可以用于调用存储器605中存储的活体检验程序，并具体执行以下操作：获取待检验活体图像，以及将待检验活体图像输入活体检验模型；根据活体检验模型的输出数据，确定待检验活体图像对应的活体检验结果；其中，活体检验模型为上述任一实施例中包括的活体检验模型。
[0106][0107][0108][0109]
在本说明书所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相
互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0110]
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0111]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。上述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行上述计算机程序指令时，全部或部分地产生按照本说明书实施例上述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者通过上述计算机可读存储介质进行传输。上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字多功能光盘(digital versatile disc，dvd))、或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
[0112]
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
[0113]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
[0114]
以上为对本说明书实施例所提供的一种活体检验模型训练及活体检验方法、装置以及存储介质的描述，对于本领域的技术人员，依据本说明书实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本说明书实施例的限制。

技术特征：
1.一种活体检验模型训练方法，所述方法包括：将活体样本图像输入至活体检验模型中的第一网络，以使得所述第一网络基于所述活体样本图像预测的至少一个专家网络的权重值；将所述活体样本图像输入至所述活体检验模型中的第二网络，以使得所述第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到所述活体样本图像的活体检验结果；根据所述活体检验结果以及所述活体样本图像的标准检验结果调整各专家网络的参数，直到所述活体检验模型收敛。2.根据权利要求1所述的方法，所述所述第一网络基于所述活体样本图像预测的至少一个专家网络的权重值，包括：所述第一网络将所述活体样本图像输入至至少一组深度残差模块，将所述至少一组深度残差模块的输出结果输入至全连接层预测出至少一个专家网络的权重值。3.根据权利要求1所述的方法，所述第二网络基于各专家网络权重值拼接融合各专家网络，包括：所述第二网络基于各专家网络权重值决策各个专家网络进行拼接融合时的融合权重，并基于各融合权重拼接融合的各专家网络。4.根据权利要求1所述的方法，所述根据所述活体检验结果以及所述活体样本图像的标准检验结果调整各专家网络的参数，包括：根据所述活体检验结果以及所述活体样本图像的标准检验结果分别单独调整各专家网络的参数，以使得各专家网络的学习方向不同。5.根据权利要求4所述的方法，所述根据所述活体检验结果以及所述活体样本图像的标准检验结果分别单独调整各专家网络的参数，包括：根据所述活体检验结果以及所述活体样本图像的标准检验结果，基于多域对抗损失函数的方式分别单独调整各专家网络的参数。6.根据权利要求1所述的方法，所述活体样本图像基于主动学习框架进行困难样本挖掘得到，其中，所述主动学习框架中采用基于密度权重的查询策略。7.一种活体检验方法，所述方法包括：获取待检验活体图像，以及将所述待检验活体图像输入活体检验模型；根据所述活体检验模型的输出数据，确定所述待检验活体图像对应的活体检验结果；其中，所述活体检验模型为权利要求1至6任一项所述的活体检验模型。8.一种活体检验模型训练装置，所述装置包括：第一网络模块，用于将活体样本图像输入至活体检验模型中的第一网络，以使得所述第一网络基于所述活体样本图像预测的至少一个专家网络的权重值；第二网络模块，用于将所述活体样本图像输入至所述活体检验模型中的第二网络，以使得所述第二网络基于各专家网络权重值拼接融合各专家网络，以及基于拼接融合后的各专家网络得到所述活体样本图像的活体检验结果；训练模块，用于根据所述活体检验结果以及所述活体样本图像的标准检验结果调整各专家网络的参数，直到所述活体检验模型收敛。9.一种活体检验装置，所述装置包括：
数据获取模块，用于获取待检验活体图像，以及将所述待检验活体图像输入活体检验模型；活体检验模块，用于根据所述活体检验模型的输出数据，确定所述待检验活体图像对应的活体检验结果；其中，所述活体检验模型为权利要求1至6任一项所述的活体检验模型。10.一种包含指令的计算机程序产品，当所述计算机程序产品在计算机或处理器上运行时，使得所述计算机或所述处理器执行如权利要求1至6或者7任意一项所述方法的步骤。11.一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1至6或者7任意一项的所述方法的步骤。12.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至6或者7任一项所述方法的步骤。

技术总结
本说明书实施例公开了一种活体检验模型训练及活体检验方法、装置以及存储介质，涉及计算机人工智能技术领域，由于通过多专家路由机制建立多专家模型的自适应权重分配，以及通过特征融合的方式对多个专家的决策结果进行融合，增强模型对样本的适应能力，提升模型在复杂环境中的活体检验准确性。复杂环境中的活体检验准确性。复杂环境中的活体检验准确性。


技术研发人员：武文琦
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2022.12.30
技术公布日：2023/7/26