[发明专利]神经网络模型训练及活体检测方法、装置及存储介质

权利要求书

1.一种神经网络模型训练方法，其特征在于，包括：

针对不同的场景，分别获取所述场景下的图片样本，每个图片样本分别具有标签，所述标签中包括是否活体以及对应的场景；其中，所述不同的场景包括不同的采集端，包括高、中、低端手机摄像头、网络webcam摄像头，以及不同场景下的不同攻击方式，包括打印照片攻击、手机照片攻击、手机视频攻击、剪纸攻击；

根据获取到的各图片样本，训练得到神经网络模型，所述神经网络模型的输出为能够体现是否活体以及对不同场景具有区分度的特征向量，不同场景在特征空间中彼此距离较远，相同场景在特征空间中彼此距离较近，以便在进行活体检测时，根据所述神经网络模型确定出待检测图片的特征向量，并根据所述待检测图片的特征向量确定出与所述待检测图片相匹配的图片样本，将相匹配的图片样本的标签作为所述待检测图片的标签。

2.根据权利要求1所述的神经网络模型训练方法，其特征在于，

所述分别获取所述场景下的图片样本包括：

分别获取所述场景下的图片正样本和图片负样本。

3.一种活体检测方法，其特征在于，包括：

获取待检测图片，根据预先训练得到的神经网络模型，确定出所述待检测图片的特征向量，所述特征向量为能够体现是否为活体以及对不同场景具有区分度的特征向量，不同场景在特征空间中彼此距离较远，相同场景在特征空间中彼此距离较近；其中，所述不同场景包括不同的采集端，包括高、中、低端手机摄像头、网络webcam摄像头，以及不同场景下的不同攻击方式，包括打印照片攻击、手机照片攻击、手机视频攻击、剪纸攻击；

根据所述待检测图片的特征向量，从预先获取的各图片样本中确定出与所述待检测图片相匹配的图片样本，每个图片样本分别具有标签，所述标签中包括是否活体以及对应的场景；

将相匹配的图片样本的标签作为所述待检测图片的标签。

4.根据权利要求3所述的活体检测方法，其特征在于，

所述获取待检测图片之前，进一步包括：

针对不同的场景，分别获取所述场景下的图片样本，每个图片样本分别具有所述标签；

根据获取到的各图片样本，训练得到所述神经网络模型，所述神经网络模型的输出为对不同场景具有区分度的特征向量。

5.根据权利要求4所述的活体检测方法，其特征在于，

所述分别获取所述场景下的图片样本包括：

分别获取所述场景下的图片正样本和图片负样本；

所述从预先获取的各图片样本中确定出与所述待检测图片相匹配的图片样本包括：

通过聚类的方式，分别从每个场景下的图片样本中选出有代表性的图片正样本和图片负样本；

利用选出的图片样本组成样本集，并根据所述神经网络模型，分别确定出所述样本集中的各图片样本的特征向量；

根据特征向量，对所述样本集中的各图片样本进行搜索，确定出与所述待检测图片相匹配的图片样本。

6.根据权利要求5所述的活体检测方法，其特征在于，

所述对所述样本集中的各图片样本进行搜索，确定出与所述待检测图片相匹配的图片样本包括：

分别计算所述待检测图片的特征向量与所述样本集中的各图片样本的特征向量之间的距离；

选出距离最小的图片样本，将选出的图片样本作为与所述待检测图片相匹配的图片样本。

7.根据权利要求5所述的活体检测方法，其特征在于，

该方法进一步包括：

当出现新的场景时，获取所述新的场景下的图片样本，加入到所述样本集中。