(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 202211368447.5 (22)申请日 2022.11.03 (71)申请人 智慧眼科技股份有限公司 地址 410205 湖南省长 沙市高新 开发区尖 山路39号长 沙中电软件园一期14栋 (72)发明人 刘伟华　李林　 (74)专利代理 机构 深圳众鼎汇成知识产权代理 有限公司 4 4566 专利代理师 朱业刚 (51)Int.Cl. G06V 40/16(2022.01) G06V 40/40(2022.01) G06V 20/40(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/762(2022.01) (54)发明名称 活体识别模 型训练方法、 活体识别方法及相 关设备 (57)摘要 本发明公开了一种活体识别模 型训练方法、 活体识别方法及相关设备， 包括： 通过获取基础 视频， 并从基础视频中获取训练图像， 采用初始 活体识别模型的卷积神经网络提取训练图像的 图像特征， 作为第一特征， 对第一特征进行编码 后依次输入到循环神经网络， 得到心率信息， 并 基于心率信息构建心率分类器， 基于训练图像对 初始活体识别模 型进行训练优化， 得到优化后的 活体识别模 型； 采用优化后活体识别模 型提取正 样本图像对应的图像特征， 作为第二特征， 基于 每个第二特征， 确定中心特征， 并根据中心特征 构建异常判断器， 基于优化后的活体识别模型、 心率分类器和异常判断器， 构建目标活体识别模 型， 采用本发明有利于提高活体判断的准确性。 权利要求书2页 说明书9页 附图5页 CN 115424335 A 2022.12.02 CN 115424335 A 1.一种活体识别模型训练方法， 其特 征在于， 所述活体识别模型训练方法包括： 获取基础视频， 并从所述基础视频中依次提取图像作为锚定人脸图像和正样本 图像， 并采用所述锚定人脸图像、 所述正样本图像和预设的假脸图像构建有序队列， 作为训练图 像； 采用初始活体识别模型的卷积神经网络提取所述训练图像的图像特征， 作为第一特 征， 所述初始活体识别模型依次包 含卷积神经网络和循环神经网络； 对所述第一特征进行编码后依次输入到所述循环神经网络， 得到心率信息， 并基于所 述心率信息构建心率分类 器； 基于所述训练图像对所述初始 活体识别模型进行训练优化， 得到优化后的活体识别模 型； 采用所述优化后的活体识别模型提取正样本 图像对应的图像特征， 作为第二特征， 基 于每个所述第二特 征， 确定中心特 征， 并根据中心特 征构建异常判断器； 基于所述优化后的活体识别模型、 所述心率分类器和所述异常判断器， 构建目标活体 识别模型。 2.如权利要求1所述的活体识别模型训练方法， 其特征在于， 所述基于所述训练图像对 所述初始活体识别模型进行训练优化， 得到优化后的活体识别模型包括： 采用锚定人脸图像对应的第 一特征、 正样本图像对应的第 一特征和假脸图像对应的第 一特征进行损失计算， 得到损失结果； 根据得到的损失结果对初始活体识别模型进行优化， 得到优化后的活体识别模型。 3.如权利要求2所述的活体识别模型训练方法， 其特征在于， 所述采用锚定人脸图像对 应的第一特征、 正样本图像对应的第一特征和 假脸图像对应的第一特征进行损失计算， 得 到损失结果包括： 将所述人脸图像对应的第 一特征、 正样本图像对应的第 一特征和假脸图像对应的第 一 特征作为三元组； 采用三元中心损失计算的方式， 进行损失计算， 得到损失结果。 4.如权利要求1所述的活体识别模型训练方法， 其特征在于， 所述基于每个所述第 二特 征， 确定中心特 征包括： 对每个所述第二特 征进行聚类， 得到聚类特 征， 将所述聚类特 征作为所述中心特 征。 5.如权利要求1至4任一项所述的活体识别模型训练方法， 其特征在于， 所述第一特征 用于表征肤色信息， 所述对所述第一特征进行编码后依 次输入到所述循环神经网络， 得到 心率信息包括： 依次获取每个所述第一特征， 通过所述循环神经网络进行编码识别得到所述心率信 息。 6.一种活体识别方法， 其特 征在于， 所述活体识别方法包括： 获取待识别视频， 并按照预设方式有序提取视频帧图像； 将每个所述视频帧图像依次输入到目标活体识别模型中进行识别， 得到心率分类信 息 和异常检测信息， 所述目标 活体识别模 型根据权利要求 1至5任一项 所述的活体识别模型训 练方法训练得到， 所述心率分类信息根据所述目标 活体识别模型的心率分类器分类结果得 到， 所述异常检测信息根据所述目标活体识别模型的异常判断器判断得到；权　利　要　求　书 1/2 页 2 CN 115424335 A 2基于所述心率分类信息和异常检测信息， 确定所述待识别视频对应的活体识别结果。 7.一种活体识别模型训练装置， 其特 征在于， 所述活体识别模型训练装置包括： 训练图像获取模块， 用于获取基础视频， 并从所述基础视频中依次提取图像作为锚定 人脸图像和正样本图像， 并采用所述锚定人脸图像、 所述正样本图像和预设的假脸图像构 建有序队列， 作为训练图像； 第一特征提取模块， 用于采用初始 活体识别模型的卷积神经网络提取所述训练图像的 图像特征， 作为第一特 征， 所述初始活体识别模型依次包 含卷积神经网络和循环神经网络； 分类器构建模块， 用于对所述第一特征进行编码后依次输入到所述循环神经网络， 得 到心率信息， 并基于所述心率信息构建心率分类 器； 模型训练优化模块， 用于基于所述训练图像对所述初始活体识别模型进行训练优化， 得到优化后的活体识别模型； 判断器构建模块， 用于采用所述优化后的活体识别模型提取正样本图像对应的图像特 征， 作为第二特征， 基于每个所述第二特征， 确定中心特征， 并根据中心特征构建异常判断 器； 目标识别模块生成模块， 用于基于所述优化后的活体识别模型、 所述心率分类器和所 述异常判断器， 构建目标活体识别模型。 8.一种活体识别装置， 其特 征在于， 所述活体识别装置包括： 图像提取模块， 用于获取待识别视频， 并按照预设方式有序提取视频帧图像； 图像识别模块， 用于将每个所述视频帧图像依次输入到目标活体识别模型中进行识 别， 得到心率分类信息和异常检测信息， 所述目标活体识别模型根据权利要求1至5任一项 所述的活体识别模型训练方法训练得到， 所述心 率分类信息根据所述目标 活体识别模型的 心率分类器分类结果得到， 所述异常检测信息根据所述目标 活体识别模型的异常判断器判 断得到； 结果确定模块， 用于基于所述心率分类信息和异常检测信息， 确定所述待识别视频对 应的活体识别结果。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器 上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1至 5任一项所述的活体识别模型训练方法， 或者， 所述处理器执行所述计算机程序时实现如权 利要求6所述的活体识别方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时实现如权利要求 1至5任一项 所述的活体识别模型训练 方法， 或者， 所述计算机程序被处 理器执行时实现如权利要求6所述的活体识别方法。权　利　要　求　书 2/2 页 3 CN 115424335 A 3