(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 202211232853.9 (22)申请日 2022.10.10 (71)申请人 支付宝 （杭州） 信息技 术有限公司 地址 310000 浙江省杭州市西湖区西溪路 556号8层B段801-1 1 (72)发明人 武文琦　 (74)专利代理 机构 北京市一法律师事务所 11654 专利代理师 李琳娜 (51)Int.Cl. G06V 40/40(2022.01) G06V 40/16(2022.01) G06V 10/82(2022.01) (54)发明名称 活体检测模 型训练方法、 活体检测方法和系 统 (57)摘要 本说明书提供的活体检测模 型训练方法、 活 体检测方法和系统， 在获取面部图像样本集合 后， 采用图像模态转换网络将面部图像样本集合 中每一面部图像样本转换为红外图像样本和深 度图像样 本， 该图像模态转换网络通过引入随机 变量训练得到， 以及基于每一面部图像样本、 红 外图像样 本和深度图像样本， 对 预设活体检测模 型进行训练， 得到活体检测模型； 该方案可以提 升活体检测模型的活体 检测的准确率。 权利要求书4页 说明书18页 附图4页 CN 115497176 A 2022.12.20 CN 115497176 A 1.一种活体 检测模型训练方法， 包括： 获取面部图像样本集 合； 采用图像模态转换网络将所述面部图像样本集合中每一面部图像样本转换为红外图 像样本和深度图像样本， 所述图像模态转换网络通过引入面部图像对应的随机变量训练得 到； 以及 基于所述每一面部 图像样本、 所述红外 图像样本和所述深度图像样本， 对预设活体检 测模型进行训练， 得到活体 检测模型。 2.根据权利要求1所述的活体检测模型训练方法， 其中， 所述图像模态转换网络包括红 外图像生成子网络和深度估计子网络， 以及 所述采用图像模态转换网络将所述面部图像样本集合中每一面部图像样本转换为红 外图像样本和深度图像样本， 包括： 采用所述红外图像生成子网络将所述每一 面部图像样本映射 为红外图像样本； 以及 采用所述深度估计子网络对所述每一面部图像样本进行深度估计， 得到所述每一面部 图像样本对应的深度图像样本 。 3.根据权利要求2所述的活体检测模型训练方法， 其中， 所述采用所述红外图像生成子 网络将所述每一 面部图像样本映射 为红外图像样本， 包括： 获取所述红外图像生成子网络对应的映射关系矩阵， 所述映射关系矩阵包括面部图像 与红外图像之间的映射关系； 以及 基于所述映射关系矩阵， 将所述每一 面部图像样本映射 为红外图像样本 。 4.根据权利要求2所述的活体检测模型训练方法， 其中， 所述红外图像生成子网络的训 练包括以下步骤： 获取至少一个图像样本对， 所述至少一个图像样本对中每一图像样本对包括当前面部 图像和所述当前面部图像对应的当前红外图像； 基于所述当前面部 图像， 随机生成所述当前面部 图像对应的第一随机变量， 并将所述 第一随机变量作为第一约束信息； 以及 基于所述图像样本对对预设红外图像生成子网络进行训练， 并通过所述第 一约束信 息 在所述预设红外图像生成子网络的训练中进行扰动， 得到所述红外图像生成子网络 。 5.根据权利要求2所述的活体检测模型训练方法， 其中， 所述深度估计子网络的训练包 括以下步骤： 获取目标图像样本； 基于所述目标图像样本， 随机生成所述目标图像样本对应的第二随机变量， 并将所述 第二随机变量作为第二约束信息； 以及 基于所述目标图像样本对预设深度估计子网络进行训练， 并通过所述第 二约束信 息在 所述预设深度估计子网络的训练中进行扰动， 得到所述深度估计子网络 。 6.根据权利要求1所述的活体检测模型训练方法， 其中， 所述基于所述每一面部图像样 本、 所述红外图像样本和所述深度图像样本， 对预设活体检测模型进 行训练， 得到活体检测 模型， 包括： 基于所述每一面部 图像样本、 所述红外 图像样本和所述深度图像样本， 在所述面部 图 像样本集 合中选取 出候选面部图像样本；权　利　要　求　书 1/4 页 2 CN 115497176 A 2对所述候选面部 图像样本进行活体标注， 以得到目标面部 图像样本， 所述目标面部 图 像样本包括对所述预设活体 检测模型优化 正向的面部图像样本； 以及 基于所述目标面部图像样本对所述预设活体 检测模型进行训练， 得到活体 检测模型。 7.根据权利要求6所述的活体检测模型训练方法， 其中， 所述基于所述每一面部图像样 本、 所述红外图像样本和所述深度图像样本， 在所述面部图像样本集合中选取出候选面部 图像样本， 包括： 对所述每一面部图像样本进行活体检测， 以在所述面部图像样本集合中选取出第 一面 部图像样本； 基于所述红外图像样本和所述深度图像样本， 在当前面部图像样本集合中选取出第 二 面部图像样本， 所述当前面部图像样本集合包括所述面部图像样本集合中除所述第一面部 图像样本以外的面部图像样本； 以及 将所述第一 面部图像样本和所述第二 面部图像样本作为所述 候选面部图像样本 。 8.根据权利要求7所述的活体检测模型训练方法， 其中， 所述对所述面部图像样本进行 活体检测， 以在所述 面部图像样本集 合中选取 出第一面部图像样本， 包括： 对所述每一面部图像样本进行活体检测， 得到所述每一面部图像样本的第 一活体预测 值； 获取所述第一活体预测值与预设活体阈值的差值； 以及 在所述面部图像样本集合中选取出所述差值在预设差值范围内的面部图像样本， 得到 第一面部图像样本 。 9.根据权利要求7所述的活体检测模型训练方法， 其中， 所述基于所述红外图像样本和 所述深度图像样本， 在当前面部图像样本集 合中选取 出第二面部图像样本， 包括： 在所述红外图像样本中选取出所述当前面部图像样集合中每一面部图像样本对应的 候选红外图像样本； 在所述深度图像样本中选取出所述当前面部图像样本集合中每一面部图像样本对应 的候选深度图像样本； 分别对所述候选红外图像样本和所述候选深度图像样本进行活体检测， 以得到所述当 前面部图像样本集 合中每一 面部图像样本的第二活体预测值； 以及 基于所述第二活体预测值， 在所述当前面部图像样本集合中选取出第二面部图像样 本。 10.根据权利要求6所述的活体检测模型训练方法， 其中， 所述基于所述目标面部图像 样本对所述预设活体 检测模型进行训练， 得到活体 检测模型， 包括： 在所述红外图像样本中选取 出所述目标面部图像样本对应的目标红外图像样本； 在所述深度图像样本中选取 出所述目标面部图像样本对应的目标深度图像样本； 以及 将所述目标面部图像样本、 所述目标红外图像样本和所述目标深度图像样本作为多模 态图像组， 并基于所述多模态图像组对所述预设活体检测模型进行训练， 得到活体检测模 型。 11.根据权利要求10所述的活体检测模型训练方法， 其中， 所述基于所述多模态图像组 对所述预设活体 检测模型进行训练， 得到活体 检测模型， 包括： 采用所述预设活体检测模型对所述多模图像组进行多模态特征提取， 以得到所述目标权　利　要　求　书 2/4 页 3 CN 115497176 A 3