(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 202211192556.6 (22)申请日 2022.09.28 (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 北京晋德允升知识产权代理 有限公司 1 1623 专利代理师 王戈 (51)Int.Cl. G06V 40/40(2022.01) G06V 40/16(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种活体攻击检测模型的训练方法、 装置、 设备及介质 (57)摘要 本说明书实施例公开了一种活体攻击检测 模型的训练方法、 装置、 设备及介质。 该方案 可以 包括： 获取 活体攻击检测模型中首层残差网络与 末层残差网络之间的中间残差网络输出的中间 数据特征； 将所述中间数据特征作为辅助属性分 类器的输入， 得到所述辅助属性 分类器的第一模 型识别损失值； 基于所述第一模型识别损失值， 调整所述活体攻击检测模型的参数； 基于调整后 的所述活体攻击检测模型， 得到训练后的活体攻 击检测模型。 权利要求书3页 说明书13页 附图3页 CN 115512446 A 2022.12.23 CN 115512446 A 1.一种活体攻击检测模型的训练方法， 包括： 获取活体攻击检测模型中首层残差网络与末层残差网络之间的中间残差网络输出的 中间数据特 征； 将所述中间数据 特征作为辅助属性分类器的输入， 得到所述辅助属性分类器的第 一模 型识别损失值； 基于所述第一模型识别损失值， 调整所述活体攻击检测模型的参数； 基于调整后的所述活体攻击检测模型， 得到训练后的活体攻击检测模型。 2.根据权利要求1所述的方法， 所述获取活体攻击检测模型中首层残差网络与末层残 差网络之间的中间残差网络 输出的中间数据特 征， 具体包括： 获取训练数据； 将所述训练数据输入活体攻击检测模型， 对所述活体攻击检测模型进行训练； 获取所述活体攻击检测模型中首层残差网络与末层残差网络之间的中间残差网络基 于输入至所述活体攻击检测模型的训练数据输出的中间数据特 征。 3.根据权利要求1所述的方法， 所述活体攻击检测模型包括活体属性分类 器； 所述方法还 包括： 获取所述活体属性分类器基于所述末端残差网络输出的末端数据特征得到的第二模 型识别损失值； 所述基于所述第一模型识别损失值， 调整所述活体攻击检测模型的参数， 具体包括： 将所述第一模型识别损失值和所述第二模型识别损失值进行融合， 得到融合损失值； 基于所述融合损失值， 调整所述活体攻击检测模型的参数。 4.根据权利要求3所述的方法， 所述将所述第一模型识别损失值和所述第二模型识别 损失值进行融合， 具体包括： 将所述第一模型识别损失值和所述第二模型识别损失值进行加权求和。 5.根据权利要求1所述的方法， 所述辅助属性分类器包括人脸属性分类器、 背景属性分 类器和攻击属性分类器中至少一种； 所述人脸属性分类器用于识别性别、 年龄、 表情、 眼镜、 发型中至少一种属性； 所述背景属性分类器用于识别光照强度、 环境、 人数中至少一种属 性； 所述攻击属 性分类器用于识别手机攻击、 纸张攻击、 高清屏幕攻击、 头模攻击中至少一 种属性。 6.根据权利要求5所述的方法， 所述辅助属性分类器包括人脸属性分类器； 所述将所述 中间数据特征作为辅助属性分类器的输入， 得到所述辅助属性分类器的第一模型识别损失 值， 具体包括： 将第一中间数据 特征作为所述人脸属性分类器的输入， 得到所述人脸属性分类器的人 脸属性识别损失值； 所述第一中间数据特征为所述活体攻击检测模型中首层残差网络与末 层残差网络之间的第一中间残差网络 输出的数据特 征。 7.根据权利要求5所述的方法， 所述辅助属性分类 器包括背景属性分类 器； 所述将所述中间数据 特征作为辅助属性分类器的输入， 得到所述辅助属性分类器的第 一模型识别损失值， 具体包括： 将第二中间数据 特征作为所述背景属性分类器的输入， 得到所述背景属性分类器的背 景属性识别损失值； 所述第二中间数据特征为所述活体攻击检测模型中首层残差网络与末权　利　要　求　书 1/3 页 2 CN 115512446 A 2层残差网络之间的第二中间残差网络 输出的数据特 征。 8.根据权利要求5所述的方法， 所述辅助属性分类 器包括攻击属性分类 器； 所述将所述中间数据 特征作为辅助属性分类器的输入， 得到所述辅助属性分类器的第 一模型识别损失值， 具体包括： 将第三中间数据 特征作为所述攻击属性分类器的输入， 得到所述攻击属性分类器的攻 击属性识别损失值； 所述第三中间数据特征为所述活体攻击检测模型中首层残差网络与末 层残差网络之间的第三中间残差网络 输出的数据特 征。 9.根据权利要求1所述的方法， 还 包括： 所述辅助属性分类器包括用于进行人脸属性识别和/或进行背景属性识别的第 一辅助 属性分类 器和用于进行攻击属性识别的第二辅助属性分类 器； 所述获取所述活体攻击检测模型中首层残差网络与末层残差网络之间的中间残差网 络输出的中间数据特 征， 具体包括： 获取活体攻击检测模型中首层残差网络与末层残差网络之间的第四中间残差网络输 出的第四中间数据特 征； 获取活体攻击检测模型中首层残差网络与末层残差网络之间的第五中间残差网络输 出的第五中间数据特征； 所述第五中间残差网络为在所述活体攻击检测模 型中位于所述第 四中间残差网络的之后的残差网络； 所述将所述中间数据 特征作为辅助属性分类器的输入， 得到所述辅助属性分类器的第 一模型识别损失值， 具体包括： 将所述第四中间数据 特征作为第 一辅助属性分类器的输入， 得到所述第 一辅助属性分 类器的第一辅助识别损失值； 将所述第五中间数据 特征作为第 二辅助属性分类器的输入， 得到所述第 二辅助属性分 类器的第二辅助识别损失值。 10.根据权利要求9所述的方法， 所述第 一辅助识别损失值包括用于进行人脸属性识别 的人脸属性分类器对应的人脸属性识别损失值和/或用于进 行背景属性识别的背 景属性分 类器对应的背 景属性识别损失值； 所述第二辅助识别损失值包括用于进 行攻击属性识别的 攻击属性分类 器对应的攻击属性识别损失值； 所述基于所述第一模型识别损失值， 调整所述活体攻击检测模型的参数， 具体包括： 将所述人脸属性识别损失值和/或所述背景属性识别损失值以及所述攻击属性识别损 失值与活体属性识别损失值进行融合， 得到融合后的模型识别损失值； 所述活体属 性识别 损失值为基于所述活体攻击检测模型中的活体属性分类 器得到的模型损失值； 将所述融合后的模型识别损 失值， 反传至所述活体攻击检测模型， 调整所述活体攻击 检测模型的参数。 11.根据权利要求2所述的方法， 所述训练数据包括人脸图像数据、 人脸视频数据中至 少一种。 12.根据权利要求2所述的方法， 所述训练数据包括用于表示活体属性的第 一标签和用 于表示辅助识别属性信息的第二标签。 13.一种活体攻击检测模型的训练装置， 包括： 特征获取模块， 用于获取活体攻击检测模型中首层残差网络与末层残差网络之间的中权　利　要　求　书 2/3 页 3 CN 115512446 A 3