活体检测模型的处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种活体检测模型的处理方法、装置、计算机设备和存储介质。

背景技术

随着人工智能技术的发展，出现了活体检测技术，活体检测技术广泛应用于各个技术领域。在进行活体检测之前，通常会通过一些图像样本对活体检测模型进行训练，但模型收敛后，可以利用训练后的活体检测模型对需要检测的图像进行活体检测，从而判断出该图像是否为活体图像。

传统的模型训练方案中，通常是拿不同的图像样本一起对活体检测模型进行训练。然而，在进行模型训练过程中，使用不同的图像样本对模型收敛的速度不同，因此采用传统的模型训练方案进行模型训练，将会影响模型收敛的速度。

发明内容

基于此，有必要针对上述技术问题，提供一种能够加快模型收敛速度的活体检测模型的处理方法、装置、计算机设备和存储介质。

一种活体检测模型的处理方法，所述方法包括：

依次从不同应用场景的图像样本中提取图像特征；

基于所述图像特征确定不同所述图像样本所属数据域的区分难度值；

根据所述区分难度值确定不同所述图像样本的识别难度值；

依据所述识别难度值为不同所述图像样本分配不同大小的权重；所述权重与所述识别难度值之间呈负相关关系；

基于不同应用场景的所述图像样本，按照所述权重从大到小的顺序依序对活体检测模型进行模型训练。

一种活体检测模型的处理装置，所述装置包括：

提取模块，用于依次从不同应用场景的图像样本中提取图像特征；

第一确定模块，用于基于所述图像特征确定不同所述图像样本所属数据域的区分难度值；

第二确定模块，用于根据所述区分难度值确定不同所述图像样本的识别难度值；

分配模块，用于依据所述识别难度值为不同所述图像样本分配不同大小的权重；所述权重与所述识别难度值之间呈负相关关系；

训练模块，用于基于不同应用场景的所述图像样本，按照所述权重从大到小的顺序依序对活体检测模型进行模型训练。

在其中的一个实施例中，所述第一确定模块，还用于将所述图像特征输入至域判别器，以使所述域判别器基于所述图像特征确定不同所述图像样本所属数据域的域概率；根据所述域概率确定不同所述图像样本所属数据域的区分难度值；或者，对比所述域概率与所述图像样本的域标签，得到第一域损失值；基于所述第一域损失值确定不同所述图像样本所属数据域的区分难度值。

在其中的一个实施例中，所述图像特征是所述活体检测模型中的特征提取网络提取的；所述域判别器与所述特征提取网络相连；所述装置还包括：

第一调整模块，用于基于所述第一域损失值对所述域判别器进行参数调整，以使参数调整后所述域判别器，基于所述特征提取网络提取的图像特征确定的域概率，与所述域标签之间的第二域损失值小于所述第一域损失值；以及，基于所述第一域损失值对所述特征提取网络进行参数调整，以使参数调整后所述域判别器，基于参数调整后所述特征提取网络提取的图像特征确定的域概率，与所述域标签之间的第三域损失值大于所述第一域损失值。

在其中的一个实施例中，所述图像特征包括所述特征提取网络中各通道提取的特征；所述装置还包括：

加权模块，用于通过特征加权网络，确定每个所述通道对应的图像特征的方差或标准差；依据所述方差或所述标准差确定分配给每个所述通道的加权值；所述加权值与所述方差、所述标准差之间负相关；基于分配的加权值，分别对每个所述通道对应的图像特征进行加权处理，得到加权后的图像特征。

在其中的一个实施例中，所述域判别器与所述特征提取网络之间通过所述特征加权网络相连；

所述第一调整模块，还用于基于所述第一域损失值，对所述特征加权网络进行参数调整，以及对所述特征提取网络中的各通道按照所述加权值的大小依序进行参数调整，以使参数调整后所述域判别器，基于参数调整后所述特征加权网络进行加权处理所得的图像特征所确定的域概率，与所述域标签之间的第三域损失值大于所述第一域损失值。

在其中的一个实施例中，所述装置还包括：

计算模块，用于分别将不同所述图像样本输入样本加权网络；通过所述样本加权网络分别提取不同所述图像样本中的特征，并基于提取的特征进行权值计算，得到所述权重。

在其中的一个实施例中，所述图像特征，是所述活体检测模型中的特征提取网络从所述图像样本中提取的；所述识别难度值和所述权重，均是通过样本加权网络确定的；所述域判别器分别与所述样本加权网络、所述特征提取网络相连；所述装置还包括：

第二调整模块，用于基于所述权重对所述第一域损失值进行加权处理，得到第一加权损失值；根据所述第一加权损失值对所述样本加权网络进行参数调整，以使参数调整后所述样本加权网络确定的第二加权损失值小于所述第一加权损失值；以及，依据所述第一加权损失值，对所述域判别器和所述特征提取网络进行参数调整，以使参数调整后所述样本加权网络确定的第三加权损失值大于所述第一加权损失值，且参数调整后所述域判别器基于参数调整后所述特征提取网络提取的图像特征确定的域概率，与域标签之间的第三域损失值大于所述第一域损失值。

在其中的一个实施例中，所述域判别器通过特征加权网络与所述特征提取网络相连；

所述第二调整模块，还用于基于所述第一加权损失值对所述特征加权网络进行参数调整，以使参数调整后所述域判别器，基于参数调整后所述特征加权网络进行加权处理所得的图像特征所确定的域概率，与所述域标签之间的第三域损失值大于所述第一域损失值。

在其中的一个实施例中，所述训练模块，还用于通过所述活体检测模型中的特征提取网络，分别按照所述权重从大到小的顺序依序从不同应用场景的所述图像样本中提取训练图像特征；通过所述活体检测模型中的分类器对所述训练图像特征分类，得到分类值；确定所述分类值与所述图像样本的活体标签之间的活体损失值；基于所述活体损失值对所述特征提取网络和所述分类器进行参数调整。

在其中的一个实施例中，所述特征提取网络与深度估计网络相连；所述训练模块，还用于通过深度估计网络将所述训练图像特征进行深度图映射，得到不同所述图像样本的深度图；确定各所述深度图与不同所述图像样本对应的深度图标签间的深度损失值；基于所述深度损失值调整所述特征提取网络和所述深度估计网络中的参数。

在其中的一个实施例中，所述装置还包括：

检测模块，用于接收客户端采集的待测图像；通过所述活体检测模型中的特征提取网络，从所述待测图像中提取目标图像特征；通过所述活体检测模型中的分类器对所述目标图像特征进行分类处理，得到分类概率；当所述分类概率达到活体条件时，确定所述待测图像为活体图像。

在其中的一个实施例中，所述待测图像为所述客户端响应于交互请求所采集的图像；所述装置还包括：

处理模块，用于当所述交互请求为资源账户注册请求、且所述待测图像为活体图像时，生成资源账户信息，并向所述客户端反馈所述资源账户信息；当所述交互请求为资源转移请求、且所述待测图像为活体图像时，对所述资源转移请求中指定数额的资源进行转移；当所述交互请求为出入开关开启请求、且所述待测图像为活体图像时，开启出入开关。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

依次从不同应用场景的图像样本中提取图像特征；

基于所述图像特征确定不同所述图像样本所属数据域的区分难度值；

根据所述区分难度值确定不同所述图像样本的识别难度值；

依据所述识别难度值为不同所述图像样本分配不同大小的权重；所述权重与所述识别难度值之间呈负相关关系；

基于不同应用场景的所述图像样本，按照所述权重从大到小的顺序依序对活体检测模型进行模型训练。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

依次从不同应用场景的图像样本中提取图像特征；

基于所述图像特征确定不同所述图像样本所属数据域的区分难度值；

根据所述区分难度值确定不同所述图像样本的识别难度值；

依据所述识别难度值为不同所述图像样本分配不同大小的权重；所述权重与所述识别难度值之间呈负相关关系；

基于不同应用场景的所述图像样本，按照所述权重从大到小的顺序依序对活体检测模型进行模型训练。

上述活体检测模型的处理方法、装置、计算机设备和存储介质，在对活体检测模型进行训练之前，先确定不同图像样本所属数据域的区分难度值，根据该区分难度值确定不同图像样本的识别难度值，从而依据该识别难度值为不同图像样本分配与该识别难度值呈负相关关系的权重，以确保难以识别的图像样本分配较小权重，容易识别的图像样本分配较大权重，也即容易区分所属数据域的图像样本分配较小的权重，而难以区分所属数据域的图像样本分配较大的权重，从而优先使用识别难度小的图像样本对活体检测模型进行训练，从而使活体检测模型快速收敛。此外，由于从区分难度值大的图像样本中学习的图像特征容易泛化到其它应用场景，因此优先使用难以区分所属数据域的图像样本进行模型训练，不仅可以加快模型收敛速度，而且还有利于提高活体检测模型的泛化能力。

附图说明

图1为一个实施例中活体检测模型的处理方法的应用环境图；

图2为一个实施例中活体检测模型的处理方法的流程示意图；

图3为一个实施例中活体检测模型连接深度估计网络和域判别器的模型结构示意图；

图4为一个实施例中活体检测模型连接深度估计网络、特征加权网络和域判别器的模型结构示意图；

图5为一个实施例中模型训练步骤的流程示意图；

图6为另一个实施例中模型训练步骤的流程示意图；

图7为一个实施例中活体检测模型连接深度估计网络、域判别器和样本加权网络的模型结构示意图；

图8为另一个实施例中模型训练步骤的流程示意图；

图9为一个实施例中活体检测模型连接深度估计网络、特征加权网络、域判别器和样本加权网络的模型结构示意图；

图10为一个实施例中进行活体检测步骤的流程示意图；

图11为一个实施例中在账户注册应用场景中进行活体检测的示意图；

图12为一个实施例中在资源转移应用场景中进行活体检测的示意图；

图13为一个实施例中在开门禁的应用场景中进行活体检测的示意图；

图14为一个实施例中活体检测模型的处理装置的结构框图；

图15为另一个实施例中活体检测模型的处理装置的结构框图；

图16为一个实施例中计算机设备的内部结构图；

图17为另一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

人工智能（Artificial Intelligence, AI）技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

计算机视觉技术（Computer Vision, CV）计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

机器学习（Machine Learning, ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

本申请实施例提供的方案涉及人工智能的图像识别和机器学习等技术，具体通过如下实施例进行说明：

本申请提供的活体检测模型的处理方法，可以应用于如图1所示的应用环境中。在该应用环境中，包括终端102、服务设备104和服务设备106。

终端102可以向服务设备104发送模型训练指令，服务设备104响应于该模型训练指令，依次从不同应用场景的图像样本中提取图像特征；基于图像特征确定不同图像样本所属数据域的区分难度值；确定不同图像样本的识别难度值，并基于识别难度值确定权重；依据区分难度值为不同图像样本分配权重；区分难度值大的图像样本所分配的权重大；基于不同应用场景的图像样本，按照权重从大到小的顺序依序对活体检测模型进行模型训练。然后，服务设备104将训练后的活体检测模型部署至服务设备106。终端102通过客户端采集待测图像，将该待测图像发送给服务设备106，从而服务设备106通过部署的活体检测模型对待测图像进行活体检测，得到该待测图像是否为活体图像的检测结果，该服务设备106可以根据该检测结果进行相应的操作。或者，该服务设备106还可以将该检测结果发送给终端102，终端102显示该检测结果，和/或根据该检测结果进行相应的操作。

其中，终端102可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表或拍摄设备（如摄像头）等，此外，该终端102也可以是与服务设备104和/或服务设备106配套的显示器，该显示器可以集成了摄像头或连接了摄像头。

服务设备104和服务设备106可以分别是独立的物理器，也可以分别是门禁设备和服务器，还可以是一个集成了模型训练和活体检测两种功能的服务器。当服务设备为门禁设备时，则终端102可以是集成在该门禁设备中的用于安装门禁系统，以及采集待测图像的硬件（以下简称数据采集端）；此外，该门禁设备中还集成了用于活体检测的硬件（以下简称活体检测端）。

此外，该服务设备104和服务设备106也可以是区块链系统中的服务节点，该区块链系统中的各服务节点之间形成组成点对点（P2P，Peer To Peer）网络，P2P协议是一个运行在传输控制协议（TCP，Transmission Control Protocol）协议之上的应用层协议。

最后，服务设备104和服务设备106还可以是由多个物理服务设备构成的服务设备集群，可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN）、以及大数据和人工智能平台等基础云计算服务的云服务设备。

在一个实施例中，如图2所示，提供了一种活体检测模型的处理方法，以该方法应用于图1中的服务设备（该服务设备可以是服务设备104，或是服务设备104和106组成的服务设备集群）为例进行说明，包括以下步骤：

S202，依次从不同应用场景的图像样本中提取图像特征。

其中，不同应用场景的图像样本可以包括以下至少之一：在不同拍摄环境拍摄的图像，采用不同拍摄设备所拍摄的图像，采用某个拍摄设备拍摄不同目标物所得的图像。不同的拍摄环境可以包括：光线强的室内环境、光线弱的室内环境、光线强的室外环境（如白天）和光线弱的室外环境（如夜晚），以及逆光和顺光的拍摄环境，如光线强的室外顺光环境和室外逆光环境。不同目标物可以包括：真实人脸、包含人脸的纸质图像或电子图像，此外还可以是面具或三维人体模型。

对于图像样本的选取，服务设备可以从多个不同应用场景的图像样本集中，随机选取预设数量应用场景的图像样本集作为训练集，剩余的图像样本集作为测试集。然后分别在各应用场景的训练集中选取目标数量的图像样本作为正样本，此外还选取相同数量的图像样本作为负样本，然后将选取的图像样本用于活体检测模型的训练。其中，不同的应用场景可以对应不同的数据域。

例如，服务设备可以从N个不同应用场景的图像样本集中，随机选取N-1个应用场景的图像样本集作为训练集，剩下的一个图像样本集作为测试集。从这N-1个作为训练集的图像样本集中，分别采样T个正样本和T个负样本，共计(N-1)×T正样本和(N-1)×T负样本，从而得到2(N-1)×T图像样本。

在一个实施例中，服务设备可以在获得不同应用场景的图像样本时，对该图像样本进行灰度处理，然后从灰度处理后的图像样本中提取图像特征。此外，在进行灰度处理之前或之后，服务设备还可以进行图像增强处理。

在提取图像特征之前，服务设备还可以对获得的图像样本进行裁剪；或者，对灰度处理和/或图像增强处理后的样本图像进行图像裁剪，以裁剪掉无效区域，得到预设尺寸的包含人脸特征的图像块；然后，服务设备从所得的图像块中提取图像特征。

在提取图像特征之前，服务设备还可以使用人脸框对图像样本中的人脸部位进行框定，放大该人脸框以框定更多的人脸特征，然后从放大的人脸框区域提取图像特征。

其中，图像特征是图像样本本身具有的能对不同图像样本进行区分的特性，包括可以直观感受到的特征和/或通过变换或处理得到的特征。可以直观地感受到的特征例如可以是亮度、边缘、纹理、轮廓和色彩等特征；通过变换或处理才能得到的特征例如矩、直方图以及主成分等特征。

在一个实施例中，S204具体可以包括：服务设备可以依次将不同应用场景的图像样本输入至活体检测模型；然后，通过活体检测模型中的特征提取网络，分别从输入的图像样本中提取图像特征。其中，该特征提取网络可以是前馈神经网络、残差卷积神经网络或循环神经网络等。

S204，基于图像特征确定不同图像样本所属数据域的区分难度值。

其中，数据域可以表示样本图像所属的图像类别。例如，该数据域可以表示图像样本是在室内或室外拍摄的图像，或者表示通过常规摄像头或红外线拍摄的图像，又或者是拍摄真实人脸或包含人脸的纸质图像所得的图像。

区分难度值可以用于表示识别图像样本所属数据域的难易程度，不同的图像样本可以对应不同的区分难度值。因此，区分难度值越大表示该图像样本越难区分所属的数据域，从而在训练过程中，从该图像样本中学习的图像特征越容易泛化到其它应用场景中，此时的图像样本属于容易样本；同理，区分难度值越小表示该图像样本越容易区分所属的数据域，从而在训练过程中，从该图像样本中学习的图像特征越难泛化到其它应用场景中，属于困难样本。

此外，该区分难度值也用于表示识别图像样本所属数据域的成功率（或失败率）；因此，成功率越小（或失败率越大）表示该图像样本越难区分所属的数据域，同理，区分难度值越大（或失败率越小）表示该图像样本越容易区分所属的数据域。

对于图像样本的区分难度值，可以基于以下两种方式进行计算：

方式1，基于域概率计算区分难度值。

在一个实施例中，服务设备基于图像特征对不同图像样本所属的数据域进行识别，得到所属数据域的域概率，然后根据该域概率确定图像样本所属数据域的区分难度值。

具体地，服务设备将图像特征输入至域判别器，以使域判别器基于图像特征确定不同图像样本所属数据域的域概率；根据域概率确定不同所述图像样本所属数据域的区分难度值。

其中，该域判别器是用于基于图像特征对图像样本所属数据域进行判断的神经网络。该域判别器可以直接与活体检测模型的特征提取网络连接，如图3所示；此外，该域判别器也可以通过特征加权网络与该特征提取网络连接，如图4所示。

例如，服务设备在获得域概率之后，根据该域概率确定在识别该图像样本所属数据域过程中的难易度，从而得到图像样本所属数据域的区分难度值。其中，域概率越大，则越容易确定图像样本所属的数据域，此时区分难度值越小。对应地，域概率越小，则越难以确定图像样本所属的数据域，此时区分难度值越大。

方式2，基于域损失值计算区分难度值。

在一个实施例中，服务设备基于图像特征对不同图像样本所属的数据域进行识别，得到所属数据域的域概率。具体地，服务设备将图像特征输入至域判别器，以使域判别器基于图像特征确定不同图像样本所属数据域的域概率。

然后，服务设备将该域概率与图像样本对应的域标签进行对比，得到第一域损失值；然后基于第一域损失值确定不同图像样本所属数据域的区分难度值。

其中，域损失值越大，表示越难确定样本所属的数据域，则区分难度值越大。对应地，域损失值越小，表示越容易确定样本所属的数据域，则区分难度值越小。

S206，根据区分难度值确定不同图像样本的识别难度值。

其中，区分难度值与识别难度值呈负相关关系，可以用于衡量图像样本的识别难度值。具体地，当区分难度值越大，表示越难以确定该图像样本所属的数据域，此时从该图像样本中学习的图像特征越容易泛化到其它应用场景，因此识别难度值越小；此外，当区分难度值越小，表示越容易确定该图像样本所属的数据域，此时从该图像样本中学习的图像特征越难泛化到其它应用场景，因此识别难度值越大。

在一个实施例中，服务设备通过样本加权网络，按照区分难度值确定不同图像样本的识别难度值。具体地，服务设备将各样本图像和对应的区分难度值输入至样本加权网络，从而该样本加权网络根据区分难度值确定不同图像样本的识别难度值。

在另一个实施例中，服务设备还可以响应于样本难易标定操作，对不同图像样本进行难易标定，得到不同图像样本的识别难度值。例如，用户通过终端上的客户端，对不同图像样本进行标定操作，如为不同图像样本设置相应的识别难度值。

此外，服务设备还可以预存区分难度值与识别难度值之间的映射函数，将区分难度值作为该映射函数的自变量，从而可以得到不同图像样本的识别难度值。

S208，依据识别难度值为不同图像样本分配不同大小的权重。

其中，该权重与该识别难度值之间呈负相关关系。该权重可以表示图像样本在训练时的优先级，即权重越大的图像样本，在训练时优先被使用；而权重越小的图像样本，在训练时则排在后面被使用，从而在进行训练时，首先利用容易识别的图像样本进行模型训练，从而可以使活体检测模型快速收敛。

例如，服务设备为识别难度值较大的图像样本分配较小的权重，为识别难度值较小的图像样本分配较大的权重，以确保在训练时识别难度较小的图像样本优先被使用。

在一个实施例中，服务设备分别将不同所述图像样本输入样本加权网络；通过所述样本加权网络分别提取不同所述图像样本中的特征，并基于提取的特征进行权值计算，得到所述权重。

S210，基于不同应用场景的图像样本，按照权重从大到小的顺序依序对活体检测模型进行模型训练。

其中，该活体检测模型包括特征提取网络和分类器，特征提取网络用于提取图像特征，分类器用于基于提取的图像特征对图像样本进行分类，以得到该图像样本为活体图像的分类值（即分类概率），从而根据该分类值判定该图像样本是否为活体图像。

在一个实施例中，S210具体可以包括：服务设备通过活体检测模型中的特征提取网络，分别按照权重从大到小的顺序依序从不同应用场景的图像样本中提取训练图像特征；通过活体检测模型中的分类器对训练图像特征分类，得到分类值；确定分类值与图像样本的活体标签之间的活体损失值；基于活体损失值对特征提取网络和分类器进行参数调整。

例如，服务设备可以根据活体损失函数计算活体损失值，该活体损失函数如下所示：

其中，

在得到活体损失值之后，服务设备可以将该活体损失值在活体检测模型中进行反向传播，从而计算出分类器和特征提取网络各自网络层中参数的梯度值，然后根据该梯度值对特征提取网络和分类器中各网络层的参数进行调整。

在对活体检测模型进行训练过程中，可以结合深度估计网络进行联合训练，以使活体检测模型的特征提取网络在进行特征提取时，能够提取到足够丰富的特征。在一个实施例中，特征提取网络与深度估计网络相连；该方法还包括：服务设备通过深度估计网络将训练图像特征进行深度图映射，得到不同图像样本的深度图；确定各深度图与不同图像样本对应的深度图标签间的深度损失值；基于深度损失值调整特征提取网络和深度估计网络中的参数。

例如，服务设备可以根据深度损失函数计算深度损失值，该深度损失函数如下所示：

在得到活体损失值之后，服务设备可以将该深度损失值在特征提取网络和深度估计网络中进行反向传播，从而计算出特征提取网络和深度估计网络各自网络层中参数的梯度值，然后根据该梯度值对特征提取网络和深度估计网络中各网络层的参数进行调整。

上述实施例中，在对活体检测模型进行训练之前，先确定不同图像样本所属数据域的区分难度值，根据该区分难度值确定不同图像样本的识别难度值，从而依据该识别难度值为不同图像样本分配与该识别难度值呈负相关关系的权重，以确保难以识别的图像样本分配较小权重，容易识别的图像样本分配较大权重，也即容易区分所属数据域的图像样本分配较小的权重，而难以区分所属数据域的图像样本分配较大的权重，从而优先使用识别难度小的图像样本对活体检测模型进行训练，从而使活体检测模型快速收敛。此外，由于从区分难度值大的图像样本中学习的图像特征容易泛化到其它应用场景，因此优先使用难以区分所属数据域的图像样本进行模型训练，不仅可以加快模型收敛速度，而且还有利于提高活体检测模型的泛化能力。

在对活体检测模型进行训练之前或训练过程中，可以联合其它神经网络进行训练，以加快活体检测模型在训练过程中的收敛速度。如图3所示，活体检测模型结合域判别器进行训练，其中，图像特征是活体检测模型中的特征提取网络提取的；域判别器与特征提取网络相连。如图5所示，具体的训练过程如下所述：

S502，依次从不同应用场景的图像样本中提取图像特征。

其中，S502的步骤可以参考图2实施例中的S202。

S504，将图像特征输入至域判别器，以使域判别器基于图像特征确定不同图像样本所属数据域的域概率。

其中，域概率是指图像样本属于某数据域的概率，当该域概率大于或等于概率阈值时，表示该图像样本属于该数据域。当该域概率小于该概率阈值时，表示该图像样本不属于该数据域。例如，对于图像样本a，当属于数据域a所对应的域概率为80%，则可以确定图像样本a属于数据域a。

S506，对比域概率与图像样本的域标签，得到第一域损失值。

其中，域标签表示图像样本属于特定的数据域的概率，该概率通常为0或1，0表示图像样本不属于该特定的数据域，1表示图像样本属于该特定的数据域。该第一域损失值可以是比域概率与域标签之间的平方差、交叉熵或其它损失值，可以反映图像样本所属数据域的区分难度值。其中，第一域损失值越大，表示越难区分图像样本所属的数据域，对应的区分难度值越大；同理，第一域损失值越小，表示越容易区分图像样本所属的数据域，对应的区分难度值越小。

例如，服务设备可以根据域损失函数计算第一域损失值，该域损失函数如下所示：

其中，

S508，基于第一域损失值对域判别器进行参数调整，以使参数调整后域判别器，基于特征提取网络提取的图像特征确定的域概率，与域标签之间的第二域损失值小于第一域损失值。

其中，数调整后域判别器指的是参数调整后的域判别器。

需要说明的是，在对域判别器和特征提取网络进行训练时，首先对域判别器进行训练以调整该域判别器的参数，从而实现对域判别器的更新，使得更新后的域判别器所对应的损失值变小，因此更新后的域判别器的辨别能力越来越强。

S510，基于第一域损失值对特征提取网络进行参数调整，以使参数调整后域判别器，基于参数调整后特征提取网络提取的图像特征确定的域概率，与域标签之间的第三域损失值大于第一域损失值。

其中，参数调整后特征提取网络指的是参数调整后的特征提取网络。

基于第一域损失值对域判别器和特征提取网络进行参数调整是指：在对域判别器和特征提取网络进行模型训练过程中，基于第一域损失值对域判别器和特征提取网络进行参数调整。

需要说明的是，当域判别器训练完成后，服务设备接着基于第一域损失值对特征提取网络进行参数调整，从而实现对特征提取网络的更新，使得更新后的域判别器基于特征提取网络提取的图像特征所得的第三域损失值大于第一加权损失值，由于域判别器和特征提取网络之间相互对抗训练，使得更新后的特征提取网络提取的图像特征能骗过更新后的域判别器，使得基于该提取的图像特征无法区分图像样本所属的数据域。

上述实施例中，将域判别器和特征提取网络进行对抗训练，从而可以使特征提取网络学习到难以区分图像样本所属数据域的图像特征，从而可以使特征提取网络学习提取的图像特征可以泛化到其它应用场景，提高了特征提取网络的泛化性能，从而可以提高了活体检测模型的泛化性能，从而有利于提高活体检测模型对不同应用场景的待测图像进行活体检测的准确性。

如图4所示，在对活体检测模型在训练之前或训练过程中，可以结合域判别器、特征加权网络进行训练，其中，图像特征包括特征提取网络中各通道提取的特征；域判别器与特征提取网络之间通过特征加权网络相连。如图6所示，具体的训练过程如下所述：

S602，通过特征提取网络中的各通道依次从不同应用场景的图像样本中提取图像特征。

其中，S602的步骤可以参考图2实施例中的S202。

S604，通过特征加权网络，确定每个通道对应的图像特征的方差或标准差。

其中，特征加权网络用于基于各通道提取的图像特征计算每个通道对应的方差或标准差，根据方差或标准差确定加权值，以及对每个通道对应的图像特征进行加权处理。

该方差或标准差也可以用于表示：基于对应通道提取的图像特征，是否容易确定图像样本所属的数据域。例如，若通道1提取的图像特征的方差或标准差较大，表示域判别器基于提取的该图像特征容易区分图像样本所属的数据域，此时给通道1分配较小的加权值。同理，若通道2提取的图像特征的方差或标准差较小，可以表示域判别器基于提取的该图像特征难以区分图像样本所属的数据域，此时给通道2分配较大的加权值。

在一个实施例中，服务设备将每个通道对应的图像特征输入至特征加权网络，如图4所示，通过该特征加权网络基于图像特征计算每个通道对应的方差或标准差。

S606，依据方差或标准差确定分配给每个通道的加权值；加权值与方差、标准差之间负相关。

其中，不同方差或标准差对应的通道所分配的加权值也不同。例如，方差或标准差较大的通道1，其所分配的加权值较小；同理，方差或标准差较小的通道1，其所分配的加权值较大。

S608，基于分配的加权值，分别对每个通道对应的图像特征进行加权处理，得到加权后的图像特征。

在一个实施例中，服务设备通过特征加权网络，分别对每个通道对应的图像特征按照分配的加权值进行加权处理，从而得到加权后的图像特征。

S610，基于第一域损失值对域判别器进行参数调整，以使参数调整后域判别器，基于特征提取网络提取的图像特征确定的域概率，与域标签之间的第二域损失值小于第一域损失值。

其中，该S610的具体步骤可以参考图5实施例中的S508。

S612，基于第一域损失值，对特征加权网络进行参数调整，以及对特征提取网络中的各通道按照加权值的大小依序进行参数调整，以使参数调整后域判别器，基于参数调整后特征加权网络进行加权处理所得的图像特征所确定的域概率，与域标签之间的第三域损失值大于第一域损失值。

其中，数调整后域判别器指的是参数调整后的域判别器，参数调整后特征加权网络指的是参数调整后的特征加权网络。

在一个实施例中，服务设备还会将第一域损失值在特征加权网络和特征提取网络中进行反向传播，以便计算出特征加权网络和特征提取网络的各网络层中参数的梯度，然后根据计算的梯度对特征加权网络进行参数调整，以及对特征提取网络中的各通道按照加权值的大小依序进行参数调整，从而确保加权值大的通道优先进行训练，并且参数调整后的域判别器确定的域概率与域标签之间的第三域损失值大于第一域损失值，即训练域判别器、特征加权网络和特征提取网络的目的是使域判别器的损失尽可能大，从而使基于特征提取网络提取的图像特征难以确认图像样本所属的数据域，进而使特征提取网络学习提取的图像特征可以泛化到其它应用场景。

上述实施例中，将域判别器与样本加权网络、特征提取网络进行对抗训练，一方面可以使特征提取网络学习到难以区分图像样本所属数据域的图像特征，从而可以使特征提取网络学习提取的图像特征可以泛化到其它应用场景，提高了特征提取网络的泛化性能，从而可以提高了活体检测模型的泛化性能，从而有利于提高活体检测模型对不同应用场景的待测图像进行活体检测的准确性；另一方面，确保加权值大的通道优先进行训练，以使特征提取网络从容易的图像特征入手学习，加速模型收敛速度，并且找到更好泛化的解，提升特征提取网络泛化能力。

如图7所示，在对活体检测模型在训练之前或训练过程中，可以结合域判别器进行训练，或者结合域判别器和特征加权网络进行训练。首先，对活体检测模型结合域判别器进行训练为例进行描述；其中，图像特征是活体检测模型中的特征提取网络从图像样本中提取的；识别难度值和权重均是通过样本加权网络确定的；域判别器分别与样本加权网络、特征提取网络相连，如图7所示。对于模型训练的过程，如图8所示，该训练的步骤包括：

S802，通过活体检测模型中的特征提取网络依次从不同应用场景的图像样本中提取图像特征。

其中，S802的步骤可以参考图2实施例中的S202。

S804，将图像特征输入至域判别器，以使域判别器基于图像特征确定不同图像样本所属数据域的域概率。

S806，对比域概率与图像样本的域标签，得到第一域损失值。

其中，S804-S806的步骤可以参考图5实施例中的S504-S506。

S808，基于权重对第一域损失值进行加权处理，得到第一加权损失值。

例如，服务设备可以根据加权损失函数计算第一加权损失值，该加权损失函数如下所示：

其中，

S810，根据第一加权损失值对样本加权网络进行参数调整，以使参数调整后样本加权网络确定的第二加权损失值小于第一加权损失值。

其中，参数调整后样本加权网络指的是参数调整后的样本加权网络。

需要说明的是，在对样本加权网络、域判别器和特征提取网络进行训练时，首先对样本加权网络进行训练以调整该样本加权网络的参数，从而实现对样本加权网络的更新，使得更新后的样本加权网络所对应的损失值变小，因此更新后的样本加权网络识别图像样本难易程度的能力越来越强。

S812，依据第一加权损失值，对域判别器和特征提取网络进行参数调整，以使参数调整后样本加权网络确定的第三加权损失值大于第一加权损失值，且参数调整后域判别器基于参数调整后特征提取网络提取的图像特征确定的域概率，与域标签之间的第三域损失值大于第一域损失值。

其中，参数调整后域判别器指的是参数调整后的域判别器。

需要说明的是，当样本加权网络训练完成后，服务设备接着基于第一加权损失值对域判别器和特征提取网络进行参数调整，从而实现对域判别器和特征提取网络的更新，一方面使参数调整后样本加权网络确定的第三加权损失值大于第一加权损失值，从而更新后的特征提取网络和域判别器能够骗过更新后的样本加权网络，从而使样本加权网络不停的更新对图像样本难易程度的认知。此外，域判别器和特征提取网络之间相互对抗训练，使得更新后的特征提取网络提取的图像特征能骗过更新后的域判别器，使得基于该提取的图像特征无法区分图像样本所属的数据域，有利于提高模型泛化能力。

在一个实施例中，在计算出第一加权损失值时，服务设备将第一加权损失值在域判别器、样本加权网络和特征提取网络中进行反向传播，以便计算出各网络层中参数的梯度，然后根据计算的梯度对域判别器、样本加权网络和特征提取网络进行参数调整，使得参数调整后的样本加权网络对应的第二加权损失值大于第一加权损失值，即训练域判别器、样本加权网络和特征提取网络的目的是使域判别器的损失和权重之间的乘积尽可能大，从而使基于特征提取网络提取的图像特征难以确认图像样本所属的数据域，进而使特征提取网络学习提取的图像特征可以泛化到其它应用场景。

上述实施例中，在基于第一加权损失值对样本加权网络、域判别器和特征提取网络进行参数调整后，域判别器对应的第二加权损失值大于第一加权损失值，从而可以使特征提取网络学习到难以区分图像样本所属数据域的图像特征，从而可以使特征提取网络学习提取的图像特征可以泛化到其它应用场景，提高了特征提取网络的泛化性能，从而可以提高了活体检测模型的泛化性能，从而有利于提高活体检测模型对不同应用场景的待测图像进行活体检测的准确性。

在一个实施例中，活体检测模型结合域判别器和特征加权网络进行训练，其中，域判别器通过特征加权网络与特征提取网络相连，如图9所示。对于训练过程，具体的训练步骤包括：

首先执行S802-S812，然后基于第一加权损失值对特征加权网络进行参数调整，以及基于第一加权损失值，对样本加权网络、域判别器和特征提取网络进行参数调整，以使参数调整后域判别器，基于参数调整后特征加权网络进行加权处理所得的图像特征所确定的域概率，与域标签之间的第三域损失值大于第一域损失值。

在一个实施例中，在训练活体检测模型之后，可以基于该活体检测模型进行活体检测，如图10所示，活体检测的步骤包括：

S1002，接收客户端采集的待测图像。

其中，该客户端可以是支付类应用程序、提供金融服务的应用程序和门禁系统等。客户端在进行支付、账户注册或开启门禁闸门时，需要采集用户的图像（即待测图像），然后发送给服务设备进行活体检测。

客户端在采集用户的图像过程中，可以判定采集页面中是否包含用户的人脸特征，若包含，则进行图像拍摄得到待测图像，然后将该待测图像发送给服务设备。

S1004，通过活体检测模型中的特征提取网络，从待测图像中提取目标图像特征。

其中，上述S1004的具体步骤可以参考图2实施例中的S202。

S1006，通过活体检测模型中的分类器对目标图像特征进行分类处理，得到分类概率。

在一个实施例中，服务设备可以通过活体检测模型中的分类器，先对图像特征进行至少两次卷积处理，得到该图像特征的预测均值和预测方差，然后获取该分类器中用于标准化处理的网络参数，基于预测均值、预测方差和网络参数对图像特征进行标准化处理，得到标准化特征；接着，服务设备通过分类器对标准化特征进行分类处理，得到分类概率，该分类概率用于表示待测图像是否为活体图像。从而，对提取的图像特征进行均值和方差预测得到预测均值和预测方差，从而避免使用模型训练时数据标准化层的均值和方差，有利于对不同场景所得的待测图像均可以基于预测所得的预测均值和预测方差进行标准化处理，以及根据所得的标准化特征进行活体检测，提高了活体检测的普适性，而且提高了对不同数据域的待测图像进行活体检测的准确性。

其中，该所述网络参数包括线性变换参数和平移参数。具体地，服务设备先根据预测均值和预测方差对图像特征归一化处理，得到归一化特征；然后基于线性变换参数和平移参数对归一化特征进行仿射变换，得到标准化特征。

S1008，当分类概率达到活体条件时，确定待测图像为活体图像。

其中，活体条件可以是用于衡量该分类概率下的待测图像是否为活体图像的概率阈值。例如，假设分类概率为95%，概率阈值为90%，显然该分类概率达到该概率阈值的规定时，确定待测图像为活体图像。

上述实施例中，由于活体检测模型是具有泛化能力的模型，因此可以对不同应用场景所采集的待测图像进行活体检测，可以有效地提高对不同应用场景的待测图像进行活体检测的准确性。

在一个实施例中，客户端为提供金融服务的应用程序，待测图像为客户端响应于交互请求所采集的图像，该交互请求包括资源账户注册请求。如图11所示，客户端的注册发起页面110A中包括注册按钮1102，当用户点击该注册按钮1102时，客户端会产生资源账户注册请求，以请求服务设备112注册资源账户，服务设备在注册资源账户之前进行活体检测，具体过程如下所述：

S1102，客户端向服务设备112发送资源账户注册请求。

S1104，服务设备112响应于资源账户注册请求，向客户端发送活体检测指令，以指示客户端采集包含待测对象人脸的待测图像。

客户端响应于活体检测指令，在图像采集页面110B中显示图像采集框1104，以在图像采集框1104中采集待测对象的待测图像。客户端采集到待测图像后执行S1106。

S1106，客户端将待测图像发送至服务设备112。

服务设备112从待测图像中提取图像特征，通过活体检测模型中的特征提取网络，从待测图像中提取目标图像特征；通过活体检测模型中的分类器对目标图像特征进行分类处理，得到分类概率；当分类概率达到活体条件时，确定待测图像是否为活体图像，得到检测结果。

S1108，服务设备112将检测结果发送至客户端，并在确定待测图像为活体图像时，发送资源账户信息。

其中，服务设备在确定待测图像为活体图像时，生成资源账户信息，并向客户端反馈资源账户信息。

客户端收到资源账户信息后，根据资源账户信息进行注册，并在结果显示页面110C中显示注册结果。

上述实施例中，服务设备对请求注册资源账户的待测对象进行活体检测，在确定待测图像为活体图像，也即确定待测图像中的待测对象为活体对象时，生成资源账户信息，并向客户端反馈资源账户信息，以对资源账户进行注册，可以有效防止非法用户冒充合法用户的身份注册资源账户，保证了资源账户的合法使用，并且相对于人工注册资源账户，提高了资源账户的注册效率。

在一个实施例中，客户端为支付类应用，待测图像为客户端响应于交互请求所采集的图像，该交互请求为资源转移请求，如图12所示，客户端的支付请求页面120A中包括支付清单1202和支付控件1204。当用户点击支付控件1204时，客户端会产生资源转移请求，以请求服务设备122进行资源转移，服务设备在资源转移之前进行活体检测，具体过程如下所述：

S1202，客户端向服务设备122发送资源转移请求。

S1204，服务设备122响应于资源转移请求，向客户端发送活体检测指令，以指示客户端采集待测对象的人脸图像。

客户端响应于活体检测指令，在图像采集页面120B上显示图像采集框1206，以在图像采集框1206中采集包含待测对象人脸的待测图像。客户端采集到待测图像后，执行S1206。

S1206，客户端将待测图像发送至服务设备122。

服务设备122从待测图像中提取图像特征，通过活体检测模型中的特征提取网络，从待测图像中提取目标图像特征；通过活体检测模型中的分类器对目标图像特征进行分类处理，得到分类概率；当分类概率达到活体条件时，确定待测图像是否为活体图像，得到检测结果。

当服务设备确定待测图像为活体图像时，对资源转移请求中指定数额的资源进行转移，并执行S1208。

S1208，服务设备122将支付成功信息发送至客户端。

其中，客户端在接收到支付成功信息时，在结果显示页面120C中显示“支付成功”，如图12中的标号1208所示。

上述实施例中，服务设备对请求进行资源转移的待测对象进行活体检测，在确定待测图像为活体图像，也即确定待测对象为活体对象时，对资源转移请求中指定数额的资源进行转移，保证了资源转移的安全性，并且提高了资源转移的效率。

在一个实施例中，客户端为门禁系统，交互请求为出入开关开启请求，如图13所示，当待测对象靠近集成了门禁系统的服务设备（即门禁设备）时，触发门禁设备中的活体检测端（包括闸门）132对待测对象进行活体检测，门禁设备中的数据采集端130显示出入开关控制页面，该出入开关控制页面中包含图像采集框1302，从而数据采集端可以通过图像采集框1302采集待测对象的待测图像。

当采集到待测图像时，数据采集端将待测图像发送给活体检测端132。活体检测端132从待测图像中提取图像特征，通过活体检测模型中的特征提取网络，从待测图像中提取目标图像特征；通过活体检测模型中的分类器对目标图像特征进行分类处理，得到分类概率；当分类概率达到活体条件时，确定待测图像是否为活体图像，得到检测结果。当待测图像为活体图像时，数据采集端130会在结果显示区1304显示“请通行”的字样，此外活体检测端132开启闸门，允许该待测对象进入。

上述实施例中，对请求开启出入闸门的待测对象进行活体检测，以对待测对象的身份进行验证，在待测图像为活体图像时开启闸门，保证了门禁系统的安全，并且相比于人工对待测对象进行验证，节省了成本，提高了通行效率。

应该理解的是，虽然图2、5、6、8、10、11、12的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、5、6、8、10、11、12中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图14所示，提供了一种活体检测模型的处理装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：提取模块1402、第一确定模块1404、第二确定模块1406、分配模块1406和训练模块1410，其中：

提取模块1402，用于依次从不同应用场景的图像样本中提取图像特征；

第一确定模块1404，用于基于图像特征确定不同图像样本所属数据域的区分难度值；

第二确定模块1406，用于根据区分难度值确定不同图像样本的识别难度值；

分配模块1408，用于依据识别难度值为不同图像样本分配不同大小的权重；权重与识别难度值之间呈负相关关系；

训练模块1410，用于基于不同应用场景的图像样本，按照权重从大到小的顺序依序对活体检测模型进行模型训练。

在其中的一个实施例中，训练模块1410，还用于通过活体检测模型中的特征提取网络，分别按照权重从大到小的顺序依序从不同应用场景的图像样本中提取训练图像特征；通过活体检测模型中的分类器对训练图像特征分类，得到分类值；确定分类值与图像样本的活体标签之间的活体损失值；基于活体损失值对特征提取网络和分类器进行参数调整。

在其中的一个实施例中，特征提取网络与深度估计网络相连；训练模块1410，还用于通过深度估计网络将训练图像特征进行深度图映射，得到不同图像样本的深度图；确定各深度图与不同图像样本对应的深度图标签间的深度损失值；基于深度损失值调整特征提取网络和深度估计网络中的参数。

上述实施例中，在对活体检测模型进行训练之前，先确定不同图像样本所属数据域的区分难度值，根据该区分难度值确定不同图像样本的识别难度值，从而依据该识别难度值为不同图像样本分配与该识别难度值呈负相关关系的权重，以确保难以识别的图像样本分配较小权重，容易识别的图像样本分配较大权重，也即容易区分所属数据域的图像样本分配较小的权重，而难以区分所属数据域的图像样本分配较大的权重，从而优先使用识别难度小的图像样本对活体检测模型进行训练，从而使活体检测模型快速收敛。此外，由于从区分难度值大的图像样本中学习的图像特征容易泛化到其它应用场景，因此优先使用难以区分所属数据域的图像样本进行模型训练，不仅可以加快模型收敛速度，而且还有利于提高活体检测模型的泛化能力。

在其中的一个实施例中，第一确定模块1404，还用于将图像特征输入至域判别器，以使域判别器基于图像特征确定不同图像样本所属数据域的概率；对比概率与图像样本的域标签，得到第一域损失值；基于第一域损失值确定不同图像样本所属数据域的区分难度值。

在其中的一个实施例中，图像特征是活体检测模型中的特征提取网络提取的；域判别器与特征提取网络相连；如图15所示，该装置还包括：

第一调整模块1412，用于基于第一域损失值对域判别器进行参数调整，以使参数调整后域判别器，基于特征提取网络提取的图像特征确定的域概率，与域标签之间的第二域损失值小于第一域损失值；以及，基于第一域损失值对特征提取网络进行参数调整，以使参数调整后域判别器，基于参数调整后特征提取网络提取的图像特征确定的域概率，与域标签之间的第三域损失值大于第一域损失值。

上述实施例中，将域判别器和特征提取网络进行对抗训练，从而可以使特征提取网络学习到难以区分图像样本所属数据域的图像特征，从而可以使特征提取网络学习提取的图像特征可以泛化到其它应用场景，提高了特征提取网络的泛化性能，从而可以提高了活体检测模型的泛化性能，从而有利于提高活体检测模型对不同应用场景的待测图像进行活体检测的准确性。

在其中的一个实施例中，图像特征包括特征提取网络中各通道提取的特征；如图15所示，该装置还包括：

加权模块1414，用于通过特征加权网络，确定每个通道对应的图像特征的方差或标准差；依据方差或标准差确定分配给每个通道的加权值；加权值与方差、标准差之间负相关；基于分配的加权值，分别对每个通道对应的图像特征进行加权处理，得到加权后的图像特征。

在其中的一个实施例中，域判别器与特征提取网络之间通过特征加权网络相连；

第一调整模块1412，还用于基于第一域损失值，对特征加权网络进行参数调整，以及对特征提取网络中的各通道按照加权值的大小依序进行参数调整，以使参数调整后域判别器，基于参数调整后特征加权网络进行加权处理所得的图像特征所确定的域概率，与域标签之间的第三域损失值大于第一域损失值。

上述实施例中，将域判别器与样本加权网络、特征提取网络进行对抗训练，一方面可以使特征提取网络学习到难以区分图像样本所属数据域的图像特征，从而可以使特征提取网络学习提取的图像特征可以泛化到其它应用场景，提高了特征提取网络的泛化性能，从而可以提高了活体检测模型的泛化性能，从而有利于提高活体检测模型对不同应用场景的待测图像进行活体检测的准确性；另一方面，确保加权值大的通道优先进行训练，以使特征提取网络从容易的图像特征入手学习，加速模型收敛速度，并且找到更好泛化的解，提升特征提取网络泛化能力。

在其中的一个实施例中，如图15所示，该装置还包括：

计算模块1416，用于分别将不同图像样本输入样本加权网络；通过样本加权网络分别提取不同图像样本中的特征，并基于提取的特征进行权值计算，得到权重。

在其中的一个实施例中，图像特征，是活体检测模型中的特征提取网络从图像样本中提取的；识别难度值和权重，均是通过样本加权网络确定的；域判别器分别与样本加权网络、特征提取网络相连；如图15所示，该装置还包括：

第二调整模块1418，用于基于权重对第一域损失值进行加权处理，得到第一加权损失值；根据第一加权损失值对样本加权网络进行参数调整，以使参数调整后样本加权网络确定的第二加权损失值小于第一加权损失值；以及，依据第一加权损失值，对域判别器和特征提取网络进行参数调整，以使参数调整后样本加权网络确定的第三加权损失值大于第一加权损失值，且参数调整后域判别器基于参数调整后特征提取网络提取的图像特征确定的域概率，与域标签之间的第三域损失值大于第一域损失值。

上述实施例中，在基于第一加权损失值对样本加权网络、域判别器和特征提取网络进行参数调整后，域判别器对应的第二加权损失值大于第一加权损失值，从而可以使特征提取网络学习到难以区分图像样本所属数据域的图像特征，从而可以使特征提取网络学习提取的图像特征可以泛化到其它应用场景，提高了特征提取网络的泛化性能，从而可以提高了活体检测模型的泛化性能，从而有利于提高活体检测模型对不同应用场景的待测图像进行活体检测的准确性。

在其中的一个实施例中，域判别器通过特征加权网络与特征提取网络相连；

第二调整模块1418，还用于基于第一加权损失值对特征加权网络进行参数调整，以使参数调整后域判别器，基于参数调整后特征加权网络进行加权处理所得的图像特征所确定的域概率，与域标签之间的第三域损失值大于第一域损失值。

在其中的一个实施例中，如图15所示，该装置还包括：

检测模块1420，用于接收客户端采集的待测图像；通过活体检测模型中的特征提取网络，从待测图像中提取目标图像特征；通过活体检测模型中的分类器对目标图像特征进行分类处理，得到分类概率；当分类概率达到活体条件时，确定待测图像为活体图像。

上述实施例中，由于活体检测模型是具有泛化能力的模型，因此可以对不同应用场景所采集的待测图像进行活体检测，可以有效地提高对不同应用场景的待测图像进行活体检测的准确性。

在其中的一个实施例中，待测图像为客户端响应于交互请求所采集的图像；如图15所示，该装置还包括：

处理模块1422，用于当交互请求为资源账户注册请求、且待测图像为活体图像时，生成资源账户信息，并向客户端反馈资源账户信息；当交互请求为资源转移请求、且待测图像为活体图像时，对资源转移请求中指定数额的资源进行转移；当交互请求为出入开关开启请求、且待测图像为活体图像时，开启出入开关。

上述实施例中，服务设备对请求注册资源账户的待测对象进行活体检测，在确定待测图像为活体图像，也即确定待测图像中的待测对象为活体对象时，生成资源账户信息，并向客户端反馈资源账户信息，以对资源账户进行注册，可以有效防止非法用户冒充合法用户的身份注册资源账户，保证了资源账户的合法使用，并且相对于人工注册资源账户，提高了资源账户的注册效率。此外，服务设备对请求进行资源转移的待测对象进行活体检测，在确定待测图像为活体图像，也即确定待测对象为活体对象时，对资源转移请求中指定数额的资源进行转移，保证了资源转移的安全性，并且提高了资源转移的效率。最后，对请求开启出入闸门的待测对象进行活体检测，以对待测对象的身份进行验证，在待测图像为活体图像时开启闸门，保证了门禁系统的安全，并且相比于人工对待测对象进行验证，节省了成本，提高了通行效率。

关于活体检测模型的处理装置的具体限定可以参见上文中对于活体检测模型的处理方法的限定，在此不再赘述。上述活体检测模型的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务设备，该服务设备可以是服务器，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本图像和图像特征等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种活体检测模型的处理方法。

在另一个实施例中，该服务设备可以是门禁设备，其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种活体检测模型的处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图16、17中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。