活体检测模型训练方法、装置、存储介质及设备

技术领域

本说明书涉及生物识别技术领域，尤其涉及一种活体检测模型训练方法、装置、存储介质及设备。

背景技术

随着近年来人脸识别系统的不断发展，人脸识别技术日趋成熟，其商业化应用愈加广泛，例如广泛应用于金融交易、门禁系统、移动终端等领域。然而人脸极易用照片、视频、模型或面具等方式进行复制，因此对合法用户人脸的假冒是人脸识别与认证系统安全的重要威胁。为防止恶意者伪造和窃取他人的生物特征用于身份认证，“活体攻击检测”成为人脸识别系统中不可缺少的一环，活体攻击检测可以有效拦截人脸识别系统中非活体类型的攻击样本。

发明内容

本说明书实施例提供的一种活体检测模型训练方法、装置、存储介质及设备，可得到具有跨域鲁棒性的活体检测模型。所述技术方案如下：

第一方面，本说明书实施例提供了一种活体检测模型训练方法，所述方法包括：

获取训练图像数据集，所述训练图像数据集包括各样本训练图像以及各样本训练图像分别对应的领域类别标签和内容类别标签；

将预设数量的样本训练图像输入至活体检测模型中，基于所述活体检测模型将各所述样本训练图像进行比对学习，得到比对学习结果，以及对各所述样本训练图像分别进行类别预测，得到各所述样本训练图像分别对应的类别预测结果；

基于所述比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值；

基于所述类别预测结果、所述领域类别标签和所述内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值；

基于所述比对学习损失值和所述类别预测损失值更新所述活体检测模型的模型参数；

判断参数更新的活体检测模型是否满足预设收敛条件，若满足，则停止训练，得到训练完成的活体检测模型，若不满足，则执行所述将预设数量的样本训练图像输入至活体检测模型中的步骤。

第二方面，本说明书实施例提供了一种活体检测方法，所述方法包括：

获取待检测人脸图像；

将所述待检测人脸图像输入至采用如上述的活体检测模型训练方法得到的训练完成的活体检测模型中，得到所述待检测人脸图像对应的内容预测结果。

第三方面，本说明书实施例提供了一种活体检测模型训练装置，所述装置包括：

训练图像获取模块，用于获取训练图像数据集，所述训练图像数据集包括各样本训练图像以及各样本训练图像分别对应的领域类别标签和内容类别标签；

学习预测模块，用于将预设数量的样本训练图像输入至活体检测模型中，基于所述活体检测模型将各所述样本训练图像进行比对学习，得到比对学习结果，以及对各所述样本训练图像分别进行类别预测，得到各所述样本训练图像分别对应的类别预测结果；

比对损失计算模块，用于基于所述比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值；

预测损失计算模块，用于基于所述类别预测结果、所述领域类别标签和所述内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值；

模型参数更新模块，用于基于所述比对学习损失值和所述类别预测损失值更新所述活体检测模型的模型参数；

模型收敛判定模块，用于判断参数更新的活体检测模型是否满足预设收敛条件，若满足，则停止训练，得到训练完成的活体检测模型，若不满足，则执行所述将预设数量的样本训练图像输入至活体检测模型中的步骤。

第四方面，本说明书实施例提供了一种活体检测装置，所述装置包括：

图像获取模块，用于获取待检测人脸图像；

内容预测模块，用于将所述待检测人脸图像输入至采用如上述的活体检测模型训练方法得到的训练完成的活体检测模型中，得到所述待检测人脸图像对应的内容预测结果。

第五方面，本说明书实施例提供一种计算机程序产品，所述计算机程序产品存储有至少一条指令，所述至少一条指令适于由处理器加载并执行上述的方法步骤。

第六方面，本说明书实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序适于由处理器加载并执行上述的方法步骤。

第七方面，本说明书实施例提供一种电子设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

本说明书一些实施例提供的技术方案带来的有益效果至少包括：

采用本说明书实施例提供的活体检测模型训练方法，通过具有不同领域特征的训练图像数据集，对活体检测模型进行训练，并在训练过程中，在各样本训练图像之间进行比对学习，可使活体检测模型学习到跨域不变的特征以及泛化性可分特征，增强活体检测模型的跨域泛化性以及鲁棒性，保证活体检测模型在新场景部署时的稳定性。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的一种活体检测模型训练方法的流程示意图；

图2为本说明书实施例提供的一种活体检测模型训练方法的流程示意图；

图3为本说明书实施例提供的一种活体检测模型的模型架构图；

图4为本说明书实施例提供的一种活体检测模型训练方法的流程示意图；

图5为本说明书实施例提供的一种活体检测模型的模型架构图；

图6为本说明书实施例提供的一种活体检测方法的流程示意图；

图7为本说明书实施例提供的一种活体检测的场景示意图；

图8为本说明书实施例提供的一种活体检测模型训练装置的结构示意图；

图9为本说明书实施例提供的一种学习预测模块的结构示意图；

图10为本说明书实施例提供的一种学习预测模块的结构示意图；

图11为本说明书实施例提供的一种活体检测装置的结构示意图；

图12为本说明书实施例提供的一种电子设备的结构方框图。

具体实施方式

下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

在本说明书的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本说明书的描述中，需要说明的是，除非另有明确的规定和限定，“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本说明书中的具体含义。此外，在本说明书的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

相关技术中，随着人脸识别系统的不断发展，“活体攻击检测”成为人脸识别系统中不可缺少的一环，可以有效的拦截非活体类型的攻击样本。随着人脸识别系统不断的应用到更多的领域，会面临不同领域的表征差异迥异的人脸图像，如何能让一套活体检测模型在面对未知新场景部署时，实现无差异性的适配成为了重要的研究及应用方向。

基于此，本说明书实施例提出了一种活体检测模型训练方法，首先获取训练图像数据集，训练图像数据集包括各样本训练图像以及各样本训练图像分别对应的领域类别标签和内容类别标签，将预设数量的样本训练图像输入至活体检测模型中，基于活体检测模型将各样本训练图像进行比对学习，得到比对学习结果，以及对各样本训练图像分别进行类别预测，得到各样本训练图像分别对应的类别预测结果，然后基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值，最后基于比对学习损失值和类别预测损失值更新活体检测模型的模型参数，以得到满足预设收敛条件的训练完成的活体检测模型。通过具有不同领域特征的训练图像数据集，对活体检测模型进行训练，并在训练过程中，在各样本训练图像之间进行比对学习，可使活体检测模型学习到跨域不变的特征以及泛化性可分特征，增强活体检测模型的跨域泛化性以及鲁棒性，保证活体检测模型在新场景部署时的稳定性。

下面结合在本说明书实施例中实施例进行详细说明。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。附图中所示的流程图仅是示例性说明，不是必须按照所示步骤执行。例如，有的步骤是并列的，在逻辑上并没有严格的先后关系，因此实际执行顺序是可变的。

请参见图1，为本说明书实施例提供的一种活体检测模型训练方法的流程示意图。在本说明书实施例中实施例中，所述活体检测模型训练方法应用于活体检测模型训练装置或配置有活体检测模型训练装置的电子设备。下面将针对图1所示的流程进行详细的阐述，所述活体检测模型训练方法具体可以包括以下步骤：

S102，获取训练图像数据集，训练图像数据集包括各样本训练图像以及各样本训练图像分别对应的领域类别标签和内容类别标签；

在本说明书实施例中，训练图像数据集中包括不同领域类别、不同内容类别的样本训练图像、以及各样本训练图像分别对应的领域类别标签和内容类别标签，样本训练图像为用于训练活体检测模型的人脸图像数据。

需要说明的是，所述领域类别是指人脸图像所属的领域类别，人脸识别系统部署在不同的场景下需要识别不同场景下的人脸图像，根据人脸图像所属的场景来划分领域类别。训练图像数据集中包括至少两种领域的样本训练图像。

所述内容类别是指人脸图像所属的内容类别，内容类别可以包括活体和攻击两种，将从活体真人面部采集的人脸图像作为活体样本训练图像，将从非活体的虚假人脸上采集的人脸图像作为攻击样本训练图像。训练图像数据集中既包括活体类别的样本训练图像、也包括攻击类别的样本训练图像。

可以理解的是，人脸假冒、虚假人脸是人脸识别系统所面临的重大威胁，人脸假冒即不法分子通过制作人脸模型、人脸面具、照片、视频等方式对人脸识别系统进行欺诈攻击的行为。活体检测模型即是用于对人脸识别系统采集的人脸图像进行活体检测的模型，区分当前采集的人脸图像是活体类型还是恶意攻击类型。人脸识别系统在应用过程中，主要通过现场拍摄的方式采集人脸图像，然后由活体检测模型检测采集的人脸图像是否为活体，若当前人脸图像是人脸识别系统从活体真人面部采集的人脸图像时，确定该人脸图像为活体类型，若人脸图像是人脸识别系统从不法分子制作的非活体的虚假人脸上采集的人脸图像时，确定该人脸图像为攻击类型。

S104，将预设数量的样本训练图像输入至活体检测模型中，基于活体检测模型将各样本训练图像进行比对学习，得到比对学习结果，以及对各样本训练图像分别进行类别预测，得到各样本训练图像分别对应的类别预测结果；

在本说明书实施例中，在获取训练图像数据集之后，将训练图像数据集中预设数量的样本训练图像输入至活体检测模型中，由活体检测模型在各样本训练图像之间进行比对学习，并对各样本训练图像分别进行类别预测，得到对比学习结果以及各样本训练图像分别对应的类别预测结果。

需要说明的是，比对学习是将正样本和负样本在特征空间对比，学习样本的特征表示。在本说明书实施例中，通过将不同领域类别的样本训练图像进行比对学习，强化活体检测模型对图像域信息的学习强化，提升活体检测模型的跨域泛化性。

在本说明书一个实施例中，活体检测模型包括特征提取网络和类别预测网络，图像特征包括领域特征和内容特征，基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征，对各样本训练图像分别对应的图像特征进行比对学习，得到比对学习结果，基于活体检测模型中的类别预测网络对领域特征和内容特征进行类别预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果。

其中，特征提取网络可以为基于ResNet50架构的深度卷积神经网络。

图像特征包括领域特征和内容特征。其中，领域特征为用于表示样本训练图像所属领域类别的特征，内容特征为用于表示样本训练图像中脸部纹理信息的特征。领域特征用于预测样本训练图像所属的领域类别，内容特征用于预测样本训练图像所属的内容类别，内容类别可以包括活体和攻击两种，领域类别可以包括预设的至少两种。

可以理解的是，样本训练图像包括属于不同领域类别、不同内容类别的图像。在将一定数量的样本训练图像输入至活体检测模型中，活体检测模型中的特征提取网络对各样本训练图像进行特征提取处理后，得到各样本训练图像分别对应的领域特征和内容特征，并根据各样本训练图像分别对应的领域特征和内容特征，对各样本训练图像进行比对学习，得到比对学习结果，比对学习可增强活体检测模型对图像域信息的学习能力，提高活体检测模型的跨域泛化性。根据各样本训练图像分别对应的领域特征和内容特征，对各样本训练图像进行领域预测和内容预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果，基于预测结果和实际标签对活体检测模型的模型参数进行优化，可提高活体检测模型的预测准确性。

在本说明书一个实施例中，活体检测模型还包括域委派网络，图像特征包括领域特征和内容特征，在基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征之后，基于活体检测模型中的域委派网络将各样本训练图像分别对应的领域特征和各样本训练图像分别对应的内容特征进行随机组合，得到各组合特征，然后将各组合特征进行比对学习，得到比对学习结果。

可以理解的是，在基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征之后，在域委派网络中将各领域特征和各内容特征进行随机组合，可增强样本多样性。

可选的，域委派网络可以为用于特征组合的网络，即用于将内容特征和领域特征进行随机组合，还可以为用于特征融合的深度卷积神经网络。当域委派网络为深度卷积神经网络时，用于将各内容特征和各领域特征进行随机特征融合，得到各融合特征，然后将各融合特征进行比对学习，得到比对学习结果。使得内容特征和域特征的融合也可以实现端到端的学习，已得到更好的泛化特征。

在本说明书一个实施例中，活体检测模型还包括多层感知机网络，图像特征包括领域特征和内容特征，在基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征之后，基于活体检测模型中的多层感知机对各领域特征进行特征增强处理，得到增强后的各领域特征，基于活体检测模型中的域委派网络将各样本训练图像分别对应的内容特征和增强后的各领域特征进行随机组合，得到各组合特征。

S106，基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值；

在本说明书一个实施例中，基于预设的比对学习损失函数计算比对学习结果对应的比对学习损失值，比对学习损失值用于优化活体检测模型的模型参数。

S108，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值；

在本说明书一个实施例中，基于预设的类别预测损失函数计算类别预测结果对应的类别预测损失值，类别预测损失值用于优化活体检测模型的模型参数。

S110，基于比对学习损失值和类别预测损失值更新活体检测模型的模型参数；

在本说明书一个实施例中，在计算得到比对学习损失值和类别预测损失值之后，基于比对学习损失值和类别预测损失值更新活体检测模型的模型参数。

可选的，在本说明书一个实施例中，在基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征之后，将内容特征经梯度反转层网络后输入至域判别器，由域判别器根据内容特征判别对应的样本训练图像所属的领域，得到内容特征对应的样本训练图像的领域判断结果，然后基于领域判别结果和样本训练图像对应的领域类别标签，通过预设的对抗学习损失函数计算得到对抗学习损失值，基于对抗学习损失值更新活体检测模型的模型参数。

S112，判断参数更新的活体检测模型是否满足预设收敛条件，若满足，则停止训练，得到训练完成的活体检测模型，若不满足，则执行步骤S104。

在本说明书实施例中，获取训练图像数据集，训练图像数据集包括各样本训练图像以及各样本训练图像分别对应的领域类别标签和内容类别标签，将预设数量的样本训练图像输入至活体检测模型中，基于活体检测模型将各样本训练图像进行比对学习，得到比对学习结果，以及对各样本训练图像分别进行类别预测，得到各样本训练图像分别对应的类别预测结果，然后基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值，最后基于比对学习损失值和类别预测损失值更新活体检测模型的模型参数，以得到满足预设收敛条件的训练完成的活体检测模型。通过具有不同领域特征的训练图像数据集，对活体检测模型进行训练，并在训练过程中，在各样本训练图像之间进行比对学习，可使活体检测模型学习到跨域不变的特征以及泛化性可分特征，增强活体检测模型的跨域泛化性以及鲁棒性，保证活体检测模型在新场景部署时的稳定性。

请参见图2，为本说明书实施例提供的一种活体检测模型训练方法的流程示意图，活体检测模型训练方法可以包括以下步骤：

S202，获取训练图像数据集，训练图像数据集包括各样本训练图像以及各样本训练图像分别对应的领域类别标签和内容类别标签；

在本说明书一个实施例中，步骤S202请参见本说明书另一实施例中对步骤S102的详细描述，在此不再赘述。

S204，将预设数量的样本训练图像输入至活体检测模型中，基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征，图像特征包括领域特征和内容特征；

在本说明书一个实施例中，活体检测模型包括特征提取网络，将训练图像数据集中预设数量的样本训练图像输入至活体检测模型中，基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征。其中，图像特征包括领域特征和内容特征。

其中，特征提取网络可以为基于ResNet50架构的深度卷积神经网络。

图像特征包括领域特征和内容特征。其中，领域特征为用于表示样本训练图像所属领域类别的特征，内容特征为用于表示样本训练图像中脸部纹理信息的特征。领域特征用于预测样本训练图像所属的领域类别，内容特征用于预测样本训练图像所属的内容类别，内容类别可以包括活体和攻击两种，领域类别可以包括预设的至少两种。

可以理解的是，样本训练图像包括属于不同领域类别、不同内容类别的图像。在将一定数量的样本训练图像输入至活体检测模型中，活体检测模型中的特征提取网络对各样本训练图像进行特征提取处理后，得到各样本训练图像分别对应的领域特征和内容特征，并根据各样本训练图像分别对应的领域特征和内容特征，对各样本训练图像进行比对学习，得到比对学习结果，比对学习可增强活体检测模型对图像域信息的学习能力，提高活体检测模型的跨域泛化性。根据各样本训练图像分别对应的领域特征和内容特征，对各样本训练图像进行领域预测和内容预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果，基于预测结果和实际标签对活体检测模型的模型参数进行优化，可提高活体检测模型的预测准确性。

在本说明书一个实施例中，活体检测模型还包括域委派网络，图像特征包括领域特征和内容特征，在基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征之后，基于活体检测模型中的域委派网络将各样本训练图像分别对应的领域特征和各样本训练图像分别对应的内容特征进行随机组合，得到各组合特征，然后将各组合特征进行比对学习，得到比对学习结果。

可以理解的是，在基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征之后，在域委派网络中将各领域特征和各内容特征进行随机组合，可增强样本多样性。

可选的，域委派网络可以为用于特征组合的网络，即用于将内容特征和领域特征进行随机组合，还可以为用于特征融合的深度卷积神经网络。当域委派网络为深度卷积神经网络时，用于将各内容特征和各领域特征进行随机特征融合，得到各融合特征，然后将各融合特征进行比对学习，得到比对学习结果。使得内容特征和域特征的融合也可以实现端到端的学习，已得到更好的泛化特征。

在本说明书一个实施例中，活体检测模型还包括多层感知机网络，图像特征包括领域特征和内容特征，在基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征之后，基于活体检测模型中的多层感知机对各领域特征进行特征增强处理，得到增强后的各领域特征，基于活体检测模型中的域委派网络将各样本训练图像分别对应的内容特征和增强后的各领域特征进行随机组合，得到各组合特征。

S206，对各样本训练图像分别对应的图像特征进行比对学习，得到比对学习结果；

比对学习是将正样本和负样本在特征空间对比，学习样本的特征表示。在本说明书实施例中，通过将不同领域类别的样本训练图像进行比对学习，强化活体检测模型对图像域信息的学习强化，提升活体检测模型的跨域泛化性。

可以理解的是，样本训练图像包括属于不同领域类别、不同内容类别的图像。在将一定数量的样本训练图像输入至活体检测模型中，活体检测模型中的特征提取网络对各样本训练图像进行特征提取处理后，得到各样本训练图像分别对应的领域特征和内容特征，并根据各样本训练图像分别对应的领域特征和内容特征，对各样本训练图像进行比对学习，得到比对学习结果，比对学习可增强活体检测模型对图像域信息的学习能力，提高活体检测模型的跨域泛化性。

S208，基于活体检测模型中的类别预测网络对领域特征和内容特征进行类别预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果；

在本说明书一个实施例中，在得到各样本训练图像分别对应的领域特征和内容特征之后，根据各样本训练图像分别对应的领域特征和内容特征，对各样本训练图像进行领域预测和内容预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果，基于预测结果和实际标签对活体检测模型的模型参数进行优化，可提高活体检测模型的预测准确性。

S210，基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值；

在本说明书一个实施例中，基于预设的比对学习损失函数计算比对学习结果对应的比对学习损失值，比对学习损失值用于优化活体检测模型的模型参数。

S212，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值；

在本说明书一个实施例中，基于预设的类别预测损失函数计算类别预测结果对应的类别预测损失值，类别预测损失值用于优化活体检测模型的模型参数。

可以理解的是，各样本训练图像本身即存在对应的领域类别标签和内容类别标签，在基于活体检测模型中的特征提取网络对各样本训练图像进行特征提取处理，得到各样本训练图像分别对应的领域特征和内容特征之后，类别预测网络对各内容特征和各领域特征进行类别预测，得到内容特征对应的内容预测结果和领域特征对应的领域预测结果，基于领域预测结果、内容预测结果、领域类别标签、内容预测标签，通过预设的类别预测损失函数计算类别预测损失值。类别预测损失值用于优化活体检测模型的模型参数。

S214，基于比对学习损失值和类别预测损失值更新活体检测模型的模型参数；

在本说明书一个实施例中，在计算得到比对学习损失值和类别预测损失值之后，基于比对学习损失值和类别预测损失值更新活体检测模型的模型参数。

可选的，在本说明书一个实施例中，在基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征之后，将内容特征经梯度反转层网络后输入至域判别器，由域判别器根据内容特征判别对应的样本训练图像所属的领域，得到内容特征对应的样本训练图像的领域判断结果，然后基于领域判别结果和样本训练图像对应的领域类别标签，通过预设的对抗学习损失函数计算得到对抗学习损失值，基于对抗学习损失值更新活体检测模型的模型参数。

S216，判断参数更新的活体检测模型是否满足预设收敛条件，若满足，则停止训练，得到训练完成的活体检测模型，若不满足，则执行步骤S204。

请参见图3，为本说明书实施例提供的一种活体检测模型的模型架构图。如图3所示，所示活体检测模型包括特征提取网络、多层感知机、域委派网络、类别预测网络。

基于如图3所示的模型架构图，对输入至活体检测模型的样本训练图像，首先由特征提取网络对样本训练图像进行特征提取处理，得到样本训练图像对应的内容特征和领域特征，将领域特征经过多层感知机进行特征增强，然后在域委派网络将内容特征和领域特征进行特征随机组合，得到各组合特征，对各组合特征进行比对学习，得到比对学习结果，以及对各组合特征分别进行类别预测，得到类别预测结果。基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值，然后基于比对学习损失值和类别预测损失值更新活体检测模型的模型参数。

在本说明书实施例中，获取训练图像数据集，将预设数量的样本训练图像输入至活体检测模型中，基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的领域特征和内容特征，然后对各样本训练图像分别对应的图像特征进行比对学习，得到比对学习结果，基于活体检测模型中的类别预测网络对领域特征和内容特征进行类别预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果，基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值，最后基于比对学习损失值和类别预测损失值更新活体检测模型的模型参数；在模型训练过程中，在各样本训练图像对应的图像特征之间进行比对学习，可使活体检测模型学习到跨域不变的特征以及泛化性可分特征，增强活体检测模型的跨域泛化性以及鲁棒性，保证活体检测模型在新场景部署时的稳定性。

请参见图4，为本说明书实施例提供的一种活体检测模型训练方法的流程示意图，活体检测模型训练方法可以包括以下步骤：

S302，获取训练图像数据集，训练图像数据集包括各样本训练图像以及各样本训练图像分别对应的领域类别标签和内容类别标签；

在本说明书一个实施例中，步骤S302请参见本说明书另一实施例中对步骤S102的详细描述，在此不再赘述。

S304，将预设数量的样本训练图像输入至活体检测模型中，基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的图像特征，图像特征包括领域特征和内容特征；

在本说明书一个实施例中，步骤S304请参见本说明书另一实施例中对步骤S204的详细描述，在此不再赘述。

S306，将内容特征经梯度反转层输入至域判别器，得到样本训练图像对应的领域判别结果；

在本说明书一个实施例中，活体检测模型还包括梯度反转层网络和域判别器，在得到各样本训练图像分别对应的领域特征和内容特征之后，将内容特征经梯度反转层输入值域判别器，由域判别器根据内容特征判别对应的样本训练图像所属的领域，得到内容特征对应的样本训练图像的领域判断结果。

S308，对各样本训练图像分别对应的图像特征进行比对学习，得到比对学习结果；

比对学习是将正样本和负样本在特征空间对比，学习样本的特征表示。在本说明书实施例中，通过将不同领域类别的样本训练图像进行比对学习，强化活体检测模型对图像域信息的学习强化，提升活体检测模型的跨域泛化性。

可以理解的是，样本训练图像包括属于不同领域类别、不同内容类别的图像。在将一定数量的样本训练图像输入至活体检测模型中，活体检测模型中的特征提取网络对各样本训练图像进行特征提取处理后，得到各样本训练图像分别对应的领域特征和内容特征，并根据各样本训练图像分别对应的领域特征和内容特征，对各样本训练图像进行比对学习，得到比对学习结果，比对学习可增强活体检测模型对图像域信息的学习能力，提高活体检测模型的跨域泛化性。

S310，基于活体检测模型中的类别预测网络对领域特征和内容特征进行类别预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果；

在本说明书一个实施例中，在得到各样本训练图像分别对应的领域特征和内容特征之后，根据各样本训练图像分别对应的领域特征和内容特征，对各样本训练图像进行领域预测和内容预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果，基于预测结果和实际标签对活体检测模型的模型参数进行优化，可提高活体检测模型的预测准确性。

S312，基于领域判别结果和样本训练图像对应的领域类别标签，通过预设的对抗学习损失函数计算得到对抗学习损失值；

在本说明书一个实时例中，在得到域判别器对内容特征的领域判别结果之后，基于领域判别结果和内容特征对应的样本训练图像对应的领域类别标签，通过预设的对抗学习损失函数计算得到领域判别结果对应的对抗学习损失值。

需要说明的是，梯度反转层用于将内容特征进行梯度反转，使得域判别器预测领域判别结果和特征提取网络的提取内容特征之间形成对抗学习关系，基于预设对抗学习损失函数进行学习约束，使得内容特征不断从域信息中进行解耦，使得学习后的特征提取网络针对各样本训练图像提取的内容特征既可以实现准确判别域信息，又使得域信息尽可能无法判别，使得网络无法对内容特征和领域特征进行数据域层面的区分，提高活体检测模型的跨域泛化性。

S314，基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值；

在本说明书一个实施例中，基于预设的比对学习损失函数计算比对学习结果对应的比对学习损失值，比对学习损失值用于优化活体检测模型的模型参数。

S316，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值；

在本说明书一个实施例中，基于预设的类别预测损失函数计算类别预测结果对应的类别预测损失值，类别预测损失值用于优化活体检测模型的模型参数。

可以理解的是，各样本训练图像本身即存在对应的领域类别标签和内容类别标签，在基于活体检测模型中的特征提取网络对各样本训练图像进行特征提取处理，得到各样本训练图像分别对应的领域特征和内容特征之后，类别预测网络对各内容特征和各领域特征进行类别预测，得到内容特征对应的内容预测结果和领域特征对应的领域预测结果，基于领域预测结果、内容预测结果、领域类别标签、内容预测标签，通过预设的类别预测损失函数计算类别预测损失值。类别预测损失值用于优化活体检测模型的模型参数。

S318，基于对抗学习损失值、比对学习损失值和类别预测损失值更新活体检测模型的模型参数；

S320，判断参数更新的活体检测模型是否满足预设收敛条件，若满足，则停止训练，得到训练完成的活体检测模型，若不满足，则执行步骤S304。

请参见图5，为本说明书实施例提供的一种活体检测模型的模型架构图。如图5所示，所示活体检测模型包括特征提取网络、多层感知机、域委派网络、类别预测网络、梯度反转层、域判别器。

基于如图5所示的模型架构图，对输入至活体检测模型的样本训练图像，首先由特征提取网络对样本训练图像进行特征提取处理，得到样本训练图像对应的内容特征和领域特征，将领域特征经过多层感知机进行特征增强，然后在域委派网络将内容特征和领域特征进行特征随机组合，得到各组合特征，对各组合特征进行比对学习，得到比对学习结果，以及对各组合特征分别进行类别预测，得到类别预测结果，以及将内容特征经梯度反转层后输入至域判别器，得到针对内容特征域判别结果。基于领域判别结果和样本训练图像对应的领域类别标签，通过预设的对抗学习损失函数计算得到对抗学习损失值，基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值，然后基于对抗学习损失值、比对学习损失值和类别预测损失值更新活体检测模型的模型参数。

在本说明书实施例中，获取训练图像数据集，将预设数量的样本训练图像输入至活体检测模型中，基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的领域特征和内容特征，将内容特征经梯度反转层输入至域判别器，得到样本训练图像对应的领域判别结果，对各样本训练图像分别对应的图像特征进行比对学习，得到比对学习结果，基于活体检测模型中的类别预测网络对领域特征和内容特征进行类别预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果，然后基于领域判别结果和样本训练图像对应的领域类别标签，通过预设的对抗学习损失函数计算得到对抗学习损失值，基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值，最后基于对抗学习损失值、比对学习损失值和类别预测损失值更新活体检测模型的模型参数；采用本说明书实施例提供的活体检测模型训练方法，在模型训练过程中，通过设置对抗学习和比对学习，使活体检测模型学习到跨域不变的特征以及泛化性可分特征，增强活体检测模型的跨域泛化性，保证活体检测模型在新场景部署时的稳定性。

请参见图6，为本说明书实施例提供的一种活体检测方法的流程示意图。在本说明书实施例中实施例中，所述活体检测方法应用于活体检测装置或配置有活体检测装置的电子设备。下面将针对图6所示的流程进行详细的阐述，所述活体检测方法具体可以包括以下步骤：

S402，获取待检测人脸图像；

在本说明书一个实施例中，活体检测装置获取待检测人脸图像。

可选的，待检测人脸图像可以为基于图像采集装置采集的人脸图像。

可选的，待检测人脸图像可以为不法分子通过图像注入攻击输入的人脸图像。

S404，将待检测人脸图像输入至采用如上述的活体检测模型训练方法得到的训练完成的活体检测模型中，得到待检测人脸图像对应的内容预测结果。

在本说明书一个实施例中，将待检测人脸图像输入至采用如上述的活体检测模型训练方法得到的训练完成的活体检测模型中，由活体检测模型中特征提取网络对待检测人脸图像进行特征提取处理，得到待检测人脸图像对应的领域特征和内容特征，并将领域特征经过多层感知机网络进行特征增强，得到特征增强后的领域特征，然后由域委派网络对内容特征和领域特征进行特征融合，得到融合特征，最后由活体检测模型中的类别预测网络进行类别预测，得到待检测人脸图像对应的内容预测结果。

内容预测结果为用于表征待检测人脸图像中对应的人脸是活体还是攻击。

一般来说，当待检测人脸图像为图像采集装置采集的真实人脸的图像时，此时待检测人脸图像中的对应的人脸为活体。当待检测人脸图像为图像采集装置采集的人脸模型、人脸面具对应的图像或待检测人脸图像为不法分子通过图像注入攻击输入的人脸图像时，此时待检测人脸图像中的对应的内容预测结果为攻击。

请参见图7，为本说明书实施例提供的一种活体检测的场景示意图。如图7所示，所示电子设备为用于进行人脸识别的设备，其上配置有活体检测装置和图像采集装置，当人靠近该设备并在图像采集装置的图像采集范围内时，图像采集装置会采集靠近人员的人脸图像，并将采集的待检测人脸图像输入值活体检测装置中的活体检测模型中，活体检测模型对输入待检测人脸图像进行活体检测。

在本说明书实施例中，采用如上述实施例提供的活体检测模型训练方法训练得到的活体检测模型进行活体检测，活体检测模型具有极强的跨域泛化性，即使面对不同场景、不同领域的待检测人脸图像，也可以保持高精度的活体检测效果。

请参见图8，为本说明书实施例提供的一种活体检测模型训练装置的结构示意图。如图8所示，该活体检测模型训练装置1可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。根据一些实施例，该活体检测模型训练装置1包括训练图像获取模块11、学习预测模块12、比对损失计算模块13、预测损失计算模块14、模型参数更新模块15、模型收敛判定模块16，具体包括：

训练图像获取模块11，用于获取训练图像数据集，所述训练图像数据集包括各样本训练图像以及各样本训练图像分别对应的领域类别标签和内容类别标签；

学习预测模块12，用于将预设数量的样本训练图像输入至活体检测模型中，基于所述活体检测模型将各所述样本训练图像进行比对学习，得到比对学习结果，以及对各所述样本训练图像分别进行类别预测，得到各所述样本训练图像分别对应的类别预测结果；

比对损失计算模块13，用于基于所述比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值；

预测损失计算模块14，用于基于所述类别预测结果、所述领域类别标签和所述内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值；

模型参数更新模块15，用于基于所述比对学习损失值和所述类别预测损失值更新所述活体检测模型的模型参数；

模型收敛判定模块16，用于判断参数更新的活体检测模型是否满足预设收敛条件，若满足，则停止训练，得到训练完成的活体检测模型，若不满足，则执行所述将预设数量的样本训练图像输入至活体检测模型中的步骤。

可选的，请参见图9，为本说明书实施例提供的一种学习预测模块的结构示意图。如图9所示，所述学习预测模块12，包括：

特征提取单元121，用于基于所述活体检测模型中的特征提取网络对各所述样本训练图像分别进行特征提取处理，得到各所述样本训练图像分别对应的图像特征，所述图像特征包括领域特征和内容特征；

比对学习单元122，用于对各所述样本训练图像分别对应的图像特征进行比对学习，得到所述比对学习结果；

类别预测单元123，用于基于所述活体检测模型中的类别预测网络对所述领域特征和所述内容特征进行类别预测，得到各所述样本训练图像分别对应的领域预测结果和内容预测结果。

可选的，所述比对学习单元，具体用于：

基于所述活体检测模型中的域委派网络将各所述样本训练图像分别对应的所述领域特征和各所述样本训练图像分别对应的所述内容特征进行随机组合，得到各组合特征；

将各所述组合特征进行比对学习，得到所述比对学习结果。

可选的，所述比对学习单元在执行所述基于所述活体检测模型中的域委派网络将各所述样本训练图像分别对应的所述领域特征和各所述样本训练图像分别对应的所述内容特征进行随机组合，得到各组合特征时，具体用于：

基于所述活体检测模型中的多层感知机对各所述领域特征进行特征增强处理，得到增强后的各所述领域特征；

基于所述活体检测模型中的域委派网络将各所述样本训练图像分别对应的所述内容特征和增强后的各所述领域特征进行随机组合，得到各组合特征。

可选的，所述比对学习单元，还用于：

基于所述活体检测模型中的特征融合网络将各所述样本训练图像分别对应的所述领域特征和各所述样本训练图像分别对应的所述内容特征进行随机特征融合，得到各融合特征；

将各所述融合特征进行比对学习，得到所述比对学习结果。

可选的，请参见图10，为本说明书实施例提供的一种学习预测模块的结构示意图。如图10所示，所述学习预测模块12还包括对抗学习单元124，用于：

将所述内容特征经梯度反转层输入至域判别器，得到所述样本训练图像对应的领域判别结果；

基于所述领域判别结果和所述样本训练图像对应的领域类别标签，通过预设的对抗学习损失函数计算得到对抗学习损失值；

所述模型参数更新模块15，具体用于：

基于所述对抗学习损失值、所述比对学习损失值和所述类别预测损失值更新所述活体检测模型的模型参数。

在本说明书实施例中，获取训练图像数据集，将预设数量的样本训练图像输入至活体检测模型中，基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的领域特征和内容特征，然后对各样本训练图像分别对应的图像特征进行比对学习，得到比对学习结果，基于活体检测模型中的类别预测网络对领域特征和内容特征进行类别预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果，基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值，最后基于比对学习损失值和类别预测损失值更新活体检测模型的模型参数；在模型训练过程中，在各样本训练图像对应的图像特征之间进行比对学习，可使活体检测模型学习到跨域不变的特征以及泛化性可分特征，增强活体检测模型的跨域泛化性，保证活体检测模型在新场景部署时的稳定性。

需要说明的是，上述实施例提供的活体检测模型训练装置在执行活体检测模型训练方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的活体检测模型训练装置与活体检测模型训练方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

请参见图11，为本说明书实施例提供的一种活体检测装置的结构示意图。如图11所示，该活体检测装置2可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。根据一些实施例，该活体检测装置2包括图像获取模块21、活体检测模块22，具体包括：

图像获取模块21，用于获取待检测人脸图像；

活体检测模块22，用于将所述待检测人脸图像输入至采用活体检测模型训练方法得到的训练完成的活体检测模型中，得到所述待检测人脸图像对应的内容预测结果。

在本说明书实施例中，采用如上述实施例提供的活体检测模型训练方法训练得到的活体检测模型进行活体检测，活体检测模型具有极强的跨域泛化性，即使面对不同场景、不同领域的待检测人脸图像，也可以保持高精度的活体检测效果。

需要说明的是，上述实施例提供的活体检测装置在执行活体检测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的活体检测装置与活体检测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

本说明书实施例还提供的一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1～图7所示实施例的所述活体检测模型训练方法，具体执行过程可以参见图1～图7所示实施例的具体说明，在此不进行赘述。

本说明书还提供的一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行如上述图1～图7所示实施例的所述活体检测模型训练方法，具体执行过程可以参见图1～图7所示实施例的具体说明，在此不进行赘述。

请参考图12，为本说明书实施例提供的一种电子设备的结构方框图。本说明书中的电子设备可以包括一个或多个如下部件：处理器110、存储器120、输入装置130、输出装置140和总线150。处理器110、存储器120、输入装置130和输出装置140之间可以通过总线150连接。

处理器110可以包括一个或者多个处理核心。处理器110利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器120内的指令、程序、代码集或指令集，以及调用存储在存储器120内的数据，执行终端100的各种功能和处理数据。可选地，处理器110可以采用数字信号处理(digital signal processing，DSP)、现场可编程门阵列(field－programmable gate array，FPGA)、可编程逻辑阵列(programmable logicArray，PLA)中的至少一种硬件形式来实现。处理器110可集成中心处理器(centralprocessing unit，CPU)、图像处理器(graphics processing unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器110中，单独通过一块通信芯片进行实现。

存储器120可以包括随机存储器(random Access Memory，RAM)，也可以包括只读存储器(read-only memory，ROM)。可选地，该存储器120包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器120可用于存储指令、程序、代码、代码集或指令集。

其中，输入装置130用于接收输入的指令或数据，输入装置130包括但不限于键盘、鼠标、摄像头、麦克风或触控设备。输出装置140用于输出指令或数据，输出装置140包括但不限于显示设备和扬声器等。在本说明书实施例中，输入装置130可以为温度传感器，用于获取终端的运行温度。输出装置140可以为扬声器，用于输出音频信号。

除此之外，本领域技术人员可以理解，上述附图所示出的终端的结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、无线保真(wirelessfidelity，WIFI)模块、电源、蓝牙模块等部件，在此不再赘述。

在本说明书实施例中，各步骤的执行主体可以是上文介绍的终端。可选地，各步骤的执行主体为终端的操作系统。操作系统可以是安卓系统，也可以是IOS系统，或者其它操作系统，本说明书实施例对此不作限定。

在图12的电子设备中，处理器110可以用于调用存储器120中存储的活体检测模型训练程序，并执行以实现如本说明书各个方法实施例所述的活体检测模型训练方法。

在本说明书实施例中，获取训练图像数据集，将预设数量的样本训练图像输入至活体检测模型中，基于活体检测模型中的特征提取网络对各样本训练图像分别进行特征提取处理，得到各样本训练图像分别对应的领域特征和内容特征，然后对各样本训练图像分别对应的图像特征进行比对学习，得到比对学习结果，基于活体检测模型中的类别预测网络对领域特征和内容特征进行类别预测，得到各样本训练图像分别对应的领域预测结果和内容预测结果，基于比对学习结果，通过预设的比对学习损失函数计算得到比对学习损失值，基于类别预测结果、领域类别标签和内容类别标签，通过预设的类别预测损失函数计算得到类别预测损失值，最后基于比对学习损失值和类别预测损失值更新活体检测模型的模型参数；在模型训练过程中，在各样本训练图像对应的图像特征之间进行比对学习，可使活体检测模型学习到跨域不变的特征以及泛化性可分特征，增强活体检测模型的跨域泛化性，保证活体检测模型在新场景部署时的稳定性。

本领域的技术人员可以清楚地了解到本说明书的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列(Field－Programmable GateArray，FPGA)、集成电路(Integrated Circuit，IC)等。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书并不受所描述的动作顺序的限制，因为依据本说明书，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本说明书所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本说明书所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本说明书各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。

以上所述者，仅为本说明书的示例性实施例，不能以此限定本说明书的范围。即但凡依本说明书教导所作的等效变化与修饰，皆仍属本说明书涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的范围和精神由权利要求限定。