(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210274678.3 (22)申请日 2022.03.21 (65)同一申请的已公布的文献号 申请公布号 CN 114373218 A (43)申请公布日 2022.04.19 (73)专利权人 北京万里红科技有限公司 地址 100081 北京市海淀区大柳树 富海中 心3号楼204室 (72)发明人 王明魁　李茂林　 (74)专利代理 机构 北京思睿峰知识产权代理有 限公司 1 1396 专利代理师 高攀 (51)Int.Cl. G06V 40/18(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 111428654 A,2020.07.17 CN 108427871 A,2018.08.21 CN 111611851 A,2020.09.01 CN 106709568 A,2017.0 5.24 CN 108664839 A,2018.10.16 CN 109978077 A,2019.07.0 5 US 2020394289 A1,2020.12.17 US 201827648 8 A1,2018.09.27 CN 112949353 A,2021.0 6.11 宋平.基于光场成像的虹膜活体 检测方法研 究. 《中国优秀硕士学位 论文全文数据库_信息科 技辑》 .2019, 汪亚航.基于深度学习的人脸活体 检测算法 研究. 《中国优秀硕士学位 论文全文数据库_信息 科技辑》 .2022, (续) 审查员 雷欢 (54)发明名称 一种用于检测活体对象的卷积网络的生成 方法 (57)摘要 本公开公开了一种用于检测活体对象的卷 积网络的生成方法， 包括步骤： 获取包含眼部区 域的红外图像及三维坐标信息并进行处理， 以生 成包含虹膜的第一图像和第二图像、 以及指示虹 膜深度信息的标签图像； 将第一图像输入初始的 卷积网络进行处理， 输出第一预测结果、 第二预 测结果和第三预测结果； 基于第一预测结果与标 签图像， 计算第一损失值， 并根据第一损失值调 整卷积网络的第一网络参数， 直至满足预定条 件， 得到中间的卷积网络； 将第二图像输入中间 的卷积网络， 输出第三预测结果； 基于第一图像 和第二图像分别对应的第三预测结果， 计算第二 损失值， 并根据第二损失值调整第二网络参数，直至满足预定条件， 最终生 成用于检测活体对象 的卷积网络 。 [转续页] 权利要求书3页 说明书12页 附图7页 CN 114373218 B 2022.06.14 CN 114373218 B (56)对比文件 Ranjana Koshy等.Optimizi ng Deep CNN Architectures for Face L iveness Detection. 《Entropy》 .2019,第21卷(第4期), Lingxiao He等.Multi-patc h Convolution Neural Netw ork for Iris L iveness Detection. 《2016 IE EE 8th Internati onal Conference o n Biometrics Theory, Applications and System s (BTAS)》 .2016,2/2 页 2[接上页] CN 114373218 B1.一种用于检测活体对象的卷积网络的生成方法， 包括 步骤： 获取包含眼部区域的红外图像及三维坐标信息； 对所述红外 图像及三维坐标信息进行处理， 以生成包含虹膜的第一图像和第二图像、 以及指示虹膜深度信息的标签图像； 将所述第一图像输入初始 的卷积网络进行处理， 卷积网络包括耦接的参数共享组件、 深度估计组件和分块对抗组件， 经所述深度估计组件输出第一预测结果， 经所述分块对抗 组件输出第二预测结果和第三预测结果； 基于所述第一预测结果与标签图像， 计算第一损 失值， 并根据所述第一损 失值调整卷 积网络的第一网络参数， 直至满足预定条件， 得到中间的卷积网络； 将所述第二图像输入中间的卷积网络， 经所述参数共享组件和分块对抗组件处理后， 输出第三预测结果； 基于所述第 一图像对应的第 三预测结果和所述第 二图像对应的第 三预测结果， 计算第 二损失值， 并根据所述第二损失值调整第二网络参数， 直至满足预定条件， 所对应的卷积网 络就是最终生成的用于检测活体对象的卷积网络， 其中所述第一网络参数包括： 所述参数共享组件的网络参数、 所述深度估计组件的网 络参数和所述分块对抗组件的网络参数； 所述第二网络参数包括： 所述分块对抗组件的网 络参数。 2.如权利要求1所述的方法， 其中， 所述对红外 图像及三维坐标信息进行处理， 以生成 包含虹膜的第一图像和第二图像、 以及指示虹膜深度信息的标签图像的步骤 包括： 对所述红外图像进行虹膜检测， 以确定出虹膜的位置信息； 基于所述虹膜的位置信息， 从所述红外图像中确定出虹膜区域， 来作为第一图像； 对所述第一图像进行分块处 理， 来生成第二图像； 从所述三维坐标信息中， 确定虹膜区域的深度坐标； 对所述深度坐标进行归一 化， 以生成标签图像。 3.如权利要求2所述的方法， 其中， 所述对第一图像进行分块处理， 来生成第二图像的 步骤包括： 对所述第一图像进行分块处 理， 得到多个图像块； 在图像的行 方向上， 对各 行的图像块分别进行随机排序， 得到中间乱序图像； 在图像的列方向上， 对所述中间乱序图像中各列的图像块分别进行随机排序， 得到第 二图像。 4.如权利要求1所述的方法， 其中， 所述深度估计组件和所述分块对抗组件分别与 所述 参数共享组件耦接， 所述参数共享组件适于提取输入图像的细节特 征， 并生成特 征图； 所述深度估计组件适于对所述特征图进行特征编码， 输出预测所述输入图像的深度信 息的第一预测结果； 所述分块对抗组件适于提取所述特征图的高层特征， 输出预测所述输入图像中的虹膜 不是假体虹膜的第二预测结果、 以及所述输入图像是否为分块图像的第三预测结果； 以及 所述深度估计组件 包括： 第一特征编码模块， 适于对所述特 征图进行 特征编码， 输出第一特 征图；权　利　要　求　书 1/3 页 2 CN 114373218 B 3