具有虹膜质量和攻击检测知识的模型生成方法及装置与流程

1.本技术涉及模型生成技术领域，具体涉及一种具有虹膜质量和攻击检测知识的模型生成方法及装置。


背景技术：

2.虹膜识别作为一种高度可靠的身份鉴别方法，在应用中的实际识别性能很大程度上与采集的虹膜图像质量密切相关，通过虹膜质量检测去掉不符合识别要求的模糊、严重遮挡和变形等低质量虹膜图像，从而起到提高虹膜识别性能的作用。另外，呈现攻击一直是虹膜识别技术所面临的主要安全风险，通过呈现攻击检测能区分是真体虹膜还是非真体虹膜，其中，非真体虹膜是指假体类型的虹膜，假体类型包括打印和其它显示设备，同样对提高虹膜识别性能起到重要作用。
3.目前，针对虹膜呈现攻击检测和虹膜质量检测，一般采用的方式为：分别针对性地开发独立的模型，但是由于边缘设备计算资源有限，此方式进行模型开发会消耗较多的计算资源，延迟会增加。


技术实现要素：

4.为了减少计算资源的消耗，本技术提供一种具有虹膜质量和攻击检测知识的模型生成方法及装置。
5.在本技术的第一方面提供了一种具有虹膜质量和攻击检测知识的模型生成方法，具体包括：获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据，所述第一训练数据具有第一标签，所述第二训练数据具有第二标签，所述第一训练数据中存在具有所述第二标签的数据，所述第二训练数据中存在具有所述第一标签的数据，所述第一标签为虹膜呈现攻击检测标签，所述第二标签为虹膜质量检测标签；采用所述第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用所述第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型；从所述第一训练数据和所述第二训练数据中筛选第三训练数据，采用所述第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型，所述第三训练数据同时具有所述第一标签和所述第二标签；基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型。
6.通过采用上述技术方案，获取到第一训练数据和第二训练数据，单独采用第一训练数据对虹膜呈现攻击检测模型进行训练，得到具有检测呈现攻击功能的虹膜呈现攻击检测教师网络模型，同理单独再采用第二训练数据对虹膜质量检测模型进行训练，得到具有
检测虹膜质量的虹膜质量检测教师网络模型。接着从第一训练数据和第二训练数据中，筛选出具有第一标签和第二标签的第三训练数据，对学生网络模型进行训练，从而得到具有呈现攻击检测和虹膜质量检测两种任务的初步知识的初级学生网络模型。最后，通过知识蒸馏策略，将虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型中的知识较好地的迁移到初级学生网络模型中，从而得到联合虹膜质量和呈现攻击检测的模型，无需单独针对虹膜质量检测和虹膜呈现攻击检测开发模型，进而减少计算资源的消耗。
7.可选的，所述基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型，具体包括：采用所述第一训练数据分别对所述虹膜质量检测教师网络模型和所述初级学生网络模型进行第一训练，以将所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型；在第一训练后，采用所述第二训练数据分别对所述虹膜呈现攻击检测教师网络模型和第一训练后的初级学生网络模型进行第二训练，以将述虹膜呈现攻击检测教师网络模型的知识迁移至所述初级学生网络模型；基于交替训练衰减策略公式，交替进行所述第一训练和所述第二训练，得到具有虹膜质量和攻击检测知识的模型。
8.通过采用上述技术方案，将第一训练数据，即虹膜呈现攻击相关的虹膜数据同时输入至虹膜质量检测教师网络模型和初级学生网络模型中，进行第一训练，使得第一训练数据训练初级学生网络模型同时，初级学生网络模型还能学习到虹膜质量检测教师网络模型的知识。接着交替进行第二训练，将第二训练数据输入至虹膜呈现攻击检测教师网络模型和初级学生网络模型中，使得初级学生网络模型学习到虹膜呈现攻击检测教师网络模型的知识。最后为了避免交替训练频率较高，初级学生网络模型的损失值波动较大，基于交替训练衰减策略公式，合理交替进行第一训练和第二训练，有助于更好地进行知识迁移，从而使得交替训练后得到联合虹膜质量和呈现攻击检测的模型准确性较高。
9.可选的，所述交替训练衰减策略公式为：式中，γ表示衰减系数，a表示当前交替次数，b表示衰减截止次数，n表示训练的总的回合数，当a大于等于b时，每个回合交替训练，r表示第一训练或第二训练的训练轮数。
10.通过采用上述技术方案，如果当前交替次数大于等于衰减截止次数，那么确定训练轮数为1，即进行1轮第一训练，再交替进行1轮第二训练；如果当前交替次数小于衰减截止次数，那么确定训练轮为n
×
exp(-γ
×
a/b)，即进行n
×
exp(-γ
×
a/b)轮第一训练，再交替进行n
×
exp(-γ
×
a/b)轮第二训练，通过此交替训练衰减策略，较好地避免触及学生网络模型的损失值波动较大。
11.可选的，所述采用所述第一训练数据分别对所述虹膜质量检测教师网络模型和所述初级学生网络模型进行第一训练，具体包括：将所述第一训练数据分别输入至所述虹膜质量检测教师网络模型和所述初级学生网络模型，将所述虹膜质量检测教师网络模型三级的输出特征图进行空间特征融合处理，得到第一融合空间特征和对应的第一均值；
将所述初级学生网络模型三级的输出特征图进行空间特征融合处理，得到第二融合空间特征和对应的第二均值；通过预设的空间特征约束函数对所述第一融合空间特征和所述第二融合空间特征进行约束，所述空间特征约束函数为：式中，μ
t-iqa,k
表示第k张输出特征图的第一均值，μ
s,k
表示第k张输出特征图的第二均值，h
t-iqa,k
表示第k张输出特征图的第一融合空间特征，h
s,k
表示第k张输出特征图的第二融合空间特征，m表示输出特征图的总数，k表示第k张输出特征图，ls表示空间特征约束损失值；对所述虹膜质量检测教师网络模型和所述初级学生网络模型第三级的输出特征图进行特征提炼，得到提炼结果；通过预设的余弦距离损失函数对所述提炼结果进行语义约束，并通过预设的攻击检测损失函数对所述初级学生网络模型中的攻击检测回归头进行约束，以完成第一训练。
12.通过采用上述技术方案，进行第一训练时，将虹膜质量检测教师网络模型和初级学生网络模型三级的输出特征图分别进行空间特征融合处理后，确定虹膜质量检测教师网络模型对应的第一融合空间特征和第一均值，初级学生网络模型对应的第二融合空间特征和第二均值，并基于空间特征约束函数，对第一融合空间特征和第二融合空间特征进行约束，使得三级的输出特征图空间位置对齐，且初级学生网络模型学习到虹膜质量检测教师网络模型的空间特征分布。接着对虹膜质量检测教师网络模型和初级学生网络模型分别对应的提炼结果进行语义约束，对初级学生网络模型的攻击检测回归头进行约束，从而使得第一训练过程中，虹膜质量检测教师网络模型中的知识更好地迁移至初级学生网络模型中。
13.可选的，所述第一标签包括假体类型对应的标签，所述通过预设的攻击检测损失函数对所述初级学生网络模型中的攻击检测回归头进行约束，具体包括：若所述初级学生网络模型中的攻击检测回归头的输出结果为假体类型对应的标签，则对所述预设的攻击检测损失函数进行调整，得到调整后的攻击检测损失函数；通过所述调整后的攻击检测损失函数对所述初级学生网络模型中的攻击检测回归头进行约束，以对所述输出结果进行惩罚，所述调整后的攻击检测损失函数为：lb＝-g
label≠2
×
logpt-g
label＝2
×
(1-pt)
α
logpt式中，lb为调整后的攻击检测损失函数计算的攻击检测损失值，pt表示输出概率值，g表示攻击检测回归头输出结果对应的标签向量掩膜，α表示惩罚系数，label≠2表示输出结果不为假体类型对应的标签，label＝2表示输出结果为假体类型对应的标签。
14.通过采用上述技术方案，由于输出结果为假体类型对应的标签时，会存在误识别的问题，为了解决此问题，对假体类型对应的标签对应的输出结果进行惩罚。在对初级学生网络模型中攻击检测回归头进行约束，如果输出结果为假体类型对应的标签时，需要对预设的攻击检测损失函数进行调整，并按照调整后的攻击检测损失函数进行约束，从而使得后续联合虹膜质量和呈现攻击检测的模型准确性更高，避免误识别的情况。
15.可选的，所述基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型，具体包括：采用所述第一训练数据分别对所述虹膜质量检测教师网络模型和所述初级学生
网络模型进行第一训练，以将所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型；基于模型剪枝策略，对所述虹膜呈现攻击检测教师网络模型的模型参数进行修剪微调，得到微调后的攻击检测模型参数和对应的目标掩膜；采用所述第二训练数据对第一训练后的初级学生网络模型进行第二训练，并基于所述微调后的攻击检测模型参数、所述目标掩膜以及整体损失函数对第一训练后的初级学生网络模型的模型参数进行修正，得到具有虹膜质量和攻击检测知识的模型。
16.通过采用上述技术方案，初级学生网络模型确定后，采用第一训练数据对虹膜质量检测教师网络模型和初级学生网络模型进行第一训练，使得初级学生网络模型能更好地学习虹膜质量检测教师网络模型的知识。接着采用模型剪枝策略，对虹膜呈现攻击检测教师网络模型的模型参数进行修剪微调，得到微调后的攻击检测模型参数和对应目标掩膜，以得到轻量级的虹膜呈现攻击检测教师网络模型。最后采用第二训练数据对第一训练后的初级学生网络模型再进行训练，并将微调后的攻击检测模型参数、目标掩膜输入至整体损失函数，对第一训练后的初级学生网络模型在训练过程中进行损失补偿，避免初级学生网络模型遗忘呈现攻击检测的知识，有助于初级学生网络模型更好地完成知识迁移。
17.可选的，所述整体损失函数为：式中，表示微调后的攻击检测模型参数，表示第一训练后初级学生网络模型的模型参数，σ表示超参数，此时的l
b1
表示对第一训练后的初级学生网络模型中质量评价回归头对应的质量评价损失值，pm表示目标掩膜，l
sum
为整体损失值。
18.通过采用上述技术方案，将目标掩膜与初级学生网络模型的模型参数相乘得到乘积，从而使得对初级学生网络模型的模型参数进行修正，再将微调后的攻击检测模型参数减去得到的乘积，得到差值，最后将差值的二范数平方乘以超参数，再与质量评价损失值求和，最终得到整体损失值，训练过程，对整体损失值进行约束，从而避免初级学生网络模型对呈现攻击检测的知识的遗忘的同时，还能不断优化初级学生网络模型。
19.在本技术的第二方面提供了一种具有虹膜质量和攻击检测知识的模型生成装置，具体包括：训练数据获取模块，用于获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据，所述第一训练数据具有第一标签，所述第二训练数据具有第二标签，所述第一训练数据中存在具有所述第二标签的数据，所述第二训练数据中存在具有所述第一标签的数据，所述第一标签为虹膜呈现攻击检测标签，所述第二标签为虹膜质量检测标签；教师模型训练模块，用于采用所述第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用所述第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型；学生模型训练模块，用于从所述第一训练数据和所述第二训练数据中筛选第三训练数据，采用所述第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型，所述第三训练数据同时具有所述第一标签和所述第二标签；教师知识迁移模块，用于基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络
模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型。
20.通过采用上述技术方案，训练数据获取模块获取到第一训练数据和第二训练数据后，由教师模型训练模块采用第一训练数据对虹膜呈现攻击检测模型进行训练，采用第二训练数据对虹膜质量检测模型进行训练，分别得到虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型，接着由学生模型训练模块筛选出同时具有第一标签和第二标签的第三训练数据，采用第三训练数据对学生网络模型进行训练，得到初级学生网络模型。最后基于知识蒸馏策略，将虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型的知识迁移至初级学生网络模型中，得到具有虹膜质量和攻击检测知识的模型。
21.在本技术的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如第一方面中任意一项所述的方法步骤。
22.在本技术的第四方面提供了一种电子设备，具体包括：处理器、存储器及存储在存储器中并能够在处理器上运行的计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使所述电子设备执行如第一方面中任意一项所述的方法。
23.综上所述，本技术包括以下至少一种有益技术效果：获取到第一训练数据和第二训练数据，单独采用第一训练数据对虹膜呈现攻击检测模型进行训练，得到具有检测呈现攻击功能的虹膜呈现攻击检测教师网络模型，同理单独再采用第二训练数据对虹膜质量检测模型进行训练，得到具有检测虹膜质量的虹膜质量检测教师网络模型。接着从第一训练数据和第二训练数据中，筛选出具有第一标签和第二标签的第三训练数据，对学生网络模型进行训练，从而得到具有呈现攻击检测和虹膜质量检测两种任务的初步知识的初级学生网络模型。最后，通过知识蒸馏策略，将虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型中的知识较好地的迁移到初级学生网络模型中，从而得到具有虹膜质量和攻击检测知识的模型，无需单独针对虹膜质量检测和虹膜呈现攻击检测开发模型，进而减少计算资源的消耗。
附图说明
24.图1是本技术实施例提供的一种具有虹膜质量和攻击检测知识的模型生成方法的流程示意图；图2是本技术实施例提供的另一种具有虹膜质量和攻击检测知识的模型生成方法的流程示意图；图3是本技术实施例提供的一种知识迁移的结构示意图；图4是本技术实施例提供的又一种具有虹膜质量和攻击检测知识的模型生成方法的流程示意图；图5是本技术实施例提供的另一种知识迁移的结构示意图；图6是本技术实施例提供的一种具有虹膜质量和攻击检测知识的模型生成装置的结构示意图。
25.附图标记说明：11、训练数据获取模块；12、教师模型训练模块；13、学生模型训练模块；14、教师知识迁移模块。
具体实施方式
26.为了使本技术领域的人员更好地理解本说明书中的技术方案，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，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。
27.在本技术实施例的描述中，“示性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本技术实施例中被描述为“示性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
28.在本技术实施例的描述中，术语“和/或”，仅仅是一种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，单独存在b，同时存在a和b这三种情况。另外，除非另有说明，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
29.本技术公开的一种具有虹膜质量和攻击检测知识的模型生成方法的应用场景为：需要同时对虹膜图像的图像质量和虹膜图像的呈现攻击进行检测时，单独开发对应的模型来分别检测图像质量和呈现攻击，会消耗较多的边缘设备的计算资源。因此，在此应用场景下，本技术公开的一种具有虹膜质量和攻击检测知识的模型生成方法生成的模型，可以实现一个模型同时具有检测图像质量和呈现攻击功能，并且只需开发一个模型，避免消耗较多的计算资源。
30.另外，本技术的实施环境包括：终端和服务器，终端可以通过有线或者无线网络与服务器进行直接或间接地连接。具有虹膜质量和攻击检测知识的模型生成方法的执行主体为服务器，服务器可以是是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统。终端可以是诸如手机、平板电脑、电子书阅读器、多媒体播放设备、可穿戴设备、pc(personalcomputer，个人计算机)等电子设备，可以用于将训练数据上传至服务器。
31.参见图1，本技术实施例公开了一种具有虹膜质量和攻击检测知识的模型生成方法的流程示意图，可依赖于计算机程序实现，也可运行于基于冯诺依曼体系的具有虹膜质量和攻击检测知识的模型生成装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行，具体包括：s101：获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据。
32.具体的，呈现攻击(presentation attacks)称为欺骗攻击，是针对虹膜识别系统的最重要的攻击载体之一，呈现攻击的虹膜数据使得虹膜识别系统较难识别真假，导致存在较大的虹膜识别安全风险。呈现攻击检测(presentation attack detection，pad)技术也是虹膜识别系统进入高端、安全、大规模应用的最大瓶颈，主要用于判断捕捉到的人眼虹膜信息是真实虹膜，还是伪造的虹膜。其中，虹膜呈现攻击的类型包括打印、美瞳、义眼、玻璃眼球以及其它显示设备，第一训练数据为呈现攻击的虹膜数据。虹膜质量，即虹膜图像质
量，在虹膜识别系统中，虹膜图像质量的好坏将直接影响识别的精度。虹膜质量的类型包括光斑、噪声以及虹膜可用面积过小等，第二训练数据为不同虹膜质量类型对应的虹膜数据。获取第一训练数据和第二训练数据的一种可行方式为：通过虹膜采集仪采集人眼图像样本，并使用关键点检测工具，检测出人眼图像样本中上下眼皮关键点，根据上下眼皮关键点进行上下眼皮曲线拟合，得到眼睑拟合曲线，最后根据眼睑拟合曲线的范围进行裁剪，即可得到第一训练数据和第二训练数据。
33.第一训练数据和第二训练数据确定后，需要对第一训练数据和第二训练数据打标签，方便更好地进行利用训练数据对模型进行训练。其中，第一训练数据具有第一标签，第二训练数据具有第二标签，第一标签为虹膜呈现攻击检测标签，第二标签为虹膜质量检测标签。在本技术实施例中，第一标签包括真体虹膜标签、美瞳义眼和玻璃眼球标签、打印和其它显示设备虹膜标签。真体虹膜标签标注为0，美瞳义眼和玻璃眼球标签标注为1，打印和其它显示设备标签标注为2。虹膜质量检测标签由人工进行标注，值在0到1之间。
34.需要说明的是，第一训练数据中存在具有第二标签的数据，第二训练数据中存在具有第一标签的数据，即，虹膜质量检测标签对应的训练数据中会包含少量的虹膜呈现攻击的训练数据，同样虹膜呈现攻击标签对应的训练数据中也会包括少量虹膜质量检测标签对应的训练数据，因此将同时具有第一标签和第二标签的数据(第一训练数据中具有第二标签的数据以及第二训练数据中具有第一标签的数据)挑选出来作为备用数据。
35.s102：采用第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型。
36.具体的，第一训练数据和第二训练数据确定并打上标签后，将第一训练数据输入至虹膜呈现攻击检测模型进行训练，其中，虹膜呈现攻击检测模型采用教师网络模型，教师网络模型具有非常好的性能和泛化能力，是一个三层的前向网络，其职责是负责为学生网络模型的每步提供合适的批次数据，用于作为一个soft target来指导另外一个更加简单的学生网络模型来学习，使得更加简单、参数运算量更少的学生网络模型也能够具有和教师网络模型相近的性能。
37.第一训练数据输入至虹膜呈现攻击检测模型会经过三级特征提取，每级特征提取时会进行一次下采样，每次下采样输出特征图尺寸分别为128*128、64*64和32*32，最后由两层全连接层进行分类，其中，全连接层(fully connected layers，fc)起到分类器的作用，其实质等效于卷积层。训练完成后，得到虹膜呈现攻击检测教师网络模型，能够检测呈现攻击的虹膜数据。同理，将第二训练数据输入至虹膜质量检测模型，训练得到虹膜质量检测教师网络模型，能够识别虹膜数据的图像质量。虹膜质量检测模型也采用教师网络模型。
38.需要说明的是，虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型特征提取部分网络结构相同，网络结构可以使用任意分类网络，虹膜呈现攻击检测教师网络模型包括攻击检测回归头，攻击检测回归头由两层普通卷积层构成。虹膜质量检测教师网络模型包括质量评价回归头，质量评价回归头由一层普通2维卷积和全连接层构成。另外，训练时均采用回归的策略进行训练。
39.s103：从第一训练数据和第二训练数据中筛选第三训练数据筛选第三训练数据，采用第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型，第三训练数
据同时具有第一标签和第二标签。
40.具体的，虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型确定后，参考步骤s101，将备用数据作为第三训练数据，并将第三训练数据输入至学生网络模型进行训练，即，将同时具有虹膜呈现攻击检测标签和虹膜质量检测标签的训练数据训练学生网络模型，从而初始化学生网络模型的模型参数，使得其拥有虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型的初步知识，最终得到初级学生网络模型。其中，第三训练数据输入至学生网络模型中，同样会经过三级特征提取，并且学生网络模型与教师网络模型使用相同的特征提取网络结构。
41.s104：基于知识蒸馏策略，将虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型的知识迁移至初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型。
42.具体的，知识蒸馏(knowledge distillation)是模型压缩的一种常用的方法，不同于模型压缩中的剪枝和量化，知识蒸馏通过构建一个轻量化的小模型。利用性能更好的大模型(教师网络模型)的监督信息，来训练这个小模型(学生网络模型)，以达到更好的性能和精度。初级学生网络模型确定后，采用交替训练方式对初级学生网络模型和教师网络模型进行训练，具体如下：采用第一训练数据同时对虹膜质量检测教师网络模型和初级学生网络模型进行第一训练，使得初级学生网络模型能学习到虹膜质量检测教师网络模型的知识，第一训练后，采用第二训练数据同时对虹膜呈现攻击检测教师网络模型和第一训练后的初级学生网络模型进行第二训练，使得初级学生网络模型能学习到虹膜呈现攻击检测教师网络模型的知识。交替进行第一训练和第二训练，使得初级学生网络模型不断被优化，最终得到联合虹膜质量和呈现攻击检测的模型，具有虹膜质量检测和虹膜呈现攻击检测的功能，无需单独针对虹膜质量检测和虹膜呈现攻击检测分别开发模型，较好地减少了计算资源的消耗。
43.需要说明的是，初级学生网络模型包括与虹膜呈现攻击检测教师网络模型相同的攻击检测回归头，以及与虹膜质量检测教师网络模型相同的质量评价回归头，方便将虹膜呈现攻击检测教师网络模型、虹膜质量检测教师网络模型的知识迁移至初级学生网络模型中。
44.参见图2，本技术实施例公开了另一种具有虹膜质量和攻击检测知识的模型生成方法的流程示意图，可依赖于计算机程序实现，也可运行于基于冯诺依曼体系的具有虹膜质量和攻击检测知识的模型生成装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行，具体包括：s201：获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据。
45.s202：采用第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型。
46.s203：从第一训练数据和第二训练数据中筛选第三训练数据筛选第三训练数据，采用第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型，第三训练数据同时具有第一标签和第二标签。
47.具体的，可参见步骤s101-s103，在此不再赘述。
48.s204：采用第一训练数据分别对虹膜质量检测教师网络模型和初级学生网络模型
进行第一训练，以将虹膜质量检测教师网络模型的知识迁移至初级学生网络模型。
49.在一个可实现的实施方式中，将第一训练数据分别输入至虹膜质量检测教师网络模型和初级学生网络模型，将虹膜质量检测教师网络模型三级的输出特征图进行空间特征融合处理，得到第一融合空间特征和对应的第一均值；将初级学生网络模型三级的输出特征图进行空间特征融合处理，得到第二融合空间特征和对应的第二均值；通过预设的空间特征约束函数对第一融合空间特征和第二融合空间特征进行约束，空间特征约束函数为：式中，μ
t-iqa,k
表示第k张输出特征图的第一均值，μ
s,k
表示第k张输出特征图的第二均值，h
t-iqa,k
表示第k张输出特征图的第一融合空间特征，h
s,k
表示第k张输出特征图的第二融合空间特征，m表示输出特征图的总数，k表示第k张输出特征图，ls表示空间特征约束损失值；对虹膜质量检测教师网络模型和初级学生网络模型第三级的输出特征图进行特征提炼，得到提炼结果；通过预设的余弦距离损失函数对提炼结果进行语义约束，并通过预设的攻击检测损失函数对初级学生网络模型中的攻击检测回归头进行约束，以完成第一训练。
50.具体的，参见图3，图3是本技术实施例提供的一种知识迁移的结构示意图，初级学生网络模型确定后，将第一训练数据，即呈现攻击的虹膜数据，同时输入至虹膜质量检测教师网络模型和初级学生网络进行第一训练，并且冻结虹膜质量检测教师网络模型的模型参数，使得初级学生网络模型能获取到虹膜质量检测教师网络模型的知识，同时还能利用大量的第一训练数据对初级学生网络模型进行训练，第一训练过程详细论述如下：由于初级学生网络模型与虹膜质量检测教师网络模型的网络结构相同，第一训练数据输入后，均会经过三级特征提取，得到输出特征图。因此将虹膜质量检测教师网络模型三级的输出特征图进行空间特征融合处理，即：以虹膜质量检测教师网络模型第一级输出特征图尺度为基准，然后进行步长为s1与s2比值、s1与s3比值的滑动窗口采样，其中，采样尺度依次为第二级输出特征图尺度、第三级输出特征图尺度，采样后的特征图分别与第二级输出特征图和第三级输出特征图进行融合，最后将融合后的特征图还原到第一级输出特征图尺度，并将其特征维度降低至指定大小，得到第一融合空间特征，并计算第一融合空间特征的均值，得到第一均值，从而使得三级的输出特征空间位置对齐，保持其特征的分布，同时还能起到特征增强的作用。其中，s1表示第一级输出特征图，s2表示第二级输出特征图，s3表示第三级输出特征图。
51.在第一训练数据输入至初级学生网络模型训练时，同理对初级学生网络模型中每一级的输出特征图进行空间特征融合，进一步得到第二融合空间特征和对应的第二均值。接着采用空间特征约束函数对第一融合空间特征和第二融合空间特征进行损失约束，从而帮助初级学生网络易于学习到虹膜质量检测教师网络模型的空间特征分布。
52.其中，空间特征约束函数表示为：式中，μ
t-iqa,k
表示第k张输出特征图的第一均值，μ
s,k
表示第k张输出特征图的第二均值，h
t-iqa,k
表示第k张输出特征图的第一融合空间特征，h
s,k
表示第k张输出特征图的第二融合空间特征，m表示输出特征图
的总数，k表示第k张输出特征图，ls表示空间特征约束损失值。需要说明的是，此处的第一融合空间特征，第一均值，第二融合空间特征以及第二均值，均对应虹膜质量检测教师网络模型或初级学生网络模型三级的每张输出特征图。
53.接着将虹膜质量检测教师网络模型和初级学生网络模型的第三级的输出特征图分别进行特征提炼，得到对应的提炼结果。其中，特征提炼是指对图像的增加处理。在本技术实施例中，是对第三级的输出特征图进行增强。提炼结果确定后，需要对虹膜质量检测教师网络模型和初级学生网络模型分别对应的提炼结果进行语义约束，即对提炼结果对应的特征向量进行语义特征方面的度量。其中，利用语义约束可以实现将虹膜质量检测教师网络模型的知识传递至初级初级学生网络模型中。语义约束对应的损失函数采用预设的余弦距离损失函数，表示为：lc＝-cos(f
t-iqa
,fs)，f
t-iqa
表示虹膜质量检测教师网络模型对应的提炼结果，fs表示初级学生网络模型对应的提炼结果，lc表示语义约束损失值。
54.最后，通过预设的攻击检测损失函数对初级学生网络模型中的攻击检测回归头进行约束，从而使得将第一训练数据输入至初级学生网络模型进行训练时，初级学生网络模型能学习到呈现攻击的虹膜数据的特征，进而最终完成第一训练。其中，预设的攻击检测损失函数采用二值交叉熵函数。
55.在另一个可实现的实施方式中，所述通过预设的攻击检测损失函数对初级学生网络模型中的攻击检测回归头进行约束，具体包括：若初级学生网络模型中的攻击检测回归头的输出结果为假体类型的标签，则对预设的攻击检测损失函数进行调整，得到调整后的攻击检测损失函数；通过调整后的攻击检测损失函数对初级学生网络模型中的攻击检测回归头进行约束，以对输出结果进行惩罚，调整后的攻击检测损失函数为：lb＝-g
label≠2
×
logpt-g
label＝2
×
(1-pt)
α
logpt式中，lb为调整后的攻击检测损失函数计算的攻击检测损失值，pt表示输出概率值，g表示攻击检测回归头输出结果对应的标签向量掩膜，α表示惩罚系数，label≠2表示输出结果不为假体类型对应的标签，label＝2表示输出结果为假体类型对应的标签。
56.具体的，虹膜呈现攻击的类型包括打印和其它显示设备对应的虹膜，打印和其它显示设备称为假体类型，那么假体类型的虹膜数据的标签为假体类型对应的标签，即第一标签包括假体类型对应的标签。由于假体类型对应的虹膜图像噪声较多，虹膜质量较差，而第二训练数据中也存在噪声类型的低质量虹膜图像，因此，在进行知识迁移过程中，对第二训练数据中的噪声类型的真体虹膜图像，容易被误识别为假体类型，导致虹膜呈现攻击检测出现错误，进而使得最终得到具有虹膜质量和攻击检测知识的模型识别准确性受到影响。
57.为了解决误识别的问题，如果初级学生网络中的攻击检测回归头的输出结果为假体类型的标签，即标签标注为2时，需要对预设的攻击检测损失函数进行调整，以对假体类型的标签的输出结果进行惩罚，调整后的攻击检测损失函数具体为：lb＝-g
label≠2
×
logpt-g
label＝2
×
(1-pt)
α
logpt式中，lb为调整后的攻击检测损失函数计算的攻击检测损失值，pt表示输出概率值，可以理解为输出结果的概率值，g表示攻击检测回归头输出结果对应的标签向量掩膜，α表示惩罚系数，label≠2表示输出结果不为假体类型对应的标签，label＝2表示输出结果
为假体类型对应的标签。
58.s205：在第一训练后，采用第二训练数据分别对虹膜呈现攻击检测教师网络模型和第一训练后的初级学生网络模型进行第二训练，以将述虹膜呈现攻击检测教师网络模型的知识迁移至初级学生网络模型。
59.具体的，第一训练完成后，再将虹膜质量对应的第二训练数据输入至虹膜呈现攻击检测教师网络模型、第一训练后初级学生网络模型中，进行第二训练，并且冻结虹膜呈现攻击检测教师网络模型的模型参数，第二训练过程中与第一训练相同，详细可参考步骤s204，即，先对虹膜呈现攻击检测教师网络模型和初级学生网络模型三级的输出特征图分别进行空间特征融合处理，得到对应的融合空间特征和均值，并基于第二训练对应的空间特征约束函数对融合空间特征进行约束。其中，第二训练对应的空间特征约束函数表示为：式中，w表示第二训练中输出特征图的总数，p表示第二训练中第p张输出特征图，ls′
表示第二训练对应的空间特征约束损失值，μ
t-pad,p
表示虹膜呈现攻击检测教师网络模型三级的第p张输出特征图融合后的融合空间特征的均值，μs′
,p
表示第一训练后的初级学生网络模型三级的第p张输出特征图融合后的融合空间特征的均值，h
t-pad,p
表示虹膜呈现攻击检测教师网络模型三级的第p张输出特征图融合后的融合空间特征，hs′
,p
表示第一训练后的初级学生网络模型三级的第p张输出特征图融合后的融合空间特征。
60.接着对虹膜呈现攻击检测教师网络模型和初级学生网络模型的第三级的输出特征图进行特征提炼，并也同样采用余弦距离损失函数对特征提炼后的结果进行语义约束。最后，通过预设的质量评价损失函数对初级学生网络模型中的质量评价回归头进行约束，从而使得第二训练数据输入至初级学生网络模型时，初级学生网络模型能学习到第二训练数据的特征，最终完成第二训练。其中，质量评价损失函数采用绝对平均误差损失函数。
61.s206：基于交替训练衰减策略公式，交替进行第一训练和第二训练，得到具有虹膜质量和攻击检测知识的模型。
62.具体的，由于在第一训练和第二训练进行过程中，交替训练不同的训练数据的频率较高时，易于导致损失值波动较大，不利于两个教师网络模型到初级学生网络模型的知识迁移，因此基于交替训练衰减策略公式，合理进行第一训练和第二训练。
63.其中，交替训练衰减策略公式为：式中，γ表示衰减系数，a表示当前交替次数，b表示衰减截止次数，n表示训练的总的回合数，当a大于等于b时，每个回合交替训练，r表示第一训练或第二训练的训练轮数。
64.如果当前交替次数a大于等于b时，说明当前交替次数已达到或超过衰减截止次数，因此训练轮数r为1，即第一训练进行1轮后，交替进行1轮第二训练
……
；如果当前交替次数a小于b时，说明当前交替次数未达到衰减截止次数，那么交替训练的频次不宜过快，那么训练轮数r为n
×
exp(-γ
×
a/b)。例如，训练轮数r可能为5，即第一训练进行5轮后，交替进行5轮第二训练，依次类推。需要说明的是，其中，这里的训练轮数指的是第一训练或第二
训练的训练轮数。a(当前交替次数)详细为第一训练和第二训练交替的次数。第一训练和第二训练交替训练后可以视为一个回合。
65.参见图4，本技术实施例公开了又一种具有虹膜质量和攻击检测知识的模型生成方法的流程示意图，可依赖于计算机程序实现，也可运行于基于冯诺依曼体系的具有虹膜质量和攻击检测知识的模型生成装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行，具体包括：s301：获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据。
66.s302：采用第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型。
67.s303：从第一训练数据和第二训练数据中筛选第三训练数据，采用第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型，第三训练数据同时具有第一标签和第二标签。
68.具体的，可参见步骤s101-s103，在此不再赘述。
69.s304：采用第一训练数据分别对虹膜质量检测教师网络模型和初级学生网络模型进行第一训练，以将虹膜质量检测教师网络模型的知识迁移至初级学生网络模型。
70.具体的，可参考步骤s204，在此不在赘述。
71.s305：基于模型剪枝策略，对虹膜呈现攻击检测教师网络模型的模型参数进行修剪微调，得到微调后的攻击检测模型参数和对应的目标掩膜。
72.具体的，模型剪枝是一种从神经网络中移除“不必要”权重或偏差的模型压缩技术，它可以通过减少模型的大小和计算量来提高模型的效率和速度。模型剪枝可以分为细粒度剪枝、粗粒度剪枝和结构化剪枝等不同的剪枝方法。第一训练完成后，采用模型剪枝对应的算法卷积核剪枝算法，对虹膜呈现攻击检测教师网络模型的模型参数进行修剪微调，得到微调后的攻击检测模型参数，在其他实施例中，也可以采用低秩分解剪枝算法进行修剪微调。剪枝掉模型参数中重要性较低的权重，同时将对应位置的掩膜置为0；没有剪枝的权重，重要性较高，对应位置的掩膜置为1，最终得到微调后的攻击检测模型参数对应的目标掩膜。
73.需要说明的是，目标掩膜可以理解为攻击检测模型参数的重要性向量。其中，掩膜是由0和1组成的一个二进制图像，当在某一功能中应用掩膜时，1值区域被处理，被屏蔽的0值区域不被包括在计算中。
74.s306：采用第二训练数据对第一训练后的初级学生网络模型进行第二训练，并基于微调后的攻击检测模型参数、目标掩膜以及整体损失函数对第一训练后的初级学生网络模型的模型参数进行修正，得到具有虹膜质量和攻击检测知识的模型。
75.具体的，微调后的攻击检测模型参数和对应的目标掩膜确定后，采用第二训练数据对第一训练后的初级学生网络模型进行第二训练，由于训练过程中，只输入不同虹膜质量类型对应的虹膜数据，易导致初级学生网络模型遗忘虹膜呈现攻击检测的知识，因此，需要对初级学生网络模型的模型参数添加限制损失，以弥补遗忘。并且只对初级学生网络模型的质量评价回归头进行约束，具体采用质量评价损失函数(绝对平均误差损失函数)进行约束。
76.在训练过程中，将微调后的攻击检测模型参数、目标掩膜输入至整体损失函数中，从而使得对初级学生网络模型的约束，进而对初级学生网络模型的模型参数进行修正，不断优化第一训练后的初级学生网络模型，最终将模型参数修正后的初级学生网络模型确定具有虹膜质量和攻击检测知识的模型，可以同时进行虹膜呈现攻击检测和虹膜质量检测。其中，整体损失函数为：式中，表示微调后的攻击检测模型参数，表示第一训练后初级学生网络模型的模型参数，σ表示超参数，此时的l
b1
表示对第一训练后的初级学生网络模型中质量评价回归头对应的质量评价损失值，pm表示目标掩膜，l
sum
为整体损失值。其中，质量评价损失值由质量评价损失函数计算得到，质量评价损失函数采用绝对平均误差损失函数，并且质量评价损失函数用于对第一训练后的初级学生网络模型中质量评价回归头进行损失约束。
77.本技术实施例具有虹膜质量和攻击检测知识的模型生成方法的实施原理为：获取到第一训练数据和第二训练数据，单独将第一训练数据对虹膜呈现攻击检测模型进行训练，得到具有检测呈现攻击功能的虹膜呈现攻击检测教师网络模型，同理单独再将第二训练数据对虹膜质量检测模型进行训练，得到具有检测虹膜质量的虹膜质量检测教师网络模型。接着从第一训练数据和第二训练数据中，筛选出具有第一标签和第二标签的第三训练数据，对学生网络模型进行训练，从而得到具有呈现攻击检测和虹膜质量检测两种任务的初步知识的初级学生网络模型。最后，通过知识蒸馏策略，将虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型中的知识较好地的迁移到初级学生网络模型中，使得初级学生网络模型成为具有虹膜质量和攻击检测知识的模型，无需单独针对虹膜质量检测和虹膜呈现攻击检测开发模型，进而减少计算资源的消耗。
78.下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
79.请参见图6，为本技术实施例提供的具有虹膜质量和攻击检测知识的模型生成装置的结构示意图。该应用于具有虹膜质量和攻击检测知识的模型生成装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该装置1包括训练数据获取模块11、教师模型训练模块12、学生模型训练模块13和教师知识迁移模块14。
80.训练数据获取模块11，用于获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据，第一训练数据具有第一标签，第二训练数据具有第二标签，第一训练数据中存在具有第二标签的数据，第二训练数据中存在具有第一标签的数据，第一标签为虹膜呈现攻击检测标签，第二标签为虹膜质量检测标签；教师模型训练模块12，用于采用第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型；学生模型训练模块13，用于从第一训练数据和第二训练数据中筛选第三训练数据，采用第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型，第三训练数据同时具有第一标签和第二标签；教师知识迁移模块14，用于基于知识蒸馏策略，将虹膜呈现攻击检测教师网络模
型和虹膜质量检测教师网络模型的知识迁移至初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型。
81.可选的，教师知识迁移模块14，具体用于：采用第一训练数据分别对虹膜质量检测教师网络模型和初级学生网络模型进行第一训练，以将虹膜质量检测教师网络模型的知识迁移至初级学生网络模型；在第一训练后，采用第二训练数据分别对虹膜呈现攻击检测教师网络模型和第一训练后的初级学生网络模型进行第二训练，以将述虹膜呈现攻击检测教师网络模型的知识迁移至初级学生网络模型；基于交替训练衰减策略公式，交替进行第一训练和第二训练，得到具有虹膜质量和攻击检测知识的模型。
82.可选的，教师知识迁移模块14，具体还用于：将第一训练数据分别输入至虹膜质量检测教师网络模型和初级学生网络模型，将虹膜质量检测教师网络模型三级的输出特征图进行空间特征融合处理，得到第一融合空间特征和对应的第一均值；将初级学生网络模型三级的输出特征图进行空间特征融合处理，得到第二融合空间特征和对应的第二均值；通过预设的空间特征约束函数对第一融合空间特征和第二融合空间特征进行约束，空间特征约束函数为：式中，μ
t-iqa,k
表示第k张输出特征图的第一均值，μ
s,k
表示第k张输出特征图的第二均值，h
t-iqa,k
表示第k张输出特征图的第一融合空间特征，h
s,k
表示第k张输出特征图的第二融合空间特征，m表示输出特征图的总数，k表示第k张输出特征图，ls表示空间特征约束损失值；对虹膜质量检测教师网络模型和初级学生网络模型第三级的输出特征图进行特征提炼，得到提炼结果；通过预设的余弦距离损失函数对提炼结果进行语义约束，并通过预设的攻击检测损失函数对初级学生网络模型中的攻击检测回归头进行约束，以完成第一训练。
83.可选的，教师知识迁移模块14，具体还用于：若初级学生网络模型中的攻击检测回归头的输出结果为假体类型对应的标签，则对攻击检测损失函数进行调整，得到调整后的攻击检测损失函数；通过调整后的攻击检测损失函数对初级学生网络模型中的攻击检测回归头进行约束，以对输出结果进行惩罚，调整后的攻击检测损失函数为：lb＝-g
label≠2
×
logpt-g
label＝2
×
(1-pt)
α
logpt式中，lb为调整后的攻击检测损失函数计算的攻击检测损失值，pt表示输出概率值，g表示攻击检测回归头输出结果对应的标签向量掩膜，α表示惩罚系数，label≠2表示输出结果不为假体类型对应的标签，label＝2表示输出结果为假体类型对应的标签。
84.可选的，教师知识迁移模块14，具体还用于：采用第一训练数据分别对虹膜质量检测教师网络模型和初级学生网络模型进行
第一训练，以将虹膜质量检测教师网络模型的知识迁移至初级学生网络模型；基于模型剪枝策略，对虹膜呈现攻击检测教师网络模型的模型参数进行修剪微调，得到微调后的攻击检测模型参数和对应的目标掩膜；采用第二训练数据对第一训练后的初级学生网络模型进行第二训练，并基于微调后的攻击检测模型参数、目标掩膜以及整体损失函数对第一训练后的初级学生网络模型的模型参数进行修正，得到具有虹膜质量和攻击检测知识的模型。
85.需要说明的是，上述实施例提供的一种具有虹膜质量和攻击检测知识的模型生成装置在执行具有虹膜质量和攻击检测知识的模型生成方法时，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，上述实施例提供的一种具有虹膜质量和攻击检测知识的模型生成装置与一种具有虹膜质量和攻击检测知识的模型生成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。
86.本技术实施例还公开一种计算机可读存储介质，并且，计算机可读存储介质存储有计算机程序，其中，计算机程序被处理器执行时，采用了上述实施例的一种具有虹膜质量和攻击检测知识的模型生成方法。
87.其中，计算机程序可以存储于计算机可读介质中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等，计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom)、随机存取存储器(ram)、电载波信号、电信信号以及软件分发介质等，需要说明的是，计算机可读介质包括但不限于上述元器件。
88.其中，通过本计算机可读存储介质，将上述实施例的一种具有虹膜质量和攻击检测知识的模型生成方法存储于计算机可读存储介质中，并且，被加载并执行于处理器上，以方便上述方法的存储及应用。
89.本技术实施例还公开一种电子设备，计算机可读存储介质中存储有计算机程序，计算机程序被处理器加载并执行时，采用了上述一种具有虹膜质量和攻击检测知识的模型生成方法。
90.其中，电子设备可以采用台式电脑、笔记本电脑或者云端服务器等电子设备，并且，电子设备设备包括但不限于处理器以及存储器，例如，电子设备还可以包括输入输出设备、网络接入设备以及总线等。
91.其中，处理器可以采用中央处理单元(cpu)，当然，根据实际的使用情况，也可以采用其他通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以采用微处理器或者任何常规的处理器等，本技术对此不做限制。
92.其中，存储器可以为电子设备的内部存储单元，例如，电子设备的硬盘或者内存，也可以为电子设备的外部存储设备，例如，电子设备上配备的插接式硬盘、智能存储卡(smc)、安全数字卡(sd)或者闪存卡(fc)等，并且，存储器还可以为电子设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机程序以及电子设备所需的其他程序和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本技术对此不做限制。
93.其中，通过本电子设备，将上述实施例的一种具有虹膜质量和攻击检测知识的模型生成方法存储于电子设备的存储器中，并且，被加载并执行于电子设备的处理器上，方便使用。
94.以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的范围和精神由权利要求限定。

技术特征：
1.一种具有虹膜质量和攻击检测知识的模型生成方法，其特征在于，所述方法包括：获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据，所述第一训练数据具有第一标签，所述第二训练数据具有第二标签，所述第一训练数据中存在具有所述第二标签的数据，所述第二训练数据中存在具有所述第一标签的数据，所述第一标签为虹膜呈现攻击检测标签，所述第二标签为虹膜质量检测标签；采用所述第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用所述第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型；从所述第一训练数据和所述第二训练数据中筛选第三训练数据，采用所述第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型，所述第三训练数据同时具有所述第一标签和所述第二标签；基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型。2.根据权利要求1所述的具有虹膜质量和攻击检测知识的模型生成方法，其特征在于，所述基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型，具体包括：采用所述第一训练数据分别对所述虹膜质量检测教师网络模型和所述初级学生网络模型进行第一训练，以将所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型；在第一训练后，采用所述第二训练数据分别对所述虹膜呈现攻击检测教师网络模型和第一训练后的初级学生网络模型进行第二训练，以将述虹膜呈现攻击检测教师网络模型的知识迁移至所述初级学生网络模型；基于交替训练衰减策略公式，交替进行所述第一训练和所述第二训练，得到具有虹膜质量和攻击检测知识的模型。3.根据权利要求2所述的具有虹膜质量和攻击检测知识的模型生成方法，其特征在于，所述交替训练衰减策略公式为：式中，γ表示衰减系数，a表示当前交替次数，b表示衰减截止次数，n表示训练的总的回合数，当a大于等于b时，每个回合交替训练，r表示第一训练或第二训练的训练轮数。4.根据权利要求2所述的具有虹膜质量和攻击检测知识的模型生成方法，其特征在于，所述采用所述第一训练数据分别对所述虹膜质量检测教师网络模型和所述初级学生网络模型进行第一训练，具体包括：将所述第一训练数据分别输入至所述虹膜质量检测教师网络模型和所述初级学生网络模型，将所述虹膜质量检测教师网络模型三级的输出特征图进行空间特征融合处理，得到第一融合空间特征和对应的第一均值；将所述初级学生网络模型三级的输出特征图进行空间特征融合处理，得到第二融合空
间特征和对应的第二均值；通过预设的空间特征约束函数对所述第一融合空间特征和所述第二融合空间特征进行约束，所述空间特征约束函数为：式中，μ
t-iqa,k
表示第k张输出特征图的第一均值，μ
s,k
表示第k张输出特征图的第二均值，h
t-iqa,k
表示第k张输出特征图的第一融合空间特征，h
s,k
表示第k张输出特征图的第二融合空间特征，m表示输出特征图的总数，k表示第k张输出特征图，l
s
表示空间特征约束损失值；对所述虹膜质量检测教师网络模型和所述初级学生网络模型第三级的输出特征图进行特征提炼，得到提炼结果；通过预设的余弦距离损失函数对所述提炼结果进行语义约束，并通过预设的攻击检测损失函数对所述初级学生网络模型中的攻击检测回归头进行约束，以完成第一训练。5.根据权利要求4所述的具有虹膜质量和攻击检测知识的模型生成方法，其特征在于，所述第一标签包括假体类型对应的标签，所述通过预设的攻击检测损失函数对所述初级学生网络模型中的攻击检测回归头进行约束，具体包括：若所述初级学生网络模型中的攻击检测回归头的输出结果为假体类型对应的标签，则对所述预设的攻击检测损失函数进行调整，得到调整后的攻击检测损失函数；通过所述调整后的攻击检测损失函数对所述初级学生网络模型中的攻击检测回归头进行约束，以对所述输出结果进行惩罚，所述调整后的攻击检测损失函数为：l
b
＝-g
label≠2
×
logpt-g
label＝2
×
(1-pt)
α
logpt式中，l
b
为调整后的攻击检测损失函数计算的攻击检测损失值，pt表示输出概率值，g表示攻击检测回归头输出结果对应的标签向量掩膜，α表示惩罚系数，label≠2表示输出结果不为假体类型对应的标签，label＝2表示输出结果为假体类型对应的标签。6.根据权利要求1所述的具有虹膜质量和攻击检测知识的模型生成方法，其特征在于，所述基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型，具体包括：采用所述第一训练数据分别对所述虹膜质量检测教师网络模型和所述初级学生网络模型进行第一训练，以将所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型；基于模型剪枝策略，对所述虹膜呈现攻击检测教师网络模型的模型参数进行修剪微调，得到微调后的攻击检测模型参数和对应的目标掩膜；采用所述第二训练数据对第一训练后的初级学生网络模型进行第二训练，并基于所述微调后的攻击检测模型参数、所述目标掩膜以及整体损失函数对第一训练后的初级学生网络模型的模型参数进行修正，得到具有虹膜质量和攻击检测知识的模型。7.根据权利要求6所述的具有虹膜质量和攻击检测知识的模型生成方法，其特征在于，所述整体损失函数为：式中，表示微调后的攻击检测模型参数，表示第一训练后的初级学生网络模型
的模型参数，σ表示超参数，此时的l
b1
表示对第一训练后的初级学生网络模型中质量评价回归头对应的质量评价损失值，pm表示目标掩膜，l
sum
为整体损失值。8.一种具有虹膜质量和攻击检测知识的模型生成装置，其特征在于，包括：训练数据获取模块(11)，用于获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据，所述第一训练数据具有第一标签，所述第二训练数据具有第二标签，所述第一训练数据中存在具有所述第二标签的数据，所述第二训练数据中存在具有所述第一标签的数据，所述第一标签为虹膜呈现攻击检测标签，所述第二标签为虹膜质量检测标签；教师模型训练模块(12)，用于采用所述第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用所述第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型；学生模型训练模块(13)，用于从所述第一训练数据和所述第二训练数据中筛选第三训练数据，采用所述第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型，所述第三训练数据同时具有所述第一标签和所述第二标签；教师知识迁移模块(14)，用于基于知识蒸馏策略，将所述虹膜呈现攻击检测教师网络模型和所述虹膜质量检测教师网络模型的知识迁移至所述初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型。9.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，采用了权利要求1-7中任一项所述的方法。10.一种电子设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述处理器加载并执行计算机程序时，采用了权利要求1-7中任一项所述的方法。

技术总结
本申请涉及一种具有虹膜质量和攻击检测知识的模型生成方法及装置，其中方法包括：获取虹膜呈现攻击对应的第一训练数据和虹膜质量对应的第二训练数据；采用第一训练数据对虹膜呈现攻击检测模型进行训练，得到虹膜呈现攻击检测教师网络模型，并采用第二训练数据对虹膜质量检测模型进行训练，得到虹膜质量检测教师网络模型；从第一训练数据和第二训练数据中筛选第三训练数据，采用第三训练数据对预置的学生网络模型进行训练，得到初级学生网络模型；基于知识蒸馏策略，将虹膜呈现攻击检测教师网络模型和虹膜质量检测教师网络模型的知识迁移至初级学生网络模型，得到具有虹膜质量和攻击检测知识的模型。本申请具有减少计算资源的消耗的效果。源的消耗的效果。源的消耗的效果。


技术研发人员：张小亮 王明魁 李茂林 魏衍召 杨占金
受保护的技术使用者：北京万里红科技有限公司
技术研发日：2023.05.27
技术公布日：2023/8/24