神经网络模型训练方法以及装置、人脸识别方法制造方法及图纸

本申请公开了一种神经网络模型训练方法以及装置、人脸识别方法。该方法包括采集图像数据；生成三维虚拟数据并保存渲染过程中的训练数据；按照训练集和诊断集，训练得到卷积神经网络模型；对训练得到的所述卷积神经网络模型进行诊断，评估该模型在每一个维度下的性能得到变量与性能的对应关系，并且在所述性能无法满足预设需求时根据该变量对应的指标重新生成三维数据；根据所述重新生成三维数据，再进行模型训练直到诊断结果达到预期要求。本申请解决了相关场景下人脸识别精度不高的技术问题。通过本申请优化人脸识别神经网络模型训练，提高模型在实际场景中的识别精度。

Neural Network Model Training Method, Device and Face Recognition Method

【技术实现步骤摘要】
神经网络模型训练方法以及装置、人脸识别方法
本申请涉及人脸识别、模型训练领域，具体而言，涉及一种神经网络模型训练方法以及装置、人脸识别方法。
技术介绍
采用卷积神经网络的人脸识别方法模型，能够广泛应用于手机解锁、门禁、考勤、远程身份验证等场景中。专利技术人发现，在一些用户非配合的应用场景，由于从摄像头捕捉到的图像呈现出大角度、模糊、分辨率低或者光照不均匀等干扰因素。人脸识别的精度不佳。比如，安防动态识别场景中，识别精度仍有很大提升空间。针对相关技术中相关场景下人脸识别精度不高的问题，目前尚未提出有效的解决方案。
技术实现思路
本申请的主要目的在于提供一种神经网络模型训练方法以及装置、人脸识别方法，以解决相关场景下人脸识别精度不高的问题。为了实现上述目的，根据本申请的一个方面，提供了一种神经网络模型训练方法。根据本申请的神经网络模型训练方法包括：采集图像数据，其中，所述图像数据是单人多张人脸图像数据；生成三维虚拟数据并保存渲染过程中的训练数据，其中，所述训练数据是经过渲染后的二维图像数据；按照训练集和诊断集，训练得到卷积神经网络模型，其中，所述诊断集为至少一组二维采集数据和三维虚拟生成数据；对训练得到的所述卷积神经网络模型进行诊断，评估该模型在每一个维度下的性能得到变量与性能的对应关系，并且在所述性能无法满足预设需求时根据该变量对应的指标重新生成三维数据；根据所述重新生成三维数据，再进行模型训练直到诊断结果达到预期要求。进一步地，按照训练集和诊断集，训练得到卷积神经网络模型包括：构建卷积神经网络结构，至少包括：卷积层和全连接层；将所述采集图像数据、所述生成三维虚拟数据分为训练集和诊断集；确定损失函数，进行卷积神经网络模型训练。进一步地，对训练得到的所述卷积神经网络模型进行诊断，评估该模型在每一个维度下的性能得到变量与性能的对应关系包括：对训练得到的所述卷积神经网络模型进行诊断，评估模型在每一个维度下的性能绘制变量-性能曲线。进一步地，在所述性能无法满足预设需求时根据该变量对应的指标重新生成三维数据包括：在所述性能无法满足预设需求时，根据所述变量对应的指标重新进行三维数据的生成，从而增加所述变量对应值条件下的数据样本。为了实现上述目的，根据本申请的又一个方面，提供了一种人脸识别方法。根据本申请的人脸识别方法，包括：建立人脸模型库，所述人脸模型库中至少包括一个人脸的模型；使用所述人脸模型库和通过上述步骤建立的卷积神经网络模型，对待识别人脸图片进行识别，以确定所述待识别人脸属于人脸模型库中某一类的人脸标识。为了实现上述目的，根据本申请的另一方面，提供了一种神经网络模型训练装置。根据本申请的神经网络模型训练装置包括：采集模块，用于采集图像数据，其中，所述图像数据是单人多张人脸图像数据；三维数据生成模块，用于生成三维虚拟数据并保存渲染过程中的训练数据，其中，所述训练数据是经过渲染后的二维图像数据；训练模块，用于按照训练集和诊断集，训练得到卷积神经网络模型，其中，所述诊断集为至少一组二维采集数据和三维虚拟生成数据；模型诊断模块，用于对训练得到的所述卷积神经网络模型进行诊断，评估该模型在每一个维度下的性能得到变量与性能的对应关系，并且在所述性能无法满足预设需求时根据该变量对应的指标重新生成三维数据；生成模块，用于根据所述重新生成三维数据，再进行模型训练直到诊断结果达到预期要求。进一步地，所述训练模块包括：网络结构单元，用于构建卷积神经网络结构，至少包括：卷积层和全连接层；训练和诊断集单元，用于将所述采集图像数据、所述生成三维虚拟数据分为训练集和诊断集；损失函数单元，用于确定损失函数，进行卷积神经网络模型训练。进一步地，所述模型诊断模块包括：诊断单元，用于对训练得到的所述卷积神经网络模型进行诊断，评估模型在每一个维度下的性能绘制变量-性能曲线。进一步地，所述模型诊断模块包括：迭代单元，用于在所述性能无法满足预设需求时，根据所述变量对应的指标重新进行三维数据的生成，从而增加所述变量对应值条件下的数据样本。为了实现上述目的，根据本申请的再一方面，提供了一种人脸识别装置。根据本申请的人脸识别装置，包括：人脸模型模块，用于建立人脸模型库，所述人脸模型库中至少包括一个人脸的模型；模型训练模块，用于使用所述人脸模型库和通过上述步骤建立的卷积神经网络模型，对待识别人脸图片进行识别，以确定所述待识别人脸属于人脸模型库中某一类的人脸标识。在本申请实施例中神经网络模型训练方法以及装置、人脸识别方法，采用采集图像数据，生成三维虚拟数据并保存渲染过程中的训练数据的方式，通过按照训练集和诊断集，训练得到卷积神经网络模型，达到了三维虚拟和真实数据集合的数据生成以及训练的目的，从而实现了优化人脸识别神经网络模型训练方式的技术效果，进而解决了提高模型在实际场景中的精度不高的技术问题。附图说明构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请第一实施例的神经网络模型训练方法流程示意图；图2是根据本申请第二实施例的神经网络模型训练方法流程示意图；图3是根据本申请第三实施例的神经网络模型训练方法流程示意图；图4是根据本申请第四实施例的神经网络模型训练方法流程示意图；图5是根据本申请第一实施例的神经网络模型训练装置结构示意图；图6是根据本申请第二实施例的神经网络模型训练装置结构示意图；图7是根据本申请第三实施例的神经网络模型训练装置结构示意图；图8是本申请实现原理示意图；图9是变量-性能曲线示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。此外本文档来自技高网...

【技术保护点】
1.一种神经网络模型训练方法，其特征在于，包括：采集图像数据，其中，所述图像数据是单人多张人脸图像数据；生成三维虚拟数据并保存渲染过程中的训练数据，其中，所述训练数据是经过渲染后的二维图像数据；按照训练集和诊断集，训练得到卷积神经网络模型，其中，所述诊断集为至少一组二维采集数据和三维虚拟生成数据；对训练得到的所述卷积神经网络模型进行诊断，评估该模型在每一个维度下的性能得到变量与性能的对应关系，并且在所述性能无法满足预设需求时根据该变量对应的指标重新生成三维数据；根据所述重新生成三维数据，再进行模型训练直到诊断结果达到预期要求。

【技术特征摘要】
1.一种神经网络模型训练方法，其特征在于，包括：采集图像数据，其中，所述图像数据是单人多张人脸图像数据；生成三维虚拟数据并保存渲染过程中的训练数据，其中，所述训练数据是经过渲染后的二维图像数据；按照训练集和诊断集，训练得到卷积神经网络模型，其中，所述诊断集为至少一组二维采集数据和三维虚拟生成数据；对训练得到的所述卷积神经网络模型进行诊断，评估该模型在每一个维度下的性能得到变量与性能的对应关系，并且在所述性能无法满足预设需求时根据该变量对应的指标重新生成三维数据；根据所述重新生成三维数据，再进行模型训练直到诊断结果达到预期要求。2.根据权利要求1所述的神经网络模型训练方法，其特征在于，按照训练集和诊断集，训练得到卷积神经网络模型包括：构建卷积神经网络结构，至少包括：卷积层和全连接层；将所述采集图像数据、所述生成三维虚拟数据分为训练集和诊断集；确定损失函数，进行卷积神经网络模型训练。3.根据权利要求1所述的神经网络模型训练方法，其特征在于，对训练得到的所述卷积神经网络模型进行诊断，评估该模型在每一个维度下的性能得到变量与性能的对应关系包括：对训练得到的所述卷积神经网络模型进行诊断，评估模型在每一个维度下的性能绘制变量-性能曲线。4.根据权利要求3所述的神经网络模型训练方法，其特征在于，在所述性能无法满足预设需求时根据该变量对应的指标重新生成三维数据包括：在所述性能无法满足预设需求时，根据所述变量对应的指标重新进行三维数据的生成，从而增加所述变量对应值条件下的数据样本。5.一种人脸识别方法，其特征在于，包括：建立人脸模型库，所述人脸模型库中至少包括一个人脸的模型；使用所述人脸模型库和权利要求1至4中任一建立的卷积神经网络模型，对待识别人脸图片进行识别，以确定所述待识别人脸属于人脸模型库中某一类的人脸标识。6.一种神经网络模型训...

【专利技术属性】
技术研发人员：杨恒，
申请(专利权)人：深圳爱莫科技有限公司，
类型：发明
国别省市：广东,44