一种三维人脸识别模型训练方法及装置制造方法及图纸

本发明专利技术提供了一种三维人脸识别模型训练方法及装置，该方法包括：获取少样本学习的多个对象的三维人脸图像；从多个对象的三维人脸图像中随机选择至少一个对象的三维人脸图像作为训练样本，输入至原型网络，将原型网络训练为三维人脸识别模型。本发明专利技术通过少样本学习能够深度挖掘现有样本的人脸特征，在样本规模有限的情况下，特别是三维人脸图像缺乏、且获取成本较高的情况下，能够使模型具备较好的人脸识别性能，从而解决小样本场景下的三维人脸识别问题。

【技术实现步骤摘要】
一种三维人脸识别模型训练方法及装置
本专利技术涉及人脸识别
，更具体地说，涉及一种三维人脸识别模型训练方法及装置。
技术介绍
二维人脸识别研究的时间相对较长，方法流程也相对成熟，在多个领域都有使用。但随着科技的不断发展，人们对生活各方面的体验期望越来越高，二维人脸识别到了一定的瓶颈，而三维人脸识别却能较好克服这些缺点和瓶颈。但是，由于三维人脸图像的获取成本较高，也没有公开的较大规模的样本，所以单纯依赖高成本采集样本使得三维人脸识别模型的迭代周期过长。因此，如何解决小样本场景下的三维人脸识别问题，成为本领域亟需解决的技术问题。
技术实现思路
有鉴于此，为解决上述问题，本专利技术提供一种三维人脸识别模型训练方法及装置。技术方案如下：一种三维人脸识别模型训练方法，其特征在于，所述方法包括：获取少样本学习的多个对象的三维人脸图像；从所述多个对象的三维人脸图像中随机选择至少一个对象的三维人脸图像作为训练样本，输入至原型网络，将所述原型网络训练为三维人脸识别模型。可选的，所述获取少样本学习的多个对象的三维人脸图像，包括：采集多个对象的图像帧，所述图像帧包括深度图像和彩色图像；针对所述多个对象中的每个对象，在该对象的彩色图像中确定人脸区域；分别从该对象的深度图像和彩色图像中分割出所述人脸区域对应的人脸深度图像和人脸彩色图像；通过迭加所述人脸深度图像和所述人脸彩色图像，转换得到该对象的人脸彩色三维点云；归一化该对象的人脸彩色三维点云。可选的，在执行所述通过迭加所述人脸深度图像和所述人脸彩色图像，转换得到该对象的人脸彩色三维点云之前，所述方法还包括：对所述人脸深度图像进行滤波去噪处理。可选的，在执行所述归一化该对象的人脸彩色三维点云之前，所述方法还包括：对该对象的人脸彩色三维点云进行人脸姿态转正。可选的，所述将所述原型网络训练为三维人脸识别模型，包括：通过输入处理单元，针对所述训练样本中每个对象，从该对象的三维人脸图像中随机选择至少一个三维人脸图像加入至支持样本中，并将该对象的三维人脸图像中未被选择的三维人脸图像加入至查询样本中；通过卷积神经网络，分别提取所述支持样本和所述查询样本中每个三维人脸图像的特征向量；通过输出处理单元，处理所述支持样本和所述查询样本中每个三维人脸图像的特征向量，计算得到所述卷积神经网络的损失函数值，所述损失函数值是调整所述卷积神经网络的权重参数的基础或依据。可选的，所述处理所述支持样本和所述查询样本中每个三维人脸图像的特征向量，计算得到所述卷积神经网络的损失函数值，包括：针对所述支持样本中每个对象，将该对象的三维人脸图像的特征向量的平均值作为该对象的类原型；针对所述查询样本中每个三维人脸图像，计算该三维人脸图像的特征向量与所述支持样本中每个对象的类原型的欧氏距离，并通过归一化计算得到该三维人脸图像在所述支持样本中所属对象的概率分布；根据所述查询样本中每个三维人脸图像对应的对象、及其在所述支持样本中所属对象的概率分布，计算所述卷积神经网络的损失函数值。一种三维人脸识别模型训练装置，所述装置包括：图像获取模块，用于获取少样本学习的多个对象的三维人脸图像；模型训练模块，用于从所述多个对象的三维人脸图像中随机选择至少一个对象的三维人脸图像作为训练样本，输入至原型网络，将所述原型网络训练为三维人脸识别模型。可选的，所述图像获取模块，具体用于：采集多个对象的图像帧，所述图像帧包括深度图像和彩色图像；针对所述多个对象中的每个对象，在该对象的彩色图像中确定人脸区域；分别从该对象的深度图像和彩色图像中分割出所述人脸区域对应的人脸深度图像和人脸彩色图像；通过迭加所述人脸深度图像和所述人脸彩色图像，转换得到该对象的人脸彩色三维点云；归一化该对象的人脸彩色三维点云。可选的，所述模型训练模块，具体用于：通过输入处理单元，针对所述训练样本中每个对象，从该对象的三维人脸图像中随机选择至少一个三维人脸图像加入至支持样本中，并将该对象的三维人脸图像中未被选择的三维人脸图像加入至查询样本中；通过卷积神经网络，分别提取所述支持样本和所述查询样本中每个三维人脸图像的特征向量；通过输出处理单元，处理所述支持样本和所述查询样本中每个三维人脸图像的特征向量，计算得到所述卷积神经网络的损失函数值，所述损失函数值是调整所述卷积神经网络的权重参数的基础或依据。可选的，用于处理所述支持样本和所述查询样本中每个三维人脸图像的特征向量，计算得到所述卷积神经网络的损失函数值的所述模型训练模块，具体用于：针对所述支持样本中每个对象，将该对象的三维人脸图像的特征向量的平均值作为该对象的类原型；针对所述查询样本中每个三维人脸图像，计算该三维人脸图像的特征向量与所述支持样本中每个对象的类原型的欧氏距离，并通过归一化计算得到该三维人脸图像在所述支持样本中所属对象的概率分布；根据所述查询样本中每个三维人脸图像对应的对象、及其在所述支持样本中所属对象的概率分布，计算所述卷积神经网络的损失函数值。本专利技术实施例提供的三维人脸识别模型训练方法及装置，以少样本学习的多个对象的三维人脸图像为基础，从中随机选择训练样本，对原型网络进行训练得到三维人脸识别模型。本专利技术通过少样本学习能够深度挖掘现有样本的人脸特征，在样本规模有限的情况下，特别是三维人脸图像缺乏、且获取成本较高的情况下，能够使模型具备较好的人脸识别性能，从而解决小样本场景下的三维人脸识别问题。附图说明为了更清楚地说明本专利技术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专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1为本申请实施例提供的三维人脸识别模型训练方法的方法流程图；图2为本申请实施例提供的三维人脸识别模型训练方法的部分方法流程图；图3为本申请实施例提供的三维人脸识别模型训练方法的另一部分方法流程图；图4为本申请实施例提供的三维人脸识别模型训练方法的再一部分方法流程图；图5为本申请实施例提供的三维人脸识别模型训练装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由本文档来自技高网...

【技术保护点】
1.一种三维人脸识别模型训练方法，其特征在于，所述方法包括：/n获取少样本学习的多个对象的三维人脸图像；/n从所述多个对象的三维人脸图像中随机选择至少一个对象的三维人脸图像作为训练样本，输入至原型网络，将所述原型网络训练为三维人脸识别模型。/n

【技术特征摘要】
1.一种三维人脸识别模型训练方法，其特征在于，所述方法包括：
获取少样本学习的多个对象的三维人脸图像；
从所述多个对象的三维人脸图像中随机选择至少一个对象的三维人脸图像作为训练样本，输入至原型网络，将所述原型网络训练为三维人脸识别模型。


2.根据权利要求1所述的方法，其特征在于，所述获取少样本学习的多个对象的三维人脸图像，包括：
采集多个对象的图像帧，所述图像帧包括深度图像和彩色图像；
针对所述多个对象中的每个对象，在该对象的彩色图像中确定人脸区域；
分别从该对象的深度图像和彩色图像中分割出所述人脸区域对应的人脸深度图像和人脸彩色图像；
通过迭加所述人脸深度图像和所述人脸彩色图像，转换得到该对象的人脸彩色三维点云；
归一化该对象的人脸彩色三维点云。


3.根据权利要求2所述的方法，其特征在于，在执行所述通过迭加所述人脸深度图像和所述人脸彩色图像，转换得到该对象的人脸彩色三维点云之前，所述方法还包括：
对所述人脸深度图像进行滤波去噪处理。


4.根据权利要求2所述的方法，其特征在于，在执行所述归一化该对象的人脸彩色三维点云之前，所述方法还包括：
对该对象的人脸彩色三维点云进行人脸姿态转正。


5.根据权利要求1所述的方法，其特征在于，所述将所述原型网络训练为三维人脸识别模型，包括：
通过输入处理单元，针对所述训练样本中每个对象，从该对象的三维人脸图像中随机选择至少一个三维人脸图像加入至支持样本中，并将该对象的三维人脸图像中未被选择的三维人脸图像加入至查询样本中；
通过卷积神经网络，分别提取所述支持样本和所述查询样本中每个三维人脸图像的特征向量；
通过输出处理单元，处理所述支持样本和所述查询样本中每个三维人脸图像的特征向量，计算得到所述卷积神经网络的损失函数值，所述损失函数值是调整所述卷积神经网络的权重参数的基础或依据。


6.根据权利要求5所述的方法，其特征在于，所述处理所述支持样本和所述查询样本中每个三维人脸图像的特征向量，计算得到所述卷积神经网络的损失函数值，包括：
针对所述支持样本中每个对象，将该对象的三维人脸图像的特征向量的平均值作为该对象的类原型；
针对所述查询样本中每个三维人脸图像，计算该三维人脸图像的特征向量与所述支持样本中每个对象的类原...

【专利技术属性】
技术研发人员：徐康，李骊，董晶，金博，王鹏，
申请(专利权)人：北京华捷艾米科技有限公司，加减信息科技深圳有限公司，
类型：发明
国别省市：北京;11