神经网络处理及人脸识别方法、装置、设备和存储介质制造方法及图纸

本实施例公开了一种神经网络处理及人脸识别方法、装置、设备和存储介质，该方法包括：获取第一神经网络和人脸图像，所述第一神经网络表示进行人脸识别的神经网络；获取所述人脸图像中的标注信息；根据优化数据，在所述第一神经网络的基础上进行增量训练，得到第二神经网络；其中，所述优化数据至少包括带有所述标注信息的所述人脸图像。如此，在本公开实施例中，可以在第一神经网络的基础上，基于带有所述标注信息的人脸图像自动进行增量训练，从而得到可以识别人脸图像的神经网络，可以满足对真实环境的人脸图像的人脸识别要求。

【技术实现步骤摘要】
神经网络处理及人脸识别方法、装置、设备和存储介质
本公开涉及计算机视觉处理技术，涉及但不限于一种神经网络处理及人脸识别方法、装置、电子设备和计算机存储介质。
技术介绍
在相关技术中，随着人工智能的发展，越来越多行业开始利用人工智能技术来提升企业和组织运营的效率，降低运营的成本。在人工智能技术中，人脸识别是相对最为成熟和应用最为广泛的技术之一。在公安、政府、航空、教育、金融等诸多领域，人脸识别技术已经因其巨大的优势和适用性而被广泛采用。在相关技术中，可以基于实验室环境得到人脸识别的神经网络，然而，基于实验室环境中得到的人脸识别的神经网络的识别精度较低。
技术实现思路
本公开实施例期望提供神经网络处理及人脸识别的技术方案。本公开实施例提供了一种神经网络处理方法，所述方法包括：获取第一神经网络和人脸图像，所述第一神经网络表示进行人脸识别的神经网络；获取所述人脸图像中的标注信息；根据优化数据，在所述第一神经网络的基础上进行增量训练，得到第二神经网络；其中，所述优化数据至少包括带有所述标注信息的所述人脸图像。在本公开的一些实施例中，所述获取人脸图像中的标注信息，包括：对所述人脸图像进行特征提取，得到所述人脸图像的特征；对所述人脸图像的特征进行聚类处理，得到聚类结果；根据所述聚类结果，对所述人脸图像进行标注，得到所述标注信息。在本公开的一些实施例中，所述聚类结果包括至少一个簇；所述根据所述聚类结果，对所述人脸图像进行标注，包括：在所述人脸图像中，将每个簇的标签作为所述每个簇对应的人脸图像的标注信息。在本公开的一些实施例中，所述对所述人脸图像进行特征提取，包括：对所述人脸图像进行人脸区域的矫正处理，基于矫正处理后的人脸图像进行特征提取。在本公开的一些实施例中，所述根据优化数据，在所述第一神经网络的基础上进行增量训练，包括：按照预设的过滤条件对所述优化数据中所述人脸图像中的标注信息进行过滤；至少根据过滤处理后的标注信息，在所述第一神经网络的基础上进行增量训练。在本公开的一些实施例中，获取所述人脸图像，包括：在采集到的人脸图像的个数大于或等于第一数量阈值的情况下，获取采集到的人脸图像。在本公开的一些实施例中，所述获取所述人脸图像中的标注信息，包括：在获取到的所述人脸图像的个数大于或等于第二数量阈值的情况下，获取所述人脸图像中的标注信息。在本公开的一些实施例中，所述优化数据还包括固定数据和/或第一神经网络的记忆数据；其中，所述固定数据表示初始神经网络的训练数据，所述初始神经网络表示无需增量训练得到的人脸识别神经网络；所述第一神经网络的记忆数据表示第一神经网络的训练数据中，满足预设条件的训练数据。在本公开的一些实施例中，所述方法还包括：生成第二神经网络的记忆数据，所述第二神经网络的记忆数据表示第二神经网络的训练数据中，满足预设条件的训练数据；所述第二神经网络的记忆数据，用于在第二神经网络的基础上进行增量训练的情况下，替换所述优化数据中的第一神经网络的记忆数据。在本公开的一些实施例中，所述根据优化数据，在所述第一神经网络的基础上进行增量训练，得到第二神经网络，包括：构建至少一组神经网络参数；针对每组神经网络参数，根据优化数据在所述第一神经网络的基础上进行增量训练，得到每组神经网络参数对应的人脸识别神经网络；根据每组神经网络参数对应的人脸识别神经网络，得到所述第二神经网络。在本公开的一些实施例中，所述至少一组神经网络参数为两组或两组以上的神经网络参数；所述根据每组神经网络参数对应的人脸识别神经网络，得到所述第二神经网络，包括：按照预设评测集对各组神经网络参数对应的人脸识别神经网络进行评测，得到各组神经网络参数对应的人脸识别神经网络的人脸识别精度；在各组神经网络参数对应的人脸识别神经网络中，选取人脸识别精度达到设定识别精度的一个人脸识别神经网络作为所述第二神经网络。在本公开的一些实施例中，所述选取人脸识别精度达到设定识别精度的一个人脸识别神经网络作为所述第二神经网络，包括：在人脸识别精度达到设定识别精度的一个人脸识别神经网络中，选取人脸识别精度最高的人脸识别神经网络作为所述第二神经网络。在本公开的一些实施例中，所述方法还包括：将所述第二神经网络部署在预设场景中。在本公开的一些实施例中，所述方法还包括：获取第一特征集合，所述第一特征集合表示基于所述第一神经网络对所述人脸图像进行特征提取得到的特征集合；获取第二特征集合，所述第二特征集合表示基于所述第二神经网络对所述人脸图像进行特征提取得到的特征集合；根据所述第一特征集合、所述第二特征集合以及所述第一特征集合与思诺书第二特征集合之间的对应关系，训练第三神经网络；其中，所述第三神经网络用于将所述第一神经网络提取的特征转换为所述第二神经网络提取的特征。本公开实施例还提供了一种人脸识别方法，所述方法包括：获取待识别图像；将所述待识别图像输入至第二神经网络，得到所述待识别图像的人脸识别结果，其中，所述第二神经网络是根据上述任意一种神经网络处理方法得到的。本公开实施例还提供了一种神经网络处理装置，所述装置包括：第一获取模块、第二获取模块和处理模块，其中，第一获取模块，用于获取第一神经网络和人脸图像，所述第一神经网络表示进行人脸识别的神经网络；第二获取模块，用于获取所述人脸图像中的标注信息；处理模块，用于根据优化数据，在所述第一神经网络的基础上进行增量训练，得到第二神经网络；所述优化数据至少包括带有所述标注信息的所述人脸图像。在本公开的一些实施例中，所述第二获取模块，用于获取人脸图像中的标注信息，包括：对所述人脸图像进行特征提取，得到所述人脸图像的特征；对所述人脸图像的特征进行聚类处理，得到聚类结果；根据所述聚类结果，对所述人脸图像进行标注，得到所述标注信息。在本公开的一些实施例中，所述聚类结果包括至少一个簇；所述第二获取模块，用于根据所述聚类结果，对所述人脸图像进行标注，包括：在所述人脸图像中，将每个簇的标签作为所述每个簇对应的人脸图像的标注信息。在本公开的一些实施例中，所述第二获取模块，用于对所述人脸图像进行特征提取，包括：对所述人脸图像进行人脸区域的矫正处理，基于矫正处理后的人脸图像进行特征提取。在本公开的一些实施例中，所述处理模块，用于根据优化数据，在所述第一神经网络的基础上进行增量训练，包括：按照预设的过滤条件对所述优化数据中所述人脸图像中的标注信息进行过滤；至少根据过滤处理后的标注信息，在所述第一神经网络的基础上进行增量训练。在本公开的一些实施例中，所述第一获取模块，用于获取所述人脸图像，包括：在采集到的人脸图像的个数大于或等于第一数量阈值的情况下本文档来自技高网...

【技术保护点】
1.一种神经网络处理方法，其特征在于，所述方法包括：/n获取第一神经网络和人脸图像，所述第一神经网络表示进行人脸识别的神经网络；/n获取所述人脸图像中的标注信息；/n根据优化数据，在所述第一神经网络的基础上进行增量训练，得到第二神经网络；其中，所述优化数据至少包括带有所述标注信息的所述人脸图像。/n

【技术特征摘要】
1.一种神经网络处理方法，其特征在于，所述方法包括：
获取第一神经网络和人脸图像，所述第一神经网络表示进行人脸识别的神经网络；
获取所述人脸图像中的标注信息；
根据优化数据，在所述第一神经网络的基础上进行增量训练，得到第二神经网络；其中，所述优化数据至少包括带有所述标注信息的所述人脸图像。


2.根据权利要求1所述的方法，其特征在于，所述获取人脸图像中的标注信息，包括：
对所述人脸图像进行特征提取，得到所述人脸图像的特征；
对所述人脸图像的特征进行聚类处理，得到聚类结果；
根据所述聚类结果，对所述人脸图像进行标注，得到所述标注信息。


3.根据权利要求2所述的方法，其特征在于，所述聚类结果包括至少一个簇；
所述根据所述聚类结果，对所述人脸图像进行标注，包括：
在所述人脸图像中，将每个簇的标签作为所述每个簇对应的人脸图像的标注信息。


4.根据权利要求2所述的方法，其特征在于，所述对所述人脸图像进行特征提取，包括：
对所述人脸图像进行人脸区域的矫正处理，基于矫正处理后的人脸图像进行特征提取。


5.根据权利要求1所述的方法，其特征在于，所述根据优化数据，在所述第一神经网络的基础上进行增量训练，包括：
按照预设的过滤条件对所述优化数据中所述人脸图像中的标注信息进行过滤；
至少根据过滤处理后的标注信息，在所述第一神经网络的基础上进行增量训练。


6.根据权利要求1所述的方法，其特征在于，获取所述人脸图像，包括：
在采集到的人脸图像的个数大于或等于第一数量阈值的情况下，获取采集到的人脸图像。


7.根据权利要求1所述的方法，其特征在于，所述获取所述人脸图像中的标注信息，包括：
在获取到的所述人脸图像的个数大于或等于第二数量阈值的情况下，获取所述人脸图像中的标注信息。


8.根据权利要求1所述的方法，其特征在于，所述优化数据还包括固定数据和/或第一神经网络的记忆数据；其中，所述固定数据表示初始神经网络的训练数据，所述初始神经网络表示无需增量训练得到的人脸识别神经网络；所述第一神经网络的记忆数据表示第一神经网络的训练数据中，满足预设条件的训练数据。


9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
生成第二神经网络的记忆数据，所述第二神经网络的记忆数据表示第二神经网络的训练数据中，满足预设条件的训练数据；所述第二神经网络的记忆数据，用于在第二神经网络的基础上进行增量训练的情况下，替换所述优化数据中的第一神经网络的记忆数据。


10.根据权利要求1所述的方法，其特征在于，所述根据优化数据，在所述第一神经网络的基础上进行增量训练，得到第二神经网络，包括：
构建至少一组神经网络参数；
针对每组神经网络参数，根据优化数据在所述第一神经网络的基础上进行增量训练，得到每组神经网络参数对应的人脸识别神经网络；
根据每组神经网络参数对应的人脸识别神经网络，得到所述第二神经网络。


11.根据权利要求10所述的方法，其特征在于...

【专利技术属性】
技术研发人员：林成龙，陈大鹏，崔磊，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京;11