一种人脸比对的图卷积神经网络训练方法及装置制造方法及图纸

本申请实施例公开了一种人脸比对的图卷积神经网络训练方法及装置。本申请实施例提供的技术方案通过确定人脸图片之间的相似度距离，根据相似度距离与邻域半径的比较情况，为每个人脸图片构建人脸图片邻域，并进一步按照相似度分割阈值构造同类低相似度的正样本集和不同类高相似度的负样本集，依据正样本集和负样本集对基于图卷积神经网络构建二分类的多对多人脸识别模型进行训练，以使多对多人脸识别模型的正确率达到设定要求，通过正样本集和负样本集进行模型训练，降低样本数据规模，减少训练时间，提升对人脸识别图卷积神经网络的训练效率，有效强化多对多人脸识别模型的识别能力。

【技术实现步骤摘要】
一种人脸比对的图卷积神经网络训练方法及装置
本申请实施例涉及图像处理
，尤其涉及一种人脸比对的图卷积神经网络训练方法及装置。
技术介绍
随着深度学习技术的快速发展，人脸识别的精度得到了显著的提升，人脸识别技术在商业和安防场景也得到大量应用，其中对未打标签的人脸图片进行人脸聚类是一种比较常见的应用。在进行人脸聚类过程中，两组人脸图片进行m:n比对合并判断是人脸聚类场景中比较常见的问题。现有技术中经常利用卷积神经网络进行人脸聚类，在卷积神经网络投入使用之前，需要对卷积神经网络进行训练，但是对卷积神经网络的训练一般会基于大量的人脸图片进行，导致训练效率较低。
技术实现思路
本申请实施例提供一种人脸比对的图卷积神经网络训练方法及装置，以提升对人脸识别图卷积神经网络的训练效率。在第一方面，本申请实施例提供了一种人脸比对的图卷积神经网络训练方法，包括：基于设定的邻域半径，根据每个人脸图片之间的相似度距离为每个所述人脸图片构建人脸图片邻域；按照设定的相似度分割阈值，根据所述人脸图片邻域构造同类低相似度的正样本集和不同类高相似度的负样本集；基于图卷积神经网络构建二分类的多对多人脸识别模型；依据所述正样本集和所述负样本集对所述多对多人脸识别模型进行训练，以使所述多对多人脸识别模型的正确率达到设定要求。进一步的，所述基于设定的邻域半径，根据每个人脸图片之间的相似度距离为每个所述人脸图片构建人脸图片邻域，包括：基于人脸图片数据集，确定两两人脸图片之间的相似度距离，所述人脸图片数据集保存有多个确定人脸分类的人脸图片；对于每个所述人脸图片，确定在同一人脸分类中，对应所述相似度距离在设定的邻域半径以内的其他所述人脸图片；基于确定的所述人脸图片为每个所述人脸图片构建人脸图片邻域。进一步的，所述按照设定的相似度分割阈值，根据所述人脸图片邻域构造同类低相似度的正样本集和不同类高相似度的负样本集，包括：分别确定每个人脸分类中，两两所述人脸图片之间的相似度距离，并确定对应相似度距离大于设定的相似度分割阈值的正人脸图片组；确定所述正人脸图片组中每张所述人脸图片对应的人脸图片邻域，并基于所述人脸图片邻域构造同类低相似度的正样本集；分别确定不同人脸分类中，所述人脸图片之间的相似度距离，并确定对应相似度距离小于等于设定的相似度分割阈值的负人脸图片组；确定所述负人脸图片组中每张所述人脸图片对应的人脸图片邻域，并基于所述人脸图片邻域构造不同类高相似度的负样本集。进一步的，所述多对多人脸识别模型为：Hl＝δ(D-1AHl-1Wl-1)Y＝g(HL)其中，Hl为卷积神经网络的第l层隐藏向量，是一个(m+n)×dl矩阵，m和n分别为两组人脸图片邻域包含的人脸图片的图片数量，dl表示第l层的维度，l的取值为1～L，L为设定的最后一个隐藏层，Wl-1为模型第l层的训练参数，A为两组人脸图片的相似度距离矩阵，D为相似度距离矩阵的度矩阵，A和D是(m+n)×(m+n)矩阵，δ为神经网络激活函数，g为实现从到R的变换映射函数，Y为0或1。进一步的，所述相似度距离矩阵的定义为：其中，sn×m为n张人脸图片和m张人脸图片的相似度矩阵，其矩阵元素取值范围为从0到1。进一步的，所述相似度距离矩阵的度矩阵的定义为：其中，ai，j为相似度距离矩阵第i行第j列的元素值。进一步的，所述变换映射函数的定义为：Y＝g(HL)＝g3(g2(g1(HL)))其中，g1表示最大池化操作，用于实现对HL的每个维度按照行取最大值得到dL维度向量h；g2表示特征加权操作，用于实现将dL维度向量h映射成2维向量h°，其由以下公式确定：h°＝δ(hw)其中，w是一个dL×2的模型训练参数矩阵，δ为神经网络激活函数；g3表示判断操作，由以下公式确定：其中，表示h°的两个分量。在第二方面，本申请实施例提供了一种人脸比对的图卷积神经网络训练装置，包括邻域构建模块、样本构造模块、模型构建模块和模型训练模块，其中：所述邻域构建模块，用于基于设定的邻域半径，根据每个人脸图片之间的相似度距离为每个所述人脸图片构建人脸图片邻域；所述样本构造模块，用于按照设定的相似度分割阈值，根据所述人脸图片邻域构造同类低相似度的正样本集和不同类高相似度的负样本集；所述模型构建模块，用于基于图卷积神经网络构建二分类的多对多人脸识别模型；所述模型训练模块，用于依据所述正样本集和所述负样本集对所述多对多人脸识别模型进行训练，以使所述多对多人脸识别模型的正确率达到设定要求。进一步的，所述邻域构建模块具体用于：基于人脸图片数据集，确定两两人脸图片之间的相似度距离，所述人脸图片数据集保存有多个确定人脸分类的人脸图片；对于每个所述人脸图片，确定在同一人脸分类中，对应所述相似度距离在设定的邻域半径以内的其他所述人脸图片；基于确定的所述人脸图片为每个所述人脸图片构建人脸图片邻域。进一步的，所述样本构造模块具体用于：分别确定每个人脸分类中，两两所述人脸图片之间的相似度距离，并确定对应相似度距离大于设定的相似度分割阈值的正人脸图片组；确定所述正人脸图片组中每张所述人脸图片对应的人脸图片邻域，并基于所述人脸图片邻域构造同类低相似度的正样本集；分别确定不同人脸分类中，所述人脸图片之间的相似度距离，并确定对应相似度距离小于等于设定的相似度分割阈值的负人脸图片组；确定所述负人脸图片组中每张所述人脸图片对应的人脸图片邻域，并基于所述人脸图片邻域构造不同类高相似度的负样本集。进一步的，所述模型构建模块所构建的多对多人脸识别模型为：Hl＝δ(D-1AHl-1Wl-1)Y＝g(HL)其中，Hl为卷积神经网络的第l层隐藏向量，是一个(m+n)×dl矩阵，dl表示第l层的维度，l的取值为1～L，L为设定的最后一个隐藏层，Wl-1为模型第l层的训练参数，A为两组人脸图片的相似度距离矩阵，D为相似度距离矩阵的度矩阵，A和D是(m+n)×(m+n)矩阵，δ为神经网络激活函数，g为实现从到R的变换映射函数，Y为0或1。进一步的，所述相似度距离矩阵的定义为：其中，sn×m为n张人脸图片和m张人脸图片的相似度矩阵，其矩阵元素取值范围为从0到1。进一步的，所述相似度距离矩阵的度矩阵的定义为：其中，ai，j为相似度距离矩阵第i行第j列的元素值。进一步的，所述变换映射函数的定义为：Y＝g(HL)＝g3(g2(g1(HL)))其中，g1表示最大池化操作，用于实现对HL的每个维度按照行取最大值得到dL维度向量h；g2表示特征加权操作，用于实现将dL维度向量h映射成2维向量h°，其由以下公式确定：h°＝δ(hw)其中本文档来自技高网...

【技术保护点】
1.一种人脸比对的图卷积神经网络训练方法，其特征在于，包括：/n基于设定的邻域半径，根据每个人脸图片之间的相似度距离为每个所述人脸图片构建人脸图片邻域；/n按照设定的相似度分割阈值，根据所述人脸图片邻域构造同类低相似度的正样本集和不同类高相似度的负样本集；/n基于图卷积神经网络构建二分类的多对多人脸识别模型；/n依据所述正样本集和所述负样本集对所述多对多人脸识别模型进行训练，以使所述多对多人脸识别模型的正确率达到设定要求。/n

【技术特征摘要】
1.一种人脸比对的图卷积神经网络训练方法，其特征在于，包括：
基于设定的邻域半径，根据每个人脸图片之间的相似度距离为每个所述人脸图片构建人脸图片邻域；
按照设定的相似度分割阈值，根据所述人脸图片邻域构造同类低相似度的正样本集和不同类高相似度的负样本集；
基于图卷积神经网络构建二分类的多对多人脸识别模型；
依据所述正样本集和所述负样本集对所述多对多人脸识别模型进行训练，以使所述多对多人脸识别模型的正确率达到设定要求。


2.根据权利要求1所述的人脸比对的图卷积神经网络训练方法，其特征在于，所述基于设定的邻域半径，根据每个人脸图片之间的相似度距离为每个所述人脸图片构建人脸图片邻域，包括：
基于人脸图片数据集，确定两两人脸图片之间的相似度距离，所述人脸图片数据集保存有多个确定人脸分类的人脸图片；
对于每个所述人脸图片，确定在同一人脸分类中，对应所述相似度距离在设定的邻域半径以内的其他所述人脸图片；
基于确定的所述人脸图片为每个所述人脸图片构建人脸图片邻域。


3.根据权利要求1所述的人脸比对的图卷积神经网络训练方法，其特征在于，所述按照设定的相似度分割阈值，根据所述人脸图片邻域构造同类低相似度的正样本集和不同类高相似度的负样本集，包括：
分别确定每个人脸分类中，两两所述人脸图片之间的相似度距离，并确定对应相似度距离大于设定的相似度分割阈值的正人脸图片组；
确定所述正人脸图片组中每张所述人脸图片对应的人脸图片邻域，并基于所述人脸图片邻域构造同类低相似度的正样本集；
分别确定不同人脸分类中，所述人脸图片之间的相似度距离，并确定对应相似度距离小于等于设定的相似度分割阈值的负人脸图片组；
确定所述负人脸图片组中每张所述人脸图片对应的人脸图片邻域，并基于所述人脸图片邻域构造不同类高相似度的负样本集。


4.根据权利要求1所述的人脸比对的图卷积神经网络训练方法，其特征在于，所述多对多人脸识别模型为：
Hl＝δ(D-1AHl-1Wl-1)
Y＝g(HL)
其中，Hl为卷积神经网络的第l层隐藏向量，是一个(m+n)×dl矩阵，m和n分别为两组人脸图片邻域包含的人脸图片的图片数量，dl表示第l层的维度，l的取值为1～L，L为设定的最后一个隐藏层，Wl-1为模型第l层的训练参数，A为两组人脸图片的相似度距离矩阵，D为相似度距离矩阵的度矩阵，A和D是(m+n)×(m+n)矩阵，δ为神经网络激活函数...

【专利技术属性】
技术研发人员：李逸帆，秦伟，丁保剑，
申请(专利权)人：佳都新太科技股份有限公司，广州佳都科技软件开发有限公司，
类型：发明
国别省市：广东;44