一种构建人脸识别模型的方法及装置制造方法及图纸

本发明专利技术提供了一种构建人脸识别模型的方法及装置，其中，该方法包括：获取标签标记的人脸标记图像集及未进行标签标记的人脸未标记图像集；对人脸标记图像集进行数据增强，得到人脸标记增强图像集；将人脸标记图像集以及人脸标记增强图像集输入人脸识别模型的第一编码器，得到人脸标签特征数据集及人脸标签增强特征数据集；人脸未标记图像集输入第二编码器，得到人脸未标记特征数据集；基于人脸标签特征数据集、人脸标签增强特征数据集以及人脸未标记特征数据集，计算融合损失，若融合损失不满足收敛条件，更新第一编码器，利用更新的第一编码器更新第二编码器，直至融合损失满足收敛条件。可以提高训练人脸识别模型的效率。可以提高训练人脸识别模型的效率。可以提高训练人脸识别模型的效率。

【技术实现步骤摘要】
一种构建人脸识别模型的方法及装置


[0001]本专利技术涉及人脸识别
，具体而言，涉及一种构建人脸识别模型的方法及装置。

技术介绍

[0002]人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。通过利用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别。脸部识别一般通过训练的人脸识别模型执行，已被广泛应用在安全防控、智能安防、身份识别、轨迹追踪、金融支付、门禁打卡等领域。但为了使得训练的人脸识别模型具有较高的识别精度，人脸识别模型的训练需要大量的人脸数据，例如，需要对数十万的人脸标识(ID)及上千万的图片进行标注，标注所需的财力和时间极为庞大，使得训练人脸识别模型的效率较低。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供构建人脸识别模型的方法及装置，以提高训练人脸识别模型的效率。
[0004]第一方面，本专利技术实施例提供了构建人脸识别模型的方法，包括：
[0005]获取进行标签标记的人脸标记图像集，以及，获取未进行标签标记的人脸未标记图像集；
[0006]针对人脸标记图像集中的每一人脸标记图像，分别进行数据增强，得到人脸标记增强图像集；
[0007]将人脸标记图像集以及人脸标记增强图像集输入人脸识别模型的第一编码器进行人脸特征识别，得到人脸标记图像集对应的人脸标签特征数据集以及人脸标记增强图像集对应的人脸标签增强特征数据集；
[0008]从人脸未标记图像集中提取人脸未标记图像，输入人脸识别模型的第二编码器进行人脸特征识别，得到人脸未标记特征数据集；
[0009]基于人脸标签特征数据集，计算深度人脸识别的附加角边缘损失，基于人脸标签特征数据集、人脸标签增强特征数据集以及人脸未标记特征数据集，计算对比损失；
[0010]依据深度人脸识别的附加角边缘损失以及对比损失，计算融合损失，若融合损失不满足预先设置的收敛条件，更新第一编码器的编码器参数，利用更新的第一编码器参数动量更新第二编码器的编码器参数，直至融合损失满足预先设置的收敛条件。
[0011]结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，所述将人脸标记图像集以及人脸标记增强图像集输入人脸识别模型的第一编码器进行人脸特征识别，包括：
[0012]针对每一次迭代，选取人脸标记图像集中预设第一数量的人脸标记图像，将选取的人脸标记图像以及与该人脸标记图像对应的人脸标记增强图像，输入人脸识别模型。
[0013]结合第一方面，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，所述从人脸未标记图像集中提取人脸未标记图像，包括：
[0014]选取人脸未标记图像集中预设第二数量的人脸未标记图像，构建字典；
[0015]在每次进行迭代后，从字典中删除预设第三数量的人脸未标记图像，从人脸未标记图像集中，提取预设第三数量的人脸未标记图像，添加至字典中。
[0016]结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，所述基于人脸标签特征数据集、人脸标签增强特征数据集以及人脸未标记特征数据集，计算对比损失，包括：
[0017]基于人脸标记图像集中的各人脸标记图像的注意力集中标签或注意力未集中标签，将人脸标签特征数据集分类为人脸注意力集中特征数据子集以及人脸注意力未集中特征数据子集，以及，将人脸标签增强特征数据集分类为人脸注意力集中增强特征数据子集以及人脸注意力未集中增强特征数据子集；
[0018]依据人脸注意力集中特征数据子集和人脸注意力集中增强特征数据子集，以及，人脸注意力未集中特征数据子集和人脸注意力未集中增强特征数据子集，构建正样本对集；
[0019]依据人脸注意力集中特征数据子集和人脸注意力未集中增强特征数据子集、人脸注意力未集中特征数据子集和人脸注意力集中增强特征数据子集、人脸标签特征数据集和人脸未标记特征数据集、以及，人脸标签增强特征数据集和人脸未标记特征数据集，构建负样本对集；
[0020]依据正样本对集和负样本对集计算对比损失。
[0021]结合第一方面、第一方面的第一种可能的实施方式至或第三种可能的实施方式中的任一种可能的实施方式，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，所述获取未进行标签标记的人脸未标记图像集，包括：
[0022]利用网络爬虫程序，从互联网上抓取人脸图像，对抓取的人脸图像进行人脸对齐，得到人脸未标记图像，置于所述人脸未标记图像集，所述人脸未标记图像的尺寸与人脸标记图像集中的人脸标记图像的尺寸相一致。
[0023]结合第一方面、第一方面的第一种可能的实施方式至或第三种可能的实施方式中的任一种可能的实施方式，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，所述方法还包括：
[0024]获取第一人脸图片以及第二人脸图片，将第一人脸图片和第二人脸图片输入完成训练的人脸识别模型的第一编码器或第二编码器，得到第一人脸图片对应的第一人脸特征数据以及第二人脸图片对应的第二人脸特征数据；
[0025]计算第一人脸特征数据与第二人脸特征数据的相似度值，基于相似度值判断第一人脸图片与第二人脸图片是否属于同一人脸。
[0026]第二方面，本专利技术实施例还提供了一种构建人脸识别模型的装置，包括：
[0027]图像集获取模块，用于获取进行标签标记的人脸标记图像集，以及，获取未进行标签标记的人脸未标记图像集；
[0028]图像增强模块，用于针对人脸标记图像集中的每一人脸标记图像，分别进行数据增强，得到人脸标记增强图像集；
[0029]第一特征识别模块，用于将人脸标记图像集以及人脸标记增强图像集输入人脸识别模型的第一编码器进行人脸特征识别，得到人脸标记图像集对应的人脸标签特征数据集以及人脸标记增强图像集对应的人脸标签增强特征数据集；
[0030]第二特征识别模块，用于从人脸未标记图像集中提取人脸未标记图像，输入人脸识别模型的第二编码器进行人脸特征识别，得到人脸未标记特征数据集；
[0031]分类损失计算模块，用于基于人脸标签特征数据集，计算深度人脸识别的附加角边缘损失，基于人脸标签特征数据集、人脸标签增强特征数据集以及人脸未标记特征数据集，计算对比损失；
[0032]收敛判断模块，用于依据深度人脸识别的附加角边缘损失以及对比损失，计算融合损失，若融合损失不满足预先设置的收敛条件，更新第一编码器的编码器参数，利用更新的第一编码器参数动量更新第二编码器的编码器参数，直至融合损失满足预先设置的收敛条件。
[0033]结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，其中，所述第一特征识别模块，具体用于：
[0034]针对每一次迭代，选取人脸标记图像集中预设第一数量的人脸标记图像，将选取的人脸标记图像以及与该人脸标记图像对应的人脸标记增强图像，输入人脸识别模型。
[0035]第三方面，本申请实施例提供了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种构建人脸识别模型的方法，其特征在于，包括：获取进行标签标记的人脸标记图像集，以及，获取未进行标签标记的人脸未标记图像集；针对人脸标记图像集中的每一人脸标记图像，分别进行数据增强，得到人脸标记增强图像集；将人脸标记图像集以及人脸标记增强图像集输入人脸识别模型的第一编码器进行人脸特征识别，得到人脸标记图像集对应的人脸标签特征数据集以及人脸标记增强图像集对应的人脸标签增强特征数据集；从人脸未标记图像集中提取人脸未标记图像，输入人脸识别模型的第二编码器进行人脸特征识别，得到人脸未标记特征数据集；基于人脸标签特征数据集，计算深度人脸识别的附加角边缘损失，基于人脸标签特征数据集、人脸标签增强特征数据集以及人脸未标记特征数据集，计算对比损失；依据深度人脸识别的附加角边缘损失以及对比损失，计算融合损失，若融合损失不满足预先设置的收敛条件，更新第一编码器的编码器参数，利用更新的第一编码器参数动量更新第二编码器的编码器参数，直至融合损失满足预先设置的收敛条件。2.根据权利要求1所述的方法，其特征在于，所述将人脸标记图像集以及人脸标记增强图像集输入人脸识别模型的第一编码器进行人脸特征识别，包括：针对每一次迭代，选取人脸标记图像集中预设第一数量的人脸标记图像，将选取的人脸标记图像以及与该人脸标记图像对应的人脸标记增强图像，输入人脸识别模型。3.根据权利要求1所述的方法，其特征在于，所述从人脸未标记图像集中提取人脸未标记图像，包括：选取人脸未标记图像集中预设第二数量的人脸未标记图像，构建字典；在每次进行迭代后，从字典中删除预设第三数量的人脸未标记图像，从人脸未标记图像集中，提取预设第三数量的人脸未标记图像，添加至字典中。4.根据权利要求1所述的方法，其特征在于，所述基于人脸标签特征数据集、人脸标签增强特征数据集以及人脸未标记特征数据集，计算对比损失，包括：基于人脸标记图像集中的各人脸标记图像的注意力集中标签或注意力未集中标签，将人脸标签特征数据集分类为人脸注意力集中特征数据子集以及人脸注意力未集中特征数据子集，以及，将人脸标签增强特征数据集分类为人脸注意力集中增强特征数据子集以及人脸注意力未集中增强特征数据子集；依据人脸注意力集中特征数据子集和人脸注意力集中增强特征数据子集，以及，人脸注意力未集中特征数据子集和人脸注意力未集中增强特征数据子集，构建正样本对集；依据人脸注意力集中特征数据子集和人脸注意力未集中增强特征数据子集、人脸注意力未集中特征数据子集和人脸注意力集中增强特征数据子集、人脸标签特征数据集和人脸未标记特征数据集、以及，人脸标签增强特征数据集和人脸未标记特征数据集，构建负样本对集；依据正样本对集和负样本对集计算对比损失。5.根据权利要求1至4任一项所述...

【专利技术属性】
技术研发人员：刘向阳，刘星，赵晨旭，唐大闰，
申请(专利权)人：上海明略人工智能集团有限公司，
类型：发明
国别省市：