本申请提供了一种身份识别模型的训练方法，包括：获取采集的实际场景中包含人脸的图像作为训练图像，对训练图像中的特征进行提取，提取得到人脸特征和非人脸特征；将非人脸特征作为身份识别模型中非人脸识别模型的输入，获取输出的第一身份识别结果；将人脸特征作为身份识别模型中人脸识别模型的输入，获取输出的第二身份识别结果；将第一身份识别结果和第二身份识别结果进行比对，若一致，则提高非人脸识别模型的预判权重；当预判权重大于预设阈值时，则判定非人脸识别模型训练完成。该方法不仅可以便捷地进行模型训练，且训练得到的模型能够快速准确地进行身份识别。此外，还提出了一种身份识别模型的训练装置、警用滑板车和存储介质。车和存储介质。车和存储介质。
【技术实现步骤摘要】
身份识别模型的训练方法、装置、警用滑板车及存储介质
[0001]本申请涉及计算机
，特别涉及为一种身份识别模型的训练方法、装置、警用滑板车及存储介质。
技术介绍
[0002]目前，人脸识别技术已相对成熟，在标准环境下检测和识别的准确率较高，尤其是基于固定设备进行人脸识别的准确度比较高，比如，闸机、门禁等方面的人脸识别。但是，在极端环境下人脸识别往往比较差，比如，在强光、雨天、雾天等环境下的人脸识别往往不准确。
[0003]进一步的，对于警务人员来说，在开展调查、搜寻、抓捕等警务工作时，人脸识别是基于移动设备上的，比如，安装在警车上，需要实现在运动过程中的目标识别，在运动过程中拍摄到的人脸图像往往比较模糊，导致识别准确度比较低。
[0004]现有的为了解决上述问题，通常是通过设计更为复杂的模型结构，但是模型结构越复杂，会导致识别速度越慢，不能达到警务上对识别速度的要求，且模型的训练往往需要大量的训练数据，而训练数据往往需要进行人工标准，导致不仅模型训练耗时耗力，而且也无法达到快速准确识别的目的。因此，亟需一种可以便捷地进行模型训练，且训练得到的模型能够实现快速准确地进行身份识别。
技术实现思路
[0005]基于此，提出了一种身份识别模型的训练方法，该方法可以便捷地进行模型训练，且训练得到的模型能够快速地进行身份识别。
[0006]为实现上述目的，本申请第一方面提供一种身份识别模型的训练方法，应用于警用滑板车，包括：
[0007]获取摄像头采集的实际场景中包含人脸的图像，将所述包含人脸的图像作为训练图像，所述训练图像中包括：人脸特征和非人脸特征；
[0008]对所述训练图像中的特征进行提取，提取得到人脸特征和非人脸特征；
[0009]将所述非人脸特征作为所述身份识别模型中非人脸识别模型的输入，获取所述非人脸识别模型输出的第一身份识别结果；
[0010]将所述人脸特征作为所述身份识别模型中人脸识别模型的输入，获取所述人脸识别模型输出的第二身份识别结果,所述人脸识别模型为已训练好的模型；
[0011]将所述第一身份识别结果和所述第二身份识别结果进行比对，若一致，则提高所述非人脸识别模型的预判权重，若不一致，则将对应的训练图像加入错误训练集，所述错误训练集用于对所述非人脸识别模型进行强化训练；
[0012]当所述非人脸识别模型的预判权重大于预设阈值时，则判定所述非人脸识别模型训练完成。
[0013]为实现上述目的，本申请第二方面提供一种身份识别模型的训练装置，包括：
[0014]获取模块，用于获取摄像头采集的实际场景中包含人脸的图像，将所述包含人脸的图像作为训练图像，所述训练图像中包括：人脸特征和非人脸特征；
[0015]提取模块，用于对所述训练图像中的特征进行提取，提取得到人脸特征和非人脸特征；
[0016]第一输出模块，用于将所述非人脸特征作为所述身份识别模型中非人脸识别模型的输入，获取所述非人脸识别模型输出的第一身份识别结果；
[0017]第二输出模块，用于将所述人脸特征作为所述身份识别模型中人脸识别模型的输入，获取所述人脸识别模型输出的第二身份识别结果,所述人脸识别模型为已训练好的模型；
[0018]比对模块，用于将所述第一身份识别结果和所述第二身份识别结果进行比对，若一致，则提高所述非人脸识别模型的预判权重，若不一致，则将对应的训练图像加入错误训练集，所述错误训练集用于对所述非人脸识别模型进行强化训练；
[0019]判定模块，用于当所述非人脸识别模型的预判权重大于预设阈值时，则判定所述非人脸识别模型训练完成。
[0020]为实现上述目的，本申请第三方面提供一种警用滑板车，包括：包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
[0021]获取摄像头采集的实际场景中包含人脸的图像，将所述包含人脸的图像作为训练图像，所述训练图像中包括：人脸特征和非人脸特征；
[0022]对所述训练图像中的特征进行提取，提取得到人脸特征和非人脸特征；
[0023]将所述非人脸特征作为所述身份识别模型中非人脸识别模型的输入，获取所述非人脸识别模型输出的第一身份识别结果；
[0024]将所述人脸特征作为所述身份识别模型中人脸识别模型的输入，获取所述人脸识别模型输出的第二身份识别结果,所述人脸识别模型为已训练好的模型；
[0025]将所述第一身份识别结果和所述第二身份识别结果进行比对，若一致，则提高所述非人脸识别模型的预判权重，若不一致，则将对应的训练图像加入错误训练集，所述错误训练集用于对所述非人脸识别模型进行强化训练；
[0026]当所述非人脸识别模型的预判权重大于预设阈值时，则判定所述非人脸识别模型训练完成。
[0027]为实现上述目的，本申请第四方面提供一种计算机可读存储介质，包括：存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
[0028]获取摄像头采集的实际场景中包含人脸的图像，将所述包含人脸的图像作为训练图像，所述训练图像中包括：人脸特征和非人脸特征；
[0029]对所述训练图像中的特征进行提取，提取得到人脸特征和非人脸特征；
[0030]将所述非人脸特征作为所述身份识别模型中非人脸识别模型的输入，获取所述非人脸识别模型输出的第一身份识别结果；
[0031]将所述人脸特征作为所述身份识别模型中人脸识别模型的输入，获取所述人脸识别模型输出的第二身份识别结果,所述人脸识别模型为已训练好的模型；
[0032]将所述第一身份识别结果和所述第二身份识别结果进行比对，若一致，则提高所
述非人脸识别模型的预判权重，若不一致，则将对应的训练图像加入错误训练集，所述错误训练集用于对所述非人脸识别模型进行强化训练；
[0033]当所述非人脸识别模型的预判权重大于预设阈值时，则判定所述非人脸识别模型训练完成。
[0034]上述身份识别模型的训练方法、装置、设备及存储介质，直接将采集到的实际场景中包含人脸的图像作为训练图像，然后对训练图像进行特征提取，得到人脸特征和非人脸特征，将非人脸特征作为非人脸识别模型的输入，获取非人脸识别模型输出的第一身份识别结果，将人脸特征作为人脸识别模型的输入，获取人脸识别模型输出的第二身份识别结果，第二身份识别结果为准确的结果，将第一身份识别结果与第二身份识别结果进行比对，若一致，说明非人脸识别模型识别准确，增加非人脸识别模型的预判权重，若不一致，说明非人脸识别模型识别错误，则将对应的训练图像加入错误训练集，后续利用错误训练集对所述非人脸识别模型进行强化训练。通过非人脸识别模型的预判权重大于预设阈值时，说明非人脸识别模型的识别准确度已经达到了要求，训练完成。该身份识别模型中非人脸识别模型的训练方法中不需要对训练图像进行标注，大大节约了成本，且该训练图像为实际场景中的图像，使得训练得到的非人脸识本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种身份识别模型的训练方法，其特征在于，包括：获取摄像头采集的实际场景中包含人脸的图像，将所述包含人脸的图像作为训练图像，所述训练图像中包括：人脸特征和非人脸特征；对所述训练图像中的特征进行提取，提取得到人脸特征和非人脸特征；将所述非人脸特征作为所述身份识别模型中非人脸识别模型的输入，获取所述非人脸识别模型输出的第一身份识别结果；将所述人脸特征作为所述身份识别模型中人脸识别模型的输入，获取所述人脸识别模型输出的第二身份识别结果,所述人脸识别模型为已训练好的模型；将所述第一身份识别结果和所述第二身份识别结果进行比对，若一致，则提高所述非人脸识别模型的预判权重，若不一致，则将对应的训练图像加入错误训练集，所述错误训练集用于对所述非人脸识别模型进行强化训练；当所述非人脸识别模型的预判权重大于预设阈值时，则判定所述非人脸识别模型训练完成。2.根据权利要求1所述的方法，其特征在于，所述非人脸特征包括：衣服、配饰；所述方法还包括：获取摄像头采集到的待识别身份的人物图像，对所述待识别身份的人物图像进行特征提取，得到非人脸特征；将所述非人脸特征作为训练好的所述身份识别模型中的非人脸识别模型的输入，获取所述非人脸识别模型输出的身份识别结果。3.根据权利要求1所述的方法，其特征在于，所述将所述第一身份识别结果和所述第二身份识别结果进行比对，若一致，则提高所述非人脸识别模型的预判权重，包括：所述预判权重采用如下迭代公式计算得到：D＝|C
×
X
p
(t)
‑
X(t)|X(t+1)＝X
p
(t)
‑
A
×
D其中，D表示个体与目标间的距离，X
p
(t)表示目标的位置向量，X(t)表示个体的位置向量，t表示迭代次数，A和C表示系数向量，通过上述迭代公式进行计算得到达到收敛条件时的目标位置向量，将所述目标位置向量作为所述预判权重。4.根据权利要求1所述的方法，其特征在于，所述非人脸特征还包括：步态特征；所述方法还包括：获取所述非人脸识别模型易识别错的相似样本，作为相似样本集；提取所述相似样本集中相似样本中的步态特征，所述步态特征是通过提取关节的运动特征得到的；基于所述步态特征采用所述身份识别模型中的非人脸特征模型进行识别，得到第三身份识别结果；将所述第三身份识别结果和所述第二身份识别结果进行比对，若一致，则提高所述非人脸识别模型的预判权重。5.根据权利要求4所述的方法，其特征在于，所述提取所述相似样本...
【专利技术属性】
技术研发人员：李超，殷光强，殷唯，秦臻，王治国，
申请(专利权)人：电科智动深圳科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。