人脸识别模型构建方法、人脸识别方法及相关设备技术

本申请提供了一种人脸识别模型构建方法、人脸识别方法及相关设备，该方法包括：获取训练数据集，训练数据集包括多个数据子集，每个数据子集包括属于同一类别的多张人脸图像，通过对每个数据子集包括的各张人脸图像进行类内聚类处理，得到每个数据子集对应的多个初始类簇，实现筛选出噪声数据，并通过对各个初始类簇进行类间聚类处理，得到多个目标类簇，实现对筛选出的噪声数据进行归并与剥离，从而实现对所有人脸图像的正确归类，并基于正确归类后的各个目标类簇，对预先构建的神经网络模型进行模型训练，得到人脸识别模型，实现了在不减少训练数据量的情况下，提高人脸识别模型的训练效果。训练效果。训练效果。

【技术实现步骤摘要】
人脸识别模型构建方法、人脸识别方法及相关设备


[0001]本申请涉及人脸识别
，尤其涉及一种人脸识别模型构建方法、人脸识别方法及相关设备。

技术介绍

[0002]人脸识别为一种重要的人机交互方式，随着人脸识别技术的发展，人脸识别这种人机交互方法已经渗透至生活的方方面面，比如，门禁系统、人脸支付、智慧社区、智能安防、社交娱乐等。
[0003]当前，人脸识别是通过人脸识别模型实现的，人脸识别模型是由带有标签的训练数据集训练得到，然而，训练数据集中往往会存在由错误归类所产生的噪声数据。
[0004]现有技术中，通过一些模型对噪声数据进行剔除，也就是对归类错误的训练数据进行剔除，但是这样会导致训练数据集中训练数据的减少，进而导致人脸识别模型的训练效果不好。

技术实现思路

[0005]本申请提供了一种人脸识别模型构建方法、人脸识别方法及相关设备，目的在于解决对噪声数据进行剔除，导致训练数据减少，进而导致人脸识别模型的训练效果差的问题。
[0006]为了实现上述目的，本申请提供了以下技术方案：
[0007]本申请第一方面公开一种人脸识别模型构建方法，包括：
[0008]获取训练数据集；所述训练数据集包括多个数据子集，每个数据子集包括属于同一类别的多张人脸图像；
[0009]针对每个数据子集，对所述数据子集包括的各张人脸图像进行类内聚类处理，得到所述数据子集对应的多个初始类簇；
[0010]对各个初始类簇进行类间聚类处理，得到多个目标类簇；
[0011]基于各个目标类簇，对预先构建的神经网络模型进行模型训练，得到人脸识别模型。
[0012]本申请第二方面公开一种人脸识别方法，包括：
[0013]获取待识别的人脸图像；
[0014]利用预先构建的人脸识别模型，对所述待识别的人脸图像进行处理，得到所述待识别的人脸图像的目标人脸特征；其中，所述人脸识别模型基于目标训练数据集得到，所述目标训练数据集为对训练数据集中包括的各个数据子集进行类内聚类处理和类间聚类处理得到；
[0015]对所述目标人脸特征与预先存储的人脸特征进行相似度计算；
[0016]将最大相似度对应的人脸特征所对应的人脸信息作为所述待识别的人脸图像的人脸识别结果。
[0017]本申请第三方面公开人脸识别模型构建装置，包括：
[0018]第一获取单元，用于获取训练数据集；所述训练数据集包括多个数据子集，每个数据子集包括属于同一类别的多张人脸图像；
[0019]第一聚类单元，用于针对每个数据子集，对所述数据子集包括的各张人脸图像进行类内聚类处理，得到所述数据子集对应的多个初始类簇；
[0020]第二聚类单元，用于对各个初始类簇进行类间聚类处理，得到多个目标类簇；
[0021]训练单元，用于基于各个目标类簇，对预先构建的神经网络模型进行模型训练，得到人脸识别模型。
[0022]本申请第四方面公开人脸识别装置，包括：
[0023]第二获取单元，用于获取待识别的人脸图像；
[0024]处理单元，用于利用预先构建的人脸识别模型，对所述待识别的人脸图像进行处理，得到所述待识别的人脸图像的目标人脸特征；其中，所述人脸识别模型基于目标训练数据集得到，所述目标训练数据集为对训练数据集中包括的各个数据子集进行类内聚类处理和类间聚类处理得到；
[0025]计算单元，用于对所述目标人脸特征与预先存储的人脸特征进行相似度计算；
[0026]确定单元，用于将最大相似度对应的人脸特征所对应的人脸信息作为所述待识别的人脸图像的人脸识别结果。
[0027]本申请第三方面公开一种存储介质，所述存储介质存储有指令集，其中，所述指令集被处理器执行时实现如上述的人脸识别模型构建方法、以及如上述的人脸识别方法。
[0028]本申请第四方面公开一种电子设备，包括：
[0029]存储器，用于存储至少一组指令集；
[0030]处理器，用于执行所述存储器中存储的指令集，通过执行所述指令集实现如权上述的人脸识别模型构建方法、以及如上述的人脸识别方法。
[0031]与现有技术相比，本申请包括以下优点：
[0032]本申请提供了一种人脸识别模型构建方法、人脸识别方法及相关设备，该方法包括：获取训练数据集，训练数据集包括多个数据子集，每个数据子集包括属于同一类别的多张人脸图像，通过对每个数据子集包括的各张人脸图像进行类内聚类处理，得到每个数据子集对应的多个初始类簇，实现筛选出噪声数据，并通过对各个初始类簇进行类间聚类处理，得到多个目标类簇，实现对筛选出的噪声数据进行归并与剥离，从而实现对所有人脸图像的正确归类，并基于正确归类后的各个目标类簇，对预先构建的神经网络模型进行模型训练，得到人脸识别模型，实现了在不减少训练数据量的情况下，提高人脸识别模型的训练效果。
附图说明
[0033]为了更清楚地说明本申请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申请的实施例，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。
[0034]图1为本申请提供的一种人脸识别模型构建方法的方法流程图；
[0035]图2为本申请提供的一种人脸识别模型构建方法的又一方法流程图；
[0036]图3为本申请提供的一种人脸识别模型构建方法的再一方法流程图；
[0037]图4为本申请提供的一种人脸识别模型构建方法的再一方法流程图；
[0038]图5为本申请提供的一种人脸识别模型构建方法的示例图；
[0039]图6为本申请提供的一种人脸识别方法的方法流程图；
[0040]图7为本申请提供的一种人脸识别模型构建装置的结构示意图；
[0041]图8为本申请提供的一种人脸识别装置的结构示意图；
[0042]图9为本申请提供的一种电子设备的结构示意图。
具体实施方式
[0043]下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0044]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0045]需要注意，本申请公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0046]需要注意，本申请公开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别模型构建方法，其特征在于，包括：获取训练数据集；所述训练数据集包括多个数据子集，每个数据子集包括属于同一类别的多张人脸图像；针对每个数据子集，对所述数据子集包括的各张人脸图像进行类内聚类处理，得到所述数据子集对应的多个初始类簇；对各个初始类簇进行类间聚类处理，得到多个目标类簇；基于各个目标类簇，对预先构建的神经网络模型进行模型训练，得到人脸识别模型。2.根据权利要求1所述的方法，其特征在于，所述对所述数据子集包括的各张人脸图像进行类内聚类处理，得到所述数据子集对应的多个初始类簇，包括：对所述数据子集包括的每张人脸图像进行特征提取，得到每张人脸图像的人脸特征；基于每张人脸图像的人脸特征，利用第一聚类算法，对所述数据子集中包括的各张人脸图像进行类内聚类处理，得到所述数据子集对应的多个初始类簇。3.根据权利要求2所述的方法，其特征在于，所述对各个初始类簇进行类间聚类处理，得到多个目标类簇，包括：针对每个初始类簇，基于所述初始类簇中包括的各张人脸图像的人脸特征，计算所述初始类簇的平均人脸特征；基于每个初始类簇的平均人脸特征，利用第二聚类算法，对各个初始类簇进行类间聚类处理，得到多个目标类簇；其中，所述第二聚类算法的邻域半径大于所述第一聚类算法的邻域半径。4.根据权利要求1～3任意一项所述的方法，其特征在于，所述针对每个数据子集，对每个数据子集包括的各张人脸图像进行类内聚类处理，得到所述数据子集对应的多个初始类簇之前，还包括：对每个数据子集包括的各张人脸图像进行图像预处理。5.根据权利要求4所述的方法，其特征在于，所述对每个数据子集包括的各张人脸图像进行图像预处理，包括：对每个数据子集包括的每张人脸图像进行人脸关键点检测；基于人脸关键点检测得到的结果，对各张人脸图像进行人脸对齐处理。6.一种人脸识别方法，其特征在于，包括：获取待识别的人脸图像；利用预先构建的人脸识别模型，对所述待识别的人脸图像进行处理，得到所述待识别...

【专利技术属性】
技术研发人员：郭东丹，王晓亮，张博，
申请(专利权)人：中国民航信息网络股份有限公司，
类型：发明
国别省市：