一种人脸识别模型的训练方法和装置制造方法及图纸

本发明专利技术实施例提供了一种人脸识别模型的训练方法和装置，所述方法包括：获取原始训练集和变换训练集；将原始训练集和所述变换训练集的图像输入预先训练完成的教师模块进行人脸识别，得到人脸特征；根据原始训练集和变换训练集中各图像的人脸特征，确定原始训练集中各图像的目标人脸特征；将原始训练集的各图像输入学生模型进行人脸识别得到人脸特征，以及对有标签图像进行分类得到分类结果；根据学生模型对各图像输出的人脸特征、各图像对应的目标人脸特征、有标签图像对应的分类结果和分类标签，调整学生模型的参数，以对学生模型进行训练。可以使得学生模型学习从原始训练集和变换训练集融合的特征，从而学习更多图像特征，提高泛化性。提高泛化性。提高泛化性。

【技术实现步骤摘要】
一种人脸识别模型的训练方法和装置


[0001]本专利技术涉及图像识别
，特别是涉及一种人脸识别模型的训练方法和一种人脸识别模型的训练装置。

技术介绍

[0002]人脸识别是基于人的脸部特征信息进行身份验证的一种生物识别技术，使用人脸检测算法，从原始图像中确定人脸区域，用特征提取算法提取人脸特征，并根据人脸特征确认身份。
[0003]现有技术中，往往通过人工手段从人脸图像中确定人脸特征并设置标签。现有的有标签的人脸图像，数据规模很大，但是场景简单，大多都是正对摄像头采集的人脸图像，且时间跨度小，类内相似度很高，用这样的人脸图像训练出来的人脸识别模型泛化性差。

技术实现思路

[0004]鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种人脸识别模型的训练方法和相应的一种人脸识别模型的训练装置。
[0005]为了解决上述问题，本专利技术实施例公开了一种人脸识别模型的训练方法，包括：
[0006]获取原始训练集和对所述原始训练集进行变换得到的变换训练集；所述原始训练集包括具有分类标签的有标签图像和不具有分类标签的无标签图像；
[0007]将所述原始训练集和所述变换训练集的图像输入预先训练完成的教师模块进行人脸识别，得到人脸特征；
[0008]根据所述原始训练集和所述变换训练集中各图像的人脸特征，确定所述原始训练集中各图像的目标人脸特征；
[0009]将所述原始训练集的各图像输入学生模型进行人脸识别得到人脸特征，以及对所述有标签图像进行分类得到分类结果；
[0010]根据所述学生模型对各图像输出的人脸特征、各图像对应的目标人脸特征、所述有标签图像对应的分类结果和分类标签，调整所述学生模型的参数，以对学生模型进行训练。
[0011]可选地，在将所述原始训练集的各图像输入学生模型进行人脸识别得到人脸特征，以及对所述有标签图像进行分类得到分类结果之前，还包括：
[0012]获取学生模块，并对所述学生模型添加模型噪声。
[0013]可选地，所述将所述原始训练集的各图像输入学生模型进行人脸识别得到人脸特征，以及对所述有标签图像进行分类得到分类结果，包括：
[0014]对所述原始训练集的图像增加图像噪声；
[0015]将增加有图像噪声的图像，输入学生模型进行人脸识别得到人脸特征，以及对所述有标签图像进行分类得到分类结果。
[0016]可选地，所述根据所述原始训练集和所述变换训练集中各图像的人脸特征，确定
所述原始训练集中各图像的目标人脸特征，包括：
[0017]对所述原始训练集中的各图像，根据该图像的人脸特征和所述变换训练集中对应图像的人脸特征，计算平均特征作为该图像的目标人脸特征。
[0018]可选地，所述根据所述学生模型对各图像输出的人脸特征、各图像对应的目标人脸特征、所述有标签图像对应的分类结果和分类标签，调整所述学生模型的参数，以对学生模型进行训练，包括：
[0019]根据所述学生模型对各图像输出的人脸特征、各图像对应的目标人脸特征，计算L2损失函数；
[0020]根据所述有标签图像对应的分类结果和分类标签，计算arcface损失函数；
[0021]根据所述L2损失函数和所述arcface损失函数，调整所述学生模型的参数，以对学生模型进行训练。
[0022]可选地，还包括：
[0023]将训练完成的学生模型，作为新的教师模型，并返回获取原始训练集和对所述原始训练集进行变换得到的变换训练集的步骤，以对所述学生模型进行重复训练。
[0024]本专利技术实施例还公开了一种人脸识别模型的训练装置，包括：
[0025]数据获取模块，用于获取原始训练集和对所述原始训练集进行变换得到的变换训练集；所述原始训练集包括具有分类标签的有标签图像和不具有分类标签的无标签图像；
[0026]第一输入模块，用于将所述原始训练集和所述变换训练集的图像输入预先训练完成的教师模块进行人脸识别，得到人脸特征；
[0027]目标特征确定模块，用于根据所述原始训练集和所述变换训练集中各图像的人脸特征，确定所述原始训练集中各图像的目标人脸特征；
[0028]第二输入模块，用于将所述原始训练集的各图像输入学生模型进行人脸识别得到人脸特征，以及对所述有标签图像进行分类得到分类结果；
[0029]调整模块，用于根据所述学生模型对各图像输出的人脸特征、各图像对应的目标人脸特征、所述有标签图像对应的分类结果和分类标签，调整所述学生模型的参数，以对学生模型进行训练。
[0030]可选地，还包括：
[0031]学生模型处理模块，用于获取学生模块，并对所述学生模型添加模型噪声。
[0032]可选地，所述第二输入模块包括：
[0033]图像增强子模块，用于对所述原始训练集的图像增加图像噪声；
[0034]噪声图像输入子模块，用于将增加有图像噪声的图像，输入学生模型进行人脸识别得到人脸特征，以及对所述有标签图像进行分类得到分类结果。
[0035]可选地，所述目标特征确定模块包括：
[0036]平均特征确定子模块，用于对所述原始训练集中的各图像，根据该图像的人脸特征和所述变换训练集中对应图像的人脸特征，计算平均特征作为该图像的目标人脸特征。
[0037]可选地，所述调整模块包括：
[0038]第一函数计算子模块，用于根据所述学生模型对各图像输出的人脸特征、各图像对应的目标人脸特征，计算L2损失函数；
[0039]第二函数计算子模块，用于根据所述有标签图像对应的分类结果和分类标签，计
算arcface损失函数；
[0040]参数调整子模块，用于根据所述L2损失函数和所述arcface损失函数，调整所述学生模型的参数，以对学生模型进行训练。
[0041]可选地，还包括：
[0042]迭代模块，用于将训练完成的学生模型，作为新的教师模型，并返回获取原始训练集和对所述原始训练集进行变换得到的变换训练集的步骤，以对所述学生模型进行重复训练。
[0043]本专利技术实施例还公开了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的人脸识别模型的训练方法的步骤。
[0044]本专利技术实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的人脸识别模型的训练方法的步骤。
[0045]本专利技术实施例包括以下优点：
[0046]本专利技术实施例，将有标签图像和无标签图像共同作为训练集对学生模型进行训练，可以使得学生模型能从丰富的无标签数据中学到更多知识，提高人脸识别的性能，并且无需对无标签数据做额外处理。通过数据蒸馏的方式，将原始训练集进行多种方式的变换得到多种变换训练集，然后通过同一个教师模型对原始训练集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别模型的训练方法，其特征在于，包括：获取原始训练集和对所述原始训练集进行变换得到的变换训练集；所述原始训练集包括具有分类标签的有标签图像和不具有分类标签的无标签图像；将所述原始训练集和所述变换训练集的图像输入预先训练完成的教师模块进行人脸识别，得到人脸特征；根据所述原始训练集和所述变换训练集中各图像的人脸特征，确定所述原始训练集中各图像的目标人脸特征；将所述原始训练集的各图像输入学生模型进行人脸识别得到人脸特征，以及对所述有标签图像进行分类得到分类结果；根据所述学生模型对各图像输出的人脸特征、各图像对应的目标人脸特征、所述有标签图像对应的分类结果和分类标签，调整所述学生模型的参数，以对学生模型进行训练。2.根据权利要求1所述的方法，其特征在于，在将所述原始训练集的各图像输入学生模型进行人脸识别得到人脸特征，以及对所述有标签图像进行分类得到分类结果之前，还包括：获取学生模块，并对所述学生模型添加模型噪声。3.根据权利要求1所述的方法，其特征在于，所述将所述原始训练集的各图像输入学生模型进行人脸识别得到人脸特征，以及对所述有标签图像进行分类得到分类结果，包括：对所述原始训练集的图像增加图像噪声；将增加有图像噪声的图像，输入学生模型进行人脸识别得到人脸特征，以及对所述有标签图像进行分类得到分类结果。4.根据权利要求1所述的方法，其特征在于，所述根据所述原始训练集和所述变换训练集中各图像的人脸特征，确定所述原始训练集中各图像的目标人脸特征，包括：对所述原始训练集中的各图像，根据该图像的人脸特征和所述变换训练集中对应图像的人脸特征，计算平均特征作为该图像的目标人脸特征。5.根据权利要求1所述的方法，其特征在于，所述根据所述学生模型对各图像输出的人脸特征、各图像对应的目标人脸特征、所述有标签图像对应的分类结果和分类标签，调整所述学生模型的参数，以对学生模型进行训练，包括：根据所述学生模型对各图像输出的人脸特征、各图像对应的目标人脸特征，...

【专利技术属性】
技术研发人员：陈新华，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：