人脸识别网络训练方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种人脸识别网络训练方法、装置、电子设备及存储介质，该方法包括：从样本数据库中获取多个样本图像；其中，样本数据库中存储有与各个样本图像所匹配的样本用户的初始特征向量；将多个样本图像输入至待训练人脸识别网络中，得到每个样本图像对应的人脸特征向量；基于各个样本图像分别对应的人脸特征向量和样本数据库中包括的多个初始特征向量，确定待训练人脸识别网络对应的损失值；其中，损失值包括正确接受比例对应的第一损失值以及错误接受比例对应的第二损失值中的至少一项；基于损失值，对待训练人脸识别网络进行训练，直至满足训练截止条件，得到目标人脸识别网络。网络。网络。

【技术实现步骤摘要】
人脸识别网络训练方法、装置、电子设备及存储介质


[0001]本公开涉及深度学习
，具体而言，涉及一种人脸识别网络训练方法、装置、电子设备及存储介质。

技术介绍

[0002]人脸识别是目前应用较广泛的生物识别技术之一，人脸识别可以应用于多种场景中，比如手机解锁，闸机通关，门禁打卡等场景等。其中，可以利用训练得到的人脸识别神经网络进行人脸识别。
[0003]在人脸识别神经网络训练后，可以对训练后的人脸识别神经网络进行测试，确定测试指标：正确接受比例(True Accept Rate，TAR)和错误接受比例(False Accept Rate，FAR)，利用TAR和FAR评测训练后的人脸比对神经网络的性能。一般的，在人脸识别神经网络的训练过程中，不会对人脸识别神经网络的TAR指标和FAR指标进行优化训练，使得测试时无法保障训练后的人脸识别神经网络对应的TAR指标和FAR指标能够满足要求，造成人脸识别神经网络的训练效果较差。

技术实现思路

[0004]有鉴于此，本公开至少提供一种人脸识别网络训练方法、装置、电子设备及存储介质，以提高训练得到的人脸识别网络的性能。
[0005]第一方面，本公开提供了一种人脸识别网络训练方法，包括：
[0006]从样本数据库中获取多个样本图像；其中，所述样本数据库中存储有与各个样本图像所匹配的样本用户的初始特征向量；
[0007]将所述多个样本图像输入至待训练人脸识别网络中，得到每个所述样本图像对应的人脸特征向量；
[0008]基于各个所述样本图像分别对应的人脸特征向量和所述样本数据库中包括的多个初始特征向量，确定所述待训练人脸识别网络对应的损失值；其中，所述损失值包括正确接受比例对应的第一损失值以及错误接受比例对应的第二损失值中的至少一项；
[0009]基于所述损失值，对所述待训练人脸识别网络进行训练，直至满足训练截止条件，得到目标人脸识别网络。
[0010]上述方法中，通过基于各个样本图像分别对应的人脸特征向量和样本数据库中包括的多个初始特征向量，确定待训练人脸识别网络对应的损失值，该损失值包括TAR对应的第一损失值和/或FAR对应的第二损失值，在待训练人脸识别网络的训练过程中，将FAR和/或TAR作为监督信号，直接对待训练人脸识别网络对应的FAR和/或TAR进行优化，使得训练得到的目标人脸识别网络的FAR指标和/或TAR指标满足测试要求，提高了训练得到的目标人脸识别网络的性能。
[0011]一种可能的实施方式中，在所述确定所述待训练人脸识别网络对应的损失值之后，所述方法还包括：
[0012]利用所述样本图像对应的人脸特征向量，对与该样本图像对应的所述样本用户的初始特征向量进行更新，得到所述样本用户对应的更新后的初始特征向量。
[0013]考虑到，待训练人脸识别网络是朝向识别精准的方向进行优化的，一般的，训练次数较多的待训练人脸识别网络提取到的人脸特征向量的精准度、大于训练次数较少的待训练人脸识别网络提取到的人脸特征向量。基于此，可以在确定损失值之后，利用样本图像对应的人脸特征向量，对样本数据库中的该样本图像对应的样本用户的初始特征向量进行更新，得到样本用户对应的更新后的初始特征向量。使得样本数据库是一个可以随着训练过程实时更新，保障了样本数据库中存储的样本数据的实时性和有效性，提高了样本数据库中存储的初始特征向量的精准度。
[0014]一种可能的实施方式中，所述样本数据库中还存储有所述初始特征向量对应的剩余有效步长；以及所述初始特征向量的初始有效步长为预设步长；在所述得到每个所述样本图像对应的人脸特征向量之后，所述方法还包括：
[0015]将所述样本数据库中每个初始特征向量对应的剩余有效步长进行减一操作，并将减一操作后剩余有效步长为零的初始特征向量删除，得到更新后的样本数据库。
[0016]这里，还可以确定样本数据库中的每个初始特征向量对应的剩余有效步长，待训练人脸识别网络每训练一次，剩余有效步长减一，在剩余有效步长为0时，认为该初始特征向量的精准度已不满足要求，即确定该初始特征向量无效，则可以将减一操作后剩余有效步长为零的初始特征向量删除，以保障样本数据库中存储的初始特征向量的精准度。
[0017]一种可能的实施方式中，所述基于各个所述样本图像分别对应的人脸特征向量和所述样本数据库中包括的多个初始特征向量，确定所述待训练人脸识别网络对应的损失值，包括：
[0018]基于所述样本图像所匹配的样本用户，确定所述样本图像对应的正样本集合和负样本集合；其中，所述正样本集合中包括至少一个正样本特征对，每个正样本特征对包括样本图像对应的人脸特征向量、和该样本图像所匹配的样本用户的第一初始特征向量；所述负样本集合中包括至少一个负样本特征对，每个负样本特征对包括样本图像对应的人脸特征向量、和所述样本数据库中除该样本图像所匹配的样本用户的第一初始特征向量之外的第二初始特征向量；
[0019]确定每个所述正样本特征对中包括的所述人脸特征向量和所述第一初始特征向量之间的第一相似度，和每个所述负样本特征对中包括的所述人脸特征向量和所述第二初始特征向量之间的第二相似度中的至少一项；
[0020]基于得到的所述第一相似度和所述第二相似度中的至少一项，确定所述待训练人脸识别网络对应的损失值。
[0021]本公开实施方式中，通过确定正样本集合中正样本特征对对应的第一相似度，以及负样本集合中负样本特征对对应的第二相似度中的至少一项，利用第一相似度和/或第二相似度，能够较为精准的确定待训练人脸识别网络的损失值，以便利用该损失值能够较为精准的对待训练人脸识别网络进行训练。
[0022]一种可能的实施方式中，所述基于得到的所述第一相似度和所述第二相似度中的至少一项，确定所述待训练人脸识别网络对应的损失值，包括：
[0023]在所述损失值包括第一损失值的情况下，确定各个所述第一相似度与相似度阈值
之间的第一差值；并基于各个所述第一差值，和所述第一相似度的总数量，确定所述待训练人脸识别网络对应的第一损失值；
[0024]在所述损失值包括第二损失值的情况下，确定各个所述第二相似度与相似度阈值之间的第二差值；并基于各个所述第二差值，和所述第二相似度的总数量，确定所述待训练人脸识别网络对应的第二损失值。
[0025]一种可能的实施方式中，确定所述相似度阈值，包括：
[0026]基于设置的错误接受比例的比例阈值、和所述第二相似度的总数量，确定错误接受数量；
[0027]按照第二相似度从大到小的顺序，从多个所述第二相似度中，确定排序序号与所述错误接受数量匹配的目标相似度；并将所述目标相似度确定为所述相似度阈值。
[0028]这里，首先基于设置的错误接受比例的比例阈值和第二相似度的总数量，确定错误接受数量；通过该错误接受数量，能够确定与错误接受比例的比例阈值匹配的目标相似度；在将该目标相似度确定为相似度阈值时，该相似度阈值能够满足错误接受比例的比例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别网络训练方法，其特征在于，包括：从样本数据库中获取多个样本图像；其中，所述样本数据库中存储有与各个样本图像所匹配的样本用户的初始特征向量；将所述多个样本图像输入至待训练人脸识别网络中，得到每个所述样本图像对应的人脸特征向量；基于各个所述样本图像分别对应的人脸特征向量和所述样本数据库中包括的多个初始特征向量，确定所述待训练人脸识别网络对应的损失值；其中，所述损失值包括正确接受比例对应的第一损失值以及错误接受比例对应的第二损失值中的至少一项；基于所述损失值，对所述待训练人脸识别网络进行训练，直至满足训练截止条件，得到目标人脸识别网络。2.根据权利要求1所述的方法，其特征在于，在所述确定所述待训练人脸识别网络对应的损失值之后，所述方法还包括：利用所述样本图像对应的人脸特征向量，对与该样本图像对应的所述样本用户的初始特征向量进行更新，得到所述样本用户对应的更新后的初始特征向量。3.根据权利要求1或2所述的方法，其特征在于，所述样本数据库中还存储有所述初始特征向量对应的剩余有效步长；以及所述初始特征向量的初始有效步长为预设步长；在所述得到每个所述样本图像对应的人脸特征向量之后，所述方法还包括：将所述样本数据库中每个初始特征向量对应的剩余有效步长进行减一操作，并将减一操作后剩余有效步长为零的初始特征向量删除，得到更新后的样本数据库。4.根据权利要求1～3任一所述的方法，其特征在于，所述基于各个所述样本图像分别对应的人脸特征向量和所述样本数据库中包括的多个初始特征向量，确定所述待训练人脸识别网络对应的损失值，包括：基于所述样本图像所匹配的样本用户，确定所述样本图像对应的正样本集合和负样本集合；其中，所述正样本集合中包括至少一个正样本特征对，每个正样本特征对包括样本图像对应的人脸特征向量、和该样本图像所匹配的样本用户的第一初始特征向量；所述负样本集合中包括至少一个负样本特征对，每个负样本特征对包括样本图像对应的人脸特征向量、和所述样本数据库中除该样本图像所匹配的样本用户的第一初始特征向量之外的第二初始特征向量；确定每个所述正样本特征对中包括的所述人脸特征向量和所述第一初始特征向量之间的第一相似度，和每个所述负样本特征对中包括的所述人脸特征向量和所述第二初始特征向量之间的第二相似度中的至少一项；基于得到的所述第一相似度和所述第二相似度中的至少一项，确定所述待训练人脸识别网络对应的损失值。5.根据权利要求4所述的方法，其特征在于，所述基于得到的所述第一相似度和所述第二相似度中的至少一项，确定所述待训练人脸识别网络对应的损失值，包括：在所述损失值包括第一损失值的情况下，确定各个所述第一相似度与相似度阈值之间的第一差值；并基于各个所述第一差值，和所述第一相似度的总数量，确定所述待训练人脸识别网络对应的第一损失值；在所述损失值包括第二损...

【专利技术属性】
技术研发人员：秦昊煜，吴一超，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：