【技术实现步骤摘要】
身份识别模型训练方法、身份识别方法及装置
[0001]本申请实施例涉及计算机
，尤其涉及一种身份识别模型训练方法、身份识别方法及装置。
技术介绍
[0002]掌纹识别技术是继指纹识别和人脸识别技术以后的新一代生物特征识别技术，因其可靠性以及便捷性，在各种身份认证场景中得到越来越广泛的应用。掌纹识别根据手掌中的主线、纹理、皱纹等特征进行身份识别，相较面部识别，更有利于保护用户隐私，可以在免摘口罩的情况下有效实现用户的身份验证。
[0003]现有技术中，在进行掌纹识别时，根据原始训练样本集和损失函数训练身份识别模型，然后根据训练好的身份识别模型进行掌纹识别，将识别出的数据不断加入原始训练样本集中以训练更新模型。每个训练样本包括掌纹样本图像和掌纹样本图像对应的身份标识(ID)，在模型训练过程中，根据模型预测的掌纹样本图像的身份ID和真实身份ID构建损失函数，损失函数的设计可以有效缩小类内间距，放大类间距离，从而增强模型的判别能力。
[0004]然而，在移动支付的场景下，用户数量非常多，随着训练样本集中训练样本...
【技术保护点】
【技术特征摘要】
1.一种身份识别模型训练方法，其特征在于，包括：从训练样本集中获取N个样本图像和所述样本图像的标识信息，所述N为正整数；根据所述N个样本图像、K个子线性变换矩阵和模型训练待使用的所述K个图形处理器GPU中的身份识别模型，确定所述N个样本图像中每个样本图像的预测标识信息，其中，所述K个GPU中的每个GPU存储一个所述子线性变换矩阵，所述K为正整数，每个所述子线性变换矩阵用于表征目标标识信息对应的样本图像的特征与目标标识信息之间的映射关系，所述目标标识信息为所述训练样本集包括的样本图像的标识信息中的部分标识信息；根据所述样本图像的预测标识信息和所述样本图像的标识信息，对所述身份识别模型的参数进行调整，直到满足停止训练条件，得到已训练的身份识别模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述N个样本图像、K个子线性变换矩阵和模型训练待使用的所述K个图形处理器GPU中的身份识别模型，确定所述N个样本图像中每个样本图像的预测标识信息，包括：针对所述N个样本图像中的每一样本图像，将所述样本图像输入所述K个GPU中任一GPU中的身份识别模型，每个所述身份识别模型用于提取输入至所述身份识别模型的至少一个样本图像的特征，将提取的至少一个样本图像的特征拼接得到特征向量并输出；将所述K个GPU中的身份识别模型输出的所述K个特征向量进行拼接，得到第一特征向量；根据所述第一特征向量和所述K个子线性变换矩阵，确定所述N个样本图像中每个样本图像的预测标识信息。3.根据权利要求2所述的方法，其特征在于，所述针对所述N个样本图像中的每一样本图像，将所述样本图像输入所述K个GPU中任一GPU中的身份识别模型，包括：将所述样本图像随机输入所述K个GPU中任一GPU中的身份识别模型；或者，将所述N个样本图像分配至所述K个GPU，针对所述N个样本图像中的每一样本图像，按照分配结果将所述样本图像输入对应GPU中的身份识别模型。4.根据权利要求2所述的方法，其特征在于，所述根据所述第一特征向量和所述K个子线性变换矩阵，确定所述N个样本图像中每个样本图像的预测标识信息，包括：根据所述第一特征向量和所述K个子线性变换矩阵，确定所述K个GPU中每个GPU上的样本图像的标识信息集合，所述标识信息集合包括至少一个样本图像的预测标识信息；将所述K个GPU上的样本图像的标识信息集合进行拼接，得到所述N个样本图像中每个样本图像的预测标识信息。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一特征向量和所述K个子线性变换矩阵，确定所述K个GPU中每个GPU上的样本图像的标识信息集合，包括：分别计算所述第一特征向量和所述K个子线性变换矩阵中每个子线性变换矩阵的点积，得到所述K个GPU中每个GPU上的样本图像的标识信息集合。6.根据权利要求1所述的方法，其特征在于，所述根据所述N个样本图像、所述K个子线性变换矩阵和所述K个GPU中的身份识别模型，确定所述N个样本图像中每个样本图像的预测标识信息，包括：按照预设采样率对所述N个样本图像进行采样，得到Q个样本图像，所述Q小于所述N；根据所述Q个样本图像、所述K个子线性变换矩阵和所述K个GPU中的身份识别模型，确
定所述Q个样本图像中每个样本图像的预测标识信息。7.根据权利要求1所述的...
【专利技术属性】
技术研发人员：沈雷，张睿欣，丁守鸿，
申请(专利权)人：腾讯科技深圳有限公司，
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。