【技术实现步骤摘要】
本申请涉及人脸识别，尤其涉及一种人脸识别模型的训练方法、装置及人脸识别方法、装置。
技术介绍
1、人脸识别任务是被学术界和工业界研究最为广泛的技术之一，特别是深度学习技术崛起后，人脸识别的精准度也有了飞跃式提高。在深度学习时代，通常是将人脸识别任务作为一个分类任务，对于给定数据集合，深度学习模型对该集合中的不同身份人物进行分类训练，识别人脸时将模型输出特征作为人脸特征表示，比较不同人脸图像特征表示的相似性即可完成人脸识别任务。
2、目前的人脸识别任务中，如何使用多种来源的人脸数据集合一直是个难点。一般方法是将不同数据集合进行串联拼接使用，但其未考虑不同源的数据集合存在的场景差异性(如红外图像，彩色图像等)以及不同源的数据集合对模型训练的重要性差异对模型训练效果的影响。
3、此外，不同数据集合中可能会存在不同场景的相同身份的人脸图像，直接串联使用也会对模型的训练过程会产生负面影响。
技术实现思路
1、为了解决上述至少一个方面的问题，本申请实施例提供了一种人脸识别模型的训练方法、装置及人脸识别方法、装置，以提高人脸识别模型的训练效果，进而提高人脸识别的准确性。
2、本申请实施例采用下述技术方案：
3、第一方面，本申请实施例提供一种人脸识别模型的训练方法，所述人脸识别模型的训练方法包括：
4、获取多个数据源的训练样本数据，并根据多个数据源的训练样本数据构建初始训练集；
5、利用所述初始训练集进行人脸识别模型的预训练，
6、利用多个数据源的训练样本数据和预设权重分配网络对所述第一人脸识别模型进行优化训练，得到第二人脸识别模型；
7、根据多个数据源的训练样本数据和所述第二人脸识别模型构建混合训练集；
8、利用多个数据源的训练样本数据和所述混合训练集以及所述预设权重分配网络对所述第二人脸识别模型进行优化训练，得到最终的人脸识别模型。
9、可选地，所述训练样本数据包括多个数据源的训练样本图像和对应的身份类别，所述根据多个数据源的训练样本数据构建初始训练集包括：
10、将各个身份类别对应的训练样本图像的数量与第一预设数量阈值进行比较；
11、根据比较结果对多个数据源的训练样本图像进行筛选，得到筛选后的训练样本图像；
12、确定筛选后的训练样本图像是否覆盖所有数据源且对应的身份类别数量是否达到第二预设数量阈值；
13、若是，则根据筛选后的训练样本图像构建所述初始训练集；
14、否则，则对第一预设数量阈值和/或所述第二预设数量阈值进行调整，并根据调整后的第一预设数量阈值和/或所述第二预设数量阈值构建所述初始训练集。
15、可选地，所述利用多个数据源的训练样本数据和预设权重分配网络对所述第一人脸识别模型进行优化训练，得到第二人脸识别模型包括：
16、将多个数据源的训练样本数据并联输入所述第一人脸识别模型，得到各个数据源的训练样本数据的第一特征向量以及各个数据源的训练损失；
17、根据各个数据源的训练样本数据的第一特征向量，利用预设权重分配网络确定各个数据源的训练损失对应的损失权重；
18、根据各个数据源的训练损失和对应的损失权重对所述第一人脸识别模型进行优化训练，得到所述第二人脸识别模型。
19、可选地，所述将多个数据源的训练样本数据并联输入所述第一人脸识别模型包括：
20、随机激活目标数据源的目标训练样本数据，所述目标数据源为多个数据源中的部分数据源，所述目标训练样本数据为对应的目标数据源中的部分数据；
21、将目标数据源的目标训练样本数据并联输入所述第一人脸识别模型，得到部分数据源的训练样本数据的特征向量以及部分数据源的训练损失。
22、可选地，所述根据各个数据源的训练样本数据的第一特征向量，利用预设权重分配网络确定各个数据源的训练损失对应的损失权重包括：
23、利用所述预设权重分配网络的多层感知器对各个数据源的训练样本数据的第一特征向量进行感知，得到多层感知器的感知结果；
24、利用所述预设权重分配网络的softmax层对所述多层感知器的感知结果进行归一化处理，得到各个数据源的训练损失对应的损失权重。
25、可选地，所述根据多个数据源的训练样本数据和所述第二人脸识别模型构建混合训练集包括：
26、将多个数据源的训练样本数据输入所述第二人脸识别模型，得到各个数据源的训练样本数据的第二特征向量；
27、根据各个数据源的训练样本数据的第二特征向量和对应的身份类别确定各个数据源的身份类别的中心特征；
28、对各个数据源的身份类别的中心特征进行聚类，得到中心特征的聚类结果；
29、根据中心特征的聚类结果构建所述混合训练集。
30、可选地，所述利用多个数据源的训练样本数据和所述混合训练集以及所述预设权重分配网络对所述第二人脸识别模型进行优化训练，得到最终的人脸识别模型包括：
31、将多个数据源的训练样本数据和所述混合训练集并联输入所述第二人脸识别模型，得到各个数据源和所述混合训练集的训练损失；
32、调整所述预设权重分配网络的参数配置，并利用调整后的预设权重分配网络确定各个数据源和所述混合训练集的训练损失对应的损失权重；
33、根据各个数据源的训练损失和对应的损失权重以及所述混合训练集的训练损失和对应的损失权重对所述第二人脸识别模型进行优化训练，得到所述最终的人脸识别模型。
34、第二方面，本申请实施例还提供一种人脸识别方法，所述人脸识别方法包括：
35、获取待识别的人脸图像；
36、利用人脸识别模型对所述待识别的人脸图像进行特征提取，得到所述待识别的人脸图像对应的特征向量；
37、将所述待识别的人脸图像对应的特征向量与预设人脸特征库进行匹配，得到人脸识别结果；
38、其中，所述人脸识别模型基于前述任一项所述人脸识别模型的训练方法训练得到。
39、第三方面，本申请实施例还提供一种人脸识别模型的训练装置，所述人脸识别模型的训练装置包括：
40、第一构建单元，用于获取多个数据源的训练样本数据，并根据多个数据源的训练样本数据构建初始训练集；
41、第一训练单元，用于利用所述初始训练集进行人脸识别模型的预训练，得到第一人脸识别模型；
42、第二训练单元，用于利用多个数据源的训练样本数据和预设权重分配网络对所述第一人脸识别模型进行优化训练，得到第二人脸识别模型；
43、第二构建单元，用于根据多个数据源的训练样本数据和所述第二人脸识别模型构建混合训练集；
44、第三训练单元，用于利用多个数据源的训练样本数据和所述混合训练集以及所述预设权重分配网络对所述第二人脸识别模型进行优化训练，得到最终的人脸识本文档来自技高网...
【技术保护点】
1.一种人脸识别模型的训练方法，其特征在于，所述人脸识别模型的训练方法包括：
2.根据权利要求1所述人脸识别模型的训练方法，其特征在于，所述训练样本数据包括多个数据源的训练样本图像和对应的身份类别，所述根据多个数据源的训练样本数据构建初始训练集包括：
3.根据权利要求1所述人脸识别模型的训练方法，其特征在于，所述利用多个数据源的训练样本数据和预设权重分配网络对所述第一人脸识别模型进行优化训练，得到第二人脸识别模型包括：
4.根据权利要求3所述人脸识别模型的训练方法，其特征在于，所述将多个数据源的训练样本数据并联输入所述第一人脸识别模型包括：
5.根据权利要求3所述人脸识别模型的训练方法，其特征在于，所述根据各个数据源的训练样本数据的第一特征向量，利用预设权重分配网络确定各个数据源的训练损失对应的损失权重包括：
6.根据权利要求1所述人脸识别模型的训练方法，其特征在于，所述根据多个数据源的训练样本数据和所述第二人脸识别模型构建混合训练集包括：
7.根据权利要求1所述人脸识别模型的训练方法，其特征在于，所述利用多
8.一种人脸识别方法，其特征在于，所述人脸识别方法包括：
9.一种人脸识别模型的训练装置，其特征在于，所述人脸识别模型的训练装置包括：
10.一种人脸识别装置，其特征在于，所述人脸识别装置包括：
11.一种电子设备，包括：
12.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行权利要求1～7之任一所述人脸识别模型的训练方法，或者执行权利要求8所述人脸识别方法。
...【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，所述人脸识别模型的训练方法包括：
2.根据权利要求1所述人脸识别模型的训练方法，其特征在于，所述训练样本数据包括多个数据源的训练样本图像和对应的身份类别，所述根据多个数据源的训练样本数据构建初始训练集包括：
3.根据权利要求1所述人脸识别模型的训练方法，其特征在于，所述利用多个数据源的训练样本数据和预设权重分配网络对所述第一人脸识别模型进行优化训练，得到第二人脸识别模型包括：
4.根据权利要求3所述人脸识别模型的训练方法，其特征在于，所述将多个数据源的训练样本数据并联输入所述第一人脸识别模型包括：
5.根据权利要求3所述人脸识别模型的训练方法，其特征在于，所述根据各个数据源的训练样本数据的第一特征向量，利用预设权重分配网络确定各个数据源的训练损失对应的损失权重包括：
6.根据权利要求1所述人脸识别模型的训练...
【专利技术属性】
技术研发人员：陆磊，郑斌，曾金舟，王永近，鲍远来，
申请(专利权)人：中国邮政储蓄银行股份有限公司，
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。