人脸识别模型的训练方法、装置、电子设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114333013A(43)申请公布日2022.04.12(21)申请号202111637930.4(22)申请日2021.12.29(71)申请人杭州海康威视数字技术股份有限公司地址310051浙江省杭州市滨江区阡陌路555号(72)发明人张烁(74)专利代理机构北京柏杉松知识产权代理事务所(普通合伙)11413代理人项京高莺然(51)Int.Cl.G06V40/16(2022.01)G06K9/62(2022.01)G06V10/774(2022.01)权利要求书2页说明书18页附图4页(54)发明名称人脸识别模型的训练方法、装置、电子设备及存储介质(57)摘要本发明实施例提供了一种人脸识别模型的训练方法、装置、电子设备及存储介质，方法包括：获取源域人脸特征以及初始化识别模型；获取目标域的目标人脸图像样本；基于目标人脸图像样本以及源域人脸特征，调整初始化识别模型的部分模型参数，直到初始化识别模型收敛，得到针对源域和目标域的人脸识别模型。初始化模型在使用源域的全量人脸图像样本训练后，保存部分源域人脸特征，并固定初始化模型部分参数。进而，使用目标域的目标人脸图像样本和源域人脸特征对该初始化模型进行进一步训练后，得到针对源域和目标域的人脸识别模型。既保持了对源域全量人脸图像的识别能力，又可以准确识别目标域的目标人脸图像，提高了人脸识别模型的识别能力和精度。CN114333013ACN114333013A权利要求书1/2页1.一种人脸识别模型的训练方法，其特征在于，所述方法包括：获取源域人脸特征以及初始化识别模型，其中，所述初始化识别模型基于源域的全量人脸图像样本训练得到，所述源域人脸特征为通过所述初始化识别模型获得的所述全量人脸图像样本的人脸特征；获取目标域的目标人脸图像样本，其中，所述目标人脸图像样本对应的身份标签未知；基于所述目标人脸图像样本以及所述源域人脸特征，调整所述初始化识别模型的部分模型参数，直到所述初始化识别模型收敛，得到针对源域和目标域的人脸识别模型。2.根据权利要求1所述的方法，其特征在于，所述获取源域人脸特征的步骤，包括：按照预设筛选策略，对所述全量人脸图像样本进行筛选，得到筛选后的全量人脸图像样本，其中，所述预设筛选策略使得所述筛选后的全量人脸图像样本的数量不变的情况下，所述筛选后的全量人脸图像样本对应的身份信息数量不小于预设数量；将所述筛选后的全量人脸图像样本输入所述初始化识别模型，获取所述初始化识别模型的中间层输出的人脸特征；基于所述中间层输出的人脸特征，确定源域人脸特征。3.根据权利要求1所述的方法，其特征在于，所述初始化识别模型包括参数固定部分和待训练部分；所述基于所述目标人脸图像样本以及所述源域人脸特征，调整所述初始化识别模型的部分模型参数的步骤，包括：将所述目标人脸图像样本输入所述参数固定部分和所述待训练部分，得到第一预测标签，并基于所述第一预测标签以及所述目标人脸图像样本对应的伪标签，确定第一分类损失；将所述源域人脸特征输入所述待训练部分，得到第二预测标签，并基于所述第二预测标签以及所述源域人脸特征对应的身份标签，确定第二分类损失；将所述源域人脸特征分别输入所述待训练部分以及所述待训练部分对应的初始部分，得到预估特征以及初始特征，并基于所述预估特征以及所述初始特征，确定约束损失，其中，所述初始部分为所述待训练部分的模型参数固定为基于所述全量人脸图像样本训练后的模型参数时对应的模型部分；基于所述第一分类损失、所述第二分类损失及所述约束损失，调整所述待训练部分的模型参数。4.根据权利要求3所述的方法，其特征在于，在所述将所述目标人脸图像样本输入所述参数固定部分和所述待训练部分，得到第一预测标签的步骤之前，所述方法还包括：对所述目标人脸图像样本进行聚类，确定每个目标人脸图像样本对应的伪标签，其中，所述伪标签用于标识对应的目标人脸图像样本所属的人员身份。5.根据权利要求3所述的方法，其特征在于，所述基于所述第一分类损失、所述第二分类损失及所述约束损失，调整所述待训练部分的模型参数的步骤，包括：基于所述第一分类损失、所述第二分类损失及所述约束损失，按照以下公式计算得到损失函数值L：L＝Lc1+Lc2+λLkd其中，Lc1为所述第一分类损失，Lc2为所述第二分类损失，Lkd为所述约束损失，λ为预设2CN114333013A权利要求书2/2页参数；基于所述损失函数值，调整所述待训练部分的模型参数。6.根据权利要求3所述的方法，其特征在于，所述基于所述预估特征以及所述初始特征，确定约束损失的步骤，包括：基于所述预估特征以及所述初始特征，按照以下公式计算得到所述约束损失Lkd：其中，n为所述源域人脸特征的数量，Fi为第i个源域人脸特征