一种人脸识别模型训练方法和装置及人脸识别方法和装置.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CN108133238A(43)申请公布日2018.06.08(21)申请号201711487853.2(22)申请日2017.12.29(71)申请人国信优易数据有限公司地址100070北京市丰台区南四环西路188号总部广场31号楼(72)发明人孙源良段立新刘萌(74)专利代理机构北京超凡志成知识产权代理事务所(普通合伙)11371代理人郭新娟(51)Int.Cl.G06K9/62(2006.01)G06K9/00(2006.01)权利要求书3页说明书12页附图5页(54)发明名称一种人脸识别模型训练方法和装置及人脸识别方法和装置(57)摘要本发明提供一种人脸识别模型训练方法和装置及人脸识别方法和装置。人脸识别模型训练方法包括：将比对图像集输入第一神经网络，并使用第一神经网络为比对图像集中的每个比对图像提取第一特征向量；将源图像集以及目标图像集输入第二神经网络，对源图像集中的源图像和目标图像集中的目标图像进行特征学习后，为源图像集中的每个源图像提取第二特征向量；并将第二特征向量输入人脸分类器得到分类结果；基于第一特征向量和对应第二特征向量的比对结果，以及分类结果，对第二神经网络和人脸分类器进行本轮训练；经过对第二神经网络和人脸分类器进行多轮训练，得到人脸识别模型。该方法能够对质量较差的人脸图像进行有效识别。CN108133238ACN108133238A权利要求书1/3页1.一种人脸识别模型训练方法，其特征在于，包括：获取比对图像集、源图像集以及目标图像集；将所述比对图像集输入第一神经网络，并使用所述第一神经网络为输入的比对图像集中的每个比对图像提取第一特征向量；将所述源图像集以及所述目标图像集输入第二神经网络，对所述源图像集中的源图像和所述目标图像集中的目标图像进行特征学习后，为所述源图像集中的每个源图像提取第二特征向量；并将所述第二特征向量输入人脸分类器得到分类结果；基于第一特征向量和对应第二特征向量的比对结果，以及所述分类结果，对所述第二神经网络和所述人脸分类器进行本轮训练；经过对所述第二神经网络和所述人脸分类器进行多轮训练，得到人脸识别模型；其中，所述比对图像集中包括至少一个带有标签的比对图像；所述源图像集中包括至少一个带有标签的源图像；以及进行比对的第一特征向量来自的比对图像和对应第二特征向量来自的源图像为同一个人的图像。2.根据权利要求1所述的方法，其特征在于，所述将所述源图像集以及所述目标图像集输入第二神经网络，对所述源图像集中的源图像和所述目标图像集中的目标图像进行特征学习后，还包括：为所述目标图像集中的每个目标图像提取第三特征向量；并将所述第二特征向量和所述第三特征向量进行梯度反向处理；以及将经过梯度反向处理的第二特征向量和第三特征向量输入域分类器；根据所述域分类器的对第二特征向量以及第三特征向量分别表征的所述源图像集和所述目标图像集的域分类结果，对所述第二神经网络进行参数调整。3.根据权利要求1所述的方法，其特征在于，基于第一特征向量和对应第二特征向量的比对结果，以及所述分类结果，对所述第二神经网络和所述人脸分类器进行本轮训练，具体包括：执行如下距离确定操作以及分类操作，直到第一特征向量与第二特征向量之间的距离不大于预设距离阈值，以及得到的分类结果正确，则完成基于所述第一神经网络对所述第二神经网络和所述人脸分类器的本轮训练；所述距离确定操作包括：确定所述第一特征向量和当前确定的对应第二特征向量之间的距离；针对距离大于预设距离阈值的情况，生成第一反馈信息，并基于所述第一反馈信息对所述第二神经网络进行参数调整；基于调整后的参数，使用第二神经网络为所述源图像集中的每个源图像提取新的第二特征向量，并再次执行所述距离确定操作；所述分类操作包括：使用所述人脸分类器对当前确定的第二特征向量进行分类；针对分类结果错误的情况，生成第二反馈信息，并基于所述第二反馈信息对所述第二神经网络以及所述人脸分类器进行参数调整；基于调整后的参数，使用第二神经网络为所述源图像集中的每个所述源图像提取新的第二特征向量，并再次执行所述分类操作。2CN108133238A权利要求书2/3页4.根据权利要求2所述的方法，其特征在于，根据所述域分类器的对第二特征向量以及第三特征向量分别表征的源图像集和目标图像集的域分类结果，对所述第二神经网络进行参数调整，具体包括：执行如下域分类损失确定操作：确定当前第二特征向量以及第三特征向量分别表征的源图像集和目标图像集的本次域分类的域分类损失；针对最近预设次数的域分类损失之间的差别不小于预设差别阈值，生成第三反馈信息，并基于所述第三反馈信息对所述第二神经网络进行参数调整；基于调整后的参数，使用第二神经网络为所述源图像集中的每个所述源图像