人臉識別模型訓(xùn)練方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本公開涉及通信技術(shù)領(lǐng)域，尤其涉及一種人臉識別模型訓(xùn)練方法和裝置。
【背景技術(shù)】
[0002]人臉識別是指利用分析比較人臉視覺特征信息進(jìn)行身份鑒別的計算機(jī)技術(shù)。在人臉識別的過程，主要包括人臉圖像的匹配和識別過程，就是將提取到的待識別的人臉特征與已得到的存儲在數(shù)據(jù)庫中的人臉特征模板進(jìn)行匹配，根據(jù)相似程度對人臉圖像的身份信息進(jìn)行判斷。因此，能夠提取到準(zhǔn)確而豐富的人臉特征對于人臉識別的結(jié)果具有重要影響。
[0003]目前，大多的人臉特征提取方法為人工特征的提取，比如:尺度不變特征轉(zhuǎn)換(Scale-1nvariant feature transform, SIFT)特征、局部二值模式(Local BinaryPatterns,LBP)特征、梯度直方圖(Histogram of Oriented Gradient，HoG)特征等。基于上述人工特征提取方法提取的人臉特征，進(jìn)行分類器的學(xué)習(xí)訓(xùn)練，從而得到各種人臉識別模型，采用這些人臉識別模型能夠進(jìn)行人臉圖像的識別處理。

【發(fā)明內(nèi)容】

[0004]本公開提供一種人臉識別模型訓(xùn)練方法和裝置，用以實現(xiàn)對人臉識別模型的優(yōu)化。
[0005]根據(jù)本公開實施例的第一方面，提供一種人臉識別模型訓(xùn)練方法，包括:
[0006]獲取原始人臉識別模型，所述原始人臉識別模型是使用第一訓(xùn)練樣本集對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的，所述原始人臉識別模型中包括N層特征系數(shù)，N多2 ;
[0007]獲取第二訓(xùn)練樣本集，并確定第二訓(xùn)練樣本集中的各樣本人臉圖像對應(yīng)的第一原始分類標(biāo)號，所述各樣本人臉圖像是存儲于云端人臉相冊中的人臉圖像；
[0008]采用所述原始人臉識別模型的前Μ層特征系數(shù)對所述第二訓(xùn)練樣本集中的各樣本人臉圖像進(jìn)行編碼，獲得編碼后的第二訓(xùn)練樣本集；其中，所述編碼后的第二訓(xùn)練樣本集中包括與各樣本人臉圖像分別對應(yīng)的各編碼后特征向量以及與各編碼后特征向量分別對應(yīng)的第一原始分類標(biāo)號，Ν多Μ多1 ;
[0009]根據(jù)所述編碼后的第二訓(xùn)練樣本集對所述原始人臉識別模型的后N-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的后N-Μ層特征系數(shù)。
[0010]通過上述方案，為了對使用第一訓(xùn)練樣本集對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的包括Ν層特征系數(shù)的原始人臉識別模型進(jìn)行優(yōu)化，首先獲得不同于傳統(tǒng)第一訓(xùn)練樣本集的第二訓(xùn)練樣本集。其中，構(gòu)成第一訓(xùn)練樣本集中的各樣本人臉圖像是通過隨機(jī)在網(wǎng)絡(luò)上搜索得到的各人臉圖像，樣本噪聲較大；而第二訓(xùn)練樣本集中的各樣本人臉圖像是存儲于云端人臉相冊中的人臉圖像，樣本比較干凈。由于第二訓(xùn)練樣本集中各樣本人臉圖像涉及到用戶隱私，為了保護(hù)用戶隱私的同時采用第二訓(xùn)練樣本集對原始人臉識別模型進(jìn)行優(yōu)化訓(xùn)練，首先為每個樣本人臉圖像進(jìn)行標(biāo)記即為每個樣本人臉圖像分配一個分類標(biāo)號，進(jìn)而采用原始人臉識別模型的前Μ層特征系數(shù)對第二訓(xùn)練樣本集中的各樣本人臉圖像進(jìn)行編碼，即提取各樣本人臉圖像的前Μ層特征系數(shù)，從而經(jīng)編碼和分類標(biāo)號標(biāo)記的各樣本人臉圖像不會泄露對應(yīng)的用戶隱私。最后，以各編碼后特征向量即經(jīng)Μ層特征系數(shù)編碼的各樣本人臉圖像以及與各編碼后特征向量分別對應(yīng)的分類標(biāo)號為輸入，對原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的后Ν-Μ層特征系數(shù)，從而獲得由原Μ層特征系數(shù)和訓(xùn)練后的后Ν-Μ層特征系數(shù)構(gòu)成的優(yōu)化后的人臉識別模型。由于優(yōu)化后的人臉識別模型是基于干凈的訓(xùn)練樣本訓(xùn)練獲得的，更加準(zhǔn)確、可靠。
[0011]可選的，所述根據(jù)所述編碼后的第二訓(xùn)練樣本集對所述原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練更新后的后Ν-Μ層特征系數(shù)，包括:
[0012]對所述編碼后的第二訓(xùn)練樣本集中的各編碼后特征向量進(jìn)行隨機(jī)分批處理，獲得各批訓(xùn)練樣本子集；
[0013]依次以每批訓(xùn)練樣本子集對所述原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得經(jīng)全部各批訓(xùn)練樣本子集訓(xùn)練后得到的后Ν-Μ層特征系數(shù)。
[0014]其中，所述依次以每批訓(xùn)練樣本子集對所述原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，包括:
[0015]依次以當(dāng)前一批訓(xùn)練樣本子集中的各編碼后特征向量為輸入，迭代執(zhí)行如下處理，直到所述全部各批訓(xùn)練樣本子集都被執(zhí)行為止:
[0016]對所述原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，得到與所述當(dāng)前一批訓(xùn)練樣本子集中的各編碼后特征向量分別對應(yīng)的第一輸出分類標(biāo)號；
[0017]根據(jù)預(yù)設(shè)距離度量方式，確定所述當(dāng)前一批訓(xùn)練樣本子集中的各編碼后特征向量分別對應(yīng)的第一原始分類標(biāo)號與對應(yīng)的第一輸出分類標(biāo)號間的距離；
[0018]根據(jù)各所述距離，確定所述當(dāng)前一批訓(xùn)練樣本子集對應(yīng)的分類誤差率；
[0019]若所述分類誤差率大于預(yù)設(shè)閾值，則調(diào)整經(jīng)所述當(dāng)前一批訓(xùn)練樣本子集中的各編碼后特征向量對所述原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練后得到的后Ν-Μ層特征系數(shù)；
[0020]更新所述當(dāng)前一批訓(xùn)練樣本子集為所述當(dāng)前一批訓(xùn)練樣本子集的下一批訓(xùn)練樣本子集。
[0021]其中，所述預(yù)設(shè)距離度量方式包括采用如下任一種距離的距離度量方式:
[0022]歐式距離、馬氏距離、切比雪夫距離、余弦距離。
[0023]通過該分批迭代的方式對原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，使得訓(xùn)練樣本隨機(jī)性較強(qiáng)，并且避免反復(fù)調(diào)整后Ν-Μ層特征系數(shù)，使得訓(xùn)練效率得到提高。
[0024]進(jìn)一步地，所述依次以每批訓(xùn)練樣本子集對所述原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得經(jīng)全部各批訓(xùn)練樣本子集訓(xùn)練后得到的后Ν-Μ層特征系數(shù)之后，所述方法還包括:
[0025]獲取測試樣本集，并確定測試樣本集中的各測試人臉圖像對應(yīng)的第二原始分類標(biāo)號，所述測試樣本集中的各測試人臉圖像與所述第二訓(xùn)練樣本集中的各樣本人臉圖像不同；
[0026]根據(jù)所述測試樣本集對更新后的人臉識別模型進(jìn)行準(zhǔn)確度測試，確定所述更新后的人臉識別模型的準(zhǔn)確度，所述更新后的人臉識別模型中包括所述前Μ層特征系數(shù)和所述經(jīng)全部各批訓(xùn)練樣本子集訓(xùn)練后得到的后Ν-Μ層特征系數(shù)。
[0027]其中，所述根據(jù)所述測試樣本集對更新后的人臉識別模型進(jìn)行準(zhǔn)確度測試，確定所述更新后的人臉識別模型的準(zhǔn)確度，包括:
[0028]分別將所述各測試人臉圖像輸入到所述更新后的人臉識別模型中，獲得所述更新后的人臉識別模型輸出的各測試人臉圖像分別對應(yīng)的第二輸出分類標(biāo)號；
[0029]根據(jù)預(yù)設(shè)距離度量方式，確定所述各測試人臉圖像對應(yīng)的第二原始分類標(biāo)號與對應(yīng)的第二輸出分類標(biāo)號間的距離；
[0030]根據(jù)各所述距離，確定所述更新后的人臉識別模型的準(zhǔn)確度。
[0031]通過采用上述測試樣本集對訓(xùn)練獲得的更新人臉識別模型進(jìn)行準(zhǔn)確度測試，能夠及時發(fā)現(xiàn)該人臉識別模型的性能優(yōu)劣。
[0032]進(jìn)一步地，所述根據(jù)各所述距離，確定所述更新后的人臉識別模型的準(zhǔn)確度之后，還包括:
[0033]若所述準(zhǔn)確度小于預(yù)設(shè)準(zhǔn)確度閾值，則迭代執(zhí)行如下處理，直到達(dá)到最大迭代次數(shù)或準(zhǔn)確度大于預(yù)設(shè)準(zhǔn)確度閾值為止:
[0034]更新所述第二訓(xùn)練樣本集；
[0035]根據(jù)更新后的第二訓(xùn)練樣本集對前一次迭代對應(yīng)的更新后人臉識別模型中的后N-M層特征系數(shù)進(jìn)行訓(xùn)練，得到本次迭代對應(yīng)的更新后人臉識別模型；
[0036]根據(jù)更新的測試樣本集對本次迭代對應(yīng)的更新后人臉識別模型進(jìn)行準(zhǔn)確度測試，確定對應(yīng)的準(zhǔn)確度。
[0037]進(jìn)一步地，所述方法還包括:
[0038]確定各次迭代對應(yīng)的準(zhǔn)確度中的最大準(zhǔn)確度；
[0039]確定與所述最大準(zhǔn)確度對應(yīng)的更新后人臉識別模型為目標(biāo)人臉識別模型。
[0040]通過多次迭代訓(xùn)練、測試的過程，能夠保證獲得的目標(biāo)人臉識別模型具有最佳的準(zhǔn)確性。
[0041]根據(jù)本公開實施例的第二方面，提供一種人臉識別模型訓(xùn)練裝置，包括:
[0042]第一獲取模塊，被配置為獲取原始人臉識別模型，所述原始人臉識別模型是使用第一訓(xùn)練樣本集對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的，所述原始人臉識別模型中包括N層特征系數(shù)，N彡2 ;
[0043]第二獲取模塊，被配置為獲取第二訓(xùn)練樣本集，并確定第二訓(xùn)練樣本集中的各樣本人臉圖像對應(yīng)的第一原始分類標(biāo)號，所述各樣本人臉圖像是存儲于云端人臉相冊中的人臉圖像；
[0044]編碼模塊，被配置為采用所述原始人臉識別模型的前Μ層特征系數(shù)對所述第二訓(xùn)練樣本集中的各樣本人臉圖像進(jìn)行編碼，獲得編碼后的第二訓(xùn)練樣本集；其中，所述編碼后的第二訓(xùn)練樣本集中包括與各樣本人臉圖像分別對應(yīng)的各編碼后特征向量以及與各編碼后特征向量分別對應(yīng)的第一原始分類標(biāo)號，Ν多Μ多1 ;
[0045]訓(xùn)練模塊，被配置為根據(jù)所述編碼后的第二訓(xùn)練樣本集對所述原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的后Ν-Μ層特征系數(shù)。
[0046]通過上述方案，為了對使用第一訓(xùn)練樣本集對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的包括Ν層特征系數(shù)的原始人臉識別模型進(jìn)行優(yōu)化，首先獲得不同于傳統(tǒng)第一訓(xùn)練樣本集的第二訓(xùn)練樣本集。其中，構(gòu)成第一訓(xùn)練樣本集中的各樣本人臉圖像是通過隨機(jī)在網(wǎng)絡(luò)上搜索得到的各人臉圖像，樣本噪聲較大；而第二訓(xùn)練樣本集中的各樣本人臉圖像是存儲于云端人臉相冊中的人臉圖像，樣本比較干凈。由于第二訓(xùn)練樣本集中各樣本人臉圖像涉及到用戶隱私，為了保護(hù)用戶隱私的同時采用第二訓(xùn)練樣本集對原始人臉識別模型進(jìn)行優(yōu)化訓(xùn)練，首先為每個樣本人臉圖像進(jìn)行標(biāo)記即為每個樣本人臉圖像分配一個分類標(biāo)號，進(jìn)而采用原始人臉識別模型的前Μ層特征系數(shù)對第二訓(xùn)練樣本集中的各樣本人臉圖像進(jìn)行編碼，即提取各樣本人臉圖像的前Μ層特征系數(shù)，從而經(jīng)編碼和分類標(biāo)號標(biāo)記的各樣本人臉圖像不會泄露對應(yīng)的用戶隱私。最后，以各編碼后特征向量即經(jīng)Μ層特征系數(shù)編碼的各樣本人臉圖像以及與各編碼后特征向量分別對應(yīng)的分類標(biāo)號為輸入，對原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的后Ν-Μ層特征系數(shù)，從而獲得由原