人脸识别模型训练方法和装置的制造方法
【技术领域】
[0001]本公开涉及通信技术领域，尤其涉及一种人脸识别模型训练方法和装置。
【背景技术】
[0002]人脸识别是指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。在人脸识别的过程，主要包括人脸图像的匹配和识别过程，就是将提取到的待识别的人脸特征与已得到的存储在数据库中的人脸特征模板进行匹配，根据相似程度对人脸图像的身份信息进行判断。因此，能够提取到准确而丰富的人脸特征对于人脸识别的结果具有重要影响。
[0003]目前，大多的人脸特征提取方法为人工特征的提取，比如:尺度不变特征转换(Scale-1nvariant feature transform, SIFT)特征、局部二值模式(Local BinaryPatterns,LBP)特征、梯度直方图(Histogram of Oriented Gradient，HoG)特征等。基于上述人工特征提取方法提取的人脸特征，进行分类器的学习训练，从而得到各种人脸识别模型，采用这些人脸识别模型能够进行人脸图像的识别处理。
【发明内容】
[0004]本公开提供一种人脸识别模型训练方法和装置，用以实现对人脸识别模型的优化。
[0005]根据本公开实施例的第一方面，提供一种人脸识别模型训练方法，包括:
[0006]获取原始人脸识别模型，所述原始人脸识别模型是使用第一训练样本集对卷积神经网络进行训练后得到的，所述原始人脸识别模型中包括N层特征系数，N多2 ;
[0007]获取第二训练样本集，并确定第二训练样本集中的各样本人脸图像对应的第一原始分类标号，所述各样本人脸图像是存储于云端人脸相册中的人脸图像；
[0008]采用所述原始人脸识别模型的前Μ层特征系数对所述第二训练样本集中的各样本人脸图像进行编码，获得编码后的第二训练样本集；其中，所述编码后的第二训练样本集中包括与各样本人脸图像分别对应的各编码后特征向量以及与各编码后特征向量分别对应的第一原始分类标号，Ν多Μ多1 ;
[0009]根据所述编码后的第二训练样本集对所述原始人脸识别模型的后N-Μ层特征系数进行训练，获得训练后的后N-Μ层特征系数。
[0010]通过上述方案，为了对使用第一训练样本集对卷积神经网络进行训练后得到的包括Ν层特征系数的原始人脸识别模型进行优化，首先获得不同于传统第一训练样本集的第二训练样本集。其中，构成第一训练样本集中的各样本人脸图像是通过随机在网络上搜索得到的各人脸图像，样本噪声较大；而第二训练样本集中的各样本人脸图像是存储于云端人脸相册中的人脸图像，样本比较干净。由于第二训练样本集中各样本人脸图像涉及到用户隐私，为了保护用户隐私的同时采用第二训练样本集对原始人脸识别模型进行优化训练，首先为每个样本人脸图像进行标记即为每个样本人脸图像分配一个分类标号，进而采用原始人脸识别模型的前Μ层特征系数对第二训练样本集中的各样本人脸图像进行编码，即提取各样本人脸图像的前Μ层特征系数，从而经编码和分类标号标记的各样本人脸图像不会泄露对应的用户隐私。最后，以各编码后特征向量即经Μ层特征系数编码的各样本人脸图像以及与各编码后特征向量分别对应的分类标号为输入，对原始人脸识别模型的后Ν-Μ层特征系数进行训练，获得训练后的后Ν-Μ层特征系数，从而获得由原Μ层特征系数和训练后的后Ν-Μ层特征系数构成的优化后的人脸识别模型。由于优化后的人脸识别模型是基于干净的训练样本训练获得的，更加准确、可靠。
[0011]可选的，所述根据所述编码后的第二训练样本集对所述原始人脸识别模型的后Ν-Μ层特征系数进行训练，获得训练更新后的后Ν-Μ层特征系数，包括:
[0012]对所述编码后的第二训练样本集中的各编码后特征向量进行随机分批处理，获得各批训练样本子集；
[0013]依次以每批训练样本子集对所述原始人脸识别模型的后Ν-Μ层特征系数进行训练，获得经全部各批训练样本子集训练后得到的后Ν-Μ层特征系数。
[0014]其中，所述依次以每批训练样本子集对所述原始人脸识别模型的后Ν-Μ层特征系数进行训练，包括:
[0015]依次以当前一批训练样本子集中的各编码后特征向量为输入，迭代执行如下处理，直到所述全部各批训练样本子集都被执行为止:
[0016]对所述原始人脸识别模型的后Ν-Μ层特征系数进行训练，得到与所述当前一批训练样本子集中的各编码后特征向量分别对应的第一输出分类标号；
[0017]根据预设距离度量方式，确定所述当前一批训练样本子集中的各编码后特征向量分别对应的第一原始分类标号与对应的第一输出分类标号间的距离；
[0018]根据各所述距离，确定所述当前一批训练样本子集对应的分类误差率；
[0019]若所述分类误差率大于预设阈值，则调整经所述当前一批训练样本子集中的各编码后特征向量对所述原始人脸识别模型的后Ν-Μ层特征系数进行训练后得到的后Ν-Μ层特征系数；
[0020]更新所述当前一批训练样本子集为所述当前一批训练样本子集的下一批训练样本子集。
[0021]其中，所述预设距离度量方式包括采用如下任一种距离的距离度量方式:
[0022]欧式距离、马氏距离、切比雪夫距离、余弦距离。
[0023]通过该分批迭代的方式对原始人脸识别模型的后Ν-Μ层特征系数进行训练，使得训练样本随机性较强，并且避免反复调整后Ν-Μ层特征系数，使得训练效率得到提高。
[0024]进一步地，所述依次以每批训练样本子集对所述原始人脸识别模型的后Ν-Μ层特征系数进行训练，获得经全部各批训练样本子集训练后得到的后Ν-Μ层特征系数之后，所述方法还包括:
[0025]获取测试样本集，并确定测试样本集中的各测试人脸图像对应的第二原始分类标号，所述测试样本集中的各测试人脸图像与所述第二训练样本集中的各样本人脸图像不同；
[0026]根据所述测试样本集对更新后的人脸识别模型进行准确度测试，确定所述更新后的人脸识别模型的准确度，所述更新后的人脸识别模型中包括所述前Μ层特征系数和所述经全部各批训练样本子集训练后得到的后Ν-Μ层特征系数。
[0027]其中，所述根据所述测试样本集对更新后的人脸识别模型进行准确度测试，确定所述更新后的人脸识别模型的准确度，包括:
[0028]分别将所述各测试人脸图像输入到所述更新后的人脸识别模型中，获得所述更新后的人脸识别模型输出的各测试人脸图像分别对应的第二输出分类标号；
[0029]根据预设距离度量方式，确定所述各测试人脸图像对应的第二原始分类标号与对应的第二输出分类标号间的距离；
[0030]根据各所述距离，确定所述更新后的人脸识别模型的准确度。
[0031]通过采用上述测试样本集对训练获得的更新人脸识别模型进行准确度测试，能够及时发现该人脸识别模型的性能优劣。
[0032]进一步地，所述根据各所述距离，确定所述更新后的人脸识别模型的准确度之后，还包括:
[0033]若所述准确度小于预设准确度阈值，则迭代执行如下处理，直到达到最大迭代次数或准确度大于预设准确度阈值为止:
[0034]更新所述第二训练样本集；
[0035]根据更新后的第二训练样本集对前一次迭代对应的更新后人脸识别模型中的后N-M层特征系数进行训练，得到本次迭代对应的更新后人脸识别模型；
[0036]根据更新的测试样本集对本次迭代对应的更新后人脸识别模型进行准确度测试，确定对应的准确度。
[0037]进一步地，所述方法还包括:
[0038]确定各次迭代对应的准确度中的最大准确度；
[0039]确定与所述最大准确度对应的更新后人脸识别模型为目标人脸识别模型。
[0040]通过多次迭代训练、测试的过程，能够保证获得的目标人脸识别模型具有最佳的准确性。
[0041]根据本公开实施例的第二方面，提供一种人脸识别模型训练装置，包括:
[0042]第一获取模块，被配置为获取原始人脸识别模型，所述原始人脸识别模型是使用第一训练样本集对卷积神经网络进行训练后得到的，所述原始人脸识别模型中包括N层特征系数，N彡2 ;
[0043]第二获取模块，被配置为获取第二训练样本集，并确定第二训练样本集中的各样本人脸图像对应的第一原始分类标号，所述各样本人脸图像是存储于云端人脸相册中的人脸图像；
[0044]编码模块，被配置为采用所述原始人脸识别模型的前Μ层特征系数对所述第二训练样本集中的各样本人脸图像进行编码，获得编码后的第二训练样本集；其中，所述编码后的第二训练样本集中包括与各样本人脸图像分别对应的各编码后特征向量以及与各编码后特征向量分别对应的第一原始分类标号，Ν多Μ多1 ;
[0045]训练模块，被配置为根据所述编码后的第二训练样本集对所述原始人脸识别模型的后Ν-Μ层特征系数进行训练，获得训练后的后Ν-Μ层特征系数。
[0046]通过上述方案，为了对使用第一训练样本集对卷积神经网络进行训练后得到的包括Ν层特征系数的原始人脸识别模型进行优化，首先获得不同于传统第一训练样本集的第二训练样本集。其中，构成第一训练样本集中的各样本人脸图像是通过随机在网络上搜索得到的各人脸图像，样本噪声较大；而第二训练样本集中的各样本人脸图像是存储于云端人脸相册中的人脸图像，样本比较干净。由于第二训练样本集中各样本人脸图像涉及到用户隐私，为了保护用户隐私的同时采用第二训练样本集对原始人脸识别模型进行优化训练，首先为每个样本人脸图像进行标记即为每个样本人脸图像分配一个分类标号，进而采用原始人脸识别模型的前Μ层特征系数对第二训练样本集中的各样本人脸图像进行编码，即提取各样本人脸图像的前Μ层特征系数，从而经编码和分类标号标记的各样本人脸图像不会泄露对应的用户隐私。最后，以各编码后特征向量即经Μ层特征系数编码的各样本人脸图像以及与各编码后特征向量分别对应的分类标号为输入，对原始人脸识别模型的后Ν-Μ层特征系数进行训练，获得训练后的后Ν-Μ层特征系数，从而获得由原