训练人脸识别模型的方法及装置与流程

本申请属于机器视觉，尤其涉及一种训练人脸识别模型的方法及装置。

背景技术：

1、人脸识别技术是一种识别准确率高、使用便捷的生物特征识别技术。目前，人脸识别技术已经在安防、考勤和移动支付等众多场合中得到了广泛的应用。随着人脸识别技术的广泛应用，保证人脸识别系统的安全性也越来越受到重视。

2、现有技术中，可以在用于训练人脸识别模型的样本中添加扰动，从而得到对抗样本，然后通过对抗样本对人脸识别模型进行对抗训练，进而提高人脸识别模型的鲁棒性。但由于人脸识别模型对于对抗样本的抗干扰能力较差，因此，传统的技术方案中难以有效提升人脸识别模型的鲁棒性。

技术实现思路

1、本申请的目的在于提供一种训练人脸识别模型的方法及装置，旨在解决传统的人脸识别模型对于对抗样本的抗干扰能力较差的问题。

2、本申请实施例的第一方面提出了一种训练人脸识别模型的方法，所述方法包括：

3、基于第一样本集合，训练得到第一人脸识别模型，所述第一样本集合包括至少一个样本；

4、基于自步学习(self-paced learning，spl)从第二样本集合中获取第三样本集合，所述第二样本集合包括所述第一样本集合和第四样本集合，所述第四样本集合包括至少一个样本，所述第四样本集合中的任一样本为基于所述第一样本集合中的任一样本生成的对抗样本，所述第三样本集合中每个样本的损失函数的平均值小于第五样本集合中每个样本的损失函数的平均值，所述第五样本集合包括所述第二样本集合中除所述第三样本集合之外的其他样本；

5、基于所述第三样本集合，对所述第一人脸识别模型进行优化，得到第二人脸识别模型。

6、在一些实施方式中，所述方法还包括：

7、通过所述第一样本集合中每个样本对应的损失函数，对所述第一样本集合中的每个样本添加扰动，得到所述第四样本集合。

8、在一些实施方式中，所述对所述第一样本集合中的每个样本添加扰动，包括：

9、通过投影梯度下降法(projected gradient descent，pgd)对所述第一样本集合中的每个样本添加扰动。

10、在一些实施方式中，所述第三样本集合中任一样本的损失函数小于所述第五样本集合中任一样本的损失函数。

11、在一些实施方式中，所述基于所述第三样本集合，对所述第一人脸识别模型进行优化，得到第二人脸识别模型，包括：

12、基于所述第三样本集合构建第一三元组集合，所述第一三元组集合包括多个三元组，每个三元组包括所述第三样本集合中的三个样本；

13、基于所述第一三元组集合对所述第一人脸识别模型进行优化，得到所述第二人脸识别模型。

14、在一些实施方式中，所述基于所述第一三元组集合对所述第一人脸识别模型进行优化，得到所述第二人脸识别模型，包括：

15、基于自步学习从所述第一三元组集合中获取第二三元组集合，所述第二三元组集合包括至少一个三元组，所述第二三元组集合包括的每个三元组的损失函数的平均值，小于所述第一三元组集合中除所述第二三元组集合之外其他三元组的损失函数的平均值；

16、基于所述第二三元组集合对所述第一人脸识别模型进行优化，得到所述第二人脸识别模型。

17、在一些实施方式中，所述第二人脸识别模型为基于facenet的模型，所述方法还包括：

18、通过所述第二人脸识别模型获取待识别图像的第一向量以及预设图像的第二向量；

19、通过所述第二人脸识别模型基于所述第一向量和所述第二向量的之间的距离，输出对所述待识别图像的识别结果，所述识别结果用于指示所述待识别图像与所述预设图像是否包括同一人脸。

20、本申请实施例的第二方面提出了一种训练人脸识别模型的装置，所述装置还包括：

21、训练模块，用于基于第一样本集合，训练得到第一人脸识别模型，所述第一样本集合包括至少一个样本；

22、获取模块，用于基于自步学习从第二样本集合中获取第三样本集合，所述第二样本集合包括所述第一样本集合和第四样本集合，所述第四样本集合包括至少一个样本，所述第四样本集合中的任一样本为基于所述第一样本集合中的任一样本生成的对抗样本，所述第三样本集合中每个样本的损失函数的平均值小于第五样本集合中每个样本的损失函数的平均值，所述第五样本集合包括所述第二样本集合中除所述第三样本集合之外的其他样本；

23、优化模块，用于基于所述第三样本集合，对所述第一人脸识别模型进行优化，得到第二人脸识别模型。

24、本申请实施例的第三方面提出了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

25、本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

26、本发明实施例与现有技术相比存在的有益效果是：

27、在本申请实施例中，可以基于第一样本集合，训练得到第一人脸识别模型，基于自步学习从第二样本集合中获取第三样本集合，其中第二样本集合包括第一样本集合和第四样本集合，第四样本集合中的任一样本为基于第一样本集合中的任一样本生成的对抗样本。由于第三样本集合中每个样本的损失函数的平均值小于第五样本集合中每个样本的损失函数的平均值，第五样本集合包括该第二样本集合中除该第三样本之外的其他样本，即第三样本集合中的样本的复杂程度比第五样本集合中的样本的复杂程度低，因此先从第二样本集合中获取复杂程序较小的样本对第一人脸识别模型进行优化，进而逐渐增加对第一人脸识别模型进行优化所选择的样本的复杂程度，能够从简单到复杂，更准确地对第二样本集合中各样本进行学习，提高了第二人脸识别模型的对对抗样本攻击的抗干扰能力，即提高了第二人脸识别模型的准确性和可靠性。

技术特征：

1.一种训练人脸识别模型的方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，所述对所述第一样本集合中的每个样本添加扰动，包括：

4.根据权利要求1所述的方法，其特征在于，所述第三样本集合中任一样本的损失函数小于所述第五样本集合中任一样本的损失函数。

5.根据权利要求1所述的方法，其特征在于，所述基于所述第三样本集合，对所述第一人脸识别模型进行优化，得到第二人脸识别模型，包括：

6.根据权利要求5所述的方法，其特征在于，所述基于所述第一三元组集合对所述第一人脸识别模型进行优化，得到所述第二人脸识别模型，包括：

7.根据权利要求1所述的方法，其特征在于，所述第二人脸识别模型为基于facenet的模型，所述方法还包括：

8.一种训练人脸识别模型的装置，其特征在于，所述装置还包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

技术总结
本申请提供一种训练人脸识别模型的方法及装置，所述方法包括：基于第一样本集合，训练得到第一人脸识别模型，所述第一样本集合包括至少一个样本；基于自步学习从第二样本集合中获取第三样本集合，所述第二样本集合包括所述第一样本集合和第四样本集合，所述第四样本集合包括至少一个样本，所述第四样本集合中的任一样本为基于所述第一样本集合中的任一样本生成的对抗样本，所述第三样本集合中每个样本的损失函数的平均值小于第五样本集合中每个样本的损失函数的平均值，所述第五样本集合包括所述第二样本集合中除所述第三样本集合之外的其他样本；基于所述第三样本集合，对所述第一人脸识别模型进行优化，得到第二人脸识别模型。

技术研发人员：胡祝银,汪勇,刘春秋,冯国伟,潘冬
受保护的技术使用者：深圳市博安智控科技有限公司
技术研发日：
技术公布日：2024/1/13