用于训练人脸识别模型以及识别人脸的方法以及相关装置与流程

本申请涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于人脸识别场景下，尤其涉及用于训练人脸识别模型的方法、装置、电子设备、计算机可读存储介质及计算机程序产品，以及用于识别人脸的方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术：

目前的人脸识别模型在训练过程中对训练数据不加区分，此种方式在样本量级足够大时对最终训练出的模型精度影响有限，但在样本量级较小时存在训练不充分、容易出现过拟合的问题。

技术实现要素：

本申请实施例提出了一种用于训练人脸识别模型的方法、装置、电子设备、计算机可读存储介质及计算机程序产品，同时还提出了用于识别人脸的方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

第一方面，本申请实施例提出了一种用于训练人脸识别模型的方法，包括：获取经归一化处理后的原始人脸特征集；通过子类中心数为预设值的子类中心转换矩阵将原始人脸特征集转换为相应数量的新人脸特征集，预设值大于1；分别计算各新人脸特征集与原始人脸特征集之间的相似度；按相似度由大到小的顺序，从各新人脸特征集中依次选取出各目标人脸特征集，并依次用各目标人脸特征集训练人脸识别模型，得到训练完成的目标人脸识别模型。

第二方面，本申请实施例提出了一种用于训练人脸识别模型的装置，包括：归一化处理单元，被配置成获取经归一化处理后的原始人脸特征集；类别转换单元，被配置成通过子类中心数为预设值的子类中心转换矩阵将原始人脸特征集转换为相应数量的新人脸特征集，预设值大于1；相似度计算单元，被配置成分别计算各新人脸特征集与原始人脸特征集之间的相似度；渐进式训练单元，被配置成按相似度由大到小的顺序，从各新人脸特征集中依次选取出各目标人脸特征集，并依次用各目标人脸特征集训练人脸识别模型，得到训练完成的目标人脸识别模型。

第三方面，本申请实施例提出了一种用于识别人脸的方法，包括：接收待识别人脸图像；调用目标人脸识别模型对待识别人脸图像进行识别；其中目标人脸识别模型是根据如第一方面中任一实现方式描述的用于训练人脸识别模型的方法得到。

第四方面，本申请实施例提出了一种用于识别人脸的装置，包括：待识别人脸图像接收单元，被配置成接收待识别人脸图像；人脸识别单元，被配置成调用目标人脸识别模型对待识别人脸图像进行识别；其中目标人脸识别模型是根据如第二方面中任一实现方式描述的用于训练人脸识别模型的方法得到。

第五方面，本申请实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的用于训练人脸识别模型的方法和/或如第三方面中任一实现方式描述的用于识别人脸的方法。

第六方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的用于训练人脸识别模型的方法和/或如第三方面中任一实现方式描述的用于识别人脸的方法。

第七方面，本申请实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的用于训练人脸识别模型的方法和/或如第三方面中任一实现方式描述的用于识别人脸的方法。

本申请实施例提供的用于训练人脸识别模型的方法、装置、电子设备、计算机可读存储介质及计算机程序产品，首先，获取经归一化处理后的原始人脸特征集；然后，通过子类中心数为预设值的子类中心转换矩阵将原始人脸特征集转换为相应数量的新人脸特征集，预设值大于1；接着，分别计算各新人脸特征集与原始人脸特征集之间的相似度；最后，按相似度由大到小的顺序，从各新人脸特征集中依次选取出各目标人脸特征集，并依次用各目标人脸特征集训练人脸识别模型，得到训练完成的目标人脸识别模型。

在通过上述方法提供的模型训练方案的基础上，本申请实施例提供的用于识别人脸的方法、装置、电子设备、计算机可读存储介质及计算机程序产品，就可以在接收到待识别人脸图像时，调用上述方案训练出的目标人脸识别模型进行识别。

针对训练样本量级较小的情况，本申请所提供的技术方案通过子类中心转换矩阵所随机生成的多个子类中心，将原始人脸特征集随机变换为多个不同类别的新人脸特征集，并按照新人脸特征集按照与原始人脸特征集之间的相似度大小进行区分，从而提供了一种按照相似度大小实现的从易到难的渐进式模型训练方式，相较常规不分层次的统一模型训练方式，此种方式训练出的目标人脸识别模型将拥有更高的识别精度。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构；

图2为本申请实施例提供的一种用于训练人脸识别模型的方法的流程图；

图3为本申请实施例提供的另一种用于训练人脸识别模型的方法的流程图；

图4为本申请实施例提供的一种确定预设值的方法的流程图；

图5为本申请实施例提供的一种用于训练人脸识别模型的装置的结构框图；

图6为本申请实施例提供的一种用于识别人脸的装置的结构框图；

图7为本申请实施例提供的一种适用于执行用于训练人脸识别模型的方法和/或用于识别人脸的方法的电子设备的结构示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

图1示出了可以应用本申请的用于训练人脸识别模型的方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用，例如数据加密类应用、人脸识别类应用、即时通讯类应用等。

终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等；当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。

服务器105通过内置的各种应用可以提供各种服务，以可以提供识别人脸图像对应用户服务的人脸识别类应用为例，服务器105在运行该电子相册类应用时可实现如下效果：首先，通过网络104从终端设备101、102、103接收传入的待识别人脸图像；然后，从预设存储位置调用之前训练好的目标人脸识别模型，并将待识别人脸图像作为输入数据输入目标人脸识别模型；最后，将目标人脸识别模型输出的识别结果返回至终端设备101、102、103。

其中，目标人脸识别模型可由服务器105上内置的模型训练类应用预先对训练样本按如下步骤训练得到：首先，获取经归一化处理后的原始人脸特征集；然后，通过子类中心数为预设值的子类中心转换矩阵将原始人脸特征集转换为相应数量的新人脸特征集，预设值大于1；接着，分别计算各新人脸特征集与原始人脸特征集之间的相似度；最后，按相似度由大到小的顺序，从各新人脸特征集中依次选取出各目标人脸特征集，并依次用各目标人脸特征集训练人脸识别模型，得到训练完成的目标人脸识别模型。

由于训练得到目标人脸识别模型需要占用较多的运算资源和较强的运算能力，因此本申请后续各实施例所提供的用于训练人脸识别模型的方法一般由拥有较强运算能力、较多运算资源的服务器105来执行，相应地，用于训练人脸识别模型的装置一般也设置于服务器105中。但同时也需要指出的是，在终端设备101、102、103也具有满足要求的运算能力和运算资源时，终端设备101、102、103也可以通过其上安装的模型训练类应用完成上述本交由服务器105做的各项运算，进而输出与服务器105同样的结果。相应的，用于训练人脸识别模型的装置也可以设置于终端设备101、102、103中。在此种情况下，示例性系统架构100也可以不包括服务器105和网络104。

特殊的，经由服务器105训练得到的目标人脸识别模型也可以通过模型蒸馏的方式得到适合置入终端设备101、102、103的轻量级的人脸识别模型，即可以根据实际需求的识别准确度灵活选择使用终端设备101、102、103中的轻量级人脸识别模型，还是选择使用服务器105中的目标人脸识别模型。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

请参考图2，图2为本申请实施例提供的一种用于训练人脸识别模型的方法的流程图，其中流程200包括以下步骤：

步骤201：获取经归一化处理后的原始人脸特征集；

本步骤旨在由用于训练人脸识别模型的方法的执行主体(例如图1所示的服务器105)获取经归一化处理后的原始人脸特征。

原始人脸特征集是指经归一化处理后得到的人脸特征的集合，而人脸特征提取自每张包含有人脸图像的图片，人脸特征的提取方式有很多，例如人脸关键点提取、人脸轮廓提取等，而归一化处理的目的是将提取自不同图片的人脸特征统一描述标准，也可以形象的将该过程描述为“统一度量衡”。

需要指出的是，用于提取和经归一化处理后得到原始人脸特征集的人脸图片训练集可以由上述执行主体直接从本地的存储设备获取，也可以从非本地的存储设备(例如图1所示的终端设备101、102、103)中获取。本地的存储设备可以是设置在上述执行主体内的一个数据存储模块，例如服务器硬盘，在此种情况下，人脸图片集可以在本地快速读取到；非本地的存储设备还可以为其它任何被设置用于存储数据的电子设备，例如一些用户终端等，在此情况下，上述执行主体可以通过向该电子设备发送获取命令来获取所需的人脸图片训练集。当然，原始人脸特征集也可以直接以成品存储在本地的存储设备或非本地的存储设备。

具体的，原始人脸特征集通常可表示为多种形式，例如矩阵、向量或其它可等价转换的形式。。

步骤202：通过子类中心数为预设值的子类中心转换矩阵将原始人脸特征集转换为相应数量的新人脸特征集；

在步骤201的基础上，本步骤旨在由上述执行主体通过子类中心数为预设值的子类中心转换矩阵，将原始人脸特征转换为相应数量的新人脸特征集。基于预设值作为子类中心数的原因，预设值的取值范围应为大于1的整数，且其初始值应大于1。

需要说明的是，通过子类中心转换矩阵转换出的多个(假定为k个)新人脸特征集可以被包含于转换出的一个有k维的大矩阵，也可以分别表现为k个小矩阵。当然，为满足转换要求，原始人脸特征集在输入子类中心转换矩阵时需要先转换为矩阵的表示形式。

其中，子类中心转换矩阵的作用是将输入数据的类别中心转换为新类别中心，以通过此种方式变更特征集的类别，进而帮助将之前的全量原始人脸特征划分为各种类别，也可以理解为通过此种方式将之前的全量原始人脸特征划分多不同的子类，以便后续采用渐进式的学习和训练方式。

其中，预设值(k值)的初始值可以自行设置，也可以随机设置，由于后续的目的是让模型渐进式的分别从每个类别的特征中学习，但并不意味着，预设值(k值)越大、分组数越多就能够得到越好的训练效果，而且也受样本内容和样本特性的影响。为了尽可能的得到一个比较合适的初始值，还可以挑选几个不同大小的预设值(k值)进行先验，以基于先验结果确定出一个合适的大小。

步骤203：分别计算各新人脸特征集与原始人脸特征集之间的相似度；

在步骤202的基础上，本步骤旨在由上述执行主体分别计算各新人脸特征集与原始人脸特征集之间的相似度。

应当理解的是，因为类别中心转换矩阵的新类别中心是随机生成，因此无法确定该新类别中心与原始的类别中心的相似程度，因此需要通过计算相似度的方式来确定各类别变换矩阵分别与原始人脸特征之间的相似程度，从而便于确定后续渐进式的模型训练的训练顺序。应当理解的是，渐进式的模型训练顺序应为从易到难，在本申请的场景下不会出现从难到易，而“易”则指与原始人脸特征相似度高的类别变换矩阵，“难”则指与原始人脸特征相似度低的类别变换矩阵。

具体的，可以通过将每个新人脸特征集与原始人脸特征集均以矩阵的表达形式相乘，并计算arccos的方式得到以角度矩阵方式表示的相似度。

步骤204：按相似度由大到小的顺序，从各新人脸特征集中依次选取出各目标人脸特征集，并依次用各目标人脸特征集训练人脸识别模型，得到训练完成的目标人脸识别模型。

在步骤203的基础上，本步骤旨在由上述执行主体依次使用相似度从大到排序的各新人脸特征集来渐进式的训练人脸识别模型，并最终在相似度最小的最后一个新人脸特征集也完成对人脸识别模型的训练后，得到训练完成的目标人脸识别模型。

为便于理解，此处举例说明：假定预设值为10，也就是说通过步骤202将得到10个新人脸特征集，假定这10个新人脸特征集分别与原始人脸特征集之间的相似度按照从大到小排序为：90％、80％、70％、60％、50％、40％、30％、20％、15％、10％，那么训练的顺序就是先使用相似度高达90％的新人脸特征集来训练人脸识别模型，再使用80％的新人脸特征特征集来训练已经90％的训练后的人脸识别模型，依此类推，直至相似度最低的10％的新人脸特征集也训练完人脸识别模型，最终将训练至当前的人脸识别模型输出为目标人脸识别模型。即本申请提供了一种按照相似度从大到小的从易到难的渐进式训练方法。

具体的，可将每一次使用新人脸特征集训练人脸识别模型理解为一次一轮训练或一次迭代，也可以将上述10次先后进行的训练理解为在一轮或一次迭代完成，对实际的训练效果不造成影响，此处不做具体限定。

但需要说明的是，虽然上述例子中每次仅使用一个相似度最高的新人脸特征集训练人脸识别模型，但也不排除一次选取出多个相似度较高或多个相似度排名靠前的新人脸特征集来人脸识别模型的方案存在。每次仅选用一个进行训练将能够带来较好的训练结果，而每次选用多个进行训练将能够提升训练效率。具体选用哪种可根据实际需求灵活选择。

具体的，每次对人脸识别模型进行的训练，所采用的可以是较适合人脸识别的arcface损失函数，在此种该损失函数时可将arccos的角度输入来，并以控制损失值最小的方式来实现监督训练。

针对训练样本量级较小的情况，本申请所提供的技术方案通过子类中心转换矩阵所随机生成的多个子类中心，将原始人脸特征集随机变换为多个不同类别的新人脸特征集，并按照新人脸特征集按照与原始人脸特征集之间的相似度大小进行区分，从而提供了一种按照相似度大小实现的从易到难的渐进式模型训练方式，相较常规不分层次的统一模型训练方式，此种方式训练出的目标人脸识别模型将拥有更高的识别精度。

在图2所示实施例的基础上，本申请还通过图3提供了另一种用于训练人脸识别模型的方法，其中的步骤301-步骤303针对步骤201提供了一种包含样本增量技术在内的具体实现方式；步骤306-步骤308则提供了一种具体实现渐进式训练的方式，以用于加深对本方案的理解，图3所示的流程300包括如下步骤

步骤301：通过调整图像内容角度和/或改变光照条件的方式对人脸图片样本集中的每张人脸图片进行样本增量处理，得到增量人脸图片集；

本实施例所提供的样本增量方式为调整图像内容的角度和/或改变光照条件，当然也可以采用其它不改变整体图像内容的调整方式。

步骤302：从增量人脸图片集中的每张人脸图片中提取人脸特征；

步骤303：对提取出的各人脸特征进行归一化处理，得到原始人脸特征集。

之所以通过上述方案对样本集进行样本增量，是因为本申请所针对的情况为样本数量级较少的难样本(也可称为低资源)情况，因此期望通过引入样本增量技术，在采用渐进式训练方式的同时增大原始人脸特征集的量级，从而获取到更好的模型识别效果。

步骤304：通过子类中心数为预设值的子类中心转换矩阵将原始人脸特征集转换为相应数量的新人脸特征集；

步骤305：分别计算各新人脸特征集与原始人脸特征集之间的相似度；

步骤306：按相似度从高到低的顺序，将对应的各新人脸特征集自上而下的排列在空白列表中，得到相似度排序表；

步骤307：按自上而下的顺序，依次从相似度排序表中选取出各目标人脸特征集，并基于选取出的各目标人脸特征集依次训练人脸识别模型；

步骤308：响应于最后一个目标人脸特征集训练人脸识别模型完成，将当前的人脸识别模型确定为目标人脸识别模型。

上述步骤306-步骤308所提供的具体实现方案中，构建了一个用于按相似度大小以特定排序方式排列各新人脸特征集的相似度排序表，因此本申请所提供的渐进式训练方式每次只需要从相似度排序表中取出位于最上方的即可(每次取出的将被删去、不保留)，更加方便、明确。

在本申请的一些实施例中，为了尽可能的确定一个合适的预设值的大小，还可以采用下述提供的先验方式：

步骤401：随机选取数值较小的第一正整数和数值较大的第二正整数；

步骤402：分别在预设值取为第一正整数和第二正整数时，训练得到对应的第一目标人脸识别模型和第二目标人脸识别模型；

步骤403：利用人脸图片测试集确定第一目标人脸识别模型与第二目标人脸识别模型之间的第一识别准确率差异；

步骤404：响应于第一识别准确率差异小于预设准确率差异，将第一正整数确定为预设值。

即通过选取两个数值大小不一的正整数来试验，并通过对相同人脸图片测试集的识别准确率的差异来确定两个正整数哪个合适，在差异小于预设阈值时，说明准确率并没有因为选用较大的第二正整数而得到线性提升，因此更适合将可减少渐进式学习次数的第一正整数作为预设值。

为了进一步的提升预设值的准确性，还可以在上述方案的基础上再随机选取数值小于第一正整数的第三正整数；然后，通过重复第一步骤(上述步骤402-步骤404)验证第三正整数和第一正整数之间的第二识别准确率差异；最后，响应于第二识别准确率差异小于预设阈值，将预设值的取值更新为更小的第三正整数。上述操作可以重复多次，以试图在前期尽可能找到合适大小的预设值。

为尽可能的保证按照上述实施例训练出的目标人脸识别模型的可用性，还可以通过设计对比验证来测试目标人脸识别模型的可用性，一种包括且不限于的对比验证方式和处理方式为：

利用常规人脸识别模型识别人脸图片验证集中所包含的人脸图片，得到第一识别准确率；

利用目标人脸识别模型识别人脸图片验证集中所包含的人脸图片，得到第二识别准确率；

响应于第一识别准确率大于第二识别准确率，调整k值的初始值直至第二识别准确率大于第一识别准确率。

其中，常规人脸识别模型为随机将各新人脸特征集中的任意新人脸特征选取为目标人脸特征集进行训练所得到的人脸识别模型，即如现有技术一样不按相似度进行难易区分，在训练时随机选择。

通过上述对比验证方式和处理方式，得以尽可能的及时发现是否有必要对当前的训练样本采用本申请所提供的渐进式学习方式，即基于是否能够带来明显的识别准确率差异，以及判断是否因模型参数设置的不合适导致差异不明显等等

上述方案中提及的人脸图片测试集和验证集在本实施例中分别用来确定初始值的大小，以及用于验证训练好的目标人脸模型的可用性，测试集和验证集的数量不做具体限定，通常来说，测试集和验证集应具有相应的能力(例如验证集应具有验证是否具有可用性的能力)，但在实际情况下可能会因具体数据选取的不合适、不严谨导致结论错误，为尽量避免此种情况，可通过独立的设置多个测试或验证集来分别进行，进而消除单个集合错误对结论的误导。

在上述任意实施例的基础上，为了充分让按照上述训练方式训练出的目标人脸识别模型发挥作用，还可以按照下述步骤让其在实际的人脸识别操作中发挥作用：

接收待识别人脸图像；

调用目标人脸识别模型对待识别人脸图像进行识别。

其中，该目标人脸识别模型是根据图2-4所提供的用于训练人脸识别模型的方法得到的人脸识别模型。

具体的，识别结果可以包含是否属于某个已注册用户、清晰度不够无法完成识别的提示信息等等。上述识别人脸的方法的执行主体可仍为图1所示的服务器105，也可以变更为图1所示的终端101、102、103，尤其是在其拥有调用已训练好的目标人脸识别模型的情况下。当然，也可以通过模型蒸馏的方式将轻量化的目标人脸识别模型置于终端101、102、103本地，进而实现本地的调用和识别。

为加深理解，本申请还结合一个具体应用场景，给出了一种具体的实现方案：

客户提出为某个难样本达成高准确率人脸识别效果的要求，服务提供商首先按照如下步骤训练得到一个目标人脸识别模型：

1)获取包含人脸图像的人脸图片样本集，并通过改善图片光照强度、光照角度和调整图像内容角度的方式来进行图片样本增量；

2)从增量后的人脸图样本片集中的每张人脸图片的人脸图像中提取人脸特征，并通过归一化处理得到以矩阵形式表达的原始人脸特征矩阵；

3)通过先前试验将子类中心数—k的大小确定为10，并利用类别中心转换矩阵，生成10个以矩阵形式表示的新人脸特征特征，并分别计算这10个新人脸特征矩阵分别与原始人脸特征矩阵之间的相似度大小；

4)按照相似度大小进行排序，得到排序表；该排序表将相似度按照从大到小的方式自上而下排列；

5)每次仅从位于排序表上最上方处选取出一个新人脸特征矩阵，并将其作为目标人脸特征矩阵训练人脸识别模型，且在使用完成后将其从排序表上划掉；

6)重复5)直至当前的排序表为空白表，将训练至当前的人脸识别模型输出为目标人脸识别模型；

服务提供商通过模型蒸馏的机制得到轻量级的目标人脸识别模型(简称为轻量级识别模型，为体现区别，目标人脸识别模型称为全量级识别模型)，然后向客户的客户端提供轻量级识别模型的所有数据文件和全量级识别模型的调用接口，以供客户根据实际需求灵活选用。

进一步参考图5和图6，作为对上述各图所示方法的实现，本申请还分别提供了一种用于训练人脸识别模型的装置和一种用于识别人脸的装置的实施例，该装置实施例与上述的方法实施例相对应，该装置具体可以应用于各种电子设备中

如图5所示，本实施例的用于训练人脸识别模型的装置500可以包括：归一化处理单元501、类别转换单元502、相似度计算单元503、渐进式训练单元504。其中，归一化处理单元501，被配置成获取经归一化处理后的原始人脸特征集；类别转换单元502，被配置成通过子类中心数为预设值的子类中心转换矩阵将原始人脸特征集转换为相应数量的新人脸特征集，预设值大于1；相似度计算单元503，被配置成分别计算各新人脸特征集与原始人脸特征集之间的相似度；渐进式训练单元504，被配置成按相似度由大到小的顺序，从各新人脸特征集中依次选取出各目标人脸特征集，并依次用各目标人脸特征集训练人脸识别模型，得到训练完成的目标人脸识别模型。

在本实施例中，用于训练人脸识别模型的装置500中：归一化处理单元501、类别转换单元502、相似度计算单元503、渐进式训练单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，渐进式训练单元504可以被进一步配置成：

按相似度从高到低的顺序，将对应的各新人脸特征集自上而下的排列在空白列表中，得到相似度排序表；

按自上而下的顺序，依次从相似度排序表中选取出各目标人脸特征集，并基于依次选取出的各目标人脸特征集依次训练人脸识别模型；

响应于最后一个目标人脸特征集训练人脸识别模型完成，将当前的人脸识别模型确定为目标人脸识别模型。

在本实施例的一些可选的实现方式中，用于训练人脸识别模型的装置500还可以包括被配置成确定预设值的预设值确定单元，预设值确定单元可以被进一步配置成：

随机选取数值较小的第一正整数和数值较大的第二正整数；

分别在预设值取为第一正整数和第二正整数时，训练得到对应的第一目标人脸识别模型和第二目标人脸识别模型；

利用人脸图片测试集确定第一目标人脸识别模型与第二目标人脸识别模型之间的第一识别准确率差异；

响应于第一识别准确率差异小于预设准确率差异，将第一正整数确定为预设值。

在本实施例的一些可选的实现方式中，归一化处理单元501可以被进一步配置成：

通过调整图像内容角度和/或改变光照条件的方式对人脸图片样本集中的每张人脸图片进行样本增量处理，得到增量人脸图片集；

从增量人脸图片集中的每张人脸图片中提取人脸特征；

对提取出的各人脸特征进行归一化处理，得到原始人脸特征集。

在本实施例的一些可选的实现方式中，用于训练人脸识别模型的装置500还可以包括：

第一识别准确率获取单元，被配置成利用常规人脸识别模型识别人脸图片验证集中所包含的人脸图片，得到第一识别准确率；其中，常规人脸识别模型为随机将各新人脸特征集中的任意新人脸特征选取为目标人脸特征集进行训练所得到的人脸识别模型；

第二识别准确率获取单元，被配置成利用目标人脸识别模型识别人脸图片验证集，得到第二识别准确率；

模型参数调整单元，被配置成基于第一识别准确率与第二识别准确率之间的第二准确率差异，调整训练中的人脸识别模型的模型参数。

如图6所示，本实施例的用于识别人脸的装置600可以包括：待识别人脸图像接收单元601、人脸识别单元602。其中，待识别人脸图像接收单元601，被配置成接收待识别人脸图像；人脸识别单元602，被配置成调用目标人脸识别模型对待识别人脸图像进行识别；其中，目标人脸识别模型是根据图5所示的用于训练人脸识别模型的装置得到。

上述实施例作为对应于上述方法实施例的装置实施例存在，针对训练样本量级较小的情况，本申请所提供的技术方案通过子类中心转换矩阵所随机生成的多个子类中心，将原始人脸特征集随机变换为多个不同类别的新人脸特征集，并按照新人脸特征集按照与原始人脸特征集之间的相似度大小进行区分，从而提供了一种按照相似度大小实现的从易到难的渐进式模型训练方式，相较常规不分层次的统一模型训练方式，此种方式训练出的目标人脸识别模型将拥有更高的识别精度。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本申请的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如用于训练人脸识别模型的方法。例如，在一些实施例中，用于训练人脸识别模型的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram703并由计算单元701执行时，可以执行上文描述的用于训练人脸识别模型的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于训练人脸识别模型的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtualprivateserver)服务中存在的管理难度大，业务扩展性弱的缺陷。

针对训练样本量级较小的情况，本申请所提供的技术方案通过子类中心转换矩阵所随机生成的多个子类中心，将原始人脸特征集随机变换为多个不同类别的新人脸特征集，并按照新人脸特征集按照与原始人脸特征集之间的相似度大小进行区分，从而提供了一种按照相似度大小实现的从易到难的渐进式模型训练方式，相较常规不分层次的统一模型训练方式，此种方式训练出的目标人脸识别模型将拥有更高的识别精度。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。