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与流程

本发明涉及图像处理技术领域，具体而言，涉及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。

背景技术：

传统的身份认证方式，主要通过身份标识物品(如钥匙、身份证件、银行卡等)和身份标识知识(如用户名和密码)来证明身份。此类方式由于需要借助体外物品或人本身的记忆，因此，一旦证明身份的随身标识物品和标识知识被外界窃取或遗忘，其身份就容易被他人冒充或取代。与传统的身份认证方式不同，生物特征(签名、指纹、人脸、虹膜、掌纹等)由于具有唯一性、终生不变性、随身携带、不易丢失和冒用、防伪性能好等特点，已经成为身份认证的一个新的介质，具有广阔的应用前景。它认定的对象是人本身，不需要借助身外的其他标识物，并且利用它进行身份的认定更加安全、准确和可靠。同时，它易于配合计算机进行安全、监控、管理系统方面的整合，实现自动化管理。

与指纹识别、虹膜识别和掌纹识别相比，人脸识别具有非接触，不易被察觉的特点，这样会使通过人脸识别进行身份认证该识别方法不令用户反感，并且因为不易引起人的注意而不容易被欺骗。从原理上讲，人脸识别，就是从视频或者图片中提取被测人脸的相关特征，与已有数据库中的人脸特征相比较，然后计算出被测人脸的特征与数据库中哪一类人脸最相近.进而得出被测人脸对应的身份。而由于人脸的3D结构，光照投射出的阴影，会加强或减弱原有的人脸特征。另外，人脸图像的来源可能多种多样，由于采集设备的不同，得到的人脸图像质量也不一样，特别是对于那些低分辨率、噪声大等质量较差的人脸图像，目前的人脸识别方法无法有效地进行人脸识别。

技术实现要素：

有鉴于此，本发明实施例的目的在于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，能够对具有预设特征的人脸图像进行有效识别，其中，该具有预设特征的人脸图像训练样本不充分。

第一方面，本发明实施例提供了一种人脸识别模型训练方法，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所述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；

基于所述第一特征向量和对应所述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所述比对图像；所述源图像集中包括至少一个带有标签的所述源图像；以及进行比对的所述第一特征向量来自的所述比对图像和对应所述第二特征向量来自的所述源图像为同一个人的图像。

第二方面，本发明实施例还提供一种人脸识别方法，包括：

获取待识别图像；

使用如上述第一方面任意一项的人脸识别模型训练方法所得到的人脸识别模型对所述待识别图像进行人脸识别，生成与所述待识别图像对应的人脸识别结果。

第三方面，本发明实施例还提供一种人脸识别模型训练装置，该装置包括:

获取模块，用于获取比对图像集、源图像集以及目标图像集；

第一处理模块，用于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；

第二处理模块，用于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所述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；

训练模块，用于基于所述第一特征向量和对应所述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所述比对图像；所述源图像集中包括至少一个带有标签的所述源图像；以及进行比对的所述第一特征向量来自的所述比对图像和对应所述第二特征向量来自的所述源图像为同一个人的图像。

第四方面，本发明实施例还提供一种人脸识别装置，该装置包括：

图像获取模块，用于获取待识别图像；

识别模块，用于使用如本发明实施例提供的人脸识别模型训练方法所得到的人脸识别模型对所述待识别图像进行人脸识别，生成与所述待识别图像对应的人脸识别结果。

本发明实施例所提供的人脸识别模型训练方法和装置及人脸识别方法和装置，在对人脸识别模型训练的时候，通过将源图像集以及目标图像集输入至同一个第二神经网络，使用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参数共享的特征学习，使得第二神经网络在训练时受到目标图像的影响，从而学习到目标图像所具有的一些特征，因此，在使用第二神经网络对源图像进行特征提取时所获得的第二特征向量除了提取能够提取到源图像的特征，还会使得所提取的第二特征向量引入质量较差的目标图像的特征；在使用第二特征向量对人脸分类器进行训练时，也会受到质量较差目标图像的特征的影响，从而使得通过上述人脸识别模型训练方法训练所得的人脸识别模型，在对质量较差的待识别图像进行人脸识别的时候，能够得到较好的识别效果。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例所提供的一种人脸识别模型训练方法的流程图；

图2示出了本发明实施例所提供的人脸识别模型训练方法中，距离确定操作具体方法的流程图；

图3示出了本发明实施例所提供的人脸识别模型训练方法中，分类操作具体方法的流程图；

图4示出了本发明实施例所提供的另一种脸识别模型训练方法的流程图；

图5示出了本发明实施例所提供的人脸识别模型训练方法中，域分类操作具体方法的流程图；

图6示出了本发明实施例所提供的一种人脸识别模型训练方法示例；

图7示出了本发明实施例所提供的一种人脸识别方法的流程图；

图8示出了本发明实施例所提供的一种人脸识别模型训练装置的结构示意图；

图9示出了本发明实施例所提供的一种人脸识别装置的结构示意图；

图10示出了本发明实施例所提供的计算机设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

人脸识别的流程一般包括：人脸检测，即从图像中检测并定位人脸位置；特征提取，即从所定位的人脸位置提取人脸的特征；特征降维，以及识别分类。当前大多数人脸识别的研究和应用场合要求人脸识别的环境可控，并且需要待识别人配合，例如待识别人需要正面站在摄像头前，并且保持均匀的光照且面部无遮挡物。在非约束人脸识别中，获得的人脸图像通常都可认为是在可控环境下获取的人脸图像上增加了预设特征，如监控状态下，人脸的朝向是非可控的，同时光照条件变化多端，人脸也会存在彼此遮挡，同时，不同的采集设备所得到的图像质量也不相同，导致图像的质量差，可以认为这种条件下获得的人脸图像增加了低分辨率特征，并且，具有预设特征的人脸图像训练样本不充分，单纯基于具有预设特征的人脸图像训练样本训练人脸识别模型效果并不好。基于此，本发明提供的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，可以基于可控环境下获取的大量训练样本进行人脸识别模型训练，在训练过程中加入非约束人脸识别中获取的少量训练样本，从而训练出的模型能够对非约束人脸识别中获取的人脸图像进行有效识别。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种人脸识别模型训练方法进行详细介绍。在本发明中，所得到的人脸识别模型包括两个部分：特征提取网络以及分类器。特征提取网络用于对待识别图像进行特征提取，分类器用于基于特征提取网络所提取的特征对待识别图像进行人脸识别。

参见图1所示，本发明实施例所提供的人脸识别模型训练方法包括：

S101：获取比对图像集、源图像集以及目标图像集。

在具体实现的时候，比对图像集中包括了多张对比图像，对比图像是图像质量较好的图像，例如使用分辨率较高的图像获取设备在均匀光照条件下，所获得的面部无遮挡物的清晰人脸图像。对比图像中的人脸可以是多种角度的人脸图像，例如人脸正视图像、侧视图像、斜视图像、仰视图像、俯视图像等。该比对图像集中的图像用于对人脸识别模型训练过程进行约束，并用于对人脸识别模型中的分类器进行训练。

源图像集中包括了多张源图像，源图像为图像质量较好的图像，例如使用分辨率较高的图像获取设备在均匀光照条件下，所获得的面部无遮挡物的清晰人脸图像。源图像中的人脸可以是多种角度的人脸图像，例如人脸正视图像、侧视图像、斜视图像、仰视图像、俯视图像等。

目标图像集中包括了多张目标图像，目标图像为具有预设特征的图像，例如：图像质量较差的图像，可以是用分辨率较低的图像获取设备在非均匀的多种不同光照条件下所获取的不清晰的人脸图像。目标图像中的人脸也可以是多种角度的人脸图像。

进一步地，可以认为源图像集中图像质量较好的图像作为训练样本数量充足，而现实需求需要对具有预设特征的图像进行人脸识别，而具有预设特征的图像作为训练样本数量不足，或者训练过程中困难较大，那么，需要通过迁移学习，在对源图像集图像学习的过程中，同时学习预设特征，从而将预设特征与源图像特征融合，使训练得到的人脸识别模型能够对具有预设特征图像中的人脸进行识别，因此，目标图像集中的目标图像中可以具有人脸识别模型想要学习的特征，例如，低分辨率特征。

具体实施时，源图像集和目标图像集均用于对人脸识别模型进行训练。在人脸识别模型训练的过程中，会将源图像和目标图像进行域融合，以实现混合域间特征的学习，从而使得训练得到的人脸识别模型能够在模型训练过程中在学习源图像集中特征的同时，能够学习到目标图像中所具有的一些特征。

较佳地，比对图像集中的对比图像以及源图像集中的源图像可以相同。由于比对图像集中的比对图像和源图像集中的源图像相同时，能够更好的使用第二神经网络提取第二特征向量时与第一神经网络提取的第一特征向量之间的距离，衡量第二神经网络受到目标图像影响的程度，获得更好的第二神经网络训练结果，提高人脸识别的准确度。

S102：将比对图像集输入第一神经网络，并使用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。

在具体实现的时候，第一神经网络可以采用卷积神经网络(Convolutional Neural Network，CNN)对比对图像集中的每张比对图像进行特征提取，获得与每张比对图像对应的第一特征向量。

具体地，可以通过第一神经网络对比对图像集中的比对图像整体进行特征提取，获得比对图像整体的第一特征向量，也可以使用第一神经网络为输入的比对图像进行局部特征提取，为每一张比对图像生成局部的第一特征向量。

此处，在使用第一神经网络为输入的比对图像进行局部特征提取的时候，首先确定要进行局部特征提取的部位。例如可以首先确定在每一张比对图像中眼镜、嘴、鼻子、眉毛、额头的局部位置，然后使用CNN网络对每张源图像中所选取局部位置进行特征提取，为每一个局部位置生成对应的第一特征向量。这里需要注意的是，每一张比对图像的对应的局部的第一特征向量有多个；多个局部的第一特征向量共同组成该比对图像的第一特征向量。

S103：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。

在具体实现的时候，源图像集中的源图像是携带有标签，该标签用于指示该源图像中的人脸对应的身份；目标图像集中的目标图像可以携带标签也可以未携带标签。在将源图像集以及目标图像集输入第二神经网络后，第二神经网络对源图像集中的源图像以及目标图像集中的目标图像进行共享参数的特征学习。在这个过程中，由于该第二神经网络对源图像集中源图像进行有监督的学习，而对于目标图像集中的目标图像进行无监督的学习，在使用同一第二神经网络对两种图像进行共享参数的学习过程中，会不断的调整第二神经网络中所使用的参数，从而在对第二神经网络训练的过程中，能够让第二神经网络的参数受到目标图像集的影响。进而使得第二神经网络在对源图像和目标图像进行特征学习后，对每个源图像进行特征提取得到第二特征向量中会受到目标图像的干扰，从而实现了源图像和目标图像的域间混合。

S104：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。

在具体实现的时候，从比对图像集中的比对图像中所提取的第一特征向量用于对第二神经网络受到目标图像的影响进行约束，即要使得第二神经网络中的参数能够受到目标图像的影响，但目标图像对第二神经网络中参数的影响又不能太大，因此，在获取了第一特征向量和第二特征向量后，要将第一特征向量和第二特征向量进行比对。如果第一特征向量和第二特征向量的差异过大，则说明目标图像对第二神经网络中参数的影响过大，要重新调整第二神经网络中的参数，缩小目标图像度第二神经网络中参数的影响。

同时，由于第二神经网络中参数受到了目标图像的影响，导致第二神经网络从源图像中提取的第二特征向量受到了一定的影响，因此此时使用第二特征向量来对分类器进行有监督训练，使得训练所得到的分类器能够使用从多张源图像中提取的第二特征向量来对源图像分类正确。

进一步地，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，也就是说，在一轮训练中，输入第一神经网络和第二神经网络的图像集可以为多个人的图像，针对每个人的图像可以输出对应的特征向量，对于多个人来说，第一神经网络和第二神经网络输出的可以为多个人的特征向量组成的矩阵，在比对时，需要不同神经网络输出的同一个人的对应特征向量进行比对。

具体地，在一种可选实施例中，本发明实施例通过执行如下距离确定操作以及分类操作，直到距离不大于预设距离阈值，以及得到的分类结果正确，则完成基于第一神经网络对第二神经网络和人脸分类器的本轮训练。

其中，参见图2所示，距离确定操作包括：

S201：确定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。

此处，第一特征向量和第二特征向量之间的距离，实际上用于衡量比对图像和源图像之间的相似度；第一特征向量和第二特征向量之间的距离越小，则比对图像和源图像也就越相似，则比对图像和源图像同时归属于同一张人脸的概率也就越大。

S202：针对距离大于预设距离阈值的情况，生成第一反馈信息，并基于第一反馈信息对第二神经网络进行参数调整。

此处，由于要使用第一特征向量与第二特征向量之间的距离，对第二神经网络进行约束，因此预设一距离阈值，当第一特征向量和第二特征向量大于该预设距离阈值的时候，生成第一反馈信息。该第一反馈信息会反馈给第二神经网络，第二神经网络能够基于该第一反馈信息对参数进行调整。

S203：基于调整后的参数，使用第二神经网络为源图像集中的每个源图像提取新的第二特征向量，并再次执行距离确定操作。

直至第一特征向量和第二特征向量之间的距离不大于预设距离阈值。

这里需要注意的是，当第一特征向量和第二特征向量之间的距离不大于预设距离阈值时，也会生成另一反馈信息，并将其反馈给第二神经网络，用于第二神经网络对参数进行幅度较小的调整，力求梯度下降到局部最优。

参见图3所示，分类操作包括：

S301：使用人脸分类器对当前确定的第二特征向量进行分类。

S302：针对分类结果错误的情况，生成第二反馈信息，并基于第二反馈信息对第二神经网络以及人脸分类器进行参数调整。

具体地，当分类器对当前确定的第二特征向量进行分类的结果错误的时候，认为此时第二神经网络在将源图像和目标图像进行域混合的时候，其参数过多的收到目标图像的影响，因此当分类结果错误的时候，分类器会生成第二反馈信息，并反馈给第二神经网络和人脸分类器。第二神经网络和人脸分类器会分别基于该分类错误的第二反馈信息，对自身参数进行调整。

S303：基于调整后的参数，使用第二神经网络为源图像集中的每个源图像提取新的第二特征向量，并再次执行分类操作。

直至人脸分类器的分类结果正确。

这里需要注意的是，当分类器的分类将结果是正确的时候，也会生成对应的反馈信息，并将该反馈信息反馈给第二神经网络和人脸分类器。第二神经网络和人脸分类器会基于该分类正确的反馈信息对参数进行幅度较小的调整，力求梯度下降到局部最优。

S105：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。

在具体实现的时候，对第二神经网络和人脸分类器进行一轮训练，是指使用一组比对图像集，源图像集以及目标图像集对第二神经网络和人脸分类器进行训练。之后，还会继续输入多组比对图像集，源图像集以及目标图像集对第二神经网络和人脸分类器进行训练，直至得到满足要求的第二神经网络和人脸分类器，并将得到的第二神经网络和人脸分类器作为得到的人脸识别模型。

本发明实施例所提供的人脸识别模型训练方法中，通过将源图像集以及目标图像集输入至同一个第二神经网络，使用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参数共享的特征学习，使得第二神经网络在训练时受到目标图像的影响，从而学习到目标图像所具有的一些特征，因此，在使用第二神经网络对源图像进行特征提取时所获得的第二特征向量除了提取能够提取到源图像的特征，还会使得所提取的第二特征向量引入的目标图像的预设特征；在使用第二特征向量对人脸分类器进行训练时，也会受到目标图像的预设特征的影响，从而使得通过上述人脸识别模型训练方法训练所得的人脸识别模型，在对具有预设特征的待识别图像进行人脸识别的时候，能够得到较好的识别效果，例如：对质量较差的图像进行人脸识别能够得到的较好的识别效果。

在本发明另一实施例中，参见图4所示，将源图像集以及目标图像集输入第二神经网络，对源图像和目标图像进行特征学习后，还包括：

S401：为目标图像集中的每个目标图像提取第三特征向量。

S402：将第二特征向量和第三特征向量进行梯度反向处理。

S403：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。

S404：根据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，对第二神经网络进行参数调整。

在具体实现的时候，由于在使用源图像和目标图像对第二神经网络进行训练的过程，实际上是要将源图像和目标图像进行域混合的过程。即使用第二神经网络对源图像进行特征提取所获得的第二特征向量要受到目标图像中特征的影响，也即，使得第二特征向量向目标图像的特征接近；同时，使用第二神经网络对源图像进行特征提取所获取的第三特征向量受到源图像中特征的影响，也即，使得第三特征向量向源图像的特征接近。因此，为了实现对源图像和目标图像的域混合，在为目标图像集中的每个目标图像提取第三特征向量后，要将第二特征向量和第三特征向量进行梯度反向处理，然后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至域分类器，使用域分类器对第二特征向量和第三特征向量进行域分类。

域分类的结果正确，也即域分类器能够正确对第二特征向量和第三特征向量进行正确分类的概率越大，则说明域混合的程度越小；域分类的结果错误的概率越大，也即域分类器对第二特征向量和第三特征向量进行分类正确的概率越小，说明域混合的程度越大，因此，要基于域分类器对第二特征向量和第三特征向量分别保证的源图像集和目标图像集进行分类的结果，对第二神经网络进行参数调整。

具体地，参见图5所示，可以通过执行如下域分类损失确定操作，来实现根据域分类结果，对第二神经网络进行参数调整：

S501：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。

此处，通过域分类损失来表征域混合的程度。源图像集的预分类损失是指在基于第二特征向量和第三特征向量对源图像和目标图像进行分类的过程中，源图像集中被分类到目标图像集中的源图像的数量。目标图像集的预分类损失是指在基于第二特征向量和第三特征向量对原图想和目标图像进行分类的过程中，目标图像集中的被分类到源图像集中的目标图像的数量。在使用域分类器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进行域分类后，就能够获得域分类结果，然后按照域分类结果，确定源图像集合目标图像集分别对应的域分类损失。

S502：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，并基于该第三反馈信息对第二神经网络进行参数调。

此处，使用预设差别阈值来对域混合的程度进行约束。域分类器中预先存储有第二特征向量和第三特征向量分别所属域的分布，当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时，则认为域分类还未达到稳定的状态，也就是说，在某次域分类中，域分类器能正确区分第二特征向量和第三特征向量分别所属的域，某次域分类中，域分类器又不能正确区分第二特征向量和第三特征向量分别所属的域，域混合程度还不稳定，那么，需要对第二神经网络的参数进行调整，因此会生成域分类损失差别过大的第三反馈信息，并反馈给第二神经网络。第二神经网络在接收到该域分类损失差别过大的第三反馈信息后，会对自身的参数进行调整。

S503：基于调整后的参数，使用第二神经网络为源图像集中的每个源图像提取新的第二特征向量，并为目标图像集中的目标图像提取新的第三特征向量，并执行域分类损失确定操作，直到差别不大于预设差别阈值，完成基于域分类器对第二神经网络的本轮训练。

此处，需要注意的是，当最近预设次数的域分类损失之间的差别小于预设差别阈值时，也会生成域分类损失差别合适的反馈信息，并将之反馈给第二神经网络。第二神经网络在接收到该域分类损失差别合适的反馈信息后，还会对自身的参数进行幅度较小的调整，力求梯度下降到局部最优。

如此，通过域分类损失、第一特征向量和当前确定的对应的第二特征向量之间的距离，以及人脸分类器对第二特征向量的分类结果三重约束，能够对第二神经网络和人脸分类器进行训练的时候，获得更加优化的人脸识别模型。

参见图6所示，本发明实施例还提供一种人脸模型训练方法的具体示例，包括：

S601：获取比对图像集、源图像集以及目标图像集。跳转至S602和S603。其中，S602和S603在S601执行之后执行，且S602和S603的执行顺序不限。

S602：将比对图像集输入第一神经网络，并使用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。跳转至S605。

S603：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。跳转至S604。

S604：使用进行特征学习后的第二神经网络为源图像集中的每个源图像提取第二特征向量。跳转至S605、S608以及S612。S605、S608以及S612在S604之后执行，且S605、S608以及S612的执行顺序不限。

S605：确定第一特征向量和当前确定的对应的第二特征向量之间的距离。跳转至S606。

S606：检测距离是否大于预设距离阈值。如果是，则跳转至S607；如果否，则跳转至S619。

S607：生成第一反馈信息，并基于第一反馈信息对第二神经网络进行参数调整。跳转至S604。

S608：将第二特征向量输入人脸分类器。跳转至S609。

S609：使用人脸分类器对当前确定的第二特征向量进行分类。跳转至S610。

S610：检测分类结果是否正确。如果否，则跳转至S611，如果是，则跳转至S619。

S611：生成第二反馈信息，并基于第二反馈信息对第二神经网络以及人脸分类器进行参数调整。跳转至S604。

S612：使用进行特征学习后的第二神经网络为目标图像集中的每个目标图像提取第三特征向量。跳转至S613：

S613：将第二特征向量和第三特征向量进行梯度反向处理。跳转至S614。

S614：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。跳转至S615。

S615：使用域分类器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进行域分类。跳转至S616。

S616：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。跳转至S617。

S617：检测最近预设次数的域分类损失之间的差别是否小于预设差别阈值。如果否，则跳转至S618。如果是，则跳转至S619。

S618：生成第三反馈信息，并基于第三反馈信息对第二神经网络进行参数调整。跳转至S604。

S619：完成本轮训练。

在对第二神经网络和人脸分类器进行多轮训练，并得到的第二神经网络和人脸分类器中的参数趋于稳定时，所得到的第二神经网络和人脸分类器作为人脸识别模型。该人脸识别模型能够对质量较差的人脸图像进行有效识别。

进一步地，S606、S610、和S617，在同时满足“是”时，流程才能真正的走到S619，三者存在一个还是“否”时，都不是真正的完成本轮训练，而是如上文所述，继续向神经网络反馈信息，对神经网络进行微调。

参见图7所示，本发明实施例还提供一种人脸识别方法，该人脸识别方法具体包括：

S701：获取待识别图像；

S702：使用人脸识别模型对待识别图像进行人脸识别，生成与待识别图像对应的人脸识别结果。

其中，人脸识别模型是采用本发明实施例所提供的人脸识别模型训练方法得到。

具体地，人脸识别模型包括：第二神经网络以及人脸分类器；在使用人脸识别模型对待识别图像进行人脸识别，生成与待识别图像对应的人脸识别结果时，首先将待识别图像输入第二神经网络，使用第二神经网络对待识别图像进行特征提取，获取待识别图像的特征向量；其次基于待识别图像的特征向量，采用人脸分类器对待识别图像进行分类，获取待识别图像的分类结果。

本发明实施例所提供的人脸识别方法中，人脸识别模型在训练的时候，通过将源图像集以及目标图像集输入至同一个第二神经网络，使用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参数共享的特征学习，使得第二神经网络在训练时受到目标图像的影响，从而学习到目标图像所具有的一些特征，因此，在使用第二神经网络对源图像进行特征提取时所获得的第二特征向量除了提取能够提取到源图像的特征，还会使得所提取的第二特征向量引入质量较差的目标图像的特征；在使用第二特征向量对人脸分类器进行训练时，也会受到质量较差目标图像的特征的影响，从而使得通过上述人脸识别模型训练方法训练所得的人脸识别模型，在对质量较差的待识别图像进行人脸识别的时候，能够得到较好的识别效果。

基于同一发明构思，本发明实施例中还提供了与人脸识别模型训练方法对应的人脸识别模型训练装置，由于本发明实施例中的装置解决问题的原理与本发明实施例上述人脸识别模型训练方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

参见图8所示，本发明实施例所提供的人脸识别模型训练装置，包括：

获取模块，用于获取比对图像集、源图像集以及目标图像集；

第一处理模块，用于将比对图像集输入第一神经网络，并使用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；

第二处理模块，用于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；

训练模块，用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；

其中，比对图像集中包括至少一个带有标签的比对图像；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。

可选地，第二处理模块还用于：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，为目标图像集中的每个目标图像提取第三特征向量；并

将第二特征向量和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，对第二神经网络进行参数调整。

可选地，训练模块，具体用于：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，则完成基于第一神经网络对第二神经网络和人脸分类器的本轮训练；

距离确定操作包括：

确定第一特征向量和当前确定的对应的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，并基于第一反馈信息对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，并再次执行距离确定操作；

分类操作包括：

使用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，并基于第二反馈信息对第二神经网络以及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，并再次执行分类操作。

可选地，第二处理模块具体用于：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，并基于第三反馈信息对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源图像集中的每个源图像提取新的第二特征向量，并为目标图像集中的每个目标图像提取新的第三特征向量，并执行域分类损失确定操作，直到差别不大于预设差别阈值，完成基于域分类器对第二神经网络的本轮训练。

可选地，第一处理模块，具体用于：使用第一神经网络为输入的比对图像进行局部特征提取，为每个比对图像生成局部的第一特征向量。

可选地，源图像集与比对图像集相同。

本发明实施例所提供的人脸识别模型训练装置，在对人脸识别模型训练的时候，通过将源图像集以及目标图像集输入至同一个第二神经网络，使用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参数共享的特征学习，使得第二神经网络在训练时受到目标图像的影响，从而学习到目标图像所具有的一些特征，因此，在使用第二神经网络对源图像进行特征提取时所获得的第二特征向量除了提取能够提取到源图像的特征，还会使得所提取的第二特征向量引入质量较差的目标图像的特征；在使用第二特征向量对人脸分类器进行训练时，也会受到质量较差目标图像的特征的影响，从而使得通过上述人脸识别模型训练方法训练所得的人脸识别模型，在对质量较差的待识别图像进行人脸识别的时候，能够得到较好的识别效果。

参见图9所示，本发明实施例还提供一种人脸识别装置，该装置包括：

图像获取模块，用于获取待识别图像；

识别模块，用于使用如本发明实施例提供的人脸识别模型训练方法所得到的人脸识别模型对待识别图像进行人脸识别，生成与待识别图像对应的人脸识别结果。

具体地，人脸识别模型包括：第二神经网络以及人脸分类器；识别模块具体用于:将待识别图像输入第二神经网络，使用第二神经网络对待识别图像进行特征提取，获取待识别图像的特征向量；基于待识别图像的特征向量，采用人脸分类器对待识别图像进行分类，获取待识别图像的分类结果。

本发明实施例所提供的人脸识别装置中，人脸识别模型在训练的时候，通过将源图像集以及目标图像集输入至同一个第二神经网络，使用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参数共享的特征学习，使得第二神经网络在训练时受到目标图像的影响，从而学习到目标图像所具有的一些特征，因此，在使用第二神经网络对源图像进行特征提取时所获得的第二特征向量除了提取能够提取到源图像的特征，还会使得所提取的第二特征向量引入质量较差的目标图像的特征；在使用第二特征向量对人脸分类器进行训练时，也会受到质量较差目标图像的特征的影响，从而使得通过上述人脸识别模型训练方法训练所得的人脸识别模型，在对质量较差的待识别图像进行人脸识别的时候，能够得到较好的识别效果。

对应于图1至图6中的人脸识别模型训练方法，本发明实施例还提供了一种计算机设备，如图10所示，该设备包括存储器1000、处理器2000及存储在该存储器1000上并可在该处理器2000上运行的计算机程序，其中，上述处理器2000执行上述计算机程序时实现上述人脸识别模型训练方法的步骤。

具体地，上述存储器1000和处理器2000能够为通用的存储器和处理器，这里不做具体限定，当处理器2000运行存储器1000存储的计算机程序时，能够执行上述人脸识别模型训练方法，从而解决目前人脸识别方法无法对质量较差的人脸图像进行识别的问题，进而达到能够对质量较差的人脸图像进行有效识别的效果。

对应于图1至图6中的人脸识别模型训练方法，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述人脸识别模型训练方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述人脸识别模型训练方法，从而解决目前人脸识别方法无法对质量较差的人脸图像进行识别的问题，进而达到能够对质量较差的人脸图像进行有效识别的效果。

本发明实施例所提供的人脸识别模型训练方法和装置及人脸识别方法和装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。