人脸模型的训练方法、装置、计算机设备和存储介质与流程

本申请涉及人脸识别技术领域，尤其涉及一种人脸模型的训练方法、装置、计算机设备和存储介质。

背景技术：

随着人脸识别技术的突飞猛进，人脸识别功能已经成为多项产品的主要应用支撑或重要配置。特别是对人脸属性的识别技术成为了当下的研究特点，也相应的应用在了多种技术领域，例如，视频检索，安防监控，身份验证等。经过训练后的多种人脸属性模型的准确性，以及训练的时效性直接影响应用该模型的识别准确度和识别效率。

目前，传统的针对多种人脸属性模型的训练方法主要包括：构建人脸特征识别模型，再进一步的根据应用需求构建多个人脸属性识别模型，进而对该多个人脸属性识别模型的参数进行调节，实现对这多个人脸属性识别模型的训练，从而获取到能够识别多种人脸属性的识别模型。

但是，上述对多种人脸属性识别模型的训练方法存在训练速度低下，致使训练时间过长的问题。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够有效提高训练速度，以及缩短训练时间的人脸模型的训练方法、装置、计算机设备和存储介质。

第一方面，一种人脸模型的训练方法，该人脸模型包括多个人脸属性模型，上述方法包括：

获取多个人脸特征；

以多个人脸特征为输入，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；

其中，所述第一学习率小于第二学习率。

在其中一个实施例中，人脸模型的损失值包括：已有的人脸属性模型的损失值与新增的人脸属性模型的损失值的累加和。

在其中一个实施例中，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，包括：

根据第一学习率和已有的人脸属性模型的损失值调节已有的人脸属性模型的参数。

在其中一个实施例中，根据预设的第二学习率训练所述人脸模型中新增的人脸属性模型，包括：

根据第二学习率和新增的人脸属性模型的损失值调节新增的人脸属性模型的参数。

在其中一个实施例中，上述人脸模型还包括人脸特征模型，获取多个人脸特征，包括：

获取多个样本人脸图像；

将多个样本人脸图像输入到人脸特征模型中，得到多个人脸特征。

在其中一个实施例中，人脸特征模型包括：人脸特征提取模型和共有特征提取模型；所述人脸特征提取模型用于对所述样本人脸图像进行第一特征提取，得到特征信息；所述共有特征提取模型用于对所述特征信息进行提取，得到人脸特征。

在其中一个实施例中，上述方法还包括：

根据预设的第三学习率训练共有特征提取模型，直至人脸模型的损失值达到所述目标预设阈值为止；第三学习率小于或者等于第一学习率。

在其中一个实施例中，根据预设的第三学习率训练共有特征提取模型，包括：

根据第三学习率、已有的人脸属性模型的损失值、新增的人脸属性模型的损失值调节共有特征提取模型的参数。

第二方面，一种人脸属性识别方法，该方法包括：

获取待识别的人脸图像；

将待识别的人脸图像输入至人脸模型中进行多种类型的人脸属性识别，得到多个人脸属性；所述人脸模型为采用第一方面中任一项所述的方法训练得到的人脸模型。

第三方面，一种人脸模型的训练装置，人脸模型包括多个人脸属性模型，上述人脸模型的训练装置包括：

获取特征模块，用于获取多个人脸特征；

第一训练模块，用于以多个人脸特征为输入，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；其中，所述第一学习率小于第二学习率。

第四方面，一种人脸属性识别装置，该装置包括：

获取图像模块，用于获取待识别的人脸图像；

识别模块，用于将待识别的人脸图像输入至人脸模型中进行多种类型的人脸属性识别，得到多个人脸属性；所述人脸模型为采用如第三方面所述的训练装置训练得到的人脸模型。

第五方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面任一实施例所述的人脸模型的训练方法或第二方面实施例所述的人脸属性的识别方法。

第六方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一实施例所述的人脸模型的训练方法或第二方面实施例所述的人脸属性的识别方法。

本申请提供的一种人脸模型的训练方法、装置、计算机设备和存储介质，通过获取多个人脸特征，再以多个人脸特征为输入，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，以及根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，从而得到训练后的人脸模型。上述的第一学习率小于第二学习率，使已有的人脸属性模型以相对较小的学习率进行训练，而已有的人脸属性模型是已经训练过的模型，所以比较小的学习率可以使已有的人脸属性模型的损失值很快的收敛，相应的，使新增的人脸属性模型以相对较大的学习率进行训练，而新增的人脸属性模型是待训练的模型，所以比较大的学习率可以使新增的人脸属性模型的损失值很快的收敛，上述这种采用不同的学习率针对性的训练不同类型人脸属性模型的训练方法极大的提高了人脸属性模型的训练速度，进而减少了人脸属性模型的训练时间。

附图说明

图1为一个实施例提供的一种计算机设备的内部结构示意图；

图2为一个实施例提供的一种人脸模型的训练方法的流程图；

图3提供了图2实施例s101的一种实现方式的流程图；

图4为一个实施提供的一种人脸模型的网络结构示意图；

图4a为一个实施提供的一种人脸模型的网络结构示意图；

图5为一个实施例提供的一种人脸属性的识别方法的流程图；

图6为一个实施例提供的一种人脸模型的训练装置的结构示意图；

图7为一个实施例提供的一种人脸模型的训练装置的结构示意图；

图8为一个实施例提供的一种人脸模型的训练装置的结构示意图；

图9为一个实施例提供的一种人脸属性的识别装置的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请提供的人脸模型的训练方法，可以应用于如图1所示的计算机设备中。该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸模型的训练方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为一个实施例提供的一种人脸模型的训练方法的流程图。本实施例的执行主体为如图1所示的计算机设备。本实施例涉及的是计算机设备对人脸模型进行训练，从而得到能够识别多种属性的人脸模型的具体过程。如图2所示，该方法包括：

s101、获取多个人脸特征。

其中，人脸特征为计算机设备从待识别的人脸图像中提取出的特征信息，该人脸特征可以包含人脸的全部特征信息，也可以包含人脸的部分特征信息，具体包含内容根据实际需求确定。本实施例中，计算机设备在对人脸模型训练的过程中，需要先采用相应的人脸图像识别网络或人脸关键点检测网络对待识别的人脸图像进行特征提取，得到包含人脸特征信息的多个人脸特征，以便之后训练人脸模型的过程中使用。

s102、以多个人脸特征为输入，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型，其中，所述第一学习率小于第二学习率。

上述人脸模型是一种能够识别人脸的多种属性的人脸识别模型，其具体包括多个并行的人脸属性模型，其中的人脸属性模型可以是一种能够识别人脸的个性化属性的人脸识别模型，本实施例中的人脸属性模型可以是已有的人脸属性模型，也可以是新增的人脸属性模型。已有的人脸属性模型表示之前已经训练过的人脸属性模型，新增的人脸属性模型表示新增加的待训练的人脸属性模型。

上述学习率为监督学习以及深度学习中的重要超参，其决定损失函数或代价函数是否能收敛到目标值以及何时能收敛到目标值，学习率直接影响损失函数或代价函数的收敛过程。本实施例中，第一学习率影响已有的人脸属性模型对应的损失函数的收敛过程，且因为已有的人脸属性模型为已经训练过的模型，所以第一学习率益取较小的数值，以使已有的人脸属性模型对应的损失函数以较小的步长接近目标损失值，进而使已有的人脸属性模型对应的损失函数能够很快的收敛。第二学习率影响新增的人脸属性模型对应的损失函数的收敛过程，且因为新增的人脸属性模型为待训练的模型，所以第二学习率益取较大的数值，以使新增的人脸属性模型对应的损失函数以较大的步长接近目标损失值，进而使新增的人脸属性模型对应的损失函数能够很快的收敛。基于上述分析，本实施例中的第一学习率小于第二学习率，例如，当第二学习率取值为0.1时，第一学习率可以取值为0.01、0.001等数值，对此本实施例不做限制。

上述人脸模型的损失值表示该人脸模型对应的损失函数的值，目标预设阈值表示训练模型时的目标损失值，该目标预设阈值可以根据实际应用需求预先进行设置。

本实施例中，当计算机设备获取到多个人脸特征时，进一步的将该多个人脸特征分别输入到已有的人脸属性模型和新增的人脸属性模型中，并以预设的第一学习率训练人脸模型中已有的人脸属性模型，以及以预设的第二学习率训练人脸模型中新增的人脸属性模型，并在训练的过程中根据已有的人脸属性模型的损失值和新增的人脸属性模型的损失值得到已有的人脸属性模型的损失值，再进一步的判断该损失值的大小，当该损失值达到目标预设阈值时，停止训练上述已有的人脸属性模型和新增的人脸属性模型，得到训练后的人脸模型。

需要说明的是，当上述第一学习率的取值为0，第二学习率的取值不为0时，表示不对人脸模型中的已有的人脸属性模型进行训练，仅对人脸模型中的新增的人脸属性模型进行训练。这种训练方法可以应用在如下应用场景：使用已有的人脸属性模型对输入的人脸特征进行人脸属性的识别，同时，还可以在线训练新增的人脸属性模型，在训练完新增的人脸属性模型后即可使用该新增的人脸属性模型对输入的人脸特征进行人脸属性的识别。

上述实施例提供的人脸模型的训练方法，通过获取多个人脸特征，再以多个人脸特征为输入，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，以及根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，从而得到训练后的人脸模型。上述的第一学习率小于第二学习率，使已有的人脸属性模型以相对较小的学习率进行训练，而已有的人脸属性模型是已经训练过的模型，所以比较小的学习率可以使已有的人脸属性模型的损失值很快的收敛，相应的，使新增的人脸属性模型以相对较大的学习率进行训练，而新增的人脸属性模型是待训练的模型，所以比较大的学习率可以使新增的人脸属性模型的损失值很快的收敛，上述这种采用不同的学习率针对性的训练不同类型人脸属性模型的训练方法极大的提高了人脸属性模型的训练速度，进而减少了人脸属性模型的训练时间。

可选的，在上述实施例涉及到的人脸模型的损失值包括：已有的人脸属性模型的损失值与新增的人脸属性模型的损失值的累加和。

本实施例涉及计算机设备获取人脸模型的损失值的具体方法，该具体方法包括：计算机设备可以先将多个人脸特征输入到已有的人脸属性模型中，获取已有的人脸属性模型的损失值，以及将多个人脸特征输入到新增的人脸属性模型中，获取新增的人脸属性模型的损失值，再进一步的将已有的人脸属性模型的损失值和新增的人脸属性模型的损失值进行累加和计算，得到的累加值即为人脸模型的损失值。可选的，计算机设备还可以将已有的人脸属性模型的损失值和新增的人脸属性模型的损失值进行加权累加和计算，并将加权累加和的值作为人脸模型的损失值。可选的，计算机设备还可以将已有的人脸属性模型的损失值和新增的人脸属性模型的损失值进行其它数值计算或变形计算，再相应的得到数值计算或变形计算的结果，并将数值计算或变形计算的结果作为人脸模型的损失值。

在一个实施例中，本申请实施例提供了一种训练上述人脸模型中已有的人脸属性模型的具体方法，具体包括：根据第一学习率和已有的人脸属性模型的损失值调节已有的人脸属性模型的参数。

其中，已有的人脸属性模型的参数可以具体包括训练已有的人脸属性模型时需要调节的权值、偏置等参数。本实施例涉及的是计算机设备训练已有的人脸属性模型的具体过程，包括：计算机设备先将多个人脸特征输入到已有的人脸属性模型中得到已有的人脸属性模型的损失值，再进一步的判断该损失值的大小是否满足目标需求值，若满足，则完成训练，若不满足，则根据第一学习率，具体调节已有的人脸属性模型的参数，再获取已有的人脸属性模型的损失值，直至调节后的已有的人脸属性模型的损失值能够满足目标需求值为止。

在一个实施例中，本申请实施例还提供了一种训练上述人脸模型中新增的人脸属性模型的方法，具体包括：根据第二学习率和新增的人脸属性模型的损失值调节新增的人脸属性模型的参数。

其中，新增的人脸属性模型的参数可以具体包括训练新增的人脸属性模型时需要调节的权值、偏置等参数。本实施例涉及的是计算机设备训练新增的人脸属性模型的具体过程，包括：计算机设备先将多个人脸特征输入到新增的人脸属性模型中得到新增的人脸属性模型的损失值，再进一步的判断该损失值的大小是否满足目标需求值，若满足，则完成训练，若不满足，则根据第二学习率，具体调节新增的人脸属性模型的参数，再获取新增的人脸属性模型的损失值，直至调节后的新增的人脸属性模型的损失值能够满足目标需求值为止。

在一个实施例中，图3提供了图2实施例s101的一种实现方式的流程图。本实施例涉及的是计算机设备获取多个人脸特征的具体过程。如图3所示，该方法包括：

s201、获取多个样本人脸图像。

其中，样本人脸图像可以是任一种类型的人脸图像，其可以是黑白人脸图像，也可以是彩色人脸图像，还可以是其它类型的人脸图像，对此本实施例不做限制。本实施例中，计算机设备可以通过扫描人脸的方式获取样本人脸图像，可选的，计算机设备也可以从网上直接下载样本人脸图像，可选的，计算机设备还可以从数据库中获取样本人脸图像，对此本实施例不做限制。

s202、将多个样本人脸图像输入到人脸特征模型中，得到多个人脸特征。

其中，人脸特征模型是一种能够识别人脸特征信息的人脸识别模型，本实施例涉及的是人脸模型还包括人脸特征模型的应用场景，在此种应用下，人脸特征模型可以由计算机设备预先根据相应的人脸特征识别方法或人脸关键点提取方法构建并训练得到。当计算机设备获取到人脸图像时，可以将该人脸图像输入到预先训练好的人脸特征模型中，使该人脸特征模型可以对该人脸图像进行识别，从而输出该人脸图像对应的多个人脸特征。

可选的，上述人脸特征模型还可以包括：人脸特征提取模型和共有特征提取模型；其中，人脸特征提取模型用于对样本人脸图像进行第一特征提取，得到特征信息；共有特征提取模型用于对特征信息进行提取，得到人脸特征。

本实施例细化了人脸特征模型，人脸特征模型具体可以包括人脸特征提取模型和共有特征提取模型，在该应用场景下，计算机设备在获取到多个样本人脸图像时，可以先将样本人脸图像输入到人脸特征提取模型中，使人脸特征提取模型可以对样本人脸图像进行第一特征提取，得到该样本人脸图像的特征信息，再进一步的将得到的特征信息输入到共有特征提取模型中，使共有特征提取模型可以对上述特征信息进行进一步的提取处理，得到人脸特征，以便之后在训练人脸属性模型时使用。需要说明的是，上述共有特征提取模型可以具体采用卷积、池化等方法实现从特征信息中提取共有特征信息，可选的，也可以采用其它方法实现从特征信息中提取共有特征信息。

上述实施例涉及到的人脸特征模型具体包括人脸特征提取模型和共有特征提取模型，而人脸特征提取模型是预先训练好的模型，且可以采用现有的人脸特征识别网络或人脸检测网络进行训练得到，因此，在每次由于新增人脸属性识别要求，需要重新训练人脸模型时，人脸模型中的人脸特征提取模型不需要重新训练，直接使用即可，这样的方法提高了人脸模型的训练速度，进而节约了人脸模型的训练时间。另外，通过共有特征提取模型得到的人脸特征是与各人脸属性模型相互匹配的特征信息，进而将与各人脸属性模型匹配的特征信息输入到人脸属性模型进行训练时，可以进一步的加快人脸属性模型的训练时间。

在一个实施例中，本实施例还提供了一种人脸模型训练方法，该方法除了上述涉及到的训练方法外，还包括：根据预设的第三学习率训练共有特征提取模型，直至人脸模型的损失值达到目标预设阈值为止；第三学习率小于或者等于第一学习率。

其中，第三学习率影响训练共有特征提取模型的过程，且因为共有特征提取模型为已经训练过的模型，所以第三学习率易取较小的数值，以减少共有特征提取模型的训练时间，本实施例中，第三学习率小于或者等于第一学习率。当计算机设备获取到特征信息时，进一步的将该特征信息输入到共有特征提取模型中，并以预设的第三学习率训练人脸模型中有特征提取模型，并在训练的过程中根据已有的人脸属性模型的损失值和新增的人脸属性模型的损失值得到已有的人脸属性模型的损失值，再进一步的判断该损失值的大小，当该损失值达到目标预设阈值时，停止训练上述共有特征提取模型，得到训练后的人脸模型。

需要说明的是，上述第三学习率可以取任一比第一学习率小或者等于第一学习率的数值，当上述第三学习率的取值为0时，相当于在训练人脸模型时，不对其中的共有特征提取模型进行训练，进一步的减少了训练人脸模型的训练时间。

基于上述实施例，可选的，其中根据预设的第三学习率训练共有特征提取模型的方法具体包括：根据第三学习率、已有的人脸属性模型的损失值、新增的人脸属性模型的损失值调节所述共有特征提取模型的参数。

其中，共有特征提取模型的参数可以具体包括训练共有特征提取模型时需要调节的权值、偏置等参数。本实施例涉及的是计算机设备训练共有特征提取模型的具体方法，包括：计算机设备先将获取到的特征信息输入到共有特征提取模型中得到共有特征信息，再进一步的将共有特征信息分别输入到已有的人脸属性模型得到已有的人脸属性模型的损失值，以及新增的人脸属性模型得到新增的人脸属性模型的损失值，再分别判断上述两个损失值的大小，或判断上述两个损失值之和的大小是否满足目标需求值，若满足，则完成训练，若不满足，则根据第三学习率具体调节共有特征提取模型的参数、根据第一学习率和已有的人脸属性模型的损失值调节已有的人脸属性模型的参数、以及根据第二学习率和新增的人脸属性模型的损失值调节新增的人脸属性模型的参数，再进一步的获取已有的人脸属性模型的损失值和新增的人脸属性模型的损失值，直至调节以后，已有的人脸属性模型的损失值，以及新增的人脸属性模型的损失值能够满足目标需求值为止。

综合上述所有实施例，图4为一个实施提供的一种人脸模型的网络结构示意图，该人脸模型的网络结构可以经过训练后可以识别多种人脸属性。如图4所示，该网络结构包括：主干网络、共享网络、多个已有分支网络，新增分支网络。其中，主干网络可以包括上述实施例中提到的人脸特征提取模型，用于对输入的待识别的人脸图像进行人脸特征识别得到特征信息。共享网络可以包括上述实施例中提到的共有特征提取模型，用于对输入的特征信息进行进一步的处理得到共有特征信息。已有分支网络中可以包括已经训练好的模型，也可以包括待训练的模型，具体的可以包括上述实施例中提到的已有的人脸属性模型，用于根据输入的共有特征信息得到人脸的属性信息。新增分支网络包括在实际应用中需要新增加属性识别时对应的待训练模型，具体可以包括上述实施例中提到的新增的人脸属性模型，用于根据输入的共有特征信息得到人脸的属性信息。

需要说明的是，上述主干网络、共享网络、多个已有分支网络，新增分支网络共同构成待训练的人脸模型网络。在实际应用中，计算机设备对该人脸模型网络进行训练，训练完成后即可使用该人脸模型实现同时识别多种人脸属性。当需要利用该人脸模型识别一种新的人脸属性时，计算机设备可以在该人脸模型网络中增加新的分支网络，即新增分支网络，再重新训练加入新增分支网络后的人脸模型网络，使加入新增分支网络后的人脸模型网络可以同时识别多种人脸属性，以及可以识别新增的人脸属性。但是在本申请提出的训练该人脸模型网络的方法中，具体的可以根据预设的第一学习率训练上述多个已有分支网络、根据预设的第二学习率训练上述新增分支网络、根据第三学习率训练上述共享网络，且第一学习率小于第二学习率，第三学习率小于或者等于第一学习率，相当于以较小的学习率训练共享网络和多个已有分支网络，以较大的学习率训练新增网络，这样有针对性的选择合适的学习率训练不同类型的网络模型，相比于传统的训练方法在每次训练人脸模型时都以相同的学习率重新训练共享网络模型、多个已有分支网络模型，以及新增网络模型，本实施例提出的训练方法极大的提高了人脸网络模型的训练速度，进而减少了人脸网络模型的训练时间。

示例性说明，当上述第一学习率取值为0、第三学习率取值为0、第二学习率取值为0.1时，相当于计算机设备在增加了新增分支网络时，可以仅对该新增的分支网络进行训练，而不对已有的分支网络和共享网络进行训练，极大的提高了人脸模型网络的训练速度，进而减少了人脸模型网络的训练时间。

特别说明的是，上述训练方法还可以应用在需要同时进行人脸属性的识别和人脸模型的训练的场景，第一种应用场景为：人脸属性的识别和人脸模型的训练过程可以同时在线进行，互不影响。例如，当计算机设备以如图4a所示的人脸模型网络进行多种人脸属性识别时，在需要识别一种新的人脸属性时，计算机设备可以在该网络中增加一个新增分支网络(4)，再利用3个已有分支网络(1、2、3)对输入的人脸图像进行识别，得到识别出的3种人脸属性信息，同时，对新增分支网络(4)进行训练，当该新增分支网络被训练完成后，计算机设备可以利用训练后的新增分支网络对输入的人脸图像进行识别，得到识别出的新增人脸属性信息，则图4a中的人脸模型网络即可实现对4种人脸属性的识别。如果之后还需要新增分支网络时，可以将之前新增分支网络作为已有分支网路，再按照上述方法重新对新增分支网络进行训练。如此反复，即可实现对能够识别多种人脸属性的人脸模型进行训练，具体过程不再重复说明，上述方法比较灵活，可以满足任何新增识别人脸属性的需求。

第二种应用场景为：基于第一种应用场景，即使用已训练过的人脸属性模型进行人脸属性识别，同时对新增的人脸模型进行训练，其中在对新增的人脸模型进行训练的过程中，还可以同时利用该新增的人脸模型在线进行相应人脸属性的识别，新增的人脸模型的训练不影响使用该新增的人脸模型进行人脸属性识别。例如，当计算机设备以如图4a所示的人脸模型网络进行多种人脸属性识别时，在需要识别一种新的人脸属性时，计算机设备可以在该网络中增加一个新增分支网络(4)，再利用3个已有分支网络(1、2、3)对输入的人脸图像进行相应属性的识别，得到识别出的3种人脸属性信息，同时，对新增分支网络(4)进行训练，且在该训练过程中，也可以使用该新增分支网络(4)对输入的人脸图像进行相应属性的识别，得到识别出的新增人脸属性信息，这种场景的使用条件为只要该新增分支网络(4)的准确性能够满足实际应用需求即可。例如，当新增分支网络(4)的准确性达到60％就能满足实际要求，即可以在新增分支网络(4)训练到其准确性达到60％时就可使用该新增分支网络(4)进行人脸属性识别。该方法相比于现有技术中在新增属性的分支网络时需要重新训练完成新增属性的分支网络后才能使用该分支网络对新增人脸属性进行识别的方法，本方案提出的这种对于有新增属性需求的人脸模型的训练方法在同时进行人脸属性的识别和新增人脸属性的训练过程中，极大的提高了对于新增属性需求的识别响应速度，进而缩短了新增属性需求的识别响应时间。

另外，还存在一种应用情况，即基于上述第二种应用场景，在训练新增分支网络(4)的过程中利用新增分支网络(4)识别出的新增人脸属性信息可以预先存储起来，当新增分支网络(4)被训练完成后，即新增分支网络(4)的准确性达到了较高的指标(例如，96％)时，计算机设备可以利用训练后的新增分支网络对输入的人脸图像进行识别，得到识别出的新增人脸属性信息，再利用该识别出的新增人脸属性信息对之前存储下来的新增人脸属性信息进行修正，以得到准确性更高的识别出的新增人脸属性信息。

基于上述实施例的描述，本申请在训练人脸模型的基础上，还提供了一种人脸属性的识别方法，本实施例涉及计算机设备利用前述训练好的人脸模型对人脸图像进行人脸属性识别的具体过程，如图5所示，该方法包括：

s301、获取待识别的人脸图像。

本实施例涉及到的步骤以及待识别的人脸图像与前述s201所述的内容相同，具体内容请参见前述说明，在此不重复累赘说明。

s302、将待识别的人脸图像输入至人脸模型中进行多种类型的人脸属性识别，得到多个人脸属性。

其中，人脸模型为图2实施例训练好的模型，具体内容请参见图2实施例，在此不重复累赘说明。本实施例中，当计算机设备获取到待识别的人脸图像时，进一步的将该人脸图像输入到训练好的人脸模型中，由前述可知，该训练好的人脸模型可以用于对人脸图像进行多种类型的人脸属性的识别，因此，将该人脸图像输入至人脸模型中进行人脸属性识别后，可以得到多个人脸属性。需要说明的是，上述的人脸模型可以具体采用图4实施例所述的网络结构，具体结构请参见图4实施例的说明部分，在此不做重复说明。

上述实施例涉及到了人脸属性模型的使用过程，即利用前述训练好的人脸属性模型对输入的待识别的人脸图像进行多种类型人脸属性的识别，得到多个人脸属性。上述方法，一方面实现了同时对多种类型人脸属性的识别，另一方面，在有新增人脸属性识别需求时，通过新增人脸属性模型，计算机设备可以在识别已有人脸属性的基础上，还能够及时利用新增人脸属性模型对新增人脸属性进行识别，极大的提高了上述人脸属性识别方法的应用型。应该理解的是，虽然图2、图3和图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图3和图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行。

在一个实施例中，如图6所示，提供了一种人脸模型的训练装置，包括：获取特征模块11和第一训练模块12，其中：

获取特征模块11，用于获取多个人脸特征；

第一训练模块12，用于以多个人脸特征为输入，根据预设的第一学习率训练所述人脸模型中已有的人脸属性模型，根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；其中，第一学习率小于第二学习率。

在一个实施例中，第一训练模块12中涉及到的人脸模型的损失值包括：已有的人脸属性模型的损失值与新增的人脸属性模型的损失值的累加和。

在一个实施例中，上述第一训练模块12具体用于根据第一学习率和已有的人脸属性模型的损失值调节已有的人脸属性模型的参数。

在一个实施例中，上述第一训练模块12还具体用于根据第二学习率和新增的人脸属性模型的损失值调节新增的人脸属性模型的参数。

在一个实施例中，如图7所示，上述获取特征模块11包括：获取单元111和确定单元112，其中：

获取单元111，用于获取多个样本人脸图像；

确定单元112，用于将多个样本人脸图像输入到人脸特征模型中，得到多个人脸特征。

在一个实施例中，上述确定单元112中的人脸特征模型包括：人脸特征提取模型和共有特征提取模型；人脸特征提取模型用于对样本人脸图像进行第一特征提取，得到特征信息；共有特征提取模型用于对特征信息进行第二特征提取，得到人脸特征。在一个实施例中，如图8所示，上述人脸模型的训练装置还包括：

第二训练模块13，用于根据预设的第三学习率训练共有特征提取模型，直至人脸模型的损失值达到所述目标预设阈值为止；第三学习率小于或者等于所述第一学习率。关于人脸模型的训练装置的具体限定可以参见上文中对于一种人脸模型的训练方法的限定，在此不再赘述。上述人脸模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，如图9所示，提供了一种人脸属性的识别装置，包括：获取图像模块14和识别模块15，其中：

获取图像模块14，用于获取待识别的人脸图像；

识别模块15，用于将待识别的人脸图像输入至人脸模型中进行多种类型的人脸属性识别，得到多个人脸属性；所述人脸模型为采用如图6所述的训练装置训练得到的人脸模型。

关于人脸属性的识别装置的具体限定可以参见上文中对于一种人脸属性的识别方法的限定，在此不再赘述。上述人脸属性的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取多个人脸特征；

以多个人脸特征为输入，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；

其中，第一学习率小于第二学习率。

上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时还实现以下步骤：

获取多个人脸特征；

以多个人脸特征为输入，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；

其中，第一学习率小于第二学习率。

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双倍数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。