人脸识别模型的训练方法、人脸识别的方法和装置与流程

本申请实施例涉及人工智能，尤其涉及一种人脸识别模型的训练方法、人脸识别方法和装置。

背景技术：

1、目前，应用于智能门锁、支付、门禁等实际场景的移动端人脸识别系统中，对人脸识别模型的运行耗时与准确率提出了很高的要求，比如要在尽可能少的推理耗时中得到更高的识别准确率。为了满足低耗时要求，通常需要采用小型网络作为人脸识别推理模型。但是直接采用大量的数据对小型网络进行训练通常得不到满足准确率要求的模型。这是由于小型网络其拟合能力较小，在模型训练中会陷入约束函数的局部极小值，随后开始震荡而无法进一步优化导致的。

2、相关技术中，采用训练好的大型网络对小型网络进行知识蒸馏的方式，采用单个大型网络的特征对小型网络的特征进行约束，实现对小型网络的训练，可以有效避免小模型陷入局部最小值风险。但是，在各种复杂的应用场景下，如何进一步提升小型网络的人脸识别准确率亟待解决。

技术实现思路

1、本申请提供一种人脸识别模型的训练方法、人脸识别的方法和装置，能够提高人脸识别准确率。

2、第一方面，本申请实施例提供一种人脸识别模型的训练方法，包括：

3、获取第一训练样本集，所述第一训练样本集包括多个人脸图像样本；

4、将所述第一训练样本集分别输入至少两个第一人脸识别模型，得到每个所述第一人脸识别模型输出的第一图像特征；其中，所述至少两个第一人脸识别模型分别利用所述人脸图像样本对至少两个初始化第一人脸图像识别模型训练得到；

5、将每个所述第一人脸识别模型输出的第一图像特征，输入每个所述第一人脸识别模型对应的模型置信度估计模块，得到所述每个第一人脸识别模型输出的第一图像特征的置信度；其中，每个所述第一人脸识别模型对应的模型置信度估计模块是利用每个所述第一人脸识别模型输出的图像特征和每个所述人脸图像样本对应的样本类中心向量对初始化模型置信度估计模块训练得到；

6、根据每个所述第一人脸识别模型输出的第一图像特征的置信度，对所述至少两个第一人脸识别模型输出的第一图像特征进行融合，得到融合特征；

7、根据所述融合特征对第二人脸识别模型进行知识蒸馏，得到训练后的所述人脸识别模型，所述人脸识别模型用于对待识别的人脸图像进行人脸识别。

8、第二方面，本申请实施例提供一种人脸识别的方法，包括：

9、获取待识别的第一人脸图像；

10、将所述第一人脸图像输入人脸识别模型，得到所述第一人脸图像对应的第一图像特征，其中，所述人脸识别模型根据第一方面所述的训练方法得到；

11、在至少一个第二图像特征中确定与所述第一图像特征相匹配的第二图像特征；其中，所述至少一个第二图像特征是所述人脸识别模型对至少一个参考人脸图像进行特征提取得到的；

12、确定所述第一人脸图像指示的第一对象身份与所述相匹配的第二图像特征对应的第二对象身份一致。

13、第三方面，本申请实施例提供了一种人脸识别模型的训练装置，包括：

14、获取单元，用于获取第一训练样本集，所述第一训练样本集包括多个人脸图像样本；

15、至少两个第一人脸识别模型，用于分别输入所述第一训练样本集，得到每个所述第一人脸识别模型输出的第一图像特征；其中，所述至少两个第一人脸识别模型分别利用所述人脸图像样本对至少两个初始化第一人脸图像识别模型训练得到；

16、至少两个模型置信度估计模块，用于将每个所述第一人脸识别模型输出的第一图像特征，输入每个所述第一人脸识别模型对应的模型置信度估计模块，得到所述每个第一人脸识别模型输出的第一图像特征的置信度；其中，每个所述第一人脸识别模型对应的模型置信度估计模块是利用每个所述第一人脸识别模型输出的图像特征和每个所述人脸图像样本对应的样本类中心向量对初始化模型置信度估计模块训练得到；

17、融合单元，用于根据每个所述第一人脸识别模型输出的第一图像特征的置信度，对所述至少两个第一人脸识别模型输出的第一图像特征进行融合，得到融合特征；

18、训练单元，用于根据所述融合特征对第二人脸识别模型进行知识蒸馏，得到训练后的所述人脸识别模型，所述人脸识别模型用于对待识别的人脸图像进行人脸识别。

19、第四方面，本申请实施例提供了一种人脸识别的装置，包括：

20、获取单元，用于获取待识别的第一人脸图像；

21、人脸识别模型，用于输入所述第一人脸图像，得到所述第一人脸图像对应的第一图像特征，其中，所述人脸识别模型根据第一方面所述的训练方法得到；

22、匹配单元，用于在至少一个第二图像特征中确定与所述第一图像特征相匹配的第二图像特征；其中，所述至少一个第二图像特征是所述人脸识别模型对至少一个参考人脸图像进行特征提取得到的；

23、确定单元，用于确定所述第一人脸图像指示的第一对象身份与所述相匹配的第二图像特征对应的第二对象身份一致。

24、第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行如第一方面或第二方面中的方法。

25、第六方面，本申请实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时使得计算机执行如第一方面或第二方面中的方法。

26、第七方面，本申请实施例提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如第一方面或第二方面中的方法。

27、第八方面，本申请实施例提供一种计算机程序，计算机程序使得计算机执行如第一方面或第二方面中的方法。

28、通过上述技术方案，能够根据多个第一人脸识别模型输出特征的置信度，对多个第一人脸识别模型的特征进行融合，然后根据融合后的特征对第二人脸识别模型进行知识蒸馏，得到训练后的人脸识别模型，使得训练后的人脸识别模型所提取的特征逐渐收敛至与融合后的特征的分布一致。由于融合后的特征可以更加准确地表达特征的真实分布，因此通过知识蒸馏得到的人脸识别模型能够提取到更加准确的人脸图像特征，进而部署得到的人脸识别系统能够具有较高的人脸识别准确率。

29、另外，由于融合特征是采用多个第一人脸识别模型输出的特征以及其置信度得到的，因此基于该融合特征进行知识蒸馏得到的第二人脸识别模型具有较强的鲁棒性。

技术特征：

1.一种人脸识别模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述融合特征对第二人脸识别模型进行知识蒸馏，得到训练后的所述人脸识别模型，包括：

3.根据权利要求1所述的方法，其特征在于，还包括：

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一当前图像特征、所述当前类中心向量和所述当前人脸图像样本的标签信息，得到所述当前第一人脸识别模型的第一当前损失，包括：

5.根据权利要求1所述的方法，其特征在于，所述至少两个初始化第一人脸图像识别模型对应的初始值不同。

6.根据权利要求1所述的方法，其特征在于，还包括：

7.根据权利要求1-6任一项所述的方法，其特征在于，所述第一人脸识别模型包括卷积层、非线性激活层、池化层和全连接层；所述第二人脸识别模型包括卷积层、非线性激活层、池化层和全连接层。

8.根据权利要求7所述的方法，其特征在于，所述第二人脸识别模型的参数小于所述第一人脸识别模型。

9.根据权利要求1-6任一项所述的方法，其特征在于，所述模型置信度估计模块包括全连接网络或残差网络。

10.一种人脸识别的方法，其特征在于，包括：

11.根据权利要求10所述的方法，其特征在于，所述在至少一个第二图像特征中确定与所述第一图像特征相匹配的第二图像特征，包括：

12.一种人脸识别模型的训练装置，其特征在于，包括：

13.一种人脸识别的装置，其特征在于，包括：

14.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有指令，所述处理器执行所述指令时，使得所述处理器执行权利要求1-11任一项所述的方法。

15.一种计算机存储介质，其特征在于，用于存储计算机程序，所述计算机程序包括用于执行权利要求1-11中任一项所述的方法。

16.一种计算机程序产品，其特征在于，包括计算机程序代码，当所述计算机程序代码被电子设备运行时，使得所述电子设备执行权利要求1-11中任一项所述的方法。

技术总结
本申请提供了一种人脸识别模型的训练方法、人脸识别的方法和装置，涉及人工智能的机器学习领域。该模型训练方法包括：获取第一训练样本集；将该第一训练样本集分别输入至少两个第一人脸识别模型，得到每个第一人脸识别模型输出的第一图像特征；将每个第一人脸识别模型输出的第一图像特征输入每个第一人脸识别模型对应的模型置信度估计模块，得到每个第一人脸识别模型输出的第一图像特征的置信度；根据每个第一人脸识别模型输出的第一图像特征的置信度，对至少两个第一人脸识别模型输出的第一图像特征进行融合，得到融合特征；根据该融合特征对第二人脸识别模型进行知识蒸馏，得到训练后的人脸识别模型。本申请实施例能够提高人脸识别准确率。

技术研发人员：许剑清
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/16