CN107679451A - 建立人脸识别模型的方法、装置、设备和计算机存储介质 - Google Patents

建立人脸识别模型的方法、装置、设备和计算机存储介质 Download PDF

Info

Publication number
CN107679451A
CN107679451A CN201710744277.9A CN201710744277A CN107679451A CN 107679451 A CN107679451 A CN 107679451A CN 201710744277 A CN201710744277 A CN 201710744277A CN 107679451 A CN107679451 A CN 107679451A
Authority
CN
China
Prior art keywords
facial image
neural network
deep neural
recognition model
human face
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710744277.9A
Other languages
English (en)
Inventor
翁仁亮
何涛
张刚
刘经拓
刘文献
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710744277.9A priority Critical patent/CN107679451A/zh
Publication of CN107679451A publication Critical patent/CN107679451A/zh
Priority to US16/113,240 priority patent/US20190065906A1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种建立人脸识别模型的方法、装置、设备和计算机存储介质，其中方法包括：将已知用户的标注了年龄的人脸图像作为训练样本；利用所述训练样本，训练深度神经网络，得到人脸识别模型，所述人脸识别模型用于对输入的人脸图像进行用户识别。本发明能够解决因年龄变化而引起的人脸识别率下降的问题，提高人脸识别对年龄的鲁棒性。

Description

建立人脸识别模型的方法、装置、设备和计算机存储介质
【技术领域】
本发明涉及计算机应用技术领域，特别涉及一种建立人脸识别模型的方法、装置、设备和计算机存储介质。
【背景技术】
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。
然而，由于人年龄的变化会造成人脸也发生变化，因此由于年龄变化而引起的人脸识别率下降问题成为人脸识别领域一个极具挑战的问题。
【发明内容】
有鉴于此，本发明提供了一种建立人脸识别模型的方法、装置、设备和计算机存储介质，以便于解决因年龄变化而引起的人脸识别率下降的问题。
具体技术方案如下：
本发明提供了一种建立人脸识别模型的方法，该方法包括：
将已知用户的标注了年龄的人脸图像作为训练样本；
利用所述训练样本，训练深度神经网络，得到人脸识别模型，所述人脸识别模型用于对输入的人脸图像进行用户识别。
根据本发明一具体实施方式，所述深度神经网络包括：卷积神经网络，或者残差型卷积神经网络。
根据本发明一具体实施方式，在所述训练深度神经网络时，训练目标为：
最小化不同人的人脸图像之间的相似度，且相同人的不同年龄的人脸图像之间的相似度与年龄差负相关。
根据本发明一具体实施方式，利用所述训练样本，训练深度神经网络，得到人脸识别模型包括：
利用深度神经网络对所述训练样本进行学习，得到各训练样本的人脸特征；
利用各训练样本的人脸特征确定识别损失，利用所述识别损失对所述深度神经网络进行调参，以最小化所述识别损失；
其中所述识别损失由不同人的人脸图像之间的相似度以及相同人的不同年龄的人脸图像之间的相似度确定。
本发明还提供了一种建立人脸识别模型的装置，该装置包括：
样本获取单元，用于将已知用户的标注了年龄的人脸图像作为训练样本；
模型训练单元，用于利用所述训练样本，训练深度神经网络，得到人脸识别模型，所述人脸识别模型用于对输入的人脸图像进行用户识别。
根据本发明一具体实施方式，所述深度神经网络包括：卷积神经网络，或者残差型卷积神经网络。
根据本发明一具体实施方式，所述模型训练单元在训练深度神经网络时，采用的训练目标为：
最小化不同人的人脸图像之间的相似度，且相同人的不同年龄的人脸图像之间的相似度与年龄差负相关。
根据本发明一具体实施方式，所述模型训练单元具体执行：
利用深度神经网络对所述训练样本进行学习，得到各训练样本的人脸特征；
利用各训练样本的人脸特征确定识别损失，利用所述识别损失对所述深度神经网络进行调参，以最小化所述识别损失；
其中所述识别损失由不同人的人脸图像之间的相似度以及相同人的不同年龄的人脸图像之间的相似度确定。
本发明还提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。
本发明还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述的方法。
由以上技术方案可以看出，通过本发明建立的人脸识别模型能够很好地学习到对年龄更加敏感的特征向量，从而能够在人脸识别时对年龄具有更高的鲁棒性，解决因年龄变化而引起的人脸识别率下降的问题。
【附图说明】
图1为本发明实施例提供的建立人脸识别模型的方法流程图；
图2为本发明实施例提供的人脸识别模型的结构示意图；
图3为本发明实施例提供的ResNET型CNN的结构示意图；
图4为本发明实施例提供的建立人脸识别模型的装置结构图；
图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
本发明的核心思想在于，通过大规模的跨年龄的人脸图像数据，训练得到一个对年龄信息鲁棒的人脸识别模型。下面结合实施例对本发明提供的方法进行详细描述。
图1为本发明实施例提供的建立人脸识别模型的方法流程图，如图1所示，该方法可以包括以下步骤：
在101中，将已知用户的标注了年龄的人脸图像作为训练样本。
在本发明实施例中，采集已知用户的不同年龄阶段的人脸图像，分别标注对应的年龄。由于通常在学龄前以及成人之后，人脸的特征变化对年龄更加敏感，因此可以采集学龄前多个年龄的人脸图像，例如1岁、2岁、3岁的人脸图像，以及采集成人之后多个年龄的人脸图像，例如18岁、25岁、35岁、45岁等的人脸图像。对于年龄的粒度可以根据需要进行设置，例如可以以1岁作为年龄的粒度，也可以以5岁作为年龄的粒度。
如此得到的训练数据中，各人脸图像已经被标记了用户标识以及年龄。
在102中，利用训练样本训练深度神经网络，得到人脸识别模型，该人脸识别模型用于对输入的人脸图像进行用户识别。
为了方便对本发明实施例提供的人脸识别模型的理解，对该人脸识别模型的结构进行介绍。如图2所示，该人脸识别模型模型可以包括深度神经网络层、相似度计算层以及损失层。
本实施例中深度神经网络层可以包括深度神经网络和全连接层。其中采用的深度神经网络可以为CNN(Convolutional Neural Network，卷积神经网络)、ResNET(ResidualNet，残差网络)型CNN等等。尽管深度神经网络具有很好地学习能力，但更难进行训练，在一定深度情况下准确性反而下滑。为了解决该问题，本发明可以基于CNN使用但不限于ResNET型CNN。
首先对ResNET型CNN进行介绍。
ResNet可以用于简化CNN的训练。ResNet包括若干ResBlock(堆叠残差块)，各ResBlock包括低层输出和高层输入间的直接连接。如图3中所示，各ResBlock可以定义为：
h＝F(x,Wi)+x
其中，x和h分别表示ResBlock的输入和输出。F表示堆叠的非线性层的映射函数。
如图3所示，ResBlock可以包括两个卷积层和两个激活层。每个ResBlock包括相同的结构，并且跳转连接是对x的相同映射。若通道的数量增加，则可以使用一个卷积层。
深度神经网络层负责从输入的各人脸图像中提取特征向量，假设输入的是标识为i的用户的年龄标识为n的人脸图像，那么针对该人脸图像提取的特征向量表示为：Pi(n)。
深度神经网络层针对各人脸图像提取的特征向量，并将提取的特征向量通过深度神经网络层中的全连接层映射至用户标识，从而完成人脸识别的功能。其中，深度神经网络提取的特征向量输入相似度计算层。相似度计算层，用于计算两两人脸图像之间的相似度，该相似度由人脸图像对应的特征向量之间的相似度体现。假设标识为i的用户的年龄标识为n的人脸图像与标识为j的用户的年龄标识为m的人脸图像之间的相似度可以表示为：S(Pi(n),Pj(m))。
经过相似度计算层后，输出相似度计算结果至损失层，映射层负责将计算识别损失，将计算得到的识别损失反馈至深度神经网络层，以对深度神经网络层进行参数调整以最小化识别损失。
训练深度神经网络的目标是，最小化不同人的人脸图像之间的相似度，且相同人的不同年龄的人脸图像之间的相似度与年龄差负相关。采用公式表达为：
min{S(Pi(n),Pj(m))}其中，i≠j。
S(Pk(n1),Pk(m1))＞S(Pk(n2),Pk(m2))，其中，|n1-m1|＜|n2-m2|。
举个例子，对于不同用户而言，不论年龄，最小化不同用户之间的人脸图像的相似度。对于相同用户而言，该用户2岁和3岁的人脸图像之间的相似度大于该用户1岁和3岁的人脸图像之间的相似度，该用户28岁到58岁的人脸图像之间的相似度小于该用户38岁到48岁的人脸图像之间的相似度，等等。
体现在识别损失上可以采用诸如以下公式表达：
其中，λ为预设的系数，可以取实验值或经验值。
当然上述公式表达仅仅为一个示意性的例子，识别损失还可以采用其他公式表达，只要在上述训练目标的原则之内，均属于本申请的保护范围。
从上述训练过程中可以看出，经过上述训练后得到的人脸识别模型，很好地学习到了对年龄更加敏感的特征向量，从而能够在人脸识别时对年龄具有更高的鲁棒性。
当采用已经建立的人脸识别模型进行人脸识别时，将待识别的人脸图像输入人脸识别模型，该人脸识别模型能够从该人脸图像中提取特征向量，并将该特征向量映射至对应的用户标识。
以上是对本发明提供的方法进行的详细描述，下面结合实施例对本发明提供的装置进行详细描述。
图4为本发明实施例提供的建立人脸识别模型的装置结构图，如图4所示，该装置包括：样本获取单元01和模型训练单元02。
样本获取单元01负责将已知用户的标注了年龄的人脸图像作为训练样本。
在本发明实施例中，采集已知用户的不同年龄阶段的人脸图像，分别标注对应的年龄。可以采集学龄前多个年龄的人脸图像，例如1岁、2岁、3岁的人脸图像，以及采集成人之后多个年龄的人脸图像，例如18岁、25岁、35岁、45岁等的人脸图像。对于年龄的粒度可以根据需要进行设置，例如可以以1岁作为年龄的粒度，也可以以5岁作为年龄的粒度。
如此得到的训练数据中，各人脸图像已经被标记了用户标识以及年龄。
模型训练单元02负责利用训练样本，训练深度神经网络，得到人脸识别模型，人脸识别模型用于对输入的人脸图像进行用户识别。
该人脸识别模型模型可以包括深度神经网络层、相似度计算层以及损失层。
本实施例中深度神经网络层可以包括深度神经网络和全连接层。其中采用的深度神经网络可以为CNN(Convolutional Neural Network，卷积神经网络)、ResNET(ResidualNet，残差网络)型CNN等等。尽管深度神经网络具有很好地学习能力，但更难进行训练，在一定深度情况下准确性反而下滑。为了解决该问题，本发明可以基于CNN使用但不限于ResNET型CNN。
深度神经网络层针对各人脸图像提取的特征向量，并将提取的特征向量通过深度神经网络层中的全连接层映射至用户标识，从而完成人脸识别的功能。其中，深度神经网络提取的特征向量输入相似度计算层。相似度计算层，用于计算两两人脸图像之间的相似度，该相似度由人脸图像对应的特征向量之间的相似度体现。假设标识为i的用户的年龄标识为n的人脸图像与标识为j的用户的年龄标识为m的人脸图像之间的相似度可以表示为：S(Pi(n),Pj(m))。
经过相似度计算层后，输出相似度计算结果至损失层，映射层负责将计算识别损失，将计算得到的识别损失反馈至深度神经网络层，以对深度神经网络层进行参数调整以最小化识别损失。
训练深度神经网络的目标是，最小化不同人的人脸图像之间的相似度，且相同人的不同年龄的人脸图像之间的相似度与年龄差负相关。
当采用图4所示装置建立人脸识别模型后，可以利用该人脸识别模型进行人脸识别。具体地，可以将待识别人脸图像输入该人脸识别模型，该人脸识别模型从该待识别人脸图像中提取特征向量，该特征向量对年龄具有较高的敏感性，通过该特征向量映射到对应的用户标识，从而完成人脸识别。
在此列举一个本发明可以使用的应用场景：
很多走失儿童在丢失时，年龄很小，等到长到一定年龄之后，即便亲生父母也很难认出来。若采用本申请所提供的方式建立人脸识别模型后，能够对跨年龄的人脸识别具有很高的准确性。
一方面能够在走失儿童的破案阶段提供辅助，另一方面也能够在寻回走失儿童后，为寻找亲人提供依据。
举个例子，走失儿童的父母或亲人将走失儿童的照片上传系统进行注册。系统依托现实环境中大量的摄像头捕捉到人来人往的人脸图像，然后将这些人脸图像进行人脸识别，以确定是否为走失儿童，即便该儿童日后长大，容貌发生变化，仍可以具有较高的识别准确性。以此可以为公安系统破案提供辅助。
再举个例子，当公安系统寻回走失儿童后，可以通过将该儿童的人脸图像送入本申请得到的人脸识别模型进行人脸识别，从而确定是否为已注册的走失儿童，如果为已注册的走失儿童，则可以据此找到注册该儿童的父母或亲人。
图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图5显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。
总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元016通过运行存储在系统存储器028中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例中所述方法。
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。例如，被上述一个或多个处理器执行本发明实施例所述方法。
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种建立人脸识别模型的方法，其特征在于，该方法包括：
将已知用户的标注了年龄的人脸图像作为训练样本；
利用所述训练样本，训练深度神经网络，得到人脸识别模型，所述人脸识别模型用于对输入的人脸图像进行用户识别。
2.根据权利要求1所述的方法，其特征在于，所述深度神经网络包括：卷积神经网络，或者残差型卷积神经网络。
3.根据权利要求1所述的方法，其特征在于，在所述训练深度神经网络时，训练目标为：
最小化不同人的人脸图像之间的相似度，且相同人的不同年龄的人脸图像之间的相似度与年龄差负相关。
4.根据权利要求3所述的方法，其特征在于，利用所述训练样本，训练深度神经网络，得到人脸识别模型包括：
利用深度神经网络对所述训练样本进行学习，得到各训练样本的人脸特征；
利用各训练样本的人脸特征确定识别损失，利用所述识别损失对所述深度神经网络进行调参，以最小化所述识别损失；
其中所述识别损失由不同人的人脸图像之间的相似度以及相同人的不同年龄的人脸图像之间的相似度确定。
5.一种建立人脸识别模型的装置，其特征在于，该装置包括：
样本获取单元，用于将已知用户的标注了年龄的人脸图像作为训练样本；
模型训练单元，用于利用所述训练样本，训练深度神经网络，得到人脸识别模型，所述人脸识别模型用于对输入的人脸图像进行用户识别。
6.根据权利要求5所述的装置，其特征在于，所述深度神经网络包括：卷积神经网络，或者残差型卷积神经网络。
7.根据权利要求5所述的装置，其特征在于，所述模型训练单元在训练深度神经网络时，采用的训练目标为：
最小化不同人的人脸图像之间的相似度，且相同人的不同年龄的人脸图像之间的相似度与年龄差负相关。
8.根据权利要求7所述的装置，其特征在于，所述模型训练单元具体执行：
利用深度神经网络对所述训练样本进行学习，得到各训练样本的人脸特征；
利用各训练样本的人脸特征确定识别损失，利用所述识别损失对所述深度神经网络进行调参，以最小化所述识别损失；
其中所述识别损失由不同人的人脸图像之间的相似度以及相同人的不同年龄的人脸图像之间的相似度确定。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-4中任一所述的方法。
CN201710744277.9A 2017-08-25 2017-08-25 建立人脸识别模型的方法、装置、设备和计算机存储介质 Pending CN107679451A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710744277.9A CN107679451A (zh) 2017-08-25 2017-08-25 建立人脸识别模型的方法、装置、设备和计算机存储介质
US16/113,240 US20190065906A1 (en) 2017-08-25 2018-08-27 Method and apparatus for building human face recognition model, device and computer storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710744277.9A CN107679451A (zh) 2017-08-25 2017-08-25 建立人脸识别模型的方法、装置、设备和计算机存储介质

Publications (1)

Publication Number Publication Date
CN107679451A true CN107679451A (zh) 2018-02-09

Family

ID=61134986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710744277.9A Pending CN107679451A (zh) 2017-08-25 2017-08-25 建立人脸识别模型的方法、装置、设备和计算机存储介质

Country Status (2)

Country Link
US (1) US20190065906A1 (zh)
CN (1) CN107679451A (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427939A (zh) * 2018-03-30 2018-08-21 百度在线网络技术（北京）有限公司 模型生成方法和装置
CN108491823A (zh) * 2018-03-30 2018-09-04 百度在线网络技术（北京）有限公司 用于生成人眼识别模型的方法和装置
CN108510523A (zh) * 2018-03-16 2018-09-07 新智认知数据服务有限公司 一种建立获取目标物特征的模型和目标物搜索方法及装置
CN108573243A (zh) * 2018-04-27 2018-09-25 上海敏识网络科技有限公司 一种基于深度卷积神经网络的低质量人脸的比对方法
CN108765407A (zh) * 2018-05-31 2018-11-06 上海依图网络科技有限公司 一种人像图片质量判定方法及装置
CN108804901A (zh) * 2018-06-04 2018-11-13 盎锐（上海）信息科技有限公司 基于图像识别技术的终端设备及控制方法
CN108898238A (zh) * 2018-05-24 2018-11-27 沈阳东软医疗系统有限公司 医疗设备故障预测系统及相关方法、装置及设备
CN109002790A (zh) * 2018-07-11 2018-12-14 广州视源电子科技股份有限公司 一种人脸识别的方法、装置、设备和存储介质
CN109522872A (zh) * 2018-12-04 2019-03-26 西安电子科技大学 一种人脸识别方法、装置、计算机设备及存储介质
CN109636867A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 图像处理方法、装置及电子设备
CN109800707A (zh) * 2019-01-17 2019-05-24 中控智慧科技股份有限公司 一种基于cnn模型的人脸识别方法、装置及存储介质
CN109934198A (zh) * 2019-03-22 2019-06-25 北京市商汤科技开发有限公司 人脸识别方法及装置
CN109977887A (zh) * 2019-01-30 2019-07-05 四川电科维云信息技术有限公司 一种抗年龄干扰的人脸识别方法
CN110033332A (zh) * 2019-04-23 2019-07-19 杭州智趣智能信息技术有限公司 一种人脸识别方法、系统及电子设备和存储介质
CN110163953A (zh) * 2019-03-11 2019-08-23 腾讯科技（深圳）有限公司 三维人脸重建方法、装置、存储介质和电子装置
CN110309691A (zh) * 2018-03-27 2019-10-08 腾讯科技（深圳）有限公司 一种人脸识别方法、装置、服务器及存储介质
CN110348467A (zh) * 2018-04-06 2019-10-18 埃莱克塔公共有限公司 用于识别图像中的对象的方法、装置以及计算机可读介质
CN110414347A (zh) * 2019-06-26 2019-11-05 北京迈格威科技有限公司 人脸验证方法、装置、设备和存储介质
CN110458134A (zh) * 2019-08-17 2019-11-15 裴露露 一种人脸识别方法及装置
CN110765917A (zh) * 2019-10-17 2020-02-07 中国科学院上海高等研究院 适用于人脸识别模型训练的主动学习方法、装置、终端、介质
CN110991346A (zh) * 2019-12-04 2020-04-10 厦门市美亚柏科信息股份有限公司 一种疑似吸毒人员识别的方法、装置及存储介质
CN111860223A (zh) * 2019-07-03 2020-10-30 Ａｗｌ株式会社 属性识别系统、学习服务器以及计算机可读记录介质
CN113392769A (zh) * 2021-06-16 2021-09-14 广州繁星互娱信息科技有限公司 人脸图像的合成方法、装置、电子设备及存储介质
CN114255502A (zh) * 2021-12-23 2022-03-29 中国电信股份有限公司 人脸图像生成方法及装置、人脸识别方法、设备、介质
CN115471893A (zh) * 2022-09-16 2022-12-13 北京百度网讯科技有限公司 训练人脸识别模型、人脸识别的方法和装置

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110611A (zh) * 2019-04-16 2019-08-09 深圳壹账通智能科技有限公司 人像属性模型构建方法、装置、计算机设备和存储介质
CN110070046B (zh) * 2019-04-23 2024-05-24 北京市商汤科技开发有限公司 人脸图像识别方法及装置、电子设备和存储介质
CN110110663A (zh) * 2019-05-07 2019-08-09 江苏新亿迪智能科技有限公司 一种基于人脸属性的年龄识别方法及系统
CN110378230B (zh) * 2019-06-19 2024-03-05 平安科技（深圳）有限公司 失踪人脸识别方法、装置、计算机设备和存储介质
CN110348352B (zh) * 2019-07-01 2022-04-29 达闼机器人有限公司 一种人脸图像年龄迁移网络的训练方法、终端和存储介质
CN110399812B (zh) * 2019-07-08 2023-05-30 中国平安财产保险股份有限公司 人脸特征智能提取方法、装置及计算机可读存储介质
CN110570349A (zh) * 2019-09-11 2019-12-13 中国计量大学 一种基于生成对抗网络由父母照片生成子女照片的方法
CN111046759A (zh) * 2019-11-28 2020-04-21 深圳市华尊科技股份有限公司 人脸识别方法及相关装置
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
CN111353392B (zh) * 2020-02-18 2022-09-30 腾讯科技（深圳）有限公司 换脸检测方法、装置、设备及存储介质
CN113657352A (zh) * 2020-03-19 2021-11-16 支付宝(杭州)信息技术有限公司 一种人脸特征提取方法、装置及设备
CN111881722B (zh) * 2020-06-10 2021-08-24 广东芯盾微电子科技有限公司 一种跨年龄人脸识别方法、系统、装置及存储介质
CN111814611B (zh) * 2020-06-24 2022-09-13 重庆邮电大学 一种嵌入高阶信息的多尺度人脸年龄估计方法及系统
CN114065928A (zh) * 2020-07-30 2022-02-18 北京达佳互联信息技术有限公司 一种虚拟数据生成方法、装置、电子设备及存储介质
CN111914772B (zh) * 2020-08-06 2024-05-03 北京金山云网络技术有限公司 识别年龄的方法、年龄识别模型的训练方法和装置
GB2608063A (en) * 2020-08-11 2022-12-21 Onemoresecurity Inc Device and method for providing missing child search service based on face recognition using deep learning
CN111738243B (zh) * 2020-08-25 2020-11-20 腾讯科技（深圳）有限公司 人脸图像的选择方法、装置、设备及存储介质
CN112528866A (zh) * 2020-12-14 2021-03-19 奥比中光科技集团股份有限公司 跨模态人脸识别方法、装置、设备及存储介质
CN112784778B (zh) * 2021-01-28 2024-04-09 北京百度网讯科技有限公司 生成模型并识别年龄和性别的方法、装置、设备和介质
CN113269300A (zh) * 2021-04-14 2021-08-17 广州晟烨信息科技股份有限公司 一种人脸采集特征训练方法、系统及存储介质
CN113205017A (zh) * 2021-04-21 2021-08-03 深圳市海清视讯科技有限公司 跨年龄人脸识别方法及设备
CN113221086B (zh) * 2021-05-21 2023-04-07 深圳和锐网络科技有限公司 离线人脸认证方法、装置、电子设备及存储介质
CN113450121B (zh) * 2021-06-30 2022-08-05 湖南校智付网络科技有限公司 用于校园支付的人脸识别方法
CN113688896A (zh) * 2021-08-20 2021-11-23 杭州英歌智达科技有限公司 基于人脸识别系统的人脸图像质量标注方法及装置
CN113688764A (zh) * 2021-08-31 2021-11-23 瓴盛科技有限公司 人脸选优模型的训练方法、装置和计算机可读介质
CN114708644B (zh) * 2022-06-02 2022-09-13 杭州魔点科技有限公司 一种基于家庭基因模板的人脸识别方法和系统
CN117409470B (zh) * 2023-12-15 2024-03-15 千巡科技(深圳)有限公司 一种人脸识别特征数据动态匹配方法、系统、装置和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置
CN106650653A (zh) * 2016-12-14 2017-05-10 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于深度学习的人脸识别和年龄合成联合模型的构建方法
CN106874898A (zh) * 2017-04-08 2017-06-20 复旦大学 基于深度卷积神经网络模型的大规模人脸识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置
CN106650653A (zh) * 2016-12-14 2017-05-10 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于深度学习的人脸识别和年龄合成联合模型的构建方法
CN106874898A (zh) * 2017-04-08 2017-06-20 复旦大学 基于深度卷积神经网络模型的大规模人脸识别方法

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510523A (zh) * 2018-03-16 2018-09-07 新智认知数据服务有限公司 一种建立获取目标物特征的模型和目标物搜索方法及装置
CN110309691A (zh) * 2018-03-27 2019-10-08 腾讯科技（深圳）有限公司 一种人脸识别方法、装置、服务器及存储介质
CN110309691B (zh) * 2018-03-27 2022-12-27 腾讯科技（深圳）有限公司 一种人脸识别方法、装置、服务器及存储介质
CN108491823A (zh) * 2018-03-30 2018-09-04 百度在线网络技术（北京）有限公司 用于生成人眼识别模型的方法和装置
CN108491823B (zh) * 2018-03-30 2021-12-24 百度在线网络技术（北京）有限公司 用于生成人眼识别模型的方法和装置
CN108427939A (zh) * 2018-03-30 2018-08-21 百度在线网络技术（北京）有限公司 模型生成方法和装置
CN110348467B (zh) * 2018-04-06 2024-01-05 埃莱克塔公共有限公司 用于识别图像中的对象的方法、装置以及计算机可读介质
CN110348467A (zh) * 2018-04-06 2019-10-18 埃莱克塔公共有限公司 用于识别图像中的对象的方法、装置以及计算机可读介质
CN108573243A (zh) * 2018-04-27 2018-09-25 上海敏识网络科技有限公司 一种基于深度卷积神经网络的低质量人脸的比对方法
CN108898238A (zh) * 2018-05-24 2018-11-27 沈阳东软医疗系统有限公司 医疗设备故障预测系统及相关方法、装置及设备
CN108898238B (zh) * 2018-05-24 2022-02-01 东软医疗系统股份有限公司 医疗设备故障预测系统及相关方法、装置及设备
CN108765407A (zh) * 2018-05-31 2018-11-06 上海依图网络科技有限公司 一种人像图片质量判定方法及装置
CN108804901A (zh) * 2018-06-04 2018-11-13 盎锐（上海）信息科技有限公司 基于图像识别技术的终端设备及控制方法
CN109002790A (zh) * 2018-07-11 2018-12-14 广州视源电子科技股份有限公司 一种人脸识别的方法、装置、设备和存储介质
CN109636867A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 图像处理方法、装置及电子设备
CN109522872A (zh) * 2018-12-04 2019-03-26 西安电子科技大学 一种人脸识别方法、装置、计算机设备及存储介质
CN109800707A (zh) * 2019-01-17 2019-05-24 中控智慧科技股份有限公司 一种基于cnn模型的人脸识别方法、装置及存储介质
CN109977887A (zh) * 2019-01-30 2019-07-05 四川电科维云信息技术有限公司 一种抗年龄干扰的人脸识别方法
CN110163953A (zh) * 2019-03-11 2019-08-23 腾讯科技（深圳）有限公司 三维人脸重建方法、装置、存储介质和电子装置
CN110163953B (zh) * 2019-03-11 2023-08-25 腾讯科技（深圳）有限公司 三维人脸重建方法、装置、存储介质和电子装置
CN109934198A (zh) * 2019-03-22 2019-06-25 北京市商汤科技开发有限公司 人脸识别方法及装置
CN109934198B (zh) * 2019-03-22 2021-05-14 北京市商汤科技开发有限公司 人脸识别方法及装置
CN110033332A (zh) * 2019-04-23 2019-07-19 杭州智趣智能信息技术有限公司 一种人脸识别方法、系统及电子设备和存储介质
CN110414347A (zh) * 2019-06-26 2019-11-05 北京迈格威科技有限公司 人脸验证方法、装置、设备和存储介质
CN111860223A (zh) * 2019-07-03 2020-10-30 Ａｗｌ株式会社 属性识别系统、学习服务器以及计算机可读记录介质
CN110458134B (zh) * 2019-08-17 2020-06-16 南京昀趣互动游戏有限公司 一种人脸识别方法及装置
CN110458134A (zh) * 2019-08-17 2019-11-15 裴露露 一种人脸识别方法及装置
CN110765917A (zh) * 2019-10-17 2020-02-07 中国科学院上海高等研究院 适用于人脸识别模型训练的主动学习方法、装置、终端、介质
CN110991346A (zh) * 2019-12-04 2020-04-10 厦门市美亚柏科信息股份有限公司 一种疑似吸毒人员识别的方法、装置及存储介质
CN113392769A (zh) * 2021-06-16 2021-09-14 广州繁星互娱信息科技有限公司 人脸图像的合成方法、装置、电子设备及存储介质
CN114255502A (zh) * 2021-12-23 2022-03-29 中国电信股份有限公司 人脸图像生成方法及装置、人脸识别方法、设备、介质
CN114255502B (zh) * 2021-12-23 2024-03-29 中国电信股份有限公司 人脸图像生成方法及装置、人脸识别方法、设备、介质
CN115471893A (zh) * 2022-09-16 2022-12-13 北京百度网讯科技有限公司 训练人脸识别模型、人脸识别的方法和装置
CN115471893B (zh) * 2022-09-16 2023-11-21 北京百度网讯科技有限公司 训练人脸识别模型、人脸识别的方法和装置

Also Published As

Publication number Publication date
US20190065906A1 (en) 2019-02-28

Similar Documents

Publication Publication Date Title
CN107679451A (zh) 建立人脸识别模型的方法、装置、设备和计算机存储介质
CN113688855B (zh) 数据处理方法、联邦学习的训练方法及相关装置、设备
CN110197099B (zh) 跨年龄人脸识别及其模型训练的方法和装置
Mazumdar et al. Citizen science technologies and new opportunities for participation
US10395180B2 (en) Privacy and modeling preserved data sharing
US10255529B2 (en) Structure learning in convolutional neural networks
CN107609481A (zh) 为人脸识别生成训练数据的方法、装置和计算机存储介质
Lee et al. Personalized HRTF modeling based on deep neural network using anthropometric measurements and images of the ear
CN113139628B (zh) 样本图像的识别方法、装置、设备及可读存储介质
CN112749749B (zh) 基于分类决策树模型的分类方法、装置及电子设备
US11734570B1 (en) Training a network to inhibit performance of a secondary task
US20230095182A1 (en) Method and apparatus for extracting biological features, device, medium, and program product
CN112419326B (zh) 图像分割数据处理方法、装置、设备及存储介质
US20240289636A1 (en) Method, electronic device and storage medium for training federated learning model
US20230050655A1 (en) Dialog agents with two-sided modeling
CN111598160A (zh) 图像分类模型的训练方法、装置、计算机设备及存储介质
CN112561060A (zh) 神经网络训练方法及装置、图像识别方法及装置和设备
US10740895B2 (en) Generator-to-classifier framework for object classification
Brahma et al. Learning impact of recent ICT advances based on virtual reality IoT sensors in a metaverse environment
Zhang et al. [Retracted] Optimization of College English Classroom Teaching Efficiency by Deep Learning SDD Algorithm
CN114547658A (zh) 数据处理方法、装置、设备及计算机可读存储介质
CN113379594A (zh) 脸型变换模型训练、脸型变换方法及相关装置
US20190200154A1 (en) Systems and methods for audio-based augmented reality
CN113239799A (zh) 训练方法、识别方法、装置、电子设备和可读存储介质
Che et al. The reform of engineering professional online education courses by artificial intelligence and wireless network technology in the context of engineering certification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180209

RJ01 Rejection of invention patent application after publication