CN108427939A - 模型生成方法和装置 - Google Patents

模型生成方法和装置 Download PDF

Info

Publication number
CN108427939A
CN108427939A CN201810286240.0A CN201810286240A CN108427939A CN 108427939 A CN108427939 A CN 108427939A CN 201810286240 A CN201810286240 A CN 201810286240A CN 108427939 A CN108427939 A CN 108427939A
Authority
CN
China
Prior art keywords
image
sample
face
facial image
prediction result
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.)
Granted
Application number
CN201810286240.0A
Other languages
English (en)
Other versions
CN108427939B (zh
Inventor
罗远庆
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.)
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 CN201810286240.0A priority Critical patent/CN108427939B/zh
Publication of CN108427939A publication Critical patent/CN108427939A/zh
Application granted granted Critical
Publication of CN108427939B publication Critical patent/CN108427939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了模型生成方法和装置。该方法的一具体实施方式包括：获取训练样本集，训练样本集包括样本人脸图像和样本人脸图像的标注信息；通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型；训练操作包括：利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件。该实施方式提升了生成的人脸识别模型的可靠性。

Description

模型生成方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及人工智能技术领域，尤其涉及模型生成方法和装置。
背景技术
人脸识别在公共安全、智能监控、数字身份认证、电子商务、多媒体和数字娱乐等多领域都具有巨大的应用价值和广泛的应用市场。经过长时间的研究，人脸识别已经取得了长足的发展与进步，以“人脸”为对象的计算机视觉研究已经成为一个及其重要、研究方向众多并有着广泛应用于前景的学术和科技领域。
常用的人脸识别技术中，需要采集可见光环境下的人脸图像，而可见光人脸图像容易受到环境光变化的影响，在识别之前需要采用一些预处理算法对光照的影响进行处理。此外可见光下采集的人脸可能被眼镜、口罩等遮挡物遮挡，采集到的可见光人脸图像会损失一部分特征，由此造成人脸识别精度下降。
发明内容
本申请实施例提出了模型生成方法和装置。
第一方面，本申请实施例提供了一种模型生成方法，包括：获取训练样本集，训练样本集包括样本人脸图像和样本人脸图像的标注信息，样本人脸图像包括可见光人脸图像和红外人脸图像，样本人脸图像的标注信息用于指示对应的样本人脸图像所包含的人脸所属的用户对象；通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型；训练操作包括：利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件。
在一些实施例中，上述利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，包括：基于训练样本集构建由可见光人脸图像和红外人脸图像构成的样本图像对；基于样本图像对中的可见光人脸图像和红外人脸图像的标注信息确定样本图像对的标注信息，样本图像对的标注信息用于指示样本图像对中的可见光人脸图像和红外人脸图像所包含的人脸是否属于同一用户对象；将样本图像对输入人脸识别模型对应的神经网络，得到样本图像对所包含的人脸所属用户对象的预测结果；以及上述基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件，包括：基于样本图像对所包含的人脸所属用户对象的预测结果确定样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果，基于样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果和样本图像对的标识信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数，以使对样本图像对的预测结果与对样本图像对的标注信息之间的差异满足预设的收敛条件。
在一些实施例中，上述将样本图像对输入人脸识别模型对应的神经网络，得到样本图像对所包含的人脸所属用户对象的预测结果，包括：将样本图像对中的可见光人脸图像和红外人脸图像的各颜色通道的图像数据相连接，得到连接后的图像数据；利用待训练的人脸识别模型对应的神经网络对连接后的图像数据进行特征提取和分类，得到样本图像对所包含的人脸所属用户对象的预测结果。
在一些实施例中，上述人脸识别模型对应的神经网络包括可见光特征提取网络、红外特征提取网络以及全连接层；上述将样本图像对输入人脸识别模型对应的神经网络，得到样本图像对所包含的人脸所属用户对象的预测结果，包括：将样本图像对中的可见光人脸图像输入可见光特征提取网络，得到可见光人脸图像的特征；将样本图像对中的红外人脸图像输入红外特征提取网络，得到红外人脸图像的特征；利用全连接层将可见光人脸图像的特征和红外人脸图像的特征连接，得到样本图像对的特征；基于样本图像对的特征得出样本图像对所包含的人脸所属用户对象的预测结果。
在一些实施例中，上述待训练的人脸识别模型对应的神经网络包括可见光人脸识别网络和红外人脸识别网络；上述利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，包括：将样本图像中的可见光人脸图像和红外人脸图像分别对应地输入可见光人脸识别网络和红外人脸识别网络，得到可见光人脸识别网络对可见光人脸图像所包含的人脸所属用户对象的预测结果，和红外人脸识别网络对红外人脸图像所包含的人脸所属用户对象的预测结果；以及上述基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件，包括：基于预设的损失函数，迭代调整可见光人脸识别网络和红外人脸识别网络的参数值，以使损失函数的值满足预设的收敛条件，其中，损失函数包括第一预测误差函数和第二预测误差函数，第一误差函数的值用于表征可见光人脸识别网络对可见光人脸图像的预测结果与可见光人脸图像的标注信息之间的差异，第二误差函数的值用于表征红外人脸识别网络对红外人脸图像的预测结果与红外人脸图像的标注信息之间的差异。
第二方面，本申请实施例提供了一种模型生成装置，包括：获取单元，用于获取训练样本集，训练样本集包括样本人脸图像和样本人脸图像的标注信息，样本人脸图像包括可见光人脸图像和红外人脸图像，样本人脸图像的标注信息用于指示对应的样本人脸图像所包含的人脸所属的用户对象；训练单元，用于通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型；训练操作包括：利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件。
在一些实施例中，上述训练单元进一步用于按照如下方式得到样本人脸图像所包含的人脸所属用户对象的预测结果：基于训练样本集构建由可见光人脸图像和红外人脸图像构成的样本图像对；基于样本图像对中的可见光人脸图像和红外人脸图像的标注信息确定样本图像对的标注信息，样本图像对的标注信息用于指示样本图像对中的可见光人脸图像和红外人脸图像所包含的人脸是否属于同一用户对象；将样本图像对输入人脸识别模型对应的神经网络，得到样本图像对所包含的人脸所属用户对象的预测结果；以及上述训练单元进一步用于按照如下方式迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件：基于样本图像对所包含的人脸所属用户对象的预测结果确定样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果，基于样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果和样本图像对的标识信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数，以使对样本图像对的预测结果与对样本图像对的标注信息之间的差异满足预设的收敛条件。
在一些实施例中，上述训练单元进一步用于按照如下方式得到样本图像对所包含的人脸所属用户对象的预测结果：将样本图像对中的可见光人脸图像和红外人脸图像的各颜色通道的图像数据相连接，得到连接后的图像数据；利用待训练的人脸识别模型对应的神经网络对连接后的图像数据进行特征提取和分类，得到样本图像对所包含的人脸所属用户对象的预测结果。
在一些实施例中，上述人脸识别模型对应的神经网络包括可见光特征提取网络、红外特征提取网络以及全连接层；上述训练单元进一步用于按照如下方式得到样本图像对所包含的人脸所属用户对象的预测结果：将样本图像对中的可见光人脸图像输入可见光特征提取网络，得到可见光人脸图像的特征；将样本图像对中的红外人脸图像输入红外特征提取网络，得到红外人脸图像的特征；利用全连接层将可见光人脸图像的特征和红外人脸图像的特征连接，得到样本图像对的特征；基于样本图像对的特征得出样本图像对所包含的人脸所属用户对象的预测结果。
在一些实施例中，上述待训练的人脸识别模型对应的神经网络包括可见光人脸识别网络和红外人脸识别网络；训练单元进一步用于按照如下方式得到样本人脸图像所包含的人脸所属用户对象的预测结果：将样本图像中的可见光人脸图像和红外人脸图像分别对应地输入可见光人脸识别网络和红外人脸识别网络，得到可见光人脸识别网络对可见光人脸图像所包含的人脸所属用户对象的预测结果，和红外人脸识别网络对红外人脸图像所包含的人脸所属用户对象的预测结果；以及上述训练单元进一步用于按照如下方式迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件：基于预设的损失函数，迭代调整可见光人脸识别网络和红外人脸识别网络的参数值，以使损失函数的值满足预设的收敛条件，其中，损失函数包括第一预测误差函数和第二预测误差函数，第一误差函数的值用于表征可见光人脸识别网络对可见光人脸图像的预测结果与可见光人脸图像的标注信息之间的差异，第二误差函数的值用于表征红外人脸识别网络对红外人脸图像的预测结果与红外人脸图像的标注信息之间的差异。
第三方面，本申请实施例提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的模型生成方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的模型生成方法。
本申请上述实施例的模型生成方法和装置，通过获取训练样本集，训练样本集包括样本人脸图像和样本人脸图像的标注信息，样本人脸图像包括可见光人脸图像和红外人脸图像，样本人脸图像的标注信息用于指示对应的样本人脸图像所包含的人脸所属的用户对象；然后通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型；训练操作包括：利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件，生成的人脸识别模型可以实现可见光人脸图像和红外人脸图像的联合识别，提升了人脸识别的可靠性。
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；
图2是根据本申请的模型生成方法的一个实施例的流程图；
图3是根据本申请的模型生成方法中训练操作的一种具体实现方式的流程示意图；
图4是根据本申请的模型生成方法中训练操作的另一种具体实现方式的流程示意图；
图5是根据本申请的模型生成方法中训练操作的又一种具体实现方式的流程示意图；
图6是根据本申请的模型生成装置的一个结构示意图；
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
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。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的模型生成方法或模型生成装置的示例性系统架构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、以及服务器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。
终端设备101、102、103可以通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以为运行人脸识别模型的电子设备，终端设备上可以安装有各种交互应用。
终端设备101、102、103可以是具有图像采集装置并支持互联网访问的各种电子设备，包括但不限于人脸识别闸机、智能手机、平板电脑、智能手表、笔记本电脑等。
服务器105可以是提供人脸识别服务的人脸识别服务器，人脸识别服务器可以接收终端设备101、102、103发出的人脸识别请求，并对人脸识别请求进行解析得到人脸图像，对人脸图像中的人脸进行识别，将识别结果返回给终端设备101、102、103。
需要说明的是，本申请实施例所提供的模型生成方法可以由终端设备101、102、103或服务器105执行，相应地，模型生成装置可以设置于终端设备101、102、103或服务器105中。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络、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、服务器。
继续参考图2，其示出了根据本申请的模型生成方法的一个实施例的流程200。该模型生成方法，包括以下步骤：
步骤201，获取训练样本集。
在本实施例中，上述模型生成方法的执行主体可以获取已构建的训练样本集。训练样本集可以包括样本人脸图像和样本人脸图像的标注信息。其中，样本人脸图像可以包括可见光人脸图像和红外人脸图像，样本人脸图像的标注信息用于指示对应的样本人脸图像所包含的人脸所属的用户对象。
可以在可见光环境和红外光源环境下采集多个不同用户对象的人脸图像作为样本人脸图像，并标注每幅样本人脸图像所包含的人脸所属的用户对象来构建训练样本集。训练样本集可以存储在上述执行主体本地或与上述执行主体通信连接的电子设备中，在执行模型生成方法时，上述执行主体可以从内存中调取已存储的训练样本集，或者向存储训练样本集的电子设备发出请求，接收该电子设备发送的训练样本集。
上述样本人脸图像的标注信息可以包括其所包含的人脸所属的用户对象的身份标识。例如训练样本集可以包括用户对象A的m幅可见光人脸图像和n幅红外人脸图像，这里，m和n均为正整数。则该m幅可见光人脸图像和n幅红外人脸图像的标注信息为用户对象A的身份标识A。
步骤202，通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型。
训练操作包括：利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件。
具体来说，可以按照如下方式执行训练操作：首先构建人脸识别模型对应的神经网络，该神经网络可以例如为卷积神经网络，确定人脸识别模型对应的神经网络的初始参数值。然后将样本人脸图像输入待训练的人脸识别模型对应的神经网络，利用该神经网络对输入的样本图像进行特征提取、特征匹配等操作，得出对样本人脸图像进行识别的预测结果。然后可以计算对样本人脸图像进行人脸识别的预测结果与对应的样本人脸图像的标注信息之间的差异，若该差异不满足预设的收敛条件，则可以调整人脸识别模型对应的神经网络的参数值，得到更新后的人脸识别模型对应的神经网络。之后基于更新后的人脸识别模型对应的神经网络对样本人脸图像进行人脸识别得到新的预测结果，再计算对样本人脸图像进行人脸识别的预测结果与对应的样本人脸图像的标注信息之间的差异，如果差异不满足预设的收敛条件则更新人脸识别模型对应的神经网络的参数值，返回重复执行对样本人脸图像的预测、比对预测结果与标注信息得出差异，判断差异是否满足收敛条件、若不满足则更新人脸识别模型对应的神经网络的参数值的操作，直到人脸识别模型对应的神经网络对样本人脸图像的预测结果与对应的样本人脸图像的标注信息之间的差异满足预设的收敛条件，停止更新人脸识别模型对应的神经网络的参数值。
上述预设的收敛条件可以是人脸识别模型对应的神经网络的参数值的更新次数达到预设的次数，或者可以是对样本人脸图像进行人脸识别的预测结果与对应的样本人脸图像的标注信息之间的差异小于预设的阈值。
在人脸识别模型对应的神经网络对样本人脸图像的预测结果与对应的样本人脸图像的标注信息之间的差异满足预设的收敛条件时，可以确定人脸识别模型对应的神经网络训练完成。可以将这时的神经网络的参数值确定为训练完成的人脸识别模型的参数值，从而生成人脸识别模型。
本申请上述实施例提供的模型生成方法，首先获取训练样本集，训练样本集包括样本人脸图像和样本人脸图像的标注信息，样本人脸图像包括可见光人脸图像和红外人脸图像，样本人脸图像的标注信息用于指示对应的样本人脸图像所包含的人脸所属的用户对象；然后通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型；训练操作包括：利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件，生成的人脸识别模型可以实现可见光人脸图像和红外人脸图像的联合识别，提升了人脸识别的可靠性。
在应用基于本申请实施例的模型生成方法生成的人脸识别模型进行人脸识别时，可以将待识别的可见光人脸图像和/或红外人脸图像输入该人脸识别模型，得到识别结果。
在一些实施例中，可以基于训练样本集构建由可见光人脸图像和红外人脸图像构成的样本图像对，将样本图像对作为人脸识别模型的训练样本来执行上述训练操作。具体可以按照如下方式执行上述利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果的步骤：首先可以基于训练样本集构建由可见光人脸图像和红外人脸图像构成的样本图像对；然后可以基于样本图像对中的可见光人脸图像和红外人脸图像的标注信息确定样本图像对的标注信息，在这里，样本图像对的标注信息用于指示样本图像对中的可见光人脸图像和红外人脸图像所包含的人脸是否属于同一用户对象；之后可以将样本图像对输入人脸识别模型对应的神经网络，得到样本图像对所包含的人脸所属用户对象的预测结果。
继而可以按照如下方式执行上述基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件的步骤：基于样本图像对所包含的人脸所属用户对象的预测结果确定样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果，基于样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果和样本图像对的标识信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数，以使对样本图像对的预测结果与对样本图像对的标注信息之间的差异满足预设的收敛条件。
具体来说，上述训练样本集可以包括多个不同用户的可见光人脸图像和红外人脸图像，可以将可见光人脸图像和红外人脸图像组合为样本图像对，样本图像对中的两幅人脸图像可以是同一用户对象的两幅人脸图像，也可以是不同用户对象的两幅人脸图像。可以根据样本图像对中的两幅人脸图像的标注信息，即样本图像对中的两幅人脸图像所包含的人脸所属用户对象，来确定样本图像对的标注信息。例如样本图像对的标注信息可以包括样本图像对中的两幅人脸图像的标注信息，又或者可以根据样本图像对中的两幅人脸图像所包含的人脸是否属于同一用户对象来确定样本图像对的标注信息为“同一用户对象”或“不同用户对象”。
可选地，可以将训练样本集中的每幅可见光人脸图像分别与每幅红外人脸图像组合形成样本图像对，并获取每幅样本图像对的标注信息。这样可以最大化训练样本的数量，使得训练得到的人脸识别模型对可见光人脸图像和红外人脸图像具有更高的识别精度。
然后，可以将样本图像对输入待训练的人脸识别模型对应的神经网络进行预测，得到样本图像对中的各幅人脸图像的识别结果，进而得到样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果。
之后，可以比对样本图像对的预测结果与样本图像对的标注信息，计算二者之间的差异，并基于该差异，采用反向传播算法不断调整人脸识别模型对应的神经网络的参数值，使得样本图像对的预测结果逐渐逼近样本图像对的标注信息，最终当样本图像对的预测结果与样本图像对的标注信息之间的差异满足预设的收敛条件时停止调整人脸识别模型对应的神经网络的参数值，得到训练好的人脸识别模型。
请参考图3，其示出了根据本申请的模型生成方法中训练操作的一种具体实现方式的流程示意图。也即示出了上述将样本图像对作为人脸识别模型的训练样本来执行训练操作的一种可选实现方式的流程图。如图3所示，训练操作的一种具体实现方式的流程300可以包括以下步骤：
步骤301，将样本图像对中的可见光人脸图像和红外人脸图像的各颜色通道的图像数据相连接，得到连接后的图像数据。
可见光人脸图像通常包括红色(R)、绿色(G)和蓝色(B)三个通道的图像数据，红外人脸图像通常包括单个通道的图像数据。在本实施例中，可以将同一样本图像对中的可见光人脸图像的三通道的图像数据与红外人脸图像的单通道图像数据连接起来，形成连接后的图像数据。
可选地，为了保证可见光人脸图像的图像数据与红外人脸图像的图像数据在连接后的图像数据中的比重均衡，可以将红外人脸图像的单通道数据复制两次，形成三通道的红外人脸图像数据，与三通道的可见光人脸图像数据连接，形成连接后的图像数据。
步骤302，利用待训练的人脸识别模型对应的神经网络对连接后的图像数据进行特征提取和分类，得到样本图像对所包含的人脸所属用户对象的预测结果。
可以将连接后的图像数据输入待训练的人脸识别模型对应的神经网络，该待训练的人脸识别模型对应的神经网络可以例如为卷积神经网络，可以对输入的图像数据进行特征提取和分类，例如可以利用卷积层进行特征提取，并在全连接层实现分类。从而确定连接后的图像数据对应的可见光人脸图像和红外人脸图像的分类结果，即得出样本图像对中可见光人脸图像和红外人脸图像所包含的人脸所属用户对象的预测结果。
步骤303，基于样本图像对所包含的人脸所属用户对象的预测结果确定样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果。
在得到样本图像对中的可见光人脸图像和红外人脸图像所包含的人脸所属用户对象的预测结果之后，可以根据可见光人脸图像所包含的人脸的用户对象与红外人脸图像所包含的人脸所属的用户对象是否一致来确定样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果。
步骤304，基于样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果和样本图像对的标识信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数，以使对样本图像对的预测结果与对样本图像对的标注信息之间的差异满足预设的收敛条件。
可以基于样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果和样本图像对的标识信息之间的差异构建损失函数，根据当前的人脸识别模型的预测结果计算损失函数的值，判断损失函数的值是否满足预设的收敛条件。若损失函数的值不满足与预设的收敛条件，则可以采用梯度下降法更新人脸识别模型对应的神经网络的参数值，利用更新后的人脸识别模型对应的神经网络重新对样本图像对进行预测，并重复执行比对预测结果和标识信息来得出损失函数的值，判断损失函数的值是否满足预设收敛条件的操作，输出损失函数的值满足预设的收敛条件时的人脸识别模型对应的神经网络的参数值，作为生成的人脸识别模型的参数值。
本实施例通过将可见光人脸图像的各通道图像数据和红外人脸图像的各通道的图像数据连接，实现了可见光人脸图像和红外人脸图像在图像数据层面的联合，在训练人脸识别模型过程中可以充分利用可见光人脸图像和红外人脸图像所提供的信息，有利于提升模型的准确性。
请参考图4，其示出了根据本申请的模型生成方法中训练操作的另一种具体实现方式的流程示意图。也即示出了上述将样本图像对作为人脸识别模型的训练样本来执行训练操作的另一种可选实现方式的流程图。如图4所示，训练操作的一种具体实现方式的流程400可以包括以下步骤：
步骤401，将样本图像对中的可见光人脸图像输入可见光特征提取网络，得到可见光人脸图像的特征，将样本图像对中的红外人脸图像输入红外特征提取网络，得到红外人脸图像的特征。
在本实施例中，人脸识别模型对应的神经网络可以包括可见光特征提取网络、红外特征提取网络以及全连接层。其中，可见光特征提取网络可以用于提取可见光人脸图像的特征，可以包括多个卷积层。可选地，可见光特征提取网络还可以包括多个池化层。红外特征提取网络可以用于提取红外人脸图像的特征，也可以包括多个卷积层，可选地，可选地，红外特征提取网络也可以包括多个池化层。
可以将样本图像对中的可见光人脸图像和红外人脸图像分别输入对应的可见光特征提取网络和红外特征提取网络，得到可见光人脸图像的特征和红外人脸图像的特征。在这里，可见光人脸图像的特征和红外人脸图像的特征可以是以特征图或特征向量表征的。
步骤402，利用全连接层将可见光人脸图像的特征和红外人脸图像的特征连接，得到样本图像对的特征。
可以在全连接层将可见光人脸图像特征和红外人脸图像特征连接起来，从而得到样本图像对的特征。如果步骤401提取出的特征是以特征图表征的，则可以将可见光人脸图像的特征图和红外人脸图像的特征图组合形成样本图像对的特征图；如果步骤401提取出的特征是以特征向量表征的，则可以将可见光人脸图像的特征向量和红外人脸图像的特征向量连接形成样本图像对的特征向量。
步骤403，基于样本图像对的特征得出样本图像对所包含的人脸所属用户对象的预测结果。
上述待训练的人脸识别模型对应的神经网络还可以包括用于对样本图像对的特征进行分类的隐层，例如可以还可以包括用于分类的至少一个全连接层。则可以利用待训练的人脸识别模型对应的神经网络中用于分类的隐层对样本图像对的特征进行处理，得到样本图像对的分类结果，即得到样本图像对所包含的人脸所属用户对象的预测结果。
步骤404，基于样本图像对所包含的人脸所属用户对象的预测结果确定样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果。
步骤405，基于样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果和样本图像对的标识信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数，以使对样本图像对的预测结果与对样本图像对的标注信息之间的差异满足预设的收敛条件。
上述步骤404、步骤405与前述实施例的步骤303、步骤304相同，此处不再赘述。
本实施例的模型生成方法中，通过将可见光人脸图像和红外人脸图像的特征相连接，实现了可见光人脸图像和红外人脸图像在特征层面的联合。由于采用了可见光特征提取网络和红外特征提取网络并行地提取可见光人脸图像的特征和红外人脸图像的特征，能够提升运算效率，加快模型的训练速度。
在另一些实施例中，可以利用训练样本集分别构建可见光样本人脸图像集和红外样本人脸图像集。即可以将训练样本集中的可见光人脸图像提取出来生成可见光样本人脸图像集，将训练样本集中的红外人脸图像提取出来生成红外样本人脸图像集。
图5示出了根据本申请的模型生成方法中训练操作的又一种具体实现方式的流程示意图。也即示出了利用构建的可见光样本人脸图像集和红外样本人脸图像集执行训练操作的另一种可选实现方式的流程图。如图5所示，训练操作的一种具体实现方式的流程500可以包括以下步骤：
步骤501，将样本图像中的可见光人脸图像和红外人脸图像分别对应地输入可见光人脸识别网络和红外人脸识别网络，得到可见光人脸识别网络对可见光人脸图像所包含的人脸所属用户对象的预测结果，和红外人脸识别网络对红外人脸图像所包含的人脸所属用户对象的预测结果。
在本实施例中，人脸识别模型对应的神经网络可以包括可见光人脸识别网络和红外人脸识别网络。可以将可见光样本人脸图像集中的可见光人脸图像输入可见光人脸识别网络进行识别，得到可见光人脸识别网络对可见光人脸图像所包含的人脸所属用户对象的预测结果，将红外样本人脸图像集中的红外人脸图像输入红外人脸识别网络进行识别，得到红外人脸识别网络对红外人脸图像所包含的人脸所属用户对象的预测结果。
步骤502，基于预设的损失函数，迭代调整可见光人脸识别网络和红外人脸识别网络的参数值，以使损失函数的值满足预设的收敛条件。
可以构建用于表征可见光人脸识别网络和红外人脸识别网络的预测误差的损失函数，该损失函数可以包括第一预测误差函数和第二预测误差函数。第一误差函数的值用于表征可见光人脸识别网络对可见光人脸图像的预测结果与可见光人脸图像的标注信息之间的差异，第二误差函数的值用于表征红外人脸识别网络对红外人脸图像的预测结果与红外人脸图像的标注信息之间的差异。例如可以构建损失函数L如下：
L＝λ1L1+λ2L2(1)
其中，L1为第一预测误差函数，L2为第二预测误差函数，λ1和λ2分别为预设的可见光人脸识别网络的预测误差和权重和红外人脸识别网络的预测误差和权重。可选地，λ1+λ2＝1。
可以基于损失函数L，采用反向传播方法将预测误差传递至可见光人脸识别网络和红外人脸识别网络的预测中，即根据损失函数迭代更新可见光人脸识别网络和红外人脸识别网络的参数值，以使损失函数L的值满足预设的收敛条件。
本实施例通过构建包含可见光人脸识别网络的预测误差和红外人脸识别网络的预测误差的损失函数，基于损失函数来迭代调整可见光人脸识别网络的预测误差和红外人脸识别网络的参数值，实现了可见光人脸识别网络和红外人脸识别网络的联合训练，得到的可见光人脸识别网络和红外人脸识别网络都可以达到较高的精度。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种模型生成装置的一个实施例，该装置实施例与图2至图5所示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6所示，本实施例的模型生成装置600包括：获取单元601和训练单元602。获取单元601用于获取训练样本集，训练样本集包括样本人脸图像和样本人脸图像的标注信息，样本人脸图像包括可见光人脸图像和红外人脸图像，样本人脸图像的标注信息用于指示对应的样本人脸图像所包含的人脸所属的用户对象。训练单元602用于通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型。训练操作包括：利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件。
在一些实施例中，训练单元602可以进一步用于按照如下方式得到样本人脸图像所包含的人脸所属用户对象的预测结果：基于训练样本集构建由可见光人脸图像和红外人脸图像构成的样本图像对；基于样本图像对中的可见光人脸图像和红外人脸图像的标注信息确定样本图像对的标注信息，样本图像对的标注信息用于指示样本图像对中的可见光人脸图像和红外人脸图像所包含的人脸是否属于同一用户对象；将样本图像对输入人脸识别模型对应的神经网络，得到样本图像对所包含的人脸所属用户对象的预测结果。
训练单元602可以进一步用于按照如下方式迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件：基于样本图像对所包含的人脸所属用户对象的预测结果确定样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果，基于样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果和样本图像对的标识信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数，以使对样本图像对的预测结果与对样本图像对的标注信息之间的差异满足预设的收敛条件。
在上述实施例的一些可选的实现方式中，训练单元602可以进一步用于按照如下方式得到样本图像对所包含的人脸所属用户对象的预测结果：将样本图像对中的可见光人脸图像和红外人脸图像的各颜色通道的图像数据相连接，得到连接后的图像数据；利用待训练的人脸识别模型对应的神经网络对连接后的图像数据进行特征提取和分类，得到样本图像对所包含的人脸所属用户对象的预测结果。
在上述实施例的一些可选的实现方式中，人脸识别模型对应的神经网络包括可见光特征提取网络、红外特征提取网络以及全连接层。训练单元602可以进一步用于按照如下方式得到样本图像对所包含的人脸所属用户对象的预测结果：将样本图像对中的可见光人脸图像输入可见光特征提取网络，得到可见光人脸图像的特征；将样本图像对中的红外人脸图像输入红外特征提取网络，得到红外人脸图像的特征；利用全连接层将可见光人脸图像的特征和红外人脸图像的特征连接，得到样本图像对的特征；基于样本图像对的特征得出样本图像对所包含的人脸所属用户对象的预测结果。
在一些实施例中，待训练的人脸识别模型对应的神经网络可以包括可见光人脸识别网络和红外人脸识别网络。训练单元602可以进一步用于按照如下方式得到样本人脸图像所包含的人脸所属用户对象的预测结果：将样本图像中的可见光人脸图像和红外人脸图像分别对应地输入可见光人脸识别网络和红外人脸识别网络，得到可见光人脸识别网络对可见光人脸图像所包含的人脸所属用户对象的预测结果，和红外人脸识别网络对红外人脸图像所包含的人脸所属用户对象的预测结果。
训练单元602可以进一步用于按照如下方式迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件：基于预设的损失函数，迭代调整可见光人脸识别网络和红外人脸识别网络的参数值，以使损失函数的值满足预设的收敛条件，其中，损失函数包括第一预测误差函数和第二预测误差函数，第一误差函数的值用于表征可见光人脸识别网络对可见光人脸图像的预测结果与可见光人脸图像的标注信息之间的差异，第二误差函数的值用于表征红外人脸识别网络对红外人脸图像的预测结果与红外人脸图像的标注信息之间的差异。
装置600中记载的诸单元与参考图2至图5描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。
本申请上述实施例的模型生成装置，首先获取单元获取训练样本集，训练样本集包括样本人脸图像和样本人脸图像的标注信息，样本人脸图像包括可见光人脸图像和红外人脸图像，样本人脸图像的标注信息用于指示对应的样本人脸图像所包含的人脸所属的用户对象；然后训练单元通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型；训练操作包括：利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件，生成的人脸识别模型可以实现可见光人脸图像和红外人脸图像的联合识别，提升了人脸识别的可靠性。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央生成单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703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。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央生成单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中，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。而在本申请中，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申请的操作的计算机程序代码，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)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取训练样本集的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取训练样本集，训练样本集包括样本人脸图像和样本人脸图像的标注信息，样本人脸图像包括可见光人脸图像和红外人脸图像，样本人脸图像的标注信息用于指示对应的样本人脸图像所包含的人脸所属的用户对象；通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型；训练操作包括：利用人脸识别模型对应的神经网络对样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于样本人脸图像的预测结果与样本人脸图像的标注信息之间的差异，迭代调整人脸识别模型对应的神经网络的参数值，以使对样本人脸图像的预测结果与对样本人脸图像的标注信息之间的差异满足预设的收敛条件。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种模型生成方法，包括：
获取训练样本集，所述训练样本集包括样本人脸图像和样本人脸图像的标注信息，所述样本人脸图像包括可见光人脸图像和红外人脸图像，所述样本人脸图像的标注信息用于指示对应的样本人脸图像所包含的人脸所属的用户对象；
通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型；
所述训练操作包括：利用所述人脸识别模型对应的神经网络对所述样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于所述样本人脸图像的预测结果与所述样本人脸图像的标注信息之间的差异，迭代调整所述人脸识别模型对应的神经网络的参数值，以使对所述样本人脸图像的预测结果与对所述样本人脸图像的标注信息之间的差异满足预设的收敛条件。
2.根据权利要求1所述的方法，其中，所述利用所述人脸识别模型对应的神经网络对所述样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，包括：
基于所述训练样本集构建由可见光人脸图像和红外人脸图像构成的样本图像对；
基于所述样本图像对中的可见光人脸图像和红外人脸图像的标注信息确定所述样本图像对的标注信息，所述样本图像对的标注信息用于指示所述样本图像对中的可见光人脸图像和红外人脸图像所包含的人脸是否属于同一用户对象；
将所述样本图像对输入所述人脸识别模型对应的神经网络，得到所述样本图像对所包含的人脸所属用户对象的预测结果；以及
所述基于所述样本人脸图像的预测结果与所述样本人脸图像的标注信息之间的差异，迭代调整所述人脸识别模型对应的神经网络的参数值，以使对所述样本人脸图像的预测结果与对所述样本人脸图像的标注信息之间的差异满足预设的收敛条件，包括：
基于所述样本图像对所包含的人脸所属用户对象的预测结果确定所述样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果，基于所述样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果和所述样本图像对的标识信息之间的差异，迭代调整所述人脸识别模型对应的神经网络的参数，以使对所述样本图像对的预测结果与对所述样本图像对的标注信息之间的差异满足预设的收敛条件。
3.根据权利要求2所述的方法，其中，所述将所述样本图像对输入所述人脸识别模型对应的神经网络，得到所述样本图像对所包含的人脸所属用户对象的预测结果，包括：
将所述样本图像对中的可见光人脸图像和红外人脸图像的各颜色通道的图像数据相连接，得到连接后的图像数据；
利用所述待训练的人脸识别模型对应的神经网络对连接后的图像数据进行特征提取和分类，得到所述样本图像对所包含的人脸所属用户对象的预测结果。
4.根据权利要求2所述的方法，其中，所述人脸识别模型对应的神经网络包括可见光特征提取网络、红外特征提取网络以及全连接层；
所述将所述样本图像对输入所述人脸识别模型对应的神经网络，得到所述样本图像对所包含的人脸所属用户对象的预测结果，包括：
将所述样本图像对中的可见光人脸图像输入所述可见光特征提取网络，得到所述可见光人脸图像的特征；
将所述样本图像对中的红外人脸图像输入所述红外特征提取网络，得到所述红外人脸图像的特征；
利用全连接层将所述可见光人脸图像的特征和所述红外人脸图像的特征连接，得到所述样本图像对的特征；
基于所述样本图像对的特征得出所述样本图像对所包含的人脸所属用户对象的预测结果。
5.根据权利要求1所述的方法，其中，所述待训练的人脸识别模型对应的神经网络包括可见光人脸识别网络和红外人脸识别网络；
所述利用所述人脸识别模型对应的神经网络对所述样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，包括：
将所述样本图像中的可见光人脸图像和红外人脸图像分别对应地输入所述可见光人脸识别网络和红外人脸识别网络，得到所述可见光人脸识别网络对所述可见光人脸图像所包含的人脸所属用户对象的预测结果，和所述红外人脸识别网络对所述红外人脸图像所包含的人脸所属用户对象的预测结果；以及
所述基于所述样本人脸图像的预测结果与所述样本人脸图像的标注信息之间的差异，迭代调整所述人脸识别模型对应的神经网络的参数值，以使对所述样本人脸图像的预测结果与对所述样本人脸图像的标注信息之间的差异满足预设的收敛条件，包括：
基于预设的损失函数，迭代调整所述可见光人脸识别网络和所述红外人脸识别网络的参数值，以使所述损失函数的值满足预设的收敛条件，其中，所述损失函数包括第一预测误差函数和第二预测误差函数，所述第一误差函数的值用于表征可见光人脸识别网络对可见光人脸图像的预测结果与可见光人脸图像的标注信息之间的差异，所述第二误差函数的值用于表征红外人脸识别网络对红外人脸图像的预测结果与红外人脸图像的标注信息之间的差异。
6.一种模型生成装置，包括：
获取单元，用于获取训练样本集，所述训练样本集包括样本人脸图像和样本人脸图像的标注信息，所述样本人脸图像包括可见光人脸图像和红外人脸图像，所述样本人脸图像的标注信息用于指示对应的样本人脸图像所包含的人脸所属的用户对象；
训练单元，用于通过训练操作对人脸识别模型对应的神经网络进行训练，得到人脸识别模型；
所述训练操作包括：利用所述人脸识别模型对应的神经网络对所述样本人脸图像进行人脸识别，得到样本人脸图像所包含的人脸所属用户对象的预测结果，基于所述样本人脸图像的预测结果与所述样本人脸图像的标注信息之间的差异，迭代调整所述人脸识别模型对应的神经网络的参数值，以使对所述样本人脸图像的预测结果与对所述样本人脸图像的标注信息之间的差异满足预设的收敛条件。
7.根据权利要求6所述的装置，其中，所述训练单元进一步用于按照如下方式得到样本人脸图像所包含的人脸所属用户对象的预测结果：
基于所述训练样本集构建由可见光人脸图像和红外人脸图像构成的样本图像对；
基于所述样本图像对中的可见光人脸图像和红外人脸图像的标注信息确定所述样本图像对的标注信息，所述样本图像对的标注信息用于指示所述样本图像对中的可见光人脸图像和红外人脸图像所包含的人脸是否属于同一用户对象；
将所述样本图像对输入所述人脸识别模型对应的神经网络，得到所述样本图像对所包含的人脸所属用户对象的预测结果；以及
所述训练单元进一步用于按照如下方式迭代调整所述人脸识别模型对应的神经网络的参数值，以使对所述样本人脸图像的预测结果与对所述样本人脸图像的标注信息之间的差异满足预设的收敛条件：
基于所述样本图像对所包含的人脸所属用户对象的预测结果确定所述样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果，基于所述样本图像对中的图像所包含的人脸是否属于同一用户对象的预测结果和所述样本图像对的标识信息之间的差异，迭代调整所述人脸识别模型对应的神经网络的参数，以使对所述样本图像对的预测结果与对所述样本图像对的标注信息之间的差异满足预设的收敛条件。
8.根据权利要求7所述的装置，其中，所述训练单元进一步用于按照如下方式得到所述样本图像对所包含的人脸所属用户对象的预测结果：
将所述样本图像对中的可见光人脸图像和红外人脸图像的各颜色通道的图像数据相连接，得到连接后的图像数据；
利用所述待训练的人脸识别模型对应的神经网络对连接后的图像数据进行特征提取和分类，得到所述样本图像对所包含的人脸所属用户对象的预测结果。
9.根据权利要求7所述的装置，其中，所述人脸识别模型对应的神经网络包括可见光特征提取网络、红外特征提取网络以及全连接层；
所述训练单元进一步用于按照如下方式得到所述样本图像对所包含的人脸所属用户对象的预测结果：
将所述样本图像对中的可见光人脸图像输入所述可见光特征提取网络，得到所述可见光人脸图像的特征；
将所述样本图像对中的红外人脸图像输入所述红外特征提取网络，得到所述红外人脸图像的特征；
利用全连接层将所述可见光人脸图像的特征和所述红外人脸图像的特征连接，得到所述样本图像对的特征；
基于所述样本图像对的特征得出所述样本图像对所包含的人脸所属用户对象的预测结果。
10.根据权利要求6所述的装置，其中，所述待训练的人脸识别模型对应的神经网络包括可见光人脸识别网络和红外人脸识别网络；
所述训练单元进一步用于按照如下方式得到样本人脸图像所包含的人脸所属用户对象的预测结果：
将所述样本图像中的可见光人脸图像和红外人脸图像分别对应地输入所述可见光人脸识别网络和红外人脸识别网络，得到所述可见光人脸识别网络对所述可见光人脸图像所包含的人脸所属用户对象的预测结果，和所述红外人脸识别网络对所述红外人脸图像所包含的人脸所属用户对象的预测结果；以及
所述训练单元进一步用于按照如下方式迭代调整所述人脸识别模型对应的神经网络的参数值，以使对所述样本人脸图像的预测结果与对所述样本人脸图像的标注信息之间的差异满足预设的收敛条件：
基于预设的损失函数，迭代调整所述可见光人脸识别网络和所述红外人脸识别网络的参数值，以使所述损失函数的值满足预设的收敛条件，其中，所述损失函数包括第一预测误差函数和第二预测误差函数，所述第一误差函数的值用于表征可见光人脸识别网络对可见光人脸图像的预测结果与可见光人脸图像的标注信息之间的差异，所述第二误差函数的值用于表征红外人脸识别网络对红外人脸图像的预测结果与红外人脸图像的标注信息之间的差异。
11.一种电子设备，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1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201810286240.0A 2018-03-30 2018-03-30 模型生成方法和装置 Active CN108427939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810286240.0A CN108427939B (zh) 2018-03-30 2018-03-30 模型生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810286240.0A CN108427939B (zh) 2018-03-30 2018-03-30 模型生成方法和装置

Publications (2)

Publication Number Publication Date
CN108427939A true CN108427939A (zh) 2018-08-21
CN108427939B CN108427939B (zh) 2022-09-23

Family

ID=63160157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810286240.0A Active CN108427939B (zh) 2018-03-30 2018-03-30 模型生成方法和装置

Country Status (1)

Country Link
CN (1) CN108427939B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558952A (zh) * 2018-11-27 2019-04-02 北京旷视科技有限公司 数据处理方法、系统、设备及存储介质
CN109840475A (zh) * 2018-12-28 2019-06-04 深圳奥比中光科技有限公司 人脸识别方法及电子设备
CN110443222A (zh) * 2019-08-14 2019-11-12 北京百度网讯科技有限公司 用于训练脸部关键点检测模型的方法和装置
CN110781856A (zh) * 2019-11-04 2020-02-11 浙江大华技术股份有限公司 异质人脸识别模型训练方法、人脸识别方法及相关装置
CN110956127A (zh) * 2019-11-28 2020-04-03 重庆中星微人工智能芯片技术有限公司 用于生成特征向量的方法、装置、电子设备和介质
CN111046757A (zh) * 2019-11-27 2020-04-21 西安电子科技大学 人脸画像生成模型的训练方法、装置及相关设备
CN111104987A (zh) * 2019-12-25 2020-05-05 三一重工股份有限公司 人脸识别方法、装置及电子设备
CN111126121A (zh) * 2018-11-01 2020-05-08 百度在线网络技术（北京）有限公司 人脸识别模型的调整方法、装置、设备及存储介质
CN111444255A (zh) * 2018-12-29 2020-07-24 杭州海康存储科技有限公司 一种数据模型的训练方法及装置
WO2020156004A1 (zh) * 2019-02-01 2020-08-06 阿里巴巴集团控股有限公司 模型训练方法、装置及系统
CN111539903A (zh) * 2020-04-16 2020-08-14 北京百度网讯科技有限公司 训练人脸图像合成模型的方法和装置
CN111582381A (zh) * 2020-05-09 2020-08-25 北京市商汤科技开发有限公司 确定性能参数的方法及装置、电子设备和存储介质
CN111582066A (zh) * 2020-04-21 2020-08-25 浙江大华技术股份有限公司 异质人脸识别模型训练方法、人脸识别方法及相关装置
CN111767832A (zh) * 2020-06-28 2020-10-13 北京百度网讯科技有限公司 模型生成方法、装置、电子设备及存储介质
CN111782550A (zh) * 2020-07-31 2020-10-16 支付宝(杭州)信息技术有限公司 基于用户隐私保护训练指标预测模型的方法及装置
CN112001372A (zh) * 2020-09-30 2020-11-27 苏州科达科技股份有限公司 人脸识别模型生成和人脸识别方法、系统、设备及介质
CN112308883A (zh) * 2020-11-26 2021-02-02 哈尔滨工程大学 一种基于可见光和红外图像的多船舶融合跟踪方法
US20210319308A1 (en) * 2020-04-13 2021-10-14 Uchicago Argonne, Llc Systems and methods for active learning from sparse training data
US11651839B2 (en) 2020-03-02 2023-05-16 Uchicago Argonne, Llc Systems and methods for generating phase diagrams for metastable material states
US11663494B2 (en) 2019-12-05 2023-05-30 Uchicago Argonne, Llc Systems and methods for hierarchical multi-objective optimization

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100217595A1 (en) * 2009-02-24 2010-08-26 Korea Institute Of Science And Technology Method For Emotion Recognition Based On Minimum Classification Error
CN103400108A (zh) * 2013-07-10 2013-11-20 北京小米科技有限责任公司 人脸识别方法、装置和移动终端
CN105335712A (zh) * 2015-10-26 2016-02-17 小米科技有限责任公司 图像识别方法、装置及终端
CN106485230A (zh) * 2016-10-18 2017-03-08 中国科学院重庆绿色智能技术研究院 基于神经网络的人脸检测模型的训练、人脸检测方法及系统
CN107154023A (zh) * 2017-05-17 2017-09-12 电子科技大学 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法
CN107609459A (zh) * 2016-12-15 2018-01-19 平安科技（深圳）有限公司 一种基于深度学习的人脸识别方法及装置
CN107679451A (zh) * 2017-08-25 2018-02-09 百度在线网络技术（北京）有限公司 建立人脸识别模型的方法、装置、设备和计算机存储介质
CN107704838A (zh) * 2017-10-19 2018-02-16 北京旷视科技有限公司 目标对象的属性识别方法及装置
CN107784296A (zh) * 2017-11-21 2018-03-09 中山大学 一种低分辨率图像的人脸识别方法
CN107832735A (zh) * 2017-11-24 2018-03-23 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置
CN107844784A (zh) * 2017-12-08 2018-03-27 广东美的智能机器人有限公司 人脸识别方法、装置、计算机设备和可读存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100217595A1 (en) * 2009-02-24 2010-08-26 Korea Institute Of Science And Technology Method For Emotion Recognition Based On Minimum Classification Error
CN103400108A (zh) * 2013-07-10 2013-11-20 北京小米科技有限责任公司 人脸识别方法、装置和移动终端
CN105335712A (zh) * 2015-10-26 2016-02-17 小米科技有限责任公司 图像识别方法、装置及终端
CN106485230A (zh) * 2016-10-18 2017-03-08 中国科学院重庆绿色智能技术研究院 基于神经网络的人脸检测模型的训练、人脸检测方法及系统
CN107609459A (zh) * 2016-12-15 2018-01-19 平安科技（深圳）有限公司 一种基于深度学习的人脸识别方法及装置
CN107154023A (zh) * 2017-05-17 2017-09-12 电子科技大学 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法
CN107679451A (zh) * 2017-08-25 2018-02-09 百度在线网络技术（北京）有限公司 建立人脸识别模型的方法、装置、设备和计算机存储介质
CN107704838A (zh) * 2017-10-19 2018-02-16 北京旷视科技有限公司 目标对象的属性识别方法及装置
CN107784296A (zh) * 2017-11-21 2018-03-09 中山大学 一种低分辨率图像的人脸识别方法
CN107832735A (zh) * 2017-11-24 2018-03-23 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置
CN107844784A (zh) * 2017-12-08 2018-03-27 广东美的智能机器人有限公司 人脸识别方法、装置、计算机设备和可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JOSEPH ANTONY: "Automatic Detection of Knee Joints and Quantification of Knee Osteoarthritis Severity Using Convolutional Neural Networks", 《INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND DATA MINING IN PATTERN RECOGNITION》 *
SATOSHI IIZUKA: "Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image Colorization with Simultaneous Classification", 《ACM TRANSACTIONS ON GRAPHICS》 *
刘典婷: "红外与可见光人脸图像的融合识别算法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
赵云丰: "基于决策融合的红外与可见光图像人脸识别研究", 《万方数据知识服务平台》 *

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126121B (zh) * 2018-11-01 2023-04-04 百度在线网络技术（北京）有限公司 人脸识别模型的调整方法、装置、设备及存储介质
CN111126121A (zh) * 2018-11-01 2020-05-08 百度在线网络技术（北京）有限公司 人脸识别模型的调整方法、装置、设备及存储介质
CN109558952A (zh) * 2018-11-27 2019-04-02 北京旷视科技有限公司 数据处理方法、系统、设备及存储介质
CN109840475A (zh) * 2018-12-28 2019-06-04 深圳奥比中光科技有限公司 人脸识别方法及电子设备
CN111444255B (zh) * 2018-12-29 2023-09-22 杭州海康存储科技有限公司 一种数据模型的训练方法及装置
CN111444255A (zh) * 2018-12-29 2020-07-24 杭州海康存储科技有限公司 一种数据模型的训练方法及装置
CN111523673B (zh) * 2019-02-01 2021-07-27 创新先进技术有限公司 模型训练方法、装置及系统
US11176469B2 (en) 2019-02-01 2021-11-16 Advanced New Technologies Co., Ltd. Model training methods, apparatuses, and systems
WO2020156004A1 (zh) * 2019-02-01 2020-08-06 阿里巴巴集团控股有限公司 模型训练方法、装置及系统
CN111523673A (zh) * 2019-02-01 2020-08-11 阿里巴巴集团控股有限公司 模型训练方法、装置及系统
CN110443222A (zh) * 2019-08-14 2019-11-12 北京百度网讯科技有限公司 用于训练脸部关键点检测模型的方法和装置
CN110781856B (zh) * 2019-11-04 2023-12-19 浙江大华技术股份有限公司 异质人脸识别模型训练方法、人脸识别方法及相关装置
CN110781856A (zh) * 2019-11-04 2020-02-11 浙江大华技术股份有限公司 异质人脸识别模型训练方法、人脸识别方法及相关装置
CN111046757B (zh) * 2019-11-27 2024-03-05 西安电子科技大学 人脸画像生成模型的训练方法、装置及相关设备
CN111046757A (zh) * 2019-11-27 2020-04-21 西安电子科技大学 人脸画像生成模型的训练方法、装置及相关设备
CN110956127A (zh) * 2019-11-28 2020-04-03 重庆中星微人工智能芯片技术有限公司 用于生成特征向量的方法、装置、电子设备和介质
US11663494B2 (en) 2019-12-05 2023-05-30 Uchicago Argonne, Llc Systems and methods for hierarchical multi-objective optimization
CN111104987A (zh) * 2019-12-25 2020-05-05 三一重工股份有限公司 人脸识别方法、装置及电子设备
US11651839B2 (en) 2020-03-02 2023-05-16 Uchicago Argonne, Llc Systems and methods for generating phase diagrams for metastable material states
US20210319308A1 (en) * 2020-04-13 2021-10-14 Uchicago Argonne, Llc Systems and methods for active learning from sparse training data
US11710038B2 (en) * 2020-04-13 2023-07-25 Uchicago Argonne, Llc Systems and methods for active learning from sparse training data
CN111539903A (zh) * 2020-04-16 2020-08-14 北京百度网讯科技有限公司 训练人脸图像合成模型的方法和装置
CN111539903B (zh) * 2020-04-16 2023-04-07 北京百度网讯科技有限公司 训练人脸图像合成模型的方法和装置
CN111582066A (zh) * 2020-04-21 2020-08-25 浙江大华技术股份有限公司 异质人脸识别模型训练方法、人脸识别方法及相关装置
CN111582066B (zh) * 2020-04-21 2023-10-03 浙江大华技术股份有限公司 异质人脸识别模型训练方法、人脸识别方法及相关装置
CN111582381B (zh) * 2020-05-09 2024-03-26 北京市商汤科技开发有限公司 确定性能参数的方法及装置、电子设备和存储介质
CN111582381A (zh) * 2020-05-09 2020-08-25 北京市商汤科技开发有限公司 确定性能参数的方法及装置、电子设备和存储介质
CN111767832A (zh) * 2020-06-28 2020-10-13 北京百度网讯科技有限公司 模型生成方法、装置、电子设备及存储介质
CN111782550A (zh) * 2020-07-31 2020-10-16 支付宝(杭州)信息技术有限公司 基于用户隐私保护训练指标预测模型的方法及装置
CN112001372A (zh) * 2020-09-30 2020-11-27 苏州科达科技股份有限公司 人脸识别模型生成和人脸识别方法、系统、设备及介质
CN112001372B (zh) * 2020-09-30 2023-02-03 苏州科达科技股份有限公司 人脸识别模型生成和人脸识别方法、系统、设备及介质
CN112308883A (zh) * 2020-11-26 2021-02-02 哈尔滨工程大学 一种基于可见光和红外图像的多船舶融合跟踪方法

Also Published As

Publication number Publication date
CN108427939B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN108427939A (zh) 模型生成方法和装置
CN108520220A (zh) 模型生成方法和装置
CN108491805B (zh) 身份认证方法和装置
CN108038469A (zh) 用于检测人体的方法和装置
CN110189192A (zh) 一种信息推荐模型的生成方法及装置
CN109255830A (zh) 三维人脸重建方法和装置
CN107578017A (zh) 用于生成图像的方法和装置
CN107516090A (zh) 一体化人脸识别方法和系统
CN107633218A (zh) 用于生成图像的方法和装置
CN108446651A (zh) 人脸识别方法和装置
CN108898185A (zh) 用于生成图像识别模型的方法和装置
CN110175555A (zh) 人脸图像聚类方法和装置
CN107590807A (zh) 用于检测图像质量的方法和装置
CN110443222A (zh) 用于训练脸部关键点检测模型的方法和装置
CN108416326A (zh) 人脸识别方法和装置
CN107609506A (zh) 用于生成图像的方法和装置
CN109410253B (zh) 用于生成信息的方法、装置、电子设备和计算机可读介质
CN108509892A (zh) 用于生成近红外图像的方法和装置
CN108197592A (zh) 信息获取方法和装置
CN108491823A (zh) 用于生成人眼识别模型的方法和装置
CN109344752A (zh) 用于处理嘴部图像的方法和装置
CN107958247A (zh) 用于人脸图像识别的方法和装置
CN108960110A (zh) 用于生成信息的方法和装置
CN108363999A (zh) 基于人脸识别的操作执行方法和装置
CN108985954A (zh) 一种建立各标识的关联关系的方法以及相关设备

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
GR01 Patent grant
GR01 Patent grant