CN110414376B - 更新人脸识别模型的方法、人脸识别相机及服务器 - Google Patents

Abstract

本申请公开了一种更新人脸识别模型的方法、人脸识别相机及服务器，该方法包括：获取人脸图像；将人脸图像发送给服务器，以使服务器利用人脸图像作为训练样本，训练人脸识别模型；接收服务器发送来的新的人脸识别模型，使用新的人脸识别模型更新替换旧的人脸识别模型。通过上述方式，本申请能够提高人脸识别相机的识别率。

Description

更新人脸识别模型的方法、人脸识别相机及服务器

技术领域

本申请涉及人工智能技术领域，特别是涉及更新人脸识别模型的方法、人脸识别相机及服务器。

背景技术

人脸识别是一种将输入的人脸图像与人脸库中的基准人脸进行比对并确定身份的技术。由于人脸是区分不同人的关键身份信息之一，因此人脸识别是较指纹、视网膜和虹膜等识别技术更自然、更直接的一种识别方式，已在多个领域如视频监控、签到系统、人机交互、系统开机等得到广泛应用。

本申请的发明人在长期的研发过程中，发现随着时间推移，人脸会发生一些变化，导致识别率降低。为了提高识别率，目前一般会选择更新人脸库，但是人脸库的更新，只能提高识别时的比对成功率，并不能实质解决识别能力下降的问题。

发明内容

本申请主要解决的技术问题是提供一种更新人脸识别模型的方法、人脸识别相机及服务器，能够提高人脸识别相机的识别率。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种更新人脸识别模型的方法，该方法包括：获取人脸图像；将人脸图像发送给服务器，以使服务器利用人脸图像作为训练样本，训练人脸识别模型；接收服务器发送来的新的人脸识别模型，使用新的人脸识别模型更新替换旧的人脸识别模型。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种更新人脸识别模型的方法，该方法包括：接收人脸图像，将人脸图像存入人脸训练库，人脸图像是由人脸识别相机提供的；基于人脸训练库，训练得到人脸识别模型；将人脸识别模型发送给人脸识别相机。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种人脸识别相机，该人脸识别相机包括摄像头、处理器、存储器和通信电路，处理器耦接摄像头、处理器和通信电路，摄像头用于获取人脸图像，存储器用于存储程序，处理器用于执行所述程序实现上述的更新人脸识别模型的方法。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种服务器，该服务器包括处理器、存储器和通信电路，处理器耦接存储器和通信电路，存储器用于存储程序，处理器用于执行所述程序实现上述的更新人脸识别模型的方法。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种具有存储功能的装置，所述装置存储有程序，所述程序被执行时能够实现上述的更新人脸识别模型的方法。

本申请的有益效果是：区别于现有技术的情况，本申请将人脸识别相机在应用过程中采集到的人脸图像作为训练样本进行人脸识别模型的训练，能够使所得人脸识别模型更适用于人脸识别相机的应用场景，进而使所得的人脸识别模型更准确。且随着人脸识别相机使用时长的增加，可以不断更新人脸图像库，即不断更新人脸训练库，更新训练新的人脸识别模型，能够实现人脸识别模型的更新，使人脸识别模型随着时间和人脸的变化而变化，提高人脸识别相机的识别率。

附图说明

图1是本申请更新人脸识别模型的方法第一实施方式的流程示意图；

图2是本申请更新人脸识别模型的方法第二实施方式的流程示意图；

图3是本申请更新人脸识别模型的方法第三实施方式的流程示意图；

图4是本申请人脸识别相机第一实施方式的结构示意图；

图5是本申请服务器第一实施方式的结构示意图；

图6是本申请具有存储功能的装置第一实施方式的结构示意图。

具体实施方式

为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。

本申请提供一种更新人脸识别模型的方法，请参阅图1，图1是本申请更新人脸识别模型的方法第一实施方式的流程示意图。在该实施方式中，更新人脸识别模型的方法包括如下步骤：

S101：获取人脸图像。

其中，人脸识别相机可以在进行人脸识别时拍摄获取人脸图像，也可以通过用户输入或其他设备发送的方式来获取人脸图像。

S102：将人脸图像发送给服务器，以使服务器利用人脸图像作为训练样本，训练人脸识别模型。

其中，可以是获取到人脸图像后，时时的将人脸图像发送给服务器，也可以设置按照预定方式将人脸图像发送给服务器。如可以设定每天发送一次(即按照预定时间间隔发送)，如每天晚上十一点将这一天获取的人脸图像一起打包发送给服务器。也可以设定当人脸图像的数量满50张后(即按照预定数量间隔发送)，一起打包发送给服务器，具体发送方式可以适应性设置，在此不作限定。

S103：接收服务器发送来的新的人脸识别模型，使用新的人脸识别模型更新替换旧的人脸识别模型。

该实施方式中，将人脸识别相机在应用过程中采集到的人脸图像作为训练样本进行人脸识别模型的训练，能够使所得人脸识别模型更适用于人脸识别相机的应用场景，进而使所得的人脸识别模型更准确。且随着人脸识别相机使用时长的增加，可以不断更新人脸图像库，即不断更新人脸训练库，更新训练新的人脸识别模型，能够实现人脸识别模型的更新，使人脸识别模型随着时间和人脸的变化而变化。通过这种方法，能够提高人脸识别相机的识别率，从根本上实质解决识别率下降的问题。

基于此，本申请提供一种人脸识别系统，该人脸识别系统包括人脸识别相机和服务器，人脸识别相机用于拍摄获取人脸图像、进行人脸识别等。服务器用于存储人脸训练库，并进行人脸识别模型的训练。请参阅图2，图2是本申请更新人脸识别模型的方法第二实施方式的流程示意图。在该实施方式中，以人脸识别相机应用于某小区的门禁系统为例，对更新人脸识别模型的方法进行说明，但不限于此，也可以将人脸识别相机应用于其他任意需要身份验证的地方。更新人脸识别模型的方法包括如下步骤：

人脸识别相机与服务器建立连接。可以通过有线或无线的方式建立连接，如蓝牙、Wi-Fi等，在此不作限定。

人脸识别相机在初次使用时，预先存储有人脸识别模型，该人脸识别模型是供应商通过随机获取的人脸图像作为样本训练出来的。使用前还应录入人脸库，即以该小区的住户的人脸图像建立人脸库。

人脸识别相机工作时，拍摄获取人脸图像，将人脸图像与人脸库的基准人脸进行比对，若比对成功，则开门放行；若比对失败，则不开门。

随着时间推移，住户的人脸会发生一些变化，如小孩长大了，大人变老了；同时住户也会发生变化，如房屋买卖带来的业主变更，房屋租赁带来的租客变更等。这都将导致人脸识别相机的识别率下降。若识别率是人脸变化导致的，可以通过更新人脸库来提高比对成功率，进而也会提高识别率。但是若识别率下降是用户发生变化所带来的，更新人脸库并不能实质解决识别率下降的问题，这说明目前的人脸识别模型已经不再适用于该应用场景。这是因为初始的人脸识别模型，是利用随机的人脸图像作为样本训练出来的，有一定的使用限制，并不一定适用于所有人脸的识别。随着人脸的变化，其不能识别的概率也就增大，即识别率降低。

人脸识别相机在进行人脸识别时会获取大量人脸图像，且这些人脸图像都是需要识别的目标对象，该实施方式中，将利用这些人脸图像作为训练样本，来训练人脸识别模型，并利用训练出来的新的人脸识别模型，更新替换旧的人脸识别模型，使人脸识别模型更贴近应用场景，识别率更高。

具体地，人脸识别相机拍摄获取人脸图像，对人脸图像进行标识。通过对人脸图像的标识，便于服务器对人脸图像样本管理和使用。

将人脸图像与基准人脸进行比对，若比对成功，则将与该基准人脸相关联的身份信息作为标识信息对该人脸图像进行标识。身份信息可以是用户名、身份证号码、手机号码、门牌号码等能够唯一确认用户身份的信息。

若比对失败，则判断是否存在关联识别设备，以从关联识别设备处获取身份信息，将获得的身份信息作为标识信息对人脸图像进行标识。其中，关联识别设备用于识别身份信息，如可以是指纹识别器或芯片识别器等。即如果人脸识别失败，可以尝试通过其他与身份绑定的通行凭证(如指纹、IC卡等)通行。即为了提高通行效率，防止人员拥堵，除了人脸识别闸机外，还可以设置其他闸机控制方法。此时，可以通过其他通行凭证查询到用户身份信息，对人脸图像进行标识。通过关联识别设备，在人脸识别失败时，也能准确快速的对人脸图像进行标识。

在其他实施方式中，还可以通过标识指令对人脸图像进行标识，其中，标识指令携带标识信息，利用该标识信息对人脸图像进行标识。如当识别失败时，可能是该用户是新用户，尚未录入人脸库，可以通过管理员进行基准人脸的录入，然后再进行标识。如虽然识别成功，但是管理员发现，该人并不是目标用户，而是人脸识别相机的误判，可以通过管理员修改标识信息。另，对于一些经常出现识别失败的人脸图像，或经常出现误判的人脸图像，还可以通过管理员增加附加标识，服务器在训练人脸识别模型时，可以将这些带有附加标识的样本作为负样本。

将带有标识信息的人脸图像发送给服务器。其中，具体发送方式请参阅上述实施方式的描述，另在将人脸图像发送给服务器前，还可以对人脸图像进行筛选，如一天内同一人表情相近的图像只发送一次，但应保留表情差异较大的图像。通过这种方式，能够在提高识别率的情况下，尽量减少相同的、无效的样本数量，降低人脸识别相机及服务器的性能消耗。

在一实施方式中，在将人脸图像发送给服务器的同时，还可以以这些人脸图像为样本在本地建立抓拍库，以作为临时人脸库使用。具体请参阅下述实施方式的描述。

服务器将接收到的人脸图像存入人脸训练库中，以训练人脸识别模型。

具体地，在接收到人脸图像之后，可以利用各种分析方法得到人脸图像的人脸特征图，如采用图像处理的方法来确定人脸特征图。例如可以通过光线补偿、图像灰度化、高斯平滑、相似度计算以及二值化等过程来确定人脸特征图，得到训练样本集合。人脸特征图是指可以描述一个对象的面部颜色特征、纹理特征、形状特征和面部的各部位的相对位置关系特征的图像，如可以是二维图像。其中，训练样本集合中应包括正样本和负样本，人脸图像中的任意一个样本都可以是负样本。特别地，可以将经常出现识别失败的、误检的等带有附加标识的样本作为负样本。

将训练样本集合中的各训练样本输入到初始人脸识别模型中对初始人脸识别模型进行训练，得到训练后的人脸识别模型，人脸识别模型用于识别输入到其中的人脸图像是否是目标图像。该实施方式中，初始人脸识别模型可以是人脸识别相机正在使用中的人脸识别模型，在这基础上进行训练更新，能够减少训练的过程步骤。

上述人脸识别模型可以为人工神经网络模型、支持向量机等其他非神经网络模型等。如可以是卷积神经网络模型。卷积神经网络(Convolutional Neural Network，CNN)是深度人工神经网络的一种，通常卷积神经网络可以包括多个特征提取层(又称卷积层)以及多个下采样层(又称池化层，Pooling层)。其中，特征提取层与下采样层交替连接。每一个特征提取层可以包括至少一个卷积核。对于一个特征提取层，使用该层的一个卷积核与前一层的输出进行卷积得到一个特征图。下采样层，用来对与其连接的特征提取层的输出的卷积结果求局部平均和降维处理。其中，特征提取层中的卷积核中包括多个权值。卷积核中的权值可以由多个样本训练得到。卷积神经网络的每一个卷积核对图像提取特征图时都利用局部权值共享，可以降低神经网络模型的复杂度。

在一实施方式中，可以设置预定时间内(如每三个月)更新训练一次，也可以在接收到更新人脸识别模型指令后再训练，更新人脸识别模型指令可以是人脸识别相机发送来的。训练所用的样本可以是前一次模型更新后至收到更新指令之间所获取的人脸图像；也可以是从开始收集人脸图像至今所存储的所有人脸图像，还可以按照时间或用户限定去选择样本，应以样本差异较大为原则去选取样本。

具体地，可计算人脸识别相机的识别率，判断识别率是否小于或等于第一预设值；若识别率小于或等于第一预设值，则生成更新人脸识别模型指令，并将该指令发送给服务器。识别率可通过如下方法计算得出。

设定检测周期C，人脸相似度在一个检测周期C中的标准方差为K，以人脸识别相机启动后第一个检测周期为基准，算出标准方差的基准值为K₀，随后第i周期的标准方差为K_i，当|K_i-K₀|/K₀>P时，则认为该人脸识别相机的识别率处于下降趋势，其中P为预定义阀值(第一预设值)。

当检测发现识别率下降时，还可以判断是因为人脸库未及时更新而导致的，还是因为人脸识别模型未及时更新而导致的。

定义相似度阀值T，当相似度超过T时，则认为比对成功，通过人脸验证；定义相似度及格线R，当相似度低于R时，则认为比对失败。即相似度阈值和相似度及格线是判定是否比对成功的最高和最低阈值。

具体地，获取人脸图像，将其与人脸库中的基准人脸进行比对，获得第一相似度，即第一相似度是人脸图像与人脸库中基准人脸比对的相似度；将第一相似度与相似度阈值和相似度及格线进行比较，若第一相似度超过T，则认为比对成功；若第一相似度低于R，则认为比对失败。

若第一相似度在(R,T)范围内，则将人脸图像与抓拍库中的基准人脸进行比对，获得第二相似度，即第二相似度是人脸图像与抓拍库中基准人脸比对的相似度；并计算第一相似度与第二相似度的差值；若相似度差值大于或等于第二预设值(即相似度明显变大)，则说明当前人脸图像与人脸库中的基准人脸图像差异变大了，即识别率下降是因为人脸库未及时更新而导致的，说明需要更新人脸库。可以直接将抓拍库中的人脸图像替换原人脸库中的人脸图像，或者通知用户，重新录入人脸图像，进行人脸库的更新。

若相似度差值小于第二预设值(即相似度没有明显变化)，则说明当前人脸模型已不适用于识别该人脸图像，即识别率下降是因为人脸识别模型未及时更新而导致的，说明需要更新人脸识别模型，生成更新人脸识别模型指令并发送给服务器。

该实施方式中，不仅可以检测计算识别率，还能够检测导致识别率下降的原因，对应改进，能够提高人脸识别相机的识别率。

服务器在接收到指令后，训练人脸识别模型，并将训练好的人脸识别模型发送给人脸识别相机。

人脸识别相机接收服务器发送来的新的人脸识别模型，使用新的人脸识别模型更新替换旧的人脸识别模型。

以上方案，本申请所提供的方法，通过将人脸识别相机在进行人脸识别时获取的大量人脸图像作为训练样本，来训练人脸识别模型，并利用训练出来的新的人脸识别模型，更新替换旧的人脸识别模型，使人脸识别模型更贴近应用场景，识别率更高。同时还能够检测计算识别率，并判断导致识别率下降的原因，获知人脸识别相机的工作能力，及时更新人脸库或人脸识别模型。

请参阅图3，图3是本申请更新人脸识别模型的方法第三实施方式的流程示意图。在该实施方式中，更新人脸识别模型的方法包括如下步骤：

S301：接收人脸图像，将人脸图像存入人脸训练库，人脸图像是由人脸识别相机提供的。

在接收到人脸图像之后，可以利用各种分析方法得到人脸图像的人脸特征图，如采用图像处理的方法来确定人脸特征图。

S302：基于人脸训练库，训练得到人脸识别模型。

人脸识别模型可以为人工神经网络模型、支持向量机等其他非神经网络模型等，如可以是卷积神经网络模型。

S302：将人脸识别模型发送给人脸识别相机。

该方案是上述更新人脸识别模型的方法中服务器端的流程步骤，具体请参阅上述实施方式的描述，在此不再赘述。

基于此，本申请还提供一种人脸识别相机，请参阅图4，图4是本申请人脸识别相机第一实施方式的结构示意图。在该实施方式中，人脸识别相机40包括摄像头404、处理器401、存储器402和通信电路403，处理器401耦接摄像头404、存储器402和通信电路403，摄像头404用于获取人脸图像，存储器402用于存储程序，处理器401用于执行所述程序实现上述的更新人脸识别模型的方法。具体实施过程请参阅上述实施方式的描述，在此不再赘述。该人脸识别相机能够实现人脸识别模型的自动更新，识别率更高。

基于此，本申请还提供一种服务器，请参阅图5，图5是本申请服务器第一实施方式的结构示意图。在该实施方式中，服务器50包括处理器501、存储器502和通信电路503，处理器501耦接存储器502和通信电路503，存储器502用于存储程序，处理器501用于执行所述程序实现上述的更新人脸识别模型的方法。具体实施过程请参阅上述实施方式的描述，在此不再赘述。

该服务器可以为人脸识别相机提供人脸识别模型训练服务，可以根据协议，一对一的单独为一个人脸识别相机训练人脸识别模型，也可以同时为多个人脸识别相机训练人脸识别模型，在此不作限定。服务器可以是硬件，也可以是软件。当服务器为硬件时，可以是单一服务器，也可以是多个服务器组成的分布式服务器集群。当服务器为软件时，可以是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或软件模块)，也可以是单个软件或软件模块，在此不作限定。

本申请还提供一种具有存储功能的装置，请参阅图6，图6是本申请具有存储功能的装置第一实施方式的结构示意图。在该实施方式中，存储装置60存储有程序601，程序601被执行时实现上述更新人脸识别模型的方法。具体工作过程请参阅上述方法实施例的描述，故在此不再赘述，详细请参阅以上对应方法步骤的说明。其中具有存储功能的装置可以是便携式存储介质如U盘、光盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟等各种可以存储程序代码的介质，也可以是终端、服务器等。

在本申请所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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，本申请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全部或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)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种更新人脸识别模型的方法，其特征在于，所述方法包括：

获取人脸图像；

将所述人脸图像发送给服务器；

确定人脸识别相机对人脸图像的识别率下降，且利用所述人脸图像与设置的基准人脸的相似度确认所述识别率下降是由于人脸识别模型未及时更新而导致，生成更新人脸识别模型指令，并将所述更新人脸识别模型指令发送给所述服务器，以使所述服务器利用所述人脸图像作为训练样本，训练人脸识别模型；

接收所述服务器发送来的新的人脸识别模型，使用所述新的人脸识别模型更新替换旧的人脸识别模型。

2.根据权利要求1所述的更新人脸识别模型的方法，其特征在于，

所述确定人脸识别相机对人脸图像的识别率下降，包括：

计算所述人脸识别相机对所述人脸图像的识别率；

判断所述识别率是否小于或等于第一预设值；

若所述识别率小于或等于所述第一预设值，则确定所述人脸识别相机对所述人脸图像的识别率下降。

3.根据权利要求2所述的更新人脸识别模型的方法，其特征在于，

所述方法还包括：

若所述识别率小于或等于所述第一预设值，则判断第一相似度是否在相似度阈值和相似度及格线之间，所述第一相似度是所述人脸图像与人脸库中基准人脸比对的相似度，所述相似度阈值和相似度及格线是判定是否比对成功的最高和最低阈值；

若所述第一相似度在所述相似度阈值和所述相似度及格线之间，则将所述人脸图像与抓拍库中的基准人脸进行比对获得第二相似度，并计算所述第一相似度与所述第二相似度的差值，所述第二相似度是人脸图像与抓拍库中基准人脸比对的相似度，所述抓拍库是以所述人脸识别相机拍摄获取的所述人脸图像为样本形成的人脸库；

若所述相似度差值小于第二预设值，则确认所述识别率下降是由于所述人脸识别模型未及时更新而导致，所述相似度差值是所述第一相似度与所述第二相似度之间的差值。

4.根据权利要求3所述的更新人脸识别模型的方法，其特征在于，

所述将所述人脸图像发送给服务器之前还包括：

对所述人脸图像进行标识。

5.根据权利要求4所述的更新人脸识别模型的方法，其特征在于，

所述对所述人脸图像进行标识包括：

将所述人脸图像与所述人脸库中的基准人脸进行比对；

若比对失败，则判断是否存在关联识别设备，所述关联识别设备用于识别身份信息；

若存在所述关联识别设备，则从所述关联识别设备处获取身份信息，将获得的身份信息作为标识信息对所述人脸图像进行标识。

6.根据权利要求4所述的更新人脸识别模型的方法，其特征在于，

所述对所述人脸图像进行标识包括：

将所述人脸图像与所述人脸库中的基准人脸进行比对；

若比对成功，则将与所述基准人脸相关联的身份信息作为标识信息对所述人脸图像进行标识。

7.一种更新人脸识别模型的方法，其特征在于，所述方法包括：

接收人脸图像，将所述人脸图像存入人脸训练库，所述人脸图像是由人脸识别相机提供的；

在接收到更新人脸识别模型指令时，基于所述人脸训练库，训练得到人脸识别模型，其中，所述人脸识别相机确定自身对所述人脸图像的识别率下降，且利用所述人脸图像与设置的基准人脸的相似度确认所述识别率下降是由于人脸识别模型未及时更新而导致，并生成所述更新人脸识别模型指令；

将所述人脸识别模型发送给所述人脸识别相机。

8.一种人脸识别相机，其特征在于，所述人脸识别相机包括摄像头、处理器、存储器和通信电路，所述处理器耦接所述摄像头、存储器和通信电路，所述摄像头用于获取人脸图像，所述存储器用于存储程序，所述处理器用于执行所述程序实现如权利要求1-6任一项所述的更新人脸识别模型的方法。

9.一种服务器，其特征在于，所述服务器包括处理器、存储器和通信电路，所述处理器耦接所述存储器和通信电路，所述存储器用于存储程序，所述处理器用于执行所述程序实现如权利要求7所述的更新人脸识别模型的方法。

10.一种具有存储功能的装置，其特征在于，所述装置存储有程序，所述程序被执行时能够实现如权利要求1-7任一项所述的更新人脸识别模型的方法。

Images