CN111738083A - 一种人脸识别模型的训练方法和装置 - Google Patents

一种人脸识别模型的训练方法和装置 Download PDF

Info

Publication number
CN111738083A
CN111738083A CN202010431157.5A CN202010431157A CN111738083A CN 111738083 A CN111738083 A CN 111738083A CN 202010431157 A CN202010431157 A CN 202010431157A CN 111738083 A CN111738083 A CN 111738083A
Authority
CN
China
Prior art keywords
training
training picture
face recognition
recognition model
quality
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
CN202010431157.5A
Other languages
English (en)
Other versions
CN111738083B (zh
Inventor
胡炳然
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.)
Unisound Intelligent Technology Co Ltd
Xiamen Yunzhixin Intelligent Technology Co Ltd
Original Assignee
Unisound Intelligent Technology Co Ltd
Xiamen Yunzhixin Intelligent 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 Unisound Intelligent Technology Co Ltd, Xiamen Yunzhixin Intelligent Technology Co Ltd filed Critical Unisound Intelligent Technology Co Ltd
Priority to CN202010431157.5A priority Critical patent/CN111738083B/zh
Publication of CN111738083A publication Critical patent/CN111738083A/zh
Application granted granted Critical
Publication of CN111738083B publication Critical patent/CN111738083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明公开了一种人脸识别模型的训练方法和装置，其中，方法包括：提取训练图片集中每个训练图片的评价参数值；根据每个训练图片的评价参数值计算得到每个训练图片的综合评价指标；通过构建的卷积神经网络提取每个训练图片对应的特征向量，并确定训练图片集中各个类别的类中心向量；根据每个训练图片的综合评价指标、对应的特征向量和类中心向量计算损失函数和损失函数的梯度值，以确定卷积神经网络的网络参数，得到目标人脸识别模型。通过该技术方案，将图像质量评价任务和人脸识别任务同时进行建模优化，提高了复杂光照场景下人脸识别系统的性能。

Description

一种人脸识别模型的训练方法和装置
技术领域
本发明涉及人脸识别技术领域，更具体地，涉及一种人脸识别模型的训练方法和装置。
背景技术
人脸识别是计算机模式识别和生物特征鉴别技术的一个热门研究课题，它被广泛应用于娱乐，信息安全，法律实施和监控等方面。一般来说，人脸识别主要是指在数字图像或视频图像中，通过人体面部视觉信息，进行人类身份鉴别的计算机技术。与指纹识别和掌纹识别等相比，人脸识别具有方便、快捷，易接受等特点。
目前，在复杂光照场景下，人脸识别系统一般会设置图像(预)处理环节，比如先通过设计图像质量评价模块，对不符合要求的图片进行筛选剔除。只有符合质量要求的图片，才会进行后续识别。
上述处理方式存在以下问题：图像质量评价和人脸识别作为两个独立的模块，信息不能相互沟通利用，即不能端到端的整体优化，存在人脸识别在复杂光照场景中识别率偏低的问题。
发明内容
鉴于上述问题，本发明提出了一种人脸识别模型的训练方法和相应的装置，其可以将图像质量评价融合进人脸识别模型训练过程中，使得输出结果不但包含人脸图片的身份类别信息，还包括质量信息，从而使人脸识别模型同时具有图像质量感知能力。
根据本发明实施例的第一方面，提供一种人脸识别模型的训练方法，包括：
提取训练图片集中每个训练图片的评价参数值，所述评价参数值包括：模糊度值、光照强度值、对比度值和饱和度值；
根据每个训练图片的评价参数值计算得到每个训练图片的综合评价指标；
通过构建的卷积神经网络提取所述每个训练图片对应的特征向量，并确定训练图片集中各个类别的类中心向量；
根据所述每个训练图片的综合评价指标、对应的特征向量和所述类中心向量计算损失函数和损失函数的梯度值，以确定所述卷积神经网络的网络参数，得到目标人脸识别模型。
在一个实施例中，优选地，所述方法还包括：
使用所述目标人脸识别模型对输入的图像进行处理，得到人脸特征向量；
根据所述人脸特征向量判断所述图像的质量是否符合预设质量；
当所述图像的质量符合预设质量时，通过所述目标人脸识别模型对所述图像进行人脸身份类别识别。
在一个实施例中，优选地，损失函数L采用以下公式进行计算:
L＝αLquality+Lsoftmax
其中，
Figure BDA0002500580040000021
Figure BDA0002500580040000031
Figure BDA0002500580040000032
Figure BDA0002500580040000033
Figure BDA0002500580040000034
qi＝qi(ai，bi，ci，di)
其中，α、s表示尺度因子，B表示一个批次训练图片的总数，K表示样本类别的总数，xi表示第i个训练图片的特征向量，wi表示第i类训练图片的类中心向量，
Figure BDA0002500580040000035
为xi的第d维分量，qi表示第i个训练图片的综合评价指标，ai表示第i个训练图片的模糊度值，bi表示第i个训练图片的光照强度值，ci表示第i个训练图片的对比度值，di表示第i个训练图片的饱和度值。
在一个实施例中，优选地，根据所述人脸特征向量判断所述图像的质量是否符合预设质量，包括：
计算所述人脸特征向量的模长；
当所述模长在预设范围内时，判断所述图像的质量符合预设质量。
在一个实施例中，优选地，当所述图像的质量符合预设质量时，通过所述目标人脸识别模型对所述图像进行人脸身份类别识别，包括：
当所述图像的质量符合预设质量时，对所述人脸特征向量进行归一化处理；
通过所述目标人脸识别模型对归一化处理后的人脸特征向量进行人脸身份类别识别。
根据本发明实施例的第二方面，提供一种人脸识别模型的训练装置，包括：
提取模块，用于提取训练图片集中每个训练图片的评价参数值，所述评价参数值包括：模糊度值、光照强度值、对比度值和饱和度值；
计算模块，用于根据每个训练图片的评价参数值计算得到每个训练图片的综合评价指标；
向量确定模块，用于通过构建的卷积神经网络提取所述每个训练图片对应的特征向量，并确定训练图片集中各个类别的类中心向量；
参数确定模块，用于根据所述每个训练图片的综合评价指标、对应的特征向量和所述类中心向量计算损失函数和损失函数的梯度值，以确定所述卷积神经网络的网络参数，得到目标人脸识别模型。
在一个实施例中，优选地，所述装置还包括：
处理模块，用于使用所述目标人脸识别模型对输入的图像进行处理，得到人脸特征向量；
判断模块，用于根据所述人脸特征向量判断所述图像的质量是否符合预设质量；
识别模块，用于当所述图像的质量符合预设质量时，通过所述目标人脸识别模型对所述图像进行人脸身份类别识别。
在一个实施例中，优选地，损失函数L采用以下公式进行计算:
L＝αLquality+Lsoftmax
其中，
Figure BDA0002500580040000051
Figure BDA0002500580040000052
Figure BDA0002500580040000053
Figure BDA0002500580040000054
Figure BDA0002500580040000055
qi＝qi(ai，bi，ci，di)
其中，α、s表示尺度因子，B表示一个批次训练图片的总数，K表示样本类别的总数，xi表示第i个训练图片的特征向量，wi表示第i类训练图片的类中心向量，
Figure BDA0002500580040000056
为xi的第d维分量，qi表示第i个训练图片的综合评价指标，ai表示第i个训练图片的模糊度值，bi表示第i个训练图片的光照强度值，ci表示第i个训练图片的对比度值，di表示第i个训练图片的饱和度值。
在一个实施例中，优选地，所述判断模块包括：
计算单元，用于计算所述人脸特征向量的模长；
判定单元，用于当所述模长在预设范围内时，判定所述图像的质量符合预设质量。
在一个实施例中，优选地，所述识别模块包括：
处理单元，用于当所述图像的质量符合预设质量时，对所述人脸特征向量进行归一化处理；
人脸识别单元，用于通过所述目标人脸识别模型对归一化处理后的人脸特征向量进行人脸身份类别识别。
本发明实施例中，将图像质量评价融合进人脸识别模型训练过程中，使得输出结果不但包含人脸图片的身份类别信息，还包括质量信息，从而使人脸识别模型同时具有图像质量感知能力，这样，前向推理过程不再需要额外设置图像质量评价模块，简化了人脸识别系统的处理流程，将图像质量评价任务和人脸识别任务同时进行建模优化，提高了复杂光照场景下人脸识别系统的性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种人脸识别模型的训练方法的流程图。
图2是本发明一个实施例的另一种人脸识别模型的训练方法的流程图。
图3是本发明一个实施例的另一种人脸识别模型的训练方法中步骤S202的流程图。
图4是本发明一个实施例的另一种人脸识别模型的训练方法中步骤S203的流程图。
图5是本发明一个实施例的一种人脸识别模型的训练装置的结构框图。
图6是本发明一个实施例的另一种人脸识别模型的训练装置的结构框图。
图7是本发明一个实施例的一种人脸识别模型的训练装置中判断模块的结构框图。
图8是本发明一个实施例的一种人脸识别模型的训练装置中识别模块的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明一个实施例的一种人脸识别模型的训练方法的流程图，如图1所示，人脸识别模型的训练方法包括：
步骤S101，提取训练图片集中每个训练图片的评价参数值，所述评价参数值包括：模糊度值、光照强度值、对比度值和饱和度值。
步骤S102，根据每个训练图片的评价参数值计算得到每个训练图片的综合评价指标。其中，可以将综合评价指标保存为标签值q，记第i个训练图片样本的综合评价指标值为qi＝qi(ai,bi,ci,di)。
步骤S103，通过构建的卷积神经网络提取所述每个训练图片对应的特征向量，并确定训练图片集中各个类别的类中心向量。
构建卷积神经网络，对训练图像提取特征，得到相应的n维特征向量x，记第i个样本的特征向量为xi∈Rn,xi的模长为
Figure BDA0002500580040000083
其中
Figure BDA0002500580040000084
为xi的第d维分量；特征层后面衔接的是全连接层，得到样本数据中各个类别的类中心向量W，设一共有K类样本，则W∈Rn×K,第i类样本的类中心向量记为wi∈Rn。
步骤S104，根据所述每个训练图片的综合评价指标、对应的特征向量和所述类中心向量计算损失函数和损失函数的梯度值，以确定所述卷积神经网络的网络参数，得到目标人脸识别模型。
在一个实施例中，优选地，损失函数L采用以下公式进行计算:
L＝αLquality+Lsoftmax
其中，
Figure BDA0002500580040000081
Figure BDA0002500580040000082
Figure BDA0002500580040000091
Figure BDA0002500580040000093
qi＝qi(ai,bi,ci，di)
其中，α、s表示尺度因子，B表示一个批次训练图片的总数，K表示样本类别的总数，xi表示第i个训练图片的特征向量，wi表示第i类训练图片的类中心向量，
Figure BDA0002500580040000094
为xi的第d维分量，qi表示第i个训练图片的综合评价指标，ai表示第i个训练图片的模糊度值，bi表示第i个训练图片的光照强度值，ci表示第i个训练图片的对比度值，di表示第i个训练图片的饱和度值。
在该实施例中，将图像质量评价融合进人脸识别模型训练过程中，使得输出结果不但包含人脸图片的身份类别信息，还包括质量信息，从而使人脸识别模型同时具有图像质量感知能力，这样，前向推理过程不再需要额外设置图像质量评价模块，简化了人脸识别系统的处理流程，将图像质量评价任务和人脸识别任务同时进行建模优化，提高复杂光照场景下人脸识别系统的性能。
图2是本发明一个实施例的另一种人脸识别模型的训练方法的流程图。
如图2所示，在一个实施例中，优选地，所述方法还包括：
步骤S201，使用所述目标人脸识别模型对输入的图像进行处理，得到人脸特征向量；
步骤S202，根据所述人脸特征向量判断所述图像的质量是否符合预设质量；
步骤S203，当所述图像的质量符合预设质量时，通过所述目标人脸识别模型对所述图像进行人脸身份类别识别。
在该实施例中，使用训练得到的目标人脸识别模型提取人脸特征向量，并且只需要根据特征向量就可以判断图像的质量是否符合预设质量，符合时，继续进行人脸识别，不符合则直接结束流程，不进行进一步的人脸识别。
图3是本发明一个实施例的另一种人脸识别模型的训练方法中步骤S202的流程图。
如图3所示，在一个实施例中，优选地，上述步骤S202包括：
步骤S301，计算所述人脸特征向量的模长；
步骤S302，当所述模长在预设范围内时，判断所述图像的质量符合预设质量。
在该实施例中，只需要通过判断人脸特征向量的模长是否在预设范围内就可以进行图像筛选，简化了图像筛选过程，前向推理过程不再需要额外设置图像质量评价模块，简化了人脸识别的处理流程。
图4是本发明一个实施例的另一种人脸识别模型的训练方法中步骤S203的流程图。
如图4所示，在一个实施例中，优选地，上述步骤S203包括：
步骤S401，当所述图像的质量符合预设质量时，对所述人脸特征向量进行归一化处理；
步骤S402，通过所述目标人脸识别模型对归一化处理后的人脸特征向量进行人脸身份类别识别。
通过上述技术方案，卷积神经网络本身具有提取一般图像质量信息的能力，因此利用卷积神经网络进行质量评价和人脸识别的多任务学习是可行的。通过预先制作图像质量标签并设计了一个多任务学习损失函数，实现了质量评价任务和人脸识别任务的端到端整体优化，质量评价可以辅助提高人脸识别准确率。将图像质量评价任务融合到训练过程中，前向推理过程不再需要额外设置图像质量评价模块，简化了人脸识别系统的处理流程。
图5是本发明一个实施例的一种人脸识别模型的训练装置的结构框图。
如图5所示，根据本发明实施例的第二方面，提供一种人脸识别模型的训练装置，包括：
提取模块51，用于提取训练图片集中每个训练图片的评价参数值，所述评价参数值包括：模糊度值、光照强度值、对比度值和饱和度值；
计算模块52，用于根据每个训练图片的评价参数值计算得到每个训练图片的综合评价指标；
向量确定模块53，用于通过构建的卷积神经网络提取所述每个训练图片对应的特征向量，并确定训练图片集中各个类别的类中心向量；
参数确定模块54，用于根据所述每个训练图片的综合评价指标、对应的特征向量和所述类中心向量计算损失函数和损失函数的梯度值，以确定所述卷积神经网络的网络参数，得到目标人脸识别模型。
图6是本发明一个实施例的另一种人脸识别模型的训练装置的结构框图。
如图6所示，在一个实施例中，优选地，所述装置还包括：
处理模块61，用于使用所述目标人脸识别模型对输入的图像进行处理，得到人脸特征向量；
判断模块62，用于根据所述人脸特征向量判断所述图像的质量是否符合预设质量；
识别模块63，用于当所述图像的质量符合预设质量时，通过所述目标人脸识别模型对所述图像进行人脸身份类别识别。
在一个实施例中，优选地，损失函数L采用以下公式进行计算:
L＝αLquality+Lsoftmax
其中，
Figure BDA0002500580040000121
Figure BDA0002500580040000122
Figure BDA0002500580040000123
Figure BDA0002500580040000124
Figure BDA0002500580040000125
qi＝qi(ai,bi，ci，di)
其中，α、s表示尺度因子，B表示一个批次训练图片的总数，K表示样本类别的总数，xi表示第i个训练图片的特征向量，wi表示第i类训练图片的类中心向量，
Figure BDA0002500580040000131
为xi的第d维分量，qi表示第i个训练图片的综合评价指标，ai表示第i个训练图片的模糊度值，bi表示第i个训练图片的光照强度值，ci表示第i个训练图片的对比度值，di表示第i个训练图片的饱和度值。
图7是本发明一个实施例的一种人脸识别模型的训练装置中判断模块的结构框图。
如图7所示，在一个实施例中，优选地，所述判断模块62包括：
计算单元71，用于计算所述人脸特征向量的模长；
判定单元72，用于当所述模长在预设范围内时，判定所述图像的质量符合预设质量。
图8是本发明一个实施例的一种人脸识别模型的训练装置中识别模块的结构框图。
如图8所示，在一个实施例中，优选地，所述识别模块63包括：
处理单元81，用于当所述图像的质量符合预设质量时，对所述人脸特征向量进行归一化处理；
人脸识别单元82，用于通过所述目标人脸识别模型对归一化处理后的人脸特征向量进行人脸身份类别识别。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，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例仅仅是示意性的，例如，所述单元的划分，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例方案的目的。
另外，在本发明各个实施例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。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
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步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种便捷式多功能设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种人脸识别模型的训练方法，其特征在于，包括：
提取训练图片集中每个训练图片的评价参数值，所述评价参数值包括：模糊度值、光照强度值、对比度值和饱和度值；
根据每个训练图片的评价参数值计算得到每个训练图片的综合评价指标；
通过构建的卷积神经网络提取所述每个训练图片对应的特征向量，并确定训练图片集中各个类别的类中心向量；
根据所述每个训练图片的综合评价指标、对应的特征向量和所述类中心向量计算损失函数和损失函数的梯度值，以确定所述卷积神经网络的网络参数，得到目标人脸识别模型。
2.根据权利要求1所述的人脸识别模型的训练方法，其特征在于，所述方法还包括：
使用所述目标人脸识别模型对输入的图像进行处理，得到人脸特征向量；
根据所述人脸特征向量判断所述图像的质量是否符合预设质量；
当所述图像的质量符合预设质量时，通过所述目标人脸识别模型对所述图像进行人脸身份类别识别。
3.根据权利要求1所述的人脸识别模型的训练方法，其特征在于，损失函数L采用以下公式进行计算：
L＝αLquality+Lsoftmax
其中，
Figure FDA0002500580030000011
Figure FDA0002500580030000012
Figure FDA0002500580030000013
Figure FDA0002500580030000021
Figure FDA0002500580030000022
qi＝qi(ai，bi，ci，di)
其中，α、s表示尺度因子，B表示一个批次训练图片的总数，K表示样本类别的总数，xi表示第i个训练图片的特征向量，wi表示第i类训练图片的类中心向量，
Figure FDA0002500580030000023
为xi的第d维分量，qi表示第i个训练图片的综合评价指标，ai表示第i个训练图片的模糊度值，bi表示第i个训练图片的光照强度值，ci表示第i个训练图片的对比度值，di表示第i个训练图片的饱和度值。
4.根据权利要求2所述的人脸识别模型的训练方法，其特征在于，根据所述人脸特征向量判断所述图像的质量是否符合预设质量，包括：
计算所述人脸特征向量的模长；
当所述模长在预设范围内时，判断所述图像的质量符合预设质量。
5.根据权利要求2所述的人脸识别模型的训练方法，其特征在于，当所述图像的质量符合预设质量时，通过所述目标人脸识别模型对所述图像进行人脸身份类别识别，包括：
当所述图像的质量符合预设质量时，对所述人脸特征向量进行归一化处理；
通过所述目标人脸识别模型对归一化处理后的人脸特征向量进行人脸身份类别识别。
6.一种人脸识别模型的训练装置，其特征在于，包括：
提取模块，用于提取训练图片集中每个训练图片的评价参数值，所述评价参数值包括：模糊度值、光照强度值、对比度值和饱和度值；
计算模块，用于根据每个训练图片的评价参数值计算得到每个训练图片的综合评价指标；
向量确定模块，用于通过构建的卷积神经网络提取所述每个训练图片对应的特征向量，并确定训练图片集中各个类别的类中心向量；
参数确定模块，用于根据所述每个训练图片的综合评价指标、对应的特征向量和所述类中心向量计算损失函数和损失函数的梯度值，以确定所述卷积神经网络的网络参数，得到目标人脸识别模型。
7.根据权利要求6所述的人脸识别模型的训练装置，其特征在于，所述装置还包括：
处理模块，用于使用所述目标人脸识别模型对输入的图像进行处理，得到人脸特征向量；
判断模块，用于根据所述人脸特征向量判断所述图像的质量是否符合预设质量；
识别模块，用于当所述图像的质量符合预设质量时，通过所述目标人脸识别模型对所述图像进行人脸身份类别识别。
8.根据权利要求6所述的人脸识别模型的训练装置，其特征在于，损失函数L采用以下公式进行计算：
L＝αLquality+Lsoftmax
其中，
Figure FDA0002500580030000031
Figure FDA0002500580030000032
Figure FDA0002500580030000033
Figure FDA0002500580030000034
Figure FDA0002500580030000041
qi＝qi(ai，bi，ci，di)
其中，α、s表示尺度因子，B表示一个批次训练图片的总数，K表示样本类别的总数，xi表示第i个训练图片的特征向量，wi表示第i类训练图片的类中心向量，
Figure FDA0002500580030000042
为xi的第d维分量，qi表示第i个训练图片的综合评价指标，ai表示第i个训练图片的模糊度值，bi表示第i个训练图片的光照强度值，ci表示第i个训练图片的对比度值，di表示第i个训练图片的饱和度值。
9.根据权利要求7所述的人脸识别模型的训练装置，其特征在于，所述判断模块包括：
计算单元，用于计算所述人脸特征向量的模长；
判定单元，用于当所述模长在预设范围内时，判定所述图像的质量符合预设质量。
10.根据权利要求7所述的人脸识别模型的训练装置，其特征在于，所述识别模块包括：
处理单元，用于当所述图像的质量符合预设质量时，对所述人脸特征向量进行归一化处理；
人脸识别单元，用于通过所述目标人脸识别模型对归一化处理后的人脸特征向量进行人脸身份类别识别。
CN202010431157.5A 2020-05-20 2020-05-20 一种人脸识别模型的训练方法和装置 Active CN111738083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010431157.5A CN111738083B (zh) 2020-05-20 2020-05-20 一种人脸识别模型的训练方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010431157.5A CN111738083B (zh) 2020-05-20 2020-05-20 一种人脸识别模型的训练方法和装置

Publications (2)

Publication Number Publication Date
CN111738083A true CN111738083A (zh) 2020-10-02
CN111738083B CN111738083B (zh) 2022-12-27

Family

ID=72647459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010431157.5A Active CN111738083B (zh) 2020-05-20 2020-05-20 一种人脸识别模型的训练方法和装置

Country Status (1)

Country Link
CN (1) CN111738083B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733743A (zh) * 2021-01-14 2021-04-30 北京爱笔科技有限公司 模型训练方法、数据、图像质量评估方法及相关装置
CN113378695A (zh) * 2021-06-08 2021-09-10 杭州萤石软件有限公司 一种图像质量确定方法、装置及电子设备
CN113486858A (zh) * 2021-08-03 2021-10-08 济南博观智能科技有限公司 一种人脸识别模型训练方法、装置、电子设备及存储介质
CN113591818A (zh) * 2021-09-30 2021-11-02 广州思林杰科技股份有限公司 一种人脸等级分类器的构建方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778446A (zh) * 2015-03-19 2015-07-15 南京邮电大学 一种图像质量评价与人脸识别效率关系模型的构建方法
US9462945B1 (en) * 2013-04-22 2016-10-11 VisionQuest Biomedical LLC System and methods for automatic processing of digital retinal images in conjunction with an imaging device
CN107341463A (zh) * 2017-06-28 2017-11-10 北京飞搜科技有限公司 一种结合图像质量分析与度量学习的人脸特征识别方法
CN107944458A (zh) * 2017-12-08 2018-04-20 北京维大成科技有限公司 一种基于卷积神经网络的图像识别方法和装置
CN110399839A (zh) * 2019-07-26 2019-11-01 北京达佳互联信息技术有限公司 人脸识别方法、装置、设备及存储介质
CN110942072A (zh) * 2019-12-31 2020-03-31 北京迈格威科技有限公司 基于质量评估的质量分、检测模型训练、检测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9462945B1 (en) * 2013-04-22 2016-10-11 VisionQuest Biomedical LLC System and methods for automatic processing of digital retinal images in conjunction with an imaging device
CN104778446A (zh) * 2015-03-19 2015-07-15 南京邮电大学 一种图像质量评价与人脸识别效率关系模型的构建方法
CN107341463A (zh) * 2017-06-28 2017-11-10 北京飞搜科技有限公司 一种结合图像质量分析与度量学习的人脸特征识别方法
CN107944458A (zh) * 2017-12-08 2018-04-20 北京维大成科技有限公司 一种基于卷积神经网络的图像识别方法和装置
CN110399839A (zh) * 2019-07-26 2019-11-01 北京达佳互联信息技术有限公司 人脸识别方法、装置、设备及存储介质
CN110942072A (zh) * 2019-12-31 2020-03-31 北京迈格威科技有限公司 基于质量评估的质量分、检测模型训练、检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUNLAN TAN等: "Computational aesthetics of photos quality assessment based on improved artificial neural network combined with an autoencoder technique", 《NEUROCOMPUTING》 *
刘超等: "超低照度下微光图像增强神经网络损失函数设计分析", 《国防科技大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733743A (zh) * 2021-01-14 2021-04-30 北京爱笔科技有限公司 模型训练方法、数据、图像质量评估方法及相关装置
CN112733743B (zh) * 2021-01-14 2024-03-15 北京爱笔科技有限公司 模型训练方法、数据、图像质量评估方法及相关装置
CN113378695A (zh) * 2021-06-08 2021-09-10 杭州萤石软件有限公司 一种图像质量确定方法、装置及电子设备
CN113486858A (zh) * 2021-08-03 2021-10-08 济南博观智能科技有限公司 一种人脸识别模型训练方法、装置、电子设备及存储介质
CN113486858B (zh) * 2021-08-03 2024-01-23 济南博观智能科技有限公司 一种人脸识别模型训练方法、装置、电子设备及存储介质
CN113591818A (zh) * 2021-09-30 2021-11-02 广州思林杰科技股份有限公司 一种人脸等级分类器的构建方法及装置

Also Published As

Publication number Publication date
CN111738083B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN111738083B (zh) 一种人脸识别模型的训练方法和装置
CN109376615B (zh) 用于提升深度学习网络预测性能的方法、装置及存储介质
CN109978893A (zh) 图像语义分割网络的训练方法、装置、设备及存储介质
CN110781784A (zh) 基于双路注意力机制的人脸识别方法、装置及设备
CN110188829B (zh) 神经网络的训练方法、目标识别的方法及相关产品
CN111950723A (zh) 神经网络模型训练方法、图像处理方法、装置及终端设备
CN111126514A (zh) 图像多标签分类方法、装置、设备及介质
CN112101123B (zh) 一种注意力检测方法及装置
JP2022522203A (ja) 生体検出方法、装置、電子機器、記憶媒体、及びプログラム製品
CN111432206A (zh) 基于人工智能的视频清晰度处理方法、装置及电子设备
CN114612987A (zh) 一种表情识别方法及装置
CN111738080A (zh) 一种人脸检测和对齐的方法及装置
CN111881740A (zh) 人脸识别方法、装置、电子设备及介质
CN111738078A (zh) 一种人脸识别方法和装置
EP3885934A1 (en) Video search method and apparatus, computer device, and storage medium
CN114040094A (zh) 一种基于云台相机的预置位调节方法和设备
CN114219971A (zh) 一种数据处理方法、设备以及计算机可读存储介质
CN110188277B (zh) 一种资源的推荐方法及装置
CN115700845B (zh) 人脸识别模型训练方法、人脸识别方法、装置及相关设备
CN111626212A (zh) 图片中对象的识别方法和装置、存储介质及电子装置
CN112183594B (zh) 票据图像的处理方法和装置、存储介质及电子设备
CN111651626B (zh) 图像分类方法、装置及可读存储介质
CN111582404B (zh) 内容分类方法、装置及可读存储介质
CN115114467A (zh) 图片神经网络模型的训练方法以及装置
CN114333065A (zh) 一种应用于监控视频的行为识别方法、系统及相关装置

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