CN115830411A - 生物特征模型训练方法、生物特征提取方法及相关设备 - Google Patents
生物特征模型训练方法、生物特征提取方法及相关设备 Download PDFInfo
- Publication number
- CN115830411A CN115830411A CN202211446598.8A CN202211446598A CN115830411A CN 115830411 A CN115830411 A CN 115830411A CN 202211446598 A CN202211446598 A CN 202211446598A CN 115830411 A CN115830411 A CN 115830411A
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- training
- weight
- feature extraction
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 147
- 238000012549 training Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 239000002245 particle Substances 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000000137 annealing Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种生物特征模型训练方法、生物特征提取方法及相关设备，生物特征模型训练方法包括以下步骤：获取生物图像训练数据集；将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；所述生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练。本发明很好的避免了训练过程中模型的参数陷入局部最优解，能够达到全局最优解，得到的生物特征提取神经网络模型识别准确度更高。
Description
技术领域
本发明涉及人工智能识别技术领域，特别涉及一种生物特征模型训练方法、生物特征提取方法及相关设备。
背景技术
随着深度学习图像处理技术的发展，相关技术越来越多的应用到生物特征提取领域：人脸识别、指纹识别、虹膜识别等，并在实际生活中得到广泛应用。
生物特征由于具有唯一性、稳定性、携带方便、不可更改撤销等特性，越来越广泛应用于身份鉴别领域，图像处理时生物特征细节点提取的算法十分复杂，而且由于噪声等因素影响，特征信息(位置、方向等)也不够准确，因此，如何从图像中快速准确地提取生物特征成为业界亟需解决的问题。目前主流的做法是使用深度的卷积神经网络进行特征提取，使用大量标注好的图像数据进行训练，使用反向传播算法对深度卷积神经网络进行优化。训练好的深度卷积网络能很好的提取特征，但是使用反向传播算法对深度卷积模型进行优化容易使得模型参数陷入局部最优解，难以得到更为准确的模型，从而导致最终得到的模型在图像特征提取识别的精度差。另外还有些常规的模型优化算法，比如遗传算法、粒子群优化算法等，均容易使得模型参数陷入局部最优解而难以得到全局最优解，容易导致模型精度不高，从而影响图像识别处理的准确度。
所以，现有方式中对于图像生物特征提取的准确度不高。
发明内容
为了克服目前现有方式中对于图像生物特征提取的准确度不高的问题，本发明提供一种生物特征模型训练方法、生物特征提取方法及相关设备，对此进行改进。
本发明为解决上述技术问题，提供一技术方案如下：
一种生物特征模型训练方法，包括如下步骤：
获取生物图像训练数据集；
将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；所述生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练。
优选地，所述将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型的步骤，具体包括：
对预设的特征提取神经网络进行所有权重初始化处理；
步骤A：将所述训练数据集输入到所述特征提取神经网络进行特征提取，将提取得到的特征与预设的目标特征进行对比，确定误差，若误差大于预设的误差阈值，则；
步骤B：计算特征提取后当前所述特征提取神经网络中各个权重的当前参数值，将所述当前参数值按照预设的粒子群优化算法公式计算第一权重速度和第一权重值，得到第一更新权重，所述当前参数值包括当前权重值、当前个体最优值和当前全局最优值；
步骤C：将所述第一更新权重按照预设的退火模拟算法公式计算第二权重值，得到第二更新权重，将所述第二更新权重作为新的权重赋到所述特征提取神经网络，得到新的特征提取神经网络；
重复上述步骤A～步骤C，直到达到预设收敛条件为止，得到最终的生物特征提取神经网络模型。
优选地，所述预设的粒子群优化算法采用公式为：
v(d+1)＝w·v(d)+C1·r1·pb(d)-x(d))+C2·r2(gb(d)-x(d))
x(d+1)＝x(d)+v(d)·t
其中，v(d+1)为所述第一权重速度，v(d)为当前权重速度，d为当前已迭代次数，x(d)为所述当前权重值，x(d+1)为所述第一权重值，pb(d)为所述当前个体最优权重，gb(d)为所述当前全局最优权重，w、r1、r2为0～1之间的随机系数，C1、C2为预设数值的学习因子，t为当前时刻。
优选地，所述预设的退火模拟算法采用公式为：
x(d+1)′＝x(d+1)+v(d)·extra
其中，x(d+1)'为所述第二权重值，x(d+1)为所述第一权重值，v(d)为当前权重速度，extra为缩放因子，所述缩放因子为预设数值范围内随机选取得来。
优选地，所述缩放因子的预设数值范围为0～10。
优选地，随着迭代次数的增加，所述缩放因子取值在所述预设数值范围内由大变小。
本发明还提供一种生物特征提取方法，包括如下步骤：
获取生物图像目标数据集；
将所述目标数据集输入到生物特征提取神经网络模型进行特征提取，得到生物特征提取结果，其中，所述生物特征提取神经网络模型根据所述的生物特征模型训练方法训练得到。
本发明还提供一种生物特征模型训练装置，包括：
训练数据获取模块，用于获取生物图像训练数据集；
模型更新训练模块，用于将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；所述生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练。
本发明还提供一种生物特征提取装置，包括：
目标数据获取模块，用于获取生物图像目标数据集；
特征提取模型模块，用于将所述目标数据集输入到生物特征提取神经网络模型进行特征提取，得到生物特征提取结果，其中，所述生物特征提取神经网络模型根据所述的生物特征模型训练方法训练得到。
本发明还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明所述的生物特征模型训练方法或所述的生物特征提取方法。
本发明提供的一种生物特征模型训练方法、生物特征提取方法及相关设备，通过获取生物图像训练数据集，将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；所述生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练，很好的避免了训练过程中模型的参数陷入局部最优解，能够达到全局最优解，得到的生物特征提取神经网络模型识别准确度更高。
附图说明
图1为本发明实施例一提供的一种生物特征模型训练方法的应用环境示意图；
图2为本发明实施例一提供的一种生物特征模型训练方法的整体流程图；
图3为本发明实施例一提供的一种生物特征模型训练方法中步骤S220的细节流程图；
图4为本发明实施例二提供的生物特征提取方法的整体流程示意图；
图5为本发明实施例三提供的一种生物特征模型训练装置的结构框图；
图6为本发明实施例四提供的一种生物特征提取装置的结构框图。
具体实施方式
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明实施例提供的生物特征模型训练方法的应用环境图，如图1所示，在该应用环境中，包括终端110以及计算机设备120。
终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端110以及计算机设备120可以通过网络进行连接，本发明在此不做限制。
计算机设备120可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，还可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。
需要说明的是，本发明实施例所提供的生物特征模型训练方法由可以是由计算机设备120执行，相应地，生物特征模型训练装置设置于计算机设备120中。
需要说明的是，本发明实施例所提供的生物特征模型训练方法或生物特征提取方法还可以由服务器执行，相应地，生物特征模型训练装置或生物特征提取装置设置于服务器中。
应该理解，图1中的终端、计算机设备以及描述的网络和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、计算机设备、网络和服务器，本发明实施例中的终端设备具体可以对应的是实际生产中的应用系统。
实施例一
如图2所示，在一个实施例中，提出了一种生物特征模型训练方法，本实施例主要以该方法应用于上述图1中的计算机设备120来举例说明。一种生物特征模型训练方法，具体可以包括以下步骤：
步骤S210，获取生物图像训练数据集。
在本实施例中，生物图像主要是人、动物等使用较多的图像，比如人的图像，具体又可以包括脸部、指纹、身体躯干、虹膜等图像，具体的图像类别和对应的生物特征在本实施例中并不进行限制。进一步的，对图像进行生物特征提取主要是针对的常规图像识别使用的特征，比如针对生物图像特征，包括但不限于图像识别常用到的颜色特征、纹理特征、形状特征和空间特征等，主要用于图像识别处理，至于具体的特征类别和组合，可以根据实际需要进行选择采用，上述仅作为优选实施例进行举例描述。对于具体的应用场景，可以是对监控中行人图像进行生物特征提取，针对行人的生物特征应用本实施例中的生物特征模型训练方法训练对应的模型来提取，在这种情形下，获取的生物图像训练数据集可以是根据应用的场景采集具体的行人图像数据，比如通过监控抓拍收集的行人图像，更多具体的数据集以及应用情形在此不进一步展开描述。
进一步的，生物图像训练数据集主要是用于进行训练的样本，其训练的过程主要是将神经网络识别提取到的特征与目标特征进行对比，通过对比结果来确定最终的准确度，从而不断的训练模型，原理与正常的神经网络模型训练大体相似，在此不进一步展开描述。
步骤S220，将训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练。
在本实施例中，预设的特征提取神经网络可以是常规的神经网络，其网络模型可以参照现有技术中用于生物特征提取常规使用的神经网络模型，比如深度的卷积神经网络、循环神经网络等，在此不进行限制。具体的，本实施例中优选应用深度的卷积神经网络作为预设的特征提取神经网路进行训练，具体是包括卷积神经网络、池化层、残差网络等组成，具体的网络架构可以参考现有技术中进行理解和实现。
进一步的，进行迭代训练的意思主要是指重复执行程序中的循环，直到满足某条件(迭代条件)为止，迭代训练结束的条件可以是模型收敛、迭代的次数达到固定次数或者误差小于预设阈值等，具体训练结束的条件、固定次数和预设阈值可以根据实际需要进行选择设计在此不进一步展开描述。
其中，粒子群优化算法主要是指粒子群优化PSO(Particle SwarmOptimization)算法，是一种基于群智能的演化计算方法，由Kennedy和Eberhart于1995年提出，该算法源于对鸟类捕食行为的模拟。该问题将鸟作为每一个粒子，在解空间中不断的寻找最优解。对应到本实施例中，本实施例中相当于是将生物特征提取神经网络的各个权重参数作为粒子，在解空间中寻找各个权重参数的最优解，本实施例中基于这种思想对其算法进行改进应用，具体的改进应用点在下列结合其他技术内容进行详细描述。
另外，退火模拟算法模拟的是固体退火原理，在温度较高的时候，固体内部分子动能更大，更活跃，渐渐冷却，固体分子动能减小，趋于稳定，在温度高的时候可以不按照固定规则进行降温，在温度低时按照固定规则进行降温，本实施例中则是基于这种思想对其算法进行改进应用，具体的改进应用点在下列结合其他技术内容进行详细描述。
在本实施例中，如图3所示，步骤S220具体可以包括以下步骤：
步骤S221，对预设的特征提取神经网络进行所有权重初始化处理。
如前面所述，在进行粒子群优化算法的时候，需要先将权重参数初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，这个过程中，每一次迭代，粒子通过跟踪两个极值来更新自己，分别是粒子本身所找到的最优解，在本实施例中称之为当前个体最优值，还有整个粒子群当前找到的最优解，在本实施例中称之为当前全局最优值。
步骤A：将训练数据集输入到特征提取神经网络进行特征提取，将提取得到的特征与预设的目标特征进行对比，确定误差，若误差大于预设的误差阈值，则执行步骤B。
其中，如果误差大于预设的误差阈值，那么就说明当前的粒子还不是最优解，所以需要进一步基于当前的解进行迭代训练，那么就需要计算出下一次迭代训练的权重参数进行尝试训练，也就是下面所述的步骤B。
步骤B：计算特征提取后当前特征提取神经网络中各个权重的当前参数值，将当前参数值按照预设的粒子群优化算法公式计算第一权重速度和第一权重值，得到第一更新权重，当前参数值包括当前权重值、当前个体最优值和当前全局最优值。
具体的，在步骤B中，预设的粒子群优化算法公式为：
v(d+1)＝w·v(d)+C1·r1·(pb(d)-x(d))+C2·r2(gb(d)-x(d))
x(d+1)＝x(d)+v(d)·t
其中，v(d+1)为所述第一权重速度，v(d)为当前权重速度，d为当前已迭代次数，x(d)为所述当前权重值，x(d+1)为所述第一权重值，pb(d)为所述当前个体最优权重，gb(d)为所述当前全局最优权重，w、r1、r2为0～1之间的随机系数，C1、C2为预设数值的学习因子，t为当前时刻。
可以理解，在粒子群优化算法中，每一个粒子在寻找最优解的时候，都会赋予起一个权重值和决定粒子运动方向和距离的速度，也就对应本实施例上述要计算的第一权重速度和第一权重值，更详细内容可以参考现有技术中对粒子群优化算法的解释，在此不进一步展开描述。
其中，学习因子C1、C2一般为2，不过在其他实施例中也有其他的取值，通常将其设置为相等，并且范围在0～4之间，更多具体的数值取值，可以根据实际需要选择或者根据常规使用确定，在此不进一步展开描述。
另外，上述数值在每一次迭代都是基于前一次进行更新的，所以要注意保留初始化时(即t＝0，d＝1)时的上述各项参数的初始值，基于初始值不断地迭代计算。
上述公式的推导还可以参照现有技术中对于粒子群优化算法的描述进行理解，在此不进一步展开描述。
步骤C：将第一更新权重按照预设的退火模拟算法公式计算第二权重值，得到第二更新权重，将第二更新权重作为新的权重赋到特征提取神经网络，得到新的特征提取神经网络。
具体的，在本实施例中，步骤C中，预设的退火模拟算法公式为：
x(d+1)′＝x(d+1)+v(d)·extra
其中，x(d+1)'为所述第二权重值，x(d+1)为所述第一权重值，v(d)为当前权重速度，extra为缩放因子，所述缩放因子为预设数值范围内随机选取得来。
进一步的，对于第一权重值和当前权重速度等，均可以参考上述进行理解，在此不进一步展开描述。
进一步的，在本优选实施例中，所述缩放因子的预设数值范围为0～10。可以理解的是，缩放因子的范围可以根据实际需要进行选择调节，本实施例中给出的仅作为有限实验中的优选实施例中参数范围。
进一步的，随着迭代次数的增加，所述缩放因子取值在所述预设数值范围内由大变小。具体的，也就是说缩放因子随着训练过程的迭代，生成较大值的概率越来越小，这样模型在初期，缩放因子有大概率取得较大值，也就有较大概率一次性可以更新更长的步长，对应的到了后期，模型每一步一次性可以更新的步长较短，这样可以在早期让模型跳出局部最优，到达全局最优的可能更大，也就有助于训练得到的模型可以有效地跳出局部最优解，达到全局最优，提高模型的精度和准确度。
步骤S222，重复上述步骤A～步骤C，直到达到预设收敛条件为止，得到最终的生物特征提取神经网络模型。
如前面所述，预设的收敛条件包括模型收敛或者误差达到要求或者达到最大迭代次数等。
本发明提供的一种生物特征模型训练方法，通过获取生物图像训练数据集，将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；所述生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练，很好的避免了训练过程中模型的参数陷入局部最优解，能够达到全局最优解，得到的生物特征提取神经网络模型识别准确度更高。
实施例二
如图4所示，在一个实施例中，提出了一种生物特征提取方法，本实施例主要以该方法应用于上述图1中的计算机设备120来举例说明。一种生物特征提取方法，具体可以包括以下步骤：
步骤S410，获取生物图像目标数据集；
步骤S420，将所述目标数据集输入到生物特征提取神经网络模型进行特征提取，得到生物特征提取结果，其中，所述生物特征提取神经网络模型根据所述的生物特征模型训练方法训练得到。
可以理解，生物图像的目标数据集主要是指需要进行特征提取的目标图像，与前面所述的生物图像的训练数据集本质上都属于图像数据，在此不进一步展开描述。
可以理解，本实施例中提供的生物特征提取方法通过使用本实施例一中提供的生物特征模型训练方法训练得到的生物特征提取神经网络模型来进行特征提取，能够保证具有较高的提取准确度和精度，便于后续进行特征的其他处理，比如特征识别、特征计算等，有助于生物特征有关技术的应用推广。
实施例三
如图5所示，在一个实施例中，提出了生物特征模型训练装置，本实施例主要以该装置应用于上述图1中的计算机设备120来举例说明。一种生物特征模型训练装置，包括：
训练数据获取模块51，用于获取生物图像训练数据集；
模型更新训练模块52，用于将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；所述生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练。
在本实施例中，模型更新训练模块52具体包括：
初始化模块，用于对预设的特征提取神经网络进行所有权重初始化处理；
模型误差判断子模块，用于执行步骤A：将所述训练数据集输入到所述特征提取神经网络进行特征提取，将提取得到的特征与预设的目标特征进行对比，确定误差，若误差大于预设的误差阈值，则；
第一权重更新子模块，用于执行步骤B：计算特征提取后当前所述特征提取神经网络中各个权重的当前参数值，将所述当前参数值按照预设的粒子群优化算法公式计算第一权重速度和第一权重值，得到第一更新权重，所述当前参数值包括当前权重值、当前个体最优值和当前全局最优值；
第二权重更新子模块，用于执行步骤C：将所述第一更新权重按照预设的退火模拟算法公式计算第二权重值，得到第二更新权重，将所述第二更新权重作为新的权重赋到所述特征提取神经网络，得到新的特征提取神经网络；
训练结束判断子模块，用于驱动重复上述步骤A～步骤C，直到达到预设收敛条件为止，得到最终的生物特征提取神经网络模型。
在本实施例中，第一权重更新子模块执行所述步骤B：计算特征提取后当前所述特征提取神经网络中各个权重的当前参数值，将所述当前参数值按照预设的粒子群优化算法公式计算第一权重速度和第一权重值，得到第一更新权重的时候，预设的粒子群优化算法公式为：
v(d+1)＝w·v(d)+C1·r1·9pb(d)-x(d))+C2·r2(gb(d)-x(d))
x(d+1)＝x(d)+v(d)·
其中，v(d+1)为所述第一权重速度，v(d)为当前权重速度，d为当前已迭代次数，x(d)为所述当前权重值，x(d+1)为所述第一权重值，pb(d)为所述当前个体最优权重，gb(d)为所述当前全局最优权重，w、r1、r2为0～1之间的随机系数，C1、C2为预设数值的学习因子，t为当前时刻。
在本实施例中，第二权重更新子模块执行所述步骤C：将所述第一更新权重按照预设的退火模拟算法公式计算第二权重值，得到第二更新权重，将所述第二更新权重作为新的权重赋到所述特征提取神经网络，得到新的特征提取神经网络的时候，预设的退火模拟算法公式为：
x(d+1)′＝x(d+1)+v(d)·extra
其中，x(d+1)'为所述第二权重值，x(d+1)为所述第一权重值，v(d)为当前权重速度，extra为缩放因子，所述缩放因子为预设数值范围内随机选取得来。
在本实施例中，所述缩放因子的预设数值范围为0～10。
在本实施例中，随着迭代次数的增加，所述缩放因子取值在所述预设数值范围内由大变小。
可以理解，上述模块单元等所执行的程序有关的概念以及相关的原理等，均可以参照前述实施例一进行理解和实现，在此不进一步展开描述。
可以理解，本实施例中提供的生物特征模型训练装置是具体用于实现实施例一中的生物特征模型训练方法的软件、硬件结合设备，上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。此实施例中重复的技术概念可以参考实施例一进行理解和实现，在此不进一步展开描述。
本发明提供的一种生物特征模型训练装置，通过训练数据获取模块51获取生物图像训练数据集，通过模型更新训练模块52将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；所述生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练，很好的避免了训练过程中模型的参数陷入局部最优解，能够达到全局最优解，得到的生物特征提取神经网络模型识别准确度更高。
实施例四
如图6所示，在一个实施例中，提出了生物特征提取装置，本实施例主要以该装置应用于上述图1中的计算机设备120来举例说明。一种生物特征提取装置，包括：
目标数据获取模块61，用于获取生物图像目标数据集；
特征提取模型模块62，用于将所述目标数据集输入到生物特征提取神经网络模型进行特征提取，得到生物特征提取结果，其中，所述生物特征提取神经网络模型根据所述的生物特征模型训练方法训练得到。
可以理解，生物图像的目标数据集主要是指需要进行特征提取的目标图像，与前面所述的生物图像的训练数据集本质上都属于图像数据，在此不进一步展开描述。
可以理解，本实施例中提供的生物特征提取装置通过使用本实施例一中提供的生物特征模型训练方法训练得到的生物特征提取神经网络模型来进行特征提取，能够保证具有较高的提取准确度和精度，便于后续进行特征的其他处理，比如特征识别、特征计算等，有助于生物特征有关技术的应用推广。
实施例五
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取生物图像训练数据集；
将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；所述生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练。
或者执行以下步骤：
获取生物图像目标数据集；
将所述目标数据集输入到生物特征提取神经网络模型进行特征提取，得到生物特征提取结果，其中，所述生物特征提取神经网络模型根据所述的生物特征模型训练方法训练得到。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，但并不能因此而理解为对本发明专利范围的限制。对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种生物特征模型训练方法，其特征在于，包括如下步骤：
获取生物图像训练数据集；
将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；所述生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练。
2.如权利要求1中所述的生物特征模型训练方法，其特征在于，所述将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型的步骤，具体包括：
对预设的特征提取神经网络进行所有权重初始化处理；
步骤A：将所述训练数据集输入到所述特征提取神经网络进行特征提取，将提取得到的特征与预设的目标特征进行对比，确定误差，若误差大于预设的误差阈值，则；
步骤B：计算特征提取后当前所述特征提取神经网络中各个权重的当前参数值，将所述当前参数值按照预设的粒子群优化算法公式计算第一权重速度和第一权重值，得到第一更新权重，所述当前参数值包括当前权重值、当前个体最优值和当前全局最优值；
步骤C：将所述第一更新权重按照预设的退火模拟算法公式计算第二权重值，得到第二更新权重，将所述第二更新权重作为新的权重赋到所述特征提取神经网络，得到新的特征提取神经网络；
重复上述步骤A～步骤C，直到达到预设收敛条件为止，得到最终的生物特征提取神经网络模型。
3.如权利要求2中所述的生物特征模型训练方法，其特征在于，所述预设的粒子群优化算法采用公式为：
v(d+1)＝w·v(d)+C1·r1·(pb(d)-x(d))+C2·r2(gb(d)-x(d))
x(d+1)＝x(d)+v(d)·t
其中，v(d+1)为所述第一权重速度，v(d)为当前权重速度，d为当前已迭代次数，x(d)为所述当前权重值，x(d+1)为所述第一权重值，pb(d)为所述当前个体最优权重，gb(d)为所述当前全局最优权重，w、r1、r2为0～1之间的随机系数，C1、C2为预设数值的学习因子，t为当前时刻。
4.如权利要求2中所述的生物特征模型训练方法，其特征在于，所述预设的退火模拟算法采用公式为：
x(d+1)′＝x(d+1)+v(d)·extra
其中，x(d+1)'为所述第二权重值，x(d+1)为所述第一权重值，v(d)为当前权重速度，extra为缩放因子，所述缩放因子为预设数值范围内随机选取得来。
5.如权利要求4中所述的生物特征模型训练方法，其特征在于，所述缩放因子的预设数值范围为0～10。
6.如权利要求4中所述的生物特征模型训练方法，其特征在于，随着迭代次数的增加，所述缩放因子取值在所述预设数值范围内由大变小。
7.一种生物特征提取方法，其特征在于，包括如下步骤：
获取生物图像目标数据集；
将所述目标数据集输入到生物特征提取神经网络模型进行特征提取，得到生物特征提取结果，其中，所述生物特征提取神经网络模型根据权利要求1～6任一项所述的生物特征模型训练方法训练得到。
8.一种生物特征模型训练装置，其特征在于，包括：
训练数据获取模块，用于获取生物图像训练数据集；
模型更新训练模块，用于将所述训练数据集输入到预设的特征提取神经网络进行迭代训练，得到最终的生物特征提取神经网络模型；所述生物特征提取神经网络模型训练时模型的权重参数每次采用粒子群优化算法更新后，再采用退火模拟算法进行更新，基于二次更新处理后的权重参数进行迭代训练。
9.一种生物特征提取装置，其特征在于，包括：
目标数据获取模块，用于获取生物图像目标数据集；
特征提取模型模块，用于将所述目标数据集输入到生物特征提取神经网络模型进行特征提取，得到生物特征提取结果，其中，所述生物特征提取神经网络模型根据权利要求1～6任一项所述的生物特征模型训练方法训练得到。
10.一种计算机存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的生物特征模型训练方法或权利要求7所述的生物特征提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211446598.8A CN115830411B (zh) | 2022-11-18 | 2022-11-18 | 生物特征模型训练方法、生物特征提取方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211446598.8A CN115830411B (zh) | 2022-11-18 | 2022-11-18 | 生物特征模型训练方法、生物特征提取方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115830411A true CN115830411A (zh) | 2023-03-21 |
| CN115830411B CN115830411B (zh) | 2023-09-01 |
Family
ID=85529056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211446598.8A Active CN115830411B (zh) | 2022-11-18 | 2022-11-18 | 生物特征模型训练方法、生物特征提取方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115830411B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
| CN106971161A (zh) * | 2017-03-27 | 2017-07-21 | 深圳大图科创技术开发有限公司 | 基于颜色和奇异值特征的人脸活体检测系统 |
| CN107784288A (zh) * | 2017-10-30 | 2018-03-09 | 华南理工大学 | 一种基于深度神经网络的迭代定位式人脸检测方法 |
| CN110365058A (zh) * | 2019-08-15 | 2019-10-22 | 中国人民解放军陆军勤务学院 | 基于模拟退火粒子群算法的孤立微电网运行优化方法 |
| CN111563684A (zh) * | 2020-05-09 | 2020-08-21 | 广州水沐青华科技有限公司 | 负荷识别方法、装置和终端 |
| CN111859790A (zh) * | 2020-07-08 | 2020-10-30 | 大连理工大学 | 一种基于图像特征学习的曲线加筋结构布局智能设计方法 |
| CN112070200A (zh) * | 2019-06-10 | 2020-12-11 | 佛山科学技术学院 | 一种谐波群优化方法及其应用 |
| CN112288147A (zh) * | 2020-10-19 | 2021-01-29 | 西安交通大学 | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 |
| CN113777000A (zh) * | 2021-10-09 | 2021-12-10 | 山东科技大学 | 一种基于神经网络的粉尘浓度检测方法 |
| CN114820550A (zh) * | 2022-05-11 | 2022-07-29 | 云南升玥信息技术有限公司 | 基于区块链和医学影像的疾病预测系统 |
-
2022
- 2022-11-18 CN CN202211446598.8A patent/CN115830411B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
| CN106971161A (zh) * | 2017-03-27 | 2017-07-21 | 深圳大图科创技术开发有限公司 | 基于颜色和奇异值特征的人脸活体检测系统 |
| CN107784288A (zh) * | 2017-10-30 | 2018-03-09 | 华南理工大学 | 一种基于深度神经网络的迭代定位式人脸检测方法 |
| CN112070200A (zh) * | 2019-06-10 | 2020-12-11 | 佛山科学技术学院 | 一种谐波群优化方法及其应用 |
| CN110365058A (zh) * | 2019-08-15 | 2019-10-22 | 中国人民解放军陆军勤务学院 | 基于模拟退火粒子群算法的孤立微电网运行优化方法 |
| CN111563684A (zh) * | 2020-05-09 | 2020-08-21 | 广州水沐青华科技有限公司 | 负荷识别方法、装置和终端 |
| CN111859790A (zh) * | 2020-07-08 | 2020-10-30 | 大连理工大学 | 一种基于图像特征学习的曲线加筋结构布局智能设计方法 |
| CN112288147A (zh) * | 2020-10-19 | 2021-01-29 | 西安交通大学 | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 |
| CN113777000A (zh) * | 2021-10-09 | 2021-12-10 | 山东科技大学 | 一种基于神经网络的粉尘浓度检测方法 |
| CN114820550A (zh) * | 2022-05-11 | 2022-07-29 | 云南升玥信息技术有限公司 | 基于区块链和医学影像的疾病预测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 姜雯: "基于改进粒子群算法的SVM参数优化及应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, pages 028 - 254 * |
| 纪宁: "基于小波域人脸识别的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 02, pages 138 - 2068 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115830411B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241903B (zh) | 样本数据清洗方法、装置、计算机设备及存储介质 | |
| CN111695415B (zh) | 图像识别方法及相关设备 | |
| CN110288030B (zh) | 基于轻量化网络模型的图像识别方法、装置及设备 | |
| WO2022121289A1 (en) | Methods and systems for mining minority-class data samples for training neural network | |
| Singh et al. | Layer-specific adaptive learning rates for deep networks | |
| CN110135681B (zh) | 风险用户识别方法、装置、可读存储介质及终端设备 | |
| WO2021145945A1 (en) | Generative adversarial network-based target identification | |
| CN110765320B (zh) | 数据处理方法、装置、存储介质和计算机设备 | |
| CN111783997B (zh) | 一种数据处理方法、装置及设备 | |
| CN110942012A (zh) | 图像特征提取方法、行人重识别方法、装置和计算机设备 | |
| CN112905997B (zh) | 面向深度学习模型中毒攻击的检测方法、装置及系统 | |
| CN111523479A (zh) | 动物的生物特征识别方法、装置、计算机设备及存储介质 | |
| Zheng et al. | Accelerating deep learning with shrinkage and recall | |
| CN115018039A (zh) | 一种神经网络蒸馏方法、目标检测方法以及装置 | |
| CN113626610A (zh) | 知识图谱嵌入方法、装置、计算机设备和存储介质 | |
| CN113192175A (zh) | 模型训练方法、装置、计算机设备和可读存储介质 | |
| CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
| US11003909B2 (en) | Neural network trained by homographic augmentation | |
| CN110991326A (zh) | 基于Gabor滤波器和改进极限学习机的步态识别方法及系统 | |
| CN114519401A (zh) | 一种图像分类方法及装置、电子设备、存储介质 | |
| CN113609097A (zh) | 指纹库的生成方法、装置、计算机设备和存储介质 | |
| CN115830411B (zh) | 生物特征模型训练方法、生物特征提取方法及相关设备 | |
| CN114638823B (zh) | 基于注意力机制序列模型的全切片图像分类方法及装置 | |
| CN116091596A (zh) | 一种自下而上的多人2d人体姿态估计方法及装置 | |
| CN112036446B (zh) | 目标识别特征融合的方法、系统、介质及装置 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000 Patentee after: Wisdom Eye Technology Co.,Ltd. Country or region after: China Address before: 410205, Changsha high tech Zone, Hunan Province, China Patentee before: Wisdom Eye Technology Co.,Ltd. Country or region before: China |