CN115937948A - 人脸归档方法、装置、电子设备及存储介质 - Google Patents
人脸归档方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115937948A CN115937948A CN202211603964.6A CN202211603964A CN115937948A CN 115937948 A CN115937948 A CN 115937948A CN 202211603964 A CN202211603964 A CN 202211603964A CN 115937948 A CN115937948 A CN 115937948A
- Authority
- CN
- China
- Prior art keywords
- face
- sample
- generation model
- file
- target
- 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
Links
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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明实施例提供一种人脸归档方法,方法包括:获取超过预设时间没有进行更新的目标人脸档案;通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸;基于所述生成人脸对所述目标人脸档案进行更新。通过对超过预设时间人脸档案进行人脸生成,以得到的生成人脸对超过预设时间人脸档案进行更新,由于采用生成人脸填充人脸档案中未及时更新的人脸,使得人脸档案中的人脸数据更丰富,从而提高人脸档案对比的准确率。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种人脸归档方法、装置、电子设备及存储介质。
背景技术
随着人工智能的应用落地,智慧城市的改造进程加快,需要对相关人员实行档案管理,从而提高管理效率。人脸档案是一种通过人脸图像进行人员数据管理的方法,可以通过待查询的人脸匹配到对应的人脸档案进行分析,进而提高相关人员的管理效率。对于长时间未抓拍到的人脸来说,人脸档案不能及时更新,待查询的人脸将会与人脸档案中较久的人脸图像进行比较,由于人脸可能会随时间或环境的变化而变化,使得待查询人脸与人脸档案中的人脸存在一定误差,降低人脸档案对比的准确率。
发明内容
本发明实施例提供一种人脸归档方法,旨在解决现有人脸档案不能及时更新,使得待查询人脸与人脸档案中的人脸存在一定误差,降低档案对比的准确率的问题。通过对超过预设时间人脸档案进行人脸生成,以得到的生成人脸对超过预设时间人脸档案进行更新,由于采用生成人脸填充人脸档案中未及时更新的人脸,使得人脸档案中的人脸数据更丰富,从而提高人脸档案对比的准确率。
第一方面,本发明实施例提供一种人脸归档方法,所述方法包括:
获取超过预设时间没有进行更新的目标人脸档案;
通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸;
基于所述生成人脸对所述目标人脸档案进行更新。
可选的,所述人脸生成模型包括用于人脸特征点提取的卷积部分、用于预测人脸特点迁移的迁移部分以及用于人脸生成的反卷积部分,所述通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸,包括:
获取所述目标人脸档案中的最新人脸;
通过所述卷积部分对所述最新人脸进行卷积处理,得到所述最新人脸的人脸特征点;
通过所述迁移部分对所述最新人脸的人脸特征点进行迁移预测,得到迁移后的所述最新人脸的人脸特征点;
通过所述反卷积部分对迁移后的所述最新人脸的人脸特征点进行反卷积处理,得到所述生成人脸。
可选的,在所述通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸之前,所述方法还包括:
构建待训练的初始人脸生成模型以及构建用于训练的第一样本人脸数据集,所述样本人脸数据集包括间隔预设时间的第一样本人脸与第二样本人脸;
通过所述第一样本人脸数据集对所述初始人脸生成模型进行训练,以使所述初始人脸生成模型生成得到所述第一样本人脸对应的样本生成人脸;
当所述第一样本人脸对应的样本生成人脸与所述第二样本人脸的误差值收敛时,得到训练好的人脸生成模型。
可选的,所述构建用于训练的第一样本人脸数据集,包括:
在所有人脸档案中确定第一样本人脸档案;
在所述第一样本人脸档案中随机确定所述第二样本人脸;
基于所述间隔预设时间,在所述第二样本人脸的时间之前确定所述第一样本人脸;
以所述第二样本人脸作为所述第一样本人脸的标签,得到所述第一样本人脸数据集。
可选的,所述初始人脸生成模型包括初始卷积部分、初始迁移部分以及初始反卷积部分,所述通过所述第一样本人脸数据集对所述初始人脸生成模型进行训练,以使所述初始人脸生成模型生成得到所述第一样本人脸对应的样本生成人脸,包括:
将所述第一样本人脸输入到所述初始人脸生成模型中;
通过所述初始卷积部分对所述第一样本人脸进行卷积操作,得到所述第一样本人脸的人脸特征点;
通过所述初始迁移部分对所述第一样本人脸的人脸特征点进行迁移预测,得到迁移后的所述第一样本人脸的人脸特征点;
通过所述初始反卷积部分对迁移后的所述第一样本人脸的人脸特征点进行反卷积操作,得到所述第一样本人脸对应的样本生成人脸。
可选的,在所述当所述样本人脸与所述第二样本人脸的误差值收敛时,得到训练好的人脸生成模型之后,所述方法还包括:
根据所述目标人脸档案中目标人员的非人脸属性信息,对所有人脸档案进行聚类,得到所述目标人脸档案所属的聚类集合;
将所述目标人脸档案所属的聚类集合中各个人脸档案的最新人脸确定为第四样本人脸;
基于所述间隔预设时间,在所述第四样本人脸的时间之前确定对应的第三样本人脸;
以所述第四样本人脸作为所述第三样本人脸的标签,得到所述第二样本人脸数据集;
通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整,得到最终的人脸生成模型。
可选的,所述通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整,得到最终的人脸生成模型,包括:
在通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整的过程中,固定所述训练好的人脸生成模型的卷积部分以及反卷积部分,对所述迁移部分进行迭代调整;
当迭代到预设的调整次数后或者调整后的人脸生成模型收敛,得到最终的人脸生成模型。
第二方面,本发明实施例提供一种人脸归档装置,所述装置包括:
获取模块,用于获取超过预设时间没有进行更新的目标人脸档案;
生成模块,用于通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸;
更新模块,用于基于所述生成人脸对所述目标人脸档案进行更新。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例提供的人脸归档方法中的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现发明实施例提供的人脸归档方法中的步骤。
本发明实施例中,获取超过预设时间没有进行更新的目标人脸档案;通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸;基于所述生成人脸对所述目标人脸档案进行更新。通过对超过预设时间人脸档案进行人脸生成,以得到的生成人脸对超过预设时间人脸档案进行更新,由于采用生成人脸填充人脸档案中未及时更新的人脸,使得人脸档案中的人脸数据更丰富,从而提高人脸档案对比的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,对于本领域普通技术人员来讲,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是本发明实施例提供的一种人脸归档方法的流程图;
图2是本发明实施例提供的一种人脸归档装置的结构示意图;
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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,本领域普通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。
请参见图1,图1是本发明实施例提供的一种人脸归档方法的流程图,如图1所示,该人脸归档方法包括以下步骤:
101、获取超过预设时间没有进行更新的目标人脸档案。
在本发明实施例中,人脸档案中包括人脸信息以及其他属性信息,其中人脸信息为人脸图像,其他属性信息可以包括职业、居住地、年龄、性别、健康状况、生活习惯等属性信息。上述人脸档案为相关人员的人脸案,上述相关人员可以监控区域内出现过的人员。每个相关人员对应一个人脸档案,每个人脸档案中包括对应人员在监控区域中被抓拍到的人脸图像,并根据抓拍到的人脸图像获取到的属性信息。可以对每个人脸档案进行监控和分析,从而提高相关人员的管理效率。
可以实时监测每个人脸档案的更新情况,超过预设时间没有进行更新的人脸档案时,可以将该档案作为目标人脸档案。具体的,检测每个人脸档案中最新人脸的归档时间t1,计算当前时刻t与最新人脸的归档时间t1之间的时间差△t,若存在人脸档案的△t大于预设时间th,则将该人脸档案确定为目标人脸档案。
102、通过预设的人脸生成模型对目标人脸档案中的最新人脸进行人脸生成,得到生成人脸。
在本发明实施例中,在确定目标人脸档案后,在目标人脸档案中提取最新人脸,最新人脸的归档时间为t1,通过预设的人脸生成模型对目标人脸档案中的最新人脸进行人脸生成,得到当前时刻t的生成人脸。上述最新人脸指的最新人脸图像,上述生成人脸指的生成人脸图像。
上述预设的人脸生成模型可以用于生成当前人脸图像在未来时刻的人脸图像,具体的,上述预设的人脸模型可以根据t1时刻的人脸图像,生成t时刻的人脸图像,即生成th时间后的人脸图像。因此,可以通过预设的人脸生成模型来得到人脸档案中的最新人脸的生成人脸。
上述预设的人脸生成模型可以是基于生成式对抗网络的人脸生成模型,也可以是其他基于年龄的人脸生成模型。上述预设的人脸生成模型可以输入人脸图像以及想要生成的时间来生成对应时间的生成人脸图像,比如,输入人脸图像以及一个月,则可以生成该人脸图像在一个月后的生成人脸图像。
103、基于生成人脸对目标人脸档案进行更新。
在本发明实施例中,在得到目标人脸档案的生成人脸后,在目标人脸档案中增加生成人脸时间线,将生成人脸在生成人脸时间线上进行添加。
需要说明的是,本发明实施例中的人脸档案包括真实人脸时间线以及生成人脸时间线,真实人脸时间线中添加的是抓拍到的真实人脸图像,而生成人脸时间则添加的是生成人脸图像。
在实时监测每个人脸档案的更新情况的过程中,可以对真实人脸时间线以及生成人脸时间线进行检测,以时间最近的人脸图像归档时间或生成人脸图像归档时间作为最新人脸的归档时间t1。在确定最新人脸时,则在真实人脸时间线上确定最近的人脸图像为作为最新人脸图像。需要说明的是,待查询人员需要与人脸档案中真实人脸时间线上的人脸图像以及生成人脸时间线上的人脸图像都进行比对。
本发明实施例中,获取超过预设时间没有进行更新的目标人脸档案;通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸;基于所述生成人脸对所述目标人脸档案进行更新。通过对超过预设时间人脸档案进行人脸生成,以得到的生成人脸对超过预设时间人脸档案进行更新,由于采用生成人脸填充人脸档案中未及时更新的人脸,使得人脸档案中的人脸数据更丰富,从而提高人脸档案对比的准确率。
可选的,人脸生成模型包括用于人脸特征点提取的卷积部分、用于预测人脸特点迁移的迁移部分以及用于人脸生成的反卷积部分,在通过预设的人脸生成模型对目标人脸档案中的最新人脸进行人脸生成,得到生成人脸的步骤中,可以获取目标人脸档案中的最新人脸;通过卷积部分对最新人脸进行卷积处理,得到最新人脸的人脸特征点;通过迁移部分对最新人脸的人脸特征点进行迁移预测,得到迁移后的最新人脸的人脸特征点;通过反卷积部分对迁移后的最新人脸的人脸特征点进行反卷积处理,得到生成人脸。
在本发明实施例中,上述卷积部分主要用于对最新人脸进行卷积操作,将人脸的图像信息提取为抽象的人脸特征点分布,相同的人脸具有相似的人脸特征点分布,可以根据人脸特征分布的距离或角度来作为人脸相似度。上述迁移部分主要用于对每个人脸特征点进行迁移预测,使得人脸特征点的位置发生改变,得到新的人脸特征点分布。上述反卷积部分用于将迁移后的人脸特征点进行上采样,从而得到与最新人脸相同大小的人脸图像,即为生成人脸。
需要说明的是,在生成式对抗网络中,利用生成网络和鉴别网络进行联合训练,在生成网络中主要利用原人脸图像与目标人脸图像之间的映射,利用这样的映射关系来生成人脸图像。不同于生成式对抗网络中的生成网络,本发明实施例中人脸生成模型利用人脸特征点迁移预测,可以预测人脸特征点的偏移情况,从而引入了人脸特征点的偏移情况来生成人脸图像,可以生成更准确的人脸图像。
可选的,在通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸的步骤之前,还可以构建待训练的初始人脸生成模型以及构建用于训练的第一样本人脸数据集,样本人脸数据集包括间隔预设时间的第一样本人脸与第二样本人脸;通过第一样本人脸数据集对初始人脸生成模型进行训练,以使初始人脸生成模型生成得到所述第一样本人脸对应的样本生成人脸;当第一样本人脸的样本生成人脸与第二样本人脸的误差值收敛时,得到训练好的人脸生成模型。
在本发明实施例中,需要构建初始人脸生成模型进行训练,上述初始人脸生成模型可以是基于生成式对抗网络中的生成网络和鉴定网络进行构建,也可以是基于卷积部分、迁移部分以及反卷积部分进行构建的。在本发明实施例中,初始人脸生成模型优选为基于卷积部分、迁移部分以及反卷积部分进行构建。
上述用于训练的第一样本人脸数据集中包括多个样本人脸对,每个样本人脸对包括一个第一样本人脸与一个第二样本人脸,其中,第二样本人脸的采集时间在第一样本人脸采集时间之后的预设时间,第一样本人脸的采集时间与第二样本人脸的采集时间之间的间隔预设时间可以是预设时间th的整数倍。
每个样本人脸对中,第一样本人脸作为输入人脸,第二样本人脸作为输入标签,在将第一样本人脸作为输入人脸输入到初始人脸生成模型中后,初始人脸生成模型生成第一样本人脸对应的样本生成人脸,将第一样本人脸对应的样本生成人脸与作为标签的第二样本生成人脸进行误差计算,当第一样本人脸的样本生成人脸与所述第二样本人脸的误差值收敛到极小值时,说明第一样本人脸的样本生成人脸具有较高的相似度,此时可以得到训练好的人脸生成模型。
上述第一样本人脸的样本生成人脸与第二样本人脸的误差值可以是人脸特征点的误差值,具体可以通过下述误差损失函数进行计算:
其中,上述loss为误差值,上述N为样本人脸对的数量,上述pnk表示第n个第二样本人脸中第k个人脸特征点的标签值,ynk表示第n个第一样本人脸对应的样本生成人脸中第k个人脸特征点的输出值。
可选的,在构建用于训练的第一样本人脸数据集的步骤中,可以在所有人脸档案中确定第一样本人脸档案;在第一样本人脸档案中随机确定第二样本人脸;基于间隔预设时间,在第二样本人脸的时间之前确定第一样本人脸;以第二样本人脸作为第一样本人脸的标签,得到第一样本人脸数据集。
在本发明实施例中,可以在所有人脸档案中随机确定预设数量的人脸档案作为第一样本人脸档案,上述预设数量可以根据模型训练所需要的数据量进行确定,模型训练所需要的数据量越大,则预设数量越多。通过随机确定预设数量的人脸档案,可以使得人脸档案被命中的机会平等,使得增加第一样本人脸数据集的样本多样性。
在每个第一样本人脸档案中,可以随机确定第二样本人脸,上述第二样本人脸为真实人脸时间线上的人脸,在确定第二样本人脸后,进一步确定第二样本人脸的归档时间,在第二样本人脸所在的真实人脸时间线上,基于间隔预设时间,在第二样本人脸的时间之前确定第一样本人脸。间隔预设时间可以是预设时间th的整数倍。
将第二样本人脸作为第一样本人脸的标签,使得初始人脸生成模型在训练过程,学习到第一样本人脸与第二样本人脸之间的映射关系,在实际使用时,固化第一样本人脸与第二样本人脸之间的这种映射关系,并利用这种映射关系将输入人脸图像生成对应的生成人脸图像。
可选的,初始人脸生成模型包括初始卷积部分、初始迁移部分以及初始反卷积部分,在通过第一样本人脸数据集对初始人脸生成模型进行训练,以使初始人脸生成模型生成得到第一样本人脸对应的样本生成人脸的步骤中,可以将第一样本人脸输入到初始人脸生成模型中;通过初始卷积部分对第一样本人脸进行卷积操作,得到第一样本人脸的人脸特征点;通过初始迁移部分对第一样本人脸的人脸特征点进行迁移预测,得到迁移后的第一样本人脸的人脸特征点;通过初始反卷积部分对迁移后的第一样本人脸的人脸特征点进行反卷积操作,得到第一样本人脸对应的样本生成人脸。
在本发明实施例中,初始人脸生成模型是基于卷积部分、迁移部分以及反卷积部分进行构建的。上述初始卷积部分为卷积神经网络结构,上述初始迁移部分为随机森林算法结构或图卷积算法结构,上述初始反卷积部分为反卷积网络结构。其中,上述卷积神经网络结构包括卷积核,卷积核用于输入的第一样本人脸进行卷积计算,提取第一样本人脸的人脸特征点。上述随机森林算法结构主要多棵树结构,每棵树结构均为二叉树结构,在人脸特征点中随机确定一棵树的顶点节点,每个顶点下连接两个分枝节点,随机森林算法结构中每个树节点中包括该节点的偏移量,随机森林算法结构可以利用多棵树对样本进行训练并预测各个人脸特征点的偏移量。上述图卷积算法结构则是将第一样本人脸的人脸特征点形成图节点结构,图节点结构中,两个人脸特征点之间的通过边进行连接,边的长度为偏移量束缚,边的长度越长,则偏移量束缚越小,边的长度越短,则偏移量束缚越大,通过图卷积算法对图节点结构进行各个人脸特征点的偏移量预测。上述反卷积网络结构可以先按照一定的比例通过补0来对迁移后的人脸特征点进行扩展,接着旋转卷积核,再进行正向卷积,从而得到与第一样本人脸相同尺寸的输出图像作为生成图像。
可选的,在当样本人脸与第二样本人脸的误差值收敛时,得到训练好的人脸生成模型之后,还可以根据目标人脸档案中目标人员的非人脸属性信息,对所有人脸档案进行聚类,得到目标人脸档案所属的聚类集合;将目标人脸档案所属的聚类集合中各个人脸档案的最新人脸确定为第四样本人脸;基于间隔预设时间,在第四样本人脸的时间之前确定对应的第三样本人脸;以第四样本人脸作为第三样本人脸的标签,得到第二样本人脸数据集;通过第二样本人脸数据集对训练好的人脸生成模型进行调整,得到最终的人脸生成模型。
在本发明实施例中,上述非人脸属性信息包括职业、居住地、年龄、性别、健康状况、生活习惯等属性信息。通过对目标人脸档案按职业、居住地、年龄、性别、健康状况、生活习惯等属性信息进行聚类,可以得到不同的聚类集合。
可以将目标档案所在的聚类集合中的人脸档案作为第二样本人脸档案,第二样本人脸档案不包括目标人脸档案,在第二样本人脸档案中,可以将真实人脸时间线上的最新人脸确定第四样本人脸,使得上述第四样本人脸为真实人脸时间线上的人脸,在确定第四样本人脸后,进一步确定第四样本人脸的归档时间,在第四样本人脸所在的真实人脸时间线上,基于间隔预设时间,在第四样本人脸的时间之前确定第三样本人脸。间隔预设时间可以是预设时间th的整数倍。
将第四样本人脸作为第三样本人脸的标签,使得训练好的人脸生成模型在训练过程,学习到第四样本人脸与第三样本人脸之间的人脸特征点迁移关系。
可选的,在通过第二样本人脸数据集对训练好的人脸生成模型进行调整,得到最终的人脸生成模型的步骤中,可以在通过第二样本人脸数据集对训练好的人脸生成模型进行调整的过程中,固定训练好的人脸生成模型的卷积部分以及反卷积部分,对迁移部分进行迭代调整;当迭代到预设的调整次数后或者调整后的人脸生成模型收敛,得到最终的人脸生成模型。
在本发明实施例中,通过增加非人脸属性信息来确定目标人脸档案的属性类别,通过构建第二样本人脸数据集对训练好的人脸生成模型进行调整,使得人脸生成模型能够学习目标人脸档案所属类别下的人脸特征迁移规律,从而可以使生成人脸更准确。
具体的,在得到训练好的人脸生成模型后,可以对模型中的卷积部分和反卷积部分对应的参数进行固化,将第三样本人脸输入到训练好的人脸生成模型,得到第三样本人脸对应的生成人脸,计算第三样本人脸对应的生成人脸与第四样本人脸之间的误差值,根据该误差值调整迁移部分的参数,当第三样本人脸对应的生成人脸与第四样本人脸之间的误差值在极小值处收敛时,得到最终的人脸生成模型。
上述最终的人脸生成模型为预设的人脸生成模型,将目标人脸档案中的最新人脸输入到最终的人脸生成模型,进行人脸生成,得到生成人脸。
需要说明的是,本发明实施例提供的人脸归档方法可以应用于可以进行人脸归档方法的智能摄像头、智能手机、电脑、服务器等设备。
可选的,请参见图2,图2是本发明实施例提供的一种人脸归档装置的结构示意图,如图2所示,所述装置包括:
获取模块201,用于获取超过预设时间没有进行更新的目标人脸档案;
生成模块202,用于通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸;
更新模块203,用于基于所述生成人脸对所述目标人脸档案进行更新。
可选的,所述人脸生成模型包括用于人脸特征点提取的卷积部分、用于预测人脸特点迁移的迁移部分以及用于人脸生成的反卷积部分,所述生成模块202还用于获取所述目标人脸档案中的最新人脸;通过所述卷积部分对所述最新人脸进行卷积处理,得到所述最新人脸的人脸特征点;通过所述迁移部分对所述最新人脸的人脸特征点进行迁移预测,得到迁移后的所述最新人脸的人脸特征点;通过所述反卷积部分对迁移后的所述最新人脸的人脸特征点进行反卷积处理,得到所述生成人脸。
可选的,所述装置还包括:
构建模块,用于构建待训练的初始人脸生成模型以及构建用于训练的第一样本人脸数据集,所述样本人脸数据集包括间隔预设时间的第一样本人脸与第二样本人脸;
第一训练模块,用于通过所述第一样本人脸数据集对所述初始人脸生成模型进行训练,以使所述初始人脸生成模型生成得到所述第一样本人脸对应的样本生成人脸;
第二训练模块,用于当所述第一样本人脸对应的样本生成人脸与所述第二样本人脸的误差值收敛时,得到训练好的人脸生成模型。
可选的,所述构建模块还用于在所有人脸档案中确定第一样本人脸档案;在所述第一样本人脸档案中随机确定所述第二样本人脸;基于所述间隔预设时间,在所述第二样本人脸的时间之前确定所述第一样本人脸;以所述第二样本人脸作为所述第一样本人脸的标签,得到所述第一样本人脸数据集。
可选的,所述初始人脸生成模型包括初始卷积部分、初始迁移部分以及初始反卷积部分,所述第一训练模块还用于将所述第一样本人脸输入到所述初始人脸生成模型中;通过所述初始卷积部分对所述第一样本人脸进行卷积操作,得到所述第一样本人脸的人脸特征点;通过所述初始迁移部分对所述第一样本人脸的人脸特征点进行迁移预测,得到迁移后的所述第一样本人脸的人脸特征点;通过所述初始反卷积部分对迁移后的所述第一样本人脸的人脸特征点进行反卷积操作,得到所述第一样本人脸对应的样本生成人脸。
可选的,所述装置还包括:
聚类模块,用于根据所述目标人脸档案中目标人员的非人脸属性信息,对所有人脸档案进行聚类,得到所述目标人脸档案所属的聚类集合;
第一确定模块,用于将所述目标人脸档案所属的聚类集合中各个人脸档案的最新人脸确定为第四样本人脸;
第二确定模块,用于基于所述间隔预设时间,在所述第四样本人脸的时间之前确定对应的第三样本人脸;
第三确定模块,用于以所述第四样本人脸作为所述第三样本人脸的标签,得到所述第二样本人脸数据集;
调整模块,用于通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整,得到最终的人脸生成模型。
可选的,所述调整模块还用于在通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整的过程中,固定所述训练好的人脸生成模型的卷积部分以及反卷积部分,对所述迁移部分进行迭代调整;当迭代到预设的调整次数后或者调整后的人脸生成模型收敛,得到最终的人脸生成模型。
需要说明的是,本发明实施例提供的人脸归档装置可以应用于可以进行人脸归档方法的智能摄像头、智能手机、电脑、服务器等设备。
本发明实施例提供的人脸归档装置能够实现上述方法实施例中人脸归档方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
参见图3,图3是本发明实施例提供的一种电子设备的结构示意图,如图3所示,包括:存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的人脸归档方法的计算机程序,其中:
处理器301用于调用存储器302存储的计算机程序,执行如下步骤:
获取超过预设时间没有进行更新的目标人脸档案;
通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸;
基于所述生成人脸对所述目标人脸档案进行更新。
可选的,所述人脸生成模型包括用于人脸特征点提取的卷积部分、用于预测人脸特点迁移的迁移部分以及用于人脸生成的反卷积部分,处理器301执行的所述通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸,包括:
获取所述目标人脸档案中的最新人脸;
通过所述卷积部分对所述最新人脸进行卷积处理,得到所述最新人脸的人脸特征点;
通过所述迁移部分对所述最新人脸的人脸特征点进行迁移预测,得到迁移后的所述最新人脸的人脸特征点;
通过所述反卷积部分对迁移后的所述最新人脸的人脸特征点进行反卷积处理,得到所述生成人脸。
可选的,在所述通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸之前,处理器301执行的所述方法还包括:
构建待训练的初始人脸生成模型以及构建用于训练的第一样本人脸数据集,所述样本人脸数据集包括间隔预设时间的第一样本人脸与第二样本人脸;
通过所述第一样本人脸数据集对所述初始人脸生成模型进行训练,以使所述初始人脸生成模型生成得到所述第一样本人脸对应的样本生成人脸;
当所述第一样本人脸对应的样本生成人脸与所述第二样本人脸的误差值收敛时,得到训练好的人脸生成模型。
可选的,处理器301执行的所述构建用于训练的第一样本人脸数据集,包括:
在所有人脸档案中确定第一样本人脸档案;
在所述第一样本人脸档案中随机确定所述第二样本人脸;
基于所述间隔预设时间,在所述第二样本人脸的时间之前确定所述第一样本人脸;
以所述第二样本人脸作为所述第一样本人脸的标签,得到所述第一样本人脸数据集。
可选的,所述初始人脸生成模型包括初始卷积部分、初始迁移部分以及初始反卷积部分,处理器301执行的所述通过所述第一样本人脸数据集对所述初始人脸生成模型进行训练,以使所述初始人脸生成模型生成得到所述第一样本人脸对应的样本生成人脸,包括:
将所述第一样本人脸输入到所述初始人脸生成模型中;
通过所述初始卷积部分对所述第一样本人脸进行卷积操作,得到所述第一样本人脸的人脸特征点;
通过所述初始迁移部分对所述第一样本人脸的人脸特征点进行迁移预测,得到迁移后的所述第一样本人脸的人脸特征点;
通过所述初始反卷积部分对迁移后的所述第一样本人脸的人脸特征点进行反卷积操作,得到所述第一样本人脸对应的样本生成人脸。
可选的,在所述当所述样本人脸与所述第二样本人脸的误差值收敛时,得到训练好的人脸生成模型之后,处理器301执行的所述方法还包括:
根据所述目标人脸档案中目标人员的非人脸属性信息,对所有人脸档案进行聚类,得到所述目标人脸档案所属的聚类集合;
将所述目标人脸档案所属的聚类集合中各个人脸档案的最新人脸确定为第四样本人脸;
基于所述间隔预设时间,在所述第四样本人脸的时间之前确定对应的第三样本人脸;
以所述第四样本人脸作为所述第三样本人脸的标签,得到所述第二样本人脸数据集;
通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整,得到最终的人脸生成模型。
可选的,处理器301执行的所述通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整,得到最终的人脸生成模型,包括:
在通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整的过程中,固定所述训练好的人脸生成模型的卷积部分以及反卷积部分,对所述迁移部分进行迭代调整;
当迭代到预设的调整次数后或者调整后的人脸生成模型收敛,得到最终的人脸生成模型。
本发明实施例提供的电子设备能够实现上述方法实施例中人脸归档方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
本发明实施例还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,该计算机程序被处理器执行时实现本发明实施例提供的人脸归档方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
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,所述的程序可存储于一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,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Nenory,RON)或随机存取存储器(Randon AccessNenory,简称RAN)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种人脸归档方法,其特征在于,包括以下步骤:
获取超过预设时间没有进行更新的目标人脸档案;
通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸;
基于所述生成人脸对所述目标人脸档案进行更新。
2.如权利要求1所述的人脸归档方法,其特征在于,所述人脸生成模型包括用于人脸特征点提取的卷积部分、用于预测人脸特点迁移的迁移部分以及用于人脸生成的反卷积部分,所述通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸,包括:
获取所述目标人脸档案中的最新人脸;
通过所述卷积部分对所述最新人脸进行卷积处理,得到所述最新人脸的人脸特征点;
通过所述迁移部分对所述最新人脸的人脸特征点进行迁移预测,得到迁移后的所述最新人脸的人脸特征点;
通过所述反卷积部分对迁移后的所述最新人脸的人脸特征点进行反卷积处理,得到所述生成人脸。
3.如权利要求2所述的人脸归档方法,其特征在于,在所述通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸之前,所述方法还包括:
构建待训练的初始人脸生成模型以及构建用于训练的第一样本人脸数据集,所述样本人脸数据集包括间隔预设时间的第一样本人脸与第二样本人脸;
通过所述第一样本人脸数据集对所述初始人脸生成模型进行训练,以使所述初始人脸生成模型生成得到所述第一样本人脸对应的样本生成人脸;
当所述第一样本人脸对应的样本生成人脸与所述第二样本人脸的误差值收敛时,得到训练好的人脸生成模型。
4.如权利要求3所述的人脸归档方法,其特征在于,所述构建用于训练的第一样本人脸数据集,包括:
在所有人脸档案中确定第一样本人脸档案;
在所述第一样本人脸档案中随机确定所述第二样本人脸;
基于所述间隔预设时间,在所述第二样本人脸的时间之前确定所述第一样本人脸;
以所述第二样本人脸作为所述第一样本人脸的标签,得到所述第一样本人脸数据集。
5.如权利要求4所述的人脸归档方法,其特征在于,所述初始人脸生成模型包括初始卷积部分、初始迁移部分以及初始反卷积部分,所述通过所述第一样本人脸数据集对所述初始人脸生成模型进行训练,以使所述初始人脸生成模型生成得到所述第一样本人脸对应的样本生成人脸,包括:
将所述第一样本人脸输入到所述初始人脸生成模型中;
通过所述初始卷积部分对所述第一样本人脸进行卷积操作,得到所述第一样本人脸的人脸特征点;
通过所述初始迁移部分对所述第一样本人脸的人脸特征点进行迁移预测,得到迁移后的所述第一样本人脸的人脸特征点;
通过所述初始反卷积部分对迁移后的所述第一样本人脸的人脸特征点进行反卷积操作,得到所述第一样本人脸对应的样本生成人脸。
6.如权利要求5所述的人脸归档方法,其特征在于,在所述当所述样本人脸与所述第二样本人脸的误差值收敛时,得到训练好的人脸生成模型之后,所述方法还包括:
根据所述目标人脸档案中目标人员的非人脸属性信息,对所有人脸档案进行聚类,得到所述目标人脸档案所属的聚类集合;
将所述目标人脸档案所属的聚类集合中各个人脸档案的最新人脸确定为第四样本人脸;
基于所述间隔预设时间,在所述第四样本人脸的时间之前确定对应的第三样本人脸;
以所述第四样本人脸作为所述第三样本人脸的标签,得到所述第二样本人脸数据集;
通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整,得到最终的人脸生成模型。
7.如权利要求5所述的人脸归档方法,其特征在于,所述通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整,得到最终的人脸生成模型,包括:
在通过所述第二样本人脸数据集对所述训练好的人脸生成模型进行调整的过程中,固定所述训练好的人脸生成模型的卷积部分以及反卷积部分,对所述迁移部分进行迭代调整;
当迭代到预设的调整次数后或者调整后的人脸生成模型收敛,得到最终的人脸生成模型。
8.一种人脸归档装置,其特征在于,所述装置包括:
获取模块,用于获取超过预设时间没有进行更新的目标人脸档案;
生成模块,用于通过预设的人脸生成模型对所述目标人脸档案中的最新人脸进行人脸生成,得到生成人脸;
更新模块,用于基于所述生成人脸对所述目标人脸档案进行更新。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的人脸归档方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的人脸归档方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603964.6A CN115937948A (zh) | 2022-12-13 | 2022-12-13 | 人脸归档方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603964.6A CN115937948A (zh) | 2022-12-13 | 2022-12-13 | 人脸归档方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937948A true CN115937948A (zh) | 2023-04-07 |
Family
ID=86655588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211603964.6A Pending CN115937948A (zh) | 2022-12-13 | 2022-12-13 | 人脸归档方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937948A (zh) |
-
2022
- 2022-12-13 CN CN202211603964.6A patent/CN115937948A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200401939A1 (en) | Systems and methods for preparing data for use by machine learning algorithms | |
CN111523621B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN111079639B (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
CN109086653B (zh) | 手写模型训练方法、手写字识别方法、装置、设备及介质 | |
CN111783713B (zh) | 基于关系原型网络的弱监督时序行为定位方法及装置 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN111898703B (zh) | 多标签视频分类方法、模型训练方法、装置及介质 | |
CN112948612B (zh) | 人体封面生成方法、装置、电子设备及存储介质 | |
CN111783997B (zh) | 一种数据处理方法、装置及设备 | |
US20220301288A1 (en) | Control method and information processing apparatus | |
CN114332500A (zh) | 图像处理模型训练方法、装置、计算机设备和存储介质 | |
CN112749737A (zh) | 图像分类方法及装置、电子设备、存储介质 | |
CN113987236B (zh) | 基于图卷积网络的视觉检索模型的无监督训练方法和装置 | |
CN114004364A (zh) | 采样优化方法、装置、电子设备及存储介质 | |
CN113762019B (zh) | 特征提取网络的训练方法、人脸识别方法和装置 | |
CN115937948A (zh) | 人脸归档方法、装置、电子设备及存储介质 | |
CN114582518A (zh) | 医疗数据集优化方法及设备 | |
US20220202348A1 (en) | Implementing brain emulation neural networks on user devices | |
CN114519401A (zh) | 一种图像分类方法及装置、电子设备、存储介质 | |
CN113704528A (zh) | 聚类中心确定方法、装置和设备及计算机存储介质 | |
CN116431757B (zh) | 基于主动学习的文本关系抽取方法、电子设备及存储介质 | |
CN113269176B (zh) | 图像处理模型训练、图像处理方法、装置和计算机设备 | |
CN116992944B (zh) | 基于可学习重要性评判标准剪枝的图像处理方法及装置 | |
CN116663648B (zh) | 模型训练方法、装置、设备及存储介质 | |
CN117058498A (zh) | 分割图评估模型的训练方法、分割图的评估方法及装置 |
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 |