[发明专利]人脸识别模型训练方法和装置

权利要求书

1.一种人脸识别模型训练方法，其特征在于，所述方法包括：

获取原始人脸识别模型，所述原始人脸识别模型是使用第一训练样本集对卷积神经网络进行训练后得到的，所述原始人脸识别模型中包括N层特征系数，N≥2；

获取第二训练样本集，并确定第二训练样本集中的各样本人脸图像对应的第一原始分类标号，所述各样本人脸图像是存储于云端人脸相册中的人脸图像；

采用所述原始人脸识别模型的前M层特征系数对所述第二训练样本集中的各样本人脸图像进行编码，获得编码后的第二训练样本集；其中，所述编码后的第二训练样本集中包括与各样本人脸图像分别对应的各编码后特征向量以及与各编码后特征向量分别对应的第一原始分类标号，N≥M≥1；

根据所述编码后的第二训练样本集对所述原始人脸识别模型的后N-M层特征系数进行训练，获得训练后的后N-M层特征系数；

所述确定第二训练样本集中的各样本人脸图像对应的第一原始分类标号，包括：

为所述第二训练样本集中的各样本人脸图像中的每个样本人脸图像分配对应的分类标号，并将对应于同一个人的样本人脸图像设置为相同的分类标号，得到所述第二训练样本集中的各样本人脸图像对应的第一原始分类标号。

2.根据权利要求1所述的方法，其特征在于，所述根据所述编码后的第二训练样本集对所述原始人脸识别模型的后N-M层特征系数进行训练，获得训练更新后的后N-M层特征系数，包括：

对所述编码后的第二训练样本集中的各编码后特征向量进行随机分批处理，获得各批训练样本子集；

依次以每批训练样本子集对所述原始人脸识别模型的后N-M层特征系数进行训练，获得经全部各批训练样本子集训练后得到的后N-M层特征系数。

3.根据权利要求2所述的方法，其特征在于，所述依次以每批训练样本子集对所述原始人脸识别模型的后N-M层特征系数进行训练，包括：

依次以当前一批训练样本子集中的各编码后特征向量为输入，迭代执行如下处理，直到所述全部各批训练样本子集都被执行为止：

对所述原始人脸识别模型的后N-M层特征系数进行训练，得到与所述当前一批训练样本子集中的各编码后特征向量分别对应的第一输出分类标号；

根据预设距离度量方式，确定所述当前一批训练样本子集中的各编码后特征向量分别对应的第一原始分类标号与对应的第一输出分类标号间的距离；

根据各所述距离，确定所述当前一批训练样本子集对应的分类误差率；

若所述分类误差率大于预设阈值，则调整经所述当前一批训练样本子集中的各编码后特征向量对所述原始人脸识别模型的后N-M层特征系数进行训练后得到的后N-M层特征系数；

更新所述当前一批训练样本子集为所述当前一批训练样本子集的下一批训练样本子集。

4.根据权利要求2所述的方法，其特征在于，所述依次以每批训练样本子集对所述原始人脸识别模型的后N-M层特征系数进行训练，获得经全部各批训练样本子集训练后得到的后N-M层特征系数之后，所述方法还包括：

获取测试样本集，并确定测试样本集中的各测试人脸图像对应的第二原始分类标号，所述测试样本集中的各测试人脸图像与所述第二训练样本集中的各样本人脸图像不同，所述第二原始分类标号是指为所述各测试人脸图像设置的分类标号；

根据所述测试样本集对更新后的人脸识别模型进行准确度测试，确定所述更新后的人脸识别模型的准确度，所述更新后的人脸识别模型中包括所述前M层特征系数和所述经全部各批训练样本子集训练后得到的后N-M层特征系数；

所述确定测试样本集中的各测试人脸图像对应的第二原始分类标号，包括：

为所述测试样本集中的各测试人脸图像中的每个测试人脸图像分配对应的分类标号，并将对应于同一个人的测试人脸图像设置为相同的分类标号，得到所述测试样本集中的各测试人脸图像对应的第二原始分类标号。