[发明专利]人脸识别模型的平滑升级方法、装置和可读存储介质

说明书

本发明公开了一种人脸识别模型的平滑升级方法，人脸识别模型的平滑升级方法包括以下步骤构建与原始人脸识别模型对应的待升级模型，其中，所述待升级模型与所述原始人脸识别模型输出的人脸特征的维度相等；将数据集中的各张人脸图像分别输入所述待升级模型以及所述原始人脸识别模型，以得到各张所述人脸图像对应的人脸特征；设计所述待升级模型的损失函数，以对各个所述人脸特征进行损失监督学习，使得所述待升级模型经过训练后提取的人脸特征与所述原始人脸识别模型提取的人脸特征满足预设条件。本发明还公开一种人脸识别模型的平滑升级装置和可读存储介质。本发明在提高人脸识别精度的同时，降低了人脸识别模型的平滑升级成本。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸识别模型的平滑升级方法、装置和可读存储介质。

背景技术

基于深度卷积神经网络技术的人脸识别算法的巨大成功，已经广泛应用于社会安全、公共服务等各种领域。人脸识别应用首先通过人脸采集设备如摄像头等采集到图像，通过人脸检测算法对人脸进行定位。在对检测到的人脸做对齐操作后输入到人脸识别模块进行特征提取，并与之前注册的人脸库进行匹配。当相似度超过事先设定的阈值时，便将最相似的注册人脸作为该人脸的身份信息。在整个识别的过程中，人脸识别的精度主要取决于人脸特征，最终决定于人脸识别模型。

随着算法改进和数据的增加，要提高人脸识别的精度就需要重新训练新的人脸识别模型来更新神经网路的参数。这样一来，旧的版本的人脸识别模型和新的版本的模型所提取的人脸特征就不在一个特征空间中，导致新版本的人脸识别模型提取的特征与旧版本的人脸识别模型提取的特征无法向前兼容，从而导致了人脸识别模型的升级成本较高。

发明内容

本发明的主要目的在于提供一种人脸识别模型的平滑升级方法、装置和可读存储介质，旨在解决人脸识别模型的升级成本较高的问题。

为实现上述目的，本发明提供的一种人脸识别模型的平滑升级方法，所述人脸识别模型的训练方法包括以下步骤：

构建与原始人脸识别模型对应的待升级模型，其中，所述待升级模型与所述原始人脸识别模型输出的人脸特征的维度相等；

将数据集中的各张人脸图像分别输入所述待升级模型以及所述原始人脸识别模型，以得到各张所述人脸图像对应的人脸特征，其中，所述数据集中含有新增人脸图像以及历史人脸图像；

设计所述待升级模型的损失函数，以对各个所述人脸特征进行损失监督学习，使得所述待升级模型经过训练后提取的人脸特征与所述原始人脸识别模型提取的人脸特征满足预设条件，其中，所述预设条件包括待升级模型经过训练后提取的人脸特征与所述原始人脸识别模型提取的人脸特征相等以及所述待升级模型经过训练后提取的人脸特征与所述原始人脸识别模型提取的人脸特征之间的夹角余弦值大于预设阈值中的至少一个。

在一实施例中，所述人脸特征包括所述原始人脸识别模型输出的第一人脸特征，以及所述待升级模型输出的第二人脸特征，所述对各个所述人脸特征进行损失监督学习的步骤包括：

计算所述第一人脸特征与各个预存人脸特征之间的相似度，并计算所述第一人脸特征与所述第二人脸特征之间的目标均方误差；

根据各个所述相似度以及所述目标均方误差确定所述人脸图像对应的损失值；

根据所述损失值对所述第二人脸特征进行损失监督学习。

在一实施例中，所述根据各个所述相似度以及所述目标均方误差确定所述人脸图像对应的损失值的步骤包括：

在各个所述相似度中确定最大的相似度，并将最大的所述相似度作为目标相似度；

在所述目标相似度大于或等于预设相似度阈值时，将所述目标均方误差作为所述人脸图像对应的损失值；

在所述目标相似度小于预设相似度阈值时，根据所述待升级模型设置的损失函数计算所述人脸图像对应的损失值。