[发明专利]人脸识别模型获取方法、装置、设备和介质

权利要求书

1.一种基于迁移学习的人脸识别模型获取方法,其特征在于，包括：

利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型，用于基于所述人脸图像集中的人脸图像的特征对所述人脸图像进行分类；

利用所述教师网络模型对所述图像集中的每张人脸图像进行特征提取获取其对应的特征向量，并将所述特征向量作为该张人脸图像的特征标签；

根据所述教师网络模型生成一个学生网络模型；

利用带有特征标签的图像集训练所述学生网络模型得到人脸识别模型。

2.如权利要求1所述的人脸识别方法，其特征在于，所述利用带有身份标签的人脸图像集训练一深度神经网络模型包括：

对所述人脸图像集中的图像进行归一化处理，使其中所有图像的像素值均位于预设范围内；

采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练，并根据提取出的初始特征对所述人脸图像进行分类。

3.如权利要求2所述的人脸识别方法，其特征在于，还包括：

在采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练时采用交叉熵损失函数作为监督信号，以提高所述神经网络模型的特征提取能力。

4.如权利要求2所述的人脸识别方法，其特征在于，在采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练之后还包括：

采用梯度下降法对所述深度神经网络模型进行反复多次训练，以提高该深度神经网络模型分类的精确度。

5.如权利要求1所述的人脸识别方法，其特征在于，利用带有特征标签的图像集训练所述学生网络模型，得到人脸识别模型时还包括：

获取所述图像集中的至少一张人脸图像，对于任意一张人脸图像分别通过所述教师网络模型和学生网络模型获取两个特征向量，并计算两个特征向量之间的相似度，判定所述相似度是否超过预设值，若是则判定所述学生网络模型达到预设训练要求，则将该学生网络模型作为人脸识别模型。

6.一种基于迁移学习的人脸识别模型获取装置，其特征在于，应用于人脸识别设备，所述装置包括：

第一训练模块，用于利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型，所述教师网络模型用于基于所述人脸图像集中的人脸图像的特征对所述人脸图像进行分类；

特征提取模块，用于利用所述教师网络模型对所述图像集中的每张人脸图像进行特征提取获取其对应的特征向量，并将所述特征向量作为该张人脸图像的特征标签；

学生网络生成模块，用于根据所述教师网络模型生成一个学生网络模型；

第二训练模块，用于采用带有特征标签的图像集训练所述学生网络模型得到人脸识别模型。

7.如权利要求6所述的人脸识别模型获取装置，其特征在于，还包括预处理模块，用于在利用带有身份标签的人脸图像集训练一深度神经网络模型之前，对所述人脸图像集中的图像进行归一化处理，使其中所有图像的像素值均位于预设范围内。

8.一种人脸识别装置，其特征在于，所述装置包括人脸识别模块，所述人脸识别模块中设有人脸识别模型，用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。

9.一种基于迁移学习的人脸识别模型获取设备，其特征在于，所述人脸识别设备包括存储器和处理器，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器读取并运行时，执行如权利要求1-5中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1-5中任一项所述的方法。