[发明专利]人脸识别模型训练方法、装置、计算机设备及存储介质

说明书

本发明公开了一种人脸识别模型训练方法、装置、计算机设备及存储介质，通过获取样本人脸图像集，对样本人脸图像集设置相同的第一权重值，得到待训练人脸图像集；将待训练人脸图像集输入至神经网络模型中进行训练；在经过第一预设次数的训练之后，获取待训练人脸图像集的第一目标θ分布直方图；根据第一目标θ分布直方图调整待训练人脸图像集的第一权重值，调整后的每一待训练人脸图像的第一权重值与对应的所述cosθ值呈正相关；返回执行在经过第一预设次数的训练之后，获取待训练人脸图像集的第一目标θ分布直方图的步骤，直至神经网络模型符合预设的终止条件，得到目标人脸识别模型；从而提高了生成的目标人脸识别模型的人脸识别精度。

技术领域

本发明涉及智能决策领域，尤其涉及一种人脸识别模型训练方法、装置、 计算机设备及存储介质。

背景技术

在图像处理领域，如何对样本集进行处理来训练准确率更高的图像模型 一直都是研究的重点。样本集是其中的关键因素。目前传统的样本集处理方 法大部分都是对样本数据集增强、修剪等，通过对图像样本进行翻转、折叠、 加入人为噪声等来加大样本集的数量，或者是对样本数据进行标准化、正则 化等。然而，在人脸图像处理领域，采用传统的样本集处理方法依旧不可避 免地会受到图像标签噪声的影响，给训练和模型带来许多负面效果，从而导 致生成的人脸识别模型的识别精度较低、且泛化能力弱。

发明内容

本发明实施例提供一种人脸识别模型训练方法、装置、计算机设备及存 储介质，以解决人脸识别的精度较低问题。

一种人脸识别模型训练方法，包括：

获取样本人脸图像集，对所述样本人脸图像集中的每一样本人脸图像设 置相同的第一权重值，得到待训练人脸图像集；

将所述待训练人脸图像集中的每一待训练人脸图像输入至神经网络模型 中进行训练；

在经过第一预设次数的训练之后，获取所述待训练人脸图像集的第一目 标θ分布直方图，其中，所述第一目标θ分布直方图为当前的θ分布直方图， 在所述第一目标θ分布直方图中，横坐标为cosθ值，纵坐标为样本数量，其 中，θ是指在损失函数中第一权重值和每一待训练人脸图像对应的特征点之 间的夹角；

根据所述第一目标θ分布直方图调整所述待训练人脸图像集中每一待训 练人脸图像的所述第一权重值，其中，所述调整后的每一待训练人脸图像的 所述第一权重值与对应的所述cosθ值呈正相关；

返回执行所述在经过第一预设次数的训练之后，获取所述待训练人脸图 像集的第一目标θ分布直方图的步骤，直至所述神经网络模型符合预设的终 止条件，得到目标人脸识别模型。

一种人脸识别模型训练装置，包括：

样本人脸图像集获取模块，用于获取样本人脸图像集，对所述样本人脸 图像集中的每一样本人脸图像设置相同的第一权重值，得到待训练人脸图像 集；

训练模块，用于将所述待训练人脸图像集中的每一待训练人脸图像输入 至神经网络模型中进行训练；

第一目标θ分布直方图获取模块，用于在经过第一预设次数的训练之后， 获取所述待训练人脸图像集的第一目标θ分布直方图，其中，所述第一目标 θ分布直方图为当前的θ分布直方图，在所述第一目标θ分布直方图中，横 坐标为cosθ值，纵坐标为样本数量，其中，θ用于反映每一待训练人脸图像 为干净样本的概率；

第一调整模块，用于根据所述第一目标θ分布直方图调整所述待训练人 脸图像集中每一待训练人脸图像的所述第一权重值，其中，所述调整后的每 一待训练人脸图像的所述第一权重值与对应的所述cosθ值呈正相关；

目标人脸识别模型生成模块，用于返回执行所述在经过第一预设次数的 训练之后，获取所述待训练人脸图像集的第一目标θ分布直方图的步骤，直 至所述神经网络模型符合预设的终止条件，得到目标人脸识别模型。