[发明专利]人脸特征提取模型的构建方法、计算机存储介质及设备

权利要求书

1.一种人脸特征提取模型的构建方法，其特征在于，包括以下步骤：

S1、获取人脸数据集，通过构建训练批次对收集到的人脸数据进行人脸检测和人脸校正，构建三元组；

S2、选取一个训练批次的数据，分别送入导师网络和学生网络中，计算各自的前向传播结果，得到导师网络输出特征向量和学生网络输出特征向量；

S3、根据所述导师网络输出特征向量，计算三元组中的距离；

S4、将所述导师网络的三元组中的距离压缩至指定范围；

S5、根据步骤S4计算出的动态阈值，计算对应的双梯度三元组的损失函数；

S6、根据所述损失函数，选择一第一三元组；

S7、根据所述第一三元组，计算其双向梯度，输出到学生网络，所述学生网络根据所述双向梯度更新网络权重。

2.根据权利要求1所述的方法，其特征在于，在步骤S1中，通过收集公开人脸数据库或自建人脸数据集获取人脸数据集。

3.根据权利要求1所述的方法，其特征在于，在步骤S1中，一次训练有P个人，每个人有M张人脸图片，构建训练批次时，一个训练批次大小是B，其中B是M与P的乘积，M≥2。

4.根据权利要求1所述的方法，其特征在于，在步骤S1中，在构建三元组时，定义锚样本和正样本为来自同一个人的人脸图片，负样本为与锚样本不同人的人脸图片。

5.根据权利要求1所述的方法，其特征在于，在步骤S3中，采用三元组距离函数计算三元组中的距离d，

式中，分别是第i个锚样本、负样本、正样本的特征，是导师网络中锚样本特征向量与负样本特征向量的距离，是导师网络中锚样本特征向量与正样本特征向量的距离。

6.根据权利要求5所述的方法，其特征在于，在步骤S4中，采用指定范围内的长度压缩函数压缩所述三元组中的距离d，

式中，F(d)是压缩后的距离函数，d_max为步骤S3计算得到的d的最大值，m_max和m_min分别为指定阈值的最大值和最小值。

7.根据权利要求6所述的方法，其特征在于，在步骤S5中，双梯度三元组的损失函数为：

式中，N是三元组的数量，分别为步骤S2中由学生网络提取特征后，动态阈值计算单元计算得到的锚样本与正样本的特征向量距离、锚样本与负样本的特征向量距离、正样本与负样本的特征向量距离。

8.根据权利要求7所述的方法，其特征在于，在步骤S6中，选取有效的三元组的方法包括：

选取满足步骤S5中双梯度三元组的损失函数所有的三元组；

在满足步骤S5中双梯度三元组的损失函数的前提下，针对某一锚样本，如果其负样本对的数量大于某一设定阈值，则从该负样本对中随机选取部分负样本对作为梯度更新来源；

在满足步骤S5中双梯度三元组的损失函数的前提下，针对某一锚样本，如果其负样本对的数量大于某一设定阈值，选取具有最大距离的正样本对和最小距离的负样本对；

在满足步骤S5中双梯度三元组的损失函数的前提下，针对某一锚样本，如果其负样本对的数量大于某一设定阈值，选取具有最小距离的正样本对和最小距离的负样本对；

在满足步骤S5中双梯度三元组的损失函数的前提下，针对某一锚样本，将负样本对的距离进行排序，选取具有最小距离的负样本对；

在满足步骤S5中双梯度三元组的损失函数的前提下，针对某一锚样本，如果其负样本对的数量大于某一设定阈值，将负样本对的距离进行排序，选取大于某一距离的负样本对；

在满足步骤S5中双梯度三元组的损失函数的前提下，针对某一锚样本，如果其负样本对的数量大于某一设定阈值，将负样本对的距离进行排序，随机选取一定数量的大于某一距离的负样本对；

在满足步骤S5中双梯度三元组的损失函数的前提下，针对某一锚样本，如果其负样本对的数量大于某一设定阈值，并且最难三元组中负样本对的距离小于某一阈值，将负样本对的距离进行排序，随机选取一个或几个较小距离的负样本对，和一个或几个中等难度负样本对。