[发明专利]人脸识别模型的训练方法、装置、设备及存储介质

说明书

本申请涉及人工智能技术领域，揭示了一种人脸识别模型的训练方法、装置、设备及存储介质，其中方法包括：采用多个第一训练样本对初始三维人脸纹理模型生成模块训练得到目标三维人脸纹理模型生成模块；基于目标三维人脸纹理模型生成模块，根据从多个第二训练样本中获取的目标第二训练样本得到待扰动的三维人脸纹理模型；根据待扰动的三维人脸纹理模型、预设的图像投影及纹理映射模型和预设的投影角度集合进行光照和纹理的扰动以及图像生成得到待训练的二维人脸图像集合；根据待训练的二维人脸图像集合和人脸图像标定值对初始人脸识别模型进行训练得到目标人脸识别模型。实现了针对光照和表情纹理的变化进行有效建模，提高了模型对扰动的鲁棒性。

技术领域

本申请涉及到人工智能技术领域，特别是涉及到一种人脸识别模型的训练方法、装置、设备及存储介质。

背景技术

深度神经网络的出现为计算机视觉技术的应用带来了飞速的发展，从而使基于深度学习技术的人脸识别技术得到广泛的应用。现有基于二维人脸图像或三维结构光的人脸识别技术都不能针对环境光照条件和不同视角下表情纹理的变化进行有效建模，降低了人脸识别模型的鲁棒性。

发明内容

本申请的主要目的为提供一种人脸识别模型的训练方法、装置、设备及存储介质，旨在解决现有技术基于二维人脸图像或三维结构光的人脸识别技术都不能针对环境光照条件和不同视角下表情纹理的变化进行有效建模，降低了人脸识别模型的鲁棒性的技术问题。

为了实现上述发明目的，本申请提出一种人脸识别模型的训练方法，所述方法包括：

获取多个第一训练样本，所述多个第一训练样本中每个第一训练样本包括：第一人脸图像样本集合；

采用所述多个第一训练样本对初始三维人脸纹理模型生成模块进行训练，将训练结束的所述初始三维人脸纹理模型生成模块作为目标三维人脸纹理模型生成模块；

获取多个第二训练样本，所述多个第二训练样本中每个第二训练样本包括：第二人脸图像样本集合和人脸图像标定值；

从所述多个第二训练样本中获取一个所述第二训练样本作为目标第二训练样本；

基于所述目标三维人脸纹理模型生成模块，根据所述目标第二训练样本的所述第二人脸图像样本集合进行三维人脸纹理模型生成，得到待扰动的三维人脸纹理模型；

获取预设的图像投影及纹理映射模型和预设的投影角度集合，根据所述待扰动的三维人脸纹理模型、所述预设的图像投影及纹理映射模型和所述预设的投影角度集合进行光照和纹理的扰动以及二维人脸图像生成，得到所述目标第二训练样本对应的待训练的二维人脸图像集合；

根据所述目标第二训练样本对应的所述待训练的二维人脸图像集合和所述人脸图像标定值对初始人脸识别模型进行训练及参数更新；

重复执行所述从所述多个第二训练样本中获取一个所述第二训练样本作为目标第二训练样本的步骤，直至达到第一预设的训练结束条件，将达到所述第一预设的训练结束条件的所述初始人脸识别模型作为目标人脸识别模型。

进一步的，所述采用所述多个第一训练样本对初始三维人脸纹理模型生成模块进行训练，将训练结束的所述初始三维人脸纹理模型生成模块作为目标三维人脸纹理模型生成模块的步骤，包括：

从所述多个第一训练样本中获取一个所述第一训练样本作为目标第一训练样本；

将所述目标第一训练样本的所述第一人脸图像样本集合输入所述初始三维人脸纹理模型生成模块的特征提取子模块进行特征提取，得到待处理的特征数据；

将所述待处理的特征数据输入所述初始三维人脸纹理模型生成模块的线性变换子模块进行线性变换处理，得到所述目标第一训练样本对应的身份向量、表情参数向量和姿态参数向量；