[发明专利]人脸识别模型的训练方法及装置、存储介质、终端

说明书

一种人脸识别模型的训练方法及装置、存储介质、终端，所述方法包括：步骤一：获取样本人脸图像，所述样本人脸图像具有人脸身份标签；步骤二：从多个预测网络中选择当前预测网络，采用骨干网络计算所述样本人脸图像的人脸特征向量，将所述人脸特征向量输入至所述当前预测网络，以得到当前预测结果，并根据所述人脸身份标签和所述当前预测结果更新所述骨干网络；步骤三：判断是否遍历所述多个预测网络，如果是，则继续执行步骤四，否则返回至步骤二，直至遍历所述多个预测网络；步骤四：判断是否满足预设停止条件，如果是，则得到训练后的人脸识别模型，所述训练后的人脸识别模型包括更新后的骨干网络。本发明的方案可以提高人脸识别模型的性能。

技术领域

本发明涉及一种人脸识别技术领域，尤其涉及一种人脸识别模型的训练 方法及装置、存储介质、终端。

背景技术

人脸识别技术是基于人脸特征信息进行身份识别的一种生物识别技术， 可以应用于身份验证、视频监控等多种领域。人脸识别技术主要是利用深度 神经网络(DeepNeural Network，DNN)提取人脸特征信息，以用于身份识 别。具体而言，采用预先训练好的人脸识别模型提取人脸特征信息，并根据 人脸特征信息进行身份识别。但现有技术中的人脸识别模型的训练方法无法 使人脸识别模型充分学习到样本人脸图像中的人脸特征信息，训练后得到的 人脸识别模型提取人脸特征信息的性能仍然有待提高。

因此，亟需一种人脸识别模型的训练方法，能够使人脸识别模型充分学习 到样本人脸图像中的人脸特征信息，从而提高人脸识别模型提取人脸特征信 息的性能。

发明内容

本发明解决的技术问题是提供一种人脸识别模型的训练方法，能够使人 脸识别模型充分学习到样本人脸图像中的人脸特征信息。

为解决上述技术问题，本发明实施例提供一种人脸识别模型的训练方法， 所述方法包括：步骤一：获取样本人脸图像，所述样本人脸图像具有人脸身 份标签；步骤二：从所述多个预测网络中选择当前预测网络，采用所述骨干 网络计算所述样本人脸图像的人脸特征向量，将所述人脸特征向量输入至所 述当前预测网络，以得到当前预测结果，并根据所述人脸身份标签和所述当 前预测结果调整更新所述骨干网络中的连接权重，其中，所述当前预测结果 为所述当前预测网络对所述样本人脸图像的预测结果；步骤三：判断是否遍历所述多个预测网络，如果是，则继续执行步骤四，否则返回至步骤二，直 至遍历所述多个预测网络；步骤四：判断是否满足预设停止条件，如果是， 则得到训练后的人脸识别模型，所述训练后的人脸识别模型包括更新后的骨 干网络。

可选的，获取样本人脸图像之前，所述方法还包括：采用互不相同的多 组随机数分别初始化所述多个彼此相同的预测网络，以得到多个彼此不同的 预测网络。

可选的，从所述多个预测网络中选择当前预测网络包括：首次执行步骤 二时，从所述多个预测网络中随机选择任一预测网络作为所述当前预测网络； 步骤二被再次执行时，从未被选择过的预测网络中随机选择任一预测网络作 为所述当前预测网络。

可选的，从所述多个预测网络中选择当前预测网络包括：首次执行步骤 二时，选择第1个预测网络作为所述当前预测网络；每次从步骤三返回至步 骤二时，选择第i+1个预测网络作为所述当前预测网络，其中，第i个预测网 络为前一次执行步骤二时的当前预测网络，i为正整数，1≤i≤N，N为所述多 个预测网络的数量。

可选的，所述方法还包括：如果不满足所述预设停止条件，则获取下一 张样本人脸图像，并将所述下一张样本人脸图像作为所述样本人脸图像，并 返回至步骤二，直至满足所述预设停止条件。

可选的，根据权利要求5所述的人脸识别模型的训练方法，其特征在于， 所述预设停止条件包括：所述多个预测网络被遍历的次数达到预设阈值。

可选的，所述步骤二还包括：根据所述人脸身份标签和所述当前预测结 果，更新所述当前预测网络。

可选的，所述骨干网络的数量为1。