[发明专利]人脸模型的训练方法和装置、人脸认证方法和装置

权利要求书

1.一种人脸模型的训练方法，其特征在于，包括：

获取训练样本，所述训练样本包括训练图像数据和证件图像数据；

根据所述训练图像数据和所述证件图像数据获得训练人脸图像和证件人脸图像；

采用所述训练人脸图像训练人脸特征模型；

采用配对的训练人脸图像和证件人脸图像，对所述人脸特征模型进行调整；

其中，所述采用配对的训练人脸图像和证件人脸图像，对所述人脸特征模型进行调整的步骤包括：

采用配对的训练人脸图像和证件人脸图像基于人脸认证对所述人脸特征模型进行训练，以将模型参数从初始参数值调整为目标参数值；

其中，所述采用配对的训练人脸图像和证件人脸图像基于人脸认证对所述人脸特征模型进行训练，以将模型参数从初始参数值调整为目标参数值的步骤包括：

将属于同一用户的训练人脸图像和证件人脸图像进行配对；

随机提取配对的训练人脸图像和证件人脸图像；

将随机提取的、配对的训练人脸图像和证件人脸图像输入所述人脸特征模型中提取训练人脸特征和证件人脸特征；

计算所述训练人脸特征和证件人脸特征用于人脸认证时的第二损失率；

判断所述第二损失率是否收敛；

若是，则以当前迭代的所述模型参数的参数值作为目标参数值；

若否，则采用所述第二损失率计算第二梯度；

采用所述第二梯度与预设的学习率对所述模型参数的参数值进行下降，返回执行所述随机提取配对的训练人脸图像和证件人脸图像的步骤。

2.根据权利要求1所述的方法，其特征在于，所述采用所述训练人脸图像训练人脸特征模型的步骤包括：

采用所述训练人脸图像基于人脸识别对预置的人脸特征模型进行训练，以训练出所述模型参数的初始参数值。

3.根据权利要求2所述的方法，其特征在于，所述采用所述训练人脸图像基于人脸识别对所述人脸特征模型进行训练，以训练出所述模型参数的初始参数值训练人脸图像的步骤包括：

随机提取训练人脸图像；

将随机提取的训练人脸图像输入预置的人脸特征模型中提取训练人脸特征；

计算所述训练人脸特征用于人脸识别时的第一损失率；

判断所述第一损失率是否收敛；

若是，则以当前迭代的所述模型参数的参数值作为初始参数值；

若否，则采用所述第一损失率计算第一梯度；采用所述第一梯度与预设的学习率对所述模型参数的参数值进行下降，返回执行所述随机提取训练人脸图像的步骤。

4.根据权利要求3所述的方法，其特征在于，所述计算所述训练人脸特征用于人脸识别时的第一损失率的步骤包括：

计算所述训练人脸特征属于预设的用户标签的概率；

采用所述概率计算所述训练人脸特征的用于人脸识别时的第一损失率。

5.根据权利要求1所述的方法，其特征在于，所述计算所述训练人脸特征和证件人脸特征用于人脸认证时的第二损失率的步骤包括：

计算所述训练人脸特征和证件人脸特征之间的距离；

采用所述距离计算所述训练人脸特征和证件人脸特征的用于人脸认证时的第二损失率。

6.根据权利要求1-4任一项所述的方法，其特征在于，还包括：

采用配对的训练人脸图像和证件人脸图像，按照联合贝叶斯训练人脸认证模型。

7.根据权利要求1-4任一项所述的方法，其特征在于，所述人脸特征模型包括卷积神经网络，所述卷积神经网络包括一个或多个卷积层、一个或多个采样层，所述卷积神经网络的模型参数包括卷积核；

所述卷积神经网络对输入的人脸图像的处理如下：

当所述卷积层属于第一深度范围时，采用指定的单个卷积核进行卷积操作；

当所述卷积层属于第二深度范围时，采用分层线性模型Inception进行卷积操作，其中，所述第二深度范围的层数大于所述第一深度范围的层数；

在所述采样层中，进行最大化下采样；

根据所述卷积神经网络输出的多个图像数据获得特征向量，作为人脸图像的人脸特征。