[发明专利]一种人脸识别模型构建方法及其系统、装置、存储介质

说明书

本发明公开了一种人脸识别模型构建方法及其系统、装置、存储介质，通过生成用于进行样本扩展的类内变化数据集，利用所述类内变化数据集生成扩展样本，再利用所述扩展样本对轻量卷积神经网络进行训练，可以有效增加样本的规模，弥补训练样本不足的问题，提升训练效果，提高最终人脸识别模型的性能；另外，通过引入轻量卷积神经网络，由于轻量卷积神经网络的参数较少，能够在保证良好性能的基础上简单便捷地应用于嵌入式设备中。

技术领域

本发明涉及人脸识别技术领域，尤其是一种人脸识别模型构建方法及其系统、装置、存储介质。

背景技术

近年来，随着人们对生物识别系统安全性和准确性的要求越来越高，生物特征识别技术得到越来越多的关注。人脸识别作为众多生物特征识别技术中的一种，由于具有符合人类认知习惯、采集简单、非接触性、并发性等优点，成为当前研究的热点。

现有的人脸识别技术很大程度上依赖于训练样本的规模，但在实际情况中，如移民管理、逃犯追踪和视频监控等，样本的规模较小，这将会导致人脸识别系统的性能下降，甚至无法工作。

发明内容

为解决上述问题，本发明的目的在于提供一种人脸识别模型构建方法及其系统、装置、存储介质，能够有效扩展用于训练的样本，提升人脸识别模型的准确率。

本发明解决其问题所采用的技术方案是：

第一方面，本发明实施例提出了一种人脸识别模型构建方法，包括：

生成用于进行样本扩展的类内变化数据集；

利用所述类内变化数据集生成扩展样本；

利用所述扩展样本对轻量卷积神经网络进行训练，得到人脸识别模型。

进一步，所述生成用于进行样本扩展的类内变化数据集，包括：

构建包含类内变化图像和中性图像的外加正面数据集；

生成所述外加正面数据集中的类内变化图像的类内变化偏差；

找出具有相同的类内变化偏差的类内变化图像，生成类内变化平均图像；

利用所述类内变化平均图像构建类内变化数据集。

进一步，所述利用所述类内变化数据集生成扩展样本，包括：

输入单样本人脸数据集；

裁剪所述单样本人脸数据集至与所述类内变化数据集尺寸相同；

将类内变化数据集与裁剪后的单样本人脸数据集组合生成扩展样本。

进一步，所述利用所述扩展样本对轻量卷积神经网络进行训练，得到人脸识别模型，包括：

通过迁移学习将特征表示中全连接层之前的网络冻结；

对所述扩展样本进行预处理；

利用所述扩展样本进行迭代训练并对全连接层的参数进行微调，直至交叉熵损失函数达到最小。

第二方面，本发明实施例还提出了一种人脸识别模型构建系统，包括：

数据生成单元，用于生成用于进行样本扩展的类内变化数据集；

样本扩展单元，用于利用所述类内变化数据集生成扩展样本；

模型训练单元，用于利用所述扩展样本对轻量卷积神经网络进行训练，得到人脸识别模型。

进一步，所述数据生成单元包括：

第一构建模块，用于构建包含类内变化图像和中性图像的外加正面数据集；