[发明专利]人脸识别模型的训练数据扩充方法、终端设备及介质

说明书

本发明公开了一种人脸识别模型的训练数据扩充方法，终端设备及计算机可读存储介质。所述方法包括：获取目标对象对应的二维人脸图像，并根据所述二维人脸图像构建所述目标对象对应的三维人脸模型；基于旋转矩阵对所述三维人脸模型进行位置转换，并基于位置转换后的所述三维人脸模型，采集所述目标对象对应的不同角度的人脸图像；基于所述不同角度的人脸图像扩充人脸识别模型的训练数据集。本发明旨在达成降低扩充人脸识别模型的训练数据集中的人脸数据的成本的效果。

技术领域

本发明涉及人脸识别技术领域，尤其涉及人脸识别模型的训练数据扩充方法、终端设备及计算机可读存储介质。

背景技术

人脸识别是基于人脸部区域的固有生理特征信息进行身份鉴定的一种生物识别技术，能远距离、非接触快速定位人脸位置、识别人物身份，已广泛应用于支付、安防等领域。

随着深度学习技术的快速发展，基于卷积神经网络(CNN，Convolutional NeuralNetworks)的人脸识别技术是最主流、高效的方法。其处理流程为先使用人脸检测技术定位出人脸区域和关键点，再基于关键点位置的仿射变换实现人脸的摆正，并将图像统一到固定的大小。将上述摆正后的人脸图像输入到CNN网络中进行特征的提取，用一组浮点数作为人脸的唯一标识，最后通过计算不同人脸的浮点数组之间的余弦距离或者欧式距离计算得到相似度，与预设阈值相比判定得到结果。

但是，由于人脸识别的场景复杂多样，容易受到遮挡、角度、表情等各种因素的干扰，基于深度学习的人脸识别方法，需要大规模的训练数据才能获得较高精确度的模型。尤其是对于人脸识别模型，为了扩大类间距离、缩小类内距离，同一个人物ID需要较多的不同角度、表情的图像，才能达到泛化能力较好、精确度更高的模型。在相关技术中，获取人脸数据时，一般通过公开的数据集进行获取。由于许多数据集在使用时是需要付费的，并且对于亚洲人脸数据而言，公开的数据集有限，且由于数据私密性的原因，大规模的数据获取较难。这样导致人脸数据的获取成本较大。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种人脸识别模型的训练数据扩充方法、终端设备及计算机可读存储介质，旨在达成降低扩充人脸识别模型的训练数据集中的人脸数据的成本的效果。

为实现上述目的，本发明提供一种人脸识别模型的训练数据扩充方法，所述人脸识别模型的训练数据扩充方法包括以下步骤：

获取目标对象对应的二维人脸图像，并根据所述二维人脸图像构建所述目标对象对应的三维人脸模型；

基于旋转矩阵对所述三维人脸模型进行位置转换，并基于位置转换后的所述三维人脸模型，采集所述目标对象对应的不同角度的人脸图像；

基于所述不同角度的人脸图像扩充人脸识别模型的训练数据集。

可选地，所述基于所述不同角度的人脸图像扩充人脸识别模型的训练数据集的步骤之后，还包括：

基于扩充后的所述训练数据集训练所述人脸识别模型；

通过训练后的所述人脸识别模型对待识别人脸图像进行人脸识别。

可选地，所述通过训练后的所述人脸识别模型对待识别图像进行人脸识别的步骤包括：

训练后的所述人脸识别模型基于所述训练数据集确定所述目标对象对应的第一人脸特征，以及所述待识别人脸图像对应的第二人脸特征；

确定所述第一人脸特征与所述第二人脸特征之间的余弦距离；

根据所述余弦距离确定所述待识别人脸图像对应的待识别对象是否为所述目标对象。

可选地，所述根据所述余弦距离确定所述待识别人脸图像对应的待识别对象是否为所述目标对象的步骤包括：