[发明专利]人脸认证模型的生成方法、认证方法、设备及存储介质

说明书

本发明公开了一种人脸认证模型的生成方法、认证方法、设备及存储介质，生成方法包括：获取第一人脸认证模型；获取第一训练集；通过第一训练集训练第一人脸认证模型以获取第二人脸认证模型，且在训练的过程中调整第一分类矩阵参数以获取第二分类矩阵模块；通过第一训练集训练第二人脸认证模型以获取目标人脸认证模型，且在训练的过程中调整第一人脸特征提取参数以获取第二人脸特征提取模块，调整第二分类矩阵参数以获取第三分类矩阵模块。本发明相对使用高成本构建大型人脸数据集的方式而言，可以针对特定场景采集包括少量人脸样本的人脸数据集，进行集成训练，降低了模型构建成本，提升了特定场景下人脸认证模型的性能，降低了误识别率。

技术领域

本发明涉及人脸认证领域，特别涉及一种人脸认证模型的生成方法、认证方法、设备及存储介质。

背景技术

随着计算机计算能力的提高，特别是GPU(graphics processing unit，图形处理器)显卡的特定浮点运算加速，以及互联网发展带来的海量训练数据，使用基于神经网络的机器学习方式得到了充足的发展，在计算机视觉、自然语言处理、语音识别等方面取得了一定的效果。其中人脸识别作为一个重要应用，采用深度卷积神经网络的方式，也取得了比传统人工特征方式要更好的效果。在人脸比对检测的场景中，有1:1和1:N两种比对需求。在1:N比对中，要求找出待比对的人脸是否在有N个人脸的底库中，这是通过待比对人脸和底库中的N个人脸逐个对比以计算相似度，在N比较大时，容易出现误识别，即误检测某两张不同人脸为相同的人。

要降低误识别率，需要进一步提升基于深度学习的人脸认证模型的性能，其中一种方法是提供更大更好的数据集进行训练。人脸认证是一种基于分类的度量学习，在训练过程中，要求训练集中的人脸ID(标识符)不能重复，否则得到的验证模型容易出现误识别人脸的情况，而收集一个丰富的人脸数据集是一项成本很高的任务。现有的数据集，无论公开的或私有的，规模各异，数量众多，由于各数据集不能确定是否有人脸ID重复，基于这样的数据集难以训练出能够准确识别人脸的人脸认证模型，即训练出来了的模型容易错将不同的人脸识别为相同的人。

发明内容

本发明要解决的技术问题是为了克服现有技术中难以以低成本的方式构建能够准确识别人脸的人脸认证模型的缺陷，提供一种能够以低成本的方式构建能够准确识别人脸的人脸认证模型的人脸认证模型的生成方法、认证方法、设备及存储介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供了一种人脸认证模型的生成方法，所述生成方法包括以下步骤：

获取第一人脸认证模型，所述第一人脸认证模型包括第一人脸特征提取模块及第一分类矩阵模块，数据从所述第一人脸特征提取模块输入，所述第一人脸特征提取模块的输出作为所述第一分类矩阵模块的输入，所述第一人脸特征提取模块包括第一人脸特征提取参数，所述第一分类矩阵模块包括第一分类矩阵参数；

获取第一训练集，所述第一训练集包括若干人脸图像；

通过所述第一训练集训练所述第一人脸认证模型以获取第二人脸认证模型，且在训练的过程中调整所述第一分类矩阵参数以获取第二分类矩阵模块，所述第二分类矩阵模块包括第二分类矩阵参数，所述第二人脸认证模型包括所述第一人脸特征提取模块及所述第二分类矩阵模块；

通过所述第一训练集训练所述第二人脸认证模型以获取目标人脸认证模型，且在训练的过程中调整所述第一人脸特征提取参数以获取第二人脸特征提取模块，调整所述第二分类矩阵参数以获取第三分类矩阵模块，所述目标人脸认证模型包括所述第二人脸特征提取模块及所述第三分类矩阵模块。

较佳地，所述训练所述第一人脸认证模型的步骤包括：使用第一学习率训练所述第一人脸认证模型；

所述训练所述第二人脸认证模型的步骤包括：使用第二学习率训练所述第二人脸认证模型；

所述第二学习率小于所述第一学习率；和/或，