模型训练方法、人脸识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种模型训练方法，包括：获取训练批数据，训练批数据包括多个训练样本，针对每个训练样本，通过特征提取模块获得样本图像对应的身份特征和年龄特征，并通过典型相关映射模块获得上述特征各自对应的典型相关映射变量；基于每个训练样本对应的典型相关映射变量，通过批相关系数度量模块统计训练批数据对应的相关系数；通过身份判别器和年龄判别器进行联合监督学习，并通过相关系数进行身份特征和年龄特征的去相关性训练，训练得到满足训练目标的特征提取模块。基于去相关性的对抗学习使得特征提取模块识别出的身份特征与年龄特征的相关性极低，从而提高识别精度。本申请还公开了跨年龄人脸识别方法及对应的装置、设备、介质。

Model Training Method, Face Recognition Method, Device, Equipment and Storage Media

【技术实现步骤摘要】
模型训练方法、人脸识别方法、装置、设备及存储介质
本申请涉及人工智能
，尤其涉及一种模型训练方法、一种跨年龄人脸识别方法、装置、设备及存储介质。
技术介绍
现阶段，跨年龄人脸识别问题是人脸识别领域面临的重大挑战之一，年龄变化使得人脸图像具有更复杂的多样性，极大增加了人脸识别的难度，跨年龄人脸识别技术仍然处于探索阶段。现有的跨年龄人脸识别主要采用判别式方案，其主要是基于身份判别和年龄判别的多任务学习来进行的，但，由于身份特征和年龄特征通常具有一定程度上的关联性，如此，身份特征就会包括一些年龄信息，使得人脸识别结果并不可靠。因此，如何提高跨年龄人脸识别的性能是目前亟需解决的问题。
技术实现思路
本申请提供了一种模型训练方法，通过分离身份特征和年龄特征，利用身份判别器和年龄判别器进行联合学习以及去相关性训练得到特征提取模块，该特征提取模块对于身份特征和年龄特征具有较高的识别精度，将其用于跨年龄人脸识别，能够提高识别结果可靠性。本申请还提供了对应的装置、设备及介质。有鉴于此，本申请第一方面提供了一种模型训练方法，所述方法包括：获取训练批数据，所述训练批数据包括多个训练样本，每个所述训练样本包括样本图像及样本图像对应的身份标签和年龄标签；针对所述训练批数据中每个所述训练样本，通过特征提取模块获得所述训练样本中样本图像对应的身份特征和年龄特征，并通过典型相关映射模块获得所述身份特征和所述年龄特征各自对应的典型相关映射变量；基于所述训练批数据中每个所述训练样本对应的所述典型相关映射变量，通过批相关系数度量模块统计所述训练批数据对应的相关系数；通过身份判别器和年龄判别器进行联合监督学习，并通过所述相关系数进行所述身份特征和所述年龄特征的去相关性训练，训练得到满足训练目标的所述特征提取模块。本申请第二方面提供了一种跨年龄人脸识别方法，所述方法包括：获取第一人脸图像和第二人脸图像；通过预先训练的特征提取模块获取所述第一人脸图像中人脸部分的身份特征作为第一身份特征，并通过所述特征提取模块获取所述第二人脸图像中人脸部分的身份特征作为第二身份特征；所述特征提取模块为通过上述第一方面所述模型训练方法训练生成的；根据所述第一身份特征和所述第二身份特征确定所述第一人脸图像与所述第二人脸图像中人脸的相似度；显示识别结果，所述识别结果包括所述相似度。本申请第三方面提供了一种模型训练装置，所述装置包括：获取单元，用于获取训练批数据，所述训练批数据包括多个训练样本，每个所述训练样本包括样本图像及样本图像对应的身份标签和年龄标签；分析单元，用于针对所述训练批数据中每个所述训练样本，通过特征提取模块获得所述训练样本中样本图像对应的身份特征和年龄特征，并通过典型相关映射模块获得所述身份特征和所述年龄特征各自对应的典型相关映射变量；相关系数统计单元，用于基于所述训练批数据中每个所述训练样本对应的所述典型相关映射变量，通过批相关系数度量模块统计所述训练批数据对应的相关系数；对抗学习单元，用于通过身份判别器和年龄判别器进行联合监督学习，并通过所述相关系数进行所述身份特征和所述年龄特征的去相关性训练，训练得到满足训练目标的所述特征提取模块。本申请第四方面提供了一种跨年龄人脸识别装置，所述装置包括：获取单元，用于获取第一人脸图像和第二人脸图像；特征分析单元，用于通过预先训练的特征提取模块获取所述第一人脸图像中人脸部分的身份特征作为第一身份特征，并通过所述特征提取模块获取所述第二人脸图像中人脸部分的身份特征作为第二身份特征；所述特征提取模块为通过上述权利要求1至6中任一项所述模型训练方法训练生成的；相似度确定单元，用于根据所述第一身份特征和所述第二身份特征确定所述第一人脸图像与所述第二人脸图像中人脸的相似度；显示单元，用于显示识别结果，所述识别结果包括所述相似度。本申请第五方面提供了一种设备，所述设备包括处理器以及存储器：所述存储器用于存储计算机程序；所述处理器用于根据所述计算机程序执行第一方面所述的模型训练方法或者第二方面所述的跨年龄人脸识别方法。本申请第六方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的模型训练方法或者第二方面所述的跨年龄人脸识别方法。本申请第六方面提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行第一方面所述的模型训练方法或者第二方面所述的跨年龄人脸识别方法。从以上技术方案可以看出，本申请实施例具有以下优点：本申请实施例中提供了一种模型训练方法，在训练过程中，通过特征提取模块分解训练样本中样本图像的身份特征和年龄特征，通过典型相关映射模块获得身份特征和年龄特征各自对应的典型相关映射变量，基于该典型相关映射变量可以确定训练批数据对应的相关系数，利用该相关系数增加去相关性的约束，基于去相关性的对抗学习使得最终训练得到的特征提取模块识别出的身份特征与年龄特征的相关性极低，从而提高识别精度。将该特征提取模块应用于跨年龄人脸识别，由于能够准确分解出身份特征和年龄特征，因此，能够排除年龄干扰，提高跨年龄人脸识别的识别结果可靠性。附图说明图1为本申请实施例中模型训练方法的场景架构图；图2为本申请实施例中模型训练方法的流程图；图3为本申请实施例中模型训练方法的示例图；图4为本申请实施例中跨年龄人脸识别方法的场景架构图；图5为本申请实施例中跨年龄人脸识别方法的流程图；图6为本申请实施例中模型训练方法及跨年龄人脸识别方法的场景示意图；图7为本申请实施例中模型训练装置的一个结构示意图；图8为本申请实施例中跨年龄人脸识别装置的一个结构示意图；图9为本申请实施例中服务器的一个结构示意图；图10为本申请实施例中终端的一个结构示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。针对采用判别式方案进行跨年龄人脸识别时，身份特征和年龄特征通常具有一定程度上的关联性，身份特征中包括一些年龄信息，使得识别结果不可靠的技术问题，本申请提供了一种模型训练方法，其通过在训练过程中增加去相关性约束，使得最终训练得到的特征提取模块能够较好地分解身份特征和年龄特征，由于二者相关性极低，因此，在利用身份特征进行跨年龄人脸识别时，受到年龄因素的影响较小，因而具有较高的识别精度。可以理解，本申请提供的模型训练方本文档来自技高网...

【技术保护点】
1.一种模型训练方法，其特征在于，包括：获取训练批数据，所述训练批数据包括多个训练样本，每个所述训练样本包括样本图像及样本图像对应的身份标签和年龄标签；针对所述训练批数据中每个所述训练样本，通过特征提取模块获得所述训练样本中样本图像对应的身份特征和年龄特征，并通过典型相关映射模块获得所述身份特征和所述年龄特征各自对应的典型相关映射变量；基于所述训练批数据中每个所述训练样本对应的所述典型相关映射变量，通过批相关系数度量模块统计所述训练批数据对应的相关系数；通过身份判别器和年龄判别器进行联合监督学习，并通过所述相关系数进行所述身份特征和所述年龄特征的去相关性训练，训练得到满足训练目标的所述特征提取模块。

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取训练批数据，所述训练批数据包括多个训练样本，每个所述训练样本包括样本图像及样本图像对应的身份标签和年龄标签；针对所述训练批数据中每个所述训练样本，通过特征提取模块获得所述训练样本中样本图像对应的身份特征和年龄特征，并通过典型相关映射模块获得所述身份特征和所述年龄特征各自对应的典型相关映射变量；基于所述训练批数据中每个所述训练样本对应的所述典型相关映射变量，通过批相关系数度量模块统计所述训练批数据对应的相关系数；通过身份判别器和年龄判别器进行联合监督学习，并通过所述相关系数进行所述身份特征和所述年龄特征的去相关性训练，训练得到满足训练目标的所述特征提取模块。2.根据权利要求1所述的方法，其特征在于，所述去相关性训练包括：交替执行的如下两个训练步骤：固定所述特征提取模块的参数，通过更新所述典型相关映射模块的参数使得所述相关系数的绝对值最大；固定所述典型相关映射模块的参数，通过更新所述特征提取模块、所述身份判别器和所述年龄判别器各自的参数使得训练损失达到最小，所述训练损失是根据对抗损失、所述身份判别器的损失和所述年龄判别器的损失确定的，所述对抗损失是根据相关系数确定的。3.根据权利要求2所述的方法，其特征在于，通过以下方式确定所述训练损失：对所述对抗损失、所述身份判别器的损失和所述年龄判别器的损失进行加权求和，将加权求和结果作为所述训练损失。4.根据权利要求2所述的方法，其特征在于，所述身份判别器的损失采用增大间隔余弦损失函数，以及，所述年龄判别器的损失采用交叉熵损失函数。5.根据权利要求1至4任一项所述的方法，其特征在于，所述特征提取模块包括：级联的初始特征提取模块和残差分解模块；其中，所述初始特征提取模块，用于通过卷积神经网络提取人脸图像的初始特征；所述残差分解模块，用于通过残差网络对所述初始特征进行线性分解得到身份特征和年龄特征。6.根据权利要求5所述的方法，其特征在于，通过初始特征提取模块提取人脸图像的初始特征，再通过残差网络获取人脸图像的年龄特征，确定人脸图像的初始特征与人脸图像的年龄特征的差值，作为人脸图像的身份特征。7.一种跨年龄人脸识别方法，其特征在于，包括：获取第一人脸图像和第二人脸图像；通过预先训练的特征提取模块获取所述第一人脸图像中人脸部分的身份特征作为第一身份特征，并通过所述特征提取模块获取所述第二人脸图像中人脸部分的身份特征作为第二身份特征；所述特征提取模块为通过上述权利要求1至6中任一项所述模型训练方法训练生成的；根据所述第一身份特征和所述第二身份特征确定所述第一人脸图像与所述第二人脸图像中人脸的相似度；显示识别结果，所述识别结果包括所述相似度。8.一种模型训练装置，其特征在于，包括：获取单元，用于获取训练批数据，所述训练批数据包括多个训练样本，每个所述训练样本包括样本图像及样本图像对...

【专利技术属性】
技术研发人员：王浩，龚迪洪，李志鋒，刘威，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44