[發明專利]一種基于深度神經網絡模型的半監督在線人臉識別方法及系統

有效

• 申請號: 202011191914.2
• 申請日: 2020-10-30
• 公開（公告）號: CN112417986B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 鄧雄
• 申請（專利權）人: 四川天翼網絡股份有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774;G06V10/82;G06N3/04;G06N3/09
• 代理公司: 成都金英專利代理事務所(普通合伙) 51218
• 代理人: 袁英

本發明公開了一種基于深度神經網絡模型的半監督在線人臉識別方法及系統，所述人臉識別方法包括離線訓練和在線訓練，所述離線訓練用以生成基礎人臉識別特征提取模型；所述在線訓練通過前端人臉識別設備獲取并上傳識別結果；數據預處理平臺根據識別結果和圖像數據進行預處理；根據預處理結果選擇在線監督訓練或自監督訓練，當數據達到設定量時，將數據下放到訓練機中進行訓練；訓練完成自動測試模型，并將測試精度與離線訓練生成模型精度進行比較，選擇是否更新模型。通過本發明提供的離線訓練加在線訓練讓人臉識別模型可達到實驗室與應用環境模型精度一致，極大提升人臉識別模型在實際應用場景的精度。

技術領域

本發明涉及人臉識別領域，尤其涉及一種基于深度神經網絡模型的半監督在線人臉識別方法及系統。

背景技術

人臉識別是一種基于人的相貌特征信息進行身份認證的生物特征識別技術，技術的最大特征是能避免個人信息泄露，并采用非接觸的方式進行識別。人臉識別與指紋識別、掌紋識別、視網膜識別、骨骼識別、心跳識別等都屬于人體生物特征識別技術，都是隨著光電技術、微計算機技術、圖像處理技術與模式識別等技術的快速發展應運而生的。在中國人臉識別已廣泛的應用于公安、安全、海關、金融、軍隊、機場、邊防口岸、安防等多個重要行業及領域，以及智能門禁、門鎖、考勤、手機、數碼相機、智能玩具等民用市場。

但目前人臉識別模型訓練存在：模型訓練需要大量的標注，標注成本高，模型訓練模式屬于監督學習；模型效果在實驗室環境精度高，在實際應用場景精度低；模型無法在線訓練，無法利用應用場景數據等不足。因此，如何實現人臉識別模型訓練的無監督學習，及提升人臉識別模型在實際應用場景的精度，是一個亟需解決的技術問題。

發明內容

為了解決上述問題，本發明的第一方面提供了一種基于深度神經網絡模型的半監督在線人臉識別方法，其特征在于，所述半監督在線人臉識別方法包括離線訓練步驟和在線訓練步驟，通過離線訓練生成基礎人臉識別特征提取模型，通過在線迭代訓練耦合應用場景數據，提高人臉識別模型在實際應用場景的精度；其中：

所述離線訓練包括如下步驟：

準備訓練數據，包括已標注數據，和未標注數據；

構建深度神經網絡；

設計并計算Loss函數；

訓練整體模型架構，獲得特征提取模型；

所述在線訓練包括如下步驟：

搭建訓練機環境，將離線訓練模型部署在訓練機中；

前端人臉識別設備將識別結果上傳到數據預處理平臺；

數據預處理平臺根據識別結果和圖像數據進行預處理；

根據預處理結果選擇在線監督訓練或自監督訓練，當數據達到設定量時，將數據下放到訓練機中進行訓練；

訓練完成自動測試模型。

優選的，一種基于深度神經網絡模型的半監督在線人臉識別方法，所述離線訓練增加自監督訓練模塊，用以實現無監督學習。

優選的，一種基于深度神經網絡模型的半監督在線人臉識別方法，所述設計Loss函數，包括監督學習的InsightFace Loss和自監督學習的MSE Loss。

優選的，一種基于深度神經網絡模型的半監督在線人臉識別方法，所述Loss計算，對于已標注的數據為Loss1=InsightFace Loss + MSE Loss，對于未標注的樣本數據Loss2=MSE Loss，增體Loss=lamda*Loss1 +（1-lamda）*Loss2，lamda的取值范圍為[0.5,1]。