[發明專利]人臉識別模型的訓練數據擴充方法、終端設備及介質

在審

• 申請號: 202110943769.7
• 申請日: 2021-08-17
• 公開（公告）號: CN113780095A
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 程耀;賀菁菁
• 申請（專利權）人: 中移（杭州）信息技術有限公司;中國移動通信集團有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08;G06T17/00
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 晏波

本發明公開了一種人臉識別模型的訓練數據擴充方法，終端設備及計算機可讀存儲介質。所述方法包括：獲取目標對象對應的二維人臉圖像，并根據所述二維人臉圖像構建所述目標對象對應的三維人臉模型；基于旋轉矩陣對所述三維人臉模型進行位置轉換，并基于位置轉換后的所述三維人臉模型，采集所述目標對象對應的不同角度的人臉圖像；基于所述不同角度的人臉圖像擴充人臉識別模型的訓練數據集。本發明旨在達成降低擴充人臉識別模型的訓練數據集中的人臉數據的成本的效果。

技術領域

本發明涉及人臉識別技術領域，尤其涉及人臉識別模型的訓練數據擴充方法、終端設備及計算機可讀存儲介質。

背景技術

人臉識別是基于人臉部區域的固有生理特征信息進行身份鑒定的一種生物識別技術，能遠距離、非接觸快速定位人臉位置、識別人物身份，已廣泛應用于支付、安防等領域。

隨著深度學習技術的快速發展，基于卷積神經網絡(CNN，Convolutional NeuralNetworks)的人臉識別技術是最主流、高效的方法。其處理流程為先使用人臉檢測技術定位出人臉區域和關鍵點，再基于關鍵點位置的仿射變換實現人臉的擺正，并將圖像統一到固定的大小。將上述擺正后的人臉圖像輸入到CNN網絡中進行特征的提取，用一組浮點數作為人臉的唯一標識，最后通過計算不同人臉的浮點數組之間的余弦距離或者歐式距離計算得到相似度，與預設閾值相比判定得到結果。

但是，由于人臉識別的場景復雜多樣，容易受到遮擋、角度、表情等各種因素的干擾，基于深度學習的人臉識別方法，需要大規模的訓練數據才能獲得較高精確度的模型。尤其是對于人臉識別模型，為了擴大類間距離、縮小類內距離，同一個人物ID需要較多的不同角度、表情的圖像，才能達到泛化能力較好、精確度更高的模型。在相關技術中，獲取人臉數據時，一般通過公開的數據集進行獲取。由于許多數據集在使用時是需要付費的，并且對于亞洲人臉數據而言，公開的數據集有限，且由于數據私密性的原因，大規模的數據獲取較難。這樣導致人臉數據的獲取成本較大。

上述內容僅用于輔助理解本發明的技術方案，并不代表承認上述內容是現有技術。

發明內容

本發明的主要目的在于提供一種人臉識別模型的訓練數據擴充方法、終端設備及計算機可讀存儲介質，旨在達成降低擴充人臉識別模型的訓練數據集中的人臉數據的成本的效果。

為實現上述目的，本發明提供一種人臉識別模型的訓練數據擴充方法，所述人臉識別模型的訓練數據擴充方法包括以下步驟：

獲取目標對象對應的二維人臉圖像，并根據所述二維人臉圖像構建所述目標對象對應的三維人臉模型；

基于旋轉矩陣對所述三維人臉模型進行位置轉換，并基于位置轉換后的所述三維人臉模型，采集所述目標對象對應的不同角度的人臉圖像；

基于所述不同角度的人臉圖像擴充人臉識別模型的訓練數據集。

可選地，所述基于所述不同角度的人臉圖像擴充人臉識別模型的訓練數據集的步驟之后，還包括：

基于擴充后的所述訓練數據集訓練所述人臉識別模型；

通過訓練后的所述人臉識別模型對待識別人臉圖像進行人臉識別。

可選地，所述通過訓練后的所述人臉識別模型對待識別圖像進行人臉識別的步驟包括：

訓練后的所述人臉識別模型基于所述訓練數據集確定所述目標對象對應的第一人臉特征，以及所述待識別人臉圖像對應的第二人臉特征；

確定所述第一人臉特征與所述第二人臉特征之間的余弦距離；

根據所述余弦距離確定所述待識別人臉圖像對應的待識別對象是否為所述目標對象。

可選地，所述根據所述余弦距離確定所述待識別人臉圖像對應的待識別對象是否為所述目標對象的步驟包括：