(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111637930.4 (22)申请日 2021.12.2 9 (71)申请人 杭州海康威视数字技 术股份有限公 司 地址 310051 浙江省杭州市滨江区阡 陌路 555号 (72)发明人 张烁　 (74)专利代理 机构 北京柏杉松知识产权代理事 务所(普通 合伙) 11413 代理人 项京　高莺然 (51)Int.Cl. G06V 40/16(2022.01) G06K 9/62(2022.01) G06V 10/774(2022.01) (54)发明名称 人脸识别模型的训练方法、 装置、 电子设备 及存储介质 (57)摘要 本发明实施例提供了一种人脸识别模型的 训练方法、 装置、 电子设备及存储介质， 方法包 括： 获取源域人脸特征以及初始化识别模型； 获 取目标域的目标人脸图像样本； 基于目标人脸图 像样本以及源域人脸特征， 调整初始化识别模型 的部分模型参数， 直到初始化识别模型收敛， 得 到针对源域和目标域的人脸识别模 型。 初始化模 型在使用源域的全量人脸图像样 本训练后， 保存 部分源域人脸特征， 并固定初始化模型部分参 数。 进而， 使用目标域的目标人脸图像样本和源 域人脸特征对 该初始化模型进行进一步训练后， 得到针对源域和目标域的人脸识别模 型。 既保持 了对源域全量人脸图像的识别能力， 又可以准确 识别目标域的目标人脸图像， 提高了人脸识别模 型的识别能力和精度。 权利要求书2页 说明书18页 附图4页 CN 114333013 A 2022.04.12 CN 114333013 A 1.一种人脸识别模型的训练方法， 其特 征在于， 所述方法包括： 获取源域人脸特征以及初始化识别模型， 其中， 所述初始化识别模型基于源域的全量 人脸图像样本训练得到， 所述源域人脸特征为通过所述初始 化识别模型获得的所述全量人 脸图像样本的人脸特 征； 获取目标域的目标 人脸图像样本， 其中， 所述目标 人脸图像样本对应的身份标签未知； 基于所述目标人脸图像样本以及所述源域人脸特征， 调整所述初始化识别模型的部分 模型参数， 直到所述初始化识别模型收敛， 得到针对 源域和目标域的人脸识别模型。 2.根据权利要求1所述的方法， 其特 征在于， 所述获取源域人脸特 征的步骤， 包括： 按照预设筛选策略， 对所述全量人脸图像样本进行筛选， 得到筛选后的全量人脸图像 样本， 其中， 所述预设筛选策略使得所述筛选后的全量人脸图像样本的数量不变的情况下， 所述筛选后的全量人脸图像样本对应的身份信息数量 不小于预设数量； 将所述筛选后的全量人脸图像样本输入所述初始化识别模型， 获取所述初始化识别模 型的中间层输出的人脸特 征； 基于所述中间层输出的人脸特 征， 确定源域人脸特 征。 3.根据权利要求1所述的方法， 其特征在于， 所述初始化识别模型包括参数固定部分和 待训练部分； 所述基于所述目标人脸图像样本以及所述源域人脸特征， 调 整所述初始化识别模型的 部分模型参数的步骤， 包括： 将所述目标人脸图像样本输入所述参数固定部分和所述待训练部分， 得到第 一预测标 签， 并基于所述第一预测标签以及所述 目标人脸图像样本对应的伪标签， 确定第一分类损 失； 将所述源域人脸特征输入所述待训练部分， 得到第二预测标签， 并基于所述第二预测 标签以及所述源域人脸特 征对应的身份标签， 确定第二分类损失； 将所述源域人脸特征分别输入所述待训练部分以及所述待训练部分对应的初始部分， 得到预估特征以及初始特征， 并基于所述预估特征以及所述初始特征， 确定约束损失， 其 中， 所述初始部分为所述待训练部 分的模型参数固定为基于所述全量人脸图像样本训练后 的模型参数时对应的模型部分； 基于所述第一分类损 失、 所述第二分类损 失及所述约束损 失， 调整所述待训练部分的 模型参数。 4.根据权利要求3所述的方法， 其特征在于， 在所述将所述目标人脸图像样本输入所述 参数固定 部分和所述待训练部分， 得到第一预测标签的步骤之前， 所述方法还 包括： 对所述目标人脸图像样本进行聚类， 确定每个目标人脸图像样本对应的伪标签， 其中， 所述伪标签用于标识对应的目标 人脸图像样本所属的人员身份。 5.根据权利要求3所述的方法， 其特征在于， 所述基于所述第一分类损 失、 所述第二分 类损失及所述约束损失， 调整所述待训练部分的模型参数的步骤， 包括： 基于所述第一分类损 失、 所述第二分类损 失及所述约束损 失， 按照以下公式计算得到 损失函数值 L： L＝Lc1+Lc2+λLkd 其中， Lc1为所述第一分类损失， Lc2为所述第二分类损失， Lkd为所述约束损失， λ为预设权　利　要　求　书 1/2 页 2 CN 114333013 A 2参数； 基于所述损失函数值， 调整所述待训练部分的模型参数。 6.根据权利要求3所述的方法， 其特征在于， 所述基于所述预估特征以及所述初始特 征， 确定约束损失的步骤， 包括： 基于所述预估特 征以及所述初始特 征， 按照以下公式计算得到所述约束损失Lkd： 其中， n为所述源域人脸特征的数量， Fi为第i个源域人脸特征对应的初始特征， 为第i 个源域人脸特 征对应的预估特 征。 7.根据权利要求2 ‑6任一项所述的方法， 其特征在于， 所述基于所述中间层输出的人脸 特征， 确定源域人脸特 征的步骤， 包括： 对所述中间层输出的人脸特征进行降维处理， 得到降维后的人脸特征， 作为源域人脸 特征； 在所述基于所述目标人脸图像样本以及所述源域人脸特征， 调整所述初始化识别模型 的部分模型参数的步骤之前， 所述方法还 包括： 对所述源域人脸特 征进行维度恢复处 理， 得到恢复后的源域人脸特 征。 8.根据权利要求1 ‑6任一项所述的方法， 其特 征在于， 所述方法还 包括： 获取所述目标域的待识别人脸图像； 基于所述人脸识别模型对所述待识别人脸图像进行识别， 确定所述待识别人脸图像对 应的身份。 9.一种人脸识别模型的训练装置， 其特 征在于， 所述装置包括： 初始化训练模块， 用于获取源域人脸特征以及初始化识别模型， 其中， 所述初始化识别 模型基于源域的全量人脸图像样本训练得到， 所述源域人脸特征为通过所述初始化识别模 型获得的所述全量人脸图像样本的人脸特 征； 目标域样本获取模块， 用于获取目标域的目标人脸图像样本， 其中， 所述目标人脸图像 样本对应的身份标签未知； 增量训练模块， 用于基于所述目标人脸图像样本以及所述源域人脸特征， 调整所述初 始化识别模型 的部分模型参数， 直到所述初始化识别模型收敛， 得到针对源域和目标域的 人脸识别模型。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质内存储有计算机 程序， 所述计算机程序被处 理器执行时实现权利要求1 ‑8任一所述的方法步骤。权　利　要　求　书 2/2 页 3 CN 114333013 A 3