(19)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 202210928829.2 (22)申请日 2022.08.03 (71)申请人 深圳市杉川机 器人有限公司 地址 518057 广东省深圳市南 山区西丽 街 道松坪山社区北环大道9018号大族创 新大厦A区10层 (72)发明人 蔡中印　 (74)专利代理 机构 北京励诚知识产权代理有限 公司 11647 专利代理师 刘雅婷 (51)Int.Cl. G06V 10/774(2022.01) G06V 40/16(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 40/40(2022.01) E05B 49/00(2006.01) G07C 9/00(2020.01) (54)发明名称 人脸识别模 型的训练方法、 存储介质及智能 门锁 (57)摘要 本发明公开了一种人脸识别模型的训练方 法、 存储介质及智能门锁， 该训练方法包括： 获取 第一训练图像集， 第一训练图像集包括样本图像 和与样本图像对应的深度图像； 将样本图像和深 度图像， 输入至初始人脸识别模型进行训练， 得 到样本特征向量、 深度特征向量、 融合特征； 基于 样本特征向量、 深度特征向量、 融合特征确定初 始人脸识别模 型的损失函数； 根据初始人脸识别 模型的损失函数， 调整初始人脸识别模型的参 数， 得到目标人脸识别模型。 该训练方法无需采 集百万级别的彩色图像及其对应的深度图像， 具 有训练成本低的优点， 且该训练方法训练得到的 目标人脸识别模 型具有人脸识别精度高， 人脸识 别能耗低， 人脸识别速度快的优点。 权利要求书2页 说明书10页 附图5页 CN 115272800 A 2022.11.01 CN 115272800 A 1.一种人脸识别模型的训练方法， 其特 征在于， 包括： 获取第一训练图像集， 其中， 所述第一训练图像集包括样本 图像和与所述样本 图像对 应的深度图像； 将所述样本图像和所述深度图像输入至初始人脸识别模型进行训练， 得到样本特征向 量、 深度特 征向量、 融合特 征； 基于所述样本特征向量、 深度特征向量、 融合特征确定所述初始人脸识别模型的损 失 函数； 根据所述初始人脸识别模型的损 失函数， 调整所述初始人脸识别模型的参数， 得到目 标人脸识别模型。 2.根据权利要求1所述的人脸识别模型的训练方法， 其特征在于， 所述获取第 一训练图 像集， 包括： 采集多个彩色图像； 将所述彩色图像输入训练好的3D人脸重构模型得到与所述彩色图像对应的深度图像， 和/或， 采集与多个所述彩色图像对应的深度图像； 将所述彩色图像输入训练好的红外生成模型 得到与所述彩色图像对应的红外图像； 将各所述彩色图像和/或与各所述彩色图像对应的红外 图像， 以及与所述彩色图像对 应的深度图像作为所述第一训练图像集。 3.根据权利要求2所述的人脸识别模型的训练方法， 其特征在于， 所述3D人脸重构模型 的训练过程包括： 获取第二训练图像集， 所述第 二训练图像集包括彩色图像和与 所述彩色图像对应的深 度图像； 对所述第二训练图像集中各彩色图像进行人脸检测， 得到所述第 二训练图像集中各彩 色图像对应的彩色人脸框图； 根据所述彩色人脸框图对所述第二训练图像集中其对应的深度图像进行人脸位置定 位， 得到所述第二训练图像集中各深度图像的深度人脸框图； 利用所述彩色人脸框图和所述深度人脸框图， 训练初始3D人脸重构模型直至收敛， 得 到所述3D人脸重构模型。 4.根据权利要求1所述的人脸识别模型的训练方法， 其特征在于， 所述获取第 一训练图 像集之前， 还 包括： 采集多张彩色图像， 利用预训练的人脸质量评估模型对所述彩色图像进行质量评估， 得到质量得分； 确定质量得分大于或等于预设值的彩色图像为样本图像； 确定质量得分小于预设值的彩色图像， 对各所述彩色图像进行人脸检测， 得到各所述 彩色图像对应的彩色人脸框图； 利用人脸关键点模型分别对各所述彩色人脸框图进行关键 点提取， 得到各所述彩色图像的彩色人脸关键点坐标； 根据各所述彩色人脸关键点坐标分 别对相应的彩色图像进行校正； 利用预训练的人脸质量评估模型对校正后的彩色图像进 行 质量评估， 得到质量得分； 确定质量得分大于或等于预设值的彩色图像为样本图像。 5.根据权利要求1所述的人脸识别模型的训练方法， 其特征在于， 所述人脸识别模型包 括样本特征提取模块、 深度特征提取模块和特征融合模块， 所述深度特征提取模块采用连权　利　要　求　书 1/2 页 2 CN 115272800 A 2接权重固定的神经网络 。 6.根据权利要求5所述的人脸识别模型的训练方法， 其特征在于， 所述特征融合模块包 括第一特征融合子模块和第二特征融合子模块， 所述第一特征融合子模块采用二分类网 络， 所述第一特征融合子模块对应的融合特征为人脸类别， 其中， 所述人脸类别包括活体分 类和假体分类； 所述第二特征融合子模块采用人脸特征提取网络， 所述第 二特征融合子模块对应的融 合特征为人脸特 征。 7.根据权利要求6所述的人脸识别模型的训练方法， 其特征在于， 将所述样本图像和所 述深度图像输入至初始人脸识别模型， 得到样本特 征向量、 深度特 征向量、 融合特 征， 包括： 将所述第一训练图像集中的样本图像输入至样本特 征提取模块， 得到样本特 征向量； 将所述第一训练图像集中的深度图像输入至深度特 征提取模块， 得到深度特 征向量； 基于所述样本特 征向量和所述深度特 征向量得到融合特 征。 8.根据权利要求7所述的人脸识别模型的训练方法， 其特征在于， 所述基于所述样本特 征向量和所述深度特 征向量得到融合特 征， 包括： 将所述样本特征向量和所述深度特征向量输入第 一特征融合子模块， 判断人脸类别活 体分类结果； 当所述深度特 征向量为零向量时， 所述活体分类结果 为假体分类； 当所述深度特征向量为非零向量 时， 将所述深度 特征向量与 预设人脸图像的深度 特征 进行比对； 当对比结果小于预设阈值时， 所述活体分类结果 为假体分类； 当对比结果大于预设阈值时， 将样本特征向量、 深度特征向量输入至第二特征融合子 模块得到融合特 征， 用以进行 人脸识别。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时， 实现如权利要求1 ‑8中任一项所述的人脸识别模型的训练方法。 10.一种智能门锁， 其特 征在于， 包括： 图像采集单元， 用于采集彩色图像， 和/或采集彩色图像和与所述彩色图像对应的深度 图像和/或红外图像； 人脸识别单元， 用于利用如权利要求1 ‑8中任一项所述的人脸识别模型的训练方法得 到的人脸识别模型对所述人脸图像进行识别， 并基于识别结果 生成对应的门锁信号； 门锁控制单 元， 用于根据不同的门锁信号控制智能门锁解锁或保持锁闭合。权　利　要　求　书 2/2 页 3 CN 115272800 A 3