，對第二訓(xùn)練樣本集中的各樣本人臉圖像進(jìn)行分類標(biāo)號即上述第一原始分類標(biāo)號的配置。該分類標(biāo)號用于區(qū)分各不同的樣本人臉圖像，相當(dāng)于給每個(gè)樣本人臉圖像分配一個(gè)編號。
[0106]值得說明的是，對于同一個(gè)人，第二訓(xùn)練樣本集中可能包含有其多張樣本人臉圖像，可以將對應(yīng)于同一個(gè)人的各樣本人臉圖像設(shè)置相同的分類標(biāo)號。
[0107]通過對各樣本人臉圖像進(jìn)行分類標(biāo)號設(shè)置，這樣在對原始人臉識別模型進(jìn)行訓(xùn)練時(shí)，通過比較輸入分類標(biāo)號與輸出分類標(biāo)號來確定人臉識別模型的分類結(jié)果是否正確，不會泄露對應(yīng)的樣本人臉圖像對應(yīng)的是誰這樣的用戶隱私信息。
[0108]在步驟103中，采用所述原始人臉識別模型的前Μ層特征系數(shù)對所述第二訓(xùn)練樣本集中的各樣本人臉圖像進(jìn)行編碼，獲得編碼后的第二訓(xùn)練樣本集。
[0109]其中，所述編碼后的第二訓(xùn)練樣本集中包括與各樣本人臉圖像分別對應(yīng)的各編碼后特征向量以及與各編碼后特征向量分別對應(yīng)的第一原始分類標(biāo)號，Ν多Μ多1。
[0110]在步驟104中，根據(jù)所述編碼后的第二訓(xùn)練樣本集對所述原始人臉識別模型的后N-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的后N-Μ層特征系數(shù)。
[0111]本實(shí)施例中，為了避免用戶隱私數(shù)據(jù)的泄露，除了上述分類標(biāo)號之外，還對第二訓(xùn)練樣本集中的各樣本人臉圖像進(jìn)行編碼處理，以基于編碼后的第二訓(xùn)練樣本集對原始人臉識別模型進(jìn)行訓(xùn)練，以優(yōu)化原始人臉識別模型。
[0112]具體來說，采用原始人臉識別模型的前Μ層特征系數(shù)對第二訓(xùn)練樣本集中的各樣本人臉圖像進(jìn)行編碼，獲得編碼后的第二訓(xùn)練樣本集。其中，采用原始人臉識別模型的前Μ層特征系數(shù)對第二訓(xùn)練樣本集中的各樣本人臉圖像進(jìn)行編碼，相當(dāng)于提取各樣本人臉圖像中的前Μ層特征系數(shù)。本實(shí)施例中，Ν多Μ多1，一般來說，為了更好地保證用戶隱私的同時(shí)降低處理負(fù)載，Μ取2或3。
[0113]第二訓(xùn)練樣本集中的各樣本人臉圖像經(jīng)上述Μ層特征系數(shù)編碼后，得到對應(yīng)的各特征向量，稱為編碼后特征向量。由于每個(gè)樣本人臉圖像具有上述第一原始分類標(biāo)號，從而，經(jīng)編碼處理后的各編碼后特征向量也對應(yīng)有個(gè)第一原始分類標(biāo)號。
[0114]經(jīng)過上述編碼處理后，以編碼后的第二訓(xùn)練樣本集對原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，即保持前Μ層特征系數(shù)不變，以各編碼后特征向量以及與各編碼后特征向量分別對應(yīng)的第一原始分類標(biāo)號為輸入，對原始人臉識別模型的后N-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的后N-Μ層特征系數(shù)。從而，優(yōu)化后的人臉識別模型包括原始人臉識別模型的前Μ層特征系數(shù)以及訓(xùn)練后的后N-Μ層特征系數(shù)。
[0115]本實(shí)施例中，為了對使用第一訓(xùn)練樣本集對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的包括Ν層特征系數(shù)的原始人臉識別模型進(jìn)行優(yōu)化，首先獲得不同于傳統(tǒng)第一訓(xùn)練樣本集的第二訓(xùn)練樣本集。其中，構(gòu)成第一訓(xùn)練樣本集中的各樣本人臉圖像是通過隨機(jī)在網(wǎng)絡(luò)上搜索得到的各人臉圖像，樣本噪聲較大；而第二訓(xùn)練樣本集中的各樣本人臉圖像是存儲于云端人臉相冊中的人臉圖像，樣本比較干凈。由于第二訓(xùn)練樣本集中各樣本人臉圖像涉及到用戶隱私，為了保護(hù)用戶隱私的同時(shí)采用第二訓(xùn)練樣本集對原始人臉識別模型進(jìn)行優(yōu)化訓(xùn)練，首先為每個(gè)樣本人臉圖像進(jìn)行標(biāo)記即為每個(gè)樣本人臉圖像分配一個(gè)分類標(biāo)號，進(jìn)而采用原始人臉識別模型的前Μ層特征系數(shù)對第二訓(xùn)練樣本集中的各樣本人臉圖像進(jìn)行編碼，即提取各樣本人臉圖像的前Μ層特征系數(shù)，從而經(jīng)編碼和分類標(biāo)號標(biāo)記的各樣本人臉圖像不會泄露對應(yīng)的用戶隱私。最后，以各編碼后特征向量即經(jīng)Μ層特征系數(shù)編碼的各樣本人臉圖像以及與各編碼后特征向量分別對應(yīng)的分類標(biāo)號為輸入，對原始人臉識別模型的后N-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的后N-Μ層特征系數(shù)，從而獲得由原Μ層特征系數(shù)和訓(xùn)練后的后N-Μ層特征系數(shù)構(gòu)成的優(yōu)化后的人臉識別模型。由于優(yōu)化后的人臉識別模型是基于干凈的訓(xùn)練樣本訓(xùn)練獲得的，更加準(zhǔn)確、可靠。
[0116]本公開實(shí)施例中，在采用編碼后的第二訓(xùn)練樣本集對原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練的過程中，可以依次將每個(gè)編碼后特征向量和對應(yīng)的分類標(biāo)號輸入到原始人臉識別模型中，根據(jù)原始人臉識別模型輸出的分類標(biāo)號與輸入的分類標(biāo)號之間的誤差來確定是否需要調(diào)整當(dāng)前的后N-Μ層特征系數(shù)。但是，這樣的訓(xùn)練方式往往可能存在這樣的問題:根據(jù)前一個(gè)樣本調(diào)整后的后N-Μ層特征系數(shù)，很可能根據(jù)后一個(gè)樣本再向相反的趨勢調(diào)整，這樣導(dǎo)致需要頻繁地調(diào)整后N-Μ層特征系數(shù)。
[0117]為此，本公開實(shí)施例提供了一種分批迭代進(jìn)行后N-Μ層特征系數(shù)的訓(xùn)練、調(diào)整的方式:
[0118]具體來說，對編碼后的第二訓(xùn)練樣本集中的各編碼后特征向量進(jìn)行隨機(jī)分批處理，獲得各批訓(xùn)練樣本子集；
[0119]依次以每批訓(xùn)練樣本子集對原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練，獲得經(jīng)全部各批訓(xùn)練樣本子集訓(xùn)練后得到的后N-Μ層特征系數(shù)。
[0120]下面結(jié)合圖3所示實(shí)施例，對上述分批迭代訓(xùn)練過程進(jìn)行介紹。
[0121]圖3是根據(jù)一示例性實(shí)施例示出的一種人臉識別模型訓(xùn)練方法實(shí)施例二的流程圖，如圖3所示，上述步驟104可以通過如下具體的分批迭代處理方式實(shí)現(xiàn):
[0122]在步驟201中，對所述編碼后的第二訓(xùn)練樣本集中的各編碼后特征向量進(jìn)行隨機(jī)分批處理，獲得各批訓(xùn)練樣本子集。
[0123]本實(shí)施例中，假設(shè)編碼后的第二訓(xùn)練樣本集中包含了 10000個(gè)樣本人臉圖像對應(yīng)的編碼后特征向量，將這些編碼后特征向量分為100個(gè)批次，每批100個(gè)樣本。由于這10000個(gè)編碼后特征向量中可能存在表征同一個(gè)人的多個(gè)編碼后特征向量，為了更好地保證訓(xùn)練效果，每個(gè)批次的100個(gè)編碼后特征向量是從這10000個(gè)編碼后特征向量中隨機(jī)選取的，以大大降低表征同一個(gè)人的多個(gè)編碼后特征向量被劃分到一個(gè)批次中的概率。
[0124]進(jìn)而，依次以當(dāng)前一批訓(xùn)練樣本子集中的各編碼后特征向量為輸入，迭代執(zhí)行如下處理，直到所述全部各批訓(xùn)練樣本子集都被執(zhí)行為止:
[0125]在步驟202中，以當(dāng)前一批訓(xùn)練樣本子集中的各編碼后特征向量為輸入，對所述原始人臉識別模型的后N-Μ層特征系數(shù)進(jìn)行訓(xùn)練，得到與所述當(dāng)前一批訓(xùn)練樣本子集中的各編碼后特征向量分別對應(yīng)的第一輸出分類標(biāo)號。
[0126]在步驟203中，根據(jù)預(yù)設(shè)距離度量方式，確定所述當(dāng)前一批訓(xùn)練樣本子集中的各編碼后特征向量分別對應(yīng)的第一原始分類標(biāo)號與對應(yīng)的第一輸出分類標(biāo)號間的距離。
[0127]在步驟204中，根據(jù)各所述距離，確定所述當(dāng)前一批訓(xùn)練樣本子集對應(yīng)的分類誤差率，確定所述分類誤差率是否大于預(yù)設(shè)閾值，若是，則執(zhí)行步驟205，否則直接執(zhí)行步驟206。
[0128]在步驟205中，調(diào)整經(jīng)所述當(dāng)前一批訓(xùn)練樣本子集中的各編碼后特征向量對所述原始人臉識別模型的后N-Μ層特征系數(shù)進(jìn)行訓(xùn)練后得到的后N-Μ層特征系數(shù)。
[0129]在步驟206中，更新所述當(dāng)前一批訓(xùn)練樣本子集為所述當(dāng)前一批訓(xùn)練樣本子集的下一批訓(xùn)練樣本子集。
[0130]在步驟206之后，繼而重新執(zhí)行步驟202。
[0131]針對當(dāng)前一批訓(xùn)練樣本子集來說，逐一將其中的各編碼后特征向量輸入到原始人臉識別模型中，分別得到經(jīng)分類輸出的分類標(biāo)號，即各第一輸出分類標(biāo)號。
[0132]可以理解的是，各第一輸出分類標(biāo)號與對應(yīng)的各第一原始分類標(biāo)號會存在一定的誤差?？梢愿鶕?jù)諸如歐式距離、馬氏距離、切比雪夫距離、余弦距離等預(yù)設(shè)距離度量方式，分別計(jì)算各第一原始分類標(biāo)號與對應(yīng)的各第一輸出分類標(biāo)號間的距離。
[0133]進(jìn)而，可以將計(jì)算獲得的各距離與預(yù)設(shè)距離閾值進(jìn)行比較，確定大于預(yù)設(shè)距離閾值的距離數(shù)量占當(dāng)前一批訓(xùn)練樣本子集包含的樣本數(shù)量的比例，即確定當(dāng)前一批訓(xùn)練樣本子集對應(yīng)的分類誤差率。如果該當(dāng)前一批訓(xùn)練樣本子集對應(yīng)的分類誤差率大于預(yù)設(shè)閾值，說明當(dāng)前一批訓(xùn)練樣本子集訓(xùn)練獲得的后N-Μ層特征系數(shù)不理想，需要進(jìn)行調(diào)整，可以采用梯度下降法等方式進(jìn)行后N-Μ層特征系數(shù)的調(diào)整。調(diào)整之后，以下一批訓(xùn)練樣本子集為輸入，重復(fù)上述訓(xùn)練過程。如果當(dāng)前一批訓(xùn)練樣本子集對應(yīng)的分類誤差率小于預(yù)設(shè)閾值，則說明當(dāng)前一批訓(xùn)練樣本子集訓(xùn)練獲得的后N-Μ層特征系數(shù)比較理想，不需要進(jìn)行調(diào)整，可以直接以下一批訓(xùn)練樣本子集為輸入，重復(fù)上述訓(xùn)練過程，直到所有批次的訓(xùn)練樣本子集都執(zhí)行完畢為止。
[0134]從而，通過上述分批迭代訓(xùn)練方式，最后獲得了經(jīng)全部各批訓(xùn)練樣本子集訓(xùn)練后的后N-Μ層特征系數(shù)。從而，基于訓(xùn)練結(jié)果，更新原始人臉識別模型為更新后人臉識別模型，即更新后的人臉識別模型中包括原始人臉識別模型的前Μ層特征系數(shù)以及訓(xùn)練獲得的后N-Μ層特征系數(shù)。
[0135]本實(shí)施例中，通過隨機(jī)分批、迭代訓(xùn)練方式，對原始人臉識別模型的后N-Μ層特征系數(shù)進(jìn)行訓(xùn)練，使得訓(xùn)練樣本隨機(jī)性較強(qiáng)，并且避免反復(fù)調(diào)整后N-Μ層特征系數(shù)，使得訓(xùn)練效率得到提尚。
[0136]經(jīng)過上述的基于少噪聲的編碼后第二訓(xùn)練樣本集對原始人臉識別模型的后Ν-Μ層特征系數(shù)進(jìn)行訓(xùn)練的訓(xùn)練過程，得到的訓(xùn)練后的后N-Μ層特征系數(shù)應(yīng)該會更佳準(zhǔn)確，但是，其準(zhǔn)確性究竟如何，還需要進(jìn)行測試過程才能最終確定。因此，結(jié)合如圖4所示的實(shí)施例，介紹對更新后的人臉識別模型的測試過程。
[0137]圖4是根據(jù)一示例性實(shí)施例示出的一種人臉識別模型訓(xùn)練方法實(shí)施例三的流程圖，如圖4所示，在上述步驟104之后，還包括如下測試的步驟:
[0138]在步驟301中，獲取測試樣本集，并確定測試樣本集中的各測試人臉圖像對應(yīng)的第二原始分類標(biāo)號。
[0139]其中，該測試樣本集中的各測試人臉圖像與上述第二訓(xùn)練樣本集中的各樣本人臉圖像不同。
[0140]本實(shí)施例中，測試樣本集中的各測試人臉圖像與上述第二訓(xùn)練樣本集中的各樣本人臉圖像相同，都是存在于云端人臉相冊中的人臉圖像。但是，為了保證測試的準(zhǔn)確可靠，該測試樣本集與第二訓(xùn)練樣本集中不具有相同的人臉圖像。
[0141]同樣的，為了保證測試樣本集中各測試人臉圖像對應(yīng)的用戶的用戶隱私，為各測試人臉圖像設(shè)置分類標(biāo)號即第二原始分類標(biāo)號。
[0142]其中，上述更新后的人臉識別模型即是經(jīng)分批、迭代訓(xùn)練后對原