(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 20221079897 7.7 (22)申请日 2022.07.08 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 张全龙　李文兵　昂娟　程梦琴　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 刘翠香 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 人脸识别及其模型训练方法和装置 (57)摘要 本申请提供了一种人脸识别及其模型训练 方法和装置， 可应用于人工智能领域或者金融领 域， 该训练方法包括： 确定多个人脸图像样本的 人脸特征； 分别确定每个人脸图像样本的人脸特 征对应的密度指数； 基于各人脸图像样本的人脸 特征对应的密度指数， 从多个图像样本各自的人 脸特征中， 确定作为初始类别中心的至少一个目 标人脸图像样本的人脸特征； 以目标人脸图像的 人脸特征作为初始类别中心， 对多个人脸图像样 本进行聚类， 得到聚类出的至少一个人脸图像样 本簇； 基于各人脸图像样本所归属的人脸图像样 本簇以及各人脸图像样本的人脸特征， 采用有监 督训练方式训练人脸识别模型。 该方案可以提高 训练出的人脸识别模型对人脸分类识别的准确 度。 权利要求书3页 说明书12页 附图4页 CN 115116115 A 2022.09.27 CN 115116115 A 1.一种人脸识别模型的训练方法， 其特 征在于， 包括： 获得多个人脸图像样本； 针对每个人脸图像样本， 确定所述人脸图像样本的人脸特 征； 依据各人脸图像样本的人脸特征， 分别确定每个所述人脸图像样本的人脸特征对应的 密度指数， 所述人脸图像样本的人脸特征对应的密度指数表征所述人脸图像样本之外的其 他人脸图像样本的人脸特 征相对所述人脸图像样本的人脸特 征的分布密度； 基于各人脸图像样本的人脸特征对应的密度指数， 从所述多个图像样本各自的人脸特 征中， 确定作为初始类别中心的至少一个目标 人脸图像样本的人脸特 征； 以所述目标人脸图像的人脸特征作为初始类别中心， 并结合所述多个人脸图像样本各 自的人脸特征， 对所述多个人脸图像样本进行聚类， 得到聚类出 的至少一个人脸图像样本 簇， 每个人脸样本 簇包括至少一个人脸图像样本； 基于各人脸图像样本所归属的人脸图像样本簇以及各人脸图像样本的人脸特征， 采用 有监督训练方式训练人脸识别模型， 得到训练出的人脸识别模型。 2.根据权利要求1所述的方法， 其特征在于， 所述基于各人脸图像样本的人脸特征对应 的密度指数， 从所述多个图像样本各自的人脸特征中， 确定作为初始类别中心的至少一个 目标人脸图像样本的人脸特 征， 包括： 从所述多个人脸图像样本各自的人脸特征中， 确定人脸特征对应的密度指数最大的目 标人脸图像样本； 基于最近一 次确定出的目标人脸图像样本的人脸特征， 对各人脸图像样本的人脸特征 对应的密度指数进行修正， 得到各人脸图像样本的人脸特征对应的修正后密度指数， 所述 修正后密度指数表征去除所述最近一次确定出的目标人脸图像样本的人脸特征后， 所述人 脸图像样本的人脸特 征对应的密度指数； 将所述人脸图像样本的人脸特征对应的修正后密度指数作为所述人脸图像样本的人 脸特征对应的密度指数， 如果各人脸图像样本的人脸特征对应的密度指数未全部 收敛， 返 回执行所述选取人脸特征对应的密度指数最大的人脸图像样本确定为一个目标人脸图像 样本的操作； 如果各人脸图像样本的人脸特征对应的密度指数均收敛， 则将得到的各目标 人脸图像样本的人脸特 征均确定为初始类别中心。 3.根据权利要求1或2所述的方法， 其特征在于， 所述依据各人脸图像样本的人脸特征， 分别确定每 个所述人脸图像样本的人脸特 征对应的密度指数， 包括： 针对任意一个人脸图像样本i， 通过如下公式计算人脸图像样本i的人脸特征xi对应的 密度指数Di： 其中， n为人脸图像样本的个数； i为从1到n的自然数； r1为各人脸图像样本的最大特征距离范数中的最小值与1/2的乘积， 人脸图像样本i的 最大特征距离范 数为： max{| |xi‑xk||}， k为从1到所述 n的自然数。 4.根据权利要求2所述的方法， 其特征在于， 所述基于最近一 次确定出的目标人脸图像权　利　要　求　书 1/3 页 2 CN 115116115 A 2样本的人脸特征， 对各人脸图像样本的人脸特征对应的密度指数进行修正， 得到各人脸图 像样本的人脸特 征对应的修 正后密度指数， 包括： 对于任意一个人脸图像样本i， 基于最近一次确定出的目标人脸图像样本si的人脸特 征xsi， 通过如下公式修正所述人脸图像样本i的人脸特征xi对应的密度指数Di， 得到所述人 脸图像样本i对应的修 正密度指数D ″i： 其中， r2为各人脸图像样本的最大特征距离范数中的最小值与1/4的乘积， 人脸图像样 本i的最大特征距离范数为： max{ ||xi‑xk||}， k为从1到所述n的自然数； Dsi为所述目标人脸 图像样本si的人脸特 征xsi对应的密度指数。 5.根据权利要求1所述的方法， 其特征在于， 所述以所述目标人脸图像的人脸特征作为 初始类别中心， 并结合所述多个人脸图像样本各自的人脸特征， 对所述多个人脸图像样本 进行聚类， 包括： 将各所述目标人脸图像的人脸特征均作为模糊C均值算法中的初始类别 中心， 结合所 述多个人脸图像样本各自的人脸特征， 并利用所述模糊C均值算法对所述多个人脸图像样 本进行聚类。 6.根据权利要求1所述的方法， 其特征在于， 所述人脸识别模型包括： 径向基神经网络 和分类层。 7.一种人脸识别方法， 包括： 获得待识别的人脸图像； 提取所述人脸图像的人脸特 征； 将所述人脸图像的人脸特征输入到人脸识别模型， 得到所述人脸图像所归属的用户类 别信息， 所述人脸识别模型通过权利要求 1至6任意一项所述的人脸识别模型的训练方法训 练得到。 8.一种人脸识别模型的训练装置， 其特 征在于， 包括： 样本获得 单元， 用于获得多个人脸图像样本； 特征确定单 元， 用于针对每 个人脸图像样本， 确定所述人脸图像样本的人脸特 征； 密度确定单元， 用于依据各人脸图像样本的人脸特征， 分别确定每个所述人脸图像样 本的人脸特征对应的密度指数， 所述人脸图像样本的人脸特征对应的密度指数表征所述人 脸图像样本之外的其他人脸图像样本的人脸特征相对所述人脸图像样本的人脸特征的分 布密度； 中心确定单元， 用于基于各人脸图像样本的人脸特征对应的密度指数， 从所述多个图 像样本各自的人脸特征中， 确定作为初始类别中心的至少一个目标人脸图像样本的人脸特 征； 样本聚类单元， 用于以所述目标人脸图像的人脸特征作为初始类别 中心， 并结合所述 多个人脸图像样本各自的人脸特征， 对所述多个人脸图像样本进行聚类， 得到聚类出 的至 少一个人脸图像样本 簇， 每个人脸样本 簇包括至少一个人脸图像样本； 模型训练单元， 用于基于各人脸图像样本所归属的人脸图像样本簇以及各人脸图像样 本的人脸特 征， 采用有监 督训练方式训练人脸识别模型， 得到训练出的人脸识别模型。权　利　要　求　书 2/3 页 3 CN 115116115 A 3