CN113837108B - 人脸识别方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体提供一种人脸识别方法、装置及计算机可读存储介质，旨在解决如何提升人脸识别准确率的问题。本发明首先控制边节点在每个训练阶段同时根据中心节点发送的模型参数加载各自对应的人脸识别模型，并根据各自存储的人脸图像训练集进行模型训练；在当前训练阶段中，每个边节点接收到的模型参数是上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的；然后根据完成所有训练阶段的人脸识别模型确定最终的人脸识别模型，以进行人脸识别。基于上述方法，可以在边节点相互独立且无法直接共享数据的情况下同时利用各边节点存储的人脸图像训练集训练得到人脸识别准确率较高的人脸识别模型，从而提升人脸识别的准确率。

Description

人脸识别方法、装置及计算机可读存储介质

技术领域

本发明涉及图像处理技术领域，具体提供一种人脸识别方法、装置及计算机可读存储介质。

背景技术

在人脸识别技术领域中通常是先采用人脸图像训练人脸识别模型，再使用人脸识别模型进行人脸识别，而人脸图像往往分布存储在不同的数据源，由于这些数据源相互独立，无法直接进行数据共享，从而在任意一个数据源处都无法利用所有的人脸图像训练人脸识别模型，导致在每个数据源处训练得到的人脸识别模型的人脸识别准确率都比较低。虽然可以采用联邦学习的方法对不同数据源进行联合训练，但是目前传统的联邦学习只能针对一个人脸识别模型进行联合训练，最终人脸识别准确率也仅由这一个人脸识别模型的联合训练结果决定，这种方法无法应用于对人脸识别准率要求较高的应用场景。

相应地，本领域需要一种新的人脸识别方案来解决上述问题。

发明内容

本发明旨在解决上述技术问题，即，解决或至少部分解决在人脸图像分布存储在相互独立且无法直接进行数据共享的数据源的情况下，如何使用数据源中的人脸图像训练得到人脸识别准确率较高的人脸识别模型，以在对人脸识别准率要求较高的应用场景中能够准确地进行人脸识别的问题。

第一方面，本发明提供一种人脸识别方法，所述方法包括：

采用模型训练***并通过下列步骤训练得到人脸识别模型，所述***包括中心节点和边节点，每个边节点分别存储不同的人脸图像训练集：

确定在每个训练阶段中每个边节点各自对应的人脸识别模型；

针对每个训练阶段，控制每个边节点根据所述中心节点发送的模型参数同时加载各自对应的人脸识别模型，根据各自存储的人脸图像训练集对加载的人脸识别模型进行训练；在当前训练阶段中，每个边节点接收到的模型参数是在上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的模型参数；

根据完成所有训练阶段的人脸识别模型，确定最终的人脸识别模型；

采用所述最终的人脸识别模型对输入图像进行人脸识别。

在上述人脸识别方法的一个技术方案中，“控制每个边节点根据所述中心节点发送的模型参数同时加载各自对应的人脸识别模型”的步骤具体包括：

针对每个边节点，判断所述边节点是否存储了当前训练阶段对应的人脸识别模型；

若是，则直接加载所述人脸识别模型；

若否，则根据所述当前训练阶段对应的人脸识别模型向所述中心节点发送请求信息，接收所述中心节点根据所述请求信息反馈的模型结构信息，根据所述模型结构信息生成人脸识别模型并加载所述人脸识别模型。

在上述人脸识别方法的一个技术方案中，所述方法还包括：

控制每个边节点在每个训练阶段使用各自存储的人脸图像训练集中所有的人脸图像对加载的人脸识别模型进行过一次训练。

在上述人脸识别方法的一个技术方案中，“根据完成所有训练阶段的人脸识别模型，确定最终的人脸识别模型”的步骤包括：

分别获取每个人脸识别模型的人脸识别准确率；

将人脸识别准确率最高的人脸识别模型作为最终的人脸识别模型；

并且/或者，

“根据完成所有训练阶段的人脸识别模型，确定最终的人脸识别模型”的步骤包括：

对所有所述完成所有训练阶段的人脸识别模型进行模型融合，得到最终的人脸识别模型。

第二方面，本发明提供一种人脸识别装置，所述装置包括：

模型训练模块，其被配置成采用模型训练***并通过下列步骤训练得到人脸识别模型，所述***包括中心节点和边节点，每个边节点分别存储不同的人脸图像训练集：

确定在每个训练阶段中每个边节点各自对应的人脸识别模型；

针对每个训练阶段，控制每个边节点根据所述中心节点发送的模型参数同时加载各自对应的人脸识别模型，根据各自存储的人脸图像训练集对加载的人脸识别模型进行训练；在当前训练阶段中，每个边节点接收到的模型参数是在上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的模型参数；

根据完成所有训练阶段的人脸识别模型，确定最终的人脸识别模型；

人脸识别模块，其被配置成采用所述最终的人脸识别模型对输入图像进行人脸识别。

在上述人脸识别装置的一个技术方案中，所述模型训练模块包括模型加载子模块，所述模型加载子模块被配置成执行下列操作：

针对每个边节点，判断所述边节点是否存储了当前训练阶段对应的人脸识别模型；

若是，则直接加载所述人脸识别模型；

若否，则根据所述当前训练阶段对应的人脸识别模型向所述中心节点发送请求信息，接收所述中心节点根据所述请求信息反馈的模型结构信息，根据所述模型结构信息生成人脸识别模型并加载所述人脸识别模型。

在上述人脸识别装置的一个技术方案中，所述模型训练模块包括阶段训练子模块，所述阶段训练子模块被配置成控制每个边节点在每个训练阶段使用各自存储的人脸图像训练集中所有的人脸图像对加载的人脸识别模型进行过一次训练。

在上述人脸识别装置的一个技术方案中，所述模型训练模块包括第一模型确定子模块和/或第二模型确定子模块；

所述第一模型确定子模块被配置成执行下列操作：

分别获取每个人脸识别模型的人脸识别准确率；

将人脸识别准确率最高的人脸识别模型作为最终的人脸识别模型；

所述第二模型确定子模块被配置成对所有所述完成所有训练阶段的人脸识别模型进行模型融合，得到最终的人脸识别模型。

第三方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述人脸识别方法的技术方案中任一项技术方案所述的人脸识别方法。

第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述人脸识别方法的技术方案中任一项技术方案所述的人脸识别方法。

在采用上述技术方案的情况下，本发明能够采用模型训练***训练得到人脸识别模型，模型训练***包括中心节点和边节点，每个边节点都存储有不同的人脸图像训练集，通过在每个训练阶段确定每个边节点对应的人脸识别模型，并在每个训练阶段控制每个边节点根据中心节点发送的模型参数同时加载各自对应的人脸识别模型，根据各自存储的人脸图像训练集对人脸识别模型进行训练，并且在当前训练阶段中，每个边节点接收到的模型参数是在上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的模型参数，最后根据完成所有训练阶段的人脸识别模型确定出最终的人脸识别模型，使用最终的人脸识别模型对输入图像进行人脸识别。基于上述实施方式，本发明能够同时对多个人脸识别模型进行模型训练，并且可以在边节点相互独立且无法共享数据的情况下针对每个人脸识别模型使用所有边节点的人脸图像训练集进行模型训练，使得每个人脸识别模型都具备较高的人脸识别准确率，进而再根据训练好的多个人脸识别模型确定最终的人脸识别模型，能够获取人脸识别准确率更高的人脸识别模型，也就是说，本发明实现了在边节点相互独立且无法共享数据的情况下同时利用所有边节点存储的人脸图像训练集对人脸识别模型进行训练，得到人脸识别准确率较高的人脸识别模型，进而提升了采用人脸识别模型进行人脸识别时人脸识别的准确率。

附图说明

参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：

图1是根据本发明的一个实施例的人脸识别的方法的主要步骤流程示意图；

图2是根据本发明的一个实施例的人脸识别的方法的加载人脸识别模型的流程示意图；

图3是根据本发明的一个实施例的人脸识别的装置的主要结构框图示意图；

图4是根据本发明的另一个实施例的人脸识别装置的主要结构框图示意图；

图5是在根据本发明的一个实施例的应用场景中的人脸识别方法的流程示意图。

附图标记列表：

31：模型训练模块；32：人脸识别模块；41：***初始化模块；42：模型训练模块；43：参数交互模块；44：效果测试模块。

具体实施方式

下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。

参阅附图1，图1是根据本发明的一个实施例的人脸识别方法的主要步骤流程示意图。如图1所示，本发明实施例中的人脸识别方法采用模型训练***并通过下列步骤S101-步骤S104训练得到人脸识别模型，***包括中心节点和边节点，每个边节点分别存储不同的人脸图像训练集。需要说明的是，在本实施例中，中心节点和边节点指的是能够运行根据本发明实施例的人脸识别方法的设备，中心节点指的是用于与各个边节点进行通信，向各个边节点发送模型结构信息和/或模型参数的设备以及接收各个边节点发送的模型参数的设备，边节点指的是用于与中心节点进行通信，存储人脸图像训练集，使用人脸图像训练集对人脸识别模型进行训练，并向中心节点发送经过人脸图像数据集训练后确定的模型参数的设备。中心节点和边节点可以是计算机、服务器或者服务器集群等等。

步骤S101：确定在每个训练阶段中每个边节点各自对应的人脸识别模型。

在本实施例中可以对人脸识别模型进行多轮训练，每轮训练包括多个训练阶段，在进行多轮训练后如果人脸识别模型收敛或达到预设的训练轮数，则停止训练。此外，在每个训练阶段中每个边节点分别加载训练一个人脸识别模型，并且每个边节点在不同的训练阶段中加载不同的人脸识别模型。每轮训练中训练阶段的数量取决于人脸识别模型的数量。例如，如果存在四个人脸识别模型，那么在每轮训练中训练阶段的数量可以是4，也就是说，在一轮训练中针对每个人脸识别模型都要进行四个训练阶段的模型训练，在每个训练阶段中通过不同的边节点进行加载训练(边节点在加载训练人脸识别模型时采用自身存储的人脸图像训练集对人脸识别模型进行模型训练)。

例如，某个模型训练***包括一个中心节点A，四个边节点且分别为边节点a、边节点b、边节点c和边节点d，边节点a、边节点b、边节点c和边节点d分别存储有不同的人脸图像训练集，需要进行训练的人脸识别模型分别为模型1、模型2、模型3和模型4，以3轮训练为例，可以确定在每轮训练的每个训练阶段中每个边节点各自对应的人脸识别模型如下表1所示：

表1

每轮训练都可以包括4个训练阶段。例如在第1轮训练中的第一训练阶段，使用边节点a存储的人脸图像训练集对模型1进行训练，使用边节点b存储的人脸图像训练集对模型2进行训练，使用边节点c存储的人脸图像训练集对模型3进行训练，使用边节点d存储的人脸图像训练集对模型4进行训练；在第1轮训练中的第二训练阶段，使用边节点a存储的人脸图像训练集对模型2进行训练，使用边节点b存储的人脸图像训练集对模型3进行训练，使用边节点c存储的人脸图像训练集对模型4进行训练，使用边节点d存储的人脸图像训练集对模型1进行训练；在第1轮训练中的第三训练阶段，使用边节点a存储的人脸图像训练集对模型3进行训练，使用边节点b存储的人脸图像训练集对模型4进行训练，使用边节点c存储的人脸图像训练集对模型1进行训练，使用边节点d存储的人脸图像训练集对模型2进行训练；在第1轮训练中的第四训练阶段，使用边节点a存储的人脸图像训练集对模型4进行训练，使用边节点b存储的人脸图像训练集对模型1进行训练，使用边节点c存储的人脸图像训练集对模型2进行训练，使用边节点d存储的人脸图像训练集对模型3进行训练。通过上述步骤S101，可以使用每个边节点中存储的人脸图像训练集对人脸识别模型进行多轮训练。在本实施例中可以在训练轮数达到预设次数或人脸识别模型收敛时停止训练。

步骤S102：针对每个训练阶段，控制每个边节点根据中心节点发送的模型参数同时加载各自对应的人脸识别模型，根据各自存储的人脸图像训练集对加载的人脸识别模型进行训练；在当前训练阶段中，每个边节点接收到的模型参数是在上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的模型参数。

上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的模型参数指的是在上一个训练阶段中，其他边节点使用人脸图像训练集对相同人脸识别模型进行训练后确定的模型参数。在本实施例中可以控制边节点采用机器学习技术领域中常规的模型参数确定方法来确定对人脸识别模型训练后的人脸识别模型的模型参数。例如，在本实施例中可以根据人脸识别模型的损失值计算模型参数梯度，根据模型参数梯度反向传播更新人脸识别模型的模型参数，这个更新后的模型参数就是对人脸识别模型训练后的人脸识别模型的模型参数。

继续参阅上述步骤S101中的例子，例如在第二训练阶段中，中心节点可以向边节点a、边节点b、边节点c和边节点d分别发送模型2、模型3、模型4和模型1对应的模型参数，边节点a、边节点b、边节点c和边节点d再加载各自在第二训练阶段应进行训练的模型2、模型3、模型4和模型1，根据各自存储的人脸图像训练集分别对模型2、模型3、模型4和模型1进行训练，其中，模型2、模型3、模型4和模型1对应的模型参数分别是在第一训练阶段中边节点b、边节点c、边节点d和边节点a分别根据各自存储的人脸图像训练集对模型2、模型3、模型4和模型1进行训练后确定出的模型参数。

在本实施例的一个实施方式中，参见附图2，可以按照图2所示的步骤S201至步骤S203控制每个边节点根据中心节点发送的模型参数同时加载各自对应的人脸识别模型：

步骤S201：针对每个边节点，判断边节点是否存储了当前训练阶段对应的人脸识别模型，若是，则执行步骤S202，若否，则执行步骤S203。

步骤S202：直接加载人脸识别模型。

步骤S203：根据当前训练阶段对应的人脸识别模型向中心节点发送请求信息，接收中心节点根据请求信息反馈的模型结构信息，根据模型结构信息生成识别模型并加载人脸识别模型。

模型结构信息指的是构成模型的结构信息，例如某个模型的某一部分的模型结构为输入层-卷积层-池化层，模型结构信息中就可以包括这些模型结构信息。

又例如，边节点a中存储有输入层、卷积层和池化层，边节点a接收到中心节点反馈的模型结构信息为人脸识别模型的模型结构为输入层-卷积层-池化层，就可以根据模型结构信息生成模型结构为输入层-卷积层-池化层的人脸识别模型。

加载人脸识别模型指的是运行某个人脸识别模型，以对人脸识别模型进行训练。

继续参阅上述步骤S101中的例子，例如在第一训练阶段中，边节点a需要使用其存储的人脸图像训练集对模型1进行训练，在训练之前，可以先判断边节点a是否存储了模型1，如果有，则可以直接加载模型1，如果没有，则可以向中心节点发送请求信息，中心节点在接收到请求信息后，可以向边节点a反馈模型1的模型结构信息，边节点a在接收到中心节点反馈的模型结构信息后，可以根据模型结构信息生成模型1并加载模型1。

通过上述步骤S201至步骤S203，可以使每个边节点同时训练不同的人脸识别模型，即同时训练出多个人脸识别模型。

在本实施例的一个实施方式中，人脸识别方法还包括：

控制每个边节点在每个训练阶段使用各自存储的人脸图像训练集中所有的人脸图像对加载的人脸识别模型进行过一次训练，即每个训练阶段完成一次epoch训练。

继续参阅上述步骤S101中的例子，在完成一个训练阶段后，模型参数需要发送到中心节点，再通过中心节点发送至其他边节点以进行下一个阶段的训练，如果完成一次训练阶段使用的人脸图像的数量过少，例如将使用人脸图像训练集中全部人脸图像的十分之一训练过人脸识别模型作为完成一个训练阶段，然后将训练后确定的模型参数发送至中心节点，再进入下一个训练阶段，可能会导致训练阶段过多，极大地增加了模型参数在中心节点以及各个边节点之间的交互次数。例如，现有基于联邦学习的方法训练人脸识别模型的过程中，也会涉及到类似上述实施例中的一个中心节点和多个边节点，并且需要多个训练阶段对人脸识别模型进行训练，现有方法一般在人脸识别模型训练完成一次迭代之后就会将迭代后确定的模型参数由某个边节点发送至中心节点，再由中心节点发送至其他节点进入下一个训练阶段，即将完成人脸识别模型训练的一次迭代作为一个训练阶段，人脸识别模型训练完成一次迭代使用的参数仅仅是人脸图像训练集中的全部人脸图像的一部分，完成人脸识别模型训练的所有训练阶段必然需要模型参数在不同边节点之间反复的交互，这无疑降低了模型训练的效率。而在本实施例中，每个训练阶段完成了一次epoch训练，即将完成一次epoch训练作为一个训练阶段，虽然仍需要模型参数在中心节点和多个边节点中交互，但相比现有方法无疑极大地减少了模型参数的交互次数，而且在完成所有训练阶段的人脸识别模型相对于使用现有方法训练出的人脸识别模型拥有同样的人脸识别准确率，所以在采用上述方案的情况下，可以减少模型参数的交互次数，在不降低模型训练效果的前提下提高模型训练的速度。

在本实施例的一个实施方式中，在首个训练阶段中，中心节点发送的模型参数是预设的初始参数；

在非首个训练阶段中，中心节点发送的模型参数是在上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的模型参数。

继续参阅上述步骤S101中的例子，在第一训练阶段中，中心节点发送的模型参数为预设的初始参数。在其他训练阶段中，例如在第二训练阶段中，边节点a需要对模型2进行训练，边节点b需要对模型3进行训练，边节点c需要对模型4进行训练，边节点d需要对模型1进行训练，那么对应地，在第二训练阶段中，边节点a接收到的中心节点发送的模型参数为在第一阶段中边节点b对模型2进行训练后确定出的模型参数，边节点b接收到的中心节点发送的模型参数为在第一阶段中边节点c对模型3进行训练后确定出的模型参数，边节点c接收到的中心节点发送的模型参数为在第一阶段中边节点d对模型4进行训练后确定出的模型参数，边节点d接收到的中心节点发送的模型参数为在第一阶段中边节点a对模型1进行训练后确定出的模型参数。

步骤S103：根据完成所有训练阶段的人脸识别模型，确定最终的人脸识别模型。

在本实施例的一个实施方式中，步骤S103可以包括：

分别获取每个人脸识别模型的人脸识别准确率。

将人脸识别准确率最高的人脸识别模型作为最终的人脸识别模型。

继续参阅上述步骤S101中的例子，假设完成所有训练阶段的人脸识别模型是模型1、模型2、模型3和模型4，可以分别获取每个人脸识别模型的人脸识别准确率，例如使用模型1、模型2、模型3和模型4分别对同一组人脸图像进行识别，确定人脸识别准确率，假设人脸识别模型1是人脸识别准确率最高的，则可以将模型1作为最终的人脸识别模型。通过上述方法，选取多个模型中人脸识别准确率最高的作为最终的人脸识别模型以提升使用人脸识别模型进行人脸识别的人脸识别准确率。

在本实施例的一个实施方式中，步骤S103可以包括：

对所有完成所有训练阶段的人脸识别模型进行模型融合，得到最终的人脸识别模型。

继续参阅上述步骤S101中的例子，假设完成所有训练阶段的人脸识别模型是模型1、模型2、模型3和模型4，可以将模型1、模型2、模型3和模型4进行模型融合，将融合后的人脸识别模型作为最终的人脸识别模型，以此提升应用人脸识别模型进行人脸识别的人脸识别准确率。具体而言，可以是对各个模型的识别结果进行融合，得到最终的识别结果。例如将上述模型1、模型2、模型3和模型4采用模型融合技术领域中常规的“多数表决融合”方法进行模型融合，将融合后的人脸识别模型作为最终的人脸识别模型，而最终的人脸识别模型在对输入图像进行识别时，可以采用如下方式对输入图像进行识别并输入识别结果：输入图像为人员甲，模型1、模型2、模型3的识别结果为人员甲，而模型4的识别结果为人员乙，此时则会进行多数表决，即识别结果为甲的模型的数量为3个，识别结果为乙的模型的数量为1个，所以最终的识别结果为甲。需要说明的是，模型融合可以是机器学习技术领域的常规技术手段，为了描述简洁，在此不再赘述。并且上述“多数表决融合”仅为举例说明，本领域技术人员应当理解的是，对于完成所有训练阶段的人脸识别模型可以采用其他的模型融合的方法以提升人脸识别的准确率。

步骤S104：采用最终的人脸识别模型对输入图像进行人脸识别。

使用最终的人脸识别模型对输入图像进行人脸识别可以提高人脸识别的准确率。

基于上述步骤S101-步骤S104，本发明可以同时对多个人脸识别模型进行模型训练，并且在边节点相互独立且无法共享数据的情况下针对每个人脸识别模型使用所有边节点的人脸图像训练集进行模型训练，使得每个人脸识别模型都具备较高的人脸识别准确率，再根据训练好的多个人脸识别模型确定出最终的人脸识别模型，以获取到人脸识别准确率更高的人脸识别模型。也就是说，本发明实现了在边节点相互独立且无法共享数据的情况下同时利用所有边节点存储的人脸图像数据集对人脸识别模型进行模型训练，得到人脸识别准确率较高的人脸识别模型，进而提升了采用人脸识别模型对人脸进行识别时人脸识别的准确率。

进一步，参阅附图5，在根据本发明的另一个人脸识别方法的实施例中，人脸识别方法采用模型训练***并通过下列步骤S501-步骤S506训练得到人脸识别模型，***包括中心节点和边节点，每个边节点分别存储不同的人脸图像训练集。其中，中心节点和边节点分别与前述方法实施例中的中心节点和边节点相同，为了描述简洁，在此不再赘述。

步骤S501：***初始化。

具体而言，可以启动中心节点和边节点并构建中心节点和边节点的通信路径，使中心节点和每个边节点可以进行通信。

步骤S502：模型参数分发并加载。

具体而言，可以控制各个边节点首先加载人脸图像训练集和当前训练阶段对应的人脸识别模型，然后加载由中心节点发送的当前训练阶段对应的人脸识别模型的模型参数。在一个实施方式中，模型参数分发并加载的具体步骤可以参见步骤S102所述。

步骤S503：各节点独立训练。

具体而言，可以控制各边节点使用各自加载的人脸图像训练集对各自加载的人脸识别模型进行训练。在一个实施方式中，模型参数分发并加载的具体步骤可以参见步骤S102所述。

步骤S504：训练模型效果验证。

具体而言，可以控制各边节点对训练后的人脸识别模型进行人脸识别准确率测试。需要说明的是，在本实施例中可以采用机器学习技术领域中常规的模型测试方法测试人脸识别模型的人脸识别准确率测试，在此不再赘述。

步骤S505：各节点模型参数交互。

具体而言，可以控制各边节点向中心节点发送经过人脸图像数据集训练后确定的模型参数，并控制中心节点进行模型参数交互，即通过中心节点将模型参数发送至其他边节点，以便其他边节点在训练相应的人脸识别模型时，先利用这个模型参数对人脸识别模型进行参数设置，再对参数设置后的人脸识别模型进行训练。在一个实施方式中，模型参数分发并加载的具体步骤可以参见步骤S102所述。

步骤S506：判断每个人脸识别模型是否都已经完成所有训练阶段，若是，则执行步骤S507，若否，则返回步骤S502以进行下一训练阶段。

具体而言，可以判断每个人脸识别模型是否已经完成所有的训练阶段，若是，则确定训练完成，若否，则确定训练未完成，返回步骤S502继续进行下一个训练阶段。

步骤S507：根据完成所有训练阶段的人脸识别模型确定最终的人脸识别模型。在一个实施方式中，模型参数分发并加载的具体步骤可以参见步骤S104所述。

步骤S508：采用最终的人脸识别模型对输入图像进行人脸识别。

需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。

进一步，本发明还提供了一种人脸识别装置。

参阅附图3，图3是根据本发明的一个实施例的人脸识别装置的主要结构框图。如图3所示，本发明实施例中的人脸识别装置主要包括模型训练模块31和人脸识别模块32。在一些实施例中，模型训练模块31和人脸识别模块32中的一个或多个可以合并在一起成为一个模块。在一些实施例中模型训练模块31可以被配置成采用模型训练***并通过下列步骤训练得到人脸识别模型，模型训练***包括中心节点和边节点，每个边节点分别存储不同的人脸图像训练集：确定在每个训练阶段中每个边节点各自对应的人脸识别模型；针对每个训练阶段，控制每个边节点根据中心节点发送的模型参数同时加载各自对应的人脸识别模型，根据各自存储的人脸图像训练集对加载的人脸识别模型进行训练；在当前训练阶段中，每个边节点接收到的模型参数是在上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的模型参数；根据完成所有训练阶段的人脸识别模型，确定最终的人脸识别模型。人脸识别模块32可以被配置成采用最终的人脸识别模型对输入图像进行人脸识别。一个实施方式中，具体实现功能的描述可以参见步骤S101至步骤S104所述。

在一个实施方式中，模型训练模块包括模型加载子模块，模型加载子模块被配置成执行下列操作：

针对每个边节点，判断边节点是否存储了当前训练阶段对应的人脸识别模型；

若是，则直接加载人脸识别模型；

若否，则根据当前训练阶段对应的人脸识别模型向中心节点发送请求信息，接收中心节点根据请求信息反馈的模型结构信息，根据模型结构信息生成人脸识别模型并加载人脸识别模型。

一个实施方式中，具体实现功能的描述可以参见步骤S201至步骤S203所述。

在一个实施方式中，模型训练模块包括阶段训练子模块，阶段训练子模块被配置成控制每个边节点在每个训练阶段使用各自存储的人脸图像训练集中所有的人脸图像对加载的人脸识别模型进行过一次训练。

在一个实施方式中，模型训练模块包括第一模型确定子模块和/或第二模型确定子模块；

第一模型确定子模块被配置成执行下列操作：

分别获取每个人脸识别模型的人脸识别准确率；

将人脸识别准确率最高的人脸识别模型作为最终的人脸识别模型；

第二模型确定子模块被配置成对所有完成所有训练阶段的人脸识别模型进行模型融合，得到最终的人脸识别模型；

在一个实施方式中，在首个训练阶段中，中心节点发送的模型参数是预设的初始参数；

在非首个训练阶段中，中心节点发送的模型参数是在上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的模型参数。

进一步，参阅附图4，在根据本发明的另一个人脸识别装置的实施例中，在本实施例中模型训练***可以包括一个中心节点和四个边节点，如图4所示，人脸识别装置可以包括***初始化模块41、模型训练模块42、参数交互模块43和效果测试模块44。其中，***初始化模块41可以配置成启动中心节点和边节点并构建中心节点和边节点的通信路径，使中心节点和每个边节点可以进行通信。模型训练模块42可以配置成控制每个边节点加载人脸图像训练集和当前训练阶段对应的人脸识别模型，控制中心节点向每个边节点发送当前训练阶段每个边节点对应的人脸识别模型的模型参数，控制每个边节点使用人脸图像训练集对人脸识别模型进行训练。参数交互模块43可以配置成在完成一个训练阶段后，控制边节点将经过人脸图像训练集训练后确定的模型参数发送至中心节点，控制中心节点交换模型参数，将模型参数分发至其他边节点进行下一个训练阶段。效果测试模块44可以配置成控制每个边节点在完成每个训练阶段后测试人脸识别模型的模型效果(即人脸识别模型的人脸识别准确率)。

上述人脸识别装置以用于执行图1所示的人脸识别方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，人脸识别装置的具体工作过程及有关说明，可以参考人脸识别方法的实施例所描述的内容，此处不再赘述。

本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的人脸识别方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的人脸识别方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。

进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的人脸识别方法的程序，该程序可以由处理器加载并运行以实现上述人脸识别方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。

进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。

本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种人脸识别方法，其特征在于，所述方法包括：

采用模型训练***并通过下列步骤训练得到人脸识别模型，所述***包括中心节点和边节点，每个边节点分别存储不同的人脸图像训练集：

确定在每个训练阶段中每个边节点各自对应的人脸识别模型；

针对每个训练阶段，控制每个边节点根据所述中心节点发送的模型参数同时加载各自对应的人脸识别模型，根据各自存储的人脸图像训练集对加载的人脸识别模型进行训练；在当前训练阶段中，每个边节点接收到的模型参数是在上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的模型参数；

根据完成所有训练阶段的人脸识别模型，确定最终的人脸识别模型；

采用所述最终的人脸识别模型对输入图像进行人脸识别。

2.根据权利要求1所述的人脸识别方法，其特征在于，“控制每个边节点根据所述中心节点发送的模型参数同时加载各自对应的人脸识别模型”的步骤具体包括：

针对每个边节点，判断所述边节点是否存储了当前训练阶段对应的人脸识别模型；

若是，则直接加载所述人脸识别模型；

若否，则根据所述当前训练阶段对应的人脸识别模型向所述中心节点发送请求信息，接收所述中心节点根据所述请求信息反馈的模型结构信息，根据所述模型结构信息生成人脸识别模型并加载所述人脸识别模型。

3.根据权利要求1所述的人脸识别方法，其特征在于，所述方法还包括：

控制每个边节点在每个训练阶段使用各自存储的人脸图像训练集中所有的人脸图像对加载的人脸识别模型进行过一次训练。

4.根据权利要求1所述的人脸识别方法，其特征在于，“根据完成所有训练阶段的人脸识别模型，确定最终的人脸识别模型”的步骤包括：

分别获取每个人脸识别模型的人脸识别准确率；

将人脸识别准确率最高的人脸识别模型作为最终的人脸识别模型；

并且/或者，

“根据完成所有训练阶段的人脸识别模型，确定最终的人脸识别模型”的步骤包括：

对所有所述完成所有训练阶段的人脸识别模型进行模型融合，得到最终的人脸识别模型。

5.一种人脸识别装置，其特征在于，所述装置包括：

模型训练模块，其被配置成采用模型训练***并通过下列步骤训练得到人脸识别模型，所述***包括中心节点和边节点，每个边节点分别存储不同的人脸图像训练集：

确定在每个训练阶段中每个边节点各自对应的人脸识别模型；

针对每个训练阶段，控制每个边节点根据所述中心节点发送的模型参数同时加载各自对应的人脸识别模型，根据各自存储的人脸图像训练集对加载的人脸识别模型进行训练；在当前训练阶段中，每个边节点接收到的模型参数是在上一个训练阶段中其他边节点对相同人脸识别模型训练后确定的模型参数；

根据完成所有训练阶段的人脸识别模型，确定最终的人脸识别模型；

人脸识别模块，其被配置成采用所述最终的人脸识别模型对输入图像进行人脸识别。

6.根据权利要求5所述的人脸识别装置，其特征在于，所述模型训练模块包括模型加载子模块，所述模型加载子模块被配置成执行下列操作：

针对每个边节点，判断所述边节点是否存储了当前训练阶段对应的人脸识别模型；

若是，则直接加载所述人脸识别模型；

若否，则根据所述当前训练阶段对应的人脸识别模型向所述中心节点发送请求信息，接收所述中心节点根据所述请求信息反馈的模型结构信息，根据所述模型结构信息生成人脸识别模型并加载所述人脸识别模型。

7.根据权利要求5所述的人脸识别装置，其特征在于，所述模型训练模块包括阶段训练子模块，所述阶段训练子模块被配置成控制每个边节点在每个训练阶段使用各自存储的人脸图像训练集中所有的人脸图像对加载的人脸识别模型进行过一次训练。

8.根据权利要求5所述的人脸识别装置，其特征在于，所述模型训练模块包括第一模型确定子模块和/或第二模型确定子模块；

所述第一模型确定子模块被配置成执行下列操作：

分别获取每个人脸识别模型的人脸识别准确率；

将人脸识别准确率最高的人脸识别模型作为最终的人脸识别模型；

所述第二模型确定子模块被配置成对所有所述完成所有训练阶段的人脸识别模型进行模型融合，得到最终的人脸识别模型。

9.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至4中任一项所述的人脸识别方法。

10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至4中任一项所述的人脸识别方法。

Images