(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 202210390171.4 (22)申请日 2022.04.14 (71)申请人 合肥的卢深视科技有限公司 地址 230091 安徽省合肥市高新区习友路 3333号中 国 （合肥） 国际智能语音产业 园研发中心 楼611-217室 (72)发明人 何武　付贤强　寇鸿斌　朱海涛　 (74)专利代理 机构 北京智晨知识产权代理有限 公司 11584 专利代理师 张婧 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/74(2022.01) G06V 10/80(2022.01) (54)发明名称 模型训练方法、 亲属关系识别方法、 电子设 备及存储介质 (57)摘要 本申请实施例涉及人脸识别领域， 公开了一 种模型训练方法、 亲属关系识别方法、 电子设备 及存储介质。 模型训练方法， 包括： 构建用于从家 族图像样本中提取家族人脸特征的家族人脸特 征提取模型； 其中， 所述家族图像样本包括所属 同一家族的多张人脸图像， 所述家族 人脸特征提 取模型设置有用于对所述多张人脸图像的个体 人脸特征进行融合而形成所述家族人脸特征的 遗传类型参数， 所述遗传类型参数表 示预设遗传 类型在所述家族图像样本所属家族中的显性程 度； 以各家族的家族人脸特征与对应家族标签 之 间的距离和所述家族人脸特征与对应家族图像 样本中各人脸图像的个体人脸特征之间的距离 构建损失函数， 对所述家族人脸特征提取模型进 行训练。 权利要求书2页 说明书9页 附图2页 CN 114926872 A 2022.08.19 CN 114926872 A 1.一种模型训练方法， 其特 征在于， 包括： 构建用于从家族图像样本中提取家族人脸特征的家族人脸特征提取模型； 其中， 所述 家族图像样本包括所属同一家族的多张人脸图像， 所述家族人脸特征提取模型设置有用于 对所述多张人脸图像的个体人脸特征进行融合而 形成所述家族人脸特征的遗传类型参数， 所述遗传类型参数表示预设遗传类型在所述家族图像样本所属家族中的显性 程度； 以各家族的家族人脸特征与对应家族标签之间的距离和所述家族人脸特征与对应家 族图像样本中各人脸图像的个体人脸特征之间的距离构建损失函数， 对所述家族人脸特征 提取模型进行训练。 2.根据权利要求1所述的模型训练方法， 其特征在于， 所述预设的遗传类型参数通过以 下步骤获取： 将属于同一家族的人脸图像按预设的遗传类型分别进行组合， 得到各所述遗传类型所 涉及图像的遗传图像组； 从所述遗传图像组中选择符合对应遗传类型的人脸图像对， 并计算每个所述人脸图像 对中人脸图像之间的相似度， 得到多个相似度值； 根据所述相似度值确定所述遗传图像组所属遗传类型的遗传类型参数。 3.根据权利要求2所述的模型训练方法， 其特征在于， 所述遗传类型包括： 男性遗传、 女 性遗传、 交叉遗传和隔代遗传； 当所述遗传图像组对应的遗传类型为男性遗传时， 所述从所述遗传图像组中选择符合 对应遗传类型 的人脸图像对为男性中年人脸图像和男性老年人脸图像构成的图像对， 和/ 或男性中年人脸图像和男性儿童人脸图像构成的图像对； 当所述遗传图像组对应的遗传类型为女性遗传时， 所述从所述遗传图像组中选择符合 对应遗传类型 的人脸图像对为女性中年人脸图像和女性老年人脸图像构成的图像对， 和/ 或女性中年人脸图像和女性儿童人脸图像构成的图像对； 当所述遗传图像组对应的遗传类型为交叉遗传时， 所述从所述遗传图像组中选择符合 对应遗传类型 的人脸图像对为男性儿童人脸图像和女性中年人脸图像构成的图像对， 和/ 或女性儿童人脸图像和男性中年人脸图像构成的图像对， 和/或男性中年人脸图像和女性 老年人脸图像构成的图像对， 和/或女性中年人脸图像和男性老年人脸图像构成的图像对； 当所述遗传图像组的遗传类型为隔代遗传时， 所述从所述遗传图像组中选择符合对应 遗传类型的人脸图像对为儿童人脸图像和老年人脸图像构成的图像对。 4.根据权利要求1所述的模型训练方法， 其特征在于， 所述家族人脸特征提取模型包 括： 特征提取网络和特征融合网络； 所述构建用于从家族图像样本中提取家族人脸特征 的 家族人脸特 征提取模型， 包括： 采用所述特 征提取网络提取 所述家族图像样本中各 人脸图像的个 体人脸特 征； 通过所述特征融合网络对所述家族图像样本 中各人脸图像的个体人脸特征进行融合， 形成所述家族人脸特征； 其中， 在融合过程中， 通过预先设置的所述家族图像样本所属家族 的遗传类型参数调整各 所述个体人脸特 征在所述家族人脸特 征中的权 重。 5.根据权利要求4所述的模型训练方法， 其特征在于， 所述特征融合网络包括： 第一融 合层和第二融合层； 所述通过所述特征融合网络对所述家族图像样本中各人脸图像的个体人脸特征进行权　利　要　求　书 1/2 页 2 CN 114926872 A 2融合， 形成所述家族人脸特 征包括： 采用所述第一融合层对所述家族图像样本中各人脸图像的个体人脸特征进行筛选组 合， 形成与预设遗传类型一一对应的多个特征组， 并对各所述特征组内包含的最大数量的 非重复个体人脸特征进行融合， 形成各特征组对应的融合人脸特征； 每个所述特征组中所 包含的特征为满足对应遗传类型的至少一组个 体人脸特 征对； 采用所述第 二融合层对各所述融合人脸特征进行融合， 形成家族人脸特征； 其中， 在融 合过程中， 通过各融合人脸特征对应的所述遗传类型参数调整各融合人脸特征在所述家族 人脸特征中的权重； 训练所述第二融合层 采用的损失函数基于所述家族人脸特征与对应家 族标签之间的距离和所述家族人脸特征与对应家族图像样本中各人脸图像的人脸特征之 间的距离构建。 6.根据权利要求5所述的模型训练方法， 其特征在于， 所述对各所述特征组内包含的最 大数量的非重复个 体人脸特 征进行融合， 形成各 特征组对应的融合人脸特 征， 包括： 对各所述特征组内包含的最大数量的非重复个体人脸特征按每个个体人脸特征的预 设权重进 行加权融合， 形成各特征组对应的融合人脸特征； 其中， 所述预设权重基于个体人 脸特征在所述特 征组内的重复次数确定， 且重复次数越高， 权 重越大。 7.根据权利要求1所述的模型训练方法， 其特征在于， 所述家族图像样本 中的多个人脸 图像为属于同一人的人脸图像， 或为属于同一家族中至少两个不同人的人脸图像。 8.一种亲属关系识别方法， 其特 征在于， 包括： 获取待测人脸图像的人脸特 征； 获取待匹配家族的家族图像数据， 并将所述待匹配家族的家族图像数据输入到已训练 好的家族人脸特征提取模型中， 得到待匹配家族的家族人脸特征， 其中所述家族人脸特征 提取模型通过如上权利要求1至7中任一项所述的模型训练方法获取； 将所述待 匹配家族的家族人脸特征和所述待测人脸图像的人脸特征进行比较， 确定待 测人脸图像所属的家族。 9.一种电子设备， 其特 征在于， 包括： 至少一个处 理器； 以及， 与所述至少一个处理器通信连接的存储器； 其中， 所述存储器存储有可被所述至少一 个处理器执行 的指令， 所述指令被所述至少一个处理器执行， 以使所述至少一个处理器能 够执行如权利要求1至7中任一所述的模型训练方法， 或者能够执行如权利要求8所述的亲 属关系识别方法。 10.一种计算机可读存储介质， 存储有计算机程序， 其特征在于， 所述计算机程序被处 理器执行时实现权利要求1至7中任一项所述的模型训练方法， 或者实现如权利要求8所述 的亲属关系识别方法。权　利　要　求　书 2/2 页 3 CN 114926872 A 3