[发明专利]人脸识别方法、装置、计算机设备和可读存储介质

说明书

技术领域

本发明涉及人脸识别技术领域，具体而言，涉及一种基于多任务深度残差网络的人脸识别方法、一种基于多任务深度残差网络的人脸识别装置、一种计算机设备和一种计算机可读存储介质。

背景技术

相关技术中，一般通过设计固定的特征提取方法，如主动外观模型、人脸测量模型等，再通过特征选择算法剔除冗余或者不相关的特征，得出特征子集来进行匹配识别，或者通过神经网络机器学习来根据单个任务进行特征提取和训练得到识别模型，然后根据识别模型进行单个任务的识别，存在以下技术缺陷：

(1)通过设计固定的特征提取方法，极大依赖人工专家的经验，并且需要反复进行实验才能完成，工作量较大，而且难以找到集合多任务的人脸特征表达模型，人脸识别效果较差。

(2)通过单个任务的神经网络机器学习，进行多任务完整的人脸识别时，需要运行多个网络，效率较低，而且神经网络机器学习深度较浅，识别效果较差。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个目的在于提供一种基于多任务深度残差网络的人脸识别方法。

本发明的另一个目的在于提供一种基于多任务深度残差网络的人脸识别装置。

本发明的再一个目的在于提供一种计算机设备。

本发明的又一个目的在于提供一种计算机可读存储介质。

为了实现上述目的，本发明的第一方面的技术方案提供了一种基于多任务深度残差网络的人脸识别方法，包括：将训练集中任一人脸图像输入到深度残差网络模块组中进行训练，构建人脸识别模型，输出指定维数的人脸识别特征；基于全链接层分类器，根据指定维数的人脸识别特征，预测对应的人脸图像的多任务的对应类别；基于损失函数，根据预测的对应的人脸图像的多任务的对应类别，计算训练损失值；根据训练损失值，确定是否继续将训练集中任一人脸图像输入到深度残差网络模块组中进行训练，更新人脸识别模型。

在该技术方案中，通过将训练集中任一人脸图像输入到深度残差网络模块组中进行训练，构建人脸识别模型，输出指定维数的人脸识别特征，人脸识别模型的训练更加深层次，有利于提升人脸识别的效果，通过基于全链接层分类器，根据指定维数的人脸识别特征，预测对应的人脸图像的多任务的对应类别，提升了训练效率，有利于实现人脸识别模型应用于多任务中，而且以多任务同时进行识别，提升了识别和运算效率，通过基于损失函数，根据预测的对应的人脸图像的多任务的对应类别，计算训练损失值，根据训练损失值，确定是否继续将训练集中任一人脸图像输入到深度残差网络模块组中进行训练，更新人脸识别模型，一方面，提升了训练的整体效率，另一方面，提升了最终确定的人脸识别模型的识别效果。

需要说明的是，指定维数为512维。

还需要说明的是，训练集中的人脸图像是已经经过滤波、直方图均衡化、仿射变换统一大小至112*96，归一化处理后的人脸图像。

另外，训练损失值大于预设训练损失值时，继续将训练集中任一人脸图像输入到深度残差网络模块组中进行训练，更新人脸识别模型，直至训练损失值小于或等于预设训练损失值。

在上述技术方案中，优选地，还包括：将待识别人脸图像经归一化处理后输入到训练后的人脸识别模型中，输出指定维数的第一人脸识别特征；将注册集中的任一人脸图像输入到训练后的人脸识别模型中，输出指定维数的第二人脸识别特征；基于余弦向量角相似度函数，根据第一人脸识别特征和第二人脸识别特征，计算待识别人脸图像与注册集中的任一人脸图像的匹配度，确定识别结果信息。

在该技术方案中，通过将待识别人脸图像经归一化处理后输入到训练后的人脸识别模型中，输出指定维数的第一人脸识别特征，使得输出的第一人脸识别特征更贴近待识别人脸图像，通过将注册集中的任一人脸图像输入到训练后的人脸识别模型中，输出指定维数的第二人脸识别特征，使得输出的第二人脸识别特征更贴近注册集中的对应人脸图像，有利于实现待识别人脸图像与注册集中的任一人脸图像的比对，通过基于余弦向量角相似度函数，根据第一人脸识别特征和第二人脸识别特征，计算待识别人脸图像与注册集中的任一人脸图像的匹配度，确定识别结果信息，提升了人脸识别效果，可以对人脸、性别、年龄多任务识别，而且识别准确度较高。