[发明专利]人脸识别训练方法、识别方法、装置、设备及存储介质

说明书

本发明公开了一种人脸识别训练方法、识别方法、装置、设备及存储介质，该人脸识别训练方法包括：将训练图像输入预构建的原始人脸识别模型中进行人脸特征提取，得到原始人脸识别模型的输出值；其中，原始人脸识别模型包括：特征提取网络、区域生成网络、第一筛选层、RoIAlign池化层、分类层、第二筛选层以及框回归层；第一筛选层用于筛选区域生成网络的输出，第二筛选层用于筛选分类层的输出；采用输出值计算交叉熵损失；采用第二筛选层的输出计算EIOU损失；将交叉熵损失与EIOU损失之和作为目标损失优化原始人脸识别模型，得到目标人脸识别模型。本发明还涉及区块链领域，训练图像存储于区块链。通过上述方式，本发明能够有效提高人脸识别的准确率和召回率。

技术领域

本发明涉及人工智能技术领域，特别是涉及一种人脸识别训练方法、识别方法、装置、设备及存储介质。

背景技术

人脸识别是计算机视觉中最热门的研究领域之一，有着十分广泛的应用，如家庭刷脸解门锁、公司刷脸打卡、地铁刷脸进站等等。基于Faster RCNN的深度学习方法，由于其检测精度高，成为目前业内比较流行的人脸识别算法之一。

基于Faster RCNN的人脸识别算法在晴天、白天、无遮挡等简单场景下可以达到较高的准确率，但在雾霾、雨天、夜间、有遮挡等困难场景下，其准确率和召回率都还相对较低，仍存在一定的提升空间。

发明内容

本发明提供一种人脸识别训练方法、识别方法、装置、设备及存储介质，能够有效提高车内人脸识别的整体准确率和召回率。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种人脸识别训练方法，包括：

将训练图像输入预构建的原始人脸识别模型中进行人脸特征提取，得到所述原始人脸识别模型的输出值；其中，所述原始人脸识别模型包括：特征提取网络、区域生成网络、第一筛选层、RoIAlign池化层、分类层、第二筛选层以及框回归层；所述第一筛选层用于筛选所述区域生成网络的输出，所述第二筛选层用于筛选所述分类层的输出；

采用所述输出值计算交叉熵损失；

采用所述第二筛选层的输出计算EIOU损失；

将所述交叉熵损失与所述EIOU损失之和作为目标损失并根据所述目标损失优化所述原始人脸识别模型，得到目标人脸识别模型。

根据本发明的一个实施例，所述采用所述第二筛选层的输出计算EIOU损失，包括：

获取所述第二筛选层输出的候选框并计算所述候选框与标注框之间的交并比值以及所述候选框与所述标注框的中心点之间的距离；

构造包围所述候选框与所述标注框之间的包围框并计算所述包围框的对角线的长度；

根据所述交并比值、所述距离以及所述长度计算所述EIOU损失。

根据本发明的一个实施例，所述将训练图像输入预构建的原始人脸识别模型中进行人脸特征提取，得到所述原始人脸识别模型的输出值，包括：

采用所述特征提取网络对所述训练图像中的人脸特征进行提取，获得特征图；

采用所述区域生成网络根据所述特征图生成候选框；

在所述第一筛选层中采用NMS算法去除冗余的候选框；

采用所述RoIAlign池化层对所述第一筛选层的输出进行像素点采样并将采样结果转换为固定长度的输出；

采用所述分类层对所述RoIAlign池化层的输出进行分类处理；

在所述第二筛选层中采用NMS算法对分类结果进行筛选；

采用所述框回归层对所述第二筛选层的输出进行框回归处理，获得目标候选框。