[发明专利]人脸识别方法及装置、存储介质、电子设备

说明书

本发明公开了一种人脸识别方法及装置、存储介质、电子设备，属于人工智能领域。其中，该方法包括：采集目标对象的人脸图像；提取所述人脸图像的关键点特征；使用所述关键点特征，将所述人脸图像对齐到模板图像，生成虚拟人脸；采用人脸识别模型从所述虚拟人脸中提取人脸特征，并基于所述人脸特征对所述目标对象进行人脸识别，其中，所述人脸识别模型通过数据增强的样本图像训练得到。通过本发明，解决了相关技术中的人脸识别模型只能适配固定人脸对齐方式的技术问题，提高了人脸识别模型的准确性和适应性，增加了模型的应用场景和应用范围。

技术领域

本发明涉及人工智能领域，具体而言，涉及一种人脸识别方法及装置、存储介质、电子设备。

背景技术

相关技术中，深度学习要求推理阶段的数据应该与模型训练阶段的数据保持同样的分布。在人脸识别任务中，训练模型的人脸数据要和推理阶段的人脸数据分布保持一致。然而，在实际应用中，常常会根据不同情况选择不同的对齐方式，当推理阶段与训练阶段的对齐方式不同时，识别效果会大大降低。比如训练时用5点对齐，而实际部署时用98点对齐；比如训练时用A模型的98点对齐，部署时用B模型的98点对齐，这些对齐方式的变化很可能是因为显存大小对模型大小的限制或者推理时间的不同要求造成，而最终的结果是人脸识别的准确率低。

针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。

发明内容

本发明实施例提供了一种人脸识别方法及装置、存储介质、电子设备。

根据本申请实施例的一个方面，提供了一种人脸识别方法，包括：采集目标对象的人脸图像；提取所述人脸图像的关键点特征；使用所述关键点特征，将所述人脸图像对齐到模板图像，生成虚拟人脸；采用人脸识别模型从所述虚拟人脸中提取人脸特征，并基于所述人脸特征对所述目标对象进行人脸识别，其中，所述人脸识别模型通过数据增强的样本图像训练得到。

进一步，在采用人脸识别模型从所述虚拟人脸中提取人脸特征之前，所述方法还包括：获取人脸样本数据集；将所述人脸样本数据集划分为第一样本集和第二样本集；执行以下迭代步骤，直到损失值达到目标值：根据所述第一样本集中的N个样本ID生成第一样本特征和第二样本特征，根据所述第二样本集中的K个样本图像生成K个第三样本特征，根据所述第一样本特征，所述第二样本特征，所述K个第三样本特征计算损失值，其中，N，K均为大于0的整数。

进一步，根据所述第一样本集中的N个样本图像生成第一样本特征和第二样本特征包括：针对所述N个样本ID的每个样本ID，选择两张样本图像，其中，每个样本ID对应一个样本实体；针对所述两张样本图像中的每张样本图像，对样本图像进行数据增强，得到与所述两张样本图像对应的四张中间图像；从所述四张中间图像中随机选择两张中间图像进行特征编码，生成第一样本特征和第二样本特征。

进一步，对样本图像进行数据增强包括：从M套人脸关键点检测模型中随机选择两套人脸关键点检测模型，其中，每套人脸关键点检测模型对应一套权重参数或模型结构，其中，M为大于2的整数；采用所述两套人脸关键点检测模型分别对每张所述样本图像进行人脸对齐，得到对应的两张中间图像。

进一步，根据所述第二样本集中的中的K个样本图像生成K个第三样本特征包括：从所述第二样本集中随机选择K个样本图像；在图像字典中的队列前端添加所述K个样本图像；在图像字典的队列末端取出K个样本图像；对所述K个样本图像进行特征编码，生成K个第三样本特征。