[发明专利]超分模型的训练及人脸识别方法、装置、介质及电子设备

权利要求书

1.一种超分模型的训练方法，其特征在于，所述方法包括：

获取第一高质量人脸图像样本以及所述第一高质量人脸图像样本对应的低质量人脸图像样本，由待训练模型对所述低质量人脸图像样本进行超分辨率重建处理以生成对应于所述低质量人脸图像样本的目标高质量人脸图像，并得到所述待训练模型的第一损失函数；

获取所述第一高质量人脸图像样本对应的身份信息，并获取所述身份信息对应的一个或多个第二高质量人脸图像样本，并以所述第一高质量人脸图像样本、所述第二高质量人脸图像样本以及所述目标高质量人脸图像构建图像多元组；

通过人脸特征提取模型提取所述人脸图像多元组中多个人脸图像的多个人脸特征，并根据所述多个人脸特征计算所述待训练模型的第二损失函数；

通过所述第一损失函数以及所述第二损失函数对所述待训练模型的神经网络参数进行迭代更新，以训练所述超分模型。

2.根据权利要求1所述的方法，其特征在于，所述获取第一高质量人脸图像样本以及所述第一高质量人脸图像样本对应的低质量人脸图像样本，包括：

对所述第一高质量人脸图像样本进行降质操作得到所述第一高质量人脸图像样本对应的低质量人脸图像样本。

3.根据权利要求1所述的方法，其特征在于，所述得到所述待训练模型的第一损失函数，包括：

计算所述第一高质量人脸图像样本与所述目标高质量人脸图像的预测差值；

根据所述预测差值得到所述待训练模型的第一损失函数。

4.根据权利要求1所述的方法，其特征在于，所述第一损失函数包括均方误差损失函数。

5.根据权利要求1所述的方法，其特征在于，所述通过所述第一损失函数以及所述第二损失函数对所述待训练模型中的神经网络参数进行迭代更新，以训练所述超分模型，包括：

根据所述第一损失函数以及所述第二损失函数得到所述超分模型的整体损失函数；

根据所述整体损失函数得到所述待训练模型中的各个神经网络参数的梯度；

根据所述神经网络参数的梯度对所述神经网络参数进行迭代更新，以训练所述超分模型。

6.一种人脸识别方法，其特征在于，所述方法包括：

获取待识别的人脸图像，并将所述待识别的人脸图像输入超分模型中；其中，所述超分模型是通过如权利要求1-5中任意一项所述的超分模型的训练方法得到的；

根据所述超分模型得到所述待识别的人脸图像对应的高质量人脸图像，并将所述高质量人脸图像输入人脸识别模型进行人脸识别。

7.一种超分模型的训练装置，其特征在于，包括：

第一损失函数计算模块，用于获取第一高质量人脸图像样本以及所述第一高质量人脸图像样本对应的低质量人脸图像样本，由待训练模型对所述低质量人脸图像样本进行超分辨率重建处理以生成对应于所述低质量人脸图像样本的目标高质量人脸图像，并得到所述待训练模型的第一损失函数；

图像多元组构建模块，用于获取与所述第一高质量人脸图像样本对应的身份信息，并获取所述身份信息对应的一个或多个第二高质量人脸图像样本，并以所述第一高质量人脸图像样本、所述第二高质量人脸图像样本以及所述目标高质量人脸图像构建图像多元组；

第二损失函数计算模块，用于通过人脸特征提取模型提取所述人脸图像多元组中多个人脸图像的多个人脸特征，并根据所述多个人脸特征计算所述待训练模型的第二损失函数；

超分模型训练模块，用于通过所述第一损失函数以及所述第二损失函数对所述待训练模型的神经网络参数进行迭代更新，以训练所述超分模型。

8.一种人脸识别装置，其特征在于，包括：

人脸图像输入模块，用于获取待识别的人脸图像，并将所述待识别的人脸图像输入超分模型中；其中，所述超分模型是通过如权利要求1-5中任意一项所述的超分模型的训练方法得到的；

人脸图像识别模块，用于根据所述超分模型得到所述待识别的人脸图像对应的高质量人脸图像，并将所述高质量人脸图像输入人脸识别模型进行人脸识别。