[发明专利]训练人脸识别模型的方法、人脸识别方法及存储介质

权利要求书

1.一种用于训练人脸识别模型的方法，其特征在于，包括：

针对人脸样本图像集中的包括无遮挡图像和有遮挡图像的每个人脸样本图像对：

基于该人脸样本图像对的全局特征对确定该人脸样本图像对的全局特征相似度损失；

基于该人脸样本图像对的N个关键点位置对确定该人脸样本图像对的关键点位置偏差损失；以及

基于该人脸样本图像对的融合特征对确定该人脸样本图像对的分类损失；

通过求和确定针对所述人脸样本图像集的全局特征相似度总损失、关键点位置偏差总损失和分类总损失；

通过对所述全局特征相似度总损失、所述关键点位置偏差总损失和所述分类总损失加权求和确定加权损失；

确定所述加权损失是否收敛或小于预定阈值；以及

在确定结果为“否”的情况下，通过调整所述人脸识别模型的参数优化所述人脸识别模型；

其中，每个人脸样本图像对中包括的无遮挡图像和有遮挡图像为针对同一个人的无遮挡人脸样本图像和有遮挡人脸样本图像；

该人脸样本图像对的融合特征对中的每个融合特征是通过融合相应人脸样本图像的全局特征和局部特征得到的特征；并且

所述相应人脸样本图像的局部特征与无遮挡人脸局部区域相关联。

2.根据权利要求1所述的方法，其中，该人脸样本图像对中的每个人脸样本图像的N个关键点位置与预定人脸关键点集中的N个人脸关键点对应；

所述相应人脸样本图像的局部特征与该相应人脸样本图像的N个关键点位置中的n个关键点位置相关联；

该相应人脸样本图像的n个关键点位置与所述预定人脸关键点集的预定子集中的n个人脸关键点对应；并且

所述n个人脸关键点为所述无遮挡人脸局部区域内的人脸关键点。

3.根据权利要求1所述的方法，其中，所述有遮挡人脸样本图像是通过使用图像处理模块对所述无遮挡人脸样本图像中的人脸添加覆盖该人脸的部分区域的覆盖物来得到。

4.根据权利要求1所述的方法，其中，所述有遮挡图像为局部区域覆盖有覆盖物的人脸图像；并且

所述覆盖物为口罩、围巾、帽子、眼罩或墨镜。

5.根据权利要求1所述的方法，其中，所述加权损失还包括针对所述人脸样本图像集的姿势相似度总损失：

所述人脸样本图像集的姿势相似度总损失为人脸样本图像集中的每个人脸样本图像对的姿势特征对的姿势特征相似度损失的和；

所述姿势特征对包括相应人脸样本图像对中的相应无遮挡图像的第一姿势特征和所述相应人脸样本图像对中的相应有遮挡图像的第二姿势特征；

所述第一姿势特征是基于所述相应无遮挡图像的全局特征确定的表征所述相应无遮挡图像的头部姿势的特征；并且

所述第二姿势特征是基于所述相应有遮挡图像的全局特征确定的表征所述相应有遮挡图像的头部姿势的特征。

6.根据权利要求2所述的方法，其中，该人脸样本图像对的融合特征对包括第一融合特征和第二融合特征；

所述第一融合特征通过融合该人脸样本图像对的全局特征对中的无遮挡图像的第一全局特征和所述无遮挡图像的第一局部特征来确定；并且

所述第二融合特征通过融合该人脸样本图像对的全局特征对中的有遮挡图像的第二全局特征和所述有遮挡图像的第二局部特征来确定。

7.根据权利要求6所述的方法，其中，通过以下方式确定所述无遮挡图像的第一局部特征：

通过使用由所述无遮挡图像的n个关键点位置确定其n个窗口的窗掩模从所述无遮挡图像的第一全局特征提取多个分量来生成中间特征；

通过对所述中间特征进行卷积处理确定权重矩阵；以及

确定所述第一全局特征与所述权重矩阵的积作为所述第一局部特征；

其中，在所述中间特征与所述窗掩模对准的情况下，所述中间特征的位于所述窗掩模的每个窗口内的分量等于所述第一全局特征的相同位置处的分量；并且所述中间特征的位于所述窗掩模的n个窗口外的分量等于零或预定小量常数。