[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

说明书

本公开内容涉及用于训练人脸识别模型的方法、识别人脸的方法及存储介质。根据本公开内容的一个实施例，该用于训练人脸识别模型的方法包括：通过求和确定针对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加权求和确定加权损失；确定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，通过调整人脸识别模型的参数优化人脸识别模型。本公开内容的方法和存储介质的有益效果至少包括：改善针对有遮挡人脸图像的人脸识别准确度。

技术领域

本公开内容总体上涉及图像处理，更具体的，涉及用于训练人脸识别模型的方法、用于人脸识别的方法以及存储介质。

背景技术

随着计算机算力的提升，人脸识别的速度和准确度已达到了可以实际应用的程度。但是，当人脸上有遮挡人脸局部区域的覆盖物时，对这样的人脸进行拍摄得到的是有遮挡人脸图像。由于覆盖物的存在，人脸识别模型的识别准确度下降。因此，对这样的有遮挡人脸图像进行识别存在挑战。

发明内容

在下文中将给出关于本公开内容的简要概述，以便提供关于本公开内容的某些方面的基本理解。应当理解，此概述并不是关于本公开内容的穷举性概述。它并不是意图确定本公开内容的关键或重要部分，也不是意图限定本公开内容的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

根据本公开内容的一个方面，提供了一种用于训练人脸识别模型的方法，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加权求和确定加权损失；确定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，通过调整人脸识别模型的参数优化人脸识别模型；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。

据本公开内容的一个方面，提供了一种用于人脸识别的方法，包括：使用前述用于训练人脸识别模型的方法对人脸识别模型进行训练；以及使用训练后的人脸识别模型对待识别人脸图像进行人脸识别。

根据本公开内容的一个方面，提供了一种用于训练人脸识别模型的方法。该方法包括：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加权求和确定加权损失；确定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，通过调整人脸识别模型的参数优化人脸识别模型；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。