[发明专利]一种训练脸部遮挡识别模型的方法及相关装置

说明书

本发明实施例涉及智能识别技术领域，公开了一种训练脸部遮挡识别模型的方法及相关装置，该方法中用于训练模型的预设神经网络包括特征提取网络，所述特征提取网络包括逐层设置的普通卷积层和N个深度可分离卷积层，其中，所述N个深度可分离卷积层中前M个深度可分离卷积层中深度卷积层的步长为预设值，所述预设值大于1，M≤N。基于深度可分离卷积层的参数量少、计算量少，使得该预设神经网络具有轻量化、训练速度快的特点，采用M个步长大于1的深度可分卷积层进行下采样，使得深度可分卷积层生成的特征图具有低分辨率、大感受野和空间不变性的特点，从而，能够提高训练得到的脸部遮挡识别模型的精度。

技术领域

本发明实施例涉及智能识别技术领域，尤其涉及一种训练脸部遮挡识别模型的方法及相关装置。

背景技术

随着机器学习技术的不断进步，识别技术更加广泛的应用于人们的日常生活中。在对人脸进行分析时，在一些应用场景中需要检测出面部是否有遮挡物，以及，识别出遮挡物类别。

比如现在疫情期间，公共场合需要检测人们是否佩戴口罩等。在日常测肤中，可以检测用户的人脸部分的配饰，比如是否带帽子，是否带眼镜等。现有的遮挡识别算法模型仅基于像素差异进行简单判断是否有遮挡，不能识别出遮挡物类别。即使将现有的目标识别算法应用于人脸遮挡物识别，也容易受到面部特征干扰，准确性较低。

发明内容

本发明实施例主要解决的技术问题是提供一种训练脸部遮挡识别模型的方法、识别脸部遮挡的方法、电子设备及存储介质，其中，采用该训练脸部遮挡识别模型的方法训练得到的脸部遮挡识别模型能够准确识别各遮挡物类别，并在在训练的过程中脸部遮挡识别模型能够快速收敛。

为解决上述技术问题，第一方面，本发明实施例中提供给了一种训练脸部遮挡识别模型的方法，包括：

获取图像样本集，所述图像样本集中各图像包括人脸；

截取目标图像的人脸区域，以生成人脸区域图像，其中，所述目标图像为所述图像样本集中任一图像；

将所述人脸区域图像划分成至少一个局部区域图像，各所述局部区域图像均标注有真实标签，一所述局部区域图像和所述局部区域图像标注的真实标签作为一样本对，所述真实标签包括遮挡物类别；

将所述图像样本集中各图像对应的至少一个样本对作为训练集，将所述训练集输入预设神经网络中进行训练，直到满足迭代终止条件时停止训练，以获取脸部遮挡识别模型；

其中，所述预设神经网络包括特征提取网络，所述特征提取网络包括逐层设置的普通卷积层和N个深度可分离卷积层，一个所述深度可分卷积层包括逐层设置的深度卷积层和逐点卷积层；

所述N个深度可分离卷积层中前M个深度可分离卷积层中深度卷积层的步长为预设值，所述预设值大于1，其中，M≤N。

在一些实施例中，所述深度可分卷积层还包括第一线性卷积层和第二线性卷积层，所述第一线性卷积层中各卷积核的大小均为1*1，所述第二线性卷积层中各卷积核的大小均为1*1；

其中，所述第一线性卷积层位于所述深度卷积层和所述逐点卷积层之间，所述第二线性卷积层位于所述逐点卷积层之后；

所述第一线性卷积层中卷积核的个数为所述深度卷积层中卷积核的个数的预设倍数，所述预设倍数大于1；

所述第二线性卷积层中卷积核的个数与所述逐点卷积层中卷积核的个数相同。

在一些实施例中，所述方法还包括：

对各所述样本对的真实标签进行平滑处理，获取各平滑处理后的真实标签，以使所述各平滑处理后的真实标签参与所述预设神经网络的训练，其中，所述平滑处理为向真实标签中加入噪声。

在一些实施例中，所述对各所述样本对的真实标签进行平滑处理，以获取各平滑处理后的真实标签的步骤，包括：