[发明专利]一种人脸识别模型训练方法、装置、电子设备及存储介质

说明书

本发明提供一种人脸识别模型训练方法、装置及介质，方法包括：获取人脸图像及预设的模糊区分阈值；人脸图像带有目标类别；将人脸图像输入人脸识别网络，得到人脸图像的特征向量、分类向量及目标类别的预测概率；确定人脸识别网络中各类别的特征中心向量，并利用特征中心向量、目标类别及特征向量确定人脸图像的分类结果；根据分类结果，利用预测概率及模糊区分阈值计算调整系数，并利用调整系数调整分类向量；利用调整后的分类向量对人脸识别网络进行网络优化。本发明可利用基于分类结果、预测概率及模糊区分阈值的调整系数调整分类向量，确保人脸识别网络在进行网络优化时，可根据人脸图像的模糊程度调节训练强度，保障模糊人脸图像的训练效果。

技术领域

本发明涉及图像识别领域，特别涉及一种人脸识别模型训练方法、装置、电子设备及存储介质。

背景技术

在人脸识别网络的训练过程中，训练数据集中通常包含大量清晰的易识别样本以及小部分模糊的难识别样本，但是人脸识别网络在实际使用时的痛点往往是这些模糊样本。由于模糊样本的数量较小，当与大量清晰样本一起训练时，人脸识别网络倾向于整体损失函数更小，很容易偏向于大量的清晰样本，进而导致模糊样本无法得到很好的训练，影响人脸识别网络对模糊人脸的识别效果。

发明内容

本发明的目的是提供一种人脸识别模型训练方法、装置、电子设备及存储介质，可利用基于分类结果、预测概率及模糊区分阈值的调整系数调整分类向量，确保人脸识别网络在基于该分类向量进行网络优化时，能够根据人脸图像的模糊程度调节训练强度，进而保障模糊人脸图像的训练效果。

为解决上述技术问题，本发明提供一种人脸识别模型训练方法，包括：

获取人脸图像及预设的模糊区分阈值；所述人脸图像带有目标类别；

将所述人脸图像输入人脸识别网络，得到所述人脸图像的特征向量、分类向量及所述目标类别的预测概率；

确定所述人脸识别网络中各类别的特征中心向量，并利用所述特征中心向量、所述目标类别及所述特征向量确定所述人脸图像的分类结果；

根据所述分类结果，利用所述预测概率及所述模糊区分阈值计算调整系数，并利用所述调整系数调整所述分类向量；

利用调整后的分类向量对所述人脸识别网络进行网络优化。

可选地，在利用所述预测概率及所述模糊区分阈值计算调整系数之前，还包括：

确定所述人脸识别网络当前训练轮次的时期值；

利用所述时期值对所述模糊区分阈值进行更新，并利用更新后的模糊区分阈值执行所述利用所述预测概率及所述模糊区分阈值计算调整系数的步骤。

可选地，所述将所述人脸图像输入人脸识别网络，得到所述人脸图像的特征向量、分类向量及所述目标类别的预测概率，包括：

利用所述人脸识别网络的特征提取器对所述人脸图像进行特征提取，得到所述特征向量；

利用所述人脸识别网络的分类层对所述特征向量进行分类，得到所述分类向量；

对所述分类向量进行Softmax操作，得到所述目标类别的预测概率。

可选地，所述利用所述特征中心向量、所述目标类别及所述特征向量确定所述人脸图像的分类结果，包括：

利用所述特征中心向量，在所述各类别中确定与所述特征向量最近的、除所述目标类别之外的错误类别；

利用所述特征向量、所述目标类别的特征中心向量及预设间隔值计算正确类余弦相似度，并利用所述特征向量及所述错误类别的特征中心向量计算错误类余弦相似度；

当所述正确类余弦相似度大于等于所述错误类余弦相似度时，判定分类正确；