[发明专利]人脸识别网络训练方法、人脸识别方法、装置和存储介质

说明书

根据本发明实施例提供的一种人脸识别网络训练方法、人脸识别方法、装置和存储介质，人脸识别网络训练方法包括：对训练集中的侧面人脸图像进行姿态角度信息的测定，训练集包括若干张不同姿态角度的侧面人脸图像和对应的准确正脸深度特征信息；将训练集中的侧面人脸图像输入神经网络提取侧面深度空间特征；将侧面深度空间特征和对应的姿态角度信息输入反馈组件得出训练正脸深度特征，对训练正脸深度特征与准确正脸深度特征进行比较得出准确率；进行循环训练，直到人脸识别网络的识别准确率达到预设要求。通过对侧面人脸图像进行角度测定提取深度空间特征，在反馈组件中还原正脸深度特征，提高大角度人脸识别的准确性，同时提高人脸识别的速度。

技术领域

本发明实施例涉及但不限于图像处理技术领域，具体而言，涉及但不限于一种人脸识别网络训练方法、人脸识别方法、装置和存储介质。

背景技术

当前的计算机视觉领域中，人脸识别已被广泛应用在信息安全等多个领域当中。在实际的应用场景中，影响人脸识别检测的因素有很多，例如光照、表情、姿态、遮挡以及设备原因等等，其中人脸大角度姿态的因素是影响人脸识别结果的主要因素。

近年来姿态人脸识别主要是通过卷积神经网络来提取人脸的鲁棒特征进行人脸识别，但是这些特征提取方法主要集中在两个方面，一是首先对人脸图像进行姿态归一化，然后再提取深度空间特征；另一方面是直接设计网络结构提取姿态鲁棒的深度空间特征。

但是针对第一类方法，在图像层面上进行姿态的归一化比较困难，因为人脸的偏转角度大时，由于姿态而损失的信息比较多的时候，进行归一化变得更加困难，导致识别速度和识别准确率显著下降。

针对第二类方法，如果对所有的输入图片不加区分的输入到网络当中并且在网络当中没有额外的信息的话，那么网络的训练会比较困难，所需要的网络层数比较深，而且所需要的训练样本图片都比较多。由于人脸的偏转角度大时也会导致可用信息减少，只能让网络层数的加深，训练的过程中网络容易陷入局部最小值当中，达不到一个全局最优的网络，同样会导致识别速度和识别准确率显著下降。

发明内容

本发明实施例提供的一种人脸识别网络训练方法、人脸识别方法、装置和存储介质，主要解决的技术问题是目前在人脸识别方法在大角度，多场景的情况下识别速度和准确度明显下降的问题。

为解决上述技术问题，本发明实施例提供人脸识别网络训练方法，包括：

对训练集中的侧面人脸图像进行姿态角度信息的测定，所述训练集包括若干张不同姿态角度的侧面人脸图像和对应的准确正脸深度特征信息；

将所述训练集中的侧面人脸图像输入神经网络提取侧面深度空间特征；

将所述侧面深度空间特征和对应的姿态角度信息输入反馈组件得出训练正脸深度特征，对所述训练正脸深度特征与准确正脸深度特征进行比较得出准确率；

进行循环训练，直到所述人脸识别网络的识别准确率达到预设要求。

本发明实施例还提供一种人脸识别方法，包括：

获取待识别用户的人脸图像，并进行姿态角度信息的测定；

将所述待识别人脸图像和所述姿态角度信息输入上述人脸识别网络训练方法得到的人脸识别网络，得出识别正脸深度空间特征；

将所述识别正脸深度空间特征与数据库存储的人脸数据进行比对,确定所述待识别用户的身份信息。

本发明实施例还提供一种人脸识别装置，包括：

角度测定单元，用于对训练集中的侧面人脸图像进行姿态角度信息的测定，所述训练集包括若干张不同姿态角度的侧面人脸图像和对应的准确正脸深度特征信息；

神经网络单元，用于输入所述训练集中的侧面人脸图像，提取人脸图像对应的侧脸深度空间特征；