[发明专利]一种人脸识别方法、系统及存储介质

说明书

本申请实施例涉及人脸识别领域，并提供一种人脸识别方法、系统及存储介质，在第一节点中方法包括从多个人脸识别模型中确定目标人脸识别模型；基于目标人脸识别模型对待识别图片进行特征提取得到目标人脸特征；在人脸特征库中获取与目标人脸识别模型对应的目标人脸特征库；将目标人脸特征与目标人脸特征库中的各预设密文特征进行匹配，得到目标相似度密文并输出。本方案能够在第一节点中从多个人脸识别模型确定的目标人脸识别模型对待识别图片进行特征提取后，与目标人脸特征库进行匹配得到目标相似度密文，将算法与算力解耦，且能根据场景灵活调度人脸识别算法，可以最大化规避当前深度学习的不鲁棒不可扩展性质，提高实际场景人脸识别的准确性。

技术领域

本申请实施例涉及人脸识别技术领域，尤其涉及一种人脸识别方法、系统及存储介质。

背景技术

随着以深度学习为代表的人工智能技术广泛普及，自动人脸识别系统被广泛应用于智慧安防、智慧城市、智慧金融、智慧交通等场景。人脸识别系统的研制厂商众多，不同算法厂商采用的深度学习算法不尽相同；但不同场景下，不同厂商的不同算法性能表现迥异，深度学习的迁移性和多场景适配性在实际落地中受到较大阻碍。

“深度学习的‘黑箱’性质是造成深度学习推广能力差的一个原因，以图像识别为例，通过深度学习只能发现重复出现的局部片段(模式)，很难发现具有语义的部件”。因此当前数据驱动的深度学习算法，在根源上无法做到一个模型适用所有场景。

受限于知识产权和算法算力紧密耦合，当前客户采购人脸识别系统往往只能采购其中一个厂商。具体来说，1)算法厂商不希望人脸识别过程中的特征值(底库特征和待识别的人脸特征)被客户知晓，以免引发知识产权/商业机密的泄露，一般会对人脸特征加密；2)为了进一步保护知识产权/减少适配代价，算法厂商往往提供软硬一体解决方案，即便大多数硬件使用的是通用处理器/加速卡；采购多厂商的人脸识别系统意味着要采购多套软硬一体产品。

在标准人脸识别系统的工作流程，分为离线识别系统和在线识别系统，其中在线识别系统分为特征提取和特征比对两个模块。无法互联互通和灵活调度，意味着：1)离线阶段只能使用1个厂商提供的特征提取器，得到1份人脸特征底库(往往经过加密)，2)在线阶段只能使用同一厂商的识别系统，使用其离线阶段获取的特征底库，进行人脸识别。因为特征底库经过了自加密，各厂商的识别系统无法互联互通，且识别系统中第一步骤往往是解密。然而，识别系统是有互联互通的潜在可能的，因为在线识别系统内部的特征比对模块已然存在国家/地方标准，其计算公式在标准中也有统一的数学表达。

依图等公司提出《基于通用人脸特征模板的人脸识别技术要求标准研究报告》，其中提到了“通用人脸特征模板”一项技术，其也是一种算法算力解耦和人脸识别系统系统互联互通的方案。基于通用人脸特征模板的方案，从保护人脸原图隐私的角度，提出了“通用人脸特征模板”这个概念。通用模板由权威机构生成，离线阶段下发给各个AI厂商。该方案认为，下发通用人脸特征模板，相比下发人脸原图，减少了人脸隐私的泄露；同时辅以签名/证书等手段，进一步减小了通用人脸特征模板下发产生的人脸隐私泄露风险。

可见现有方案中，离线阶段训练获得“通用人脸特征模板”到各厂商自有“人脸特征参考”之间的转换器最为关键。在此并不详述该转换器的训练策略，但是本转换器带来一种可能：虽然各个厂商的深度学习网络设计错综复杂，一旦采用现有方案，转换器这种相对简单的深度学习网络设计会趋同，从而有可能从算法角度统一各个厂商的人脸识别系统。即各个厂商的人脸识别系统变为“通用人脸特征提取模型”+“高度趋同的转换器”。

在对现有技术的研究和实践过程中，本申请实施例的发明人发现：

1)通用人脸特征提取模型+高度趋同的转换器架构设计，使得各AI厂商创新频出的网络设计，最后会变为结构简单的转换器设计，创新和多样性只体现在转换器参数中，实际落地中预计会有较大阻力；

2)通用人脸特征提取模型+高度趋同的转换器架构设计，尤其是转换器的训练获得方式，相比传统单模型，其精度损失并无实验/理论支撑。