[发明专利]图像处理方法、装置及服务器

说明书

本发明实施例公开了图像处理方法、装置及服务器，包括下述步骤：获取待处理的人脸图像；将所述人脸图像输入到构建有损失函数的卷积神经网络模型中，所述损失函数根据预设期望指向性的筛选增大图像分类后的类间距离；获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解。通过在卷积神经网络模型上构建新的损失函数，该损失函数具有晒选增大图像分类后类间距的作用，通过该损失函数训练得到的卷积神经网络模型，输出的分类数据的类间距离增大，使图像识别过程中类间距离增大，图像之间差别的显著性明显提高，致使图像比对时准确性明显的提高，应用该图像处理方法的安全性也得到了有效地保障。

技术领域

本发明实施例涉及图像处理领域，尤其是一种图像处理方法、装置及服务器。

背景技术

人脸识别，是指利用计算机对人脸图像进行处理、分析和理解，以识别各种不同人脸图像的目标和对像的技术。人脸识别可以应用在安防、金融等很多领域，人脸识别的过程一般分为三个阶段：人脸检测、人脸对齐、人脸特征提取与比对，而人脸特征提取是人脸识别的关键技术。

随着深度学习技术的发展，卷积神经网络已经成为提取人脸特征的有力工具，对于模型固定的卷积神经网络而言，最核心的技术是如何设计损失函数，使其能有效地监督卷积神经网络的训练，从而使卷积神经网络具有提取人脸特征的能力。目前主要使用的损失函数是基于Softmax Loss+Center Loss的特征提取方法，该方法是目前使用的比较主流的方法，该方法利用训练的卷积神经网络模型的最后一层提取人脸特征，将人脸数据映射到cos空间上，通过比对不同人脸的cos空间距离来判断人脸的相似性，是一种非端到端的方法，简单易于实现。

但是本发明创造的发明人再研究中发现，由于Softmax Loss+Center Loss的损失函数只关注了类内特征的距离，忽略了类间特征的距离，而致使图相比对时类间距离不够突出，导致图像比对时图像识别精度不高，错判几率较高，无法将图像识别技术应用于安全性要求较高的领域。

发明内容

本发明实施例提供一种能够提高图像提取过程中图像类间距离的图像处理方法、装置及服务器。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种图像处理方法，包括下述步骤：

获取待处理的人脸图像；

将所述人脸图像输入到构建有损失函数的卷积神经网络模型中，所述损失函数根据预设期望指向性的筛选增大图像分类后的类间距离；

获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解。

可选地，所述损失函数为Triplet-Center Loss函数，且triplet-center Loss层构建在VGG卷积神经网络模型的softmax层上，所述triplet-center Loss层根据Triplet-Center Loss函数对softmax层输出的分类数据进行指向性筛选。

可选地，所述将所述人脸图像输入到构建有损失函数的卷积神经网络模型中，所述损失函数根据预设期望指向性的筛选增大图像分类后的类间距离的步骤，具体包括下述步骤：

所述Triplet-Center Loss函数比对所述卷积神经网络模型正向传播时输出类内距离与类间距离；

当所述类内距离大于所述类间距离时反复迭代的将所述卷积神经网络模型转入反向传播，以调整所述卷积神经网络模型中的权重，至所述类内距离小于所述类间距离时结束。

可选地，所述Triplet-Center Loss函数正向传播过程的特征描述为：

loss＝tirplet_loss+center_loss；

定义函数：