[发明专利]人脸识别方法、装置及系统、模型训练方法及装置

说明书

本发明公开了一种人脸识别方法、装置及系统、模型训练方法及装置，属于人脸识别技术领域。包括：向深度学习模型输入待识别人脸图像；接收深度学习模型输出的人脸特征数据；深度学习模型中，输入层用于在接收到待识别人脸图像后，对待识别人脸图像进行数据处理，以得到高维特征数据；第一输出层用于对高维特征数据进行数据降维处理，得到低维特征数据；特征组合层用于将低维特征数据进行预处理，并对低维特征数据进行合并处理，得到组合特征数据；第二输出层用于对组合特征数据进行特征融合，得到人脸特征数据。解决了相关技术中人脸识别效率低以及对深度学习模型训练时，资源和时间的消耗较大、训练的灵活性较低的问题。

技术领域

本发明涉及人脸识别技术领域，特别涉及一种人脸识别方法、装置及系统、模型训练方法及装置。

背景技术

人脸识别技术就是通过计算机提取人脸特征，并根据这些人脸特征进行身份验证的一种技术。人脸与人体的其他生物特征(例如指纹、虹膜等)一样与生俱来，它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的条件，与其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观的特点。目前，为了提高人脸识别的准确度，通常采用训练好的深度学习模型提取人脸特征。

相关技术中，通常需要训练多个深度学习模型，该多个深度学习模型包括用于特征提取的深度学习模型和用于特征融合的深度学习模型，基于该多个深度学习模型实现人脸识别。其中，用于进行特征提取的深度学习模型也可以有多个，每个深度学习模型可以被用于训练提取固定的人脸特征，例如，某一深度学习模型被用于训练提取眼睛的特征，另一深度学习模型被用于训练提取鼻子的特征。在进行人脸识别时，可以先通过用于特征提取的多个深度学习模型提取人脸特征，再将提取的各个人脸特征分别输入至用于特征融合的深度学习模型，并通过用于特征融合的深度学习模型对各个人脸特征进行特征融合，将特征融合后得到的人脸特征用于人脸间的相似度计算，最终得到人脸识别结果，以完成人脸识别过程。

但是，采用相关技术中的人脸识别方法进行人脸识别时，需要使用多个深度学习模型，模型之间的数据传输过程耗费时间较长，导致人脸识别的效率较低；另外，相关技术提供的深度学习模型的训练过程中，需要对多个深度学习模型分别进行训练，资源和时间的消耗较大，训练的灵活性较低。

发明内容

本发明实施例提供了一种人脸识别方法、装置及系统、模型训练方法及装置，可以解决相关技术中人脸识别效率低以及对深度学习模型训练时，资源和时间的消耗较大、训练的灵活性较低的问题。所述技术方案如下：

第一方面，提供了一种人脸识别方法，所述方法包括：

向深度学习模型输入待识别人脸图像；

接收所述深度学习模型输出的人脸特征数据；

其中，所述深度学习模型包括：依次连接的输入层，第一输出层，特征组合层和第二输出层；

所述输入层用于在接收到待识别人脸图像后，对所述待识别人脸图像进行数据处理，以得到高维特征数据；

所述第一输出层用于对所述高维特征数据进行数据降维处理，得到低维特征数据，所述高维特征数据的数据维度大于所述低维特征数据的数据维度；

所述特征组合层用于将所述低维特征数据进行预处理，并将预处理后的低维特征数据进行合并处理，得到组合特征数据；

所述第二输出层用于对所述组合特征数据进行特征融合，得到所述人脸特征数据。

可选的，所述深度学习模型还包括与所述第二输出层连接的第一监督模块；