[发明专利]模型训练方法、图像识别方法、装置及终端设备

说明书

本发明提供一种模型训练方法、图像识别方法、装置及终端设备，该图像识别方法包括：获取待识别的非完整图像；将非完整图像输入到图像恢复模型中，输出非完整图像对应的完整图像；所述图像恢复模型是基于分阶段递进的训练过程预先训练得到，训练过程中的训练样本包括非完整图像以及非完整图像的二值图，所述二值图用于调整训练过程中模型的与生成图像特征表达相关的模型参数；将完整图像输入到预先训练的图像识别模型中，输出表示非完整图像的图像对象信息的识别结果。本发明的实施例，可以保证图像恢复效果，且将复杂的识别非完整图像的任务，转换为常规的完整图像识别任务，从而大大提高识别的鲁棒性和精确度，降低识别复杂度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种模型训练方法、图像识别方法、装置及终端设备。

背景技术

人脸识别作为最广泛被社会认可的技术之一，几乎在每个领域都能见到它的身影。公安机关的公民身份审核、金融领域的用户征信、保险行业用户信息等一系列的应用中，人脸识别技术都是一个必不可少的参与者。随着技术的不断发展，人脸识别技术的识别精度也在不断的刷新纪录，到目前为止已经无限趋近于百分之百的识别准确率。但上述情况有一个前提条件，提供的待识别人脸图像均为无遮挡、无缺失的，一旦出现遮挡或缺失，目前的人脸识别技术很难达到预期的效果，因此需对有遮挡或缺失的人脸图像进行恢复。

对于有遮挡或缺失的人脸图像，目前常用的图像恢复方法为：基于传统机器学习的方法来实现，即人工构造相应的人脸特征，并利用传统的机器学习方法，如稀疏表达和字典学习等，来重建人脸被遮挡的区域。然而，此类图像恢复方法中训练的模型比较简单，难以学习到复杂特征数据之间的变换关系，使得图像恢复效果差，造成利用此模型对非完整图像进行识别时的识别准确率低。

发明内容

本发明实施例提供一种模型训练方法、图像识别方法、装置及终端设备，以解决现有图像识别方法对非完整图像进行识别时，因利用的图像恢复模型简单，无法有效恢复图像，造成识别准确率低的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种模型训练方法，包括：

将获取的随机噪声输入到预先搭建的对抗网络模型的生成器中，获得第一生成样本；

将所述第一生成样本和第一标签样本输入到所述对抗网络模型的判别器中，对所述第一标签样本和所述第一生成样本进行分类判断；其中，所述第一标签样本为具有预设图像特征分布的完整图像；

确定所述对抗网络模型的损失值，以基于所述损失值更新所述对抗网络模型的参数数值；其中，在所述对抗网络模型的损失值未达到预设阈值时，进入下一轮迭代训练过程，直到所述对抗网络模型的损失值达到预设阈值，得到初始训练模型；

将获取的图像训练样本输入到所述初始训练模型的生成器中，获得第二生成样本；其中，所述图像训练样本为非完整图像；

将所述第二生成样本和第二标签样本输入到所述初始训练模型的判别器中，对所述第二标签样本和所述第二生成样本进行分类判断；其中，所述第二标签样本包括所述图像训练样本和所述图像训练样本的二值图；

确定所述初始训练模型的损失，以基于所述损失值更新所述初始训练模型的参数数值；其中，在所述初始训练模型的损失值未达到预设阈值时，进入下一轮迭代训练过程，直到所述初始训练模型的损失值达到预设阈值，得到图像恢复模型。

第二方面，本发明实施例提供了一种图像识别方法，包括：

获取待识别的非完整图像；

将所述非完整图像输入到图像恢复模型中，输出所述非完整图像对应的完整图像；其中，所述图像恢复模型是基于分阶段递进的训练过程预先训练得到，训练过程中的训练样本包括非完整图像以及所述非完整图像的二值图，所述二值图用于调整训练过程中模型的与生成图像特征表达相关的模型参数；