[发明专利]一种图像识别网络模型训练方法、图像识别方法及装置

说明书

本申请公开了一种图像识别网络模型训练方法，包括：获取待训练图像集合所对应的第一图像特征；通过待训练身份分类器获取第一身份预测结果，通过待训练姿态分类器获取第一姿态预测结果；根据第一身份预测结果以及身份标签得到身份分类器，根据第一姿态预测结果以及姿态标签得到姿态分类器；通过待训练生成器对第一图像特征进行姿态转换，得到待训练图像集合所对应的第二图像特征；通过身份分类器获取第二身份预测结果，通过姿态分类器获取第二姿态预测结果；对待训练生成器进行训练，得到生成器。本申请还公开图像识别方法及装置。本申请基于经过组织的图像特征进行训练，相对于原始图像而言具有较小的空间维度，降低了训练的难度。

技术领域

本申请涉及人工智能领域，尤其涉及一种图像识别网络模型训练方法、图像识别方法及装置。

背景技术

随着人脸识别技术快速发展，人脸识别被应用到包括生活以及安全监控等很多方面。侧脸识别在人脸识别中具有非常重要的意义，在很多情况下会很难得到人的正脸图像，例如：在监控场景下拍摄到人正脸的概率就比较小，因此提高侧脸识别的准确率是人脸识别需要解决的一项非常关键的技术问题。

目前，对侧脸图像进行检测的方式是，首先训练得到一个对抗生成网络(Generative Adversarial Network，GAN)模型，然后将侧脸图像输入至该GAN模型，通过GAN模型将侧脸图像进行空间身份不变的人脸转正处理，得到转正后的人脸图像。最后将该人脸图像输入至神经网络进行识别。

然而，目前所使用的方法是基于原始的侧脸图像进行人脸转正，也就是对原始图像空间进行转正处理，由于原始图像空间是未经过组织的，比如原始图像的长为128，宽为128，即空间大小为3×128×128，因此需要一个很大的神经网络对原始图像空间进行训练，这个过程计算量非常大，由此会增加训练的难度，并且增加了模型的复杂度，需要消耗大量的计算资源。

发明内容

本申请实施例提供了一种图像识别网络模型训练方法、图像识别方法及装置，仅基于图像特征进行训练，而图像特征是经过组织的，因此相对于原始图像而言具有较小的空间维度，从而降低了训练的难度，并且降低了模型的复杂度，可以减少计算资源的消耗。

有鉴于此，本申请第一方面提供一种图像识别网络模型训练方法，包括：

获取待训练图像集合所对应的第一图像特征，其中，所述待训练图像集合包括至少一个待训练图像，所述待训练图像具有身份标签以及姿态标签，所述身份标签用于表示所述待训练图像中目标对象的身份信息，所述姿态标签用于表示所述待训练图像中所述目标对象的姿态信息；

通过待训练身份分类器获取所述第一图像特征所对应的第一身份预测结果，通过待训练姿态分类器获取所述第一图像特征所对应的第一姿态预测结果；

根据所述第一身份预测结果以及所述身份标签对所述待训练身份分类器进行训练，得到身份分类器，根据所述第一姿态预测结果以及所述姿态标签对所述待训练姿态分类器进行训练，得到姿态分类器；

通过待训练生成器对所述第一图像特征进行姿态转换，得到所述待训练图像集合所对应的第二图像特征，其中，所述第二图像特征对应于目标姿态；

通过所述身份分类器获取所述第二图像特征所对应的第二身份预测结果，通过所述姿态分类器获取所述第二图像特征所对应的第二姿态预测结果；

根据所述第二身份预测结果、所述身份标签、所述第二姿态预测结果、目标姿态标签、所述第二图像特征以及第三图像特征，对所述待训练生成器进行训练，得到生成器，其中，所述第三图像特征为所述待训练图像集合中属于所述目标姿态的待训练图像所对应的图像特征，所述目标姿态标签表示所述目标姿态的信息，所述生成器用于生成图像识别网络模型。

本申请第二方面提供一种图像识别方法，包括：