[发明专利]人脸识别模型训练和人脸识别方法、系统、设备及介质

说明书

本发明提供了一种人脸识别模型训练和人脸识别方法、系统、设备及介质，所述训练方法包括：构建人脸识别模型，所述模型包括特征提取层、全连接层和损失函数层，所述全连接层包括第一特征输出层、第二特征输出层和至少一个属性输出层，所述损失函数层包括特征提取损失函数层和至少一个属性损失函数层；采用训练集训练所述模型。本发明通过构建一个神经网络模型同时用于人脸特征提取和人脸属性分析，在该神经网络模型中输入图像后，可以同时输出用于识别的特征以及图像的属性，降低图像识别中的计算量，提高了图像识别效率；在模型训练过程中，同时训练特征提取和属性分析，多个损失函数相互影响，有利于训练得到更好的模型参数。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种人脸识别模型训练和人脸识别方法、系统、设备及介质。

背景技术

当前，人脸识别技术已经得到了广泛的应用。一般来说人脸识别技术包含人脸检测技术、人脸关键点定位技术、人脸特征提取技术和人脸属性分析技术。对于人脸特征提取和人脸属性分析，通常的做法是分别设计不同的卷积神经网络，采用不同的损失函数进行训练，这样割裂开来的做法，不仅增加了处理的时间，也不利于两种技术进行融合。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种人脸识别模型训练和人脸识别方法、系统、设备及介质，仅需要构建一个神经网络模型，即可以同时用于人脸特征提取和人脸属性分析。

本发明实施例提供一种人脸识别模型训练方法，包括如下步骤：

S110：构建人脸识别模型，所述人脸识别模型包括：

特征提取层，用于提取输入图像的特征；

全连接层，包括第一特征输出层、第二特征输出层和至少一个属性输出层，所述第一特征输出层和第二特征输出层用于输出人脸特征，所述属性输出层用于输出对应的人脸属性的分类结果，所述特征提取层的输出经过所述第一特征输出层之后分别与所述第二特征输出层和所述属性输出层的输入相连接；

损失函数层，包括特征提取损失函数层和至少一个属性损失函数层，所述第二特征输出层的输出与所述特征提取损失函数层的输入相连接，所述属性输出层的输出与所对应的属性损失函数层的输入相连接；

S120：采用包括多个训练图像的训练集训练所述人脸识别模型。

可选地，所述人脸识别模型为卷积神经网络模型，所述特征提取层包括输入层、卷积层和池化层。

可选地，所述特征提取损失函数层和属性损失函数层分别为softmax函数与交叉熵损失函数结合的损失函数层。

可选地，步骤S120包括如下步骤：

S121：获取多个训练图像，采用多个属性的类别分别对所述训练图像进行标注，将标注后的训练图像加入训练集；

S122：采用所述训练集训练所述人脸识别模型。

可选地，步骤S121中，获取多个训练图像，包括如下步骤：

基于关键点对齐技术，进行训练图像对齐操作；

将所述训练图像归一化成目标尺寸的图像。

可选地，步骤S122中，采用所述训练集训练所述人脸识别模型，包括如下步骤：

确定所述特征提取损失函数层和各个所述属性损失函数层的权重；

结合交叉熵损失函数和softmax函数，分别计算所述特征提取损失函数层和各个所述属性损失函数层的损失值；

利用梯度下降法训练所述人脸识别模型，将所述特征提取损失函数层和各个所述属性损失函数层的梯度加权求和作为梯度下降法反向传播的梯度。

可选地，所述交叉熵损失函数L满足如下公式：