[发明专利]人脸识别方法、装置、终端及存储介质

说明书

本发明提供了一种人脸识别方法、装置、终端及存储介质。该人脸识别方法包括：获取待识别人脸图像，根据预设的深度学习模型提取待识别人脸图像的第一高维特征向量；利用乘积量化算法将第一高维特征向量量化为第一低维整数编码；将待识别人脸图像的第一低维整数编码与预先得到的人脸模板图像的第二低维整数编码进行相似度匹配；根据相似度匹配结果在所述第二低维整数编码中确定与所述第一低维整数编码最相似的目标低维整数编码，将目标低维整数编码对应的人脸模板图像作为目标人脸图像。本发明在人脸识别过程中，利用低维整数编码进行相似度比较，从而减少两者之间的比对次数，大大加快了系统的响应速度，提升人脸识别效率。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸识别方法、装置、终端及存储介质。

背景技术

随着人脸识别技术的发展，人脸识别被广泛用于安全监控、安全支付、屏幕解锁及考勤等领域，终端设备通过摄像装置实时采集人脸图像，并与预先存储的人脸模板图像进行匹配，在匹配成功后，则验证通过。

具体的，在1:N人脸识别中，首先会生成待识别人脸图像的特征向量，然后将该特征向量与人脸模板图像库中每个人脸模板图像的特征向量进行相似度比较，取最相似的作为识别结果。在此过程中，特征向量的两两比对速度本身是比较快的，但是当N很大，比如1亿以上时，比对次数也会变得非常巨大，会使系统的响应速度明显降低，从而影响人脸识别效率。

发明内容

本发明提供一种人脸识别方法、装置、终端及存储介质，以解决当前1:N人脸识别过程中，由于人脸模板图像数量庞大，在与待识别人脸图像进行一一比对时，比对次数巨大，导致系统的响应速度降低，影响人脸识别效率的问题。

为解决上述问题，本发明采用如下技术方案：

本发明提供一种人脸识别方法，包括如下步骤：

获取待识别人脸图像，根据预设的深度学习模型提取所述待识别人脸图像的第一高维特征向量；

利用乘积量化算法将所述第一高维特征向量量化为第一低维整数编码；

将待识别人脸图像的第一低维整数编码与预先得到的人脸模板图像的第二低维整数编码进行相似度匹配；

根据相似度匹配结果在所述第二低维整数编码中确定与所述第一低维整数编码最相似的目标低维整数编码，将所述目标低维整数编码对应的人脸模板图像作为目标人脸图像。

在一实施例中，所述根据预设的深度学习模型提取所述待识别人脸图像的第一高维特征向量之前，还包括：

利用预先得到的人脸模板图像对所述深度学习模型进行训练，以确定所述深度学习模型中各节点之间的连接的最佳权重参数。

在一实施例中，所述利用预先得到的人脸模板图像对所述深度学习模型进行训练的步骤，包括:

将人脸模板图像输入深度学习模型中，获取所述人脸模板图像对应的特征信息；

基于预设的损失函数和所述人脸模板图像对应的特征信息，计算所述深度学习模型的损失；其中，所述损失函数由Softmax函数和L-Softmax函数加权构成；

当损失高于预设值时，调整所述深度学习模型中各节点之间的连接的权重参数，对深度学习模型重新训练，直至损失低于或等于预设值时，得到最佳权重参数及其对应的深度学习模型。

在一实施例中，所述损失函数为：

其中，所述L_Softmax为Softmax函数，所述L_L-Softmax为L-Softmax函数，∝为调节因子，5≤∝≤8。