[发明专利]人脸识别方法、装置、设备及存储介质

说明书

本公开关于一种人脸识别方法、装置、设备及存储介质，该方法包括：基于第一人脸识别模型，获取多个图像样本的图像特征；基于多个图像样本的图像质量特征及预设的第一质量类别，训练得到图像质量分类模型；将多个图像样本的图像质量特征调整为与第一质量类别不同的第二质量类别；对第一人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对多个图像样本重新进行特征提取，将获取到的图像质量特征输入图像质量分类模型，重复上述训练和特征提取的过程，直至图像质量分类模型的损失值满足目标条件，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出；基于第二人脸识别模型对图像进行人脸识别。

技术领域

本公开涉及人工智能领域，尤其涉及人脸识别方法、装置、设备及存储介质。

背景技术

随着人工智能的发展，人脸识别技术的应用越来越广泛，而人脸识别技术通常采用人脸识别模型来实现。人脸识别模型通常依赖于大量图像样本。为了提高人脸识别模型的准确性，在对图像样本进行特征提取时，希望获取到的脸部特征是具有自身稳定性和个体差异性的生物特征。但在特征提取过程中，除了提取出人脸图像的生物特征之外，也会提取出图像样本中人脸图像的清晰度、颜色等图像质量特征。当用这种脸部特征来训练人脸识别模型时，若图像样本中的生物特征差别较小，而图像质量特征差别较大，可能导致人脸识别模型所学习到的判别标准实际上是基于图像质量特征，导致人脸识别模型错误的将生物特征近似但是图像质量特征差距较大的人脸识别为不是同一人。

为了避免图像质量特征，对人脸识别模型的识别结果造成影响。相关技术中，通过获取具有相同图像质量的图像样本，使得提取到的所有图像样本的图像质量特征相同，继而避免识别错误。但获取大量地、相同图像质量的图像样本难度大、耗时长，影响人脸识别模型的训练效率。

发明内容

本公开提供一种人脸识别方法、装置、设备及存储介质，以至少解决相关技术中的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种人脸识别方法，所述方法包括：基于第一人脸识别模型，获取多个图像样本的图像特征，所述图像样本的图像特征包括图像生物特征和图像质量特征；基于所述多个图像样本的图像质量特征以及预设的第一质量类别，训练得到图像质量分类模型；将所述多个图像样本的图像质量特征调整为与所述第一质量类别不同的第二质量类别；对所述第一人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对所述多个图像样本重新进行特征提取，将获取到的图像质量特征输入所述图像质量分类模型，重复上述训练和特征提取的过程，直至所述图像质量分类模型的损失值满足目标条件，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出；基于所述第二人脸识别模型对图像进行人脸识别。

可选地，所述第一人脸识别模型包括多个图像特征提取网络层，所述基于第一人脸识别模型，获取多个图像样本的图像特征，包括：将所述第一人脸识别模型中倒数第二个图像特征提取网络层的输出作为所述图像样本的图像特征。

可选地，所述目标条件包括对应的所述损失值在目标时长内不发生改变。

可选地，所述对所述第一人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对所述多个图像样本重新进行特征提取，将获取到的图像质量特征输入所述图像质量分类模型之前，所述方法还包括：获取多个测试图像样本，对所述图像质量分类模型的识别准确率进行验证；根据验证结果，对所述图像质量分类模型的模型参数进行调整，得到满足识别准确率要求的所述图像质量分类模型。

可选地，所述第一人脸识别模型和所述图像质量分类模型采用resnet神经网络模型。