[发明专利]一种人脸识别方法、装置、电子设备及存储介质

权利要求书

1.一种人脸识别方法，其特征在于，所述方法包括：

获取待识别人脸图像；

将所述待识别人脸图像输入人脸编码特征向量生成模型，得到所述待识别人脸图像的人脸编码特征向量，所述人脸编码特征向量生成模型是利用人脸图像样本集对STN-ResNet网络模型进行训练得到的，所述STN-ResNet网络模型包括STN空间变换网络和ResNet深度残差网络；所述STN-ResNet网络模型是所述STN空间变换网络与所述ResNet深度残差网络结合得到的；所述STN-ResNet网络模型同时对所述人脸图像样本进行对齐处理与特征编码，将所述对齐处理的过程与所述特征编码的过程集中在一个神经网络架构内；基于所述人脸编码特征向量进行人脸识别，得到所述待识别人脸图像的人脸识别结果；

所述STN-ResNet网络模型中设置有SE网络模块，由于所述SE网络模块，上一层神经网络的输出到下一层神经网络的输入，分为两条线路；其中，所述两条线路中的第一条线路用于直接将特征输入到下一层神经网络；所述两条线路中的第二条线执行如下步骤：

通过Squeeze操作，把每个通道的2维的特征压缩成一个1维的特征，从而得到一个特征通道向量；

进行Excitation操作，将所述特征通道向量输入两个全连接层和Sigmoid，建模出特征通道间的相关性，得到每个所述特征通道对应的权重；

将每个所述特征通道对应的权重通过Scale乘法通道加权到所述第一条线路上，以对多个所述特征通道进行权重分配。

2.根据权利要求1所述的方法，其特征在于，在将所述待识别人脸图像输入人脸编码特征向量生成模型，得到所述待识别人脸图像的人脸编码特征向量之前，所述方法还包括：

采用TensorFlow框架搭建所述STN-ResNet网络模型；

将所述人脸图像样本集中的人脸图像样本输入所述STN-ResNet网络模型，采用目标损失函数对所述STN-ResNet网络模型进行训练，直至收敛，得到所述人脸编码特征向量生成模型，其中，所述目标损失函数包括：Arcface Loss损失函数和FocalLoss损失函数。

3.根据权利要求2所述的方法，其特征在于，将所述人脸图像样本集中的人脸图像样本输入所述STN-ResNet网络模型，采用目标损失函数对所述STN-ResNet网络模型进行训练，包括：

将所述人脸图像样本集中的人脸图像样本输入所述STN空间变换网络，对所述人脸图像样本进行对齐处理；

将对齐处理后的人脸图像样本输入所述ResNet深度残差网络，对所述人脸图像样本进行特征处理；

采用所述目标损失函数对所述STN-ResNet网络模型进行训练。

4.根据权利要求2所述的方法，其特征在于，在将所述人脸图像样本集中的人脸图像样本输入所述STN-ResNet网络模型之后，所述方法还包括：

对所述人脸图像样本集中的人脸图像样本进行样本增强操作，所述样本增强操作包括以下至少一种：增强颜色空间、增强随机剪切、增强左右镜像以及增强透视变换；

采用目标损失函数对所述STN-ResNet网络模型进行训练，包括：

利用进行样本增强操作后的人脸图像样本，采用目标损失函数对所述STN-ResNet网络模型进行训练。

5.根据权利要求4所述的方法，其特征在于，在将所述人脸图像样本集中的人脸图像样本输入所述STN-ResNet网络模型之前，所述方法还包括：

获取人脸图像样本集；

对所述人脸图像样本集进行预处理，包括：

对所述人脸图像样本集进行类内清洗和类间清洗；

将清洗后的人脸图像样本集中的人脸图像样本调整到预设尺寸。