[发明专利]用于生成特征向量的方法、装置、电子设备和介质

说明书

本公开的实施例公开了用于生成特征向量的方法、装置、电子设备和介质。该方法的一具体实施方式包括：获取人脸图像；将该人脸图像输入至预先训练的第一人脸识别网络，生成与该人脸图像的人脸特征向量，其中，该第一人脸识别网络是通过以下步骤得到的：获取训练样本集合，训练样本包括样本人脸图像和该样本人脸图像对应的样本特征向量；将该训练样本集合中的训练样本的样本人脸图片作为输入，将与输入的样本人脸图片对应的样本特征向量作为期望输出，训练得到该第一人脸识别网络。该实施方式提高了人脸识别网络的识别精度。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成特征向量的方法、装置、电子设备和介质。

背景技术

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。除了安防、金融这两大领域外，人脸识别还在交通、教育、医疗、警务、电子商务等诸多场景实现了广泛应用，且呈现出显著应用价值。随着计算机视觉技术的不断进步,人脸识别也得到飞速的发展。近年来，深度学习的发展逐渐成熟，用数据去学习特征，替代了传统算法中手工设计特征，在很多领域取得了较大进步。基于深度学习的人脸识别算法凭借其识别率高的优势一举超越传统人脸识别算法,逐步成为整个人脸识别领域的主流技术。在当前众多基于深度学习的人脸识别算法中，识别率提高是最重要的目标。

发明内容

本发明内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了用于生成特征向量的方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于生成特征向量的方法、装置、电子设备和介质，该方法包括：获取人脸图像；将上述人脸图像输入至预先训练的第一人脸识别网络，生成与上述人脸图像对应的人脸特征向量，其中，上述第一人脸识别网络是通过以下步骤得到的：获取训练样本集合，训练样本包括样本人脸图像和上述样本人脸图像对应的样本特征向量；将上述训练样本集合中的训练样本的样本人脸图片作为输入，将与输入的样本人脸图片对应的样本特征向量作为期望输出，训练得到上述第一人脸识别网络。

在一些实施例中，上述训练样本是通过以下步骤得到的：从人脸数据集中获取第一人脸图像，其中，上述人脸数据集用于存储人脸图片和对应的样本人脸特征向量；将上述第一人脸图像依次输入上述第一人脸识别网络和第二人脸识别网络，分别得到第一人脸特征向量和第二人脸特征向量；将上述第一人脸特征向量和上述第二人脸特征向量进行处理，得到第三人脸特征向量；将上述第三人脸特征向量输入预先训练的融合网络中的编码器中，得到第四人脸特征向量，将上述第一人脸图像作为上述样本人脸图像，将上述第四人脸特征向量作为上述样本人脸图像对应的样本特征向量。

在一些实施例中，上述融合网络是通过以下步骤得到的：获取样本集，其中，样本包括上述样本第三人脸特征向量和上述样本第三人脸特征向量对应的人脸图片在上述人脸数据集中的样本人脸特征向量；将上述样本集中的样本中的样本第三人脸特征向量作为输入，将与输入的样本第三人脸特征向量对应的人脸图片在上述人脸数据集中的样本人脸特征向量作为期望输出，训练得到上述融合网络。

在一些实施例中，上述第一人脸识别网络的识别精度小于上述第二人脸识别网络的识别精度；上述融合网络的识别精度大于上述第一人脸识别网络的识别精度。

在一些实施例中，上述融合网络的结构是编码器-解码器结构。