[发明专利]细粒度人脸识别模型的构建方法、识别方法以及构建装置

权利要求书

1.一种细粒度人脸识别模型的构建方法，其特征在于，所述方法包括：

确定超分辨率网络和人脸属性识别网络；

将所述超分辨率网络和人脸属性识别网络以级联的方式组合，得到所述细粒度人脸识别模型；

对所述细粒度人脸识别模型进行端到端的联合训练，直至满足联合训练停止条件。

2.如权利要求1所述的构建方法，其特征在于，所述确定超分辨率网络和人脸属性识别网络的步骤包括：

以EDSR网络为基础，构建所述超分辨率网络；

以ResNet系列网络为基础，构建所述人脸属性识别网络，且所述人脸属性识别网络包括如下的一个或多个网络层：拼接层、卷积层、全局平均池化层以及全连接层。

3.如权利要求1或2所述的构建方法，其特征在于，所述确定超分辨率网络和人脸属性识别网络包括：

采用经对齐的高分辨率的图像组成的训练集分别对所述超分辨率网络和所述人脸属性识别网络进行预训练；

采用高分辨率的图像和/或低分辨率的图像组成的不同测试集分别对所述超分辨率网络和所述人脸属性识别网络进行验证；

其中所述低分辨率的图像是由高分辨率的图像下采样后再通过线性插值上采样回原尺寸得到。

4.如权利要求1或2所述的构建方法，其特征在于，所述将所述超分辨率网络和人脸属性识别网络以级联的方式组合，得到所述细粒度人脸识别模型包括：

将所述超分辨率网络中损失函数之前部分的输出端连接至所述人脸属性识别网络的输入端，得到细粒度人脸识别模型。

5.如权利要求4所述的构建方法，其特征在于，所述对所述细粒度人脸识别模型进行端到端的联合训练，直至满足联合训练停止条件包括：

采用经对齐的低分辨率的图像组成的训练集对所述细粒度人脸识别模型进行端到端的联合训练，并根据所述超分辨率网络的损失函数的输出监督所述超分辨率网络的训练结果。

6.如权利要求1或2所述的构建方法，其特征在于，所述对所述细粒度人脸识别模型进行端到端的联合训练包括：

对人脸图像进行裁剪和对齐后，获取人脸属性的至少两个强区分性的局部区域图像；

将所述至少两个局部区域图像输入到所述超分辨率网络，得到至少两个输出图像；

然后将所述至少两个输出图像输入至所述人脸属性识别网络得到至少两个特征图；

将所述至少两个特征图输出至拼接层进行拼接，将拼接后的特征图经过卷积网络层进行卷积处理；

卷积处理后的特征图经过全局平均池化层后输出到全连接层，最后经过损失函数处理后得到分类结果。

7.一种细粒度人脸识别方法，其特征在于，所述方法包括：

获取人脸图像；

将所述人脸图像输入至如权利要求1-6任一项所述细粒度人脸识别模型的构建方法获得的细粒度人脸识别模型中，输出所述人脸图像对应的人脸属性。

8.一种细粒度人脸识别模型的构建装置，其特征在于，所述装置包括：

网络确定单元，适于确定超分辨率网络和人脸属性识别网络；

模型组合单元，适于将所述超分辨率网络和人脸属性识别网络以级联的方式组合，得到所述细粒度人脸识别模型；

联合训练单元，适于对所述目标识别模型进行端到端的联合训练，直至满足联合训练停止条件。

9.一种电子设备，其中，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-6中任一项所述的细粒度人脸识别模型的构建方法或如权利要求7所述的细粒度人脸识别方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-6中任一项所述的细粒度人脸识别模型的构建方法或如权利要求7所述的细粒度人脸识别方法。