[发明专利]一种人脸特征提取方法、装置及设备

权利要求书

1.一种人脸特征提取方法，所述方法使用了用于隐私保护的人脸特征提取模型，所述人脸特征提取模型包括：图像编码器及全连接的深度神经网络模型；所述图像编码器为自编码器中的编码器；所述自编码器是利用第一训练样本集合对初始自编码器进行训练得到的；所述自编码器还包括被锁定的解码器；所述图像编码器的输出与所述深度神经网络模型的输入连接；所述方法包括：

将待识别用户的人脸图像输入所述图像编码器，得到所述图像编码器输出的所述人脸图像的编码向量，所述编码向量为对所述人脸图像进行特征化处理后得到的向量数据；

所述深度神经网络模型接收所述编码向量后，输出所述待识别用户的人脸特征向量。

2.如权利要求1所述的方法，所述图像编码器包括：所述自编码器的输入层、第一隐藏层及瓶颈层；所述输入层与所述第一隐藏层连接，所述第一隐藏层与所述瓶颈层连接，所述瓶颈层与所述深度神经网络模型连接；

所述输入层，用于接收所述待识别用户的人脸图像；

所述第一隐藏层，用于对所述人脸图像进行编码处理，得到第一特征向量；

所述瓶颈层，用于对所述第一特征向量进行降维处理，得到所述人脸图像的编码向量，所述编码向量的维度数量小于所述第一特征向量的维度数量。

3.如权利要求2所述的方法，所述自编码器还包括第二隐藏层及输出层；所述第二隐藏层与所述瓶颈层连接，所述第二隐藏层还与所述输出层连接；

其中，所述第二隐藏层与所述输出层组成解码器，所述解码器用于对所述编码向量进行解码处理，所述解码器为被锁定的模型。

4.如权利要求1所述的方法，所述全连接的深度神经网络模型包括：输入层及多个全连接层；

其中，所述输入层与所述图像编码器的输出连接，所述输入层还与所述全连接层连接；

所述输入层，用于接收所述图像编码器输出的所述编码向量；

所述全连接层，用于对所述编码向量进行特征提取，得到所述待识别用户的人脸特征向量。

5.如权利要求4所述的方法，所述全连接的深度神经网络模型还包括输出层，所述输出层与所述全连接层连接；所述输出层，用于根据所述全连接层输出的所述待识别用户的人脸特征向量，生成人脸分类结果；

其中，所述待识别用户的人脸特征向量为与所述输出层相邻的全连接层的输出向量。

6.如权利要求1所述的方法，所述人脸特征提取模型还包括用户匹配模型，所述用户匹配模型的输入与所述深度神经网络模型的输出连接；所述方法还包括：

所述用户匹配模型接收所述待识别用户的人脸特征向量及指定用户的人脸特征向量，并根据所述待识别用户的人脸特征向量和所述指定用户的人脸特征向量之间的向量距离，生成表示所述待识别用户是否为所述指定用户的输出信息，其中，所述指定用户的人脸特征向量为利用所述图像编码器及所述全连接的深度神经网络模型对所述指定用户的人脸图像进行处理而得到的。

7.一种针对用于隐私保护的人脸特征提取模型的训练方法，所述方法包括：

获取第一训练样本集合，所述第一训练样本集合中的训练样本为人脸图像；

利用所述第一训练样本集合对初始自编码器进行训练，得到训练后的自编码器；

获取第二训练样本集合，所述第二训练样本集合中的训练样本为编码向量，所述编码向量为利用所述训练后的自编码器中的编码器对人脸图像进行特征化处理后得到的向量数据；

利用所述第二训练样本集合对全连接的初始深度神经网络模型进行训练，得到训练后的深度神经网络模型；

根据所述编码器及所述训练后的深度神经网络模型，生成用于隐私保护的人脸特征提取模型。