[发明专利]基于深度学习的人脸识别方法及装置

说明书

本发明公开了一种基于深度学习的人脸识别方法及装置，其中，该方法包括：获取人脸图片训练样本及待测人脸图片；从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征；构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型；根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。本发明的技术方案能够使类间的间距更加均匀，同时可以训练更多类别的训练数据，能够实现大规模的人脸数据训练，如此，能够提高人脸识别效率，提升人脸识别的性能。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的人脸识别方法、装置、电子设备及可读存储介质。

背景技术

随着人脸识别技术的发展，各种人脸识别相关的产品已经广泛应用于人们生活中。目前人脸识别技术的主要识别功能是基于卷积神经网络（Convolutional NeuralNetwork, CNN）来实现。使用数量很大的人脸图片数据集，对卷积神经网络进行训练，使得在卷积神经网络训练收敛后拥有人脸识别的能力。考虑到目前许多产品需要针对数以百万计的人员身份，导致网络模型的训练难度增加。为此，当前许多训练方法是通过分类激活函数softmax进行身份定义，使模型训练的过程可转化为对分类损失函数softmax loss的训练迭代优化，以此来降低训练的复杂度和增加效果。

上述的softmax loss方法的模型训练，可以令不同分类的人脸正确区分开来，但是其效果不能让不同类别间的间隔足够大，进而导致人脸识别的效果并不太理想。为增大不同类别间的人脸特征间隔，目前常采用RegularFace方式来对人脸进行识别。RegularFace方法能够保证不同分类间形成一定的安全的间隔，且能够控制类别的分布情况。但其存在：1、在对RegularFace的损失函数进行训练时，如果某个类别的训练样本较多，可能会导致类间距离干扰更大，令类别间的间距不够均匀；2、在训练的前期，由于模型并未形成较好的分类功能，即卷积层的W参数所表示的各个类别的中心点未足够的分离，会导致延长训练时长；3、当训练样本类别数较多的时候，求取出的类间余弦距离的计算量会非常大，导致当前大部分计算机难以或不能运行。

有鉴于此，有必要提出对目前的人脸识别技术进行进一步的改进。

发明内容

为解决上述至少一技术问题，本发明的主要目的是提供一种基于深度学习的人脸识别方法、装置、电子设备及可读存储介质。

为实现上述目的，本发明采用的第一个技术方案为：提供一种基于深度学习的人脸识别方法，包括：

获取人脸图片训练样本及待测人脸图片；

从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征；

构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型，其中，所述训练具体包括利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，以及利用类内类间损失函数对卷积神经网络模型进行第二阶段训练；

根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。

其中，所述根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别，具体包括：

根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对；

在比对成功时，获取人脸识别模型中人脸训练特征对应的人脸ID；以及

将人脸ID作为待测人脸图片识别结果。

其中，所述获取人脸识别模型中人脸训练特征对应的人脸ID之后，还包括：

检测比对后的人脸识别模型的人脸ID的数量是否唯一；