[发明专利]人脸识别方法和装置及人脸识别系统的训练方法和装置

说明书

本发明公开了一种人脸识别方法和装置及人脸识别系统的训练方法和装置。该方法包括：获取待识别的目标人脸图像；将目标人脸图像输入到人脸图像识别模型中，以获取目标人脸图像对应的目标特征图和目标超球面空间特征向量；将目标特征图和目标超球面空间特征向量输入图像质量评估模型中，以得到与目标人脸图像匹配的目标置信度；在目标置信度大于第一阈值的情况下，获取目标人脸图像与参考人脸图像之间的图像相似度；在图像相似度大于第二阈值的情况下，识别出目标人脸图像所指示的第一对象身份与参考人脸图像所指示的第二对象身份一致。本发明解决了相关技术中人脸识别系统的鲁棒性较低的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种人脸识别方法和装置及人脸识别系统的训练方法和装置。

背景技术

如今在安防、支付及门禁等实际应用场景中，为了保证用户数据的安全性，通常会采用人脸识别系统来对当前场景中的用户对象进行身份识别。这里人脸识别系统所采用的人脸识别方法中，常常会由于所采集到的人脸图片的质量很低（如：用户对象被遮挡、图片内容模糊、大姿态等），从而导致人脸识别系统进行人脸识别时的鲁棒性较低的问题。

为了克服上述问题，目前相关技术常用的方法是：在人脸识别系统之外，再单独部署独立的图片质量评估系统，用于对当前输入的人脸图片进行图片质量的评估，从而实现根据评估结果来确定上述人脸图片是否适合进行人脸识别。但是在这种方式中，图片质量评估系统还需要单独收集大量的样本数据进行训练，使得训练成本增加。此外，上述图片质量评估系统单独部署，还将难以保证与人脸识别系统之间的匹配度，从而使得部分适合识别的人脸图片被误筛过滤掉，或部分不适合识别的人脸图片被应用于人脸识别系统中，导致仍然人脸识别系统的鲁棒性仍然较低的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种人脸识别方法和装置及人脸识别系统的训练方法和装置，以至少解决由于图片质量评估系统单独部署而难以保证与人脸识别系统的匹配度，从而导致人脸识别系统的鲁棒性较低的技术问题。

根据本发明实施例的一个方面，提供了一种人脸识别方法，包括：获取待识别的目标人脸图像；将上述目标人脸图像输入到人脸图像识别模型中，以获取上述目标人脸图像对应的目标特征图和目标超球面空间特征向量，其中，上述人脸图像识别模型为利用多个样本人脸图像进行训练后所得到的用于进行人脸识别的深度神经网络模型；将上述目标特征图和上述目标超球面空间特征向量输入图像质量评估模型中，以得到与上述目标人脸图像匹配的目标置信度，其中，上述图像质量评估模型为在上述人脸图像识别模型的基础上，利用上述多个样本人脸图像进行训练后所得到的神经网络模型，用于评估当前输入的人脸图像需要通过上述人脸图像识别模型进行人脸识别的置信度；在上述目标置信度大于第一阈值的情况下，获取上述目标人脸图像与参考人脸图像之间的图像相似度；在上述图像相似度大于第二阈值的情况下，识别出上述目标人脸图像所指示的第一对象身份与上述参考人脸图像所指示的第二对象身份一致。

根据本发明实施例的一个方面，提供了一种人脸识别系统的训练方法，包括：获取多个样本人脸图像；利用上述多个样本人脸图像对初始化人脸图像识别模型进行训练，直至得到满足第一收敛条件的人脸图像识别模型，其中，上述人脸图像识别模型为用于进行人脸识别的深度神经网络模型；将上述多个样本人脸图像依次输入上述人脸图像识别模型，得到多个人脸识别样本结果；利用上述多个人脸识别样本结果及与每个上述样本人脸图像对应的样本类中心向量，来对初始化图像质量评估模型进行训练，直至得到满足第二收敛条件的上述图像质量评估模型，其中，上述样本类中心向量用于指示上述样本人脸图像所属的身份类别，上述图像质量评估模型为在上述人脸图像识别模型的基础上，利用上述多个样本人脸图像进行训练后所得到的神经网络模型，用于评估当前输入的人脸图像需要通过上述人脸图像识别模型进行人脸识别的置信度；组合上述人脸图像识别模型和上述图像质量评估模型，得到上述人脸识别系统。