[发明专利]图像处理模型训练方法、装置、设备及存储介质

说明书

本申请公开了一种图像处理模型训练方法、装置、设备及存储介质，属于人工智能技术领域。本申请实施例中，一方面，引入了遮挡模式，通过确定该样本人脸图像的遮挡模式，并与该样本人脸图像所标注的目标遮挡模式做对比，训练图像处理模型确定出更准确的遮挡指示信息，提升人脸识别的准确性，提升了图像处理模型的鲁棒性。另一方面，该图像处理模型无需借助外部网络单独进行遮挡区域的预测过程以及遮挡区域对应特征的字典查询过程，能够端到端地对图像进行处理，显著地减少了计算量，提升设备的运行速度，也减少了图像处理模型的大小，且不受外部网络因素影响，准确性得到了显著提升。

技术领域

本申请涉及人工智能技术领域，特别涉及一种图像处理模型训练方法、装置、设备及存储介质。

背景技术

随着计算机技术的发展，人工智能应用在各个领域，基于人工智能来代替人的工作，能够大大提高业务处理效率。在图像处理方面，能够对图像处理模型进行训练，得到训练好的图像处理模型，将待分类的图像输入训练好的图像处理模型即可得到相应的处理结果。

目前，对带遮挡的人脸图像的图像处理模型训练方法通常是先训练一种网络，建立起将人脸被遮挡区域映射为受影响大的图像特征的字典，然后获取样本人脸图像后，由图像处理模型进行特征提取，然后借助外部训练的网络检测样本人脸图像中人脸被遮挡区域，通过查询上面的字典，确定出受影响大的图像特征后，再由图像处理模型将这部分图像特征去除后进行人脸识别，再根据识别结果进行训练。

上述方法需要图像处理模型需要借助外部网络检测人脸遮挡区域，确定受影响大的图像特征，设备的计算量非常大，运行速度较慢，且建立字典的过程较为繁琐，耗时和训练成本较高。另外，外部网络检测的精度也直接影响到该图像处理模型处理结果，如果外部网络检测不准，该图像处理模型处理图像的准确性则会受到很大影响。

发明内容

本申请实施例提供了一种图像处理模型训练方法、装置、设备及存储介质，能够提高图像处理模型处理图像的准确性和鲁棒性，显著地减少计算量，提升了设备的运行速度，且训练得到的图像处理模型的大小较小。所述技术方案如下：

一方面，提供了一种图像处理模型训练方法，所述方法包括：

基于图像处理模型，获取样本人脸图像的预测识别结果和遮挡指示信息，所述遮挡指示信息用于指示所述样本人脸图像的受人脸被遮挡区域影响的图像特征；

基于所述预测识别结果和所述样本人脸图像所标注的目标识别结果，获取识别误差；

基于所述样本人脸图像的遮挡指示信息，对所述样本人脸图像的遮挡模式进行分类，得到预测遮挡模式，所述遮挡模式用于指示所述样本人脸图像中人脸被遮挡区域的位置以及尺寸；

基于所述预测遮挡模式和所述样本人脸图像所标注的目标遮挡模式，获取分类误差；

根据所述识别误差和所述分类误差，对所述图像处理模型的模型参数进行更新。

在一种可能实现方式中，所述基于所述遮挡指示信息，去除所述图像特征中所述人脸被遮挡区域的图像特征，得到目标图像特征，包括：

将所述图像特征与所述遮挡指示信息相乘，得到所述目标图像特征。

一方面，提供了一种图像处理方法，所述方法包括：

对待识别的人脸图像进行特征提取，得到所述人脸图像的图像特征；

基于所述图像特征，确定对应的遮挡指示信息，所述遮挡指示信息用于指示所述人脸图像中各区域的人脸是否被遮挡；

根据所述图像特征和所述遮挡指示信息，获取目标图像特征，所述目标图像特征中去除了人脸被遮挡的区域的图像特征；

基于所述目标图像特征，对所述人脸图像中的人脸进行识别。