[发明专利]一种人脸识别方法、装置、电子设备和存储介质

权利要求书

1.一种人脸识别方法，该人脸识别方法采用深度学习网络模型识别样本图像中的人脸信息，其特征在于，该识别方法包括以下步骤：

分别为多个通道组构建对应的概率分布张量，所述多个通道组是按照预设的组数在通道维度上分割得到的，每个通道组的权重不同；

选择最大通道组所对应的卷积核，自适应的调节不同所述样本图像上提取的特征信息；其中，所述最大通道组为所构建的每个所述概率分布张量中响应最高的通道组；

根据所述卷积核对每个所述通道组进行卷积得到卷积特征，将所得到的多个所述卷积特征进行拼接。

2.根据权利要求1所述的一种人脸识别方法，其特征在于，所述概率分量的构建方法包括以下步骤：

将维度为H×W×C的特征块每个通道上的空间特征编码成维度为1×1×C的全局特征；

将特征块的维度升高为1×1×(m×O)的特征块；

将特征块的维度降低为m×O；

在m维上使用柔性最大值激活函数映射成概率分布张量。

3.根据权利要求1或者2所述的一种人脸识别方法，其特征在于，所述卷积核的获得，包括以下步骤：

将维度为H×W×C的特征块下采样成维度为K×K×C的特征块；

依次使用两个卷积核大小为1×1的卷积层改变维度；

将特征块分组，得到m个大小为K×K的卷积核。

4.根据权利要求3所述的一种人脸识别方法，其特征在于，所述深度学习网络模型包括动态激活通道卷积层，所述动态激活通道卷积层包括生成概率分布张量的第一分支和用于生成卷积核的第二分支，所述第一分支按照数据流的处理方向依次包括全局平均池化层、卷积层、维度变化层和柔性最大值激活函数层，所述第二分支包括按照数据流的处理方向依次包括自适应平均池化层、第一卷积层和第二卷积层。

5.一种人脸识别装置，该人脸识别装置采用深度学习网络模型识别样本图像中的人脸信息，其特征在于，该识别装置包括：

概率分布张量构建单元，用于分别为多个通道组构建对应的概率分布张量，多个所述通道组是按照预设的组数在通道维度上分割得到的，每个通道组的权重不同；

卷积核选择单元，用于选择最大通道组所对应的卷积核，自适应的调节不同所述样本图像上提取的特征信息；其中，所述最大通道组为所构建的每个所述概率分布张量中响应最高的通道组；以及

特征拼接单元，用于根据所述卷积核对每个所述通道组进行卷积得到卷积特征，并将所得到的多个所述卷积特征进行拼接。

6.根据权利要求5所述的一种人脸识别装置，其特征在于，所述概率分布张量构建单元包括：

特征编码单元，用于将维度为H×W×C的特征块每个通道上的空间特征编码成维度为1×1×C的全局特征；

升维单元，用于将特征块的维度升高为1×1×(m×O)的特征块；

第一降维单元，用于将特征块的维度降低为m×O；以及

映射单元，用于在m维上使用柔性最大值激活函数映射成概率分布张量。

7.根据权利要求5或者6所述的一种人脸识别装置，其特征在于，所述卷积核选择单元包括：

下采样单元，用于将维度为H×W×C的特征块下采样成维度为K×K×C的特征块；

第二降维单元，用于依次使用两个卷积核大小为1×1的卷积层改变维度；以及

分组单元，用于将特征块分组，得到m个大小为K×K的卷积核。

8.根据权利要求7所述的一种人脸识别装置，其特征在于，所述深度学习网络模型包括动态激活通道卷积层，所述动态激活通道卷积层包括生成概率分布张量的第一分支和用于生成卷积核的第二分支，所述第一分支按照数据流的处理方向依次包括全局平均池化层、卷积层、维度变化层和柔性最大值激活函数层，所述第二分支包括按照数据流的处理方向依次包括自适应平均池化层、第一卷积层和第二卷积层。