[发明专利]一种人脸识别方法、装置、电子设备和存储介质

说明书

本发明涉及人脸识别技术领域，具体涉及一种人脸识别方法、装置、电子设备和存储介质，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，自适应地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。本发明实施例提升网络模型的特征表达能力，而且不会增加整个网络结构的复杂度。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种人脸识别方法、装置、电子设备和存储介质。

背景技术

人脸识别技术是计算机视觉领域的重要研究方向之一，主要通过分析对比人脸特征达到识别身份的目的。因其人脸特征可以通过非接触的方式进行采集，具有简单、便捷等优势，这些优势让人脸识别技术在众多生物识别技术中脱颖而出，落地产品市场占比大，广泛应用在安全、经济等领域里。

2012年AlexNet网络模型被提出，展示了深度神经网络在图像分类方向上惊人的精度优势，让国内外研究者看到了新的方向，不断提出了各种深度神经网络的变种，并应用到人脸识别技术上，使人脸识别技术开始迅猛发展。

基于深度学习的人脸识别方法在精度和速度方面都有非常大的优势，具有良好的泛化性和鲁棒性，能应用于不同场景中，改进方式主要分为优化网络结构和优化损失函数两方面。网络结构被国内外学者不断地重构优化，里程碑的网络模型有VGGNet、DeepFace、GoogleNet、VGGFace、SphereFace、 SENet等，利用网络模型提高特征的表达能力，可以大大地增加模型的泛化性。其次，就是优化损失函数方面，最开始人脸识别算法都是使用Softmax损失函数指导模型训练，但是研究者们发现Softmax损失函数存在许多不足，不能减小类内距离和增大类间距离，随后出现Triplet Loss、L-Softmax、Center Loss、A-Softmax、AM-Softmax等变种损失函数，通过增加损失函数的判别性，提高网络模型的识别能力，使类内特征分布紧凑，类间特征分布疏远。

目前，基于深度学习的人脸识别算法的网络结构中都采用卷积层提高特征信息的表达能力，这是由于不同的卷积核能提取到不同层次的抽象信息。但是卷积操作在网络结构中是参数共享的，如果想在不同样本上获取到更丰富的特征信息，需增加卷积层的数量，这样不仅增加参数计算量，并且难以优化网络模型。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种人脸识别方法、装置、电子设备和存储介质，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种人脸识别方法，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。

第二方面，本发明另一个实施例提供了一种人脸识别装置，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，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；