[发明专利]基于联邦学习的人脸识别方法、装置、设备及存储介质

说明书

本发明提供了基于联邦学习的人脸识别方法、装置、设备及存储介质，该方法包括客户端获取用户的M张第一人脸图片，将M张第一人脸图片分别输入到人脸识别模型，得到M个人脸特征向量，并将M个人脸特征向量进行加密后反馈给服务器，接收服务器发送的加密后的损失函数值，根据解密后的损失函数值更新人脸识别模型，直至满足训练终止条件，得到训练好的口罩人脸识别模型。由于客户端与服务器交互不包括客户端的人脸图片训练数据，如此可以有效地避免用户隐私数据的泄露，并基于训练好的口罩人脸识别模型对口罩人脸进行识别，可以准确快速地识别出该口罩人脸所属的用户，从而可以解决现有技术中存在人脸识别算法对于口罩人脸的识别性能低的问题。

技术领域

本发明涉及金融科技(Fintech)领域，尤其涉及基于联邦学习的人脸识别方法、装置、设备及存储介质。

背景技术

随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技转变，但由于金融行业的安全性、实时性要求，也对技术提出的更高的要求。传染病肆虐期间，全民戴口罩的行为可以有效地阻挡疫情的传播。然而与此同时，用户在通过人脸识别进行身份验证时会遭遇很大困难。

目前现有的人脸识别方法，比如DeepFace、FaceNet等人脸识别算法，对于正常的人脸识别具有很好的识别性能，可以准确快速地识别出人脸特征。然而，倘若将这些人脸识别算法应用于口罩人脸识别时，由于大量的面部特征点被口罩遮挡，这些人脸识别算法的性能会大幅降低，难以发挥它们的识别性能，也就难以被推广使用，同时存在泄漏口罩人脸隐私信息的风险。比如用户在地铁、商场等公共场所使用人脸识别进行支付、转账、手机屏幕解锁等操作时，通常需要摘下自己的口罩，这就会增加疫情传播的健康风险，并且也降低了用户操作的方便性。

综上，目前亟需一种基于联邦学习的人脸识别方法，用以解决现有技术中存在人脸识别算法对于口罩人脸的识别性能低的问题，并提升用户操作的方便性。

发明内容

本发明提供了一种基于联邦学习的人脸识别方法、装置、设备及存储介质，用以解决现有技术中存在人脸识别算法对于口罩人脸的识别性能低的问题，并提升用户操作的方便性。

第一方面，本发明提供了一种基于联邦学习的人脸识别方法，包括：

客户端获取用户的M张第一人脸图片；其中，M为大于1的整数；

所述客户端将所述M张第一人脸图片分别输入到人脸识别模型，得到M个人脸特征向量，并将所述M个人脸特征向量进行加密后反馈给服务器；

所述客户端接收所述服务器发送的加密后的损失函数值，所述损失函数值是所述服务器根据所述M个人脸特征向量和所述用户的基准人脸特征确定的；

所述客户端根据解密后的所述损失函数值更新所述人脸识别模型，直至所述人脸识别模型收敛或达到预设迭代训练轮次为止，得到训练好的口罩人脸识别模型。

上述技术方案中，通过将M张第一人脸图片分别输入到人脸识别模型进行训练，得到M个人脸特征向量，并将M个人脸特征向量进行加密后反馈给服务器，以使服务器将解密后的M个人脸特征向量与用户的基准人脸特征通过预设的损失函数进行统计处理确定出损失函数值。再根据损失函数值对人脸识别模型的模型参数进行更新，直至得到训练好的口罩人脸识别模型。由于客户端与服务器之间的交互不包括客户端的口罩人脸图片训练数据，并对交互的M个人脸特征向量以及损失函数值进行加密处理，如此可以有效地避免用户隐私数据的泄露，从而有助于提高数据的安全性，并基于训练好的口罩人脸识别模型对口罩人脸进行识别，可以准确快速地识别出该口罩人脸所属的用户，有效地降低了传染病传播的风险，并有助于提高用户操作的方便性，从而可以解决现有技术中存在人脸识别算法对于口罩人脸的识别性能低，同时存在泄漏口罩人脸隐私信息的风险的问题。

可选地，在所述客户端获取用户的M张戴有口罩的第一人脸图片之前，还包括：