[发明专利]一种人脸识别方法、系统、电子设备及存储介质

说明书

本申请公开了一种人脸识别方法、系统、电子设备及存储介质。人脸识别方法包括：构建步骤：根据人脸图像构建至少两个样本对；剔除步骤：使用对比学习的学习方式，将与人脸识别无关的信息从所述样本对中剔除。本发明提出一种人脸识别方法及系统，本发明提供一种人脸识别方法、系统、电子设备及存储介质，本发明通过使用对比学习的学习方式，针对人脸图像中的与身份特征无关的信息，从其他角度进行更有效的监督，将这些信息从人脸图像的特征空间中剔除，从而提升人脸识别模型的性能以及提供一个全新的对比学习思路。

技术领域

本申请涉及人脸识别技术领域，尤其涉及一种人脸识别方法、系统、电子设备及存储介质。

背景技术

人脸识别指的是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。在caffe的孪生神经网络中，其采用的损失函数是contrastive loss，这种损失函数可以有效的处理孪生神经网络中的paired data的关系。contrastive loss的表达式如下：

其中d＝||an-bn||2，代表两个样本特征的欧氏距离，y为两个样本是否匹配的标签，y＝1代表两个样本相似或者匹配，y＝0则代表不匹配，margin为设定的阈值。原本相似的样本，如果在特征空间的欧式距离较大，则说明当前的模型不好，因此加大损失；样本不相似时，其特征空间的欧式距离反而小的话，损失值会变大。论文《Momentum Contrast forUnsupervised Visual Representation Learning》提出了一种无监督视觉表示对比学习方法，将数据集组织成query和key，分别用两个encoder对query和key的图片提取特征并进行对比学习，把对比学习比作查字典过程，把字典当作队列，引入动量更新两个endocer。能将训练得到的encoder应用到下游任务重。这些方法中通过一些损失函数的设计来提高人脸识别的性能，但是他们没有将人脸图像特征空间中一些身份ID无关的特征剔除(比如人脸角度信息)。例如：论文《Momentum Contrast for Unsupervised VisualRepresentation Learning》提出了一种无监督对比学习方法，但是上述论文将由同一张图片数据增强来的不同图片作为正样本对，将不同图片作为负样本对。而在人脸识别任务中，同一个ID的不同图像属于同一个类别，这样做无监督很难将模型训练收敛，因此，论文《Momentum Contrast for Unsupervised Visual Representation Learning》提出的一种无监督对比学习方法不能有效应用在人脸识别问题中。

因此，针对以上现状，本发明提出一种人脸识别方法、系统、电子设备及存储介质，本发明通过使用对比学习的学习方式，针对人脸图像中的与身份特征无关的信息，从其他角度进行更有效的监督，将这些信息从人脸图像的特征空间中剔除，从而提升人脸识别模型的性能以及提供一个全新的对比学习思路。

发明内容

本申请实施例提供了一种人脸识别方法、系统、电子设备及存储介质，以至少解决相关技术中主观因素影响的问题。

本发明提供了一种人脸识别方法，包括：

构建步骤：根据人脸图像构建至少两个样本对；

剔除步骤：使用对比学习的学习方式，将与人脸识别无关的信息从所述样本对中剔除。

上述的人脸识别方法，至少两个所述样本对至少包括正样本对与负样本对。

上述的人脸识别方法，所述构建步骤包括：

正样本对构建步骤：使用不同角度的同一个ID的人脸图像组织成所述正样本对；

负样本对构建步骤：使用同一个角度的不同ID的人脸图像组织成所述负样本对。