[发明专利]人脸识别方法及装置

说明书

本发明涉及人工智能技术领域，提供了一种人脸识别方法及装置，所述方法包括：获取待识别的人脸图像；将人脸图像输入至预先训练的人脸识别模型，利用人脸识别模型对人脸图像进行处理，以提取人脸图像的人脸特征，其中，人脸识别模型包括至少一个特征提取网络，特征提取网络对输入特征图依次进行量化、卷积及反量化，量化及反量化所采用的第一参数是按照输入特征图的通道数及预设通道组数确定的；依据人脸特征对人脸图像进行人脸识别。本发明既提高了卷积运算的速度，又避免了卷积运算过程中因出现数值溢出而导致的精度计算下降，最终保证了人脸识别的高效性和准确性。

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种人脸识别方法及装置。

背景技术

卷积神经网络在人脸识别中应用及其普遍，而卷积神经网络前向传播中的卷积层的计算量会占整个网络计算量的90%，一般高精度的卷积神经网络包含的参数量较多，导致了比较高的计算密集度，满足不了实时响应要求较高的人脸识别的应用场景的需求。

现有的针对卷积神经网络的加速方法，虽然可以提高卷积神经网络的运算速度，进而提高人脸识别的效率，但是在加速后的运算过程中会出现因数值溢出导致计算精度下降，最终影响了人脸识别的准确性。

发明内容

本发明的目的在于提供了一种人脸识别方法及装置，其能够对人脸识别模型中的卷积神经网络的卷积层进行优化，既能提高卷积层的计算速率，又能保证计算精度，最终保证人脸识别的高效性和准确性。

为了实现上述目的，本发明采用的技术方案如下：

第一方面，本发明提供一种人脸识别方法，所述方法包括：获取待识别的人脸图像；将所述人脸图像输入至预先训练的人脸识别模型，利用所述人脸识别模型对所述人脸图像进行处理，以提取所述人脸图像的人脸特征，其中，所述人脸识别模型包括至少一个特征提取网络，所述特征提取网络对输入特征图依次进行量化、卷积及反量化，所述量化及所述反量化所采用的第一参数是按照所述输入特征图的通道数及预设通道组数确定的；依据所述人脸特征对所述人脸图像进行人脸识别。

第二方面，本发明提供一种人脸识别装置，所述装置包括：获取模块，用于获取待识别的人脸图像；特征提取模块，用于将所述人脸图像输入至预先训练的人脸识别模型，利用所述人脸识别模型对所述人脸图像进行处理，以提取所述人脸图像的人脸特征，其中，所述人脸识别模型包括至少一个特征提取网络，所述特征提取网络对输入特征图依次进行量化、卷积及反量化，所述量化及所述反量化所采用的第一参数是按照所述输入特征图的通道数及预设通道组数确定的；人脸识别模块，用于依据所述人脸特征对所述人脸图像进行人脸识别。

与现有技术相比，本发明预先按照卷积层的输入特征图的通道数及预设通道组数确定第一参数，在卷积层处理之前首先利用第一参数对输入特征图进行量化，然后再对量化后的输入特征图进行卷积，最后对卷积结果进行反量化，既提高了卷积运算的速度，又避免了卷积运算过程中因出现数值溢出而导致的精度计算下降，最终保证了人脸识别的高效性和准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的一种人脸识别方法的流程示意图。

图2为本发明实施例提供的多个特征提取网络组成人脸识别模型的示例图。

图3为本发明实施例提供的由特征提取网络和卷积层组成的人脸识别模型的示例图。

图4是本发明实施例提供的普通卷积的示例图。

图5是本发明实施例提供的分组卷积的示例图。