[发明专利]一种人脸识别模型训练方法、装置、电子设备及存储介质

权利要求书

1.一种人脸识别模型训练方法，其特征在于，包括：

获取人脸图像及预设的模糊区分阈值；所述人脸图像带有目标类别；

将所述人脸图像输入人脸识别网络，得到所述人脸图像的特征向量、分类向量及所述目标类别的预测概率；

确定所述人脸识别网络中各类别的特征中心向量，并利用所述特征中心向量、所述目标类别及所述特征向量确定所述人脸图像的分类结果；

根据所述分类结果，利用所述预测概率及所述模糊区分阈值计算调整系数，并利用所述调整系数调整所述分类向量；

利用调整后的分类向量对所述人脸识别网络进行网络优化。

2.根据权利要求1所述的人脸识别模型训练方法，其特征在于，在利用所述预测概率及所述模糊区分阈值计算调整系数之前，还包括：

确定所述人脸识别网络当前训练轮次的时期值；

利用所述时期值对所述模糊区分阈值进行更新，并利用更新后的模糊区分阈值执行所述利用所述预测概率及所述模糊区分阈值计算调整系数的步骤。

3.根据权利要求1所述的人脸识别模型训练方法，其特征在于，所述将所述人脸图像输入人脸识别网络，得到所述人脸图像的特征向量、分类向量及所述目标类别的预测概率，包括：

利用所述人脸识别网络的特征提取器对所述人脸图像进行特征提取，得到所述特征向量；

利用所述人脸识别网络的分类层对所述特征向量进行分类，得到所述分类向量；

对所述分类向量进行Softmax操作，得到所述目标类别的预测概率。

4.根据权利要求1所述的人脸识别模型训练方法，其特征在于，所述利用所述特征中心向量、所述目标类别及所述特征向量确定所述人脸图像的分类结果，包括：

利用所述特征中心向量，在所述各类别中确定与所述特征向量最近的、除所述目标类别之外的错误类别；

利用所述特征向量、所述目标类别的特征中心向量及预设间隔值计算正确类余弦相似度，并利用所述特征向量及所述错误类别的特征中心向量计算错误类余弦相似度；

当所述正确类余弦相似度大于等于所述错误类余弦相似度时，判定分类正确；

当所述正确类余弦相似度小于所述错误类余弦相似度时，判定分类错误。

5.根据权利要求1所述的人脸识别模型训练方法，其特征在于，所述利用调整后的分类向量对所述人脸识别网络进行网络优化，包括：

对所述调整后的分类向量进行Softmax操作，得到调整后的预测概率；

将所述调整后的预测概率输入损失函数的得到损失值，并利用所述损失值及反向传播算法对所述人脸识别网络进行网络优化。

6.根据权利要求1至4任一项所述的人脸识别模型训练方法，其特征在于，所述根据所述分类结果，利用所述预测概率及所述模糊区分阈值计算调整系数，并利用所述调整系数调整所述分类向量，包括：

当确定所述分类结果为分类正确时，利用所述模糊区分阈值及所述预测概率计算所述调整系数，并判断所述调整系数是否大于1；

若是，则利用所述调整系数拉伸所述分类向量；

若否，则利用所述调整系数压缩所述分类向量。

7.根据权利要求6所述的人脸识别模型训练方法，其特征在于，所述根据所述分类结果，利用所述预测概率及所述模糊区分阈值计算调整系数，并利用所述调整系数调整所述分类向量，包括：

当确定所述分类结果为分类错误时，利用所述模糊区分阈值计算第二模糊区分阈值，并判断所述预测概率是否小于所述第二模糊区分阈值；

若是，则利用所述模糊区分阈值及所述预测概率计算拉伸调整系数，并利用所述拉伸调整系数拉伸所述分类向量；

若否，则利用所述模糊区分阈值及所述预测概率计算压缩调整系数，并利用所述压缩调整系数压缩所述分类向量。