[发明专利]模型训练、图像处理方法、电子设备及存储介质

说明书

本发明实施例涉及图像处理领域，公开了一种模型训练、图像处理方法、电子设备及存储介质。模型训练方法包括：通过获取新场景下的三元组图像样本；将三元组图像样本输入至跨场景下的图像处理模型中，获得第一损失值；将三元组图像样本输入至旧场景下的图像处理模型中，获得第二损失值；其中，用于获得第二损失值的部分三元组特征为用于获得第一损失值的三元组特征中对应元的特征；跨场景下的图像处理模型与旧场景下的图像处理模型的结构相同；基于第一损失值和第二损失值对跨场景下的图像处理模型中的参数进行调整，获得训练完成的跨场景下的图像处理模型，该模型能够兼顾新旧场景中图像处理的准确性，不明显增加模型处理和模型训练的复杂度。

技术领域

本发明涉及图像处理领域，特别涉及一种模型训练、图像处理方法、电子设备及存储介质。

背景技术

当前人脸识别技术的应用中通常需要对不同场景下的人脸进行识别。比如门禁上的人脸识别系统需要将背光、逆光、侧光条件下拍摄的人脸与注册时拍摄的人脸进行比对识别。当人脸识别系统处于新的应用场景下，获取的人脸风格较之前存在较大差异时，会导致识别准确率的下降。因此，对于跨场景应用下的人脸识别系统应该具备可快速迭代适应新场景下的识别，同时不降低其在旧场景下识别准确率的能力。

跨场景人脸识别通常有以下几类方法：一是将新场景下的数据与旧场景下的数据混合起来重新训练，此类方法不改变模型性能但大规模数据重新训练耗时较长，迭代更新速度慢；二是对于新场景下的数据用一个新的模型进行训练后，将新模型与旧模型联合使用，此类方法对于新场景下的识别准确率更高，但新增加的模型会影响系统的性能即增加识别时间，降低用户体验；三是在旧模型上新增加一个分支用于新场景下的识别，此类方法对模型性能影响较小但会影响模型在旧场景下的识别准确率。

发明内容

本发明实施方式的目的在于提供一种模型训练、图像处理方法、电子设备及存储介质，能够保证训练出的模型兼顾新旧场景中图像处理的准确性，同时不明显增加模型处理和模型训练的复杂度。

为解决上述技术问题，本发明的实施方式提供了一种模型训练方法，包括：

获取新场景下的三元组图像样本；

将所述三元组图像样本输入至跨场景下的图像处理模型中，获得第一损失值；

将所述三元组图像样本输入至旧场景下的图像处理模型中，获得第二损失值；其中，用于获得所述第二损失值的部分三元组特征被替换为用于获得所述第一损失值的三元组特征中对应元的特征；所述跨场景下的图像处理模型与所述旧场景下的图像处理模型的结构相同；

基于所述第一损失值和所述第二损失值对所述跨场景下的图像处理模型中的参数进行调整，直至所述图像处理模型满足收敛条件，获得训练完成的所述跨场景下的图像处理模型。

本发明的实施方式还提供了一种图像处理方法，包括：采用如上所述的模型训练方法训练形成的跨场景下的图像处理模型对输入的跨场景图像进行识别处理，得到图像特征数据；

将所述图像特征数据与预设的图像特征库中的图像特征数据进行比对，获得识别结果。

本发明的实施方式还提供了一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的模型训练方法，或者所述的图像处理方法。

本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的模型训练方法，或者所述的图像处理方法。