[发明专利]人脸识别的方法、电子设备及存储介质

说明书

本发明实施例涉及图像识别领域，公开了一种人脸识别的方法、电子设备及存储介质。本发明中人脸识别的方法，包括：获取待识别的人脸图像作为目标人脸图像；将目标人脸图像输入至预设的目标人脸识别模型，获得目标人脸图像的识别结果，目标人脸识别模型包括基础人脸识别模型和局部识别网络，基础人脸识别模型用于提取目标人脸图像的特征图像，局部识别网络用于获取目标人脸图像的局部特征。采用本申请实施例，可以提高人脸识别的准确性。

技术领域

本发明实施例涉及图像识别领域，特别涉及一种人脸识别的方法、电子设备及存储介质。

背景技术

人脸识别是图像识别领域的一个热门领域，通常会通过深度学习，训练得到能够进行人脸识别的神经网络，即人脸识别模型。目前人脸识别模型训练主要包括以下两步，步骤一：对预训练识别模型的训练。由于人脸识别应用场景不同，导致用于训练人脸识别模型数据的不同，而适配不同场景的数据量较少，参与训练的数据需要在千或者万量级，所以通常会根据平台硬件基础设施特性，如平台的算力，存储能力；以及参考经典的CNN网络的类型，如重量型模型ReseNet101、DeseNet169，轻量型模型：MobileNet系列，ShuffleNet系列等；定制并训练一个通用的预训练识别模型。该预训练识别模型在训练时包含的人脸标识可能在千万级规模，同时具有基础的泛化能力但距离该产品场景的需求指标仍然有一定的距离。在训练完该预识别模型后，执行步骤二：针对特定场景数据对预训练识别模型进行微调，获得适用于特定场景的人脸识别模型，例如，使用softmax或者tripletloss等人脸识别的损失函数对该预训练识别模型的网络参数进行微调，以达到场景的需求。

对于重量型的人脸识别模型来说，因为其本身具有较大的模型容量，其泛化能力较强，在对场景数据进行微调或者迁移学习训练时，一般能有很好的效果。然而，对于轻量型人脸识别模型来说，由于其本身设计特性，模型容量小，其泛化能力弱于常规的重量型模型，当出现具有局部遮挡的人脸图像时，如：带口罩遮挡嘴部，帽子、刘海遮挡额头，眉毛等情况，部署有轻量型人脸识别模型的电子设备很难准确识别人脸，人脸识别的准确度低。

发明内容

本发明实施方式的目的在于提供一种人脸识别的方法、电子设备及存储介质，可以提高人脸识别的准确性。

为解决上述技术问题，本发明的实施方式提供了一种人脸识别的方法，包括：获取待识别的人脸图像作为目标人脸图像；将目标人脸图像输入至预设的目标人脸识别模型，获得目标人脸图像的识别结果，目标人脸识别模型包括基础人脸识别模型和局部识别网络，基础人脸识别模型用于提取目标人脸图像的特征图像，局部识别网络用于获取目标人脸图像的局部特征。

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，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述的人脸识别的方法。

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，计算机程序被处理器执行时实现上述的人脸识别的方法。

本申请实施例中人脸识别的方法，预先训练好的目标人脸识别模型包括基础人脸识别模型和局部识别网络，基础人脸识别模型可以获取目标人脸图像的特征图像，而局部识别网络可以获取人脸图像的局部特征，由于在识别目标人脸识别模型中引入了局部识别网络，使得得到的该目标人脸识别模型可以获取人脸的局部特征，提升目标人脸识别模型对有遮挡的人脸识别的准确性，即使该目标人脸识别模型采用轻量型网络，也可以准确识别具有遮挡的人脸。