[发明专利]人脸识别模型训练方法、装置、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，公开了一种人脸识别模型训练方法、装置、电子设备及存储介质，方法包括：获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；基于损失值，对人脸识别模型的参数进行调整。通过在损失值计算的过程中，引入人脸特征密度信息，使得在人脸识别模型训练的过程中，根据人脸特征密度信息对样本图像与样本图像的非真实类别之间的间隔进行正则化，使得训练出的人脸识别模型能够适应不同场景下人脸特征差异带来的影响，提取出更有区分性的人脸特征，从而提升人脸识别的准确性。

技术领域

本发明实施例涉及图像处理领域，特别涉及一种人脸识别模型训练方法、装置、电子设备及存储介质。

背景技术

随着深度学习相关技术的高速发展，当前人脸识别已经广泛应用于支付、门禁、闸机、门锁等相关领域。目前人脸识别主要有两类任务：1:1人证比对和1:N人脸搜索。其主流操作都是借助深度网络模型获取人脸图片的特征向量，之后通过计算人脸特征向量之间的相似度来表征人员的相似性，相似度大于一定阈值即可认为为同一人，反之认为是不同人。对于理想的人脸识别网络模型，其抽取的特征向量满足以下良好特性：同一ID（IdentityDocument，身份标识）的特征距离尽可能小，不同ID的特征距离尽可能大。为此，SphereFace、CosFace、ArcFace、MvSoftmax等一系列基于margin（间隔）的损失函数应运而生，通过增加类特征间的角度间隔促使深度网络模型抽取出更具区分力的人脸表征，目前已取得较好的效果。

在损失函数中引入间隔，通过基于间隔的损失函数进行损失值的计算，并根据损失值对识别模型进行调整，能够使得识别模型对类别权重和类别特征之间的角度进行压缩，促使类别特征类内聚拢，类内距离减小、类间距离增大。

然而按照上述方法训练出的模型对不同的人体现出不同的类内偏差，对某些人脸特征较为明显的人，其类内特征间距可以分布均匀并且很小，且与其他人的类间特征距离较大，类间特征密度较小；而对某些具有“大众脸”的人或者处于不同光照、不同姿态等现实复杂场景下的人，其类内特征间距分布不均，且与其他人的人脸特征类间距离较小，类间特征密度较大。这样的识别特性会导致在模型实际使用场景下，对于不同的人识别模型的误识率表现不一致，对于具有“大众脸”或处于复杂场景中的人，误识别率相对较高，识别准确性低。

发明内容

本发明实施例的目的在于提供一种人脸识别模型训练方法、装置、电子设备及存储介质，使得人脸识别模型在训练过程中能够考虑到不同类型样本之间的类间距离，通过参数调整使得不同类型的样本的类间距离增大，同一类型的样本的类内距离减小，进而降低个体方差，提升人脸识别准确率。

为解决上述技术问题，本发明的实施例提供了一种人脸识别模型训练方法，包括：获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；基于损失值，对人脸识别模型的参数进行调整。

为解决上述技术问题，本发明的实施例还提供了一种人脸识别模型训练装置，包括：获取模块，用于获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；计算模块，用于根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；调整模块，用于基于损失值，对人脸识别模型的参数进行调整。

为解决上述技术问题，本发明的实施例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上述的人脸识别模型训练方法。

为解决上述技术问题，本发明的实施例还提供了一种计算计可读存储介质，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模型训练方法。