[发明专利]模型训练、人脸识别方法、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、人脸识别方法、电子设备及存储介质，其中模型训练方法包括：获取包含人脸的图像样本和所述图像样本的类别标签；将所述图像样本输入至由特征提取层和分类层搭建的网络结构进行训练，得到训练完成后的所述特征提取层；其中，训练所述特征提取层时的损失函数，是基于所述图像样本的类别标签与所述分类层输出的分类结果之间的分类损失、以及相同类别标签下图像样本的特征向量之间的方向损失构建。本方案能够使得类别相同的样本特征在特征空间中不仅可以聚类，而且可以聚集在同一方向，降低样本特征方差，缓解训练阶段和测试阶段的差异性，提高模型的人脸识别准确率。

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、人脸识别方法、电子设备及存储介质。

背景技术

人脸识别作为当前热门应用领域和研发方向之一，在安防、金融支付、公共服务等领域具有十分广泛的应用。伴随着深度学习技术的发展，目前主流的人脸识别模型都是基于深度学习的方法训练得到的。近些年来，基于对余弦距离加margin的分类损失提出和优化，促进了人脸识别快速发展。例如SphereFace、CosFace、ArcFace、MvSoftmax等一系列识别方法通过增加类特征间角度间隔促使深度网络模型抽取出更具区分力的人脸特征，取得了很高的识别准确率。

上述方法在训练过程中一般采用特征提取层+分类层的网络结构，先通过特征提取层提取出人脸特征，再通过分类层得到不同人脸类别概率，结合类别标签构建损失函数，训练网络参数。然而在测试阶段，摒弃分类层，直接使用特征提取层提取出的特征计算余弦距离来衡量特征之间相似度，这就导致训练和测试阶段具有差异性。例如在训练阶段，分类层权重W每一列可以视为类别中心，当训练网络收敛时，类内的每个样本特征与其对应的类别中心都具有较高的相似度，但是当测试时，没有了类别中心的概念，在高维特征空间中类内的不同样本特征方差较大，其相似度并不会很高，直接影响识别效果。

发明内容

本发明实施方式的目的在于提供一种模型训练、人脸识别方法、电子设备及存储介质、电子设备及存储介质，能够缓解训练阶段和测试阶段的差异性，提高模型的人脸识别准确率。

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：

获取包含人脸的图像样本和所述图像样本的类别标签；

将所述图像样本输入至由特征提取层和分类层搭建的网络结构进行训练，得到训练完成后的所述特征提取层；

其中，训练所述特征提取层时的损失函数，是基于所述图像样本的类别标签与所述分类层输出的分类结果之间的分类损失、以及相同类别标签下图像样本的特征向量之间的方向损失构建。

本发明的实施方式还提供了一种人脸识别方法，包括：

采用如上所述的模型训练方法所训练出的特征提取层对待识别人脸图像进行人脸识别，得到人脸图像的特征向量；

将所述人脸图像的特征向量与注册特征库中的人脸特征向量进行相似比对，确定所述待识别人脸的身份信息。

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，或者如上所述的人脸识别方法。

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，或者如上所述的人脸识别方法。