[发明专利]人脸识别模型训练、人脸识别方法、装置、设备及介质

说明书

本申请公开了一种人脸识别模型训练、人脸识别方法、装置、设备及介质，由于本申请在模型训练的过程中，将样本图像输入到原始的人脸识别模型中的第一子模型中，获得候选人脸特征向量，然后将该候选样本人脸特征向量、预先保存的邻接矩阵以及该样本图像对应的样本属性特征向量输入到该原始的人脸识别模型中的第二子模型中，进一步使得该第二子模型对属性以及人脸特征之间的关系进一步学习，进而输出更加准确的人脸特征向量，提高后续人脸识别的准确率。

技术领域

本申请涉及人脸识别技术领域，尤其涉及一种人脸识别模型训练、人脸识别方法、装置、设备及介质。

背景技术

伴随着深度学习的快速发展，人脸识别技术应运而生，现有技术中，常见的人脸识别技术主要是通过卷积神经网络对人脸特征进行特征提取与识别，常规的流程是先基于采集到的包含人脸的图像以及人脸检测模型，来划定人脸的人脸框，然后将该人脸框输入到特定的特征提取模型来提取人脸特征向量，将提取到的人脸特征向量进行相似度计算或者通过全连接层以及softmax函数输出分类结果。

但是真实场景下的人脸图像是复杂多变的，同一个人在不同的拍摄角度下，在不同年龄段，穿戴不同服饰，都会导致对同一个人脸的识别的人脸特征结果存在差异，并且部分人脸遮挡的情况，将会使这种差异更加的明显，因此人脸特征识别的准确性低，影响后续人脸的识别。

发明内容

本申请提供了一种人脸识别模型训练、人脸识别方法、装置、设备及介质，用以解决现有技术中人脸特征识别的准确性低，影响后续人脸的识别的问题。

本申请提供了一种人脸识别模型训练方法，所述方法包括：

针对样本集中的每个样本图像，其中，每个样本图像对应有标签，所述标签用于标识样本图像中包含的人脸的全局人脸特征向量和各个关键部位对应的部分人脸特征向量；将该样本图像输入到原始人脸识别模型中的第一子模型，确定该样本图像对应的候选样本人脸特征向量；将所述候选样本人脸特征向量、预先保存的邻接矩阵及该样本图像对应的样本属性特征向量输入到所述原始人脸识别模型中的第二子模型中，获取该样本图像的目标样本人脸特征向量、目标样本属性特征向量、该样本图像中各个样本属性对应的样本属性概率向量以及该样本图像中各个人脸对应的人脸概率向量；

根据每个样本图像对应的候选样本人脸特征向量，确定第一子损失值，根据每个样本图像对应的所述候选样本人脸特征向量以及每个样本图像对应的类中心特征向量，确定第二子损失值；根据每个样本图像的所述目标样本属性特征向量、预先保存的每个样本图像的样本属性对应的第一独热编码向量以及每个样本图像中各个样本属性对应的样本属性概率向量，确定第三子损失值；根据预先保存的每个样本图像对应的人脸的第二独热编码向量、每个样本图像中各个人脸对应的人脸概率向量，确定第四子损失值；根据所述第一子损失值、所述第二子损失值、所述第三子损失值以及所述第四子损失值，确定目标损失值；

根据所述目标损失值，对所述原始人脸识别模型进行训练。

进一步地，确定所述预先保存的邻接矩阵包括：

针对所有属性中的任意两个属性，确定该两个属性出现在同一个样本图像的第一数目，以及该第一数目与所述样本集中包含的每个样本图像的第二数目，将所述第一数目和所述第二数目的比值，确定为该两个属性在属性与属性对应的第一子邻接矩阵中对应的元素；

按照设定的顺序，将所述第一子邻接矩阵、预设的人脸关键部位与属性对应的第二子邻接矩阵、预设的属性与人脸关键部位对应的第三子邻接矩阵以及预设的人脸关键部位与人脸关键部位对应的第四子邻接矩阵进行拼接，将拼接完成的矩阵确定为邻接矩阵并保存。

进一步地，所述根据每个样本图像对应的候选样本人脸特征向量，确定第一子损失值包括：