[发明专利]网络训练、人脸识别方法、电子设备及存储介质

权利要求书

1.一种网络训练方法，其特征在于，包括：

采集人脸图像，以所述人脸图像作为第一图像样本、以从所述人脸图像中截取的人眼位置的图像作为第二图像样本，并标注各图像样本所属活体或非活体的第一标签，以及图像样本的类别标签，其中，所属同一活体的图像样本对应同一所述类别标签，所属非活体的所有图像样本对应同一所述类别标签；

以所述第一图像样本为输入、所述第一图像样本所属各所述第一标签的第一预测概率为输出，构建活体识别网络；所述活体识别网络包括第一特征提取网络和第一分类器；所述第一特征提取网络用于从输入的图像样本中提取人脸特征，所述第一分类器用于对所述人脸特征进行分类得到所述第一预测概率；

以所述第二图像样本为输入、所述第二图像样本的人眼特征为输出，构建第二特征提取网络；所述第一特征提取网络中第一网络层输出的第一特征图与所述第二特征提取网络中第二网络层输出的第二特征图组合，共同作为所述第一网络层的下一网络层的输入特征图；

对由所述活体识别网络、所述第二特征提取网络、以及在所述第二特征提取网络的输出端增设的第二分类器构建的联合网络进行联合训练；所述第二分类器的输出为所述第二图像样本属于各所述类别标签的第二预测概率；

其中，所述联合训练所采用的损失函数，是基于所述活体识别网络输出的所述第一预测概率与对应的第一实际概率之间的第一损失，以及所述第二分类器输出的所述第二预测概率与对应的第二实际概率之间的第二损失构建。

2.根据权利要求1所述的方法，其特征在于，所述活体识别网络中还设置有注意力机制模块；将所述第一特征提取网络中第一网络层输出的第一特征图与所述第二特征提取网络中第二网络层输出的第二特征图组合，包括：

将所述第一特征图与所述第二特征图组合，组合后的特征图的通道数为组合前通道数之和；

采用所述注意力机制模块为所述组合后的特征图的各通道设置权重，并将设置权重后的所述组合后的特征图作为所述第一网络层的下一网络层的输入特征图。

3.根据权利要求1或2所述的方法，其特征在于，所述第一损失是利用分类损失函数Softmax Loss计算各所述第一图像样本的所述第一预测概率与所述第一实际概率的损失获得；所述第二损失是利用分类损失函数Softmax Loss计算各所述第二图像样本的所述第二预测概率与所述第二实际概率的损失获得；

所述对由所述活体识别网络、所述第二特征提取网络、以及在所述第二特征提取网络的输出端增设的第二分类器构建的联合网络进行联合训练，包括：

对所述联合网络进行初次训练，训练过程中采用的损失函数是基于所述第一损失和所述第二损失的和损失构建，训练的结束条件为所述活体识别网络收敛；

对所述第二特征提取网络中所述第二网络层之后的网络结构及所述第二分类器进行训练，训练过程中采用的损失函数是基于所述第二损失构建；

对所述联合网络进行再次训练，训练过程中采用的损失函数是基于所述第一损失和所述第二损失的和损失构建，训练的结束条件为所述活体识别网络和所述第二特征提取网络均收敛。

4.根据权利要求3所述的方法，其特征在于，对所述联合网络进行再次训练的学习率小于对所述联合网络进行初次训练的学习率。

5.根据权利要求1所述的方法，其特征在于，所述对由所述活体识别网络、所述第二特征提取网络、以及在所述第二特征提取网络的输出端增设的第二分类器构建的联合网络进行联合训练之后，还包括：

以所属同一活体的两个所述第二图像样本分别为锚定样本、正样本，以与所述同一活体为不同活体或非活体的一个所述第二图像样本为负样本构建三元组样本；

以所述三元组样本作为所述第二特征提取网络的输入样本，对所述第二特征提取网络中所述第二网络层之后的网络结构进行训练，训练过程中采用的损失函数是基于各所述三元组样本对应的三元组损失构建。