[发明专利]人脸特征提取方法、装置、设备及存储介质

说明书

本发明涉及人工智能技术领域，公开了一种人脸特征提取方法、装置、设备及存储介质，用于提高人脸特征提取的准确性。方法包括：获取包含有人脸的目标图像；将目标图像输入至预先训练完成的人脸特征提取模型中；其中，该人脸特征提取模型包括特征网络和注意力网络；通过特征网络输出目标图像中人脸的初始人脸特征；通过注意力网络输出目标图像中的注意力特征；其中，该注意力网络为预设的教师网络的学生网络；注意力网络基于教师网络训练得到；注意力特征用于指示初始人脸特征中特征因子的重要程度；基于注意力特征处理初始人脸特征，得到目标图像中人脸的最终人脸特征。此外，本发明还涉及区块链技术，人脸特征提取的数据可存储于区块链节点中。

技术领域

本发明涉及人工智能领域，尤其涉及一种人脸特征提取方法、装置、设备及存储介质。

背景技术

注意力Attention机制最早在NLP(Neuro-Linguistic Programming神经语言程序学)领域中被提出，基于Attention机制的转换器Transformer结构近年在NLP的各项任务上大放异彩。在视觉任务中，Attention机制也受到了很多的关注，比较有名的方法包括Non-Local Network(非本地网络)，能够在时空 Volume中对全局的关系进行建模，获得了很好的效果。但视觉任务中的自注意力Self-attention模块通常需要进行大矩阵的矩阵乘法，显存占用大且比较耗时。目前在人脸识别或人脸追踪中会遇到下述几个问题：大尺度侧脸，光线明暗，背景(如衣服，墙壁等)，遮挡，即使可以通过特征提取来达到特征距离相似，但是随着不同的环境的变化，这个相似的阈值是随机可变的，导致特征的准确性不稳定；如果单纯的从CNN(Convolutional Neural Networks，卷积神经网络)提取特征，势必会带入非常多的噪声，单纯的数据增广又不能涵盖任意的情况。

发明内容

本发明提供了一种人脸特征提取方法、装置、设备及存储介质，用于提高人脸特征提取的准确性。

为实现上述目的，本发明第一方面提供了一种人脸特征提取方法，包括：获取包含有人脸的目标图像；将目标图像输入至预先训练完成的人脸特征提取模型中；其中，人脸特征提取模型包括特征网络和注意力网络；通过特征网络输出目标图像中人脸的初始人脸特征；通过注意力网络输出目标图像中的注意力特征；其中，该注意力网络为预设的教师网络的学生网络；注意力网络基于教师网络训练得到；注意力特征用于指示初始人脸特征中特征因子的重要程度；基于注意力特征处理初始人脸特征，得到目标图像中人脸的最终人脸特征。

可选的，在本发明第一方面的第一种实现方式中，注意力特征的特征维度与初始人脸特征的特征维度的维度数量相同；基于所述注意力特征处理初始人脸特征，得到目标图像中人脸的最终人脸特征的步骤，包括：将初始人脸特征和注意力特征中，特征维度相同的特征数据进行融合处理，得到目标图像中人脸的最终人脸特征。

可选的，在本发明第一方面的第二种实现方式中，初始人脸特征中包括多个特征因子的初始因子值；注意力特征中包括每个特征因子的权重；将初始人脸特征和所述注意力特征中，特征维度相同的特征数据进行融合处理，得到目标图像中人脸的最终人脸特征的步骤，包括：针对初始人脸特征中的每个特征因子，从注意力特征中提取特征因子的权重，将特征因子的初始因子值乘以权重，得到特征因子的最终因子值；将每个特征因子的最终因子值，确定为目标图像中人脸的最终人脸特征。

可选的，在本发明第一方面的第三种实现方式中，初始人脸特征中包括多个特征因子的初始因子值；注意力特征中包括每个特征因子的指示值；将初始人脸特征和所述注意力特征中，特征维度相同的特征数据进行融合处理，得到目标图像中人脸的最终人脸特征的步骤，包括：针对初始人脸特征中的每个特征因子，从注意力特征中提取特征因子的指示值，如果指示值为预设的第一值，将特征因子的初始因子值确定为特征因子的最终因子值；如果指示值为预设的第二值，删除特征因子以及特征因子的因子值；将剩余的特征因子的最终因子值，确定为目标图像中人脸的最终人脸特征。