[发明专利]人脸识别方法、装置、电子设备及计算机可读存储介质

说明书

本发明公开了一种人脸识别方法、装置、电子设备及计算机可读存储介质。其中，该方法包括：获取目标人脸图像；采用人脸识别模型，对目标人脸图像中的目标人脸进行识别，得到目标人脸的人脸识别结果，其中，人脸识别模型为基于损失函数，采用多组训练样本对初始模型进行训练得到的人脸识别模型。本发明解决了相关技术中采用人脸识别模型进行人脸识别的场景中，训练人脸模型时，仅考虑正常人脸，以使得识别得到的人脸识别结果意外情况多发的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种人脸识别方法、装置、电子设备及计算机可读存储介质。

背景技术

人脸识别模型大多采用深度神经网络，近年来，深度神经网络取得了重大进展，使得人脸识别的精度越来越高。人脸识别包括很多个步骤：首先进行人脸检测，第二步进行人脸关键点识别，第三步进行人脸对齐，最后一步是人脸识别。当前的人脸识别算法都聚焦于最后一步算法的研究上，默认前三步处理后的人脸图像使符合要求的标准人脸图像。当前人脸识别模型对于前三步产生的异常人脸图像识别效果差，整体算法鲁棒性差。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种人脸识别方法、装置、电子设备及计算机可读存储介质，以至少解决相关技术中采用人脸识别模型进行人脸识别的场景中，训练人脸模型时，仅考虑正常人脸，以使得识别得到的人脸识别结果意外情况多发的技术问题。

根据本发明实施例的一个方面，提供了一种人脸识别方法，包括：获取目标人脸图像；采用人脸识别模型，对所述目标人脸图像中的目标人脸进行识别，得到所述目标人脸的人脸识别结果，其中，所述人脸识别模型为基于损失函数，采用多组训练样本对初始模型进行训练得到的人脸识别模型，所述损失函数包括第一损失函数项与第二损失函数项，所述第一损失函数项用于拉近特征空间中正常人脸中同一人脸之间的空间距离，拉远所述特征空间中正常人脸中不同人脸之间的空间距离，所述第二损失函数项用于拉近所述特征空间中异常人脸之间的空间距离，拉远所述特征空间中正常人脸与异常人脸之间的空间距离。

可选地，所述方法还包括：通过以下方式构建所述第一损失函数项：获取特征空间中所述正常人脸的空间位置；依据所述正常人脸的空间位置，确定所述正常人脸的空间位置中任意两个空间位置之间的空间夹角；依据所述正常人脸的空间位置中任意两个空间位置之间的空间夹角，构建所述第一损失函数项；通过以下方式构建所述第二损失函数项：获取特征空间中正常人脸的空间位置以及所述异常人脸的空间位置；依据所述异常人脸的空间位置，确定所述异常人脸的空间位置中任意两个空间位置之间的空间夹角；依据所述正常人脸的空间位置以及异常人脸的空间位置中任意两个空间位置之间的空间夹角，构建所述第二损失函数项。

可选地，所述采用多组训练样本对初始模型进行训练得到的人脸识别模型，包括：获取第一训练样本，其中，所述第一训练样本包括第一样本图像，以及所述第一样本图像的人脸识别结果，所述第一样本图像中的第一样本人脸属于正常人脸；基于所述第一训练样本对所述初始模型进行训练，得到所述人脸识别模型。

可选地，所述采用多组训练样本对初始模型进行训练得到的人脸识别模型，包括：获取第二训练样本，其中，所述第二训练样本包括第二样本图像，以及所述第二样本图像中的人脸识别结果，所述第二样本图像中的第二样本人脸属于异常人脸；基于所述第二训练样本对所述初始模型进行训练，得到所述人脸识别模型。

可选地，所述采用人脸识别模型，对所述目标人脸图像中的目标人脸进行识别，得到所述目标人脸的人脸识别结果，包括：采用所述人脸识别模型，对所述目标人脸图像进行识别，识别所述目标人脸图像中的目标人脸属于正常人脸中多种人脸的概率，以及所述目标人脸所述异常人脸的概率，并确定属于多种人脸的概率与属于异常人脸的概率中的最大概率；将所述最大概率与预定阈值进行比较；在所述最大概率大于所述预定阈值的情况下，确定所述最大概率对应的人脸为所述目标人脸图像中的目标人脸所属的人脸，得到所述目标人脸的人脸识别结果。