[发明专利]人脸识别模型的训练方法、装置和计算机可读存储介质

权利要求书

1.一种人脸识别模型的训练方法，其特征在于，所述人脸识别模型的训练方法包括以下步骤：

采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取，以得到多个全局特征；

根据所述全局特征对应的目标网络层对所述全局特征进行分割得到各个局部特征，并将所述目标人脸图像对应的各个所述全局特征进行融合得到融合特征；

对所述全局特征、所述局部特征以及融合特征进行损失监督学习，以对人脸识别模型进行训练；

所述对所述全局特征、所述局部特征以及融合特征进行损失监督学习的步骤包括：

确定所述全局特征、所述局部特征以及所述融合特征对应的目标损失函数以及所述目标损失函数对应的权重值；

根据所述目标损失函数以及所述目标损失函数对应的权重值，对所述目标损失函数对应的特征进行损失监督学习；

所述确定所述全局特征、所述局部特征以及所述融合特征对应的目标损失函数以及所述目标损失函数对应的权重值的步骤包括：

对各个局部特征配置第一目标损失函数，第一目标损失函数为归一化指数损失函数，对各个全局特征以及融合特征配置第二目标损失函数，第二目标损失函数包括归一化指数损失函数以及三元组损失函数；

为所述第一目标损失函数配置第一权重值以及所述融合特征对应的第二目标损失函数中归一化指数函数配置第二权重值，并根据所述全局特征对应的目标网络层对所述全局特征对应的第二目标损失函数中归一化指数函数配置第三权重值。

2.如权利要求1所述的人脸识别模型的训练方法，其特征在于，采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取，以得到多个全局特征的步骤包括：

在所述深度卷积神经网络的各个网络层中确定多个目标网络层，其中，所述目标网络层与所述深度卷积神经网络的输出层之间距离小于除所述目标网络层的其它网络层与所述输出层之间的距离；

将目标人脸图像输入各个所述目标网络层，以得到各个所述目标网络层对应的全局特征图；

对各个所述全局特征图进行池化，得到多个全局特征。

3.如权利要求1所述的人脸识别模型的训练方法，其特征在于，对所述融合特征进行损失监督学习的步骤包括：

降低所述融合特征的维度；

对降低维度的所述融合特征进行损失监督学习。

4.如权利要求1所述的人脸识别模型的训练方法，其特征在于，所述采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取的步骤之前，还包括：

获取各个测试人脸图像，并对各个测试人脸图像进行预处理，以得到各个目标人脸图像，其中，所述预处理包块图像归一化像素处理以及图像数据增强处理。

5.如权利要求1-4任一项所述的人脸识别模型的训练方法，其特征在于，在对所述全局特征、所述局部特征以及融合特征进行损失监督学习的步骤之后，还包括：

实时获取所述深度卷积神经网络对应的损失函数；

在所述深度卷积神经网络对应的损失函数收敛至设定区间时，完成所述人脸识别模型的训练，并保存完成训练的所述人脸识别模型。

6.如权利要求5所述人脸识别模型的训练方法，其特征在于，将完成训练的所述人脸识别模型保存的步骤之后，还包括：

将完成训练的所述人脸识别模型输出的融合特征作为所述人脸图像对应的预存融合特征，并保存所述预存融合特征。

7.一种人脸识别模型的训练装置，其特征在于，所述人脸识别模型的训练装置包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的人脸识别模型的训练程序，所述人脸识别模型的训练程序被所述处理器执行时实现如权利要求1-6任一项所述的人脸识别模型的训练方法的各个步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有人脸识别模型的训练程序，所述人脸识别模型的训练程序被处理器执行时实现如权利要求1-6任一项所述的人脸识别模型的训练方法的各个步骤。