[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

说明书

本发明公开了一种人脸识别模型的训练方法，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。本发明还公开一种人脸识别模型的训练装置和计算机可读存储介质。本发明提高了人脸识别的精度。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸识别模型的训练方法、装置和计算机可读存储介质。

背景技术

借力于深度卷积神经网络技术的成熟和高算力设备的推出，人脸识别算法无论是在进度和识别速度上都发生的巨大革命。人脸识别应用也成为AI技术中最成熟的最广泛的代表。无论是智慧城市建设还是视频监控领域，人脸识别成为最基础最核心的技术手段。

人脸识别技术作为一种无接触无感知的生物识别技术最大的优势在于不需要人们强制配合便可以捕捉人的身份信息。人脸识别系统以能够拍摄到清洗的正面人脸作为基础，而实际的场景条件下，光照、拍摄角度、戴眼镜口罩等情况下，造成人脸识别的精度较低。

发明内容

本发明的主要目的在于提供一种人脸识别模型的训练方法、装置和计算机可读存储介质，旨在解决人脸识别的精度较低的问题。

为实现上述目的，本发明提供的一种人脸识别模型的训练方法，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。

在一实施例中，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，对所述目标函数对应的特征进行损失监督学习。

在一实施例中，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：

将归一化指数损失函数确定为所述局部特征对应的第一目标损失函数，并将所述归一化指数损失函数以及三元组损失函数确定为所述全局特征以及所述融合特征对应的第二目标损失函数；

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。

在一实施例中，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。

在一实施例中，所述对所述融合特征进行损失监督学习的步骤包括：