[发明专利]人脸识别方法及相关装置

权利要求书

1.一种人脸识别方法，其特征在于，应用于电子设备，所述电子设备中预先配置人脸识别模型，所述人脸识别模型包括第一神经网络模型和第二神经网络模型，所述第二神经网络模型包括第一分支网络模型和第二分支网络模型，所述方法包括：

获取目标图像；

将所述目标图像输入到所述第一神经网络模型，得到目标特征集，所述第一神经网络模型用于实现特征提取；

将所述目标特征集输入到所述第一分支网络模型，得到第一识别结果，同时，将所述目标特征集输入到所述第二分支网络模型，得到第二识别结果，所述第一分支网络模型用于实现人脸身份特征识别，所述第二分支网络模型用于实现面部属性识别；

依据所述第一识别结果和所述第二识别结果进行整合，得到目标识别结果。

2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型基于ResNet50网络实现，所述ResNet50网络的瓶颈块包括第一1x1卷积层、数据拆分层和第二1x1卷积层，所述数据拆分层包括第一数据拆分层、3x3卷积层和第二数据拆分层，所述第一数据拆分层包括第一数据区域和第二数据区域，所述第二数据拆分层包括第三数据区域和第四数据区域，所述第三数据区域的数据和所述第四数据区域的数据级联在一起，所述第一数据拆分层用于将所述第一1x1卷积层的输出数据拆分为第一数据和第二数据，所述第一数据对应第一数据区域，所述第一数据区域与所述第三数据区域存储数据相同，所述第二数据对应第二区域，所述3x3卷积层用于对所述第二数据进行卷积运算，并将其运算结果传输给所述第四数据区域，所述第二1x1卷积层用于对所述第二数据拆分层中的数据进行卷积运算。

3.根据权利要求2所述的方法，其特征在于，所述第一分支网络模型包括面部特征预测模型和第一预设损失函数，所述第一预设损失函数用于优化所述面部特征预测模型的第一模型参数，所述第一预设损失函数基于第一目标函数实现；所述方法还包括：

确定所述第一目标函数相对于所述第一模型参数的第一梯度；

依据所述第一梯度更新所述第一目标函数的调节参数和所述第一模型参数，得到优化后的所述面部特征预测模型和优化后的所述第一目标函数。

4.根据权利要求3所述的方法，其特征在于，所述第二分支网络模型包括多任务人脸识别模型，所述第二分支网络模型对应第二预设损失函数，所述第二预设损失函数包括多个第二子预设损失函数，所述多个任务人脸识别模型与所述多个第二子预设损失函数一一对应，且每一所述任务人脸识别模型用于认识一个维度的面部属性；所述第二预设损失函数基于所述第一目标函数、所述第二目标函数实现以及所述多个第二子预设损失函数实现。

5.根据权利要求4所述的方法，其特征在于，所述多个第二子预设损失函数中每一第二子预设损失函数对应一个权值且其取值范围为0～1，所述多个第二子预设损失函数的所有权值之和为1。

6.一种人脸识别装置，其特征在于，应用于电子设备，所述电子设备中预先配置人脸识别模型，所述人脸识别模型包括第一神经网络模型和第二神经网络模型，所述第二神经网络模型包括第一分支网络模型和第二分支网络模型，所述装置包括：

获取单元，用于获取目标图像；

特征提取单元，用于将所述目标图像输入到所述第一神经网络模型，得到目标特征集，所述第一神经网络模型用于实现特征提取；

识别单元，用于将所述目标特征集输入到所述第一分支网络模型，得到第一识别结果，同时，将所述目标特征集输入到所述第二分支网络模型，得到第二识别结果，所述第一分支网络模型用于实现人脸身份特征识别，所述第二分支网络模型用于实现面部属性识别；

整合单元，用于依据所述第一识别结果和所述第二识别结果进行整合，得到目标识别结果。