[发明专利]模型生成方法、人脸识别方法、系统、设备和介质

说明书

本发明公开了一种模型生成方法、人脸识别方法、系统、设备和介质，通过将样本人脸的标准化图像输入至采用DropBlock正则化机制及采用联合裕度损失函数的Inception‑ResNet模型中进行训练，以生成人脸特征提取模型，进一步利用该人脸特征提取模型提取标准化的人脸图像对应的特征空间向量和比对图像对应的特征空间向量，基于上述两个特征空间向量，计算余弦距离；判断所述余弦距离判断人脸图像的相似性，进而确定人脸识别是否通过。对比现有技术，本发明提高了人脸识别速度和鲁棒性。

技术领域

本发明涉及图像处理领域，尤其涉及一种模型生成方法、人脸识别方法、系统、设备和介质。

背景技术

人脸是人体最直观的生物特征。由于人脸的自然特性和非侵入性，不需要像指纹那样采用接触式仪器来获取图像，使人脸识别成为目前重要的生物识别技术，已经广泛应用于刑侦、金融、反恐和日常生活的各个领域。

基于Deep ConvNets(深度卷积神经网络)的人脸识别算法在先进的网络结构和新颖的损失函数的驱动下，使人脸识别技术真正达到实用。当前，先进的深度卷积神经网络人脸识别算法大多依赖于损失函数的选取，就是将Embedding(嵌入向量)层作为中间瓶颈层，优化损失函数的分类裕度来提高性能。

基于Inception-ResNet(一种网络结构)和裕度损失函数训练的人脸识别模型在过度的权重参数、大量的FLOPS(每秒浮点运算数)以及正则化的作用下会面对过拟合的风险，导致人脸识别鲁棒性不高，并且深层次的卷积神经网络导致推理速度变慢，极大地影响了人脸识别的综合性能。

发明内容

本发明要解决的技术问题是为了克服现有技术中深度卷积神经网络人脸识别算法，基于Inception-ResNet和裕度损失函数训练的人脸识别模型存在过拟合的风险，人脸识别鲁棒性不高，并且深层次的卷积神经网络导致推理速度变慢的缺陷，提供一种模型生成方法、人脸识别方法、系统、设备和介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供了一种模型生成方法，所述模型生成方法包括：

获取样本人脸的标准化图像；

将样本人脸的标准化图像输入至采用DropBlock(一种正则化方法)正则化机制及采用联合裕度损失函数的Inception-ResNet模型中进行训练，以生成人脸特征提取模型。

较佳地，所述获取样本人脸的标准化图像的步骤包括：

获取样本人脸的原始图像；

通过级联多任务卷积神经网络模型检测所述样本人脸的原始图像，以得到所述样本人脸的原始图像的面部关键点；

基于所述样本人脸的原始图像的面部关键点与标准图像的面部关键点对所述样本人脸的原始图像进行相似变换，以得到所述样本人脸的第一图像；

将所述第一图像进行随机亮度、对比度和饱和度预处理，以得到所述样本人脸的标准化图像。

较佳地，所述采用DropBlock正则化机制及采用联合裕度损失函数的Inception-ResNet模型中进行训练的步骤包括：

通过伯努利函数，随机对Inception-ResNet模型中的输出激活层进行采样，以得到位置矩阵；

以所述位置矩阵中的每一个元素为中心，建立边长为预设阈值的方形区域；

将所述方形区域的像素值设置为0；

对所述输出激活层进行归一化。

本发明提供了一种人脸识别方法，所述人脸识别方法包括：

获取待识别的标准化的人脸图像和所述待识别的标准化的人脸图像对应的比对图像；