[发明专利]人脸识别训练方法、识别方法、装置、设备及存储介质

权利要求书

1.一种人脸识别训练方法，其特征在于，包括：

将训练图像输入预构建的原始人脸识别模型中进行人脸特征提取，得到所述原始人脸识别模型的输出值；其中，所述原始人脸识别模型包括：特征提取网络、区域生成网络、第一筛选层、RoIAlign池化层、分类层、第二筛选层以及框回归层；所述第一筛选层用于筛选所述区域生成网络的输出，所述第二筛选层用于筛选所述分类层的输出；

采用所述输出值计算交叉熵损失；

采用所述第二筛选层的输出计算EIOU损失；

将所述交叉熵损失与所述EIOU损失之和作为目标损失并根据所述目标损失优化所述原始人脸识别模型，得到目标人脸识别模型。

2.根据权利要求1所述的人脸识别训练方法，其特征在于，所述采用所述第二筛选层的输出计算EIOU损失，包括：

获取所述第二筛选层输出的候选框并计算所述候选框与标注框之间的交并比值以及所述候选框与所述标注框的中心点之间的距离；

构造包围所述候选框与所述标注框之间的包围框并计算所述包围框的对角线的长度；

根据所述交并比值、所述距离以及所述长度计算所述EIOU损失。

3.根据权利要求1所述的人脸识别训练方法，其特征在于，所述将训练图像输入预构建的原始人脸识别模型中进行人脸特征提取，得到所述原始人脸识别模型的输出值，包括：

采用所述特征提取网络对所述训练图像中的人脸特征进行提取，获得特征图；

采用所述区域生成网络根据所述特征图生成候选框；

在所述第一筛选层中采用NMS算法去除冗余的候选框；

采用所述RoIAlign池化层对所述第一筛选层的输出进行像素点采样并将采样结果转换为固定长度的输出；

采用所述分类层对所述RoIAlign池化层的输出进行分类处理；

在所述第二筛选层中采用NMS算法对分类结果进行筛选；

采用所述框回归层对所述第二筛选层的输出进行框回归处理，获得目标候选框。

4.根据权利要求3所述的人脸识别训练方法，其特征在于，所述采用所述区域生成网络根据所述特征图生成候选框，包括：

随机选取三种不同尺寸的窗口并按照三种不同比例随机组合成的九个不同尺度的候选窗口；

采用所述候选窗口在所述特征图上进行特征提取；

对特征提取结果进行分类及框回归处理；

将处理结果在所述特征图上进行分割处理，得到所述候选框并输出。

5.根据权利要求3所述的人脸识别训练方法，其特征在于，所述采用所述RoIAlign池化层对所述第一筛选层的输出进行像素点采样并将采样结果转换为固定长度的输出，包括：

将所述第一筛选层的输出划分为固定大小的分块；

利用双线性插值法对所述分块进行像素点采样；

对采样后的所述分块进行最大池化处理，转换为固定长度的输出。

6.一种人脸识别训练装置，其特征在于，包括：

特征提取模块，用于将训练图像输入预构建的原始人脸识别模型中进行人脸特征提取，得到所述原始人脸识别模型的输出值；其中，所述原始人脸识别模型包括：特征提取网络、区域生成网络、第一筛选层、RoIAlign池化层、分类层、第二筛选层以及框回归层；所述第一筛选层用于筛选所述区域生成网络的输出，所述第二筛选层用于筛选所述分类层的输出；

第一计算模块，用于采用所述输出值计算交叉熵损失；

第二计算模块，用于采用所述第二筛选层的输出计算EIOU损失；

优化模块，用于将所述交叉熵损失与所述EIOU损失之和作为目标损失并根据所述目标损失优化所述原始人脸识别模型，得到目标人脸识别模型。

7.一种人脸识别方法，其特征在于，包括：

获取摄像设备采集的视频流并从所述视频流中提取包含人脸特征的待识别图像；

将所述待识别图像输入目标人脸识别模型中，提取人脸特征，输出人脸识别结果，其中，所述目标人脸识别模型采用权利要求1至5任一项所述的人脸识别训练方法获得。