[发明专利]人脸识别模型训练方法、人脸识别方法、装置及相关设备

说明书

本发明公开了一种人脸识别模型训练方法、人脸识别方法、装置及相关设备，应用于数据处理领域。本发明提供的方法包括：对参与训练的人脸图像进行图像预处理，得到人脸图像集，基于特征提取网络，对人脸图像集进行特征提取，得到特征向量，并对特征向量进行范数操作，得到与图像质量相关的特征范数，使用压缩映射的方式对特征范数进行压缩，得到压缩后的特征范数，通过压缩后的特征范数构建基于特征范数的损失函数，基于损失函数计算特征范数的压缩损失，并采用压缩损失对初始人脸识别模型的参数进行训练，得到人脸识别模型，采用本发明可提高低质图像识别的准确率。

技术领域

本发明涉及数据处理领域，尤其涉及一种人脸识别模型训练方法、装置、计算机设备及存储介质。

背景技术

随着深度学习技术的发展，在可控环境下，基于深度网络模型的人脸识别的精度取得了令人满意的精度。但随着采集图像的质量的降低，人脸识别系统的精度下降得很显著。比如采集设备的模糊人脸、复杂光照条件下，采集的人脸图像质量较差，采用这种数据训练，在模型训练就影响了模型的学习效果。因此在推理阶段影响着模型的提取有效区分特征的能力，最终使得人脸识别系统的性不能满足实际需求。

当前的基于深度学习的人脸识别系统，通常模型采用了深度卷积神经网络的结构，比如resnet等，进而基于大量的训练数据，使用基于softmax损失的学习目标进行训练和学习，最终学习出能表征区分不同人的脸部信息的网络权重，用于人脸识别。然而发明人在实现本发明的过程中，意识到现有技术至少存在如下问题：基于softmax-损失的学习目标，在模型的优化训练时，没有考虑到大量的训练数据之间的质量不均衡问题。忽略了这个问题，低质量的人脸数据就很难得到充分学习，其结果是对于低质图像的人脸数据，系统的精度下降非常明显。

发明内容

本发明提供一种人脸识别模型训练方法、人脸识别方法、装置、计算机设备及存储介质，以提高针对低质量人脸图像的人脸识别的准确性。

一种人脸识别模型训练方法，包括：

对参与训练的人脸图像进行图像预处理，得到人脸图像集；

基于特征提取网络，对所述人脸图像集进行特征提取，得到特征向量，并对所述特征向量进行范数操作，得到与图像质量相关的特征范数；

使用压缩映射的方式对所述特征范数进行压缩，得到压缩后的特征范数；

通过所述压缩后的特征范数构建基于特征范数的损失函数；

基于所述损失函数计算所述特征范数的压缩损失，并采用所述压缩损失对所述初始人脸识别模型的参数进行训练，得到人脸识别模型。

可选地，所述使用压缩映射的方式对所述特征范数进行压缩，得到压缩后的特征范数包括：

采用如下压缩函数映射函数对所述特征范数进行压缩：

f(||x||)＝s_lower+(2Sigmoid(γ||x||)-1)×(s_upper-s_loner)

其中3igmoid(.)为Logistic Sigmoid函数，s_upper和s_lower是人脸图像集所求特征范数的上下边界，γ是控制压缩强度的参数。

可选地，所述γ基于参与训练的人脸图像的质量分布进行设定。

可选地，所述通过所述压缩后的特征范数构建基于特征范数的损失函数包括：