CN110399839A - 人脸识别方法、装置、设备及存储介质 - Google Patents

Abstract

本公开关于一种人脸识别方法、装置、设备及存储介质，该方法包括：基于第一人脸识别模型，获取多个图像样本的图像特征；基于多个图像样本的图像质量特征及预设的第一质量类别，训练得到图像质量分类模型；将多个图像样本的图像质量特征调整为与第一质量类别不同的第二质量类别；对第一人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对多个图像样本重新进行特征提取，将获取到的图像质量特征输入图像质量分类模型，重复上述训练和特征提取的过程，直至图像质量分类模型的损失值满足目标条件，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出；基于第二人脸识别模型对图像进行人脸识别。

Description

人脸识别方法、装置、设备及存储介质

技术领域

本公开涉及人工智能领域，尤其涉及人脸识别方法、装置、设备及存储介质。

背景技术

随着人工智能的发展，人脸识别技术的应用越来越广泛，而人脸识别技术通常采用人脸识别模型来实现。人脸识别模型通常依赖于大量图像样本。为了提高人脸识别模型的准确性，在对图像样本进行特征提取时，希望获取到的脸部特征是具有自身稳定性和个体差异性的生物特征。但在特征提取过程中，除了提取出人脸图像的生物特征之外，也会提取出图像样本中人脸图像的清晰度、颜色等图像质量特征。当用这种脸部特征来训练人脸识别模型时，若图像样本中的生物特征差别较小，而图像质量特征差别较大，可能导致人脸识别模型所学习到的判别标准实际上是基于图像质量特征，导致人脸识别模型错误的将生物特征近似但是图像质量特征差距较大的人脸识别为不是同一人。

为了避免图像质量特征，对人脸识别模型的识别结果造成影响。相关技术中，通过获取具有相同图像质量的图像样本，使得提取到的所有图像样本的图像质量特征相同，继而避免识别错误。但获取大量地、相同图像质量的图像样本难度大、耗时长，影响人脸识别模型的训练效率。

发明内容

本公开提供一种人脸识别方法、装置、设备及存储介质，以至少解决相关技术中的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种人脸识别方法，所述方法包括：基于第一人脸识别模型，获取多个图像样本的图像特征，所述图像样本的图像特征包括图像生物特征和图像质量特征；基于所述多个图像样本的图像质量特征以及预设的第一质量类别，训练得到图像质量分类模型；将所述多个图像样本的图像质量特征调整为与所述第一质量类别不同的第二质量类别；对所述第一人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对所述多个图像样本重新进行特征提取，将获取到的图像质量特征输入所述图像质量分类模型，重复上述训练和特征提取的过程，直至所述图像质量分类模型的损失值满足目标条件，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出；基于所述第二人脸识别模型对图像进行人脸识别。

可选地，所述第一人脸识别模型包括多个图像特征提取网络层，所述基于第一人脸识别模型，获取多个图像样本的图像特征，包括：将所述第一人脸识别模型中倒数第二个图像特征提取网络层的输出作为所述图像样本的图像特征。

可选地，所述目标条件包括对应的所述损失值在目标时长内不发生改变。

可选地，所述对所述人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对所述多个图像样本重新进行特征提取，将获取到的图像质量特征输入所述图像质量分类模型之前，所述方法还包括：获取多个测试图像样本，对所述图像质量分类模型的识别准确率进行验证；根据验证结果，对所述图像质量分类模型的模型参数进行调整，得到满足识别准确率要求的所述图像质量分类模型。

可选地，所述第一人脸识别模型和所述图像质量分类模型采用resnet神经网络模型。

根据本公开实施例的第二方面，提供一种人脸识别装置，所述装置包括：获取模块，被配置为执行基于第一人脸识别模型，获取多个图像样本的图像特征，所述图像样本的图像特征包括图像生物特征和图像质量特征；训练模块，被配置为执行基于所述多个图像样本的图像质量特征以及预设的第一质量类别，训练得到图像质量分类模型；调整模块，被配置为执行将所述多个图像样本的图像质量特征调整为与所述第一质量类别不同的第二质量类别；处理模块，被配置为执行对所述第一人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对所述多个图像样本重新进行特征提取，将获取到的图像质量特征输入所述图像质量分类模型，重复上述训练和特征提取的过程，直至所述图像质量分类模型的损失值满足目标条件，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出；识别模块，被配置为执行基于所述第二人脸识别模型对图像进行人脸识别。

可选地，所述第一人脸识别模型包括多个图像特征提取网络层，所述获取模块，被配置为执行将所述第一人脸识别模型中倒数第二个图像特征提取网络层的输出作为所述图像样本的图像特征。

可选地，所述目标条件包括对应的所述损失值在目标时长内不发生改变。。

可选地，所述处理模块，还被配置为执行获取多个测试图像样本，对所述图像质量分类模型的识别准确率进行验证；根据验证结果，对所述图像质量分类模型的模型参数进行调整，得到满足识别准确率要求的所述图像质量分类模型。

可选地，所述第一人脸识别模型和所述图像质量分类模型采用resnet神经网络模型。

根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如第一方面或第一方面的任一种可能的实施方式中的方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，包括：当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面或第一方面的任一种可能的实施方式中的方法。

根据本公开实施例的第五方面，提供了一种计算机程序(产品)，所述计算机程序(产品)包括：计算机程序代码，当所述计算机程序代码被计算机运行时，使得所述计算机执行上述各方面中的方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

通过基于第一人脸识别模型提取到的图像质量特征以及预设的第一质量类别训练得到图像质量分类模型，对第一人脸识别模型提取的图像质量特征进行质量类别的标签调整，通过将调整标签后的图像质量特征输入到图像质量分类模型。当图像质量分类模型的损失值满足目标条件时，人脸识别模型学习到的判别标准是基于图像生物特征。整个过程不需要获取相同质量的图像样本，提高了人脸识别模型的训练效率的同时也提高了人脸识别模型的识别准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种人脸识别方法的应用场景示意图；

图2是根据一示例性实施例示出的一种人脸识别方法的流程图；

图3是根据一示例性实施例示出的一种卷积神经网络的结构示意图；

图4是根据一示例性实施例示出的一种卷积神经网络的结构示意图；

图5是根据一示例性实施例示出的一种残差块的结构示意图；

图6是根据一示例性实施例示出的一种人脸识别装置的框图；

图7是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在对本申请实施例提供的技术方案进行说明之前，首先对使用场景进行介绍。如图1所示，该人脸识别模型包括图像特征提取网络层以及图像分类网络层。图像特征提取网络层用于将提取出的输入图像的图像特征输入到图像分类网络层，图像分类网络根据输入的图像特征得到图像分类结果，输出图像类别。可以看出图像特征提取网络层提取的图像特征对人脸识别模型的识别结果的准确性尤为重要。

为了提高人脸识别模型的准确性，在对图像样本进行特征提取时，希望获取到的脸部特征是具有自身稳定性和个体差异性的生物特征。但在特征提取过程中，除了提取出人脸图像的生物特征之外，也会提取出图像样本中人脸图像的清晰度、颜色等图像质量特征。当用这种脸部特征来训练人脸识别模型时，若图像样本中的生物特征差别较小，而图像质量特征差别较大，可能导致人脸识别模型所学习到的判别标准实际上是基于图像质量特征，导致人脸识别模型错误的将生物特征近似但是图像质量特征差距较大的人脸识别为不是同一人。

为了避免图像质量特征，对人脸识别模型的识别结果造成影响。相关技术中，通过获取具有相同图像质量的图像样本，使得提取到的所有图像样本的图像质量特征相同，继而避免识别错误。但获取大量地、相同图像质量的图像样本难度大、耗时长，影响人脸识别模型的训练效率。为了避免上述问题，本申请实施例提出了一种人脸识别方法，具体如下述实施例所述。

图2是根据一示例性实施例示出的一种人脸识别方法的流程图，该人脸识别方法用于电子设备中，该电子设备可以是任一可用于训练机器学习模型的终端或者是服务器。本申请实施例以终端为例，该方法包括以下步骤：

在步骤S201中，基于第一人脸识别模型，获取多个图像样本的图像特征，图像样本的图像特征包括图像生物特征和图像质量特征。

示例性地，该第一人脸识别模型可以采用resnet神经网络模型，也可以是Inception-Resnet-V2、NasNet、MobileNet等其他神经网络模型。本申请实施例对人脸识别模型的网络结构不作限定，本领域技术人员可以根据实际使用需要确定。第一人脸识别模型提取出的图像质量特征可以包括一种，比如图像清晰度或者是图像的颜色等用于表征图像质量的特征。也可以基于第一人脸识别模型提取出多种图像质量特征。本申请实施例对第一人脸识别模型提取出的图像质量特征的种类不作限定。为了便于本申请实施例记载的技术方案进行说明，本申请实施例以提取的图像质量特征为图像清晰度为例进行说明。多个图像样本对应的图像质量特征可以相同，也可以不同。

作为本申请一个可选实施方式，第一人脸识别模型包括多个图像特征提取网络层，在步骤S201中，包括：将第一人脸识别模型中倒数第二个图像特征提取网络层的输出作为图像样本的图像特征。

示例性地，为了提高第一人脸识别模型的鲁棒性，第一人脸识别模型的图像特征提取网络层可以包括多个。本领域技术人员可以根据实际需要确定设置的图像特征提取网络层的层数。如图3和图4所示为一种可能的图像特征提取网络层对应的卷积神经网络结构示意图，每一层神经元可以采用三维卷积操作，第二层到第六层可以包含多个最大池化层以及残差块，图5为残差块示意图，该残差块的激活函数可以采用prelu(ParametricRectified Linear Uint)激活函数，通过最后的全连接层与图像分类网络层连接。本申请实施例中图像特征提取网络层的层数为六层，可以采用倒数第二个图像特征提取网络层的输出作为图像样本的图像特征。本申请实施例对作为图像样本的图像特征的具体层数不作限定，本领域技术人员可以根据实际使用需要获取对应层数的图像特征作为图像样本的图像特征。

在步骤S202中，基于多个图像样本的图像质量特征以及预设的第一质量类别，训练得到图像质量分类模型。

示例性地，以提取到图像样本的图像质量特征为图像清晰度为例进行说明。无论图像样本的图像清晰度是否相同，可以将得到的图像清晰度的标签全部预设为同一清晰度标签，比如设置为“第一清晰度”。也可以根据图像样本的图像清晰度的不同，将具有相同图像清晰度的图像的标签预设为相同的标签。例如得到的多个图像样本是通过不同的设备拍摄得到的，或者是得到的多个图像样本包含未精修的图像和精修的图像。本申请实施例以得到的图像样本包含未精修的图像和精修的图像为例，可以将未精修的图像样本的图像清晰度的标签预设为“第一清晰度”，将精修的图像样本的图像清晰度的标签预设为“第二清晰度”。根据得到的图像清晰度以及预设的清晰度标签，训练得到图像质量分类模型。本申请实施例对获取到不同质量参数的图像样本的方式不作限定，本领域技术人员可以根据实际使用需要获取到不同质量参数的图像样本。本申请实施例对图像样本的图像质量特征的标签的设置方式不作限定，本领域技术人员可以根据实际训练需要确定。只要可以根据图像清晰度以及预设的清晰度标签训练得到图像质量分类模型即可。该图像质量分类模型可以采用resnet神经网络模型。本申请是实施例对图像质量分类模型采用的网络模型不作限定，本领域技术人员可以根据实际使用需要确定。

在步骤S203中，将多个图像样本的图像质量特征调整为与第一质量类别不同的第二质量类别。

示例性地，通过将图像样本的图像质量特征调整为与第一质量类别不同的第二质量类别，以改变图像样本的图像质量特征的质量标签。如当用于训练图像质量分类模型的所有图像样本的图像清晰度标签全部设置为“第一清晰度”时，可以将所有图像样本的清晰度标签统一调整为“第二清晰度”。当用于训练图像质量分类模型的所有图像样本的图像清晰度标签根据图样样本的清晰度设置为“第一清晰度”和“第二清晰度”时，可以将“第一清晰度”和“第二清晰度”对应的图像样本的标签统一调整为“第三清晰度”；或者是将“第一清晰度”对应的图像样本的标签调整为“第三清晰度”、将“第二清晰度”对应的图像样本的标签调整为“第四清晰度”。本申请实施例对调整前、后的标签类别不作限定，只要保证调整前后和调整后图像标签不同即可。

在步骤S204中，对第一人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对多个图像样本重新进行特征提取，将获取到的图像质量特征输入图像质量分类模型，重复上述训练和特征提取的过程，直至图像质量分类模型的损失值满足目标条件，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出。

示例性地，将调整标签后的图像样本输入第一人脸识别模型，将第一人脸识别模型提取到的图像样本的图像质量特征以及调整后的图像样本的标签输入图像质量分类模型。本领域技术人员可知机器学习模型的损失函数的损失值是用于估量模型的预测值与真实值不一致的程度。基于调整前的标签训练得到的图像质量分类模型对调整标签后的图像质量特征进行分类识别时，图像质量分类模型的识别的结果与图像样本的真实标签存在损失值。利用上一轮图像特征提取网络层的输出作为第一人脸识别模型的输入，对第一人脸模型再次进行训练，，基于训练后的第一人脸识别模型对图像样本的图像质量特征进行提取；将再次提取到的图像质量特征输入到图像质量分类模型，得到图像质量分类模型的损失值。重复上述训练和特征提取的过程，直至图像质量分类模型的损失值满足目标条件。当图像质量分类模型对应的损失值满足目标条件时，表征人脸识别模型学习到的判别标准是基于图像生物特征。该目标条件可以是损失值在目标时长内不发生变化，或者是其他可用于可以减小或避免第一人脸识别模型学习到的判别标准是基于图像质量特征的条件。本申请实施例对该目标时长不作限定，本领域技术人员可以根据实际使用需要确定。本申请实施例对图像质量分类模型采用的损失函数不作限定，本领域技术人员可以根据实际使用需要确定。

结合步骤203描述的标签调整方式，对目标条件进行介绍。例如当用于训练图像质量分类模型的所有图像样本的图像清晰度标签全部设置为“第一清晰度”时，将所有图像样本的清晰度标签统一调整为“第二清晰度”的应用场景。根据上述方案描述可知，图像质量分类模型是基于标签为“第一清晰度”的图像样本训练得到，当将第一人脸识别模型提取到的图像质量特征的标签设置为“第二清晰度”时，基于标签为“第一清晰度”的图像训练得到的图像质量分类模型，对每次训练后第一人脸识别模型提取的图像清晰度特征的识别结果与真实结果之间总是会存在误差。因为无论如何对第一人脸识别模型进行迭代训练，不可能使得图像质量分类模型将提取到的图像清晰度特征的类别识别为“第二清晰度”。故每次对第一人脸识别模型进行训练时，损失值都会产生变动。当第一人脸识别模型提取的图像特征不包含图像质量特征时，图像质量分类模型不能对图像质量特征进行识别，此时图像质量分类模型对应的损失值则不会发生改变。即当第一图像质量分类模的损失值不变时，可以将本次训练得到第一人脸识别模型作为第二人脸识别模型输出。

作为本申请一个可选实施方式，为了避免对图像质量分类模型的损失值变换情况的误判，在步骤S204中，包括：确定图像质量分类模型的损失值满足目标条件的；当时间满足目标时，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出。

示例性地，图像质量分类模型的损失值满足目标条件的可以当相邻两次损失值满足目标条件起开始。该目标可以根据使用需要确定，本申请实施例不作限定。

在步骤S205中，基于第二人脸识别模型对图像进行人脸识别。

本申请实施例提供的人脸识别方法，通过基于第一人脸识别模型提取到的图像质量特征以及预设的第一质量类别训练得到图像质量分类模型，对第一人脸识别模型提取的图像质量特征进行质量类别的标签调整，通过将调整标签后的图像质量特征输入到图像质量分类模型。当图像质量分类模型的损失值满足目标条件时，人脸识别模型学习到的判别标准是基于图像生物特征。整个过程不需要获取相同质量的图像样本，提高了人脸识别模型的训练效率的同时也提高了人脸识别模型的识别准确率。

作为本申请一个可选实施方式，在步骤S204之前，该方法还包括：获取多个测试图像样本，对图像质量分类模型的识别准确率进行验证；根据验证结果，对图像质量分类模型的模型参数进行调整，得到满足识别准确率要求的图像质量分类模型。

示例性地，为了保证训练得到的图像质量分类模型的识别准确率，获取测试图像样本对图像质量分类模型的识别准确率进行验证。该多个测试图像样本可以包括与图像样本的质量参数相同的图像。利用图像质量分类模型对测试图像样本进行识别，确定图像质量分类模型的识别准确率。本申请实施例对测试图像样本不作限定，只要可以根据测试图像样本测试出图像质量分类模型的准确率即可。当识别准确率不满足要求时，对图像质量分类模型的模型参数进行调整，直至满足识别准确率要求。该识别准确率要求可以是识别准确率大于90％。本申请实施例对识别准确率要求不作限定，本领域技术人员可以根据实际需要确定。

图6是根据一示例性实施例示出的一种人脸识别装置框图。参照图6，该装置包括获取模块601、训练模块602、调整模块603、处理模块604、识别模块605。该装置包括。

获取模块601，被配置为执行基于第一人脸识别模型，获取多个图像样本的图像特征，图像样本的图像特征包括图像生物特征和图像质量特征；

训练模块602，被配置为执行基于多个图像样本的图像质量特征以及预设的第一质量类别，训练得到图像质量分类模型；

调整模块603，被配置为执行将多个图像样本的图像质量特征调整为与第一质量类别不同的第二质量类别；

处理模块604，被配置为执行对第一人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对多个图像样本重新进行特征提取，将获取到的图像质量特征输入图像质量分类模型，重复上述训练和特征提取的过程，直至图像质量分类模型的损失值满足目标条件，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出；

识别模块605，被配置为执行基于第二人脸识别模型对图像进行人脸识别。

本申请实施例提供的人脸识别装置，通过基于第一人脸识别模型提取到的图像质量特征以及预设的第一质量类别训练得到图像质量分类模型，对第一人脸识别模型提取的图像质量特征进行质量类别的标签调整，通过将调整标签后的图像质量特征输入到图像质量分类模型。当图像质量分类模型的损失值满足目标条件时，人脸识别模型学习到的判别标准是基于图像生物特征。整个过程不需要获取相同质量的图像样本，提高了人脸识别模型的训练效率的同时也提高了人脸识别模型的识别准确率。

作为本申请一个可选实施方式，第一人脸识别模型包括多个图像特征提取网络层，获取模块601，被配置为执行将第一人脸识别模型中倒数第二个图像特征提取网络层的输出作为图像样本的图像特征。

作为本申请一个可选实施方式，所述目标条件包括对应的所述损失值在目标时长内不发生改变。

作为本申请一个可选实施方式，处理模块604，还被配置为执行获取多个测试图像样本，对所述图像质量分类模型的识别准确率进行验证；根据验证结果，对所述图像质量分类模型的模型参数进行调整，得到满足识别准确率要求的所述图像质量分类模型。

作为本申请一个可选实施方式，第一人脸识别模型和图像质量分类模型采用resnet神经网络模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

基于相同构思，本申请实施例还提供一种电子设备，如图7所示，所述设备包括：

处理器701；

用于存储所述处理器701可执行指令的存储器702；

其中，所述处理器被配置为执行所述命令，以实现如上述实施例所述的人脸识别方法。处理器701和存储器702通过通信总线703连接。

应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field－programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(advanced RISC machines，ARM)架构的处理器。

进一步地，在一种可选的实施例中，上述存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。

该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic random access memory，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data dateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(directrambus RAM，DR RAM)。

本申请提供了一种计算机程序，当计算机程序被计算机执行时，可以使得处理器或计算机执行上述方法实施例中对应的各个步骤和/或流程。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid StateDisk)等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种人脸识别方法，其特征在于，所述方法包括：

基于第一人脸识别模型，获取多个图像样本的图像特征，所述图像样本的图像特征包括图像生物特征和图像质量特征；

基于所述多个图像样本的图像质量特征以及预设的第一质量类别，训练得到图像质量分类模型；

将所述多个图像样本的图像质量特征调整为与所述第一质量类别不同的第二质量类别；

对所述第一人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对所述多个图像样本重新进行特征提取，将获取到的图像质量特征输入所述图像质量分类模型，重复上述训练和特征提取的过程，直至所述图像质量分类模型的损失值满足目标条件，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出；

基于所述第二人脸识别模型对图像进行人脸识别。

2.根据权利要求1所述的方法，其特征在于，所述第一人脸识别模型包括多个图像特征提取网络层，所述基于第一人脸识别模型，获取多个图像样本的图像特征，包括：

将所述第一人脸识别模型中倒数第二个图像特征提取网络层的输出作为所述图像样本的图像特征。

3.根据权利要求1所述的方法，其特征在于，所述目标条件包括对应的所述损失值在目标时长内不发生改变。

4.根据权利要求3所述的方法，其特征在于，所述对所述人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对所述多个图像样本重新进行特征提取，将获取到的图像质量特征输入所述图像质量分类模型之前，所述方法还包括：

获取多个测试图像样本，对所述图像质量分类模型的识别准确率进行验证；

根据验证结果，对所述图像质量分类模型的模型参数进行调整，得到满足识别准确率要求的所述图像质量分类模型。

5.根据权利要求1所述的方法，其特征在于，所述第一人脸识别模型和所述图像质量分类模型采用resnet神经网络模型。

6.一种人脸识别装置，其特征在于，所述装置包括：

获取模块，被配置为执行基于第一人脸识别模型，获取多个图像样本的图像特征，所述图像样本的图像特征包括图像生物特征和图像质量特征；

训练模块，被配置为执行基于所述多个图像样本的图像质量特征以及预设的第一质量类别，训练得到图像质量分类模型；

调整模块，被配置为执行将所述多个图像样本的图像质量特征调整为与所述第一质量类别不同的第二质量类别；

处理模块，被配置为执行对所述第一人脸识别模型进行迭代训练，基于每次训练后的第一人脸识别模型对所述多个图像样本重新进行特征提取，将获取到的图像质量特征输入所述图像质量分类模型，重复上述训练和特征提取的过程，直至所述图像质量分类模型的损失值满足目标条件，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出；

识别模块，被配置为执行基于所述第二人脸识别模型对图像进行人脸识别。

7.根据权利要求6所述的装置，其特征在于，所述第一人脸识别模型包括多个图像特征提取网络层，所述获取模块，被配置为执行将所述第一人脸识别模型中倒数第二个图像特征提取网络层的输出作为所述图像样本的图像特征。

8.根据权利要求6所述的装置，其特征在于，所述处理模块，包括：确定所述图像质量分类模型的损失值满足所述目标条件的时间；当所述时间满足目标时间时，将本次训练得到的第一人脸识别模型作为第二人脸识别模型输出。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的人脸识别方法。

10.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至5中任一项所述的人脸识别方法。