CN111401112B - 人脸识别方法和装置 - Google Patents

人脸识别方法和装置 Download PDF

Info

Publication number
CN111401112B
CN111401112B CN201910005975.6A CN201910005975A CN111401112B CN 111401112 B CN111401112 B CN 111401112B CN 201910005975 A CN201910005975 A CN 201910005975A CN 111401112 B CN111401112 B CN 111401112B
Authority
CN
China
Prior art keywords
face image
sample face
score
category
respect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910005975.6A
Other languages
English (en)
Other versions
CN111401112A (zh
Inventor
王晓波
石海林
汪硕
傅天宇
梅涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201910005975.6A priority Critical patent/CN111401112B/zh
Publication of CN111401112A publication Critical patent/CN111401112A/zh
Application granted granted Critical
Publication of CN111401112B publication Critical patent/CN111401112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种人脸识别方法，包括：获取带有标签类别的样本人脸图像；将样本人脸图像输入第一训练模型，得到所述样本人脸图像的第一结果，该第一结果包括所述样本人脸图像关于各类别的得分；当第一结果和标签类别不相匹配时，基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率；基于降低后的分布概率获得所述样本人脸图像关于第一训练模型的损失值，基于所述损失值优化第一训练模型的参数，得到更新的第一训练模型；当满足一定条件时，将更新的第一训练模型作为最优模型；以及基于所述最优模型对待识别人脸图像进行识别。本公开还提供了一种人脸识别装置、一种计算机设备以及一种计算机可读存储介质。

Description

人脸识别方法和装置
技术领域
本公开涉及计算机技术领域，更具体地，涉及一种人脸识别方法和装置。
背景技术
人脸识别(Face Recognition)是模式识别和计算机视觉研究领域的基础研究问题之一，有很大的实际应用价值，广泛应用在人脸门禁、无人超市、无人仓储物流中、智能机器人等。人脸识别主要解决的问题是：学习出判别性较强的人脸识别特征，使得同一个人的类内特征比较接近，而不同人之间的特征尽可能远，以达到识别人脸身份的目的。
近年来，随着深度学习与卷积神经网络(Convolutional Neural Network)的发展，人脸识别技术得到了极大的发展，很多场景都应用到了人脸识别技术。但是对于监控视频，人脸门禁和无人超市等场景，人脸识别的性能仍然有待提升。究其原因，主要是由于场景的变化程度大，导致人脸特征的判别性不强，失去了有效性。
发明内容
有鉴于此，本公开提供了一种改进的人脸识别方法和装置。
本公开的一个方面提供了人脸识别方法，包括：获取样本人脸图像，其中所述样本人脸图像带有标签类别；将所述样本人脸图像输入第一训练模型，得到所述样本人脸图像的第一结果，其中所述第一结果包括所述样本人脸图像关于各类别的得分；当所述样本人脸图像的第一结果和标签类别不相匹配时，基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率；基于降低后的所述分布概率获得所述样本人脸图像关于第一训练模型的损失值，基于所述损失值优化第一训练模型的参数，得到更新的第一训练模型；当所述样本人脸图像关于更新的第一训练模型的损失值小于预设阈值时，将更新的第一训练模型作为最优模型；以及，获取待识别人脸图像，基于所述最优模型对所述待识别人脸图像进行识别。
根据本公开的实施例，在上述得到所述样本人脸图像的第一结果之后，上述方法还包括：将所述样本人脸图像关于所述标签类别的得分与所述样本人脸图像关于除所述标签类别之外的其他类别的得分进行比较；当关于所述标签类别的得分大于等于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和所述标签类别相匹配；以及，当关于所述标签类别的得分小于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和标签类别不相匹配。
根据本公开的实施例，上述基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率包括：增大与所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标。
根据本公开的实施例，上述增大所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标包括：增加与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
根据本公开的实施例，上述增加所述样本人脸图像关于所述其他类别的得分对应的指标的权重包括：定义指示函数，其中，当所述样本人脸图像的第一结果和标签类别相匹配时，所述指定函数的取值为1，当所述样本人脸图像的第一结果和标签类别不相匹配时，所述指示函数的取值大于1；将所述指示函数作为与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
根据本公开的实施例，上述增大所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标包括：利用第一间隔函数基于所述其他类别的取值替代所述样本人脸图像关于所述其他类别的得分，其中，所述第一间隔函数被设置为基于所述其他类别的取值大于所述样本人脸图像关于所述其他类别的得分。
根据本公开的实施例，上述基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率还包括：利用第二间隔函数基于所述标签类别的取值替代所述样本人脸图像关于所述标签类别的得分，其中，所述第二间隔函数被设置为基于所述标签类别的取值小于所述样本人脸图像关于所述标签类别的得分。
根据本公开的实施例，上述基于降低后的所述分布概率获得所述样本人脸图像关于第一训练模型的损失值包括：根据降低后的所述分布概率和软最大化交叉熵损失函数，计算得到所述样本人脸图像关于第一训练模型的损失值。
本公开的另一个方面提供了一种人脸识别装置，包括：获取模块、训练模块、调整模块、更新模块和识别模块。获取模块用于获取样本人脸图像，其中所述样本人脸图像带有标签类别。训练模块用于将所述样本人脸图像输入第一训练模型，得到所述样本人脸图像的第一结果，其中所述第一结果包括所述样本人脸图像关于各类别的得分。调整模块用于当所述样本人脸图像的第一结果和标签类别不相匹配时，基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率。更新模块用于基于降低后的所述分布概率获得所述样本人脸图像关于第一训练模型的损失值，基于所述损失值优化第一训练模型的参数，得到更新的第一训练模型，当所述样本人脸图像关于更新的第一训练模型的损失值小于预设阈值时，将更新的第一训练模型作为最优模型。以及，识别模块用于获取待识别人脸图像，基于所述最优模型对所述待识别人脸图像进行识别。
根据本公开的实施例，上述装置还包括判断模块，用于在所述训练模块得到所述样本人脸图像的第一结果之后，将所述样本人脸图像关于所述标签类别的得分与所述样本人脸图像关于除所述标签类别之外的其他类别的得分进行比较；当关于所述标签类别的得分大于等于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和所述标签类别相匹配；以及，当关于所述标签类别的得分小于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和所述标签类别不相匹配。
根据本公开的实施例，调整模块包括第一调整子模块，用于增大与所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标。
根据本公开的实施例，第一调整子模块用于增加与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
根据本公开的实施例，第一调整子模块用于定义指示函数，其中，当所述样本人脸图像的第一结果和所述标签类别相匹配时，所述指定函数的取值为1，当所述样本人脸图像的第一结果和所述标签类别不相匹配时，所述指示函数的取值大于1；将所述指示函数作为与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
根据本公开的实施例，第一调整子模块用于利用第一间隔函数基于所述其他类别的取值替代所述样本人脸图像关于所述其他类别的得分，其中，所述第一间隔函数被设置为基于所述其他类别的取值大于所述样本人脸图像关于所述其他类别的得分。
根据本公开的实施例，调整模块还包括第二调整子模块，用于利用第二间隔函数基于所述标签类别的取值替代所述样本人脸图像关于所述标签类别的得分，其中，所述第二间隔函数被设置为基于所述标签类别的取值小于所述样本人脸图像关于所述标签类别的得分。
根据本公开的实施例，更新模块用于根据降低后的所述分布概率和软最大化交叉熵损失函数，计算得到所述样本人脸图像关于第一训练模型的损失值。
本公开的另一方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例，可以至少部分地解决/减轻/抑制/甚至避免现有技术学习判别性特征的能力不强的问题，明确了难样本的定义，针对确定为难样本的样本人脸图像，增大了该样本人脸图像关于当前模型的损失值，使得模型在后续训练中更加偏重于基于难样本的辨别性特征进行优化，最终训练得到对于难样本也可以计算得到符合实际情况的第一结果的最优模型，即对于难样本也可以进行良好预测的最优模型，再利用训练得到的最优模型对待识别人脸图像进行识别，可以得到更准确的人脸识别结果。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的可以应用人脸识别方法和装置的示例性系统架构；
图2示意性示出了根据本公开的实施例的人脸识别方法的流程图；
图3A示意性示出了根据本公开的实施例的第一训练模型的输出部分的示意图；
图3B示意性示出了根据本公开的实施例的支持向量的示意图；
图3C示意性示出了根据本公开的实施例的计算样本人脸图像关于第一训练模型的损失值的示意图；
图3D示意性示出了根据本公开的实施例的增加类间间隔的示意图；
图3E示意性示出了根据本公开的实施例的优化后的支持向量的示意图；
图4示意性示出了根据本公开的实施例的人脸识别装置的框图；
图5示意性示出了根据本公开的另一实施例的人脸识别装置的框图；
图6示意性示出了根据本公开的实施例的调整模块的框图；以及
图7示意性示出了根据本公开实施例的计算机设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种人脸识别方法以及能够应用该方法的装置。该方法包括模型训练阶段和识别阶段。在模型训练阶段，将带有标签类别的样本人脸图像输入第一训练模型，对于第一结果和标签类别不匹配的样本人脸图像，基于预设规则增大所述样本人脸图像关于第一训练模型的损失值，基于所述损失值优化第一训练模型的参数，得到更新的第一训练模型，以此类推，直至损失值小于预设阈值时，最终的第一训练模型为最优模型。然后进入识别阶段，利用最优模型对待识别人脸图像进行识别。
图1示意性示出了根据本公开实施例的可以应用人脸识别方法和装置的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括终端设备101，网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互，以输入待识别人脸图像或获得人脸识别结果等。终端设备101可以是能够采集人脸图像的各种电子设备，包括但不限于智能门锁、智能安检设备、智能手机、膝上型便携计算机和台式计算机等等。
服务器103可以是提供各种服务的服务器，例如对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的结果、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的人脸识别方法可以由服务器103执行。相应地，本公开实施例所提供的人脸识别装置可以设置于服务器103中。例如，服务器103利用大量样本人脸图像进行模型训练，得到最优模型，用户向终端设备101输入待识别人脸图像，终端设备101通过网络102将所述待识别人脸图像发送至服务器103，服务器103利用其中的最优模型对所述待识别人脸图像进行识别，得到人脸识别结果。服务器103通过网络102将人脸识别结果发送至终端设备101，终端设备101根据该人脸识别结果执行相应操作。或者，本公开实施例所提供的人脸识别方法也可以由不同于服务器103且能够与服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的人脸识别装置也可以设置于不同于服务器103且能够与服务器103通信的服务器或服务器集群中。
或者，本公开实施例所提供的人脸识别方法可以由终端设备101执行。相应地，本公开实施例所提供的人脸识别装置可以设置于终端设备101中。例如，终端设备101利用大量样本人脸图像进行模型训练，得到最优模型，用户向终端设备101输入待识别人脸图像，终端设备101利用其中的最优模型对所述待识别人脸图像进行识别，根据人脸识别结果执行相应操作。或者，本公开实施例所提供的人脸识别方法也可以由终端设备101和服务器103共同执行，服务器103执行模型训练部分，将训练得到的最优模型发送至终端设备101，终端设备101执行识别过程并根据人脸识别结果执行相应操作。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开的实施例的人脸识别方法的流程图。
如图2所示，该方法包括在操作S201，获取样本人脸图像，其中所述样本人脸图像带有标签类别。
然后，在操作S202，将所述样本人脸图像输入第一训练模型，得到所述样本人脸图像的第一结果，其中所述第一结果包括所述样本人脸图像关于各类别的得分。
本操作中，第一结果是指在将所述样本人脸图像输入第一训练模型后，第一训练模型输出的关于所述样本人脸图像的计算结果。
在操作S203，当所述样本人脸图像的第一结果和标签类别不相匹配时，基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率。
在操作S204，基于降低后的所述分布概率获得所述样本人脸图像关于第一训练模型的损失值，基于所述损失值优化第一训练模型的参数，得到更新的第一训练模型。
在操作S205，当所述样本人脸图像关于更新的第一训练模型的损失值小于预设阈值时，将更新的第一训练模型作为最优模型。
以及，在操作S206，获取待识别人脸图像，基于所述最优模型对所述待识别人脸图像进行识别。
需要说明的是，第一训练模型为对应于多个类别的分类模型，样本人脸图像带有的标签类别表明在多个类别中该样本人脸图像真实所属的类别。当将样本人脸图像输入第一训练模型后，经过第一训练模型中的运算处理，输出该样本人脸图像的第一结果，具体地，输出该样本人脸图像关于各类别的得分，表示第一训练模型所计算的该样本人脸图像属于各类别的倾向评分。基于该人脸图像关于其标签类别的得分以及该人脸图像关于各类别的得分可以得到该样本人脸图像关于标签类别的得分相对于所述第一结果的分布概率，该分布概率表示第一训练模型所计算的该样本人脸图像属于其标签类别的可能性。该分布概率越高，越接近真实情况，该样本人脸图像关于第一训练模型的损失值就越小，表明第一训练模型的第一结果越准确，该分布概率越低，越远离真实情况，该样本人脸图像关于第一训练模型的损失值就越大，表明第一训练模型的第一结果越不准确，需要继续训练，以得到更准确的第一结果。
可见，图2所示的方法在利用样本人脸图像进行模型训练时，当样本人脸图像的第一结果与其标签类别不相匹配时，说明当前训练模型难以学习到该样本人脸图像的判别性特征，确定该样本人脸图像为难样本。针对确定为难样本的样本人脸图像，降低该样本人脸图像关于其标签类别的得分相对于第一结果的分布概率，即降低该样本人脸图像在其真实类别的得分相对于第一结果的分布概率，相当于增大了该样本人脸图像关于当前模型的损失值，使得模型在后续训练中更加偏重于基于难样本的辨别性特征进行优化，最终训练得到对于难样本也可以计算得到符合实际情况的第一结果的最优模型，即对于难样本也可以进行进行良好预测的最优模型。然后，利用训练得到的最优模型对待识别人脸图像进行识别，可以得到更准确的人脸识别结果。
在本公开的一个实施例中，在操作S202得到所还样本人脸图像的第一结果之后，图2所示的方法还包括：将所述样本人脸图像关于所述标签类别的得分与所述样本人脸图像关于除所述标签类别之外的其他类别的得分进行比较。当关于所述标签类别的得分大于等于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和所述标签类别相匹配；以及，当关于所述标签类别的得分小于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和标签类别不相匹配。
例如，第一训练模型对应于5个类别：类别1、类别2、类别3、类别4和类别5，样本人脸图像A的标签类别为类别2，表明该样本人脸图像A的真实类别为类别2。将该样本人脸图像A输入第一训练模型，第一训练模型输出第一结果，该第一结果包括：该样本人脸图像A关于类别1的得分a1，该样本人脸图像A关于类别2的得分a2，该样本人脸图像A关于类别3的得分a3，该样本人脸图像A关于类别4的得分a4，该样本人脸图像A关于类别5的得分a5。将该样本人脸图像A关于其标签类别(类别2)的得分(a2)与该样本人脸图像A关于除其标签类别之外的其他类别(类别1，类别3，类别4，类别5)的得分(a1，a3，a4，a5)进行比较。当a2大于等于所有其他得分时，确定该样本人脸图像A的第一结果和其标签类别(类别2)相匹配，当a2小于其他得分之一时，确定该样本人脸图像A的第一结果和其标签类别(类别2)不相匹配。当该样本人脸图像A的第一结果和其标签类别不相匹配时，确定该样本人脸图像A为难样本，需要通过降低该样本人脸图像A关于其标签类别(类别2)的得分a2相对于第一结果的分布概率。
依据本公开实施例，进一步明确了模型训练过程中对于模型来说难以学习到判断性特征的难样本的定义，对于任一样本人脸图像，直接可根据该样本人脸图像的标签类别和当前模型对该样本人脸图像的第一结果划分该该样本人脸图像属于难样本还是容易样本，清晰明确，便于后续训练过程的区分对待。
在本公开的一个实施例中，操作S203基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率包括：增大与所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标。
沿用上文中的例子，样本人脸图像A关于其标签类别的得分相对于第一结果的分布概率具体为：样本人脸图像A关于类别2的得分a2相对于第一结果的原始分布概率P，通常情况下可以写成：
其中，f(a1)为与样本人脸图像A关于类别1的得分对应的指标，f(a2)为与样本人脸图像A关于类别2的得分对应的指标，f(a3)为与样本人脸图像A关于类别3的得分对应的指标，f(a4)为与样本人脸图像A关于类别4的得分对应的指标，f(a5)为与样本人脸图像A关于类别5的得分对应的指标。f(a)是与a正相关的函数。依据本实施例的方案，当确定样本人脸图像A为难样本时，增大与样本人脸图像A关于除所述标签类别之外的其他类别(类别1，类别3，类别4，类别5)的得分(a1，a3，a4，a5)对应的指标，即增大上述概率分布公式中与样本人脸图像A关于类别1的得分对应的指标f(a1)，增大上述概率分布公式中与样本人脸图像A关于类别3的得分对应的指标f(a3)，增大上述概率分布公式中与样本人脸图像A关于类别4的得分对应的指标f(a4)，增大上述概率分布公式中与样本人脸图像A关于类别5的得分对应的指标f(a5)，使得分布概率P的分母增大，分布概率P整体降低。
作为一个可选的实施例，上述增大所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标包括：增加与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
沿用上文中的例子，样本人脸图像A关于类别2的得分a2相对于第一结果的原始分布概率P可以进一步表示为：
当确定样本人脸图像A为难样本时，增加与样本人脸图像A关于其他类别(类别1，类别3，类别4，类别5)的得分(a1，a3，a4，a5)对应的指标的权重，即增加的权重，原始分布概率P中/>的权重为1，则设置大于1的权重α，使得降低后的样本人脸图像A关于类别2的得分a2相对于第一结果的分布概率P’为：
依据本公开的实施例，通过增加与难样本关于除其真实类别之外的其他类别的得分对应的指标的权重来降低难样本在真实类别中的分布概率，使得难样本相对于当前模型的损失值变大，提高模型训练对难样本的判别性特征的关注程度。
具体地，上述增加所述样本人脸图像关于所述其他类别的得分对应的指标的权重包括：定义指示函数，其中，当所述样本人脸图像的第一结果和标签类别相匹配时，所述指定函数的取值为1，当所述样本人脸图像的第一结果和标签类别不相匹配时，所述指示函数的取值大于1。将所述指示函数作为与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
作为另一个可选的实施例，上述增大所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标包括：利用第一间隔函数基于所述其他类别的取值替代所述样本人脸图像关于所述其他类别的得分，其中，所述第一间隔函数被设置为基于所述其他类别的取值大于所述样本人脸图像关于所述其他类别的得分。
沿用上文中的例子，样本人脸图像A关于类别2的得分a2相对于第一结果的原始分布概率P为：
当确定样本人脸图像A为难样本时，利用第一间隔(Margin)函数M1()基于其他类别(类别1，类别3，类别4，类别5)的取值替代样本人脸图像A关于其他类别(类别1，类别3，类别4，类别5)的得分(a1，a3，a4，a5)，即利用M1()基于类别1的取值M1(1)替代a1，利用M1()基于类别3的取值M1(3)替代a3，利用M1()基于类别4的取值M1(4)替代a4，利用M1()基于类别5的取值M1(5)替代a5。使得降低后的样本人脸图像A关于类别2的得分a2相对于第一结果的分布概率P’为：
其中，M1()基于类别1的取值M1(1)大于a1，M1()基于类别3的取值M1(3)大于a3，M1()基于类别4的取值M1(4)大于a4，M1()基于类别5的取值M1(5)大于a5。
依据本公开的实施例，当样本人脸图像A关于类别2的得分a2相对于第一结果的分布概率为P时，相应的样本人脸图像A关于当前模型的损失值与分布概率成反比，当前模型的优化目标为降低该损失值，即优化目标是：使得样本人脸图像关于标签类别的得分大于该样本人脸图像关于其他类别的得分。而当利用第一间隔函数替换样本人脸图像A关于其他类别的得分来降低样本人脸图像A在真实类别中的分布概率，相应的调整后的样本人脸图像A关于当前模型的损失值与分布概率P’成反比，当前模型的优化目标为降低该调整后的损失值，即优化目标变为：使得样本人脸图像关于标签类别的得分大于第一间隔函数基于其他类别的取值。由于该第一间隔函数基于其他类别的取值大于样本人脸图像A关于其他类别的得分，相当于在样本人脸图像A关于标签类别的得分和样本人脸图像A关于其他类别的得分之间添加了一个间距，且该间距的大小等于第一间隔函数基于其他类别的取值，从其他类别角度出发考虑了真实类别和其他类别之间的间距，使得最终训练出的最优模型不仅对于样本个体的计算效果好，计算结果符合样本个体的真实类别，而且对于多个样本的计算结果的分布也合理。
进一步地，在本公开的一个实施例中，操作S203基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率还包括：利用第二间隔函数基于所述标签类别的取值替代所述样本人脸图像关于所述标签类别的得分，其中，所述第二间隔函数被设置为基于所述标签类别的取值小于所述样本人脸图像关于所述标签类别的得分。
沿用上文中的例子，样本人脸图像A关于类别2的得分a2相对于第一结果的原始分布概率P为：
当确定样本人脸图像A为难样本时，利用第二间隔函数M2()基于标签类别(类别2)的取值替代样本人脸图像A关于标签类别(类别2)的得分(a2)，即利用M2()基于类别2的取值M2(2)替代a2。使得降低后的样本人脸图像A关于类别2的得分a2相对于第一结果的分布概率P’为：
其中，M2()基于类别2的取值M2(2)小于a2。
再根据上文所述的实施例，利用第一间隔函数替换样本人脸图像A关于其他类别的得分来降低样本人脸图像A在真实类别中的分布概率，则最终降低后的样本人脸图像A关于类别2的得分a2相对于第一结果的分布概率P”为：
依据本公开的实施例，当样本人脸图像A关于类别2的得分a2相对于第一结果的分布概率为P时，相应的样本人脸图像A关于当前模型的损失值与分布概率成反比，当前模型的优化目标为降低该损失值，即优化目标是：使得样本人脸图像关于标签类别的得分大于该样本人脸图像关于其他类别的得分。而当利用第一间隔函数替换样本人脸图像A关于其他类别的得分，利用第二间隔函数替换样本人脸图像A关于标签类别的得分，相应的调整后的样本人脸图像A关于当前模型的损失值与分布概率P”成反比，当前模型的优化目标为降低该调整后的损失值，即优化目标变为：使得第二间隔函数基于标签类别的取值大于第一间隔函数基于其他类别的取值。由于该第一间隔函数基于其他类别的取值大于样本人脸图像A关于其他类别的得分，该第二间隔函数基于标签类别的取值小于样本人脸图像A关于标签类别的得分，相当于在样本人脸图像A关于标签类别的得分和样本人脸图像A关于其他类别的得分之间添加了两个间距，第一个间距的大小等于第二间隔函数基于标签类别的取值，第二个间距的大小等于第一间隔函数基于其他类别的取值，从标签类别以及其他类别多角度出发考虑了真实类别和其他类别之间的间距，使得最终训练出的最优模型不仅对于样本个体的计算效果好，符合样本个体的真实类别，而且对于多个样本的计算结果的分布更加合理。
在本公开的一个实施例中，操作S204基于降低后的所述分布概率获得所述样本人脸图像关于第一训练模型的损失值包括：根据降低后的所述分布概率和软最大化交叉熵损失函数，计算得到所述样本人脸图像关于第一训练模型的损失值。
沿用上文中的例子，根据软最大化交叉熵损失函数，f(x)＝ex，因此，与样本人脸图像A关于类别1的得分对应的指标为与样本人脸图像A关于类别2的得分对应的指标为/>与样本人脸图像A关于类别3的得分对应的指标为/>与样本人脸图像A关于类别4的得分对应的指标为/>与样本人脸图像A关于类别5的得分对应的指标为/>样本人脸图像A关于类别2的得分a2相对于第一结果的原始分布概率P为：
当确定样本人脸图像A为难样本时，基于预设规则降低后的样本人脸图像A关于类别2的得分a2相对于第一结果的分布概率为P’。则据降低后的所述分布概率P’和软最大化交叉熵损失函数，计算得到所述样本人脸图像A关于第一训练模型的损失值为：
L＝-log(P′)
可以看出，通过降低难样本关于真实类别的得分相对于第一结果的分布概率，增大了该难样本关于当前模型的损失值，使得当前模型基于该损失值更偏重对难样本判别性特征的学习和优化。
在本公开的一个实施例中，多个样本人脸图像所带有的标签类别是按照样本人脸图像是否属于同一人而划分的，即属于同一人的样本人脸图像的标签类别相同，属于不同人的样本人脸图像的标签类别不同。基于多个样本图像按照上述方法训练得到最优模型。在此基础上，操作S206基于最优模型对待识别人脸图像进行识别具体可以为：将待识别人脸图像输入最优模型中，经由第一模型计算得到该待识别人脸图像所属的类别，即识别出该待识别人脸图像对应于哪一个人。
下面参考图3A～图3E，结合具体实施例对图2所示的方法做进一步说明。
图3A示意性示出了根据本公开的实施例的第一训练模型的输出部分的示意图。
本例中第一训练模型为卷积神经网络模型，第一训练模型包括卷积层、池化层、全连接层、损失层等，图3A仅示出全连接层和损失层对应的输出部分，以说明本公开实施例中所用到的相关数据。
如图3A所示，第一训练模型对应于K个类别，样本人脸图像A的标签类别为类别y。样本人脸图像A输入第一训练模型，经过全连接层之前的多个卷积层和池化层的运算，得到特征向量x，即全连接层的输入为特征向量x。全连接层具有参数矩阵W，该矩阵W包括K个向量(w1，w2，…，wK)。经过该全连接层得到样本人脸图像A关于各类别的得分，即样本人脸图像A关于类别i的得分为：
样本人脸图像A关于类别i的得分等于向量wi的转置与向量x的乘积，相当于向量wi的模乘以向量x的模再乘以二者夹角的余弦值。也就是说，经过全连接层得到K个类别的得分，将这K个类别的得分称为第一训练模型对于样本人脸图像A的第一结果。在人脸识别场景中，通常将向量wi的模和向量x的模归一化，使得向量wi的模和向量x的模的乘积si归一化为s，s为尺度调节参数，一般设定为30。
然后在全连接层后面还接一个损失层，该损失层的激活函数为软最大化熵函数(softmax)。K个类别的得分输入该损失层，得到样本人脸图像A关于各类别的得分相对于第一结果的分布概率，即样本人脸图像A关于类别i的得分相对于第一结果的分布概率为：
其中，为样本人脸图像A关于类别i的得分的指标，样本人脸图像A关于类别i的得分相对于第一结果的分布概率等于：样本人脸图像A关于类别i的得分的指标除以样本人脸图像A关于所有类别的得分的指标之和，表示当前第一训练模型通过计算预测的样本人脸图像A属于类别i的概率。
在上述基础上，需要确定样本人脸图像A是难样本还是容易样本，进而进行不同的后续处理，其中，难样本是指当前第一训练模型难以学习到其判别性特征的样本人脸图像，而容易样本是指当前第一训练模型容易学习到其判别性特征的样本人脸图像。基于本公开实施例的方案，给出了难样本的明确定义：当样本人脸图像A的第一结果与其标签类别相匹配时，即样本人脸图像A第一结果与真实类别一致时，说明第一结果正确，确定样本人脸图像A为容易样本，当样本人脸图像A的第一结果与其标签类别不相匹配时，即样本人脸图像A第一结果与真实类别不一致时，说明第一结果错误，确定样本人脸图像A为难样本。
具体地，样本人脸图像A的标签类别为类别y，样本人脸图像A关于类别y的得分为：
样本人脸图像A关于除类别y之外的其他类别的得分为：
当样本人脸图像A关于类别y的得分大于等于样本人脸图像A关于除类别y之外的其他类别的得分时，第一结果与标签类别相匹配，样本人脸图像A为容易样本，当样本人脸图像A关于类别y的得分小于样本人脸图像A关于除类别y之外的其他类别的得分时，第一结果与标签类别不相匹配，样本人脸图像A为难样本。
根据此思想，定义一个二值指示函数Ik：
从以上定义可知，当样本人脸图像A的第一结果分类错误时，即时，则样本人脸图像A是难样本，第一驯良模型在学习的时候需要重点考虑。而当/>则样本人脸图像A是容易样本，此时已经暂时分对。因此，重点考虑那些被分错的难样本，并称之为支持向量(SupportVectors)。
图3B示意性示出了根据本公开的实施例的支持向量的示意图。
如图3B所示，在向量空间中，当样本人脸图像A对应的特征向量x(为加以区分，此处表示为xj)落入与标签类别对应的参数向量wy较近的区域时，相应的二值指示函数Ik，j＝0，特征向量xj为不支持向量。当样本人脸图像A对应的特征向量x(为加以区分，此处表示为xi)落入与其他类别对应的参数向量wk较近的区域时，/>相应的二值指示函数Ik，i＝1，特征向量xi为支持向量。
则基于支持向量引导的软最大化交叉熵损失函数(SV-Softmax Loss)的具体形式可写成：
其中，t是一个预设的超参数，权重指示函数的具体形式为：
本例中取t大于1，当样本人脸图像A对应的特征向量x为不支持向量时，上述基于支持向量引导的软最大化交叉熵损失函数等于原始的软最大化交叉熵损失函数(Softmax Loss)：
可以看出，当样本人脸图像A为容易样本时，样本人脸图像A关于当前第一训练模型的损失值与当前第一训练模型通过计算预测的样本人脸图像A属于类别y(真实类别)的概率成反比。
当样本人脸图像A对应的特征向量x为支持向量时，Ik＝1，相对于当前第一训练模型通过计算预测的样本人脸图像A属于类别y(真实类别)的原始概率Py，本实施例增大了样本人脸图像A关于除类别y之外的其它类别的得分的指标的权重，使得当前第一训练模型通过计算预测的样本人脸图像A属于类别y(真实类别)的概率降低。也就是说，当样本人脸图像A为难样本时，通过降低当前第一训练模型通过计算预测的样本人脸图像A属于类别y(真实类别)的概率，使得样本人脸图像A关于当前第一训练模型的损失值增大，后续第一训练模型基于该损失值进行训练时，会更加偏重于对于该难样本的辨别性特征的学习，如此循环迭代，每一次的训练均基于上述逻辑反馈损失值，直至训练得到最优模型。然后可以利用训练得到的最优模型对待识别人脸图像进行识别。其中，样本人脸图像的标签类别是按照人来划分的，属于同一人的样本人脸图像的标签类别相同，属于不同人的样本人脸图像的标签类别不同，经由最优模型对待识别人脸图像的识别，可以计算得到待识别人脸图像所属的类别，即识别出与待识别人脸图像对应的人。
图3C示意性示出了根据本公开的实施例的计算样本人脸图像关于第一训练模型的损失值的示意图。
假设有两个样本人脸图像A和B，样本人脸图像A对应于特征向量x1，样本人脸图像B对应于特征向量x2，样本人脸图像A和B的标签类别均为类别1，样本人脸图像A为难样本，样本人脸图像B为不容易样本。
图3C示出了将本实施例基于上述基于支持向量引导的软最大化交叉熵损失函数计算样本人脸图像A和B关于当前第一训练模型的损失值的方案。本实施例通过上文中的二值指示函数明确地定义了难样本，特征向量x1为支持向量，特征向量x2为不支持向量。对于难样本或支持向量x1，通过权重指示函数来降低其属于真实标签的概率值，使得样本人脸图像A关于当前第一训练模型的损失值loss1*相对于原始损失值loss1增大，而样本人脸图像B属于真实标签的概率值不变，使得样本人脸图像B关于当前第一训练模型的损失值loss2相对于原始损失值loss2不变，即：
即本实施例从降低难样本属于真实类别的概率的角度出发来集中优化难样本。
并且，当样本人脸图像A为难样本时，上述基于支持向量引导的软最大化交叉熵损失函数可以变形为：
其中，定义为：
Ik＝1
可以看出，相对于当前第一训练模型通过计算预测的样本人脸图像A属于类别y(真实类别)的原始概率Py，本实施例利用取值较大的第一间隔函数/>替代样本人脸图像A关于除类别y之外的其它标签的得分，使得当前第一训练模型通过计算预测的样本人脸图像A属于类别y(真实类别)的概率降低。对于基于原始的软最大化交叉熵损失函数得到的损失值来说，第一训练模型的优化目标是使得而对于基于本实施例的基于支持向量引导的软最大化交叉熵损失函数得到的损失值来说，由于利用/>替代了样本人脸图像A关于除类别y之外的其它标签的得分，第一训练模型的优化目标变为使得/> 相当于在真实类别(类别y)和其它类别(类别k)之间增加了第一间隔/>该第一间隔是从其他类别角度出发计算出来的，使得第一训练模型在不断优化过程中学习将不同类别的特征尽量区别开。
进一步地，还可以对上述基于支持向量引导的软最大化交叉熵损失函数进行优化，优化后的基于支持向量引导的软最大化交叉熵损失函数的具体形式为：
其中，定义为：
此时，
可以看出，本实施例利用取值较小的第二间隔函数替代样本人脸图像A关于类别y的得分，使得当前第一训练模型通过计算预测的样本人脸图像A属于类别y(真实类别)的概率进一步降低。对于基于本实施例的上述基于支持向量引导的软最大化交叉熵损失函数得到的损失值来说，第一训练模型的优化目标为使得/>而对于基于本实施例的优化后的基于支持向量引导的软最大化交叉熵损失函数得到的损失值来说，由于利用/>替代了样本人脸图像A关于类别y的得分，第一训练模型的优化目标进一步变为使得相当于在真实类别(类别y)和其它类别(类别k)之间进一步增加了第二间隔/>该第二间隔是从真实类别角度出发计算出来的，使得第一训练模型在不断优化过程中学习将不同类别的特征尽量区别开。
图3D示意性示出了根据本公开的实施例的增加类间间隔的示意图。
本例中，样本人脸图像A对应的特征向量x为支持向量，共有两个类别：类别1和类别2，样本人脸图像A的标签类别是类别1。图3D的左侧示出了第一间隔，特征向量x与参数向量w2的夹角为θ2，第一间隔为t cos(θ2)+t-1，在样本人脸图像A关于当前第一训练模型的损失值中增加该第一间隔，使得第一训练模型的优化目标为图3D的右侧示出了第二间隔，特征向量x与参数向量w1的夹角为θ1，第二间隔为cos(m1θ1+m3)-m2，在样本人脸图像A关于当前第一训练模型的损失值中增加该第二间隔，使得第一训练模型的优化目标为/>
而上述优化后的基于支持向量引导的软最大化交叉熵损失函数则是在样本人脸图像A关于当前第一训练模型的损失值中同时增加了第一间隔和第二间隔，使得第一训练模型的优化目标为cos(m1θ1+m3)-m2≥t cos(θ2)+t-1。
图3E示意性示出了根据本公开的实施例的优化后的支持向量的示意图。
如图3E所示，在向量空间中，参数向量w1和参数向量w2之间被第一间隔函数和第二间隔函数划分为三个区域。当样本人脸图像A的标签类别为类别1时，如果经过第一训练模型的与样本人脸图像A对应的特征向量x落入与第一区域时，相应的二值指示函数Ik＝0，特征向量x为不支持向量；如果经过第一训练模型的与样本人脸图像A对应的特征向量x落入与第二区域或第三区域时，相应的二值指示函数Ik＝1，特征向量x为支持向量。当样本人脸图像A的标签类别为类别2时，如果经过第一训练模型的与样本人脸图像A对应的特征向量x落入与第三区域时，相应的二值指示函数Ik＝0，特征向量x为不支持向量；如果经过第一训练模型的与样本人脸图像A对应的特征向量x落入与第一区域或第二区域时，相应的二值指示函数Ik＝1，特征向量x为支持向量。
可以看出，由于与优化后的基于支持向量引导的软最大化交叉熵损失函数对应的第一训练模型的优化目标的改变，支持向量的定义也有相应的变化，难样本的范围进一步扩大，促进第一训练模型的进一步优化。
基于上述各实施例对第一训练模型进行反复训练，直至训练得到最优模型，利用三个公共测试集LFW6、MegaFace6和Trillion Pairs7分别对该最优模型进行测试，确认该最优模型对于不同复杂程度的样本人脸图像均具有良好的计算性能，得到的计算结果与样本人脸图像的真实类别符合程度较高，可以基于该最优模型对待识别人脸图像进行识别。
图4示意性示出了根据本公开的实施例的人脸识别装置的框图。如图4所示，人脸识别装置400包括：获取模块410、训练模块420、调整模块430、更新模块440和识别模块450。
获取模块410用于获取样本人脸图像，其中所述样本人脸图像带有标签类别。
训练模块420用于将所述样本人脸图像输入第一训练模型，得到所述样本人脸图像的第一结果，其中所述第一结果包括所述样本人脸图像关于各类别的得分。
调整模块430用于当所述样本人脸图像的第一结果和标签类别不相匹配时，基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率。
更新模块440用于基于降低后的所述分布概率获得所述样本人脸图像关于第一训练模型的损失值，基于所述损失值优化第一训练模型的参数，得到更新的第一训练模型，当所述样本人脸图像关于更新的第一训练模型的损失值小于预设阈值时，将更新的第一训练模型作为最优模型。
以及，识别模块450用于获取待识别人脸图像，基于所述最优模型对所述待识别人脸图像进行识别。
在本公开的一个实施例中，更新模块440用于根据降低后的所述分布概率和软最大化交叉熵损失函数，计算得到所述样本人脸图像关于第一训练模型的损失值。
图5示意性示出了根据本公开的另一实施例的人脸识别装置的框图。如图5所示，人脸识别装置500包括：获取模块410、训练模块420、调整模块430、更新模块440、识别模块450和判断模块460。
其中，获取模块410、训练模块420、调整模块430、更新模块440和识别模块450在上文中已经说明，重复的部分不再赘述。
判断模块460用于在所述训练模块得到所述样本人脸图像的第一结果之后，将所述样本人脸图像关于所述标签类别的得分与所述样本人脸图像关于除所述标签类别之外的其他类别的得分进行比较；当关于所述标签类别的得分大于等于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和所述标签类别相匹配；以及，当关于所述标签类别的得分小于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和所述标签类别不相匹配。
图6示意性示出了根据本公开的实施例的调整模块的框图。如图6所示，调整模块430包括第一调整子模块431。
第一调整子模块431用于增大与所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标。
作为一个可选的实施例，第一调整子模块431用于增加与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
具体地，第一调整子模块431用于定义指示函数，其中，当所述样本人脸图像的第一结果和所述标签类别相匹配时，所述指定函数的取值为1，当所述样本人脸图像的第一结果和所述标签类别不相匹配时，所述指示函数的取值大于1；将所述指示函数作为与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
作为另一个可选的实施例，第一调整子模块431用于利用第一间隔函数基于所述其他类别的取值替代所述样本人脸图像关于所述其他类别的得分，其中，所述第一间隔函数被设置为基于所述其他类别的取值大于所述样本人脸图像关于所述其他类别的得分。
如图6所示，在本公开的一个实施例中，调整模块430还包括第二调整子模块432，用于利用第二间隔函数基于所述标签类别的取值替代所述样本人脸图像关于所述标签类别的得分，其中，所述第二间隔函数被设置为基于所述标签类别的取值小于所述样本人脸图像关于所述标签类别的得分。
需要说明的是，装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，获取模块410、训练模块420、调整模块430、更新模块440、识别模块450和判断模块460中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块410、训练模块420、调整模块430、更新模块440、识别模块450和判断模块460中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块410、训练模块420、调整模块430、更新模块440、识别模块450和判断模块460中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图7示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机设备的框图。图7示出的计算机设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，根据本公开实施例的计算机设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中，存储有设备700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (16)

1.一种人脸识别方法，包括：
获取样本人脸图像，其中所述样本人脸图像带有标签类别；
将所述样本人脸图像输入第一训练模型，得到所述样本人脸图像的第一结果，其中所述第一结果包括所述样本人脸图像关于各类别的得分；
当所述样本人脸图像的第一结果和标签类别不相匹配时，基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率；
基于降低后的所述分布概率获得所述样本人脸图像关于第一训练模型的损失值，基于所述损失值优化第一训练模型的参数，得到更新的第一训练模型；
当所述样本人脸图像关于更新的第一训练模型的损失值小于预设阈值时，将更新的第一训练模型作为最优模型；以及
获取待识别人脸图像，基于所述最优模型对所述待识别人脸图像进行识别；
其中，所述基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率包括：
增大与所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标。
2.根据权利要求1所述的方法，其中，在所述得到所述样本人脸图像的第一结果之后，所述方法还包括：
将所述样本人脸图像关于所述标签类别的得分与所述样本人脸图像关于除所述标签类别之外的其他类别的得分进行比较；
当关于所述标签类别的得分大于等于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和所述标签类别相匹配；以及
当关于所述标签类别的得分小于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和标签类别不相匹配。
3.根据权利要求1所述的方法，其中，所述增大所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标包括：
增加与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
4.根据权利要求3所述的方法，其中，所述增加所述样本人脸图像关于所述其他类别的得分对应的指标的权重包括：
定义指示函数，其中，当所述样本人脸图像的第一结果和标签类别相匹配时，所述指示函数的取值为1，当所述样本人脸图像的第一结果和标签类别不相匹配时，所述指示函数的取值大于1；
将所述指示函数作为与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
5.根据权利要求1所述的方法，其中，所述增大所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标包括：
利用第一间隔函数基于所述其他类别的取值替代所述样本人脸图像关于所述其他类别的得分，其中，所述第一间隔函数被设置为基于所述其他类别的取值大于所述样本人脸图像关于所述其他类别的得分。
6.根据权利要求1所述的方法，其中，所述基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率还包括：
利用第二间隔函数基于所述标签类别的取值替代所述样本人脸图像关于所述标签类别的得分，其中，所述第二间隔函数被设置为基于所述标签类别的取值小于所述样本人脸图像关于所述标签类别的得分。
7.根据权利要求1所述的方法，其中，所述基于降低后的所述分布概率获得所述样本人脸图像关于第一训练模型的损失值包括：
根据降低后的所述分布概率和软最大化交叉熵损失函数，计算得到所述样本人脸图像关于第一训练模型的损失值。
8.一种人脸识别装置，包括：
获取模块，用于获取样本人脸图像，其中所述样本人脸图像带有标签类别；
训练模块，用于将所述样本人脸图像输入第一训练模型，得到所述样本人脸图像的第一结果，其中所述第一结果包括所述样本人脸图像关于各类别的得分；
调整模块，用于当所述样本人脸图像的第一结果和标签类别不相匹配时，基于预设规则降低所述样本人脸图像关于所述标签类别的得分相对于所述第一结果的分布概率；
更新模块，用于基于降低后的所述分布概率获得所述样本人脸图像关于第一训练模型的损失值，基于所述损失值优化第一训练模型的参数，得到更新的第一训练模型，当所述样本人脸图像关于更新的第一训练模型的损失值小于预设阈值时，将更新的第一训练模型作为最优模型；以及
识别模块，用于获取待识别人脸图像，基于所述最优模型对所述待识别人脸图像进行识别；
其中，所述调整模块包括：
第一调整子模块，用于增大与所述样本人脸图像关于除所述标签类别之外的其他类别的得分对应的指标。
9.根据权利要求8所述的装置，还包括：
判断模块，用于在所述训练模块得到所述样本人脸图像的第一结果之后，将所述样本人脸图像关于所述标签类别的得分与所述样本人脸图像关于除所述标签类别之外的其他类别的得分进行比较；
当关于所述标签类别的得分大于等于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和所述标签类别相匹配；以及
当关于所述标签类别的得分小于关于所述其他类别的得分时，确定所述样本人脸图像的第一结果和所述标签类别不相匹配。
10.根据权利要求9所述的装置，其中：
所述第一调整子模块，用于增加与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
11.根据权利要求10所述的装置，其中：
所述第一调整子模块，用于定义指示函数，其中，当所述样本人脸图像的第一结果和所述标签类别相匹配时，所述指示函数的取值为1，当所述样本人脸图像的第一结果和所述标签类别不相匹配时，所述指示函数的取值大于1；
将所述指示函数作为与所述样本人脸图像关于所述其他类别的得分对应的指标的权重。
12.根据权利要求9所述的装置，其中：
所述第一调整子模块，用于利用第一间隔函数基于所述其他类别的取值替代所述样本人脸图像关于所述其他类别的得分，其中，所述第一间隔函数被设置为基于所述其他类别的取值大于所述样本人脸图像关于所述其他类别的得分。
13.根据权利要求9所述的装置，其中，所述调整模块还包括：
第二调整子模块，用于利用第二间隔函数基于所述标签类别的取值替代所述样本人脸图像关于所述标签类别的得分，其中，所述第二间隔函数被设置为基于所述标签类别的取值小于所述样本人脸图像关于所述标签类别的得分。
14.根据权利要求8所述的装置，其中：
所述更新模块，用于根据降低后的所述分布概率和软最大化交叉熵损失函数，计算得到所述样本人脸图像关于第一训练模型的损失值。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现：
如权利要求1~7中任一项所述的人脸识别方法。
16.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行：
如权利要求1~7中任一项所述的人脸识别方法。
CN201910005975.6A 2019-01-03 2019-01-03 人脸识别方法和装置 Active CN111401112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910005975.6A CN111401112B (zh) 2019-01-03 2019-01-03 人脸识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910005975.6A CN111401112B (zh) 2019-01-03 2019-01-03 人脸识别方法和装置

Publications (2)

Publication Number Publication Date
CN111401112A CN111401112A (zh) 2020-07-10
CN111401112B true CN111401112B (zh) 2024-06-18

Family

ID=71435851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910005975.6A Active CN111401112B (zh) 2019-01-03 2019-01-03 人脸识别方法和装置

Country Status (1)

Country Link
CN (1) CN111401112B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117831106A (zh) * 2023-12-29 2024-04-05 广电运通集团股份有限公司 人脸识别模型训练方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294817A (zh) * 2013-06-13 2013-09-11 华东师范大学 一种基于类别分布概率的文本特征抽取方法
CN108229298A (zh) * 2017-09-30 2018-06-29 北京市商汤科技开发有限公司 神经网络的训练和人脸识别方法及装置、设备、存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136533B (zh) * 2011-11-28 2015-11-25 汉王科技股份有限公司 基于动态阈值的人脸识别方法及装置
CN103902961B (zh) * 2012-12-28 2017-02-15 汉王科技股份有限公司 一种人脸识别方法及装置
CN104252616B (zh) * 2013-06-28 2018-01-23 广州华多网络科技有限公司 人脸标注方法、装置及设备
CN106960219B (zh) * 2017-03-10 2021-04-16 百度在线网络技术（北京）有限公司 图片识别方法及装置、计算机设备及计算机可读介质
CN108090216B (zh) * 2017-12-29 2021-02-05 咪咕文化科技有限公司 一种标签预测方法、装置及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294817A (zh) * 2013-06-13 2013-09-11 华东师范大学 一种基于类别分布概率的文本特征抽取方法
CN108229298A (zh) * 2017-09-30 2018-06-29 北京市商汤科技开发有限公司 神经网络的训练和人脸识别方法及装置、设备、存储介质

Also Published As

Publication number Publication date
CN111401112A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
US11487995B2 (en) Method and apparatus for determining image quality
CN108229419B (zh) 用于聚类图像的方法和装置
CN108280477B (zh) 用于聚类图像的方法和装置
CN111523621A (zh) 图像识别方法、装置、计算机设备和存储介质
US10643063B2 (en) Feature matching with a subspace spanned by multiple representative feature vectors
CN112016464A (zh) 检测人脸遮挡的方法、装置、电子设备及存储介质
JP2022141931A (ja) 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
US11138464B2 (en) Image processing device, image processing method, and image processing program
Nguyen et al. Constrained design of deep iris networks
KR20220076398A (ko) Ar장치를 위한 객체 인식 처리 장치 및 방법
WO2021227351A1 (zh) 目标部位跟踪方法、装置、电子设备和可读存储介质
US20240087368A1 (en) Companion animal life management system and method therefor
CN109145752B (zh) 用于评估对象检测和跟踪算法的方法、装置、设备和介质
CN110175500B (zh) 指静脉比对方法、装置、计算机设备及存储介质
CN113569657A (zh) 一种行人重识别方法、装置、设备及存储介质
CN115984930A (zh) 微表情识别方法、装置、微表情识别模型的训练方法
CN114255381B (zh) 图像识别模型的训练方法、图像识别方法、装置及介质
Duman et al. Distance estimation from a monocular camera using face and body features
CN113283388B (zh) 活体人脸检测模型的训练方法、装置、设备及存储介质
CN111401112B (zh) 人脸识别方法和装置
CN110941824B (zh) 一种基于对抗样本增强模型抗攻击能力的方法和系统
CN115795355B (zh) 一种分类模型训练方法、装置及设备
Jiang et al. MultiBSP: multi-branch and multi-scale perception object tracking framework based on siamese CNN
CN116805522A (zh) 诊断报告输出方法、装置、终端及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant