CN113255576A - 人脸识别方法及装置 - Google Patents

Abstract

本发明涉及人工智能技术领域，提供了一种人脸识别方法及装置，所述方法包括：获取待识别的人脸图像；将人脸图像输入至预先训练的人脸识别模型，利用人脸识别模型对人脸图像进行处理，以提取人脸图像的人脸特征，其中，人脸识别模型包括至少一个特征提取网络，特征提取网络对输入特征图依次进行量化、卷积及反量化，量化及反量化所采用的第一参数是按照输入特征图的通道数及预设通道组数确定的；依据人脸特征对人脸图像进行人脸识别。本发明既提高了卷积运算的速度，又避免了卷积运算过程中因出现数值溢出而导致的精度计算下降，最终保证了人脸识别的高效性和准确性。

Description

人脸识别方法及装置

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种人脸识别方法及装置。

背景技术

卷积神经网络在人脸识别中应用及其普遍，而卷积神经网络前向传播中的卷积层的计算量会占整个网络计算量的90%，一般高精度的卷积神经网络包含的参数量较多，导致了比较高的计算密集度，满足不了实时响应要求较高的人脸识别的应用场景的需求。

现有的针对卷积神经网络的加速方法，虽然可以提高卷积神经网络的运算速度，进而提高人脸识别的效率，但是在加速后的运算过程中会出现因数值溢出导致计算精度下降，最终影响了人脸识别的准确性。

发明内容

本发明的目的在于提供了一种人脸识别方法及装置，其能够对人脸识别模型中的卷积神经网络的卷积层进行优化，既能提高卷积层的计算速率，又能保证计算精度，最终保证人脸识别的高效性和准确性。

为了实现上述目的，本发明采用的技术方案如下：

第一方面，本发明提供一种人脸识别方法，所述方法包括：获取待识别的人脸图像；将所述人脸图像输入至预先训练的人脸识别模型，利用所述人脸识别模型对所述人脸图像进行处理，以提取所述人脸图像的人脸特征，其中，所述人脸识别模型包括至少一个特征提取网络，所述特征提取网络对输入特征图依次进行量化、卷积及反量化，所述量化及所述反量化所采用的第一参数是按照所述输入特征图的通道数及预设通道组数确定的；依据所述人脸特征对所述人脸图像进行人脸识别。

第二方面，本发明提供一种人脸识别装置，所述装置包括：获取模块，用于获取待识别的人脸图像；特征提取模块，用于将所述人脸图像输入至预先训练的人脸识别模型，利用所述人脸识别模型对所述人脸图像进行处理，以提取所述人脸图像的人脸特征，其中，所述人脸识别模型包括至少一个特征提取网络，所述特征提取网络对输入特征图依次进行量化、卷积及反量化，所述量化及所述反量化所采用的第一参数是按照所述输入特征图的通道数及预设通道组数确定的；人脸识别模块，用于依据所述人脸特征对所述人脸图像进行人脸识别。

与现有技术相比，本发明预先按照卷积层的输入特征图的通道数及预设通道组数确定第一参数，在卷积层处理之前首先利用第一参数对输入特征图进行量化，然后再对量化后的输入特征图进行卷积，最后对卷积结果进行反量化，既提高了卷积运算的速度，又避免了卷积运算过程中因出现数值溢出而导致的精度计算下降，最终保证了人脸识别的高效性和准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的一种人脸识别方法的流程示意图。

图2为本发明实施例提供的多个特征提取网络组成人脸识别模型的示例图。

图3为本发明实施例提供的由特征提取网络和卷积层组成的人脸识别模型的示例图。

图4是本发明实施例提供的普通卷积的示例图。

图5是本发明实施例提供的分组卷积的示例图。

图6为本发明实施例提供的利用多个特征提取网络进行人脸特征提取的流程示意图。

图7为本发明实施例提供的任意一个特征提取网络进行人脸特征提取的流程示意图。

图8为本发明实施例提供的反量化的示例图。

图9为本发明实施例提供的确定第一参数的流程示意图。

图10为本发明实施例提供的确定第二参数的流程示意图。

图11为本发明实施例提供的模型量化及量化推理的过程示例图。

图12为本发明实施例提供的人脸识别装置的方框示意图。

图13为本发明实施例提供的计算机设备的方框示意图。

图标：10-计算机设备；11-处理器；12-存储器；13-总线；14-通信接口；100-人脸识别装置；110-获取模块；120-特征提取模块；130-人脸识别模块；140-参数确定模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。

现有的对于卷积神经网络的加速优化主要集中在8bit量化上，即将卷积神经网络参数及卷积层输入数据从单精度浮点型量化到8bit整型，以降低访存数据量，并将浮点型乘加操作转换为整形乘加操作，提高指令并行度和运算速度，发明人经过研究发现，这种8bit量化方法只能适用于加速效果较差的Winograd（Winograd是对卷积运算进行优化的一种算法）中的F（2，3）算法（Winograd算法的一种实现方式），如果将8bit量化方法用于加速效果更好的Winograd的F（4，3）算法（Winograd算法的另一种实现方式），则计算过程中会出现数值溢出的问题，导致计算精度下降，最终导致利用卷积神经网络进行人脸识别的准确性。

有鉴于此，本发明实施例提供一种人脸识别方法及装置，用于解决上述问题，下面将对其进行详细描述。

请参考图1，图1为本发明实施例提供的一种人脸识别方法的流程示意图，该方法包括：

步骤S100，获取待识别的人脸图像。

在本实施例中，人脸图像可以是拍摄设备拍摄的人脸图片，也可以是从拍摄的视频中提取出的一帧图像，还可以是对拍摄的人脸图片或者视频帧图像进行预处理后的图像。

步骤S110，将人脸图像输入至预先训练的人脸识别模型，利用人脸识别模型对人脸图像进行处理，以提取人脸图像的人脸特征，其中，人脸识别模型包括至少一个特征提取网络，特征提取网络对输入特征图依次进行量化、卷积及反量化，量化及反量化所采用的第一参数是按照输入特征图的通道数及预设通道组数确定的。

在本实施例中，人脸识别模型可以由多个特征提取网络依次连接而成，例如，人脸识别模型包括N个特征提取网络，其中N为正整数，则N=1时，即第1个特征提取网络的输入特征图为人脸图像，N>1时，第N个特征提取网络的输入特征图为第N-1个特征提取网络的输出，第N个特征提取网络的输出即为人脸图像的人脸特征。图2为本发明实施例提供的多个特征提取网络组成人脸识别模型的示例图。人脸识别模型也可以由至少一个特征提取网络和至少一个卷积层依次连接而成，图3为本发明实施例提供的由特征提取网络和卷积层组成的人脸识别模型的示例图，图3中，人脸识别模型包括依次连接的特征提取网络a、卷积层1、…、特征提取网络b、卷积层2，其中的“…”可以代表一个或多个特征提取网络、也可以代表一个或多个卷积层、还可以代表一个或者多个特征提取网络和一个或多个卷积层等，则特征提取网络a的输入特征图为人脸图像，卷积层1的输入特征图为特征提取网络a的输出，特征提取网络b的输入特征图为其之前的特征提取网络或者卷积层的输出，卷积层2的输入特征图为特征提取网络b的输出，卷积层2的输出即为人脸图像的人脸特征。

需要说明的是，人脸识别模型由至少一个特征提取网络和至少一个卷积层依次连接而成时，特征提取网络和卷积层在人脸识别模型中的位置可以根据需要确定，例如，人脸识别模型中多个特征提取网络依次连接、多个卷积层依次连接，最后一个特征提取网络和第一个卷积层连接，也可以特征提取网络和卷积层交叉连接等。

在本实施例中，对于输入特征图的量化可以是采用第一参数对输入特征图中的每一个数据进行量化，例如，将输入特征图的每一个数据均乘以第一参数后取整，得到量化特征图，将量化特征图作为卷积的输入，由此实现了将输入特征图的单精度浮点型的数据量化为整型，降低了访存数据量，并且将卷积运算时浮点型乘加操作转换为整型乘加操作，提高了指令并行度和运算速度。为了保证数据在量化前后的一致性，在得到卷积的结果后，还需要再根据第一参数对卷积的结果进行反量化，例如，将卷积的结果除以第一参数，得到反量化后的结果，以最终保持输出结果的一致性。

在本实施例中，第一参数是用于对输入特征图进行量化所需的参数，其是按照输入特征图的通道数及预设通道组数确定的，预设通道组数是对输入特征图的通道数进行分组的组数，例如，输入特征图的通道数为12，预设通道组数为3，则每组输入特征图的通道数为4。图4是本发明实施例提供的普通卷积的示例图，图4中，输入特征图的通道数为8，普通卷积时，每一个输出特征图均需要输入特征图的所有通道对应的通道图进行卷积。图5是本发明实施例提供的分组卷积的示例图，图5中，输入特征图的通道数为8，预设通道组数为2，卷积输出的输出特征图也分为2组，分组卷积时，每一组的输出特征图只需要对应组内的输入特征图的通道对应的通道图进行卷积。

步骤S120，依据人脸特征对人脸图像进行人脸识别。

本发明实施例提供的上述方法，预先按照卷积层的输入特征图的通道数及预设通道组数确定第一参数，在卷积层处理之前首先利用第一参数对输入特征图进行量化，然后再对量化后的输入特征图进行卷积，最后对卷积结果进行反量化，既提高了卷积运算的速度，又避免了卷积运算过程中因出现数值溢出而导致的精度计算下降，最终保证了人脸识别的高效性和准确性，同时有利于较大的人脸识别模型中人脸识别算法的部署应用。

在图1的基础上，本发明实施例还给出了一种人脸识别模型包括多个特征提取网络情形下进行人脸特征提取的具体实施方式，请参照图6，图6为本发明实施例提供的利用多个特征提取网络进行人脸特征提取的流程示意图，步骤S110包括以下子步骤：

子步骤S1101，将人脸图像作为第一个特征提取网络的输入特征图、以及将第N-1个特征提取网络的输出作为第N个特征提取网络的输入特征图，利用特征提取网络对输入特征图进行特征提取，得到输出特征图。

在本实施例中，N为大于1的正整数。

在本实施例中，特征提取网络包括量化层、卷积层和反量化层，本发明实施例还提供一种对于任意一个特征提取网络对输入特征图进行特征提取的实现方式，请参照图7，图7为本发明实施例提供的任意一个特征提取网络进行人脸特征提取的流程示意图，子步骤S1101包括以下子步骤：

子步骤S11010，量化层根据预先确定的第一参数对输入特征图进行量化处理，输出量化特征图，第一参数是按照输入特征图的通道数及预设通道组数确定的。

在本实施例中，第一参数在前述步骤S110中已有描述，此处不再赘述。

子步骤S11011，卷积层根据预先确定的量化权重参数对量化特征图进行卷积处理，输出中间特征图，其中，量化权重参数是根据预先确定的第二参数对预设权重参数进行量化后得到的。

在本实施例中，卷积层通常设置有卷积核，卷积层利用卷积核进行卷积运算，该卷积核在人脸识别模型训练开始时被设置初始值，人脸识别模型训练过程中不断地调整该卷积核的取值，人脸识别模型训练后就是最终调整后的值，预设权重参数为人脸识别模型训练后的卷积核最终调整后的值，第二参数是对预设权重参数进行量化的参数，量化权重参数为量化后的预设权重参数。

由于训练后的人脸识别模型的预设权重参数已经确定，第二参数也可以在预设权重参数确定后确定，因此，在利用人脸识别模型进行人脸识别之前，量化权重参数可以根据预设权重参数和第二参数预先确定，在人脸识别时直接使用。

在本实施例中，由于既对预设权重参数进行量化又对输入特征图进行量化，将预设权重参数的浮点型乘加操作和输入特征图的浮点型乘加操作均转换为整型乘加操作，由此可以大大降低访存数据量，大大提高指令并行度和运算速度。

在本实施例中，作为一种具体实施方式，量化权重参数可以根据第一参数是对预设权重参数进行6bit量化后得到，量化特征图可以是根据第二参数对输入特征图进行8bit量化或者7bit量化得到的，卷积层可以通过Winograd的F(4,3)算法，根据量化权重参数对量化特征图进行卷积处理，输出32bit整型表示的中间特征图。

子步骤S11012，反量化层根据第一参数、第二参数对中间特征图进行反量化处理，输出所述输出特征图。

在本实施例中，作为一种具体实施方式，中间特征图包括多个通道图，第一参数包括每个第一通道的第一通道参数，第二参数包括每个第二通道的第二通道参数，输出特征图包括多个反量化特征图，多个通道图和多个反量化特征图一一对应，反量化层根据第一参数、第二参数对中间特征图进行反量化处理，输出所述输出特征图的具体实现方式可以是：

首先，根据第i个第一通道参数和第i个第二通道参数，对第i个通道图进行反量化，得到第i个反量化特征图。

在本实施例中，根据第i个第一通道参数和第i个第二通道参数，采用公式

，对第i个通道图进行反量化，得到第i个反量化特征图，其中，

为第i个反量化特征图，

为第i个通道图，

为第i个的第一通道参数，

为第i个第二通道参数。

在本实施例中，作为一种具体实施方式，第i个通道图是32bit整型数据表示的，第i个反量化特征图是单精度浮点型数据表示的。

为了更清楚地说明分通道反量化的方式，请参照图8，图8为本发明实施例提供的反量化的示例图，图8中，第一通道参数、第二通道参数、通道图及反量化特征图均有4个，第1个反量化特征图是根据第一通道参数1和第二通道参数1对第1个通道图进行反量化得到，第2-4个反量化特征图的处理方式与此相同，此处不再赘述，需要说明的是，图8中的“+”并非数学运算符号，只是用于表征生成反量化特征图需要通道图、第一通道参数和第二通道参数这三项。

其次，将所有反量化特征图进行组合，得到输出特征图。

子步骤S1102，将最后一个特征提取网络的输出特征图作为人脸特征。

本发明实施例提供的上述方法，通过利用多个特征提取网络中每一特征提取网络均进行量化、卷积和反量化，保证了每一特征提取网络的运算过程中均不会出现数值溢出而导致的精度计算下降，最终保证了人脸识别具有较高的准确性。

在本实施例中，第一参数可以在人脸识别模型训练后在人脸识别之前预先确定，本发明实施例还提供了一种确定第一参数的具体实施方式，请参照图9，图9为本发明实施例提供的确定第一参数的流程示意图，该方法包括以下步骤：

步骤S200-10，根据通道数及预设通道组数，确定量化预设值。

在本实施例中，量化预设值用于表征对于输入特征图进行8bit或者7bit量化。作为一种具体实施方式，可以根据通道数及预设通道组数，利用公式

确定量化预设值，其中，

为量化预设值，

为通道数，

为预设通道组数。当Y=127时，量化预设值用于表征对于输入特征图进行8bit量化，当Y=63时，量化预设值用于表征对于输入特征图进行7bit量化。由于针对不同的情况可以对输入特征图采取不同的量化方式，使得对输入特征图进行量化时均能以最合适的方式进行量化，避免不合适的量化方式导致的计算精度下降。

步骤S200-11，根据量化预设值和每个第一通道的预设量化阈值，计算每个第一通道的第一通道参数。

在本实施例中，第一通道为输入特征图的通道，第一通道可以有多个，每一第一通道均对应一个第一通道参数，第一参数是将所有第一通道参数组合后得到的。

在本实施例中，对于每个第一通道均有一个预设量化阈值，任意一个目标第一通道的预设量化阈值的计算方式可以是：

首先，获取校准数据集，校准数据集中包括多张样本人脸图像。

其次，将每一张样本人脸图像输入至训练后的人脸识别单精度模型，得到每一张样本人脸图像对应的输入特征图中与目标第一通道对应的目标通道图。

在本实施例中，人脸识别单精度模型是不包括人脸识别模型中的特征提取网络中的量化层和反量化层的模型，也即是未做量化的人脸识别模型。例如，人脸识别模型包括依次连接的特征提取层a和卷积层1，其中，特征提取层a包括量化层、卷积层a1和反量化层，则对应的人脸识别单精度模型包括依次连接的卷积层a1和卷积层1。如果卷积层a1的输入特征图包括4个通道：通道1~通道4，目标第一通道为通道1，则每一样本人脸图像的目标通道图为每一样本人脸图像的卷积层a1的输入特征图中与通道1对应通道图。

第三，对所有样本人脸图像的目标通道图进行频率直方图统计，并根据预设步长选择预选阈值，计算相对熵，将最小的相对熵对应的预选阈值作为目标第一通道的预设量化阈值。

在本实施例中，作为一种具体实施方式，根据量化预设值及第i个第一通道的预设量化阈值，可以通过公式

，计算第i个第一通道的第一通道参数，其中，

为第i个第一通道的第一通道参数，

为量化预设值，

为第i个第一通道的预设量化阈值。

步骤S200-12，将所有第一通道参数进行组合，得到第一参数。

在本实施例中，第二参数可以在人脸识别模型训练后在人脸识别之前预先确定，本发明实施例还提供了一种确定第二参数的具体实施方式，请参照图10，图10为本发明实施例提供的确定第二参数的流程示意图，该方法包括以下步骤：

步骤S200-20，根据每一第二通道的通道权重参数，确定每一第二通道的第二通道参数。

在本实施例中，卷积层通常设置有卷积核，卷积核通常赋值有预设权重参数，卷积核包括多个第二通道，每一第二通道均设置有通道权重参数，预设权重参数是所有第二通道的通道权重参数组合后得到的。

在本实施例中，作为一种具体实施方式，根据第i个第二通道的多个通道权重参数，利用公式

，确定第i个第二通道的第二通道参数，其中，

为第i个第二通道的第二通道参数，

为多个通道权重参数的绝对值的最大值。

在本实施例中，第二通道权重参数通常表示为矩阵，则

为该矩阵中元素的绝对值的最大值。

步骤S200-21，将所有第二通道参数进行组合，得到第二参数。

可以理解的是，上述第一参数和第二参数的获取方式不但可以应用于人脸识别这一种应用场景，在其他应用场景中，只要用到卷积神经网络，均可以通过上述方式获取第一参数和第二参数，并通过第一参数和第二参数对卷积层的输入进行量化，并对卷积层的输出进行反量化，可以实现加速卷积运算的目的，最终提高了卷积神经网络的运算效率。

作为一种具体实施方式，本发明实施例还提供了一种模型量化及量化推理的过程示例图，请参照图11，图11示出了本发明实施例提供的模型量化及量化推理的过程示例图，图11中，模型量化包括：根据校准数据集及人脸识别单精度模型得到输入特征图的单精度输出数据，根据输入特征图的单精度输出数据确定预设量化阈值，根据预设量化阈值对输入特征图进行8bit或者7bit量化，对人脸识别单精度模型中的权重参数进行6bit量化，根据6bit量化后的权重参数和8bit或者7bit量化后的输入特征图进行Winograd的F（4,3）卷积运算，将运算结果进行反量化后输出卷积结果。

为了执行上述实施例及各个可能的实施方式中人脸识别方法的相应步骤，下面给出一种人脸识别装置100的实现方式。请参照图12，图12示出了本发明实施例提供的人脸识别装置100的方框示意图。需要说明的是，本实施例所提供的人脸识别装置100，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及指出。

人脸识别装置100包括获取模块110、特征提取模块120、人脸识别模块130及参数确定模块140。

获取模块110，用于获取待识别的人脸图像。

特征提取模块120，用于将人脸图像输入至预先训练的人脸识别模型，利用人脸识别模型对人脸图像进行处理，以提取人脸图像的人脸特征，其中，人脸识别模型包括至少一个特征提取网络，特征提取网络对输入特征图依次进行量化、卷积及反量化，量化及反量化所采用的第一参数是按照输入特征图的通道数及预设通道组数确定的。

作为一种具体实施方式，人脸识别模型包括多个特征提取网络，特征提取模块120具体用于：将人脸图像作为第一个特征提取网络的输入特征图、以及将第N-1个特征提取网络的输出作为第N个特征提取网络的输入特征图，利用特征提取网络对输入特征图进行特征提取，得到输出特征图；将最后一个特征提取网络的输出特征图作为人脸特征。

作为一种具体实施方式，特征提取网络包括量化层、卷积层和反量化层；特征提取模块120在用于利用特征提取网络对输入特征图进行特征提取，得到输出特征图时，具体用于：量化层根据预先确定的第一参数对输入特征图进行量化处理，输出量化特征图，第一参数是按照输入特征图的通道数及预设通道组数确定的；卷积层根据预先确定的量化权重参数对量化特征图进行卷积处理，输出中间特征图，其中，量化权重参数是根据预先确定的第二参数对预设权重参数进行量化后得到的；反量化层根据第一参数、第二参数对中间特征图进行反量化处理，输出输出特征图。

作为一种具体实施方式，中间特征图包括多个通道图，第一参数包括每个第一通道的第一通道参数，第二参数包括每个第二通道的第二通道参数，输出特征图包括多个反量化特征图，多个通道图和多个反量化特征图一一对应；特征提取模块120在用于通过反量化层根据第一参数、第二参数对中间特征图进行反量化处理，输出输出特征图时，具体用于：根据第i个第一通道参数和第i个第二通道参数，对第i个通道图进行反量化，得到第i个反量化特征图；将所有反量化特征图进行组合，得到输出特征图。

作为一种具体实施方式，特征提取模块120在用于根据第i个第一通道参数和第i个第二通道参数，对第i个通道图进行反量化，得到第i个反量化特征图时，具体用于：根据第i个第一通道参数和第i个第二通道参数，采用公式

，对第i个通道图进行反量化，得到第i个反量化特征图，其中，

为第i个反量化特征图，

为第i个通道图，

为第i个的第一通道参数，

为第i个第二通道参数。

人脸识别模块130，用于依据人脸特征对人脸图像进行人脸识别。

参数确定模块140，用于：根据通道数及预设通道组数，确定量化预设值；根据量化预设值和每个第一通道的预设量化阈值，计算每个第一通道的第一通道参数；将所有第一通道参数进行组合，得到第一参数。

作为一种具体实施方式，参数确定模块140具体用于：根据通道数及预设通道组数，利用公式

确定量化预设值，其中，

为量化预设值，

为通道数，

为预设通道组数；根据量化预设值及第i个第一通道的预设量化阈值，利用公式

，计算第i个第一通道的第一通道参数，其中，

为第i个第一通道的第一通道参数，

为量化预设值，

为第i个第一通道的预设量化阈值。

参数确定模块140，还用于：根据每一第二通道的通道权重参数，确定每一第二通道的第二通道参数；将所有第二通道参数进行组合，得到第二参数，卷积层包括卷积核，卷积核包括多个第二通道，每一第二通道均设置有通道权重参数。

作为一种具体实施方式，每一第二通道的通道权重参数为多个，参数确定模块140具体用于：根据第i个第二通道的多个通道权重参数，利用公式

，确定第i个第二通道的第二通道参数，其中，

为第i个第二通道的第二通道参数，

为多个通道权重参数的绝对值的最大值。

本发明实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述的人脸识别方法。

本发明实施例还给出了计算机设备10的方框示意图，请参照图13，图13为本发明实施例提供的计算机设备10的方框示意图，计算机设备10包括处理器11、存储器12、总线13、通信接口14。处理器11、存储器12通过总线13连接，处理器11通过通信接口14与外部设备通信。

处理器11可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器11中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器11可以是通用处理器，包括中央处理器（Central Processing Unit，简称CPU）、网络处理器（Network Processor，简称NP）等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

存储器12用于存储程序，例如本发明实施例中的人脸识别装置100，人脸识别装置100均包括至少一个可以软件或固件（firmware）的形式存储于存储器12中的软件功能模块，处理器11在接收到执行指令后，执行所述程序以实现本发明实施例中的人脸识别方法。

存储器12可能包括高速随机存取存储器（RAM：Random Access Memory），也可能还包括非易失存储器（non-volatile memory）。可选地，存储器12可以是内置于处理器11中的存储装置，也可以是独立于处理器11的存储装置。

总线13可以是ISA总线、PCI总线或EISA总线等。图13仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的人脸识别方法。

综上所述，本发明实施例提供了一种人脸识别方法及装置，所述方法包括：获取待识别的人脸图像；将人脸图像输入至预先训练的人脸识别模型，利用人脸识别模型对人脸图像进行处理，以提取人脸图像的人脸特征，其中，人脸识别模型包括至少一个特征提取网络，特征提取网络对输入特征图依次进行量化、卷积及反量化，量化及反量化所采用的第一参数是按照输入特征图的通道数及预设通道组数确定的；依据人脸特征对人脸图像进行人脸识别。与现有技术相比，本发明实施例预先按照卷积层的输入特征图的通道数及预设通道组数确定第一参数，在卷积层处理之前首先利用第一参数对输入特征图进行量化，然后再对量化后的输入特征图进行卷积，最后对卷积结果进行反量化，既提高了卷积运算的速度，又避免了卷积运算过程中因出现数值溢出而导致的精度计算下降，最终保证了人脸识别的高效性和准确性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种人脸识别方法，其特征在于，所述方法包括：

获取待识别的人脸图像；

将所述人脸图像输入至预先训练的人脸识别模型，利用所述人脸识别模型对所述人脸图像进行处理，以提取所述人脸图像的人脸特征，其中，所述人脸识别模型包括至少一个特征提取网络，所述特征提取网络对输入特征图依次进行量化、卷积及反量化，所述量化及所述反量化所采用的第一参数是按照所述输入特征图的通道数及预设通道组数确定的；

依据所述人脸特征对所述人脸图像进行人脸识别。

2.如权利要求1所述的人脸识别方法，其特征在于，所述人脸识别模型包括多个特征提取网络；

所述利用所述人脸识别模型对所述人脸图像进行处理，以提取所述人脸图像的人脸特征的步骤包括：

将所述人脸图像作为第一个所述特征提取网络的输入特征图、以及将第N-1个所述特征提取网络的输出作为第N个所述特征提取网络的输入特征图，利用所述特征提取网络对输入特征图进行特征提取，得到输出特征图；

将最后一个所述特征提取网络的输出特征图作为所述人脸特征。

3.如权利要求2所述的人脸识别方法，其特征在于，所述特征提取网络包括量化层、卷积层和反量化层；

所述利用所述特征提取网络对输入特征图进行特征提取，得到输出特征图的步骤，包括：

所述量化层根据预先确定的第一参数对所述输入特征图进行量化处理，输出量化特征图，所述第一参数是按照所述输入特征图的通道数及预设通道组数确定的；

所述卷积层根据预先确定的量化权重参数对所述量化特征图进行卷积处理，输出中间特征图，其中，所述量化权重参数是根据预先确定的第二参数对预设权重参数进行量化后得到的；

所述反量化层根据所述第一参数、所述第二参数对所述中间特征图进行反量化处理，输出所述输出特征图。

4.如权利要求1-3中任一项所述的人脸识别方法，其特征在于，所述输入特征图包括多个第一通道，所述第一参数是按照以下方式确定的：

根据所述通道数及所述预设通道组数，确定量化预设值；

根据所述量化预设值和每个所述第一通道的预设量化阈值，计算每个所述第一通道的第一通道参数；

将所有所述第一通道参数进行组合，得到所述第一参数。

5.如权利要求4所述的人脸识别方法，其特征在于，所述根据所述通道数及所述预设通道组数，确定量化预设值的步骤包括：

根据所述通道数及所述预设通道组数，利用公式

确定所述量化预设值，其中，

为所述量化预设值，

为所述通道数，

为所述预设通道组数；

所述根据所述量化预设值和每个所述第一通道的预设量化阈值，计算每个所述第一通道的第一通道参数的步骤包括：

根据所述量化预设值及第i个所述第一通道的预设量化阈值，利用公式

，计算第i个所述第一通道的第一通道参数，其中，

为第i个所述第一通道的第一通道参数，

为所述量化预设值，

为第i个所述第一通道的预设量化阈值。

6.如权利要求3所述的人脸识别方法，其特征在于，所述卷积层包括卷积核，所述卷积核包括多个第二通道，每一所述第二通道均设置有通道权重参数，所述第二参数是按照以下方式确定的：

根据每一所述第二通道的通道权重参数，确定每一所述第二通道的第二通道参数；

将所有所述第二通道参数进行组合，得到所述第二参数。

7.如权利要求6所述的人脸识别方法，其特征在于，每一所述第二通道的通道权重参数为多个，所述根据每一所述第二通道的通道权重参数，确定每一所述第二通道的第二通道参数的步骤包括：

根据第i个所述第二通道的多个通道权重参数，利用公式

，确定第i个所述第二通道的第二通道参数，其中，

为第i个所述第二通道的第二通道参数，

为所述多个通道权重参数的绝对值的最大值。

8.如权利要求3所述的人脸识别方法，其特征在于，所述中间特征图包括多个通道图，所述第一参数包括每个第一通道的第一通道参数，所述第二参数包括每个第二通道的第二通道参数，所述输出特征图包括多个反量化特征图，所述多个通道图和所述多个反量化特征图一一对应；

所述反量化层根据所述第一参数、所述第二参数对所述中间特征图进行反量化处理，输出所述输出特征图的步骤包括：

根据第i个第一通道参数和第i个第二通道参数，对第i个所述通道图进行反量化，得到第i个所述反量化特征图；

将所有反量化特征图进行组合，得到所述输出特征图。

9.如权利要求8所述的人脸识别方法，其特征在于，所述根据第i个第一通道参数和第i个第二通道参数，对第i个所述通道图进行反量化，得到第i个所述反量化特征图的步骤包括：

根据第i个第一通道参数和第i个第二通道参数，采用公式

，对第i个所述通道图进行反量化，得到第i个所述反量化特征图，其中，

为第i个所述反量化特征图，

为第i个所述通道图，

为所述第i个的第一通道参数，

为所述第i个第二通道参数。

10.一种人脸识别装置，其特征在于，所述装置包括：

获取模块，用于获取待识别的人脸图像；

特征提取模块，用于将所述人脸图像输入至预先训练的人脸识别模型，利用所述人脸识别模型对所述人脸图像进行处理，以提取所述人脸图像的人脸特征，其中，所述人脸识别模型包括至少一个特征提取网络，所述特征提取网络对输入特征图依次进行量化、卷积及反量化，所述量化及所述反量化所采用的第一参数是按照所述输入特征图的通道数及预设通道组数确定的；

人脸识别模块，用于依据所述人脸特征对所述人脸图像进行人脸识别。

Images