CN113449704B - 人脸识别模型训练方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例涉及图像处理领域，公开了一种人脸识别模型训练方法、装置、电子设备及存储介质，方法包括：获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；基于损失值，对人脸识别模型的参数进行调整。通过在损失值计算的过程中，引入人脸特征密度信息，使得在人脸识别模型训练的过程中，根据人脸特征密度信息对样本图像与样本图像的非真实类别之间的间隔进行正则化，使得训练出的人脸识别模型能够适应不同场景下人脸特征差异带来的影响，提取出更有区分性的人脸特征，从而提升人脸识别的准确性。

Description

人脸识别模型训练方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及图像处理领域，特别涉及一种人脸识别模型训练方法、装置、电子设备及存储介质。

背景技术

随着深度学习相关技术的高速发展，当前人脸识别已经广泛应用于支付、门禁、闸机、门锁等相关领域。目前人脸识别主要有两类任务：1:1人证比对和1:N人脸搜索。其主流操作都是借助深度网络模型获取人脸图片的特征向量，之后通过计算人脸特征向量之间的相似度来表征人员的相似性，相似度大于一定阈值即可认为为同一人，反之认为是不同人。对于理想的人脸识别网络模型，其抽取的特征向量满足以下良好特性：同一ID（IdentityDocument，身份标识）的特征距离尽可能小，不同ID的特征距离尽可能大。为此，SphereFace、CosFace、ArcFace、MvSoftmax等一系列基于margin（间隔）的损失函数应运而生，通过增加类特征间的角度间隔促使深度网络模型抽取出更具区分力的人脸表征，目前已取得较好的效果。

在损失函数中引入间隔，通过基于间隔的损失函数进行损失值的计算，并根据损失值对识别模型进行调整，能够使得识别模型对类别权重和类别特征之间的角度进行压缩，促使类别特征类内聚拢，类内距离减小、类间距离增大。

然而按照上述方法训练出的模型对不同的人体现出不同的类内偏差，对某些人脸特征较为明显的人，其类内特征间距可以分布均匀并且很小，且与其他人的类间特征距离较大，类间特征密度较小；而对某些具有“大众脸”的人或者处于不同光照、不同姿态等现实复杂场景下的人，其类内特征间距分布不均，且与其他人的人脸特征类间距离较小，类间特征密度较大。这样的识别特性会导致在模型实际使用场景下，对于不同的人识别模型的误识率表现不一致，对于具有“大众脸”或处于复杂场景中的人，误识别率相对较高，识别准确性低。

发明内容

本发明实施例的目的在于提供一种人脸识别模型训练方法、装置、电子设备及存储介质，使得人脸识别模型在训练过程中能够考虑到不同类型样本之间的类间距离，通过参数调整使得不同类型的样本的类间距离增大，同一类型的样本的类内距离减小，进而降低个体方差，提升人脸识别准确率。

为解决上述技术问题，本发明的实施例提供了一种人脸识别模型训练方法，包括：获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；基于损失值，对人脸识别模型的参数进行调整。

为解决上述技术问题，本发明的实施例还提供了一种人脸识别模型训练装置，包括：获取模块，用于获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；计算模块，用于根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；调整模块，用于基于损失值，对人脸识别模型的参数进行调整。

为解决上述技术问题，本发明的实施例还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的人脸识别模型训练方法。

为解决上述技术问题，本发明的实施例还提供了一种计算计可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的人脸识别模型训练方法。

本发明实施例提供的人脸识别模型训练方法，根据人脸识别模型对样本图像的人脸特征识别结果和预设的包括包含人脸特征密度信息的正则项的损失函数对各样本图像的损失值进行计算，并根据计算出的损失值进行人脸识别模型参数的调整。通过在损失值计算的过程中，引入人脸特征密度信息，使得在人脸识别模型训练的过程中，会考虑到不同类型的样本图像之间的类间距离，通过人脸特征密度信息对样本图像与自身的非真实类别之间的间隔进行正则化，使得调整后的人脸识别模型识别出的不同类型的样本图像之间的类间距离必须达到一个门限值，进而使得通过调整后的人脸识别模型对不同类型的样本图像进行识别时，不同类型的样本图像的类间距离增大，类内距离减小，任意类型的样本图像的人脸特征识别结果方差减小，从而在识别过程中更加有效的挖掘个人在不同场景下人脸特征的不同特性，使得人脸识别模型抽取出的人脸特征更有区分性，从而提升人脸识别的准确性。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本发明的实施例提供的人脸识别模型训练方法的流程图；

图2是本发明的另一实施例提供的人脸识别模型训练方法装置的结构示意图；

图3是本发明的另一实施例提供的电子设备结构示意图。

具体实施方式

由背景技术可知，相关的人脸识别模型训练方法训练出的模型对不同的人体现出不同的类内偏差，对某些人脸特征较为明显的人，其类内特征间距可以分布均匀并且很小，且与其他人的类间特征距离较大，类间特征密度较小；而对某些具有“大众脸”的人或者处于不同光照、不同姿态等现实复杂场景下的人，其类内特征分布不均方差较大，且与其他人人脸特征类间距离较小，类间特征密度较大。这样的识别特性会导致在模型实际使用场景下，对于不同的人识别模型的误识率表现不一致，对于具有“大众脸”的人或处于复杂场景中的人，误识别率相对较高，识别准确性低。

为了实现进一步提高训练出的人脸识别模型的人脸识别准确性的目的，本发明的实施例提供了一种人脸识别模型训练方法，包括：获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；基于损失值，对人脸识别模型的参数进行调整。

本发明实施例提供的人脸识别模型训练方法，根据人脸识别模型对样本图像的人脸特征识别结果和预设的包括包含人脸特征密度信息的正则项的损失函数对各样本图像的损失值进行计算，并根据计算出的损失值进行人脸识别模型参数的调整。通过在损失值计算的过程中，引入人脸特征密度信息，使得在人脸识别模型训练的过程中，会考虑到不同类型的样本图像之间的类间距离，通过人脸特征密度信息对样本图像与自身的非真实类别之间的间隔进行正则化，使得调整后的人脸识别模型识别出的不同类型的样本图像之间的类间距离必须达到一个门限值，进而使得通过调整后的人脸识别模型对不同类型的样本图像进行识别时，不同类型的样本图像的类间距离增大，类内距离减小，任意类型的样本图像的人脸特征识别结果方差减小，从而在识别过程中更加有效的挖掘个人在不同场景下人脸特征的不同特性，使得人脸识别模型抽取出的人脸特征更有区分性，从而提升人脸识别的准确性。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。

下面将结合具体的实施例对本申请记载的人脸识别模型训练方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。

本发明的实施例第一方面提供了一种人脸识别模型训练方法，人脸识别模型训练方法的流程图参考图1，在一些实施例中，人脸识别模型训练方法应用于进行人脸识别模型建模的电脑、终端等电子设备中，本实施例以应用在进行人脸识别模型建模的电脑中为例进行说明，人脸识别模型训练方法包括以下步骤：

步骤101，获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别。

具体地说，电脑根据用户输入的指令完成人脸识别模型的粗略建模后，根据用户的指令，在指定的存储地址读取预先存储的多个类型的样本图像，或者对预先存储的不同的人的图像进行处理，得到多个类型的样本图像，然后将获取到的多个类型的样本图像作为输入，传输到粗略建模完成的人脸识别模型中，通过人脸识别模型对样本图像进行特征提取和识别。

在一个例子中，进行人脸识别模型建模的电脑获取多个类型的样本图像，包括：获取多人在不同场景下的多个图片数据；提取出图片数据中的人脸图像，将每个人的多个人脸图像作为一个类型的样本图像。

例如，进行人脸识别模型建模的电脑在进行人脸识别模型训练前，根据用户的输入指令通过在网络上进行搜索的方式或者直接读取用户指定存储地址中存储的多个不同的人在不同场景下的人脸图片，图片可以是彩色的也可以是黑白的，其中，不同场景可以包括不同的背景、不同的光照强度、不同环境等，在获取到多人在不同场景下的多个人脸图片后，对人脸图片进行数据备注，为每一个人分配一个ID号码，将每个人在不同场景下的人脸图片都打上相同的ID标签，然后对打好标签的人脸图片进行人脸检测，对人脸图片中的人脸区域和图片背景区域进行识别，将人脸区域从人脸图片中提取出来。然后对人脸区域进行进一步的检测，获取人脸框和人脸关键点，获取的人脸关键点可以包括人脸的左眼角、右眼角、鼻子、左嘴角和右嘴角，在实际应用中，可以根据需要增加或者变更要获取的人脸关键点，本实施例对具体采集的人脸关键点不做限制。

获取到人脸框架和人脸关键点后，在空间坐标系中得到人脸关键点对应的坐标，并根据得到的人脸关键点坐标与预先设置的模板关键点坐标之间的对应关系，计算出获取的每一个人脸图像中人脸坐标点和模板关键点坐标的相似矩阵，根据得到的相似矩阵对原始人脸图片进行变换和裁剪，将经过变换后的人脸图片裁剪为合适大小的人脸图像，例如，将经过变换后的各人脸图像裁剪为224px乘以224px的人脸图像。在对各人脸图像完成裁剪后，对裁剪好的各人脸图像的像素值进行归一化处理，将得到的人脸图像的像素值减去127.5px后，再除以128，得到归一化处理后的各人脸图像，并且按照每一张人脸图像上的ID标签，将一个人在不同场景下的多张人脸图像对应的归一化人脸图像作为一个类型的样本图像，得到样本训练集。然后，电脑将获取到的由多个类型的样本图像组成的样本训练集作为人脸识别模型中的深度卷积神经网络的输入，将多个类型的样本图像输入到人脸识别模型中，通过人脸识别模型提取各样本图像的特征向量，对样本图像进行识别。通过对人脸框和人脸关键点的提取和图片的归一化处理，在保留人脸特征的同时，极大地简化人脸识别模型识别的复杂程度，提高识别效率。

步骤102，根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值。

具体地说，在电脑将获取到的各类型的样本图像输入到人脸识别模型中后，获取人脸识别模型对各类型样本图像进行特征提取得到的人脸特征识别结果，根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项。通过引入包括包含人脸特征密度信息的正则项进行损失值计算，使计算出的损失值中包含各类型样本图像的类间间隔信息，提升根据损失值进行人脸识别模型参数调整的效果。

在一个例子中，在根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值前，还包括：根据样本图像所属的类型，获取样本图像的人脸特征密度信息。在电脑将各样本图像输入到人脸识别模型进行人脸识别后，先根据人脸识别模型对各类型人脸识别图像的人脸特征识别结果，获取到不同类型样本图像的人脸特征密度信息，对样本图像进行损失值计算前，根据样本图像上的ID标签，获取样本图像所属的类型，根据样本图像所属的类型，获取样本图像的人脸特征密度信息，然后再根据获取到的人脸特征密度信息和样本图像的人脸特征识别结果，利用预设损失函数对样本图像进行损失值的计算。通过识别样本图像所属的类型来获取人脸特征密度信息，准确的将不同类型样本图像的人脸特征密度信息用于对应类型样本图像的损失值计算中，提高损失值计算的准确性。

在另一个例子中，获取样本图像的人脸特征密度信息，包括：获取样本图像所属的类型与其余各类型的类间距离；将获取的多个类间距离按照从小到大的顺序排列，并将排列后的前N个类间距离的和的倒数作为样本图像的人脸特征密度信息。电脑在获取样本图像的人脸特征密度信息时，根据样本图像的ID标签，确定样本图像所属的类型，然后根据人脸识别模型对各样本图像的人脸特征识别结果，获取样本图像所属的类型和其余各类型之间的类间距离，并将获取到的多个类间距离按照从小到大的顺序排列，对按照从小到大顺序进行排列后的前N个类间距离进行求和，例如，对最小的10个类间距离进行求和，然后将求得的类间距离之和的倒数作为样本图像的人脸特征密度。在实际应用中，选取的类间距离的个数可以根据实际需要进行调整，本实施例对此不做限制。通过利用不同类型之间的类间距离对人脸特征密度进行衡量，准确地表征出通过人脸识别模型对不同类型的样本图像进行识别后，任一类型的样本图像的特征值在整个样本训练集的特征值空间内的特征密度，便于将特征密度信息引入损失值的计算。

在另一个例子中，电脑在将样本图像输入人脸识别模型进行识别后，根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值，包括：根据以下公式计算各样本图像的损失值L：

其中，x样本图像的人脸特征识别结果，y为类型的标签，m为间隔，N为类间距离的个数，

为超参数，K为类型的总数,

,

为标签为k的类型的分类权重，

为人脸特征识别结果x与分类权重

之间的余弦角，

为人脸特征识别结果x与分类权重

之间的余弦距离，

为间隔函数，

为人脸特征密度信息。在获取到样本图像的人脸特征识别结果和人脸特征密度信息后，电脑将获取到的信息输入到预先设置好的损失函数中，在样本图像的人脸特征密度信息对应的值较大时，分母中的指数项系数就会较大，根据上述的损失值计算公式计算出的样本图像的损失值也会较大，反映出样本图像所属的类型的特征值和其余各类型的特征值之间的类间距离较小，样本图像所属的类型的特征值与其余类型的特征值之间区分度较低，整体损失大；在样本图像的人脸特征密度信息对应的值较小时，分母中的指数项系数就会较小，根据上述的损失值计算公式计算出的样本图像的损失值也会较小，反映出样本图像所属的类型的特征值和其余各类型的特征值之间的类间距离较大，样本图像所属的类型的特征值与其余类型的特征值之间区分度较高，整体损失小。通过预设损失函数对样本图像的人脸特征识别结果的区分度进行准确的衡量，直观体现出人脸识别模型的对人脸特征的识别效果，便于根据损失值进行人脸识别模型的优化。

在另一个例子中，电脑根据预设损失函数进行损失值计算时，包含人脸特征密度信息的正则项中的超参数

的取值范围包括0.01到0.1。为了保证损失值能够准确的反映出人脸识别模型识别效果，需要约束人脸特征密度信息的变化幅度，避免人脸特征密度信息过大时造成损失值和实际情况出现较大的偏差，因此，将包含人脸特征密度信息的正则项中的超参数

的取值设置在0.01到0.1之间，例如，将超参数

设置为0.08，此时损失值能够有效反映人脸识别模型进行特征值提取时，特征值的类内分布情况和类间分布情况。通过设置合适的超参数，保证损失值计算结果的准确性和有效性。

步骤103，基于损失值，对人脸识别模型的参数进行调整。

具体地说，电脑在根据预设损失函数计算出各样本图像的损失值后，根据不同样本图像的损失值，对损失值过大的样本图像所属的类型进行重点关注，调整人脸识别模型中的相关参数，使得人脸识别模型进行样本图像识别时，能够提取出更有区分性的特征值，并利用多个类型的样本图像对调整后的人脸识别模型继续进行迭代训练，直到人脸识别模型中的深度卷积神经网络收敛。

在一个例子中，电脑进行人脸识别模型训练过程中，基于损失值，对人脸识别模型的参数进行调整，包括：获取目标样本图像的第一损失值；根据第一损失值对人脸识别模型的参数进行调整，直到根据参数调整后的人脸识别模型对目标样本图像的人脸特征识别结果计算出的第二损失值小于第一损失值；其中，目标样本图像为损失值达到预设门限的样本图像。在电脑对样本图像进行损失值计算后，检测样本图像的损失值是否达到预设门限，预设门限也是参考样本图像人脸特征密度信息进行设置的，为了保证不同类型的样本图像的特征值之间具有足够的区分度，根据人脸特征密度信息，要求样本图像的特征值之间的距离满足如下关系：

其中，

为样本图像的特征值和样本图像所属的类型的分类权重之间的余弦距离，

为样本图像的特征值增加m的间隔后和分类权重之间的余弦距离，

为其余各类型的样本图像的特征值和所属的类型的分类权重之间的余弦距离与人脸特征密度信息正则项对应余弦距离之和，

为其余各类型的样本图像的特征值和所属类型的分类权重之间的余弦距离，根据特征值和余弦距离之间的关系，设置各类型的样本图像损失值的预设门限，若计算出的损失值大于预设门限，则表示样本图像所属的类型的特征值不满足区分度要求，将损失值大于预设门限的图像作为目标样本图像，对目标样本图像所属的类型需要重点强调，并对人脸识别模型的参数进行调整，在目标样本图像所属的类型的特征值与其余的非真实类别之间增加间隔，使得目标样本图像所属的类型的特征值和其余类型的特征值之间的距离增大。然后再将各类型的样本图像输入到参数调整后的人脸识别模型中，重新进行人脸特征的识别和损失值计算，并进一步对人脸识别模型的参数进行调整，直到样本图像的特征值之间的距离满足要求，无法再检测到损失值达到预设门限的目标样本图像。再利用各类型样本图像对人脸识别模型进行迭代训练，直到计算出的损失值不再变化，即人脸识别模型中的深度卷积神经网络收敛。通过根据引入人脸特征密度信息的损失值，进行人脸识别模型的参数调整和训练，并对损失值过大的样本图像所属的类型进行重点关注，使得人脸识别模型在训练过程中保证样本图像特征值类内紧凑的同时，自适应的将不同类型样本图像特征值的类间距离调整到分布较为均匀的程度，从而使得最终训练出的人脸识别模型能够适应不同场景下人脸数据差异带来的影响，降低提取出的个体人脸特征值的方差，有效提升人脸识别准确性。

本发明实施例的另一方面提供了一种人脸识别模型训练装置，参考图2，包括：

获取模块201，用于获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别。

计算模块202，用于根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项。

调整模块203，用于基于损失值，对人脸识别模型的参数进行调整。

不难发现，本实施例为与方法实施例相对应的装置实施例，本实施例可与方法实施例互相配合实施。方法实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在方法实施例中。

值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。

本发明实施例的另一方面还提供了一种电子设备，参考图3，包括：至少一个处理器301；以及，与至少一个处理器301通信连接的存储器302；其中，存储器302存储有可被至少一个处理器301执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够执行上述任一方法实施例所描述的人脸识别模型训练方法。

其中，存储器302和处理器301采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传输给处理器301。

处理器301负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。

本发明实施例的另一方面还提供了一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (8)

1.一种人脸识别模型训练方法，其特征在于，包括：

获取多个类型的样本图像，通过人脸识别模型对所述样本图像进行识别；

根据所述样本图像的人脸特征识别结果和预设损失函数计算各所述样本图像的损失值；其中，所述预设损失函数包括包含人脸特征密度信息的正则项，所述损失值包含所述样本图像的类间间隔信息；

基于所述损失值，对所述人脸识别模型的参数进行调整；

其中，在所述根据所述样本图像的人脸特征识别结果和预设损失函数计算各所述样本图像的损失值前，还包括：

获取所述样本图像所属的类型及所述样本图像所属的类型与其余各类型的类间距离；

将获取的多个所述类间距离按照从小到大的顺序排列，并将排列后的前N个所述类间距离的和的倒数作为所述样本图像的所述人脸特征密度信息。

2.根据权利要求1所述的人脸识别模型训练方法，其特征在于，所述根据所述样本图像的人脸特征识别结果和预设损失函数计算各所述样本图像的损失值，包括：根据以下公式计算各所述样本图像的损失值L：

其中，x为所述样本图像的所述人脸特征识别结果，y为类型的标签，m为间隔，N为所述类间距离的个数，

为超参数，K为类型的总数，

，

为标签为k的类型的分类权重，

为所述人脸特征识别结果x与所述分类权重

之间的余弦角，

为所述人脸特征识别结果x与所述分类权重

之间的余弦距离，

为间隔函数，

为所述人脸特征密度信息。

3.根据权利要求2所述的人脸识别模型训练方法，其特征在于，所述超参数

的取值范围包括0.01到0.1。

4.根据权利要求1至3中任一项所述的人脸识别模型训练方法，其特征在于，所述基于所述损失值，对所述人脸识别模型的参数进行调整，包括：

获取目标样本图像的第一损失值；

根据所述第一损失值对所述人脸识别模型的参数进行调整，直到根据参数调整后的所述人脸识别模型对所述目标样本图像的人脸特征识别结果计算出的第二损失值小于所述第一损失值；

其中，所述目标样本图像为所述损失值达到预设门限的所述样本图像。

5.根据权利要求1至3中任一项所述的人脸识别模型训练方法，其特征在于，所述获取多个类型的样本图像，包括：

获取多人在不同场景下的多个图片数据；

提取出所述图片数据中的人脸图像，将每个人的多个所述人脸图像作为一个类型的所述样本图像。

6.一种人脸识别模型训练装置，其特征在于，包括：

获取模块，用于获取多个类型的样本图像，通过人脸识别模型对所述样本图像进行识别，获取所述样本图像所属的类型及所述样本图像所属的类型与其余各类型的类间距离；将获取的多个所述类间距离按照从小到大的顺序排列，并将排列后的前N个所述类间距离的和的倒数作为所述样本图像的所述人脸特征密度信息；

计算模块，用于根据所述样本图像的人脸特征识别结果和预设损失函数计算各所述样本图像的损失值；其中，所述预设损失函数包括包含人脸特征密度信息的正则项，所述损失值包含所述样本图像的类间间隔信息；

调整模块，用于基于所述损失值，对所述人脸识别模型的参数进行调整。

7.一种电子设备，其特征在于，包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的人脸识别模型训练方法。

8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的人脸识别模型训练方法。

Images