CN113627361B - 人脸识别模型的训练方法、装置及计算机程序产品 - Google Patents

Abstract

本公开提供了人脸识别模型的训练方法、装置、电子设备、存储介质及计算机程序产品，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于人脸识别场景下。具体实现方案为：执行如下训练操作，直至得到人脸识别模型：从训练样本集中选取训练样本，并通过初始人脸识别模型得到所选取的训练样本中的样本人脸图像的人脸特征，训练样本包括样本人脸图像和类别标签；基于人脸特征与预设类别集合中的各类别的类别特征，通过初始人脸识别模型确定人脸特征与各类别特征之间的相似度，以及相似度的偏置；根据相似度、偏置和所选取的训练样本的类别标签，确定分类损失，并根据分类损失更新初始人脸识别模型。本公开提高了人脸识别模型的识别精度。

Description

人脸识别模型的训练方法、装置及计算机程序产品

技术领域

本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，尤其涉及人脸识别模型的训练方法、装置、电子设备、存储介质以及计算机程序产品，可用于人脸识别场景下。

背景技术

近年来，随着深度学习技术的发展，基于深度学习技术的人脸识别的精度大幅提升。人脸识别在很多场景下有重要应用，如机场、火车站等换乘场景下的人证比对，私域管理场景下的门禁刷脸，金融场景下的真人核验等。在这些丰富的落地场景中，存在复杂光线、大角度人脸、人脸遮挡、图片模糊等复杂情况，使得深度学习模型在不同场景下能生成足够稳健的人脸特征，并在合适的度量空间中计算足够可信的人脸特征对的相似度，成为人脸识别的研究热点。

发明内容

本公开提供了一种人脸识别模型的训练方法、装置、电子设备、存储介质以及计算机程序产品。

根据第一方面，提供了一种人脸识别模型的训练方法，执行如下训练操作，直至得到人脸识别模型：从训练样本集中选取训练样本，并通过初始人脸识别模型得到所选取的训练样本中的样本人脸图像的人脸特征，其中，训练样本集中的训练样本包括样本人脸图像和类别标签；基于人脸特征与预设类别集合中的各类别的类别特征，通过初始人脸识别模型确定人脸特征与各类别特征之间的相似度，以及相似度的偏置；根据相似度、偏置和所选取的训练样本的类别标签，确定分类损失，并根据分类损失更新初始人脸识别模型。

根据第二方面，提供了一种人脸识别方法，包括：获取待识别图像；通过预训练的人脸识别模型识别待识别图像，得到人脸识别结果，其中，人脸识别模型通过第一方面任一实现方式训练得到。

根据第三方面，提供了一种人脸识别模型的训练装置，执行如下训练操作，直至得到人脸识别模型：得到单元，被配置成从训练样本集中选取训练样本，并通过初始人脸识别模型得到所选取的训练样本中的样本人脸图像的人脸特征，其中，训练样本集中的训练样本包括样本人脸图像和类别标签；确定单元，被配置成基于人脸特征与预设类别集合中的各类别的类别特征，通过初始人脸识别模型确定人脸特征与各类别特征之间的相似度，以及相似度的偏置；更新单元，被配置成根据相似度、偏置和所选取的训练样本的类别标签，确定分类损失，并根据分类损失更新初始人脸识别模型。

根据第四方面，提供了一种人脸识别装置，包括：获取单元，被配置成获取待识别图像；识别单元，被配置成通过预训练的人脸识别模型识别待识别图像，得到人脸识别结果，其中，人脸识别模型通过第一方面任一实现方式训练得到。

根据第五方面，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如第一方面、第二方面任一实现方式描述的方法。

根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面、第二方面任一实现方式描述的方法。

根据第七方面，提供了一种计算机程序产品，包括：计算机程序，计算机程序在被处理器执行时实现如第一方面、第二方面任一实现方式描述的方法。

根据本公开的技术，在人脸识别模型的训练过程中，在确定人脸特征与预设类别集合中的各类别的类别特征之间的相似度的同时，确定相似度的偏置，以间接地对特征对中包括的人脸特征和类别特征的之间的特征关系进行不确定性建模，进而更好地表征特征对所对应的样本对(尤其是较难表征的困难样本对)中包括的输入的样本人脸图像和预设类别集合中的一个类别之间的关系，可以提高人脸识别模型的识别精度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的人脸识别模型的训练方法的一个实施例的流程图；

图3是根据本实施例的人脸识别模型的训练方法的应用场景的示意图；

图4是根据本公开的人脸识别模型的训练方法的又一个实施例的流程图；

图5是根据本公开的人脸识别方法的一个实施例的结构示意图；

图6是根据本公开的人脸识别模型的训练装置的一个实施例的结构图；

图7是根据本公开的人脸识别装置的一个实施例的结构图；

图8是适于用来实现本公开实施例的计算机系统的结构示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

图1示出了可以应用本公开的人脸识别模型的训练方法及装置、人脸识别方法及装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于监控设备、智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如接收用户通过终端设备101、102、103发送的训练请求，利用机器学习方法训练人脸识别模型的后台服务器。在训练过程中，基于人脸特征与预设类别集合中的各类别的类别特征，通过初始人脸识别模型确定人脸特征与各类别特征之间的相似度，以及相似度的偏置，以间接地对特征对中包括的人脸特征和类别特征的之间的特征关系进行不确定性建模。在得到预训练的人脸识别模型后，服务器还可以接收用户通过终端设备发送的待识别图像，进行人脸识别，得到人脸识别结果。作为示例，服务器105可以是云端服务器。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本公开的实施例所提供的人脸识别模型的训练方法、人脸识别方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，人脸识别模型的训练装置、人脸识别装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。

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。当人脸识别模型的训练方法、人脸识别方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括人脸识别模型的训练方法、人脸识别方法运行于其上的电子设备(例如服务器或终端设备)。

请参考图2，图2为本公开实施例提供的一种人脸识别模型的训练方法的流程图，执行如流程200所示的训练操作，直至得到人脸识别模型。

其中，流程200包括以下步骤：

步骤201，从训练样本集中选取训练样本，并通过初始人脸识别模型得到所选取的训练样本中的样本人脸图像的人脸特征。

本实施例中，人脸识别模型的训练方法的执行主体(例如，图1中的终端设备或服务器)可以通过有线网络连接方式或无线网络连接方式从远程，或从本地获取训练样本集。在获取训练样本集后，从训练样本集中选取训练样本，并通过初始人脸识别模型得到所选取的训练样本中的样本人脸图像的人脸特征。

训练样本集中的训练样本包括样本人脸图像和类别标签。样本人脸图像中包括人脸对象，类别标签用于表征类别标签所对应的样本人脸图像中的人脸对象的身份信息或分类信息。

训练样本集可以基于数据采集得到。作为示例，在机场、火车站等换乘场景下，一般需要对现场采集的乘客图像和乘客的证件图像进行比对，以验证乘客与证件图像所表征的人员是否为同一人。在该场景下，上述执行主体可以将现场采集的乘客图像作为样本人脸图像，将与乘客表征同一人的证件图像所表征的身份信息作为类别标签，得到训练数据集。

初始人脸识别模型可以是具有人脸识别功能的任意深度学习模型，包括但不限于是循环神经网络、卷积神经网络、残差网络等网络模型。上述执行主体可以从训练样本集中选取未经过训练的训练样本，将所选取的训练样本中的样本人脸图像输入初始人脸识别模型，通过初始人脸识别模型中的特征提取网络得到人脸特征。

步骤202，基于人脸特征与预设类别集合中的各类别的类别特征，通过初始人脸识别模型确定人脸特征与各类别特征之间的相似度，以及相似度的偏置。

本实施例中，上述执行主体可以基于人脸特征与预设类别集合中的各类别的类别特征，通过初始人脸识别模型确定人脸特征与各类别特征之间的相似度，以及相似度的偏置。

预设类别集合中的各类别包括训练样本集中的训练样本的类别标签对应的类别。在一些情况下，预设类别集合中的各类别即是训练样本集中的各训练样本的类别标签对应的类别。

作为示例，上述执行主体可以采用欧式距离、曼哈顿距离、夹角余弦等方式，确定人脸特征对应的特征向量与各类别特征对应的特征向量之间的相似度。在确定人脸特征与各类别特征之间的相似度后，上述执行主体可以基于向量乘法运算，将人脸特征对应的特征向量与各类别特征对应的特征向量相乘，得到相似度的偏置。可以理解，根据人脸特征与一类别特征得到的相似度，与基于人脸特征与该类别特征得到的偏置相对应。

在本实施例的一些可选的实现方式中，人脸特征为所选取的预设数量的样本人脸图像对应的人脸特征的特征矩阵。其中，预设数量可以根据实际情况(例如上述执行主体的算力、训练时间)灵活设置，在此不做限定。

作为示例，特征矩阵中的每一行用于表征一个样本人脸图像对应的人脸特征，每个人脸特征对应的特征向量包括指定数量个特征维度。

在本实现方式中，对应于特征矩阵，上述执行主体可以将预设类别集合中的每个类别对应的类别特征组合得到类别矩阵。类别矩阵中的每一行用于表征一个类别对应的类别特征，每个类别特征对应的特征向量的特征维度与每个人脸特征对应的特征向量的特征维度相同。

采用欧式距离、曼哈顿距离、夹角余弦等方式，上述执行主体可以根据特征矩阵和类别矩阵，确定相似度矩阵。其中，相似度矩阵用于表征所输入的预设数量个样本人脸图像的人脸特征与预设类别集合中的每个类别的类别特征之间的相似度。

本实现方式中，上述执行主体可以通过如下方式确定相似度的偏置：

首先，基于特征矩阵和表征各类别特征的类别矩阵，通过初始人脸识别模型得到特征关系矩阵。

作为示例，通过初始人脸识别模型中的特征关系网络进行特征矩阵和类别矩阵之间的矩阵乘法运算，得到特征关系矩阵。

然后，对特征关系矩阵进行降维操作，得到相似度对应的相似度矩阵的偏置矩阵。

作为示例，上述执行主体可以基于全连接层对特征关系矩阵进行降维操作，以得到与相似度矩阵的尺寸一致的偏置矩阵。相似度矩阵中的元素与偏置矩阵中的元素一一对应。

本实现方式中，基于特征矩阵和类别矩阵计算相似度矩阵和偏置矩阵，提供了一种偏置矩阵的具体计算方式，提高了训练效率和偏置矩阵的准确度。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式计算相似度：

第一，对人脸特征与各类别特征进行归一化。

本实现方式中，可以采用各种归一化方法对人脸特征与各类别特征进行归一化。作为示例，可以采用如下L2归一化方法进行人脸特征与各类别特征的归一化：针对于人脸特征与各类别特征中的每个特征，上述执行主体确定该特征对应的特征向量中的每个元素的平方和，求取平方和的平方根，并将每个元素的数值除以平方根，得到对该特征的特征向量进行L2归一化的特征向量。

第二，确定归一化后的人脸特征与各类别特征之间的相似度

本实现方式中，上述执行主体可以采用欧式距离、曼哈顿距离、夹角余弦等方式，确定归一化后的人脸特征对应的特征向量与各类别特征对应的特征向量之间的相似度。

本实现方式中，在计算相似度之前先对人脸特征与各类别特征之进行l2归一化，减小训练样本分布对训练过程的影响，可以提高训练后的人脸识别模型的识别精度。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第一步骤：

首先，对特征矩阵中的每个人脸特征进行归一化，得到归一化特征矩阵。

然后，对类别矩阵中的每个类别特征进行归一化，得到归一化类别矩阵。其归一化方法可以采用如L2归一化的各种归一化方法。

在本实现方式中，上述还执行主体可以通过如下方式执行上述第二步骤：

首先，基于归一化特征矩阵与归一化类别矩阵，确定初始相似度矩阵。

然后，基于第一预设数值调整初始相似度矩阵中表征同一人脸对象的特征对之间的相似度，并基于第二预设数值调整初始相似度矩阵中每个特征对之间的相似度，得到相似度矩阵。其中，每个特征对中包括一个人脸特征和一个类别特征。

本实施例中，将样本人脸图像的人脸特征与预设类别集合中样本人脸图像的类别标签对应的类别特征确定为表征同一人脸对象的特征对。

具体的，对于初始相似度矩阵中表征同一人脸对象的特征对之间的相似度，减去第一预设数值；然后，对于初始相似度矩阵中每一特征对之间的相似度，乘以第二预设数值，得到相似度矩阵。

其中，第一预设数值、第二预设数值可以根据实际情况具体设置，在此不做限定。

本实现方式中，基于第一预设数值、第二预设数值，调整初始相似度矩阵，得到相似度矩阵，增加了训练任务难度，可以进一步减小类内(表征同一人脸对象)距离，增大类间(表征不同人脸对象)距离，可以进一步提高训练后的人脸识别模型的识别精度。

步骤203，根据相似度、偏置和所选取的训练样本的类别标签，确定分类损失，并根据分类损失更新初始人脸识别模型。

本实施例中，上述执行主体可以根据相似度、偏置和所选取的训练样本的类别标签，确定分类损失，并根据分类损失更新初始人脸识别模型。

作为示例，首先，上述执行主体可以通过偏置调整该偏置对应的相似度，得到调整后的、输入的样本人脸图像的人脸特征与各类别特征之间的相似度。然后，通过全连接层得到样本人脸图像属于预设类别集合中的每个类别的概率。然后，根据样本人脸图像属于预设类别集合中的每个类别的概率，以及类别标签，确定分类损失。最后，根据分类损失计算梯度信息，通过梯度下降法、随机梯度下降法更新初始人脸识别模型。

本实施例中，上述执行主体可以循环执行上述步骤201-203所示的训练操作，响应于确定达到预设结束条件，得到人脸识别模型。其中，预设结束条件例如可以是训练时间超过预设时间阈值，训练次数超过预设次数阈值，分类损失趋于收敛。

在本实施例的一些可选的实现方式中，上述执行主体可通过如下方式执行上述步骤203：

第一，根据偏置矩阵调整相似度矩阵，得到调整后相似度矩阵。

具体的，对于相似度矩阵中的每个相似度元素，减去偏置矩阵中该相似度元素对应于的偏置元素的数值，得到调整后相似度矩阵中对应于该相似度元素的元素的数值。

第二，根据调整后相似度矩阵和所选取的训练样本的类别标签，确定分类损失。

本实现方式中，根据调整后相似度矩阵与所选取的预设数量个训练样本的类别标签计算分类损失，提高了训练效率。

继续参见图3，图3是根据本实施例的人脸识别模型的训练方法的应用场景的一个示意图300。在图3的应用场景中，服务器首先获取训练样本集301。其中，训练样本集中的训练样本包括样本人脸图像和类别标签。在获取训练样本集301之后，服务器训练执行如下训练操作，直至得到人脸识别模型：首先，从训练样本集301中选取训练样本，并通过初始人脸识别模型302得到所选取的训练样本中的样本人脸图像的人脸特征3021。基于人脸特征3021与预设类别集合303中的各类别的类别特征，通过初始人脸识别模型确定人脸特征与各类别特征之间的相似度3022，以及相似度的偏置3023。最后，根据相似度3022、偏置3023和所选取的训练样本的类别标签，确定分类损失3024，并根据分类损失3024更新初始人脸识别模型302。

本实施例中，在人脸识别模型的训练过程中，在确定人脸特征与预设类别集合中的各类别的类别特征之间的相似度的同时，确定相似度的偏置，以间接地对特征对中包括的人脸特征和类别特征的之间的特征关系进行不确定性建模，进而更好地表征特征对所对应的样本对(尤其是较难表征的困难样本对)中包括的输入的样本人脸图像和预设类别集合中的一个类别之间的关系，可以提高人脸识别模型的识别精度。

继续参考图4，示出了根据本公开的方法的一个人脸识别模型的训练方法实施例的示意性流程400，通过循环执行如流程400所示的训练操作，得到人脸识别模型。其中，流程400包括以下步骤：

步骤401，从训练样本集中选取预设数量个训练样本，并通过初始人脸识别模型得到表征所选取的训练样本中的样本人脸图像的人脸特征的特征矩阵。

其中，训练样本集中的训练样本包括样本人脸图像和类别标签。

步骤402，对特征矩阵中的每个人脸特征进行归一化，得到归一化特征矩阵。

步骤403，对表征预设类别集合中的各类别的类别特征的类别矩阵中的每个类别特征进行归一化，得到归一化类别矩阵。

步骤404，基于归一化特征矩阵与归一化类别矩阵，确定初始相似度矩阵。

步骤405，基于第一预设数值调整初始相似度矩阵中表征同一人脸对象的特征对之间的相似度，并基于第二预设数值调整初始相似度矩阵中每个特征对之间的相似度，得到相似度矩阵。

其中，每个特征对中包括一个人脸特征和一个类别特征。

步骤406，基于特征矩阵和表征各类别特征的类别矩阵，通过初始人脸识别模型得到特征关系矩阵。

步骤407，对特征关系矩阵进行降维操作，得到相似度对应的相似度矩阵的偏置矩阵。

步骤408，根据偏置矩阵调整相似度矩阵，得到调整后相似度矩阵。

步骤409，根据调整后相似度矩阵和所选取的训练样本的类别标签，确定分类损失。

步骤410，根据分类损失更新初始人脸识别模型。

从本实施例中可以看出，与图2对应的实施例相比，本实施例中的人脸识别模型的训练方法的流程400具体说明了相似度矩阵的确定过程，偏置矩阵的确定过程，提高了人脸识别模型的训练效率、训练精度。

请参考图5，图5为本公开实施例提供的一种人脸识别方法的流程图，其中，流程500包括以下步骤：

步骤501，获取待识别图像。

本实施例中，人脸识别方法的执行主体(例如图1中的终端设备或服务器)可以通过有线网络连接方式或无线网络连接方式从远程，或从本地获取待识别图像。

其中，待识别图像可以是任意图像。作为示例，待识别图像为监控设备所摄取的视频中的每帧图像。

步骤502，通过预训练的人脸识别模型识别待识别图像，得到人脸识别结果。

本实施例中，上述执行主体可以通过预训练的人脸识别模型识别待识别图像，得到人脸识别结果。人脸识别结果用户表征待识别图像中的人脸对象的身份信息或类别信息。

其中，人脸识别模型基于上述实施例200、400所示的训练方法得到。

本实现例中，通过人脸识别模型得到待识别图像的人脸识别结果，提高了人脸识别结果的识别精度。

继续参考图6，作为对上述各图所示方法的实现，本公开提供了一种人脸识别模型的训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，人脸识别模型的训练装置执行如下训练操作，直至得到人脸识别模型：得到单元601，被配置成从训练样本集中选取训练样本，并通过初始人脸识别模型得到所选取的训练样本中的样本人脸图像的人脸特征，其中，训练样本集中的训练样本包括样本人脸图像和类别标签；确定单元602，被配置成基于人脸特征与预设类别集合中的各类别的类别特征，通过初始人脸识别模型确定人脸特征与各类别特征之间的相似度，以及相似度的偏置；更新单元603，被配置成根据相似度、偏置和所选取的训练样本的类别标签，确定分类损失，并根据分类损失更新初始人脸识别模型。

在本实施例的一些可选的实现方式中，人脸特征为所选取的预设数量的样本人脸图像对应的特征矩阵；以及确定单元602，进一步被配置成：基于特征矩阵和表征各类别特征的类别矩阵，通过初始人脸识别模型得到特征关系矩阵；对特征关系矩阵进行降维操作，得到相似度对应的相似度矩阵的偏置矩阵。

在本实施例的一些可选的实现方式中，相似度对应的相似度矩阵和偏置对应的偏置矩阵尺寸一致；以及更新单元603，进一步被配置成：根据偏置矩阵调整相似度矩阵，得到调整后相似度矩阵；根据调整后相似度矩阵和所选取的训练样本的类别标签，确定分类损失。

在本实施例的一些可选的实现方式中，确定单元602，进一步被配置成：对人脸特征与各类别特征进行归一化；确定归一化后的人脸特征与各类别特征之间的相似度。

在本实施例的一些可选的实现方式中，确定单元602，进一步被配置成：对特征矩阵中的每个人脸特征进行归一化，得到归一化特征矩阵；对类别矩阵中的每个类别特征进行归一化，得到归一化类别矩阵；基于归一化特征矩阵与归一化类别矩阵，确定初始相似度矩阵；基于第一预设数值调整初始相似度矩阵中表征同一人脸对象的特征对之间的相似度，并基于第二预设数值调整初始相似度矩阵中每个特征对之间的相似度，得到相似度矩阵，其中，每个特征对中包括一个人脸特征和一个类别特征。

本实施例中，在人脸识别模型的训练过程中，在确定人脸特征与预设类别集合中的各类别的类别特征之间的相似度的同时，确定相似度的偏置，以间接地对特征对中包括的人脸特征和类别特征的之间的特征关系进行不确定性建模，进而更好地表征特征对所对应的样本对(尤其是较难表征的困难样本对)中包括的输入的样本人脸图像和预设类别集合中的一个类别之间的关系，可以提高人脸识别模型的识别精度。

继续参考图7，作为对上述各图所示方法的实现，本公开提供了一种人脸识别装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，人脸识别模型的训练装置包括：获取单元701，被配置成获取待识别图像；识别单元702，被配置成通过预训练的人脸识别模型识别待识别图像，得到人脸识别结果。其中，人脸识别模型通过实施例200、400训练得到。

本实现例中，通过人脸识别模型得到待识别图像的人脸识别结果，提高了人脸识别结果的识别精度。

根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：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，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的人脸识别模型的训练方法、人脸识别方法。

根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的人脸识别模型的训练方法、人脸识别方法。

本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的人脸识别模型的训练方法、人脸识别方法。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如人脸识别模型的训练方法、人脸识别方法。例如，在一些实施例中，人脸识别模型的训练方法、人脸识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的人脸识别模型的训练方法、人脸识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人脸识别模型的训练方法、人脸识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷；也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开实施例的技术方案，在人脸识别模型的训练过程中，在确定人脸特征与预设类别集合中的各类别的类别特征之间的相似度的同时，确定相似度的偏置，以间接地对特征对中包括的人脸特征和类别特征的之间的特征关系进行不确定性建模，进而更好地表征特征对所对应的样本对(尤其是较难表征的困难样本对)中包括的输入的样本人脸图像和预设类别集合中的一个类别之间的关系，可以提高人脸识别模型的识别精度。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种人脸识别模型的训练方法，执行如下训练操作，直至得到所述人脸识别模型：

从训练样本集中选取训练样本，并通过初始人脸识别模型得到所选取的训练样本中的样本人脸图像的人脸特征，其中，所述训练样本集中的训练样本包括样本人脸图像和类别标签；

基于所述人脸特征与预设类别集合中的各类别的类别特征，通过所述初始人脸识别模型确定所述人脸特征与各类别特征之间的相似度，以及所述相似度的偏置，其中，所述偏置基于向量乘法运算，将所述人脸特征对应的特征向量与各类别的类别特征对应的特征向量相乘得到；

根据所述相似度、所述偏置和所选取的训练样本的类别标签，确定分类损失，并根据所述分类损失更新所述初始人脸识别模型；

其中，所述相似度对应的相似度矩阵和所述偏置对应的偏置矩阵尺寸一致；以及

所述根据所述相似度、所述偏置和所选取的训练样本的类别标签，确定分类损失，包括：根据所述偏置矩阵调整所述相似度矩阵，得到调整后相似度矩阵；根据所述调整后相似度矩阵和所选取的训练样本的类别标签，确定所述分类损失。

2.根据权利要求1所述的方法，其中，所述人脸特征为所选取的预设数量的样本人脸图像对应的特征矩阵；以及

基于所述人脸特征与预设类别集合中的各类别的类别特征，通过所述初始人脸识别模型确定所述相似度的偏置，包括：

基于所述特征矩阵和表征各类别特征的类别矩阵，通过所述初始人脸识别模型得到特征关系矩阵；

对所述特征关系矩阵进行降维操作，得到所述相似度对应的相似度矩阵的偏置矩阵。

3.根据权利要求1-2中任一项所述的方法，其中，所述基于所述人脸特征与预设类别集合中的各类别的类别特征，通过所述初始人脸识别模型确定所述人脸特征与各类别特征之间的相似度，包括：

对所述人脸特征与各类别特征进行归一化；

确定归一化后的所述人脸特征与各类别特征之间的相似度。

4.根据权利要求3所述的方法，其中，所述对所述人脸特征与各类别特征进行归一化，包括：

对所述特征矩阵中的每个人脸特征进行归一化，得到归一化特征矩阵；

对所述类别矩阵中的每个类别特征进行归一化，得到归一化类别矩阵；以及

所述确定归一化后的所述人脸特征与各类别特征之间的相似度，包括：

基于所述归一化特征矩阵与所述归一化类别矩阵，确定初始相似度矩阵；

基于第一预设数值调整所述初始相似度矩阵中表征同一人脸对象的特征对之间的相似度，并基于第二预设数值调整所述初始相似度矩阵中每个特征对之间的相似度，得到所述相似度矩阵，其中，每个特征对中包括一个人脸特征和一个类别特征。

5.一种人脸识别方法，包括：

获取待识别图像；

通过预训练的人脸识别模型识别所述待识别图像，得到人脸识别结果，其中，所述人脸识别模型通过权利要求1-4中任一项训练得到。

6.一种人脸识别模型的训练装置，执行如下训练操作，直至得到所述人脸识别模型：

得到单元，被配置成从训练样本集中选取训练样本，并通过初始人脸识别模型得到所选取的训练样本中的样本人脸图像的人脸特征，其中，所述训练样本集中的训练样本包括样本人脸图像和类别标签；

确定单元，被配置成基于所述人脸特征与预设类别集合中的各类别的类别特征，通过所述初始人脸识别模型确定所述人脸特征与各类别特征之间的相似度，以及所述相似度的偏置，其中，所述偏置基于向量乘法运算，将所述人脸特征对应的特征向量与各类别的类别特征对应的特征向量相乘得到；

更新单元，被配置成根据所述相似度、所述偏置和所选取的训练样本的类别标签，确定分类损失，并根据所述分类损失更新所述初始人脸识别模型；

其中，所述相似度对应的相似度矩阵和所述偏置对应的偏置矩阵尺寸一致；以及

所述更新单元，进一步被配置成：

根据所述偏置矩阵调整所述相似度矩阵，得到调整后相似度矩阵；根据所述调整后相似度矩阵和所选取的训练样本的类别标签，确定所述分类损失。

7.根据权利要求6所述的装置，其中，所述人脸特征为所选取的预设数量的样本人脸图像对应的特征矩阵；以及

所述确定单元，进一步被配置成：

基于所述特征矩阵和表征各类别特征的类别矩阵，通过所述初始人脸识别模型得到特征关系矩阵；对所述特征关系矩阵进行降维操作，得到所述相似度对应的相似度矩阵的偏置矩阵。

8.根据权利要求6-7中任一项所述的装置，其中，所述确定单元，进一步被配置成：

对所述人脸特征与各类别特征进行归一化；确定归一化后的所述人脸特征与各类别特征之间的相似度。

9.根据权利要求8所述的装置，其中，所述确定单元，进一步被配置成：

对所述特征矩阵中的每个人脸特征进行归一化，得到归一化特征矩阵；对所述类别矩阵中的每个类别特征进行归一化，得到归一化类别矩阵；基于所述归一化特征矩阵与所述归一化类别矩阵，确定初始相似度矩阵；基于第一预设数值调整所述初始相似度矩阵中表征同一人脸对象的特征对之间的相似度，并基于第二预设数值调整所述初始相似度矩阵中每个特征对之间的相似度，得到所述相似度矩阵，其中，每个特征对中包括一个人脸特征和一个类别特征。

10.一种人脸识别装置，包括：

获取单元，被配置成获取待识别图像；

识别单元，被配置成通过预训练的人脸识别模型识别所述待识别图像，得到人脸识别结果，其中，所述人脸识别模型通过权利要求6-9中任一项训练得到。

11.一种电子设备，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权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。