CN113887538B - 模型训练、人脸识别方法、电子设备及存储介质 - Google Patents

模型训练、人脸识别方法、电子设备及存储介质 Download PDF

Info

Publication number
CN113887538B
CN113887538B CN202111473544.6A CN202111473544A CN113887538B CN 113887538 B CN113887538 B CN 113887538B CN 202111473544 A CN202111473544 A CN 202111473544A CN 113887538 B CN113887538 B CN 113887538B
Authority
CN
China
Prior art keywords
image
face
training
classification
loss
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
CN202111473544.6A
Other languages
English (en)
Other versions
CN113887538A (zh
Inventor
浦煜
胡长胜
何武
付贤强
朱海涛
户磊
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.)
Hefei Dilusense Technology Co Ltd
Original Assignee
Beijing Dilusense Technology Co Ltd
Hefei Dilusense 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 Dilusense Technology Co Ltd, Hefei Dilusense Technology Co Ltd filed Critical Beijing Dilusense Technology Co Ltd
Priority to CN202111473544.6A priority Critical patent/CN113887538B/zh
Publication of CN113887538A publication Critical patent/CN113887538A/zh
Application granted granted Critical
Publication of CN113887538B publication Critical patent/CN113887538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例涉及图像处理领域，公开了一种模型训练、人脸识别方法、电子设备及存储介质，其中模型训练方法包括：获取包含人脸的图像样本和所述图像样本的类别标签；将所述图像样本输入至由特征提取层和分类层搭建的网络结构进行训练，得到训练完成后的所述特征提取层；其中，训练所述特征提取层时的损失函数，是基于所述图像样本的类别标签与所述分类层输出的分类结果之间的分类损失、以及相同类别标签下图像样本的特征向量之间的方向损失构建。本方案能够使得类别相同的样本特征在特征空间中不仅可以聚类，而且可以聚集在同一方向，降低样本特征方差，缓解训练阶段和测试阶段的差异性，提高模型的人脸识别准确率。

Description

模型训练、人脸识别方法、电子设备及存储介质
技术领域
本发明涉及图像处理领域，特别涉及一种模型训练、人脸识别方法、电子设备及存储介质。
背景技术
人脸识别作为当前热门应用领域和研发方向之一，在安防、金融支付、公共服务等领域具有十分广泛的应用。伴随着深度学习技术的发展，目前主流的人脸识别模型都是基于深度学习的方法训练得到的。近些年来，基于对余弦距离加margin的分类损失提出和优化，促进了人脸识别快速发展。例如SphereFace、CosFace、ArcFace、MvSoftmax等一系列识别方法通过增加类特征间角度间隔促使深度网络模型抽取出更具区分力的人脸特征，取得了很高的识别准确率。
上述方法在训练过程中一般采用特征提取层+分类层的网络结构，先通过特征提取层提取出人脸特征，再通过分类层得到不同人脸类别概率，结合类别标签构建损失函数，训练网络参数。然而在测试阶段，摒弃分类层，直接使用特征提取层提取出的特征计算余弦距离来衡量特征之间相似度，这就导致训练和测试阶段具有差异性。例如在训练阶段，分类层权重W每一列可以视为类别中心，当训练网络收敛时，类内的每个样本特征与其对应的类别中心都具有较高的相似度，但是当测试时，没有了类别中心的概念，在高维特征空间中类内的不同样本特征方差较大，其相似度并不会很高，直接影响识别效果。
发明内容
本发明实施方式的目的在于提供一种模型训练、人脸识别方法、电子设备及存储介质、电子设备及存储介质，能够缓解训练阶段和测试阶段的差异性，提高模型的人脸识别准确率。
为解决上述技术问题，本发明的实施方式提供了一种模型训练方法，包括：
获取包含人脸的图像样本和所述图像样本的类别标签；
将所述图像样本输入至由特征提取层和分类层搭建的网络结构进行训练，得到训练完成后的所述特征提取层；
其中，训练所述特征提取层时的损失函数，是基于所述图像样本的类别标签与所述分类层输出的分类结果之间的分类损失、以及相同类别标签下图像样本的特征向量之间的方向损失构建。
本发明的实施方式还提供了一种人脸识别方法，包括：
采用如上所述的模型训练方法所训练出的特征提取层对待识别人脸图像进行人脸识别，得到人脸图像的特征向量；
将所述人脸图像的特征向量与注册特征库中的人脸特征向量进行相似比对，确定所述待识别人脸的身份信息。
本发明的实施方式还提供了一种电子设备，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上所述的模型训练方法，或者如上所述的人脸识别方法。
本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的模型训练方法，或者如上所述的人脸识别方法。
本发明实施方式相对于现有技术而言，通过获取包含人脸的图像样本和图像样本的类别标签；将图像样本输入至由特征提取层和分类层搭建的网络结构进行训练，得到训练完成后的特征提取层；其中，训练特征提取层时的损失函数，是基于图像样本的类别标签与分类层输出的分类结果之间的分类损失、以及相同类别标签下图像样本的特征向量之间的方向损失构建。本方案在训练特征提取层时，除了采用分类损失，还增加了图像样本的特征向量之间的方向损失，以保证类别相同的样本特征在特征空间中不仅可以聚类，而且可以聚集在同一方向，降低样本特征方差，缓解训练阶段和测试阶段的差异性，提高模型的人脸识别准确率。
附图说明
图1是根据本发明实施方式的模型训练方法的具体流程图；
图2是根据本发明实施方式的人脸识别方法的具体流程图；
图3是根据本发明实施方式的电子设备的结构示意图。
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。
本发明的一实施方式涉及一种模型训练方法，如图1所示，本实施例提供的模型训练方法，包括如下步骤。
步骤101：获取包含人脸的图像样本和图像样本的类别标签。
具体地，获取不同人身份（ID）在不同场景下的人脸图像作为训练集（本实施例中以彩色图像为例），并进行人脸图像的类别标注，即对人脸图像打上类别标签，相同ID的不同人脸图像的类别标签一致。
在一个例子中，获取包含人脸的图像样本可通过如下步骤实现：
步骤1：对包含人脸的原始图像进行人脸检测，得到人脸关键点。
具体地，在获取的原始人脸图像中，包括人脸区域和背景区域，对原始人脸图像进行人脸检测，得到人脸关键点。人脸关键点通常包括但不局限于：左眼角、右眼角、鼻子、左嘴角、右嘴角位置的关键点。
步骤2：通过原始图像中人脸关键点与预设的人脸模板关键点的坐标对应关系，计算相似矩阵。
具体地，利用从原始图像中检测到的人脸关键点坐标和预设的人脸模板关键点坐标之间的对应关系，计算用于原始图像到人脸模板图像变换的相似矩阵。
步骤3：利用相似矩阵对原始图像进行变换，并对变换后的原始图像进行剪裁，得到统一图像尺寸的图像样本。
利用步骤2得到的相似矩阵对原始图像进行变换，之后裁剪变换后的原始图像为合适的包含人脸区域的图像作为训练特征提取层的图像样本。本实施例中裁剪后的图像尺寸可统一设置为224x224。
此外，在得到原始的图像样本后，为了丰富图像样本数量还可以通过步骤4~步骤5对图像样本进行数据增强。
步骤4：对剪裁后得到的图像样本通过如下方式中的至少一种进行数据增强：翻转、添加噪声、调整对比度和调整亮度。
步骤5：对数据增强后的图像样本中像素值进行归一化。
具体地，对上述裁剪后得到的原始图像样本进行数据增强，包括但不限于随机翻转、添加随机噪声、随机对比度调整、随机亮度调整等增强手段；之后，可将图像样本中各像素值减去127.5后除以128进行归一化处理，便于后续网络训练。
步骤102：将图像样本输入至由特征提取层和分类层搭建的网络结构进行训练，得到训练完成后的特征提取层；其中，训练特征提取层时的损失函数，是基于图像样本的类别标签与分类层输出的分类结果之间的分类损失、以及相同类别标签下图像样本的特征向量之间的方向损失构建。
具体地，本实施例待训练的网络结构是特征提取层+分类层的组合网络。其中，特征提取层是最终训练所得到的有效网络，用于提取人脸图像的特征向量；分类层用于对特征提取层提取的人脸图像的特征向量进行分类损失验证。分类损失是表征图像样本的类别标签与分类层输出的分类结果之间的数据损失。在此基础上，本实施例还增加了一训练约束项，即相同类别标签下图像样本的特征向量之间的方向损失。
将上述图像样本输入到待训练特征提取层和用于分类损失验证的分类层所构成的网络结构进行模型训练。本实施例中对特征提取层的网络结构无特殊要求，一般人脸识别常用网络皆可。在训练过程中，为了使同一ID的人脸图像对应的人脸特征与其他ID的人脸特征分开，可使用分类损失函数或度量损失函数。其中度量损失函数为了避免计算开销、加快训练速度常常需要设计精巧的采样策略，导致效果对采样策略非常敏感。因此，本实施例中主要基于分类损失函数进行分类损失的构建。
在一个例子中，分类损失可以为通过softmax损失函数得到的损失Lsoftmax：
Figure 849138DEST_PATH_IMAGE001
………………………（1）
或者，分类损失可以为通过间隔损失函数得到的损失Lmargin：
Figure 379477DEST_PATH_IMAGE002
………………………（2）
其中，x为图像样本的特征向量、w k 为分类权重、k为预设的类别项（其中
Figure DEST_PATH_IMAGE003
）、K为类别项的数量、y为图像样本的类别标签、
Figure 585199DEST_PATH_IMAGE004
为w k 和x之间的角度、
Figure DEST_PATH_IMAGE005
为余弦距离、w k T 为w k 的转置、S为尺度因子、m为间隔参数、
Figure 466567DEST_PATH_IMAGE006
为间隔函数。
上述公式（2）可视为对公式（1）的改进，为了进一步增强分类层的分类能力，在softmax损失的基础上出现了Cosface、Arcface等为代表的基于加性或乘性间隔（margin）的损失，本实施例基于此给出了如公式（2）的通过间隔损失函数得到的损失Lmargin。
然而，单纯使用上述分类损失函数训练的特征提取层，在实际测试时和训练阶段具有差异性。具体地，将分类权重w k 的每一个列向量视为各类别项的类中心向量，训练阶段优化目标是将同类别图像样本的特征向量和该类别的类中心向量拉近，从而忽略了类内图像样本特征向量自身的分布，导致在测试阶段图像样本的特征向量间的相似度不匹配。例如，对于类中心向量w center ，在超球面特征空间中，有同类别图像样本的特征向量x 1和x 2，且和w center 之间的相似度都为
Figure DEST_PATH_IMAGE007
,理论上我们期望x 1和x 2的相似度为1，然而由于并未对样本向量分布作约束，实际两者相似度可以达到
Figure 963408DEST_PATH_IMAGE008
。为此本实施例引入方向向量的概念，将图像样本的特征向量和对应的类中心向量归一化后做差，代表图像样本的特征向量分布的方向向量，类内各方向向量的均值作为方向均值向量。据此，方向损失可通过如下过程构建。
步骤1：针对同一类别项下的图像样本，采用如下公式统计各图像样本的特征向量与该类别项的分类权重之间差值方向的方向向量和方向均值向量：
Figure DEST_PATH_IMAGE009
………………………（3）
Figure 879411DEST_PATH_IMAGE010
………………………（4）
其中，
Figure DEST_PATH_IMAGE011
为所属第k类的类别项中第i个图像样本的特征向量x i 与第k类的类别项的分类权重w k 之间差值方向的方向向量、
Figure 787193DEST_PATH_IMAGE012
为所有
Figure 155858DEST_PATH_IMAGE011
对应的方向均值向量、w k T 为w k 的转置、N为所属第k类的类别项中所有图像样本的特征向量x i 的数量.
具体地，针对训练过程中同一批次内的样本进行公式（3）、（4）的处理，得到该批次样本中，各图像样本的特征向量与该类别项的分类权重之间差值方向的方向向量
Figure DEST_PATH_IMAGE013
和方向均值向量
Figure 190810DEST_PATH_IMAGE014
。
步骤2：通过如下公式计算方向损失L p ：
Figure DEST_PATH_IMAGE015
………………………（5）
其中，N batch 为批大小、Cov为协方差算子、Var为方差算子、K为类别项的数量。
具体地，针对训练过程中同一批次内的样本进行公式5的处理，得到该批次样本中，各图像样本的特征向量之间的方向损失L p 。
此外，在训练特征提取层过程中，还可对上述方向均值向量按迭代训练周期进行更新：
Figure 679429DEST_PATH_IMAGE016
………………………（6）
其中，
Figure 243265DEST_PATH_IMAGE017
为上一次迭代训练周期所使用的方向均值向量、
Figure 895963DEST_PATH_IMAGE014
为本次迭代训练周期统计得到的方向均值向量、
Figure 469027DEST_PATH_IMAGE018
为本次迭代训练周期所使用的方向均值向量。
具体地，以上述分类损失和方向损失作为监督，使用随机梯度下降方法进行网络结构迭代训练，在每次迭代过程中，为了训练稳定，可对方向均值向量进行如公式（6）的更新。当损失项收敛后，保存特征提取层的网络参数，作为最终的人脸识别模型。
在一个例子中，训练特征提取层时的损失函数L可通过如下公式计算：
L=L 1 +b*L 2 ………………………（7）
其中，L 1 为分类损失、L 2 为方向损失、b为调节因子。
与相关技术相比，本实施例通过获取包含人脸的图像样本和图像样本的类别标签；将图像样本输入至由特征提取层和分类层搭建的网络结构进行训练，得到训练完成后的特征提取层；其中，训练特征提取层时的损失函数，是基于图像样本的类别标签与分类层输出的分类结果之间的分类损失、以及相同类别标签下图像样本的特征向量之间的方向损失构建。本方案在训练特征提取层时，除了采用分类损失，还增加了图像样本的特征向量之间的方向损失，以保证类别相同的样本特征在特征空间中不仅可以聚类，而且可以聚集在同一方向，降低样本特征方差，缓解训练阶段和测试阶段的差异性，提高模型的人脸识别准确率。
本发明的另一实施方式涉及一种人脸识别方法，如图2所示，该人脸识别方法包括如下步骤。
步骤201：采用特征提取层对待识别人脸图像进行人脸识别，得到人脸图像的特征向量。其中，特征提取层为通过图1所示方法实施例中模型训练方法训练得到的特征提取层，用于提取人脸图像的特征向量。在此对特征提取层的训练过程不做赘述。
步骤202：将人脸图像的特征向量与注册特征库中的人脸特征向量进行相似比对，确定待识别人脸的身份信息。
与相关技术相比，本实施例通过采用特征提取层对待识别人脸图像进行人脸识别，得到人脸图像的特征向量；将人脸图像的特征向量与注册特征库中的人脸特征向量进行相似比对，确定待识别人脸的身份信息。由于在训练特征提取层时，除了采用分类损失，还增加了图像样本的特征向量之间的方向损失，以保证类别相同的样本特征在特征空间中不仅可以聚类，而且可以聚集在同一方向，降低样本特征方差，缓解训练阶段和测试阶段的差异性，提高模型的人脸识别准确率。
本发明的另一实施方式涉及一种电子设备，如图3所示，包括至少一个处理器302；以及，与至少一个处理器302通信连接的存储器301；其中，存储器301存储有可被至少一个处理器302执行的指令，指令被至少一个处理器302执行，以使至少一个处理器302能够执行上述任一方法实施例。
其中，存储器301和处理器302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302和存储器301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302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送给处理器302。
处理器302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301可以被用于存储处理器302在执行操作时所使用的数据。
本发明的另一实施方式涉及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任一方法实施例。
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，RandomAccessMemory）、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，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (9)

1.一种人脸识别模型的训练方法，其特征在于，包括：
获取包含人脸的图像样本和所述图像样本的类别标签；
将所述图像样本输入至由特征提取层和分类层搭建的网络结构进行训练，得到训练完成后的所述特征提取层；
其中，训练所述特征提取层时的损失函数，是基于所述图像样本的类别标签与所述分类层输出的分类结果之间的分类损失、以及相同类别标签下图像样本的特征向量之间的方向损失构建；
所述方向损失通过如下过程构建：
针对同一类别项下的图像样本，采用如下公式统计各图像样本的特征向量与该类别项的分类权重之间差值方向的方向向量和方向均值向量：
Figure 509513DEST_PATH_IMAGE001
Figure 237297DEST_PATH_IMAGE002
其中，
Figure 273517DEST_PATH_IMAGE003
为所属第k类的类别项中第i个图像样本的特征向量x i 与第k类的类别项的分类权重w k 之间差值方向的方向向量、
Figure 541688DEST_PATH_IMAGE004
为所有
Figure 596231DEST_PATH_IMAGE003
对应的方向均值向量、w k T 为w k 的转置、N为所属第k类的类别项中所有图像样本的特征向量x i 的数量；
通过如下公式计算所述方向损失L p ：
Figure 557234DEST_PATH_IMAGE005
其中，N batch 为批大小、Cov为协方差算子、Var为方差算子、K为所述类别项的数量。
2.根据权利要求1所述的方法，其特征在于，所述获取包含人脸的图像样本包括：
对包含人脸的原始图像进行人脸检测，得到人脸关键点；
通过所述原始图像中人脸关键点与预设的人脸模板关键点的坐标对应关系，计算相似矩阵；
利用所述相似矩阵对所述原始图像进行变换，并对变换后的原始图像进行剪裁，得到统一图像尺寸的所述图像样本。
3.根据权利要求2所述的方法，其特征在于，所述利用所述相似矩阵对所述原始图像进行变换，并对变换后的原始图像进行剪裁，得到统一图像尺寸的所述图像样本之后，还包括：
对剪裁后得到的所述图像样本通过如下方式中的至少一种进行数据增强：翻转、添加噪声、调整对比度和调整亮度；
对数据增强后的所述图像样本中像素值进行归一化。
4.根据权利要求1所述的方法，其特征在于，所述分类损失为通过softmax损失函数得到的损失Lsoftmax：
Figure 349259DEST_PATH_IMAGE006
或者，所述分类损失为通过间隔损失函数得到的损失Lmargin：
Figure 155541DEST_PATH_IMAGE007
其中，x为所述图像样本的特征向量、w k 为分类权重、k为预设的类别项、K为所述类别项的数量、y为所述图像样本的类别标签、
Figure 330171DEST_PATH_IMAGE008
为w k 和x之间的角度、
Figure 399758DEST_PATH_IMAGE009
为余弦距离、w k T 为w k 的转置、S为尺度因子、m为间隔参数、
Figure 659838DEST_PATH_IMAGE010
为间隔函数。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在训练所述特征提取层过程中，对所述方向均值向量按迭代训练周期进行更新：
Figure 20543DEST_PATH_IMAGE011
其中，
Figure 315258DEST_PATH_IMAGE012
为上一次迭代训练周期所使用的方向均值向量、
Figure 618064DEST_PATH_IMAGE004
为本次迭代训练周期统计得到的方向均值向量、
Figure 99861DEST_PATH_IMAGE013
为本次迭代训练周期所使用的方向均值向量。
6.根据权利要求1-4任一项所述的方法，其特征在于，训练所述特征提取层时的损失函数L通过如下公式计算：
L=L 1 +b*L 2
其中，L 1 为所述分类损失、L 2 为所述方向损失、b为调节因子。
7.一种人脸识别方法，其特征在于，包括：
采用权利要求1-6中任一项所述的人脸识别模型的训练方法所训练出的特征提取层对待识别人脸图像进行人脸识别，得到人脸图像的特征向量；
将所述人脸图像的特征向量与注册特征库中的人脸特征向量进行相似比对，确定所述待识别人脸的身份信息。
8.一种电子设备，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6中任一项所述的人脸识别模型的训练方法，或者如权利要求7所述的人脸识别方法。
9.一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如权利要求1至6中任一项所述的人脸识别模型的训练方法，或者如权利要求7所述的人脸识别方法。
CN202111473544.6A 2021-11-30 2021-11-30 模型训练、人脸识别方法、电子设备及存储介质 Active CN113887538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111473544.6A CN113887538B (zh) 2021-11-30 2021-11-30 模型训练、人脸识别方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111473544.6A CN113887538B (zh) 2021-11-30 2021-11-30 模型训练、人脸识别方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113887538A CN113887538A (zh) 2022-01-04
CN113887538B true CN113887538B (zh) 2022-03-25

Family

ID=79016352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111473544.6A Active CN113887538B (zh) 2021-11-30 2021-11-30 模型训练、人脸识别方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113887538B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620083B (zh) * 2022-09-29 2023-08-29 合肥的卢深视科技有限公司 模型训练方法、人脸图像质量评价方法、设备及介质
CN115908260B (zh) * 2022-10-20 2023-10-20 北京的卢铭视科技有限公司 模型训练方法、人脸图像质量评价方法、设备及介质
CN115410265B (zh) * 2022-11-01 2023-01-31 合肥的卢深视科技有限公司 模型训练方法、人脸识别方法、电子设备及存储介质
CN116129227B (zh) * 2023-04-12 2023-09-01 合肥的卢深视科技有限公司 模型训练方法、装置、电子设备及计算机可读存储介质
CN116912920B (zh) * 2023-09-12 2024-01-05 深圳须弥云图空间科技有限公司 表情识别方法及装置
CN118230396A (zh) * 2024-05-22 2024-06-21 苏州元脑智能科技有限公司 人脸识别及其模型训练方法、装置、设备、介质及产品

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084216A (zh) * 2019-05-06 2019-08-02 苏州科达科技股份有限公司 人脸识别模型训练和人脸识别方法、系统、设备及介质
CN110197102A (zh) * 2018-02-27 2019-09-03 腾讯科技（深圳）有限公司 人脸识别方法及装置
CN110909623A (zh) * 2019-10-31 2020-03-24 南京邮电大学 三维目标检测方法及三维目标检测器
CN111144242A (zh) * 2019-12-13 2020-05-12 中国科学院深圳先进技术研究院 一种三维目标检测方法、装置及终端
CN111784762A (zh) * 2020-06-01 2020-10-16 北京理工大学 X光造影图像血管中心线提取方法及装置
CN111967392A (zh) * 2020-08-18 2020-11-20 广东电科院能源技术有限责任公司 一种人脸识别神经网络训练方法、系统、设备及储存介质
CN112464916A (zh) * 2020-12-31 2021-03-09 上海齐感电子信息科技有限公司 人脸识别方法及其模型训练方法
CN112766164A (zh) * 2021-01-20 2021-05-07 深圳力维智联技术有限公司 人脸识别模型训练方法、装置、设备及可读存储介质
WO2021120752A1 (zh) * 2020-07-28 2021-06-24 平安科技（深圳）有限公司 域自适应模型训练、图像检测方法、装置、设备及介质
CN113158929A (zh) * 2021-04-27 2021-07-23 河南大学 基于距离和方向的深度鉴别度量学习亲属关系验证框架
CN113221962A (zh) * 2021-04-21 2021-08-06 哈尔滨工程大学 一种解耦分类与回归任务的三维点云单阶段目标检测方法
CN113449704A (zh) * 2021-08-31 2021-09-28 北京的卢深视科技有限公司 人脸识别模型训练方法、装置、电子设备及存储介质
CN113505817A (zh) * 2021-06-17 2021-10-15 浙江优特轴承有限公司 不均衡数据下轴承故障诊断模型样本自适应加权训练方法
CN113627361A (zh) * 2021-08-13 2021-11-09 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置及计算机程序产品
AU2021105870A4 (en) * 2021-08-18 2021-11-18 Meenakshi Choudhary A system and method for identifying pedestrians using a novel 3d inception-based person re-identification model

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019183758A1 (en) * 2018-03-26 2019-10-03 Intel Corporation Methods and apparatus for multi-task recognition using neural networks
CN111414862B (zh) * 2020-03-22 2023-03-24 西安电子科技大学 基于神经网络融合关键点角度变化的表情识别方法
CN112070058A (zh) * 2020-09-18 2020-12-11 深延科技(北京)有限公司 人脸面部复合情感表情识别方法及系统
CN113128369B (zh) * 2021-04-01 2022-07-01 重庆邮电大学 一种融合均衡损失的轻量级网络人脸表情识别方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197102A (zh) * 2018-02-27 2019-09-03 腾讯科技（深圳）有限公司 人脸识别方法及装置
CN110084216A (zh) * 2019-05-06 2019-08-02 苏州科达科技股份有限公司 人脸识别模型训练和人脸识别方法、系统、设备及介质
CN110909623A (zh) * 2019-10-31 2020-03-24 南京邮电大学 三维目标检测方法及三维目标检测器
CN111144242A (zh) * 2019-12-13 2020-05-12 中国科学院深圳先进技术研究院 一种三维目标检测方法、装置及终端
CN111784762A (zh) * 2020-06-01 2020-10-16 北京理工大学 X光造影图像血管中心线提取方法及装置
WO2021120752A1 (zh) * 2020-07-28 2021-06-24 平安科技（深圳）有限公司 域自适应模型训练、图像检测方法、装置、设备及介质
CN111967392A (zh) * 2020-08-18 2020-11-20 广东电科院能源技术有限责任公司 一种人脸识别神经网络训练方法、系统、设备及储存介质
CN112464916A (zh) * 2020-12-31 2021-03-09 上海齐感电子信息科技有限公司 人脸识别方法及其模型训练方法
CN112766164A (zh) * 2021-01-20 2021-05-07 深圳力维智联技术有限公司 人脸识别模型训练方法、装置、设备及可读存储介质
CN113221962A (zh) * 2021-04-21 2021-08-06 哈尔滨工程大学 一种解耦分类与回归任务的三维点云单阶段目标检测方法
CN113158929A (zh) * 2021-04-27 2021-07-23 河南大学 基于距离和方向的深度鉴别度量学习亲属关系验证框架
CN113505817A (zh) * 2021-06-17 2021-10-15 浙江优特轴承有限公司 不均衡数据下轴承故障诊断模型样本自适应加权训练方法
CN113627361A (zh) * 2021-08-13 2021-11-09 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置及计算机程序产品
AU2021105870A4 (en) * 2021-08-18 2021-11-18 Meenakshi Choudhary A system and method for identifying pedestrians using a novel 3d inception-based person re-identification model
CN113449704A (zh) * 2021-08-31 2021-09-28 北京的卢深视科技有限公司 人脸识别模型训练方法、装置、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An end-to-end face recognition method with alignment learning;Fenggao Tang 等;《Optik-International Journal for Light and Electron Optics》;20201231;1-8 *
Face Recognition using Transferred Deep Learning for Feature Extraction;Amornpan Phornchaicharoen;《The 4th International Conference on Digital Arts, Media and Technology and 2nd ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunications Engineering》;20191231;304-309 *
基于深度学习的人脸识别方法研究;韩昌林;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑 (月刊)》;20210215;第2021年卷(第02期);I138-1937 *
基于神经网络的二维人脸识别研究;杨森;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑 (月刊)》;20190215;第2019年卷(第02期);I138-1595 *

Also Published As

Publication number Publication date
CN113887538A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN113887538B (zh) 模型训练、人脸识别方法、电子设备及存储介质
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN108564129B (zh) 一种基于生成对抗网络的轨迹数据分类方法
CN110163239B (zh) 一种基于超像素和条件随机场的弱监督图像语义分割方法
US9594977B2 (en) Automatically selecting example stylized images for image stylization operations based on semantic content
CN110378366B (zh) 一种基于耦合知识迁移的跨域图像分类方法
CN110362677B (zh) 文本数据类别的识别方法及装置、存储介质、计算机设备
CN103262118B (zh) 属性值估计装置和属性值估计方法
US20090319269A1 (en) Method of Trainable Speaker Diarization
CN114841257B (zh) 一种基于自监督对比约束下的小样本目标检测方法
US11514264B2 (en) Method and apparatus for training classification model, and classification method
CN114998602B (zh) 基于低置信度样本对比损失的域适应学习方法及系统
CN109726391B (zh) 对文本进行情感分类的方法、装置及终端
CN104680179A (zh) 基于邻域相似度的数据降维方法
WO2022267388A1 (zh) 红树林高光谱图像分类方法、装置、电子设备及存储介质
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
CN111191569A (zh) 人脸属性的识别方法及其相关装置
Wang et al. Towards calibrated hyper-sphere representation via distribution overlap coefficient for long-tailed learning
Deng et al. Citrus disease recognition based on weighted scalable vocabulary tree
US20200302246A1 (en) Information processing apparatus and information processing method
CN115995011A (zh) 基于图正则化的非线性正交非负矩阵分解图像聚类方法
CN111640438B (zh) 音频数据处理方法、装置、存储介质及电子设备
CN111488811B (zh) 人脸识别方法、装置、终端设备及计算机可读介质
CN107977352A (zh) 信息处理装置和方法
Villegas-Cortez et al. Interest points reduction using evolutionary algorithms and CBIR for face recognition

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
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230411

Address after: 230091 room 611-217, R & D center building, China (Hefei) international intelligent voice Industrial Park, 3333 Xiyou Road, high tech Zone, Hefei, Anhui Province

Patentee after: Hefei lushenshi Technology Co.,Ltd.

Address before: 100083 room 3032, North B, bungalow, building 2, A5 Xueyuan Road, Haidian District, Beijing

Patentee before: BEIJING DILUSENSE TECHNOLOGY CO.,LTD.

Patentee before: Hefei lushenshi Technology Co.,Ltd.

TR01 Transfer of patent right