CN114267064A

CN114267064A - 一种人脸识别方法、装置、电子设备及存储介质

Info

Publication number: CN114267064A
Application number: CN202111587227.7A
Authority: CN
Inventors: 张宪; 孙晓刚; 林云; 宋馨宇; 叶董俊; 肖禾
Original assignee: Chengdu Agaxi Intelligent Technology Co ltd
Current assignee: Chengdu Agaxi Intelligent Technology Co ltd
Priority date: 2021-12-23
Filing date: 2021-12-23
Publication date: 2022-04-01

Abstract

本发明涉及人工智能领域，揭露一种人脸识别方法、装置、电子设备及存储介质，所述方法包括：获取待识别的人脸图像，对所述人脸图像进行切片，得到多个切片图像；利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行编码，得到多个编码向量；利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，并根据所述内部关联信息和外部关联信息，生成每个所述切片图像的图像特征信息；根据所述图像特征信息，利用所述人脸识别模型中的分类网络对所述人脸图像进行识别，得到所述人脸图像的识别结果。本发明可以提高人脸识别的效率。

Description

一种人脸识别方法、装置、电子设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种人脸识别方法、装置、电子设备以及计算机可读存储介质。

背景技术

人脸识别又称作人脸辨识系统，是指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术，对照人脸识别技术的发展，其已经广泛应用于人们生活中的各个场景中，例如小区安防、便捷支付等场景。

目前，人脸识别通常是基于神经网络学习的方法实现，即通过优化提取人脸特征的方式，来增强人脸识别的性能和速度，而卷积神经网络是人脸特征提取的主要手段，由于卷积神经网络的感受野是由卷积核的尺寸，以及滤波器的通道数所决定，因此需要通过增加卷积核的尺寸或者滤波器的通道数来保障人脸特征的提取准确性，但这样会使得模型的参数量大大增加，增加了模型计算的复杂度，从而会影响人脸识别的效率。

发明内容

为了解决上述技术问题，本发明提供了一种人脸识别方法、装置、电子设备以及计算机可读存储介质，可以提高人脸识别的效率。

第一方面，本发明提供了一种人脸识别方法，包括：

获取待识别的人脸图像，对所述人脸图像进行切片，得到多个切片图像；

利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行编码，得到多个编码向量；

利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，并根据所述内部关联信息和外部关联信息，生成每个所述切片图像的图像特征信息；

根据所述图像特征信息，利用所述人脸识别模型中的分类网络对所述人脸图像进行识别，得到所述人脸图像的识别结果。

在第一方面的一种可能实现方式中，所述对所述人脸图像进行切片，得到多个切片图像，包括：

检测所述人脸图像中的人脸区域，按照预设的切片尺寸对所述人脸区域进行分割，得到多个切片图像。

在第一方面的一种可能实现方式中，所述利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行位置向量编码，得到多个编码向量，包括：

利用所述编码层中的向量转换算法对每个所述切片图像进行向量信息编码，得到多个编码图像向量；

利用所述编码层中的位置编码算法对每个所述编码图像向量进行位置编码，得到多个编码向量。

在第一方面的一种可能实现方式中，所述利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，包括：

利用预设的分支矩阵参数对每个所述编码向量的映射，得到映射矩阵；

将每个所述映射矩阵与其对应的编码向量进行拼接，得到拼接映射图，根据所述拼接映射图，提取每个所述编码向量的内部关联信息；

将所述拼接映射图与所述映射矩阵进行内积操作，得到所述映射矩阵图，根据所述映射矩阵图，提取每个所述编码向量的外部关联信息。

在第一方面的一种可能实现方式中，所述根据所述图像特征信息，利用所述人脸识别模型中的分类网络对所述人脸图像进行识别，包括：

利用所述分类网络中的标准层对所述图像特征信息进行标准化，得到标准特征信息；

利用所述分类网络中的激活函数对所述标准特征信息进行激活，得到激活特征信息；

根据所述激活特征信息，利用所述分类网络中的全连接层计算所述人脸图像的图像类别，根据所述图像类别，利用所述分类网络中的输出层输出所述人脸图像的识别结果。

在第一方面的一种可能实现方式中，所述利用所述分类网络中的标准层对所述图像特征信息进行标准化，得到标准特征信息，包括：

利用下述公式对所述图像特征信息进行标准化：

其中，P_i′表示标准特征信息，x_i表示图像特征信息，μ表示图像特征信息的均值，σ²表示图像特征信息的方差，ε为防止分母为零而设置的偏置项。

在第一方面的一种可能实现方式中，还包括：采用预设的损失函数监督所述人脸识别模型在预训练过程中的学习能力，其中，所述预设的损失函数包括：

其中，L表示人脸识别模型的训练损失值，S_n表示负样本，S_p表示正样本，L表示负样本的数量，K表示正样本的数量，γ表示学习率，m表示样本距离参数。

第二方面，本发明提供了一种人脸识别装置，所述装置包括：

人脸图像切片模块，用于获取待识别的人脸图像，对所述人脸图像进行切片，得到多个切片图像；

图像编码模块，用于利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行编码，得到多个编码向量；

特征信息生成模块，用于利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，并根据所述内部关联信息和外部关联信息，生成每个所述切片图像的图像特征信息；

人脸图像识别模块，用于根据所述图像特征信息，利用所述人脸识别模型中的分类网络对所述人脸图像进行识别，得到所述人脸图像的识别结果。

第三方面，本发明提供一种电子设备，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计算机程序，以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的人脸识别方法。

第四方面，本发明提供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述第一方面中任意一项所述的人脸识别方法。

与现有技术相比，本方案的技术原理及有益效果在于：

本方案通过通过对人脸图像进行切片，得到多个切片图像，以实现所述人脸图像的人脸分割，识别每个人脸区域的信息特征，保障人脸识别的准确性；其次，本发明实施例利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行编码，得到多个编码向量，以实现对人脸图像中每个人脸区域的长距离特征依赖关注，增强了人脸图像的人脸特征感受野，并利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，以生成每个所述切片图像的图像特征信息，可以规避了现有技术中通过卷积神经网络的局部感知与依赖的缺陷，大大缩减了人脸特征提取的复杂度与参数量，提高人脸识别的性能和效率；进一步地，本发明实施例根据所述图像特征信息，利用所述人脸识别模型中的分类网络对所述人脸图像进行识别，以将所述人脸图像的信息归纳到模型分类网络的头部中进行识别，缩小了模型的向量维度，进一步提高了人脸识别的效率。因此，本发明实施例提出的一种人脸识别方法、装置、电子设备以及存储介质可以提高人脸识别的效率。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种人脸识别方法的流程示意图；

图2为本发明一实施例中图1提供的一种人脸识别方法的其中一个步骤的流程示意图；

图3为本发明一实施例提供的一种人脸识别方法中多头注意力机制的网络结构示意图；

图4为本发明一实施例提供的一种人脸识别装置的模块示意图；

图5为本发明一实施例提供的实现人脸识别方法的电子设备的内部结构示意图。

具体实施方式

应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种人脸识别方法，所述人脸识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述人脸识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参阅图1所示，是本发明一实施例提供的人脸识别方法的流程示意图。

其中，图1中描述的人脸识别方法包括：

S1、获取待识别的人脸图像，对所述人脸图像进行切片，得到多个切片图像。

本发明实施例中，所述待识别的人脸图像是指需要进行人脸身份验证的图片，其基于不同业务场景产生，如在小区安防场景中，所述待识别的人脸图像包括进入小区门口的人脸图片，在机场安检场景中，所述待识别的人脸图像包括安检的人脸图片，可选的，本发明实施例中，所述待识别的人脸图像通过高清摄像头采集得到。

应该了解，在所述人脸图像中会存在不同的人脸区域，而在不同的人脸区域会包含不同的人脸信息，因此，本发明实施例通过对所述人脸图像进行切片，以将所述人脸图像分割成多个不同的人脸区域，从而识别每个人脸区域的信息特征，保障人脸识别的准确性。

作为本发明的一个实施例，所述对所述人脸图像进行切片，得到多个切片图像，包括：检测所述人脸图像中的人脸区域，按照预设的切片尺寸对所述人脸区域进行分割，得到多个切片图像。其中，所述人脸区域是指所述人脸图像中不包含背景区域的人脸图像，其通过目标检测网络进行检测，如YOLO3网络，所述预设的切片尺寸基于不同的人脸区域的尺寸设置，如所述人脸区域的尺寸为16*16，则所述预设的切片尺寸可以设置为4*4，即将所述人脸区域划分成16个4*4的切片图像。

S2、利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行编码，得到多个编码向量。

本发明实施例中，所述人脸识别模型通过VIT网络结构构建，用于进行人脸识别，其包括编码层、多头上下文注意力机制以及分类网络，其中，所述编码层用于对所述切片图像进行位置向量编码，以实现所述切片图像的向量化形式和位置信息，保障所述切片图像的上下文信息识别前提，所述多头上下文注意力机制用于提取所述切片图像的内部关联信息和外部关联信息，以提高所述切片图像的图像特征识别准确性，所述分类网络用于检测人脸图像的图像类别，得到所述人脸图像的识别结果。

需要说明的是，本发明实施例在训练所述人脸识别模型过程时，采用预设的损失函数监督所述人脸识别模型的学习能力，以保障所述预训练好的人脸识别模型的识别能力。其中，所述预设的损失函数包括：

其中，L表示人脸识别模型的训练损失值，S_n表示负样本，S_p表示正样本，L表示负样本的数量，K表示正样本的数量，γ表示学习率，m表示样本距离参数，用于限定样本间的最小距离。

进一步地，本发明实施例利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行编码，以实现对人脸图像中每个人脸区域的长距离特征依赖关注，增强人脸图像的人脸特征感受野，保障人脸识别的准确率。

作为本发明的一个实施例，所述利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行编码，得到多个编码向量，包括：利用所述编码层中的向量转换算法对每个所述切片图像进行向量信息编码，得到多个编码图像向量，利用所述编码层中的位置编码算法对每个所述编码图像向量进行位置编码，得到多个编码向量。

其中，所述向量转换算法包括matlab算法，其用于将每个所述切片图像拉成一维的向量，然后经过全连接，得到图像内容信息的编码图像向量，以实现后续切片图像的图像信息识别和提取，所述编码图像向量的位置编码用于标记每个所述编码图像向量的位置序列信息，以弥补后续切片图像在特征提取过程中位置信息的缺失，保障切片图像的特征提取准确性，

在本发明中，所述位置编码算法不同于自然语言处理中使用PE算法的编码方式，而是在初始时，在所述编码层预训练时设定可学习的初始化编码参数，随着训练的迭代，所述初始化编码参数被不断更新，达到稳定的目标编码参数，以通过所述目标编码参数实现所述编码图像向量的位置编码。

S3、利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，并根据所述内部关联信息和外部关联信息，生成每个所述切片图像的图像特征信息。

本发明实施例中，所述多头上下文注意力机制将所述编码向量压缩为潜在空间表征，以识别所述编码向量的关联信息，得到所述切片图像的图像特征信息。其中，所述内部关联信息是指所述编码向量中所包含的上下文语义信息，所述外部关联信息是指所述编码向量之间的交互语义信息。

进一步地，本发明实施例通过利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，以生成每个所述切片图像的图像特征信息，可以大大缩减了人脸特征提取的复杂度与参数量，提高人脸识别的性能和效率。

作为本发明的一个实施例，参阅图2所示，所述利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，包括：

S201、利用预设的分支矩阵参数对每个所述编码向量的映射，得到映射矩阵；

S202、将每个所述映射矩阵与其对应的编码向量进行拼接，得到拼接映射图，根据所述拼接映射图，提取每个所述编码向量的内部关联信息；

S203、将所述拼接映射图与所述映射矩阵进行内积操作，得到所述映射矩阵图，根据所述映射矩阵图，提取每个所述编码向量的外部关联信息。

其中，所述预设的分支矩阵参数包括至少两个维度参数，如W_k和W_v维度参数，所述编码向量的映射通过所述多头上下文注意力机制的编码器实现，即利用所述编码器根据所述分支矩阵参数分别对所述编码向量进行维度参数的变换，所述特征映射向量与其对应的编码向量的拼接通过所述多头上下文注意力机制中的拼接通道实现，其用于实现所述特征映射向量与原始图像的信息特征融合，保障所述特征映射向量内部上下文关联信息的识别准确率，所述内部关联信息通过卷积实现，所述外部关联信息的提取通过矩阵内积关联实现。

进一步地，本发明实施例通过根据所述内部关联信息和外部关联信息，生成每个所述切片图像的图像特征信息，即通过所述多头上下文注意力机制中的全连接层将所述内部关联信息和外部关联信息进行内积融合后作为每个所述切片图像的图像特征信息，以保障所述编码向量的语义信息获取的全面性，从而可以提高图像特征的提取准确性。

为进一步了解所述多头上下文注意力机制的工作原理，参阅图3所示，是本发明一实施例提供的所述多头上下文注意力机制的网络结构示意图，图3中，所述X表示所述编码向量，所述Query表示编码向量，所述W_k和 W_v表示预设的分支矩阵参数，所述key map和value map表示经过所述W_k和 W_v映射的映射矩阵，所述KQ map表示拼接映射图，所述W_θ和W_δ表示内部关联信息的提取参数，A表示提取的内部关联信息，所述KQ map和所述 value map进行连接后的得到所述映射矩阵图，所述Y表示图像特征信息。

S4、根据所述图像特征信息，利用所述人脸识别模型中的分类网络对所述人脸图像进行识别，得到所述人脸图像的识别结果。

作为本发明的一个实施例，所述根据所述图像特征信息，利用所述人脸识别模型中的分类网络对所述人脸图像进行识别，包括：

其中，所述图像特征信息的标准化用于将所述图像特征信息进行标准化处理，以获取所述图像特征信息中的头部信息，加速所述分类网络的收敛，提高后续信息处理的速度，所述标准特征信息的激活用于激活所述标准特征信息，以保障后续图像类别识别的前提，进一步提高后续信息处理速度，所述图像类别用于表征所述人脸图像是否为正确的人脸图像，包括0 和1，即在所述图像类别为0时，表示所述人脸图像不是正确的人脸图像，则所述人脸图像识别失败，在所述图像类别为1时，表示所述人脸图像是正确的人脸图像，则所述人脸图像识别成功。

进一步地，本发明一可选实施例中，利用下述公式对所述图像特征信息进行标准化：

其中，P_i′表示标准特征信息，x_i表示图像特征信息，μ表示图像特征信息的均值，σ²表示图像特征信息的方差，ε是防止分母为零而设置的偏置项。。

进一步地，本发明一可选实施例中，所述激活函数包括relu函数，所述人脸图像的图像类别通过所述全连接层中的激活函数实现，如softmax函数。

可以看出，本方案通过通过对人脸图像进行切片，得到多个切片图像，以实现所述人脸图像的人脸分割，识别每个人脸区域的信息特征，保障人脸识别的准确性；其次，本发明实施例利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行编码，得到多个编码向量，以实现对人脸图像中每个人脸区域的长距离特征依赖关注，增强了人脸图像的人脸特征感受野，并利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，以生成每个所述切片图像的图像特征信息，可以规避了现有技术中通过卷积神经网络的局部感知与依赖的缺陷，大大缩减了人脸特征提取的复杂度与参数量，提高人脸识别的性能和效率；进一步地，本发明实施例根据所述图像特征信息，利用所述人脸识别模型中的分类网络对所述人脸图像进行识别，以将所述人脸图像的信息归纳到模型分类网络的头部中进行识别，缩小了模型的向量维度，进一步提高了人脸识别的效率。因此，本发明实施例提出的一种人脸识别方法可以提高人脸识别的效率。

如图4所示，是本发明人脸识别装置的功能模块图。

本发明所述人脸识别装置400可以安装于电子设备中。根据实现的功能，所述人脸识别装置可以包括人脸图像切片模块401、图像编码模块402、特征信息生成模块403以及人脸图像识别模型404。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本发明实施例中，关于各模块/单元的功能如下：

所述人脸图像切片模块401，用于获取待识别的人脸图像，对所述人脸图像进行切片，得到多个切片图像；

所述图像编码模块402，用于利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行编码，得到多个编码向量；

所述特征信息生成模块403，用于利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，并根据所述内部关联信息和外部关联信息，生成每个所述切片图像的图像特征信息；

所述人脸图像识别模块404，用于根据所述图像特征信息，利用所述人脸识别模型中的分类网络对所述人脸图像进行识别，得到所述人脸图像的识别结果。

详细地，本发明实施例中所述人脸识别装置400中的所述各模块在使用时采用与上述的图1至图3中所述的人脸识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明实现人脸识别方法的电子设备的结构示意图。

所述电子设备可以包括处理器50、存储器51、通信总线52以及通信接口53，还可以包括存储在所述存储器51中并可在所述处理器50上运行的计算机程序，如人脸识别程序。

其中，所述处理器50在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器50是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器51内的程序或者模块(例如执行人脸识别程序等)，以及调用存储在所述存储器 51内的数据，以执行电子设备的各种功能和处理数据。

所述存储器51至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器51在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器51在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器51 不仅可以用于存储安装于电子设备的应用软件及各类数据，例如人脸识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线52可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器51以及至少一个处理器50 等之间的连接通信。

所述通信接口53用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口 (如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源 (比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器50逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。

所述电子设备中的所述存储器51存储的人脸识别程序是多个计算机程序的组合，在所述处理器50中运行时，可以实现：

具体地，所述处理器50对上述计算机程序的具体实现方法可参考图1 对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims

1.一种人脸识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述人脸图像进行切片，得到多个切片图像，包括：

3.根据权利要求1所述的方法，其特征在于，所述利用预训练好的人脸识别模型中的编码层对每个所述切片图像进行编码，得到多个编码向量，包括：

4.根据权利要求1所述的方法，其特征在于，所述利用所述人脸识别模型中的多头上下文注意力机制识别每个所述编码向量的内部关联信息和外部关联信息，包括：

5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述根据所述图像特征信息，利用所述人脸识别模型中的分类网络对所述人脸图像进行识别，包括：

6.根据权利要求5所述的方法，其特征在于，所述利用所述分类网络中的标准层对所述图像特征信息进行标准化，得到标准特征信息，包括：

利用下述公式对所述图像特征信息进行标准化：

其中，P_i′表示标准特征信息，x_i表示图像特征信息，μ表示图像特征信息的均值，σ²表示图像特征信息的方差，ε表示随机数。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：采用预设的损失函数监督所述人脸识别模型在预训练过程中的学习能力，其中，所述预设的损失函数包括：

其中，L表示人脸识别模型的训练损失值，Sn表示负样本，Sp表示正样本，L表示负样本的数量，K表示正样本的数量，γ表示学习率，m表示样本距离参数。

8.一种人脸识别装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，所述电子设备包括：

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计算机程序，所述计算机程序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7中任意一项所述的人脸识别方法。

10.一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7中任意一项所述的人脸识别方法。