CN114943995A - 人脸识别模型的训练方法、人脸识别方法及装置 - Google Patents

Abstract

本公开提供了一种人脸识别模型的训练方法、人脸识别方法及装置，涉及深度学习、图像处理、计算机视觉等人工智能技术领域，可应用于人脸识别等场景。该方法包括：获取训练数据集；提取训练图像集中的训练图像的图像特征；基于图像特征进行图像重建，得到训练图像对应的重建图像；计算训练图像与对应的重建图像之间的重建损失；基于重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。本公开提供的人脸识别模型的训练方法提高了人脸识别的准确度。

Description

人脸识别模型的训练方法、人脸识别方法及装置

技术领域

本公开涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，尤其涉及人脸识别模型的训练方法、人脸识别方法及装置，可应用于人脸识别等场景。

背景技术

近年来，随着硬件资源的发展，深度学习技术也得到了飞速发展，其在很多领域都取得了不错的效果，特别是在计算机视觉领域。而人脸识别是计算机视觉领域一个重要的研究方向。

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

发明内容

本公开提供了一种人脸识别模型的训练方法、人脸识别方法及装置。

根据本公开的第一方面，提供了一种人脸识别模型的训练方法，包括：获取训练数据集；提取训练图像集中的训练图像的图像特征；基于图像特征进行图像重建，得到训练图像对应的重建图像；计算训练图像与对应的重建图像之间的重建损失；基于重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

根据本公开的第二方面，提供了一种人脸识别方法，包括：获取待识别图像；将待识别图像输入至预先训练的人脸识别模型，输出得到人脸识别结果，其中，人脸识别模型采用如第一方面中任一项所述的方法训练得到。

根据本公开的第三方面，提供了一种人脸识别模型的训练装置，包括：第一获取模块，被配置成获取训练数据集；提取模块，被配置成提取训练图像集中的训练图像的图像特征；重建模块，被配置成基于图像特征进行图像重建，得到训练图像对应的重建图像；第一计算模块，被配置成计算训练图像与对应的重建图像之间的重建损失；更新模块，被配置成基于重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

根据本公开的第四方面，提供了一种人脸识别装置，包括：第二获取模块，被配置成获取待识别图像；识别模块，被配置成将待识别图像输入至预先训练的人脸识别模型，输出得到人脸识别结果，其中，人脸识别模型采用如第一方面中任一项所述的方法训练得到。

根据本公开的第五方面，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或第二方面中任一实现方式描述的方法。

根据本公开的第六方面，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或第二方面中任一实现方式描述的方法。

根据本公开的第七方面，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或第二方面中任一实现方式描述的方法。

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是本公开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是根据本公开的人脸识别模型的训练方法的另一个实施例的流程图；

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模型的训练方法的一个应用场景的示意图；

图6是根据本公开的人脸识别方法的一个实施例的流程图；

图7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示意图；

图8是根据本公开的人脸识别装置的一个实施例的结构示意图；

图9是用来实现本公开实施例的人脸识别模型的训练方法、人脸识别方法的电子设备的框图。

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。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的人脸识别模型的训练方法、人脸识别方法或人脸识别模型的训练装置、人脸识别装置的实施例的示例性系统架构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。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。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、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，可以安装在上述电子设备中。其可以实现成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可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取的训练数据集进行分析和处理，并生成处理结果(例如人脸识别模型)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的人脸识别模型的训练方法、人脸识别方法一般由服务器105执行，相应地，人脸识别模型的训练装置、人脸识别装置一般设置于服务器105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。

继续参考图2，其示出了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200。该人脸识别模型的训练方法包括以下步骤：

步骤201，获取训练数据集。

在本实施例中，人脸识别模型的训练方法的执行主体(例如图1所示的服务器105)可以获取训练数据集，其中，训练数据集中包括至少一张训练图像。该训练数据集可采用现有数据集，例如CASIA-WebFace/MS-Celeb-1M数据集，CASIA-WebFace数据集包含了10575个人的494414张图像，MS-Celeb-1M包含了10万个名人的10M张图片，是规模相当大的人脸识别数据集，或者还可以根据需要选择其他数据集。当然，也可以通过各种方式来收集图像，从而构建训练数据集，本实施例对此不做具体限定。

步骤202，提取训练图像集中的训练图像的图像特征。

在本实施例中，上述执行主体会提取训练图像集的训练图像的图像特征。当训练数据集中的训练图像的数目不止一张时，上述执行主体会分别提取每张训练图像的图像特征。可选地，可以利用特征提取模块来提取训练数据集中的训练图像的图像特征，特征提取模块采用传统的CNN(Convolutional Netural Network，卷积神经网络)结构，例如Resnet残差网络，或者Transformer模型(Transformer是一个利用注意力机制来提高模型训练速度的模型)，或者根据需求选择其他网络或模型。

步骤203，基于图像特征进行图像重建，得到训练图像对应的重建图像。

在本实施例中，上述执行主体可以基于提取的图像特征来进行图像重建，从而得到训练图像对应的重建图像。例如可预先训练图像重建模型，将提取的图像特征输入至该图像重建模型中，以使图像重建模型根据图像特征进行图像重建，从而输出得到该训练图像对应的重建图像。当训练图像为不止一张时，可以利用图像重建模型来分别重建每张训练图像对应的重建图像，从而得到每张训练图像对应的重建图像。需要说明的是，重建图像与训练图像的尺寸是相同的。

步骤204，计算训练图像与对应的重建图像之间的重建损失。

在本实施例中，上述执行主体可以计算训练图像与对应的重建图像之间的重建损失。这里，可利用重建损失函数来计算训练图像与对应的重建图像之间的重建损失。重建损失函数可采用L1范数损失函数或L2范数损失函数，本实施例中对此不做具体限定。重建损失可以约束重建图像能与训练图像一样的图片，从而可以确保提取的图像特征不仅包含图像中的高级特征，还包含细粒度的低级特征，这些特征可以帮助识别相似人脸，从而提升人脸识别的粒度和准确度。

步骤205，基于重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

在本实施例中，上述执行主体可以基于计算得到的重建损失更新初始人脸识别模型的参数，从而得到更新后的人脸识别模型。例如，可基于重建损失、利用反向传播方法来更新初始人脸识别模型的参数，这里，会先获取初始人脸识别模型，初始人脸识别模型可以为MTCNN(Multi-task convolutional neural network，多任务卷积神经网络)，还可以为其他模型，本实施例中对此不做具体限定。上述执行主体可以基于重建损失、利用反向传播方法来更新初始人脸识别模型的参数，从而得到更新后的人脸识别模型。

本公开实施例提供的人脸识别模型的训练方法，首先获取训练数据集；然后，提取训练图像集中的训练图像的图像特征；之后，基于图像特征进行图像重建，得到训练图像对应的重建图像；再计算训练图像与对应的重建图像之间的重建损失；最后，基于重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。本实施例中的人脸识别模型的训练方法，该方法在训练人脸识别模型时，新增了图像重建分支，增加了图像特征中识别人脸的细粒度特征，从而提高了人脸识别在相似人脸中的识别准确率。

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。

继续参考图3，图3示出了根据本公开的人脸识别模型的训练方法的另一个实施例的流程300。该人脸识别模型的训练方法包括以下步骤：

步骤301，获取训练数据集。

在本实施例中，人脸识别模型的训练方法的执行主体(例如图1所示的服务器105)会获取训练数据集。步骤301与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。

步骤302，将训练图像输入至特征提取网络，输出得到训练图像的图像特征。

在本实施例中，上述执行主体会将训练图像输入至特征提取网路，从而输出得到训练图像的图像特征。特征提取网络可以采用传统的CNN(Convolutional NeturalNetwork，卷积神经网络)结构，例如Resnet残差网络，或者Transformer模型(Transformer是一个利用注意力机制来提高模型训练速度的模型)，从而提取训练图像的图像特征，图像特征还可以用来分类，所以其也可以称为分类特征。利用特征提取网络来提取图像特征，可以提升提取图像特征的速度和准确度。

步骤303，利用反卷积和插值法对图像特征进行特征升维，得到升维后的特征。

在本实施例中，上述执行主体可以利用反卷积和插值法对图像特征进行特征升维，从而得到升维后的特征。由于输入图像(训练图像)通过卷积神经网络(CNN)提取特征后，会进行降维操作，也即输出的尺寸往往会变小，而需要将图像恢复到原来的尺寸以便进行进一步的计算，整个扩大图像尺寸，实现图像由小分辨率到大分辨率的映射的操作，叫做上采样，反卷积是上采样的一种方式，反卷积也叫转置卷积。插值法用来还原图像的尺寸大小，用于还原之前一系列卷积操作之后特征图分辨率变小的问题。所以上述执行主体会利用反卷积和插值法对图像特征进行特征升维，从而得到升维后的特征。

步骤304，基于升维后的特征进行图像重建，得到训练图像对应的重建图像。

在本实施例中，上述执行主体会基于升维后的特征进行图像重建，得到训练图像对应的重建图像，其中，重建图像与训练图像的尺寸相同。通过上述步骤重建训练图像对应的重建图像，提高了图像重建的效率和准确性。

步骤305，利用最小绝对值偏差函数或最小平方误差函数，计算训练图像与对应的重建图像之间的重建损失。

在本实施例中，上述执行主体会利用最小绝对值偏差函数或最小平方误差函数，计算训练图像与对应的重建图像之间的重建损失。L1范数损失函数(L1 loss)，也被称为最小绝对值偏差(LAD)，最小绝对值误差(LAE)，它是把目标值与估计值的绝对差值的总和最小化；L2范数损失函数(L2 loss)，也被称为最小平方误差(LSE)，它是把目标值与估计值的差值的平方和最小化。本实施例中基于L1 loss或L2 loss来计算训练图像与对应的重建图像之间的重建损失，从而得到重建损失值。重建损失可以约束重建图像与训练图像相同，从而确保特征提取网络提取的图像特征不仅包含高级特征也包含细粒度的低级特征，进而可以帮助识别相似人脸。

步骤306，基于重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

在本实施例中，上述执行主体会基于重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。步骤306与前述实施例的步骤205基本一致，具体实现方式可以参考前述对步骤205的描述，此处不再赘述。

从图3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，该方法突出了图像重建和更新初始人脸识别模型的步骤，从而进一步提升了训练得到的人脸识别模型的识别准确度。

继续参考图4，图4示出了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400。该人脸识别模型的训练方法包括以下步骤：

步骤401，获取训练数据集。

步骤402，将训练图像输入至特征提取网络，输出得到训练图像的图像特征。

步骤403，利用反卷积和插值法对图像特征进行特征升维，得到升维后的特征。

步骤404，基于升维后的特征进行图像重建，得到训练图像对应的重建图像。

步骤405，利用最小绝对值偏差函数或最小平方误差函数，计算训练图像与对应的重建图像之间的重建损失。

步骤401-405与前述实施例的步骤301-305基本一致，具体实现方式可以参考前述对步骤301-305的描述，此处不再赘述。

步骤406，基于图像特征确定训练图像的预测分类结果。

在本实施例中，人脸识别模型的训练方法的执行主体(例如图1所示的服务器105)会基于图像特征来确定训练图像的预测分类结果。也即基于图像特征来对训练图像进行分类，确定其属于哪种类别，从而得到对应的预测分类结果。

需要说明的是，本实施例中不限制步骤406与步骤403-405的执行顺序，也即步骤406可以在步骤403-405之后执行，还可以在步骤403-405之前执行，甚至还可以与步骤403-405同时执行。

步骤407，计算训练图像的预测分类结果与对应的标注分类结果之间的分类损失。

在本实施例中，训练数据集中还包括训练图像的标注分类结果，上述执行主体会计算训练图像的预测分类结果与对应的标注分类结果之间的分类损失。标注分类结果可以是由相关人员对训练图像进行标注，从而得到的分类结果，称为标注分类结果。

在得到预测分类结果后，上述执行主体会计算训练图像的预测分类结果和对应的标注分类结果之间的分类损失，这里，可基于分类损失函数来计算分类损失，分类损失函数一般采用人脸识别交叉熵损失函数，当然也可根据实际需求选择其他的损失函数，本实施例对此不做具体限定。通过计算分类损失，可以进一步对初始人脸识别模型进行约束。

步骤408，基于分类损失和重建损失计算总损失。

在本实施例中，在计算得到分类损失和重建损失后，上述执行主体会基于分类损失和重建损失来计算总损失，得到总损失值。

步骤409，基于总损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

在本实施例中，上述执行主体会基于计算得到总损失值、采用反向传播的方式来更新初始人脸识别模型的参数，从而得到更新后的人脸识别模型。利用分类损失和重建损失的总损失更新初始人脸识别模型的参数，可以进一步提升人脸识别模型的识别准确度。

从图4中可以看出，与图3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，该方法突出了计算分类损失的步骤，并以分类损失和重建损失的总损失去更新初始人脸识别模型的参数，得到更新后的人脸识别模型，从而提升了人脸识别模型的识别准确率。

继续参考图5，其示出了根据本公开的人脸识别方法的一个应用场景的示意图，在该应用场景中，首先，执行主体会先获取训练数据集，训练数据集中包括至少一张人脸图片。然后，使用特征提取网络来分别提取每张人脸图片的特征，从而得到每张人脸图片的图像特征。之后，上述执行主体会基于提取的图像特征进行图像重建，从而得到该人脸图片对应的重建图像，例如可采用反卷积和插值法来进行特征的升维，从而恢复成与输入图片(人脸图片)尺寸相同的图片。之后，上述执行主体会计算重建图像与对应的人脸图片之间的重建损失(重建loss)，同时上述执行主体会基于提取的图像特征确定人脸图片的分类结果，并计算该分类结果和预先标注的分类结果之间的分类损失(分类loss)。最后，基于重建损失和分类损失来计算总损失，并基于总损失更新初始人脸识别模型的参数，从而得到更新后的人脸识别模型。

继续参考图6，其示出了根据本公开的人脸识别方法的一个实施例的流程600。该人脸识别方法包括以下步骤：

步骤601，获取待识别图像。

在本实施例中，人脸识别方法的执行主体(例如图1所示的服务器105)可以获取待识别图像，待识别图像应为包含人脸的图像，待识别图像即为需要进行人脸识别的图像，其可以为从本地上传的，也可以是通过摄像头采集的。

步骤602，将待识别图像输入至预先训练的人脸识别模型，输出得到人脸识别结果。

在本实施例中，上述执行主体将待识别图像输入至预先训练的人脸识别模型，输出得到人脸识别结果，其中，人脸识别模型采用如前述实施例所述的方法训练得到。将待识别图像输入之预先训练的人脸识别模型中，人脸识别模型即会对其进行识别，输出得到相应的人脸识别结果。

本公开实施例提供的人脸识别方法，首先获取待识别图像；然后，将待识别图像输入至预先训练的人脸识别模型，输出得到人脸识别结果。本实施例中的人脸识别方法，该方法通过预先训练的人脸识别模型来对待识别图像进行人脸识别，从而提高了人脸识别的准确度。

进一步参考图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7所示，本实施例的人脸识别模型的训练装置700包括：第一获取模块701、提取模块702、重建模块703、第一计算模块704和更新模块705。其中，第一获取模块701，被配置成获取训练数据集；提取模块702，被配置成提取训练图像集中的训练图像的图像特征；重建模块703，被配置成基于图像特征进行图像重建，得到训练图像对应的重建图像；第一计算模块704，被配置成计算训练图像与对应的重建图像之间的重建损失；更新模块705，被配置成基于重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

在本实施例中，人脸识别模型的训练装置700中：第一获取模块701、提取模块702、重建模块703、第一计算模块704和更新模块705的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，训练数据集还包括训练图像的标注分类结果；以及上述人脸识别模型的训练装置700还包括：确定模块，被配置成基于图像特征确定训练图像的预测分类结果；第二计算模块，被配置成计算训练图像的预测分类结果与对应的标注分类结果之间的分类损失。

在本实施例的一些可选的实现方式中，更新模块包括：第一计算子模块，被配置成基于分类损失和重建损失计算总损失；更新子模块，被配置成基于总损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

在本实施例的一些可选的实现方式中，提取模块包括：输出子模块，被配置成将训练图像输入至特征提取网络，输出得到训练图像的图像特征。

在本实施例的一些可选的实现方式中，重建模块包括：升维子模块，被配置成利用反卷积和插值法对图像特征进行特征升维，得到升维后的特征；重建子模块，被配置成基于升维后的特征进行图像重建，得到训练图像对应的重建图像，其中，重建图像与训练图像的尺寸相同。

在本实施例的一些可选的实现方式中，第一计算模块包括：第二计算子模块，被配置成计算利用最小绝对值偏差函数或最小平方误差函数，计算训练图像与对应的重建图像之间的重建损失。

进一步参考图8，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6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8所示，本实施例的人脸识别装置800包括：第二获取模块801和识别模块802。其中，第二获取模块801，被配置成获取待识别图像；识别模块802，将待识别图像输入至预先训练的人脸识别模型，输出得到人脸识别结果。

在本实施例中，人脸识别装置800中：第二获取模块801和识别模块802的具体处理及其所带来的技术效果可分别参考图6对应实施例中的步骤601-602的相关说明，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901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901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。

云计算(cloud computer)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用或存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

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，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。

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公开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 (17)

1.一种人脸识别模型的训练方法，包括：

获取训练数据集；

提取所述训练图像集中的训练图像的图像特征；

基于所述图像特征进行图像重建，得到所述训练图像对应的重建图像；

计算所述训练图像与对应的重建图像之间的重建损失；

基于所述重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

2.根据权利要求1所述的方法，其中，所述训练数据集还包括所述训练图像的标注分类结果；以及

所述方法还包括：

基于所述图像特征确定所述训练图像的预测分类结果；

计算所述训练图像的预测分类结果与对应的标注分类结果之间的分类损失。

3.根据权利要求2所述的方法，其中，所述基于所述重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型，包括：

基于所述分类损失和所述重建损失计算总损失；

基于所述总损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

4.根据权利要求1所述的方法，其中，所述提取所述训练图像集中的训练图像的图像特征，包括：

将所述训练图像输入至特征提取网络，输出得到所述训练图像的图像特征。

5.根据权利要求1所述的方法，其中，所述基于所述图像特征进行图像重建，得到所述训练图像对应的重建图像，包括：

利用反卷积和插值法对所述图像特征进行特征升维，得到升维后的特征；

基于所述升维后的特征进行图像重建，得到所述训练图像对应的重建图像，其中，所述重建图像与所述训练图像的尺寸相同。

6.根据权利要求1所述的方法，其中，所述计算所述训练图像与对应的重建图像之间的重建损失，包括：

利用最小绝对值偏差函数或最小平方误差函数，计算所述训练图像与对应的重建图像之间的重建损失。

7.一种人脸识别方法，包括：

获取待识别图像；

将所述待识别图像输入至预先训练的人脸识别模型，输出得到人脸识别结果，其中，所述人脸识别模型采用如权利要求1-6中任一项所述的方法训练得到。

8.一种人脸识别模型的训练装置，包括：

第一获取模块，被配置成获取训练数据集；

提取模块，被配置成提取所述训练图像集中的训练图像的图像特征；

重建模块，被配置成基于所述图像特征进行图像重建，得到所述训练图像对应的重建图像；

第一计算模块，被配置成计算所述训练图像与对应的重建图像之间的重建损失；

更新模块，被配置成基于所述重建损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

9.根据权利要求8所述的装置，其中，所述训练数据集还包括所述训练图像的标注分类结果；以及

所述装置还包括：

确定模块，被配置成基于所述图像特征确定所述训练图像的预测分类结果；

第二计算模块，被配置成计算所述训练图像的预测分类结果与对应的标注分类结果之间的分类损失。

10.根据权利要求9所述的装置，其中，所述更新模块包括：

第一计算子模块，被配置成基于所述分类损失和所述重建损失计算总损失；

更新子模块，被配置成基于所述总损失更新初始人脸识别模型的参数，得到更新后的人脸识别模型。

11.根据权利要求8所述的装置，其中，所述提取模块包括：

输出子模块，被配置成将所述训练图像输入至特征提取网络，输出得到所述训练图像的图像特征。

12.根据权利要求8所述的装置，其中，所述重建模块包括：

升维子模块，被配置成利用反卷积和插值法对所述图像特征进行特征升维，得到升维后的特征；

重建子模块，被配置成基于所述升维后的特征进行图像重建，得到所述训练图像对应的重建图像，其中，所述重建图像与所述训练图像的尺寸相同。

13.根据权利要求8所述的装置，其中，所述第一计算模块包括：

第二计算子模块，被配置成计算利用最小绝对值偏差函数或最小平方误差函数，计算所述训练图像与对应的重建图像之间的重建损失。

14.一种人脸识别装置，包括：

第二获取模块，被配置成获取待识别图像；

识别模块，被配置成将所述待识别图像输入至预先训练的人脸识别模型，输出得到人脸识别结果，其中，所述人脸识别模型采用如权利要求1-6中任一项所述的方法训练得到。

15.一种电子设备，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权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。

Images