CN115862117A - 存在遮挡的人脸识别方法及装置 - Google Patents

Abstract

本公开涉及人脸识别技术领域，提供了一种存在遮挡的人脸识别方法及装置。该方法包括：获取训练数据集；利用残差网络分别提取第一样本的第一样本特征和第二样本的第二样本特征，并对第一样本特征和第二样本特征进行特征融合处理，得到第三样本特征；利用掩码网络处理第三样本特征，得到第四样本特征和第五样本特征；对第一样本特征和第四样本特征进行相乘，得到第六样本特征，对第二样本特征和第五样本特征进行相乘第七样本特征；基于第六样本特征和第七样本特征，利用特征差异损失函数计算差异损失值，基于第六样本特征，利用分类损失函数计算分类损失值；依据差异损失值和分类损失值更新人脸识别模型的模型参数，以完成对人脸识别模型的训练。

Description

存在遮挡的人脸识别方法及装置

技术领域

本公开涉及人脸识别技术领域，尤其涉及一种存在遮挡的人脸识别方法及装置。

背景技术

随着深度学习的发展，通用场景下的人脸效果越来越好，但是现实场景中，人脸会被各种物体遮挡，比如口罩、墨镜等，当这些人脸数据进行人脸识别时，往往会出现误识别问题，从而严重影响了人脸识别算法的推广。现有解决遮挡场景下人脸识别问题的算法包括两种，第一种是生成大规模遮挡数据，通过这些遮挡数据训练人脸识别模型，从而可以提高遮挡场景下的人脸识别模型的精度；第二种是对遮挡的人脸，通过生成网络生成完整的人脸特征，进而基于完整的人脸特征进行人脸识别。第一种方法严重依赖训练数据的数据量，第二种方法依赖生成网络的效果，而要提高生成网络的效果，就需要对生成网络进行训练。所以第一种方法和第二种方法都需要付出相当高的成本才能提高遮挡场景下的人脸识别模型的精度

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：不能兼顾遮挡场景下人脸识别模型的精度和训练人脸识别模型的成本的问题。

发明内容

有鉴于此，本公开实施例提供了一种存在遮挡的人脸识别方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，不能兼顾遮挡场景下人脸识别模型的精度和训练人脸识别模型的成本的问题。

本公开实施例的第一方面，提供了一种存在遮挡的人脸识别方法，包括：利用全局平均池化层、全连接层和激活层构建掩码网络，利用残差网络和掩码网络构建人脸识别模型；获取训练数据集，其中，训练数据集，包括：属于同一个目标对象的存在遮挡的第一样本和不存在遮挡的第二样本；利用残差网络分别提取第一样本的第一样本特征和第二样本的第二样本特征，并对第一样本特征和第二样本特征进行特征融合处理，得到第三样本特征；利用掩码网络处理第三样本特征，得到第四样本特征和第五样本特征；对第一样本特征和第四样本特征进行相乘，得到第六样本特征，对第二样本特征和第五样本特征进行相乘第七样本特征；基于第六样本特征和第七样本特征，利用特征差异损失函数计算差异损失值，基于第六样本特征，利用分类损失函数计算分类损失值；依据差异损失值和分类损失值更新人脸识别模型的模型参数，以完成对人脸识别模型的训练。

本公开实施例的第二方面，提供了一种存在遮挡的人脸识别装置，包括：构建模块，被配置为利用全局平均池化层、全连接层和激活层构建掩码网络，利用残差网络和掩码网络构建人脸识别模型；获取模块，被配置为获取训练数据集，其中，训练数据集，包括：属于同一个目标对象的存在遮挡的第一样本和不存在遮挡的第二样本；提取模块，被配置为利用残差网络分别提取第一样本的第一样本特征和第二样本的第二样本特征，并对第一样本特征和第二样本特征进行特征融合处理，得到第三样本特征；处理模块，被配置为利用掩码网络处理第三样本特征，得到第四样本特征和第五样本特征；相乘模块，被配置为对第一样本特征和第四样本特征进行相乘，得到第六样本特征，对第二样本特征和第五样本特征进行相乘第七样本特征；计算模块，被配置为基于第六样本特征和第七样本特征，利用特征差异损失函数计算差异损失值，基于第六样本特征，利用分类损失函数计算分类损失值；训练模块，被配置为依据差异损失值和分类损失值更新人脸识别模型的模型参数，以完成对人脸识别模型的训练。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例通过利用全局平均池化层、全连接层和激活层构建掩码网络，利用残差网络和掩码网络构建人脸识别模型；获取训练数据集，其中，训练数据集，包括：属于同一个目标对象的存在遮挡的第一样本和不存在遮挡的第二样本；利用残差网络分别提取第一样本的第一样本特征和第二样本的第二样本特征，并对第一样本特征和第二样本特征进行特征融合处理，得到第三样本特征；利用掩码网络处理第三样本特征，得到第四样本特征和第五样本特征；对第一样本特征和第四样本特征进行相乘，得到第六样本特征，对第二样本特征和第五样本特征进行相乘第七样本特征；基于第六样本特征和第七样本特征，利用特征差异损失函数计算差异损失值，基于第六样本特征，利用分类损失函数计算分类损失值；依据差异损失值和分类损失值更新人脸识别模型的模型参数，以完成对人脸识别模型的训练，因此，采用上述技术手段，可以解决现有技术中，不能兼顾遮挡场景下人脸识别模型的精度和训练人脸识别模型的成本的问题，进而在不付出巨大成本的情况下提高遮挡场景下人脸识别模型的精度。

附图说明

为了更清楚地说明本公开实施例中的技术方案，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，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的一种存在遮挡的人脸识别方法的流程示意图；

图3是本公开实施例提供的一种存在遮挡的人脸识别装置的结构示意图；

图4是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种存在遮挡的人脸识别方法和装置。

图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备101、102和103、服务器104以及网络105。

终端设备101、102和103可以是硬件，也可以是软件。当终端设备101、102和103为硬件时，其可以是具有显示屏且支持与服务器104通信的各种电子设备，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；当终端设备101、102和103为软件时，其可以安装在如上的电子设备中。终端设备101、102和103可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备101、102和103上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器104可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器104可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。

需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，其可以是为终端设备101、102和103提供各种服务的各种电子设备。当服务器104为软件时，其可以是为终端设备101、102和103提供各种服务的多个软件或软件模块，也可以是为终端设备101、102和103提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。

网络105可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near FieldCommunication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。

用户可以通过终端设备101、102和103经由网络105与服务器104建立通信连接，以接收或发送信息等。需要说明的是，终端设备101、102和103、服务器104以及网络105的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。

图2是本公开实施例提供的一种存在遮挡的人脸识别方法的流程示意图。图2的存在遮挡的人脸识别方法可以由图1的计算机或服务器，或者计算机或服务器上的软件执行。如图2所示，该存在遮挡的人脸识别方法包括：

S201，利用全局平均池化层、全连接层和激活层构建掩码网络，利用残差网络和掩码网络构建人脸识别模型；

S202，获取训练数据集，其中，训练数据集，包括：属于同一个目标对象的存在遮挡的第一样本和不存在遮挡的第二样本；

可以理解的是，训练数据集，包括：大量目标对象的第一样本和第二样本，本公开各个实施例中，第一样本和第二样本均是同一个目标对象，为了便于理解，可以只理解训练数据集有一个目标对象以及该目标对象的第一样本和第二样本。

S203，利用残差网络分别提取第一样本的第一样本特征和第二样本的第二样本特征，并对第一样本特征和第二样本特征进行特征融合处理，得到第三样本特征；

S204，利用掩码网络处理第三样本特征，得到第四样本特征和第五样本特征；

激活层，包括：第一激活层和第二激活层，第四样本特征是第一激活层的输出和第五样本特征第二激活层的输出。

S205，对第一样本特征和第四样本特征进行相乘，得到第六样本特征，对第二样本特征和第五样本特征进行相乘第七样本特征；

该步骤是由人脸识别模型中的相乘网络层实现的。

S206，基于第六样本特征和第七样本特征，利用特征差异损失函数计算差异损失值，基于第六样本特征，利用分类损失函数计算分类损失值；

特征差异损失函数可以利用计算相似度的函数实现的，相似度越高，差异损失值越小；分类损失函数可以是交叉熵损失函数。

S207，依据差异损失值和分类损失值更新人脸识别模型的模型参数，以完成对人脸识别模型的训练。

在更新人脸识别模型的模型参数中，残差网络和掩码网络的模型参数均需要更新。

根据本公开实施例提供的技术方案，利用全局平均池化层、全连接层和激活层构建掩码网络，利用残差网络和掩码网络构建人脸识别模型；获取训练数据集，其中，训练数据集，包括：属于同一个目标对象的存在遮挡的第一样本和不存在遮挡的第二样本；利用残差网络分别提取第一样本的第一样本特征和第二样本的第二样本特征，并对第一样本特征和第二样本特征进行特征融合处理，得到第三样本特征；利用掩码网络处理第三样本特征，得到第四样本特征和第五样本特征；对第一样本特征和第四样本特征进行相乘，得到第六样本特征，对第二样本特征和第五样本特征进行相乘第七样本特征；基于第六样本特征和第七样本特征，利用特征差异损失函数计算差异损失值，基于第六样本特征，利用分类损失函数计算分类损失值；依据差异损失值和分类损失值更新人脸识别模型的模型参数，以完成对人脸识别模型的训练，因此，采用上述技术手段，可以解决现有技术中，不能兼顾遮挡场景下人脸识别模型的精度和训练人脸识别模型的成本的问题，进而在不付出巨大成本的情况下提高遮挡场景下人脸识别模型的精度。

利用全局平均池化层、全连接层和激活层构建掩码网络，包括：使用全局平均池化层后接全连接层，使用全连接层分别后接第一激活层和第二激活层，得到掩码网络；其中，激活层，包括：第一激活层和第二激活层，在掩码网络中第一激活层和第二激活层是并行的，第一激活层和第二激活层的输出是掩码网络的两个输出。

比如，第一激活层是1-sigmoid，第二激活层是sigmoid。

利用残差网络和掩码网络构建人脸识别模型，包括：连接残差网络和掩码网络，将残差网络和掩码网络后接相乘网络层，将相乘网络层后接全连接层，得到人脸识别模型。

获取训练数据集，包括：当训练数据集中只存在第二样本时，为第二样本生成遮挡，得到第二样本对应的第一样本。

本公开实施例是对训练数据集进行生成遮挡的数据增强处理。

基于第六样本特征，利用分类损失函数计算分类损失值，包括：将第六样本特征经过全连接层处理，得到第一样本的识别结果，利用分类损失函数计算第一样本的识别结果和标签之间的分类损失值。

第六样本特征经过的全连接层是人脸识别模型中相乘网络层后接的全连接层，并不是掩码网络中的全连接层，不过掩码网络中的全连接层相乘网络层后接的全连接层的网络结构可以是一样的。

在完成对人脸识别模型的训练之后，方法还包括：将待识别的人脸图片输入完成训练后的人脸识别模型中；利用残差网络提取人脸图片的第一图片特征；利用掩码网络处理第一图片特征，得到第二图片特征，其中，第二图片特征是由掩码网络的第一激活层输出的；对第一图片特征和第二图片特征进行相乘，得到第三图片特征；将第三图片特征经过全连接层处理，得到人脸图片的识别结果。

和对人脸识别模型进行训练不同的，使用人脸识别模型进行人脸识别：因为人脸图片只是一张，所以残差网络的输出只有一个，所以没有特征融合处理；在识别过程中掩码网络的第二激活层没有被使用，掩码网络的输出可以看做只有第二图片特征；因为残差网络和掩码网络的输出只有一个，特征相乘也只有一次。

在完成对人脸识别模型的训练之后，方法还包括：将掩码网络从人脸识别模型中剔除，以精简人脸识别模型的模型结构；使用精简后的人脸识别模型进行人脸识别。

实际上，因为剔除了掩码网络，所以相乘网络层也被剔除。也就是，简后的人脸识别模型为残差网络后接全连接层。

将待识别的人脸图片输入完成简后的人脸识别模型中；利用残差网络提取人脸图片的第一图片特征；将第一图片特征经过全连接层处理，得到人脸图片的识别结果。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的一种存在遮挡的人脸识别装置的示意图。如图3所示，该存在遮挡的人脸识别装置包括：

构建模块301，被配置为利用全局平均池化层、全连接层和激活层构建掩码网络，利用残差网络和掩码网络构建人脸识别模型；

获取模块302，被配置为获取训练数据集，其中，训练数据集，包括：属于同一个目标对象的存在遮挡的第一样本和不存在遮挡的第二样本；

提取模块303，被配置为利用残差网络分别提取第一样本的第一样本特征和第二样本的第二样本特征，并对第一样本特征和第二样本特征进行特征融合处理，得到第三样本特征；

处理模块304，被配置为利用掩码网络处理第三样本特征，得到第四样本特征和第五样本特征；

相乘模块305，被配置为对第一样本特征和第四样本特征进行相乘，得到第六样本特征，对第二样本特征和第五样本特征进行相乘第七样本特征；

计算模块306，被配置为基于第六样本特征和第七样本特征，利用特征差异损失函数计算差异损失值，基于第六样本特征，利用分类损失函数计算分类损失值；

训练模块307，被配置为依据差异损失值和分类损失值更新人脸识别模型的模型参数，以完成对人脸识别模型的训练。

根据本公开实施例提供的技术方案，利用全局平均池化层、全连接层和激活层构建掩码网络，利用残差网络和掩码网络构建人脸识别模型；获取训练数据集，其中，训练数据集，包括：属于同一个目标对象的存在遮挡的第一样本和不存在遮挡的第二样本；利用残差网络分别提取第一样本的第一样本特征和第二样本的第二样本特征，并对第一样本特征和第二样本特征进行特征融合处理，得到第三样本特征；利用掩码网络处理第三样本特征，得到第四样本特征和第五样本特征；对第一样本特征和第四样本特征进行相乘，得到第六样本特征，对第二样本特征和第五样本特征进行相乘第七样本特征；基于第六样本特征和第七样本特征，利用特征差异损失函数计算差异损失值，基于第六样本特征，利用分类损失函数计算分类损失值；依据差异损失值和分类损失值更新人脸识别模型的模型参数，以完成对人脸识别模型的训练，因此，采用上述技术手段，可以解决现有技术中，不能兼顾遮挡场景下人脸识别模型的精度和训练人脸识别模型的成本的问题，进而在不付出巨大成本的情况下提高遮挡场景下人脸识别模型的精度。

可选地，构建模块301还被配置为使用全局平均池化层后接全连接层，使用全连接层分别后接第一激活层和第二激活层，得到掩码网络；其中，激活层，包括：第一激活层和第二激活层，在掩码网络中第一激活层和第二激活层是并行的，第一激活层和第二激活层的输出是掩码网络的两个输出。

比如，第一激活层是1-sigmoid，第二激活层是sigmoid。

可选地，构建模块301还被配置为连接残差网络和掩码网络，将残差网络和掩码网络后接相乘网络层，将相乘网络层后接全连接层，得到人脸识别模型。

可选地，获取模块302还被配置为当训练数据集中只存在第二样本时，为第二样本生成遮挡，得到第二样本对应的第一样本。

本公开实施例是对训练数据集进行生成遮挡的数据增强处理。

可选地，计算模块306还被配置为将第六样本特征经过全连接层处理，得到第一样本的识别结果，利用分类损失函数计算第一样本的识别结果和标签之间的分类损失值。

第六样本特征经过的全连接层是人脸识别模型中相乘网络层后接的全连接层，并不是掩码网络中的全连接层，不过掩码网络中的全连接层相乘网络层后接的全连接层的网络结构可以是一样的。

可选地，训练模块307还被配置为将待识别的人脸图片输入完成训练后的人脸识别模型中；利用残差网络提取人脸图片的第一图片特征；利用掩码网络处理第一图片特征，得到第二图片特征，其中，第二图片特征是由掩码网络的第一激活层输出的；对第一图片特征和第二图片特征进行相乘，得到第三图片特征；将第三图片特征经过全连接层处理，得到人脸图片的识别结果。

和对人脸识别模型进行训练不同的，使用人脸识别模型进行人脸识别：因为人脸图片只是一张，所以残差网络的输出只有一个，所以没有特征融合处理；在识别过程中掩码网络的第二激活层没有被使用，掩码网络的输出可以看做只有第二图片特征；因为残差网络和掩码网络的输出只有一个，特征相乘也只有一次。

可选地，训练模块307还被配置为将掩码网络从人脸识别模型中剔除，以精简人脸识别模型的模型结构；使用精简后的人脸识别模型进行人脸识别。

实际上，因为剔除了掩码网络，所以相乘网络层也被剔除。也就是，简后的人脸识别模型为残差网络后接全连接层。将待识别的人脸图片输入完成简后的人脸识别模型中；利用残差网络提取人脸图片的第一图片特征；将第一图片特征经过全连接层处理，得到人脸图片的识别结果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者不同的部件。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。

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，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种存在遮挡的人脸识别方法，其特征在于，包括：

利用全局平均池化层、全连接层和激活层构建掩码网络，利用残差网络和所述掩码网络构建人脸识别模型；

获取训练数据集，其中，所述训练数据集，包括：属于同一个目标对象的存在遮挡的第一样本和不存在遮挡的第二样本；

利用所述残差网络分别提取所述第一样本的第一样本特征和所述第二样本的第二样本特征，并对所述第一样本特征和所述第二样本特征进行特征融合处理，得到第三样本特征；

利用所述掩码网络处理所述第三样本特征，得到第四样本特征和第五样本特征；

对所述第一样本特征和所述第四样本特征进行相乘，得到第六样本特征，对所述第二样本特征和所述第五样本特征进行相乘第七样本特征；

基于所述第六样本特征和所述第七样本特征，利用特征差异损失函数计算差异损失值，基于所述第六样本特征，利用分类损失函数计算分类损失值；

依据所述差异损失值和所述分类损失值更新所述人脸识别模型的模型参数，以完成对所述人脸识别模型的训练。

2.根据权利要求1所述的方法，其特征在于，利用全局平均池化层、全连接层和激活层构建掩码网络，包括：

使用所述全局平均池化层后接所述全连接层，使用所述全连接层分别后接第一激活层和第二激活层，得到所述掩码网络；

其中，所述激活层，包括：所述第一激活层和所述第二激活层，在所述掩码网络中所述第一激活层和所述第二激活层是并行的，所述第一激活层和所述第二激活层的输出是所述掩码网络的两个输出。

3.根据权利要求1所述的方法，其特征在于，利用残差网络和所述掩码网络构建人脸识别模型，包括：

连接所述残差网络和所述掩码网络，将所述残差网络和所述掩码网络后接相乘网络层，将所述相乘网络层后接所述全连接层，得到所述人脸识别模型。

4.根据权利要求1所述的方法，其特征在于，获取训练数据集，包括：

当所述训练数据集中只存在所述第二样本时，为所述第二样本生成遮挡，得到所述第二样本对应的所述第一样本。

5.根据权利要求1所述的方法，其特征在于，基于所述第六样本特征，利用分类损失函数计算分类损失值，包括：

将所述第六样本特征经过所述全连接层处理，得到所述第一样本的识别结果，利用分类损失函数计算所述第一样本的识别结果和标签之间的分类损失值。

6.根据权利要求1所述的方法，其特征在于，在完成对所述人脸识别模型的训练之后，所述方法还包括：

将待识别的人脸图片输入完成训练后的人脸识别模型中；

利用所述残差网络提取所述人脸图片的第一图片特征；

利用所述掩码网络处理所述第一图片特征，得到第二图片特征，其中，所述第二图片特征是由所述掩码网络的第一激活层输出的；

对所述第一图片特征和所述第二图片特征进行相乘，得到第三图片特征；

将所述第三图片特征经过所述全连接层处理，得到所述人脸图片的识别结果。

7.根据权利要求1所述的方法，其特征在于，在完成对所述人脸识别模型的训练之后，所述方法还包括：

将所述掩码网络从所述人脸识别模型中剔除，以精简所述人脸识别模型的模型结构；

使用精简后的所述人脸识别模型进行人脸识别。

8.一种存在遮挡的人脸识别装置，其特征在于，包括：

构建模块，被配置为利用全局平均池化层、全连接层和激活层构建掩码网络，利用残差网络和所述掩码网络构建人脸识别模型；

获取模块，被配置为获取训练数据集，其中，所述训练数据集，包括：属于同一个目标对象的存在遮挡的第一样本和不存在遮挡的第二样本；

提取模块，被配置为利用所述残差网络分别提取所述第一样本的第一样本特征和所述第二样本的第二样本特征，并对所述第一样本特征和所述第二样本特征进行特征融合处理，得到第三样本特征；

处理模块，被配置为利用所述掩码网络处理所述第三样本特征，得到第四样本特征和第五样本特征；

相乘模块，被配置为对所述第一样本特征和所述第四样本特征进行相乘，得到第六样本特征，对所述第二样本特征和所述第五样本特征进行相乘第七样本特征；

计算模块，被配置为基于所述第六样本特征和所述第七样本特征，利用特征差异损失函数计算差异损失值，基于所述第六样本特征，利用分类损失函数计算分类损失值；

训练模块，被配置为依据所述差异损失值和所述分类损失值更新所述人脸识别模型的模型参数，以完成对所述人脸识别模型的训练。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述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中任一项所述方法的步骤。

Images