[發明專利]人臉識別方法、裝置及系統、模型訓練方法及裝置

有效

• 申請號: 201810258679.2
• 申請日: 2018-03-27
• 公開（公告）號: CN110309692B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 顏雪軍;楊成平;王春茂;朱江;浦世亮
• 申請（專利權）人: 杭州海康威視數字技術股份有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/44;G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 韓東艷

1.一種人臉識別方法，其特征在于，所述方法包括：

向深度學習模型輸入待識別人臉圖像；

接收所述深度學習模型輸出的人臉特征數據，所述人臉特征數據用于反映人臉的全局特征，所述人臉特征數據為局部人臉區域特征數據、人臉紋理數據和人臉輪廓數據中的至少兩種融合成的數據，所述深度學習模型通過多次模型訓練得到，且所述深度學習模型對訓練圖像集中的樣本人臉圖像的分類準確度達到預設閾值時完成對所述深度學習模型的訓練，所述樣本人臉圖像是對初始人臉圖像的顯示尺寸進行歸一化處理后得到的標準人臉圖像，所述歸一化處理包括：對所述訓練圖像集中的每張初始人臉圖像中的人臉特征點進行定位，得到所述人臉特征點的位置信息，根據所述人臉特征點的位置信息將所有初始人臉圖像歸一化，得到尺寸相同的標準人臉圖像；

其中，所述深度學習模型包括：依次連接的輸入層，第一輸出層，特征組合層，第二輸出層和第一監督模塊，所述輸入層包括依次連接的n個處理模塊，所述第一輸出層包括n個特征模塊和n個第二監督模塊，所述n個特征模塊與所述n個處理模塊一一對應連接，所述n個第二監督模塊與所述n個特征模塊一一對應連接；

每個所述處理模塊用于對輸入至所述處理模塊的數據進行數據處理，得到處理后的結果，所述輸入至所述處理模塊的數據為待識別人臉圖像，所述處理后的結果為高維特征數據，所述高維特征數據包括n個高維子特征數據；每個所述處理模塊還用于向連接的特征模塊輸出一個所述高維子特征數據；每個所述特征模塊用于對輸入的所述高維子特征數據進行數據降維處理，得到一個低維子特征數據，并將所述低維子特征數據輸出至所述特征組合層，所述低維子特征數據用于反映人臉的局部特征、人臉紋理數據和人臉輪廓數據中的至少一種，其中，當所述低維子特征數據包括局部人臉區域特征數據時，所述低維子特征數據包括一個局部人臉區域特征的數據或多個局部人臉區域特征的組合數據，所述n個特征模塊輸出的n個低維子特征數據組成低維特征數據，所述高維特征數據的數據維度大于所述低維特征數據的數據維度，所述n為大于1的整數；所述n個處理模塊中的前n-1個處理模塊還用于將所述處理后的結果輸出至下一處理模塊；所述n個處理模塊中的第一個處理模塊的輸入通道為所述輸入層的輸入通道；

所述特征組合層用于將所述低維特征數據進行預處理，并將預處理后的低維特征數據進行合并處理，得到組合特征數據，所述組合特征數據為同一張人臉圖像對應的組合特征數據；

所述第二輸出層用于對所述組合特征數據進行特征融合，得到所述人臉特征數據；

每個所述第二監督模塊用于在所述深度學習模型的訓練過程中，對輸入的樣本低維子特征數據進行識別，輸出識別結果，并基于輸出的識別結果和樣本人臉圖像的訓練標簽，計算當前所述第二監督模塊中預設的損失函數的第二損失值，向所述輸入層反向傳輸所述損失函數的梯度信息，所述梯度信息用于調整從所述輸入層到所述第一輸出層中的目標網絡參數；每個所述特征模塊還用于在所述損失函數收斂至目標數值范圍后，向所述特征組合層輸出所述樣本低維子特征數據；輸入至每個所述第二監督模塊的所述樣本低維子特征數據是將樣本人臉圖像作為待識別人臉圖像輸入至所述輸入層后，由與所述第二監督模塊相連的特征模塊輸出的數據；

所述第一監督模塊用于在所述深度學習模型的訓練過程中，接收所述第二輸出層輸出的樣本人臉特征數據，并對所述樣本人臉特征數據進行識別，輸出識別結果，并基于輸出的識別結果和樣本人臉圖像的訓練標簽，計算當前所述第一監督模塊中預設的損失函數的第一損失值，向所述輸入層反向傳輸所述損失函數的梯度信息，所述梯度信息用于調整所述深度學習模型中的目標網絡參數，所述樣本人臉特征數據是將樣本人臉圖像作為待識別人臉圖像輸入至所述輸入層后，所述第二輸出層輸出的數據。

2.根據權利要求1所述的方法，其特征在于，

當所述樣本人臉圖像為一張人臉圖像時，所述識別結果包括所述一張人臉圖像的類別標簽；

或者，當所述樣本人臉圖像為一組人臉圖像時，所述識別結果包括所述一組人臉圖像之間的相似度，所述一組人臉圖像包括至少兩張人臉圖像。

3.根據權利要求1所述的方法，其特征在于，

所述損失函數包括多項式回歸損失函數或基于度量學習的損失函數。