[發明專利]人臉識別方法、裝置、設備及存儲介質

有效

• 申請號: 201910682405.0
• 申請日: 2019-07-26
• 公開（公告）號: CN110399839B
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 楊帆
• 申請（專利權）人: 北京達佳互聯信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 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: 祝亞男

本公開關于一種人臉識別方法、裝置、設備及存儲介質，該方法包括：基于第一人臉識別模型，獲取多個圖像樣本的圖像特征；基于多個圖像樣本的圖像質量特征及預設的第一質量類別，訓練得到圖像質量分類模型；將多個圖像樣本的圖像質量特征調整為與第一質量類別不同的第二質量類別；對第一人臉識別模型進行迭代訓練，基于每次訓練后的第一人臉識別模型對多個圖像樣本重新進行特征提取，將獲取到的圖像質量特征輸入圖像質量分類模型，重復上述訓練和特征提取的過程，直至圖像質量分類模型的損失值滿足目標條件，將本次訓練得到的第一人臉識別模型作為第二人臉識別模型輸出；基于第二人臉識別模型對圖像進行人臉識別。

技術領域

本公開涉及人工智能領域，尤其涉及人臉識別方法、裝置、設備及存儲介質。

背景技術

隨著人工智能的發展，人臉識別技術的應用越來越廣泛，而人臉識別技術通常采用人臉識別模型來實現。人臉識別模型通常依賴于大量圖像樣本。為了提高人臉識別模型的準確性，在對圖像樣本進行特征提取時，希望獲取到的臉部特征是具有自身穩定性和個體差異性的生物特征。但在特征提取過程中，除了提取出人臉圖像的生物特征之外，也會提取出圖像樣本中人臉圖像的清晰度、顏色等圖像質量特征。當用這種臉部特征來訓練人臉識別模型時，若圖像樣本中的生物特征差別較小，而圖像質量特征差別較大，可能導致人臉識別模型所學習到的判別標準實際上是基于圖像質量特征，導致人臉識別模型錯誤的將生物特征近似但是圖像質量特征差距較大的人臉識別為不是同一人。

為了避免圖像質量特征，對人臉識別模型的識別結果造成影響。相關技術中，通過獲取具有相同圖像質量的圖像樣本，使得提取到的所有圖像樣本的圖像質量特征相同，繼而避免識別錯誤。但獲取大量地、相同圖像質量的圖像樣本難度大、耗時長，影響人臉識別模型的訓練效率。

發明內容

本公開提供一種人臉識別方法、裝置、設備及存儲介質，以至少解決相關技術中的問題。本公開的技術方案如下：

根據本公開實施例的第一方面，提供一種人臉識別方法，所述方法包括：基于第一人臉識別模型，獲取多個圖像樣本的圖像特征，所述圖像樣本的圖像特征包括圖像生物特征和圖像質量特征；基于所述多個圖像樣本的圖像質量特征以及預設的第一質量類別，訓練得到圖像質量分類模型；將所述多個圖像樣本的圖像質量特征調整為與所述第一質量類別不同的第二質量類別；對所述第一人臉識別模型進行迭代訓練，基于每次訓練后的第一人臉識別模型對所述多個圖像樣本重新進行特征提取，將獲取到的圖像質量特征輸入所述圖像質量分類模型，重復上述訓練和特征提取的過程，直至所述圖像質量分類模型的損失值滿足目標條件，將本次訓練得到的第一人臉識別模型作為第二人臉識別模型輸出；基于所述第二人臉識別模型對圖像進行人臉識別。

可選地，所述第一人臉識別模型包括多個圖像特征提取網絡層，所述基于第一人臉識別模型，獲取多個圖像樣本的圖像特征，包括：將所述第一人臉識別模型中倒數第二個圖像特征提取網絡層的輸出作為所述圖像樣本的圖像特征。

可選地，所述目標條件包括對應的所述損失值在目標時長內不發生改變。

可選地，所述對所述第一人臉識別模型進行迭代訓練，基于每次訓練后的第一人臉識別模型對所述多個圖像樣本重新進行特征提取，將獲取到的圖像質量特征輸入所述圖像質量分類模型之前，所述方法還包括：獲取多個測試圖像樣本，對所述圖像質量分類模型的識別準確率進行驗證；根據驗證結果，對所述圖像質量分類模型的模型參數進行調整，得到滿足識別準確率要求的所述圖像質量分類模型。

可選地，所述第一人臉識別模型和所述圖像質量分類模型采用resnet神經網絡模型。