[發(fā)明專利]臉部識別方法、分類模型的訓練方法、裝置和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010010341.2
• 申請日: 2020-01-06
• 公開（公告）號: CN111126346A
• 公開（公告）日: 2020-05-08
• 發(fā)明（設(shè)計）人: 葉澤雄;黎偉;肖萬鵬
• 申請（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京同達信恒知識產(chǎn)權(quán)代理有限公司 11291
• 代理人: 李娟

本申請?zhí)峁┮环N臉部識別方法、分類模型的訓練方法、裝置和存儲介質(zhì)，屬于計算機技術(shù)領(lǐng)域，涉及人工智能和計算機視覺技術(shù)。本申請根據(jù)待識別圖像的臉部特征，確定所述臉部特征對應于各目標對象的類別分數(shù)值，基于各目標對象分別對應的類別分數(shù)值，獲得所述待識別圖像的第一識別結(jié)果，該第一識別結(jié)果用于指示待識別圖像對應的目標對象。由于每個目標對象對應一個類別，該目標對象的不同拍攝狀態(tài)的臉部圖像的臉部特征均屬于該目標對象對應的類別，因此，在確定臉部特征對應于各目標對象的類別分數(shù)值時，可以根據(jù)不同拍攝狀態(tài)的臉部圖像的臉部特征，確定各個臉部特征對應于各目標對象的類別分數(shù)值，提高對設(shè)定的目標對象的識別準確率。

技術(shù)領(lǐng)域

本申請涉及計算機技術(shù)領(lǐng)域，更具體地說，涉及一種臉部識別方法、分類模型的訓練方法、裝置和存儲介質(zhì)。

背景技術(shù)

隨著計算機技術(shù)和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，臉部識別技術(shù)在不同領(lǐng)域得到廣泛應用，例如，人臉識別技術(shù)可以應用于考勤、屏幕解鎖、門禁、安防、公安以及支付領(lǐng)域等。

現(xiàn)有的臉部識別方法，通常采用相似度匹配的方式進行識別，預先獲取并保存用戶A的臉部圖像作為種子，當針對用戶A進行臉部識別時，從現(xiàn)場采集的待識別對象的臉部圖像中提取特征，與作為種子的臉部圖像進行特征對比。如果二者的相似度超過閾值，說明待識別對象是用戶A；如果二者的相似度未達到閾值，說明待識別對象不是用戶A。

目前，在通過上述方法進行臉部識別時，往往需要待識別對象主動配合，采集待識別對象在光照充足的場景的正臉圖像，才可以識別出待識別對象的身份，而對于側(cè)臉或拍攝距離較遠的小臉圖像，往往無法進行識別。而在安防等部分應用場景中，例如在尋找走失兒童或追蹤逃犯的場景中，監(jiān)控攝像頭拍攝的圖像中人物的姿態(tài)多種多樣，存在較多的側(cè)臉，同時，由于攝像頭畫質(zhì)的差異或環(huán)境光照等因素的影響，拍攝的圖像中還可能存在人物的臉部模糊的現(xiàn)象，采用這些圖像進行臉部識別時，現(xiàn)有的臉部識別方法的識別準確率很低，往往無法正確識別出待查找的目標對象，導致多次錯過待查找的目標對象。

發(fā)明內(nèi)容

為解決現(xiàn)有存在的技術(shù)問題，本申請實施例提供一種臉部識別方法、分類模型的訓練方法、裝置和存儲介質(zhì)，可以提高對設(shè)定的目標對象的識別準確率，并提高識別出設(shè)定的目標對象的機率。

為達到上述目的，本申請實施例的技術(shù)方案是這樣實現(xiàn)的：

第一方面，本申請實施例提供一種臉部識別方法，包括：

提取待識別圖像的臉部特征；

根據(jù)待識別圖像的臉部特征，確定所述臉部特征對應于各目標對象的類別分數(shù)值；

基于各目標對象分別對應的類別分數(shù)值，獲得所述待識別圖像的第一識別結(jié)果；所述第一識別結(jié)果用于指示所待識別圖像中臉部特征對應的目標對象。

第二方面，本申請實施例提供一種分類模型的訓練方法，所述分類模型應用于第一方面所述的臉部識別方法，所述訓練方法包括：

從訓練數(shù)據(jù)集中抽取臉部樣本圖像；所述訓練數(shù)據(jù)集中包括正樣本和負樣本，所述正樣本包括至少一個目標對象的臉部樣本圖像集，所述負樣本包括非目標對象的臉部樣本圖像，每張臉部樣本圖像均標注有類別標簽，正樣本的類別標簽用于指示該臉部樣本圖像對應的目標對象，負樣本的類別標簽用于指示該臉部樣本圖像不對應任何一個目標對象；

提取臉部樣本圖像的臉部特征；

將臉部樣本圖像的臉部特征輸入分類模型，得到臉部樣本圖像的識別結(jié)果；

根據(jù)臉部樣本圖像的識別結(jié)果與臉部樣本圖像的類別標簽，確定損失值；

根據(jù)損失值對所述分類模型的參數(shù)進行調(diào)整，直至所述損失值收斂至預設(shè)的期望值為止，得到已訓練的分類模型。