[發明專利]一種人臉識別方法、人臉識別模型訓練方法以及相關裝置

在審

• 申請號: 202011133566.3
• 申請日: 2020-10-21
• 公開（公告）號: CN114463794A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 方帥;劉杰
• 申請（專利權）人: 華為云計算技術有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/74;G06V10/774
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 陳松浩

本申請實施例公開了一種人臉識別方法、人臉識別模型訓練方法以及相關裝置，用于提升人臉識別的效率。本申請實施例方法包括：根據兩張人臉圖像獲取其對應的特征向量，接著對兩個特征向量之間的距離參數進行比對，如果該距離參數大于預設值，則確定這兩張人臉圖像不存在匹配關系，如果該距離參數小于預設值，則確定這兩張人臉圖像存在匹配關系。

技術領域

本申請實施例涉及人臉識別領域，尤其涉及一種人臉識別方法以及相關裝置。

背景技術

隨著深度學習的發展，越來越多的研究者開始關注異質人臉識別(heterogeneousface recognition，HFR)技術。異質人臉識別是指對不同視覺域的人臉圖像進行識別和匹配，例如對一張素描的人臉圖像與一張光學的人臉圖像進行識別和匹配，判斷兩張人臉圖像是否屬于同一個人。異質人臉識別有著重要的實際應用價值，例如，公安部門可以根據目擊證人提供的描述畫出素描畫，然后利用異質人臉識別技術根據素描畫尋找出匹配的人臉，進而鎖定嫌疑人。

現有的異質人臉識別技術需要先通過生成器將異質的人臉圖像轉換成同源的人臉圖像，例如將可見光的人臉圖像通過生成器轉換為熱成像的人臉圖像，再將該熱成像的人臉圖像與另一張熱成像的人臉圖像進行識別和匹配。

然而，現有技術利用生成器得到同源圖像從而進行對比的方式較為繁瑣和耗時，并且比較依賴生成器所生成的圖像的效果。

發明內容

本申請實施例提供了一種人臉識別的方法以及相關裝置，能夠直接對兩張待識別的不同視覺域的圖片進行識別，不需要對圖片進行視覺域的轉換處理，提升了識別的效率。

本申請實施例第一方面提供了一種人臉識別模型的訓練方法：

對于處于不同視覺域的人臉圖片，也稱之為異質人臉圖片，例如一張光學的人臉圖片與一張近紅外的人臉圖片，即是一對異質人臉圖片，可以從樣本庫中獲取異質人臉圖像對集合，該異質人臉圖像對集合中包括了N對異質人臉圖像，并且每對異質人臉圖像都對應N個不同人臉中的目標人臉，獲取到N對異質人臉圖像之后，可以根據該N對異質人臉圖像獲取N組特征向量，這其中每一組特征向量都包括了兩個特征向量，在獲取到N組特征向量之后，可以通過組合的方式根據N組特征向量獲得一個相似性矩陣，該相似性矩陣對角線上的元素表示的是對應同一個目標人臉的兩個特征向量之間的距離參數，該相似性矩陣非對角線上的元素表示的是對應不同目標人臉且對應不同視覺域的兩個特征向量之間的距離參數，這之后可以獲取相似性矩陣的損失參數，該損失參數包括對稱損失參數，對稱損失參數即為相似性矩陣中關于對角線對稱的，即D_ij的元素與D_ji的元素的差值的平方的求和值，這其中，i不等于j，在獲取到損失參數之后，可以根據該損失參數對人臉識別模型進行訓練。

結合第一方面，本申請實施例第一方面的第一種實現方式中，損失參數還可以包括第一判別損失參數以及第二判別損失參數，這其中，第一判別損失參數為該相似性矩陣中D_mn元素的求和值，這其中，m等于n，第二判別損失參數為該相似性矩陣中D_jk元素的求和值，這其中，j大于k。

結合第一方面，本申請實施例第一方面的第二種實現方式中，第二判別損失可以為該相似性矩陣中D_ab的元素中按數值由大到小排序的前N個元素的求和值，這其中，a大于b。

結合第一方面、第一方面的第一種實現方式至第一方面的第二種實現方式中的任一種，本申請實施例第一方面的第三種實現方式中，當對稱損失參數收斂至第一預設值，第一判別損失參數收斂至第二預設值，第二判別損失參數收斂至第三預設值時，獲取人臉識別模型對應的參數。

本申請實施例第二方面提供了一種人臉識別方法：