本发明专利技术公开了一种人脸识别方法、装置、设备和存储介质。该方法包括:构造图像训练样本集,所述图像训练样本集中包括多张包含人脸的图像;使用所述图像训练样本集训练人脸识别神经网络模型,所述人脸识别神经网络模型通过组合边界损失函数进行收敛,所述组合边界损失函数含有至少两个边界值;将达到预设训练结束条件的人脸识别神经网络模型作为最终得到的人脸识别模型。通过该方法可以实现人脸识别神经网络模型在训练效果和收敛性之间取得非常好的平衡的效果。
【技术实现步骤摘要】
一种人脸识别的方法、装置、设备和存储介质
本专利技术实施例涉及神经网络技术,尤其涉及一种人脸识别的方法、装置、设备和存储介质。
技术介绍
人脸识别技术是基于人的脸部特征,对输入的人脸图像或者视频流。首先判断其是否存在人脸,如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息,进一步提取每个人脸中所蕴涵的身份特征,并将其与已知的人脸进行对比,从而识别每个人脸的身份。该技术在银行VTM(VideoTellerMachine,远程视频柜员机)验证或珠宝店会员识别等大量场景中越来越多被运用。目前对于人脸识别任务的深度学习模型基本都是在网络的最高层(特征层)之后通过损失函数层来训练、约束和更新深度学习网络模型参数。专利技术人在实现本专利技术的过程中,发现现有技术存在如下缺陷:使用现有的损失函数约束模型时,模型会无法在训练效果和收敛性之间取得非常好的平衡。其结果就是要么因为损失函数边界约束过强导致训练不收敛,要么为了达到训练过程的收敛,而放松损失函数的边界约束,因此训练模型精准度不高。这两者会导致深度学习模型网络中间网络层的参数无法得到很好地更新,进而导致训练出的模型在实际人脸识别任务中表现不够理想。
技术实现思路
本专利技术提供一种人脸识别的方法、装置、设备和存储介质,以实现人脸识别神经网络模型在训练效果和收敛性之间取得非常好的平衡的效果。第一方面,本专利技术实施例提供了一种人脸识别的方法,包括:构造图像训练样本集,所述图像训练样本集中包括多张包含人脸的图像;使用所述图像训练样本集训练人脸识别神经网络模型,所述人脸识别神经网络模型通过组合边界损失函数进行收敛,所述组合边界损失函数含有至少两个边界值;将达到预设训练结束条件的人脸识别神经网络模型作为最终得到的人脸识别模型。第二方面,本专利技术实施例还提供了一种人脸识别的装置,包括:样本集构造模块,用于构造图像训练样本集,所述图像训练样本集中包括多张包含人脸的图像;神经网络模型训练模块,用于使用所述图像训练样本集训练人脸识别神经网络模型,所述人脸识别神经网络模型通过组合边界损失函数进行收敛,所述组合边界损失函数含有至少两个边界值;人脸识别模型输出模块,用于将达到预设训练结束条件的人脸识别神经网络模型作为最终得到的人脸识别模型。第三方面,本专利技术实施例还提供了一种设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本专利技术实施例所述的一种人脸识别的方法。第四方面,本专利技术实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本专利技术实施例所述的一种人脸识别的方法。上述提供的一种人脸识别的方法、装置、设备和存储介质,通过构造图像训练样本集,使用所述图像训练样本集训练人脸识别神经网络模型,并设置含有至少两个边界值的组合边界损失函数,用于约束人脸识别神经网络模型,以及当人脸识别神经网络模型达到预设训练结束条件时,确定最终得到的人脸识别模型。通过上述技术方案解决了现有技术中,使用单一边界损失函数约束神经网络模型,神经网络模型的训练效果和收敛性之间平衡性不好的问题,通过使用包含多个边界值的损失函数,可以实现利用多个边界值间的相互调节保证边界柔和收敛,进而在保证神经网络模型收敛的前提下,达到了获得更高的人脸识别准确度的效果。附图说明图1为本专利技术实施例一提供的一种人脸识别方法的流程图;图2为本专利技术实施例二提供的一种人脸识别方法的流程图;图3为本专利技术实施例二提供的一种人脸识别方法中对人脸图像进行旋转处理的流程图;图4为本专利技术实施例二提供的包含人脸图像关键点的图像的旋转示意图;图5为本专利技术实施例二提供的通过组合边界损失函数约束残差神经网络模型的示意图;图6为本专利技术实施例三提供的一种人脸识别的装置的结构图;图7为本专利技术实施例四提供的一种设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本专利技术,而非对本专利技术的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一提供的一种人脸识别方法的流程图。该方法可适用于通过人脸识别确认被识别者身份等方面。该方法通过人脸识别装置来执行,人脸识别装置主要通过软件和/或硬件方式来实现,该人脸识别装置可集成在能够进行模型训练的设备中,例如服务器。其中,本实施例中的人脸识别方法应用于人脸识别技术。人脸识别技术融合了计算机图像处理技术与生物统计学原理,其利用计算机图像处理技术从视频(图像)中提取人像特征点,并利用生物统计学的原理进行分析建立数学模型,即人脸特征模板。然后,利用已建成的人脸特征模板与被测者人员的面部图像进行特征分析,根据分析的结果来给出一个相似值。通过这个相似值即可确定被测试人员与数据库中哪一个人脸特征模板最为接近。结合图1,本实施例具体包括如下步骤:S110、构造图像训练样本集。其中,图像训练样本集中包括多张包含人脸的图像。其中,人脸的图像由采集设备通过拍摄的方式获得。当用户出现在采集设备的拍摄范围内时,采集设备会自动搜索用户并拍摄带有用户人脸的图像。可选的,采集设备可以是摄像机或照相机等具有图像采集功能的设备。以采集设备为摄像机为例,当摄像机通过摄像头获取的画面可以确认用户是否出现在拍摄范围内,若出现在拍摄范围内,则拍摄带有用户人脸的图像。其中,摄像镜头可以采集不同的人脸图像,比如静态图像、动态图像、不同采集位置图像以及不同表情的图像等。需要说明的是,上述提及的用户并非特指某个用户,其是指出现在采集设备拍摄范围内的任何用户。具体的,采集属于不同人脸的多张图像,比如有M(M>2)个用户等待被采集图像,此时,对每个用户采集N(N>2)张图,像这N张图像可以是不同角度的图像,例如其可以是头像照、半身照或全身照等,还可以是正面照、侧面照、俯视照或者仰视照等,只要包含人脸即可。进一步的,由上述图像构造的图像训练样本集中包括M×N张人脸图像。需要说明的是,上述说明仅是示例,实际应用中,每个用户对应的图像张数并不限定为N张,不同用户可以对应不同张数的图像。对用户采集的图像张数(N张)越多也好,这样可以为后续的构造图像训练样本集、人脸身份训练集和验证集提供跟多的素材。每个用户采集多张包含人脸的图像,可以保证人脸识别设备得到准确的、多角度的关于用户人脸的特征,进而保证后续训练的人脸识别模型的准确性。S120、使用所述图像训练样本集训练人脸识别神经网络模型。其中,人脸识别神经网络模型通过组合边界损失函数进行收敛;组合边界损失函数含有至少两个边界值。其中,神经网络(NeuralNetworks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。本实施例中,训练的神经网络模型用于人脸识别,并将被训练的神经网络模型命名为人脸识别神经网络模型。进一步的,损失函数是衡量人脸识本文档来自技高网...
【技术保护点】
1.一种人脸识别的方法,其特征在于,包括:构造图像训练样本集,所述图像训练样本集中包括多张包含人脸的图像;使用所述图像训练样本集训练人脸识别神经网络模型,所述人脸识别神经网络模型通过组合边界损失函数进行收敛,所述组合边界损失函数含有至少两个边界值;将达到预设训练结束条件的人脸识别神经网络模型作为最终得到的人脸识别模型。
【技术特征摘要】
1.一种人脸识别的方法,其特征在于,包括:构造图像训练样本集,所述图像训练样本集中包括多张包含人脸的图像;使用所述图像训练样本集训练人脸识别神经网络模型,所述人脸识别神经网络模型通过组合边界损失函数进行收敛,所述组合边界损失函数含有至少两个边界值;将达到预设训练结束条件的人脸识别神经网络模型作为最终得到的人脸识别模型。2.根据权利要求1所述的方法,其特征在于,所述组合边界损失函数表达式为:其中,m表示一次训练过程中输入图像的总张数,n表示所述输入图像中不同的人脸的个数,m1为第一边界值,m2为第二边界值,m3为第三边界值,yi表示第i张人脸对应的编号,s=‖xi‖,xi表示第i张图像经人脸识别神经网络模型中特征提取层运算后的输出结果,scosθj=||Wj||‖xi‖cosθj,||Wj||‖xi‖cosθj=WjTxi,W表示所述人脸识别神经网络模型中最终全连接层的权重参数向量,所述最终全连接层为所述人脸识别神经网络模型的最后一层,||Wj||=1,WjTxi表示W中第j行向量与xi的点乘,其代表最终全连接层的输出,θj表示W中第j行向量与xi的夹角,表示θj中j为yi。3.根据权利要求2所述的方法,其特征在于,所述人脸识别神经网络模型为残差神经网络模型;所述使用所述图像训练样本集训练人脸识别神经网络模型包括:搭建残差神经网络模型;使用图像训练样本集训练所述残差神经网络模型,在训练过程中通过组合边界损失函数收敛所述残差神经网络;对所述组合边界损失函数进行链式求导,以获得所述残差神经网络模型中每一个边界值参数的梯度值,所述边界值参数包括:第一边界值、第二边界值和第三边界值;根据随机梯度下降法则和所述梯度值更新训练后的残差神经网络模型。4.根据权利要求1所述的方法,其特征在于,所述构造图像训练样本集包括:采集多张图像,所述图像中包含人脸;标注所述图像中的人脸,并将标注后的图像组成图像训练样本集。5.根据权利要求4所述的方法,其特征在于,所述标注所述图像中的人脸包括:识别所述图像中的人脸;将属于同一人脸的图像归类为同一类别;分别对所述图像以及所述人脸进行编号,所述编号根据图像所属的类别确定。6.根据权利要求4所述的方法,其特征在...
【专利技术属性】
技术研发人员:张玉兵,
申请(专利权)人:广州视源电子科技股份有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。