图像处理方法及相关设备技术

本申请实施例公开了一种图像处理方法及相关设备，该方法包括：迭代执行训练流程，训练流程包括：根据第一人脸识别模型对应的损失调整第一人脸识别模型；通过调整后的第一人脸识别模型从预先选取得到的多张第一样本图像中，提取多张第一样本图像各自对应的特征数据；将第一特征数据与第二特征数据进行组合，以得到第一特征数据对应的多个第一数据对；将第一特征数据与第三特征数据进行组合，以得到第一特征数据对应多个第二数据对；根据多项第一样本图像的特征数据中各第一特征数据对应的多个第一数据对的相似性距离和多个第二数据对的相似性距离，确定第一人脸识别模型对应的损失。采用本申请实施例，能够提高对非标准图像的识别的准确率。

【技术实现步骤摘要】
图像处理方法及相关设备
本申请涉及人脸识别
，尤其涉及一种图像处理方法及相关设备。
技术介绍
近几年，人脸识别技术飞速发展，基于数据、模型以及损失函数的各种算法应运而生。很多算法在公开数据集上的测试结果都非常高，接近99％。但是，这种方法区分的是不同人的不同角度不同场景的人脸图像，因而难以基于同一个人的所有人脸图像有效提取共性特征。故在实际应用中，因为侧脸表情变化巨大、光线变化等原因，会造成人脸识别准确率与理论差距巨大。例如，在只注册标准图像(例如，标准图像可以为正脸图像)的人脸识别场景，通过非标准图像(非标准图像可以为侧脸、歪脸等)进行识别会造成识别的准确率下降的问题。
技术实现思路
本申请实施例公开了一种图像处理方法及相关设备，能够提高对非标准图像的识别的准确率。第一方面，本申请实施例提供了一种图像处理方法，该方法包括：迭代执行第一人脸识别模型的训练流程，直至所述第一人脸识别模型对应的损失满足第一预设条件，损失满足所述第一预设条件时的所述第一人脸识别模型用于进行人脸识别；其中，所述第一人脸识别模型的训练流程包括：根据所述第一人脸识别模型对应的损失调整所述第一人脸识别模型；通过调整后的所述第一人脸识别模型从预先选取得到的多张第一样本图像中，提取所述多张第一样本图像各自对应的特征数据，以得到多项第一样本图像的特征数据，其中，所述多张第一样本图像包括预设的标准图像和预设的非标准图像；将第一特征数据与第二特征数据进行组合，以得到所述第一特征数据对应的多个第一数据对，所述第一特征数据为所述多张第一样本图像中的第一目标标准图像对应的特征数据，所述第二特征数据为所述多张第一样本图像中的第一目标非标准图像对应的特征数据，所述第一目标标准图像与所述第一目标非标准图像为同一人的样本图像，所述第一目标标准图像为所述多张第一样本图像中的任一标准图像；将所述第一特征数据与第三特征数据进行组合，以得到所述第一特征数据对应多个第二数据对，所述第三特征数据为所述多张第一样本图像中的第一目标样本图像对应的特征数据，所述第一目标样本图像与所述第一目标标准图像为不同人的样本图像；根据所述多项第一样本图像的特征数据中各第一特征数据对应的多个第一数据对的相似性距离和多个第二数据对的相似性距离，确定所述第一人脸识别模型对应的损失。在上述方法中，通过模型训练，使得同一人的标准图像和非标准图像之间的相似性距离减小，且使得该人的标准图像和其他人的图像之间的相似性距离增大，进而能够通过相似性距离来区分同一人和不同人。由于本申请的模型训练是使同一人一张标准图像和一张非标准图像之间的相似性距离相近，故能够有效找出同一人的两张图像之间的共性特征，有效增大类间间距，减小类内间距，从而更容易区分是否是同一个人，进而能够提高对非标准图像的识别的准确率，也避免了同一人的所有图像的共性特征较少，使得同一人的图像之间的相似性距离会偏大，不同人的图像之间的相似性距离会偏小的问题。结合第一方面，在一种可能的实施方式中，所述第一预设条件为：所述第一人脸识别模型对应的损失小于预设损失。结合第一方面，在一种可能的实施方式中，所述第一人脸识别模型对应的损失L为：L＝L1+(T-L2)其中，L1为所述多项第一样本图像的特征数据中各第一特征数据对应的多个第一数据对的平方损失的平均值，L2为所述多项第一样本图像的特征数据中各第一特征数据对应的多个第二数据对的平方损失的平均值，T为预设距离值。在本申请实施例中，根据第一数据对和第二数据对的平方损失的平均值来计算第一人脸识别模型对应的损失，这样第一人脸识别模型对应的损失的计算方法相对较为简单，减小了模型训练的计算开销。另外，能够通过将预设距离值设置得很大，来定量地控制第二数据对的相似性距离以明显区别第一数据对的相似性距离，进而达到能够很容易地区分出第一数据对和第二数据对的效果。结合第一方面，在一种可能的实施方式中，所述多张第一样本图像为从第一样本图像集中选取的，所述第一样本图像集中非标准图像的种类个数大于预设个数；所述迭代执行第一人脸识别模型的训练流程之前，还包括：迭代执行第二人脸识别模型的训练流程，直至所述第二人脸识别模型对应的损失满足第二预设条件，以得到所述第一人脸识别模型；其中，所述第二人脸识别模型的训练流程包括：根据所述第二人脸识别模型对应的损失调整所述第二人脸识别模型；通过调整后的所述第二人脸识别模型，从预先选取得到的多张第二样本图像中，提取所述多张第二样本图像各自对应的特征数据，以得到多项第二样本图像的特征数据，其中，所述多张第二样本图像包括所述标准图像和所述非标准图像，所述多张第二样本图像为从第二样本图像集中选取的，所述第二样本图像集中第二样本图像的张数大于预设张数；将第四特征数据与第五特征数据进行组合，以得到所述第四特征数据对应的多个第三数据对，所述第四特征数据为所述多张第二样本图像中的第二目标标准图像对应的特征数据，所述第五特征数据为所述多张第二样本图像中的第二目标非标准图像对应的特征数据，所述第二目标标准图像与所述第二目标非标准图像为同一人的样本图像，所述第二目标标准图像为所述多张第二样本图像中的任一标准图像；将所述第四特征数据与第六特征数据进行组合，以得到所述第四特征数据对应多个第四数据对，所述第六特征数据为所述多张第二样本图像中的第二目标样本图像对应的特征数据，所述第二目标样本图像与所述第二目标标准图像为不同人的样本图像；根据所述多项第二样本图像的特征数据中各第四特征数据对应的多个第三数据对的相似性距离和多个第四数据对的相似性距离，确定所述第二人脸识别模型对应的损失。在本申请实施例中，先基于第二样本图像集对第二人脸识别模型进行模型训练，利用第二样本图像集的样本数量大的特点，以得到第一人脸识别模型，再基于第一样本图像集对第一人脸识别模型进行模型训练，利用第一样本图像集中的非标准图像的种类较多的特点，以得用于进行人脸识别的第一人脸识别模型，这样结合使用第二样本图像集和第一样本图像集，在保证能获得较好的模型训练效果的前提下，能够降低用于模型训练的样本图像集的获取难度。结合第一方面，在一种可能的实施方式中，所述标准图像为正脸图像；所述将第四特征数据与第五特征数据进行组合，以得到所述第四特征数据对应的多个第三数据对之前，还包括：计算目标人物对应的第二样本图像的人脸角度，其中，所述目标人物为所述多张第二样本图像代表的所有人中的任一人；从所述目标人物对应的第二样本图像中选取人脸角度最小的作为所述目标人物对应的正脸图像。在本申请实施例中，通过计算人脸角度的方式能够较为容易地从第二样本图像集中找到任一人的正脸图像。结合第一方面，在一种可能的实施方式中，所述迭代执行第一人脸识别模型的训练流程之后，还包括：通过所述第一人脸识别模型从预先选取得到的多张验证图像中，提取所述多张验证图像各自对应的用于验证的特征数据，以得到多项验证图像的特征数据，其中，所述多张验证图像包括所述标准图像和所述非标准图像；将第七特征数据与第八特本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：/n迭代执行第一人脸识别模型的训练流程，直至所述第一人脸识别模型对应的损失满足第一预设条件，损失满足所述第一预设条件时的所述第一人脸识别模型用于进行人脸识别；/n其中，所述第一人脸识别模型的训练流程包括：/n根据所述第一人脸识别模型对应的损失调整所述第一人脸识别模型；/n通过调整后的所述第一人脸识别模型从预先选取得到的多张第一样本图像中，提取所述多张第一样本图像各自对应的特征数据，以得到多项第一样本图像的特征数据，其中，所述多张第一样本图像包括预设的标准图像和预设的非标准图像；/n将第一特征数据与第二特征数据进行组合，以得到所述第一特征数据对应的多个第一数据对，所述第一特征数据为所述多张第一样本图像中的第一目标标准图像对应的特征数据，所述第二特征数据为所述多张第一样本图像中的第一目标非标准图像对应的特征数据，所述第一目标标准图像与所述第一目标非标准图像为同一人的样本图像，所述第一目标标准图像为所述多张第一样本图像中的任一标准图像；/n将所述第一特征数据与第三特征数据进行组合，以得到所述第一特征数据对应多个第二数据对，所述第三特征数据为所述多张第一样本图像中的第一目标样本图像对应的特征数据，所述第一目标样本图像与所述第一目标标准图像为不同人的样本图像；/n根据所述多项第一样本图像的特征数据中各第一特征数据对应的多个第一数据对的相似性距离和多个第二数据对的相似性距离，确定所述第一人脸识别模型对应的损失。/n...

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
迭代执行第一人脸识别模型的训练流程，直至所述第一人脸识别模型对应的损失满足第一预设条件，损失满足所述第一预设条件时的所述第一人脸识别模型用于进行人脸识别；
其中，所述第一人脸识别模型的训练流程包括：
根据所述第一人脸识别模型对应的损失调整所述第一人脸识别模型；
通过调整后的所述第一人脸识别模型从预先选取得到的多张第一样本图像中，提取所述多张第一样本图像各自对应的特征数据，以得到多项第一样本图像的特征数据，其中，所述多张第一样本图像包括预设的标准图像和预设的非标准图像；
将第一特征数据与第二特征数据进行组合，以得到所述第一特征数据对应的多个第一数据对，所述第一特征数据为所述多张第一样本图像中的第一目标标准图像对应的特征数据，所述第二特征数据为所述多张第一样本图像中的第一目标非标准图像对应的特征数据，所述第一目标标准图像与所述第一目标非标准图像为同一人的样本图像，所述第一目标标准图像为所述多张第一样本图像中的任一标准图像；
将所述第一特征数据与第三特征数据进行组合，以得到所述第一特征数据对应多个第二数据对，所述第三特征数据为所述多张第一样本图像中的第一目标样本图像对应的特征数据，所述第一目标样本图像与所述第一目标标准图像为不同人的样本图像；
根据所述多项第一样本图像的特征数据中各第一特征数据对应的多个第一数据对的相似性距离和多个第二数据对的相似性距离，确定所述第一人脸识别模型对应的损失。


2.根据权利要求1所述的方法，其特征在于，所述第一预设条件为：所述第一人脸识别模型对应的损失小于预设损失。


3.根据权利要求2所述的方法，其特征在于，所述第一人脸识别模型对应的损失L为：
L＝L1+(T-L2)
其中，L1为所述多项第一样本图像的特征数据中各第一特征数据对应的多个第一数据对的平方损失的平均值，L2为所述多项第一样本图像的特征数据中各第一特征数据对应的多个第二数据对的平方损失的平均值，T为预设距离值。


4.根据权利要求1所述的方法，其特征在于，所述多张第一样本图像为从第一样本图像集中选取的，所述第一样本图像集中非标准图像的种类个数大于预设个数；所述迭代执行第一人脸识别模型的训练流程之前，还包括：
迭代执行第二人脸识别模型的训练流程，直至所述第二人脸识别模型对应的损失满足第二预设条件，以得到所述第一人脸识别模型；
其中，所述第二人脸识别模型的训练流程包括：
根据所述第二人脸识别模型对应的损失调整所述第二人脸识别模型；
通过调整后的所述第二人脸识别模型，从预先选取得到的多张第二样本图像中，提取所述多张第二样本图像各自对应的特征数据，以得到多项第二样本图像的特征数据，其中，所述多张第二样本图像包括所述标准图像和所述非标准图像，所述多张第二样本图像为从第二样本图像集中选取的，所述第二样本图像集中第二样本图像的张数大于预设张数；
将第四特征数据与第五特征数据进行组合，以得到所述第四特征数据对应的多个第三数据对，所述第四特征数据为所述多张第二样本图像中的第二目标标准图像对应的特征数据，所述第五特征数据为所述多张第二样本图像中的第二目标非标准图像对应的特征数据，所述第二目标标准图像与所述第二目标非标准图像为同一人的样本图像，所述第二目标标准图像为所述多张第二样本图像中的任一标准图像；
将所述第四特征数据与第六特征数据进行组合，以得到所述第四特征数据对应多个第四数据对，所述第六特征数据为所述多张第二样本图像中的第二...

【专利技术属性】
技术研发人员：张阿强，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：广东;44