本发明专利技术实施例涉及图像处理领域，公开了一种人脸识别模型训练方法、装置、电子设备及存储介质，方法包括：获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；基于损失值，对人脸识别模型的参数进行调整。通过在损失值计算的过程中，引入人脸特征密度信息，使得在人脸识别模型训练的过程中，根据人脸特征密度信息对样本图像与样本图像的非真实类别之间的间隔进行正则化，使得训练出的人脸识别模型能够适应不同场景下人脸特征差异带来的影响，提取出更有区分性的人脸特征，从而提升人脸识别的准确性。别的准确性。别的准确性。
【技术实现步骤摘要】
人脸识别模型训练方法、装置、电子设备及存储介质
[0001]本专利技术实施例涉及图像处理领域，特别涉及一种人脸识别模型训练方法、装置、电子设备及存储介质。
技术介绍
[0002]随着深度学习相关技术的高速发展，当前人脸识别已经广泛应用于支付、门禁、闸机、门锁等相关领域。目前人脸识别主要有两类任务：1:1人证比对和1:N人脸搜索。其主流操作都是借助深度网络模型获取人脸图片的特征向量，之后通过计算人脸特征向量之间的相似度来表征人员的相似性，相似度大于一定阈值即可认为为同一人，反之认为是不同人。对于理想的人脸识别网络模型，其抽取的特征向量满足以下良好特性：同一ID（Identity Document，身份标识）的特征距离尽可能小，不同ID的特征距离尽可能大。为此，SphereFace、CosFace、ArcFace、MvSoftmax等一系列基于margin（间隔）的损失函数应运而生，通过增加类特征间的角度间隔促使深度网络模型抽取出更具区分力的人脸表征，目前已取得较好的效果。
[0003]在损失函数中引入间隔，通过基于间隔的损失函数进行损失值的计算，并根据损失值对识别模型进行调整，能够使得识别模型对类别权重和类别特征之间的角度进行压缩，促使类别特征类内聚拢，类内距离减小、类间距离增大。
[0004]然而按照上述方法训练出的模型对不同的人体现出不同的类内偏差，对某些人脸特征较为明显的人，其类内特征间距可以分布均匀并且很小，且与其他人的类间特征距离较大，类间特征密度较小；而对某些具有“大众脸”的人或者处于不同光照、不同姿态等现实复杂场景下的人，其类内特征间距分布不均，且与其他人的人脸特征类间距离较小，类间特征密度较大。这样的识别特性会导致在模型实际使用场景下，对于不同的人识别模型的误识率表现不一致，对于具有“大众脸”或处于复杂场景中的人，误识别率相对较高，识别准确性低。
技术实现思路
[0005]本专利技术实施例的目的在于提供一种人脸识别模型训练方法、装置、电子设备及存储介质，使得人脸识别模型在训练过程中能够考虑到不同类型样本之间的类间距离，通过参数调整使得不同类型的样本的类间距离增大，同一类型的样本的类内距离减小，进而降低个体方差，提升人脸识别准确率。
[0006]为解决上述技术问题，本专利技术的实施例提供了一种人脸识别模型训练方法，包括：获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；基于损失值，对人脸识别模型的参数进行调整。
[0007]为解决上述技术问题，本专利技术的实施例还提供了一种人脸识别模型训练装置，包括：获取模块，用于获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；计
算模块，用于根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；调整模块，用于基于损失值，对人脸识别模型的参数进行调整。
[0008]为解决上述技术问题，本专利技术的实施例还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的人脸识别模型训练方法。
[0009]为解决上述技术问题，本专利技术的实施例还提供了一种计算计可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的人脸识别模型训练方法。
[0010]本专利技术实施例提供的人脸识别模型训练方法，根据人脸识别模型对样本图像的人脸特征识别结果和预设的包括包含人脸特征密度信息的正则项的损失函数对各样本图像的损失值进行计算，并根据计算出的损失值进行人脸识别模型参数的调整。通过在损失值计算的过程中，引入人脸特征密度信息，使得在人脸识别模型训练的过程中，会考虑到不同类型的样本图像之间的类间距离，通过人脸特征密度信息对样本图像与自身的非真实类别之间的间隔进行正则化，使得调整后的人脸识别模型识别出的不同类型的样本图像之间的类间距离必须达到一个门限值，进而使得通过调整后的人脸识别模型对不同类型的样本图像进行识别时，不同类型的样本图像的类间距离增大，类内距离减小，任意类型的样本图像的人脸特征识别结果方差减小，从而在识别过程中更加有效的挖掘个人在不同场景下人脸特征的不同特性，使得人脸识别模型抽取出的人脸特征更有区分性，从而提升人脸识别的准确性。
附图说明
[0011]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0012]图1是本专利技术的实施例提供的人脸识别模型训练方法的流程图；图2是本专利技术的另一实施例提供的人脸识别模型训练方法装置的结构示意图；图3是本专利技术的另一实施例提供的电子设备结构示意图。
具体实施方式
[0013]由
技术介绍
可知，相关的人脸识别模型训练方法训练出的模型对不同的人体现出不同的类内偏差，对某些人脸特征较为明显的人，其类内特征间距可以分布均匀并且很小，且与其他人的类间特征距离较大，类间特征密度较小；而对某些具有“大众脸”的人或者处于不同光照、不同姿态等现实复杂场景下的人，其类内特征分布不均方差较大，且与其他人人脸特征类间距离较小，类间特征密度较大。这样的识别特性会导致在模型实际使用场景下，对于不同的人识别模型的误识率表现不一致，对于具有“大众脸”的人或处于复杂场景中的人，误识别率相对较高，识别准确性低。
[0014]为了实现进一步提高训练出的人脸识别模型的人脸识别准确性的目的，本专利技术的实施例提供了一种人脸识别模型训练方法，包括：获取多个类型的样本图像，通过人脸识别
模型对样本图像进行识别；根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；基于损失值，对人脸识别模型的参数进行调整。
[0015]本专利技术实施例提供的人脸识别模型训练方法，根据人脸识别模型对样本图像的人脸特征识别结果和预设的包括包含人脸特征密度信息的正则项的损失函数对各样本图像的损失值进行计算，并根据计算出的损失值进行人脸识别模型参数的调整。通过在损失值计算的过程中，引入人脸特征密度信息，使得在人脸识别模型训练的过程中，会考虑到不同类型的样本图像之间的类间距离，通过人脸特征密度信息对样本图像与自身的非真实类别之间的间隔进行正则化，使得调整后的人脸识别模型识别出的不同类型的样本图像之间的类间距离必须达到一个门限值，进而使得通过调整后的人脸识别模型对不同类型的样本图像进行识别时，不同类型的样本图像的类间距离增大，类内距离减小，任意类型的样本图像的人脸特征识别结果方差减小，从而在识别过程中更加有效的挖掘个人在不同场景下人脸特征的不同特性，使得人脸识别模型抽取出的人脸特征更有区分性，从而提升人脸识别的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人脸识别模型训练方法，其特征在于，包括：获取多个类型的样本图像，通过人脸识别模型对所述样本图像进行识别；根据所述样本图像的人脸特征识别结果和预设损失函数计算各所述样本图像的损失值；其中，所述预设损失函数包括包含人脸特征密度信息的正则项；基于所述损失值，对所述人脸识别模型的参数进行调整。2.根据权利要求1所述的人脸识别模型训练方法，其特征在于，在所述根据所述样本图像的人脸特征识别结果和预设损失函数计算各所述样本图像的损失值前，还包括：根据所述样本图像所属的类型，获取所述样本图像的所述人脸特征密度信息。3.根据权利要求2所述的人脸识别模型训练方法，其特征在于，所述获取所述样本图像的所述人脸特征密度信息，包括：获取所述样本图像所属的类型与其余各类型的类间距离；将获取的多个所述类间距离按照从小到大的顺序排列，并将排列后的前N个所述类间距离的和的倒数作为所述样本图像的所述人脸特征密度信息。4.根据权利要求3所述的人脸识别模型训练方法，其特征在于，所述根据所述样本图像的人脸特征识别结果和预设损失函数计算各所述样本图像的损失值，包括：根据以下公式计算各所述样本图像的损失值L：其中，x为所述样本图像的所述人脸特征识别结果，y为类型的标签，m为间隔，N为所述类间距离的个数，为超参数，K为类型的总数，，为标签为k的类型的分类权重，为所述人脸特征识别结果x与所述分类权重之间的余弦角，为所述人脸特征识别结果x与所述分类权重之间的余弦距离，为间隔函数，为所述人脸特征密度信息。5.根据权利要求4所述的人脸识别模型训练方法，其特征在于，所述超参数的取值范围包括0.01到0.1。6....
【专利技术属性】
技术研发人员：浦煜，胡长胜，何武，付贤强，户磊，
申请(专利权)人：合肥的卢深视科技有限公司，
类型：发明
国别省市：
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。