本申请公开了一种人脸识别方法、装置及一种电子设备和计算机可读存储介质，该方法包括：获取训练集；其中，所述训练集中包括戴口罩的人脸图片；确定每次训练的采样类别数量和采样系数；其中，所述采样系数表示每次训练每个类别的采样数量；在每次训练的过程中，根据所述采样类别数量选择本次训练需要采样的目标类别，根据所述采样系数在每个所述目标类别下选取本次训练的训练样本；基于所述训练样本训练人脸识别模型，以利用训练完成的人脸识别模型进行人脸识别。由此可见，本申请提供的人脸识别方法，提高了人脸识别模型的准确度。提高了人脸识别模型的准确度。提高了人脸识别模型的准确度。
【技术实现步骤摘要】
一种人脸识别方法、装置及电子设备和存储介质
[0001]本申请涉及人脸识别
，更具体地说，涉及一种人脸识别方法、装置及一种电子设备和一种计算机可读存储介质。
技术介绍
[0002]人脸识别是一个典型的开集任务，也即训练时的对象和实际使用时的对象并不是一样的。人脸识别需要应用于极端恶劣的场景下，例如口罩、帽子等对人脸大面积遮挡的情况，这类场景的训练样本数远低于普通场景下的样本数量。现有技术在进行人脸识别模型训练时，往往不会区分样本的特殊性，将大量的正常光照、高分辨率、不戴口罩、无遮挡等人脸样本与少量的戴口罩、遮挡严重等特殊场景人脸样本同时随机采样训练。
[0003]在相关技术中，基于Softmax训练人脸识别模型，设置每次训练所选取的样本数BatchSize，在所有样本中随机采样选取样本数进行训练。上述方案对于类别样本数量不均衡的训练集，很容易造成长尾问题，也即样本数多的类别训练的更充分，而样本数少的类别训练的则不够充分，使得最终训练得到的人脸识别模型鲁棒性差，即对戴口罩、大面积遮挡等特殊情况的人脸目标识别效果不佳。可见，上述方案容易造成对样本数量少的人脸图片类别训练不充分，导致人脸识别模型的准确度较低。
[0004]因此，如何提高人脸识别模型的准确度是本领域技术人员需要解决的技术问题。
技术实现思路
[0005]本申请的目的在于提供一种人脸识别方法、装置及一种电子设备和一种计算机可读存储介质，提高了人脸识别模型的准确度。
[0006]为实现上述目的，本申请提供了一种人脸识别方法，包括：
[0007]获取训练集；其中，所述训练集中包括戴口罩的人脸图片；
[0008]确定每次训练的采样类别数量和采样系数；其中，所述采样系数表示每次训练每个类别的采样数量；
[0009]在每次训练的过程中，根据所述采样类别数量选择本次训练需要采样的目标类别，根据所述采样系数在每个所述目标类别下选取本次训练的训练样本；
[0010]基于所述训练样本训练人脸识别模型，以利用训练完成的人脸识别模型进行人脸识别。
[0011]其中，所述确定每次训练的采样类别数量和采样系数，包括：
[0012]确定每次训练的采样图片数量和采样系数，计算所述采样图片数量与所述采样系数的比值得到每次训练的采样类别数量。
[0013]其中，所述根据所述采样类别数量选择本次训练需要采样的目标类别，包括：
[0014]在本轮采样未被采样的类别中根据所述采样类别数量选择本次训练需要采样的目标类别；其中，所述训练集中所有类别均被采样表示一轮采样完成。
[0015]其中，所述根据所述采样系数在每个所述目标类别下选取本次训练的训练样本，
包括：
[0016]在每个所述目标类别下从上次采样未被采样的第一个训练样本开始根据所述采样系数依次选取本次训练的训练样本。
[0017]其中，还包括：
[0018]基于训练样本与所属类别的类中心之间的距离构建第一损失项；
[0019]基于同一类别下不同训练样本之间的距离、不同类别下不同训练样本之间的距离构建第二损失项；
[0020]基于所述第一损失项和所述第二损失项构建完整的损失函数。
[0021]其中，所述基于训练样本与所属类别的类中心之间的距离构建第一损失项，包括：
[0022]基于训练样本与所属类别的类中心之间的距离利用Arcface损失函数构建第一损失项。
[0023]其中，基于同一类别下不同训练样本之间的距离、不同类别下不同训练样本之间的距离构建第二损失项，包括：
[0024]基于同一类别下不同训练样本之间的距离、不同类别下不同训练样本之间的距离利用正弦函数构建第二损失项。
[0025]为实现上述目的，本申请提供了一种人脸识别装置，包括：
[0026]获取模块，用于获取训练集；其中，所述训练集中包括戴口罩的人脸图片；
[0027]确定模块，用于确定每次训练的采样类别数量和采样系数；其中，所述采样系数表示每次训练每个类别的采样数量；
[0028]选择模块，用于在每次训练的过程中，根据所述采样类别数量选择本次训练需要采样的目标类别，根据所述采样系数在每个所述目标类别下选取本次训练的训练样本；
[0029]识别模块，用于基于所述训练样本训练人脸识别模型，以利用训练完成的人脸识别模型进行人脸识别。
[0030]为实现上述目的，本申请提供了一种电子设备，包括：
[0031]存储器，用于存储计算机程序；
[0032]处理器，用于执行所述计算机程序时实现如上述人脸识别方法的步骤。
[0033]为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述人脸识别方法的步骤。
[0034]通过以上方案可知，本申请提供的一种人脸识别方法，包括：获取训练集；其中，所述训练集中包括戴口罩的人脸图片；确定每次训练的采样类别数量和采样系数；其中，所述采样系数表示每次训练每个类别的采样数量；在每次训练的过程中，根据所述采样类别数量选择本次训练需要采样的目标类别，根据所述采样系数在每个所述目标类别下选取本次训练的训练样本；基于所述训练样本训练人脸识别模型，以利用训练完成的人脸识别模型进行人脸识别。
[0035]本申请提供的人脸识别方法，在不改变人脸识别模型的网络结构的前提下，改变每次训练时的采样方式，即每次训练采样固定数量的类别，在每个类别下采样固定数量的样本，可以使得数量较少的类别训练得更加充分，即使得戴口罩的人脸图片训练得更加充分，从而提高人脸识别模型识别戴口罩人脸的准确度。由此可见，本申请提供的人脸识别方
法，提高了人脸识别模型的准确度。本申请还公开了一种人脸识别装置及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
[0036]应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
[0037]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
[0038]图1为根据一示例性实施例示出的一种人脸识别方法的流程图；
[0039]图2a为根据一示例性实施例示出的一种同一类别下不同训练样本之间的关系示意图；
[0040]图2b为根据一示例性实施例示出的另一种同一类别下不同训练样本之间的关系示意图；
[0041]图3为根据一示例性实施例示出的一种人脸识别装置的结构图；
[0042]图4为根据一示例性实本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：获取训练集；其中，所述训练集中包括戴口罩的人脸图片；确定每次训练的采样类别数量和采样系数；其中，所述采样系数表示每次训练每个类别的采样数量；在每次训练的过程中，根据所述采样类别数量选择本次训练需要采样的目标类别，根据所述采样系数在每个所述目标类别下选取本次训练的训练样本；基于所述训练样本训练人脸识别模型，以利用训练完成的人脸识别模型进行人脸识别。2.根据权利要求1所述人脸识别方法，其特征在于，所述确定每次训练的采样类别数量和采样系数，包括：确定每次训练的采样图片数量和采样系数，计算所述采样图片数量与所述采样系数的比值得到每次训练的采样类别数量。3.根据权利要求1所述人脸识别方法，其特征在于，所述根据所述采样类别数量选择本次训练需要采样的目标类别，包括：在本轮采样未被采样的类别中根据所述采样类别数量选择本次训练需要采样的目标类别；其中，所述训练集中所有类别均被采样表示一轮采样完成。4.根据权利要求1所述人脸识别方法，其特征在于，所述根据所述采样系数在每个所述目标类别下选取本次训练的训练样本，包括：在每个所述目标类别下从上次采样未被采样的第一个训练样本开始根据所述采样系数依次选取本次训练的训练样本。5.根据权利要求1所述人脸识别方法，其特征在于，还包括：基于训练样本与所属类别的类中心之间的距离构建第一损失项；基于同一类别下不同训练样本之间的距离、不同类别下不同训练样本之间的距离构建第二损失项；基于所述第...
【专利技术属性】
技术研发人员：梁潇，王薷泉，韩泽，
申请(专利权)人：济南博观智能科技有限公司，
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。