人脸识别方法、装置、设备和计算机可读存储介质制造方法及图纸

本申请提供了一种人脸识别方法、装置、设备和计算机可读存储介质，方法包括获取待识别用户的上半脸图像；将上半脸图像输入至人脸识别模型，以得到图像特征；其中，人脸识别模型是基于上半脸图像集来对第一卷积神经网络模型进行训练得到的；模型训练时不仅考虑第一卷积神经网络模型自身损失函数，而且考虑第一卷积神经网络模型与第二卷积神经网络模型之间形成的损失函数，以此来更新第一卷积神经网络模型的网络参数，以得到人脸识别模型；将图像特征与人脸库中的人脸特征进行比对，根据比对结果确定待识别用户的人脸识别是否通过。该方法可以提高人脸识别的准确性，且可以对佩戴口罩或未佩戴口罩的用户进行识别，使用非常方便。使用非常方便。使用非常方便。

【技术实现步骤摘要】
人脸识别方法、装置、设备和计算机可读存储介质


[0001]本申请涉及人脸识别
，具体涉及一种人脸识别方法、装置、设备和计算机可读存储介质。

技术介绍

[0002]人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，广泛地应用到了考勤、门禁以及安检等诸多领域。人脸识别通常是使用机器学习方法训练人脸识别模型，然后利用人脸识别模型对图像中的人脸进行识别。
[0003]目前的人脸识别通常是提取整个人脸特征，然后将整个人脸特征与用户进行关联，从而来进行身份比对和认证。然而在某一些特殊时期用户都会佩戴口罩，而口罩会遮挡下半张脸特征(例如嘴巴、鼻子等特征)，此时再采用目前的训练模型来进行人脸识别，常常会出现识别效果差的问题，甚至可能会存在无法识别的情况。

技术实现思路

[0004]有鉴于此，本申请实施例中提供了一种人脸识别方法、装置、设备和计算机可读存储介质。
[0005]第一方面，本申请实施例提供了一种人脸识别方法，该方法包括：
[0006]获取待识别用户的上半脸图像；
[0007]将所述上半本文档来自技高网...

【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，所述方法包括：获取待识别用户的上半脸图像；将所述上半脸图像输入至人脸识别模型，以得到图像特征；其中，所述人脸识别模型是基于上半脸图像集来对第一卷积神经网络模型进行训练得到的；在所述第一卷积神经网络模型训练中，以第一损失函数和第二损失函数为总损失函数，来更新所述第一卷积神经网络模型的网络参数，直至模型训练结束，得到所述人脸识别模型；其中，所述第二卷积神经网络模型的性能优于所述第一卷积神经网络模型的性能；所述第一损失函数为以第一卷积神经网络模型提取所述上半脸图像集中上半脸图像样本的特征与所述上半脸图像样本的样本标签形成的交叉熵损失函数；所述第二损失函数为分别以所述第一卷积神经网络模型和第二卷积神经网络模型提取所述上半脸图像样本的不同特征而形成的均方损失函数；将所述图像特征与人脸库中的人脸特征进行比对，根据比对结果确定待识别用户的人脸识别是否通过。2.根据权利要求1所述的方法，其特征在于，所述人脸识别模型通过以下方法获得：获取上半脸图像集，所述上半脸图像集包括采用样本标签标记的上半脸图像样本；将所述上半脸图样本输入至所述第一卷积神经网络模型，得到第一图像特征；将所述上半脸图像样本输入至所述第二卷积神经网络模型，得到第二图像特征；对所述第一图像特征与所述样本标签进行人脸识别分类损失函数计算，生成logits；所述人脸识别分类损失函数包括arcface损失函数、cosface损失函数、ElasticArcFace损失函数、ElasticCosFace损失函数或GBCosFace损失函数；计算所述logits与所述样本标签的交叉熵损失函数；计算所述第一图像特征与所述第二图像特征的均方损失函数；根据所述交叉熵损失函数和所述均方损失函数生成总损失函数，对所述总损失函数进行梯度反传，更新所述第一卷积神经网络模型的网络参数，直到所述网络参数达到最优时，以得到所述人脸识别模型。3.根据权利要求2所述的方法，其特征在于，所述获取上半脸图像集，包括：获取人脸图像样本，从所述人脸图像样本中提取上半脸图像，以生成上半脸图像样本；对所述上半脸图像样本采用样本标签进行标记，采用标记后的上半脸图像样本生成所述上半脸图像集。4.根据权利要求1所述的方法，其特征在于，将所述图像特征与人脸库中的人脸特征进行比对，根据比对结果确定待识别用户的人脸识别是否通过，包括：计算所述图像特征与所述人脸特征的余弦距离，得到相似度得分；当所述相似度得分大于预设阈值时，确定待识别用户的人脸识别通过。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述第一卷积神经网络模型和所述第二卷积神经网络模型包括ResNet网络模型、VGG网络模型、...

【专利技术属性】
技术研发人员：杨奇，陈书楷，
申请(专利权)人：厦门熵基科技有限公司，
类型：发明
国别省市：