人脸识别方法及装置制造方法及图纸

本公开涉及人工智能技术领域，提供了一种人脸识别方法及装置。该方法包括：通过神经网络模型提取输入图像中每个样本的第一特征、第二特征和第三特征，并对上述三个特征进行特征融合处理，得到每个样本的融合特征，进而通过计算得到每个样本的第一质量分和每个类对应的类中心的第二质量分；通过神经网络模型计算每个样本和每个样本所属的类对应的类中心的偏差角度的余弦值；根据每个样本的第一质量分、每个样本所属的类对应的类中心的第二质量分以及每个样本和每个样本所属的类对应的类中心的偏差角度的余弦值，通过损失函数训练神经网络模型；使用训练之后的神经网络模型进行人脸识别。人脸识别。人脸识别。

Face recognition method and device

【技术实现步骤摘要】
人脸识别方法及装置


[0001]本公开涉及人工智能
，尤其涉及一种人脸识别方法及装置。

技术介绍

[0002]现有人脸识别算法的通用做法，是将所有训练样本一视同仁进行处理，在 对人脸识别模型的训练中，没有考虑不同的样本质量和不同质量的类中心带来 的训练问题。不同的样本质量和不同质量的类中心实际上涉及的是图像特征提 取和图像特征质量估计。在现有的人脸算识别技术中，人脸图像的特征提取任 务和关于特征的质量估计任务是相互独立的，特征提取任务和质量估计任务没 有关联，也无法关联，进而导致了在对人脸识别模型的训练中，图像特征提取 和图像特征质量估计无法相互促进的问题。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问 题：在对人脸识别模型的训练中，图像特征提取和图像特征质量估计无法相互 促进的问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种人脸识别方法及装置，以解决现有技 术中，在对人脸识别模型的训练中，图像特征提取和图像特征质量估计无法相 互促进的问题。
[0005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：获取输入图像，并通过神经网络模型提取所述输入图像中每个样本的第一特征、第二特征和第三特征，通过所述神经网络模型计算所述每个样本和所述每个样本所属的类对应的类中心的偏差角度的余弦值，其中，所述输入图像有多个类，每个类对应的一个类中心，所述每个类中有多个样本；对所述每个样本的所述第一特征、所述第二特征和所述第三特征进行特征融合处理，得到所述每个样本的融合特征；对所述每个样本的以下至少之一特征做交互计算：所述第一特征、所述第三特征和所述融合特征，以得到所述每个样本的第一质量分；根据所述输入图像中每个类中的多个样本的第一质量分，计算所述每个类对应的所述类中心的第二质量分；根据所述每个样本的所述第一质量分、所述每个样本所属的类对应的类中心的所述第二质量分以及所述每个样本和所述每个样本所属的类对应的类中心的所述偏差角度的所述余弦值，通过损失函数训练所述神经网络模型；使用训练之后的神经网络模型进行人脸识别。2.根据权利要求1所述的方法，其特征在于，所述对所述每个样本的所述第一特征、所述第二特征和所述第三特征进行特征融合处理，得到所述每个样本的融合特征，包括：将所述输入图像输入所述神经网络模型，分别通过所述神经网络模型的第二阶段、第三阶段和第四阶段输出所述输入图像中所述每个样本的所述第一特征、所述第二特征和所述第三特征，其中，所述神经网络模型具有四个阶段；将所述每个样本的所述第一特征输入第一预设卷积层，输出所述每个样本的第四特征；将所述每个样本的所述第二特征输入第二预设卷积层，输出所述每个样本的第五特征；将所述每个样本的所述第三特征输入第三预设卷积层，输出所述每个样本的第六特征；对所述每个样本的所述第四特征、所述第五特征和所述第六特征进行特征拼接处理，得到所述每个样本的拼接特征，其中，所述特征融合处理包括所述特征拼接处理；将所述每个样本的所述拼接特征输入第四预设卷积层，输出所述每个样本的所述融合特征。3.根据权利要求1所述的方法，其特征在于，所述对所述每个样本的以下至少之一特征做交互计算：所述第一特征、所述第三特征和所述融合特征，以得到所述每个样本的第一质量分，包括：对所述每个样本的所述第一特征和所述融合特征做所述交互计算，以得到所述每个样本的浅层质量分，其中，所述第一质量分包括所述浅层质量分，包括：将所述第一特征输入第五预设卷积层，输出第七特征；分别对所述第七特征对应的第一矩阵和所述融合特征对应的第二矩阵进行维度打平处理，并使用经过所述维度打平处理后的第一矩阵乘以经过所述维度打平处理后的第二矩阵的转置，得到第一乘积；
使用归一化指数函数对所述第一乘积进行计算，得到第一计算结果，并使用所述第一计算结果乘以所述第二矩阵，得到第二乘积；将所述第二乘积乘以第一参数矩阵再乘以第二参数矩阵，得到第三乘积；使用sigmoid函数对所述第三乘积进行计算，得到所述浅层质量分。4.根据权利要求1所述的方法，其特征在于，所述对所述每个样本的以下至少之一特征做交互计算：所述第一特征、所述第三特征和所述融合特征，以得到所述每个样本的第一质量分，包括：对所述每个样本的所述第三特征和所述融合特征做所述交互计算，以得到所述每个样本的中层质量分，其中，所述第一质量分包括所述中层质量分，包括：将所述第三特征输入第五预设卷积层，输出第八特征；分别对所述第八特征对应的第三矩阵和所述融合特征对应的第二矩阵进行维度打平处理，并使用经过所述维度打平处理后的第三矩阵乘以经过所述维度打平处理后的第二矩阵的转置，得到第四乘积；使用归一化指数函数对所述第四乘积进行计算，得到第二计算结果，并使用所述第二计算结果乘以所述第二矩阵，得到第五乘积；将所述第五乘积乘以第三参数矩阵再乘以第四参数矩阵，得到第六乘积；使用sigmoid函数对第六乘积进行计算，得到所述中层质量分。5.根据权利要求1所述的方法，其特征在于，所述对所述每个样本的以下至少之一特征做交互计算：所述第一特征、所述第三特征和所述融合特征，以得到所述每个样本的第一质量分，包括：对所述每个样本的所述融合特征做所述交互计算，以得到所述每个样本的高层质量分，其中，所述第一质量分包括所述高层质量分，包括：将所述融合特征输入第五预设卷积层，输出第九特征；分别对所述第九特征对应的第四矩阵和所述融合特征对应的第二矩阵进行维度打平处理，并使用经过所述维度打平处理后的第四矩阵乘以经过所述维度打平处理后的第二矩阵的转置，得到第七乘积；使用归一化指数函数对所述第七乘积...

【专利技术属性】
技术研发人员：黄泽元，
申请(专利权)人：深圳集智数字科技有限公司，
类型：发明
国别省市：