本发明专利技术公开了一种人脸识别方法、装置、电子设备及计算机可读存储介质。其中，该方法包括：获取目标人脸图像；采用人脸识别模型，对目标人脸图像中的目标人脸进行识别，得到目标人脸的人脸识别结果，其中，人脸识别模型为基于损失函数，采用多组训练样本对初始模型进行训练得到的人脸识别模型。本发明专利技术解决了相关技术中采用人脸识别模型进行人脸识别的场景中，训练人脸模型时，仅考虑正常人脸，以使得识别得到的人脸识别结果意外情况多发的技术问题。到的人脸识别结果意外情况多发的技术问题。到的人脸识别结果意外情况多发的技术问题。
【技术实现步骤摘要】
人脸识别方法、装置、电子设备及计算机可读存储介质
[0001]本专利技术涉及计算机领域，具体而言，涉及一种人脸识别方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]人脸识别模型大多采用深度神经网络，近年来，深度神经网络取得了重大进展，使得人脸识别的精度越来越高。人脸识别包括很多个步骤：首先进行人脸检测，第二步进行人脸关键点识别，第三步进行人脸对齐，最后一步是人脸识别。当前的人脸识别算法都聚焦于最后一步算法的研究上，默认前三步处理后的人脸图像使符合要求的标准人脸图像。当前人脸识别模型对于前三步产生的异常人脸图像识别效果差，整体算法鲁棒性差。
[0003]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0004]本专利技术实施例提供了一种人脸识别方法、装置、电子设备及计算机可读存储介质，以至少解决相关技术中采用人脸识别模型进行人脸识别的场景中，训练人脸模型时，仅考虑正常人脸，以使得识别得到的人脸识别结果意外情况多发的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种人脸识别方法，包括：获取目标人脸图像；采用人脸识别模型，对所述目标人脸图像中的目标人脸进行识别，得到所述目标人脸的人脸识别结果，其中，所述人脸识别模型为基于损失函数，采用多组训练样本对初始模型进行训练得到的人脸识别模型，所述损失函数包括第一损失函数项与第二损失函数项，所述第一损失函数项用于拉近特征空间中正常人脸中同一人脸之间的空间距离，拉远所述特征空间中正常人脸中不同人脸之间的空间距离，所述第二损失函数项用于拉近所述特征空间中异常人脸之间的空间距离，拉远所述特征空间中正常人脸与异常人脸之间的空间距离。
[0006]可选地，所述方法还包括：通过以下方式构建所述第一损失函数项：获取特征空间中所述正常人脸的空间位置；依据所述正常人脸的空间位置，确定所述正常人脸的空间位置中任意两个空间位置之间的空间夹角；依据所述正常人脸的空间位置中任意两个空间位置之间的空间夹角，构建所述第一损失函数项；通过以下方式构建所述第二损失函数项：获取特征空间中正常人脸的空间位置以及所述异常人脸的空间位置；依据所述异常人脸的空间位置，确定所述异常人脸的空间位置中任意两个空间位置之间的空间夹角；依据所述正常人脸的空间位置以及异常人脸的空间位置中任意两个空间位置之间的空间夹角，构建所述第二损失函数项。
[0007]可选地，所述采用多组训练样本对初始模型进行训练得到的人脸识别模型，包括：获取第一训练样本，其中，所述第一训练样本包括第一样本图像，以及所述第一样本图像的人脸识别结果，所述第一样本图像中的第一样本人脸属于正常人脸；基于所述第一训练样本对所述初始模型进行训练，得到所述人脸识别模型。
[0008]可选地，所述采用多组训练样本对初始模型进行训练得到的人脸识别模型，包括：
获取第二训练样本，其中，所述第二训练样本包括第二样本图像，以及所述第二样本图像中的人脸识别结果，所述第二样本图像中的第二样本人脸属于异常人脸；基于所述第二训练样本对所述初始模型进行训练，得到所述人脸识别模型。
[0009]可选地，所述采用人脸识别模型，对所述目标人脸图像中的目标人脸进行识别，得到所述目标人脸的人脸识别结果，包括：采用所述人脸识别模型，对所述目标人脸图像进行识别，识别所述目标人脸图像中的目标人脸属于正常人脸中多种人脸的概率，以及所述目标人脸所述异常人脸的概率，并确定属于多种人脸的概率与属于异常人脸的概率中的最大概率；将所述最大概率与预定阈值进行比较；在所述最大概率大于所述预定阈值的情况下，确定所述最大概率对应的人脸为所述目标人脸图像中的目标人脸所属的人脸，得到所述目标人脸的人脸识别结果。
[0010]可选地，所述采用人脸识别模型，对所述目标人脸图像中的目标人脸进行识别，得到所述目标人脸的人脸识别结果之后，还包括：显示所述目标人脸图像的人脸识别结果。
[0011]根据本专利技术实施例的一个方面，提供了一种人脸识别装置，包括：获取模块，用于获取目标人脸图像；识别模块，用于采用人脸识别模型，对所述目标人脸图像中的目标人脸进行识别，得到所述目标人脸的人脸识别结果，其中，所述人脸识别模型为基于损失函数，采用多组训练样本对初始模型进行训练得到的人脸识别模型，所述损失函数包括第一损失函数项与第二损失函数项，所述第一损失函数项用于拉近特征空间中正常人脸中同一人脸之间的空间距离，拉远所述特征空间中正常人脸中不同人脸之间的空间距离，所述第二损失函数项用于拉近所述特征空间中异常人脸之间的空间距离，拉远所述特征空间中正常人脸与异常人脸之间的空间距离。
[0012]根据本专利技术实施例的一个方面，提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现上述任一项所述的人脸识别方法。
[0013]根据本专利技术实施例的一个方面，提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的人脸识别方法。
[0014]根据本专利技术实施例的一个方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的人脸识别方法。
[0015]在本专利技术实施例中，通过获取目标人脸图像，并将目标人脸图像输入至人脸识别模型进行目标人脸的识别，进而能够得到目标人脸的人脸识别结果。因为目标人脸图像输入至的人脸识别模型是基于损失函数，采用多组训练样本对初始模型进行训练得到的人脸识别模型。采用损失函数，其中，损失函数包括第一损失函数项与第二损失函数项，第一损失函数项用于拉近特征空间中正常人脸中同一人脸之间的空间距离，拉远特征空间中正常人脸中不同人脸之间的空间距离，第二损失函数项用于拉近特征空间中异常人脸之间的空间距离，拉远特征空间中正常人脸与异常人脸之间的空间距离。即，考虑了异常人脸对人脸识别的影响，使得由于异常人脸导致的意外情况减少，增强了人脸识别模型的鲁棒性，进而解决了相关技术中采用人脸识别模型进行人脸识别的场景中，训练人脸模型时，仅考虑正常人脸，以使得识别得到的人脸识别结果意外情况多发的技术问题。
附图说明
[0016]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0017]图1是根据本专利技术实施例的人脸识别方法的流程图；
[0018]图2是根据本专利技术实施例的人脸识别装置的结构框图。
具体实施方式
[0019]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0020]需要说明的是，本专利技术的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：获取目标人脸图像；采用人脸识别模型，对所述目标人脸图像中的目标人脸进行识别，得到所述目标人脸的人脸识别结果，其中，所述人脸识别模型为基于损失函数，采用多组训练样本对初始模型进行训练得到的人脸识别模型，所述损失函数包括第一损失函数项与第二损失函数项，所述第一损失函数项用于拉近特征空间中正常人脸中同一人脸之间的空间距离，拉远所述特征空间中正常人脸中不同人脸之间的空间距离，所述第二损失函数项用于拉近所述特征空间中异常人脸之间的空间距离，拉远所述特征空间中正常人脸与异常人脸之间的空间距离。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过以下方式构建所述第一损失函数项：获取特征空间中所述正常人脸的空间位置；依据所述正常人脸的空间位置，确定所述正常人脸的空间位置中任意两个空间位置之间的空间夹角；依据所述正常人脸的空间位置中任意两个空间位置之间的空间夹角，构建所述第一损失函数项；通过以下方式构建所述第二损失函数项：获取特征空间中正常人脸的空间位置以及所述异常人脸的空间位置；依据所述异常人脸的空间位置，确定所述异常人脸的空间位置中任意两个空间位置之间的空间夹角；依据所述正常人脸的空间位置以及异常人脸的空间位置中任意两个空间位置之间的空间夹角，构建所述第二损失函数项。3.根据权利要求1所述的方法，其特征在于，所述采用多组训练样本对初始模型进行训练得到的人脸识别模型，包括：获取第一训练样本，其中，所述第一训练样本包括第一样本图像，以及所述第一样本图像的人脸识别结果，所述第一样本图像中的第一样本人脸属于正常人脸；基于所述第一训练样本对所述初始模型进行训练，得到所述人脸识别模型。4.根据权利要求1所述的方法，其特征在于，所述采用多组训练样本对初始模型进行训练得到的人脸识别模型，包括：获取第二训练样本，其中，所述第二训练样本包括第二样本图像，以及所述第二样本图像中的人脸识别结果，所述第二样本图像中的第二样本人脸属于异常人脸；基于所述第二训练样本对所述初始模型进行训练，得到所述人脸识别模型。5.根...
【专利技术属性】
技术研发人员：郭浩宇，李凡平，石柱国，
申请(专利权)人：以萨技术股份有限公司，
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。