【技术实现步骤摘要】
模型训练方法、人脸识别方法、装置、设备及介质
[0001]本申请属于人工智能领域,具体涉及一种模型训练方法、人脸识别方法、装置、设备及介质。
技术介绍
[0002]随着电子技术的发展,用户将电子设备借给其他用户使用,无法控制其他用户对电子设备的操作时,会存在较大的隐私泄露风险。目前,电子设备可以对特定应用设置实时的人脸识别,即对电子设备使用者进行不间断的人脸识别,一旦识别到与预设人脸不符的情况下使用该应用,则会暂停电子设备中该应用使用。
[0003]现有技术中,实时人脸识别的训练方法通常是基于一个人脸数据库,训练时利用该数据库得到人脸图像的通过人脸识别模型对该人脸图像进行特征提取,得到该人脸图像所对应的人脸特征信息,并将该人脸特征信息在数据库中对应的人脸图像与输入的人脸图像进行比对,计算二者的比对参数,最后利用该参数对人脸识别模型进行微调。
[0004]如此,由于现有人脸识别训练方法中的用于调整人脸识别模型的对比参数过于单一和固定,无法获得更精准的对比参数,从而导致人脸识别模型更新后,对人脸识别的通过率和稳定性仍较低。
技术实现思路
[0005]本申请实施例的目的是提供一种模型训练方法、人脸识别方法、装置、设备及介质,能够解决人脸识别模型更新后,对人脸识别的通过率和稳定性仍较低的问题。
[0006]第一方面,本申请实施例提供了一种人脸识别模型的训练方法,该人脸识别模型的训练方法包括:获取连续N帧的目标对象的人脸图像;将上述人脸图像输入人脸识别模型进行特征提取,得到第一人脸特征信 ...
【技术保护点】
【技术特征摘要】
1.一种人脸识别模型的训练方法,其特征在于,所述方法包括:获取连续N帧的目标对象的人脸图像;将所述人脸图像输入人脸识别模型进行特征提取,得到第一人脸特征信息以及第二人脸特征信息;所述人脸提取模型包括X层特征提取层;所述第一人脸特征信息为经所述X层特征提取层依次处理后得到的,所述第二人脸特征信息为经所述X层特征提取层中的第i层处理后得到的;i∈{2,3,
……
X
‑
1};基于所述第一人脸图像特征信息和所述第二人脸特征信息,计算得到目标损失参数;基于所述目标损失参数,对人脸识别模型进行训练,得到训练好的人脸识别模型;其中,N、X为大于1的正整数。2.根据权利要求1所述的方法,其特征在于,所述基于所述第一人脸图像特征信息和所述第二人脸特征信息,计算得到目标损失参数,包括:基于所述第一人脸图像特征信息,得到分类交叉商损失和第一损失;基于所述第二人脸特征信息,得到第二损失;将所述分类交叉熵损失、所述第一损失以及所述第二损失进行加权计算,得到目标损失参数;所述第一损失为:所述第一人脸图像特征信息间的损失之和;所述第二损失为:所述第二人脸图像特征信息间的损失之和。3.根据权利要求1所述的方法,其特征在于,所述将所述人脸图像输入人脸识别模型进行特征提取,得到第一人脸特征信息以及第二人脸特征信息,包括:将所述人脸图像输入所述X层特征提取层依次处理,得到第一人脸特征图像;将所述第一人脸特征图像经过卷积变换处理后,得到所述第一人脸图像特征信息;将经所述第i层特征提取层处理后的得到的第二人脸特征图像经过卷积层进行处理,得到所述第二人脸特征信息。4.根据权利要求1所述的方法,其特征在于,所述基于所述第一人脸图像特征信息,得到分类交叉商损失和第一损失,包括:将所述第一人脸图像特征信息通过全连接层映射到M个预设人脸识别标签中,得到人脸识别预测参数,所述人脸识别预测参数用于指示预测人脸识别标签;计算所述预测人脸识别标签与所述M个预设人脸识别标签间的分类交叉熵损失;基于所述第一人脸图像特征信息,计算处理得到所述第一损失。5.一种基于人脸识别模型的人脸识别方法,其特征在于,所述方法包括:获取当前帧人脸图像;检测所述当前帧人脸图像的关键点信息;基于所述关键点信息对所述当前帧人脸图像进行处理,并输入至所述人脸识别模型,经过所述X层特征提取层依次处理,得到第三人脸图像特征信息;将所述第三人脸图像特征信息与预设人脸图像特征信息进行匹配,输出第一识别结果;其中,所述人脸识别模型是应用权利要求1至4任一项所述的训练方法所训练出的人脸识别模型。6.一种人脸识别模型的训练装置,其特征在于,所述人脸识别模型的训练装置包括:获取模块和处理模块;
所述获取模块,用于获取连续N帧的目标对象的人脸图像;所述处理模块,用于将获取模块获取的所述人脸图像输入人脸识别模型进行特征提取,得到第一人脸特征信息以及第二人脸特征信息;所述人脸提取模型包括X层特征提取层;所...
【专利技术属性】
技术研发人员:李超,
申请(专利权)人:维沃移动通信有限公司,
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。