人脸识别方法、电子设备、程序产品及介质技术

本申请实施例提供的一种人脸识别方法包括：获取待识别图像后，将待识别图像输入人脸识别模型,通过人脸识别模型输出人脸识别结果,人脸识别模型是根据第一人脸图像集对目标元学习模型进行梯度下降处理所得。由于第一人脸图像集包括目标用户的人脸图像，因此根据第一人脸图像集对目标元学习模型进行梯度下降处理得到人脸识别模型后，该人脸识别模型能够较好地拟合第一人脸图像集与目标用户的对应关系，因此对目标用户的识别准确性高。本申请实施例还提供能够实现上述人脸识别方法的电子设备、程序产品及计算机可读存储介质。程序产品及计算机可读存储介质。程序产品及计算机可读存储介质。

【技术实现步骤摘要】
人脸识别方法、电子设备、程序产品及介质


[0001]本申请涉及计算机
，尤其涉及一种人脸识别方法、电子设备、程序产品及计算机可读存储介质。

技术介绍

[0002]人脸识别是指基于人的脸部特征进行身份识别。
[0003]目前有一种人脸识别方法大致如下：获取人脸图像集，然后根据人脸图像集训练卷积神经网络(convolutional neural networks，CNN)模型，通过该CNN模型对待识别图像进行人脸识别。
[0004]但是该CNN模型的泛化性不好。训练CNN模型的人脸图像集与目标人群存在较大差异时，CNN模型的识别准确率不高。例如，人脸图像集中大多数图像是中国人脸时，该CNN模型对美国人脸的识别准确率不高。

技术实现思路

[0005]本申请提供了一种人脸识别方法、电子设备、程序产品及计算机可读存储介质，目的在于解决数据采集成本高的问题。
[0006]为了实现上述目的，本申请提供了以下技术方案：
[0007]第一方面提供一种人脸识别方法，该方法包括：获取待识别图像后，将待识别图像输入本文档来自技高网...

【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，所述方法应用于终端，所述方法包括：获取待识别图像；将所述待识别图像输入人脸识别模型,通过所述人脸识别模型输出人脸识别结果，所述人脸识别模型是根据第一人脸图像集对目标元学习模型进行梯度下降处理所得，所述第一人脸图像集包括的全部人脸图像对应于目标用户。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：摄取目标用户在多个视角下的人脸图像；将摄取的图像保存为第一人脸图像集。3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：获取第二人脸图像集以及人脸识别神经网络模型的模型参数值，所述第二人脸图像集包括n个人脸图像子集，每个人脸图像子集包括k个人脸图像和1个标签，所述n和所述k为正整数；根据人脸图像子集对人脸识别神经网络模型的模型参数值进行梯度下降处理，以得到人脸图像子集的损失函数梯度；根据全部人脸图像子集的损失函数梯度之和与所述人脸识别神经网络模型的初始模型参数值生成待处理元学习模型；根据第三人脸图像集对待处理元学习模型进行梯度下降处理，以得到目标元学习模型，所述第三人脸图像集包括多个人脸图像和1个标签。4.根据权利要求3所述的方法，其特征在于，所述根据第三人脸图像集对待处理元学习模型进行梯度下降处理包括：步骤A：将第三人脸图像集输入待处理元学习模型，通过所述待处理元学习模型输出所述第三人脸图像集的分类结果；步骤B：将所述第三人脸图像集的分类结果与所述第三人脸图像集的标签确定所述第三人脸图像集的损失函数梯度；步骤C：根据所述第三人脸图像集的损失函数梯度和所述待处理元学习模型的模型参数值计算出所述待处理元学习模型的目标模型参数值；步骤D：使用所述待处理元学习模型的目标模型参数值更新待处理元学习模型，迭代执行步骤A至步骤D，直至迭代次数达到第一预设次数为止。5.根据权利要求3所述的方法，其特征在于，所述根据人脸图像子集对人脸识别神经网络模型的模型参数值进行梯度下降处理包括：步骤E：将人脸图像子集输入人脸识别神经网络模型，通过人脸识别神经网络模型输出人脸图像子集的分类结果；步骤F：将人脸图像子集的分类结果与人脸图像子集的标签确定人脸图像子集的损失函数梯度；步骤G：根据人脸图像子集的损失函数梯度和人脸识别神经网络模型的模型参数值计算出人脸识别神经网络模型的目标模型参数值；步骤H：使用所述人脸识别神经网络模型的目标模型参数值更新人脸识别神经网络模型，迭代执行步骤E至步骤H，直至迭代次数达到第二预设次数为止；步骤I：当迭代次数达到第二预设次数时，输出人脸图像子集的损失函数梯度。
6.一种电子设备，其特征在于，包括：第一获取单元，用于获取待识别图像；人脸识别单元，用于将所述待识别图像输入人脸识别模型,通过所述人脸识别模型输出人脸识别结果，所述人脸识别模型是根据第一人脸图像集对目标元学习模型进行梯度...

【专利技术属性】
技术研发人员：李丹洪，谢字希，邸皓轩，
申请(专利权)人：荣耀终端有限公司，
类型：发明
国别省市：