本发明专利技术实施例提供了一种人脸识别模型的训练方法、装置、设备和存储介质，该方法包括：获取多批样本图像，每批样本图像中包括多张遮挡人脸图像；针对遮挡人脸图像进行划分，得到多个图像块，多个图像块中包括遮挡区域对应的图像块和非遮挡区域对应的图像块；对每个图像块进行特征提取，得到每个图像块的第一图像特征，并基于第一图像特征，通过自注意力机制进行关系抽取，得到遮挡人脸图像的目标图像特征，其中，遮挡区域对应的图像块和非遮挡区域对应的图像块之间的注意力值为0；基于目标图像特征，对初始人脸识别模型进行训练，得到人脸识别模型，人脸识别模型用于对目标遮挡人脸图像进行识别。本发明专利技术可以提高遮挡人脸识别的准确度。准确度。准确度。
【技术实现步骤摘要】
人脸识别模型的训练方法、装置、设备和存储介质
[0001]本专利技术涉及图像处理
，尤其涉及一种人脸识别模型的训练方法、装置、设备和存储介质。
技术介绍
[0002]人脸识别技术是指利用分析比较的计算机技术识别人脸，其已被广泛应用于安检和考勤等应用场景中。在某些特殊的场景中，用户可能需要佩戴口罩、眼镜或者围巾等，然而，佩戴口罩、眼镜或者围巾等物品会对人脸面部造成严重遮挡，容易导致人脸识别结果不准确。
[0003]为了解决这一问题，现有技术中通常是利用遮挡人脸图像和非遮挡人脸图像对人脸识别模型进行训练与特征提取，以此实现对遮挡人脸的识别。
[0004]然而，上述方式中对遮挡人脸的识别准确度依然较低，无法实现更高精准率的人脸识别。
技术实现思路
[0005]本专利技术提供一种人脸识别模型的训练方法、装置、设备和存储介质，用以解决现有技术中对于遮挡人脸进行识别时，准确度较低的缺陷，实现了更为准确的识别遮挡人脸的目的。
[0006]本专利技术提供一种人脸识别模型的训练方法，包括：
[0007]获取多批样本图像，每批样本图像中包括多张遮挡人脸图像；
[0008]针对每张遮挡人脸图像，将所述遮挡人脸图像进行划分，得到多个图像块，所述多个图像块中包括遮挡区域对应的图像块和非遮挡区域对应的图像块；
[0009]对每个图像块进行特征提取，得到每个图像块的第一图像特征；
[0010]基于所述每个图像块的第一图像特征，通过自注意力机制进行关系抽取，得到所述遮挡人脸图像的目标图像特征，其中，所述遮挡区域对应的图像块和所述非遮挡区域对应的图像块之间的注意力值为0；
[0011]基于所述目标图像特征，对初始人脸识别模型进行训练，得到人脸识别模型，所述人脸识别模型用于对目标遮挡人脸图像进行识别。
[0012]根据本专利技术提供的一种人脸识别模型的训练方法，所述基于所述目标图像特征，对初始人脸识别模型进行训练，得到人脸识别模型，包括：
[0013]将每批样本图像各自对应的所述目标图像特征输入所述初始人脸识别模型中的共享分类网络中，以确定第一损失信息；
[0014]基于每批样本图像各自对应的所述目标图像特征进行类内样本图像的关系学习，得到类聚合特征，其中，同一类内样本图像中的遮挡人脸图像对应同一个用户；
[0015]基于所述类聚合特征，确定第二损失信息；
[0016]基于所述第一损失信息和所述第二损失信息，对所述初始人脸识别模型进行训
练，得到所述人脸识别模型。
[0017]根据本专利技术提供的一种人脸识别模型的训练方法，所述获取多批样本图像，包括：
[0018]采用随机采样和类内采样的方式，从原始样本图像集中获取每批样本图像。
[0019]根据本专利技术提供的一种人脸识别模型的训练方法，所述基于每批样本图像各自对应的所述目标图像特征进行类内样本图像的关系学习，得到类聚合特征，包括：
[0020]基于每批样本图像各自对应的所述目标图像特征，通过该批样本图像对应的批自注意力机制确定所述类聚合特征，其中，非类内样本图像之间的注意力值为0。
[0021]根据本专利技术提供的一种人脸识别模型的训练方法，所述基于所述每个图像块的第一图像特征，通过自注意力机制进行关系抽取，得到所述遮挡人脸图像的目标图像特征，包括：
[0022]基于所述每个图像块的第一图像特征，通过自注意力机制进行关系抽取，得到每个图像块的更新后的图像特征；
[0023]将所述每个图像块的更新后的图像特征进行组合，得到所述目标图像特征。
[0024]本专利技术还提供一种人脸识别方法，包括：
[0025]获取待识别的遮挡人脸图像；
[0026]将所述遮挡人脸图像进行预处理，得到目标遮挡人脸图像；
[0027]将所述目标遮挡人脸图像输入至人脸识别模型中，得到所述遮挡人脸图像的识别结果，所述识别结果包括识别成功或识别失败，所述人脸识别模型为上述任一种所述的人脸识别模型的训练方法训练得到的。
[0028]本专利技术还提供一种人脸识别模型的训练装置，包括：
[0029]获取模块，用于获取多批样本图像，每批样本图像中包括多张遮挡人脸图像；
[0030]划分模块，用于针对每张遮挡人脸图像，将所述遮挡人脸图像进行划分，得到多个图像块，所述多个图像块中包括遮挡区域对应的图像块和非遮挡区域对应的图像块；
[0031]提取模块，用于对每个图像块进行特征提取，得到每个图像块的第一图像特征；
[0032]关系抽取模块，用于基于所述每个图像块的第一图像特征，通过自注意力机制进行关系抽取，得到所述遮挡人脸图像的目标图像特征，其中，所述遮挡区域对应的图像块和所述非遮挡区域对应的图像块之间的注意力值为0；
[0033]训练模块，用于基于所述目标图像特征，对初始人脸识别模型进行训练，得到人脸识别模型，所述人脸识别模型用于对目标遮挡人脸图像进行识别。
[0034]本专利技术还提供一种人脸识别装置，包括：
[0035]获取模块，用于获取待识别的遮挡人脸图像；
[0036]预处理模块，用于将所述遮挡人脸图像进行预处理，得到目标遮挡人脸图像；
[0037]识别模块，用于将所述目标遮挡人脸图像输入至人脸识别模型中，得到所述遮挡人脸图像的识别结果，所述识别结果包括识别成功或识别失败，所述人脸识别模型为基于如上任一方式所述的人脸识别模型的训练方法训练得到的。
[0038]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述人脸识别模型的训练方法，以及实现如上述人脸识别方法。
[0039]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算
机程序被处理器执行时实现如上述任一种所述人脸识别模型的训练方法，以及实现如上述人脸识别方法。
[0040]本专利技术还提供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如上述任一种所述人脸识别模型的训练方法，以及实现如上述人脸识别方法。
[0041]本专利技术提供的人脸识别模型的训练方法、装置、设备和存储介质，首先，获取多批样本图像，每批样本图像中包括多张遮挡人脸样本图像；其次，通过对每张遮挡人脸图像进行划分，得到多个图像块，并对每个图像块进行特征提取，得到每个图像块的第一图像特征；然后，通过自注意力机制对第一图像特征进行关系抽取，得到所述遮挡人脸图像的目标图像特征，其中，将所述遮挡区域对应的图像块和所述非遮挡区域对应的图像块之间的注意力值设置为0，这样可以避免遮挡区域对非遮挡区域特征提取造成的影响，使得人脸识别模型更加聚焦于人脸非遮挡区域，加强了模型对人脸非遮挡区域的学习，使得获取的遮挡人脸图像对应的目标图像特征更为准确，进而基于该目标图像特征，对初始人脸识别模型进行训练所获取的人脸识别模型也更为精确，由此提高了人脸识别的准确度本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人脸识别模型的训练方法，其特征在于，包括：获取多批样本图像，每批样本图像中包括多张遮挡人脸图像；针对每张遮挡人脸图像，将所述遮挡人脸图像进行划分，得到多个图像块，所述多个图像块中包括遮挡区域对应的图像块和非遮挡区域对应的图像块；对每个图像块进行特征提取，得到每个图像块的第一图像特征；基于所述每个图像块的第一图像特征，通过自注意力机制进行关系抽取，得到所述遮挡人脸图像的目标图像特征，其中，所述遮挡区域对应的图像块和所述非遮挡区域对应的图像块之间的注意力值为0；基于所述目标图像特征，对初始人脸识别模型进行训练，得到人脸识别模型，所述人脸识别模型用于对目标遮挡人脸图像进行识别。2.根据权利要求1所述的人脸识别模型的训练方法，其特征在于，所述基于所述目标图像特征，对初始人脸识别模型进行训练，得到人脸识别模型，包括：将每批样本图像各自对应的所述目标图像特征输入所述初始人脸识别模型中的共享分类网络中，以确定第一损失信息；基于每批样本图像各自对应的所述目标图像特征进行类内样本图像的关系学习，得到类聚合特征，其中，同一类内样本图像中的遮挡人脸图像对应同一个用户；基于所述类聚合特征，确定第二损失信息；基于所述第一损失信息和所述第二损失信息，对所述初始人脸识别模型进行训练，得到所述人脸识别模型。3.根据权利要求2所述的人脸识别模型的训练方法，其特征在于，所述获取多批样本图像，包括：采用随机采样和类内采样的方式，从原始样本图像集中获取每批样本图像。4.根据权利要求3所述的人脸识别模型的训练方法，其特征在于，所述基于每批样本图像各自对应的所述目标图像特征进行类内样本图像的关系学习，得到类聚合特征，包括：基于每批样本图像各自对应的所述目标图像特征，通过该批样本图像对应的批自注意力机制确定所述类聚合特征，其中，非类内样本图像之间的注意力值为0。5.根据权利要求1
‑
4任一项所述的人脸识别模型的训练方法，其特征在于，所述基于所述每个图像块的第一图像特征，通过自注意力机制进行关系抽取，得到所述遮挡人脸图像的目标图像特征，包括：基于所述每个...
【专利技术属性】
技术研发人员：雷震，朱翔昱，张晓宇，赵唯松，
申请(专利权)人：中国科学院自动化研究所，
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。