图片识别模型训练与图片识别方法、系统、设备及介质技术方案

本申请公开了图片识别模型训练与图片识别方法、系统、设备及介质，通过获取目标图片，基于特征提取网络对所述目标图片进行特征提取，得到目标图片的目标特征；基于二分类网络和所述目标特征对所述目标图片的图片类型进行判断；根据判断得到的图片类型，确定对所述目标特征的处理策略。即对目标图片进行特征提取后，对提取得到的目标特征进行分类，实现对于不用类型的图片类型采取不同的处理策略，提高了人脸识别模型训练的灵活性，进而提升人脸识别的性能。识别的性能。识别的性能。

【技术实现步骤摘要】
图片识别模型训练与图片识别方法、系统、设备及介质


[0001]本申请涉及人工智能
，特别是涉及图片识别模型训练与图片识别方法、系统、设备及介质。

技术介绍

[0002]目前在实际的业务场景中，会有很多跨域人脸比对服务需求。例如在地铁场景中，需要将过安检的拍摄的照片和地铁摄像头抓拍的照片进行比对，其中安检照是高清正脸图，摄像头抓拍的照片是俯拍照片，图片清晰度和可识别度较低。闸机场景中，需要将闸机拍摄的照片和闸机的底库基准图片进行比对，其中闸机拍摄的照片是俯拍的图片，闸机底库的照片通常为是用户上传的清晰度较高的正脸图片，在这些业务场景中，人脸比对的难度就会大大增加，因此需要在训练模型时，采用一些方法来提升跨域人脸识别模型的性能。
[0003]现有技术中在人脸识别领域也出现了一些跨域模型训练的方法，常见的方法如特征分解。特征分解是指在训练过程中，将模型抽取到的人脸特征进行分解，一般分解成身份相关的分量和其它分量，例如拍摄角度等，进行人脸识别的时候只用与身份相关的特征分量。该方法也存在一定程度上的缺陷，例如身份相关的分量和其它分量并非正交关系，如果强行做正交分解来保证两个分量无关，可能会损害身份相关的分量，从而影响人脸识别的性能。
[0004]因此，如何提升人脸识别的性能，是本领域技术人员亟待解决的技术问题。

技术实现思路

[0005]基于上述问题，本申请提供了图片识别模型训练与图片识别方法、系统、设备及介质，用以提升人脸识别的性能。
[0006]为解决上述问题，本申请实施例提供的技术方案如下：
[0007]本申请第一方面提供了一种图片识别模型训练方法，包括：
[0008]获取目标图片；
[0009]基于特征提取网络对所述目标图片进行特征提取，得到目标图片的目标特征；
[0010]基于二分类网络和所述目标特征对所述目标图片的图片类型进行判断；
[0011]根据判断得到的图片类型，确定对所述目标特征的处理策略。
[0012]可选的，所述根据判断得到的图片类型，确定对所述目标特征的处理策略，包括：
[0013]当所述目标图片为第一图像时，确定对所述目标特征的处理策略至少包括：利用预设网络对所述目标特征进行处理，将处理后的目标特征输入多分类网络；所述第一图像为符合训练基准条件的图像，所述预设网络用于根据第一图像与第二图像的类别特征分布方差对目标特征进行特征转换，使所述目标特征与第二图像的特征分布达到预设相似度，所述第二图像为不符合训练基准条件的图像；
[0014]当所述目标图片为第二图像时，确定对所述目标特征的处理策略至少包括：将所述目标特征输入多分类网络。
[0015]可选的，所述将所述目标特征输入多分类网络之后，还包括：
[0016]基于所述多分类网络中损失函数的第一间隔，将所述目标特征移动至类中心。
[0017]可选的，所述将处理后的目标特征输入多分类网络之后，还包括：
[0018]基于所述多分类网络中损失函数的第二间隔，将所述目标特征移动至所述损失函数指引的目标位置。
[0019]可选的，所述基于所述多分类网络中损失函数的第二间隔，将所述目标特征移动至所述损失函数指引的目标位置，包括：
[0020]获取位于预设类中心的基准特征；
[0021]当目标特征与所述基准特征的相似度或距离符合预设标准时，利用所述损失函数的第二间隔将所述目标特征移动至所述基准特征的预设范围内。
[0022]本申请第二方面提供了一种图片识别方法，采用前述第一方面任一所述的图像识别模型的训练方法获取的图像识别模型，包括：
[0023]确定待识别图片；
[0024]将所述待识别图片输入到训练得到的图片识别模型中，经过不同的处理策略得到所述待识别图片的识别结果。
[0025]本申请第三方面提供了一种图片识别模型训练系统，所述系统包括：
[0026]获取单元，用于获取目标图片，
[0027]特征提取单元，用于基于特征提取网络对所述目标图片进行特征提取，得到目标图片的目标特征；
[0028]图片类型判断单元，用于基于二分类网络和所述目标特征对所述目标图片的图片类型进行判断；
[0029]处理策略确定单元，用于根据判断得到的图片类型，确定对所述目标特征的处理策略。
[0030]本申请第四方面提供了一种图片识别系统，采用前述第一方面中任一所述的图像识别模型的训练方法获取的图像识别模型，所述识别系统包括：
[0031]图片确定单元，用于确定待识别图片；
[0032]图片识别单元，用于将所述待识别图片输入到训练得到的图片识别模型中，经过不同的处理策略得到所述待识别图片的识别结果。
[0033]本申请第五方面提供了一种电子设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现前述第一方面中任一项所述的图片识别模型训练方法或图片识别方法。
[0034]本申请第六方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如前述第一方面中任意一项所述的图片识别模型训练方法或图片识别方法。
[0035]相较于现有技术，本申请具有以下有益效果：
[0036]获取目标图片，基于特征提取网络对所述目标图片进行特征提取，得到目标图片的目标特征；基于二分类网络和所述目标特征对所述目标图片的图片类型进行判断；根据判断得到的图片类型，确定对所述目标特征的处理策略。即对目标图片进行特征提取后，对提取得到的目标特征进行分类，对于不用类型的图片类型采取不同的处理策略，相比于现
有技术中对抽取到的人脸特征进行分解，本身请提供的技术方案中允许将提取到的特征和二分类网络关联起来，从而可以实现在图片类型不同的情况下，生成适用的处理策略，提高了人脸识别模型训练的灵活性，进而提升人脸识别的性能。
附图说明
[0037]为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1为本申请实施例所提供的一种图片识别模型训练流程图；
[0039]图2为本申请实施例提供的图片进行识别的方法流程图；
[0040]图3为本申请实施例所提供的一种图片识别模型训练系统结构图；
[0041]图4为本申请实施例所提供的一种图片识别系统结构图。
具体实施方式
[0042]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图片识别模型训练方法，其特征在于，包括：获取目标图片；基于特征提取网络对所述目标图片进行特征提取，得到目标图片的目标特征；基于二分类网络和所述目标特征对所述目标图片的图片类型进行判断；根据判断得到的图片类型，确定对所述目标特征的处理策略。2.根据权利要求1所述的方法，其特征在于，所述根据判断得到的图片类型，确定对所述目标特征的处理策略，包括：当所述目标图片为第一图像时，确定对所述目标特征的处理策略至少包括：利用预设网络对所述目标特征进行处理，将处理后的目标特征输入多分类网络；所述第一图像为符合训练基准条件的图像，所述预设网络用于根据第一图像与第二图像的类别特征分布方差对目标特征进行特征转换，使所述目标特征与第二图像的特征分布达到预设相似度，所述第二图像为不符合训练基准条件的图像；当所述目标图片为第二图像时，确定对所述目标特征的处理策略至少包括：将所述目标特征输入多分类网络。3.根据权利要求2所述的方法，其特征在于，所述将所述目标特征输入多分类网络之后，还包括：基于所述多分类网络中损失函数的第一间隔，将所述目标特征移动至类中心。4.根据权利要求2所述的方法，其特征在于，所述将处理后的目标特征输入多分类网络之后，还包括：基于所述多分类网络中损失函数的第二间隔，将所述目标特征移动至所述损失函数指引的目标位置。5.根据权利要求4所述的方法，其特征在于，所述基于所述多分类网络中损失函数的第二间隔，将所述目标特征移动至所述损失函数指引的目标位置，包括：获取位于预设类中心的基准特征；当目标特征与所述基准特征的相似度或距离符合预设标准时，利用所述损失函数的第二间隔将所述目标特征移动至所述基准特征的预设...

【专利技术属性】
技术研发人员：王丽芸，赵士超，
申请(专利权)人：北京爱笔科技有限公司，
类型：发明
国别省市：