人脸识别方法、装置、设备、存储介质及产品制造方法及图纸

本申请公开了一种人脸识别方法、装置、设备、存储介质及产品，属于计算机技术领域。所述方法包括：获取待处理人脸图像；将待处理人脸图像输入目标人脸识别模型进行人脸识别处理，得到待处理人脸图像对应的对象识别信息。本申请实施例提供的技术方案中，目标人脸识别模型通过学习训练数据中无遮挡样本人脸集和有遮挡样本人脸集中人脸图像的人脸特征对应的共同分布，可以提升有遮挡人脸图像特征分布与无遮挡人脸图像特征分布之间的特征分布一致性，从而在模型应用侧提升对待处理人脸图像的人脸识别准确性。脸识别准确性。脸识别准确性。

【技术实现步骤摘要】
人脸识别方法、装置、设备、存储介质及产品


[0001]本申请涉及计算机
，特别涉及一种人脸识别方法、装置、设备、存储介质及产品。

技术介绍

[0002]随着科技及人工智能的发展，越来越多的场景需要进行人脸识别，如：支付场景、认证场景、登录场景等。
[0003]相关技术中，人脸识别模型的识别模式为无遮挡高质量人脸之间的比对。对于面部存在遮挡的有遮挡人脸图像，如戴口罩人脸，其输入人脸识别模型后输出的图像特征需要与系统内无遮挡的人脸图像的特征进行对比，从而确定该有遮挡人脸图像对应的目标对象。
[0004]相关技术中，有遮挡人脸图像的人脸识别准确性较低。

技术实现思路

[0005]本申请实施例提供了一种人脸识别方法、装置、设备、存储介质及产品，能够提升有遮挡人脸图像特征分布与无遮挡人脸图像特征分布之间的特征分布一致性，从而提升人脸识别准确性。
[0006]根据本申请实施例的一个方面，提供了一种人脸识别方法，所述方法包括：
[0007]获取待处理人脸图像；
[0008]将所述待处理人脸图像输入目标人脸识别模型进行人脸识别处理，得到所述待处理人脸图像对应的对象识别信息；
[0009]其中，所述目标人脸识别模型对应的训练数据包括样本人脸集，所述样本人脸集包括第一样本人脸集和第二样本人脸集，所述第一样本人脸集是指脸部无遮挡的样本人脸图像对应的集合，所述第二样本人脸集是指脸部有遮挡的样本人脸图像对应的集合，所述目标人脸识别模型通过学习所述第一样本人脸集和所述第二样本人脸集中样本人脸图像的人脸特征对应的共同分布得到。
[0010]根据本申请实施例的一个方面，提供了一种人脸识别装置，所述装置包括：
[0011]人脸图像获取模块，用于获取待处理人脸图像；
[0012]人脸图像识别模块，用于将所述待处理人脸图像输入目标人脸识别模型进行人脸识别处理，得到所述待处理人脸图像对应的对象识别信息；
[0013]其中，所述目标人脸识别模型对应的训练数据包括样本人脸集，所述样本人脸集包括第一样本人脸集和第二样本人脸集，所述第一样本人脸集是指脸部无遮挡的样本人脸图像对应的集合，所述第二样本人脸集是指脸部有遮挡的样本人脸图像对应的集合，所述目标人脸识别模型通过学习所述第一样本人脸集和所述第二样本人脸集中样本人脸图像的人脸特征对应的共同分布得到。
[0014]根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处
理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述人脸识别方法。
[0015]根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述人脸识别方法。
[0016]根据本申请实施例的一个方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行以实现上述人脸识别方法。
[0017]本申请实施例提供的技术方案可以带来如下有益效果：
[0018]目标人脸识别模型通过学习训练数据中无遮挡样本人脸集和有遮挡样本人脸集中人脸图像的人脸特征对应的共同分布，可以提升有遮挡人脸图像特征分布与无遮挡人脸图像特征分布之间的特征分布一致性，从而在模型应用侧提升对待处理人脸图像的人脸识别准确性。
附图说明
[0019]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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。
[0020]图1是本申请一个实施例提供的应用程序运行环境的示意图；
[0021]图2是本申请一个实施例提供的人脸识别方法的流程图一；
[0022]图3是本申请一个实施例提供的人脸识别模型训练方法的流程图一；
[0023]图4是本申请一个实施例提供的人脸识别模型训练方法的流程图二；
[0024]图5示例性示出了一种通过多核函数对目标特征提取层进行特征分布约束的网络层适配示意图；
[0025]图6示例性示出了一种目标人脸识别模型对应的训练部署流程示意图；
[0026]图7是本申请一个实施例提供的人脸识别模型预训练方法的流程图；
[0027]图8示例性示出了一种预设人脸识别模型对应的训练流程示意图；
[0028]图9示例性示出了一种目标人脸识别模型对应的微调训练流程示意图；
[0029]图10是本申请一个实施例提供的人脸识别方法的流程图二；
[0030]图11是本申请一个实施例提供的人脸识别装置的框图；
[0031]图12是本申请一个实施例提供的计算机设备的结构框图一；
[0032]图13是本申请一个实施例提供的计算机设备的结构框图二。
具体实施方式
[0033]本申请实施例提供的人脸识别方法涉及人工智能技术，下面对此进行简要说明，以便于本领域技术人员理解。
[0034]人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
[0035]人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0036]计算机视觉技术(Computer Vision，CV)：计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition，光学字符识别)、视频处理、视频语义理解、视频内容/行为识本文档来自技高网...

【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，所述方法包括：获取待处理人脸图像；将所述待处理人脸图像输入目标人脸识别模型进行人脸识别处理，得到所述待处理人脸图像对应的对象识别信息；其中，所述目标人脸识别模型对应的训练数据包括样本人脸集，所述样本人脸集包括第一样本人脸集和第二样本人脸集，所述第一样本人脸集是指脸部无遮挡的样本人脸图像对应的集合，所述第二样本人脸集是指脸部有遮挡的样本人脸图像对应的集合，所述目标人脸识别模型通过学习所述第一样本人脸集和所述第二样本人脸集中样本人脸图像的人脸特征对应的共同分布得到。2.根据权利要求1所述的方法，其特征在于，所述目标人脸识别模型包括目标特征提取层，所述待处理人脸图像包括脸部无遮挡的第一人脸图像、脸部有遮挡的第二人脸图像中至少一种，所述目标特征提取层输出所述第一人脸图像对应的第一人脸特征或所述第二人脸图像对应的第二人脸特征，所述第一人脸特征对应的特征分布与所述第二人脸特征对应的特征分布符合预设特征分布对齐条件。3.根据权利要求1所述的方法，其特征在于，所述目标人脸识别模型是基于所述第一样本人脸集与所述第二样本人脸集对预设人脸识别模型进行参数调整处理得到的机器学习模型，所述预设人脸识别模型是基于所述样本人脸集和所述样本人脸集中每一样本人脸图像对应的对象标签信息对待训练的初始人脸识别模型进行训练得到的机器学习模型。4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：获取预设人脸图像集；所述将所述待处理人脸图像输入目标人脸识别模型进行人脸识别处理，得到所述待处理人脸图像对应的对象识别信息，包括：将所述待处理人脸图像输入所述目标人脸识别模型进行人脸识别处理，得到所述待处理人脸图像对应的人脸特征；对所述预设人脸图像集进行基于所述人脸特征的匹配处理，得到所述待处理人脸图像对应的目标人脸图像；将所述目标人脸图像对应的对象信息确定为所述对象识别信息。5.根据权利要求1所述的方法，其特征在于，所述目标人脸识别模型通过下述方法训练得到：获取所述样本人脸集中每一样本人脸图像对应的对象标签信息；将所述样本人脸集中的样本人脸图像输入预设人脸识别模型进行人脸识别处理，得到所述第一样本人脸集对应的第一特征分布信息、所述第二样本人脸集对应的第二特征分布信息以及每一所述样本人脸图像对应的第一识别信息；基于所述第一特征分布信息和所述第二特征分布信息，确定特征分布损失信息，所述特征分布损失信息表征所述第一特征分布信息与所述第二特征分布信息之间的对齐程度；基于所述第一识别信息和所述对象标签信息，确定所述预设人脸识别模型对应的第一识别损失信息；根据所述特征分布损失信息和所述第一识别损失信息，对所述预设人脸识别模型进行参数调整处理，得到所述目标人脸识别模型。
6.根据权利要求5所述的方法，其特征在于，所述第一样本人脸集包括至少两个第一样本人脸图像，所述第一样本人脸图像是指脸部无遮挡的样本人脸图像，所述第二样本人脸集包括至少两个第二样本人脸图像，所述第二样本人脸图像是指脸部有遮挡的样本人脸图像，所述预设人脸识别模型包括目标特征提取层，所述目标特征提取层是指所述预设人脸识别模型中特征分布待对齐的至少一个特征提取层，所述第一特征分布信息包括所述至少一个特征提取层中的每一特征提取层输出的所述至少两个第一样本人脸图像对应的人脸特征，所述第二特征分布信息包括每一所述特征提取层输出的所述至少两个第二样本人脸图像对应的人脸特征。7.根据权利要求6所述的方法，其特征在于，所述基于所述第一特征分布信息和所述第二特征分布信息，确定特征分布损失信息，包括：针对每一所述特征提取层，获取所述特征提取层对应的第...

【专利技术属性】
技术研发人员：许剑清，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：