System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及人工智能,尤其涉及一种图像识别方法、模型训练方法及相关装置。
技术介绍
1、如今,人脸识别功能在很多场景中被广泛应用,例如通过人脸识别进行身份验证、线上支付等。人脸识别功能通常基于人脸识别模型实现,而常规的人脸识别模型普遍只能准确地识别不存在遮挡的人脸图像,对于存在遮挡的人脸图像(如戴口罩的人脸图像等)则难以准确识别。
2、为了兼顾准确识别不存在遮挡的人脸图像和存在遮挡的人脸图像,相关技术设计了结构更复杂、规模更大的人脸识别模型,并采用多种不同的训练样本(包括不存在遮挡的人脸图像和存在遮挡的人脸图像)对其进行训练,使该人脸识别模型能够兼顾识别不存在遮挡的人脸图像和存在遮挡的人脸图像。然而,这样大幅度地增大人脸识别模型的规模,将导致模型处理的耗时显著增加,也即延长人脸识别的耗时,难以满足对前向推理速度要求较高的应用场景的耗时要求。
技术实现思路
1、本申请实施例提供了一种图像识别方法、模型训练方法及相关装置,既可以避免大幅增加模型处理的耗时,同时能够兼顾准确识别正常人脸图像和遮挡人脸图像。
2、有鉴于此,本申请第一方面提供了一种图像识别方法,所述方法包括:
3、获取待识别人脸图像;
4、通过人脸识别模型中的低层特征提取网络,对所述待识别人脸图像进行低层特征提取处理,得到低层图像特征;
5、通过所述人脸识别模型中的正常人脸特征提取网络,对所述低层图像特征进行深层特征提取处理,得到正常深层图像特征;通过所述人脸识别模型
6、通过所述人脸识别模型中的自适应激活网络,根据所述低层图像特征,确定所述正常深层图像特征和所述遮挡深层图像特征各自对应的权重;根据所述正常深层图像特征、所述遮挡深层图像特征及其各自对应的权重,确定所述待识别人脸图像的目标图像特征;
7、基于所述待识别人脸图像的目标图像特征执行人脸识别任务。
8、本申请第二方面提供了一种模型训练方法,所述方法包括:
9、基于第一训练样本集训练第一识别模型;所述第一训练样本集包括正常人脸图像和遮挡人脸图像,所述第一识别模型包括低层特征提取网络,所述低层特征提取网络用于对输入所述第一识别模型的人脸图像进行低层特征提取处理,得到训练低层图像特征;
10、基于第二训练样本集训练第二识别模型中的正常人脸特征提取网络;所述第二训练样本集包括正常人脸图像,所述第二识别模型还包括所述第一识别模型中的低层特征提取网络,所述正常人脸特征提取网络用于对所述第二识别模型中的所述低层特征提取网络输出的训练低层图像特征进行深层特征提取处理,得到训练正常深层图像特征;
11、基于第三训练样本集训练第三识别模型中的遮挡人脸特征提取网络;所述第三训练样本集包括正常人脸图像和遮挡人脸图像,所述第三识别模型还包括所述第一识别模型中的低层特征提取网络,所述遮挡人脸特征提取网络用于对所述第三识别模型中的所述低层特征提取网络输出的训练低层图像特征进行深层特征提取处理,得到训练遮挡深层图像特征;
12、基于第四训练样本集训练第四识别模型中的自适应激活网络;所述第四训练样本集包括正常人脸图像和遮挡人脸图像,所述第四识别模型还包括所述第一识别模型中的低层特征提取网络、所述第二识别模型中的正常人脸特征提取网络、以及所述第三识别模型中的遮挡人脸特征提取网络,所述自适应激活网络用于根据所述第四识别模型中所述低层特征提取网络输出的训练低层图像特征,确定所述第四识别模型中所述正常人脸特征提取网络输出的训练正常深层图像特征和所述遮挡人脸特征提取网络输出的训练遮挡深层图像特征各自对应的权重;
13、根据所述第一识别模型中的低层特征提取网络、所述第二识别模型中的正常人脸特征提取网络、所述第三识别模型中的遮挡人脸特征提取网络以及所述第四识别模型中的自适应激活网络,构建人脸识别模型。
14、本申请第三方面提供了一种图像识别装置,所述装置包括:
15、图像获取模块,用于获取待识别人脸图像;
16、低层特征提取模块,用于通过人脸识别模型中的低层特征提取网络,对所述待识别人脸图像进行低层特征提取处理,得到低层图像特征;
17、深层特征提取模块,用于通过所述人脸识别模型中的正常人脸特征提取网络,对所述低层图像特征进行深层特征提取处理,得到正常深层图像特征;通过所述人脸识别模型中的遮挡人脸特征提取网络,对所述低层图像特征进行深层特征提取处理,得到遮挡深层图像特征;
18、特征融合模块,用于通过所述人脸识别模型中的自适应激活网络,根据所述低层图像特征,确定所述正常深层图像特征和所述遮挡深层图像特征各自对应的权重;根据所述正常深层图像特征、所述遮挡深层图像特征及其各自对应的权重,确定所述待识别人脸图像的目标图像特征;
19、人脸识别模块,用于基于所述待识别人脸图像的目标图像特征执行人脸识别任务。
20、本申请第四方面提供了一种模型训练装置,所述装置包括:
21、第一训练模块,用于基于第一训练样本集训练第一识别模型;所述第一训练样本集包括正常人脸图像和遮挡人脸图像,所述第一识别模型包括低层特征提取网络,所述低层特征提取网络用于对输入所述第一识别模型的人脸图像进行低层特征提取处理,得到训练低层图像特征;
22、第二训练模块,用于基于第二训练样本集训练第二识别模型中的正常人脸特征提取网络;所述第二训练样本集包括正常人脸图像,所述第二识别模型还包括所述第一识别模型中的低层特征提取网络,所述正常人脸特征提取网络用于对所述第二识别模型中的所述低层特征提取网络输出的训练低层图像特征进行深层特征提取处理,得到训练正常深层图像特征;
23、第三训练模块,用于基于第三训练样本集训练第三识别模型中的遮挡人脸特征提取网络;所述第三训练样本集包括正常人脸图像和遮挡人脸图像,所述第三识别模型还包括所述第一识别模型中的低层特征提取网络,所述遮挡人脸特征提取网络用于对所述第三识别模型中的所述低层特征提取网络输出的训练低层图像特征进行深层特征提取处理,得到训练遮挡深层图像特征;
24、第四训练模块,用于基于第四训练样本集训练第四识别模型中的自适应激活网络;所述第四训练样本集包括正常人脸图像和遮挡人脸图像,所述第四识别模型还包括所述第一识别模型中的低层特征提取网络、所述第二识别模型中的正常人脸特征提取网络、以及所述第三识别模型中的遮挡人脸特征提取网络,所述遮挡人脸特征提取网络用于对所述第三识别模型中的所述低层特征提取网络输出的训练低层图像特征进行深层特征提取处理,得到训练遮挡深层图像特征;
25、模型构建模块,用于根据所述第一识别模型中的低层特征提取网络、所述第二识别模型中的正常人脸特征提取网络、所述第三识别模型中的遮挡人脸特征提取网络以及所述第四识别模型中的自适应激活网络,构建人脸识别模型。本文档来自技高网...
【技术保护点】
1.一种图像识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述人脸识别模型中包括一个所述遮挡人脸特征提取网络;所述遮挡人脸特征提取网络对应目标人脸遮挡区域,所述遮挡人脸特征提取网络是基于存在所述目标人脸遮挡区域的人脸图像训练的;
3.根据权利要求1所述的方法,其特征在于,所述人脸识别模型中包括k个所述遮挡人脸特征提取网络,所述k为大于1的整数;k个所述遮挡人脸特征提取网络分别对应不同的人脸遮挡区域,所述遮挡人脸特征提取网络是基于存在其对应的人脸遮挡区域的人脸图像训练的;
4.根据权利要求1至3任一项所述的方法,其特征在于,所述获取待识别人脸图像,包括:
5.根据权利要求1至3任一项所述的方法,其特征在于,所述基于所述待识别人脸图像的目标图像特征执行人脸识别任务,包括:
6.一种模型训练方法,其特征在于,所述方法包括:
7.根据权利要求6所述的方法,其特征在于,所述基于第一训练样本集训练第一识别模型,包括:
8.根据权利要求6所述的方法,其特征在于,所述基于第二训练
9.根据权利要求6所述的方法,其特征在于,所述基于第三训练样本集训练第三识别模型中的遮挡人脸特征提取网络,包括:
10.根据权利要求6所述的方法,其特征在于,所述基于第三训练样本集训练第三识别模型中的遮挡人脸特征提取网络,包括:
11.根据权利要求6所述的方法,其特征在于,所述基于第四训练样本集训练第四识别模型中的自适应激活网络,包括:
12.根据权利要求6所述的方法,其特征在于,所述基于第四训练样本集训练第四识别模型中的自适应激活网络,包括:
13.一种图像识别装置,其特征在于,所述装置包括:
14.一种模型训练装置,其特征在于,所述装置包括:
15.一种计算机设备,其特征在于,所述设备包括处理器及存储器;
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序被计算机设备执行时实现权利要求1至5中任一项所述的图像识别方法、或者权利要求6至12中任一项所述的模型训练方法。
17.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至5中任一项所述的图像识别方法、或者权利要求6至12中任一项所述的模型训练方法。
...【技术特征摘要】
1.一种图像识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述人脸识别模型中包括一个所述遮挡人脸特征提取网络;所述遮挡人脸特征提取网络对应目标人脸遮挡区域,所述遮挡人脸特征提取网络是基于存在所述目标人脸遮挡区域的人脸图像训练的;
3.根据权利要求1所述的方法,其特征在于,所述人脸识别模型中包括k个所述遮挡人脸特征提取网络,所述k为大于1的整数;k个所述遮挡人脸特征提取网络分别对应不同的人脸遮挡区域,所述遮挡人脸特征提取网络是基于存在其对应的人脸遮挡区域的人脸图像训练的;
4.根据权利要求1至3任一项所述的方法,其特征在于,所述获取待识别人脸图像,包括:
5.根据权利要求1至3任一项所述的方法,其特征在于,所述基于所述待识别人脸图像的目标图像特征执行人脸识别任务,包括:
6.一种模型训练方法,其特征在于,所述方法包括:
7.根据权利要求6所述的方法,其特征在于,所述基于第一训练样本集训练第一识别模型,包括:
8.根据权利要求6所述的方法,其特征在于,所述基于第二训练样本集训练第二识别模型中的正常人脸特征提取网络,包括:
9.根据权利要求6所述...
【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:
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。