一种人脸识别方法、装置及电子设备制造方法及图纸

本发明专利技术涉及人脸识别技术领域，公开了一种人脸识别方法、装置及电子设备，该人脸识别方法，应用于电子设备，所述方法包括：获取包含至少两个人种的图像的训练集，根据人种将训练集划分为至少两个数据集；确定每一数据集的损失函数及其对应的损失权重；根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数；根据最终的损失函数对初始模型进行训练，得到人脸识别模型，并基于人脸识别模型，进行人脸识别。通过根据人种训练对应的损失函数，结合损失函数对应的损失权重组合得到最终的损失函数，以训练人脸识别模型，本发明专利技术能够解决人种分布不均匀导致的对某一类人种识别性能下降的技术问题，提高人脸识别模型的综合识别性能。别性能。别性能。

【技术实现步骤摘要】
一种人脸识别方法、装置及电子设备


[0001]本专利技术实施方式涉及人脸识别
，特别是涉及一种人脸识别方法、装置及电子设备。

技术介绍

[0002]目前的人脸识别训练流程大致如下：准备训练数据，训练数据需要包含大量人物(即ID)，每个ID尽可能包含较多的、在不同场景或不同时段属于该ID人物的照片，之后设计网络结构，损失函数，再将训练数据输入网络，一般采用批量梯度下降的方法，从损失函数中获得梯度并进行反向传播，从而对网络中的权重进行优化，不断重复这个过程并调优超参数，直至损失不再下降。目前较好的人脸识别模型均产出于该工程或以该工程为基础的工程。其中使用的训练流程如上，该工程的贡献在于提出了很有效的损失函数，显著提高了人脸识别模型的性能：
[0003]但是，目前的人脸识别方案难以解决数据分布不平衡的问题。例如在训练集中包含多人种时，不同人种的分布不均匀(如亚洲人是欧美人的三倍等)，则会导致模型对包含较多样本的人种具有较好的识别性能，而对包含较少样本的人种识别性能会明显降低。
[0004]专利技术人在实现本专利技术的过程中，发现现有技术至少存在以下问题：人种分布不均匀导致的对某一类人种识别性能下降。
[0005]有鉴于此，现有技术亟待改进。

技术实现思路

[0006]为了解决上述技术问题，本专利技术实施例提供一种人脸识别方法、装置及电子设备，解决人种分布不均匀导致的对某一类人种识别性能下降的技术问题，提高人脸识别模型的综合识别性能。
[0007]为了解决上述技术问题，本专利技术实施例提供以下技术方案：
[0008]第一方面，本专利技术实施例提供一种人脸识别方法，应用于电子设备，所述方法包括：
[0009]获取包含至少两个人种的图像的训练集，根据人种将所述训练集划分为至少两个数据集；
[0010]确定每一数据集的损失函数及其对应的损失权重；
[0011]根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数；
[0012]根据所述最终的损失函数对初始模型进行训练，得到人脸识别模型，并基于所述人脸识别模型，进行人脸识别。
[0013]在一些实施例中，所述确定每一数据集的损失函数及其对应的损失权重，包括：
[0014]根据所述训练集中的每一数据集的比例，确定每一数据集的损失函数对应的损失权重，其中，每一所述数据集的损失函数对应的损失权重与该数据集的比例成正相关。
[0015]在一些实施例中，所述根据每一数据集的损失函数及其对应的损失权重，确定最
终的损失函数，包括：
[0016]若初始模型为预训练模型，则所述最终的损失函数为每一数据集的损失函数及其对应的损失权重的加权和。
[0017]在一些实施例中，所述根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数，包括：
[0018]若所述初始模型为未经训练的模型，则确定间隔损失函数及其对应的损失权重，所述最终的损失函数为每一数据集的损失函数及其对应的损失权重以及间隔损失函数及其对应的损失权重的加权和。
[0019]在一些实施例中，所述确定间隔损失函数及其对应的损失权重，包括：
[0020]根据所述每一数据集的损失函数及其对应的损失权重，确定间隔损失函数及其对应的损失权重。
[0021]在一些实施例中，所述训练集被划分为第一数据集和第二数据集，所述间隔损失函数为：
[0022][0023]其中，norm_feature1
i
为对第一数据集中的batch的第i个特征进行归一化后的值，norm_feature2
j
为对第二数据集中的batch的第j个特征进行归一化后的值，n
i
为batch的样本数量，n
j
为batch的样本数量，α为预设阈值，β为满足norm_feature1
i
*norm_feature2
j
≥α的特征对的数量，batch为一次训练所需的样本。
[0024]第二方面，本专利技术实施例提供一种人脸识别装置，应用于电子设备，所述装置包括：
[0025]训练集单元，获取包含至少两个人种的图像的训练集，根据人种将所述训练集划分为至少两个数据集；
[0026]损失权重单元，用于确定每一数据集的损失函数及其对应的损失权重；
[0027]损失函数单元，用于根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数；
[0028]人脸识别单元，用于根据所述最终的损失函数对初始模型进行训练，得到人脸识别模型，并基于所述人脸识别模型，进行人脸识别。
[0029]在一些实施例中，所述损失权重单元，具体用于：
[0030]根据所述训练集中的每一数据集的比例，确定每一数据集的损失函数对应的损失权重，其中，每一所述数据集的损失函数对应的损失权重与该数据集的比例成正相关。
[0031]在一些实施例中，所述损失函数单元，具体用于：
[0032]若初始模型为预训练模型，则所述最终的损失函数为每一数据集的损失函数及其对应的损失权重的加权和。
[0033]在一些实施例中，所述损失函数单元，具体用于：
[0034]若所述初始模型为未经训练的模型，则确定间隔损失函数及其对应的损失权重，所述最终的损失函数为每一数据集的损失函数及其对应的损失权重以及间隔损失函数及其对应的损失权重的加权和。
[0035]在一些实施例中，所述确定间隔损失函数及其对应的损失权重，包括：
[0036]根据所述每一数据集的损失函数及其对应的损失权重，确定间隔损失函数及其对应的损失权重。
[0037]在一些实施例中，所述训练集被划分为第一数据集和第二数据集，所述间隔损失函数为：
[0038][0039]其中，norm_feature1
i
为对第一数据集中的batch的第i个特征进行归一化后的值，norm_feature2
j
为对第二数据集中的batch的第j个特征进行归一化后的值，n
i
为batch的样本数量，n
j
为batch的样本数量，α为预设阈值，β为满足norm_feature1
i
*norm_feature2
j
≥α的特征对的数量，batch为一次训练所需的样本。
[0040]第三方面，本专利技术实施例提供一种电子设备，包括：
[0041]至少一个处理器；和
[0042]与所述至少一个处理器通信连接的存储器；其中，
[0043]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的人脸识别方法。
[0044]第四方面，本专利技术实施例提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的人脸识别方法。
[0045]本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别方法，应用于电子设备，其特征在于，所述方法包括：获取包含至少两个人种的图像的训练集，根据人种将所述训练集划分为至少两个数据集；确定每一数据集的损失函数及其对应的损失权重；根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数；根据所述最终的损失函数对初始模型进行训练，得到人脸识别模型，并基于所述人脸识别模型，进行人脸识别。2.根据权利要求1所述的方法，其特征在于，所述确定每一数据集的损失函数及其对应的损失权重，包括：根据所述训练集中的每一数据集的比例，确定每一数据集的损失函数对应的损失权重，其中，每一所述数据集的损失函数对应的损失权重与该数据集的比例成正相关。3.根据权利要求1所述的方法，其特征在于，所述根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数，包括：若初始模型为预训练模型，则所述最终的损失函数为每一数据集的损失函数及其对应的损失权重的加权和。4.根据权利要求1所述的方法，其特征在于，所述根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数，包括：若所述初始模型为未经训练的模型，则确定间隔损失函数及其对应的损失权重，所述最终的损失函数为每一数据集的损失函数及其对应的损失权重以及间隔损失函数及其对应的损失权重的加权和。5.根据权利要求4所述的方法，其特征在于，所述确定间隔损失函数及其对应的损失权重，包括：根据所述每一数据集的损失函数及其对应的损失权重，确定间隔损失函数及其对应的损失权重。6.根据权利要求4所述的方法，其特征在于，所述训练集被划分为第一数据集和第二数据集，所述间隔损失函数为：where(norm_feature1
i
*norm_feature2
j
≥α)其中，norm_feature1
...

【专利技术属性】
技术研发人员：申啸尘，周有喜，乔国坤，
申请(专利权)人：深圳市爱深盈通信息技术有限公司，
类型：发明
国别省市：