一种人脸识别的方法、装置以及存储介质制造方法及图纸

本申请公开了一种人脸识别的方法、装置以及存储介质。通过将人脸图像输入集成模型中的人脸识别模型得到第一特征，该集成模型包括人脸识别模型和深层语义提取分支，其中人脸识别模型包括浅层网络和深层网络；并将人脸图像的浅层特征输入深层语义提取分支得到第二特征；然后融合得到融合特征并进行特征比对，以进行识别。从而实现融合深度特征的人脸识别过程，由于在集成模型的深层网络中引入独立的分支，提升了特征的多样性；且浅层网络的特征为共享机制，在提升人脸识别的准确性的同时，提高了人脸识别的效率。人脸识别的效率。人脸识别的效率。

【技术实现步骤摘要】
一种人脸识别的方法、装置以及存储介质


[0001]本申请涉及计算机
，尤其涉及一种人脸识别的方法、装置以及存储介质。

技术介绍

[0002]随着互联网技术的迅速发展，人们对信息安全的要求越来越高，人脸识别即为一种提升信息安全的有效方式，人脸识别应用于安防、支付、门禁等实际场景的移动端人脸识别系统中，对人脸识别模型的运行耗时与准确率提出了很高的要求。
[0003]一般，可以通过采集大量人脸训练数据，对人脸识别模型进行大规模训练，从而提升人脸识别的准确性。
[0004]但是，采集大量的人脸训练数据，需要耗费大量的资源，且需要对大量的人脸训练数据进行标注；另外，由于大量的样本难以做到有效的标注，导致引入错误的标签，使得训练过程繁琐，影响人脸识别的准确性以及效率。

技术实现思路

[0005]有鉴于此，本申请提供一种人脸识别的方法，可以有效提高人脸识别的准确性以及效率。
[0006]本申请第一方面提供一种人脸识别的方法，可以应用于终端设备中包含人脸识别的功能的系统或程序中，具体包括：
[0007]获取目标对象的人脸图像；
[0008]将所述人脸图像输入集成模型中的人脸识别模型，以得到第一特征，所述集成模型包括所述人脸识别模型和深层语义提取分支，所述人脸识别模型包括浅层网络和深层网络，所述浅层网络用于提取所述人脸图像的浅层特征；
[0009]将所述人脸图像的浅层特征输入所述深层语义提取分支，以得到第二特征，所述深层语义提取分支在训练过程中采用所述浅层网络提取的特征，所述深层语义提取分支的网络参数与所述深层网络的网络参数不同；
[0010]将所述第一特征和所述第二特征输入融合降维模型进行融合，以得到融合特征；
[0011]基于所述融合特征进行特征比对，以得到所述目标对象对应的人脸相关的识别信息。
[0012]可选的，在本申请一些可能的实现方式中，所述方法还包括：
[0013]获取用于人脸识别的训练数据；
[0014]将所述训练数据输入所述集成模型；
[0015]基于所述浅层网络提取所述训练数据的浅层特征，并根据所述深层网络对所述训练数据的浅层特征进行训练特征的提取，以对所述人脸识别模型进行训练；
[0016]基于所述训练数据对所述深层语义提取分支进行训练，所述深层语义提取分支在训练过程中采用所述浅层网络进行特征输入，所述浅层网络的参数固定；
[0017]将所述训练特征和所述深层语义提取分支输出的深度特征输入所述融合降维模
型，以基于约束条件对所述融合降维模型进行训练，所述融合降维模型在训练训练过程中所述人脸识别模型和所述深层语义提取分支的参数固定。
[0018]可选的，在本申请一些可能的实现方式中，所述基于所述浅层网络提取所述训练数据的浅层特征，并根据所述深层网络对所述训练数据的浅层特征进行训练特征的提取，以对所述人脸识别模型进行训练，包括：
[0019]基于所述浅层网络提取所述训练数据的浅层特征，并根据所述深层网络对所述训练数据的浅层特征进行所述训练特征的提取；
[0020]确定所述训练数据对应的标签信息；
[0021]将所述训练特征与所述标签信息进行匹配，以基于第一损失函数进行梯度计算；
[0022]将所述第一损失函数对应的梯度计算过程中的参数值与第一训练条件进行比对，若满足所述第一训练条件，则完成所述人脸识别模型的训练。
[0023]可选的，在本申请一些可能的实现方式中，所述基于所述训练数据对所述深层语义提取分支进行训练，包括：
[0024]确定所述人脸识别模型训练过程中对所述训练数据进行采样的第一采样信息；
[0025]区别于所述第一采样信息进行采样配置，以确定所述深层语义提取分支对应的第二采样信息；
[0026]基于所述第二采样信息对所述训练数据进行采样，以得到训练样本；
[0027]将所述训练样本输入训练后的所述浅层网络，以得到样本输入特征；
[0028]将所述样本输入特征输入所述深层语义提取分支，以得到样本输出特征；
[0029]确定所述样本输出特征对应的标签信息，以对所述深层语义提取分支进行第二损失函数的梯度计算；
[0030]将所述第二损失函数对应的梯度计算过程中的参数值与第二训练条件进行比对，若满足所述第二训练条件，则完成所述深层语义提取分支的训练。
[0031]可选的，在本申请一些可能的实现方式中，所述将所述样本输入特征输入所述深层语义提取分支，以得到样本输出特征，包括：
[0032]获取所述人脸识别模型中深度网络的参数随机信息；
[0033]区别于所述深度网络的参数随机信息进行随机种子的配置，以对所述深层语义提取分支进行参数配置；
[0034]将所述样本输入特征输入参数配置后的所述深层语义提取分支，以得到所述样本输出特征。
[0035]可选的，在本申请一些可能的实现方式中，所述确定所述样本输出特征对应的标签信息，以对所述深层语义提取分支进行第二损失函数的梯度计算，包括：
[0036]确定所述样本输出特征对应的标签信息，以确定训练样本的质量参数；
[0037]对所述质量参数和所述第二损失函数的约束参数进行区别于所述人脸识别模型的配置，以对所述第二损失函数进行参数调整；
[0038]基于参数调整后的所述第二损失函数对所述深层语义提取分支进行梯度计算。
[0039]可选的，在本申请一些可能的实现方式中，所述将所述人脸图像的浅层特征输入所述深层语义提取分支，以得到第二特征，包括：
[0040]基于预设精度信息进行网络搜索，以确定所述深层语义提取分支的参数信息；
[0041]根据网络搜索所得的所述参数信息对所述深层语义提取分支进行参数配置；
[0042]将所述人脸图像的浅层特征输入进行参数配置后的所述深层语义提取分支，以得到所述第二特征。
[0043]本申请第二方面提供一种人脸识别的装置，包括：
[0044]获取单元，用于获取目标对象的人脸图像；
[0045]输入单元，用于将所述人脸图像输入集成模型中的人脸识别模型，以得到第一特征，所述集成模型包括所述人脸识别模型和深层语义提取分支，所述人脸识别模型包括浅层网络和深层网络，所述浅层网络用于提取所述人脸图像的浅层特征；
[0046]所述输入单元，还用于将所述浅层特征输入所述深层语义提取分支，以得到第二特征，所述深层语义提取分支在训练过程中采用所述浅层网络提取的特征，所述深层语义提取分支的网络参数与所述深层网络的网络参数不同；
[0047]融合单元，用于将所述第一特征和所述第二特征输入融合降维模型进行融合，以得到融合特征；
[0048]识别单元，用于基于所述融合特征进行特征比对，以得到所述目标对象对应的人脸相关的识别信息。
[0049]可选的，在本申请一些可能的实现方式中，所述识别单元，具体用于获取用于人脸识别的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别的方法，其特征在于，包括：获取目标对象的人脸图像；将所述人脸图像输入集成模型中的人脸识别模型，以得到第一特征，所述集成模型包括所述人脸识别模型和深层语义提取分支，所述人脸识别模型包括浅层网络和深层网络，所述浅层网络用于提取所述人脸图像的浅层特征；将所述人脸图像的浅层特征输入所述深层语义提取分支，以得到第二特征，所述深层语义提取分支在训练过程中采用所述浅层网络提取的特征，所述深层语义提取分支的网络参数与所述深层网络的网络参数不同；将所述第一特征和所述第二特征输入融合降维模型进行融合，以得到融合特征；基于所述融合特征进行特征比对，以得到所述目标对象对应的人脸相关的识别信息。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取用于人脸识别的训练数据；将所述训练数据输入所述集成模型；基于所述浅层网络提取所述训练数据的浅层特征，并根据所述深层网络对所述训练数据的浅层特征进行训练特征的提取，以对所述人脸识别模型进行训练；基于所述训练数据对所述深层语义提取分支进行训练，所述深层语义提取分支在训练过程中采用所述浅层网络进行特征输入，所述浅层网络的参数固定；将所述训练特征和所述深层语义提取分支输出的深度特征输入所述融合降维模型，以基于约束条件对所述融合降维模型进行训练，所述融合降维模型在训练训练过程中所述人脸识别模型和所述深层语义提取分支的参数固定。3.根据权利要求2所述的方法，其特征在于，所述基于所述浅层网络提取所述训练数据的浅层特征，并根据所述深层网络对所述训练数据的浅层特征进行训练特征的提取，以对所述人脸识别模型进行训练，包括：基于所述浅层网络提取所述训练数据的浅层特征，并根据所述深层网络对所述训练数据的浅层特征进行所述训练特征的提取；确定所述训练数据对应的标签信息；将所述训练特征与所述标签信息进行匹配，以基于第一损失函数进行梯度计算；将所述第一损失函数对应的梯度计算过程中的参数值与第一训练条件进行比对，若满足所述第一训练条件，则完成所述人脸识别模型的训练。4.根据权利要求2所述的方法，其特征在于，所述基于所述训练数据对所述深层语义提取分支进行训练，包括：确定所述人脸识别模型训练过程中对所述训练数据进行采样的第一采样信息；区别于所述第一采样信息进行采样配置，以确定所述深层语义提取分支对应的第二采样信息；基于所述第二采样信息对所述训练数据进行采样，以得到训练样本；将所述训练样本输入训练后的所述浅层网络，以得到样本输入特征；将所述样本输入特征输入所述深层语义提取分支，以得到样本输出特征；确定所述样本输出特征对应的标签信息，以对所述深层语义提取分支进行第二损失函数的梯度计算；
将所述第二损失函数对应的梯度计算过程中的参数值与第二训练条件进行比对，若满足所述第二训...

【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：