人脸识别的方法、电子设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113762118A(43)申请公布日2021.12.07(21)申请号202110997476.7(22)申请日2021.08.27(71)申请人北京的卢深视科技有限公司地址100083北京市海淀区学院路甲5号2幢平房B北3032室申请人合肥的卢深视科技有限公司(72)发明人胡长胜付贤强何武朱海涛户磊(74)专利代理机构北京智晨知识产权代理有限公司11584代理人张婧(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书9页附图5页(54)发明名称人脸识别的方法、电子设备及存储介质(57)摘要本发明实施例涉及图像识别领域，公开了一种人脸识别的方法、电子设备及存储介质。本发明中人脸识别的方法，包括：获取待识别的人脸图像作为目标人脸图像；将目标人脸图像输入至预设的目标人脸识别模型，获得目标人脸图像的识别结果，目标人脸识别模型包括基础人脸识别模型和局部识别网络，基础人脸识别模型用于提取目标人脸图像的特征图像，局部识别网络用于获取目标人脸图像的局部特征。采用本申请实施例，可以提高人脸识别的准确性。CN113762118ACN113762118A权利要求书1/2页1.一种人脸识别的方法，其特征在于，包括：获取待识别的人脸图像作为目标人脸图像；将所述目标人脸图像输入至预设的目标人脸识别模型，获得所述目标人脸图像的识别结果，所述目标人脸识别模型包括基础人脸识别模型和局部识别网络，所述基础人脸识别模型用于提取目标人脸图像的特征图像，所述局部识别网络用于获取所述目标人脸图像的局部特征。2.根据权利要求1所述的人脸识别的方法，其特征在于，在所述将所述目标人脸图像输入至预设的目标人脸识别模型，获得所述目标人脸图像的识别结果之前，所述方法还包括：将各人脸样本图像输入至预先训练完成的基础人脸识别模型，从所述基础人脸识别模型的初始特征提取层获取各所述人脸样本图像的第一特征图像；根据各所述第一特征图像和所述基础人脸识别模型，训练初始的局部识别网络至收敛，所述局部识别网络与所述初始特征提取层连接，所述局部识别网络用于将所述第一特征图像划分为N个识别区域，并获取人脸的N个局部特征，N为大于1的整数；根据收敛后的所述局部识别网络和所述基础人脸识别模型，生成目标人脸识别模型。3.根据权利要求2所述的人脸识别的方法，其特征在于，在所述根据各所述第一特征图像，训练初始的局部识别网络至收敛之前，所述方法还包括：在所述基础人脸识别模型的全局池化层与所述初始特征提取层之间设置局部平均池化层，所述局部平均池化层用于将所述第一特征图像划分为N个识别区域；在所述局部平均池化层后，为N个所述识别区域分别设置对应的局部特征提取网络，获得所述局部识别网络的网络结构，所述局部特征提取网络包括第一全连接层。4.根据权利要求3所述的人脸识别的方法，其特征在于，所述局部平均池化层的池化核尺寸为N*M，N表示池化核的高，M表示所述池化核的宽，N和M均为大于1的整数；其中，池化步长的高为N‑1，所述池化步长的宽为1，所述池化步长的高为沿人脸鼻子延伸的方向。5.根据权利要求3或4所述的人脸识别的方法，其特征在于，所述根据各所述第一特征图像和所述基础人脸识别模型，训练初始的局部识别网络至收敛，包括：将各所述第一特征图像输入至所述局部平均池化层，获得各所述第一特征图像的N个识别区域；根据各第一特征图像的N个识别区域、所述基础人脸识别模型的第二全连接层，调整N个识别区域各自对应的局部特征提取网络中的网络参数，直至N个所述局部特征提取网络和所述基础人脸识别模型的第二全连接层均收敛，得到收敛后的局部识别网络。6.根据权利要求5所述的人脸识别的方法，在所述局部平均池化层后，为N个所述识别区域分别设置对应的局部特征提取网络，获得所述局部识别网的网络结构之后，所述方法还包括：为每个所述第一全连接层设置预设比例，以便N个所述第一全连接层按照预设比例的维度输出对应的局部特征，其中，N个所述第一全连接层输出的局部特征的维度之和等于所述第二全连接层输出的全局特征的维度。7.根据权利要求1至4中任一项所述的人脸识别的方法，其特征在于，所述根据收敛后的所述局部识别网络和所述基础人脸识别模型，生成目标人脸识别模型，包括：融合所述局部识别网络输出的N个所述局部特征和所述基础识别网络输出的全局特征2CN113762118A权利要求书2/2页作为人脸的识别特征；根据所述人脸特征，调整所述基础人脸识别模型和所述局部识别网络中的各个网络参数，直至所述基础人脸识别模型和所述局部识别网络收敛。8.根据权利要求7所述的人脸识别的方法，其特征在于，融合所述局部识别网络输出的N个所述局部特征和所述基础识别网络输出的