技术摘要：
本申请提供了一种人脸识别模型训练方法、人脸识别方法及装置。所述人脸识别模型训练方法包括：获取样本人脸图像；根据所述样本人脸图像对初始人脸识别模型进行训练，得到用于对图像中的人脸位置进行检测的预训练人脸识别模型；利用第一训练神经网络模型和第二训练神经  全部
背景技术：
金字塔多层级检测网络(如PyramidBox等)的出现使人脸检测达到了一个非常高 的性能，但是其金字塔多尺度特征的使用使得计算网络非常复杂，很难在ARM架构的cpu上 达到实时检测的效果，因此商用成本非常高。 而且，对于商用鱼眼摄像头边缘地区的畸变的人脸检测的准确率较低，因此，采用 金字塔多层级检测网络影响了人脸检测的效率和准确率。
技术实现要素：
本申请提供了一种人脸识别模型训练方法、人脸识别方法及装置，以解决现有技 术中采用金字塔多层级检测网络影响人脸检测的效率和准确率的问题。 为了解决上述问题，本申请提供了一种人脸识别模型训练方法，包括： 获取样本人脸图像； 根据所述样本人脸图像对初始人脸识别模型进行训练，得到用于对图像中的人脸 位置进行检测的预训练人脸识别模型； 利用第一训练神经网络模型和第二训练神经网络模型根据所述样本人脸图像对 所述预训练人脸识别模型进行二次训练，得到目标人脸识别模型。 可选地，所述样本人脸图像对应于一个初始人脸标注框，所述初始人脸识别模型 包括：检测模块， 所述根据所述样本人脸图像对初始人脸识别模型进行训练，得到对图像中的人脸 位置进行检测的预训练人脸识别模型，包括： 调用所述检测模块对所述样本人脸图像进行识别，得到预测人脸框； 根据所述初始人脸标注框和所述预测人脸框，计算得到所述初始人脸识别模型对 应的第一损失值； 在所述第一损失值达到第一初始值的情况下，将训练后的初始人脸识别模型作为 所述预训练人脸识别模型。 可选地，所述检测模块包括：第一检测模块、第二检测模块和第三检测模块， 所述调用所述检测模块对所述样本人脸图像进行识别，得到预测人脸框，包括： 调用所述第一检测模块对经处理后包含第一尺寸的人脸特征的样本人脸图像进 行识别，得到第一预测人脸框； 调用所述第二检测模块对经处理后包含第二尺寸的人脸特征的样本人脸图像进 行识别，得到第二预测人脸框； 调用所述第三检测模块对经处理后包含第三尺寸的人脸特征的样本人脸图像进 4 CN 111582141 A 说　明　书 2/10 页 行识别，得到第三预测人脸框； 其中，所述第一尺寸小于所述第二尺寸，所述第二尺寸小于所述第三尺寸。 可选地，所述根据所述初始人脸标注框和所述预测人脸框，计算得到所述初始人 脸识别模型对应的第一损失值，包括： 根据所述初始人脸标注框和所述第一预测人脸框，计算得到所述初始人脸识别模 型对应的第一检测损失值； 根据所述初始人脸标注框和所述第二预测人脸框，计算得到所述初始人脸识别模 型对应的第二检测损失值； 根据所述初始人脸标注框和所述第三预测人脸框，计算得到所述初始人脸识别模 型对应的第三检测损失值。 可选地，所述在所述第一损失值达到第一初始值的情况下，将训练后的初始人脸 识别模型作为所述预训练人脸识别模型，包括： 在所述第一检测损失值、所述第二检测损失值和所述第三检测损失值均达到所述 第一初始值的情况下，将训练后的初始人脸识别模型作为所述预训练人脸识别模型。 可选地，所述初始人脸识别模型还包括：轻量级网络层， 在所述调用所述检测模块对所述样本人脸图像进行识别，得到预测人脸框之前， 还包括： 调用所述轻量级网络层对所述样本人脸图像中的人脸特征进行识别，得到识别人 脸特征； 所述调用所述检测模块对所述样本人脸图像进行识别，得到预测人脸框，包括： 调用所述检测模块对所述识别人脸特征进行检测处理，确定所述识别人脸特征在 所述样本人脸图像中的预测人脸框。 可选地，在所述第一检测模块、所述第二检测模块和所述第三检测模块之前均嵌 入串联连接的所述第一训练神经网络模型和所述第二训练神经网络模型，所述初始人脸识 别模型还包括：分类层，所述样本人脸图像对应于一个初始分类结果； 所述利用第一训练神经网络模型和第二训练神经网络模型根据所述样本人脸图 像对所述预训练人脸识别模型进行二次训练，得到目标人脸识别模型，包括： 调用所述第一训练神经网络模型对所述样本人脸图像中的人脸特征进行遮挡处 理，生成遮挡人脸特征； 调用所述第二训练神经网络模型对所述遮挡人脸特征进行形变处理，生成形变人 脸特征； 调用所述分类层对所述形变人脸特征进行识别，确定所述形变人脸特征的预测分 类结果； 调用所述检测模块对所述形变人脸特征进行识别，得到所述预测人脸框； 根据所述初始分类结果、所述初始人脸标注框、所述预测分类结果和所述预测人 脸框，计算得到所述预训练人脸识别模型的第二损失值； 在所述第二损失值达到第二初始值的情况下，将训练后的预训练人脸识别模型作 为目标人脸识别模型。 可选地，所述第一训练神经网络模型为处理遮挡的对抗网络模型，所述第二训练 5 CN 111582141 A 说　明　书 3/10 页 神经网络模型为处理形变的对抗网络模型。 为了解决上述问题，本申请提供了一种人脸识别方法，包括： 获取待识别人脸图像； 将所述待识别人脸图像输入至目标人脸识别模型输出人脸识别结果； 其中，所述目标人脸识别模型是上述训练方法训练得到的。 为了解决上述问题，本申请提供了一种人脸识别装置，包括： 处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程 序，所述处理器执行所述程序时实现上述任一项所述的人脸识别模型训练方法，或上述人 脸识别方法。 为了解决上述问题，本申请提供了一种计算机可读存储介质，当所述存储介质中 的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的人脸识别模 型训练方法，或上述人脸识别方法。 与现有技术相比，本申请包括以下优点： 本申请实施例提供的方案，通过获取样本人脸图像，根据样本人脸图像对初始人 脸识别模型进行训练，得到用于对图像中的人脸位置进行检测的预训练人脸识别模型，利 用第一训练神经网络和第二训练神经网络根据样本人脸图像对预训练人脸识别模型进行 二次训练，得到目标人脸识别模型。本申请实施例通过在人脸识别模型的训练过程中，增加 对抗网络(即第一训练神经网络模型和第二训练神经网络模型)，以学习遮挡和形变对检测 结果的影响，提高商用鱼眼摄像头边缘地区的畸变的人脸检测效率以及被遮挡的人脸的检 测准确率。 附图说明 图1示出了本申请实施例提供的一种人脸识别模型训练方法的步骤流程图； 图1a示出了本申请实施例提供的一种SSH网络结构的示意图； 图1b示出了本申请实施例提供的一种全连接层的示意图； 图1c示出了本申请实施例提供的一种ASTN网络的示意图； 图2示出了本申请实施例提供的一种人脸识别方法的步骤流程图。