一种人脸识别模型构建方法、装置、设备及存储介质与流程

1.本发明涉及人脸识别领域，特别涉及一种人脸识别模型构建方法、装置、设备及存储介质。


背景技术：

2.目前，随着深度学习技术的发展，人脸识别已经在实际中得到广泛应用，目前一般人脸识别模型的构建都是基于深度网络训练的方式，而损失函数主要以arcface loss、am-softmax、trplet loss为主。在实际比对过程中主要是通过网络提取人脸图像的特征来计算余弦相似度的方式来判断人脸属于哪个人或者是否为同一个人。上述损失函数基本都是通过增加相同人与不同人之间的余弦相似度之间的间隔来实现的，在1：n的人脸识别中，一般都是待识别的人脸与人脸库中的人脸一一做比对，然后寻找相似度最大的，通过设置阈值的方式，相似度最大的超过设置的阈值即认为是同一个人，但没有考虑首位命中率，这里面就有一个选取人脸库中相似度最大的作比较，如果相似度最高的人脸找错了，那么最终识别的结果肯定是错的。因此，如何提高首位命中率，提高人脸识别准确率是目前亟需解决的问题。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种人脸识别模型构建方法、装置、设备及介质，能够提高人脸识别模型人脸识别的准确率。其具体方案如下：
4.第一方面，本技术公开了一种人脸识别模型构建方法，包括：
5.获取人脸图像，并按照采集者对所述人脸图像进行标注，得到人脸数据集；
6.基于神经网络结构搭建随机初始化模型，并将人脸损失函数作为模型第一阶段训练的损失函数，然后利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，得到第一阶段训练后模型；
7.将所述人脸损失函数和排序损失函数作为模型第二阶段训练的损失函数，然后利用所述人脸数据集对所述第一阶段训练后模型进行第二阶段训练，得到人脸识别模型；
8.其中，所述人脸数据集内单个样本的排序损失函数为，基于该样本在正样本集的相似度得分排序与该样本在所有样本集的相似度得分排序的比值构建的函数。
9.可选的，所述按照采集者对所述人脸图像进行标注，包括：
10.为同一个采集者对应的一个或多个人脸图像添加相同的id标签，并依次添加照片序号，使同一个采集者的人脸图像标注有相同的id标签。
11.可选的，所述基于神经网络结构搭建随机初始化模型，包括：
12.基于神经网络结构搭建随机初始化模型，所述神经网络结构为resnet或mobilefacenet。
13.可选的，所述利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，得到第一阶段训练后模型，包括：
14.利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，在训练达到目标数量的epoch后中断训练，得到所述第一阶段训练后模型。
15.可选的，所述利用所述人脸数据集对所述第一阶段训练后模型进行第二阶段训练之前，还包括：
16.根据每个样本的相似度得分，利用得分排序计算公式计算所述人脸数据集内每个样本在对应的正样本集的相似度得分排序，以及每个样本在所有样本集的相似度得分排序；所述正样本集为针对同一个采集者的人脸数据集；
17.所述得分排序计算公式为：
18.r(i，s)＝1+i{(sj-si)》0}；
19.其中，s为样本集，i为第i个样本，r(i，s)为第i个样本在样本集s的相似度得分排序，s为相似度得分，sj为第j个样本的相似度得分，si为第i个样本的相似度得分；i为映射函数，sj-si大于0时i取1，否则i取0。
20.可选的，所述排序损失函数lap为：
21.lap＝1-ap；ap＝r(i，sp)/r(i，sa)；
22.其中，sp为正样本集，sa为所有样本集的，r(i，sp)为样本i在正样本集的相似度得分排序，r(i，sa)为样本i在所有样本集的相似度得分排序。
23.第二方面，本技术公开了一种人脸识别方法，包括：
24.获取待识别人脸图像，将所述待识别人脸图像输入至人脸识别模型以得到人脸识别结果；所述人脸识别模型为利用含有采集者标注的人脸数据集，对基于神经网络结构搭建的随机初始化模型依次进行第一阶段训练和第二阶段训练得到的人脸识别模型；
25.其中，所述第一阶段训练为将人脸损失函数作为模型的损失函数，然后利用所述人脸数据集对所述随机初始化模型进行的训练；所述第二阶段训练为将人脸损失函数和排序损失函数作为模型的损失函数，然后利用所述人脸数据集对所述第一阶段训练后得到的第一阶段训练后模型进行的训练；其中，所述人脸数据集内单个样本的排序损失函数为基于该样本在正样本集的相似度得分排序与该样本在所有样本集的相似度得分排序的比值构建的函数。
26.第二方面，本技术公开了一种人脸识别模型构建装置，包括：
27.人脸数据集获取模块，用于获取人脸图像，并按照采集者对所述人脸图像进行标注，得到人脸数据集；
28.第一训练模块，用于基于神经网络结构搭建随机初始化模型，并将人脸损失函数作为模型第一阶段训练的损失函数，然后利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，得到第一阶段训练后模型；
29.第二训练模块，用于将所述人脸损失函数和排序损失函数作为模型第二阶段训练的损失函数，然后利用所述人脸数据集对所述第一阶段训练后模型进行第二阶段训练，得到人脸识别模型；
30.其中，所述人脸数据集内单个样本的排序损失函数为，基于该样本在正样本集的相似度得分排序与该样本在所有样本集的相似度得分排序的比值构建的函数。
31.第三方面，本技术公开了一种电子设备，包括：
32.存储器，用于保存计算机程序；
33.处理器，用于执行所述计算机程序，以实现前述的人脸识别模型构建方法。
34.第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的人脸识别模型构建方法。
35.本技术中，通过获取人脸图像，并按照采集者对所述人脸图像进行标注，得到人脸数据集；基于神经网络结构搭建随机初始化模型，并将人脸损失函数作为模型第一阶段训练的损失函数，然后利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，得到第一阶段训练后模型；将上述人脸损失函数和排序损失函数作为模型第二阶段训练的损失函数，然后利用所述人脸数据集对所述第一阶段训练后模型进行第二阶段训练，得到人脸识别模型；其中，所述人脸数据集内单个样本的排序损失函数为，基于该样本在正样本集的相似度得分排序与该样本在所有样本集的相似度得分排序的比值构建的函数。由上可见，本技术在通用的人脸损失函数的基础上增加一个端到端的能够提升首位命中率的排序损失函数，由此在计算损失的时候增加一个比对排序的监督，使得同一个人在比对的时候排序结果尽可能的靠前，即同一个人应该相似度尽可能相似度得分按照高低排序应该尽可能排在前面，不同的人的相抵度应该尽可能排在后面，从而解决了目前常用的损失函数只考虑将相同人和不同人的相似度间隔拉开而没有考虑排序所导致的问题，提高了人脸识别结果的首位命中率，提高了人脸识别模型的识别准确率。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
37.图1为本技术提供的一种人脸识别模型构建方法流程图；
38.图2a为本技术提供的一种人脸损失函数效果示意图；
39.图2b为本技术提供的一种排序损失函数效果示意图；
40.图3为本技术提供的一种人脸识别方法流程图；
41.图4为本技术提供的一种人脸识别模型构建装置结构示意图；
42.图5为本技术提供的一种电子设备结构图。
具体实施方式
43.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.现有技术中，通过网络提取人脸图像的特征来计算余弦相似度的方式来判断人脸属于哪个人或者是否为同一个人，损失函数基本都是通过增加相同人与不同人之间的余弦相似度之间的间隔来实现的，通过比对寻找相似度最大的，然后通过设置阈值的方式，相似度最大的超过设置的阈值即认为是同一个人，但没有考虑首位命中率，这里面就有一个选取人脸库中相似度最大的作比较，如果相似度最高的人脸找错了，那么最终识别的结果肯
定是错的。为克服上述技术问题，本技术提出一种人脸识别模型构建方法，能够提高人脸识别模型人脸识别的准确率。
45.本技术实施例公开了一种人脸识别模型构建方法，参见图1所示，该方法可以包括以下步骤：
46.步骤s11：获取人脸图像，并按照采集者对所述人脸图像进行标注，得到人脸数据集。
47.本实施例中，首先获取多个人脸图像，并按照采集者对所述人脸图像进行标注，得到人脸数据集。即收集人脸图像并进行标注，相同的人标注相同，比如第一个人有多张人脸图像，都标注成0，第二个人有多张人脸图像标注成1，以将标注后的人脸图像作为人脸数据集。
48.本实施例中，所述按照采集者对所述人脸图像进行标注，可以包括：为同一个采集者对应的一个或多个人脸图像添加相同的id标签，并依次添加照片序号，使同一个采集者的人脸图像标注有相同的id标签。即收集人脸图像并进行标注，相同的人标注相同的id，并按照顺序排列。比如第一个人有多张人脸图像，都标注成0，第二个人有多张人脸图像标注成1。比如第一个人有10张人脸图像，将此人id标注成0，照片序号依次是0，1，2
……
9。第二个人标注成1，有7张人脸照片，照片序号依次是0，1，2
……
6。以此类推。
49.步骤s12：基于神经网络结构搭建随机初始化模型，并将人脸损失函数作为模型第一阶段训练的损失函数，然后利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，得到第一阶段训练后模型。
50.本实施例中，基于神经网络结构搭建网络模型，上述神经网络结构可以为resnet或mobilefacenet，或其他深度卷积网络结构，搭建后得到随机初始化模型，即此时搭建后的随机初始化模型的参数值为随机值，此时模型没有识别能力。随机初始化模型搭建后，首先将通用的人脸损失函数作为随机初始化模型第一阶段训练的损失函数，并将所述人脸数据集输入至所述随机初始化模型，以对上述随机初始化模型进行第一阶段训练，得到第一阶段训练后模型，使得模型具有一定的辨别人脸的能力和对人脸相似度进行排序的基础。上述人脸损失函数可以为arcface loss、am-softmax或trplet loss中的任意一种。
51.本实施例中，所述利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，得到第一阶段训练后模型，可以包括：利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，在训练达到目标数量的epoch后中断训练，得到所述第一阶段训练后模型。可以理解的是，在以上述人脸损失函数为约束利用人脸数据集对随机初始化模型进行第一阶段训练的过程中，当训练达到目标数量的epoch后中断训练，防止过度训练导致过拟合，此时得到上述第一阶段训练后模型，上述目标数量可以为20次。其中，epoch即使用训练集的全部数据对模型进行一次完整训练，也称为“一代训练”，即所有训练样本在神经网络中都进行了一次正向传播和一次反向传播。
52.步骤s13：将上述人脸损失函数和排序损失函数作为模型第二阶段训练的损失函数，然后利用所述人脸数据集对所述第一阶段训练后模型进行第二阶段训练，得到人脸识别模型；其中，所述人脸数据集内单个样本的排序损失函数为，基于该样本在正样本集的相似度得分排序与该样本在所有样本集的相似度得分排序的比值构建的函数。
53.本实施例中，在训练得到第一阶段训练后模型后，将上述人脸损失函数和排序损
失函数作为模型第二阶段训练的损失函数，然后利用所述人脸数据集对所述第一阶段训练后模型进行第二阶段训练，得到人脸识别模型；其中，所述人脸数据集内单个样本的排序损失函数为，基于该样本在正样本集的相似度得分排序与该样本在所有样本集的相似度得分排序的比值构建的函数。
54.本实施例中，所述利用所述人脸数据集对所述第一阶段训练后模型进行第二阶段训练之前，还可以包括：根据每个样本的相似度得分，利用得分排序计算公式计算所述人脸数据集内每个样本在对应的正样本集的相似度得分排序，以及每个样本在所有样本集的相似度得分排序；所述正样本集为针对同一个采集者的人脸数据集；
55.所述得分排序计算公式为：
56.r(i，s)＝1+i{(sj-si)》0}；
57.其中，s为样本集，i为第i个样本，r(i，s)为第i个样本在样本集s的相似度得分排序，s为相似度得分，sj为第j个样本的相似度得分，si为第i个样本的相似度得分；i为映射函数，sj-si大于0时i取1，否则i取0。
58.本实施例中，所述排序损失函数lap为：
59.lap＝1-ap；ap＝r(i，sp)/r(i，sa)；
60.其中，sp为正样本集，sa为所有样本集的，r(i，sp)为样本i在正样本集的相似度得分排序，r(i，sa)为样本i在所有样本集的相似度得分排序。
61.即本实施例中，将同一个人的样本集称之为sp，不同的人的样本集称之为sn,，所有样本集称之为sa。那么定义：一个样本的ap损失函数＝其在正样本集相似度得分中的排序/其在所有样本集中相似度得分的排序，即ap＝r(i，sp)/r(i，sa)。上述ap损失函数排序函数计算方式如下：
62.r(i，s)＝1+i{(sj-si)》0}，其中，s为样本集，i为第i个样本，r(i，s)为第i个样本在样本集s的相似度得分排序，s为相似度得分，sj为第j个样本的相似度得分，si为第i个样本的相似度得分；i为映射函数，sj-si大于0时i取1，否则i取0。比如得分集合为{0.5，0.7，0.3，0.4，0.9，0.6}，想看0.4排在第几位，那么得分排序计算公式为1+i{0.5-0.4}+i{0.7-0.4}+i{0.3-0.4}+i{0.4-0.4}+i{0.9-0.4}+i{0.6-0.4}＝1+1+1+0+0+1+1＝5那么其在该序列中排名第5，与实际相符。且由于实际应用中，期望ap值越大越好，在实际训练过程中我们希望ap损失函数越小越好，因此本实施例中排序损失函数为lap，lap＝1-ap。ap损失函数最主要的优点是将人脸相似度进行排序，然后使得相同的人的形似度得分尽量排在前面，实际中1：n也是这样操作的，因此是端到端训练的。
63.可以理解的是，常用的人脸损失函数目的是为了区分相同人与不同人，如图2a所述，而本实施例提出的排序损失函数是为了使相同人脸相似度得分排序时尽量靠前，如图2b所述。所以本实施例中将网络训练过程分为两个阶段，第一个阶段先用常用的人脸损失函数进行监督训练，在训练达到目标数量的epoch后中断训练；然后使用人脸损失函数和排序损失函数这两个损失函数联合监督训练，具体可以训练10个epoch，得到最终的人脸识别模型，使相同人脸相似度得分排序时尽量靠前。另外，本实施例中上述步骤不仅可以使用于人脸识别，同样适用于实际中有比对排序过程的算法，例如行人重识别，图像检索等。
64.进一步，通过实验得出使用resnet50和ms1m数据集训练在ijbc数据集上测试的结果，训练方法为单一的人脸损失函数时，ijbc(1e-4)的测试准确率为96.4％，ijbc(1e-5)的
测试准确率为88.0％；训练方法为人脸损失函数和排序损失函数联合训练时，即本实施例中所公开的方法时，ijbc(1e-4)的测试准确率为97.01％，ijbc(1e-5)的测试准确率为90.2％，可见提高了人脸识别的准确率。
65.由上可见，本实施例中通过获取人脸图像，并按照采集者对所述人脸图像进行标注，得到人脸数据集；基于神经网络结构搭建随机初始化模型，并将人脸损失函数作为模型第一阶段训练的损失函数，然后利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，得到第一阶段训练后模型；将上述人脸损失函数和排序损失函数作为模型第二阶段训练的损失函数，然后利用所述人脸数据集对所述第一阶段训练后模型进行第二阶段训练，得到人脸识别模型；其中，所述人脸数据集内单个样本的排序损失函数为，基于该样本在正样本集的相似度得分排序与该样本在所有样本集的相似度得分排序的比值构建的函数。由上可见，在通用的人脸损失函数的基础上增加一个端到端的能够提升首位命中率的排序损失函数，由此在计算损失的时候增加一个比对排序的监督，使得同一个人在比对的时候排序结果尽可能的靠前，即同一个人应该相似度尽可能相似度得分按照高低排序应该尽可能排在前面，不同的人的相抵度应该尽可能排在后面，从而解决了目前常用的损失函数只考虑将相同人和不同人的相似度间隔拉开而没有考虑排序所导致的问题，提高了人脸识别结果的首位命中率，提高了人脸识别模型的识别准确率。
66.本技术实施例公开了一种人脸识别方法，参见图3所示，该方法可以包括以下步骤：
67.获取待识别人脸图像，将所述待识别人脸图像输入至人脸识别模型以得到人脸识别结果；
68.所述人脸识别模型为利用含有采集者标注的人脸数据集，对基于神经网络结构搭建的随机初始化模型依次进行第一阶段训练和第二阶段训练得到的人脸识别模型；其中，所述第一阶段训练为将人脸损失函数作为模型的损失函数，然后利用所述人脸数据集对所述随机初始化模型进行的训练；所述第二阶段训练为将人脸损失函数和排序损失函数作为模型的损失函数，然后利用所述人脸数据集对所述第一阶段训练后得到的第一阶段训练后模型进行的训练；其中，所述人脸数据集内单个样本的排序损失函数为基于该样本在正样本集的相似度得分排序与该样本在所有样本集的相似度得分排序的比值构建的函数。
69.在一些具体实施例中，所述按照采集者对所述人脸图像进行标注，可以包括：为同一个采集者对应的一个或多个人脸图像添加相同的id标签，并依次添加照片序号，使同一个采集者的人脸图像标注有相同的id标签。
70.在一些具体实施例中，所述基于神经网络结构搭建随机初始化模型，可以包括：基于神经网络结构搭建随机初始化模型，所述神经网络结构为resnet或mobilefacenet。
71.在一些具体实施例中，所述利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，得到第一阶段训练后模型，可以包括：利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，在训练达到目标数量的epoch后中断训练，得到所述第一阶段训练后模型。
72.在一些具体实施例中，所述利用所述人脸数据集对所述第一阶段训练后模型进行第二阶段训练之前，还可以包括：根据每个样本的相似度得分，利用得分排序计算公式计算所述人脸数据集内每个样本在对应的正样本集的相似度得分排序，以及每个样本在所有样
本集的相似度得分排序；所述正样本集为针对同一个采集者的人脸数据集；
73.所述得分排序计算公式为：
74.r(i，s)＝1+i{(sj-si)》0}；
75.其中，s为样本集，i为第i个样本，r(i，s)为第i个样本在样本集s的相似度得分排序，s为相似度得分，sj为第j个样本的相似度得分，si为第i个样本的相似度得分；i为映射函数，sj-si大于0时i取1，否则i取0。
76.在一些具体实施例中，所述排序损失函数lap为：
77.lap＝1-ap；ap＝r(i，sp)/r(i，sa)；
78.其中，sp为正样本集，sa为所有样本集的，r(i，sp)为样本i在正样本集的相似度得分排序，r(i，sa)为样本i在所有样本集的相似度得分排序。
79.由上可见，本实施例中在通用的人脸损失函数的基础上增加一个端到端的能够提升首位命中率的排序损失函数，由此在计算损失的时候增加一个比对排序的监督，使得同一个人在比对的时候排序结果尽可能的靠前，即同一个人应该相似度尽可能相似度得分按照高低排序应该尽可能排在前面，不同的人的相抵度应该尽可能排在后面，从而解决了目前常用的损失函数只考虑将相同人和不同人的相似度间隔拉开而没有考虑排序所导致的问题，提高了人脸识别结果的首位命中率，提高了人脸识别模型的识别准确率。
80.相应的，本技术实施例还公开了一种人脸识别模型构建装置，参见图4所示，该装置包括：
81.人脸数据集获取模块11，用于获取人脸图像，并按照采集者对所述人脸图像进行标注，得到人脸数据集；
82.第一训练模块12，用于基于神经网络结构搭建随机初始化模型，并将人脸损失函数作为模型第一阶段训练的损失函数，然后利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，得到第一阶段训练后模型；
83.第二训练模块13，用于将上述人脸损失函数和排序损失函数作为模型第二阶段训练的损失函数，然后利用所述人脸数据集对所述第一阶段训练后模型进行第二阶段训练，得到人脸识别模型；
84.其中，所述人脸数据集内单个样本的排序损失函数为，基于该样本在正样本集的相似度得分排序与该样本在所有样本集的相似度得分排序的比值构建的函数。
85.由上可见，本实施例中在通用的人脸损失函数的基础上增加一个端到端的能够提升首位命中率的排序损失函数，由此在计算损失的时候增加一个比对排序的监督，使得同一个人在比对的时候排序结果尽可能的靠前，即同一个人应该相似度尽可能相似度得分按照高低排序应该尽可能排在前面，不同的人的相抵度应该尽可能排在后面，从而解决了目前常用的损失函数只考虑将相同人和不同人的相似度间隔拉开而没有考虑排序所导致的问题，提高了人脸识别结果的首位命中率，提高了人脸识别模型的识别准确率。
86.在一些具体实施例中，所述人脸数据集获取模块11具体可以包括：
87.标签添加单元，用于为同一个采集者对应的一个或多个人脸图像添加相同的id标签，并依次添加照片序号，使同一个采集者的人脸图像标注有相同的id标签。
88.在一些具体实施例中，所述第一训练模块12具体可以包括：
89.随机初始化模型搭建单元，用于基于神经网络结构搭建随机初始化模型，所述神
经网络结构为resnet或mobilefacenet。
90.在一些具体实施例中，所述第一训练模块12具体可以用于利用所述人脸数据集对所述随机初始化模型进行第一阶段训练，在训练达到目标数量的epoch后中断训练，得到所述第一阶段训练后模型。
91.在一些具体实施例中，所述人脸识别模型构建装置具体可以包括：
92.得分排序确定单元，用于根据每个样本的相似度得分，利用得分排序计算公式计算所述人脸数据集内每个样本在对应的正样本集的相似度得分排序，以及每个样本在所有样本集的相似度得分排序；所述正样本集为针对同一个采集者的人脸数据集；
93.所述得分排序计算公式为：
94.r(i，s)＝1+i{(sj-si)》0}；
95.其中，s为样本集，i为第i个样本，r(i，s)为第i个样本在样本集s的相似度得分排序，s为相似度得分，sj为第j个样本的相似度得分，si为第i个样本的相似度得分；i为映射函数，sj-si大于0时i取1，否则i取0。
96.在一些具体实施例中，所述排序损失函数lap为：
97.lap＝1-ap；ap＝r(i，sp)/r(i，sa)；
98.其中，sp为正样本集，sa为所有样本集的，r(i，sp)为样本i在正样本集的相似度得分排序，r(i，sa)为样本i在所有样本集的相似度得分排序。
99.进一步的，本技术实施例还公开了一种电子设备，参见图5所示，图中的内容不能被认为是对本技术的使用范围的任何限制。
100.图5为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的人脸识别模型构建方法中的相关步骤。
101.本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
102.另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及包括人脸数据集在内的数据223等，存储方式可以是短暂存储或者永久存储。
103.其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的人脸识别模型构建方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
104.进一步的，本技术实施例还公开了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的人脸识别模型构建方法步骤。
105.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
106.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
107.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
108.以上对本发明所提供的一种人脸识别模型构建方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。