本技术涉及人工智能,尤其涉及一种图像识别方法、模型训练方法及相关装置。
背景技术:
1、如今,人脸识别功能在很多场景中被广泛应用,例如通过人脸识别进行身份验证、线上支付等。人脸识别功能通常基于人脸识别模型实现,而常规的人脸识别模型普遍只能准确地识别不存在遮挡的人脸图像,对于存在遮挡的人脸图像(如戴口罩的人脸图像等)则难以准确识别。
2、为了兼顾准确识别不存在遮挡的人脸图像和存在遮挡的人脸图像,相关技术设计了结构更复杂、规模更大的人脸识别模型,并采用多种不同的训练样本(包括不存在遮挡的人脸图像和存在遮挡的人脸图像)对其进行训练,使该人脸识别模型能够兼顾识别不存在遮挡的人脸图像和存在遮挡的人脸图像。然而,这样大幅度地增大人脸识别模型的规模,将导致模型处理的耗时显著增加,也即延长人脸识别的耗时,难以满足对前向推理速度要求较高的应用场景的耗时要求。
技术实现思路
1、本技术实施例提供了一种图像识别方法、模型训练方法及相关装置,既可以避免大幅增加模型处理的耗时,同时能够兼顾准确识别正常人脸图像和遮挡人脸图像。
2、有鉴于此,本技术第一方面提供了一种图像识别方法,所述方法包括:
3、获取待识别人脸图像;
4、通过人脸识别模型中的低层特征提取网络,对所述待识别人脸图像进行低层特征提取处理,得到低层图像特征;
5、通过所述人脸识别模型中的正常人脸特征提取网络,对所述低层图像特征进行深层特征提取处理,得到正常深层图像特征;通过所述人脸识别模型中的遮挡人脸特征提取网络,对所述低层图像特征进行深层特征提取处理,得到遮挡深层图像特征;
6、通过所述人脸识别模型中的自适应激活网络,根据所述低层图像特征,确定所述正常深层图像特征和所述遮挡深层图像特征各自对应的权重;根据所述正常深层图像特征、所述遮挡深层图像特征及其各自对应的权重,确定所述待识别人脸图像的目标图像特征;
7、基于所述待识别人脸图像的目标图像特征执行人脸识别任务。
8、本技术第二方面提供了一种模型训练方法,所述方法包括:
9、基于第一训练样本集训练第一识别模型;所述第一训练样本集包括正常人脸图像和遮挡人脸图像,所述第一识别模型包括低层特征提取网络,所述低层特征提取网络用于对输入所述第一识别模型的人脸图像进行低层特征提取处理,得到训练低层图像特征;
10、基于第二训练样本集训练第二识别模型中的正常人脸特征提取网络;所述第二训练样本集包括正常人脸图像,所述第二识别模型还包括所述第一识别模型中的低层特征提取网络,所述正常人脸特征提取网络用于对所述第二识别模型中的所述低层特征提取网络输出的训练低层图像特征进行深层特征提取处理,得到训练正常深层图像特征;
11、基于第三训练样本集训练第三识别模型中的遮挡人脸特征提取网络;所述第三训练样本集包括正常人脸图像和遮挡人脸图像,所述第三识别模型还包括所述第一识别模型中的低层特征提取网络,所述遮挡人脸特征提取网络用于对所述第三识别模型中的所述低层特征提取网络输出的训练低层图像特征进行深层特征提取处理,得到训练遮挡深层图像特征;
12、基于第四训练样本集训练第四识别模型中的自适应激活网络;所述第四训练样本集包括正常人脸图像和遮挡人脸图像,所述第四识别模型还包括所述第一识别模型中的低层特征提取网络、所述第二识别模型中的正常人脸特征提取网络、以及所述第三识别模型中的遮挡人脸特征提取网络,所述自适应激活网络用于根据所述第四识别模型中所述低层特征提取网络输出的训练低层图像特征,确定所述第四识别模型中所述正常人脸特征提取网络输出的训练正常深层图像特征和所述遮挡人脸特征提取网络输出的训练遮挡深层图像特征各自对应的权重;
13、根据所述第一识别模型中的低层特征提取网络、所述第二识别模型中的正常人脸特征提取网络、所述第三识别模型中的遮挡人脸特征提取网络以及所述第四识别模型中的自适应激活网络,构建人脸识别模型。
14、本技术第三方面提供了一种图像识别装置,所述装置包括:
15、图像获取模块,用于获取待识别人脸图像;
16、低层特征提取模块,用于通过人脸识别模型中的低层特征提取网络,对所述待识别人脸图像进行低层特征提取处理,得到低层图像特征;
17、深层特征提取模块,用于通过所述人脸识别模型中的正常人脸特征提取网络,对所述低层图像特征进行深层特征提取处理,得到正常深层图像特征;通过所述人脸识别模型中的遮挡人脸特征提取网络,对所述低层图像特征进行深层特征提取处理,得到遮挡深层图像特征;
18、特征融合模块,用于通过所述人脸识别模型中的自适应激活网络,根据所述低层图像特征,确定所述正常深层图像特征和所述遮挡深层图像特征各自对应的权重;根据所述正常深层图像特征、所述遮挡深层图像特征及其各自对应的权重,确定所述待识别人脸图像的目标图像特征;
19、人脸识别模块,用于基于所述待识别人脸图像的目标图像特征执行人脸识别任务。
20、本技术第四方面提供了一种模型训练装置,所述装置包括:
21、第一训练模块,用于基于第一训练样本集训练第一识别模型;所述第一训练样本集包括正常人脸图像和遮挡人脸图像,所述第一识别模型包括低层特征提取网络,所述低层特征提取网络用于对输入所述第一识别模型的人脸图像进行低层特征提取处理,得到训练低层图像特征;
22、第二训练模块,用于基于第二训练样本集训练第二识别模型中的正常人脸特征提取网络;所述第二训练样本集包括正常人脸图像,所述第二识别模型还包括所述第一识别模型中的低层特征提取网络,所述正常人脸特征提取网络用于对所述第二识别模型中的所述低层特征提取网络输出的训练低层图像特征进行深层特征提取处理,得到训练正常深层图像特征;
23、第三训练模块,用于基于第三训练样本集训练第三识别模型中的遮挡人脸特征提取网络;所述第三训练样本集包括正常人脸图像和遮挡人脸图像,所述第三识别模型还包括所述第一识别模型中的低层特征提取网络,所述遮挡人脸特征提取网络用于对所述第三识别模型中的所述低层特征提取网络输出的训练低层图像特征进行深层特征提取处理,得到训练遮挡深层图像特征;
24、第四训练模块,用于基于第四训练样本集训练第四识别模型中的自适应激活网络;所述第四训练样本集包括正常人脸图像和遮挡人脸图像,所述第四识别模型还包括所述第一识别模型中的低层特征提取网络、所述第二识别模型中的正常人脸特征提取网络、以及所述第三识别模型中的遮挡人脸特征提取网络,所述遮挡人脸特征提取网络用于对所述第三识别模型中的所述低层特征提取网络输出的训练低层图像特征进行深层特征提取处理,得到训练遮挡深层图像特征;
25、模型构建模块,用于根据所述第一识别模型中的低层特征提取网络、所述第二识别模型中的正常人脸特征提取网络、所述第三识别模型中的遮挡人脸特征提取网络以及所述第四识别模型中的自适应激活网络,构建人脸识别模型。
26、本技术第五方面提供了一种计算机设备,所述设备包括处理器和存储器:
27、所述存储器用于存储计算机程序;
28、所述处理器用于根据所述计算机程序,执行如上述第一方面或第二方面所述的方法的步骤。
29、本技术第六方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行上述第一方面或第二方面所述的方法的步骤。
30、本技术第七方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述第一方面或第二方面所述的方法的步骤。
31、从以上技术方案可以看出,本技术实施例具有以下优点:
32、本技术提供了一种图像识别方法,在获取待识别人脸图像后,首先通过人脸识别模型中的低层特征提取网络,对该待识别人脸图像进行低层特征提取处理,得到对应的低层图像特征;其次,分别通过人脸识别模型中的正常人脸特征提取网络以及遮挡人脸特征提取网络,从低层图像特征中提取深层特征,得到正常深层图像特征和遮挡深层图像特征;然后,通过人脸识别模型中的自适应激活网络,确定正常深层图像特征以及遮挡深层图像特征各自对应的权重,并根据正常深层图像特征、遮挡深层图像特征及其各自对应的权重,确定待识别人脸图像的目标图像特征;基于该待识别人脸图像对应的目标图像特征来执行人脸识别任务。
33、本技术实施例提出了一种新型结构的人脸识别模型,在该人脸识别模型的高层结构中引入两个独立互补的特征提取网络(即正常人脸特征提取网络和遮挡人脸特征提取网络),使得该人脸识别模型既能准确地提取正常人脸图像的深层特征,又能准确地提取遮挡人脸图像的深层特征;由于上述正常人脸特征提取网络和遮挡人脸特征提取网络共用一个低层特征提取网络,均用于对该低层特征提取网络输出的低层图像特征进行深层特征提取处理,并且高层网络所处理的特征维度较小,即正常人脸特征提取网络和遮挡人脸特征提取网络所处理的低层图像特征的维度较小,因此正常人脸特征提取网络和遮挡人脸特征提取网络的引入不会造成人脸识别模型规模的显著增大,也不会造成模型处理耗时的显著增加。另外,通过部署在高层网络中的自适应激活网络,为两个特征提取网络各自获得的正常深层图像特征和遮挡深层图像特征分配权重,并据此进行特征融合,得到待识别人脸图像的目标图像特征;无论待识别人脸图像为正常人脸图像还是遮挡人脸图像,该目标图像特征均能准确地反映该待识别人脸图像的特点,相应地,据此执行人脸识别任务,既提高了对于正常人脸图像的识别准确率,又兼顾了对于遮挡人脸图像的识别准确率,有效满足了对于人脸识别要求。