人脸识别方法和装置及电子设备与流程

本技术涉及人工智能，具体而言，涉及一种人脸识别方法和装置及电子设备。

背景技术：

1、活体检测技术是金融科技领域对客户进行身份验证，交易核验的主要手段，目前已广泛应用于各种互联网金融产品中。现有的活体检测需求流程主要基于场景变化，需求不同进行模型上的设计。比如针对日常检测关键点的识别，往往使用基于卷积机制的特征提取类模型。针对结合自然语言输入的需求，各公司往往采取transformer类的模型构建多模态的输入端和终端结构。使用复合模型基于对大规模数据集进行预训练，在测试集上进行迁移学习。然而，已有的识别模型集合无法动态自适用各种需求，程序员需要依据不同的需求场景研发不同的检测算法。但是人工方式严重影响了人脸识别的效率。

2、针对相关技术中通过人工对人脸识别代码进行研发以满足不同的需求场景，导致人脸识别的效率比较低的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术的主要目的在于提供一种人脸识别方法和装置及电子设备，以解决相关技术中通过人工对人脸识别代码进行研发以满足不同的需求场景，导致人脸识别的效率比较低的问题。

2、为了实现上述目的，根据本技术的一个方面，提供了一种人脸识别方法。该方法包括：获取初始人脸图像和当前人脸识别需求场景对应的自然语言信息；通过目标代码生成模型中的编码器基于所述初始人脸图像和所述自然语言信息生成语法树，得到目标语法树；通过目标代码生成模型中的解码器基于所述目标语法树生成人脸关键点检测代码，得到第一代码片段；通过所述解码器基于所述目标语法树生成人脸防伪识别代码，得到第二代码片段；通过所述解码器基于所述目标语法树生成配合式活体检测的判断函数代码，得到第三代码片段；依据所述第一代码片段、所述第二代码片段、所述第三代码片段，确定目标人脸识别代码；依据所述目标人脸识别代码对待进行人脸识别的对象进行人脸识别，得到识别结果。

3、进一步地，通过目标代码生成模型中的编码器基于所述初始人脸图像和所述自然语言信息生成语法树，得到目标语法树包括：对所述初始人脸图像进行预处理，得到目标人脸图像；对所述自然语言信息进行剪切处理，得到处理后的自然语言信息；对所述处理后的自然语言信息进行目标字符遮掩处理，得到目标自然语言信息；通过所述编码器基于所述目标人脸图像和所述自然语言信息生成语法树，得到所述目标语法树。

4、进一步地，通过目标代码生成模型中的编码器基于所述初始人脸图像和所述自然语言信息生成语法树，得到目标语法树包括：通过所述目标代码生成模型中的特征提取模块对所述初始人脸图像进行特征提取，得到第一特征信息；通过所述特征提取模块对所述自然语言信息进行特征提取，得到第二特征信息；通过所述特征提取模块对所述第一特征信息和所述第二特征信息进行特征融合，得到目标特征向量；通过所述编码器基于所述目标特征向量生成语法树，得到所述目标语法树。

5、进一步地，通过所述特征提取模块对所述第一特征信息和所述第二特征信息进行特征融合，得到目标特征向量包括：对所述第一特征信息进行维度变换，得到变换后的第一特征信息；对所述第二特征信息进行维度变换，得到变换后的第二特征信息；对所述变换后的第一特征信息和所述变换后的第二特征信息进行拼接处理，得到所述目标特征向量。

6、进一步地，在通过目标代码生成模型中的编码器基于所述初始人脸图像和所述自然语言信息生成语法树，得到目标语法树之前，所述方法还包括：获取训练样本集，其中，所述训练样本集中至少包括：多个人脸识别样本，每个人脸识别样本对应的样本语言信息以及每个人脸识别样本对应的真实人脸识别代码；依据所述真实人脸识别代码进行代码解析，得到每个人脸识别样本对应的样本语法树；依据高斯分布对编码器的第一参数进行初始化和对解码器的第二参数进行初始化，得到初始编码器和初始解码器；依据所述初始编码器和所述初始解码器，确定初始代码生成模型；依据所述样本语法树和所述训练样本集对初始代码生成模型进行训练，得到所述目标代码生成模型。

7、进一步地，依据所述样本语法树和训练样本集对初始代码生成模型进行训练，得到所述目标代码生成模型包括：通过所述初始代码生成模型中的初始编码器基于所述多个人脸识别样本和每个人脸识别样本对应的样本语言信息生成语法树，得到预测语法树；通过所述初始代码生成模型中的初始解码器基于所述预测语法树生成人脸识别代码，得到预测人脸识别代码；依据所述预测语法树，所述预测人脸识别代码，所述样本语法树和所述真实人脸识别代码对所述初始编码器和所述初始解码器进行迭代训练，得到第一编码器和第一解码器；依据所述第一编码器和所述第一解码器，确定所述目标代码生成模型。

8、进一步地，依据所述第一编码器和所述第一解码器，确定所述目标代码生成模型包括：对样本语法树中的字符进行随机遮挡处理，得到处理后的样本语法树；通过所述第一编码器对所述处理后的样本语法树中被遮挡的字符进行预测，得到预测结果，并依据所述预测结果对所述第一编码器进行迭代训练，得到训练后的第一编码器；依据每个人脸识别样本对应的真实人脸识别代码对所述训练后的第一编码器进行语句预测训练，得到第二编码器；依据所述第二编码器和所述第一解码器，确定所述目标代码生成模型。

9、为了实现上述目的，根据本技术的另一方面，提供了一种人脸识别装置。该装置包括：第一获取单元，用于获取初始人脸图像和当前人脸识别需求场景对应的自然语言信息；第一生成单元，用于通过目标代码生成模型中的编码器基于所述初始人脸图像和所述自然语言信息生成语法树，得到目标语法树；第二生成单元，用于通过目标代码生成模型中的解码器基于所述目标语法树生成人脸关键点检测代码，得到第一代码片段；第三生成单元，用于通过所述解码器基于所述目标语法树生成人脸防伪识别代码，得到第二代码片段；第四生成单元，用于通过所述解码器基于所述目标语法树生成配合式活体检测的判断函数代码，得到第三代码片段；确定单元，用于依据所述第一代码片段、所述第二代码片段、所述第三代码片段，确定目标人脸识别代码；识别单元，用于依据所述目标人脸识别代码对待进行人脸识别的对象进行人脸识别，得到识别结果。

10、进一步地，第一生成单元包括：第一处理模块，用于对所述初始人脸图像进行预处理，得到目标人脸图像；第二处理模块，用于对所述自然语言信息进行剪切处理，得到处理后的自然语言信息；第三处理模块，用于对所述处理后的自然语言信息进行目标字符遮掩处理，得到目标自然语言信息；生成模块，用于通过所述编码器基于所述目标人脸图像和所述自然语言信息生成语法树，得到所述目标语法树。

11、进一步地，第一生成单元包括：第一提取模块，用于通过所述目标代码生成模型中的特征提取模块对所述初始人脸图像进行特征提取，得到第一特征信息；第二提取模块，用于通过所述特征提取模块对所述自然语言信息进行特征提取，得到第二特征信息；融合模块，用于通过所述特征提取模块对所述第一特征信息和所述第二特征信息进行特征融合，得到目标特征向量；生成模块，用于通过所述编码器基于所述目标特征向量生成语法树，得到所述目标语法树。

12、进一步地，融合模块包括：第一变换子模块，用于对所述第一特征信息进行维度变换，得到变换后的第一特征信息；第二变换子模块，用于对所述第二特征信息进行维度变换，得到变换后的第二特征信息；拼接子模块，用于对所述变换后的第一特征信息和所述变换后的第二特征信息进行拼接处理，得到所述目标特征向量。

13、进一步地，所述装置还包括：第二获取单元，用于在通过目标代码生成模型中的编码器基于所述初始人脸图像和所述自然语言信息生成语法树，得到目标语法树之前，获取训练样本集，其中，所述训练样本集中至少包括：多个人脸识别样本，每个人脸识别样本对应的样本语言信息以及每个人脸识别样本对应的真实人脸识别代码；解析单元，用于依据所述真实人脸识别代码进行代码解析，得到每个人脸识别样本对应的样本语法树；初始化单元，用于依据高斯分布对编码器的第一参数进行初始化和对解码器的第二参数进行初始化，得到初始编码器和初始解码器；确定单元，用于依据所述初始编码器和所述初始解码器，确定初始代码生成模型；训练单元，用于依据所述样本语法树和所述训练样本集对初始代码生成模型进行训练，得到所述目标代码生成模型。

14、进一步地，训练单元包括：第四生成模块，用于通过所述初始代码生成模型中的初始编码器基于所述多个人脸识别样本和每个人脸识别样本对应的样本语言信息生成语法树，得到预测语法树；第五生成模块，用于通过所述初始代码生成模型中的初始解码器基于所述预测语法树生成人脸识别代码，得到预测人脸识别代码；第一训练模块，用于依据所述预测语法树，所述预测人脸识别代码，所述样本语法树和所述真实人脸识别代码对所述初始编码器和所述初始解码器进行迭代训练，得到第一编码器和第一解码器；第二确定模块，用于依据所述第一编码器和所述第一解码器，确定所述目标代码生成模型。

15、进一步地，第二确定模块包括：遮挡模块，用于对样本语法树中的字符进行随机遮挡处理，得到处理后的样本语法树；预测模块，用于通过所述第一编码器对所述处理后的样本语法树中被遮挡的字符进行预测，得到预测结果，并依据所述预测结果对所述第一编码器进行迭代训练，得到训练后的第一编码器；第二训练模块，用于依据每个人脸识别样本对应的真实人脸识别代码对所述训练后的第一编码器进行语句预测训练，得到第二编码器；第三确定模块，用于依据所述第二编码器和所述第一解码器，确定所述目标代码生成模型。

16、为了实现上述目的，根据本技术的一方面，提供了一种计算机可读存储介质，所述存储介质存储程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的人脸识别方法。

17、为了实现上述目的，根据本技术的另一个方面，还提供了一种电子设备，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个处理器实现上述任意一项所述的人脸识别方法。

18、通过本技术，采用以下步骤：获取初始人脸图像和当前人脸识别需求场景对应的自然语言信息；通过目标代码生成模型中的编码器基于初始人脸图像和自然语言信息生成语法树，得到目标语法树；通过目标代码生成模型中的解码器基于目标语法树生成人脸关键点检测代码，得到第一代码片段；通过解码器基于目标语法树生成人脸防伪识别代码，得到第二代码片段；通过解码器基于目标语法树生成配合式活体检测的判断函数代码，得到第三代码片段；依据第一代码片段、第二代码片段、第三代码片段，确定目标人脸识别代码；依据目标人脸识别代码对待进行人脸识别的对象进行人脸识别，得到识别结果，导致人脸识别的效率比较低的问题。在本方案中，通过编码器根据初始人脸图像和当前人脸识别需求场景对应的自然语言信息生成对应的目标语法树，然后解码器根据目标语法树生成人脸识别代码，避免了通过人工的方式实现代码研发，并且通过目标代码生成模型可以创造出更适合当前人脸识别环境需求的代码，进而达到了提高人脸识别准确性的效果。