CN118366206A - 人脸识别方法、装置和人脸识别门禁系统 - Google Patents

Abstract

本申请提供了一种人脸识别方法、装置和人脸识别门禁系统，涉及计算机技术领域，其中包括：获取待识别人脸图像；将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的所述待识别人脸图像的识别结果；人脸识别模型是模型训练装置基于已知人脸图像样本和未知人脸图像样本对初始模型进行训练得到的；模型训练装置中的计算单元用于在初始模型的训练过程中降低未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出概率，对已知人脸图像样本的特征模值进行放大，对未知人脸图像样本的特征模值进行缩小。本申请提供的方法、装置和系统，降低了人脸识别的误判概率，提高了模型的泛化能力和识别结果的准确性。

Description

人脸识别方法、装置和人脸识别门禁系统

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种人脸识别方法、装置和人脸识别门禁系统。

背景技术

随着技术的飞速发展，基于深度学习的人脸识别技术的识别精度得到了持续提升，推动了人脸识别技术应用到各个领域（例如手机开机、金融支付、门禁系统等），为社会管理和日常生活带来了极大的便利。与此同时，使用人脸识别门禁系统的用户也开始关注人脸识别技术的安全风险（例如个人信息泄露、身份伪造等）。

以部署人脸识别技术的门禁系统为例，系统的最佳运行状态是：所有已注册用户（registered users）都可以被人脸识别门禁系统正确识别身份，并被门禁系统放行；所有未注册用户（unregistered users）都被人脸识别门禁系统拒绝。然而，相关技术中的人脸识别门禁系统依然存在具有较高的误判概率，系统鲁棒性差。

因此，如何降低人脸识别的误判概率，提高系统的鲁棒性成为业界亟待解决的技术问题。

发明内容

本申请提供一种人脸识别方法、装置和人脸识别门禁系统，用于解决如何降低人脸识别的误判概率，提高系统的鲁棒性的技术问题。

本申请提供一种人脸识别方法，包括：

获取待识别人脸图像；

将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的所述待识别人脸图像的识别结果；

其中，所述人脸识别模型是基于模型训练装置已知人脸图像样本和未知人脸图像样本对初始模型进行训练得到的；所述模型训练装置中的计算单元用于在所述初始模型的训练过程中降低所述未知人脸图像样本在所述已知人脸图像样本对应的类别标签下的输出概率，对所述已知人脸图像样本的特征模值进行放大，对所述未知人脸图像样本的特征模值进行缩小。

在一些实施例中，所述人脸识别模型是基于如下步骤训练得到的：

确定训练数据集；所述训练数据集包括第一样本集和第二样本集；所述第一样本集是基于所述已知人脸图像样本确定的；所述第二样本集是基于所述未知人脸图像样本确定的；

基于所述训练数据集对初始模型进行训练，得到所述人脸识别模型；

其中，所述计算单元中的第一计算子单元用于确定各个已知人脸图像样本的第一分类损失函数，以及确定各个未知人脸图像样本的第二分类损失函数；所述计算单元中的第二计算子单元用于确定各个已知人脸图像样本的第一约束函数，以及确定各个未知人脸图像样本的第二约束函数；所述计算单元中的第三计算子单元用于基于各个已知人脸图像样本的第一分类损失函数和第一约束函数，以及各个未知人脸图像样本的第二分类损失函数和第二约束函数，确定损失函数，并基于所述损失函数对所述初始模型的模型参数进行更新。

在一些实施例中，所述第一分类损失函数用于确定所述已知人脸图像样本的分类损失；所述第一约束函数用于对所述已知人脸图像样本的特征模值进行放大；所述第二分类损失函数用于确定所述未知人脸图像样本在所述已知人脸图像样本对应的类别标签下的分类损失；所述第二约束函数用于对所述未知人脸图像样本的特征模值进行缩小。

在一些实施例中，所述确定各个已知人脸图像样本的第一分类损失函数，包括：

确定各个已知人脸图像样本的提取特征，以及各个已知人脸图像样本在对应的类别标签下的输出权重；

基于任一已知人脸图像样本的提取特征和输出权重的点积，以及各个已知人脸图像样本的提取特征和输出权重的点积，确定所述任一已知人脸图像样本的归一化指数函数；

基于各个已知人脸图像样本的归一化指数函数的对数，确定各个已知人脸图像样本的第一分类损失函数。

在一些实施例中，所述确定各个已知人脸图像样本的第一约束函数，包括：

确定各个已知人脸图像样本的特征模值；

在任一已知人脸图像样本的特征模值大于等于第一特征模值约束阈值的情况下，将所述任一已知人脸图像样本的第一约束函数设置为零；

在任一已知人脸图像样本的特征模值小于第一特征模值约束阈值的情况下，基于所述第一特征模值约束阈值与所述任一已知人脸图像样本的特征模值的比值，确定所述任一已知人脸图像样本的第一约束函数。

在一些实施例中，所述确定各个未知人脸图像样本的第二分类损失函数，包括：

确定各个未知人脸图像样本的提取特征，以及各个未知人脸图像样本在所述已知人脸图像样本对应的类别标签下的输出权重；

确定各个未知人脸图像样本的提取特征和输出权重的点积；

对所述点积进行降序排序，按照从大到小的顺序选择预设数量的点积，并确定所述预设数量的点积对应的目标类别标签；

基于任一未知人脸图像样本的提取特征和在目标类别标签下的输出权重的点积，以及各个未知人脸图像样本的提取特征和在目标类别标签下的输出权重的点积，确定所述任一未知人脸图像样本的归一化指数函数；

基于各个未知人脸图像样本的归一化指数函数的对数，以及所述目标类别标签的数量，确定各个未知人脸图像样本的第二分类损失函数。

在一些实施例中，所述确定各个未知人脸图像样本的第二约束函数，包括：

确定各个未知人脸图像样本的特征模值；

在任一未知人脸图像样本的特征模值小于等于第二特征模值约束阈值的情况下，将所述任一未知人脸图像样本的第二约束函数设置为零；

在任一未知人脸图像样本的特征模值大于第二特征模值约束阈值的情况下，基于所述第二特征模值约束阈值与所述任一未知人脸图像样本的特征模值的比值，确定所述任一未知人脸图像样本的第二约束函数。

在一些实施例中，所述基于所述训练数据集对初始模型进行训练，包括：

在当前训练周期中，从所述第一样本集中选择第一数量的已知人脸图像样本，以及从所述第二样本集中选择第二数量的未知人脸图像样本；所述第一数量等于所述第二数量；

将所述第一数量的已知人脸图像样本和所述第二数量的未知人脸图像样本确定为当前训练周期中当前批次对应的训练样本；

基于所述当前批次对应的训练样本对初始模型进行训练；

基于所述第一样本集和所述第二样本集中未被选择的人脸图像样本，确定下一批次对应的训练样本；

在所述第一样本集中已知人脸图像样本均已被选择的情况下，结束所述当前训练周期。

在一些实施例中，所述从所述第一样本集中选择第一数量的已知人脸图像样本，以及从所述第二样本集中选择第二数量的未知人脸图像样本之前，所述方法还包括：

对所述第一样本集和所述第二样本集中的样本顺序进行随机排列。

在一些实施例中，所述确定训练数据集，包括：

获取已知人脸图像样本和未知人脸图像样本；

对所述已知人脸图像样本和所述未知人脸图像样本中的人脸图像进行对齐。

在一些实施例中，所述人脸识别模型包括依次连接的特征提取网络、第二全连接层和损失函数层；

所述特征提取网络包括多个依次连接的卷积层和第一全连接层。

本申请提供一种人脸识别装置，包括：

获取单元，用于获取待识别人脸图像；

识别单元，用于将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的所述待识别人脸图像的识别结果；

其中，所述人脸识别模型是模型训练装置基于已知人脸图像样本和未知人脸图像样本对初始模型进行训练得到的；所述模型训练装置中的计算单元用于在所述初始模型的训练过程中降低所述未知人脸图像样本在所述已知人脸图像样本对应的类别标签下的输出概率，对所述已知人脸图像样本的特征模值进行放大，对所述未知人脸图像样本的特征模值进行缩小。

本申请提供一种人脸识别门禁系统，包括：

采集模块，用于对待识别用户进行图像采集，获取待识别人脸图像；

识别模块，用于将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的所述待识别人脸图像的识别结果；

门禁模块，用于基于所述待识别人脸图像的识别结果，确定所述待识别用户的门禁通过权限；

其中，所述人脸识别模型是基于所述的人脸识别方法确定的。

在一些实施例中，所述识别模块用于：

将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的所述待识别人脸图像的最大输出概率、所述最大输出概率对应的类别标签和所述待识别人脸图像的特征模值；

在所述最大输出概率大于预设概率阈值且所述特征模值大于预设模值阈值的情况下，确定所述待识别用户为已注册用户；

基于所述最大输出概率对应的类别标签，确定所述已注册用户的身份信息。

在一些实施例中，所述识别模块用于：

在所述待识别用户对应的待识别人脸图像为多个的情况下，确定各个待识别人脸图像对应的类别标签；

在属于任一类别标签的图像数量比例大于预设比例阈值的情况下，确定所述待识别用户为已注册用户，基于所述任一类别标签确定所述已注册用户的身份信息。

在一些实施例中，所述门禁模块用于：

基于所述已注册用户的身份信息，确定所述已注册用户的门禁通过权限。

在一些实施例中，所述系统还包括：

模型构建模块，用于获取网络模型描述文件；基于所述网络模型描述文件构建所述人脸识别模型；

其中，所述网络模型描述文件用于存储所述人脸识别模型的权重参数和结构参数。

在一些实施例中，所述系统还包括：

样本构建模块，用于获取所述人脸识别门禁系统中已注册用户的人脸图像，以及未注册用户的人脸图像；

将所述已注册用户的人脸图像确定为已知人脸图像样本，并基于所述已注册用户确定所述已知人脸图像样本对应的类别标签；

将所述未注册用户的人脸图像确定为未知人脸图像样本。

本申请提供一种电子设备，包括存储器、处理器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计算机程序时实现所述的人脸识别方法。

本申请提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的人脸识别方法。

本申请实施例提供的人脸识别方法、装置和人脸识别门禁系统，将待识别人脸图像输入人脸识别模型，得到人脸识别模型输出的待识别人脸图像的识别结果；由于人脸识别模型是基于已知人脸图像样本和未知人脸图像样本训练得到的，已知类的样本和未知类的样本共同为模型提供了更全面的信息，有助于模型充分学习不同类别人脸特征的分布规律；由于人脸识别模型可以降低未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出概率，使得未知类样本不容易被误识别为已知类；由于人脸识别模型可以对已知人脸图像样本的特征模值进行放大，对未知人脸图像样本的特征模值进行缩小，使得模型更容易识别到已知类样本中特征；通过上述方式，降低了人脸识别的误判概率，提高了模型的泛化能力和识别结果的准确性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本申请提供的人脸识别方法的流程示意图。

图2是本申请提供的人脸识别的硬件架构示意图。

图3是本申请提供的人脸识别模型的训练过程示意图。

图4是本申请提供的人脸识别模型的推理过程示意图。

图5是本申请提供的人脸识别模型的结构示意图。

图6是本申请提供的人脸识别装置的结构示意图。

图7是本申请提供的人脸识别门禁系统的结构示意图之一。

图8是本申请提供的人脸识别门禁系统的结构示意图之二。

图9是本申请提供的人脸识别门禁系统的结构示意图之三。

图10是本申请提供的人脸识别方法的应用场景示意图。

图11是本申请提供的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

可以将人脸识别任务看作是多类分类任务，将在人脸识别门禁系统中已注册的用户看作已知类，将未注册的用户看作未知类。相关技术之一是将所有的未知类合并为单独的一个类，当未知类中的某类样本与已知类很接近，会导致这个未知类的样本难以被正确识别出来；相关技术之二是设置多个已知类，未知类的某类样本也会在某些已知类别上输出高概率值，使得通过阈值的选择变得十分困难，样本也难以被正确识别出来。

为了解决相关技术的不足，图1是本申请提供的人脸识别方法的流程示意图，如图1所示，该方法包括步骤110和步骤120。

步骤110、获取待识别人脸图像。

具体地，本申请实施例提供的人脸识别方法的执行主体为人脸识别装置。该装置可以通过软件实现，例如可以在计算机中运行的人脸识别程序；也可以为执行人脸识别方法的装置，例如智能终端、平板电脑、计算机或者服务器等。

待识别人脸图像为需要进行识别的用户人脸图像。以部署人脸识别技术的门禁系统为例，待识别人脸图像可以为在门禁系统中已注册的用户的人脸图像，也可以为在门禁系统中未注册的用户的人脸图像。

步骤120、将待识别人脸图像输入人脸识别模型，得到人脸识别模型输出的待识别人脸图像的识别结果；其中，人脸识别模型是模型训练装置基于已知人脸图像样本和未知人脸图像样本对初始模型进行训练得到的；模型训练装置中的计算单元人脸识别模型用于在初始模型的训练过程中降低未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出概率，对已知人脸图像样本的特征模值进行放大，对未知人脸图像样本的特征模值进行缩小。

具体地，待识别人脸图像的识别结果可以包括输出概率、类别标签和特征模值等。

类别标签是指待识别人脸图像对应的用户信息，例如可以包括用户的身份信息等。可以将每个已注册的用户单独作为一个已知类，可以将用户的身份信息确定为人脸图像对应的类别标签。

输出概率是指待识别人脸图像对应各个类别标签的可能性。待识别人脸图像对应任一类别标签下的输出概率越大，待识别人脸图像就越可能属于该类别标签对应的用户。

特征模值是指待识别人脸图像中提取的人脸特征的向量范数。特征模值越大，表明提取到的人脸特征的重要程度越高，具有更强的区分能力，对识别结果的影响更大，有利于提高识别准确率。

可以预先训练得到人脸识别模型，具体可以通过如下训练方式得到人脸识别模型：首先，收集大量的已知人脸图像样本和未知人脸图像样本，已知人脸图像样本可以对已注册的用户进行人脸图像采集得到，未知人脸图像样本可以对未注册的用户进行人脸图像采集得到或者通过计算机模拟生成；其次，确定各个人脸图像样本（包括已知人脸图像样本和未知人脸图像样本）的类别标签。随即，根据已知人脸图像样本和未知人脸图像样本对初始模型进行训练，以提高初始模型对于人脸图像的识别能力，得到人脸识别模型。

本申请实施例对于初始模型的选择不作具体限定。例如初始模型可以为ResNet18、ResNet50、ResNet100或者MobileNet等。

图2是本申请提供的人脸识别的硬件架构示意图，如图2所示，包括采集装置210、数据库240、模型训练装置220和人脸识别装置230。

采集装置210具体可以为摄像机或者相机等图像采集传感器。

模型训练装置220可以包括计算单元221和存储单元222。模型训练装置具体可以为计算机或者服务器等。计算单元具体可以为处理器，包括中央处理器或者用于模型训练用的图形处理器等。存储单元具体可以为固态硬盘等存储设备。计算单元221又可以具体包括第一计算子单元2211、第二计算子单元2212和第三计算子单元2213。

图3是本申请提供的人脸识别模型的训练过程示意图，如图3所示，第一计算子单元可以用于计算模型训练过程中的分类损失，第二计算子单元可以用于计算模型训练过程中的约束，第三计算子单元可以根据分类损失和约束确定损失，并根据损失对模型参数进行更新。

人脸识别装置230可以包括获取单元231和识别单元232。人脸识别装置具体可以为计算机或者服务器等。获取单元具体可以为数据通信或者接口装置等。识别单元具体可以为处理器，包括中央处理器或者用于模型推理用的图形处理器等。

从功能上来看，采集单元主要用于对已注册用户或者未注册用户进行图像采集，得到人脸图像。数据库用于存储采集的人脸图像。数据库中存储的人脸图像可以是已经识别过的人脸图像，也可以是未识别过的人脸图像。可以将已经识别过的人脸图像（包括已注册用户和未注册用户）作为人脸图像样本输入模型训练装置进行训练，得到人脸识别模型。计算单元主要用于训练初始模型得到人脸识别模型，存储单元用于存储模型参数，得到网络模型描述文件。

人脸识别装置中的识别单元一方面从模型训练装置中获取网络模型描述文件构建人脸识别模型，一方面从获取单元接收待识别人脸图像，进行识别后得到识别结果。待识别人脸图像及其识别结果可以存储至数据库中，作为新的样本。

图4是本申请提供的人脸识别模型的推理过程示意图，如图4所示，人脸识别模型还可以通过比较概率阈值和比较特征模值，将未知类样本和已知类样本区别出来，提高了识别结果的准确性。

在模型的训练过程中，本申请在以下方面进行改进：

一方面，人脸识别模型可以对未知人脸图像样本进行提取特征和识别，降低未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出概率，也就是使未知类样本在已知类上输出较小的概率值，使得未知类样本不容易被误识别为已知类；

另一方面，人脸识别模型可以对已知人脸图像样本的特征模值进行放大，对未知人脸图像样本的特征模值进行缩小，也就是放大已知类样本中特征对于识别结果的影响，缩小未知类样本中特征对于识别结果的影响。

本申请实施例提供的人脸识别方法，获取待识别人脸图像，将待识别人脸图像输入人脸识别模型，得到人脸识别模型输出的待识别人脸图像的识别结果；由于人脸识别模型是基于已知人脸图像样本和未知人脸图像样本训练得到的，已知类的样本和未知类的样本共同为模型提供了更全面的信息，有助于模型充分学习不同类别人脸特征的分布规律；由于人脸识别模型可以降低未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出概率，使得未知类样本不容易被误识别为已知类；由于人脸识别模型可以对已知人脸图像样本的特征模值进行放大，对未知人脸图像样本的特征模值进行缩小，使得模型更容易识别到已知类样本中特征；通过上述方式，降低了人脸识别的误判概率，提高了模型的泛化能力和识别结果的准确性。

需要说明的是，本申请每一个实施方式可以自由组合、调换顺序或者单独执行，并不需要依靠或依赖固定的执行顺序。

在一些实施例中，人脸识别模型是基于如下步骤训练得到的：

确定训练数据集；训练数据集包括第一样本集和第二样本集；第一样本集是基于已知人脸图像样本确定的；第二样本集是基于未知人脸图像样本确定的；

基于训练数据集对初始模型进行训练，得到人脸识别模型；

其中，计算单元中的第一计算子单元用于确定各个已知人脸图像样本的第一分类损失函数，以及确定各个未知人脸图像样本的第二分类损失函数；计算单元中的第二计算子单元用于确定各个已知人脸图像样本的第一约束函数，以及确定各个未知人脸图像样本的第二约束函数；计算单元中的第三计算子单元用于基于各个已知人脸图像样本的第一分类损失函数和第一约束函数，以及各个未知人脸图像样本的第二分类损失函数和第二约束函数，确定损失函数，并基于损失函数对初始模型的模型参数进行更新。

具体地，可以选择已知人脸图像样本作为第一样本集，选择未知人脸图像样本作为第二样本集，根据第一样本集和第二样本集生成训练数据集，用来对初始模型进行训练，得到人脸识别模型。

例如，人脸识别训练集合包括两个子集合：第一样本集和第二样本集。是已知类的样本集合，也就是人脸识别系统需要正确识别身份的样本集合；是未知类的样本集合，也就是人脸识别系统需要拒绝的身份的样本集合（在模型训练过程中，集合中的样本模拟人脸识别系统的非法入侵者）。理想情况下，集合应该包括集合包含的类别以外的全部类别。然而，不可能获得全部未知类的样本用于训练模型，因此本申请定义集合是全部未知类的子集。如果集合中包含几万个未知类，那么利用本申请训练的人脸识别模型具有足够的泛化能力，模型不仅可以拒绝识别中包含的未知类的样本，也可以拒绝识别其他未知类的样本。

在对初始模型进行训练的过程中，可以定义分类损失函数和约束函数。根据分类损失函数和约束函数的结果，对模型参数进行调整。上述方法步骤主要是模型训练装置中的计算单元实现的。计算单元包括第一计算子单元、第二计算子单元和第三计算子单元。

对于各个已知人脸图像样本，可以确定第一分类损失函数和第一约束函数。第一分类损失函数用于确定已知人脸图像样本的分类损失。第一约束函数用于对已知人脸图像样本的特征模值进行放大。其中，第一分类损失函数由计算单元中的第一计算子单元计算得到，第一约束函数由计算单元中的第二计算子单元计算得到。

对于各个未知人脸图像样本，可以确定第二分类损失函数和第二约束函数。第二分类损失函数用于确定未知人脸图像样本在已知人脸图像样本对应的类别标签下的分类损失。第二约束函数用于对未知人脸图像样本的特征模值进行缩小。其中，第二分类损失函数由计算单元中的第一计算子单元计算得到，第二约束函数由计算单元中的第二计算子单元计算得到。

根据各个已知人脸图像样本的第一分类损失函数和第一约束函数，以及各个未知人脸图像样本的第二分类损失函数和第二约束函数，确定总的损失函数。根据总的损失函数对初始模型的模型参数进行更新，得到人脸识别模型。其中，损失函数的确定以及模型参数的更新由第三计算子单元执行。

本申请实施例提供的人脸识别方法，通过针对已知人脸图像样本确定第一分类损失函数和第一约束函数，针对未知人脸图像样本确定第二分类损失函数和第二约束函数；通过分类损失函数可以实现降低未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出概率，通过约束函数可以实现对已知人脸图像样本的特征模值进行放大，对未知人脸图像样本的特征模值进行缩小；降低了人脸识别的误判概率，提高了模型的泛化能力和识别结果的准确性。

在一些实施例中，确定各个已知人脸图像样本的第一分类损失函数，包括：

确定各个已知人脸图像样本的提取特征，以及各个已知人脸图像样本在对应的类别标签下的输出权重；

基于任一已知人脸图像样本的提取特征和输出权重的点积，以及各个已知人脸图像样本的提取特征和输出权重的点积，确定任一已知人脸图像样本的归一化指数函数；

基于各个已知人脸图像样本的归一化指数函数的对数，确定各个已知人脸图像样本的第一分类损失函数。

具体地，为了方便人脸识别模型训练过程中的数据读取和使用，首先将人脸图像按照用户身份信息（ID）进行分组（每组包含一个人的人脸图像），然后给每组一个类别标签（类标）。第一样本集的用户身份信息（ID）总数（ID总数也就是总人数）表示为，类别标签可以表示为；第二样本集的用户身份信息（ID）总数表示为，类别标签可以表示为。

对人脸识别模型进行训练时，每个训练批次（batch）包含的样本数为。输入的第个人脸图像样本为。是对应的类别标签。

人脸识别模型对人脸图像样本进行处理后的提取特征可以表示为，给定输入的人脸图像样本可以表示为，人脸图像样本的提取特征为，被看作为列向量。人脸识别模型对人脸图像样本的输出权重可以表示为。人脸识别模型的权重矩阵为，是权重矩阵的列，代表的转置向量。代表两个向量的点积，代表向量的L2范数，也就是向量的模值。在人脸识别模型中，输出可以不包含偏置项。本申请可以推广到包含偏置项的情况。然而，加入偏置项之后，性能没有明显差别。

如果，表示当前样本为已知人脸图像样本，确定各个已知人脸图像样本的提取特征，以及各个已知人脸图像样本在对应的类别标签下的输出权重。

根据任一已知人脸图像样本的提取特征和输出权重的点积，以及各个已知人脸图像样本的提取特征和输出权重的点积，确定任一已知人脸图像样本的归一化指数函数，根据各个已知人脸图像样本的归一化指数函数的对数，确定各个已知人脸图像样本的第一分类损失函数，用公式表示为：

，。

式中，为已知人脸图像样本的第一分类损失函数，此公式中的表示已知人脸图像样本对应的类别标签的序号。

本申请实施例提供的人脸识别方法，根据各个已知人脸图像样本的归一化指数函数的对数，确定各个已知人脸图像样本的第一分类损失函数，提高了确定分类损失的准确性，提高了人脸识别结果的准确性。

在一些实施例中，确定各个已知人脸图像样本第一约束函数，包括：

确定各个已知人脸图像样本的特征模值；

在任一已知人脸图像样本的特征模值大于等于第一特征模值约束阈值的情况下，将任一已知人脸图像样本的第一约束函数设置为零；

在任一已知人脸图像样本的特征模值小于第一特征模值约束阈值的情况下，基于第一特征模值约束阈值与任一已知人脸图像样本的特征模值的比值，确定任一已知人脸图像样本的第一约束函数。

具体地，已知人脸图像样本的特征模值可以用提取特征的L2范数表示，则任一已知人脸图像样本的第一约束函数可以表示为：

式中，为已知人脸图像样本的第一约束函数，为第一特征模值约束阈值。

第一约束函数的目的是对已知人脸图像样本的特征模值进行放大，从而实现约束。在任一已知人脸图像样本的特征模值大于等于第一特征模值约束阈值（≥）的情况下，第一约束函数的取值为零；在任一已知人脸图像样本的特征模值小于第一特征模值约束阈值的情况下，第一约束函数的取值为。

利用第一约束函数作为约束项，可以使得已知人脸图像样本的特征模值趋向于较大值（也就是远离）。也就是说，当模型训练完成之后，如果输入样本是已知类的样本，那么输入样本的输出特征模值大于。

第一特征模值约束阈值应该满足。在本实施例中，设置。

本申请实施例提供的人脸识别方法，根据第一约束函数对已知人脸图像样本的特征模值进行放大，使得模型更容易识别到已知类样本中特征，提高了人脸识别结果的准确性。

在一些实施例中，确定各个未知人脸图像样本的第二分类损失函数，包括：

确定各个未知人脸图像样本的提取特征，以及各个未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出权重；

确定各个未知人脸图像样本的提取特征和输出权重的点积；

对点积进行降序排序，按照从大到小的顺序选择预设数量的点积，并确定预设数量的点积对应的目标类别标签；

基于任一未知人脸图像样本的提取特征和在目标类别标签下的输出权重的点积，以及各个未知人脸图像样本的提取特征和在目标类别标签下的输出权重的点积，确定任一未知人脸图像样本的归一化指数函数；

基于各个未知人脸图像样本的归一化指数函数的对数，以及目标类别标签的数量，确定各个未知人脸图像样本的第二分类损失函数。

具体地，如果，表示当前样本为未知人脸图像样本。表示已知人脸图像样本对应的类别标签的序号，。表示未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出权重的转置。各个未知人脸图像样本的提取特征可以表示为。

可以根据各个未知人脸图像样本的提取特征，以及各个未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出权重，计算各个未知人脸图像样本的提取特征和输出权重的点积，共有个。预设数量可以表示为。对这些点积进行降序排序，按照从大到小的顺序选择预设数量的点积，并确定预设数量的点积对应的目标类别标签。目标类别标签的序号可以表示为。

预设数量可以根据需要进行确定。预设数量需要满足，例如。

根据任一未知人脸图像样本的提取特征和在目标类别标签下的输出权重的点积，以及各个未知人脸图像样本的提取特征和在目标类别标签下的输出权重的点积，确定任一未知人脸图像样本的归一化指数函数，根据各个未知人脸图像样本的归一化指数函数的对数，以及目标类别标签的数量，确定各个未知人脸图像样本的第二分类损失函数，可以用公式表示为：

,

式中，为未知人脸图像样本的第二分类损失函数，表示目标类别标签的序号，表示类别标签的序号。

当输入样本，用于限制输入样本的输出概率值，在每次训练迭代过程中，训练算法使得输入样本在个已知类别上的输出概率保持在零值附近，在个已知类别上的输出概率保持均匀分布。为了更好的实现这个目的，本申请将个概率值从大到小排列，然后限制前M个数值保持均匀分布。注意，本申请忽略了其他个概率值，这些概率值已经趋近于零，不需要进一步限制。

本申请实施例提供的人脸识别方法，根据各个未知人脸图像样本的归一化指数函数的对数，以及目标类别标签的数量，确定各个未知人脸图像样本的第二分类损失函数，提高了确定分类损失的准确性，提高了人脸识别结果的准确性。

在一些实施例中，确定各个未知人脸图像样本的第二约束函数，包括：

确定各个未知人脸图像样本的特征模值；

在任一未知人脸图像样本的特征模值小于等于第二特征模值约束阈值的情况下，将任一未知人脸图像样本的第二约束函数设置为零；

在任一未知人脸图像样本的特征模值大于第二特征模值约束阈值的情况下，基于第二特征模值约束阈值与任一未知人脸图像样本的特征模值的比值，确定任一未知人脸图像样本的第二约束函数。

具体地，未知人脸图像样本的特征模值可以用提取特征的L2范数表示，则任一未知人脸图像样本的第二约束函数可以表示为：

式中，为未知人脸图像样本的第二约束函数，为第二特征模值约束阈值。

第二约束函数的目的是对未知人脸图像样本的特征模值进行缩小，从而实现约束。在任一未知人脸图像样本的特征模值小于等于第二特征模值约束阈值（）的情况下，将任一未知人脸图像样本的第二约束函数设置为零；在任一未知人脸图像样本的特征模值大于第二特征模值约束阈值的情况下，基于第二特征模值约束阈值与任一未知人脸图像样本的特征模值的比值，确定任一未知人脸图像样本的第二约束函数为。

利用第二约束函数作为约束项，可以使得未知人脸图像样本的特征模值趋向于较小值（也就是趋向于零）。也就是说，当模型训练完成之后，如果输入样本是未知类的样本，那么输入样本的输出特征模值小于。

第二特征模值约束阈值应该满足。在本实施例中，设置。

本申请实施例提供的人脸识别方法，根据第二约束函数对未知人脸图像样本的特征模值进行缩小，使得模型减少关注未知类样本中的特征，提高了人脸识别结果的准确性。

在一些实施例中，第一特征模值约束阈值大于第二特征模值约束阈值，使得已知人脸图像样本的特征模值大于未知人脸图像样本的特征模值，具有更强的区分能力，对识别结果的影响更大，有利于提高识别准确率。

在一些实施例中，单个样本（已知人脸图像样本或者未知人脸图像样本）的损失函数可以表示为：

其中，，。

式中，为任一样本，为第一约束函数的权重系数，为第二约束函数的权重系数，，。

在此基础上，一个批次的总体损失函数可以表示为：

式中，为一个批次样本的数量，为样本的序号。

在一些实施例中，基于训练数据集对初始模型进行训练，包括：

在当前训练周期中，从第一样本集中选择第一数量的已知人脸图像样本，以及从第二样本集中选择第二数量的未知人脸图像样本；第一数量等于第二数量；

将第一数量的已知人脸图像样本和第二数量的未知人脸图像样本确定为当前训练周期中当前批次对应的训练样本；

基于当前批次对应的训练样本对初始模型进行训练；

基于第一样本集和第二样本集中未被选择的人脸图像样本，确定下一批次对应的训练样本；

在第一样本集中已知人脸图像样本均已被选择的情况下，结束当前训练周期。

具体地，对初始模型进行训练可以包括多个训练周期，在每个训练周期中采用多个批次的人脸图像样本进行训练。

训练数据集合包括第一样本集和第二样本集。在每个训练批次（batch），本申请分别从第一样本集和第二样本集提取一部分样本，组成一个批次（batch）样本。在每个批次样本中，从上述两个集合中提取相同数量的样本是最优的设置，假设一个批次的样本总数为N，那么从训练集合和训练集合分别提取N/2个样本。

例如，依据训练服务器的配置（内存或者显存限制），每个批次样本的样本数可以设置为128、256、512或者1024等，本申请建议一个批次样本的样本数至少为1024。训练算法每次读取一个批次的训练样本，从第一样本集和第二样本集中各取512个样本，并利用这些样本计算损失函数值和损失函数的约束项值，然后利用神经网络反向传播算法更新模型参数等。

总训练周期（epoch）设置为20个训练周期。一个训练周期是第一样本集的全部训练样本被不重复的使用一次。如果在第一样本集的一个训练周期内，的训练样本已经被全部使用，那么第二样本集被重新打乱顺序后，再从第二样本集中提取样本；如果在第一样本集的一个训练周期内，的训练样本没有被全部使用，那么在下一个训练周期开始的时候，第二样本集也被重新打乱顺序，再从第二样本集中提取样本。

当一个训练周期（epoch）结束之后，进入下一个训练周期（epoch）。当训练总周期数达到预设数值的时候，训练结束。值得注意的是：在特殊情况下，在一个训练周期内，数据集合的样本总数不能被划分为整数批次，个别样本不被使用（直接舍弃）或者被多次使用（为了补齐数据，例如将若干个已经使用过的样本添加到数据集尾部），这些个例对训练结果的影响可以忽略不记。

下面具体描述人脸识别模型的训练过程。

训练输入：从第一样本集和第二样本集中读取数据；初始训练周期，训练总周期；随机梯度下降算法相关参数：初始学习率是，动量系数，权重衰减系数为，在第10个训练周期学习率下降到，在第15个训练周期学习率下降到，在第18个训练周期学习率下降到。一个批次的样本数是1024，从和分别取512个样本。

训练输出：人脸识别模型。

损失函数：设置分类损失函数（包括第一分类损失函数和第二分类损失函数）和特征模值约束函数（包括第一约束函数和第二约束函数）。

训练步骤一：(开始训练)利用随机初始化方法初始化初始模型的可学习参数。

训练步骤二：当的时候（为当前周期），执行下列操作：

（a）；（b）将数据集合和数据集中的样本顺序分别随机打乱；（c）挑选一个批次的训练样本，从数据集合和数据集合分别取512个样本；（d）根据上述训练样本和参数设置，计算损失值，然后利用随机梯度下降算法更新模型参数；（e）重复操作（c）和操作（d），直到数据集合的样本被全部利用；（f）结束当前训练周期。

训练步骤三：结束训练，输出人脸识别模型。

本申请实施例提供的人脸识别方法，通过多个训练周期选择多个批次的样本对初始模型进行训练，得到人脸识别模型，提高了模型的泛化能力和识别结果的准确性。

在一些实施例中，从第一样本集中选择第一数量的已知人脸图像样本，以及从第二样本集中选择第二数量的未知人脸图像样本之前，方法还包括：

对第一样本集和第二样本集中的样本顺序进行随机排列。

具体地，为了避免样本在数据集合中的顺序影响模型的性能，也为了提升模型的泛化性能，在每个训练周期开始的时候，第一样本集和第二样本集中的全部样本被分别重新随机排列（也就是打乱顺序）。

在一些实施例中，确定训练数据集，包括：

获取已知人脸图像样本和未知人脸图像样本；

对已知人脸图像样本和未知人脸图像样本中的人脸图像进行对齐。

具体地，人脸识别模型的训练样本需要符合一定的规格设置。一般来说，人脸识别模型的输入图像是固定尺寸的三个通道（R、G、B三个通道）的彩色图像。本申请的训练数据集中的人脸图像也是固定尺寸的三个通道（R、G、B三个通道）的彩色图像，例如图像宽度是112像素、图像高度是112像素，通道数是3。当输入图像的尺寸不是上述尺寸的时候，本申请可以进行简单的扩展来适应输入图像尺寸的变化。当输入图像是单通道的灰度图像或者其他格式的图像（例如YUV格式），本申请也可以进行简单的扩展来适应输入图像（通道）的变化。

基于深度学习的人脸识别技术取得高精度的前提条件之一是利用大尺度的人脸识别训练集训练人脸识别模型。为了训练出高精度的人脸识别模型，人脸识别训练集需要具备足够的深度和广度，其中：深度是指每个人（ID）的人脸图像数（人脸图像越多越好，而且这些图像应当来自于多种场景，并且包含光照变化、遮挡变化、附属物变化、人脸姿态变化、年龄变化等因素）；广度是指训练集包含的人数（人数越多越好，应当包含不同人种、不同性别、不同肤色等）。第一样本集包含的身份数是固定数量，也就是人脸识别系统需要识别的身份数；第二样本集包含未知类，未知类的类别数和样本数都是越多越好。为了获得高性能的人脸识别模型，本申请推荐未知类的类别数不少于10000类，每类不少于10个样本。一般情况下，当人脸训练数据集包含更多的训练数据的时候，利用本申请提出的方法训练得到的人脸识别模型的精度更高。这里，训练样本是经过人脸对齐算法预处理的归一化人脸图像。

本申请实施例提供的人脸识别方法，对已知人脸图像样本和未知人脸图像样本中的人脸图像进行对齐，可以提高人脸识别的准确性。

在一些实施例中，人脸识别模型包括依次连接的特征提取网络、第二全连接层和损失函数层；

特征提取网络包括多个依次连接的卷积层和第一全连接层。

具体地，图5是本申请提供的人脸识别模型的结构示意图，如图5所示，人脸识别模型可以包括特征提取网络、第二全连接层（Fully-connected layer）和损失函数层。特征提取网络又可以包括多个卷积层和第一全连接层。

可以将ResNet50的前5组卷积层（conv1，conv2_x，conv3_x，conv4_x，conv5_x）和第一全连接层（Fully-connected layer）依次连接，作为特征提取网络。该特征提取网络用于提取人脸图像的特征。

第一全连接层的输入是卷积层（conv5_x）的输出特征。第一全连接层的输出是512维特征。这里512维是一个示例，也可以选择其他维数，例如128，256和1024等等。输入样本经过主干网络（特征提取网络）输出的512维特征被称作输入样本的特征。

第二全连接层输入是第一全连接层的输出特征。第二全连接层输出特征的维数和第一样本集中的类别标签数相同，一个维度对应一个类别标签。

损失函数层的输入是第二全连接层的输出。损失函数层的输出是输入图像的分类概率。损失函数层还用于计算损失函数。损失函数包括：根据样本集合的类别总数和输入样本构建的损失函数，损失函数是多类分类损失函数；根据输入样本构建的约束函数。损失函数是多类分类损失函数和约束函数的线性组合。

本申请实施例提供的人脸识别方法，人脸识别模型中的特征提取网络包括多个卷积层和全连接层，可以提取更丰富的特征，提高了模型识别结果的准确性。

下面对本申请实施例提供的装置进行描述，下文描述的装置与上文描述的方法可相互对应参照。

图6是本申请提供的人脸识别装置的结构示意图，如图6所示，该人脸识别装置230包括：

获取单元231，用于获取待识别人脸图像；

识别单元232，用于将待识别人脸图像输入人脸识别模型，得到人脸识别模型输出的待识别人脸图像的识别结果；

其中，人脸识别模型是模型训练装置基于已知人脸图像样本和未知人脸图像样本对初始模型进行训练得到的；模型训练装置中的计算单元人脸识别模型用于在初始模型的训练过程中降低未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出概率，对已知人脸图像样本的特征模值进行放大，对未知人脸图像样本的特征模值进行缩小。

本申请实施例提供的人脸识别装置，获取待识别人脸图像，将待识别人脸图像输入人脸识别模型，得到人脸识别模型输出的待识别人脸图像的识别结果；由于人脸识别模型是基于已知人脸图像样本和未知人脸图像样本训练得到的，已知类的样本和未知类的样本共同为模型提供了更全面的信息，有助于模型充分学习不同类别人脸特征的分布规律；由于人脸识别模型可以降低未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出概率，使得未知类样本不容易被误识别为已知类；由于人脸识别模型可以对已知人脸图像样本的特征模值进行放大，对未知人脸图像样本的特征模值进行缩小，使得模型更容易识别到已知类样本中特征；通过上述方式，降低了人脸识别的误判概率，提高了模型的泛化能力和识别结果的准确性。

在一些实施例中，该装置还包括：

计算单元，用于确定训练数据集；训练数据集包括第一样本集和第二样本集；第一样本集是基于已知人脸图像样本确定的；第二样本集是基于未知人脸图像样本确定的；

基于训练数据集对初始模型进行训练，得到人脸识别模型；

其中，计算单元中的第一计算子单元用于确定各个已知人脸图像样本的第一分类损失函数，以及确定各个未知人脸图像样本的第二分类损失函数；计算单元中的第二计算子单元用于确定各个已知人脸图像样本的第一约束函数，以及确定各个未知人脸图像样本的第二约束函数；计算单元中的第三计算子单元用于基于各个已知人脸图像样本的第一分类损失函数和第一约束函数，以及各个未知人脸图像样本的第二分类损失函数和第二约束函数，确定损失函数，并基于损失函数对初始模型的模型参数进行更新。

在一些实施例中，第一分类损失函数用于确定已知人脸图像样本的分类损失；第一约束函数用于对已知人脸图像样本的特征模值进行放大；第二分类损失函数用于确定未知人脸图像样本在已知人脸图像样本对应的类别标签下的分类损失；第二约束函数用于对未知人脸图像样本的特征模值进行缩小。

在一些实施例中，计算单元用于：

确定各个已知人脸图像样本的提取特征，以及各个已知人脸图像样本在对应的类别标签下的输出权重；

基于任一已知人脸图像样本的提取特征和输出权重的点积，以及各个已知人脸图像样本的提取特征和输出权重的点积，确定任一已知人脸图像样本的归一化指数函数；

基于各个已知人脸图像样本的归一化指数函数的对数，确定各个已知人脸图像样本的第一分类损失函数。

在一些实施例中，计算单元用于：

确定各个已知人脸图像样本的特征模值；

在任一已知人脸图像样本的特征模值大于等于第一特征模值约束阈值的情况下，将任一已知人脸图像样本的第一约束函数设置为零；

在任一已知人脸图像样本的特征模值小于第一特征模值约束阈值的情况下，基于第一特征模值约束阈值与任一已知人脸图像样本的特征模值的比值，确定任一已知人脸图像样本的第一约束函数。

在一些实施例中，计算单元用于：

确定各个未知人脸图像样本的提取特征，以及各个未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出权重；

确定各个未知人脸图像样本的提取特征和输出权重的点积；

对点积进行降序排序，按照从大到小的顺序选择预设数量的点积，并确定预设数量的点积对应的目标类别标签；

基于任一未知人脸图像样本的提取特征和在目标类别标签下的输出权重的点积，以及各个未知人脸图像样本的提取特征和在目标类别标签下的输出权重的点积，确定任一未知人脸图像样本的归一化指数函数；

基于各个未知人脸图像样本的归一化指数函数的对数，以及目标类别标签的数量，确定各个未知人脸图像样本的第二分类损失函数。

在一些实施例中，计算单元用于：

确定各个未知人脸图像样本的特征模值；

在任一未知人脸图像样本的特征模值小于等于第二特征模值约束阈值的情况下，将任一未知人脸图像样本的第二约束函数设置为零；

在任一未知人脸图像样本的特征模值大于第二特征模值约束阈值的情况下，基于第二特征模值约束阈值与任一未知人脸图像样本的特征模值的比值，确定任一未知人脸图像样本的第二约束函数。

在一些实施例中，计算单元用于：

在当前训练周期中，从第一样本集中选择第一数量的已知人脸图像样本，以及从第二样本集中选择第二数量的未知人脸图像样本；第一数量等于第二数量；

将第一数量的已知人脸图像样本和第二数量的未知人脸图像样本确定为当前训练周期中当前批次对应的训练样本；

基于当前批次对应的训练样本对初始模型进行训练；

基于第一样本集和第二样本集中未被选择的人脸图像样本，确定下一批次对应的训练样本；

在第一样本集中已知人脸图像样本均已被选择的情况下，结束当前训练周期。

在一些实施例中，计算单元用于：

对第一样本集和第二样本集中的样本顺序进行随机排列。

在一些实施例中，计算单元用于：

获取已知人脸图像样本和未知人脸图像样本；

对已知人脸图像样本和未知人脸图像样本中的人脸图像进行对齐。

在一些实施例中，人脸识别模型包括依次连接的特征提取网络、第二全连接层和损失函数层；特征提取网络包括多个依次连接的卷积层和第一全连接层。

图7是本申请提供的人脸识别门禁系统的结构示意图之一，如图7所示，人脸识别门禁系统400包括：

采集模块410，用于对待识别用户进行图像采集，获取待识别人脸图像；

识别模块420，用于将待识别人脸图像输入人脸识别模型，得到人脸识别模型输出的待识别人脸图像的识别结果；

门禁模块430，用于基于待识别人脸图像的识别结果，确定待识别用户的门禁通过权限；

其中，人脸识别模型是基于上述实施例中的人脸识别方法确定的。

具体地，本申请实施例中人脸识别门禁系统的功能为：如果注册用户登录人脸识别系统，那么人脸识别系统返回该用户的身份信息，并允许用户通过门禁系统；如果未注册用户登录人脸识别系统，那么人脸识别系统返回提示词，并拒绝未注册用户通过门禁系统。

采集模块可以为图像采集设备，采集用户的人脸图像，然后，利用人脸检测技术、人脸特征点定位技术和图像仿射变换技术等图像处理操作得到符合人脸识别模型的输入规格的待识别人脸图像（输入图像）。待识别人脸图像可以是用户的一张人脸图像，也可以是用户的多张人脸图像。

识别模块将输入的一张或者多张待识别人脸图像,其中，N代表人脸图像数，输入到人脸识别模型，获得输入待识别人脸图像的一个或者多个最大概率值、对应的类别标签,和特征模值。识别模块根据这些输出确定待识别人脸图像的识别结果，例如可以确定待识别用户是否为已注册用户。

门禁模块可以根据待识别人脸图像的识别结果，确定待识别用户的门禁通过权限。例如识别结果为用户为已注册用户，门禁模块输出人脸样本的类别，并允许用户通过门禁系统；或者显示登录的人脸样本属于未注册用户（返回提示词），并拒绝未注册用户通过门禁系统。

本申请实施例提供的人脸识别门禁系统，由于识别模块采用了上述实施例中的人脸识别模型对待识别用户的人脸图像进行识别，降低了人脸识别的误判概率，提高了模型的泛化能力和识别结果的准确性，提高了人脸识别门禁系统的鲁棒性。

在一些实施例中，识别模块用于：

将待识别人脸图像输入人脸识别模型，得到人脸识别模型输出的待识别人脸图像的最大输出概率、最大输出概率对应的类别标签和待识别人脸图像的特征模值；

在最大输出概率大于预设概率阈值且特征模值大于预设模值阈值的情况下，确定待识别用户为已注册用户；

基于最大输出概率对应的类别标签，确定已注册用户的身份信息。

具体地，在识别模块应用人脸识别模型进行推理的过程中，本申请可以设置两个阈值来判断输入样本是否属于已知类。

输入样本经过人脸识别模型的输出概率值可以表示为：

从中选择最大输出概率。本申请使用一个预设概率阈值,，来判断是否属于已知类。如果,属于已知类,否则属于未知类。

输入样本经过人脸识别模型的特征提取网络输出特征，对应的模值为，本申请使用一个预设模值阈值，，来判断是否属于已知类。如果,属于已知类,否则属于未知类。

当输入样本的输出同时满足上述两个条件的时候，输入样本属于已知类,否则输入样本属于未知类。

识别模块根据预设概率阈值和预设模值阈值来识别输入人脸样本的身份。

当输入只有一张图像的时候，。如果,并且,那么人脸识别门禁系统判定输入人脸图像是已注册用户，对应的类别是（已注册用户的身份信息）；如果不满足上述条件，那么人脸识别门禁系统判定输入人脸图像是未注册用户，人脸识别系统返回提示词，并拒绝未注册用户通过门禁系统。

当输入多张图像的时候，如果,并且,那么人脸识别门禁系统判定输入人脸图像是注册用户，对应的类别是；如果不满足上述条件，那么人脸识别门禁系统判定输入人脸图像是未注册用户。

本申请实施例提供的人脸识别门禁系统，在模型推理过程中，通过预设概率阈值和预设模值阈值将未知类样本和已知类样本区别出来，提高了识别结果的准确性，提高了人脸识别门禁系统的鲁棒性。

在一些实施例中，识别模块用于：

在待识别用户对应的待识别人脸图像为多个的情况下，确定各个待识别人脸图像对应的类别标签；

在属于任一类别标签的图像数量比例大于预设比例阈值的情况下，确定待识别用户为已注册用户，基于任一类别标签确定已注册用户的身份信息。

具体地，预设比例阈值可以根据需要进行设置，例如预设比例阈值可以为80%。

当N个输入人脸图像对应的N个类别之中的80%都是已知类中的同一个类别的时候，那么这个类别是输入人脸样本的类别，人脸识别门禁系统判定这组图像属于注册用户。在其他情况下，人脸识别门禁系统判定这组图像属于未注册用户，人脸识别系统返回提示词，并拒绝未注册用户通过门禁系统。

本申请实施例提供的人脸识别门禁系统，可以通过属于任一类别标签的图像数量比例是否大于预设比例阈值来对用户进行识别，提高了识别结果的准确性。

在一些实施例中，门禁模块用于：

基于已注册用户的身份信息，确定已注册用户的门禁通过权限。

具体地，门禁通过权限可以包括允许或者拒绝。如果用户为已注册用户，门禁模块输出人脸样本的类别，并允许用户通过门禁系统。如果用户为未注册用户，门禁模块返回提示词，并拒绝未注册用户通过门禁系统。

在一些实施例中，系统还包括：

模型构建模块，用于获取网络模型描述文件；基于网络模型描述文件构建人脸识别模型；

其中，网络模型描述文件用于存储人脸识别模型的权重参数和结构参数。

具体地，图8是本申请提供的人脸识别门禁系统的结构示意图之二，如图8所示，人脸识别门禁系统400还包括模型构建模块440。

网络模型描述文件用于存储人脸识别模型的权重参数和结构参数。模型构建模块可以读取输入的网络模型描述文件，并依据网络模型描述文件构建输入的神经网络模型，并对构建的输入的神经网络模型的权重参数进行初始化。网络模型的初始权重参数是通过模型训练方法得到的参数或者随机初始化的参数。模型构建模块与识别模块连接，便于识别模块调用人脸识别模型。

本申请实施例提供的人脸识别门禁系统，通过模型构建模块根据网络模型描述文件构建人脸识别模型，可以实现快速加载人脸识别模型。

在一些实施例中，系统还包括：

样本构建模块，用于获取人脸识别门禁系统中已注册用户的人脸图像，以及未注册用户的人脸图像；

将已注册用户的人脸图像确定为已知人脸图像样本，并基于已注册用户确定已知人脸图像样本对应的类别标签；

将未注册用户的人脸图像确定为未知人脸图像样本。

具体地，图9是本申请提供的人脸识别门禁系统的结构示意图之三，如图9所示，人脸识别门禁系统400还包括样本构建模块450。

样本构建模块可以将人脸识别门禁系统中已注册用户的人脸图像确定为已知人脸图像样本，确定类别标签后，构建第一样本集；还可以将通过计算机模拟生成的人脸图像或者真实未注册用户的人脸图像确定为未知人脸图像样本，构建第二样本集。样本构建模块与识别模块连接，可以用样本对人脸识别模型进行训练或者增量学习。

本申请实施例提供的人脸识别门禁系统，通过构建已知人脸图像样本和未知人脸图像样本，用于对人脸识别模型进行训练，提高了识别结果的准确性。

图10是本申请提供的人脸识别方法的应用场景示意图，如图10所示，上述实施例中的采集模块可以通过摄像头实现；识别模块、模型构建模块和样本构建模块可以通过服务器实现；门禁模块可以通过相关技术中的门禁实现。此外，还包括对图像数据、门禁权限和模型参数进行存储的数据库。

在该场景中，摄像头、服务器和门禁相互连接。摄像头用于对各个用户进行图像采集，获取用户的人脸图像，并将人脸图像传输至服务器。服务器可以根据样本训练得到人脸识别模型，并根据人脸识别模型对摄像头采集的人脸图像进行识别，判断各个用户的身份。如果用户为已注册用户，则服务器控制门禁打开；如果用户为未注册用户，则服务器控制门禁关闭。

图11是本申请提供的电子设备的结构示意图，如图11所示，该电子设备可以包括：处理器（Processor）1110、通信接口（Communications Interface）1120、存储器（Memory）1130和通信总线（Communications Bus）1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑命令，以执行上述实施例中所述的方法，例如：

获取待识别人脸图像；将待识别人脸图像输入人脸识别模型，得到人脸识别模型输出的待识别人脸图像的识别结果；其中，人脸识别模型是基于已知人脸图像样本和未知人脸图像样本训练得到的；人脸识别模型用于降低未知人脸图像样本在已知人脸图像样本对应的类别标签下的输出概率，对已知人脸图像样本的特征模值进行放大，对未知人脸图像样本的特征模值进行缩小。

此外，上述的存储器中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干命令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例提供的电子设备中的处理器可以调用存储器中的逻辑指令，实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。

本申请实施例还提供一种计算机可读的存储介质 ，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法。

其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。

本申请实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述方法。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (20)

1.一种人脸识别方法，其特征在于，包括：

获取待识别人脸图像；

将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的所述待识别人脸图像的识别结果；

其中，所述人脸识别模型是模型训练装置基于已知人脸图像样本和未知人脸图像样本对初始模型进行训练得到的；所述模型训练装置中的计算单元用于在所述初始模型的训练过程中降低所述未知人脸图像样本在所述已知人脸图像样本对应的类别标签下的输出概率，对所述已知人脸图像样本的特征模值进行放大，对所述未知人脸图像样本的特征模值进行缩小。

2.根据权利要求1所述的人脸识别方法，其特征在于，所述人脸识别模型是基于如下步骤训练得到的：

确定训练数据集；所述训练数据集包括第一样本集和第二样本集；所述第一样本集是基于所述已知人脸图像样本确定的；所述第二样本集是基于所述未知人脸图像样本确定的；

基于所述训练数据集对初始模型进行训练，得到所述人脸识别模型；

其中，所述计算单元中的第一计算子单元用于确定各个已知人脸图像样本的第一分类损失函数，以及确定各个未知人脸图像样本的第二分类损失函数；所述计算单元中的第二计算子单元用于确定各个已知人脸图像样本的第一约束函数，以及确定各个未知人脸图像样本的第二约束函数；所述计算单元中的第三计算子单元用于基于各个已知人脸图像样本的第一分类损失函数和第一约束函数，以及各个未知人脸图像样本的第二分类损失函数和第二约束函数，确定损失函数，并基于所述损失函数对所述初始模型的模型参数进行更新。

3.根据权利要求2所述的人脸识别方法，其特征在于，所述第一分类损失函数用于确定所述已知人脸图像样本的分类损失；所述第一约束函数用于对所述已知人脸图像样本的特征模值进行放大；所述第二分类损失函数用于确定所述未知人脸图像样本在所述已知人脸图像样本对应的类别标签下的分类损失；所述第二约束函数用于对所述未知人脸图像样本的特征模值进行缩小。

4.根据权利要求2所述的人脸识别方法，其特征在于，所述确定各个已知人脸图像样本的第一分类损失函数，包括：

确定各个已知人脸图像样本的提取特征，以及各个已知人脸图像样本在对应的类别标签下的输出权重；

基于任一已知人脸图像样本的提取特征和输出权重的点积，以及各个已知人脸图像样本的提取特征和输出权重的点积，确定所述任一已知人脸图像样本的归一化指数函数；

基于各个已知人脸图像样本的归一化指数函数的对数，确定各个已知人脸图像样本的第一分类损失函数。

5.根据权利要求2所述的人脸识别方法，其特征在于，所述确定各个已知人脸图像样本的第一约束函数，包括：

确定各个已知人脸图像样本的特征模值；

在任一已知人脸图像样本的特征模值大于等于第一特征模值约束阈值的情况下，将所述任一已知人脸图像样本的第一约束函数设置为零；

在任一已知人脸图像样本的特征模值小于第一特征模值约束阈值的情况下，基于所述第一特征模值约束阈值与所述任一已知人脸图像样本的特征模值的比值，确定所述任一已知人脸图像样本的第一约束函数。

6.根据权利要求2所述的人脸识别方法，其特征在于，所述确定各个未知人脸图像样本的第二分类损失函数，包括：

确定各个未知人脸图像样本的提取特征，以及各个未知人脸图像样本在所述已知人脸图像样本对应的类别标签下的输出权重；

确定各个未知人脸图像样本的提取特征和输出权重的点积；

对所述点积进行降序排序，按照从大到小的顺序选择预设数量的点积，并确定所述预设数量的点积对应的目标类别标签；

基于任一未知人脸图像样本的提取特征和在目标类别标签下的输出权重的点积，以及各个未知人脸图像样本的提取特征和在目标类别标签下的输出权重的点积，确定所述任一未知人脸图像样本的归一化指数函数；

基于各个未知人脸图像样本的归一化指数函数的对数，以及所述目标类别标签的数量，确定各个未知人脸图像样本的第二分类损失函数。

7.根据权利要求2所述的人脸识别方法，其特征在于，所述确定各个未知人脸图像样本的第二约束函数，包括：

确定各个未知人脸图像样本的特征模值；

在任一未知人脸图像样本的特征模值小于等于第二特征模值约束阈值的情况下，将所述任一未知人脸图像样本的第二约束函数设置为零；

在任一未知人脸图像样本的特征模值大于第二特征模值约束阈值的情况下，基于所述第二特征模值约束阈值与所述任一未知人脸图像样本的特征模值的比值，确定所述任一未知人脸图像样本的第二约束函数。

8.根据权利要求2所述的人脸识别方法，其特征在于，所述基于所述训练数据集对初始模型进行训练，包括：

在当前训练周期中，从所述第一样本集中选择第一数量的已知人脸图像样本，以及从所述第二样本集中选择第二数量的未知人脸图像样本；所述第一数量等于所述第二数量；

将所述第一数量的已知人脸图像样本和所述第二数量的未知人脸图像样本确定为当前训练周期中当前批次对应的训练样本；

基于所述当前批次对应的训练样本对初始模型进行训练；

基于所述第一样本集和所述第二样本集中未被选择的人脸图像样本，确定下一批次对应的训练样本；

在所述第一样本集中已知人脸图像样本均已被选择的情况下，结束所述当前训练周期。

9.根据权利要求8所述的人脸识别方法，其特征在于，所述从所述第一样本集中选择第一数量的已知人脸图像样本，以及从所述第二样本集中选择第二数量的未知人脸图像样本之前，所述方法还包括：

对所述第一样本集和所述第二样本集中的样本顺序进行随机排列。

10.根据权利要求2所述的人脸识别方法，其特征在于，所述确定训练数据集，包括：

获取已知人脸图像样本和未知人脸图像样本；

对所述已知人脸图像样本和所述未知人脸图像样本中的人脸图像进行对齐。

11.根据权利要求1至10任一项所述的人脸识别方法，其特征在于，所述人脸识别模型包括依次连接的特征提取网络、第二全连接层和损失函数层；

所述特征提取网络包括多个依次连接的卷积层和第一全连接层。

12.一种人脸识别装置，其特征在于，包括：

获取单元，用于获取待识别人脸图像；

识别单元，用于将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的所述待识别人脸图像的识别结果；

其中，所述人脸识别模型是模型训练装置基于已知人脸图像样本和未知人脸图像样本对初始模型进行训练得到的；所述模型训练装置中的计算单元用于在所述初始模型的训练过程中降低所述未知人脸图像样本在所述已知人脸图像样本对应的类别标签下的输出概率，对所述已知人脸图像样本的特征模值进行放大，对所述未知人脸图像样本的特征模值进行缩小。

13.一种人脸识别门禁系统，其特征在于，包括：

采集模块，用于对待识别用户进行图像采集，获取待识别人脸图像；

识别模块，用于将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的所述待识别人脸图像的识别结果；

门禁模块，用于基于所述待识别人脸图像的识别结果，确定所述待识别用户的门禁通过权限；

其中，所述人脸识别模型是基于权利要求1至11任一项所述的人脸识别方法确定的。

14.根据权利要求13所述的人脸识别门禁系统，其特征在于，所述识别模块用于：

将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的所述待识别人脸图像的最大输出概率、所述最大输出概率对应的类别标签和所述待识别人脸图像的特征模值；

在所述最大输出概率大于预设概率阈值且所述特征模值大于预设模值阈值的情况下，确定所述待识别用户为已注册用户；

基于所述最大输出概率对应的类别标签，确定所述已注册用户的身份信息。

15.根据权利要求14所述的人脸识别门禁系统，其特征在于，所述识别模块用于：

在所述待识别用户对应的待识别人脸图像为多个的情况下，确定各个待识别人脸图像对应的类别标签；

在属于任一类别标签的图像数量比例大于预设比例阈值的情况下，确定所述待识别用户为已注册用户，基于所述任一类别标签确定所述已注册用户的身份信息。

16.根据权利要求14所述的人脸识别门禁系统，其特征在于，所述门禁模块用于：

基于所述已注册用户的身份信息，确定所述已注册用户的门禁通过权限。

17.根据权利要求13所述的人脸识别门禁系统，其特征在于，所述系统还包括：

模型构建模块，用于获取网络模型描述文件；基于所述网络模型描述文件构建所述人脸识别模型；

其中，所述网络模型描述文件用于存储所述人脸识别模型的权重参数和结构参数。

18.根据权利要求13所述的人脸识别门禁系统，其特征在于，所述系统还包括：

样本构建模块，用于获取所述人脸识别门禁系统中已注册用户的人脸图像，以及未注册用户的人脸图像；

将所述已注册用户的人脸图像确定为已知人脸图像样本，并基于所述已注册用户确定所述已知人脸图像样本对应的类别标签；

将所述未注册用户的人脸图像确定为未知人脸图像样本。

19.一种电子设备，包括存储器、处理器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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至11任一项所述的人脸识别方法。

20.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的人脸识别方法。