(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111653853.1 (22)申请日 2021.12.3 0 (71)申请人 苏州超云生命智能产业研究院有限 公司 地址 215028 江苏省苏州市苏州工业园区 星湖街218号A1楼北座E269单 元 (72)发明人 李鑫　付文　时逢宽　梁波　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 代理人 唐敏 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 面部识别方法、 装置、 计算机设备、 存 储介质 (57)摘要 本公开涉及深度学习机器视觉技术领域， 具 体涉及一种面部识别方法、 装置、 计算机设备、 存 储介质。 所述方法包括识别出待处理图像中的人 脸图像， 按照预先划分的若干特征区域提取出相 应的特征区域图像； 将特征区域图像 分别输入特 征区域对应的分类模型， 获取各个 分类模型的分 类预测结果， 分类模型包括预先使用相应特征区 域的样本数据进行训练得到的机器学习网络， 并 在训练过程中在计算损失时增加困难样本的权 重； 根据预先确定的各个分类模 型的加权值对各 个分类模型的分类预测结果进行加权计算， 得到 待处理图像的面部识别预测值。 通过针对不同的 特征区域采用不同的神经网络进行分类识别， 可 以让网络尽可能学习到更多的特征区域， 提高识 别的准确性。 权利要求书2页 说明书12页 附图7页 CN 114333021 A 2022.04.12 CN 114333021 A 1.一种面部识别方法， 其特 征在于， 包括： 识别出待处理图像中的人脸图像， 按照预先划分的若干特征区域提取出相应的特征区 域图像； 将所述特征区域图像分别输入所述特征区域对应的分类模型， 获取各个分类模型的分 类预测结果， 所述分类模型包括预先使用相应特征区域的样本数据进 行训练得到的机器学 习网络， 其中， 在所述机器学习网络的训练过程中， 采用焦点损失函数计算损失， 利用所述 焦点损失函数中的调制系数来增 加困难样本的权 重； 根据预先确定的所述各个分类模型的加权值对所述各个分类模型的分类预测结果进 行加权计算， 得到所述待处 理图像的面部识别预测值。 2.根据权利要求1所述的面部识别方法， 其特征在于， 构建所述特征区域对应的分类模 型包括： 根据所述特征区域的特征分布情况选择机器学习网络， 并设置所述机器学习网络的模 型超参数； 利用投影梯度下降算法生成所述特 征区域的样本数据的对抗样本数据； 将所述特征区域的样本数据和所述对抗样本数据输入所述机器学习网络中进行训练 迭代， 获取 所述特征区域对应的分类模型。 3.根据权利要求2所述的面部识别方法， 其特征在于， 所述将所述特征区域的样本数据 和所述对抗样本数据输入所述机器学习网络中进行训练迭代包括： 对所述样本数据和所述对抗样本数据进行特征抽取， 获取所述样本数据的第 一特征向 量和所述对抗样本数据的第二特 征向量； 采用第一批次归一化层对所述样本数据进行归一化处理， 采用第 二批次归一化层对所 述对抗样本数据进行归一 化处理； 根据所述样本数据和所述第 一特征向量采用所述焦点损失函数计算第 一损失， 根据 所 述对抗样本数据和所述第二特 征向量采用所述焦点损失函数计算第二损失； 对所述第一损失和所述第二损失进行 联合损失计算获取第三损失； 根据所述第三损失进行梯度计算， 并对所述机器学习网络的梯度进行 更新。 4.根据权利要求1所述的面部识别方法， 其特征在于， 所述识别出待处理图像中的人脸 图像， 按照预 先划分的若干特 征区域提取出相应的特 征区域图像包括： 采用人脸检测算法识别出 所述待处 理图像中的人脸图像； 采用人脸姿态矫 正算法对所述人脸图像进行矫 正； 采用人脸分割算法对所述人脸图像按照预先划分的若干特征区域提取出相应的特征 区域图像。 5.根据权利要求1所述的面部识别方法， 其特征在于， 所述预先划分的若干特征区域包 括上部脸区域、 下部脸区域和全部脸区域。 6.一种面部识别装置， 其特 征在于， 包括： 数据处理模块， 用于识别出待处理图像中的人脸图像， 按照预先划分的若干特征区域 提取出相应的特 征区域图像； 模型预测模块， 用于将所述特征区域图像分别输入所述特征区域对应的分类模型， 获 取各个分类模型的分类预测结果， 所述分类模型包括预先使用相应特征区域的样本数据进权　利　要　求　书 1/2 页 2 CN 114333021 A 2行训练得到的机器学习网络， 其中， 在所述机器学习网络的训练过程中， 采用焦点损失函数 计算损失， 利用所述焦点损失函数中的调制系数来增 加困难样本的权 重； 预测结果融合模块， 用于根据 预先确定的所述各个分类模型的加权值对所述各个分类 模型的分类预测结果进行加权计算， 得到所述待处 理图像的面部识别预测值。 7.根据权利要求6所述的面部识别装置， 其特 征在于， 所述 面部识别装置还 包括： 模型选择模块， 用于根据所述特征区域的特征分布情况选择机器学习 网络， 并设置所 述机器学习网络的模型超参数； 样本生成模块， 用于利用投影梯度 下降算法生成所述特征区域的样本数据的对抗样本 数据； 模型训练模块， 用于将所述特征区域的样本数据和所述对抗样本数据输入所述机器学 习网络中进行训练迭代， 获取 所述特征区域对应的分类模型。 8.根据权利要求7 所述的面部识别装置， 其特 征在于， 所述模型训练模块包括： 特征抽取单元， 用于对所述样本数据和所述对抗样本数据进行特征抽取， 获取所述样 本数据的第一特 征向量和所述对抗样本数据的第二特 征向量； 归一化处理单元， 用于采用第一批次归一化层对所述样本数据进行归一化处理， 采用 第二批次归一 化层对所述对抗样本数据进行归一 化处理； 损失计算单元， 用于根据所述样本数据和所述第 一特征向量采用所述焦点损失函数计 算第一损失， 根据所述对抗样本数据和所述第二特征向量采用所述焦点损失函数计算第二 损失， 还用于对所述第一损失和所述第二损失进行 联合损失计算获取第三损失； 梯度计算单元， 用于根据所述第三损 失进行梯度计算， 并对所述机器学习 网络的梯度 进行更新。 9.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处理器执行所述计算机程序时实现权利要求 1至5中任意一项 所述的面部识别方法 的步骤。 10.一种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权利要求1至 5中任意一项所述的面部识别方法的步骤。 11.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现权利要求1至 5中任意一项所述的面部识别方法的步骤。权　利　要　求　书 2/2 页 3 CN 114333021 A 3