(19)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 202210866085.6 (22)申请日 2022.07.22 (71)申请人 平安科技 （深圳） 有限公司 地址 518033 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 盛建达　童欣　朱自翀　戴磊　 (74)专利代理 机构 北京鸿元知识产权代理有限 公司 11327 专利代理师 付丽丽　袁文婷 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01)G06V 10/25(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 人脸识别方法、 装置、 设备及存 储介质 (57)摘要 本发明涉及人工智能技术， 揭露一种人脸识 别方法， 包括： 通过人脸图像数据集进行人脸识 别模型训练； 通过人脸目标的真实边框、 人脸目 标的真实边框的宽度、 高度以及中心点坐标和人 脸目标的真实边框的身份类别构建损失函数模 型； 采用梯度下降法对损失函数模 型进行优化训 练； 将待识别的人脸图像输入基于轻量级多尺度 特征融合的人脸识别网络模型进行预测， 得到待 识别的人脸图像中的人脸目标的预测边框、 与预 测边框对应的身份类别、 以及与身份类别对应的 识别准确度。 本发明还涉及区块链技术， 人脸图 像数据集存储于区块链中。 本发 明能够解决现有 技术中， 模型参数量大， 降低了模型运行速度， 使 模型不便于部署于对实时性要求较高的移动端 设备等问题。 权利要求书5页 说明书16页 附图4页 CN 115359521 A 2022.11.18 CN 115359521 A 1.一种人脸识别方法， 应用于电子装置， 其特 征在于， 所述方法包括： 将人脸图像数据集输入基于轻量级多尺度特征融合的人脸识别网络进行人脸识别模 型训练； 其中， 所述人脸图像数据集中包括人脸图片、 标注在所述人脸图片上的人脸目标的 真实边框、 人脸目标 的真实边框的宽度、 高度以及中心点坐标和所述人脸 目标的真实边框 上标记的身份 类别； 在人脸识别模型训练后的人脸识别网络内， 通过所述人脸目标的真实边框、 人脸目标 的真实边框的宽度、 高度以及中心 点坐标和所述人脸目标的真实边框的身份类别构建损失 函数模型； 采用梯度 下降法对所述损失函数模型进行优化训练， 当所述损失函数模型的损失函数 达到预设阈值时， 得到基于轻量级 多尺度特 征融合的人脸识别网络模型； 其中， 所述基于轻量级多尺度 特征融合的人脸识别网络模型包括： 用于对人脸图像进行三种 不同图像维度的特征提取的主干网络层、 用于对所述主干网络层得到的第三输出特征进 行 池化处理的池化层、 用于对 所述主干网络层得到的第一输出特征、 第二输出特征、 以及所述 池化层得到的池化后第三输出特征分别进行特征融合处理的特征融合层和用于根据所述 特征融合层得到的三种融合特 征生成预测结果的检测头 部层； 将待识别的人脸图像输入所述基于轻量级多尺度特征融合的人脸识别网络模型进行 人脸识别， 得到所述待识别的人脸图像中的人脸 目标的预测边框、 与所述预测边框对应的 身份类别、 以及与所述身份 类别对应的识别准确度。 2.根据权利要求1所述的人脸识别方法， 其特征在于， 所述人脸图像数据集存储于区块 链中， 在所述将人脸图像数据集输入基于轻量级多尺度特征融合的人脸识别网络进行人脸 识别模型训练之前还 包括： 采集人脸图像样本， 得到人脸图像样本集； 对所述人脸图像样本集中的人脸目标的真实边框进行标注， 计算出标注的人脸目标的 真实边框的宽度、 高度以及中心 点坐标， 并标记所述人脸目标的真实边框的身份类别， 得到 人脸图像数据集。 3.根据权利要求2所述的人脸识别方法， 其特征在于， 所述对人脸图像样本集中的人脸 目标的真实边框进行标注， 计算出标注的人脸 目标的真实边框的宽度、 高度以及中心点坐 标， 并标记所述人脸目标的真实边框的身份 类别， 得到人脸图像数据集包括： 将所述人脸图像样本集定义为： {Datak(x,y),k∈[1,K],x∈[1,X],y∈[1,Y]}； 其中， Datak(x,y)表示人脸图像样本集中第k幅图片的第x行第y列的像素信息， K表示人脸图像样 本集的图片数量， X表示人脸图像样本集中图片的像素的行数， Y表示人脸图像样本集中图 片的像素的列数； 对定义后的人脸图像样本集中的每幅图片中的每个人脸目标的真实边框进行标注； 其 中， 所述人脸目标的真实边框 定义为： 其中， 表示人脸图像样本集 中第k幅图片中第n个人脸目标的真实边框的左上角权　利　要　求　书 1/5 页 2 CN 115359521 A 2坐标， 表示人脸图像样 本集中第k幅图片中第n个人脸目标的真实边框的左上角坐标点 的横坐标， 表示人脸图像样本集中第k幅图片中第n个人脸目标的真实边框的左上角坐 标点的纵坐标； 表示人脸图像样本集中第k幅图片中第n个人脸目标的真实边框的右 下角坐标， 表示人脸图像样本 集中第k幅图片中第n个人脸目标的真 实边框的右下角坐 标点的横坐标， 表示人脸图像样本集中第k幅图片中第n个人脸目标的真实边框的右下 角坐标点的纵坐标； K表示人脸图像样本集的图片 数量； Nk表示人脸图像数据集中选做用于 所述预设人脸识别网络模型训练的人脸图像训练数据集中第k幅图片中的人脸目标的真实 边框的数量； 根据预设真实边框宽度计算公式、 预设真实边框 高度计算公式和预设真实边框 中心点 坐标计算公 式， 分别计算出所述人脸目标的真实边框的宽度、 高度和中心点坐标， 并标记所 述人脸目标的真实边框的身份 类别， 得到人脸图像数据集； 其中， 所述预设 真实边框 宽度计算公式为： 所述预设 真实边框高度计算公式为： 所述预设 真实边框中心点 坐标计算公式为： 所述人脸目标的真实边框的身份 类别定义 为： 其中， 表示人脸图像样本集中第k幅图像中第n个人脸目标的真实边框的宽度， 表示人脸图像样本集中第k幅图像中第n个人脸目标的真实边框的高度， t 表示真实。 4.根据权利要求3所述的人脸识别方法， 其特征在于， 所述损 失函数模型包括： 目标边 界框损失模型； 所述目标边界框损失模型的计算公式为： 其中， 表示人脸目标的预测边框与真实边框的中心点之间的 欧几里得距离， c表示能够覆盖人脸目标的预测边框与真实边框的最小矩形的对角线长度， c的计算方式为： IOU表示人脸目标的预测边框与真实框的交并比， Ch与Cw分别表示能够覆盖人脸目标的 预测边框与真实边框的最小矩形的高和宽， h权　利　要　求　书 2/5 页 3 CN 115359521 A 3