(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 202111679807.9 (22)申请日 2021.12.31 (71)申请人 中国联合网络通信集团有限公司 地址 100033 北京市西城区金融大街21号 (72)发明人 刘金财　樊星宇　王涛　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 代理人 李阳　刘芳 (51)Int.Cl. G06V 40/16(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 人脸识别方法及设备 (57)摘要 本申请提供一种人脸识别方法及设备， 该方 法通过将人脸图片数据集中的每张人脸图片输 入神经网络， 获得人脸特征向量， 从上述人脸特 征向量中获得每个人的一个基准人脸正例， 以及 同一人人脸正例和不同人人脸负例， 再根据获得 的信息， 确定上述神经网络对应的新三原子损失 函数， 将该新三原子损失函数加载在上述神经网 络中， 进行网络训练， 更新网络参数， 获得网络参 数模型， 基于该网络参数模型进行人脸识别。 即 在传统三原子选择的基础上增加一组正例人脸， 改良Triplet三原子的选择方案， 同时对传统的 三原子损失函数进行改进， 从而达到加快网络训 练的收敛速度、 进一步降低过拟合的概率， 同时 增强网络对同种类型和不同类型特征的区分能 力的目的。 权利要求书3页 说明书14页 附图3页 CN 114283483 A 2022.04.05 CN 114283483 A 1.一种人脸识别方法， 其特 征在于， 包括： 分别将人脸图片数据集中的每张人脸图片输入神经网络， 获得所述每张人脸图片的人 脸特征向量， 其中， 所述人脸图片数据集包括至少两个人的人脸图片， 所述神经网络通过人 脸图片和人脸特 征向量训练得到； 从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例， 以及同一人 人脸正例和不同人 人脸负例； 根据所述每个人的一个基准人脸正例， 以及同一人人脸正例和不同人人脸负例， 确定 所述神经网络对应的新 三原子损失函数； 将所述新三原子损失函数加载到所述神经网络中， 进行网络训练， 更新网络参数， 获得 网络参数模型； 基于所述网络参数模型进行 人脸识别。 2.根据权利要求1所述的方法， 其特征在于， 所述人脸图片数据集包括两个人的人脸图 片； 所述从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例， 以及同 一人人脸正例和不同人 人脸负例， 包括： 根据预设筛选原则， 从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人 脸正例， 以及同一人人脸正例和不同人人脸负例， 其中， 所述预设筛选原则包括： ‖ f(Xia1)‑f (Xip1)‖22+α<‖f(Xia1)‑f(Xin1)‖22； ‖f(Xia2)‑f(Xip2)‖22+β <‖f(Xia2)‑f(Xin2)‖22； ‖f(Xia1)‑f (Xip1)‖22<‖ f(Xip1)‑f(Xip2)‖22； ‖ f(Xia2)‑f(Xip2)‖22<‖ f(Xip1)‑f(Xip2)‖22； ‖ f(Xia1)‑f(Xip1)‖22 <‖ f(Xin1)‑f(Xin2)‖22； ‖ f(Xia2)‑f(Xip2)‖22<‖ f(Xin1)‑f(Xin2)‖22； 其中， ‖ ‖22表示平方和开根 号， α表示第一预设阈值， β表示第二预设阈值， f()表示第i轮卷积神经网络后提取的人脸 特征向量， f(Xia1)和f(Xia2)分别表示每个人的一个基准人脸正例， f(Xip1)和f(Xip2)分别表 示同一人人脸正例， f(Xin1)和f(Xin2)分别表示不同人人脸负例， i表示第i轮卷积神经网络 训练。 3.根据权利要求2所述的方法， 其特征在于， 所述根据所述每个人的一个基准人脸正 例， 以及同一人人脸正例和不同人人脸负例， 确定所述神经网络对应的新三原子损失函数， 包括： 根 据 表 达 式 确 定 所 述神经网络对应的新 三原子损失函数L oss。 4.根据权利要求1至3中任一项所述的方法， 其特征在于， 所述神经网络为Inception ‑ ResNet‑v1卷积神经网络； 所述分别将人脸图片数据集中的每张人脸图片输入神经网络， 获得所述每张人脸图片 的人脸特 征向量， 包括： 分别将所述每张人脸图片输入所述 Inception‑ResNet‑v1卷积神经网络； 将所述Inception ‑ResNet‑v1卷积神 经网络的每个输出结果通过L2归一化处理， 获得 所述每张人脸图片的128维度的人脸特 征向量。 5.一种模型生成方法， 其特 征在于， 包括：权　利　要　求　书 1/3 页 2 CN 114283483 A 2分别将人脸图片数据集中的每张人脸图片输入神经网络， 获得所述每张人脸图片的人 脸特征向量， 其中， 所述人脸图片数据集包括至少两个人的人脸图片， 所述神经网络通过人 脸图片和人脸特 征向量训练得到； 从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例， 以及同一人 人脸正例和不同人 人脸负例； 根据所述每个人的一个基准人脸正例， 以及同一人人脸正例和不同人人脸负例， 确定 所述神经网络对应的新 三原子损失函数； 将所述新三原子损失函数加载到所述神经网络中， 进行网络训练， 更新网络参数， 获得 网络参数模型。 6.一种人脸识别装置， 其特 征在于， 包括： 第一获得模块， 用于分别将人脸图片数据集中的每张人脸图片输入神经网络， 获得所 述每张人脸图片的人脸特征向量， 其中， 所述人脸图片数据集包括至少两个人的人脸图片， 所述神经网络通过 人脸图片和人脸特 征向量训练得到； 第二获得模块， 用于从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人 脸正例， 以及同一人 人脸正例和不同人 人脸负例； 确定模块， 用于根据所述每个人的一个基准人脸正例， 以及同一人人脸正例和不同人 人脸负例， 确定所述神经网络对应的新 三原子损失函数； 第三获得模块， 用于将所述新三原子损失函数加载到所述神经网络中， 进行网络训练， 更新网络参数， 获得网络参数模型； 识别模块， 用于基于所述网络参数模型进行 人脸识别。 7.一种人脸识别设备， 其特征在于， 包括存储器、 处理器以及存储在所述存储器中并可 在所述处理器上运行的计算机执行指 令， 所述处理器执行所述计算机执行指令时实现如下 步骤： 分别将人脸图片数据集中的每张人脸图片输入神经网络， 获得所述每张人脸图片的人 脸特征向量， 其中， 所述人脸图片数据集包括至少两个人的人脸图片， 所述神经网络通过人 脸图片和人脸特 征向量训练得到； 从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例， 以及同一人 人脸正例和不同人 人脸负例； 根据所述每个人的一个基准人脸正例， 以及同一人人脸正例和不同人人脸负例， 确定 所述神经网络对应的新 三原子损失函数； 将所述新三原子损失函数加载到所述神经网络中， 进行网络训练， 更新网络参数， 获得 网络参数模型； 基于所述网络参数模型进行 人脸识别。 8.根据权利要求7所述的设备， 其特征在于， 所述人脸图片数据集包括两个人的人脸图 片； 所述从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例， 以及同 一人人脸正例和不同人 人脸负例， 包括： 根据预设筛选原则， 从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人 脸正例， 以及同一人人脸正例和不同人人脸负例， 其中， 所述预设筛选原则包括： ‖ f(Xia1)‑f权　利　要　求　书 2/3 页 3 CN 114283483 A 3