(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 202111681056.4 (22)申请日 2021.12.3 0 (71)申请人 深圳云天励飞技 术股份有限公司 地址 518000 广东省深圳市龙岗区园山 街 道龙岗大道8288号深圳大运软件小镇 17栋1楼 (72)发明人 叶嘉权　魏新明　王孝宇　肖嵘　 (74)专利代理 机构 北京三聚阳光知识产权代理 有限公司 1 1250 专利代理师 穆瑞丹 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(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、 人脸识别装置、 计算机设备 及存储介质 (57)摘要 本发明提供一种人脸识别方法、 人脸识别装 置、 计算机设备及存储介质。 人脸识别方法包括： 获取待识别人脸图像。 将人脸图像输入至预先训 练好的人脸识别模型， 人脸识别模 型是将人脸训 练图像输入至深度学习模型经过卷积处理后， 通 过自注意力机制进行全局训练得到的模型。 通过 人脸识别模型对人脸图像进行卷积得到多个局 部特征向量。 基于自注意力机制， 融合多个局部 特征向量得到全局特征向量。 基于全局特征向 量， 识别人脸图像对应的人脸类别。 通过本发明， 采用预先训练好的人脸识别模型在对待识别的 人脸图像进行识别时， 能够利用人脸识别模型中 的卷积增强人脸图像的局部特征表达， 进而增强 人脸图像全局特征提取的准确性， 从而提高人脸 识别的准确性。 权利要求书2页 说明书11页 附图5页 CN 114519877 A 2022.05.20 CN 114519877 A 1.一种人脸识别方法， 其特 征在于， 所述方法包括： 获取待识别人脸图像； 将所述人脸图像输入至预先训练好的人脸识别模型， 所述人脸识别模型是将人脸训练 图像输入至深度学习模型 经过卷积处理后， 通过自注意力机制进行全局训练得到的模型； 通过所述人脸识别模型对所述人脸图像进行 卷积得到多个局部特 征向量； 基于自注意力机制， 融合所述多个局部特 征向量得到全局特 征向量； 基于所述全局特 征向量， 识别所述人脸图像对应的人脸类别。 2.根据权利要求1所述的方法， 其特征在于， 所述通过所述人脸识别模型对所述人脸图 像进行卷积得到多个局部特 征向量， 包括： 在所述人脸识别模型中， 提取 所述人脸图像对应的图像特 征序列； 对所述图像特 征序列进行矩阵化处 理， 得到图像特 征向量； 通过卷积核为指定尺寸相同但维度不同的多个卷积层， 对所述图像特征向量进行卷积 处理， 得到所述人脸图像的多个局部特 征向量。 3.根据权利要求2所述方法， 其特征在于， 所述通过所述人脸识别模型中卷积核为指定 尺寸相同但维度不同的多个卷积层 对所述图像特征向量进 行卷积， 得到所述人脸图像的多 个局部特 征向量， 包括： 将所述图像特征向量通过当前卷积层进行卷积， 得到所述当前卷积层对应当前维度的 第一矩阵； 将所述第一矩阵进行矩阵向量 化处理， 得到对应于所述当前维度的局部特 征向量。 4.根据权利要求2所述的方法， 其特征在于， 所述提取所述人脸图像对应的图像特征序 列， 包括： 对所述人脸图像进行图像序列化处理， 得到人脸图像序列， 所述人脸图像序列由多个 尺寸相同的人脸子图像根据指定顺序排列组成； 通过对各 所述人脸子图像进行 卷积， 提取 各所述人脸子图像对应的子图像特 征向量； 将所述子图像特征向量根据 所述指定顺序进行排列， 获取所述人脸图像的图像特征序 列。 5.根据权利要求4所述的方法， 其特征在于， 对各所述人脸子图像进行卷积的卷积核的 尺寸与所述人脸子图像的尺寸相同。 6.根据权利要求4或5所述的方法， 其特征在于， 所述融合所述多个局部特征得到全局 特征向量， 包括： 基于所述图像特征序列， 通过多头注意力矩阵， 将所述多个局部特征向量进行融合， 得 到全局特 征向量。 7.根据权利要求1所述的方法， 其特征在于， 所述人脸识别模型是将人脸训练图像输入 至深度学习模型 经过卷积处理后， 通过自注意力机制进行全局训练得到的模型， 包括： 获取已知人脸类别的人脸训练图像； 将所述人脸训练图像输入至深度学习模型中， 提取样本特 征序列； 对所述样本特 征序列进行矩阵化处 理， 得到样本特 征向量； 通过所述深度学习模型中卷积核为指定尺寸相同但维度不同的多个卷积层对所述样 本特征向量进行 卷积， 得到所述人脸训练图像的多个局部训练特 征向量；权　利　要　求　书 1/2 页 2 CN 114519877 A 2基于自注意力机制， 将所述多个局部训练特征向量进行融合， 得到所述人脸训练图像 的全局训练特 征向量； 通过预先训练好的分类模型， 对所述全局训练特 征向量进行分类， 获取分类损失； 若所述分类损 失小于指定阈值， 则完成所述深度学习模型的训练， 得到所述人脸识别 模型。 8.一种人脸识别装置， 其特 征在于， 所述装置包括： 获取单元， 用于获取待识别人脸图像； 输入单元， 用于将所述人脸图像输入至预先训练好的人脸识别模型， 所述人脸识别模 型是将人脸训练图像输入至深度学习模型经过卷积处理后， 通过自注意力机制进 行全局训 练得到的模型； 卷积单元， 用于通过所述人脸识别模型对所述人脸图像进行卷积得到多个局部特征向 量； 融合单元， 用于基于自注意力机制， 融合所述多个局部特 征向量得到全局特 征向量； 确定单元， 用于基于所述全局特 征向量， 识别所述人脸图像对应的人脸类别。 9.一种计算机设备， 其特征在于， 包括存储器和处理器， 所述存储器和所述处理器之间 互相通信连接， 所述存储器中存储有计算机指 令， 所述处理器通过执行所述计算机指 令， 从 而执行权利要求1 ‑7中任一项所述的人脸识别方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机指 令， 所述计算机指令用于使所述计算机执 行权利要求1 ‑7中任一项所述的人脸识别方法。权　利　要　求　书 2/2 页 3 CN 114519877 A 3