CN115761833B - 人脸识别方法、电子设备及介质 - Google Patents

Abstract

本申请实施例提供的一种人脸识别方法包括：获取待识别图像后，将待识别图像输入人脸识别模型,通过人脸识别模型输出人脸识别结果,人脸识别模型是根据第一人脸图像集对目标元学习模型进行梯度下降处理所得。由于第一人脸图像集包括目标用户的人脸图像，因此根据第一人脸图像集对目标元学习模型进行梯度下降处理得到人脸识别模型后，该人脸识别模型能够较好地拟合第一人脸图像集与目标用户的对应关系，因此对目标用户的识别准确性高。本申请实施例还提供能够实现上述人脸识别方法的电子设备、程序产品及计算机可读存储介质。

Description

人脸识别方法、电子设备及介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种人脸识别方法、电子设备、程序产品及计算机可读存储介质。

背景技术

人脸识别是指基于人的脸部特征进行身份识别。

目前有一种人脸识别方法大致如下：获取人脸图像集，然后根据人脸图像集训练卷积神经网络(convolutional neural networks，CNN)模型，通过该CNN模型对待识别图像进行人脸识别。

但是该CNN模型的泛化性不好。训练CNN模型的人脸图像集与目标人群存在较大差异时，CNN模型的识别准确率不高。例如，人脸图像集中大多数图像是中国人脸时，该CNN模型对美国人脸的识别准确率不高。

发明内容

本申请提供了一种人脸识别方法、电子设备、程序产品及计算机可读存储介质，目的在于解决数据采集成本高的问题。

为了实现上述目的，本申请提供了以下技术方案：

第一方面提供一种人脸识别方法，该方法包括：获取待识别图像后，将待识别图像输入人脸识别模型,通过人脸识别模型输出人脸识别结果。其中，人脸识别模型是根据第一人脸图像集对目标元学习模型进行梯度下降处理所得，第一人脸图像集包括的全部人脸图像对应于目标用户。

由于第一人脸图像集包括目标用户的人脸图像，因此根据第一人脸图像集对目标元学习模型进行梯度下降处理得到人脸识别模型后，该人脸识别模型能够较好地拟合第一人脸图像集与目标用户的对应关系，因此对目标用户的识别准确性高。按照每个用户的人脸图像集都可以获得订制的人脸识别模型，因此具有良好的泛化性。

在第一方面的第一种可能的实现方式中，本申请的人脸识别方法还包括：摄取目标用户在多个视角下的人脸图像；将摄取的图像保存为第一人脸图像集。由此提供了一种获取目标用户的人脸图像集的简便方法，基于该人脸图像集能够对各种视角的人脸图像具有较好的识别能力。

结合第一方面或第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，本申请的人脸识别方法还包括：获取第二人脸图像集以及人脸识别神经网络模型的模型参数值；根据人脸图像子集对人脸识别神经网络模型的模型参数值进行梯度下降处理，以得到人脸图像子集的损失函数梯度；根据全部人脸图像子集的损失函数梯度之和与人脸识别神经网络模型的初始模型参数值生成待处理元学习模型；根据第三人脸图像集对待处理元学习模型进行梯度下降处理，以得到目标元学习模型。第二人脸图像集包括n个人脸图像子集，每个人脸图像子集包括k个人脸图像和1个标签，n和k为正整数。第三人脸图像集包括多个人脸图像和1个标签。

结合第一方面的第二种可能实现方式，在另一种可能的实现方式中，根据第三人脸图像集对待处理元学习模型进行梯度下降处理包括：

步骤A：将第三人脸图像集输入待处理元学习模型，通过待处理元学习模型输出第三人脸图像集的分类结果；

步骤B：将第三人脸图像集的分类结果与第三人脸图像集的标签确定第三人脸图像集的损失函数梯度；

步骤C：根据第三人脸图像集的损失函数梯度和待处理元学习模型的模型参数值计算出待处理元学习模型的目标模型参数值；

步骤D：使用待处理元学习模型的目标模型参数值更新待处理元学习模型，迭代执行步骤A至步骤D，直至迭代次数达到第一预设次数为止。

结合第一方面的第二种可能实现方式，在另一种可能的实现方式中，根据人脸图像子集对人脸识别神经网络模型的模型参数值进行梯度下降处理包括：

步骤E：将人脸图像子集输入人脸识别神经网络模型，通过人脸识别神经网络模型输出人脸图像子集的分类结果；

步骤F：将人脸图像子集的分类结果与人脸图像子集的标签确定人脸图像子集的损失函数梯度；

步骤G：根据人脸图像子集的损失函数梯度和人脸识别神经网络模型的模型参数值计算出人脸识别神经网络模型的目标模型参数值；

步骤H：使用人脸识别神经网络模型的目标模型参数值更新人脸识别神经网络模型，迭代执行步骤E至步骤H，直至迭代次数达到第二预设次数为止；

步骤I：当迭代次数达到第二预设次数时，输出人脸图像子集的损失函数梯度。

第二方面提供的一种电子设备包括第一获取单元以及人脸识别单元；第一获取单元用于获取待识别图像；人脸识别单元用于将待识别图像输入人脸识别模型,通过人脸识别模型输出人脸识别结果，人脸识别模型是根据第一人脸图像集对目标元学习模型进行梯度下降处理所得，第一人脸图像集包括的全部人脸图像对应于目标用户。

在第二方面的第一种可能的实现方式中，电子设备还包括第二获取单元，第二获取单元用于摄取目标用户在多个视角下的人脸图像；将摄取的图像保存为第一人脸图像集。

结合第二方面或第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，电子设备还包括第三获取单元和处理单元；第三获取单元用于获取第二人脸图像集以及人脸识别神经网络模型的模型参数值，第二人脸图像集包括n个人脸图像子集，每个人脸图像子集包括k个人脸图像和1个标签，n和k为正整数；处理单元用于根据人脸图像子集对人脸识别神经网络模型的模型参数值进行梯度下降处理，以得到人脸图像子集的损失函数梯度；根据全部人脸图像子集的损失函数梯度之和与人脸识别神经网络模型的初始模型参数值生成待处理元学习模型；根据第三人脸图像集对待处理元学习模型进行梯度下降处理，以得到目标元学习模型，第三人脸图像集包括多个人脸图像和1个标签。

结合第二方面的第二种可能的实现方式，在另一种可能的实现方式中，处理单元具体用于执行以下步骤:

步骤A：将第三人脸图像集输入待处理元学习模型，通过待处理元学习模型输出第三人脸图像集的分类结果；

步骤B：将第三人脸图像集的分类结果与第三人脸图像集的标签确定第三人脸图像集的损失函数梯度；

步骤C：根据第三人脸图像集的损失函数梯度和待处理元学习模型的模型参数值计算出待处理元学习模型的目标模型参数值；

步骤D：使用待处理元学习模型的目标模型参数值更新待处理元学习模型，迭代执行步骤A至步骤D，直至迭代次数达到第一预设次数为止。

结合第二方面的第二种可能的实现方式，在另一种可能的实现方式中，处理单元具体用于执行以下步骤：

步骤E：将人脸图像子集输入人脸识别神经网络模型，通过人脸识别神经网络模型输出人脸图像子集的分类结果；

步骤F：将人脸图像子集的分类结果与人脸图像子集的标签确定人脸图像子集的损失函数梯度；

步骤G：根据人脸图像子集的损失函数梯度和人脸识别神经网络模型的模型参数值计算出人脸识别神经网络模型的目标模型参数值；

步骤H：使用人脸识别神经网络模型的目标模型参数值更新人脸识别神经网络模型，迭代执行步骤E至步骤H，直至迭代次数达到第二预设次数为止；

步骤I：当迭代次数达到第二预设次数时，输出人脸图像子集的损失函数梯度。

第三方面提供一种电子设备，其包括处理器和存储器，存储器用于存储程序；处理器通过执行程序用于实现第一方面的方法。

第四方面提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行第一方面的方法。

第五方面提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行第一方面的方法。

附图说明

图1为本申请实施例中人脸识别场景的一个示意图；

图2为本申请实施例中人脸识别方法的一个流程图；

图3为本申请实施例中生成目标元学习模型的一个流程图；

图4为本申请实施例中人脸识别方法的一个示意图；

图5为本申请实施例中电子设备的一个结构图；

图6为本申请实施例中电子设备的一个硬件结构图。

具体实施方式

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。以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。还应当理解，在本申请实施例中，“一个或多个”是指一个、两个或两个以上；“和/或”，描述关联对象的关联关系，表示可以存在三种关系；例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。

在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例涉及的多个，是指大于或等于两个。需要说明的是，在本申请实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。

本申请的人脸识别方法可应用于终端。终端可以是手机，平板电脑，台式电脑，门禁闸机，打卡考勤机等。如图1所示，在一个示例中，当手机锁屏时，用户面对手机的前置摄像头，手机通过相机采集人脸图像，对采集的人脸图像进行人脸识别，将人脸识别结果与预先存储的身份认证信息(例如张三)进行比较，当人脸识别结果与预先存储的身份认证信息一致，则解除锁屏，否则保持锁屏。

由于现有的CNN模型需要采集大量人脸数据，因此存在数据采集成本高，训练时间长的问题。而且不同人脸的特征差异大，基于大量人脸数据训练得到的CNN模型的识别精度不高。

针对上述问题，本申请提供一种人脸识别方法，能够基于少量人脸图像生成目标元学习模型，再根据目标元学习模型和少量人脸图像生成目标人脸识别模型，这样能够减少训练数据，降低数据采集成本。

参阅图2，在一个实施例中，本申请的人脸识别方法包括：

步骤201、获取待识别图像。

步骤202、将待识别图像输入人脸识别模型，通过人脸识别模型输出人脸识别结果。

其中，人脸识别模型是根据第一人脸图像集对目标元学习模型进行梯度下降处理所得。第一人脸图像集包括的全部人脸图像对应于目标用户。目标元学习模型可以认为是以人脸识别神经网络模型为基础进行一次或多次训练所得，因此其具有人脸识别能力。根据第一人脸图像集对目标元学习模型进行梯度下降处理得到的人脸识别模型能够更好地拟合第一人脸图像集与目标用户的对应关系，因此该人脸识别模型比目标元学习模型具有更高的识别准确率。

需要说明的是，第一人脸图像集和训练目标元学习模型的人脸图像集不同，例如第一人脸图像集包括从网络获取的人脸图像，训练目标元学习模型的人脸图像集包括离线获取的人脸图像。

可选的，第一人脸图像集包括的人脸图像数量小于或等于第一图像数，第一图像数小于或等于500。训练目标元学习模型的人脸图像数量(包括第二人脸图像集的人脸图像数和第三人脸图像集的人脸图像数)小于或等于第二图像数，第二图像数小于或等于500。第一图像数可以是[0,10]中的任意一个整数，可以是[10,100]中的任意一个整数。第二图像数可以是[1,10]中的任意一个整数，可以是[10,100]中的任意一个整数。第一图像数和第二图像数可以根据实际情况进行设置，本申请不作限定。当第一图像数为0时，第一人脸图像集包括0个人脸图像，人脸识别模型即目标元学习模型。

本实施例中，由于第一人脸图像集包括目标用户的人脸图像，因此根据第一人脸图像集对目标元学习模型进行梯度下降处理得到人脸识别模型后，该人脸识别模型能够较好地拟合第一人脸图像集与目标用户的对应关系，这样该人脸识别模型对目标用户的识别准确性高。因此按照每个用户的人脸图像集都可以获得订制的人脸识别模型，因此具有良好的泛化性。

其次，训练CNN模型的人脸图像集与目标人群存在较大差异时，需要根据目标人群的人脸图像集(例如几千张人脸图像)重新训练CNN模型。当第一图像数和第二图像数均不大于500时，可以根据少量人脸图像生成人脸识别模型，与训练CNN模型所需的大量人脸图像相比，能够极大地降低数据采集成本。而且由于训练数据量小，能够显著减少训练时长。

下面对获取第一人脸图像集的方法进行介绍，在一个可选实施例中，获取第一人脸图像集包括：摄取目标用户在多个视角下的人脸图像；将摄取的图像保存为第一人脸图像集。在另一可选实施例中，获取第一人脸图像集包括：从预先存储的图像或者网络图像中选取目标用户的多个人脸图像作为第一人脸图像集。

下面对训练目标元学习模型的过程进行介绍，参阅图3，在一个实施例中，在步骤202之前，本申请的人脸识别方法还包括：

步骤301、获取第二人脸图像集以及人脸识别神经网络模型的模型参数值，第二人脸图像集包括n个人脸图像子集，每个人脸图像子集包括k个人脸图像和1个标签。

n和k为正整数。人脸识别神经网络模型可以是但不限于CNN模型或者循环神经网络(recurrent neural network，RNN)模型。对于预先设置的人脸识别神经网络模型，人脸识别神经网络模型的模型参数是人为设置的。

步骤302、根据人脸图像子集对人脸识别神经网络模型的模型参数值进行梯度下降处理，以得到人脸图像子集的损失函数梯度。

步骤303、根据全部人脸图像子集的损失函数梯度之和与人脸识别神经网络模型的初始模型参数值生成待处理元学习模型。

步骤304、根据第三人脸图像集对待处理元学习模型进行梯度下降处理，以得到目标元学习模型。第三人脸图像集包括多个人脸图像和1个标签。

本实施例中，梯度下降能够减少人脸图像子集的分类结果与人脸图像子集的标签之间的误差。根据n个人脸图像子集能够训练出n个训练后的人脸识别神经网络模型以及n个梯度。每个梯度可以认为是一个向量，n个梯度之和即为n个梯度的向量和。由于n个梯度之和与每个梯度的偏差都不大，根据n个梯度之和对人脸识别神经网络模型的初始模型参数值进行梯度下降处理，由此得到的待处理元学习模型对各人脸图像子集都具有良好的识别能力。

而且梯度下降处理能够降低第三人脸图像集的分类结果与第三人脸图像集的标签的误差，将待处理元学习模型经过多次梯度下降处理后，可以得到目标元学习模型，该目标元学习模型比待处理元学习模型的人脸识别准确率更高。

步骤302中梯度下降处理次数可以是一次或多次。下面对多次梯度下降处理过程进行介绍，可选的，步骤302包括：

步骤E：将人脸图像子集输入人脸识别神经网络模型，通过人脸识别神经网络模型输出人脸图像子集的分类结果。

步骤F：将人脸图像子集的分类结果与人脸图像子集的标签确定人脸图像子集的损失函数梯度。

步骤G：根据人脸图像子集的损失函数梯度和人脸识别神经网络模型的模型参数值计算出人脸识别神经网络模型的目标模型参数值。

可选的，θ′₂＝θ₂-β*g_j，θ′₂为人脸识别神经网络模型的目标模型参数值，θ₂为人脸识别神经网络模型的模型参数值，β为第二学习率，g_j为第j次迭代时人脸图像子集的损失函数梯度。j为正整数且1≤j≤p。第二预设次数p为正整数，p的取值可以根据实际情况进行设置，本申请不作限定。

步骤H：使用人脸识别神经网络模型的目标模型参数值更新人脸识别神经网络模型，迭代执行步骤E至步骤H，直至迭代次数达到第二预设次数为止。

步骤I：当迭代次数达到第二预设次数时，输出人脸图像子集的损失函数梯度。

其中，人脸识别神经网络模型可以是CNN模型或RNN模型。使用人脸识别神经网络模型的目标模型参数值更新人脸识别神经网络模型是指将人脸识别神经网络模型的模型参数值更新为目标模型参数值。

本实施例中，梯度下降能够减少人脸图像子集的分类结果与人脸图像子集的标签之间的误差，迭代能够进一步减少误差，从而得到合适的损失函数梯度。

步骤304的梯度下降次数可以是一次或多次。下面对多次梯度下降处理过程进行介绍，可选的，步骤304包括：

步骤A：将第三人脸图像集输入待处理元学习模型，通过待处理元学习模型输出第三人脸图像集的分类结果。

步骤B：将第三人脸图像集的分类结果与第三人脸图像集的标签确定第三人脸图像集的损失函数梯度。

步骤C：根据第三人脸图像集的损失函数梯度和待处理元学习模型的模型参数值计算出待处理元学习模型的目标模型参数值。

可选的，θ′₁＝θ₁-α*g_i，θ′₁为待处理元学习模型的目标模型参数值，θ₁为待处理元学习模型的模型参数值，α为第一学习率，g_i为第i次迭代时第三人脸图像集的损失函数梯度。i为正整数且1≤i≤q。第一预设次数q为正整数，q的取值可以根据实际情况进行设置，本申请不作限定。

步骤D：使用待处理元学习模型的目标模型参数值更新待处理元学习模型，迭代执行步骤A至步骤D，直至迭代次数达到第一预设次数为止。

其中，使用待处理元学习模型的目标模型参数值更新待处理元学习模型是指将待处理元学习模型的模型参数值更新为待处理元学习模型的目标模型参数值。

本实施例中，梯度下降处理能够降低分类结果与标签的误差，将待处理元学习模型经过多次梯度下降处理后，可以得到目标元学习模型，该目标元学习模型比待处理元学习模型的人脸识别准确率更高。

为便于理解，下面以一个例子对本申请的人脸识别方法进行介绍，参阅图4，在此示例中，训练人脸识别模型的数据集包括第一人脸图像集，第三人脸图像集和第二人脸图像集。第二人脸图像集包括3个人脸图像子集，每个人脸图像子集包括5个人脸图像。3个人脸图像子集如表1所示：

表1

人脸识别神经网络模型以卷积神经网络模型为例，将人脸图像子集1输入卷积神经网络模型，卷积神经网络模型输出的值以0.8为例。根据0.8和1的差值计算出第1个损失函数梯度，根据第1个损失函数梯度和卷积神经网络模型的模型参数值θ₂计算出卷积神经网络模型的目标模型参数值θ′₂，根据θ′₂更新卷积神经网络模型。迭代5次可以获得人脸图像子集1的第5个损失函数梯度。

对于人脸图像子集2和人脸图像子集3，按照上述方法可以获得人脸图像子集2的第5个损失函数梯度以及人脸图像子集3的第5个损失函数梯度。根据3个人脸图像子集的第5个损失函数梯度计算出梯度和，根据梯度和对卷积神经网络模型的初始模型参数值进行梯度下降处理，得到待处理元学习模型。

第三人脸图像集包括3个图像，如表2所示：

表2

将第三人脸图像集输入待处理元学习模型，通过待处理元学习模型输出的值以3.85为例，根据3.85和4的差值计算第三人脸图像集的第1个损失函数梯度，根据第三人脸图像集的第一个损失函数梯度和待处理元学习模型的模型参数值θ₁计算出待处理元学习模型的模型参数值θ′₁，根据θ′₁更新待处理元学习模型。迭代3次得到第三人脸图像集的第3个损失函数梯度，根据第3个损失函数梯度将待处理元学习模型更新为目标元学习模型。

第一人脸图像集包括3个图像，如表3所示：

表3

将第一人脸图像集输入目标元学习模型，目标元学习模型输出的值以4.7为例，根据4.7与5的差值计算出第一人脸图像集的损失函数梯度，根据第一人脸图像集的损失函数梯度和目标元学习模型的模型参数值计算出人脸识别模型的模型参数值并生成人脸识别模型，将人脸识别模型存储在终端。

当张三通过相机摄取到图像时，可以调用人脸识别模型对图像进行识别，当识别结果为“张三”时，可以启动相应的程序，例如解除锁屏，打卡成功或解除门禁等。

本申请提供一种电子设备能够实现以上实施例中的人脸识别方法。参阅图5，在一个实施例中，电子设备500包括第一获取单元501以及人脸识别单元502，第一获取单元501用于获取待识别图像；人脸识别单元504用于将待识别图像输入人脸识别模型,通过人脸识别模型输出人脸识别结果，人脸识别模型是根据第一人脸图像集对目标元学习模型进行梯度下降处理所得。

在一个可选实施例中，电子设备500还包括第二获取单元，第二获取单元用于摄取目标用户在多个视角下的人脸图像；将摄取的图像保存为第一人脸图像集。

在另一个可选实施例中，电子设备500还包括：

第三获取单元，用于获取第二人脸图像集以及人脸识别神经网络模型的模型参数值，第二人脸图像集包括n个人脸图像子集，每个人脸图像子集包括k个人脸图像和1个标签，n和k为正整数；

处理单元，用于根据人脸图像子集对人脸识别神经网络模型的模型参数值进行梯度下降处理，以得到人脸图像子集的损失函数梯度；根据全部人脸图像子集的损失函数梯度之和与人脸识别神经网络模型的初始模型参数值生成待处理元学习模型；根据第三人脸图像集对待处理元学习模型进行梯度下降处理，以得到目标元学习模型，第三人脸图像集包括多个人脸图像和1个标签。

在另一个可选实施例中，处理单元具体用于执行以下步骤:

步骤A：将第三人脸图像集输入待处理元学习模型，通过待处理元学习模型输出第三人脸图像集的分类结果；

步骤B：将第三人脸图像集的分类结果与第三人脸图像集的标签确定第三人脸图像集的损失函数梯度；

步骤C：根据第三人脸图像集的损失函数梯度和待处理元学习模型的模型参数值计算出待处理元学习模型的目标模型参数值；

步骤D：使用待处理元学习模型的目标模型参数值更新待处理元学习模型，迭代执行步骤A至步骤D，直至迭代次数达到第一预设次数为止。

在另一个可选实施例中，处理单元具体用于执行以下步骤：

步骤E：将人脸图像子集输入人脸识别神经网络模型，通过人脸识别神经网络模型输出人脸图像子集的分类结果；

步骤F：将人脸图像子集的分类结果与人脸图像子集的标签确定人脸图像子集的损失函数梯度；

步骤G：根据人脸图像子集的损失函数梯度和人脸识别神经网络模型的模型参数值计算出人脸识别神经网络模型的目标模型参数值；

步骤H：使用人脸识别神经网络模型的目标模型参数值更新人脸识别神经网络模型，迭代执行步骤E至步骤H，直至迭代次数达到第二预设次数为止；

步骤I：当迭代次数达到第二预设次数时，输出人脸图像子集的损失函数梯度。

如图6所示，在一个实施例中，本申请还提供一种电子设备600包括：总线602、处理器604、存储器606和通信接口608。处理器604、存储器606和通信接口608之间通过总线602通信。应理解，本申请不限定电子设备600中的处理器、存储器和通信接口的个数。

总线602可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。总线602可包括在电子设备600各个部件(例如，存储器606、处理器604、通信接口608)之间传送信息的通路。

处理器604可以包括中央处理器(central processing unit，CPU)、图形处理器(graphics processing unit，GPU)、微处理器(micro processor，MP)或者数字信号处理器(digital signal processor，DSP)等处理器中的任意一种或多种。

存储器606可以包括易失性存储器(volatile memory)，例如随机存取存储器(random access memory，RAM)。处理器604还可以包括非易失性存储器(non-volatilememory)，例如只读存储器(read-only memory，ROM)，快闪存储器，机械硬盘(hard diskdrive，HDD)或固态硬盘(solid state drive，SSD)。

存储器606中存储有可执行的程序代码，处理器604执行该可执行的程序代码以分别实现前述第一获取单元501，人脸识别单元502，第二获取单元，第三获取单元和处理单元的功能，从而实现人脸识别方法。也即，存储器606上存有用于执行人脸识别方法的指令。

通信接口608使用例如但不限于网络接口卡、收发器一类的收发模块，来实现电子设备600与其他设备或通信网络之间的通信。

该电子设备可以是服务器，例如是中心服务器、边缘服务器，或者是本地数据中心中的本地服务器。在一些实施例中，电子设备也可以是手机，平板电脑，车载电脑、台式电脑，可穿戴设备，门禁闸机，打卡考勤机等。

本申请实施例还提供了一种包含指令的计算机程序产品。计算机程序产品可以是包含指令的，能够运行在计算机上或被储存在任何可用介质中的软件或程序产品。当计算机程序产品在计算机上运行时，使得计算机执行人脸识别方法。

本申请实施例还提供了一种计算机可读存储介质。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质的数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘)等。该计算机可读存储介质包括指令，所述指令指示计算机执行人脸识别方法。

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的技术方案的范围。

Claims (10)

1.一种人脸识别方法，其特征在于，所述方法应用于终端，所述方法包括：

获取第二人脸图像集以及人脸识别神经网络模型的模型参数值，所述第二人脸图像集包括n个人脸图像子集，每个人脸图像子集包括k个人脸图像和1个标签，所述n和所述k为正整数；

根据人脸图像子集对人脸识别神经网络模型的模型参数值进行梯度下降处理，以得到人脸图像子集的损失函数梯度；

根据全部人脸图像子集的损失函数梯度之和与所述人脸识别神经网络模型的初始模型参数值生成待处理元学习模型；

根据第三人脸图像集对待处理元学习模型进行梯度下降处理，以得到目标元学习模型，所述第三人脸图像集包括多个人脸图像和1个标签，所述第二人脸图像集的人脸图像数和所述第三人脸图像集的人脸图像数小于或等于第二图像数，所述第二图像数小于或等于500；

获取待识别图像；

将所述待识别图像输入人脸识别模型,通过所述人脸识别模型输出人脸识别结果，所述人脸识别模型是所述终端根据第一人脸图像集对目标元学习模型进行梯度下降处理所得，所述第一人脸图像集包括的全部人脸图像对应于目标用户，所述第一人脸图像集包括的人脸图像数量小于或等于第一图像数，所述第一图像数小于或等于500。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

摄取目标用户在多个视角下的人脸图像；

将摄取的图像保存为第一人脸图像集。

3.根据权利要求1所述的方法，其特征在于，所述根据第三人脸图像集对待处理元学习模型进行梯度下降处理包括：

步骤A：将第三人脸图像集输入待处理元学习模型，通过所述待处理元学习模型输出所述第三人脸图像集的分类结果；

步骤B：将所述第三人脸图像集的分类结果与所述第三人脸图像集的标签确定所述第三人脸图像集的损失函数梯度；

步骤C：根据所述第三人脸图像集的损失函数梯度和所述待处理元学习模型的模型参数值计算出所述待处理元学习模型的目标模型参数值；

步骤D：使用所述待处理元学习模型的目标模型参数值更新待处理元学习模型，迭代执行步骤A至步骤D，直至迭代次数达到第一预设次数为止。

4.根据权利要求1所述的方法，其特征在于，所述根据人脸图像子集对人脸识别神经网络模型的模型参数值进行梯度下降处理包括：

步骤E：将人脸图像子集输入人脸识别神经网络模型，通过人脸识别神经网络模型输出人脸图像子集的分类结果；

步骤F：将人脸图像子集的分类结果与人脸图像子集的标签确定人脸图像子集的损失函数梯度；

步骤G：根据人脸图像子集的损失函数梯度和人脸识别神经网络模型的模型参数值计算出人脸识别神经网络模型的目标模型参数值；

步骤H：使用所述人脸识别神经网络模型的目标模型参数值更新人脸识别神经网络模型，迭代执行步骤E至步骤H，直至迭代次数达到第二预设次数为止；

步骤I：当迭代次数达到第二预设次数时，输出人脸图像子集的损失函数梯度。

5.一种电子设备，其特征在于，包括：

第三获取单元，用于获取第二人脸图像集以及人脸识别神经网络模型的模型参数值，所述第二人脸图像集包括n个人脸图像子集，每个人脸图像子集包括k个人脸图像和1个标签，所述n和所述k为正整数；

处理单元，用于根据人脸图像子集对人脸识别神经网络模型的模型参数值进行梯度下降处理，以得到人脸图像子集的损失函数梯度；根据全部人脸图像子集的损失函数梯度之和与所述人脸识别神经网络模型的初始模型参数值生成待处理元学习模型；根据第三人脸图像集对所述待处理元学习模型进行梯度下降处理，以得到目标元学习模型，所述第三人脸图像集包括多个人脸图像和1个标签，所述第二人脸图像集的人脸图像数和所述第三人脸图像集的人脸图像数小于或等于第二图像数，所述第二图像数小于或等于500；

第一获取单元，用于获取待识别图像；

人脸识别单元，用于将所述待识别图像输入人脸识别模型,通过所述人脸识别模型输出人脸识别结果，所述人脸识别模型是终端根据第一人脸图像集对目标元学习模型进行梯度下降处理所得，所述第一人脸图像集包括的全部人脸图像对应于目标用户，所述第一人脸图像集包括的人脸图像数量小于或等于第一图像数，所述第一图像数小于或等于500。

6.根据权利要求5所述的电子设备，其特征在于，所述电子设备还包括第二获取单元，所述第二获取单元用于摄取目标用户在多个视角下的人脸图像；将摄取的图像保存为第一人脸图像集。

7.根据权利要求5所述的电子设备，其特征在于，所述处理单元具体用于执行以下步骤:

步骤A：将第三人脸图像集输入待处理元学习模型，通过所述待处理元学习模型输出所述第三人脸图像集的分类结果；

步骤B：将所述第三人脸图像集的分类结果与所述第三人脸图像集的标签确定所述第三人脸图像集的损失函数梯度；

步骤C：根据所述第三人脸图像集的损失函数梯度和所述待处理元学习模型的模型参数值计算出所述待处理元学习模型的目标模型参数值；

步骤D：使用所述待处理元学习模型的目标模型参数值更新待处理元学习模型，迭代执行步骤A至步骤D，直至迭代次数达到第一预设次数为止。

8.根据权利要求5所述的电子设备，其特征在于，所述处理单元具体用于执行以下步骤：

步骤E：将人脸图像子集输入人脸识别神经网络模型，通过人脸识别神经网络模型输出人脸图像子集的分类结果；

步骤F：将人脸图像子集的分类结果与人脸图像子集的标签确定人脸图像子集的损失函数梯度；

步骤G：根据人脸图像子集的损失函数梯度和人脸识别神经网络模型的模型参数值计算出人脸识别神经网络模型的目标模型参数值；

步骤H：使用所述人脸识别神经网络模型的目标模型参数值更新人脸识别神经网络模型，迭代执行步骤E至步骤H，直至迭代次数达到第二预设次数为止；

步骤I：当迭代次数达到第二预设次数时，输出人脸图像子集的损失函数梯度。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储指令，所述处理器用于执行所述指令，使得所述电子设备执行权利要求1至4中任一项的方法。

10.一种存储有指令的计算机可读存储介质，其特征在于，当所述指令在计算机上运行时，使得计算机执行权利要求1至4中任一项的方法。