模型训练方法、人脸识别方法、装置、设备及介质与流程

1.本公开涉及深度学习、计算机视觉等人工智能技术领域，可应用于人脸图像处理、人脸识别等场景，具体涉及一种模型训练的方法、图像特征提取的方法、人脸识别的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。


背景技术：

2.人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术、人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

4.本公开提供了一种模型训练的方法、图像特征提取的方法、人脸识别的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
5.根据本公开的一方面，提供了一种模型训练方法，包括：获取与原始图像相对应的第一样本图像，其中，第一样本图像缺少原始图像中的部分信息；将第一样本图像输入第一特征提取模型，以得到原始图像的第一特征信息；将第一特征信息输入图像重建模型，以得到与原始图像相对应的重建图像；以及基于原始图像和重建图像，调整第一特征提取模型的参数。
6.根据本公开的一方面，提供了一种图像特征提取方法，包括：将待处理图像输入特征提取模型，以得到待处理图像的特征信息，其中，特征提取模型为根据上述训练方法而训练得到。
7.根据本公开的一方面，提供了一种人脸识别方法，包括：将包含人脸的待识别图像输入特征提取模型，以得到待识别图像的特征信息，其中，特征提取模型为根据上述方法而训练得到；以及将特征信息输入识别模型，以得到对人脸的识别结果。
8.根据本公开的一方面，提供了一种模型训练装置，包括：第一获取单元，被配置用于获取与原始图像相对应的第一样本图像，其中，第一样本图像缺少原始图像中的部分信息；第二获取单元，被配置用于将第一样本图像输入第一特征提取模型，以得到原始图像的第一特征信息；第三获取单元，被配置用于将第一特征信息输入图像重建模型，以得到与原始图像相对应的重建图像；以及第一调整单元，被配置用于基于原始图像和重建图像，调整第一特征提取模型的参数。
9.根据本公开的一方面，提供了一种特征提取模型，其中，特征提取模型能够根据输
入的待处理图像，得到待处理图像的特征信息，其中，特征提取模型为根据上述训练方法而训练得到。
10.根据本公开的一方面，提供了一种人脸识别装置，包括：特征提取模型，被配置用于响应于接收到包含人脸的待识别图像，得到待识别图像的特征信息，其中，特征提取模型为根据上述训练方法而训练得到；以及识别模型，被配置用于响应于接收到特征信息，得到对人脸的识别结果。
11.根据本公开的一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任意一种方法。
12.根据本公开的一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述任意一种方法。
13.根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述任意一种方法。
14.根据本公开的一个或多个实施例，能够提升特征提取模型的鲁棒性。
15.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
16.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
17.图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
18.图2示出了根据本公开的实施例的一种模型训练方法的流程图；
19.图3示出了根据本公开的实施例的一种模型训练方法的示意图；
20.图4示出了根据本公开示例性实施例的一种人脸识别方法的流程图；
21.图5示出了根据本公开示例性实施例的一种模型训练装置的结构框图；
22.图6示出了根据本公开示例性实施例的一种人脸识别装置的结构框图；以及
23.图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
24.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
25.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
26.在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
27.在人工智能领域，对图像的处理往往始于对特征信息的提取。有效的特征信息能够表征图像中的关键内容，依靠从图像中提取出的特征信息能够实现对图像的重建，并支持下游的图像处理任务的开展。
28.相关技术中，为了训练图像特征提取模型，采用常规的样本图像执行模型训练，这些样本图像从多种渠道获取，多数具有良好的图像质量和完整的图像信息。然而，在实际应用中，由于环境、拍摄角度、遮挡物等一系列干扰因素的影响，图像质量常常难以得到保证。面对这些低质量图像，特征提取模型难以从中捕捉到有效的特征信息，输出结果无法满足下游的应用需求，甚至造成错误的处理结果。
29.基于此，本公开提出一种模型训练方法，以缺少原始图像中的部分信息的第一样本图像执行训练，通过第一特征提取模型从不完整的第一样本图像提取第一特征信息，再利用图像重建模型对提取出的第一特征信息执行图像重建，最后基于原始图像和重建图像，来调整第一特征提取模型的参数。
30.基于该模型训练方法，第一特征提取模型能够以重建原始图像为目标，学习从不完整的第一样本图像中提取出能够用于表征原始图像的特征信息，换言之，第一特征提取模型能够学习到哪些特征信息对于表征原始图像是关键的，并将这些特征信息作为输出结果。如此训练得到的第一特征提取模型能够具有良好的鲁棒性，即使在实际应用中面对质量不佳的输入图像，也能够分辨并提取出其中用于表征原始图像的有效的特征信息，支持基于图像特征信息的下游应用的执行。
31.下面将结合附图详细描述本公开的实施例。
32.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
33.在本公开的实施例中，服务器120可以运行使得能够执行模型训练方法、图像特征提取方法和人脸识别方法中的任意一种的方法的一个或多个服务或软件应用。在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
34.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
35.用户可以使用客户端设备101、102、103、104、105和/或106来获取和/或发送待处理图像和待识别图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
36.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统(例如google chrome os)；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
37.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wifi)和/或这些和/或其他网络的任意组合。
38.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
39.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
40.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
41.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
42.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
43.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
44.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
45.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
46.图2示出了根据本公开示例性实施例的一种模型训练方法的流程图，该方法200包括：步骤s201、获取与原始图像相对应的第一样本图像，其中，第一样本图像缺少原始图像中的部分信息；步骤s202、将第一样本图像输入第一特征提取模型，以得到原始图像的第一特征信息；步骤s203、将第一特征信息输入图像重建模型，以得到与原始图像相对应的重建图像；以及步骤s204、基于原始图像和重建图像，调整第一特征提取模型的参数。
47.由此，第一特征提取模型能够以重建原始图像为目标，学习从不完整的第一样本图像中提取出能够表征原始图像的特征信息，换言之，第一特征提取模型能够学习到哪些特征信息对于表征原始图像是关键的，并将这些特征信息作为提取结果。如此训练得到的第一特征提取模型能够具有良好的鲁棒性，即使在实际应用中面对质量不佳的输入图像，也能够分辨并提取出其中能够用于表征原始图像的有效的特征信息，能够支持下游应用的执行。
48.根据一些实施例，原始图像中包含人脸。由此，第一特征提取模型能够基于本公开中的任意一种训练方法，来学习从不完整的第一样本图像中重建人脸的能力。即使在实际应用中，输入的待识别图像中的人脸存在遮挡、拍摄不完整、光线干扰等情况，也能够从中提取出用于重建人脸的特征信息，进而支持下游的人脸重建、人脸识别等应用。
49.需要说明的是，本实施例中的包含人脸的待识别图像来自于公开数据集，其中的人脸并不是针对某一特定用户的人脸，并不能反映出某一特定用户的个人信息。
50.针对步骤s201，根据一些实施例，获取与原始图像相对应的第一样本图像可以包括：将原始图像划分为多个部分；以及通过去除多个部分中的至少一个部分，来获取第一样本图像。
51.在实际拍摄中，存在由于拍摄角度等问题而导致拍摄图像中的对象不完整的情况。例如，由于拍摄角度的问题，导致在人物图像中仅包含部分的人脸。在训练过程中，通过去除原始图像的多个部分中的至少一个部分而得到第一样本图像，并依据该第一样本图像来执行训练，能够模拟实际拍摄中的上述对象不完整的情况，使得第一特征提取模型能够在训练过程中学习从这样的图像中提取出能够重建该对象的有效信息，提升第一特征提取
模型的鲁棒性。
52.在一种实施方式中，可以对原始图像执行栅格化操作，即将原始图像均匀划分为n
×
n个栅格，通过随机丢弃n
×
n个栅格中第一预设比例的栅格，来获取第一样本图像。可以理解，针对不同的原始图像，丢弃的第一预设比例的栅格的位置不同。
53.根据一些实施例，获取与原始图像相对应的第一样本图像还可以包括：通过在原始图像上叠加遮挡物，来获取第一样本图像。
54.在实际拍摄中，存在由于遮挡物而导致拍摄图像的部分区域被遮挡的情况。例如，在拍摄人物图像时，由于人物佩戴了口罩而导致人脸被遮挡。在训练过程中，通过在原始图像上叠加遮挡物而得到第一样本图像，并依据该第一样本图像来执行训练，能够模拟实际拍摄中的上述图像被遮挡的情况，使得第一特征提取模型能够在训练过程中学习从这样的图像中提取出有效特征信息的能力，提升第一特征提取模型的鲁棒性。
55.在通过步骤s201得到用于训练的第一样本图像之后，执行步骤s202，即将第一样本图像输入第一特征提取模型，以得到第一特征提取模型所提取出的原始图像的第一特征信息。
56.在通过步骤s202得到原始图像的第一特征信息之后，执行步骤s203，使图像重建模型基于该第一特征信息来重建原始图像。
57.针对步骤s204，在得到重建图像之后，可以通过原始图像和重建图像来构建重建损失函数，并基于该重建损失函数执行反向推导，来调整第一特征提取模型的参数。由此，第一特征提取模型能够在训练的过程中逐步学习到从质量不佳的第一样本图像中提取出用于重建原始图像的特征信息的能力。
58.可以理解，在第一特征提取模型的参数被调整的过程中，图像重建模型的参数也被同步调整，即在训练的过程中，第一特征提取模型的特征提取能力和图像重建模型的图像重建能力可以同步提升。
59.根据一些实施例，该方法还可以包括：获取与原始图像相对应的第二样本图像，其中，第二样本图像缺少原始图像中的部分信息，并且第二样本图像与第一样本图像不同；将第二样本图像输入第二特征提取模型，以得到原始图像的第二特征信息；以及基于第一特征信息与第二特征信息之间的相似度，以及第一特征信息与多个第三特征信息中的每一者之间的相似度，调整第一特征提取模型的参数，其中，多个第三特征信息中的每一者为不同于原始图像的其它图像的特征信息。如此，训练得到的第一特征提取模型所提取的特征信息不仅能够实现对原始图像的重建，还能够将原始图像与其它图像相区别。
60.其中，第二特征信息与第一特征信息为来自相同图像，即原始图像，的特征信息，而第三特征信息与第一特征信息为来自不同图像的特征信息。因此，第一特征提取模型所提取的第一特征信息与第二特征信息的相似度越高，且第一特征信息与第三特征信息的相似度越低，则第一特征提取模型区分不同图像的能力越强。
61.在一种实施方式中，可以对原始图像执行栅格化操作，即将原始图像均匀划分为n
×
n个栅格，通过随机丢弃n
×
n个栅格中第二预设比例的栅格，来获取第二样本图像。可以理解，针对不同的原始图像，丢弃的第二预设比例的栅格的位置不同。
62.特别地，在第一样本图像为通过随机丢弃n
×
n个栅格中第一预设比例的栅格而得到的情况下，该第一预设比例和第二预设比例不同，即第二样本图像和第一样本图像为来
自同一个原始图像的、且具有不同程度的信息缺失的图像。如此，能够提升第一特征提取模型的学习难度，使得训练得到的第一特征提取模型在面对具有不同程度的信息缺失的原始图像时，都能够从中提取出能够差异性地表征该原始图像的特征信息，使得该原始图像的特征信息能够与其它图像的特征信息相区别。
63.根据一些实施例，基于第一特征信息与第二特征信息之间的相似度，以及第一特征信息与多个第三特征信息中的每一者之间的相似度，调整第一特征提取模型的参数可以包括：基于第一特征信息与第二特征信息之间的相似度以及第一特征信息与多个第三特征信息中的每一者之间的相似度，来构建对比损失函数；以及基于该对比损失函数，来调整第一特征提取模型的参数。
64.在一种实施方式中，该对比损失函数可以采用如下的方式表示：
[0065][0066]
其中，loss表示对比损失函数，exp(f1*f3

)为第一特征信息与第二特征信息之间的相似度值，f1表示第一特征信息，f3

表示第二特征信息，∑exp(f1*f3-)表示第一特征信息与多个第三特征信息中的每一者之间的相似度之和，exp(f1*f3-)为第一特征信息与第三特征信息之间的相似度值，f3-表示第三特征信息。
[0067]
基于该对比损失函数，对第一特征提取模型的参数进行反向推导，能够使第一特征提取模型逐步学习到在面对具有信息缺失的图像的情况下，区别不同图像的能力。
[0068]
根据一些实施例，在基于上述原始图像执行该模型训练方法之前，已经基于多个历史图像执行了多次该模型训练方法。其中，多个第三特征信息中的每一者为多个历史图像中的每一者所对应的特征信息。
[0069]
在一种实施方式中，针对多个历史图像中的每一者，获取与该历史图像相对应的第三样本图像，其中，该第三样本图像缺少该历史图像中的部分信息；将该第三样本图像输入第二特征提取模型，以得到该历史图像的第三特征信息。
[0070]
在一种实施方式中，多个历史图像中的每一者所对应的第三特征信息预先存储于缓存(cache)之中，该缓存基于先进先出技术保留最新的预定数量的历史图像的第三特征信息。在需要利用多个第三特征信息来调整第一特征提取模型的参数的情况下，可以从该缓存中取出所需数量的第三特征信息，来执行对第一特征提取模型的训练。
[0071]
根据一些实施例，在调整第一特征提取模型的参数之后，可以基于第一特征提取模型的参数来调整第二特征提取模型的参数。
[0072]
通过第一特征提取模型的参数来调整第二特征提取模型的参数，能够使得第二特征提取模型继承第一特征提取模型的训练成果，使得后续训练过程中得到的第二特征信息更加准确，进而提升对第一特征提取模型的训练效果。
[0073]
根据一些实施例，在第二特征提取模型与第一特征提取模型的结构相同的情况下，可以直接将第一特征提取模型经过调整后的参数以预定权重叠加在第二特征提取模型的参数之上，以调整第二特征提取模型的参数。
[0074]
在一种实施方式中，基于第一特征提取模型的参数来调整第二特征提取模型的参数可以包括：利用第一特征提取模型的参数和第二特征提取模型的参数的加权和，来调整第二特征提取模型的参数。
[0075]
特别地，对第二特征提取模型的参数调整可以用如下的公式表示：
[0076]
r2＝m*r2 (1-m)*r1
[0077]
其中，r1为第一特征提取模型的参数，r2为调整前第二特征提取模型的参数，r2为调整后第二特征提取模型的参数，m为用于叠加第一特征提取模型的参数r1的预定权重。优选地，m的值在0.8-0.99之间。
[0078]
图3示出了根据本公开示例性实施例的一种模型训练方法的示意图。如图3所示，对第一特征提取模型的训练可以包括如下的步骤：
[0079]
步骤s301、获取与原始图像相对应的第一样本图像，其中，可以先将原始图像进行栅格化处理，再按照第一预设比例随机丢弃原始图像中的部分栅格，以得到第一样本图像；
[0080]
步骤s302、将第一样本图像输入第一特征提取模型，以得到第一特征提取模型所输出的原始图像的第一特征信息；
[0081]
步骤s303、将第一特征信息输入图像重建模型，以得到图像重建模型所输出的与原始图像相对应的重建图像；
[0082]
步骤s304、通过原始图像和重建图像来构建重建损失函数，并通过重建损失函数训练第一特征提取模型，使得生成的重建图像接近于原始图像；
[0083]
步骤s305、获取与原始图像相对应的第二样本图像，其中，可以先将原始图像进行栅格化处理，再按照第二预设比例随机丢弃原始图像中的部分栅格，以得到第二样本图像，第二预设比例与第一预设比例不同；
[0084]
步骤s306、将第二样本图像输入第二特征提取模型，以得到第二特征提取模型所输出的原始图像的第二特征信息；以及
[0085]
步骤s307、基于第一特征信息与第二特征信息之间的相似度，以及第一特征信息与多个第三特征信息中的每一者之间的相似度，构建对比损失函数，其中，多个第三特征信息中的每一者为不同于原始图像的其它图像的特征信息；通过对比损失函数训练第一特征提取模型，使得第一特征信息与第二特征信息之间具有高相似度，而第一特征信息与第三特征信息之间具有低相似度。
[0086]
可以理解，上述步骤s301～s304与步骤s305～s307可以同时执行，即可以同时通过重建损失函数和对比损失函数来训练第一特征提取模型，使得训练得到的第一特征提取模型能够从原始图像中不完整的图像信息中提取出能够差异化地表征该原始图像的特征信息，该图像特征不能能够用于重建原始图像，还能够将原始图像与其它图像相区别。
[0087]
根据本公开的实施例，还提供了一种图像特征提取方法，包括：将待处理图像输入特征提取模型，以得到该待处理图像的特征信息，其中，特征提取模型为根据上述任意一种训练方法而训练得到。
[0088]
基于采用上述任意一种训练方法而训练得到的特征提取模型，能够具有良好的鲁棒性，即使在实际应用中面对质量不佳的待处理图像，也能够提取出能够用于表征该待处理图像的特征信息，该特征信息能够用于对待处理图像的重建，进而支持下游应用的执行。
[0089]
图4示出了根据本公开示例性实施例的一种人脸识别方法的流程图，该方法400包括：步骤s401、将包含人脸的待识别图像输入特征提取模型，以得到该待识别图像的特征信息，其中，该特征提取模型为根据以上任意一种训练方法而训练得到；以及步骤s402、将特征信息输入识别模型，以得到对人脸的识别结果。
[0090]
基于采用上述任意一种训练方法而训练得到的特征提取模型，能够具有良好的鲁棒性，即使在实际应用中面对质量不佳的待识别图像，也能够从中提取出能够用于表征该待识别图像中的人脸的特征信息，使得识别模型能够基于该特征信息实现准确地人脸识别。
[0091]
需要说明的是，本实施例中的包含人脸的待识别图像来自于公开数据集，其中的人脸并不是针对某一特定用户的人脸，并不能反映出某一特定用户的个人信息。
[0092]
图5示出了根据本公开示例性实施例的一种模型训练装置的结构框图，该装置500包括：第一获取单元501，被配置用于获取与原始图像相对应的第一样本图像，其中，第一样本图像缺少原始图像中的部分信息；第二获取单元502，被配置用于将第一样本图像输入第一特征提取模型，以得到原始图像的第一特征信息；第三获取单元503，被配置用于将第一特征信息输入图像重建模型，以得到与原始图像相对应的重建图像；以及第一调整单元504，被配置用于基于原始图像和重建图像，调整第一特征提取模型的参数。
[0093]
根据一些实施例，第一获取单元包括：划分子单元，被配置用于将原始图像划分为多个部分；以及第一获取子单元，被配置用于通过去除多个部分中的至少一个部分，来获取第一样本图像。
[0094]
根据一些实施例，第一获取单元包括：第二获取子单元，被配置用于通过在原始图像上叠加遮挡物，来获取第一样本图像。
[0095]
根据一些实施例，该装置还包括：第四获取单元，被配置用于获取与原始图像相对应的第二样本图像，其中，第二样本图像缺少原始图像中的部分信息，并且第二样本图像与第一样本图像不同；第五获取单元，被配置用于将第二样本图像输入第二特征提取模型，以得到原始图像的第二特征信息；以及第二调整单元，被配置用于基于第一特征信息与第二特征信息之间的相似度，以及第一特征信息与多个第三特征信息中的每一者之间的相似度，调整第一特征提取模型的参数，其中，多个第三特征信息中的每一者为不同于原始图像的其它图像的特征信息。
[0096]
根据一些实施例，该装置还包括：第三调整单元，被配置用于在调整第一特征提取模型的参数之后，基于第一特征提取模型的参数来调整第二特征提取模型的参数。
[0097]
根据一些实施例，第三调整单元包括：调整子单元，被配置用于利用第一特征提取模型的参数和第二特征提取模型的参数的加权和，来调整第二特征提取模型的参数。
[0098]
根据一些实施例，原始图像中包含人脸。需要说明的是，本实施例中的包含人脸的待识别图像来自于公开数据集，其中的人脸并不是针对某一特定用户的人脸，并不能反映出某一特定用户的个人信息。
[0099]
根据本公开的实施例，还提供了一种特征提取模型，其中，特征提取模型能够根据输入的待处理图像，得到待处理图像的特征信息，其中，特征提取模型为根据以上任意一种训练方法而训练得到。
[0100]
图6示出了根据本公开示例性实施例的一种人脸识别装置的结构框图，该装置600包括：特征提取模型601，被配置用于响应于接收到包含人脸的待识别图像，得到待识别图像的特征信息，其中，特征提取模型为根据以上任意一种训练方法而训练得到；以及识别模型602，被配置用于响应于接收到特征信息，得到对该人脸的识别结果。
[0101]
需要说明的是，本实施例中的包含人脸的待识别图像来自于公开数据集，其中的
人脸并不是针对某一特定用户的人脸，并不能反映出某一特定用户的个人信息。
[0102]
根据本公开的实施例，还提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任意一种方法。
[0103]
根据本公开的实施例，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述任意一种方法。
[0104]
根据本公开的实施例，还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述任意一种方法。
[0105]
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0106]
如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0107]
电子设备700中的多个部件连接至i/o接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
[0108]
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如，模型训练方法、图像特征提取方法或人脸识别方法。例如，在一些实施例中，模型训练方法、图像特征提取方法或人脸识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的模型训练方法、图像特征提取方法或人
脸识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法、图像特征提取方法或人脸识别方法。
[0109]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0110]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0111]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0112]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0113]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0114]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计
算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0115]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0116]
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。