(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 202210680595.4 (22)申请日 2022.06.16 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 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 洪振厚　王健宗　瞿晓阳　 (74)专利代理 机构 深圳众鼎专利商标代理事务 所(普通合伙) 44325 专利代理师 张美君 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/774(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06V 10/82(2022.01) G06V 10/20(2022.01) G06F 21/62(2013.01) (54)发明名称 基于人工智能的人脸识别方法、 装置、 设备 及存储介质 (57)摘要 本发明涉及人工智能领域， 公开了基于人工 智能的人脸识别方法、 装置、 设备及存储介质， 其 中， 方法包括： 对预设识别网络进行基于彩票假 说压缩技术的深度学习训练和网络寻优， 得到满 足预设性能条件的目标子网络并输出为人脸识 别模型； 将人脸识别模型进行代码编译和优化得 到目标代码； 将目标代码部署至目标设备， 以调 用人脸识别模 型对待识别数据进行人脸识别， 目 标设备包括边缘设备和终端设备； 本发明中， 确 保人脸识别模 型识别性能的同时， 还降低了模型 数据量和人脸识别模型的代码量， 从而降低了目 标设备的运行成本， 使 得人脸识别模 型可直接部 署至边缘设备和终端设备等目标设备， 减少了人 脸数据泄 露风险， 提高了人脸识别的安全性。 权利要求书2页 说明书16页 附图5页 CN 114898446 A 2022.08.12 CN 114898446 A 1.一种基于人工智能的人脸识别方法， 其特 征在于， 包括： 获取多个人脸数据， 并对多个所述人脸数据进行数据标准化处理， 得到多个标准训练 数据； 采用多个所述标准训练数据， 对预设识别网络进行基于彩票假说压缩技术的深度 学习 训练和网络寻优， 得到满足预设性能条件的目标子网络， 并将所述 目标子网络输出为人脸 识别模型； 将所述人脸识别模型进行代码编译和优化， 得到所述人脸识别模型的目标代码； 将所述目标代码部署至目标设备， 以使所述目标设备在接收到人脸识别指令时， 运行 所述目标代码以调用所述人脸识别模型对待识别数据进行人脸识别， 所述目标设备包括边 缘设备和终端设备。 2.如权利要求1所述的基于人工智能的人脸识别方法， 其特征在于， 所述采用多个所述 标准训练数据， 对预设识别网络进行基于彩票假说压缩技术的深度学习训练和网络寻优， 得到满足预设性能条件的目标子网络， 包括： 采用多个所述标准训练数据训练所述预设识别网络， 并对训练得到的第 一识别网络进 行裁剪优化， 得到待测试子网络； 对所述待测试子网络进行识别性能测试， 以根据测试结果确定所述待测试子网络是否 满足所述预设性能条件； 若所述待测试子网络满足所述预设性 能条件， 则将所述待测试子网络记录为所述目标 子网络。 3.如权利要求2所述的基于人工智能的人脸识别方法， 其特征在于， 所述采用多个所述 标准训练数据训练所述预设识别网络， 并对训练得到的第一识别网络进行裁剪优化， 得到 待测试子网络， 包括： 采用多个所述标准训练数据对所述预设识别网络进行第 一预设轮次的训练， 得到第 一 识别网络； 根据所述第 一识别网络的权重值对所述第 一识别网络进行裁剪， 并将裁剪后留下的子 网络记录为裁 剪网络； 采用多个所述标准训练数据继续对所述裁剪网络进行第 二预设轮次的训练， 得到待测 试子网络 。 4.如权利要求2所述的基于人工智能的人脸识别方法， 其特征在于， 所述根据测试结果 确定所述待测试子网络是否满足所述预设性能条件之后， 所述方法还 包括： 若所述待测试子网络未满足所述预设性能条件， 则继续对所述待测试子网络进行裁剪 和训练， 得到新的所述待测试子网络； 对新的所述待测试子网络进行识别性 能测试， 直至新的所述待测试子网络满足所述预 设性能条件。 5.如权利要求1所述的基于人工智能的人脸识别方法， 其特征在于， 所述将所述人脸识 别模型进行代码编译和优化， 得到所述人脸识别模型的目标代码， 包括： 将所述人脸识别模型输入虚拟张量机， 以使所述虚拟张量机对所述人脸识别模型进行 中间式转换， 得到所述人脸识别模型的中间表达式； 确定优化目标， 并根据所述优化目标对所述中间表达式进行优化操作， 得到所述中间权　利　要　求　书 1/2 页 2 CN 114898446 A 2表达式的优化数据； 根据所述优化数据对所述中间表达式进行优化更新， 得到优化后的所述中间表达式； 将优化后的所述中间表达式进行硬件代码编译， 得到所述目标代码。 6.如权利要求5所述的基于人工智能的人脸识别方法， 其特征在于， 所述确定优化目 标， 并根据所述优化 目标对所述中间表达式进行优化操作， 得到所述中间表达式的优化数 据， 包括： 确定对所述中间表达式的所述优化操作为卷积， 并配置所述卷积中矩阵的范围和所述 卷积中轴的排列组合方式； 将所述卷积中矩阵的范围和所述卷积中轴的排列组合方式， 作为所述优化目标； 对所述中间表达 式进行卷积操作， 并采用随机搜索算法对所述中间表达 式进行所述优 化目标的搜索， 得到运行时间最短的所述优化数据， 所述优化数据包括所述卷积 中矩阵的 优化范围和所述卷积中轴的优化 排列组合。 7.如权利要求1 ‑6任一项所述的基于人工智能的人脸识别方法， 其特征在于， 所述运行 所述目标代码以调用所述人脸识别模型对待识别数据进行 人脸识别， 包括： 所述目标设备对所述待识别数据进行预处理， 得到预处理数据， 所述预处理包括亮度 调整和像素归一 化； 所述目标设备运行所述目标代码， 以调用所述人脸识别模型， 并将所述预处理数据输 入所述人脸识别模型进行 人脸识别。 8.一种基于人工智能的人脸识别装置， 其特 征在于， 包括： 处理模块， 用于获取多个人脸数据， 并对多个所述人脸数据进行数据 标准化处理， 得到 多个标准训练数据； 训练模块， 用于采用多个所述标准训练数据， 对预设识别网络进行基于彩票假说压缩 技术的深度学习训练和网络寻优， 得到满足预设性能条件的目标子网络， 并将所述 目标子 网络输出为人脸识别模型； 编译模块， 用于将所述人脸识别模型进行代码编译和优化， 得到所述人脸识别模型的 目标代码； 部署模块， 用于将所述目标代码部署至目标设备， 以使所述目标设备在接收到人脸识 别指令时， 运行所述 目标代码以调用所述人脸识别模型对待识别数据进行人脸识别， 所述 目标设备包括 边缘设备和终端设备。 9.一种计算机设备， 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 上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1至 7任一项所述基于人工智能的人脸识别方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时实现如权利要求 1至7任一项 所述基于人工智能的人脸 识别方法的步骤。权　利　要　求　书 2/2 页 3 CN 114898446 A 3