本发明涉及身份识别技术领域，尤其涉及一种身份识别方法、装置、设备及存储介质。
背景技术：
现如今，身份识别应用极其广泛，根据识别方式的不同，身份识别主要可以分为指纹识别和人脸识别两种，但是因为现在存在指纹膜复刻等安全规避手段，指纹识别可能会因指纹伪造而出现安全风险，而人脸识别相比指纹之别距离更远，使用更加便利，且因目前并未出现可规避人脸识别的安全规避手段，使用人脸识别也十分安全，因此，通过人脸识别进行身份识别现在广泛用于人员身份合法性校验中，但是，根据实际使用场景的不同，部分场景难以获取人员的完整脸部图像，从而导致人脸识别失效，人员身份无法辨认，例如：地形较为复杂的场景，因图像采集设备角度所限，难以拍摄到人员的完整脸部图像；在医院、工地或粉尘较重的工厂等应用场景，通常会因帽子、口罩等遮挡物存在，难以拍摄到人员的完整脸部图像；在影院、车站等应用场景，因人员较多，可能会存在人员互相遮挡等现象，导致无法拍摄到人员的完整脸部图像。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
技术实现要素：
本发明的主要目的在于提供一种身份识别方法、装置、设备及存储介质，旨在解决现有技术在无法获取到人员的完整脸部图像时无法通过人脸识别确定人员的身份的技术问题。
为实现上述目的，本发明提供了一种身份识别方法，所述方法包括以下步骤:
采集用户的当前图像，并检测所述当前图像中的人脸图像是否被部分遮挡；
在所述人脸图像被部分遮挡时，通过预设特征提取模型对所述当前图像进行特征提取，以获得当前图像特征；
通过预设伪图生成器对所述当前图像特征进行图像补全，以获得补全后的完整用户图像；
对所述完整用户图像进行身份识别，生成身份识别结果并展示。
可选的，所述采集用户的当前图像，并检测所述当前图像中的人脸图像是否被部分遮挡的步骤之前，还包括：
获取清晰完整图样本集，并遍历所述清晰完整图样本集，以获得当前清晰完整图像样本；
对清晰完整图像样本进行随机人脸遮挡处理，以获得部分遮挡图像样本；
根据所述清晰完整图像样本及所述部分遮挡图像样本构建图像补全训练样本；
在遍历结束时，根据所有获得的图像补全训练样本构建图像补全训练样本集；
通过所述图像补全训练样本集对初始图像补全模型进行训练，以获得预设特征提取模型及预设伪图生成器，所述初始图像补全模型包括伪图生成器及特征提取模型。
可选的，所述初始图像补全模型还包括图像判别器；
所述通过所述图像补全训练样本集对初始图像补全模型进行训练，以获得预设特征提取模型及预设伪图生成器的步骤，包括：
通过特征提取训练集对所述特征提取模型进行训练，以获得预设特征提取模型；
在所述图像补全训练样本集中选取当前图像补全训练样本；
对所述当前图像补全训练样本进行解析，以获得清晰完整图像及部分遮挡图像；
通过所述特征提取模型对所述部分遮挡图像进行特征提取，以获得遮挡图像特征；
通过所述伪图生成器对所述遮挡图像特征进行图像补全，以获得补全伪图；
通过所述图像判别器对所述清晰完整图像、所述部分遮挡图像及所述补全伪图进行真伪判别，以获得判别结果；
根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图及所述判别结果确定训练损失值；
在所述训练损失值满足预设训练结束条件时，判定训练完成，将训练完成的伪图生成器作为预设伪图生成器。
可选的，所述根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图及所述判别结果确定训练损失值的步骤之后，还包括：
在所述训练损失值不满足预设训练结束条件时，对所述伪图生成及所述图像判别器进行参数优化，并返回所述在所述图像补全训练样本集中选取当前图像补全训练样本的步骤。
可选的，所述通过所述伪图生成器对所述遮挡图像特征进行图像补全，以获得补全伪图的步骤，包括：
获取随机噪音特征，并将所述遮挡图像特征与所述随机噪音特征进行特征融合，以获得融合图像特征；
通过所述伪图生成器对所述融合图像特征进行图像补全，以获得补全伪图；
相应的，所述根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图及所述判别结果确定训练损失值的步骤，包括：
根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值。
可选的，所述根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值的步骤，包括：
通过预设损失函数根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值；
所述预设损失函数为：
f＝ex,y[log(d(x,y))] ey,z[log(1-d(y,g(y,z)))] λex,y,z[||(fx-fy)-(fg(y,z)-fy)||2]
其中，f为训练损失值，g为伪图生成器；d为图像判别器；λ为预设系数，值为常数；x为清晰完整图像，y为部分遮挡图像，z为随机噪音特征，fx为清晰完整图像的图像特征，fy为部分遮挡图像的图像特征，fg(y,z)为补全伪图的图像特征，e为数学期望符号，d(x,y)为判别结果中清晰完整图像与部分遮挡图像的真伪判别结果，d(y,g(y,z))为判别结果中部分遮挡图像与补全伪图的真伪判别结果。
可选的，所述在所述训练损失值满足预设训练结束条件时，判定训练完成，将训练完成的伪图生成器作为预设伪图生成器的步骤之后，还包括：
获取图像补全测试样本集，通过所述预设特征提取模型及预设伪图生成器对所述图像补全测试样本集中的各个图像补全样本进行图像补全，以获得模型补全图像集；
获取所述图像补全测试样本集对应的标准清晰图像集；
根据所述标准清晰图像及及所述模型补全图像集确定图像补全准确率；
在所述图像补全准确率低于预设准确率阈值时，返回所述获取清晰完整图样本集的步骤。
此外，为实现上述目的，本发明还提出一种身份识别装置，所述身份识别装置包括以下模块：
图像采集模块，用于采集用户的当前图像，并检测所述当前图像中的人脸图像是否被部分遮挡；
特征提取模块，用于在所述人脸图像被部分遮挡时，通过预设特征提取模型对所述当前图像进行特征提取，以获得当前图像特征；
图像补全模块，用于通过预设伪图生成器对所述当前图像特征进行图像补全，以获得补全后的完整用户图像；
身份识别模块，用于对所述完整用户图像进行身份识别，生成身份识别结果并展示。
此外，为实现上述目的，本发明还提出一种身份识别设备，所述身份识别设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的身份识别程序，所述身份识别程序被所述处理器执行时实现如上所述的身份识别方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有身份识别程序，所述身份识别程序执行时实现如上所述的身份识别方法的步骤。
本发明通过采集用户的当前图像，并检测当前图像中的人脸图像是否被部分遮挡；在人脸图像被部分遮挡时，通过预设特征提取模型对当前图像进行特征提取，以获得当前图像特征；通过预设伪图生成器对当前图像特征进行图像补全，以获得补全后的完整用户图像；对完整用户图像进行身份识别，生成身份识别结果并展示。由于在用户的当前图像的人脸图像被部分遮挡时通过预设特征提取模型及预设伪图生成器对当前图像特征进行图像补全，以获得可用于进行身份识别的完整用户图像，保证在无法获取用户的完整脸部图像时依旧可通过人脸识别确定用户的身份。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的电子设备的结构示意图；
图2为本发明身份识别方法第一实施例的流程示意图；
图3为本发明身份识别方法第二实施例的流程示意图；
图4为本发明身份识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的身份识别设备结构示意图。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器(centralprocessingunit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(randomaccessmemory，ram)存储器，也可以是稳定的非易失性存储器(non-volatilememory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及身份识别程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在身份识别设备中，所述电子设备通过处理器1001调用存储器1005中存储的身份识别程序，并执行本发明实施例提供的身份识别方法。
本发明实施例提供了一种身份识别方法，参照图2，图2为本发明一种身份识别方法第一实施例的流程示意图。
本实施例中，所述身份识别方法包括以下步骤：
步骤s10：采集用户的当前图像，并检测所述当前图像中的人脸图像是否被部分遮挡。
需要说明的是，本实施例的执行主体可以是所述身份识别设备，所述身份识别设备可以是个人电脑、服务器等电子设备，还可以为其他可实现相同或相似功能的设备，本实施例对此不加以限制，在本实施例及下述各实施例中，以身份识别设备为例对本发明身份识别方法进行说明。
需要说明的是，当前图像可以是用户当前时刻被采集的图像，采集用户的当前图像可以是通过传感器感应到用户处于图像采集区域时，通过图像采集设备采集用户的当前图像，其中，传感器可以是红外线传感器，图像采集设备可以是摄像头、摄像机、相机等设备，还可以为其他带有图像采集功能的设备，本实施例对此不加以限制。检测当前图像中的人脸图像是否被部分遮挡可以是先通过图形识别定位当前图像中的人脸图像位置，再根据人脸图像位置在当前图像中截取人脸图像，检测并定位人脸图像中各个人脸器官，根据最后定位的人脸器官的数量判断人脸图像是否被部分遮挡。
步骤s20：在所述人脸图像被部分遮挡时，通过预设特征提取模型对所述当前图像进行特征提取，以获得当前图像特征。
需要说明的是，预设特征提取模型可以是预先训练完成，可以对图像进行特征提取的神经网络模型。当前图像特征可以是当前图像中用户未被遮挡部分图像的图像特征，通过预设特征提取模型对当前图像进行特征提取，以获得当前图像特征可以是通过预设特征提取模型对当前图像中截取用户图像，再对用户图像进行特征提取，以获得当前图像特征。
步骤s30：通过预设伪图生成器对所述当前图像特征进行图像补全，以获得补全后的完整用户图像。
需要说明的是，预设伪图生成器可以是预先训练完成，用于补全图像的神经网络模型。预设伪图生成器可以将输入的当前图像特征进行分解，确定各个图像特征的区域，并确定当前图像中被遮挡部分的区域，抽取被遮挡部分的邻域特征，根据邻域特征推导被遮挡部分的图片特征，将推导出的被遮挡部分的图片特征与当前图像特征进行组合，以补全图像特征，最后根据补全的图像特征生成完整用户图像并输出，其中，根据实际使用需要，在将当前图像特征输入预设伪图生成器之前，还可以获取随机图像特征作为随机噪音特征，将随机图像特征与当前图像特征融合后，再将融合后的图像特征输入预设伪图生成器。
步骤s40：对所述完整用户图像进行身份识别，生成身份识别结果并展示。
在实际使用中，在获得补全后的完整用户图像之后，可以根据完整用户图像进行人脸识别，根据识别结果在人员身份管理库中查找对应的人员身份，并根据查找结果生成身份识别结果并展示在对应的显示装置上，其中，人员身份管理库可以是预先由管理人员设置的包含允许通过的各个人员的人员身份信息的数据库，显示装置可以是显示屏，也可以是其他具备显示功能的设备。
可以理解的是，在根据识别结果在人员身份管理库中可查找到对应的人员身份时，可以确定身份识别结果为身份识别通过；在根据识别结果在人员身份管理库中未查找到对应的人员身份时，可以确定身份识别结果为身份识别不通过。
进一步地，为了便于问题排查，本实施例步骤s40之后，还可以包括：
根据所述当前图像、所述当前图像特征、所述完整用户图像及所述身份识别结果生成身份识别报告；将所述身份识别报告存储至预设识别报告库中。
可以理解的是，在实际使用过程中，可能会出现识别失败或识别异常等现象，若不记录相关流程信息，排查异常会变得十分困难，因此，可以根据当前图像、当前图像特征、完整用户画像及身份识别结果生成身份识别报告，身份识别报告中可以包含有本实施例身份识别方法执行流程中的各项处理结果，在出现异常时，可以根据身份识别报告快速定位识别失败或识别异常的原因，便于进行故障排查，可以快速发现异常原因，从而针对性进行调整。
本实施例通过采集用户的当前图像，并检测当前图像中的人脸图像是否被部分遮挡；在人脸图像被部分遮挡时，通过预设特征提取模型对当前图像进行特征提取，以获得当前图像特征；通过预设伪图生成器对当前图像特征进行图像补全，以获得补全后的完整用户图像；对完整用户图像进行身份识别，生成身份识别结果并展示。由于在用户的当前图像的人脸图像被部分遮挡时通过预设特征提取模型及预设伪图生成器对当前图像特征进行图像补全，以获得可用于进行身份识别的完整用户图像，保证在无法获取用户的完整脸部图像时依旧可通过人脸识别确定用户的身份。
参考图3，图3为本发明一种身份识别方法第二实施例的流程示意图。
基于上述第一实施例，本实施例身份识别方法在所述步骤s10之前，还包括：
步骤s01：获取清晰完整图样本集，并遍历所述清晰完整图样本集，以获得当前清晰完整图像样本。
需要说明的是，清晰完整图样本集可以是由多个清晰完整图样本组合构建的集合，其中，清晰完整图样本可以是预先采集的人员的高清图像，也可以是成功进行过人脸识别的人员图像。遍历清晰完整图样本集，以获得当前清晰完整图像样本可以是依据清晰完整图样本集的索引遍历清晰完整图样本集，将当前遍历阶段获取的清晰完整图样本作为当前清晰完整图像样本。
步骤s02：对清晰完整图像样本进行随机人脸遮挡处理，以获得部分遮挡图像样本。
需要说明的是，对清晰完整图像样本进行随机人脸遮挡处理，以获得部分遮挡图像样本可以是识别清晰完整图像样本中人脸图像位置，以获得人脸图像，获取随机遮挡物，将随机遮挡物覆盖于人脸图像上，以获得部分遮挡图像样本。其中，随机遮挡物可以是口罩、帽子等遮挡物，获取随机遮挡物可以是在预设遮挡物样本库中随机选取遮挡物，预设遮挡物样本库中可以是预先设置的样本库，其中可以保存有各种不同类型不同样式的遮挡物样本。
步骤s03：根据所述清晰完整图像样本及所述部分遮挡图像样本构建图像补全训练样本。
在实际使用中，将清晰完整图像样本及部分遮挡图像样本合并为一组数据，即可获得图像补全训练样本。
步骤s04：在遍历结束时，根据所有获得的图像补全训练样本构建图像补全训练样本集。
可以理解的是，在遍历结束时可以获得多个图像补全训练样本，将所有获得的图像补全训练样本添加至预先创建的集合中，即可获得图像补全训练样本集。
步骤s05：通过所述图像补全训练样本集对初始图像补全模型进行训练，以获得预设特征提取模型及预设伪图生成器，所述初始图像补全模型包括伪图生成器及特征提取模型。
需要说明的是，初始图像补全模型可以是基于条件生成对抗网络(conditionalgenerativeadversarialnetworks,cgan)构建的模型，其中可以包括图像判别器、伪图生成器及特征提取模型。其中，特征提取模型可以是采用alexnet或vggnet等经典网络架构构建的卷积神经网络(convolutionalneuralnetworks,cnn)模型，其可以包括5层卷积层，5层池化层及2层全连接层。各层卷积层的卷积核均为3*3，激活函数均为relu(rectifiedlinearunit)激活函数，各层卷积核的数量分别为64、128、256、320、380，各池化层的池化单元均为2*2，池化层将池化后的特征向量经批归一化处理后输入至全连接层，2层连接层神经元数量分别为4096、1000。伪图生成器的输入为图像特征，其结构与特征提取模型相似，但其中无池化层，且将卷积层替换为5层反卷积层，各层反卷积层的卷积核均为3*3，前4层反卷积层的激活函数为relu激活函数，最后一层的激活函数为tanh激活函数，最终直接输出补全后的补全伪图。图像判别器的输入为图像特征数据对，用于判别输入的两个不同的图像特征对应的是否为同一张图像，图像判别器仅有一层，该层仅有一个神经元，其激活函数为sigmoid激活函数，输出为0和1，0代表判别结果为假，即对应的并非同一张图像，1代表判别结果为真，即对应的为同一张图像。图像特征数据对可以是两个不同的图像特征组成的数据对。
进一步地，为了说明如何进行模型训练，本实施例步骤s05，可以包括：
通过特征提取训练集对所述特征提取模型进行训练，以获得预设特征提取模型；在所述图像补全训练样本集中选取当前图像补全训练样本；对所述当前图像补全训练样本进行解析，以获得清晰完整图像及部分遮挡图像；通过所述特征提取模型对所述部分遮挡图像进行特征提取，以获得遮挡图像特征；通过所述伪图生成器对所述遮挡图像特征进行图像补全，以获得补全伪图；通过所述图像判别器对所述清晰完整图像、所述部分遮挡图像及所述补全伪图进行真伪判别，以获得判别结果；根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图及所述判别结果确定训练损失值；在所述训练损失值满足预设训练结束条件时，判定训练完成，将训练完成的伪图生成器作为预设伪图生成器。
需要说明的是，特征提取训练集可以是由多个特征提取训练样本构建的集合，特征提取训练样本可以由特征提取图像及标准图像特征组合构建，通过特征提取训练集对特征提取模型进行训练可以对特征提取模型中的各个模型参数进行调整，在模型特征提取误差小于预设误差阈值时，即可判定训练完成，获得预设特征提取模型，其中，预设误差阈值可根据实际需要进行设置。训练完毕的预设特征提取模型可以对输入的图像进行特征提取。
需要说明的是，遮挡图像特征可以是部分遮挡图像中未被遮挡部分的图像特征。通过伪图生成器对遮挡图像特征进行图像补全，以获得补全伪图可以是将遮挡图像特征作为图像生成条件通过伪图生成器生成补全伪图，其中，以遮挡图像特征作为图像生成条件，可以约束伪图生成器图片生成的自由度，降低伪图生成器生成类别的多样性，提升伪图生成器在训练中收敛速率，可以提高训练效率。
需要说明的是，通过所述图像判别器对所述清晰完整图像、所述部分遮挡图像及所述补全伪图进行真伪判别，以获得判别结果可以是通过预设特征提取模型分别对清晰完整图像、部分遮挡图像及补全伪图进行特征提取，以获得清晰完整图像对应的完整图像特征，部分遮挡图像对应的遮挡图像特征及补全伪图对应的伪图图像特征，将完整图像特征与遮挡图像特征作为第一数据输入图像判别器进行真伪判别，获得第一真伪判别结果，即清晰完整图像与部分遮挡图像的真伪判别结果；将遮挡图像特征及伪图图像特征作为第二数据输入图像判别器进行真伪判别，获得第二真伪判别结果，即部分遮挡图像与补全伪图的真为判别结果，最终将第一图像判别结果及第二图像判别结果组合为图像判别结果。
在实际使用中，可以在训练损失值小于预设损失阈值时，可以判定训练损失值满足预设训练结束条件，还可以在训练损失值不小于预设损失阈值，且图像补全训练样本集中的图像补全训练样本均被选取过时，判定训练损失值满足预设训练结束条件。
可以理解的是，若训练损失值不满足预设训练结束条件，则可以对伪图生成器及图像判别器的参数进行优化调整，并重新选择当前图像补全训练样本进行训练，因此，在本实施例根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图及所述判别结果确定训练损失值的步骤之后，还可以包括：
在所述训练损失值不满足预设训练结束条件时，对所述伪图生成器及所述图像判别器进行参数优化，并返回所述在所述图像补全训练样本集中选取当前图像补全训练样本的步骤。
在实际使用中，对伪图生成器及图像判别器进行参数优化可以是根据训练损失值对伪图生成器及图像判别器进行参数优化。
进一步地，为了提高模型的泛化能力，本实施例通过所述伪图生成器对所述遮挡图像特征进行图像补全，以获得补全伪图的步骤，可以包括：
获取随机噪音特征，并将所述遮挡图像特征与所述随机噪音特征进行特征融合，以获得融合图像特征；通过所述伪图生成器对所述融合图像特征进行图像补全，以获得补全伪图。
相应的，本实施例所述根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图及所述判别结果确定训练损失值的步骤，可以包括：
根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值。
需要说明的是，若直接通过伪图生成器对遮挡图像特征进行图像补全，以获得补全伪图，而不引入随机元素，可能会出现模型过拟合现象，导致训练完毕的伪图生成器的泛化性较低，不具备补全各种不同的遮挡图像的能力，因此，在将遮挡图像特征输入伪图生成器进行图像补全之前，还可以获取随机噪音特征，将随机噪音特征与遮挡图像特征进行特征融合，再将融合后的融合图像特征输入伪图生成器进行图像补全，以获得补全伪图，可以有效的引入随机噪音元素，提升训练完成的伪图生成器的泛化能力，令其可补全各种不同的遮挡图像。其中，将随机噪音特征与遮挡图像特征进行特征融合，以获得融合图像特征可以是将随机噪音特征的特征向量与遮挡图像特征进行向量拼接，以获得融合图像特征。
在实际使用中，根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值可以是通过预设损失函数根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值。
所述预设损失函数可以为：
f＝ex,y[log(d(x,y))] ey,z[log(1-d(y,g(y,z)))] λex,y,z[||(fx-fy)-(fg(y,z)-fy)||2]
其中，f为训练损失值，g为伪图生成器；d为图像判别器；λ为预设系数，值为常数；x为清晰完整图像，y为部分遮挡图像，z为随机噪音特征，fx为清晰完整图像的图像特征，fy为部分遮挡图像的图像特征，fg(y,z)为补全伪图的图像特征，e为数学期望符号，d(x,y)为判别结果中清晰完整图像与部分遮挡图像的真伪判别结果，d(y,g(y,z))为判别结果中部分遮挡图像与补全伪图的真伪判别结果。
需要说明的是，清晰完整图像的图像特征、部分遮挡图像的图像特征及补全伪图的图像特征可以通过预设特征提取模型分别对清晰完整图像、部分遮挡图像及补全伪图进行特征提取得到。
需要说明的是，在实际使用过程中可以采用随机梯度下降法(stochasticgradientdescent,sgd)，通过预设损失函数根据清晰完整图像、部分遮挡图像、补全伪图、随机噪音特征及判别结果计算训练损失值，采用随机梯度下降法可以在一定程度上提高模型训练效率，缩短模型训练时间。
需要说明的是，伪图生成器及图像判别器是依据条件生成对抗网络的原理构建的，其中，伪图生成器的优化目标是使得生成的伪图接近真实，令图像判别器无法区分，图像判别器的优化目标是可征程区分真伪，在不断的博弈对抗中，致使伪图生成器的伪图为最优，因此，其整体目标函数可以为：
其中，g为伪图生成器，d为图像判别器，λ为预设系数，值为常数，lcgan(g,d)为条件生成对抗网络损失函数，ll2(g)为生成器附加损失函数，生成器附加损失为约束缺失图像补全效果的惩罚，为图像特征间的l2范数，其值应最小。
而lcgan(g,d)及ll2(g)可以分别表示如下：
lcgan(g，d)＝ex，y[log(d(x，y))] ey，z[log(1-d(y，g(y，z)))]
将对抗网络损失函数及生成器附加损失函数代入整体目标函数中，即可获得上述预设损失函数。
本实施例通过获取清晰完整图样本集，并遍历所述清晰完整图样本集，以获得当前清晰完整图像样本；对清晰完整图像样本进行随机人脸遮挡处理，以获得部分遮挡图像样本；根据所述清晰完整图像样本及所述部分遮挡图像样本构建图像补全训练样本；在遍历结束时，根据所有获得的图像补全训练样本构建图像补全训练样本集；通过所述图像补全训练样本集对初始图像补全模型进行训练，以获得预设特征提取模型及预设伪图生成器。由于初始图像补全模型是基于条件生成对抗网络构建的，在训练过程中可令伪图生成器及图像判别器不断进行对抗博弈，保证在训练完成时获得的预设伪图生成器可生成真假难辨的伪图，保证了图像补全的精准度，提高了身份识别方法的可靠性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有身份识别程序，所述身份识别程序被处理器执行时实现如上文所述的身份识别方法的步骤。
参照图4，图4为本发明身份识别装置第一实施例的结构框图。
如图4所示，本发明实施例提出的身份识别装置包括：
图像采集模块401，用于采集用户的当前图像，并检测所述当前图像中的人脸图像是否被部分遮挡；
特征提取模块402，用于在所述人脸图像被部分遮挡时，通过预设特征提取模型对所述当前图像进行特征提取，以获得当前图像特征；
图像补全模块403，用于通过预设伪图生成器对所述当前图像特征进行图像补全，以获得补全后的完整用户图像；
身份识别模块404，用于对所述完整用户图像进行身份识别，生成身份识别结果并展示。
本实施例通过采集用户的当前图像，并检测当前图像中的人脸图像是否被部分遮挡；在人脸图像被部分遮挡时，通过预设特征提取模型对当前图像进行特征提取，以获得当前图像特征；通过预设伪图生成器对当前图像特征进行图像补全，以获得补全后的完整用户图像；对完整用户图像进行身份识别，生成身份识别结果并展示。由于在用户的当前图像的人脸图像被部分遮挡时通过预设特征提取模型及预设伪图生成器对当前图像特征进行图像补全，以获得可用于进行身份识别的完整用户图像，保证在无法获取用户的完整脸部图像时依旧可通过人脸识别确定用户的身份。
进一步地，所述图像采集模块401，还用于获取清晰完整图样本集，并遍历所述清晰完整图样本集，以获得当前清晰完整图像样本；对清晰完整图像样本进行随机人脸遮挡处理，以获得部分遮挡图像样本；根据所述清晰完整图像样本及所述部分遮挡图像样本构建图像补全训练样本；在遍历结束时，根据所有获得的图像补全训练样本构建图像补全训练样本集；通过所述图像补全训练样本集对初始图像补全模型进行训练，以获得预设特征提取模型及预设伪图生成器，所述初始图像补全模型包括伪图生成器及特征提取模型。
进一步地，所述图像采集模块401，还用于通过特征提取训练集对所述特征提取模型进行训练，以获得预设特征提取模型；在所述图像补全训练样本集中选取当前图像补全训练样本；对所述当前图像补全训练样本进行解析，以获得清晰完整图像及部分遮挡图像；通过所述特征提取模型对所述部分遮挡图像进行特征提取，以获得遮挡图像特征；通过所述伪图生成器对所述遮挡图像特征进行图像补全，以获得补全伪图；通过所述图像判别器对所述清晰完整图像、所述部分遮挡图像及所述补全伪图进行真伪判别，以获得判别结果；根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图及所述判别结果确定训练损失值；在所述训练损失值满足预设训练结束条件时，判定训练完成，将训练完成的伪图生成器作为预设伪图生成器。
进一步地，所述图像采集模块401，还用于在所述训练损失值不满足预设训练结束条件时，对所述伪图生成器及所述图像判别器进行参数优化，并返回所述在所述图像补全训练样本集中选取当前图像补全训练样本的步骤。
进一步地，所述图像采集模块401，还用于获取随机噪音特征，并将所述遮挡图像特征与所述随机噪音特征进行特征融合，以获得融合图像特征；通过所述伪图生成器对所述融合图像特征进行图像补全，以获得补全伪图；
所述图像采集模块401，还用于根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值。
进一步地，所述图像采集模块401，还用于通过预设损失函数根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值；
所述预设损失函数为：
f＝ex,y[log(d(x,y))] ey,z[log(1-d(y,g(y,z)))] λex,y,z[||(fx-fy)-(fg(y,z)-fy)||2]
其中，f为训练损失值，g为伪图生成器；d为图像判别器；λ为预设系数，值为常数；x为清晰完整图像，y为部分遮挡图像，z为随机噪音特征，fx为清晰完整图像的图像特征，fy为部分遮挡图像的图像特征，fg(y,z)为补全伪图的图像特征，e为数学期望符号，d(x,y)为判别结果中清晰完整图像与部分遮挡图像的真伪判别结果，d(y,g(y,z))为判别结果中部分遮挡图像与补全伪图的真伪判别结果。
进一步地，所述图像采集模块401，还用于获取图像补全测试样本集，通过所述预设特征提取模型及预设伪图生成器对所述图像补全测试样本集中的各个图像补全样本进行图像补全，以获得模型补全图像集；获取所述图像补全测试样本集对应的标准清晰图像集；根据所述标准清晰图像及及所述模型补全图像集确定图像补全准确率；在所述图像补全准确率低于预设准确率阈值时，返回所述获取清晰完整图样本集的步骤。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的身份识别方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(readonlymemory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
1.一种身份识别方法，其特征在于，所述身份识别方法包括以下步骤：
采集用户的当前图像，并检测所述当前图像中的人脸图像是否被部分遮挡；
在所述人脸图像被部分遮挡时，通过预设特征提取模型对所述当前图像进行特征提取，以获得当前图像特征；
通过预设伪图生成器对所述当前图像特征进行图像补全，以获得补全后的完整用户图像；
对所述完整用户图像进行身份识别，生成身份识别结果并展示。
2.如权利要求1所述的身份识别方法，其特征在于，所述采集用户的当前图像，并检测所述当前图像中的人脸图像是否被部分遮挡的步骤之前，还包括：
获取清晰完整图样本集，并遍历所述清晰完整图样本集，以获得当前清晰完整图像样本；
对清晰完整图像样本进行随机人脸遮挡处理，以获得部分遮挡图像样本；
根据所述清晰完整图像样本及所述部分遮挡图像样本构建图像补全训练样本；
在遍历结束时，根据所有获得的图像补全训练样本构建图像补全训练样本集；
通过所述图像补全训练样本集对初始图像补全模型进行训练，以获得预设特征提取模型及预设伪图生成器，所述初始图像补全模型包括伪图生成器及特征提取模型。
3.如权利要求2所述的身份识别方法，其特征在于，所述初始图像补全模型还包括图像判别器；
所述通过所述图像补全训练样本集对初始图像补全模型进行训练，以获得预设特征提取模型及预设伪图生成器的步骤，包括：
通过特征提取训练集对所述特征提取模型进行训练，以获得预设特征提取模型；
在所述图像补全训练样本集中选取当前图像补全训练样本；
对所述当前图像补全训练样本进行解析，以获得清晰完整图像及部分遮挡图像；
通过所述特征提取模型对所述部分遮挡图像进行特征提取，以获得遮挡图像特征；
通过所述伪图生成器对所述遮挡图像特征进行图像补全，以获得补全伪图；
通过所述图像判别器对所述清晰完整图像、所述部分遮挡图像及所述补全伪图进行真伪判别，以获得判别结果；
根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图及所述判别结果确定训练损失值；
在所述训练损失值满足预设训练结束条件时，判定训练完成，将训练完成的伪图生成器作为预设伪图生成器。
4.如权利要求3所述的身份识别方法，其特征在于，所述根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图及所述判别结果确定训练损失值的步骤之后，还包括：
在所述训练损失值不满足预设训练结束条件时，对所述伪图生成器及所述图像判别器进行参数优化，并返回所述在所述图像补全训练样本集中选取当前图像补全训练样本的步骤。
5.如权利要求3所述的身份识别方法，其特征在于，所述通过所述伪图生成器对所述遮挡图像特征进行图像补全，以获得补全伪图的步骤，包括：
获取随机噪音特征，并将所述遮挡图像特征与所述随机噪音特征进行特征融合，以获得融合图像特征；
通过所述伪图生成器对所述融合图像特征进行图像补全，以获得补全伪图；
相应的，所述根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图及所述判别结果确定训练损失值的步骤，包括：
根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值。
6.如权利要求5所述的身份识别方法，其特征在于，所述根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值的步骤，包括：
通过预设损失函数根据所述清晰完整图像、所述部分遮挡图像、所述补全伪图、所述随机噪音特征及所述判别结果确定训练损失值；
所述预设损失函数为：
f＝ex,y[log(d(x,y))] ey,z[log(1-d(y,g(y,z)))] λex,y,z[||(fx-fy)-(fg(y,z)-fy)||2]
其中，f为训练损失值，g为伪图生成器；d为图像判别器；λ为预设系数，值为常数；x为清晰完整图像，y为部分遮挡图像，z为随机噪音特征，fx为清晰完整图像的图像特征，fy为部分遮挡图像的图像特征，fg(y,z)为补全伪图的图像特征，e为数学期望符号，d(x,y)为判别结果中清晰完整图像与部分遮挡图像的真伪判别结果，d(y,g(y,z))为判别结果中部分遮挡图像与补全伪图的真伪判别结果。
7.如权利要求3所述的身份识别方法，其特征在于，所述在所述训练损失值满足预设训练结束条件时，判定训练完成，将训练完成的伪图生成器作为预设伪图生成器的步骤之后，还包括：
获取图像补全测试样本集，通过所述预设特征提取模型及预设伪图生成器对所述图像补全测试样本集中的各个图像补全样本进行图像补全，以获得模型补全图像集；
获取所述图像补全测试样本集对应的标准清晰图像集；
根据所述标准清晰图像及及所述模型补全图像集确定图像补全准确率；
在所述图像补全准确率低于预设准确率阈值时，返回所述获取清晰完整图样本集的步骤。
8.一种身份识别装置，其特征在于，所述身份识别装置包括以下模块：
图像采集模块，用于采集用户的当前图像，并检测所述当前图像中的人脸图像是否被部分遮挡；
特征提取模块，用于在所述人脸图像被部分遮挡时，通过预设特征提取模型对所述当前图像进行特征提取，以获得当前图像特征；
图像补全模块，用于通过预设伪图生成器对所述当前图像特征进行图像补全，以获得补全后的完整用户图像；
身份识别模块，用于对所述完整用户图像进行身份识别，生成身份识别结果并展示。
9.一种身份识别设备，其特征在于，所述身份识别设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的身份识别程序，所述身份识别程序被所述处理器执行时实现如权利要求1-7中任一项所述的身份识别方法的步骤。
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上存储有身份识别程序，所述身份识别程序执行时实现如权利要求1-7中任一项所述的身份识别方法的步骤。
技术总结