人脸图像处理方法、系统及服务器技术方案

本发明专利技术实施例公开了一种人脸图像处理方法、装置及服务器，包括下述步骤：获取待分类的人脸图像；将所述人脸图像输入到构建有损失函数的卷积神经网络模型中，所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理，以增大所述待分类数据的分类界面；获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解。在对人脸图像进行分类之前，将卷积神经网络模型提取的人脸图像的待分类数据特征进行系数松弛化处理，采用系数松弛化处理能够在更加严苛的条件下训练卷积神经网络模型，使分类边界明显增大，因此使卷积神经网络模型对内容理解精准度大大提高。

【技术实现步骤摘要】
人脸图像处理方法、系统及服务器
本专利技术实施例涉及图像处理领域，尤其是一种人脸图像处理方法、系统及服务器。
技术介绍
人脸识别，是指利用计算机对人脸图像进行处理、分析和理解，以识别各种不同人脸图像的目标和对像的技术。人脸识别可以应用在安防、金融等很多领域，人脸识别的过程一般分为三个阶段：人脸检测、人脸对齐、人脸特征提取与比对，而人脸特征提取是人脸识别的关键技术。随着深度学习技术的发展，卷积神经网络已经成为提取人脸特征的有力工具，对于模型固定的卷积神经网络而言，最核心的技术是如何设计损失函数，使其能有效地监督卷积神经网络的训练，从而使卷积神经网络具有提取人脸特征的能力。现有技术中主要使用Softmax的交叉熵损失函数。其中，Softmax的交叉熵损失函数训练网络提取特征的能力，利用网络的最后一层作为人脸的表达，将人脸数据映射到余弦空间上，通过比对不同人脸的余弦空间距离来判断人脸的相似性，同一个人余弦空间距离更相近，不同的人余弦空间距离更远。但是本专利技术创造的专利技术人在研究中发现，Softmax的交叉熵损失函数的特征提取方法，是一种非端到端的方法，简单易于实现，但没有对现有模型进行最大程度的优化，即保证不同类别之间的分类边界最大化，分类边界不够明显，导致内容理解准确率无法提高。
技术实现思路
本专利技术实施例提供一种能够增大分类数据分类界面的人脸图像处理方法、系统及服务器。为解决上述技术问题，本专利技术创造的实施例采用的一个技术方案是：提供一种人脸图像处理方法，包括下述步骤：获取待分类的人脸图像；将所述人脸图像输入到构建有损失函数的卷积神经网络模型中，所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理，以增大所述待分类数据的分类界面；获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解。具体地，所述系数松弛化处理具体包括下述步骤：对所述卷积神经网络模型全连接层输出的待分类数据进行同比例缩小处理，以增大所述待分类数据的分类界面。具体地，所述卷积神经网络模型的正向传播的特征描述为：L＝log(pi)定义函数：其中，其中，i表示输入图像本身所属的类别，j表示与i不同类别的分类类别，t表示与i不同类别的分类类别，k表示系数松弛化参数，f(x)表示卷积神经网络模型提取的人脸特征，wi表示第i类别的权值，wj表示第j类别的权值，wt表示第t类别的权值，N表示为分类的类别数。具体地，所述卷积神经网络模型的反向传播的特征描述为：定义函数：其中，其中，i表示输入图像本身所属的类别，j表示与i不同类别的分类类别，t表示与i不同类别的分类类别，k表示系数松弛化参数，f(x)表示卷积神经网络模型提取的人脸特征，wi表示第i类别的权值，wj表示第j类别的权值，wt表示第t类别的权值，N表示为分类的类别数。具体地，所述卷积神经网络模型通过下述步骤训练形成：获取标记有分类判断信息的训练样本数据；将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类信息；通过止损函数比对所述训练样本数据内不同样本的模型分类信息与所述分类判断信息是否一致；当所述模型分类信息与所述分类判断信息不一致时，反复循环迭代的更新所述卷积神经网络模型中的权重，至所述比对结果与所述分类判断信息一致时结束。具体地，所述通过止损函数比对所述训练样本数据内不同样本的模型分类信息与所述分类判断信息是否一致的步骤，具体包括下述步骤：对所述卷积神经网络模型全连接层输出的待分类数据进行系数参数化处理，使所述待分类数据进行同步缩小；将所述经过系数参数化处理的待分类数据与预设第一分类取值区间内的边界值进行比较，确定所述经过系数参数化处理的待分类数据在所述第一分类取值区间内的区间位置；根据所述区间位置对应的分类结果，确定所述训练样本数据内不同样本的模型分类信息；判断所述分类参照信息与所述分类判断信息是否一致。具体地，所述获取待分类的人脸图像的步骤，之后还包括下述步骤：将所述人脸图像输入到所述卷积神经网络模型中，所述卷积神经网络模型对所述人脸图像的图像特征进行提取形成所述待分类数据；将所述待分类数据进行系数松弛化处理，当所述经系数松弛化处理的待分类数据大于预设的分类阈值时，对所述待分类数据进行分类。具体地，所述人脸图像进行内容理解包括：对人脸图像进行性别识别、年龄判断、颜值打分或人脸相似度比对。为解决上述技术问题，本专利技术实施例还提供一种人脸图像处理系统，所述人脸图像处理系统包括：获取模块，用于获取待分类的人脸图像；处理模块，用于将所述人脸图像输入到构建有损失函数的卷积神经网络模型中，所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理，以增大所述待分类数据的分类界面；分类模块，用于获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解。具体地，所述人脸图像处理系统还包括：第一处理子模块，用于对所述卷积神经网络模型全连接层输出的待分类数据进行同比例缩小处理，以增大所述待分类数据的分类界面。具体地，所述卷积神经网络模型的正向传播的特征描述为：L＝log(pi)定义函数：其中，其中，i表示输入图像本身所属的类别，j表示与i不同类别的分类类别，t表示与i不同类别的分类类别，k表示系数松弛化参数，f(x)表示卷积神经网络模型提取的人脸特征，wi表示第i类别的权值，wj表示第j类别的权值，wt表示第t类别的权值，N表示为分类的类别数。具体地，所述卷积神经网络模型的反向传播的特征描述为：定义函数：其中，其中，i表示输入图像本身所属的类别，j表示与i不同类别的分类类别，t表示与i不同类别的分类类别，k表示系数松弛化参数，f(x)表示卷积神经网络模型提取的人脸特征，wi表示第i类别的权值，wj表示第j类别的权值，wt表示第t类别的权值，N表示为分类的类别数。具体地，所述人脸图像处理系统还包括：第一获取子模块，用于获取标记有分类判断信息的训练样本数据；第一分类子模块，用于将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类信息；第一比对子模块，用于通过止损函数比对所述训练样本数据内不同样本的模型分类信息与所述分类判断信息是否一致；第二处理子模块，用于当所述模型分类信息与所述分类判断信息不一致时，反复循环迭代的更新所述卷积神经网络模型中的权重，至所述比对结果与所述分类判断信息一致时结束。具体地，所述人脸图像处理系统还包括：第一计算子模块，用于对所述卷积神经网络模型全连接层输出的待分类数据进行系数参数化处理，使所述待分类数据进行同步缩小；第二比对子模块，用于将所述经过系数参数化处理的待分类数据与预设第一分类取值区间内的边界值进行比较，确定所述经过系数参数化处理的待分类数据在所述第一分类取值区间内的区间位置；第二分类子模块，用于根据所述区间位置对应的分类结果，确定所述训练样本数据内不同样本的模型分类信息；第一判断子模块，用于判断所述分类参照信息与所述分类判断信息是否一致。具体地，所述人脸图像处理系统还包括：第三分类子模块，用于将所述人脸图像输入到所述卷积神经网络模型中，所述卷积神经网络模型对所述人脸图像的图像特征进行提取形成所述待分类数据；第三处理子模块，用于将所述待分类数据进行系数松弛化处理，本文档来自技高网...

【技术保护点】
一种人脸图像处理方法，其特征在于，包括下述步骤：获取待分类的人脸图像；将所述人脸图像输入到构建有损失函数的卷积神经网络模型中，所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理，以增大所述待分类数据的分类界面；获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解。

【技术特征摘要】
1.一种人脸图像处理方法，其特征在于，包括下述步骤：获取待分类的人脸图像；将所述人脸图像输入到构建有损失函数的卷积神经网络模型中，所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理，以增大所述待分类数据的分类界面；获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解。2.根据权利要求1所述的人脸图像处理方法，其特征在于，所述系数松弛化处理具体包括下述步骤：对所述卷积神经网络模型全连接层输出的待分类数据进行同比例缩小处理，以增大所述待分类数据的分类界面。3.根据权利要求1所述的人脸图像处理方法，其特征在于，所述卷积神经网络模型的正向传播的特征描述为：L＝log(pi)定义函数：其中，i表示输入图像本身所属的类别，j表示与i不同类别的分类类别，t表示与i不同类别的分类类别，k表示系数松弛化参数，f(x)表示卷积神经网络模型提取的人脸特征，wi表示第i类别的权值，wj表示第j类别的权值，wt表示第t类别的权值，N表示为分类的类别数。4.根据权利要求1所述的人脸图像处理方法，其特征在于，所述卷积神经网络模型的反向传播的特征描述为：定义函数：其中，其中，i表示输入图像本身所属的类别，j表示与i不同类别的分类类别，t表示与i不同类别的分类类别，k表示系数松弛化参数，f(x)表示卷积神经网络模型提取的人脸特征，wi表示第i类别的权值，wj表示第j类别的权值，wt表示第t类别的权值，N表示为分类的类别数。5.根据权利要求1所述的人脸图像处理方法，...

【专利技术属性】
技术研发人员：杨帆，张志伟，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京,11