人像属性模型构建方法、装置、计算机设备和存储介质制造方法及图纸

技术编号:21892827 阅读:26 留言:0更新日期:2019-08-17 14:52
本申请涉及人工智能技术领域,用于人像识别行业,提供一种人像属性模型构建方法、装置、计算机设备和存储介质,其方法包括:获取人脸检测数据,确定感兴趣的人脸区域,随机标注部分所述感兴趣的人脸区域的人像属性,获得训练样本,根据所述训练样本对人像属性模型进行训练,通过主动学习算法优化已训练的人像属性模型,得到优化后的人像属性模型。整个过程中,只针对部分已标注的样本进行训练,缩短训练时间,并且采用主动学习算法优化已训练的人像属性模型,提升模型的性能,优化后的人像属性模型可以高效且准确实现人像属性识别。

Method, Device, Computer Equipment and Storage Media for Constructing Portrait Attribute Model

【技术实现步骤摘要】
人像属性模型构建方法、装置、计算机设备和存储介质
本申请涉及人像识别
,特别是涉及一种人像属性模型构建方法、装置、计算机设备和存储介质。
技术介绍
随着人工智能技术的发展,AI(artificialintelligence,人工智能)人像技术越来越成熟,其能够给人们生活带来更多乐趣与便捷,例如人脸检测门禁系统、AI人像拍照技术、AI人像图片合成技术。AI人像模型是AI人像技术的基础,传统AI人像模型训练需要大量的数据集及标签,标注标签需要花费大量的时间成本和经济成本,用大量数据训练模型需要很长时间。因此,目前急需一种高效的人像属性模型构建方案。
技术实现思路
基于此,有必要针对上述技术问题,提供一种高效的人像属性模型构建方法、装置、计算机设备和存储介质。一种人像属性模型构建方法,所述方法包括:获取人脸检测数据,确定感兴趣的人脸区域;随机标注部分所述感兴趣的人脸区域的人像属性,获得训练样本;根据所述训练样本对人像属性模型进行训练;根据已训练的人像属性模型输出的未标注的样本集,通过主动学习算法优化已训练的人像属性模型,得到优化后的人像属性模型。在其中一个实施例中,所述根据已训练的人像属性模型输出的未标注的样本集,通过主动学习算法优化已训练的人像属性模型,得到优化后的人像属性模型包括:获取已训练的人像属性模型输出的未标注的样本集;调用预设查询函数,从所述未标注的样本集中选择需标注的样本;标注所述需标注的样本,得到标注好的样本;将所述标注好的样本加入所述历史已标注样本集合,形成新的训练样本集合;根据所述新的训练样本集合优化所述已训练的人像属性模型,将优化后的所述已训练的人像属性模型重新作为已训练的人像属性模型。在其中一个实施例中,所述随机标注部分所述感兴趣的人脸区域的人像属性,获得训练样本包括:将多个确定的感兴趣的人脸区域作为数据集;随机选取所述数据集中部分感兴趣的人脸区域作为待标注样本;推送所述待标注样本至人像属性标注服务器;接收所述人像属性标注服务器反馈的人像属性标注结果,得到训练样本,所述人像属性标注结果由所述人像属性标注服务器根据待标注属性指标集合对所述待标注样本进行人像属性标注得到,所述待标注属性指标集合包括年龄、性别、有无刘海、是否戴眼镜、化妆类型、是否描眉、是否涂口红、是否腮红、发型、皮肤状态、脸型、人脸上下停对比、人脸三停对比、胡须类型、眉毛形态以及是否有抬头纹的属性指标。在其中一个实施例中,所述获取人脸检测数据,确定感兴趣的人脸区域包括:获取人脸检测数据;将所述人脸检测数据输入至已训练的神经网络模型,确定感兴趣的人脸区域,所述已训练的神经网络模型以样本数据中人脸检测数据为输入数据、并以样本数据中人脸位置作为输出,使用反向传播算法以及交叉熵损失对神经网络模型中预设的参数进行调整,直到训练次数达到预设的阈值,其中,所述交叉熵损失是通过所述神经网络模型对所述样本数据中人脸检测数据进行识别,得到预测人脸位置,并将预测的人脸位置和所述样本数据中人脸位置进行比对得到的数据训练得到。在其中一个实施例中,所述将所述人脸检测数据输入至已训练的神经网络模型,确定感兴趣的人脸区域包括:获取人脸检测数据;将所述人脸检测数据输入至已训练的神经网络模型,获取人脸位置区域;识别人脸位置区域的边缘;沿所述边缘扩展预设个数像素距离,得到感兴趣的人脸区域。在其中一个实施例中,所述根据所述训练样本对人像属性模型进行训练包括:将所述训练样本随机分为训练数据和验证数据,所述训练数据的数据量大于所述验证数据的数据量;以所述训练数据中所述感兴趣的人脸区域作为输入、且以所述训练数据中人像属性作为输出,对人像属性模型进行训练;根据所述验证数据对训练后的人像属性模型进行验证;当验证通过时,得到已训练的人像属性模型;当验证未通过时,重新随机标注部分所述感兴趣的人脸区域的人像属性,获得训练样本。一种人像属性模型构建装置,所述装置包括:数据获取模块,用于获取人脸检测数据,确定感兴趣的人脸区域;标注模块,用于随机标注部分所述感兴趣的人脸区域的人像属性,获得训练样本;训练模块,用于根据所述训练样本对人像属性模型进行训练;模型优化模块,用于根据已训练的人像属性模型输出的未标注的样本集,通过主动学习算法优化已训练的人像属性模型,得到优化后的人像属性模型。在其中一个实施例中,所述模型优化模块还用于获取已训练的人像属性模型输出的未标注的样本集;调用预设查询函数,从所述未标注的样本集中选择需标注的样本;标注所述需标注的样本,得到标注好的样本;将所述标注好的样本加入所述历史已标注样本集合,形成新的训练样本集合;根据所述新的训练样本集合优化所述已训练的人像属性模型,将优化后的所述已训练的人像属性模型重新作为已训练的人像属性模型。一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述方法的步骤。一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的方法的步骤。上述人像属性模型构建方法、装置、计算机设备和存储介质,获取人脸检测数据,确定感兴趣的人脸区域,随机标注部分所述感兴趣的人脸区域的人像属性,获得训练样本,根据所述训练样本对人像属性模型进行训练,通过主动学习算法优化已训练的人像属性模型,得到优化后的人像属性模型。整个过程中,只针对部分已标注的样本进行训练,缩短训练时间,并且采用主动学习算法优化已训练的人像属性模型,提升模型的性能,优化后的人像属性模型可以高效且准确实现人像属性识别。附图说明图1为一个实施例中人像属性模型构建方法的流程示意图;图2为另一个实施例中人像属性模型构建方法的流程示意图;图3为主动学习算法优化过程示意图;图4为一个实施例中人像属性模型构建装置的结构框图;图5为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。如图1所示,一种人像属性模型构建方法,方法包括:S200:获取人脸检测数据,确定感兴趣的人脸区域。人脸检测数据是指对用户进行人脸检测之后得到的数据,具体可以针对样本人脸进行人脸检测得到人脸检测数据。对人脸检测数据进行分析,确定感兴趣的人脸区域。具体来说,可以将人脸检测数据输入至训练好的神经网络模型,通过训练好的神经网络模型,准确确定感兴趣的人脸区域。S400:随机标注部分感兴趣的人脸区域的人像属性,获得训练样本。人像属性包括可以包括16项属性,16项属性具体包括年龄、性别、有无刘海、是否戴眼镜、化妆类型、是否描眉、是否涂口红、是否腮红、发型、皮肤状态、脸型、人脸上下停对比、人脸三停对比、胡须类型、眉毛形态、是否有抬头纹。可以将感兴趣的人脸区域作为数据集,随机选取该数据集中部分感兴趣的人脸区域作为标注对象,获取到这些标注对象对应的人像属性数据,例如通过人工标注的方式,将选定的数据集推送至人像属性标注者,接收标注者返回的人像属性数据,将这些人像属性数据更新至对应的感兴趣人脸区域的数据中,得到训练样本。在其中一个实施例中,上述随机标注部分感兴趣的人脸区域的人像属性,获得训练样本文档来自技高网...

【技术保护点】
1.一种人像属性模型构建方法,所述方法包括:获取人脸检测数据,确定感兴趣的人脸区域;随机标注部分所述感兴趣的人脸区域的人像属性,获得训练样本;根据所述训练样本对人像属性模型进行训练;根据已训练的人像属性模型输出的未标注的样本集,通过主动学习算法优化已训练的人像属性模型,得到优化后的人像属性模型。

【技术特征摘要】
1.一种人像属性模型构建方法,所述方法包括:获取人脸检测数据,确定感兴趣的人脸区域;随机标注部分所述感兴趣的人脸区域的人像属性,获得训练样本;根据所述训练样本对人像属性模型进行训练;根据已训练的人像属性模型输出的未标注的样本集,通过主动学习算法优化已训练的人像属性模型,得到优化后的人像属性模型。2.根据权利要求1所述的方法,其特征在于,所述根据已训练的人像属性模型输出的未标注的样本集,通过主动学习算法优化已训练的人像属性模型,得到优化后的人像属性模型包括:获取已训练的人像属性模型输出的未标注的样本集;调用预设查询函数,从所述未标注的样本集中选择需标注的样本;标注所述需标注的样本,得到标注好的样本;将所述标注好的样本加入所述历史已标注样本集合,形成新的训练样本集合;根据所述新的训练样本集合优化所述已训练的人像属性模型,将优化后的所述已训练的人像属性模型重新作为已训练的人像属性模型。3.根据权利要求1所述的方法,其特征在于,所述随机标注部分所述感兴趣的人脸区域的人像属性,获得训练样本包括:将多个确定的感兴趣的人脸区域作为数据集;随机选取所述数据集中部分感兴趣的人脸区域作为待标注样本;推送所述待标注样本至人像属性标注服务器;接收所述人像属性标注服务器反馈的人像属性标注结果,得到训练样本,所述人像属性标注结果由所述人像属性标注服务器根据待标注属性指标集合对所述待标注样本进行人像属性标注得到,所述待标注属性指标集合包括年龄、性别、有无刘海、是否戴眼镜、化妆类型、是否描眉、是否涂口红、是否腮红、发型、皮肤状态、脸型、人脸上下停对比、人脸三停对比、胡须类型、眉毛形态以及是否有抬头纹的属性指标。4.根据权利要求1所述的方法,其特征在于,所述获取人脸检测数据,确定感兴趣的人脸区域包括:获取人脸检测数据;将所述人脸检测数据输入至已训练的神经网络模型,确定感兴趣的人脸区域,所述已训练的神经网络模型以样本数据中人脸检测数据为输入数据、并以样本数据中人脸位置作为输出,使用反向传播算法以及交叉熵损失对神经网络模型中预设的参数进行调整,直到训练次数达到预设的阈值,其中,所述交叉熵损失是通过所述神经网络模型对所述样本数据中人脸检测数据进行识别,得到预测人脸...

【专利技术属性】
技术研发人员:姚旭峰徐国强邱寒
申请(专利权)人:深圳壹账通智能科技有限公司
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1