人脸属性识别方法及装置制造方法及图纸

本发明专利技术实施例公开了一种人脸属性识别方法及装置，包括：获取人脸图像，并提取人脸图像中的人脸区域；将人脸区域输入至预设网络模型中，输出人脸区域对应的人脸身份及人脸属性；其中，预设网络模型包括主体网络模型及由主体网络模型分支出来的分支网络模型，主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。由于在用于人脸身份识别的主体网络模型的基础上，可利用分支网络模型，以识别人脸的若干属性，从而通过复用网络的方式可减少对样本数据的需求，在样本数据不充分的情况下也可以得到效果较好的网络模型。另外，还可以减小计算量。

Face Attribute Recognition Method and Device

【技术实现步骤摘要】
人脸属性识别方法及装置
本专利技术涉及人工智能
，具体涉及一种人脸属性识别方法及装置。
技术介绍
随着社会的不断发展，人脸属性识别技术在各行各业的需求越来越广泛。人脸属性主要包括：年龄，性别，种族等方面。在购物、饮食、娱乐等方面，通过对人的年龄、性别、穿戴等方面的判断，可以精准的向消费者推荐消费品。在安全领域，人脸属性也可以应用于身份验证、安防系统等。早期的人脸属性识别技术主要是传统方法，基于手工的全局或局部特征，如Haar特征或HOG特征等，利用SVM等传统分类方法进行分类，从而判断出人脸属性。但是，由于人脸面部易受光照、表情、视角等因素影响，导致人脸属性识别准确率大大降低。近年来，随着深度学习的不断发展，越来越多的研究人员将深度学习应用到人脸属性识别方向。深度学习中的卷积神经网络结构非常适合进行图像的分类，且鲁棒性很强。但深度学习的训练过于依赖大量的样本数据，如果没有大量的标注的人脸属性的训练样本，基于深度学习的人脸属性识别也无法发挥出它的优势。
技术实现思路
为此，本专利技术实施例提供一种人脸属性识别方法及装置，以解决现有技术中深度学习的训练过于依赖大量的样本数据的问题。为了实现上述目的，本专利技术实施例提供如下技术方案：根据本专利技术实施例的第一方面，提供一种人脸属性识别方法，包括：获取人脸图像，并提取所述人脸图像中的人脸区域；将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性；其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。进一步地，所述提取所述人脸图像中的人脸区域，包括：检测所述人脸图像中的关键点，从所述人脸图像中选取以所述关键点为中心的预设范围区域作为所述人脸区域。进一步地，所述关键点为鼻尖，所述预设范围区域为以鼻尖为中心，向上下左右各外扩一半两眼间距的区域。进一步地，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域，对初始分支网络模型中的参数进行训练后得到的。进一步地，所述将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性之前，还包括：对于第n次训练过程，更新第n-1次训练过程得到的分支网络模型中的参数，得到第n次训练过程的分支网络模型，计算第n次训练过程的分支网络模型的损失函数值，若第n次训练过程的损失函数值满足预设条件，则停止训练，并将第n次训练过程得到的分支网络模型作为最终的分支网络模型；其中，n为不小于1的正整数，第0次训练过程得到的分支网络模型为所述初始分支网络模型。进一步地，所述损失函数值包括每种人脸属性的分类损失函数值及同一人脸身份下相同人脸属性之间的特征向量差值。进一步地，所述分支网络模型是由所述主体网络模型中的ResNet34网络中第12个残差块分支出来的。根据本专利技术实施例的第二方面，提供一种人脸属性识别装置，包括：提取模块，用于获取人脸图像，并提取所述人脸图像中的人脸区域；输出模块，用于将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性；其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的。根据本专利技术实施例的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的人脸属性识别方法。根据本专利技术的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的人脸属性识别方法。本专利技术实施例具有如下优点：通过获取人脸图像，并提取所述人脸图像中的人脸区域。将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性。由于在用于人脸身份识别的主体网络模型的基础上，可利用分支网络模型，以识别人脸的若干属性，从而通过复用网络的方式可减少对样本数据的需求，在样本数据不充分的情况下也可以得到效果较好的网络模型。另外，还可以减小计算量。附图说明为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
得能涵盖的范围内。图1为本专利技术实施例提供的一种人脸属性识别方法的整体流程示意图；图2为本专利技术实施例提供的一种人脸属性识别装置的整体结构示意图；图3为本专利技术实施例提供的一种电子设备的结构示意图。具体实施方式以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。近年来，随着深度学习的不断发展，越来越多的研究人员将深度学习应用到人脸属性识别方向。深度学习中的卷积神经网络结构非常适合进行图像的分类，且鲁棒性很强。但深度学习的训练过于依赖大量的数据，如果没有大量的标注的人脸属性的训练样本，基于深度学习的人脸属性识别也无法发挥出它的优势。针对相关技术中的问题，如图1所述，示出了本专利技术具体实施例一种人脸属性识别方法的整体流程图，包括：S1、获取人脸图像，并提取所述人脸图像中的人脸区域；S2、将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性。其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。人脸属性可以包括年、性别、种族、表情、有无戴眼镜、有无胡须及是否秃头等，本专利技术实施例对此不作具体限定。另外，每种人脸属性可以根据需求或实际情况进行详细分类，例如，年龄可分为幼年、少年、青年、中年及老年五类，性别分为男女两类，种族可分为白种人，黄种人及黑种人三类等。人脸身份指的是真实身份，如可以对应至姓名或身份证号等，本专利技术实施例对此不作具体限定。需要说明的是，主体网络模型主要是用于进行人脸身份的识别，而由主体网络模型分支出来的分支网络模型主要是用于进行人脸属性的识别。具体地，关于人脸识别的网络损失函数可以为SoftmaxLoss，本专利技术实施例对此不作具体限定。基于已标注人脸身份及人脸属性的样本人脸区本文档来自技高网...

【技术保护点】
1.一种人脸属性识别方法，其特征在于，包括：获取人脸图像，并提取所述人脸图像中的人脸区域；将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性；其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。

【技术特征摘要】
1.一种人脸属性识别方法，其特征在于，包括：获取人脸图像，并提取所述人脸图像中的人脸区域；将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性；其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。2.根据权利要求1所述的人脸属性识别方法，其特征在于，所述提取所述人脸图像中的人脸区域，包括：检测所述人脸图像中的关键点，从所述人脸图像中选取以所述关键点为中心的预设范围区域作为所述人脸区域。3.根据权利要求2所述的人脸属性识别方法，其特征在于，所述关键点为鼻尖，所述预设范围区域为以鼻尖为中心，向上下左右各外扩一半两眼间距的区域。4.根据权利要求1所述的人脸属性识别方法，其特征在于，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域，对初始分支网络模型中的参数进行训练后得到的。5.根据权利要求4所述的人脸属性识别方法，其特征在于，所述将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性之前，还包括：对于第n次训练过程，更新第n-1次训练过程得到的分支网络模型中的参数，得到第n次训练过程的分支网络模型，计算第n次训练过程的分支网络模型的损失函数值，若第n次训练过...

【专利技术属性】
技术研发人员：崔潇潇，朱天宇，
申请(专利权)人：北京探境科技有限公司，
类型：发明
国别省市：北京,11