一种人脸性别特征提取的方法及系统技术方案

本发明专利技术适用于计算机视觉技术领域，提供了一种人脸性别特征提取的方法及系统，所述方法包括：对原始人脸图像进行预处理；基于深度卷积神经网络模型对预处理后的人脸图像进行特征提取；根据提取的所述特征进行性别判定。通过本发明专利技术，可有效提高性别特征提取的准确度，并降低提取过程中运算的复杂度。

【技术实现步骤摘要】

本专利技术属于计算机视觉
，尤其涉及一种人脸性别特征提取的方法及系统。
技术介绍
近年来，人脸识别技术被广泛应用于身份鉴定、金融、保安系统和资料鉴定等领域，而与之相关的性别识别有着重要的实用价值却较少被应用，其困难的原因主要来源于以下两个方面:1)人脸具有很强的结构相似性,不同人的脸部构成都是相似的(均是由眼睛、嘴巴、鼻子等部位构成，而且这些部位都在比较固定的位置)；2)同一个人的脸部图像在不同表情、不同光线或不同观察角度等情况下会有较大的不同。这些原因导致人脸性别特征提取困难、识别率不高、鲁棒性较差。
技术实现思路
鉴于此，本专利技术实施例提供一种人脸性别特征提取的方法及系统，以解决现有人脸性别特征提取困难、识别率不高、鲁棒性较差的问题。本专利技术实施例是这样实现的，一种人脸性别特征提取的方法，所述方法包括：对原始人脸图像进行预处理；基于深度卷积神经网络模型对预处理后的人脸图像进行特征提取；根据提取的所述特征进行性别判定。本专利技术实施例的另一目的在于提供一种人脸性别特征提取的系统，所述系统包括：预处理单元，用于对原始人脸图像进行预处理；特征提取单元，用于基于深度卷积神经网络模型对预处理后的人脸图像进行特征提取；性别判定单元，用于根据提取的所述特征进行性别判定。本专利技术实施例与现有技术相比存在的有益效果是：本专利技术实施例通过改进的卷积神经网络模型对预处理后的人脸图像进行特征提取，可有效提高性别特征提取的准确度，并降低提取过程中运算的复杂度，具有较强的易用性和实用性。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例一提供的人脸性别特征提取方法的实现流程图；图2是本专利技术实施例一提供的人脸图像预处理前后的对比示例图；图3是本专利技术实施例一提供的深度卷积神经网络模型的示意图；图4是本专利技术实施例二提供的人脸性别特征提取系统的组成结构图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透切理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。实施例一：图1示出了本专利技术实施例一提供的人脸性别特征提取方法的实现流程，该方法过程详述如下：在步骤S101中，对原始人脸图像进行预处理。在本专利技术实施例中，对采集的原始人脸图像进行预处理，所述预处理包括但不限于：将所述原始人脸图像旋转至竖直方向；对旋转后的人脸图像进行尺度处理，以使得处理后的人脸图像中两眼的距离相对于每幅人脸图像都不变；对尺度处理后的人脸图像进行修剪，以去除人脸图像中的背景区域。预处理后的人脸图像如图2所示，在图2中，顶行为采集的原始人脸图像，底行为预处理后的人脸图像。在步骤S102中，基于深度卷积神经网络模型对预处理后的人脸图像进行特征提取。现有的卷积神经网络模型(ConvolutionNeuralNetwork,CNN)大都应用于解决回归和分类问题，其基本结构为一个多层的神经网络，每层由多个二维平面构成，每个平面由多个神经元组成。训练阶段，为实现用CNN进行分类或者回归，需要建立如下模型：在给定的数据库D中，输入量N个样本，每个样本M维特征，二维向量该模型训练目的是获得模型中每层的相关参数使得(1)式中的代价函数达到最小值： E N = 1 2 Σ n = 1 N Σ K = 1 2 ( t k n - y k n ) - - - ( 1 ) ]]>其中，X表示输入集合,x表示该输入集合中的单个实例，Y表示输入集合对应的标签集合，y表示标签集合中的实例；k表示模型的输出单元，k的上限为2；tk表示K的预测输出。卷积神经网络模型作为人工神经网络中的一个重要模型，需要反复进行正向传播和反向传播。正向传播：1)ConvolutionLayers:卷积层: x j l = f ( Σ i ∈ M j x i l - 1 × k ij l + b j l ) - - - ( 2 ) ]]>其中Mj表示输入的featuremaps,表示第l层中第j个map的卷积核，b表示该特征map中的偏置量。2)Sub-sampling:子采样层 x j l = f ( B j l down ( x i l 本文档来自技高网...

【技术保护点】
一种人脸性别特征提取的方法，其特征在于，所述方法包括：对原始人脸图像进行预处理；基于深度卷积神经网络模型对预处理后的人脸图像进行特征提取；根据提取的所述特征进行性别判定。

【技术特征摘要】
1.一种人脸性别特征提取的方法，其特征在于，所述方法包括：
对原始人脸图像进行预处理；
基于深度卷积神经网络模型对预处理后的人脸图像进行特征提取；
根据提取的所述特征进行性别判定。
2.如权利要求1所述的方法，其特征在于，所述对原始人脸图像进行预处
理包括：
将所述原始人脸图像旋转至竖直方向；
对旋转后的人脸图像进行尺度处理，以使得处理后的人脸图像中两眼的距
离相对于每幅人脸图像都不变；
对尺度处理后的人脸图像进行修剪，以去除人脸图像中的背景区域。
3.如权利要求1或2所述的方法，其特征在于，所述深度卷积神经网络模
型为：
采用Relu激活函数代替传统卷积神经网络模型中的sigmoid函数；
采用max-pooling层代替传统卷积神经网络模型中的sub-sampling层；
其中，Relu(x)＝f(x)＝max(0,x)。
4.根据权利要求1所述方法，其特征在于，所述根据提取的所述特征进行
性别判定包括：
通过支持向量机对提取的所述特征进行性别判定。
5.一种人脸性别特征提取的系统，其特征在于，所述系...

【专利技术属性】
技术研发人员：黄珀彬，李志锋，乔宇，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44