基于人脸多属性信息的性别识别方法、系统及拍摄终端技术方案

本发明专利技术公开了一种基于人脸多属性信息的性别识别方法、系统及拍摄终端，其通过构建人脸多属性CNN网络模型和性别识别CNN网络模型，然后将待识别图像输入所述的人脸多属性CNN网络模型进行预测得到所述待识别图像的人脸多属性参数，并根据所述的人脸多属性参数对所述待识别图像进行优化处理得到优化图像，最后将所述优化图像输入所述的性别识别CNN网络模型进行预测得到所述待识别图像的性别识别结果，其采用多级网络的训练方法，并利用人脸多属性参数对待识别图像进行优化，极大的提高了性别识别的准确率。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于人脸多属性信息的性别识别方法、系统及拍摄终端，其通过构建人脸多属性CNN网络模型和性别识别CNN网络模型，然后将待识别图像输入所述的人脸多属性CNN网络模型进行预测得到所述待识别图像的人脸多属性参数，并根据所述的人脸多属性参数对所述待识别图像进行优化处理得到优化图像，最后将所述优化图像输入所述的性别识别CNN网络模型进行预测得到所述待识别图像的性别识别结果，其采用多级网络的训练方法，并利用人脸多属性参数对待识别图像进行优化，极大的提高了性别识别的准确率。【专利说明】基于人脸多属性信息的性别识别方法、系统及拍摄终端
本专利技术涉及图像处理
，特别是一种基于人脸多属性信息的性别识别方法及其应用该方法的系统、拍摄终端。
技术介绍
性别作为一个重要的属性，在人机交互，监测，生物识别等领域都有重要意义。然而在日常条件下，拍摄环境玲琅复杂，都给识别带来巨大的挑战，环境的光线，物体的遮挡，摄影的角度，这些因素最终导致在日常应用中，识别的准确程度，不能达到理想水平。在现有技术的识别方法中，卷积神经网络(Convolut1nal Neural Network,CNN)自2012年起，在众多图像识别竞赛中，都取得了突出的表现。在性别识别上，相对于如PCA，LBP等传统人工提取特征的方法，CNN作为深度学习的重要代表，也取得了优异的成绩。具体使用的方式来说，将图像作为输入，经过事先用大量数据训练的模型，进行特征提取，输出结果，这种端到端的方式(END-TO-END)，在实际应用中显得简单易用。为了解决各种因素对识别带来的挑战，需要大量的数据作为支撑，才能在实际应用中获取理想的识别准确度。随着数据量和数据多样性的增长，人种间的巨大差异，年龄跨越幅度大的，给CNN网络的训练带来诸多困难。
技术实现思路
本专利技术为解决上述问题，提供了一种基于人脸多属性信息的性别识别方法、系统及拍摄终端，其基于多级的卷积神经网络，先对人脸的多种属性进行一级网络的综合训练，再根据训练得到的多属性参数进行二级网络的性别识别的训练，极大的提高了性别识别的准确率。为实现上述目的，本专利技术采用的技术方案为:首先，本专利技术提供一种基于人脸多属性信息的性别识别方法，包括以下步骤:10.将训练图像集合输入卷积神经网络进行人脸多属性参数的训练，得到人脸多属性CNN网络模型；20.将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型，进行性别识别的训练，得到性别识别CNN网络模型；30.将待识别图像输入所述的人脸多属性CNN网络模型进行预测，得到所述待识别图像的人脸多属性参数；40.根据所述的人脸多属性参数对所述待识别图像进行优化处理，得到优化图像； 50.将所述优化图像输入所述的性别识别CNN网络模型进行预测，得到所述待识别图像的性别识别结果。优选的，所述的步骤10中，是通过对所述训练图像进行人脸关键点、年龄、人种的标记，并将所述训练图像集合及所述标记输入卷积神经网络进行所述训练图像的人脸关键点、年龄、人种的参数的训练，输出所述的人脸多属性CNN网络模型。优选的，所述的步骤20中，是通过将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型进行性别识别的训练，得到所述的性别识别CNN网络模型。优选的，所述的步骤30中，将待识别图像输入所述的人脸多属性CNN网络模型进行预测之前，先对所述待识别图像进行人脸检测，得到人脸区域，并对该人脸区域进行裁剪及缩放处理，得到处理后的待识别人脸图像。优选的，所述的步骤40中，根据所述的人脸多属性参数对所述待识别图像进行优化处理，进一步包括:41.将所述待识别图像或所述待识别人脸图像输入所述的人脸多属性CNN网络模型进行预测，获取所述待识别图像或所述待识别人脸图像的人脸特征点的参数；42.根据所述待识别图像或所述待识别人脸图像的人脸特征点的参数，对所述待识别图像或所述待识别人脸图像进行旋转处理，得到旋转后的水平正面图像，并将该水平正面图像作为所述优化图像。优选的，所述的步骤42中，对所述待识别图像或所述待识别人脸图像进行旋转处理，是根据所述待识别图像或所述待识别人脸图像的人脸特征点的参数，计算所述待识别图像或所述待识别人脸图像进行平面旋转的变换矩阵，并根据该变换矩阵将所述待识别图像或所述待识别人脸图像旋转为水平正面图像。其次，本专利技术提供一种基于人脸多属性信息的性别识别系统，其包括:人脸多属性CNN网络模型构建模块，其通过将训练图像集合输入卷积神经网络进行人脸多属性参数的训练，得到人脸多属性CNN网络模型；性别识别CNN网络模型构建模块，其通过将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型，进行性别识别的训练，得到性别识别CNN网络模型；图像优化处理模块，用于对待识别图像进行优化处理，得到优化图像；将所述待识别图像输入所述的人脸多属性CNN网络模型进行预测得到所述待识别图像的人脸多属性参数，并根据所述的人脸多属性参数利用所述的图像优化处理模块对所述待识别图像进行优化处理得到优化图像，最后将所述优化图像输入所述的性别识别CNN网络模型进行预测得到所述待识别图像的性别识别结果。另外，本专利技术还提供一种拍摄终端，该拍摄终端包括如上所述的基于人脸多属性信息的性别识别系统。优选的，所述拍摄终端包括:手机、数码相机或平板电脑。本专利技术的有益效果是:本专利技术的一种基于人脸多属性信息的性别识别方法、系统及拍摄终端，其通过构建人脸多属性CNN网络模型和性别识别CNN网络模型，然后将待识别图像输入所述的人脸多属性CNN网络模型进行预测得到所述待识别图像的人脸多属性参数，并根据所述的人脸多属性参数对所述待识别图像进行优化处理得到优化图像，最后将所述优化图像输入所述的性别识别CNN网络模型进行预测得到所述待识别图像的性别识别结果，其采用多级网络的训练方法，并利用人脸多属性参数对待识别图像进行优化，极大的提高了性别识别的准确率。【附图说明】此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中:图1为本专利技术基于人脸多属性信息的性别识别方法的流程简图；图2为本专利技术的人脸多属性CNN网络模型的网络结构示意图；图3为本专利技术的性别识别CNN网络模型的网络结构示意图；图4为本专利技术基于人脸多属性信息的性别识别系统的结构示意图；图5为本专利技术待识别图像的性别识别流程示意图。【具体实施方式】为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，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。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有作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。如图1所示，本专利技术的一种基于人脸多属性信息的性别识别方法，其包括以下步骤:10.将训练图像集合输入卷积神经网络进行人脸多属性参数的训练，得到人脸多属性CNN网络模型；20.将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型，进行性别识别的训练，得到性别识别CNN网络本文档来自技高网...

【技术保护点】
一种基于人脸多属性信息的性别识别方法，其特征在于，包括以下步骤：10.将训练图像集合输入卷积神经网络进行人脸多属性参数的训练，得到人脸多属性CNN网络模型；20.将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型，进行性别识别的训练，得到性别识别CNN网络模型；30.将待识别图像输入所述的人脸多属性CNN网络模型进行预测，得到所述待识别图像的人脸多属性参数；40.根据所述的人脸多属性参数对所述待识别图像进行优化处理，得到优化图像；50.将所述优化图像输入所述的性别识别CNN网络模型进行预测，得到所述待识别图像的性别识别结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：张伟，曾志勇，侯峰，吕仰铭，
申请(专利权)人：厦门美图之家科技有限公司，
类型：发明
国别省市：福建;35