人脸图像分类方法、装置及服务器制造方法及图纸

本发明专利技术实施例公开了一种人脸图像分类方法、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预设的卷积神经网络模型中，并根据所述卷积神经网模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识；根据所述卷积神经网模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行预设内容理解分类，以使决定所述卷积神经网络模型输出分类结果的数据中包括区分不同性别的差异属性。卷积神经网络模型采用对应性别独有的特点和常规特征相结合的方式，对人脸图像进行评判或比较，使最终输出的分类结果中性别差异化得以凸显。

Face image classification method, device and server

The embodiment of the invention discloses a face image classification method, a device and a server, which comprises the following steps: obtaining the facial image to be classified; the face image input to the convolutional neural network model of presupposition, and according to the intermediate data layer of the convolution convolution neural network model output, information on gender the face images are identified according to the final output layer; convolution data of the convolutional neural network model, in the range of the gender information in the limited to the face image content understanding presupposition classification, in order to determine the property to distinguish between different gender differences including the convolution neural network model output data classification results in. Convolution neural network model adopts the combination of gender specific characteristics and conventional features to evaluate or compare face images, so that the final output classification results will be highlighted.

【技术实现步骤摘要】
人脸图像分类方法、装置及服务器
本专利技术实施例涉及模型算法领域，尤其是一种人脸图像分类方法、装置及服务器。
技术介绍
随着智能移动终端运算能力的提高，智能移动终端能够搭载越来越复杂且功能强大的应用程序。通过对用户面部图像进行拍摄，并将拍摄的面部图像进行数据处理，根据数据处理结果对用户面部图像进行评价或分类。现有技术中，在对人体面部图像进行比对和应用分类时，采用深度学习的方法，主要的方法流程为：按照预设的工作目的，反复训练卷积神经网络模型至该模型收敛为止，卷积神经网络模型训练完成后，将欲分类或处理的人脸图像输入到训练好的卷积神经网络模型中，卷积神经网络模型根据训练学习到的权重比例，对该人脸图像进行分类或处理，由此能够看出，深度学习的方法通过反复训练，将模型训练成为一个具有一定辨识和判断能力的系统。本专利技术创造的专利技术人在研究中发现，现有技术中通过训练卷积神经网络模型对图像进行处理时，仅限于把人脸图像之间的差别的问题看成单一问题来解决，能够决定人脸图像最终分类的数据中不具有不同种类人类的差异化属性，具有不同类别属性的差异被同质化处理，造成分类精准度有限，卷积神经网络模型输出不稳定的现象出现。
技术实现思路
本专利技术实施例提供能够有效提高分类准确率且稳定性较高的人脸分类方法、装置及智能终端。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：提供一种人脸图像分类方法，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预设的卷积神经网络模型中，并根据所述卷积神经网模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识；根据所述卷积神经网模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行预设内容理解分类，以使决定所述卷积神经网络模型输出分类结果的数据中包括区分不同性别的差异属性。具体地，所述卷积神经网络模型包括：第一分类集和第二分类集，所述第一分类集根据所述卷积神经网模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识，所述第二分类集根据所述卷积神经网模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行内容理解分类。具体地，所述第一分类集中至少包括两个全连接层和一个分类层，所述第一分类集以所述卷积层中倒数第二个卷积层输出的中间数据作为输入信号；所述第二分类集中包括至少两个全连接层与一个分类层，所述第二分类集以所述卷积层中倒数第一个卷积层输出的中间数据作为输入信号。具体地，所述卷积神经网络模型通过下述步骤训练形成：获取标记有性别和期望分类信息的训练样本集；将所述训练样本集输入到所述卷积神经网络模型中，训练所述第一分类集直至收敛；当所述第一分类集收敛后，将所述训练样本集输入到所述卷积神经网络模型中，训练所述第二分类集直至收敛；当所述第二分类集收敛后，将所述训练样本集输入到所述卷积神经网络模型中，采用较小学习率对所述第一分类集和第二分类集进行微调，至所述卷积神经网络模型处于收敛状态时为止。具体地，所述将所述训练样本集输入到所述卷积神经网络模型中，训练所述第一分类集直至收敛的步骤，具体包括下述步骤：将所述训练样本集输入到所述卷积神经网络模型中，获取所述第一分类集输出的性别分类结果；通过止损函数比对所述标记性别与所述性别分类结果是否一致；当所述标记性别与所述性别分类结果不一致时，反复循环迭代的更新所述第一分类集之前卷积层的权值，至所述标记性别与所述性别分类结果一致时结束；所述标记性别与所述性别分类结果一致时，固定所述第一分类集之前卷积层的权值。具体地，所述当所述第一分类集收敛后，将所述训练样本集输入到所述卷积神经网络模型中，训练所述第二分类集直至收敛的步骤，具体包括下述步骤：将所述训练样本集输入到所述卷积神经网络模型中，获取所述第二分类集输出的激励分类结果；通过止损函数比对所述期望分类信息与所述激励分类结果是否一致；当所述期望分类信息与所述激励分类结果不一致时，反复循环迭代的更新位于所述第一分类集与第二分类集之间卷积层的权值，至所述期望分类信息与所述激励分类结果一致时结束；所述标记性别与所述性别分类结果一致时，固定位于所述第一分类集与第二分类集之间卷积层的权值。具体地，所述将所述人脸图像输入到预设的卷积神经网络模型中，并根据所述卷积神经网模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识的步骤之后，还包括下述步骤：根据所述卷积神经网模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行颜值打分，以使决定所述卷积神经网络模型输出颜值分数的数据中包括区分不同性别的差异属性。具体地，所述内容理解分类包括：图像相似度比对、种族分类识别或年龄识别。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分类装置，所述人脸图像分类装置包括：采集模块，用于获取待分类的人脸图像；性别分类模块，用于将所述人脸图像输入到预设的卷积神经网络模型中，并根据所述卷积神经网模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识；内容理解分类模块，用于根据所述卷积神经网模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行预设内容理解分类，以使决定所述卷积神经网络模型输出分类结果的数据中包括区分不同性别的差异属性。具体地，所述卷积神经网络模型包括：第一分类集和第二分类集，所述第一分类集根据所述卷积神经网模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识，所述第二分类集根据所述卷积神经网模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行内容理解分类。具体地，所述第一分类集中至少包括两个全连接层和一个分类层，所述第一分类集以所述卷积层中倒数第二个卷积层输出的中间数据作为输入信号；所述第二分类集中包括至少两个全连接层与一个分类层，所述第二分类集以所述卷积层中倒数第一个卷积层输出的中间数据作为输入信号。具体地，所述人脸图像分类装置还包括：第一采集模块，用于获取标记有性别和期望分类信息的训练样本集；第一训练子模块，用于将所述训练样本集输入到所述卷积神经网络模型中，训练所述第一分类集直至收敛；第二训练子模块，用于当所述第一分类集收敛后，将所述训练样本集输入到所述卷积神经网络模型中，训练所述第二分类集直至收敛；第三训练子模块，用于当所述第二分类集收敛后，将所述训练样本集输入到所述卷积神经网络模型中，采用较小学习率对所述第一分类集和第二分类集进行微调，至所述卷积神经网络模型处于收敛状态时为止。具体地，所述人脸图像分类装置还包括：第一分类子模块，用于将所述训练样本集输入到所述卷积神经网络模型中，获取所述第一分类集输出的性别分类结果；第一比对子模块，用于通过止损函数比对所述标记性别与所述性别分类结果是否一致；第一处理子模块，用于当所述标记性别与所述性别分类结果不一致时，反复循环迭代的更新所述第一分类集之前卷积层的权值，至所述标记性别与所述性别分类结果一致时结束；第一固定子模块，用于所述标记性别与所述性别分类结果一致时，固定所述第一分类集之前卷积层的权值。具体地，所述人脸图像分类装置还包括：第二分类子模块，用于将所述训练样本集输入到所述卷积神经网络模型中，获取所述第二分类集输出的激励分类结果；第二比对子模块，用于通过止损函数本文档来自技高网...

【技术保护点】
一种人脸图像分类方法，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预设的卷积神经网络模型中，并根据所述卷积神经网模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识；根据所述卷积神经网模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行预设内容理解分类，以使决定所述卷积神经网络模型输出分类结果的数据中包括区分不同性别的差异属性。

【技术特征摘要】
1.一种人脸图像分类方法，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预设的卷积神经网络模型中，并根据所述卷积神经网模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识；根据所述卷积神经网模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行预设内容理解分类，以使决定所述卷积神经网络模型输出分类结果的数据中包括区分不同性别的差异属性。2.根据权利要求1所述的人脸图像分类方法，其特征在于，所述卷积神经网络模型包括：第一分类集和第二分类集，所述第一分类集根据所述卷积神经网模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识，所述第二分类集根据所述卷积神经网模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行内容理解分类。3.根据权利要求2所述的人脸图像分类方法，其特征在于，所述第一分类集中至少包括两个全连接层和一个分类层，所述第一分类集以所述卷积层中倒数第二个卷积层输出的中间数据作为输入信号；所述第二分类集中包括至少两个全连接层与一个分类层，所述第二分类集以所述卷积层中倒数第一个卷积层输出的中间数据作为输入信号。4.根据权利要求2所述的人脸图像分类方法，其特征在于，所述卷积神经网络模型通过下述步骤训练形成：获取标记有性别和期望分类信息的训练样本集；将所述训练样本集输入到所述卷积神经网络模型中，训练所述第一分类集直至收敛；当所述第一分类集收敛后，将所述训练样本集输入到所述卷积神经网络模型中，训练所述第二分类集直至收敛；当所述第二分类集收敛后，将所述训练样本集输入到所述卷积神经网络模型中，采用较小学习率对所述第一分类集和第二分类集进行微调，至所述卷积神经网络模型处于收敛状态时为止。5.根据权利要求4所述的人脸图像分类方法，其特征在于，所述将所述训练样本集输入到所述卷积神经网络模型中，训练所述第一分类集直至收敛的步骤，具体包括下述步骤：将所述训练样本集输入到所述卷积神经网络模型中，获取所述第一分类集输出的性别分类结果；通过止损函数比对所述标记性别与所述性别分类结果是否一致；当所述标记性别与所述性别分类结果不一致时，反复循环迭代的更新所述第一分类集之前卷积层的权值，至所述标记性别与所述...

【专利技术属性】
技术研发人员：李宣平，杨帆，李岩，
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