一种基于人脸识别分析个人兴趣爱好的方法技术

本发明专利技术公开了一种基于人脸识别分析个人兴趣爱好的方法，使用多个深度学习网络分别提取面部数据中对应的年龄、性别，并抽象面部特征，最后利用聚类方法得到具有相似抽象面部特征的人具有的兴趣爱好分布，从而给用户推荐兴趣爱好。本发明专利技术利用深度学习技术在处理面部数据的优势，得到具有高置信度的与面部数据对应的年龄和性别的信息；本发明专利技术使用深度学习的方式自动对特征进行提取，提取出的特征具有更强的鲁棒性，从而大大的提高了面部识别的准确度，并提高了兴趣爱好推荐的精度。

A method of analyzing personal interests based on face recognition

The invention discloses a method based on face recognition and analysis of personal interests. It uses multiple depth learning networks to extract the corresponding age, sex and facial features in the facial data, and abstracts the facial features. At last, the clustering method is used to obtain some interests and interests of people with similar Abstract facial features. Recommend hobbies. The invention uses the advantage of deep learning technology to deal with the face data, and obtains information of age and sex corresponding to the facial data with high confidence; the invention automatically extracts the features using a depth learning method, and the extracted features have stronger robustness, thus greatly improving the accuracy of facial recognition. Accuracy and improve the accuracy of interest recommendation.

【技术实现步骤摘要】
一种基于人脸识别分析个人兴趣爱好的方法
本专利技术属于信息处理的
，具体涉及一种基于人脸识别分析个人兴趣爱好的方法。
技术介绍
现阶段，基于对用户兴趣爱好分析的广告精准投放营销广泛存在于电子商务活动中。传统的用户个人兴趣爱好收集方法多采用人工当面调查或者基于大数据等相关技术，从用户的在线活动，浏览记录和登记集料进行分析。这样的方法或多或少存在效率不高，效果不好的问题。同时，随着用户隐私保护意识的增强，部分用户拒绝提供相关资料，导致上述的兴趣爱好收集方式难以奏效，这对广告主和经营者而言意味着潜在价值用户的流失。因此，提出一种新的识别分析个人兴趣爱好的方式至关重要。
技术实现思路
本专利技术的目的在于提供一种基于人脸识别分析个人兴趣爱好的方法，本专利技术利用深度学习技术在处理面部数据的优势，得到具有高置信度的与面部数据对应的年龄和性别的信息；本专利技术使用深度学习的方式自动对特征进行提取，提取出的特征具有更强的鲁棒性，从而大大的提高了面部识别的准确度，并提高了兴趣爱好推荐的精度。本专利技术主要通过以下技术方案实现：一种基于人脸识别分析个人兴趣爱好的方法，主要包括以下步骤：步骤E1：收集包含年龄、性别、兴趣爱好的人脸图像作为训练数据；步骤E2：使用AlexNet网络作为基础网络结构，用步骤E1中的数据训练得到AgeNet训练模型和GenderNet训练模型；利用年龄、性别对应的DeepID网络获取面部的特征数据，并将面部特征向量化；所述AgeNet训练模型用于生成面部数据与年龄的映射关系，能够获得未知年龄的面部数据的年龄信息；所述GenderNet训练模型用于生成面部数据与性别的映射关系，能够获得未知性别的面部数据的性别信息；步骤E3：在步骤E2之后调用聚类模型，根据聚类结果得到兴趣爱好的分布，从而输出推荐的兴趣爱好；步骤E4：在步骤E1-E3训练得到的模型中输入用户的脸部照片，采用步骤E2中的AgeNet网络得到用户的年龄信息，采用步骤E2中的GenderNet网络得到用户的性别信息，最后调用步骤E3中的聚类模型输出兴趣爱好的信息。本专利技术利用深度学习技术在处理面部数据的优势，可以得到面部数据具有高置信度的年龄和性别信息。在相同年龄区间和性别组成的人群组中，面部特征数据能够有效地利用在兴趣预测的方面。在整套解决方案中，我们需要使用多个深度学习网络分别提取面部数据中对应的年龄、性别，并抽象面部特征，最后利用聚类方法得到具有相似抽象面部特征的人具有的兴趣爱好分布，从而给用户推荐兴趣爱好。为了更好的实现本专利技术，进一步的，所述步骤E2中根据步骤E1中的数据，使用AlexNet网络作为基础网络结构，每5岁为一个年龄区间，对训练数据中的年龄信息进行one-hot编码，且编码结果为14维向量；将AlexNet网络结构中fc8层的num-output参数修改为12，同时将fc8的名称修改为age-layer，并将修改后的网络命名为AgeNet；在Caffe环境中使用标记的样本训练得到AgeNet训练模型，用于生成面部数据与年龄的映射关系，能够获得未知年龄的面部数据的年龄信息。为了更好的实现本专利技术，进一步的，所述步骤E2中使用AlexNet网络作为基础网络结构，训练步骤E1中的性别数据，将训练数据中的性别信息进行one-hot编码，且编码结果为2维向量；将AlexNet网络结构中fc8层的num-output参数修改为2，同时将fc8的名称修改为gender-layer，并将修改后的网络命名为GenderNet；在Caffe环境中使用标记的样本训练得到GenderNet训练模型，用于生成面部数据与性别的映射关系，能够获得未知性别的面部数据的性别信息。为了更好的实现本专利技术，进一步的，所述步骤E2中筛选训练数据中具有相同性别和相同年龄段的样本为一组数据，使用名为DeepID的人脸识别网络对人脸数据进行识别，提取DeepID网络中的高层卷积层的数据作为面部特征数据。为了更好的实现本专利技术，进一步的，所述步骤E2中筛选28组具有相同性别和相同年龄段的样本。为了更好的实现本专利技术，进一步的，所述步骤E3中将每一张输入的人脸数据对应的面部特征数据拉伸为一维向量，将同一组数据中全部的人脸数据生成的一维向量使用Kmeans聚类方法进行聚类。为了更好的实现本专利技术，进一步的，所述步骤E1中筛选保留年龄大于等于10岁且小于80岁的样本。考虑到大多数互联网活动都具有一定的社交属性，用户可以上传诸如真实头像，年龄，兴趣爱好等资料。我们基于当前已有的用户面部数据和相关个人资料，利用流行的深度学习技术和传统的非监督学习算法，设计了一套能够利用人脸信息识别个人兴趣爱好的模型。该模型能够在仅提供用户人脸图像的情况下，给出用户可能的兴趣爱好的相关信息，从而辅助广告精准营销活动。以服务提供商利用该模型能够针对潜在新用户，快速得到兴趣爱好分析结果，以便能够及时展开广告精准营销行为。根据现有的人脸数据和一一对应的个人信息资料，如：性别，年龄，籍贯，爱好，近期活动等，利用深度学习技术，抽取面部数据中的相关特征，建立面部特征与相关个人信息之间的关系。针对新的，仅有面部图像的输入数据，输出具有高置信度，高相关性的结果作为输入目标可能的兴趣爱好。本专利技术主要包括以下步骤：1.训练数据的准备：在设计网络之前，我们首先需要收集到足够多的面部图像数据，同时保证每一张图像数据都有对应的性别，年龄，和兴趣爱好等相关信息。我们筛选保留年龄≥10岁同时<80岁的样本，为了保证该年龄段的用户具有足够多的兴趣爱好数据；2.年龄识别网络设计与训练：我们使用AlexNet网络作为基础网络结构。我们从10岁开始，每5岁为一个年龄区间对训练数据中的年龄信息进行one-hot编码（编码结果为14维向量）。修改AlexNet网络结构中名为fc8层的num_output参数为12，同时将fc8的名称修改为age_layer，将修改后的网络的命名为”AgeNet”；在Caffe环境中，使用标记的样本训练AgeNet。该网络的主要目的是生成面部数据与年龄的映射关系，能够获得未知年龄的面部数据的年龄信息；3.性别识别网络设计与训练：我们使用AlexNet网络作为基础网络结构。我们训练数据中的性别信息进行one-hot编码（编码结果为2维向量）。修改AlexNet网络结构中名为fc8层的num_output参数为2，同时将fc8的名称修改为gender_layer，将修改后的网络的命名为”GenderNet”；在Caffe环境中，使用标记的样本训练GenderNet。该网络的主要目的是生成面部数据与性别的映射关系，能够获得未知性别的面部数据的性别信息；4.面部特征提取模块设计与训练：我们筛选训练集中具有相同性别和相同年龄段的样本为一组数据（一共28组数据），在每一组数据中，使用名为DeepID的人脸识别网络对人脸数据进行识别，提取DeepID网络中的高层卷积层的数据作为面部特征数据。将每一张输入人脸数据对应的面部特征数据拉伸为1维向量，将同一组数据中所有人脸数据生成的1维向量使用Kmeans等聚类方法进行聚类，统计聚类结果中为同一类的数据对应的兴趣爱好的分布情况，聚类结果应当保存，为方便服务阶段中调用。本专利技术本文档来自技高网...

【技术保护点】
1.一种基于人脸识别分析个人兴趣爱好的方法，其特征在于，主要包括以下步骤：步骤E1：收集包含年龄、性别、兴趣爱好的人脸图像作为训练数据；步骤E2：使用AlexNet网络作为基础网络结构，用步骤E1中的数据训练得到AgeNet训练模型和GenderNet训练模型；利用年龄、性别对应的DeepID网络获取面部的特征数据，并将面部特征向量化；所述AgeNet训练模型用于生成面部数据与年龄的映射关系，能够获得未知年龄的面部数据的年龄信息；所述GenderNet训练模型用于生成面部数据与性别的映射关系，能够获得未知性别的面部数据的性别信息；步骤E3：在步骤E2之后调用聚类模型，根据聚类结果得到兴趣爱好的分布，从而输出推荐的兴趣爱好；步骤E4：在步骤E1‑E3训练得到的模型中输入用户的脸部照片，采用步骤E2中的AgeNet网络得到用户的年龄信息，采用步骤E2中的GenderNet网络得到用户的性别信息，最后调用步骤E3中的聚类模型输出兴趣爱好的信息。

【技术特征摘要】
1.一种基于人脸识别分析个人兴趣爱好的方法，其特征在于，主要包括以下步骤：步骤E1：收集包含年龄、性别、兴趣爱好的人脸图像作为训练数据；步骤E2：使用AlexNet网络作为基础网络结构，用步骤E1中的数据训练得到AgeNet训练模型和GenderNet训练模型；利用年龄、性别对应的DeepID网络获取面部的特征数据，并将面部特征向量化；所述AgeNet训练模型用于生成面部数据与年龄的映射关系，能够获得未知年龄的面部数据的年龄信息；所述GenderNet训练模型用于生成面部数据与性别的映射关系，能够获得未知性别的面部数据的性别信息；步骤E3：在步骤E2之后调用聚类模型，根据聚类结果得到兴趣爱好的分布，从而输出推荐的兴趣爱好；步骤E4：在步骤E1-E3训练得到的模型中输入用户的脸部照片，采用步骤E2中的AgeNet网络得到用户的年龄信息，采用步骤E2中的GenderNet网络得到用户的性别信息，最后调用步骤E3中的聚类模型输出兴趣爱好的信息。2.根据权利要求1所述的一种基于人脸识别分析个人兴趣爱好的方法，其特征在于，所述步骤E2中根据步骤E1中的数据，使用AlexNet网络作为基础网络结构，每5岁为一个年龄区间，对训练数据中的年龄信息进行one-hot编码，且编码结果为14维向量；将AlexNet网络结构中fc8层的num-output参数修改为12，同时将fc8的名称修改为age-layer，并将修改后的网络命名为AgeNet；在Caffe环境中使用标记的样本训练得到AgeNet训练模型，用于生成面部数据与年龄的...

【专利技术属性】
技术研发人员：王飞，喻杨洋，
申请(专利权)人：成都睿码科技有限责任公司，杭州数峰科技有限公司，
类型：发明
国别省市：四川,51