人像属性模型构建方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及人工智能技术领域，用于人像识别行业，提供一种人像属性模型构建方法、装置、计算机设备和存储介质，其方法包括：获取人脸检测数据，确定感兴趣的人脸区域，对所述感兴趣的人脸区域进行人像属性标注，获得训练样本，以训练样本作为输入、且以人像属性作为输出对预设卷积神经网络模型进行训练，通过基于迁移学习算法的方式对已训练的卷积神经网络模型进行微调，得到人像属性模型。整个过程中，以卷积神经网络模型训练，并基于通过迁移学习算法的方式对已训练的卷积神经网络模型进行调整、优化，提升模型的性能，优化后的人像属性模型可以准确实现人像属性识别。

Method, Device, Computer Equipment and Storage Media for Constructing Portrait Attribute Model

【技术实现步骤摘要】
人像属性模型构建方法、装置、计算机设备和存储介质
本申请涉及人像识别
，特别是涉及一种人像属性模型构建方法、装置、计算机设备和存储介质。
技术介绍
目前智能营销一般通过线下拉客的方式，线下拉客需要大量的人力去执行，拉客的针对性较弱，一般收效甚微。与此同时，随着人工智能技术的发展，AI(artificialintelligence，人工智能)人像技术越来越成熟，其能够给人们生活带来更多乐趣与便捷。将AI人像技术应用于智能营销领域，以实现智能主动识别用户群体，实现线上智能拉客已经成为可能。智能用户画像构建是将AI人像技术应用于智能营销领域的技术难题之一，而人像属性特征是否能够准确提取是用户画像构建的关键因素，一般人像属性特征都是基于人像属性模型来提取的，可见人像属性模型是否能够合理构建会最终影响整个智能用户画像构建的效果。然而，传统的人像属性模型构建不够准确，其无法准确提取人像属性特征。
技术实现思路
基于此，有必要针对上述技术问题，提供一种准确的人像属性模型构建方法、装置、计算机设备和存储介质。一种人像属性模型构建方法，所述方法包括：获取人脸检测数据，确定感兴趣的人脸区域；记录对所述感兴趣的人脸区域人像属性标注结果，得到训练样本；以所述训练样本中所述感兴趣的人脸区域作为输入、且以所述训练样本中人像属性作为输出，对预设卷积神经网络模型进行训练，得到已训练的卷积神经网络模型；将已训练的卷积神经网络模型中最后一个全连接层的输出为所述训练样本中包含的人脸区域数量，所述最后一个全连接层的学习率设置所述已训练的卷积神经网络模型中其他层的预设倍，学习率保持在预设值，以调整所述已训练的卷积神经网络模型，得到人像属性模型。在其中一个实施例中，所述记录对所述感兴趣的人脸区域人像属性标注结果，得到训练样本包括：获取待标注属性指标集合，所述待标注属性指标集合包括多个属性指标，所述属性指标包括年龄、性别、有无刘海、是否戴眼镜、化妆类型、是否描眉、是否涂口红、是否腮红、发型、皮肤状态、脸型、人脸上下停对比、人脸三停对比、胡须类型、眉毛形态以及是否有抬头纹；识别所述感兴趣的人脸区域中对应的各属性指标，并将识别的结果记录；将记录的结果与所述感兴趣的人脸区域关联，得到训练样本。在其中一个实施例中，所述获取人脸检测数据，确定感兴趣的人脸区域包括：获取人脸检测数据；将所述人脸检测数据输入至已训练的神经网络模型，确定感兴趣的人脸区域，所述已训练的神经网络模型以样本数据中人脸检测数据为输入数据、并以样本数据中人脸位置作为输出，使用反向传播算法以及交叉熵损失对神经网络模型中预设的参数进行调整，直到训练次数达到预设的阈值，其中，所述交叉熵损失是通过所述神经网络模型对所述样本数据中人脸检测数据进行识别，得到预测人脸位置，并将预测的人脸位置和所述样本数据中人脸位置进行比对得到的数据训练得到。在其中一个实施例中，所述获取人脸检测数据，将所述人脸检测数据输入至已训练的神经网络模型，确定感兴趣的人脸区域包括：获取人脸检测数据；将所述人脸检测数据输入至已训练的神经网络模型，获取人脸位置区域；识别人脸位置区域的边缘；沿所述边缘扩展预设个数像素距离，得到感兴趣的人脸区域。在其中一个实施例中，所述以所述训练样本中所述感兴趣的人脸区域作为输入、且以所述训练样本中人像属性作为输出，对预设卷积神经网络模型进行训练，得到已训练的卷积神经网络模型包括：将所述训练样本随机分为训练数据和验证数据；以所述训练数据中所述感兴趣的人脸区域作为输入、且以所述训练数据中人像属性作为输出，对预设卷积神经网络模型进行训练；根据所述验证数据对训练后的卷积神经网络模型进行验证；当验证通过时，得到已训练的卷积神经网络模型；当验证未通过时，重新获取所述训练样本。在其中一个实施例中，所述通过迁移学习算法调整已训练的卷积神经网络模型，得到人像属性模型之后，还包括：接收输入的人脸照片，对所述人脸照片进行人脸检测；将人脸检测得到图片进行归一化处理；将归一化处理后的数据输入至所述人像属性模型，提取用户人像属性特征。一种人像属性模型构建装置，所述装置包括：数据获取模块，用于获取人脸检测数据，确定感兴趣的人脸区域；标注记录模块，用于记录对所述感兴趣的人脸区域人像属性标注结果，得到训练样本；模型训练模块，用于以所述训练样本中所述感兴趣的人脸区域作为输入、且以所述训练样本中人像属性作为输出，对预设卷积神经网络模型进行训练，得到已训练的卷积神经网络模型；模型构建模块，用于将已训练的卷积神经网络模型中最后一个全连接层的输出为所述训练样本中包含的人脸区域数量，所述最后一个全连接层的学习率设置所述已训练的卷积神经网络模型中其他层的预设倍，学习率保持在预设值，以调整所述已训练的卷积神经网络模型，得到人像属性模型。在其中一个实施例中，所述标注记录模块还用于获取待标注属性指标集合，识别所述感兴趣的人脸区域中对应的各属性指标，并将识别的结果记录，将记录的结果与所述感兴趣的人脸区域关联，得到训练样本，其中，所述待标注属性指标集合包括多个属性指标，所述属性指标包括年龄、性别、有无刘海、是否戴眼镜、化妆类型、是否描眉、是否涂口红、是否腮红、发型、皮肤状态、脸型、人脸上下停对比、人脸三停对比、胡须类型、眉毛形态以及是否有抬头纹。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法的步骤。上述人像属性模型构建方法、装置、计算机设备和存储介质，获取人脸检测数据，确定感兴趣的人脸区域，对所述感兴趣的人脸区域进行人像属性标注，获得训练样本，以训练样本作为输入、且以人像属性作为输出对预设卷积神经网络模型进行训练，通过基于迁移学习算法的方式对已训练的卷积神经网络模型进行微调，得到人像属性模型。整个过程中，以卷积神经网络模型训练，并基于通过迁移学习算法的方式对已训练的卷积神经网络模型进行调整、优化，提升模型的性能，优化后的人像属性模型可以准确实现人像属性识别。附图说明图1为一个实施例中人像属性模型构建方法的流程示意图；图2为另一个实施例中人像属性模型构建方法的流程示意图；图3为一个实施例中人像属性模型构建装置的结构框图；图4为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。如图1所示，一种人像属性模型构建方法，方法包括：S200：获取人脸检测数据，确定感兴趣的人脸区域。人脸检测数据是指对用户进行人脸检测之后得到的数据，具体可以针对样本人脸进行人脸检测得到人脸检测数据。对人脸检测数据进行分析，确定感兴趣的人脸区域。具体来说，可以将人脸检测数据输入至训练好的神经网络模型，通过训练好的神经网络模型，准确确定感兴趣的人脸区域。S400：记录对感兴趣的人脸区域人像属性标注结果，得到训练样本。人像属性标注可以基于专家数据来完成。具体的，服务器可以将感兴趣的人脸区域发送至专家数据库服务器，并且将人像属性指标集合一并发送，在人像属性指标集合本文档来自技高网...

【技术保护点】
1.一种人像属性模型构建方法，所述方法包括：获取人脸检测数据，确定感兴趣的人脸区域；记录对所述感兴趣的人脸区域人像属性标注结果，得到训练样本；以所述训练样本中所述感兴趣的人脸区域作为输入、且以所述训练样本中人像属性作为输出，对预设卷积神经网络模型进行训练，得到已训练的卷积神经网络模型；将已训练的卷积神经网络模型中最后一个全连接层的输出为所述训练样本中包含的人脸区域数量，所述最后一个全连接层的学习率设置所述已训练的卷积神经网络模型中其他层的预设倍，学习率保持在预设值，以调整所述已训练的卷积神经网络模型，得到人像属性模型。

【技术特征摘要】
1.一种人像属性模型构建方法，所述方法包括：获取人脸检测数据，确定感兴趣的人脸区域；记录对所述感兴趣的人脸区域人像属性标注结果，得到训练样本；以所述训练样本中所述感兴趣的人脸区域作为输入、且以所述训练样本中人像属性作为输出，对预设卷积神经网络模型进行训练，得到已训练的卷积神经网络模型；将已训练的卷积神经网络模型中最后一个全连接层的输出为所述训练样本中包含的人脸区域数量，所述最后一个全连接层的学习率设置所述已训练的卷积神经网络模型中其他层的预设倍，学习率保持在预设值，以调整所述已训练的卷积神经网络模型，得到人像属性模型。2.根据权利要求1所述的方法，其特征在于，所述记录对所述感兴趣的人脸区域人像属性标注结果，得到训练样本包括：获取待标注属性指标集合，所述待标注属性指标集合包括多个属性指标，所述属性指标包括年龄、性别、有无刘海、是否戴眼镜、化妆类型、是否描眉、是否涂口红、是否腮红、发型、皮肤状态、脸型、人脸上下停对比、人脸三停对比、胡须类型、眉毛形态以及是否有抬头纹；识别所述感兴趣的人脸区域中对应的各属性指标，并将识别的结果记录；将记录的结果与所述感兴趣的人脸区域关联，得到训练样本。3.根据权利要求1所述的方法，其特征在于，所述获取人脸检测数据，确定感兴趣的人脸区域包括：获取人脸检测数据；将所述人脸检测数据输入至已训练的神经网络模型，确定感兴趣的人脸区域，所述已训练的神经网络模型以样本数据中人脸检测数据为输入数据、并以样本数据中人脸位置作为输出，使用反向传播算法以及交叉熵损失对神经网络模型中预设的参数进行调整，直到训练次数达到预设的阈值，其中，所述交叉熵损失是通过所述神经网络模型对所述样本数据中人脸检测数据进行识别，得到预测人脸位置，并将预测的人脸位置和所述样本数据中人脸位置进行比对得到的数据训练得到。4.根据权利要求3所述的方法，其特征在于，所述获取人脸检测数据，将所述人脸检测数据输入至已训练的神经网络模型，确定感兴趣的人脸区域包括：获取人脸检测数据；将所述人脸检测数据输入至已训练的神经网络模型，获取人脸位置区域；识别人脸位置区域的边缘；沿所述边缘扩展预设个数像素距离，得到感兴趣的人脸区域。5.根据权利要求1所述的方法，其特征在于，所述以所述训练样本中所述感兴趣的人脸区域作为输入、且以所述训练样本中人像属性作为输出，对...

【专利技术属性】
技术研发人员：姚旭峰，徐国强，邱寒，
申请(专利权)人：深圳壹账通智能科技有限公司，
类型：发明
国别省市：广东,44