【技术实现步骤摘要】
人脸结构化信息识别方法、系统、装置及存储介质
本专利技术涉及人脸识别
，尤其涉及一种人脸结构化信息识别方法、系统、装置及存储介质。
技术介绍
目前，人脸结构化在图像检测、人脸识别、微表情识别等应用上都引起了极大关注。人脸结构化主要是根据给定的人脸面部图像或者行人头部图像进行人脸识别、人脸ReID以及属性识别等，例如性别识别、年龄估计、表情识别、发型识别、判别是否戴口罩等。然而，由于人脸角度、光照等变化引起的人脸面部变化，人脸结构化还存在很多挑战。传统的卷积神经网络模型一般只能解决一个特定的任务，例如性别识别、年龄估计等。而一些多任务学习模型虽然能够一次性同时处理两个以上的任务，但没有考虑到人脸属性中很多属性具有其独特性和强相关性，例如是否有胡子和性别之间的关系。此外，在行人头部的人脸结构化信息识别的数据中，训练集经常会出现标签不平衡的情况，例如发型识别中，“光头”属性相较于其他发型来说，正样本非常少，这种不平衡性容易导致正样本中较少的属性被其他属性覆盖，从而影响模型最终的识别准确率。目前虽已有的一些解决...
【技术保护点】
1.一种人脸结构化信息识别方法，应用于电子装置，其特征在于，所述方法包括：/n根据行人样本数据集建立相应的人脸结构化数据集；其中，所述人脸结构化数据集中具有行人样本的人脸结构化数据；/n根据预设属性划分类别对所述人脸结构化数据集内的人脸结构化数据进行属性统计；/n根据所述人脸结构化数据的属性统计结果，采用过采样和/或欠采样的方式对所述人脸结构化数据集进行平衡度调整，以使所述人脸结构化数据集的平衡度均衡；/n使用平衡度调整后的人脸结构化数据集对预设的人脸结构化网络模型进行训练；/n使用训练后的人脸结构化网络模型对待识别图像进行人脸结构化信息识别。/n
【技术特征摘要】
1.一种人脸结构化信息识别方法，应用于电子装置，其特征在于，所述方法包括：
根据行人样本数据集建立相应的人脸结构化数据集；其中，所述人脸结构化数据集中具有行人样本的人脸结构化数据；
根据预设属性划分类别对所述人脸结构化数据集内的人脸结构化数据进行属性统计；
根据所述人脸结构化数据的属性统计结果，采用过采样和/或欠采样的方式对所述人脸结构化数据集进行平衡度调整，以使所述人脸结构化数据集的平衡度均衡；
使用平衡度调整后的人脸结构化数据集对预设的人脸结构化网络模型进行训练；
使用训练后的人脸结构化网络模型对待识别图像进行人脸结构化信息识别。
2.根据权利要求1所述的人脸结构化信息识别方法，其特征在于，所述人脸结构化数据集包括人脸属性数据集和头部属性数据集，根据所述行人样本数据集建立人脸结构化数据集的过程包括：
通过RetinaFace人脸检测器对所述行人样本数据集内的行人样本数据进行人脸检测和/或人脸对齐，以获取对齐后的人脸图像和未对齐的人脸图像；
将所述对齐后的人脸图像组成所述人脸属性数据集；
在原始的所述行人样本数据上以所述未对齐的人脸图像的中心点为中心，向上下左右各外扩所述未对齐的人脸图像宽高的一半的长度并进行截取，以形成行人头部图像，由所述行人头部图像组成所述头部属性数据集。
3.根据权利要求1所述的人脸结构化信息识别方法，其特征在于，
根据人脸结构化中不同属性之间的独特性和强相关性确定所述预设属性划分类别。
4.根据权利要求2所述的人脸结构化信息识别方法，其特征在于，所述人脸结构化网络模型包括人脸属性识别网络，所述人脸属性识别网络包括人脸属性通用特征提取网络和人脸属性学习网络；并且，在使用平衡度调整后的人脸结构化数据集对所述人脸结构化网络模型进行训练的过程中，
所述人脸属性通用特征提取网络用于提取所述人脸属性数据集内的人脸属性通用特征；
所述人脸属性学习网络用于对所述人脸属性通用特征进行深度学习以获取第一细分特征，并根据所述第一细分特征进行人脸属性信息识别。
5.根据权利要求4所述的人脸结构化信息识别方法，其特征在于，所述人脸结构化网络模型包括头部属性识别网络，所述头部属性识别网络包括头部属性通用特征提取网络和头部属性学习网络；并且，在使用平衡度均衡的所述人脸结构化数据集对所述人脸结构化网络模型进行训练的过程中，
所述头部属性通用特征提取网络用于提取所述头部属性数据集内的头部属性通用特征；
所述头部属性学习网络用于对所述头部...
【专利技术属性】
技术研发人员：鞠蓉，施远银，邢卫国，孙超，
申请(专利权)人：杭州博雅鸿图视频技术有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。