基于多任务的人脸识别方法、装置、服务器和可读存储介质制造方法及图纸

本发明专利技术实施例涉及图像处理与计算机视觉，公开了一种基于多任务的人脸识别方法、装置、服务器和可读存储介质。该方法首先构建人脸识别模型，人脸识别模型包括人脸属性识别多任务模块，人脸属性识别多任务模块包括至少两个子任务模块；对多任务模块中的每个子任务模块进行全局训练；对经过全局训练后的多任务模块中的至少一个子任务模块进行初次微调，使初次微调后的每个子任务模块更精确；利用微调后的多任务模块对待识别人脸候选区域进行人脸属性识别，有效提高人脸属性识别精度。

【技术实现步骤摘要】
基于多任务的人脸识别方法、装置、服务器和可读存储介质
本专利技术实施例涉及图像处理与计算机视觉
，特别涉及基于多任务的人脸识别方法、装置、服务器和可读存储介质。
技术介绍
人脸属性指的是根据给定的人脸判断其性别、年龄和表情等。目前基本的实现方法有两种，一种是传统的方法：首先对检测到的人脸区域提取HOG/LBP/Gabor等特征，再使用SVM进行分类或者SVR进行回归的训练。另外一种是深度学习的方法，有两种实现实施例，一种是针对人脸的每个属性，分别使用CNN提取特征，最后使用softmax进行分类，即单标签的方式；另外一种是所有的属性使用一个CNN进行人脸特征的提取，最后根据不同的任务设置不同的loss进行属性分析，或者使用svm进行分类，即多标签的方式。专利技术人发现现有技术中至少存在如下问题：无论是传统方法还是深度学习方法识别精度都有待提高。
技术实现思路
本专利技术实施方式的目的在于提供一种基于多任务的人脸识别方法、装置、服务器和可读存储介质，使得人脸属性识别精度被有效提高。为解决上述技术问题，本专利技术的实施方式提供了一种基于多任务的人脸识别方法，包括以下步骤：构建人脸识别模型，所述人脸识别模型包括人脸属性识别多任务模块，所述人脸属性识别多任务模块包括至少两个子任务模块；对所述多任务模块中的每个子任务模块进行全局训练；对经过全局训练后的所述多任务模块中的至少一个子任务模块进行微调，使微调后的每个子任务模块更精确；利用微调后的所述多任务模块对待识别人脸候选区域进行人脸属性识别。本专利技术的实施方式还提供了一种基于多任务的人脸识别装置，包括：模型构建单元，用于构建人脸识别模型，所述人脸识别模型包括人脸属性识别多任务模块，所述人脸属性识别多任务模块包括至少两个子任务模块；全局训练单元，用于对所述多任务模块中的每个子任务模块进行全局训练；微调单元，用于对经过全局训练后的所述多任务模块中的至少一个子任务模块进行初次微调，使初次微调后的每个子任务模块更精确；人脸识别单元，利用微调后的所述多任务模块对待识别人脸候选区域进行人脸属性识别。本专利技术实施方式相对于现有技术而言，首先构建人脸识别模型，人脸识别模型包括人脸属性识别多任务模块，人脸属性识别多任务模块包括至少两个子任务模块；在对多任务模块中的每个子任务模块进行全局训练之后；再对经过全局训练后的多任务模块中的至少一个子任务模块进行初次微调，使初次微调后的每个子任务模块更精确；利用微调后的多任务模块对待识别人脸候选区域进行人脸属性识别，采用先全局训练、再各个子任务分别微调的方式进行模型的训练，针对性的提高各个子任务的识别精度，解决多任务模型中各个子任务精度干扰的问题，提高多任务识别精度，进而有效提高人脸属性识别精度。另外，进一步可选的，所述人脸识别模型还包括人脸区域提取模块，在所述利用微调后的所述多任务模块对待处理人脸候选区域进行人脸属性识别之前，所述方法还包括：利用所述人脸区域提取模块从待处理人脸图像中提取所述待识别人脸候选区域。本实施方式建立了两个模块的多任务深度学习网络结构，是一种端到端的人脸多属性识别模型，在多人脸中有明显的检测速度快、鲁棒性高的优势；并另外，进一步可选的，还包括：接收子任务模块修改请求，所述修改请求包括添加、修改或删除子任务模块请求；根据所述子任务模块修改请求，添加、修改或删除所述人脸属性识别多任务模块中的子任务模块。本实施方式针对人脸属性类别多样的特点，建立了两个模块的多任务深度学习网络结构，在多任务模块中实现人脸遮挡相关子任务的无限拓展。另外，进一步可选的，所述构建人脸识别模型包括：构造训练数据集，所述训练数据集中的每个样本进行单独标注；构建网络模型；所述对所述多任务模块中的每个子任务模块进行全局训练为：利用所述训练数据集对所述网络模型进行全局参数训练，依据每个样本的单独标注实现每个样本的参数训练。本实施方式构建训练数据时，采用对数据集分别标记标签的形式，针对标签和任务类型选择对应的损失函数，进行模型参数的调整。进一步有效保证对子任务的高度可扩展性，满足多属性的应用场景需求。另外，进一步可选的，所述利用所述训练数据集对所述网络模型进行全局参数训练，依据每个样本的单独标注实现每个样本的参数训练包括：在每个样本内计算损失函数时，根据标注信息判断任务类型；若某个样本的任务类型不包含在相应任务中，则不计算所述某个样本的损失函数。另外，进一步可选的，所述对所述多任务模块中的每个子任务模块进行全局训练包括：在人脸区域坐标回归任务中，对人脸区域部分进行网络参数调整，使调整后的网络参数更精确；和/或，在人脸关键点坐标回归任务中，对人脸区域内可见关键点进行网络参数的调整，使调整后的网络参数更精确。另外，进一步可选的，所述对经过全局训练后的所述多任务模块中的至少一个子任务模块进行微调为：在经过全局训练后的所述多任务模块中的至少一个子任务模块的全连接输出层之间添加一个全连接层。另外，进一步可选的，所述多任务模块包括性别子任务和年龄子任务，所述对经过全局训练后的所述多任务模块中的至少一个子任务模块进行微调包括：对于性别子任务，在全连接输出层之间添加一个全连接层，所述性别子任务中添加的全连接层为1*256；和/或，对于年龄子任务，在全连接输出层添加一个全连接层，所述年龄子任务中添加的全连接层为1*2048。另外，本专利技术的实施方式还提供了一种服务器，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一种基于多任务的人脸识别方法。另外，本专利技术的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行上述任一项所述的基于多任务的人脸识别方法。上述说明仅是本专利技术技术实施例的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1是本专利技术实施例提供的一种基于多任务的人脸识别方法流程示意图；图2是本专利技术实施例提供的另一种基于多任务的人脸识别方法流程示意图；图3是图1、图2所示方法中人脸识别模型模块结构示意图；图4是图1、图2所示方法中人脸识别模型网络结构示意图；图5是本专利技术实施例提供的一种基于多任务的人脸识别装置功能结构示意图；图6是本专利技术实施例提供的另一种基于多任务本文档来自技高网...

【技术保护点】
1.一种基于多任务的人脸识别方法，其特征在于，包括：/n构建人脸识别模型，所述人脸识别模型包括人脸属性识别多任务模块，所述人脸属性识别多任务模块包括至少两个子任务模块；/n对所述多任务模块中的每个子任务模块进行全局训练；/n对经过全局训练后的所述多任务模块中的至少一个子任务模块进行微调，使微调后的每个子任务模块更精确；/n利用微调后的所述多任务模块对待识别人脸候选区域进行人脸属性识别。/n

【技术特征摘要】
1.一种基于多任务的人脸识别方法，其特征在于，包括：
构建人脸识别模型，所述人脸识别模型包括人脸属性识别多任务模块，所述人脸属性识别多任务模块包括至少两个子任务模块；
对所述多任务模块中的每个子任务模块进行全局训练；
对经过全局训练后的所述多任务模块中的至少一个子任务模块进行微调，使微调后的每个子任务模块更精确；
利用微调后的所述多任务模块对待识别人脸候选区域进行人脸属性识别。


2.根据权利要求1所述的方法，其特征在于，所述人脸识别模型还包括人脸区域提取模块，在所述利用微调后的所述多任务模块对待处理人脸候选区域进行人脸属性识别之前，所述方法还包括：
利用所述人脸区域提取模块从待处理人脸图像中提取所述待识别人脸候选区域。


3.根据权利要求1或2中所述的方法，其特征在于，还包括：
接收子任务模块修改请求，所述修改请求包括添加、修改或删除子任务模块请求；
根据所述子任务模块修改请求，添加、修改或删除所述人脸属性识别多任务模块中的子任务模块。


4.根据权利要求1或2所述的方法，其特征在于，所述构建人脸识别模型包括：
构造训练数据集，所述训练数据集中的每个样本进行单独标注；
构建网络模型；
所述对所述多任务模块中的每个子任务模块进行全局训练为：利用所述训练数据集对所述网络模型进行全局参数训练，依据每个样本的单独标注实现每个样本的参数训练。


5.根据权利要求4所述的方法，其特征在于，所述利用所述训练数据集对所述网络模型进行全局参数训练，依据每个样本的单独标注实现每个样本的参数训练包括：
在每个样本内计算损失函数时，根据标注信息判断任务类型；
若某个样本的任务类型不包含在相应任务中，则不计算所...

【专利技术属性】
技术研发人员：贺菁菁，浦贵阳，
申请(专利权)人：中移杭州信息技术有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：浙江;33