人脸属性识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供的人脸属性识别方法、装置、电子设备及存储介质，涉及人脸识别技术领域，该方法包括：获取待识别人脸图像；基于预先训练的人脸检测模型检测待识别人脸图像以获得多个子图像数据；每个子图像数据包含待识别人脸图像的有效人脸区域和有效人脸区域对应的人脸质量评分；将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过属性识别模型的多个属性提取层获取待识别人脸图像对应的多个属性信息。本发明专利技术相较于现有技术，能够实现提升属性识别的泛化性能和属性识别的精度，大幅降低属性识别的耗时的有益效果。

【技术实现步骤摘要】
人脸属性识别方法、装置、电子设备及存储介质
本专利技术涉及人脸识别
，具体而言，涉及一种人脸属性识别方法、装置、电子设备及存储介质。
技术介绍
随着互联网技术的发展，人脸识别技术的应用领域越来越广泛。人脸属性识别是人脸识别领域中的重要技术之一，随着机器学习技术的发展，人脸属性识别技术可以精准的识别出人脸的性别、年龄、表情、是否带眼镜等属性值。现有技术中，人脸属性识别技术的一般流程是：先通过人脸检测模型得到人脸区域；再将得到的人脸区域输入人脸特征点定位模型进行人脸特征对齐；最后将特征对齐后的人脸区域单独输入年龄识别模型、性别识别模型、微笑识别模型等等独立属性识别模型中得到人脸的不同属性。在实现本专利技术的过程中，专利技术人发现现有技术存在严重的不足：为了获得高精度的人脸子图数据需要对检测到人脸区域进行人脸特征对齐，该过程中会出现过拟合现象导致模型泛化能力差，降低了人脸属性识别的精度，同时，属性识别模型采用多个独立的子模型，在属性比较多的时候，算法的耗时和内存需求会成倍的增长。
技术实现思路
有鉴于此，本专利技术提供一种人脸属性识别方法、装置、电子设备及存储介质，用于提升属性识别的泛化性能和属性识别的精度，大幅降低属性识别的耗时。为了实现上述目的，本专利技术实施例采用的技术方案如下：第一方面，本专利技术实施例提供一种人脸属性识别方法，所述方法包括：获取待识别人脸图像；基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的属性信息。可选地，在所述获取待识别人脸图像的步骤之前，所述方法还包括：获取多个人脸图像样本和每个所述人脸图像样本对应的属性训练数据集；基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练；根据训练后的人脸检测模型获得每个所述人脸图像样本对应的多个子图像训练数据；基于每个所述人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练。可选地，所述基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练的步骤，包括：对每个所述人脸图像样本进行有效人脸区域预测，直至所述第一损失函数收敛；对预测的所述有效人脸区域进行人脸质量评分直至所述第二损失函数和所述第三损失函数收敛。可选地，所述第一损失函数为giouloss；所述第二损失函数为focalloss；所述第三损失函数为ohemloss。可选地，所述基于每个人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练的步骤，包括：根据每个人脸图像样本对应的多个子图像训练数据获取所述多个属性预测值；根据每个人脸图像样本对应的多个属性的预测值与属性数据集获得所述多个属性的损失值；根据所述多个人脸图像样本对应的属性损失值对所述属性识别模型进行参数调整，直至所述多个人脸图像样本对应的属性损失值小于或等于阈值。第二方面，本专利技术实施例提供一种人脸属性识别装置，包括：获取模块、检测模块和属性识别模块；所述获取模块，用于获取待识别人脸图像；所述检测模块，用于基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；所述属性识别模块，用于将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的属性信息。可选地，所述人脸属性识别装置还包括训练模块；所述获取模块，还用于获取多个人脸图像样本和每个所述人脸图像样本对应的属性训练数据集；所述训练模块，用于基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练；所述获取模块，还用于根据训练后的人脸检测模型获得每个所述人脸图像样本对应的多个子图像训练数据；所述训练模块，还用于基于每个所述人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练。可选地，所述训练模块，还用于对每个所述人脸图像样本进行有效人脸区域预测，直至所述第一损失函数收敛；还用于对预测的所述有效人脸区域进行人脸质量评分直至所述第二损失函数和所述第三损失函数收敛。第三方面，本专利技术实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现如第一方面所述的人脸属性识别方法。第四方面，本专利技术实施例提供一种存储介质，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第一方面所述的人脸属性识别方法。与现有技术相比，本专利技术实施例能够实现的技术效果为：本专利技术实施例提供了一种人脸属性识别方法、装置、电子设备及存储介质，该方法包括：获取待识别人脸图像；基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的属性信息。本专利技术在进行人脸识别的过程中，首先对待识别人脸头像进行有效区域检测，并对检测到的有效人脸区域内的人脸质量进行质量评估，该步骤替代了现有技术中的人脸特征对齐步骤，能够提升模型的泛化能力和属性识别的精度，进一步地，将检测到的高精度的人脸子图数据输入到属性识别模型中，通过预先设计的多个属性识别层来进行属性识别，相比于现有技术中通过多个独立的子模型识别的方式，本专利技术通过一个属性识别模型就能完成多个属性的识别，节省了属性识别的时间，综上所述，本专利技术相较于现有技术，能够实现提升属性识别的泛化性能和属性识别的精度，大幅降低属性识别的耗时的有益效果。本专利技术实施例的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本专利技术实施例提供的一种人脸属性识别方法的示意性流程图；图2为本专利技术实施例提供的人脸属性识别模型进行属性识别的示意性图；图3为本专利技术实施例提供的另一种人脸属性识别方法的示意性流程图；图4为本专利技术实施例提供的一种本文档来自技高网...

【技术保护点】
1.一种人脸属性识别方法，其特征在于，所述方法包括：/n获取待识别人脸图像；/n基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；/n将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的多个属性信息。/n

【技术特征摘要】
1.一种人脸属性识别方法，其特征在于，所述方法包括：
获取待识别人脸图像；
基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；
将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的多个属性信息。


2.根据权利要求1所述的人脸属性识别方法，其特征在于，在所述获取待识别人脸图像的步骤之前，所述方法还包括：
获取多个人脸图像样本和每个所述人脸图像样本对应的属性训练数据集；
基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练；
根据训练后的人脸检测模型获得每个所述人脸图像样本对应的多个子图像训练数据；
基于每个所述人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练。


3.根据权利要求2所述的人脸属性识别方法，其特征在于，所述基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练的步骤，包括：
对每个所述人脸图像样本进行有效人脸区域预测，直至所述第一损失函数收敛；
对预测的所述有效人脸区域进行人脸质量评分直至所述第二损失函数和所述第三损失函数收敛。


4.根据权利要求2或3所述的人脸属性识别方法，其特征在于，所述第一损失函数为giouloss；所述第二损失函数为focalloss；所述第三损失函数为ohemloss。


5.根据权利要求2所述的人脸属性识别方法，其特征在于，所述基于每个所述人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练的步骤，包括：
根据每个人脸图像样本对应的多个子图像训练数据获取多个属性预测值；
根据每个人脸图像样本对应的多个属性的预测值与属性数据集获得所述多个属性的损失值；
根据...

【专利技术属性】
技术研发人员：胡建兵，
申请(专利权)人：湖南国科微电子股份有限公司，
类型：发明
国别省市：湖南;43