一种基于深度学习的人脸属性识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的人脸属性识别方法及系统，属于人脸识别领域，该方法将性别、表情、戴眼镜与否等辨识度较大的属性按一般的分类方式进行处理。在对待年龄这种有按序列连续变化性质的属性采用概率分布的方式进行优化，并将每一年龄的标准差信息融入神经网络中进行自适应性学习，不仅提升了人脸属性特别是年龄识别的精度和稳定性，同时减少了整个系统的运行时间。

【技术实现步骤摘要】
一种基于深度学习的人脸属性识别方法及系统
本专利技术属于人脸识别领域，尤其涉及一种基于深度学习的人脸属性识别方法及系统。
技术介绍
随着生物识别技术的发展，人脸识别相关的技术被应用到越来越多的场景。人脸属性识别是通过检测人脸图像，获取该人脸图像的年龄、性别、种族等属性信息，在人机交互、社交网络及广告推送等领域具有很大的应用前景。在过去十几年中，人脸属性识别技术引来越来越多的研究人员关注。人脸属性识别和其他生物特征识别技术一样，主要分为两步：1.特征提取；2.特征识别。早期的研究人员主要采用机器学习的相关算法获取人脸属性信息，特征提取方面主要使用LBP、SIFT等传统手工设计特征算子及Gabor滤波器等，识别方面则采用特征分类或回归的方式。专利[CN104143079A]提出一种人脸属性识别方法，先利用gabor滤波器提取人脸有效图像区域纹理特征，并使用PCA对特征信息降维处理得到人脸特征，特征识别方面则按分类的方式使用SVM算法利用人脸特征训练多个属性分类器。不同于专利[CN104143079A]，B.Xiao等人(Metric本文档来自技高网...

【技术保护点】
1.一种基于深度学习的人脸属性识别方法，其特征在于：具体包含训练阶段和测试阶段，其中，训练阶段具体包含如下步骤：/n步骤1，对人脸图像数据集进行数据预处理，并生成对应的标签；/n步骤2，对预处理后的人脸图像数据集进行增强操作，包括旋转、缩放、随机裁剪以及亮度、色度变换；/n步骤3，将增强操作后的数据集进行训练/验证/测试集的划分；/n步骤4，构建网络结构，导入训练集、验证集及其对应的标签进行训练；/n测试阶段具体包含如下步骤：/n步骤5，对人脸图像数据集进行数据预处理；/n步骤6，将预处理后的人脸图像数据集输入步骤4构建的网络结构，加载网络结构对应的模型参数进行前向传播；/n步骤7，取出网络结...

【技术特征摘要】
1.一种基于深度学习的人脸属性识别方法，其特征在于：具体包含训练阶段和测试阶段，其中，训练阶段具体包含如下步骤：
步骤1，对人脸图像数据集进行数据预处理，并生成对应的标签；
步骤2，对预处理后的人脸图像数据集进行增强操作，包括旋转、缩放、随机裁剪以及亮度、色度变换；
步骤3，将增强操作后的数据集进行训练/验证/测试集的划分；
步骤4，构建网络结构，导入训练集、验证集及其对应的标签进行训练；
测试阶段具体包含如下步骤：
步骤5，对人脸图像数据集进行数据预处理；
步骤6，将预处理后的人脸图像数据集输入步骤4构建的网络结构，加载网络结构对应的模型参数进行前向传播；
步骤7，取出网络结构的输出结果，根据标签生成规则得到预测标签；
步骤8，根据每类标签的含义将所述预测标签转化即得到最终的预测结果。


2.根据权利要求1所述的一种基于深度学习的人脸属性识别方法，其特征在于：在步骤1中，数据集包含三部分：CelebA数据集、MegaAge-Asian数据集和自采数据集。


3.根据权利要求1所述的一种基于深度学习的人脸属性识别方法，其特征在于：步骤1和步骤5中所述数据预处理包括进行人脸检测、关键点定位及归一化处理。


4.根据权利要求1所述的一种基于深度学习的人脸属性识别方法，其特征在于：在步骤4中，对于属性标签包含表情、性别、戴眼镜采用SoftmaxWithLoss作为目标函数进行分类优化，针对年龄属性标签则先将年龄特征向量输入softmax函数进行归一化处理，接着采用JointMeanVarianceLoss目标函数利用F’a和输入的年龄标签La对年龄任务进行迭代优化；其中，F’a为一矢量，是图像A在年龄0～n上的预测分布。


5.根据权利要求4所述的一种基于深度学习的人脸属性识别...

【专利技术属性】
技术研发人员：王洋，李骊，
申请(专利权)人：北京华捷艾米科技有限公司，
类型：发明
国别省市：北京;11