一种人脸属性检测方法及系统技术方案

本发明专利技术涉及一种人脸属性检测方法系统，该方法包括：获取人脸图像的训练集；对所述训练集中各人脸图像进行预处理；对预处理后的所述人脸图像进行目标检测，获得人脸目标图像；从所述人脸目标图像中提取人脸特征；以所述人脸特征为输入，以人脸图像对应的属性为输出训练人脸属性检测模型；所述人脸属性检测模型为残差网络；获得待检测人脸图像的待检测人脸特征；将待检测人脸特征输入所述人脸属性检测模型，获得待检测人脸图像的人脸属性。本发明专利技术提高了人脸属性检测速度和准确性。

【技术实现步骤摘要】
一种人脸属性检测方法及系统
本专利技术涉及人脸识别
，特别是涉及一种人脸属性检测方法及系统。
技术介绍
目前，多媒体领域蓬勃发展，图像视频采集设备广泛普及，计算机视觉领域的相关课题越来越受到研究人员的重视。人脸识别检测技术在深度学习中突飞猛进，并取得了阶段性的成果，近几年人脸识技术在视频监控、图像检索、广告投放和人机交互等领域有着巨大的应用前景。在加速轻量级卷积模块实现的基础上，针对人脸检测、识别和属性分析的任务特点，研究高效的实时处理算法，设计并训练精度高但运算量小的轻量级模型。基于此，需设计一个高效的卷积神经网络模型，对人脸图片和视频进行多属性多目标的识别，充分利用不同的属性间的相关性，在保证人脸属性识别高准确率的前提下，尽量减少模型中的超参的数量和计算量，提高效率，提升用户体验。其次，改进网络模型并对数据库图像进行适当的数据预处理，从而解决数据库中图像类别分布不均衡的问题。数据库中图像类别分布不均匀会导致在一组样本中不同类别的样本量差异非常大，并且样本量少的分类中所包含的特征过少，这样就很难从中提取规律，即使得到分类模型，也容易产生过度依赖于有限的数据样本而导致过拟合的问题，当模型应用到新的数据上时，模型的准确性会很差。
技术实现思路
基于此，本专利技术的目的是提供一种人脸属性检测方法及系统，提高了人脸属性检测速度和准确性。为实现上述目的，本专利技术提供了如下方案：一种人脸属性检测方法，所述方法包括：获取人脸图像的训练集；对所述训练集中各人脸图像进行预处理；对预处理后的所述人脸图像进行目标检测，获得人脸目标图像；从所述人脸目标图像中提取人脸特征；以所述人脸特征为输入，以人脸图像对应的属性为输出训练人脸属性检测模型；所述人脸属性检测模型为残差网络；获得待检测人脸图像的待检测人脸特征；将待检测人脸特征输入所述人脸属性检测模型，获得待检测人脸图像的人脸属性。可选地，所述人脸属性包括性别和年龄。可选地，所述人脸图像包括通过照片或视频获取的人脸图像。可选地，所述对所述训练集中各人脸图像进行预处理，具体包括：使用OpenCV定位所述人脸图像中人脸的位置并根据人脸的面部特征进行人脸图片的矫正和截取，获得人脸目标图像。可选地，所述从所述人脸目标图像中提取人脸特征，具体包括：通过卷积神经网络从所述人脸目标图像中提取人脸特征。本专利技术还公开了一种人脸属性检测系统，所述系统包括：训练集获取模块，用于获取人脸图像的训练集；预处理模块，用于对所述训练集中各人脸图像进行预处理；人脸目标图像获取模块，用于对预处理后的所述人脸图像进行目标检测，获得人脸目标图像；人脸特征提取模块，用于从所述人脸目标图像中提取人脸特征；检测模型训练模块，用于以所述人脸特征为输入，以人脸图像对应的属性为输出训练人脸属性检测模型；所述人脸属性检测模型为残差网络；待检测人脸特征获取模块，用于获得待检测人脸图像的待检测人脸特征；人脸属性检测模块，用于将待检测人脸特征输入所述人脸属性检测模型，获得待检测人脸图像的人脸属性。可选地，所述人脸属性包括性别和年龄。可选地，所述人脸图像包括通过照片或视频获取的人脸图像。可选地，所述预处理模块具体包括：人脸目标图像获取单元，用于使用OpenCV定位所述人脸图像中人脸的位置并根据人脸的面部特征进行人脸图片的矫正和截取，获得人脸目标图像。可选地，所述人脸特征提取模块具体包括：人脸特征提取单元，用于通过卷积神经网络从所述人脸目标图像中提取人脸特征。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术将人脸属性检测分为两个阶段，第一阶段对人脸图像进行特征提取，获得人脸特征，第二阶段根据人脸特征获得人脸属性，降低信息的冗余度，从而提高检测速度和准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一种人脸属性检测方法流程示意图；图2为本专利技术一种人脸属性检测系统结构示意图；图3为本专利技术一种人脸属性特征提取流程示意图；图4为本专利技术人脸特征向量的提取流程示意图；图5为本专利技术人脸识别的分类流程示意图；图6为本专利技术人脸属性检测模型训练流程示意图；图7为本专利技术一种人脸属性检测方法详细流程示意图；图8为本专利技术在实际场景中预测年龄和性别效果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的目的是提供一种人脸属性检测方法及系统，提高了人脸属性检测速度和准确性。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1为一种人脸属性检测方法流程示意图，如图1所示，一种人脸属性检测方法包括：步骤101：获取人脸图像的训练集。其中，步骤101具体包括：训练集中人脸图像是通过相机或者视频获取的的人脸图像。训练集中人脸图像还可以从IMDB-WIKI数据集中获取。步骤102：对所述训练集中各人脸图像进行预处理。其中，所述对所述训练集中各人脸图像进行预处理，具体包括：使用OpenCV定位所述人脸图像中人脸的位置并根据人脸的面部特征进行人脸图片的矫正和截取，获得人脸目标图像。步骤103：对预处理后的所述人脸图像进行目标检测，获得人脸目标图像。步骤104：从所述人脸目标图像中提取人脸特征。其中，所述从所述人脸目标图像中提取人脸特征，具体包括：通过卷积神经网络从所述人脸目标图像中提取人脸特征。人脸的特征包括脸型的轮廓、头发、眼镜、鼻子和嘴巴等。具体为采用全卷积神经网络获取人脸的特征。通过Python语言获取人脸位置候选区域的坐标以及人脸图像的长和宽的代码如下：x1＝d.left()；y1＝d.top()；x2＝d.right()+1；y2＝d.bottom()+1；w＝d.width()；h＝d.height()。其中，(x1,y1)和(x2,y2)表示生成人脸位置候选区域的坐标，w和h分别表示人脸图像的长和宽，d表示人脸目标图像。步骤105：以所述人脸特征为输入，以人脸图像对应的属性为输出训练人脸属性检测模型；所述人脸属性检测模型为残差网络。把训练好的人脸本文档来自技高网...

【技术保护点】
1.一种人脸属性检测方法，其特征在于，所述方法包括：/n获取人脸图像的训练集；/n对所述训练集中各人脸图像进行预处理；/n对预处理后的所述人脸图像进行目标检测，获得人脸目标图像；/n从所述人脸目标图像中提取人脸特征；/n以所述人脸特征为输入，以人脸图像对应的属性为输出训练人脸属性检测模型；所述人脸属性检测模型为残差网络；/n获得待检测人脸图像的待检测人脸特征；/n将待检测人脸特征输入所述人脸属性检测模型，获得待检测人脸图像的人脸属性。/n

【技术特征摘要】
1.一种人脸属性检测方法，其特征在于，所述方法包括：
获取人脸图像的训练集；
对所述训练集中各人脸图像进行预处理；
对预处理后的所述人脸图像进行目标检测，获得人脸目标图像；
从所述人脸目标图像中提取人脸特征；
以所述人脸特征为输入，以人脸图像对应的属性为输出训练人脸属性检测模型；所述人脸属性检测模型为残差网络；
获得待检测人脸图像的待检测人脸特征；
将待检测人脸特征输入所述人脸属性检测模型，获得待检测人脸图像的人脸属性。


2.根据权利要求1所述的人脸属性检测方法，其特征在于，所述人脸属性包括性别和年龄。


3.根据权利要求1所述的人脸属性检测方法，其特征在于，所述人脸图像包括通过照片或视频获取的人脸图像。


4.根据权利要求1所述的人脸属性检测方法，其特征在于，所述对所述训练集中各人脸图像进行预处理，具体包括：
使用OpenCV定位所述人脸图像中人脸的位置并根据人脸的面部特征进行人脸图片的矫正和截取，获得人脸目标图像。


5.根据权利要求1所述的人脸属性检测方法，其特征在于，所述从所述人脸目标图像中提取人脸特征，具体包括：
通过卷积神经网络从所述人脸目标图像中提取人脸特征。


6.一种人脸属性检测系统，其特征在于，所述系统包括：
训练集获...

【专利技术属性】
技术研发人员：王春枝，张文栋，严灵毓，李星，王早宁，官沙，马森，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北;42