人脸属性识别方法、终端及存储介质技术

本申请提供了一种人脸属性识别方法、终端及存储介质，所述人脸属性识别方法包括：获取人脸图像；将所述人脸图像分别按照全局人脸属性以及多种局部人脸属性进行图像分类及预处理；设计初始人脸属性识别模型，将所述全局人脸属性训练数据集输入到全局人脸属性识别模型进行训练，得到最优全局人脸属性识别模型；分别将多个所述局部人脸属性训练数据集输入到所述局部人脸属性识别模型，并加载所述最优全局人脸属性识别模型的参数进行训练，得到多个最优局部人脸属性识别模型；将所述最优全局人脸属性识别模型以及多个所述最优局部人脸属性识别模型进行融合，得到最终人脸属性识别模型；本申请的人脸属性识别方法具有识别速度快以及识别精度高的特点。快以及识别精度高的特点。快以及识别精度高的特点。

【技术实现步骤摘要】
人脸属性识别方法、终端及存储介质


[0001]本申请属于生物识别
，更具体地说，是涉及一种人脸属性识别方法、终端及存储介质。

技术介绍

[0002]随着互联网技术的不断发展，安防与AI技术的结合日益紧密，其中，人脸属性识别不仅应用于门禁系统，以辅助人脸识别，还应用于其他场景的人员识别，例如，在智慧社区中，依据人脸图像，识别性别、眼镜、口罩和帽子等属性，用来监控小区外来人员并进行追踪等，以提高安防工作的应对能力。
[0003]现有基于深度学习的人脸属性识别方法主要有两种，一种是采用多个属性识别模型来综合识别，但多个模型存在运行占用资源大且速度慢的问题；另一种是使用多分支识别模型对人脸所有属性同时进行识别，由于这种模型需要对图像的各个属性均进行标注，如此需要大量的标注工作，而且各个属性的数据多不平衡，因此很难使得模型同时在多个分支上达到较高识别精度。

技术实现思路

[0004]本申请实施例的目的在于提供一种人脸属性识别方法、终端及存储介质，以解决现有技术对人脸属性识别过程中存在的识别速度慢以及识别精度低的技术问题。
[0005]为实现上述目的，本申请采用的技术方案是：提供一种人脸属性识别方法，包括：
[0006]监测系统进行图像采集,获取人脸图像；
[0007]将所述人脸图像分别按照全局人脸属性以及多种局部人脸属性进行图像分类及预处理，生成全局人脸属性训练数据集以及多种局部人脸属性数据集；
[0008]设计初始人脸属性识别模型，所述初始人脸属性识别模型包括共享层、全局人脸属性分支以及多种局部人脸属性分支，保存所述共享层和所述全局人脸属性分支组成的全局人脸属性识别模型，保存所述共享层和所述局部人脸属性分支组成的局部人脸属性识别模型；
[0009]将所述全局人脸属性训练数据集输入到全局人脸属性识别模型进行训练，得到最优全局人脸属性识别模型；分别将多个所述局部人脸属性训练数据集输入到所述局部人脸属性识别模型，并加载所述最优全局人脸属性识别模型的参数进行训练，得到多个最优局部人脸属性识别模型；
[0010]将所述最优全局人脸属性识别模型以及多个所述最优局部人脸属性识别模型进行融合，得到最终人脸属性识别模型；
[0011]输入测试集到最终人脸属性识别模型中得到对应的人脸属性识别结果。
[0012]优选地，所述全局人脸属性包括性别属性。
[0013]优选地，所述局部人脸属性至少包括眼镜、口罩以及帽子中的一种。
[0014]优选地，所述预处理的步骤包括：
[0015]对所述人脸图像进行增强处理；
[0016]将增强处理后的所述人脸图像转换为模型输入大小。
[0017]优选地，所述初始人脸属性识别模型以efficientnet模型为基准模型，所述初始人脸属性识别模型的前N层为所述共享层，所述初始人脸属性识别模型的第N层为多分支模型的节点，第N层后面为全局人脸属性分支以及多种局部人脸属性分支。
[0018]优选地，所述将所述全局人脸属性训练数据集输入到全局人脸属性识别模型进行训练的步骤包括：
[0019]设置网络参数；
[0020]通过不断减少交叉熵损失，直到模型收敛为止；
[0021]网络的损失函数为：
[0022]其中，m表示样本数，n表示类别数量，P是一个取值为1或0的函数，表示如果样本i的真实类别等于类别j取1，否则取0，q表示样本i属于类别j的预测概率，其取值范围为0到1。
[0023]优选地，所述加载所述最优全局人脸属性识别模型的参数的步骤包括：
[0024]获取所述最优全局人脸属性识别模型中共享层的参数；
[0025]冻结所述局部人脸属性识别模型中共享层的参数；
[0026]设置所述局部人脸属性分支的网络参数进行训练。
[0027]优选地，所述监测系统进行图像采集,获取人脸图像后，还包括步骤：
[0028]将所述人脸图像按照9：1划分为训练集和测试集，其中，所述训练集用于进行图像分类及预处理，所述测试集用于输入至最终人脸属性识别模型中测试结果。
[0029]本申请还提供一种终端，所述终端包括人脸属性识别模型，所述终端还包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的识别程序，所述人脸属性识别模型与处理器连接，所述识别程序被所述处理器执行时实现如上所述的人脸属性识别方法的步骤。
[0030]本申请还提供一种计算机可读存储介质，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上所述人脸属性识别方法的步骤。
[0031]本申请提供的人脸属性识别方法，与现有技术相比，通过设置了全局人脸属性分支以及多种局部人脸属性分支，在人脸属性识别过程中可以同时识别人脸的多种属性，以此缩短模型识别属性的时间，减少使用所占用的内存资源，同时提高人脸各种属性的识别率；对全局人脸属性识别模型以及局部人脸属性识别模型单独训练，然后再融合为最终人脸属性识别模型，不仅避免了多属性标注的复杂工作，还缓解了多分支模型训练时数据不平衡对分支间的相互影响，提高了每一个分支的识别精度。
[0032]本申请提供的人脸属性识别终端及存储介质的有益效果在于：通过采用了上述人脸属性识别方法，可以同时识别人脸的多种属性，缩短模型识别属性的时间，减少使用所占用的内存资源，同时提高人脸各种属性的识别率。
附图说明
[0033]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述
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申请的一些实施例，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。
[0034]图1为本申请实施例提供的人脸属性识别方法的流程示意图；
[0035]图2为本申请实施例提供的初始人脸属性识别模型的示意图；
[0036]图3为本申请实施例提供的最优全局人脸属性识别模型的训练流程示意图；
[0037]图4为本申请实施例提供的最优局部人脸属性识别模型的训练流程示意图；
[0038]图5为本申请实施例提供的融合得到最终人脸属性识别模型的流程示意图；
[0039]图6为本申请实施例提供的人脸属性识别终端及存储介质的示意图。
具体实施方式
[0040]为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0041]需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
[0042]需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸属性识别方法，其特征在于，包括：监测系统进行图像采集,获取人脸图像；将所述人脸图像分别按照全局人脸属性以及多种局部人脸属性进行图像分类及预处理，生成全局人脸属性训练数据集以及多种局部人脸属性数据集；设计初始人脸属性识别模型，所述初始人脸属性识别模型包括共享层、全局人脸属性分支以及多种局部人脸属性分支，保存所述共享层和所述全局人脸属性分支组成的全局人脸属性识别模型，保存所述共享层和所述局部人脸属性分支组成的局部人脸属性识别模型；将所述全局人脸属性训练数据集输入到全局人脸属性识别模型进行训练，得到最优全局人脸属性识别模型；分别将多个所述局部人脸属性训练数据集输入到所述局部人脸属性识别模型，并加载所述最优全局人脸属性识别模型的参数进行训练，得到多个最优局部人脸属性识别模型；将所述最优全局人脸属性识别模型以及多个所述最优局部人脸属性识别模型进行融合，得到最终人脸属性识别模型；输入测试集到最终人脸属性识别模型中得到对应的人脸属性识别结果。2.如权利要求1所述的人脸属性识别方法，其特征在于，所述全局人脸属性包括性别属性。3.如权利要求2所述的人脸属性识别方法，其特征在于，所述局部人脸属性至少包括眼镜、口罩以及帽子中的一种。4.如权利要求1所述的人脸属性识别方法，其特征在于，所述预处理的步骤包括：对所述人脸图像进行增强处理；将增强处理后的所述人脸图像转换为模型输入大小。5.如权利要求1所述的人脸属性识别方法，其特征在于，所述初始人脸属性识别模型以efficientnet模型为基准模型，所述初始人脸属性识别模型的前N层为所述共享层，所述初始人脸属性识别...

【专利技术属性】
技术研发人员：龚小龙，罗富章，李山路，李希，朱光强，欧阳一村，
申请(专利权)人：盛视科技股份有限公司，
类型：发明
国别省市：