本申请实施例提供了一种图像处理方法、装置、电子设备及存储介质，涉及计算机技术领域。其中，该方法包括：获取待识别图像；对所述待识别图像进行图像特征提取，得到所述待识别图像的图像特征；根据所述待识别图像的图像特征，对所述待识别图像中的人脸进行多人脸属性的识别，得到多个属性识别结果，每个属性识别结果用于指示识别到的一种人脸属性；基于识别到的至少一种人脸属性进行相应的场景处理。本申请实施例提供的图像处理方法能够提升场景处理的准确度。理的准确度。理的准确度。
【技术实现步骤摘要】
图像处理方法、装置、电子设备及介质
[0001]本申请涉及计算机
，具体而言，本申请涉及一种图像处理方法、装置、电子设备及存储介质。
技术介绍
[0002]随着计算机技术的发展，人脸属性作为人脸的基础信息的重要组成部分，逐步被应用在不同场景中，然而，单一的人脸属性往往会造成表达内容的不准确，进而容易影响场景处理的准确程度。
[0003]目前，多人脸属性的识别，通常采用多任务学习方式或者多标签学习方式，但是由于多人脸属性的识别精度不高，仍然对场景处理的准确程度产生了影响。
[0004]由上可知，如何提升场景处理的准确度仍有待解决。
技术实现思路
[0005]本申请各实施例提供了一种图像处理方法、装置、电子设备及存储介质，可以解决相关技术中存在的场景处理的准确度不高的问题。所述技术方案如下：
[0006]根据本申请实施例的一个方面，一种图像处理方法，包括：获取待识别图像；对所述待识别图像进行图像特征提取，得到所述待识别图像的图像特征；根据所述待识别图像的图像特征，对所述待识别图像中的人脸进行多人脸属性的识别，得到多个属性识别结果，每个属性识别结果用于指示识别到的一种人脸属性；基于识别到的至少一种人脸属性进行相应的场景处理。
[0007]根据本申请实施例的一个方面，一种图像处理装置，包括：图像获取模块，用于获取待识别图像；特征提取模块，用于对所述待识别图像进行图像特征提取，得到所述待识别图像的图像特征；属性识别模块，用于根据所述待识别图像的图像特征，对所述待识别图像中的人脸进行多人脸属性的识别，得到多个属性识别结果，每个属性识别结果用于指示识别到的一种人脸属性；场景处理模块，用于基于识别到的至少一种人脸属性进行相应的场景处理。
[0008]在一个示例性实施例中，所述属性识别结果是调用完成人脸属性扩展的人脸识别模型得到的。
[0009]在一个示例性实施例中，所述装置还包括：训练模块，用于训练得到所述人脸识别模块，所述训练模块包括：第一训练单元，用于根据用于人脸识别的第一训练集，对待训练的初始人脸识别模型进行训练，直至所述初始人脸识别模型收敛至满足训练条件，得到训练完成的基础模型；第二训练单元，用于根据用于人脸属性识别的第二训练集，对各人脸属性对应的人脸属性识别模型进行训练，直至各所述人脸属性对应的人脸属性识别模型收敛至满足训练条件，得到训练完成的各所述人脸属性对应的人脸属性识别模型；其中，各所述人脸属性对应的人脸属性识别模型与所述基础模型共享同一个特征提取层；扩展单元，用于根据各所述人脸属性对应的人脸属性识别模型对所述基础模型进行人脸属性扩展处理，
得到完成人脸属性扩展的人脸识别模型。
[0010]在一个示例性实施例中，所述装置还包括：分离模块，用于从所述基础模型中分离出完成训练的特征提取层；所述分离模块包括：层次确定单元，用于基于所述基础模型，确定完成训练的特征提取层、以及人脸识别层；参数处理单元，用于在对各人脸属性对应的人脸属性识别模型进行训练的过程中，对所述特征提取层的参数进行固化处理，并删除所述人脸识别层的参数。
[0011]在一个示例性实施例中，所述装置还包括：构建模块，用于构建包含所述基础模型的特征提取层的人脸属性识别模型；所述构建模块包括：层次定义单元，用于将所述基础模型的特征提取层作为各所述人脸属性对应的人脸属性识别模型的特征提取层；各所述人脸属性识别模型包括各人脸属性对应的人脸属性识别层；层次连接单元，用于将各所述人脸属性识别模型中特征提取层的输出端连接至相应人脸属性识别层的输入端，得到构建完成的各所述人脸属性对应的人脸属性识别模型。
[0012]在一个示例性实施例中，所述第二训练单元包括：类别预测子单元，用于针对所述第二训练集中携带人脸属性标签的训练图像，将当前一个所述训练图像输入各所述人脸属性对应的人脸属性识别模型，进行人脸属性类别的预测，得到当前一个所述训练图像的预测结果，所述训练标签用于指示所述训练图像中人脸真实的人脸属性，所述预测结果用于指示所述训练图像中人脸预测的人脸属性；差异确定子单元，用于根据当前一个所述训练图像的预测结果与其携带的人脸属性标签之间的差异，确定当前一个所述训练图像对应的差异损失；参数更新子单元，用于若当前一个所述训练图像对应的差异损失不满足收敛条件，则更新所述人脸属性识别模型中人脸属性识别层的参数；训练完成子单元，用于将后一个所述训练图像输入所述人脸属性识别模型，直至后一个所述训练图像对应的差异损失满足所述收敛条件，完成所述人脸属性识别模型的训练。
[0013]在一个示例性实施例中，所述扩展单元包括：层次共享子单元，用于将所述基础模型与多个所述人脸属性识别模型共享的特征提取层，作为完成人脸属性扩展的人脸识别模型的第一层；层次并联子单元，用于将所述基础模型中的人脸识别层，分别与多个所述人脸属性识别模型中的人脸属性识别层并联，形成完成人脸属性扩展的人脸识别模型的第二层；层次连接子单元，用于将所述第一层的输出端连接至所述第二层的并联输入端，形成完成人脸属性扩展的人脸识别模型。
[0014]在一个示例性实施例中，所述装置还包括：人脸识别模块，用于根据所述待识别图像的图像特征，对所述待识别图像中的所述人脸进行人脸识别，得到人脸识别结果；所述场景处理模块包括：质量评价单元，用于根据所述属性识别结果指示的人脸图像质量，确定与所述人脸图像质量相关的场景执行方案，以使设备根据所确定的场景执行方案对所述人脸识别结果进行人脸图像质量评价。
[0015]在一个示例性实施例中，所述装置还包括：人脸检测模块，用于对所述待识别图像进行人脸检测；人脸提取模块，用于若检测到所述待识别图像中包含所述人脸，则对所述待识别图像中的人脸区域进行提取，得到所述人脸图像，以使所述图像特征提取是基于所述人脸图像进行的。
[0016]根据本申请实施例的一个方面，一种电子设备，包括：至少一个处理器、至少一个存储器、以及至少一条通信总线，其中，存储器上存储有计算机程序，处理器通过通信总线
读取存储器中的计算机程序；计算机程序被处理器执行时实现如上所述的图像处理方法。
[0017]根据本申请实施例的一个方面，一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述的图像处理方法。
[0018]根据本申请实施例的一个方面，一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序存储在存储介质中，计算机设备的处理器从存储介质读取计算机程序，处理器执行计算机程序，使得计算机设备执行时实现如上所述的图像处理方法。
[0019]本申请提供的技术方案带来的有益效果是：
[0020]在上述技术方案中，基于获取到的待识别图像进行图像特征提取，得到待识别图像的图像特征，以便能够根据待识别图像的图像特征，对待识别图像中的人脸进行多人脸属性的识别，得到多个属性识别结果，进而能够基于识别到的至少一种人脸属性进行相应场景处理，以人脸属性为人脸图像质量举例，设备能够根据与人脸图像质量相关的场景执行方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取待识别图像；对所述待识别图像进行图像特征提取，得到所述待识别图像的图像特征；根据所述待识别图像的图像特征，对所述待识别图像中的人脸进行多人脸属性的识别，得到多个属性识别结果，每个属性识别结果用于指示识别到的一种人脸属性；基于识别到的至少一种人脸属性进行相应的场景处理。2.如权利要求1所述的方法，其特征在于，所述属性识别结果是调用完成人脸属性扩展的人脸识别模型得到的。3.如权利要求2所述的方法，其特征在于，所述人脸识别模型通过训练步骤训练得到，所述训练步骤包括：根据用于人脸识别的第一训练集，对待训练的初始人脸识别模型进行训练，直至所述初始人脸识别模型收敛至满足训练条件，得到训练完成的基础模型；根据用于人脸属性识别的第二训练集，对各人脸属性对应的人脸属性识别模型进行训练，直至各所述人脸属性对应的人脸属性识别模型收敛至满足训练条件，得到训练完成的各所述人脸属性对应的人脸属性识别模型；其中，各所述人脸属性对应的人脸属性识别模型与所述基础模型共享同一个特征提取层；根据各所述人脸属性对应的人脸属性识别模型对所述基础模型进行人脸属性扩展处理，得到完成人脸属性扩展的人脸识别模型。4.如权利要求3所述的方法，其特征在于，所述根据用于人脸属性识别的第二训练集，对各人脸属性对应的人脸属性识别模型进行训练之前，所述方法还包括：从所述基础模型中分离出完成训练的特征提取层；所述从所述基础模型中分离出完成训练的特征提取层，包括：基于所述基础模型，确定完成训练的特征提取层、以及人脸识别层；在对各人脸属性对应的人脸属性识别模型进行训练的过程中，对所述特征提取层的参数进行固化处理，并删除所述人脸识别层的参数。5.如权利要求3所述的方法，其特征在于，所述根据用于人脸属性识别的第二训练集，对各人脸属性对应的人脸属性识别模型进行训练之前，所述方法还包括：构建包含所述基础模型的特征提取层的人脸属性识别模型；所述构建包含所述基础模型的特征提取层的人脸属性识别模型，包括：将所述基础模型的特征提取层作为各所述人脸属性对应的人脸属性识别模型的特征提取层；各所述人脸属性识别模型包括各人脸属性对应的人脸属性识别层；将各所述人脸属性识别模型中特征提取层的输出端连接至相应人脸属性识别层的输入端，得到构建完成的各所述人脸属性对应的人脸属性识别模型。6.如权利要求3所述的方法，其特征在于，所述根据用于人脸属性识别的第二训练集，对各人脸属性对应的人脸属性识别模型进行训练，包括：针对所述第二训练集中携带人脸属性标签的训练图像，将当前一个所述训练图像输入各所述人脸属性对应的人脸属性识别模型，进行人脸属性类别的预测，得到当前一个所述训练图像的预测结果，所述训练标签用于指示所述训练图像中人脸真实的人脸属性，所述预测结果用...
【专利技术属性】
技术研发人员：周坚灿，
申请(专利权)人：深圳绿米联创科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。