人脸属性识别模型训练方法和装置、人脸属性识别方法和装置制造方法及图纸

本申请公开了一种人脸属性识别模型训练方法和装置、人脸属性识别方法和装置。所述人脸属性识别模型训练方法包括：获取待训练人脸图像，待训练人脸图像中标注有多种人脸属性信息；利用人脸属性识别模型中的底层特征提取网络对待训练人脸图像进行特征提取，得到底层特征提取结果；利用人脸属性识别模型中的多个人脸属性识别网络分别对底层特征提取结果进行特征提取和识别，得到多个人脸属性识别结果；基于多个人脸属性识别网络各自的预设损失函数分别确定各个人脸属性识别结果的损失值，并利用各个人脸属性识别结果的损失值更新人脸属性识别模型的参数，得到训练后的人脸属性识别模型。本申请的人脸属性识别模型可以同时识别出多种人脸属性信息。别出多种人脸属性信息。别出多种人脸属性信息。

【技术实现步骤摘要】
人脸属性识别模型训练方法和装置、人脸属性识别方法和装置


[0001]本申请涉及人脸识别
，具体涉及一种人脸属性识别模型训练方法和装置、人脸属性识别方法和装置。

技术介绍

[0002]随着深度学习的发展，人脸识别和人脸表情分析等任务已经取得了很好的成果。不过除此之外，人脸还能反映多种其他的重要信息，例如年龄、性别等人脸属性信息。于是，在卷积神经网络(Convolutional Neural Network，CNN)发展迅速的今天，通过人脸图像进行年龄与性别识别已经不再是问题，并且已经出现了许多方法。年龄与性别识别在视频监控、客户画像、人机交互以及人员识别等领域都有应用。
[0003]为实现同时识别多种人脸属性信息，现有方法通常是针对不同的人脸属性分别设计和训练出不同网络模型，一套网络模型用于识别一种人脸属性信息，各套网络模型彼此独立，识别过程较为繁琐低效，消耗的计算资源较多。

技术实现思路

[0004]本申请所要解决的技术问题在于，提供一种人脸属性识别模型训练方法和装置、人脸属性识别方法和装置，能够通过一个网络模型同时识别多种人脸属性信息。
[0005]依据本申请的第一方面，提供了一种人脸属性识别模型训练方法，所述方法包括：
[0006]获取待训练人脸图像，所述待训练人脸图像中标注有多种人脸属性信息；
[0007]利用人脸属性识别模型中的底层特征提取网络对所述待训练人脸图像进行特征提取，得到底层特征提取结果；
[0008]利用所述人脸属性识别模型中的多个人脸属性识别网络分别对所述底层特征提取结果进行特征提取和识别，得到多个人脸属性识别结果；
[0009]基于多个人脸属性识别网络各自的预设损失函数分别确定各个人脸属性识别结果的损失值，并利用各个人脸属性识别结果的损失值更新所述人脸属性识别模型的参数，得到训练后的人脸属性识别模型。
[0010]依据本申请的第二方面，提供了一种人脸属性识别模型训练装置，所述装置包括：
[0011]待训练图像获取单元，用于获取待训练人脸图像，所述待训练人脸图像中标注有多种人脸属性信息；
[0012]底层特征提取单元，用于利用人脸属性识别模型中的底层特征提取网络对所述待训练人脸图像进行特征提取，得到底层特征提取结果；
[0013]多个人脸属性特征提取单元，用于利用所述人脸属性识别模型中的多个人脸属性识别网络分别对所述底层特征提取结果进行特征提取和识别，得到多个人脸属性识别结果；
[0014]多个模型参数更新单元，用于基于多个人脸属性识别网络各自的预设损失函数分
别确定各个人脸属性识别结果的损失值，并利用各个人脸属性识别结果的损失值更新所述人脸属性识别模型的参数，得到训练后的人脸属性识别模型。
[0015]依据本申请的第三方面，提供了一种人脸属性识别方法，所述方法包括：
[0016]获取待识别人脸图像；
[0017]利用人脸属性识别模型对所述待识别人脸图像进行人脸属性识别，得到多个人脸属性识别结果；
[0018]其中，所述人脸属性识别模型基于前述的人脸属性识别模型训练方法训练得到。
[0019]依据本申请的第四方面，提供了一种人脸属性识别装置，所述装置包括：
[0020]待识别图像获取单元，用于获取待识别人脸图像；
[0021]人脸属性识别单元，用于利用人脸属性识别模型对所述待识别人脸图像进行人脸属性识别，得到多个人脸属性识别结果；
[0022]其中，所述人脸属性识别模型基于前述的人脸属性识别模型训练方法训练得到。
[0023]依据本申请的第五方面，提供了一种电子设备，包括：处理器、存储计算机可执行指令的存储器，
[0024]所述计算机可执行指令在被所述处理器执行时，实现前述的人脸属性识别模型训练方法，或者实现前述的人脸属性识别方法。
[0025]依据本申请的第六方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个计算机程序，所述一个或多个计算机程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行前述的人脸属性识别模型训练方法，或者执行前述的人脸属性识别方法。
[0026]本申请的有益效果是：
[0027]本申请实施例的人脸属性识别模型训练方法和装置，对标注有多种人脸属性信息的待训练人脸图像，首先设计底层特征提取网络从待训练人脸图像提取出共同的底层特征得到底层特征提取结果；然后再针对不同的人脸属性识别任务，设计多个人脸属性识别网络分别对所述底层特征提取结果进行特征提取和识别，得到多个人脸属性识别结果；模型训练过程中，基于多个人脸属性识别网络各自的预设损失函数分别确定各个人脸属性识别结果的损失值，并利用各个人脸属性识别结果的损失值更新所述人脸属性识别模型的参数，其中，共享的底层特征提取网络的参数由多个人脸属性识别结果的损失值共同决定，可以同时参与多个人脸属性识别网络的训练，直至每个人脸属性识别网络都达到训练标准，得到整体训练后的人脸属性识别模型。
[0028]由于不同人脸属性识别基于的识别对象都是人脸图像，多种识别任务存在相关性，所以是可以放在同一个框架中进行联合训练。本申请将多种人脸属性识别任务放在同一个框架中进行训练，训练得到的人脸属性识别模型可以同时识别出多种人脸属性信息。相比于对每种人脸属性识别任务分别进行训练，既有助于降低网络模型的复杂度，方便高效、节省计算资源消耗，还有助于多个人脸属性识别网络训练过程中的互相促进，提升对多种人脸属性同时识别的识别性能。
[0029]本申请实施例的人脸属性识别方法和装置，利用本申请实施例的人脸属性识别模型训练方法训练得到的人脸属性识别模型，对待识别人脸图像进行人脸属性识别，可以同时得到多个人脸属性识别结果，相比于对每种人脸属性识别任务分别进行识别，降低了网
络模型复杂度，识别速度快、识别结果更为准确，方便部署在移动设备上进行应用。
附图说明
[0030]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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。在附图中：
[0031]图1示出了本申请一个实施例的人脸属性识别模型训练方法的流程示意图；
[0032]图2示出了本申请一个实施例的年龄和性别识别模型训练方法的逻辑框图；
[0033]图3示出了本申请一个实施例的人脸属性识别模型训练装置的结构框图；
[0034]图4示出了本申请一个实施例的人脸属性识别方法的流程示意图；
[0035]图5示出了本申请一个实施例的人脸属性识别装置的结构示意图；
[0036]图6示出了本申请一个实施例的电子设备的结构示意图。
具体实施方式
[0037]下面将参照附图更详细地描述本申请的示例性实施例。提供这些实施例是为了能够更透彻地理解本申请，并且能够将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸属性识别模型训练方法，其特征在于，所述方法包括：获取待训练人脸图像，所述待训练人脸图像中标注有多种人脸属性信息；利用人脸属性识别模型中的底层特征提取网络对所述待训练人脸图像进行特征提取，得到底层特征提取结果；利用所述人脸属性识别模型中的多个人脸属性识别网络分别对所述底层特征提取结果进行特征提取和识别，得到多个人脸属性识别结果；基于多个人脸属性识别网络各自的预设损失函数分别确定各个人脸属性识别结果的损失值，并利用各个人脸属性识别结果的损失值更新所述人脸属性识别模型的参数，得到训练后的人脸属性识别模型。2.根据权利要求1所述的方法，其特征在于，所述预设损失函数采用的是加权的三元组损失函数，加权的权重包括图像类型权重和人脸属性权重；其中，所述图像类型权重用于训练网络提取与图像类型无关的特征；所述人脸属性权重用于训练网络提取与人脸属性有关的特征，且当人脸属性差距越大时所提取的特征在特征空间中相距越远。3.根据权利要求2所述的方法，其特征在于，所述多个人脸属性识别网络包括年龄识别网络和性别识别网络；其中，利用所述年龄识别网络对所述底层特征提取结果进行特征提取和识别，得到年龄识别结果，在确定年龄识别结果的损失值时基于的预设损失函数为年龄加权的三元组损失函数，加权的权重包括图像类型权重和年龄权重；利用所述性别识别网络对所述底层特征提取结果进行特征提取和识别，得到性别识别结果，在确定性别识别结果的损失值时基于的预设损失函数为性别加权的三元组损失函数，加权的权重包括图像类型权重和性别权重。4.根据权利要求3所述的方法，其特征在于，所述年龄加权的三元组损失函数的表达式为：其中，表示年龄加权的三元组损失函数，x
i
，x
j
表示输入图像，t
i
表示输入图像x
i
对应的图像类型(t
i
＝0表示RGB，t
i
＝1表示红外图像)，t
j
表示输入图像x
j
对应的图像类型，i,j的取值范围为1,2,...N，i≠j；d(x
i
，x
j
)表示x
i
与x
j
之间的距离，m是距离参数margin；(1+|t
i
‑
t
j
|)为图像类型权重，t
i
≠t
j
的情况下，类型权重值更大；λ
a
为年龄权重，a
i
表示输入图像x
i
对应的年龄，a
j
表示输入图像x
j
对应的年龄，年龄差距越大，年龄权重值越小。5.根据权利要求3所述的方法，其特征在于，所述性别加权的三元组损失函数的表达式为：
其中，表示性别加权的三元组损失函数，x
i
，x
j
表示输入图像，t<...

【专利技术属性】
技术研发人员：魏超，
申请(专利权)人：中科创达软件股份有限公司，
类型：发明
国别省市：