人脸属性识别方法、装置、设备及介质制造方法及图纸

本申请公开了一种人脸属性识别方法、装置、设备及介质，该方法包括：根据目标人脸图像获取人脸识别特征；根据所述人脸识别特征和人脸属性分类器，获取所述目标人脸图像的人脸属性识别结果；其中，所述人脸属性分类器用于通过指定属性的分类区间和所述区间内指定属性的分类粒度对人脸进行分类。的分类粒度对人脸进行分类。的分类粒度对人脸进行分类。

【技术实现步骤摘要】
人脸属性识别方法、装置、设备及介质


[0001]本申请属于通信
，具体涉及一种人脸属性识别方法、装置、设备及介质。

技术介绍

[0002]人脸是一种非常重要的生物特征，具有结构复杂、细节多变等特点，同时也蕴含了大量的属性信息，比如性别、年龄、表情等。通常的人脸属性识别流程如图1所示，首先，把收集到的数据集，进行人脸检测，定位到人脸在图像中的位置；然后，在人脸区域定位出五个关键点坐标，将其仿射变换到预定义的标准人脸关键点处；其次会将配准后的人脸区域送入预先训练好的识别模型进行人脸特征的提取；最后将特征送入不同的人脸属性分类器进行性别、年龄、表情等属性的识别。

技术实现思路

[0003]本申请实施例提供一种人脸属性识别方法、装置、设备及介质，解决现有的人脸属性分类器的分类精度低的问题。
[0004]第一方面，提供一种人脸属性识别方法，包括：
[0005]根据目标人脸图像获取人脸识别特征；
[0006]根据所述人脸识别特征和人脸属性分类器，获取所述目标人脸图像的人脸属性识别结果；其中，所述人脸属性分类器用于通过指定属性的分类区间和所述区间内指定属性的分类粒度对人脸进行分类。
[0007]可选的，所述方法还包括：
[0008]在第一训练阶段，通过所述人脸属性分类器对应的交叉熵损失训练所述人脸属性分类器；
[0009]在第二训练阶段，利用加性角度间隔损失函数训练所述人脸属性分类器。
[0010]可选的，所述人脸属性分类器包括以下至少之一：性别分类器、年龄分类器、表情分类器。
[0011]可选的，所述人脸属性分类器至少包括年龄分类器的情况下，所述指定属性的分类区间包括：少年、青年、中年和老年中的至少之一，每种分类区间内的年龄分类粒度相同或不同。
[0012]可选的，根据所述人脸识别特征和人脸属性分类器，获取所述目标人脸图像的人脸属性识别结果，包括：
[0013]根据所述人脸识别特征和年龄分类器，获取所述目标人脸图像的评估年龄分布；
[0014]对所述评估年龄分布中的前N个年龄进行加权平均，确定所述目标人脸图像的最终评估年龄，N大于等于2。
[0015]第二方面，提供一种人脸属性识别装置，包括：
[0016]第一获取模块，用于根据目标人脸图像获取人脸识别特征；
[0017]第二获取模块，用于根据所述人脸识别特征和人脸属性分类器，获取所述目标人
脸图像的人脸属性识别结果；其中，所述人脸属性分类器用于通过指定属性的分类区间和所述区间内指定属性的分类粒度对人脸进行分类。
[0018]可选的，所述装置还包括：
[0019]训练模块，用于在第一训练阶段，通过所述人脸属性分类器对应的交叉熵损失训练所述人脸属性分类器；在第二训练阶段，利用加性角度间隔损失函数。
[0020]可选的，所述人脸属性分类器包括以下至少之一：性别分类器、年龄分类器、表情分类器。
[0021]可选的，所述人脸属性分类器至少包括年龄分类器的情况下，所述指定属性的分类区间包括：少年、青年、中年和老年中的至少之一，每种分类区间内的年龄分类粒度相同或不同。
[0022]可选的，所述第二获取模块包括：
[0023]获取单元，用于根据所述人脸识别特征和年龄分类器，获取所述目标人脸图像的评估年龄分布；
[0024]确定单元，用于对所述评估年龄分布中的前N个年龄进行加权平均，确定所述目标人脸图像的最终评估年龄，N大于等于2。
[0025]第三方面，提供一种通信设备，包括：存储器、收发机、处理器；其中，所述存储器用于存储计算机程序；所述处理器用于实现如第一方面所述方法的步骤。
[0026]第四方面，提供一种处理器可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的步骤。
[0027]在本申请实施例中，人脸属性分类器用于通过指定属性的分类区间和所述区间内指定属性的分类粒度对人脸进行分类，通过定义更为通用的分类粒度分层模型，减轻了人脸属性分类器的选择压力，可拓展性强，降低了人脸属性分类器的优化难度以及推理耗时，提升了整体的人脸识别分类的分类精度。
附图说明
[0028]图1是人脸属性识别的示意图；
[0029]图2是两阶段多任务属性学习的示意图；
[0030]图3是本申请实施例提供的人脸属性识别方法的流程图；
[0031]图4是本申请实施例提供的；
[0032]图5是本申请实施例提供的粒度分层的人脸属性总流程示意图；
[0033]图6是本申请实施例提供的年龄粒度分层的示意图；
[0034]图7是本申请实施例提供的年龄加权平均的示意图；
[0035]图8是本申请实施例提供的训练阶段I流程示意的示意图；
[0036]图9是本申请实施例提供的训练阶段II流程示意图；
[0037]图10是本申请实施例提供的人脸属性识别装置的示意图；
[0038]图11是本实施例提供的通信设备的示意图。
具体实施方式
[0039]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚描
述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
[0040]本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
[0041]一、关于人脸属性识别。
[0042]一般的人脸属性识别算法对于每一类属性的优化都是一个独立的过程，训练模型时送入一批(batch)样本，采用交叉熵损失进行单独训练：
[0043][0044]其中，S
t
是属于第t类的概率得分，n是总类别数，loss为交叉熵损失。
[0045]二、关于多任务属性识别。
[0046]人脸属性的任务特点是子任务较多，包括表情、年龄、性别等方面。从低消耗、易维护、易扩展角度来看，各属性应共用特征提取模型，但是不同属性对于提取到人脸特征的响应不一样，像性别与人脸识别特征关系更为紧密，训练时损失收敛要比年龄和表情属性快。一种两阶段多任务属性学习的流程如图2所示：
[0047](1)人脸检测。
[0048]人脸检测(FaceDetection)的作用就是要检测出图像中人脸的位置。输出为人脸框的坐标。在实际算法时，我们可以通过设置输入图像尺寸、最小脸尺寸限制、人脸数量上限的方式来加速算本文档来自技高网...

【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：根据目标人脸图像获取人脸识别特征；根据所述人脸识别特征和人脸属性分类器，获取所述目标人脸图像的人脸属性识别结果；其中，所述人脸属性分类器用于通过指定属性的分类区间和所述区间内指定属性的分类粒度对人脸进行分类。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在第一训练阶段，通过所述人脸属性分类器对应的交叉熵损失训练所述人脸属性分类器；在第二训练阶段，利用加性角度间隔损失函数训练所述人脸属性分类器。3.根据权利要求1所述的方法，其特征在于，所述人脸属性分类器包括以下至少之一：性别分类器、年龄分类器、表情分类器。4.根据权利要求3所述的方法，其特征在于，所述人脸属性分类器至少包括年龄分类器的情况下，所述指定属性的分类区间包括：少年、青年、中年和老年中的至少之一，每种分类区间内的年龄分类粒度相同或不同。5.根据权利要求4所述的方法，其特征在于，根据所述人脸识别特征和人脸属性分类器，获取所述目标人脸图像的人脸属性识别结果，包括：根据所述人脸识别特征和年龄分类器，获取所述目标人脸图像的评估年龄分布；对所述评估年龄分布中的前N个年龄进行加权平均，确定所述目标人脸图像的最终评估年龄，N大于等于2。6.一种人脸属性识别装置，其特征在于，包括：第一获取模块，用于根据目标人脸图像获取人脸识别特征；第二获取模块，用于根据所述人脸识别特征和人脸属性分类器，获取所述目标人脸...

【专利技术属性】
技术研发人员：王珂，陈建忠，金炜众，陈茜，黄文辉，冯俊兰，邓超，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：