[发明专利]基于深度局部特征的人脸属性识别方法

说明书

本发明提供的方法是基于局部区域特征来进行人脸属性识别的，局部区域特征与全部区域特征相比更有鲁棒性和判别力；再者，利用降维和多尺度特征融合，比传统的降维方式和仅使用最后一层特征的方式，能得到更多有用的深度层级视觉特征；利用局部区域定位、分类和局部属性识别，能够更好的找到各属性所对应的人脸关键特征区域。

技术领域

本发明涉及计算机视觉领域，更具体地，涉及一种基于深度局部特征的人脸属性识别方法。

背景技术

在大规模人脸检索、图像理解和人脸识别等应用中，对图像中人脸的属性进行结构化分析是非常有用的。基于人脸属性，不仅可以构建人脸描述子、更深层次地理解人脸图像，还可以进一步开展由属性到图片再生等有趣的新任务。然而，人脸属性识别这个问题却又是极具挑战性的，因为在现实世界中所捕获到的人脸往往受到诸如光照和姿态变化等不利的影响。目前的人脸属性识别方法通常是对整张人脸图像提取特征描述，然后再训练相应的分类器对属性进行识别的。然而，这些方法所提取到的特征都是全局特征，对于大多数局部属性而言，存在大量冗余、甚至是不利干扰。

发明内容

本发明为解决以上现有技术在进行人脸属性识别时存在提取的全局特征存在大量冗余、甚至是不利干扰的缺陷，提供了一种基于深度局部特征的人脸属性识别方法，该方法能够得到更有鲁棒性、更有判别力的特征，从而对非控条件下的人脸属性具有更高的识别率。

为实现以上发明目的，采用的技术方案是：

基于深度局部特征的人脸属性识别方法，包括以下步骤：

一、训练阶段

S1.对于训练集中的每一幅人脸图像，利用深度卷积神经网络的不同卷积层计算得到多个尺度下的特征图；

S2.利用得到的多个尺度下的特征图和人脸图像N个局部区域的边界框类标，分别为N个局部区域训练相应的局部区域定位网络；其中N为大于2的整数；

S3.根据训练集中的每一幅人脸图像的多尺度特征图和N个局部区域的边界框类标，计算各个局部区域的多尺度特征图；

S4.将计算得到的各个局部区域的多尺度特征图进行降维，然后将降维后得到的各个局部区域的特征图按其局域区域所在的位置拼接在一起然后进行特征融合；

S5.将步骤S4得到的融合特征送入各局部区域的识别网络，训练局部属性分类器；

二、测试阶段

S6.利用步骤S1提取测试集中人脸图像多个尺度下的特征图，然后利用步骤S2得到的局部区域定位网络从多个尺度下的特征图中定位出N个局部区域；

S7.利用定位出的N各局部区域的边界框类标及人脸图像多个尺度下的特征图算各个局部区域的多尺度特征图；

S8.对计算得到的各个局部区域的多尺度特征图进行降维，然后将降维后得到的各个局部区域的特征图按其局域区域所在的位置拼接在一起然后进行特征融合；

S9.利用步骤S5训练好的局部属性分类器对融合特征进行属性识别，得到各局部区域相关的人脸属性，将各个局部区域相关的人脸属性组合起来，得到测试集中人脸图像的人脸属性。

与现有技术相比，本发明的有益效果是：

本发明提供的方法是基于局部区域特征来进行人脸属性识别的，局部区域特征与全部区域特征相比更有鲁棒性和判别力；再者，利用降维和多尺度特征融合，比传统的降维方式和仅使用最后一层特征的方式，能得到更多有用的深度层级视觉特征；利用局部区域定位、分类和局部属性识别，能够更好的找到各属性所对应的人脸关键特征区域。

附图说明

图1为训练阶段的示意图。

图2为测试阶段的示意图。