[发明专利]人脸特征预测方法及装置

权利要求书

1.一种人脸特征预测方法，其特征在于，所述方法用于人工智能设备，包括：

确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果；

所述方法还包括：

利用训练样本进行预选训练，得到所述CNN模型；

所述利用训练样本进行预选训练，得到所述CNN模型，包括：

对所有训练样本进行预测识别，得到每个训练样本的样本向量；

对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签；

计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心；

对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数。

2.根据权利要求1所述的方法，其特征在于，所述确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量，包括：

将所述人脸图片输入到所述CNN模型中；

根据所述CNN模型的网络参数，得到所述人脸图片对应的CNN向量。

3.根据权利要求1所述的方法，其特征在于，所述根据所述CNN向量确定所述人脸图片所属的CNN类，包括：

计算所述CNN向量与所述CNN模型中的K个类各自的类中心之间的相似度或欧式距离；

将最大相似度或最小欧式距离对应的类确定为所述人脸图片所属的CNN类。

4.根据权利要求1所述的方法，其特征在于，所述对所有训练样本的样本向量进行聚类，包括：

通过K均值聚类算法对所有训练样本的样本向量进行聚类；或

通过高斯混合模型GMM算法对所有训练样本的样本向量进行聚类。

5.一种人脸特征预测装置，其特征在于，所述方法用于人工智能设备，包括：

第一确定模块，被配置为确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

第二确定模块，被配置为根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

计算模块，被配置为根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果；

所述装置还包括：

训练模块，被配置为利用训练样本进行预选训练，得到所述CNN模型；

所述训练模块包括：

样本向量确定子模块，被配置为对所有训练样本进行预测识别，得到每个训练样本的样本向量；

第一聚类子模块，被配置为对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签；

计算子模块，被配置为计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心；

CNN模型微调子模块，被配置为对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数。

6.根据权利要求5所述的装置，其特征在于，所述第一确定模块包括：

输入子模块，被配置为将所述人脸图片输入到所述CNN模型中；

第一确定子模块，被配置为根据所述CNN模型的网络参数，得到所述人脸图片对应的CNN向量。

7.根据权利要求5所述的装置，其特征在于，所述第二确定模块包括：

计算子模块，被配置为计算所述CNN向量与所述CNN模型中的K个类各自的类中心之间的相似度或欧式距离；

第二确定子模块，被配置为将最大相似度或最小欧式距离对应的类确定为所述人脸图片所属的CNN类。