[发明专利]人脸特征预测方法及装置

说明书

本公开是关于一种人脸特征预测方法及装置，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。因此，本公开可以提高人脸特征预测的准确度，还可以提高用户满意度。

技术领域

本公开涉及人工智能技术领域，尤其涉及一种人脸特征预测方法及装置。

背景技术

随着人工智能技术的不断发展，CNN(Convolutional Neural Networks，卷积神经网络)针对人脸识别的应用也越来越广泛。相关技术中，在性别、年龄识别时，一般将人脸图像输入CNN进行直接识别。但是，相关技术中的性别、年龄识别的准确率较低，降低了用户满意度。

发明内容

为克服相关技术中存在的问题，本公开实施例提供一种人脸特征预测方法及装置。

根据本公开实施例的第一方面，提供一种人脸特征预测方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。

根据本公开实施例的第二方面，提供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；