[发明专利]一种基于迁移学习的人脸属性分析方法

说明书

本发明公开了一种基于迁移学习的人脸属性分析方法，属于计算推算的技术领域，尤其涉及识别人脸属性的计算机视觉技术领域。本发明在多属性预测网络上联合训练样本集以预测特征属性，将收敛的多属性预测网络迁移到主属性预测网络，继续训练主属性预测网络并微调参数直至主属性预测网络的损失函数收敛，所述主属性包含但不限于基于逻辑回归的人脸属性以及基于线性回归的人脸属性的主属性，既防止了局部极小，又避免了任务过于复杂导致的精度降低，在实际应用中更加精确灵活。

技术领域

本发明公开了一种基于迁移学习的人脸属性分析方法，属于计算推算的技术领域，尤其涉及识别人脸属性的计算机视觉技术领域。

背景技术

人脸属性分析指对特定图片分析其是否为人脸、校正不在图像中心或过大过小的人脸、定位人脸关键点以及判别人脸面部特征。分析出来的不同属性能应用于不同场合：判别是否为人脸能过滤人脸检测中误检的非人脸；校正不在图像中心或过大过小的人脸、定位人脸关键点能微调人脸检测的结果；判别人脸面部特征能进一步为大样本人脸识别任务提供特征索引且可用于辅助其它人脸相关的任务。

通常人脸属性分析使用深度学习的卷积神经网络进行特征提取，再根据提取到的特征进行分类以得到人脸的相关属性。与传统的人工提取特征相比，卷积神经网络不需要大量的先验知识，经过训练后只要输入一张图片就能自动提取图片的特征。

多任务学习是目前深度学习领域广泛应用的技术，由于单个任务过于简单，在训练时很容易陷入局部极小值，在预测时很难达到很好的效果，因此，人脸属性分析时，往往将多个相关属性同时训练。然而，人脸属性不同于容易取得多分类样本的人脸识别等任务，传统的人脸属性分析方法只有几个简单分类任务而没有精度需求很高的回归任务，因此仍然容易陷入过拟合。

此外，通常人脸属性分析需要先经过人脸检测，再将检测到的人脸图像输入属性分析系统。由于人脸检测结果在复杂条件下极不稳定，往往存在偏差，导致人脸属性分析的准确性也受到影响。比如，当输入一张非人脸时，因为没有人脸辨识任务的辅助，传统的属性分析系统也会输出某个人脸属性而不会识别出非人脸的负样本。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种基于迁移学习的人脸属性分析方法，实现了更加灵活准确的人脸属性分析，解决了传统属性分析仅采用简单分类任务导致的过拟合的技术问题。

本发明为实现上述发明目的采用如下技术方案：

一种基于迁移学习的人脸属性分析方法，包括如下步骤：

步骤一：设计卷积神经网络的结构，卷积神经网络包括多属性预测网络和主属性预测网络，主属性预测网络的全连接层的输出只包含主属性预测部分，主属性预测网络的卷积层和多属性预测网络的卷积层部分完全相同；

步骤二：准备训练数据集，数据集包括通过各类人脸数据库建立的训练样本集以及相应的标注，每张图片均带有自己的标签，训练样本集包括人脸正样本(带边框信息)、人脸负样本、人脸部分样本(带边框信息)、人脸关键点样本和人脸面部特征样本，人脸正、负、部分样本的产生步骤包括对人脸检测数据集的随机剪切和缩放，人脸关键点样本的产生步骤包括对人脸关键点数据集的随机剪切和缩放；

步骤三：将包含各类人脸属性样本的样本集在多属性预测网络进行联合训练至基本收敛，根据多属性预测网络中卷积层提取的共享特征向量和损失函数需要的特征属性的维数构成全连接层，全连接层判别输入样本特征属性并根据样本标签调用损失函数以计算损失函数值，如，全连接层对人脸正、负、部分的判别和人脸面部特征判别调用Softmax作为损失函数，全连接层对人脸关键点和边框的判别调用均方误差作为损失函数，全连接层每次前向传播计算损失时，只有与输入样本相关的属性被激活，当对训练数据集分批训练时，每批次的损失是该批次内所有样本损失函数值的平均值；