[发明专利]人脸属性识别方法、装置、终端设备和存储介质

说明书

本发明公开了一种人脸属性识别方法、装置、终端设备和存储介质，方法包括：获取视频流中的当前数据帧，从当前数据帧中捕捉人脸，并获取人脸区域图像。根据人脸区域图像提取人脸的特征信息，并将特征信息输入卷积神经网络模型。其中，所述卷积神经网络模型基于ResNet体系结构。根据所述卷积神经网络模型的输出结果获取人脸所对应的年龄以及性别。本发明能够在环境影响较大时，减少对年龄估计和性别检测误差。

技术领域

本发明涉及计算机领域，特别是涉及一种人脸属性识别方法、装置、终端设备和存储介质。

背景技术

社会日益进步的今天，随着科技日益发展，人工智能在我们身边扮演越来越重要的角色。为了能是人类的生活更加便利，人工智能机器人越来越广泛地使用到生活中。而人脸属性识别就是人工智能中的一类大项。人脸属性识别中的年龄估计和性别检测是人工智能和计算机视觉的重要方向。它有许多应用，例如公安取证，抓捕犯罪嫌疑人，人口统计等方面。年龄估计与性别测试与其他生物特征和面部属性识别密切相关，如种族分类、头发颜色辨别和表情识别。

现有技术中，大量的人脸属性识别研究，已经获得一些成果，并且有了fg-net，Adience，Groups等几个可靠性较强的人脸数据库。有一些标准数据集为人脸属性分析提供了分析方法，例如cross-age reference coding(跨年龄人脸识别编码)，Morph等。由于人脸特征提取受环境影响较大，所以在高亮度和低亮度条件下对于明显的年龄估计和性别检测误差较大。

发明内容

本发明目的在于克服现有技术的不足，提供一种人脸属性识别方法、装置、终端设备和存储介质，能够在环境影响较大时，减少对年龄估计和性别检测误差。

第一方面，本发明提供一种人脸属性识别方法，包括：

获取视频流中的当前数据帧；

从所述当前数据帧中捕捉人脸，并获取人脸区域图像；

根据所述人脸区域图像提取人脸的特征信息；并将所述特征信息输入卷积神经网络模型；其中，所述卷积神经网络模型基于ResNet体系结构；

根据所述卷积神经网络模型的输出结果获取所述人脸所对应的年龄以及性别。

进一步地，从所述当前数据帧中捕捉人脸，并获取人脸区域图像，具体包括：

将人脸区域图像转换为灰度图；

检测灰度图中的人脸及其坐标；

裁剪面部区域，并向面部区域添加预定比例的边距。

进一步地，在获取视频流中的当前数据帧之前还包括：

构建基于ResNet体系结构的卷积神经网络模型；

利用具有年龄和性别标签的面部图像数据集对所述卷积神经网络模型进行训练；其中，所述面部图像数据集包括IMDB-WIKI数据集。

进一步地，所述卷积神经网络模型对年龄的分类包括N类；则通过将每类的年龄值乘以对应的每类的概率后求和计算以识别年龄。

进一步地，对预测年龄通过平均绝对误差算法以获取预测年龄。

第二方面，本发明提供一种机器人对人脸属性识别装置，其特征在于，包括：

获取模块，用于获取视频流中的当前数据帧；

捕捉模块，用于从所述当前数据帧中捕捉人脸，并获取人脸区域图像；

提取模块，用于根据所述人脸区域图像提取人脸的特征信息；并将所述特征信息输入卷积神经网络模型；其中，所述卷积神经网络模型基于ResNet体系结构；